Qiitaに記事を書き始めたのが2021年12月。
気付けば254記事になっていました。

毎週何かしらの記事を書いてきたものの、昔の記事を読み返すことはあまりありません。

せっかくこれだけ書いているので、過去の記事をすべてAIに渡したら、どんなことが分かるのか気になりました。

過去に興味を持っていた技術や、記事の書き方の変化。あるいは自分では気付いていない共通点まで見つかるのか。

そこで今回は、公開済みの254記事、約51万文字をAIに渡して分析してみました。
結果として、思っていた以上にいろいろなことが分かりました。

特に面白かったのは、扱っている技術以上に、記事を書く目的や伝え方が変化していたことです。

まずは分析結果から

今回取得したデータは以下のとおりです。

項目	結果
分析対象	254記事
投稿期間	2021年12月〜2026年10月
本文の総文字数	507,971文字
累計いいね	709
累計ストック	428
いいね0の記事	115記事
土日に投稿した記事	231記事

※2026年10月17日までの公開記事が対象。文字数にはMarkdown記法やコードも含まれます。いいね・ストックは取得データに記録された値です。

この時点で少し驚いたのが、土日に投稿した記事の割合です。

254記事のうち231記事。

約91%が土日に投稿されていました。

確かに週末に記事を書くことが多いのですが、数字にすると想像以上でした。

また、いいね0の記事が115記事あることも分かりました。

254記事も書いていますが、すべての記事が評価されているわけではありません。

むしろ、大きな反応がない記事の方が多いくらいです。

どうやって254記事をAIに渡したのか

記事の取得にはQiita APIを使いました。

Qiita APIでは、ユーザーが公開している記事の一覧を取得できます。

GET /api/v2/users/:user_id/items

今回は1ページ100記事ずつ取得し、合計3ページ分のJSONデータを用意しました。

データ	記事数
1ページ目	100記事
2ページ目	100記事
3ページ目	54記事
合計	254記事

このJSONをAIに渡し、Pythonによる集計と記事本文の確認を組み合わせて分析しています。

具体的には、投稿日・タイトル・タグ・いいね数・本文の文字数を全件集計し、興味深い傾向については実際の記事内容と照合しました。

今回はRAGやベクトルデータベースを構築したわけではありません。

AIを使った探索的な分析なので、厳密な性能評価とは異なります。

自分でも取得するなら

Pythonでも同じように記事を取得できます。

import json
import time
from urllib.request import Request, urlopen

USER_ID = "YuukiYoshida"

articles = []

for page in range(1, 101):
    url = (
        f"https://qiita.com/api/v2/users/"
        f"{USER_ID}/items"
        f"?page={page}&per_page=100"
    )

    request = Request(
        url,
        headers={"User-Agent": "qiita-history-analyzer/1.0"}
    )

    with urlopen(request, timeout=30) as response:
        items = json.load(response)

    if not items:
        break

    articles.extend(items)

    if len(items) < 100:
        break

    time.sleep(1)

with open("articles.json", "w", encoding="utf-8") as f:
    json.dump(
        articles,
        f,
        ensure_ascii=False,
        indent=2
    )

print(f"取得件数: {len(articles)}")

これで公開記事をJSONにまとめられます。
記事本文を含んでいるため、このデータをAIに渡すことで、タイトルやタグだけでは分からない内容も分析できます。

1. そもそも本当に毎週書いていたのか？

最初に気になったのが投稿数です。
自分では毎週書いているつもりですが、実際にどれくらい投稿していたのか確認してみました。

年	投稿数
2021年	2
2022年	53
2023年	52
2024年	52
2025年	52
2026年（10月17日まで）	43

2022年から2025年まで、ほぼ週に1本のペースです。

2026年も10月17日時点で43記事。

さらに投稿日同士の間隔を確認すると、中央値は約7日で、最も長い間隔でも約14日でした。

少なくとも、この期間に何か月も投稿が止まっていたことはありません。

記事を書き続けること自体は、かなり習慣化できていたようです。

ただ、これは自分でも何となく把握していたこと。

ここから先が、今回面白かった部分です。

2. 記事の書き方が5年間で大きく変わっていた

まず記事本文の長さを調べてみました。
年ごとの記事の文字数を比較した結果です。

年	記事本文の文字数（中央値）
2022年	1,096
2023年	990
2024年	1,393
2025年	1,999
2026年	2,817

2022年と2026年を比較すると、記事の長さが約2.6倍になっています。

平均値ではなく中央値なので、一部の長い記事だけに引っ張られた結果ではありません。

2022年頃は、特定の実装方法やエラーの解消方法を短くまとめた記事が多くありました。

例えば、

RecyclerViewを反転させる方法
キーボードの表示、非表示を切り替える方法
Gradleのビルドレポートを作成する方法

などです。

一方2026年の記事では、ローカルLLMの仕組みや推論エンジン、コンテキストウィンドウといったテーマを扱っています。

単純な実装方法だけではなく、技術の背景や仕組みまで説明する記事が増えました。

実際、タイトルの付け方にも変化が現れています。

「どうやるか」から「なぜそうなるのか」へ

タイトルに含まれる言葉を集計してみました。

タイトルの特徴	2022年	2026年
「方法」「手順」「解消」「対処」「設定」「実装」を含む	32記事	4記事
「？」「?」「とは」「なぜ」を含む	4記事	11記事

※単純な文字列検索による集計です。意味による厳密な分類ではありません。

2022年は53記事中32記事が、何らかの手順や方法を示すタイトルでした。
それが2026年には43記事中4記事になっています。

逆に、疑問を提示するようなタイトルが増えていました。

例えば、最近書いた記事にはこんなものがあります。

昔は自分が調べた方法を残すことが中心でした。
最近は調べた技術を自分なりに理解し、背景から説明することを意識しているように思います。

AIに記事を渡して面白かったのは、この変化を数字と実際の文章の両方から確認できたことでした。

3. AndroidからAIへ興味が移ったと思っていたけれど

次に、扱っている技術の変化を確認しました。

全254記事のタグを集計すると、上位は以下のとおりです。

タグ	記事数
Android	140
Kotlin	121
初心者向け	35
AndroidStudio	35
JetpackCompose	19
AI	18
gradle	15
生成AI	12
LLM	10

※1記事に複数のタグを付けられるため、合計は254を超えます。

AndroidとKotlinが圧倒的に多いのは予想どおりでした。

一方で最近はAI関連の記事も増えています。

年代別に確認すると、2025年にはNext.jsやTypeScriptに関係する記事がそれぞれ9本ありました。

2026年には、AI・LLM・生成AIなどの関連タグを持つ記事が14本あります。

ただし、ここで少し意外だったことがあります。

2026年もAndroidタグの付いた記事が26本ありました。

43記事のうち26記事です。

新しい技術への興味が増えた一方で、Androidについて書かなくなったわけではありません。

AIに分析させる前は、ここ数年で扱う技術が大きく変わったという印象がありました。

でもデータを見る限りでは、興味の対象が移ったというより、扱う技術の幅が広がったと考えた方が近そうです。

4. 一番評価された記事が、ちょっと意外だった

今回の分析では、いいね数についても調べてみました。

全254記事の中で、いいね数が多かった記事は以下のとおりです。

順位	記事	いいね
1	Git 3.0の変更点まとめ	226
2	モチベーションが落ちた時の対処法	71
3	GitHubへのPersonal Access Tokenを使ったアクセス	32
4	Android14の重要そうな差分まとめ	24
5	AWS RDSを自動停止・自動起動させる方法	18

一番多かったのは、2026年6月に公開したGit 3.0の記事でした。

226いいね。

全254記事の累計いいね数は709なので、この記事1本で全体の約32%を占めています。

さらに上位5記事だけで、全体の約52%になります。

特定の記事に評価がかなり集中していることが分かりました。

個人的に興味深かったのは、必ずしも一番時間をかけた記事が最も評価されているわけではないことです。

Git 3.0の記事は本文が1,855文字。

一方、2025年に書いたMVVMとClean Architectureの記事は16,911文字ありましたが、いいね数は7でした。

もちろん、記事の公開時期やテーマ、読者数も異なります。

そのため、文字数が少ない方が評価されると結論付けることはできません。

ただ、長い記事を書いたから評価が伸びるわけでもないようです。

また、今回取得したデータにはPVが含まれていなかったため、実際に何人に読まれたのかまでは分かりません。

5. AIが見つけた「昔から変わっていない部分」

ここまでの数字を踏まえて、AIに記事を横断して共通する特徴を探してもらいました。

そこで気になったのが、2022年に書いた記事です。

【初心者応援】新人だった頃に行っていた習慣まとめ

この記事では、新人の頃に取り組んでいた習慣を3つ紹介しています。

GitHubに公開されているコードを毎日読む
他のアプリで実装されている動きを再現する
質問するときは、何を知りたいのか整理する

今読み返すと、当時から「他人の実装を読んで、自分で試しながら理解する」という方法を重視していたようです。

それから3年後の2025年。

ローカルLLM入門 Part1では、llama.cppのAndroidサンプルを実際に動かしています。

続くPart2では、モデルの変更やAARの生成方法を扱いました。

そして2026年には、ローカルLLMの仕組みについてシリーズ形式で解説しています。

こうして並べると、扱っている技術は変わっていても、理解するために調べたり、試したり、それを記事として整理したりする部分には共通点があります。

もちろん、これだけで自分の性格や考え方のすべてが説明できるわけではありません。

ただ、昔の記事と最近の記事を横断して読むことで、自分では意識していなかった一貫性が見つかるのは面白いところです。

6. 結局、AIは過去の自分を再現できたのか？

ここまで分析してみて、分かったことがあります。

AIは過去の記事から自分の技術的な関心や、その変化をある程度説明できました。

記事の長さが変化していること。

実装手順を中心にした記事から、技術の仕組みを説明する記事が増えていること。

そして扱う技術が変わっても、調べて試し、整理するという部分には共通点があること。

これは実際の記事とデータから確認できた内容です。

しかし過去の自分を完全に再現できたかというと、そこまでは難しいと思います。

理由は単純で、Qiitaに書いてあることが自分の経験のすべてではないからです。

記事に書かなかったことや、当時何を考えていたのかは、当然ながらデータに含まれていません。

また、AIが記事の内容から人物像を推測できたとしても、それが正しいとは限りません。

再現できたのは過去の自分そのものではなく、過去の自分が公開してきた情報の傾向だった。

今回の実験については、そう捉えるのが正確だと思います。

7. 次はRAGでも試してみたい

今回は254記事のデータをAIに渡し、集計と本文の確認を行いました。

ただ、継続的に過去の記事を活用するのであれば、毎回JSONを渡すのはあまり効率的ではありません。

そこで、次に試したいのがRAGです。

記事を検索できる形で保存し、質問に関連する内容だけをLLMに渡す構成です。

Qiitaの記事254本
       │
       ▼
記事の分割・Embedding
       │
       ▼
ベクトルDB
       │
       ▼
質問に関連する記事を検索
       │
       ▼
LLMが記事を参照して回答

例えば、過去に書いたGit関連の記事をすべて検索したり、特定の技術についていつ頃から書き始めたのか調べたりできます。

ただ今回のように5年間の変化を知りたい場合、RAGによって一部の記事しか取得されないと、全体像を見落とす可能性もあります。

全文を渡す方法とRAGで検索する方法では、どちらが正確なのか。

ここは改めて比較してみたいところです。

まとめ

今回は254記事、約51万文字を使って、過去の自分について分析してみました。

個人的に印象に残ったのは、以下の結果です。

約5年間、ほぼ週1回の投稿を続けていた
記事の長さが2022年から2026年にかけて約2.6倍になっていた
「方法」を紹介する記事から「なぜ」を説明する記事へと変化していた
AIへの関心が増えても、Androidについて書き続けていた
全いいねの約32%を、たった1本のGit記事が占めていた

昔の記事を読み返すだけでも気付くことはあると思います。

ただ250記事以上をまとめて比較することは、自分ではなかなかやりません。

今回のようにAIを使えば、蓄積した文章を別の観点から整理することができます。

何年も続けて書いた記事が、いつの間にか自分自身を振り返るためのデータになっていたというのは、なかなか面白い発見でした。

Qiitaに限らず、長年ブログや技術メモを書いている方は、一度まとめてAIに分析させてみると面白いかもしれません。

参考