プロンプトと歌詞分析

📘 1. LLM（大規模言語モデル）とは？

**LLM（Large Language Model）**とは、数十億〜数千億のパラメータをもつニューラルネットワークモデルで、自然言語を理解・生成するAIのことです。
代表例：ChatGPT（GPT-4）、Claude、Gemini、LLaMA、Mistral など。

---

⚙️ 2. 応答の仕組み：LLMはどう返答しているか？

💡 全体フロー（図付き）

---

🧠 LLMの中身（Transformerの働き）

• Self-Attention：文脈全体から重要な単語を選び出す
• Layer Stack：多層構造で言語の意味・構造を深く学習
• 位置エンコーディング：語順を反映
• 出力方式：次に来るトークンの確率分布から一つを選ぶ（例：top-k, temperature）

---

🗂️ 3. プロンプト用語集（Prompt Engineering Glossary）

用語	説明
プロンプト（Prompt）	モデルへの入力文。指示・質問・データなど。
プロンプトエンジニアリング	最適な出力を得るためのプロンプト設計技術。
ロール指定（Role Prompting）	モデルに役割を与える（例：あなたは英語教師です）。
Few-shot Prompting	入力文にいくつかの**例（例示）**を含める手法。
Zero-shot Prompting	例を与えず指示だけで回答させる手法。
Chain-of-Thought Prompting	ステップバイステップで推論させる手法（考えの連鎖）。
System Prompt	モデルの性格や出力スタイルを初期設定する非表示の指示。
Temperature	出力の「ランダム性」を制御するパラメータ（0〜1）。
Top-k Sampling	上位k個のトークンからランダムに選ぶ出力方式。
Top-p (nucleus) Sampling	上位確率pに含まれるトークン群から選ぶ方式。
Token（トークン）	単語や文字列を数値に変換した単位（英語なら単語単位、日本語なら文字単位が多い）。
Prompt Injection	意図しない命令を埋め込んでモデルを誘導・誤動作させる攻撃。
Hallucination	モデルが事実に基づかない誤った内容を自信ありげに生成する現象。

総合解析プロンプト

以下の日本語詩的テキストに対して、次の7つの分析をすべて実行してください：

【1】形態素解析：  
各語について、「表層形」「原形」「品詞」「品詞細分類」を表形式で出力してください。形態素解析器としてMeCabやJuman++相当の処理を仮定してください。

【2】品詞・構文解析：  
(a) 品詞分布（名詞率・動詞率・形容詞率・副詞率など）を%で出力  
(b) 各文の構文解析（主語・述語・目的語・修飾句などの係り受け構造）を文単位で説明してください。CaboChaまたはKNP相当を想定。

【3】共起分析（コロケーション）：  
テキスト内の単語ペア（名詞・動詞中心）について、共起頻度とPMIスコア（Pointwise Mutual Information）を算出し、上位10件を出力してください。

【4】7感情分類（Softmax確率）：  
「喜び・愛・怒り・悲しみ・恐怖・驚き・嫌悪」の7分類に分類し、各感情の確率（Softmaxベース）を%で出力。主要な感情も明示してください。モデルとしてHuggingFaceの多クラス感情分類モデルを仮定。

【5】政治思想分析（イデオロギー分類）：  
Political Bias Detector（BERT）に類似したモデルを使って、テキストが含む政治的傾向（左派・中立・右派）のソフトマックス確率（%）を出力してください。

【6】感情ベクトル（VADモデル）：  
Valence–Arousal–Dominance（快感・覚醒・支配）の3次元でテキストの情緒的特徴を定量評価してください。スコアは各軸ごとに -1.0〜+1.0。

【7】毒性・攻撃性（Perspective API風）：  
Perspective API相当のスコアリングを行い、「Toxicity」「Aggression」「Insult」「Profanity」などのスコア（0.0〜1.0）を出力してください。

---

【対象テキスト】  
君は汚い言葉で僕を酷く罵る  
青い靴なくしてまだ動き出せずにいる  
彼は知らない言葉で君の体求める  
青い靴をなくして消えた遠くの街へ  
シベリアの墓標に刻まれた君の名前  
神のいない教会へ手をとり二人逃げようとした  

以下の日本語テキストに対し、文脈依存のロジットベクトルに基づく多次元解析を行ってください。

【分析内容】

1. 政治思想（Ideology Classification）：
　・Political Bias Detector（BERT相当）に基づき、「左派（Liberal）／中立（Neutral）／右派（Conservative）」の3分類でソフトマックス確率を算出。

2. 感情分類（Emotion Classification）：
　・HuggingFaceの6分類モデルに基づき、「喜び・悲しみ・恐怖・怒り・嫌悪・愛」の6感情に分類し、各スコアをソフトマックス確率で出力。

3. 感情の極性（Polarity）：
　・ポジティブ／ネガティブの2クラスに分類し、それぞれのロジットをソフトマックス正規化した確率で表示。

4. 性別的言語傾向（Gendered Language）：
　・「男性的／女性的」言語スタイルの傾向を分類し、ロジットベースのソフトマックス確率で出力。

5. VAD感情ベクトル：
　・Valence（快不快）、Arousal（覚醒度）、Dominance（支配／無力）を -1.0 ～ +1.0 の連続値で出力。

6. Perspective API属性スコア：
　・以下の各カテゴリについて、0.00〜1.00のスコアを出力してください：
　　- 有害性（TOXICITY）
　　- 侮辱（INSULT）
　　- アイデンティティ攻撃（IDENTITY_ATTACK）
　　- 攻撃性（AGGRESSION）
　　- 卑猥性（PROFANITY）
　　- 煽動性（FLIRTATION）
　　- セクシャル（SEXUAL）
　　- 危険性（THREAT）

【分析対象テキスト】

君は汚い言葉で僕を酷く罵る  
青い靴なくしてまだ動き出せずにいる  
彼は知らない言葉で君の体求める  
青い靴をなくして消えた遠くの街へ  
シベリアの墓標に刻まれた君の名前  
神のいない教会へ手をとり二人逃げようとした

🎵 日本語の歌詞（Japanese Lyrics）
きっと世界の終わりもこんな風に
味気ない感じなんだろうな
あのバンドの新譜と牛乳を買いに
部屋をでたけれど
5分前に出会ったふたりも
今じゃベッドでささやきあって
くだらないTV消してはじまりのおわりの
はじまりのおわりの話をする

すごい速さで夏は過ぎたが
ララララララ
熱が胸に駆け

そのセンチメンタルはいつか
お前の身を滅ぼすのかもしれないよ
感傷中毒の患者禁断症状映画館へ走る
でもなんかやれそうな気がする
なんかやらなきゃって思う
だってなんかやらなきゃできるさ
どうしようもないこのからだ何処へ行くのか




🌐 英語訳（English Translation）
（ここに英語訳を記入）

※ 意訳・直訳のバランスに配慮。リズムや比喩を活かして翻訳する。

📘 英語の文法解析（Grammar Analysis in English）
🔹 1. 文型・構文（Sentence Structure & Pattern）
（英訳1行目）：

文型：SVO / SVC / SVOC / SVOO などを記載

構造：文全体の構文解説（例：分詞構文、倒置、省略など）

（英訳2行目）：

文型：

構造：

🔹 2. 主語と動詞（Subject–Verb Analysis）
（英訳1行目）：

S = （主語）

V = （動詞）

O/C/Adv = （目的語・補語・副詞など）

（英訳2行目）：

S =

V =

O =

C =

Adv =

🔹 3. 時制・相・態（Tense, Aspect, Voice）
（英訳1行目）：

時制：Present / Past / Future / Conditional

相：Simple / Continuous / Perfect

態：Active / Passive

（英訳2行目）：

時制：

相：

態：

🔹 4. 修飾語・句・節（Modifiers, Phrases, and Clauses）
句や節の分類：前置詞句、副詞節、関係詞節など

例：With ~, If ~, Who ~, To ~ などの修飾要素を特定して解説

🔹 5. 詩的技巧と文体（Poetic Devices & Style）
比喩（Metaphor）、擬人法（Personification）

倒置（Inversion）、省略（Ellipsis）

韻律（Rhythm）、繰り返し（Repetition）、対比（Contrast）など

🔤 構文の抽出（Subject–Verb Constructions）
S = , V = , O/C/Adv =

S = , V = , O/C/Adv =

✍ 表現の言い換え（Alternative Expressions）
例1（フォーマル／詩的）：

（やや硬い・詩的な言い換え）

例2（カジュアル）：

（口語的な言い換え）

以下の語ペア（A → B）に基づき、Word2Vecベクトル空間上の意味変換ベクトル（B − A）を推定してください。  
その変換ベクトルを新たな語Cに適用し、C + (B − A) に最も近い語（D候補）をコサイン類似度付きでTop-3出力してください。

出力形式：

1. 変換ベクトル（A → B）の意味的説明  
2. C + (B − A) によって得られる類似語Top-3（各語に意味補足とコサイン類似度を添えて）

【入力】  
A = 「〇〇」  
B = 「△△」  
C = 「□□」  
→ D = ?

【入力】  
A = 「バンド」  
B = 「アンプ」  
C = 「新譜」  
→ D = ?


Pythonではなく生成AI内で実行して

きっと世界の終わりもこんな風に  
味気ない感じなんだろうな  
あのバンドの新譜と牛乳を買いに  
部屋をでたけれど  
  
5分前に出会ったふたりも  
今じゃベッドでささやきあって  
くだらないTV消してはじまりのおわりの  
はじまりのおわりの話をする  
  
すごい速さで夏は過ぎたが baby  
ララララララ 熱が胸に駆く  
  
そのセンチメンタルはいつか  
お前の身を滅ぼすのかもしれないよ  
感傷中毒の患者禁断症状 映画館へ走る  
  
でもなんかやれそうな気がする  
なんかやらなきゃって思う  
だってなんかやらなきゃできるさ  
どうしようもないこのからだ 何処へ行くのか  
  
すごい速さで夏は過ぎたが baby  
ララララララ 熱が胸に駆く  
  
すごい速さで夏は過ぎたが baby  
ララララララ 熱が胸に駆く

以下の日本語テキストを感情推定モデルで逐語的に分析し、各文または文節ごとに主要な感情（喜・怒・哀・楽など）を分類した上で、感情強度の推移を折れ線グラフにしてください。

出力は：
- テーブル（文 or 節 × 感情強度）
- matplotlib などで描画する形式のPythonコード