日本人名の性別判定：漢字・かな・ローマ字の扱い

日本人名の性別判定では、同じ漢字に複数の読みがあり、読み方を文字列だけから確定できないことが最大の課題です。欧米の名簿と同じ前処理をそのまま適用すると、APIの照合前に姓名の分割や読みを誤る可能性があります。

NameGenderの固定テストでは、日本のグループは51件です。50件に回答し、そのうち39件が正解でした。カバレッジは98.04%、回答した結果の正解率は78%、未回答も誤りとして数える端から端までの正解率は76.47%です。

この標本は小さく、日本全体の人口分布を示すものではありません。現在の性能を再現するための製品テストとして公開しています。

日本語の結果はカバレッジだけで評価しない

ほぼすべての名前に回答していても、約5件に1件の回答が誤る計算です。個人宛ての敬称や自動メッセージに無条件で使える水準ではありません。集計用途でも未知値を残し、独自データで再測定する必要があります。

日本の名は、同じ漢字列に複数の読みが付くことがあります。さらに、漢字は中国語の文字範囲と重なるため、保存済みの完全一致がない文字列を機械的に別言語の読みへ変換すると誤判定につながります。

入力の優先順位は次のようにします。

読み仮名があるのに漢字だけを送ると、すでに持っている有用な情報を捨てることになります。

日本語順では姓が先です。山田太郎 のように区切りがあれば分割できますが、山田太郎 だけでは 山田 / 太郎 なのか、別の位置で区切るのかを文字列だけで断定できません。

APIへ名だけを送れるなら、それが第一選択です。フルネームを送る場合は、レスポンスの name、first_name、last_name を確認し、意図した部分が照合されたか記録してください。

かなは読みを保持しますが、同音の異なる名前を区別できない場合があります。ローマ字には表記ゆれがあります。長音、ハイフン、訓令式とヘボン式の違いを正規化しすぎると、別の入力を同じ文字列へまとめてしまいます。

元の入力は上書きせず、正規化後の値を別フィールドに保存してください。query と name の両方を残すと、入力処理の誤りと分類の誤りを分けて調査できます。

大量のCSVやExcelを処理する場合も、この検証を先に行ってください。件数が増えても入力品質や読みの問題は自動的には解決しません。

実際のリクエスト形式は日本語APIドキュメント、測定方法は公開ベンチマークの方法で確認できます。