コヒーレンス（文章の一貫性）とは？結束性との違いとSEO記事での点検方法

コヒーレンス（coherence）は、文章の各部分が意味のうえでつながり、読み手が「何の話が、どこへ進んでいるか」を追える状態を指します。日本語の言語学では「一貫性」と訳され、指示語や接続詞による形のうえのつながりである結束性（cohesion、コヒージョン）とは区別されます。

本記事の旧版はこの概念を「コホーテンシー」と表記していました。coherenceのカタカナ表記はコヒーレンスのため、本版から改めています。

まとめ：コヒーレンスと結束性の要点

• コヒーレンスは、読み手が推論で筋道をたどれる「意味のまとまり」です。結束性は、指示語・接続詞・語の反復など、文と文を形のうえでつなぐ手がかりです。
• 結束性があってもコヒーレンスが成り立たない文章はあります。隣り合う文の語がつながっていても、段落の主題から話が流れていれば読み手は迷います。
• Googleは、coherenceを名前の付いたランキング要因として公表していません（2026年10月3日に確認した検索セントラルの文書の範囲）。公式文書が問題にしているのは、閲覧者にとって意味のないページの大量生成と、雑に、または急いで制作された印象です。
• 点検は、見出しの通読、段落の主題文、指示語と接続詞の順に進めます。機械で数えるなら、隣接文の語の重なりと主題文との重なりを分けて見ます。

以下、定義と結束性との違い、Googleの公式文書での扱い、記事での点検手順の順に説明します。

コヒーレンスの意味とテクスト言語学での位置

英語のcoherenceは「首尾一貫していること」「筋が通っていること」を表す名詞です。カタカナの「コヒーレンス」で検索すると、レーザー光のように波の位相がそろう性質（可干渉性）を指す物理学・光学の用法が多く出てきます。文章を扱う文脈のコヒーレンスはこれとは別の概念で、文より大きい単位である文章・談話を扱うテクスト言語学の用語です。

テクスト言語学では、de BeaugrandeとDresslerが1981年の『Introduction to Text Linguistics』で、文の集まりがテクストとして成り立つ7つの基準を挙げました。cohesion（結束性）、coherence（一貫性）、intentionality（意図性）、acceptability（容認性）、informativity（情報性）、situationality（場面性）、intertextuality（テクスト間相互関連性）です（訳語は文献により異なります）。同書の章立てでもcohesionとcoherenceは別の章で扱われており、両者は初めから別の基準として扱われています。

コヒーレンスと結束性（コヒージョン）の違い

庵功雄の博士論文『日本語のテキストの結束性の研究―指示表現と名詞の機能を中心に―』（大阪大学、1997年）の要旨は、文法的依存関係によるつながりを「結束性」、推論によるつながりを「一貫性（coherence）」として区別しています。cohesionに結束性、coherenceに一貫性を当てる訳し分けは、本記事でもこれに従います。

結束性は文章の表面に見える手がかりで、コヒーレンスはその手がかりを使って読み手が組み立てる意味のまとまりです。結束性はコヒーレンスを助けますが、保証はしません。

Halliday & Hasanの結束装置5種

結束性の分類を示した文献に、HallidayとHasanの『Cohesion in English』（1976年）があります。同書は結束性を生む手段を5つに分け、それぞれに章を割いています。日本語の例は本記事で作ったものです。

このうち指示と接続は書き手が意識して足しやすく、語彙的結束は書き手が気づかないうちに生まれます。次の例が示すように、語彙的結束だけで文をつなぐと、つながっているように見えて話が進まない文章ができます。

結束性があってもコヒーレンスが崩れる文章

次の4文は、隣り合うどの2文にも共通の語があります。

「社内の問い合わせ窓口をチャットボットに切り替えた。チャットボットの名前は社内公募で決めた。公募には担当者の飼い猫の名前も集まった。担当者の飼い猫は今年で三歳になる。」

チャットボット、名前と公募、担当者と飼い猫という語の反復で、文と文はつながっています。それでも1文目が立てた「窓口の切り替え」という主題に、2文目以降は一度も戻りません。読み手は「切り替えてどうなったのか」を待ったまま段落を読み終えます。この例では、語の反復による結束性があっても、「窓口の切り替え」を説明する段落としての一貫性は保てていません。ただし、一貫性には隣接する文どうしの意味のつながりも含まれます。

Googleの公式文書でのコヒーレンスの扱い

ランキング要因としてのGoogleの公表状況

Google検索セントラルのランキングシステムの解説、有用なコンテンツの作成ガイド、スパムポリシーを2026年10月3日に確認した範囲では、文章のcoherenceを名前の付いたランキング要因として説明する記述はありませんでした。「コヒーレンスを高めれば順位が上がる」「一貫性が不足するとアルゴリズムにスパムと誤認される」といった因果は、公式文書からは導けません。本記事の旧版にはこの種の記述がありましたが、根拠を示せないため削除しました。キーワードの出現回数についても同様に、Googleは最適な値を示していません（キーワード出現率の計算方法とGoogle公式の記述）。

スパムポリシーの「意味がないコンテンツ」

公式文書のなかで文章の意味のまとまりに最も近い記述は、スパムポリシー（日本語版、最終更新2026年9月2日）の「大量生成されたコンテンツの不正使用」です。定義は「ユーザーをサポートすることではなく、検索ランキングの操作を主な目的として大量のページを生成すること」で、例の1つに「検索キーワードは含んでいるものの、閲覧者にとってほとんどまたはまったく意味がないコンテンツのページを大量に作成すること」が挙がっています。

対象は、ランキング操作を主な目的として大量に作られたページです。1本の記事の論理展開が甘いことをスパムとみなす規定ではありません。ただし、キーワードを並べただけで意味をなさない文章を量産すれば、この例にそのまま当たります。

有用なコンテンツの自己評価質問

「有用で信頼性の高い、ユーザー第一のコンテンツの作成」（日本語版、最終更新2025年12月18日）の自己評価質問には、「コンテンツに誤字やスタイルに関する問題はありませんか」「コンテンツは適切に制作されていますか。雑に、または急いで制作されたような印象を与えるものではありませんか」という問いがあります。

段落ごとに話題が飛ぶ文章や、同じ主張を見出しを変えて繰り返す文章は、雑に、または急いで制作された印象に直結します。Googleが示しているのはコンテンツを自己評価するための問いです。本記事では、文章の一貫性の点検を、論理展開や重複を見直す編集作業として位置づけます。

記事のコヒーレンスを点検する手順

点検は大きい単位から小さい単位へ進めます。先に文の接続を直しても、章の順序が誤っていれば書き直しになるためです。

見出しだけを通読するアウトライン点検

本文を隠して、h2とh3だけを上から読みます。見出しの列だけで「何を問い、どう答える記事か」を説明できれば、構成の筋道を確認できます。そのうえで、各章の本文が見出しに答えているかを点検します。この点検で見つかりやすい崩れは2つあります。1つは、同じ問いを別の言い回しで扱う見出しの重複で、「重要視される理由」と「長期的なメリット」が並ぶような形です。もう1つは、記事の問いと関係の薄い章です。前者は統合し、後者は削るか別の記事へ切り出します。

段落の主題文と「既知から未知へ」の流れ

各段落の1文目に、その段落が答える内容（主題文）を置きます。2文目以降は、前の文に出た語を文頭近くに、新しい情報を文末側に置くと、読み手は前の文を足場にして読み進められます。「チャットボットは過去の問い合わせ履歴から回答候補を選ぶ。回答候補が見つからない問い合わせは担当者に引き継ぐ。」では、2文目の文頭の「回答候補」が1文目の文末を受けています。

段落の最後の文が主題とどう関係するかを確認します。根拠の補足や次段落への橋渡しとしても説明できない場合は、話題が逸れていないか読み直します。結論を先に置く型（ホールパート法・PREP法・SDS法）は、主題文を段落や文章の冒頭に固定するための型として使えます。

指示語と接続詞の点検

指示語は、読み手が指す先を迷わず特定できる場合に使います。直前の文に候補が複数ある場合や、指す先が離れて分かりにくい場合は、具体的な名詞に置き換えます。「これにより」「この点」が段落の頭に来て、指す先が2文以上前にある場合が典型です。

接続詞は文と文の論理関係を示すために使います。「また」「さらに」が続く段落は、項目を並べているだけで、項目どうしの関係（理由か、例か、対比か）を書いていないことが多くあります。まず文どうしに因果・対比・並列のどの関係があるかを確かめます。因果なら「そのため」、対比なら「一方で」を使い、単なる並列なら「また」を残すか箇条書きにします。

隣接文と主題文の語の重なりを数える方法

コヒーレンスは読み手の推論に依存するため、機械で直接は測れません。ただし、その手がかりの一部は数えられます。計算言語学では、BarzilayとLapataの論文「Modeling Local Coherence: An Entity-Based Approach」（Computational Linguistics 34巻1号、2008年）が、文章中の名詞句（エンティティ）が文ごとにどう現れるかを表（entity grid）にし、その遷移のパターンから局所的なコヒーレンスを捉える方法を示しました。

ここではその発想を簡略化し、日本語形態素解析器Janome 0.5.0（Python 3.9.6）で各文の名詞を取り出して、2つの値をJaccard係数（共通する名詞の数÷どちらかの文に出る名詞の数）で計算しました。1つは隣り合う文の名詞の重なり、もう1つは段落1文目（主題文）との名詞の重なりです。対象は本記事で作った3つの例文で、Cは結束性の章で示した例と同じ文です。

import re
from janome.tokenizer import Tokenizer

t = Tokenizer()

def nouns(s):
    out = set()
    for tok in t.tokenize(s):
        pos = tok.part_of_speech.split(',')
        if pos[0] == '名詞' and pos[1] not in ('非自立', '代名詞', '数', '接尾'):
            out.add(tok.base_form)
    return out

def jaccard(a, b):
    return len(a & b) / len(a | b) if a | b else 0.0

def report(name, text):
    sents = [s for s in re.split(r'(?<=。)', text) if s.strip()]
    if len(sents) < 2:
        print(name, '計算対象は2文以上です')
        return
    ns = [nouns(s) for s in sents]
    adj = [jaccard(ns[i], ns[i + 1]) for i in range(len(ns) - 1)]
    top = [jaccard(ns[0], ns[i]) for i in range(1, len(ns))]
    print(name)
    print('  隣接文の重なり', [round(x, 2) for x in adj], '平均', round(sum(adj) / len(adj), 2))
    print('  主題文との重なり', [round(x, 2) for x in top], '平均', round(sum(top) / len(top), 2))

A = ('社内の問い合わせ窓口をチャットボットに切り替えた。'
     'チャットボットは過去の問い合わせ履歴から回答候補を選ぶ。'
     '回答候補が見つからない問い合わせは窓口の担当者に引き継ぐ。'
     '担当者は引き継いだ問い合わせの回答を履歴に追加する。')
B = ('回答候補が見つからない問い合わせは窓口の担当者に引き継ぐ。'
     '社内の問い合わせ窓口をチャットボットに切り替えた。'
     '担当者は引き継いだ問い合わせの回答を履歴に追加する。'
     'チャットボットは過去の問い合わせ履歴から回答候補を選ぶ。')
C = ('社内の問い合わせ窓口をチャットボットに切り替えた。'
     'チャットボットの名前は社内公募で決めた。'
     '公募には担当者の飼い猫の名前も集まった。'
     '担当者の飼い猫は今年で三歳になる。')
for n, x in (('A 元の順序', A), ('B 文の順序を入れ替え', B), ('C 語はつながるが話題が流れる', C)):
    report(n, x)

実行結果は次のとおりです（小数第2位で丸め）。

Bは同じ4文の順序を入れ替えただけですが、隣接文の重なりは0.35から0.26に下がりました。ただし、Aの4文を逆順にしても平均は0.35のままで、順序の崩れを必ず検出できるわけではありません。一方、Cの隣接文の重なりは0.36でAとほぼ同じで、この値だけ見ると「つながった文章」に見えます。Cの崩れが表に出るのは主題文との重なりで、3文目と4文目が0.00になりました。

主題文との重なりは、Bでは1文目が入れ替わったため値がむしろ上がっており、単独では順序の崩れを示しません。今回の作例では2つの値に異なる変化が出ましたが、併用しても文章の一貫性を判定できるとは限りません。値の変化を手がかりに、実際の文脈を読み直してください。

この計算は4文の作例3つによる動作確認で、指標の妥当性を検証したものではありません。このコードでは「チャットボット」と「ボット」は別の名詞として扱い、「それ」のような代名詞は集計から除外します。そのため、言い換えや指示語によるつながりを捉えられず、意味がつながっていても重なりが低く出る場合があります。数値は読み直す段落を選ぶための目印にとどめ、合否の基準にはしないでください。

コヒーレンスが崩れやすい記事構成と避け方

章と小見出しの本数を先に決めて各枠を同じ分量で埋めると、内容の重複や主題からの逸脱を招くことがあります。枠が先にあるため、書くことが尽きた枠は前の章の言い換えで埋まり、同じ主張が見出しを変えて何度も現れます。本記事の旧版もh2が10本、h3が50本の均一な構成で、重要視される理由、SEOでの役割と効果、長期的なメリットの3章が、E-E-A-Tへの寄与や滞在時間の改善という同じ主張を見出しを変えて繰り返していました。

見出しの本数は、記事が答えるべき問いの数で決めます。生成AIで下書きを作る場合も、先に「この記事が答える問い」の一覧を作り、各見出しがどの問いに答えるかを対応づけてから本文を書かせると、言い換えによる重複を防げます。対応する問いが無い見出しは削ります。問いの洗い出しは、コンテンツSEOの記事設計の手順のうち検索意図を整理する工程と同じ作業です。

逆に、結束装置を足しすぎるのも逆効果です。「この」「また」を機械的に足しても文が長くなるだけで、主題に戻らない段落のコヒーレンスは上がりません。用語集やFAQのように項目が独立している文章では、項目間の接続語は不要です。

よくある質問

コヒーレンスとは簡単に言うと何ですか？

文章の各部分が意味のうえでまとまり、読み手が話の筋道を追える状態です。英語のcoherenceの訳で、日本語の言語学では「一貫性」と呼ばれます。

cohesionとcoherenceの違いは何ですか？

cohesion（結束性）は、指示語・接続詞・語の反復など、文と文を形のうえでつなぐ手がかりです。coherence（一貫性）は、その手がかりをもとに読み手が推論で組み立てる意味のまとまりです。結束性があっても、段落の主題から話が流れていればコヒーレンスは成り立ちません。

「コホーテンシー」とは何ですか？

英語のcoherence（一貫性）を誤ってカタカナにした表記です。coherenceのカタカナ表記はコヒーレンスで、文章の文脈では「一貫性」と訳すのが一般的です。本記事も旧版ではこの表記を使っていました。

論理的整合性とコヒーレンスは同じ意味ですか？

重なりますが同じではありません。論理的整合性は、主張どうしに矛盾がないことを指します。コヒーレンスはそれに加えて、話題が主題から外れず、順序立てて進むことまで含みます。矛盾が1つもなくても、話題が段落ごとに飛ぶ文章はコヒーレンスを欠きます。

つなぎ言葉（接続語）を増やせば文章の一貫性は上がりますか？

増やすだけでは一貫性は保証されません。接続語は結束性の手段の1つで、文と文の論理関係を示すときに役立ちますが、主題に戻らない段落に「また」「さらに」を足しても話はまとまりません。先に段落の主題文を決め、その主題に答える文だけを残してから、関係を示す接続語を選びます。

関連記事

• ホールパート法とは？3ステップの例文とPREP法・SDS法の使い分け
• コンテンツSEOとは？記事設計のやり方・手順と効果測定・失敗回避までを解説
• キーワード出現率とは？計算方法と目安の根拠をGoogle公式の記述から整理
• 共起語とは？SEOでの調べ方と記事への入れ方・効果が出ない使い方を解説
• インフォメーションゲイン（情報利得）とは？計算式・Python実測とGoogle情報利得スコア（SEO）の違い