ワイン消費量と直感の不一致
エマ 意味があるさかどうかとかってね、普段そんな考えないかもしんないけど
レン 原始人だったら考えないわ。
エマ 私が原始人はなんだろう、500年代くらい。
エマ レンです。
レン エマです。サイエントークは、研究者とイギリス駐在員が科学をエンタメっぽく語るポッドキャストです。
エマ 問題なんですけど、世界で最も一人当たりのワインの消費量が多い国はどこでしょう?
レン デンマーク?
エマ デンマークではないですね。お酒の消費量は多いけど。
レン そっか、ビールはチェコだもんね。ワインはイタリア?
エマ じゃないです。
レン フランス?
エマ じゃないです。
レン イギリス?
エマ じゃないです。
レン でもなんかヨーロッパってイメージがあるけど、違う。
エマ ヨーロッパではある。じゃあヒント。
レン 待って、ヒント言わないで。
エマ ちなみにこれは統計のデータにもよるんだけど、この国はね、ちょっととある事情でオフィシャルのランキングからは除外されてるんだけど、一人当たりの消費量はダントツ多い。
レン うーん、ハンガリー?
エマ 違う。もういい?
レン ブルガリア?
エマ 違う、もういい?当たんないと思う、これ。
レン ベラルーシ?
エマ 違う。
レン うーん、マルタ?
エマ もうちょっとこれ長すぎる。長すぎる。もういいよ。
エマ 世界で最も人口が少ない国です。
レン 聞いたことある国かな。
エマ 知ってると思う。
レン バチカンだ。
エマ そう、これ意外じゃないですか。バチカン四国って人口800人ぐらいしかいないですけど、一人当たり年間約99本のワインを消費していると言われてるんですよ。
レン すごいね。
エマ これなんかさ、直感と反応するじゃん。
レン うんうんうん。
エマ 一人当たりのワイン消費量っていうのがポイントで。
レン うんうんうん。
エマ バチカンって宗教的に儀式とかでもワイン使ったりとか、あとは子供が全然いなくて大人の割合がすごい高い。
レン うん。
エマ そういう理由で結果的にワイン消費量が世界で一番多いとは言われてるんだよね。
レン うーん、子供いないの?
エマ 子供少ない。で、ほとんど移民なんだよ。ほぼ100%移民。で、一時的な居住者で構成されてるから、他の国よりも子供、てか子供がほとんどいないらしい。
レン うーん。
エマ ほぼ成人で、その宗教の人らしくて、ワインの消費量が多いと。そもそもトータルの消費量としては少ないから、よくランキングからは除外されてるんだけど。
誕生日問題の確率
レン ああ、なるほどね。
エマ で、もう一問質問なんですけど、何人の人を集めれば誕生日が同じ人がいる確率が50%以上になるでしょう?
レン なんかさ、これさ、今はの国アリスって出てこなかったっけ?
エマ ああ、出てきたかもしんないね。
レン なんかさ、火の矢が飛んでくるやつ。
エマ 出てきたかも。でもね、これめっちゃ有名な問題、そもそも。
レン 解き方わかんない。
エマ 直感で。あの、頭の中で計算は無理だと思う、これ。
レン うーん。じゃあ、90人ぐらい。
エマ 90人ぐらい。これ実は、23人です。
レン うーん。
エマ これどうすかね?少ないって思うよね。
レン 思う。
エマ これ、ちゃんと計算したら、23人を超えたら50%以上っていうので、
エマ これ、少ないって思っちゃう原因は、誕生日が同じ人がいる確率だから、
エマ 1人対誰かじゃなくて、誰か同士じゃん。
レン うんうんうん。
エマ で、いいから、そのパターンって結構いっぱいある。
レン そうだね。
エマ なんで、その組み合わせの数が思ったより多いっていうので、直感ってやっぱずれるんですよ。
レン うんうんうん。
エマ で、なんでこういう話をしてるかというと、結構僕らの直感って、
エマ 今言ったような、確率なり統計なりとずれることがあるっていうのは結構あると思ってて、
エマ これを悪用することもできると思ってる。現代社会においてね。
エマ いろんなデータとかさ、ちょっと怪しい出し方とかもできたりするし、
エマ この統計学っていうのは非常に重要なんじゃないかと。現代社会で。AIも統計学ですしね、ベースは。
統計学の重要性とポッドキャストアワード
レン ほうほうほう。
エマ なんで今回は、ちょっと統計学の話をしたい。
エマ それはあれですか、なんか、人の直感と実際の統計的に正しいとされてる値がちょっと違うけど、
エマ 人の直感っぽい間違った値を出して、これが統計ですみたいな、いうような、そういう悪用がされてるみたいな、そういう意味?
レン ああそうそう、それもあるし。知っておいて損はないのが統計学だと思ってるよ。
エマ まあね、うんうん。なんかどの分野にも応用できそう。
レン そう。
エマ 世の中データだもんね。
エマ 世の中データじゃないですか。データじゃないこともあるけど。だけど、統計リテラシーを上げようかい。ちょっとこれやってみたいなと。
レン はい。
エマ で、統計学の、まあちょっと有名な事例とか、ちょっとした成り立ちとかね、その辺をお話ししてみて、統計学がいかに重要かという話をしたいんですけど、
なんでこんな話をするのかというと、このエピソードが上がってる日から、第7回ジャパンポッドキャストアワードのリスナー投票が開催されております。
で、これ皆さんにお願いしたいんですよ。リスナー投票を。でも、ただお願いするのも面白くないので、これなぜ一票を投じて、自分がその統計に参加することが重要なのかということを、統計学を元におしゃべりしたいっていう。
レン 確かに。それ仕組みが分かるとね、一票重要なんだってなりますね。
エマ そう。
レン 口で言うよりもね。
エマ そう。口で言うよりも、お願いしますって言ってもさ、響かないかもしんないじゃん。
レン あなたの一票が大切ですとかよく言うけどさ、実際どれぐらいインパクトがあるのかって数値的には確かに分かってないかも。
エマ そうそうそう。
レン そういうのが説明されるときに。
エマ まあ、大体そんな感じ。いろんな事例から、やっぱり一票を投じて参加すること大事だなって思ってもらえるかっていう、そういう話にしたい。
レン そもそもさ、統計学っていつから現れたんだろうね。
エマ その話をします。じゃあもう早速その話からしますか。
レン うん。
レン 統計学って歴史意外と浅くって。
エマ うん。古そうに見えて新しそうな気もする。だって数をこねくり回すみたいなことはさ、昔からしてそうだけど。
レン まあね、気化学とかすごい昔からやってるからね。
エマ だからデータが大量に集まるみたいなのってさ、結構近代になってからじゃないかなっていう。
エマ とかなんかその集まったデータとか、あとは確率とかがちゃんと統計学に基づいて予測できたりとか、直感的に言ったら予測できなさそうじゃん。
レン 直感的に言ったら、ああそうそう。
エマ これが何パーセントでみたいなさ、そういうのって全部ランダムじゃんみたいな風に。統計学を知らなかったら思っちゃいそう。
エマ そうだと思う。てかね、人間の歴史上やっぱりこういろんなさ、データを集めてそれにルールがあるって思うのにめっちゃ時間かかってるんだよね。
レン そうだよね。ルールなさそうだもんね。ランダムに起きてそう。
エマ だから、そもそも統計学ってstatisticsですけど、英語で。それの語源って国家なんですよね。
レン 国家。
エマ ステイト。ステイトっていう単語が元々で、だから結構国家として、例えば人口とか税金どうやって集めるかとか、そういうのに最初使われたっていうのが統計学の始まりなんだけど、それまでは正直政治とかいろんなことやるのも全部占いっぽいことで、それ信じてやるとか。そういうのがメジャーだったわけよね。
エマ だから、そこがまず全然違う感覚で、それが変わって初めて統計学って言葉が使われたのが1700年代。最初はサイエンスオブステイトだったと。国家の科学みたいなことですね。
エマ それがないと、国家はもう盲目だと。目が見えないのと一緒だと。どうやって食べ物を配ったらいいかもわからんし、税金どうやって取ったらいいかもわかんないし、っていうのを何とかしようっていうので、データを取って国の方針を決めようっていうのが最初らしいんだよね。
エマ どうやって食べ物を配ったり、どうやって税金を集めるかっていうのはどういうこと?それがわからないっていうのは、例えば税金だったら何パーセントにしたらいいのかがわからないみたいな。
そうだね。そもそも国民の数もよくわかってなかったと。 エマ 国民の数そもそもわかってないんだ。
そう、だからその国民の数まずどれぐらいいるのかなっていうのを把握して、この家からはこれぐらい税金取ったらお金がこれぐらいになるなみたいな計算ができるようになるわけじゃん。
エマ そうだね。 それすらできてなかったらしいの。 エマ やばいね。1700年代までそれすらできてなかったの。
そうそうそうそう。1600年、1700年ぐらいまではね、できてなかったらしい。
でもそれだったらさ、そもそもどれぐらい予算必要かとかすらもわかんないよね。
エマ いや、そうなんだよ。だから全然わかってないんだけど。 適当じゃん、すべてが。
エマ そう、でもそこでちゃんと計算しようって試みてる人が1600年代に何人か出てくるんだけど、結構やったの面白くて、
エマ イングランドの人口を推計するために使った方法っていうのが、暖炉を見るっていうのがあって。暖炉勢っていうのをとってて、その暖炉勢で暖炉の数がわかって、そこに平均人数をかけたら全体の人数わかるよねっていうのを言い始めてる。
なるほどね。 エマ だからまあそれはデータを使って、全部の人口を出すってことをやってる。とかが結構始まりなの。
まあでも世帯あたりの平均人数はわかってたんだ。それは何個かピックアップして、代表的な世帯、この地域の世帯みたいなのをピックアップして、で、だいたい平均とって、じゃあこれは多分国全体に当てはまるだろうみたいな感じで計算してたのかな。
エマ うん、そうだと思う。 戸籍とかないんだ、じゃあ。 エマ 戸籍もね、ない。
エマ で、統計学の、これも初期の別の話なんだけど、人々の出生数と死亡数を調べるっていうことを初めて1662年ぐらいにやるんだけど、これもイギリスだね。
そこら辺から管理されていくわけか。 エマ そうそうそう。で、初めて調べてみると、出生数とか死亡数って年によってほとんど変わらないっていうのがわかって、本当はもっとそんな毎年同じぐらいになるとかも思われてなかったよ。
確かに、計ったことなかったらわかんないよね、多分ね。 エマ そうそうそう。で、実際調べてみたら、何年もそんなに変わんないから、すっごい集団で見たら法則性見出せるぞっていうのに気づいていく。
エマ 当たり前なんだけど、今の感覚だと。当時はそれがちょっと信じにくかったみたいね。 そんな毎年その時によるっしょみたいな感じだったから。で、そこから結構人々の人口なり、土地なり、そういうものをデータをちゃんと集めて、来年どうなるかなっていう予測をやり始めるって感じかな。
じゃあ、なんか統計学ってさ、学者が自然に始める学問っていうよりは、国家運営のために必要ってなって、その時に初めて研究された分野みたいな感じなんかな。
統計学の芽生え
そうだね。なんかちょっとやっぱり特殊な始まり方してるよね。他の学問とかと比べると。 エマ うんうんうん。てかそもそも、そういう国家とか大きな単位じゃなきゃさ、データって集まらないもんね。 まあね、確かに集めるのがそもそも国じゃないと難しかったのかもしれんっていうのはある。
うん、大規模に集められなさそう。もう一回言っていい? エマ うん、大規模に集められなさそう。
いやでもちょっと面白いのが、ガチの科学者はそういう人々の生活パターンとか統計っぽいことできるんじゃないっていうのは気づいてたらしいよね。
あ、そうなの?なんで気づくんだろう? エマ いやこれ面白くて、ニュートンの友達にハレーさんって言ったんですけど、昔ちょっと話したかな。
ハレー彗星? エマ あ、そうそう、ハレー彗星のハレーさんが天文学をやってるわけじゃないですか、星見て。星はめちゃくちゃきれいな法則で動いてるわけですよ。
それやってる時に天文学みたいなこういうきれいな法則性が人間の生活パターンにも応用できるんじゃないかって思ってたらしくて。
だからそういう天文の動きのように、例えば人の出生数死亡数とかもなんか数学的なパターンに従うんじゃないかっていうのを考えておいたらしい。同じくらいの時代なんだけどこれ。
で、ハレーさん自身は一応人工統計のデータ分析とか、数学的にどうやって推論するかみたいな方法みたいなのもやってたらしいんだよね。だから一応関連はしてるよね、物理学者とかとも。
なるほどね。じゃあちょっとそういう頭の良い人たちは考えてはいたけれども、実際にデータ取るのとか多分難しいと思うから、実際に研究とかできるようになったのは国家が動き始めてからっていうことなのかな?
まあそうだね、データが集まってからっていう感じですよね。そこは学者が協力してみたいな。面白いよね。で、この時期ってもう一個重要な概念が生まれてて、それが確率なんだよね。
確率の話どっかでしたっけ?サイエントウォークで。
してる。えっとね、これパスカルさんとフェルマーさんの話、どっちもサイエントウォークでそれぞれエピソード出してるんですけど、この2人が手紙でやりとりしてる中で、サイコロのゲームみたいな、そういうゲームを考えて、そのギャンブルの計算をできるんじゃないかっていうので、最初概念が生まれたのが確率なんですよね。
ああ、はいはいはい。
っていう有名な話あるんだけど、これも同じくらいの時期なんだよ。
なるほどね。これは1600年代、1700年代くらいかな。
そう、1600年代かな。
600年代か。
うん。だから科学者とかは結構一気にいろんな研究進めてたタイミングだよね。
うんうんうん。
そこで統計学も生まれてんだなって感じ。だけど、まあみんながみんなその時代から、じゃあもう統計学で来年のこと予測できるぞとか、もう統計素晴らしいんだって言って国家を運営していくっていうふうにはすぐにはならない。
ナイチンゲールの功績
ああ、そんなにまだじゃあ有用性が認識されてない感じかな。
そう。この統計リテラシーみたいなやつはやっぱ必要なんですよ。
ほうほうほう。
得られる情報があって、まあ分析とかもできるんだけど、それをどうやって使うのかっていうのは、ちゃんと使う人が分かってないといけない。
うんうん。
意思決定する人とかが。
確かに。
うん、あるじゃん。てか、まあこれは現代も一緒じゃん。
そうだね、うんうんうん。
なんていうの、去年までのこの会社の売り上げがこれくらいで今伸びてきてて。
うん。
それを来年じゃあどうなるかとか考えるわけじゃん。
うん。
っていう時に、ちゃんと統計のことを分かってないとちゃんとした予測もできないし。
確かに確かに。
売り上げのデータを信じるのか、それともこう来客数のデータを信じるのかとかさ、いろんな需要あるわけじゃん。
そうだね、うんうんうん。
売り上げと来客数大体一緒か?まあでも客単価がどうなのかとかさ。
そうだね、とか、売り上げは大きくても利益は大きくないとかね、いろいろなデータの見方あるよね。
そう、それが重要だっていうのは僕らは分かってるわけですけど、当時は結構それが難しいって思われてたみたいなんでね。
まあね、だって統計学っていう概念自体も当時生まれたばっかりだったら、そんなね、その受け取る側の情報受け手側のリテラシーなんてそんな知ったことじゃないというかさ、うん、だよね。
ここからちょっと時代飛ぶんだけど、まあいろいろね、あるんだけど、統計リテラシーっていうのを初めてすごい重要だっていうのを認識した人がいて。
うん。
それがナイチンゲールっていう人。
おー、あの看護師さん?
そう、これ多分有名だと思うんですけど、これ1800年代ですね。これナイチンゲールさん何した人か知ってる?
看護師さん?
まあまあそういう、看護師さんって感じだよね。
看護師さんってなんかいろんな人を救った?
あーそうそうそう、いろんな人を救ってるんですけど、
何した人だっけ?
どうやって救ったのかっていうのが、これ統計が絡んでて実は。
ほうほうほう。
これナイチンゲールさん女性なんですけど、この時戦争してる時にこの軍の人とかはあんまりその病院の衛生環境とかを重視してなかったよ。
うん。
だからもうイケイケどんどんで進軍したりしていって、で怪我した人は病院に行くわけじゃん。
うん。
なんだけどまあ病院でも人が死んじゃったりするわけよ、病気とかでね。
うん。
でそういう状況だったんだけど、でナイチンゲールさんはあの戦争にその看護師として参加してるんだけど。
うん。
そこで銃で撃たれて命を落としている兵士よりも不衛生な病院で感染症にかかって亡くなっている兵士の方が多いってことに気づいた。
ほうほうほう。
だからさ結構一大事じゃん。
そうだね。
ナイチンゲールさんは亡くなった人の死因とかを集計して。
うんうん。
で当時女性が軍の方針に口を出すってことはまあ難しい時代なんだけど。
うんうん。
こういうデータがあると。
うん。
病院で亡くなっている人の数があまりにも多いと。
うん。
だからこの病院の衛生環境をまず何とかしないと人が死ぬのが止められないっていうのを軍にこう申言して。
うーん。
でちゃんとデータで示して、で軍もこれは問題だっていうのをちゃんと認識して。
うんうん。
でその衛生環境整えようってやったらしい。
へー。
だからこれは統計のデータをちゃんと使って上司を納得させたというか。
うんうん。
そういう良い例なんじゃないかなと思うね。
そうだよね。でナイチンゲールさんは別にだってその数学者とかいうわけでもないもんね。
普通にただのただのって言ってあれだけど素晴らしい人だけど、看護師さんでいろんな人を救ったっていうのは功績だっけ?
うん。いろんな人を救ってまあ直接救ったっていう部分よりは、だからそういう衛生環境をちゃんと整えましたとか。
うーん。
そっちの功績でかいよね。
そうなんだ。
うん。
それのきっかけがじゃあ統計学だったんだ。
そう。
うーん。
でそれを分かりやすく示すためのグラフも作ってる。
おー頭いいね。
そう統計グラフ。これまあちょっと音声だから見せれないけど極座面グラフっていうやつなんだけど、まあ予防ができる病気による死。まあコレラとかジフスとかそういうのが当時あったんだけど、と戦争で傷ついたことによる死っていうのをグラフの面積で表して。
だからこうパッて見たら、予防可能な疾患で死んでる人がめっちゃ多いっていうのが分かったから、その問題だっていうのがパッて分かったらしい。
へーそうなんだ。逆に今までそれをさあしてこなかったんだもんね。なんか今の感覚からするとびっくりだけどね。
うーんそうね。あ、てか軍の人っていうか国会議員とかね。あとビクトリア女王とかも。
へー。
数学的なまあこう理解があんまりない人たちを理解させるために頑張ってこう数字の列からそういう可視化するっていうのもやったみたいな。
うーん。
すごいよね。
イギリスの人?
イギリスの人。
うん。でもなんか有名だよね。
有名だね。教科書に出てくるっけ?
なんか小学校の時とかのさ、図書館に何か偉人伝みたいなのにあるイメージ。
あーそうだね。あるあるある。俺もそういうので知った気がする。
うん。でも教科書載せたっけ?
覚えてないなー。今教科書載ってるのかな?分かんないね。
まあでも衛生環境大事ですよね。だって当時42%ぐらいだったらしいよ。その病院での死亡率。
うーん。
傷の手当とかさ、そういうのをやりに来て。
うん。逆に死んじゃう。
42%って高すぎでしょ?
高すぎる。もうそんな病院行った方が死ぬやんみたいな感じやんな。
うんうん。しかもこれ病院が破損した下水道の上に立ってたらしくて、その病院で。
それはダメだな。
で、もう汚染された水が蔓延してて。
あー。
とか、そういう原因がもうあった。
うんうんうん。
だからもう国にお金出してもらって下水道を綺麗にしたりとか、通気口をちゃんと作ったりとか、そういうのをやって2%ぐらいまで下がったらしい。
すごい。
劇的に改善してる。
へー。それがナイチンゲールさんの功績か。
そう。1年でこれやからね。
すごい。それはもう国にとってさ、すごく利益をもたらしてるよね。
いやーそうだよ。だってね。
軍人さんの命。まあ一般人もそうかもしれないけどね。
うーん。何のための病院だって感じだもんね。
そうだね。
そこで別な感染症とかになっちゃってたらね。
うんうんうん。
まあっていうので、まあもう数千人の命は救ったんじゃないかっていう感じ。
うーん。
戦争と統計学の実践
で、まあそういうので統計学大事だなっていうのは認識されていって。
で、まああともう一つ有名な事例が、これもう戦争関連なんだけど。
うーん。
第二次世界大戦で、まあアメリカ軍ですねこれ。これも有名だけど、爆撃機のどこが破損してるかっていうデータ。
はいはいはい。
を集めて、このより良い飛行機を作ろうっていうプロジェクトがあったんだけど。
うーん。
で、胴体とか翼とかそういうところにめちゃくちゃダメージが集中してたと調べてみると。
うん。
だからこのダメージをいっぱい負ってるところをより分厚くするとか。
うーん。
そういうのが重要なんじゃないかっていう結論になるんだけど。
そうだね、確かに。
そう。で、この時なぜこうやったかっていうと、統計学とかそういうデータから判断するの大事だよねっていうのはもう根付いてるわけよ。
うん、さすがに第二次世界大戦ぐらいだったらね、もうそういう考え方は普及してそうだよね。
うんうん、そう。で、こうダメージを負ってるところを直さなきゃってなったんだけど、これ実は良くないことだと。
ほう。
なんでか分かる?
うーん、その部分が重くなっちゃう?
あー、いや。
そしたらバランスが崩れちゃう?
生存バイアスと誤った判断
まあ、そういうわけじゃないね。もうちょっと根本的な勘違いが起きてる。
もう一回問いを教えて。
戦争に行って、帰ってきた飛行機を調べて、どこに傷がついてるかっていうのを調べてみると。
うんうんうん。
そしたら、傷がいっぱいついてるところがここだって分かるじゃん。
うんうん。
じゃあ、そこを強くしようってやろうとしたんだけど、これはミスなのよ。
それがなんでか?
そう。なんでそれはミスなんですかっていう。これ結構有名な問題なんじゃない?これ。
いや、分かんない。なんでだろう。そこを強くしたりとか、そこを守るような構造にしたら問題は解決できそうだけど、そうじゃない?
そうじゃない。もうちょっとこれ、傷がついてない部分は逆に言うと、コックピットとかエンジンとかは傷ついてないよ。
ああ、そういうところはそもそもなんか厳重に作ってる?
いや、違う。こういうところは、破損した飛行機は帰還してないの。
ああ、なるほどね。確かに確かに。
だから、そこに傷が入ってる飛行機は全然なくて。
ああ。
生存して帰ってきた飛行機だけを調べてるから、そこに傷がいっぱいあるんだけど、そもそも傷ついてないところは致命的だから、逆にそっちを守んなきゃいけないわけよ。
ああ、なるほどね。
っていう結論がこれから出せるっていうのがあるんだよね。だからこれってさ、統計とかデータが大事だなって思ってるからこそ、そのデータの見方を間違えると、間違った判断をやっぱしちゃうわけよね、人間は。
確かに確かに。
で、これに気づいたのは、これ数学者の人が、エイブラハムウォールドっていう人がいるんだけど、この人が最初は傷ついてるところを補強しましょうって言ったんだけど、反対して、逆だ、エンジンとコックピットを強くしないとダメだっていうのを言って、で、それはもう生存バイアスだと。
うんうんうん。
生きて帰ってきたやつだけが傷ついてるから、傷がないところを補強しないと、そこが傷ついた飛行機は帰ってきないからだっていうのを言って、そうだってなって、まあその走行強化は傷がないところにされたんだね。
うーん。
まあ、なるほどなーって感じだよね。
確かに確かに。
だから、パッと見じゃなくて、ちゃんと見えないところも考えて、データっていうものを見ないと判断を誤っちゃうよみたいな。
そうだね。
これもね、結構現代もよくある事例かなとは思う。
そうだね。とか、データの見せ方とかね、グラフ化の仕方とかでも、なんか全然違った印象を受けちゃうよね。
そうそうそう。
うんうんうん。
いや、俺これはね、なんかちょっとポッドキャストにもあるかなと思ってて。
はいはい。
やっぱさ、目に見える反応と目に見えない反応ってあるわけじゃん。
うんうん。
でさ、まあ目に見える反応ももちろんあって大事なんだけど、
うん。
目に見えない、反応がないのが大多数だったりするわけじゃん。
そうだね。
そういうのを、ちゃんとこっちが汲み取らないといけないんじゃないかとか。
うん。
なんか、コンテンツ作りも結構これって言えるんじゃないかなって気もするね。
確かに。サイレントリスナーさんがマジョリティだったりするから。
うんうん。僕らはそっちも大切にしなきゃいけないわけよ。
そうそうそうそう。
っていうのを忘れちゃいけないなっていう。
そうだね。
話ですよね、これ。
統計学の理論的進展
うんうんうん。
データをちゃんと集めて、解析して、かつ、正しく解析するっていうことの重要性はわかったんだけど、
うんうん。
それとは別に、統計学って学問があるわけじゃん。
うん、そうね。
学問的にどういうふうに発展していったのかっていうところも気になるの。
例えばさ、なんか今だったらさ、性域分布とかさ、優位さとかそういうのあるわけじゃん。
うんうん。
そういうのって、まあまたそのデータリテラシーとかとは違うというか、もっとその学問的にさ、こう理論が構築されていったわけじゃん。
うん、そうだね。
そうそう、そういうのって、あのどういうふうにさ、発展していったの?
そう、ここからは、さっきまでは結構もう国家の単位の話。
うんうん。
だったけど、学問として発展していくっていうのはまあ並行してて。
はいはい。
あの確率論ができたって話したじゃん。
そうだね。
エルマーさんとかね。
うんうん。
その後ぐらいに、今度誤差っていう概念がまず言われるようになってくる。
うんうん。
これ1700年代ぐらいの話なんだけど。
うん。
誤差ってめっちゃ重要で、要はデータ集めて、すっごい綺麗なデータって集まんないじゃないですか、基本。
集まんない、うん。
絶対これみたいな。
例えば、星とかでもさ、星もちょっと人間が観測した時のズレとか出たりするわけじゃん。
で、その星の場所のデータとかいっぱい取って、なんとなく法則とか見出したり。
そうね、うん。
まあそれもさ、データを集めてルールを見つけるっていう意味では統計学と同じだけど。
そうだね、うん。
その誤差っていうのは、これ今言った天文学者たちが最初に気づいてる。
うんうんうんうん。
やっぱり何回測ってもちょっとずつズレちゃうよねっていうのがあって、じゃあこの誤差をどれぐらい許容すんのっていう話になってくるわけよ。
ほうほうほう。
で、実際どれぐらい誤差出るのかっていうのをグラフにすると。
だから同じことを何回もやって、よくさ、釣り金型のデータ見たことない。
正規分布の。
正規分布の、そう。
あれって最初どれぐらい星見て誤差出るぞっていうのでやっていくと、だいたい真ん中の値っていうのが出てきて、そっから離れていくと極端にこの誤差減ってきますよっていう法則。
それはね、えっと、星のここの位置にあるべきっていう位置があって、そこからのこのズレの距離みたいなのを測って。
あ、そうそうそうそう。
で、何メートル離れてるのが何個あって、何メートル離れてるのが何個あってみたいな感じでこうプロットしていったら、こう離れてるほど少なくなるっていう正規分布が描けるってことだよね。
そういうこと。
で、これ今宇宙の話なんだけど、人間にも言えるぞっていうのはこの後出てきて、これ兵士の身体測定らしいんだけど最初。
例えばこれスコットランドの兵士、5700人ぐらいの脅威を測ったらしいんだよね。
したらそれをバーって並べてみると、平均これぐらい、真ん中の値これぐらいっていうのが出て、そっから何%ずれるみたいなものが釣り金型になってきれいに。
ってことはこれも正規分布だってなる。だからそういうデータに関してはいろんなものが正規分布になってるんじゃないかっていうのが結構始まりだよね。
で、今言ったやつも結局まだいろんなものの誤差とかを調べると同じような傾向あるぞっていうのがだいぶベーシックな話じゃん。
で、そこから近代的なもっと統計学に進んでいくっていうきっかけになった人がカールピアソンという人がいるんだけど、この人はダーウィンの進化論に数学的な裏付けを与えたかった人らしいんだよね。人の遺伝とか。
じゃあ元々の目的はそっちにあったんだ。統計学を極めようとかいうよりは生物学のダーウィンの理論を裏付けたかった。
うんうん、そう。で、相関という概念を作った人がこの人らしくて。
え、あれ?なんかさ、あの、散布図みたいなのがあってさ、で、ちゃんと性の相関がありますとか、負の相関がありますとか、そういう概念を作った人。
そうそうそうそう。親の身長と子供の身長のデータがあるとするじゃん。
それを身長ごとに整理してみると、親の身長が高い人の方が、それは遺伝的に子供に受け継がれてて、子供の身長も高い傾向がありますってなったら、これは性の相関があるってことじゃん。
そうだね。じゃあなんか横軸が親の身長で、縦軸が子供の身長みたいな感じにしたら、右上に伸びていくような線が平均したら欠けるみたいな感じだよね。
そうそうそう。っていうのを、これ記述できるようになっていくわけね。これも今でもそういうの使われてるけど。
そうね。
だからデータを数学で評価するっていう、これ現代的なアプローチが出てきてて。
それはどれぐらいの時期?
これ1800年代の人かな、この人は。
そっか、じゃあ少しずつなんか統計学も進化していってるっていう感じなんだね。
これ今、超ざっくり言ってるけどね。本当に重要だったポイントだけ、全部で言うと大変な料理になるから、これ。
そりゃそうやな。
で、今言ったようなのって、データの数がやっぱ重要になってくるんだよね。
だって、例えば点が4つぐらいしかなかったらさ、右肩上がりなのか右肩下がりなのかわからないとこなるじゃん。
そうだね。
だから、とにかく大量のデータを集めて、それをもって解釈するのが統計学だっていう風になってくる。
数市場主義みたいな感じになって、でも、これはこれで問題がある。
新しい製法の検定
数市場主義が?
数市場主義が問題になる。
これまた舞台が変わるんだけど、これ1900年代の頭ぐらい。
ビール工場。
これ実際にビール工場で困ったらしいんだけど、ビールの新製品開発、これ結構単純化して話すけど、
新製品開発の時に、例えばアルコール5%のビールを今まで作っていて、
そこから6%の新しいビールを作りたいっていう状況だとするじゃん。
で、5%のビールは大体これぐらいの合算範囲で作れるなっていうのはわかってると。
5%プラマイ0.01%とかそういうね。
それは正規分布にちゃんと従ってると。
で、今度そこから6%の新しい方法を作りたいんだけど、
今までみたいにいっぱいいきなり作れないじゃん。
そうだね。今まではもうめちゃくちゃ製造実績もあるから、いっぱいデータ溜まってるかもしれないけど、
新製品についてはないよね。
そうそうそうそう。だからなるべくちょっとの6%の方法を試してみて、
で、ちゃんと5%じゃなくて6%のやつになってるか。
もしかしたらさ、例えば6%にしようって言って新しくやった方法があまりにもサンプル少なくて、
たまたま5%の方法の誤差範囲になっちゃってるだけかもしれないじゃん。
だからちゃんと6%の作り方になってますよっていうのを言うために、
それを判断しないといけないんだけどね。なるべくサンプル数を少なく。
で、それを検定する方法っていうのを作るっていうのがこれ次の段階なんだよね。
なるべくサンプル数が少なくても、そういう何かの平均値と何かの平均値に差があるかどうかっていうのを判断する方法。
これT検定ってやつなんだけど、それを作ると。伝わる?
アルコール6%の新しい製法っていうのは、アルコール5%の製法で入り出たアルコールの量をちょっと増やす、地理的に増やすっていう感じ?
じゃない。
ではない?
交互から出てくるんで、アルコールは中で生み出されるものなんで、条件を変えることで6%になるわけじゃん。
じゃあ、例えば温度とかさ、時間とかを変えて、6%にちょうどなるような製法を目指してるわけね。
統計学の基礎
そうそうそうそう。だから、例えば温度を上げて、その時1回やったら6%になったんだけど、もしかしたらもうちょっといっぱいやったら、本当は5%の方にもっと寄ってて、たまたま6%でしたっていうことかもしれないじゃん。
だから、なるべく少ない何回かやって、6%でちゃんと作れてますねって判断する方法とか、それは統計学でできるっていう話になるね。
これがT検定っていうやつで、なるべく少ない群数で判断するということとか、結構高度なことができるようになってくる。
ただただゴスターを調べるだけじゃなくて、話がややこしくなってきたんで、だから少ないサンプルでも推測ができるよっていうツールができたよっていうのが要するに言いたい。
でも、やっぱりそういうビール会社が実用的に必要だったからこそ発明した方法なんだね。
数学者が考えたとかいうよりも、数学者が考えてるのかもしれないけど、その先に実用したいっていう気持ちがあったからこそ、ビール会社の人たちが作ったんだね。
そうだね。だからやること結構高度だよね、これも。
高度だよね。
で、今結構ばらつきがあるグループと違うグループを比較してるっていうのをやってるんだけど、
今度もっとシンプルな話で、紅茶を飲む貴婦人っていう実験があって、これ何かっていうと、ある貴婦人が紅茶を先に入れたミルクティーとミルクを先に入れたミルクティー、あの味の違いがわかるって言ってて。
ほうほう、イギリス?それ。
これはねイギリスの人だと思う。
イギリスっぽいな、なんか。
めっちゃイギリスっぽいよね。
発言するんだけどさ、イギリス人の友達とかがよく言ってんのが、アフタヌーンティーあるじゃん。アフタヌーンティーってスコーンの上になんかクリームとジャムを乗っけるんよ。
はいはい。
ジャムが先派か、クリームが先派かで、なんか大激論が起きたりとか。
起きてそうだろ、それ。
なんだっけ、他にも何派か何派かみたいなので、あの食べ物においてね、なんかめちゃくちゃ真剣に語るのよ。
なんかそれを今ちょっと思い出して、これなんかイギリス人っぽいなって思った。
確かにね、そうかも。これも多分イギリスの話かな。ロナルドフィッシャーさん。
いや普通に考えたら今言ったやつさ、紅茶先に入れたやつとミルク先に入れたやつなんてさ、混ざったら一緒じゃんって思うじゃん。
分かんない、でも違うんだろうね。
で、それを貴婦人はその味の違いが分かるって言ってる。
じゃあそれは本当に味の違い分かんのっていうのを実験しようっていう。
なんか意地悪な実験だね。検証実験。
意地悪かもしれない。
でもこれ結構だから重要で、要はさ、何杯か飲んでもらって、ちゃんと紅茶先に入れたやつ、ミルク先に入れたやつっていうのをその夫人が判断できたらさ、お、本当だってなるじゃん。
だから8杯用意して、4杯ミルク先、4杯紅茶先でランダムに飲んでもらって、この夫人は全正解したと。
で、ここで重要なのは、8杯当たったのはまぐれなのか、それとも本当に実力があって当てたのかっていうのはどうやったら判断できるんだっていう話。
これ計算できるよね、確率だから。8杯全て正解する確率は、だいたい1.4%くらいしかないと。かなり低いじゃん。
これがちゃんとパーセンテージを出して、それが滅多に起きないかどうか。
で、この滅多に起きないことをちゃんとできてるから、ちゃんと味を判断できてるっていうこの考え方。
これが有意差とかを考える原点らしいよ。
なるほどね。
偶然の確率が何パーセント以下だったら意味がある差だねっていう。
それがピーチ?
そうそう、これがピーチっていうやつで、よくあるのはピーチが0.05より小さい。
これは偶然それが起きたっていう確率が5パーセント以下ですよ。だから意味がある差なんですっていう話。
紅茶とミルクの実験
なるほどね。
どの論文は言い過ぎたな。
よく生物系の実験で何回かやった時にピーチがこれくらいだったんで、これは偶然じゃありません。
ちゃんと差があるんですっていう時に使うやつですね。
この岐阜人のやつは例として分かりやすく出してるだけかもしれないけど。
でも分かりやすいね。
分かりやすいですよね。
だからこの紅茶の場合だと8杯飲んで判断してもらったら1.4パーぐらいなので十分な数やってますよってことね。
これは有意差があるって言えるってことですね。
本当はどうなんだろうね、この紅茶。判断できるのかな?普通に気になっちゃうけど。
でもすごくない?相当のだって1.4パーセントだったらさ、かなりの確率で当ててるってことだよね。
すごいよね。
ガチだったらすごいよ。
ここまででもうだいたいベースは整ってかね。正規分布があってT検定があってP値による検定もあって。
これ1900年代で結構統計学のベースはこれできたよねって感じ。
でも1900年代だとね、やっぱり結構新しいね。
全然そうだね。まだまだ歴史浅いですね。
でもさ、それがなかったらさ、他の学問が進まないみたいなところもあるもんね。
だって医学、薬とかってさ、ちゃんと有意差があるのかとかさ、
あとはさっき君が言った生物の研究で有意差があるかないかみたいになってさ、だいたい使われるじゃん。
そうだね。しかもこのP値5パー以下ってやつも、それにこだわる必要がどこまであるのかとかいう問題もあったりするらしい。
まあでもとりあえず、パーセントが小さければ小さいほど信用できますみたいなさ、その指標にはなってるじゃん。
そう、監修みたいな感じだよね。メジャーな考え方としては、これぐらいだったら差あるって言っていいよみたいな。
それ科学においては大事だな。
でもこの考え方自体がさ、そんなに新しいものだったらさ、っていうのがちょっとびっくりだし、
かつ他の分野にもすごく影響を与える重要な学問だよね。
本当にそう。
発見されてよかったっていう感じだよね。
よかったよかった。
まあ一応これはさ、本当はもっと大量にできたらいいんだけど、なるべく少ない数で判断したいよねっていうのがこれまでの統計学、今言ってた話じゃん。
P値とかP値とかも。
もっと最近の時代って、実はこのP値の考え方と対立してたベイズ統計ってまた別のやつがあるんだけど、これ複雑なんで概念だけ言うと、新しいデータが出るたびにその確率をどんどんどんどんアップデートするみたいな、
要はめちゃくちゃ計算してその事象が起きるかどうかっていうのをひたすら計算するっていう感じの統計学があるよね。
本当にざっくりしか言ってないけど。
それはあれかな、まずN10でやった時にさ、5%って出るかもしんないけど、でもN100ってなったら5.2とかになるかもしんないじゃん。
そんな感じでサンプル数が増えれば増えるほど正確な値が出てくるから、永遠に繰り返すみたいなこと?
最終的なのはないかもしんないけど、サンプルが増えるに従って計算を更新していくみたいな、そういうイメージ?
そうだね。その方法あったはいいんだけど、計算が複雑すぎるんで。1900年代あったのかな?あったんだけどあんまり使われてなくて、
だけどコンピューターが開発されたらめっちゃ計算できるようになるわけじゃん。それでベース統計ってやつが使われるようになって、
それより膨大な計算をして、その中からパターンを見出して推測するとか、そういう統計学ができるようになってくる。1980年代以降できるようになっていって、
統計学の未来
もう今に繋がってるわけですよね。今は膨大なデータを読んで、そこから確率的なパターンを見つけ出すっていうのは、こういう統計学の方法使われてて、
で、それがAIになっていくわけよね。
AIの説明に似てるなって思ったけど、やっぱりAIでも統計学使われてるんだ。
そうそうそう。文章生成だったら、昔々ってきたら、次におじいさんってくる確率と、おばあさんは一緒か。
人間っていうワードが出てくるんだったら、おじいさんって出てくる確率が高い。それも言ったら統計学だよ。
今までのそういう文章から統計して解析すると、次おじいさんってくる可能性高いなってなってるから、おじいさんが出てくる。
なるほどね。でもさ、そのサンプルをどっかで止めちゃって、このサンプルからしか文章を作れませんってなったらさ、
最新の情報とか反映されなくなっちゃうから、それをずっと更新していってるみたいな、そういう感じかな。
まあ今は。
どんどん更新していって、それでどんどんどんどん、より精密になっていく。
そうじゃないかな。だからそういうデータいっぱい使うやつはそれを使って、あんまり集まんない、それこそさっき言った論文とか、データ少ないやつは今までのP値なりP検定使いましょうっていうのは今も一緒だよね。
今でも使われてることなんで、だからそういうデータの量によって使い分けてるっていうのが今の感じですかね。
面白い。
面白いね、これ。
統計学ってさ、もう行くとこまで行き来った感じなのかな。それとも、例えばさ、物理とかだったらさ、まだまだ分かんないことがいっぱいあってさ、で、いろんな学者さんたちがいろいろ調べてるわけじゃない。
統計学ってさ、そういうのあんのかな。
いや、どうなんだろうね。これに関しては俺分かんないけど、統計学の超専門家じゃないから。
統計学者とかいるの?
いや、もちろんいると思う。
じゃあ、なんか新しい方法を作り出そうとしてたりするのかな、やっぱり。
どうなんだろう、分かんないね。今でもやられてるのかね。なんかさ、やっぱ使う人が圧倒的に多いからさ、こういうの。
そうだよね。
そのベースの部分を研究してる人の話は、ちょっとあんま分かんない。でも、いるんじゃないかなって思うけどな。
そうだよね。まあ、数学みたいなもんだよね。だから、数学考えてる人の中で、統計を考えてる人もいるかもしんないよね。
うんうん。
なんだろう、なんか物理とか他の学問はさ、結構未知の問題があって、それを解決したいみたいな感じだけどさ、統計ってさ、手法をどんどん開発していくみたいな感じだからさ、なんかゴールがある感じじゃないもんね、なんか。
ゴールってなんだろう。
分かんない。
何がゴールなんだろうな。
新しい手法を発見できたら、それを使いましょうみたいなイメージかな。そんなイメージを持ってる。
でも今でも困ってることってなんかあるのかな。要はデータはめっちゃあるけど扱えないみたいな、予測ができないとかさ。
その中から、そのデータが複雑すぎてパターン見出せないから、そのパターンを見つける新しい方法を考えますとか。そういうのはありそうだなと思うけどね。
ありそうだね。それがどの分野になるのかっていうのはまた、分かんないけどね。本当にただのテクノロジーの開発のレベルなのか、それともこの数学的な統計学の部分まで遡った理論作りが必要なのか、よく分からないけどさ。
どちらにせよ、そういう悩みがあって、それを解決しようとしている人はいそうだよね。
そうだね。それはいると思う。しかも何が大事って、やっぱりそれをやるにしても、ちゃんとしたデータが大事というか、それがないとパターンを見出すとかも難しくなっちゃうし、っていうことかなと思って。
統計学の重要性
統計、解析方法も大事だし、そのデータも大事だし、だからその扱い方を悪用する人も出てくるから、そういうのに騙されないようにしないといけないし。
そうだね。データリテラシーもつけなきゃいけないし。
そう。っていうことかなと思って。
そうですね。
で、ここまでまとめると、最初の方の話、そもそも統計っていうのは、最初国がやり始めて、そこから科学者とかがいろいろ絡んで、データをまず集めるっていうことが大事だと。
そうだね。今からしたら当たり前だけど、そこから始まったんだって感じだね。
ちゃんと集めること大事ですよねっていうのと、あとはナイチンゲールさんみたいに、集めたデータをちゃんと使いましょうっていう。
使うことも大事だよねっていう話。
で、そこから途中ね、正規分布の話とかちょっと難しかったかもしれないけど、そういうデータの扱い方とか、そういうものがベースになって、今のAIとかね。
あとはいろんな判断とか人がしているものに、統計学っていうのはつかれてて、それを知っておくのは結構大事なんじゃないかなっていう。
そうだね。
面白かったよね。学問の発達の仕方としてさ、結構最近にそもそも出来上がって。
でもそのおかげで、今の研究で優位さの話ができたりとか、あとはAIとかにつながってるってなると、すごく重要だなっていうふうに思いました。
そうだね。意味があるさかどうかとかってね、普段そんな考えないかもしれないけど。
原始人だったら考えないわ。
原始人はなんだろう、500年代くらいの人か1000年くらいの人しか考えなさそうだなみたいな。
逆に言うと、じゃあこれすごい有効な方法ですよってやつも、ちゃんと本当に有効なのっていうさ、自分の中で疑いフィルターとかも持てるわけじゃん。
確かに確かに。なんかエッセイ情報みたいなのも結構あふれてるもんね。
よく見たらこれ誤差じゃんみたいなさ、あると思うよね結構。
うんうんうんうん。
とかあの、すっごい誤差をごまかしてるグラフとかね。
あー、とかなんかお客様満足度98%とかいうのがさ、ほとんど桜みたいな。
桜とかあまりに母数が少ないとか。
そうそうそうそう。
なんかすごい偏った実は募集団になっててとか、多分そのデータの取り方とかでも変わっちゃうから結果。
そうだよね。
そういうのは大事だよねっていうのを改めて言えるかなって思いましたね。
そうですね。はい。
あとやっぱね、無意味なデータはないなっていうのも言えると思うよ。
ほうほう。
誤差は誤差っていうデータとして大事じゃん。
たまにさ、なんか実験してもさ、うまくいかなかったやつをさ、
例えば無かったことにするとか、そういうのやっちゃうとやっぱミスリードに繋がっちゃうわけで、
誤差は誤差としてちゃんと記録するとかもすごい大事だと思うよ。
うん。
だから無駄なデータはないんじゃないかなっていう。
確かにね。
なんかこれ投票とかも一緒なんよ。
うん。
投票もさ、結局さ、一票を投じることでさ、その投じたっていうのはさ、データとしては残るわけだし、
うんうん。
それが自分は誤差かなって思ってても意外とそれがみんな思ってるかもしれないじゃん。
そうだね。
誤差かなみたいな。
そうしたらそれが結構大きいパワーになったりとか全然あると思うよね。
そうね。
っていうことがね、結構言いたい。
めっちゃ無理やりかなこれ。
実際そうじゃない?
まあ実際だってね、一人一人の力はそれ一票にしかならないけど、
うん。
それを積み上げてからこその受賞とかがあるわけだもんね。
そうそうそう。
言ったらだってさ、数だからもう投票もさ、
うん。
まあ統計っちゃ統計だ。
そうね。
そして何もアクションをしなかったら存在しないみたいになっちゃうわけじゃん。
そうだね。
僕らも頑張らないと、存在しないことにはならないんだけど、
うん。
せっかくなら、いるよってなりたいじゃん。
なりたい。
前のどっかのエピソードでも多分言ったと思うけど、
うん。
去年よりも今年の方が力入っているね、私たち。
いやーそうそうそう。
だからこれは今、皆さんの一票がいかに大事かということを言いたい。
うんうんうん。
しかもさ、やっぱりさ、私たちってまだまださ、そんなにリスナー数とかいないじゃん。
いやーそうだよ。
なのに。
芸能人とかのさ、
そうそう。
すごいいっぱい聞かれてるやつに比べたらさ、
うん。
そりゃ少ないよ。
そうそうそうそう。
だから本当にリスナー数が多い番組の人たちが、
うん。
投票してくださいっていう風に言っちゃったら、絶対負けるじゃん。
だって私たちよりも、
うんうん。
リスナー数が多い番組なんてめっちゃあるから。
全然ある。
だからこそ、サイエントークのリスナーさんは一人一人の力が重要というか、
みんなが投票してくれたら、私たちもノミネートとかされる可能性はあるけど、
うんうん。
そうじゃなかったら、マジで結構やばい。
いやー入んないと思うよ。
去年とかもさ、マジでギリギリだったんじゃないかな。
いや多分めっちゃね、ギリだったと思う。本当に。
だから奇跡だと思ってる。
そこのデータね、開示してくれないかないからよくわかんないんだけど。
これ言ったらさ、データ開示してくれみたいな感じになっちゃうかもしれないけど、
いやいやいや。
そんなことはなくって。
で、正直去年のどれぐらいだったかとかも全くわからないですよね。
うんうんうん。
統計データは開示されてないんで。
そう。でも他の番組見たらなんかめっちゃ大物番組ばっかりだったからさ。
うん、いや本当にそうだった。
だからギリギリ食い込んだっていう感じだと思うけど、
今年も多分さ、行くか行かないかかなっていう感じがするから。
だから去年もさ、ある意味さ、直感を凌駕してる感じがするんよ。
多分さ、純粋なリスナー数だけで言ったら僕たち入ってないかもしれないけど、
その中の熱狂によってというか、投票してくれたおかげで、
そのリスナー数に対する投票してくれた率が高かったわけじゃん。
多分。
そうですね。で、それをまたお願いしたいというか、
前回投票しなかった人とか、
でも多分そういう人が投票してくれたら確率がすごい上がる。
うまく言えてるかな、これ。
わかんない。私何言ってるのかわかんないかも。
伝わるといいけど、
あと、ただ単に票欲しいっていうことでもないっていうのもちゃんと言っておきたい、俺は。
あーそうだね。
その、とりあえず入りたいっていうわけじゃなくて、
入ることでちゃんと意味を作りたいというか、
前回のやつもポッドキャストアワードのやつに入ったおかげで、
結構今年いろいろ広がったところもあると思うよ。
まあなんかイベント開催できたりとか、
投票書籍とコラボしたりとか。
リスナーへのお願い
そうね。ネルネルとかもさ、
ポッドキャストアワードにノミネートされましたって言ったからこそ、
応じてくれたのかもしれないしね。
もうそうだし、あれがなかったらさ、
ちかブレンドのちかもとさんとりゅうさんとも会えてないし、直接。
確かに確かに。
とか、あとはね、この間、
河原先生、言語学者が出てもらったけど、
ああいうアカデミアの先生がちゃんと出るっていう場もさ、
多分、絶対意味あると思うよ。
そうだね。
とか、あと僕らのモチベーションもね、もちろんあるし。
そうだね。だから、去年はノミネートだけだったけど、
それが実際に受賞とかしたとなると、
私たちにとってもそういう活動の幅が広がって、
最終目的ってさ、
去年君が言ってたのは、
あのノーベル賞受賞者の人と喋りたいみたいな。
呼べるくらいの番組になったらいいよねっていう。
そうそうそうそう。
だから、そういうとこを目指すためにも、
やっぱり受賞はできたらしたいなーって感じなんだよね。
いやー、そうね。もちろん。
いや、何か科学思い出しちゃった。
なんか何となく、どっかで頑張ってる研究者とか、
勉強してる人とか、応援したいなとか、
そういう人が集まったらいいじゃん。
そういう人に力になるかもしれないし。
あとは、まあその面白い、こういう面白い人いるんだとか、
トピックあるんだっていう、誰かの気づきになるかもしれないじゃん。
僕らが喋ってることでね。
それに、まあ繋がるかなっていう意味で、
そうだね、とか、あるいはね、未来の科学者になる可能性もある。
なったらいいよね、そういう。
そうそうそうそう。
まあ、ダメだったとしても、そういう方向で頑張ろうとは思ってるんですけど、
まあ間違いなくプラスにはなると思うんで。
そうだね、受賞できたら、そういう夢に近づくね。
いや、本当そうだと思う。
なので是非、投票よろしくお願いします。
是非よろしくお願いします。この、
この、お知らせにおいても、
なので是非投票よろしくお願いします
是非よろしくお願いします
この投票の一手間の時間だけ良ければ
多分クリックするだけだもんね
そうだね概要欄にも貼っておこうと思うし
ポッドキャストアワードって検索したら
ホームページ出てくると思うんで
そこでリスナー投票のところあるんで
是非参加してもらいたいなと
うんいや
うまくまとめ入れてるか分かんないけど
なんで統計の話につながってるか分かんないけど
なんとなくつながってるかな
つながってないかもしれないけど
まあいいんじゃない
統計学の話も知れたし
で私たちが投票してもらいたい
っていうことも伝えられたから
だからもう一人一人の投票という
データが大きい結果を生むっていう
そうですね
それができたらいいなっていう感じですかね
そう
いや去年悲しかったもんな
去年は悲しかった
目の前でねなんかね
あっさり
そうね
破れ去っていったから
破れ去っていったから
今年こそって感じですけど
今年はねアマチュアの人でも
受賞枠があるっていうのは決まってるみたいなんで
うんうんうんうん
なんとかよろしくお願いします
是非よろしくお願いします
えーと12月いっぱいぐらいが
投票期間になってると思います
1月4日までかな
うん
まあ是非忘れないうちに
やってくれたら嬉しいです
はいよろしくお願いします
はいよろしくお願いします
それでは皆さん
ウルトラフォー
