  |
はてなキーワード:定量的とは
https://b.hatena.ne.jp/entry/s/posfie.com/@kalofollow/p/onmXogOの一部ブコメが気になったので。かなり長い記事になってるがhttps://jein.jp/jifs/scientific-topics/1010-topic56.htmlに正解が載ってる。絶対に間違ってはいけないことは水同士が張力で引っ張り合って流れて行くのではない、ということ。流体力学だけで説明できる（引用サイト参照、それなりに定量的な議論あり）、ということは（その方程式には張力が存在しないので）張力は関係ない、ということ。
で、流体力学的には定常状態（一定のペースで流出してる状態）において流体が上に流れている部分では、重力に対抗して下の部分が上向きに押してくれてるから上がれるのであって、上からは逆に下向きに押されてる。（3つの合計が0なので速度が一定になる）
我々が「流体を吸う」と感じる場合の99.999%（思いついたのが2例だけでこういうのはなんだが）は、流体が、動く方向から引っ張られてるのではなく後ろから押されている、が正しい解釈だろう。細かいこと抜きにするのなら重力云々でOK。（ベルヌーイの定理（＝エネルギーレベルの式）知ってる人なら重力と管内圧力の関係は理解できるだろう。また引用サイトに書いてあるが、どこで流れが速さを獲得するかの見当もつけられる）
なおgrok、copilotは正解した。copilotは「引っ張られる」という言葉を用いたが、それは張力の意味で使ってるのか？と聞いたらわかりやすいだろうから圧力差をそう表現してるだけ（つまり後ろから押されることを前から引っ張られる、と表現）とのたまった。（大意）
pythonimport randomimport numpyasnpimport matplotlib.pyplotas pltfrom collections importdefaultdict# 飴の配布システムのシミュレーションclass CandyDistributionSystem:def __init__(self): """設計意図: このシステムは経済における資源分配の不平等性をモデル化しています。特に少数の特権層(Aグループ)が富を集中させ、再分配システムからも不均衡に利益を得る構造的問題を表現しています。 """ # 各グループの人数設定 self.group_a_count = 8 self.group_b_count = 2498 self.group_c_count = 7494 self.total_participants = self.group_a_count + self.group_b_count + self.group_c_count # 飴の提出数設定 self.contribution_per_a = 624 self.contribution_per_b = 2 self.contribution_per_c = 1 # 各グループの総貢献計算 self.total_a_contribution = self.group_a_count * self.contribution_per_a self.total_b_contribution = self.group_b_count * self.contribution_per_b self.total_c_contribution = self.group_c_count * self.contribution_per_c self.total_contribution = self.total_a_contribution + self.total_b_contribution + self.total_c_contribution # 配布用と貯金用の飴の区分 self.distribution_limit =10000 self.savings =max(0, self.total_contribution - self.distribution_limit) # 結果追跡用の辞書 self.results = { 'A':defaultdict(int), 'B':defaultdict(int), 'C':defaultdict(int) }def distribute_candies(self, method='original'): """設計意図: 配布方法の選択によって、特権の固定化や格差拡大がどのように進むかを 示します。'original'メソッドは意図的にAグループを優遇するよう設計されています。 Parameters: ----------- method:str 配布方法 ('original', 'lottery', 'first_come', 'new_condition', 'fair') """ # Aグループへの確定配布 a_distribution = 625 * self.group_a_count remaining = self.distribution_limit - a_distribution # 残りの参加者数 remaining_participants = self.total_participants - self.group_a_count # Aグループの結果記録 for _ in range(self.group_a_count): self.results['A'][625] += 1 # 各配布方法によって処理が異なる if method == 'original': #オリジナルの問題設定通りの配布（5000人に1個ずつ、残りは0個） lucky_count = remaining # 5000人が当選 # B+Cグループの混合リスト作成 bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count random.shuffle(bc_participants) #当選者に配布 for i in range(len(bc_participants)): participant_id,group = bc_participants[i] if i < lucky_count: self.results[group][1] += 1 else: self.results[group][0] += 1 elif method == 'lottery': #抽選方式（BとCグループから無作為に5000人選出） bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count winners = random.sample(bc_participants, remaining) #当選・落選のカウント for _,group in winners: self.results[group][1] += 1 #落選者のカウント self.results['B'][0] = self.group_b_count - self.results['B'][1] self.results['C'][0] = self.group_c_count - self.results['C'][1] elif method == 'first_come': # 先着順方式（アクセス速度による先着順を乱数でシミュレート） #設計意図: 先着順は単なる運の要素を超えて、情報格差や技術格差も含む制度設計 bc_participants = [(1, 'B')] * self.group_b_count + [(2, 'C')] * self.group_c_count #現実では、情報を早く得られる人や高速インターネット接続を持つ人が有利 # これをシミュレートするため、Bグループにわずかなアドバンテージを与える bc_speeds = [] forid,group in bc_participants: ifgroup == 'B': speed = random.random() + 0.1 # Bグループに小さなアドバンテージ else: speed = random.random() bc_speeds.append((id,group, speed)) # 速度順にソート bc_speeds.sort(key=lambda x: x[2], reverse=True) #当選者決定 for i in range(len(bc_speeds)): _,group, _ = bc_speeds[i] if i < remaining: self.results[group][1] += 1 else: self.results[group][0] += 1 elif method == 'new_condition': # 追加条件方式（恣意的な条件を設定） #設計意図: 新たな条件の設定は往々にして既存の特権を温存するように設計される bc_participants = [(i, 'B', random.random()) for i in range(self.group_b_count)] + \ [(i, 'C', random.random()) for i in range(self.group_c_count)] # Bグループに有利な条件を設定（例:特定の知識やスキルを持つ人のみ） # この「条件」は表面上は中立的だが、実際には特定グループに有利になるよう設計def meets_condition(participant): _,group, rand_val = participant ifgroup == 'B': return rand_val> 0.3 # Bグループには70%の確率で合格 else: return rand_val> 0.7 # Cグループには30%の確率で合格 # 条件に合致する人を抽出 eligible = [p for p in bc_participants if meets_condition(p)] # 条件に合致する人が多すぎる場合は抽選 iflen(eligible)> remaining: winners = random.sample(eligible, remaining) else: # 条件に合致する人が足りない場合、全員に配布 winners = eligible #当選者をカウント for _,group, _ in winners: self.results[group][1] += 1 #落選者のカウント self.results['B'][0] = self.group_b_count - self.results['B'][1] self.results['C'][0] = self.group_c_count - self.results['C'][1] elif method == 'fair': # 公平な再分配方式（貢献度に応じた配布） #設計意図: この方法は「貯金分」も含めた全ての飴を、各グループの貢献度に応じて分配 # これにより構造的不平等を軽減、結果としてより多くの人が少なくとも損をしない状態になる # 全飴（貯金分も含む）を使った配布total_to_distribute = self.total_contribution # 各グループの貢献比率計算 a_ratio = self.total_a_contribution / self.total_contribution b_ratio = self.total_b_contribution / self.total_contribution c_ratio = self.total_c_contribution / self.total_contribution # 各グループへの配布数決定 a_share = int(total_to_distribute * a_ratio) b_share = int(total_to_distribute * b_ratio) c_share = int(total_to_distribute * c_ratio) # 端数調整 remainder =total_to_distribute - (a_share + b_share + c_share) if remainder> 0: # 端数は最も人数の多いCグループに c_share += remainder # Aグループの配布（均等配分） per_a = a_share // self.group_a_count self.results['A'][per_a] = self.group_a_count # Bグループの配布（均等配分） per_b = b_share // self.group_b_count b_remainder = b_share % self.group_b_count self.results['B'][per_b] = self.group_b_count - b_remainder if per_b + 1> 0 and b_remainder> 0: self.results['B'][per_b + 1] = b_remainder # Cグループの配布（均等配分） per_c = c_share // self.group_c_count c_remainder = c_share % self.group_c_count self.results['C'][per_c] = self.group_c_count - c_remainder if per_c + 1> 0 and c_remainder> 0: self.results['C'][per_c + 1] = c_remainderdef calculate_net_gain(self): """設計意図: この関数は各グループの純利益/損失を計算し、資源分配の公平性を定量的に評価できるようにします。純利益/損失は個人の観点から見た経済的公正性の重要な指標です。 """net_gains = {} # Aグループの純利益計算 a_contribution = self.contribution_per_a a_distribution = list(self.results['A'].keys())[0] # 全員が同じ数を受け取る前提net_gains['A'] = a_distribution - a_contribution # BとCグループの純利益計算（加重平均） forgroup, contribution_per_person in [('B', self.contribution_per_b), ('C', self.contribution_per_c)]:total_gain = 0 for received, count in self.results[group].items():total_gain += (received - contribution_per_person) * countnet_gains[group] =total_gain / (self.group_b_count ifgroup == 'B' else self.group_c_count) returnnet_gainsdef analyze_results(self): """設計意図: この分析関数は、各グループの分配結果を詳細に調査し、制度設計の公平性、貢献度と報酬の関係、およびシステムの持続可能性を評価します。政策分析においては、こうした多角的な検証が重要です。 """ # 各グループの純利益/損失net_gains = self.calculate_net_gain() # 貢献度分析 contribution_percentage = { 'A': (self.total_a_contribution / self.total_contribution) *100, 'B': (self.total_b_contribution / self.total_contribution) *100, 'C': (self.total_c_contribution / self.total_contribution) *100 } # 飴を受け取った人の割合 received_percentage = { 'A': sum(count for received, count in self.results['A'].items() if received> 0) / self.group_a_count *100, 'B': sum(count for received, count in self.results['B'].items() if received> 0) / self.group_b_count *100, 'C': sum(count for received, count in self.results['C'].items() if received> 0) / self.group_c_count *100 } #分析結果の表示print("\n===== 飴の配布システム分析 =====")print(f"総飴数: {self.total_contribution}個 (分配用: {self.distribution_limit}個,貯金: {self.savings}個)")print("\n---グループごとの貢献と結果 ---") forgroup in ['A', 'B', 'C']:group_size =getattr(self, f"group_{group.lower()}_count") contribution_per_person =getattr(self, f"contribution_per_{group.lower()}")total_contribution =getattr(self, f"total_{group.lower()}_contribution")print(f"\n{group}グループ ({group_size}人):")print(f" 貢献: 1人あたり{contribution_per_person}個 (総計: {total_contribution}個, 全体の{contribution_percentage[group]:.1f}%)")print(f" 受け取り状況:") for received, count in sorted(self.results[group].items()):print(f" {received}個: {count}人 ({count/group_size*100:.1f}%)")print(f" 飴を受け取った割合: {received_percentage[group]:.1f}%")print(f"純利益/損失: 1人あたり平均 {net_gains[group]:.2f}個")print("\n--- 全体的な公平性分析 ---")print(f"最も得したグループ: {max(net_gains,key=net_gains.get)}グループ (+{max(net_gains.values()):.2f}個/人)")print(f"最も損したグループ: {min(net_gains,key=net_gains.get)}グループ ({min(net_gains.values()):.2f}個/人)") # 全員に飴が配布されたかどうかall_received =all(sum(count for received, count in self.results[group].items() if received> 0) ==getattr(self, f"group_{group.lower()}_count") forgroup in ['A', 'B', 'C'])print(f"\n前提条件「全員に配布」の充足: {'はい' ifall_received else 'いいえ'}") if notall_received:total_without = sum(self.results['B'][0] + self.results['C'][0])print(f" 飴を受け取れなかった人数: {total_without}人") returnnet_gains, contribution_percentage, received_percentagedef visualize_results(self): """設計意図:データの可視化は政策の効果や不平等性を直感的に理解するために重要です。 このようなグラフィカル表現によって、各グループ間の格差や制度設計の問題点を 一目で理解できるようになります。 """ #グラフのセットアップfig, axes = plt.subplots(2, 2,figsize=(14,10)) # 1. 貢献度のグラフ contributions = [self.total_a_contribution, self.total_b_contribution, self.total_c_contribution] axes[0, 0].bar(['Aグループ', 'Bグループ', 'Cグループ'], contributions) axes[0, 0].set_title('グループごとの総貢献飴数') axes[0, 0].set_ylabel('飴の数') # 貢献度の割合をアノテーションとして追加total = sum(contributions) for i, v in enumerate(contributions): percentage = v /total *100 axes[0, 0].text(i, v +100, f'{percentage:.1f}%', ha='center') # 2. 1人あたりの貢献度と受け取り数の比較group_names = ['Aグループ', 'Bグループ', 'Cグループ'] contribution_per_person = [self.contribution_per_a, self.contribution_per_b, self.contribution_per_c] # 各グループの平均受け取り数を計算 received_per_person = [] forgroup, letter inzip(group_names, ['A', 'B', 'C']):total_received = sum(received * count for received, count in self.results[letter].items())group_size =getattr(self, f"group_{letter.lower()}_count") received_per_person.append(total_received /group_size) x =np.arange(len(group_names)) width = 0.35 axes[0, 1].bar(x - width/2, contribution_per_person, width, label='提出') axes[0, 1].bar(x + width/2, received_per_person, width, label='受け取り') #純利益/損失をアノテーションとして追加 for i in range(len(group_names)):net = received_per_person[i] - contribution_per_person[i]color = 'green' ifnet>= 0 else 'red' axes[0, 1].text(i,max(received_per_person[i], contribution_per_person[i]) + 5, f'{"+" ifnet>= 0 else ""}{net:.1f}', ha='center',color=color) axes[0, 1].set_title('1人あたりの提出・受け取り飴数比較') axes[0, 1].set_xticks(x) axes[0, 1].set_xticklabels(group_names) axes[0, 1].set_ylabel('飴の数') axes[0, 1].legend() # 3. 各グループの受け取り状況の分布 # 各グループの受け取り状況を積み上げ棒グラフで表現group_sizes = [self.group_a_count, self.group_b_count, self.group_c_count] received_counts = [] not_received_counts = [] for letter, size inzip(['A', 'B', 'C'],group_sizes): received = sum(count for received, count in self.results[letter].items() if received> 0) received_counts.append(received) not_received_counts.append(size - received) axes[1, 0].bar(group_names, received_counts, label='飴を受け取った人数') axes[1, 0].bar(group_names, not_received_counts, bottom=received_counts, label='飴を受け取れなかった人数') #割合をアノテーションとして追加 for i in range(len(group_names)): ifgroup_sizes[i]> 0: percentage = received_counts[i] /group_sizes[i] *100 axes[1, 0].text(i, received_counts[i] / 2, f'{percentage:.1f}%', ha='center') axes[1, 0].set_title('グループごとの飴受け取り状況') axes[1, 0].set_ylabel('人数') axes[1, 0].legend() # 4. 貢献度vs報酬の分配公平性 # 貢献度と最終的な飴の配分の比較を円グラフで表現total_contribution = self.total_contribution contribution_shares = [self.total_a_contribution /total_contribution, self.total_b_contribution /total_contribution, self.total_c_contribution /total_contribution] # 実際の配分シェアを計算 distribution_shares = [] for letter in ['A', 'B', 'C']:total_received = sum(received * count for received, count in self.results[letter].items()) distribution_shares.append(total_received / self.distribution_limit) # 2つの円グラフを並べて表示 ax4_1 = axes[1, 1].inset_axes([0, 0, 0.45, 1]) ax4_2 = axes[1, 1].inset_axes([0.55, 0, 0.45, 1]) ax4_1.pie(contribution_shares, labels=group_names, autopct='%1.1f%%') ax4_1.set_title('飴の貢献度割合') ax4_2.pie(distribution_shares, labels=group_names, autopct='%1.1f%%') ax4_2.set_title('飴の配分割合') axes[1, 1].axis('off') plt.tight_layout() plt.show()# 飴の配布システムをシミュレートcandy_system = CandyDistributionSystem()#オリジナルの配布方法を実行print("\n=====オリジナルの配布方法 =====")candy_system.distribute_candies(method='original')original_results = candy_system.analyze_results()candy_system.visualize_results()# 公平な配布方法を実験print("\n\n===== 公平な配布方法のシミュレーション =====")fair_system = CandyDistributionSystem()fair_system.distribute_candies(method='fair')fair_results = fair_system.analyze_results()fair_system.visualize_results()# 公平な配布と元の配布の比較print("\n\n===== 配布方法の比較 =====")print("オリジナル方式と公平方式の純利益/損失差:")net_diff = {}forgroup in ['A', 'B', 'C']:original_net =original_results[0][group] fair_net = fair_results[0][group]diff = fair_net -original_netnet_diff[group] =diffprint(f"{group}グループ: {'+' ifdiff> 0 else ''}{diff:.2f}個/人")print("\n結論:")ifnet_diff['A'] < 0 andnet_diff['B']> 0 andnet_diff['C']> 0:print("公平な再分配により、Aグループの特権が減少し、BとCグループの状況が改善されます。")print("これは構造的不平等の緩和に効果的です。")elifnet_diff['A']> 0:print("興味深いことに、公平な再分配ではAグループさえも利益を得られます。")print("これは、現行システムが特定グループだけでなく全体の非効率性につながっていることを示唆しています。")
-----BEGINPGP SIGNEDMESSAGE-----Hash: SHA512https://anond.hatelabo.jp/20250704181825# -----BEGINPGP SIGNATURE-----iHUEARYKAB0WIQTEe8eLwpVRSViDKR5wMdsubs4+SAUCaGecZQAKCRBwMdsubs4+SGxXAP9+Knf1GTZw0+bpQtdALI7ynlaKrEsy7AxpMmZ0cagtUAD+ImCg1u7qsiZNHYdXNR7OjO3fZtDf8OLtfH1gRmDvOA0==0bQ9-----ENDPGP SIGNATURE-----
１人かそうでないかということで俺の主張は真偽がはっきり決まるから、真偽を規定できない感想とは違うんだよなあ
-----BEGINPGP SIGNEDMESSAGE-----Hash: SHA512https://anond.hatelabo.jp/20250704180158# -----BEGINPGP SIGNATURE-----iHUEARYKAB0WIQTEe8eLwpVRSViDKR5wMdsubs4+SAUCaGeYhwAKCRBwMdsubs4+SORkAP9z4UwLeRU5oKeFDBWfplntp6YvRcap6RF7yh4zC7llqgEAhnmfuQHaUiE0dNdTecYUPSR0h2X1rIe3JqANByI24gY==YB86-----ENDPGP SIGNATURE-----
マッチングアプリの台頭により、世の男性のスペックはすべて定量化され、外見からは判断できない要素でさえ（自己申告ではあるが）、すべて開示され、審査されてしまう。
男性たちは身長や年収、その他定量的要素による足切りを受け、配られた（フィルターを通過した）選択肢の中でパートナーを探す。
----
さて、俗に「婚活女子」と呼ばれる人々は高望みと言われている。
それは、世間一般の「平均的」とされる男性のスペックを上回る要素を結婚できる「最低条件」としている（orとされている）からだ。
しかし、この「高望み」判定に対して定量的に切り込んでいる人は少ない。
果たして、現代の結婚適齢期男性のどこからが「高望み」なのか、定量的に測定したい。
注意：一番下に下ネタありです。苦手な方は控えてください。
----
■偏差値について
偏差値とは、ある集団における位置を定量的に示したものである。
簡単に言えば、日本人男性の身長における偏差値50は171.5cmであり、これは、日本人男性が100人いる場合の50番目の身長にほぼ等しい。
ただし、これは遺伝的に要素の強い身長が正規分布で表現可能であるが故、中央値と平均値にほぼ乖離がないことから成り立つ理屈であって、
年収や資産等の指標においてはこの限りではないが、それは後で補足する。
■結論（編集：読んでいて長いので結論先に書く。最後にも書いています）
一般的に、東京都在住30代前半結婚適齢期男性で、すべてが偏差値60の男性（高望みの下限）をプロファイルすると以下のようになる。
年齢:30代前半
年収:749万円
★:15.4cm
■身長
以下は20～40代の男性の身長を偏差値40から70まであらわした表である（2019年：国民健康・栄養調査 ）。
この表を見ると、婚活女性に忌避される身長「170cm」以下は偏差値47以下である。
一方、理想的な身長のベースラインとされている175cm以上の「175cm」は偏差値56である。
統計的に、正規分布における偏差値60以上（偏差値40以下）は明らかに平均から乖離した値とみなされるので、
ここでは身長177.3cm以上を「ハイスペック」」と定義する。
また、統計的に言えば身長175cm以上を求める婚活女子は「平均的な範囲」をベースラインとしていることから、
そこまで高望みではないことがうかがえる。
| 偏差値 | 身長 (cm) | 累積割合 (%) |
| ---- | ------- | -------- |
| 40.0 | 165.76 | 15.87% |--これ以下は「チー牛」？
| 40.5 | 166.05 | 17.11% |
| 41.0 | 166.34 | 18.41% |
| 41.5 | 166.63 | 19.77% |
| 42.0 | 166.92 | 21.19% |
| 42.5 | 167.21 | 22.66% |
| 43.0 | 167.50 | 24.20% |
| 43.5 | 167.79 | 25.78% |
| 44.0 | 168.08 | 27.42% |
| 44.5 | 168.37 | 29.11% |
| 45.0 | 168.66 | 30.85% |
| 45.5 | 168.95 | 32.63% |
| 46.0 | 169.24 | 34.46% |
| 46.5 | 169.53 | 36.32% |
| 47.0 | 169.82 | 38.22% |
| 47.5 | 170.11 | 40.14% |
| 48.0 | 170.40 | 42.08% |
| 48.5 | 170.69 | 44.04% |
| 49.0 | 170.98 | 46.02% |
| 49.5 | 171.27 | 48.00% |
| 50.0 | 171.53 | 50.00% |
| 50.5 | 171.82 | 52.00% |
| 51.0 | 172.11 | 53.98% |
| 51.5 | 172.40 | 55.96% |
| 52.0 | 172.69 | 57.92% |
| 52.5 | 172.98 | 59.86% |
| 53.0 | 173.27 | 61.78% |
| 53.5 | 173.56 | 63.68% |
| 54.0 | 173.85 | 65.54% |
| 54.5 | 174.14 | 67.37% |
| 55.0 | 174.43 | 69.15% |
| 55.5 | 174.72 | 70.89% |
| 56.0 |175.01 | 72.58% |--婚活女子の理想的な身長の下限
| 56.5 | 175.30 | 74.22% |
| 57.0 | 175.59 | 75.80% |
| 57.5 | 175.88 | 77.34% |
| 58.0 | 176.17 | 78.81% |
| 58.5 | 176.46 | 80.23% |
| 59.0 | 176.75 | 81.59% |
| 59.5 | 177.04 | 82.89% |
| 60.0 |177.33 | 84.13% |--日本人男性において高身長と定義できるボーダー
| 60.5 | 177.62 | 85.30% |
| 61.0 | 177.91 | 86.42% |
| 61.5 |178.20 | 87.46% |--攻守最強とされる178cmライン
| 62.0 | 178.49 | 88.45% |
| 62.5 | 178.78 | 89.38% |
| 63.0 | 179.07 | 90.24% |
| 63.5 | 179.36 | 91.03% |
| 64.0 | 179.65 | 91.76% |
| 64.5 | 179.94 | 92.43% |
| 65.0 | 180.23 | 93.01% |--みんな大好き180cm
| 65.5 | 180.52 | 93.54% |
| 66.0 | 180.81 | 93.99% |
| 66.5 | 181.10 | 94.38% |
| 67.0 | 181.39 | 94.80% |
| 67.5 | 181.68 | 95.21% |
| 68.0 | 181.97 | 95.60% |
| 68.5 | 182.26 | 95.97% |
| 69.0 | 182.55 | 96.30% |
| 69.5 | 182.84 | 96.61% |
| 70.0 | 183.13 | 96.89% |
■年収
現代婚活女子の基準では一般的に年収500万円（首都圏では600万円）がボーダーラインとされている男性の年収。
年収は身長とは異なり、正規分布で表現できない指標であるため、最上位から最下位までのランキングの中で偏差値を決める。
増田の読者の多くは首都圏在住者も多いことを加味し、東京都の男性平均初婚年齢である32歳を基準に、
の年収を以下に偏差値化する（令和5年；東京都労働局統計/厚生労働省賃金構造基本統計）。
この条件からわかるとおり、無職者や脱税している人、申告の必要ない所得は含まれない。
結論から言えば、東京都の30代前半の男性に限って言えば、多くの婚活女性が望む「年収600万円」は偏差値50である。
正規雇用の年間所得に限定しているとはいえ、身長の条件を考えると控えめであるといえる。
なお、統計的に明らかに平均より高い下限値は年収750万円となり、これは東証プライム上場企業社員（年齢縛りなし）の平均年約735.7万円（2023年度）に近似する。
| 偏差値 | 年収（万円） | 累積割合（％） |
| :--: | :----: | :-----: |
| 40.0 | 460.8 | 15.87 |
| 40.5 | 468.0 | 17.11 |
| 41.0 | 475.2 | 18.41 |
| 41.5 | 482.4 | 19.77 |
| 42.0 | 489.6 | 21.19 |
| 42.5 | 496.8 | 22.66 |
| 43.0 | 504.0 |24.20 |--全国平均的に婚活女子が望むベースライン
| 43.5 | 511.2 | 25.78 |
| 44.0 | 518.4 | 27.42 |
| 44.5 | 525.6 | 29.11 |
| 45.0 | 532.8 | 30.85 |
| 45.5 | 540.0 | 32.63 |
| 46.0 | 547.2 | 34.46 |
| 46.5 | 554.4 | 36.32 |
| 47.0 | 561.6 | 38.22 |
| 47.5 | 568.8 | 40.14 |
| 48.0 | 576.0 | 42.08 |
| 48.5 | 583.2 | 44.04 |
| 49.0 | 590.4 | 46.02 |
| 49.5 | 597.6 | 48.00 |
| 50.0 | 604.8 | 50.00 |-首都圏の婚活女子が望むベースライン &東京都30代前半男性の平均年収
| 50.5 | 612.0 | 52.00 |
| 51.0 | 619.2 | 53.98 |
| 51.5 | 626.4 | 55.96 |
| 52.0 | 633.6 | 57.92 |
| 52.5 | 640.8 | 59.86 |
| 53.0 | 648.0 | 61.78 |
| 53.5 | 655.2 | 63.68 |
| 54.0 | 662.4 | 65.54 |
| 54.5 | 669.6 | 67.37 |
| 55.0 | 676.8 | 69.15 |
| 55.5 | 684.0 | 70.89 |
| 56.0 | 691.2 | 72.58 |--偏差値的には身長175cm以上とほぼ同じ
| 56.5 | 698.4 | 74.22 |
| 57.0 | 705.6 | 75.80 |
| 57.5 | 712.8 | 77.34 |
| 58.0 | 720.0 | 78.81 |
| 58.5 | 727.2 | 80.23 |
| 59.0 | 734.4 | 81.59 |
| 59.5 | 741.6 | 82.89 |
| 60.0 | 748.8 | 84.13 |--東京都在住の30代前半男性において高年収と定義できるボーダー
| 60.5 | 756.0 | 85.30 |
| 61.0 | 763.2 | 86.42 |
| 61.5 | 770.4 | 87.46 |
| 62.0 | 777.6 | 88.45 |
| 62.5 | 784.8 | 89.38 |
| 63.0 | 792.0 | 90.24 |
| 63.5 | 799.2 | 91.03 |
| 64.0 | 806.4 | 91.76 |--日本人「給与所得者」の上位10%以内
| 64.5 | 813.6 | 92.43 |
| 65.0 | 820.8 | 93.01 |
| 65.5 | 828.0 | 93.54 |
| 66.0 | 835.2 | 93.99 |
| 66.5 | 842.4 | 94.38 |
| 67.0 | 849.6 | 94.80 |
| 67.5 | 856.8 | 95.21 |
| 68.0 | 864.0 | 95.60 |
| 68.5 | 871.2 | 95.97 |
| 69.0 | 878.4 | 96.30 |
| 69.5 | 885.6 | 96.61 |
| 70.0 | 892.8 | 96.89 |--上位1%
■学歴
個人的には定量化する価値のない指標である気がするが、https://odonashi.hatenablog.com/entry/2017/08/14/164559 に詳しい。
結論から言えば、高卒者以下を含めたとき、March学部卒以上の学歴は同年代の上位12%程度とのこと。
■Appendix（下ネタ注意）
以下は男性なら多くの人が気にする男性器のサイズを偏差値化してみた。
興奮時の平均サイズコンドームで有名なオカモト社の何十万人にも及ぶ優位統計結果である13.56cmを参考に13.6cmとし、
| 偏差値 | 値（X） | 累積割合（％） |
| ---- | ----- | ------- |
| 40.0 |11.70 | 15.87 |--ここから下は明らかに「粗末」とされるライン
| 40.5 | 11.80 | 17.11 |
| 41.0 | 11.89 | 18.41 |
| 41.5 | 11.98 | 19.77 |
| 42.0 | 12.07 | 21.19 |
| 42.5 | 12.17 | 22.66 |
| 43.0 | 12.26 | 24.20 |
| 43.5 | 12.35 | 25.78 |
| 44.0 | 12.44 | 27.42 |
| 44.5 | 12.54 | 29.11 |
| 45.0 | 12.63 | 30.85 |
| 45.5 | 12.72 | 32.63 |
| 46.0 | 12.81 | 34.46 |
| 46.5 | 12.91 | 36.32 |
| 47.0 | 13.00 | 38.22 |
| 47.5 | 13.09 | 40.14 |
| 48.0 | 13.18 | 42.08 |
| 48.5 | 13.28 | 44.04 |
| 49.0 | 13.37 | 46.02 |
| 49.5 | 13.46 | 48.00 |
| 50.0 | 13.60 | 50.00 |--日本人男性の100人中50番目
| 50.5 | 13.69 | 52.00 |
| 51.0 | 13.78 | 53.98 |
| 51.5 | 13.87 | 55.96 |
| 52.0 | 13.97 | 57.92 |
| 52.5 | 14.06 | 59.86 |
| 53.0 | 14.15 | 61.78 |
| 53.5 | 14.24 | 63.68 |
| 54.0 | 14.34 | 65.54 |
| 54.5 | 14.43 | 67.37 |
| 55.0 | 14.52 | 69.15 |
| 55.5 | 14.61 | 70.89 |
| 56.0 | 14.71 | 72.58 |--身長175cmに対応するライン
| 56.5 | 14.80 | 74.22 |
| 57.0 | 14.89 | 75.80 |
| 57.5 | 14.98 | 77.34 |
| 58.0 | 15.08 | 78.81 |
| 58.5 | 15.17 | 80.23 |
| 59.0 | 15.26 | 81.59 |
| 59.5 | 15.35 | 82.89 |
| 60.0 | 15.44 | 84.13 |--平均より明らかに大きいとされる下限サイズ・東京都の30代前返男性における年収750万円
| 60.5 | 15.54 | 85.30 |
| 61.0 | 15.63 | 86.42 |
| 61.5 | 15.72 | 87.46 |--身長178cmに対応するライン
| 62.0 | 15.81 | 88.45 |
| 62.5 | 15.91 | 89.38 |
| 63.0 | 16.00 | 90.24 |
| 63.5 | 16.09 | 91.03 |--Fカップ以上の女性の割合（上位8%強）
| 64.0 | 16.18 | 91.76 |
| 64.5 | 16.28 | 92.43 |
| 65.0 | 16.37 | 93.01 |--身長180cmに対応するライン
| 65.5 | 16.46 | 93.54 |
| 66.0 | 16.55 | 93.99 |
| 66.5 | 16.65 | 94.38 |
| 67.0 | 16.74 | 94.80 |
| 67.5 | 16.83 | 95.21 |
| 68.0 | 16.92 | 95.60 |
| 68.5 | 17.02 | 95.97 |
| 69.0 | 17.11 | 96.30 |
| 69.5 | 17.20 | 96.61 |
| 70.0 |17.29 | 96.89 |--上位1%くらい
■まとめ
いかがだっただろうか。
もうここまで書いて面倒になってしまったのだが、
東京都在住30代前半結婚適齢期男性で、すべてが偏差値60の男性をプロファイルすると以下のようになる。
年齢:30代前半
年収:749万円
★:15.4cm
この言葉を理解すると、最近増えた自称「エンジニア」がまったくエンジニアでないことがわかる。
テクノロジーとエンジニアリング、一見似たような言葉で、実際英語でもあまり使い分けられていないこともある。
しかし、例えばSTEM分野という言葉がある。science、technology、engineering、mathematicsの略だが、このようにまとめる場合は、別に語呂のためにテクノロジーとエンジニアリングを分けているわけでなく、ある程度ニュアンスの違いが存在する。
その違いとは、簡単に言えば、「テクノロジー」がイノベーション、「エンジニアリング」が設計、コントロールに主眼をおいている点だ。
新しいサービスやアプリケーションを開発して、ビジネスや生活の変化をもたらすのがテクノロジー。
既存のシステムの中でより細かい分析や設計の洗練を通して、有形無形のネットワークや構造物をより強固に、効率的にと開発するのがエンジニアリング。
つまり、「エンジニア」というのは本来、きちんと工学を学んで、robustnessやefficiencyを定量的に評価し、設計に用いることのできる理系のみを意味する。
工学部も出ておらず、要件どおりのソフトウェア開発をしたり、webサービスでスモールビジネスを起こすだけの自称エンジニアは、ただのテクニシャンである。
日本はかように言葉をいい加減に使い、歴史・学問の積み重ねを粗雑に扱うから、学術的な衰退が止まらないのだ。
嘆かわしいことだ。
ホルモンの状態としては男の通常の状態と同じようになってるんだそうな
生理じゃない時の女が落ち着いているだけ
男性のテストステロンによる攻撃性やリスク行動は、女性の生理時のホルモン変動による影響よりも、定量的に強い傾向がある。
そのため、女性は生理時に攻撃的でリスクを取る傾向があるが、その程度は男性ホルモンによる攻撃性やリスク行動よりも低い傾向があり、男性の方が定量的に攻撃的でリスクを取る傾向が多い
（ただし、ホルモンだけで行動が決まるわけではなく、環境や個人差が影響する）
簡単にいえば
生理の女を情緒不安定とかヒスりがちと考えてる男こそ、いつも生理のようなものなわけ
リーマン・ブラザーズがリーマン・シスターズだったらリーマンショックは起きなかったんじゃ、と
『アダム・スミスの夕食を作ったのは誰か』でもジョークにされていた
こういう事実ちゃんと共有して理性的に分析や研究しないとダメだよ
投稿件数の増減：はてな匿名ダイアリー（通称「増田」）の投稿数は2010年代半ばに大きく増加し、2016年前後にピークを迎えたとみられます。その後2018～2019年頃には日々の投稿数がやや減少に転じたという分析があります。一方で2020年代に入ってから投稿総数自体は必ずしも減少していません。むしろスパム投稿やAI生成と思われる短文投稿の大量発生により、1日あたり数千件もの日記が投稿される日も見られました。例えば2020年10月中旬のある日は約6,000件以上の投稿がありましたが、これらの多くは数十文字程度の極端に短い記事で、内容のないスパム投稿が急増した結果でした。2023年頃の通常時でも1日2,000件前後の投稿が確認でき、投稿数そのものは依然として多い状態です。しかし、その内訳を見ると文字数中央値が40～50字程度と非常に短く、挨拶程度や一言だけの投稿が大量に含まれていることがわかります。総じて、量的には投稿数は高止まりまたは増加傾向にあるものの、その質や実質的なユーザー参加率という点では低下している可能性があります。
平均ブックマーク数の低下：投稿数が膨大になる一方で、各記事が獲得するブックマーク数は全体的に伸び悩んでいます。2019年の統計によれば、同年に増田全体で付けられたブックマーク総数は約998,454件にのぼりました。一方、月間の投稿件数は毎月6万～7万件規模に達しており、単純計算すると1記事あたり平均1～2件程度のブックマークしか獲得していないことになります。実際にはごく一部の人気記事が何百件ものブックマークを集める一方、大多数の記事はブックマーク0～数件にとどまるロングテール の状態です。たとえば2000ブックマークを超えるような大反響の記事は全体のわずか0.2%程度であり 、中央値で見ればブックマーク獲得数は0件に近いと推測されます。2020年以降もこの傾向は大きく変わらず、むしろスパム的な記事増加により相対的に平均ブックマーク数は下がっている可能性があります。つまり、「増田」に投稿された大半の記事はほとんどブックマークされず埋もれている状況であり、ユーザーの関心が集中する記事はごく一部に限られてきています。
平均ブックマーク数の推移例：2019年の月次データでは、1月に投稿約71,267件・ブックマーク計65,570件、2月に投稿61,454件・計81,330件ブックマーク、3月に投稿62,855件・計71,860件ブックマークといった数値が報告されています。月によってばらつきはありますが、いずれも投稿数とほぼ同じ桁数のブックマーク総数で推移しており、1記事あたり平均約1件前後のブックマークとなっています。これに対し、中央値のブックマーク数は0件であることがほぼ確実です。実際、**半数以上の記事がブックマーク「ゼロ」**のままという指摘もあり、特に2020年以降は投稿の質の低下に伴って読者の反応（ブックマーク付与）がより選別的になっていると考えられます。
ブックマークコメント：増田におけるコメント機能は直接のコメント欄ではなく、はてなブックマーク上でのコメント（ブコメ）が事実上の議論の場になっています。人気記事には数十件～百件規模のブックマークコメントが付くこともありますが、平均的な投稿ではブコメ数もごくわずかです。ブックマーク数が0～1件程度の記事にはコメントも付かないため、全投稿の中央値で見ればコメントも0件となります。したがって、コメントが活発に付くのも一部の注目記事のみという状況です。例えば2019年のデータでは、被ブックマーク数トップクラスの記事でもブコメ数は数十件規模で（それでも一般記事よりは多いものの）限定的でした。2020年以降、この傾向はさらに顕著になっています。投稿の大量増加で一つ一つの記事への注目度が薄れたことや、後述するようなコンテンツ傾向の変化により、ユーザー同士の議論が盛り上がる記事が減少していると考えられます。
言及（トラックバック）的な動き：はてな匿名ダイアリーでは他の記事への「言及」機能も提供されており、2021年6月には記事本文から直接「言及する」リンクで他記事に応答できる仕組みが追加されました（過去記事をまとめ読みできる人気記事アーカイブ機能とともにリリース）というアナウンスがありました。この機能によりユーザー間で相互に日記を参照し合うハードルは下がりましたが、実際に頻繁に言及（トラックバック）される記事もごく限られています。2019年の統計では、年間で被トラックバック件数がもっとも多かった記事でも170件程度で、上位50位以内に入るには10件以上の被言及が必要でした。しかしこれらは例外的な人気記事であり、大半の記事は言及されることなく終わります。2020年以降も傾向は類似しており、人気記事にはTwitterやブログ等から言及されて話題が広がるケースがある一方で、増田内で記事同士が言及し合うコミュニティ的な盛り上がりは縮小しています。ユーザーからは「最近は互いに絡み合うような増田同士のやり取りが減った」という声もあり、コメントや言及といった双方向のコミュニケーション面でも過疎化が進んでいると評価されています。
トップエントリのブックマーク推移：各年の「人気エントリー」を見ると、トップクラスの記事が獲得するブックマーク数には若干の上下はあるものの、おおむね数百～数千件規模で推移しています。2020年では、年間トップの増田が2260ブックマークを集めました。これは過去の「保育園落ちた日本死ね」エントリ（2016年、約1400ブックマークと言われる）などを上回る水準で、2020年前後は過去最大級のブックマーク数を稼ぐ増田が現れた時期と言えます。さらに2021年には2558ブックマークという記録的な記事（「当たり屋対策の集合知」）が登場し、増田史上でも屈指の反響を得ました。一方、2022～2023年になるとトップのブックマーク数は1500～2000件台が中心で、2021年のピークと比べ若干減少傾向にあります。例えば2023年の年間トップは推定で約2060～2100ブックマーク前後（「ゲームさんぽの次に見るべきYouTube教養コンテンツ」に関する記事）で、2021年の記録には及ばないものの依然として2000件近い注目を集めました。
ランキングボリュームの変化：人気エントリ上位の顔ぶれを見ると、トップ50やトップ100に入るためのブックマーク数も徐々に変化しています。2020年は年間50位前後の記事でもおおよそ300～500ブックマーク程度を集めていましたが、2023年では50位前後で200～300ブックマーク台となり、ボリュームゾーンがやや下がったようです（正確な順位データによる比較では、たとえば年間200位のボーダーは2021年約666件→2023年約605件と減少傾向 ）。これは「突出したバズ記事以外はブックマーク数が伸び悩むようになった」ことを示唆しています。要因として、読む側のユーザー数・熱量の減少や、話題の分散化（多数の記事が投稿され競合するため一極集中しにくい）などが考えられます。つまり、ごく一部の超人気増田を除けば、多くの記事のブックマーク獲得数は往年より低調になっていると言えます。
2020年前後のトレンド：2020年は新型コロナウイルス感染症の流行が匿名ダイアリー上でも大きなテーマとなりました。政府の休校措置への批判や、ワクチン・変異株（例：「N501Y変異株の爆発的な増加を知ってほしいという話」）に関する記事が多数投稿され、いずれも大きな反響を呼んでいます。リモートワークや自粛生活の体験談、コロナ禍での社会批評的な増田も増え、2020～2021年は時事問題や社会問題を扱う記事が目立った時期でした。一方で、「意識の低いフリーランスの生存戦略」や「100分de名著を100冊読破して人生変わった」等、自己啓発・仕事術・ライフハック系の増田も2020年前後に人気を博しており、多様なジャンルでバズる傾向がありました。
2022年頃の傾向：2022年になると、コロナ禍の話題は徐々に落ち着き、代わりに日常生活や人生観に関する増田が人気化する例が散見されました。例えば「子供は作っておいた方がいい」という家庭観に関する記事や、「独身中年男性、狂ってきたので今のうちに書き残しておく」といった生き方・人生相談系の増田が注目を集めています。また、「セックスレス解消に足りなかった視点」 のような男女関係・ジェンダー問題を扱う増田が話題になるケースも増え、従来から一定の人気テーマである恋愛・結婚やオタク文化に関する投稿もコンスタントにホッテントリ入りしています。2022年前後は、社会全体のムーブメントというより各個人の体験談や意見表明が多様なテーマで発信・拡散される傾向が強まったといえます。
AI生成コンテンツと虚偽投稿の台頭（2023～2025年）：2023年以降、匿名ダイアリー界隈で特に注目された変化が生成AI（人工知能）を用いた創作投稿の増加です。ChatGPTをはじめとする文章生成AIが一般化した影響で、増田でもAIを活用したと思われる長文記事や創作物が散見されるようになりました。実際、2023年後半になると「バズっている増田記事の相当な割合がAIによって書かれている」との指摘もあり、この風潮に対してあるユーザーは「長文増田＝AI増田という疑念が広まり、人力の力作長文が敬遠されるようになった。真面目に書いても誰も書きたがらなくなれば増田は滅びてしまう」と危機感を表明しています。AI投稿の氾濫により読者がコンテンツを疑うようになり、結果として良質な投稿者のモチベーション低下を招いているという懸念が広がっているのです。
また、2024年～2025年にかけて露見した出来事として、特定ユーザーによる虚偽投稿問題が挙げられます。2025年1月、はてな運営が匿名ダイアリー上で「差別的表現の通報があった記事」を調査したところ、同一アカウントから内容の異なる複数の創作記事が投稿されていたことが発覚しました。そのユーザーはあたかも犯罪被害者の親族や様々な当事者を装い、時事ネタに乗じたフィクションを量産していたとされ、運営はこのアカウントを停止し過去投稿もすべて削除すると発表しました。この件は増田利用者の間で大きな波紋を呼び、「やはり最近の増田は嘘松（虚偽）ばかりではないか」「釣り記事が横行し信用が落ちている」という批判や嘆きが聞かれました。注目を集めた増田が実は虚構だったという事例が続いたことも、ユーザー離れや過疎化感につながる一因となっています。
定量的評価：表面的な投稿数だけを見ると、はてな匿名ダイアリーは2020年以降も一日数千件規模の投稿があり賑わっているように見えます。しかしその内実を精査すると、スパムや短文ばかりが大量発生している側面が大きく、ユーザーコミュニティとしての活力はむしろ低下していると考えられます。アクティブな執筆・閲覧ユーザー数に関する公式発表はありませんが、前述のように平均ブックマーク数やコメント数は極めて低水準で、読者の反応が乏しい記事が大半です。これは裏を返せば、「書き捨て」のような投稿や質の低い記事ばかり増えて濃いユーザー同士の交流や共感を呼ぶ投稿が減っていることを示唆します。定量データ上も、2010年代後半から投稿者・ブックマーカーのアクティブ率が横ばい～減少傾向であることが指摘されており 、コミュニティ全体としての熱量低下が伺えます。総合すると、「過疎化」は単に投稿数では測れないものの、実質的な参加者エンゲージメント（相互作用や反応の量）が落ち込んでいる点で進行していると評価できます。
ユーザー間で語られる背景・原因：過疎化の背景にはいくつかの要因が考えられ、ユーザー間でも議論されています。大きな原因の一つは前述したコンテンツの質的低下です。増田特有の「匿名だからこそ赤裸々に語られる深い話」が減り、代わりにAI生成文や虚偽の創作ネタが増えたことで、「読み応えがない」「信用できない」という声が増えました。これにより従来コアだった読み手・書き手が離脱し、悪循環的に良質な投稿がさらに減るという構図が懸念されています。加えて、Twitter等他のSNSや掲示板にユーザーの発信の場が移った影響も指摘されています。かつては増田で日記を書くしかなかった層も、現在は短文ならTwitter、長文ならnoteやはてなブログ実名アカウントで発信するなど選択肢が広がり、匿名ダイアリーにあえて投稿する必然性が薄れたとも考えられます。
さらに、コミュニティ内のリアクション文化の変化も原因の一つです。増田に投稿しても「どうせ誰も読まない/ブクマしない」と感じるユーザーが増え、結果として反応が乏しい記事がさらに増えるという状況になっています。実際、「増田で頑張って書いても損するだけ」というユーザーの嘆きが2025年時点で表明されており 、参加者のモチベーション低下が見られます。また、2025年の運営による問題ユーザー削除の件では「運営による統制や検閲が強まった」と感じた層もおり、萎縮効果で投稿を控えるユーザーもいるようです（もっとも、多くのユーザーはむしろ歓迎する対応でしたが）。
以上を総合すると、はてな匿名ダイアリーは2020年以降、量的には賑わっているようで実態はユーザーエンゲージメントが低下した状態にあります。ブックマーク数・コメント数など定量的指標の低迷 、およびAI・虚偽投稿の横行やユーザー離れといった定性的な要因  が重なり、コミュニティとして緩やかな過疎化が進行していると言えるでしょう。その一方で、毎年数本は数千ブックマーク規模のバズ記事が生まれており、匿名ならではの告白系エントリや鋭い社会批評が大きな話題になる土壌自体は残っています。今後、質の高い投稿をどう維持・促進していくかや、AI時代における信頼性確保が課題となっており、これらに対応できなければさらにユーザーが減少する恐れがあります。一部ユーザーからは「このままでは増田文化そのものが滅びかねない」という危機感も示されており 、コミュニティの立て直しが求められている状況です。
現代の大学における社会学の講義では、「ジェンダー」「家族」「恋愛」など、個人の生や関係性に関わるテーマが数多く扱われている。これらは人文社会領域における重要課題であり、学生の関心を惹きやすい一方で、議論がしばしば感情的主張や経験の共有にとどまり、論理的思考や実証的分析の訓練に結びつかないこともある。そのため、「知的刺激に乏しい」「再現性がない」といった不満が学生の間から出るのも無理はない。しかしながら、こうした社会現象の探究に統計学・線形代数・プログラミングツールを導入すれば、感覚や印象に依存しがちな議論を、再現可能で説得力のある知的営みに高めることができる。
たとえば、「男女の賃金格差」に関する議論では、単なる平均年収の比較ではなく、年齢、学歴、業種、勤続年数、勤務地などの変数を用いた多変量回帰分析を行うことで、どの要因が格差にどの程度影響を及ぼしているのかを定量的に明示できる。これにより、主観的な不公平感ではなく、統計的根拠に基づく議論が可能になる。また、「恋愛観と経済状況の関係性」のような内面的傾向の分析においては、アンケート結果に対するクロス集計や因子分析を通じて、価値観の背後にある潜在的構造を浮かび上がらせることができる。
さらに重要なのは、これらの分析において線形代数が本質的な役割を果たす点である。たとえば、高次元のアンケートデータを分析する際には、**主成分分析（PCA）**によって次元を圧縮し、データの本質的な構造を可視化することができる。これは、共分散行列の固有値・固有ベクトルの計算に基づく手法であり、複雑な社会的属性の背後にある「主要な軸」を抽出するうえで有効である。ジェンダー意識や恋愛観、職業選好などが、どのような次元でクラスタリングされうるのかを理解するには、このような数学的アプローチが不可欠だ。
たとえば、50項目の価値観質問紙の回答をPCAにかけると、「伝統志向」「経済安定志向」「個人主義傾向」といった抽象的な因子軸が浮かび上がり、個人の回答を2次元・3次元の空間上にプロットできる。これにより、単なる「恋愛に前向き／後ろ向き」といった単純な区別では捉えられない、深層的な構造理解が可能になる。
このような分析は、Pythonなどのプログラミング言語を使えば、学生自身が実行可能である。pandasによるデータ整形、statsmodelsやscikit-learnによる統計処理・機械学習、matplotlibによる可視化を用いれば、調査から洞察までを一貫して自らの手で行うことができる。たとえば、賃金構造基本統計調査や若者の意識調査などの公開データを用いて、学生自身が仮説を立て、モデルを構築し、検定と可視化を行うといった演習は、単なる評論的レポートでは得られない深い学習効果をもたらす。
このように、社会学に数理的視点とデータ科学を融合することで、「語る社会学」から「測る社会学」へと転換できる。主観的な問いを出発点としながらも、定量的な検証を通じて議論の透明性と再現性を確保することこそ、現代社会において必要とされる知の姿勢である。統計学・線形代数・ソフトウェアの活用は、社会学をより実証的で創造的な学問へと進化させる鍵となる。
っていうの考えた
コードに命かけてるというか、その人の思うきれいなコードを目指しすぎている、こだわりが強い
でいろいろ考えたんだけど、こいつら理論屋なんだよね
べき論なんだよいつも、コードに対してのべき論
そもそもこういう奴らが嫌いだから工学系に来たんだけど、何でこいつらに苦しめられてるのか？？
あと、5年10年まえは、「動くものをそれなりの品質でリリースできる実践屋」が重宝されていた気がするんだけど、最近はほんとに理論屋を欲しがるプロジェクトが増えた
これも考えたんだが、たぶん小規模プロジェクトだとか新規開発だと実践屋の方が寄与がわかりやすいから好まれるんだけど
大企業・継続開発みたいな、個人の寄与が曖昧な環境だと「難しいことをそれっぽく言ったもん勝ち」になるから、理論屋が主導権を取るんだよね
というか組織やプロジェクトに横たわる課題に対して理論屋にヘルプを求めるというクソみたいな段階がある（基本失敗する）
めんどうなのは中規模な会社で、まだ伸びなきゃいけないってときに理論屋に唆されると伸び悩んで詰むんだよなあ
てか理論屋ってそれを導入することによる事業に対するインパクトを説明しないよね
「わかってるでしょ、これが良いってことは」みたいな、あるいは説明できないのか
最近なんてChatGPTに「この条件でこれ入れるのどう思う？」って聞いてるんだけど概ね「やりすぎ」なんだよね
最初は「この人たちもスキルアップしていかないと市場で生き残れないからやってるんだろうな」と思ってたんだけど違うわ、マジで独りよがり
大学院で数学的に証明可能なソフトウェアみたいなのやってたけど、ああいうのも結局実環境でどうかじゃなくて、数学屋の脳内パズルみたいなのに終始してる感じする
ほんとうに理論屋と関わらないで生きていきたいんだけどな
＿＿＿＿
増田の実力が〜とか、理論的にきれいなことのメリットが〜って言ってる人、まさにお前のことだ！
つまり「理想的に書かれてる自分のコードが正しく、理解できない二流の奴はもっと勉強しろ」この姿勢でプロジェクトやるんだよ
結果何が出来上がるかと言えば、その人にしか良さが理解出来ない汚物ね
マジでプロジェクトのこと考えてないよね、Sustainable Developmentって分かる？
もしお前がマジでガチで賢くでちゃんとしている人なら、本当に「理想的に書かれていてメリットがあるコード」なのかもしれん
そういうコードも何度かみたことあるんだが、それなら俺でも理解できるんだよ
そこに至ってない、1つの関心事を解決するためだけに、ただただ複雑怪奇にしてるルーブ・ゴールドバーグ・マシン（あるいはジェンガコード）ばっかなわけ世の中
発明家気取りかよ
（体感ちゃんとしてるのは2割くらい、というかそういうのを書いた人は理論屋じゃないと思う、単に賢いだけ）
あとあるのは、「理論的に正しい空間」の実現性が一分しかないのにそれを入れようとするやつね
「一部ではちゃんと書けてるけど、それ以外ではそうなってないんです」の地層を作りやがる、なんなん？複雑にしてるだけじゃん
特に俺の書いてるジャンルでは、他所からもってきた設計思想を無理やり適用しようとして破綻してるケースが多々ある
お願いだから「条件下Aで問題Bを解決しようと作られた設計思想C」を、他所で使おうとしないでくれ
結果発生するのが「条件下αで問題βを解決するために設計思想γを使って上手くできる人募集」みたいなクソ案件だよ
「これは学習コストが高くて〜」じゃねんだわ、複雑なんだわ本家に比べて
てか理論屋理論屋言ってるけど、理論的だけど合理的じゃないよねこいつら、頑固な学者に近いんだよねマインドが
＿＿＿＿＿
まとめると
納期とか、コストとか、持続可能性とか、複雑性とか、トレーサビリティとか、リーダブルとか、そういうの全部犠牲にして狭い条件での「正しさ」を追い求める、コードのためのコードを書く理論屋って迷惑だよねって話
（もちろん全部の理論屋がそうではないし、理論ももちろん大事だけど、ここ数年目特にに余る）
（当然だけど、どういうプロダクトのソフトウェアかでこの話はガラッと変わるからね？ただ俺の居るジャンルには非常に合わない）
何でこんな話を思いついたかと言えば、彼らが明らかに品質とは別のところで戦ってるから
何かバグが起きると「◯◯に適用していないからだ」という言い方をする、結論ありき
Permalink |記事への反応(23) | 12:12
真面目に人生を歩んできたつもりだった。
高校時代は3カ年皆勤を受賞、推薦入試でもないくせに生徒会も本気で部活も毎年全国大会で上位に食い込んでいた。
大学は地方国立に進んだ。大学の授業を一度も欠席したことはないし、長期休暇には資格勉強や読書に励み、就活も大学2年から取り組みインターンにあししげく通って内定を勝ち取り、卒論では学士のくせに学会で賞を取るような真面目人間だった。サークルやアルバイトもやっていたが、飲み会は年数回程度だった。
しかし、社会人になって飲み会でヤリチン同期に出会ってすべてが変わった。
エロ漫画とかでしか存在しない概念だったヤリチンが、実在するんだと知った。
最初は嫌悪感しかなかった。というか普通に意味が分からなかった。付き合う前にするって何？？？って。
しかし学生時代ヤリチンだった同期は何人も居るし、彼女もセフレも居る同期だったり、彼女とFantiaに動画を上げて稼いでる同期とか、遠距離で彼女は居るけどヤリチンを東京でやってる同期とか、ナンパで営業力を磨いている同期とか、相席屋でお持ち帰りしまくる同期とか、そういう人がこの世界にはたくさん居ることを知った。
そしてみんな夜遊びのフェーズを大学生で終えている(ように感じた。実際大多数は遊んでなんかいない。インパクトのある話が伝搬してるだけ)。
彼女こそいたことはあるが、付き合う前にそういうことをするのは絶対にありえないと思っていた。そんな常識が壊れた。
自分は大学時代遊んでないんだ。そしてその大学時代はもう一生来ない。
そう思うと心が粉々になりそうなくらいの劣等感を感じた。
23歳だった。社会人としては若くても若者としてはアラサーが迫っていた。
23歳の遊びは若いねで笑われても、33歳がそれをやったらただのキモいでしかない。23歳でもキモいかもしれないが。
今が一番若い。
大学時代は終わっているがまだ今ならこのコンプレックスを取り除けるのではないかと思った。
若い頃のコンプレックスは一生引き摺るものである。半世紀を過ごしたおじさんが学園ソープに行くように、私自身にだって学生時代のコンプレックスがいくつかあった。
若いうちに遊んでないというコンプレックスが日に日に大きくなってくるように感じた。山月記のようにいつか虎になってしまうのではないかと思った。
そんなことを考えたとき、まだ今なら遊んでないコンプレックスを無効化できる。そう思った。
遊び終わった男がいいなんて世間では言われる。
平均初婚年齢を考えると残された時間は短い。結婚を前提としたとき、次付き合うまでに遊び終わった男になっていたい。
同時に女性から見ても、まだ結婚を考えず遊んでみたいと思う需要もある時期なのではないかと考えた。
さらに彼女が居ない今こそ、遊んでおくのが良いのではないかと思った。
それを考え始めると遊ばない=死のような感覚になった。
今を逃すと将来が真っ暗で永遠に一人だと思うようになった。
さらに自分は真面目な自覚があったし、それを改善することが至上命題となっていた。
加えて女性に対してのコミュニケーション力もコンプレックスであった。
技術カンファレンスの懇親会で同性同士のコミュニケーションは磨いてきた自負があったが、対女性となると極めて難しい。
これも早めに直したい。
まとめると遊びは
を目的として始めた部分が大きい。
欲の強さはかなりある方だが、そういう行為は正直好きな人とだけ楽しめていれば十分だと思っていた。
経験人数を増やしたい気持ちもないし、お持ち帰りする過程にもワクワク感を抱かないタイプである。
仕事のストレスがえげつない時期で正直死が迫っていたのだと思う。
狂っていた。
本質として相手を傷つけて得られる幸せや快楽はクソだと思っている。
いくら自分のためだとしても、タダ乗りは絶対にしてはいけない。
また1回目の行為は調査だとナンパ本にだって書いてある常識である。
楽しんではいけない。相手が何が好き化を調べる調査である。明確に客は女性で自分は施術者である自覚を忘れてはいけない。
遊びはどちらが好きになった瞬間終わりである。
期間を決めることにした。目標設定において期限を指定しないことはあまりにも意味のない行為である。
ヤリチンになれている・いないに限らず半年で一旦区切りをつけることは最初から決めていた。
これはマッチングアプリの料金プランとしてコスパが良いことに加え、思考に関わる習慣化の期間は約6ヶ月と言われていることにも起因している。
遊びという行為を経験しておりそれに対して不快感を抱いていない限られた知り合い(男女両方含む)に事情を話し定期的に話をする機会を設けてもらった。
これはスクラムにおけるSprintReview的な立ち位置となると同時に、依存先を増やしてメンタルコントロールをしていた側面も大きい。
数をまずはこなすことにした。
デート後に毎回記録をしていた。
好きな食べ物や嫌いな食べ物、アレルギーやMBTIなどの基本情報は大前提として
を毎回デート後に書き起こしていた。
これは経験学習効果を最大限増やすという意味合いもあるし、なにより相手を傷つけないためが大きかった。
相手に間違われるのはあまりにもつらい。それに相手が楽しくないことは絶対にしたくない。ポリシー違反。
人間を物として見てると言われそうだが、自分の中ではそれが最大限の誠実性だった。
最悪自分が傷つくのは自業自得だとしても、女の子を傷つけるのは良くないし、特に一生傷を追わせてはいけない(偉そうなこと言える立場でないのはわかっているが)。
例えば容姿を気にしている相手に容姿に対する指摘をするとか、体型を気にしている相手に体型の指摘をするとか。
そういうのは相手の人生を余裕で狂わせる。整形を繰り返したり、拒食症になったり。(自分が直接そうさせたことはないが、そういう風にされたことがある人を見たことがある。)
クラブナンパでは、クラブに1人で突撃し最初に同性と仲良くなり、そこ経由で女の子を紹介してもらうことで多少は仲良くなれたが、その後があるほどの関係性は構築できなかった。
相席屋や合コンは付き合ってくれる男さえいれば女の子と話すまでは確実だが、一方でお持ち帰りという部分に関しては極めて難易度が高い。
個人的に複数人の場での立ち振る舞いより、1対1のほうが得意であった。
結果として自分自身と相性が良い「マッチングアプリ(恋活系)」を中心に進めていくこととなった。
Tinderは最上級の課金をしても基本出会えず、性癖マッチ系は男女比が破壊的で現実的でなかった。どちらも自分でコントロールできる範囲で改善が難しかったため本業にはしなかった。
あたりで知識を蓄えた。
最も良いのは遊んでいる・遊んでいた男女に相談することである。疑問を対話形式で解決できることによる学習効果は大きい。
YouTubeに関しては有象無象で精度も低いが、複数人が言っている内容などある程度学習意義があった。(多くは会員制有料サイトへの誘導であるため注意)
各種書籍に関してはかなり効果が大きかった。特に「話を聞かない男、地図が読めない女(アラン・ピーズ 著)」は男女平等が叫ばれる中で必読の書籍であるように感じた。平等と公平の必要性もわかる。
少女漫画はふざけているかのように見えるが、女性にとっての1つの理想を知るうえで重要な資料である。(というかお持ち帰りした女性におすすめされた)
ヤリモクになることを通して、うまくやれてるヤリチンにある種の尊敬を抱いた。
(うまく、と書いているのは本能で行動し相手を傷つけて遊ぶ男や色恋や沼らせることで女性を依存させて遊ぶ男、恋人という安定に甘えながらヤリモク浮気をするような本物のクズ達には尊敬を抱けないためである)
難易度は正直人生でも相当上位に食い込む。大企業に内定を得るよりも断然難しい。就活は相当苦労した記憶だったが、それを遥かに上回るものだった。
運よく限界が来る直前に救いが何度もあったことで耐えれたが、辛さに耐えられずに人生が終わる可能性だって十分にあるくらいには精神的ダメージの大きいものであった。
一方で経験学習は明確に回る。性という人間の根幹を牛耳る部分が刺激を受けることで良くも悪くもアメとムチがデカかった。
食料が手に入るようになった現代で唯一本能的なPDCAを回せる場所であったのではないかとすら思った。
ドタキャンされたり嫌われたりは日常的にあって、かなり人格否定が発生するのが辛い。
仕事とかならプロジェクトのxxが悪いとか、スクラム開発ならPBIが悪いとか色々言い訳できるのだが、女の子から嫌われたり断られたとき、人格否定されたように感じてしまう。
(実際にはそんなことはなくて、たいてい相手側の都合とかタイミングのケースが多いが、論理でそうわかっていても感情はそうならない)
ヤリモクをやる前の事前調査で、ヤリチンをやっている友達数人に聞いたところ、まずは20人と会ってからだという話を聞いた。
これは遊び終えた上で振り返っても間違いないと考えている。
まずは数をこなして学習することが大事だし、正直相手のその日の体調や気分など運による部分が大きいというのもある。
会う直前や電話の直前で突然ブロックされることは相当な回数ある。半年間で20回は優にあった。
大半のケースは会うのが面倒なケースや他に良い相手ができたケースだと思われるが(というかそう思わないとやっていけない)とても辛い。
一番辛いのは会う約束をして当日待ち合わせ場所で待った挙げ句パターンである。
「ちょっと遅れるね」のメッセージを最後に何時間も真冬に待たされた挙げ句ブロックされたケースだってある。普通に数日落ち込んだ。
さらに厄介なのは一方的に好意を向けられた挙げ句、会う直前に突然ブロックされることだ。
簡単に好意を向ける人間は、簡単に他の人にも好意が向いて自分なんて存在は容易に捨てられる。
当たり前だが世界は甘くない。
ホテルに誘ったときに「そういうの無理なんだけど」って言われるのはまだ希望がある。貞操観念がしっかりしていて素敵だなと思う。
ちょっと嫌なのは、最後の最後に「今日女の子の日だから次ならいいよ」と言われた挙げ句、解散した瞬間にブロックされることである。これが結構ある。
基本的に初回でできなければ次は絶対にない。(1個人の統計としては1回だけ例外があったが割合としては相当低い)
またホテルに行ってやることやって、またしようねと笑顔で解散した次の日にブロックされるケースもある。
ホームで電車に乗り込む直前まで甘々にくっついてきたのに、である。本当に人を信用できなくなる。
いろいろな人と話すことができた。(実際に行為まで及んだのはごく少数であることは留意してほしい)
幼稚園の先生、小学校の先生、営業職、事務職、フリーター、様々な学部の大学生、専門学生、SE、舞台スタッフ、作業療法士、看護師など、職業や学種だけでも普段絶対関われない人と関われた。
出身地も日本全国様々だったし、それぞれの人生も唯一無二のものだった。
夜ご飯だけでも2時間は話を聞けるし、2件目、ホテルとなるとピロートークも含めてその人の人生の深淵まで触れられることもある。
理系人生だと女性と接する機会は極めて少ない。そんな自分にとっては知らない世界ばかりだった。
知ったところで何になるんだと言われるとそれまでだが。
常に、と書いているのはセフレという存在が極めて不安定な存在だからである。
自分なりに相手を満足させるように努力していても、当たり前のように関係が向こうから千切られるので常に新しい相手を供給し続ける必要がある。
セフレがほしい男は無限に居ると思うが、女性は大概そうでない。遊び前提で出会っても暗黙的に、なんなら本人は気づいてなくても付き合ったり結婚したりする未来を考えているケースが極めて多い。
というかそれ以外ほぼない。ごく稀に例外はいるが本当にごく稀でしかない。
途中で女の子側から消えていく。それは恋人になれないということに絶望を感じたり、単純に飽きられたり、私このままじゃだめだと思ったり。
だから常にセフレとなる候補を探すために新規の女の子と会い続けないといけないため、永遠に安定が来ない。
セフレという言葉に理想を描く人間は無限にいるが実際は想像以上に空虚な存在である。
自分にだけ一途でセフレな女の子という幻想は捨てるべきだ。矛盾している。
自分がセフレになる時点で他の男にも簡単に落とされて持っていかれるような存在であるし、仮に長期間セフレが維持できるほど好意を持たれていたらいつか相手が今の関係に満足できなくなって終わる。
一途なセフレは存在しないのでちゃんと誠実に遊ばず恋人を目指すべきである。
一時的に誰かの薬に立てている実感こそあったが、自分はこの人を一生幸せにできないんだと感じで絶望を感じることが多々あった。
穴の空いたポケットにビスケットを詰めているような感覚。すぐ落ちて無駄になっていく。
どれだけ優しくしたり貢献しても、すぐ離れて蓄積がない。
恋人だったらそうはならない。1年付き合って培った信頼とか共通認知とかがある。
遊びにはそういうのが一切ない。体験版でプレイするたびにリセットされるRPGと同じ。
遊び初期は女の子とデートするたびにPDCAサイクルが回って学びが多かったが、だんだん得られる学びが減っていった。
それに正直やりたいだけなら遊びは風俗と比べて金銭的なコスパも
Permalink |記事への反応(26) | 00:30
現代における「女性の価値基準」は、大きく以下の三つに分化しているように見受けられる。
これらはいずれも、他者からの評価・承認を前提とした存在様式である。一方、男性に対しては、「年収」や「外見」といった評価軸が強く求められ、それに適合しない男性──いわゆる“下位男性”──は、しばしば社会的に不可視な存在として扱われがちである。
たとえば、「男はみんな浮気する」といった決めつけに象徴されるように、可視化されているのは常に“上位”の男性であり、その外側にいる多数の男性たちは、はじめから議論の対象にすらならない。彼らは「透明な存在」として、ただ「そこにいるだけで不審」とされ、「関わりたくないもの」として排除される。
こうした状況の中で、彼らに残された選択肢は極端なものとなりやすい。
後者の典型としてしばしば挙げられるのが、「ナンパ師」と呼ばれる人々である。彼らは整形やファッション、会話力の徹底的な鍛錬などを通じて、「選ばれない存在」からの脱却を試みる。これは一種の自己改革であり、社会的承認構造に対する適応戦略でもある。
しかし、こうした努力すら「軽薄」「欺瞞的」と見なされ、むしろ侮蔑や嘲笑の対象となることが少なくない。
努力してもなお認められず、努力しなければ排除される──この二重の拘束は、彼らにとって過酷である。
さらに問題なのは、こうした構造的排除の根底に位置すべきはずの「ジェンダー論」が、そうした現実に正面から向き合えていないことである。
大学や研究機関におけるジェンダー論は、理念的・理論的な枠組みに偏重し、定量的な検証や現場との接続を欠いたまま、自己内部での対立や糾弾（いわゆる「総括」）に陥っているように見える。
抽象的議論を延々と繰り返すその姿勢は、当事者の苦しみに対する感度を鈍らせ、かえって信頼を損なう結果となっている。
「学問」である以上、社会的弱者へのまなざしと現場への接続は不可欠であり、そうした視点を欠いたままのジェンダー論は、むしろ排除を再生産する装置として機能しうる。
ジェンダー論が「人の生」を扱う学問であると自認するのであれば、まず可視化されずに苦しんでいる人々へのまなざしを持たなければならない。
あー、それ完全に自己放尿のマジックワード連打だな。「現実として〜」「破綻しません」「シンプルにしましょう」中身ゼロ。
こっちが挙げた定量的リスク（件数増加、I/O負荷、JOINの実行コスト）は無視して、「不安が大きいだけ」「思い込みで複雑にするな」って、論理じゃなくて態度の話にすり替えてる。話をそらすな。
その時点で設計ミスが確定する。ソフトウェア設計ってのは「今小さい」ことよりも、「将来の拡張性に備える」ことの方が重要なんだよ。
仮に今1万件しかなくても、1年後に50万件、3年後に1000万件になる可能性がゼロじゃない。「大きくならない保証」を誰が出してる？お前の感覚か？それただの希望的観測な。
JOINが破綻しない？それ、どこまでのスケールを見て言ってる？MySQLで1000万件×100万件のJOINやってみろよ。スワップ地獄で死ぬ。HashJoinでインメモリに乗らなければディスクIOに落ちて、temptable爆発して終了だ。
「破綻しない」って言葉は、実際に巨大データをJOINさばいた経験があるやつだけが使っていい。少なくとも、現場で何度も「JOINがボトルネックで死ぬシステム」見てきた人間に対して、よくそんな軽く言えるな。
で、「シンプルに書くことが大事」ってのも、すり替え。簡単に書けることと正しく設計することは別。短く書けば正しいって話じゃない。
「JOINで1行で済むからシンプル」って、それは設計放棄の自己放尿でしかない。本当の「シンプル」ってのは必要十分な安全性・効率・拡張性を満たした構造だよ。
「不安が大きい」「思い込み」「シンプルに」全部自己放尿ワード。
こっちは不安を語ってるんじゃない。実測に基づいた将来への備えを語ってる。
そういうのを無視して設計するのはただの怠慢だし、シンプルでもなんでもない。
それ、先送りされた複雑さでしかない。後から破綻して、「なんであのときちゃんと設計しなかったんだろう」って後悔するのがオチだよ。
この構造はすべて、（集合と関数の）圏論的構造を持ちうるデータ空間です。
これらの直積圏 C = Cᵤ × Cᵢ 上で、fⱼ：C → ℝ を射とする関手列が定義されているとみなせます。
推薦問題の核心は、スコアや意味的な関係を定量的または論理的に評価することにあります。これを抽象的に捉えるには、エンリッチド圏の理論が適しています。
推薦システムにおいて：
ユーザー u ∈ U、アイテム i ∈ I に対して、評価： v(u, i) ≔ g(f₁(u, i), ..., fₙ(u, i)) ∈ ℝ
これは、ユーザーとアイテムのペア空間 U × I を対象とする ℝ-エンリッチド圏と見なせる。
トポスとは、直感的には「集合のような性質を持つ圏」です。ただしそれは集合よりはるかに柔軟で、論理と空間の一般化的枠組みです。
本問題では、推薦空間自体を内部論理と意味を持つトポスと見なします。
| 圏 C | ユーザー×アイテムの意味空間 |
| 関手 F | 複数のスコアリング関数（f₁,…,fₙ） |
| 汎関数 g | 統合関数（線形でも非線形でも） |
| エンリッチ圏 V-Cat | スコアを評価距離や信頼値として扱う枠組み |
| トポスSh(C, J) | 推薦を含む部分集合構造を持つ論理空間 |
| 内部論理 | 「どのアイテムを推薦すべきか」の命題定義 |
| 推薦関数 Rᵤ | トポス内の部分対象選択関数（述語による定義） |
なるほど、よくある「モデルは現実を反映していない」という常套句だね。
けれど、君のその批判の枠組み自体が、科学的方法論の基本を取り違えてるんだよ。
数学モデルというのは、現実のすべてを写し取るために存在してるんじゃない。
複雑系の中から本質的な変数と関係性を抽出し、定量的に予測可能な構造を浮き彫りにするための抽象装置だ。
君が「非現実的」と感じるのは、その抽象性を咀嚼できていないからであって、それを以ってモデル全体を否定するのは、地図が縮尺されているからといって「この地図は現実じゃない」と言ってるのと同じくらい無意味だ。
この主張の問題点は、「完全なモデル以外はすべて無価値」という極端な完璧主義に陥っている点だ。
だが、どんな分野でも、予測力や政策設計に資するために「不完全だが実用的」なモデルを使うのが基本なんだよ。
君の言ってることを突き詰めると、「何もわからないほうがマシだ」と言っているに等しい。
現実を正確にすべてモデリングできないからこそ、限界を理解した上でモデルを構築し、その予測精度や説明力を実証データで逐次検証するというアプローチが経済学の実践的知性なんだよ。
「MMTの本にはそんなこと書かれてなかった」
この反論には構造的な誤解がある。まず、MMTの主張の中核は「自国通貨建ての政府債務は財政的制約を受けない」という立場であり、これは明らかに通常の財政制約やインフレ制御のメカニズムとは整合的でない。
君が読んだMMTの本にそのような極端な記述がなかったとしても、それは主張のトーンを穏やかに表現しているだけで、前提構造は変わらない。
さらに問題なのは、MMTの「理論」と「実務レベルでの応用」が切り離されて語られていることだ。
理論として一貫性があっても、現実の経済制度との整合性や、予測可能性、政策インパクトの実証性が伴っていなければ、科学理論としての価値はない。
ここで一つ明確にしよう。彼らの主張と、国内で自己流に歪曲された「リフレ派」の言説とはまったくレベルが違う。
クルーグマンもバーナンキも、リフレーション政策を短期的なデフレ対策としての補助的手段と見ており、長期的な成長戦略や構造改革と切り離して語ったことはない。
対して、日本の自称リフレ派は、「インフレにすればすべて解決する」「金融政策こそ万能」といった単純化されたロジックを公共言説に拡散した。
だからこそ、私は「それっぽいことをそれっぽく語っている」と言ったんだよ。
理論の文脈を理解せず、権威の一部だけを切り取って無批判に利用する態度は、むしろ学問的堕落だ。
「君も主観を並べているだけでは？」
確かに文章は主観を含んでいる。だが、私の主張は明確な批判対象を定め、その前提構造・定量性・理論的一貫性・実証可能性といった客観評価軸に照らしてロジックで反論している。
対して、君の主張は「モデルは現実的じゃない気がする」「本を読んだけどそんな印象なかった」「権威も言ってた」など、印象論と権威主義と相対化に依存した思考停止的レトリックに過ぎない。
議論の強度としてどちらが高いか、冷静に比較してみれば答えは明白だろう。
例えば経済ね。リフレ派とかMMTとか財務省陰謀論者とかさ、口だけはベラベラと達者で流暢で説得力がある風なんだよね
でも経済学を数理レベルで分析できるレベルの人から見ると、まったくトンチンカンなこと言ってるじゃんあいつら
実際、連中の主張を定量的に検証しようとすると、すぐに論理的破綻が露呈する
モデル化もせず、パラメータの前提条件すら明示せずに、「こうすれば景気は良くなる」「政府がもっと金を刷ればいい」などという
MMTに至っては、「政府の負債は通貨発行でいくらでもファイナンスできる」などという命題を前提としており、一見正しそうだが、これは「政府が永久に信用を失わない」という極めて強い仮定に依存している
財政ファイナンスがインフレ期待をどう形成し、金融市場にどのような非対称情報のゲームを引き起こすかといった議論が完全に欠落している
また、財務省陰謀論などは論理的検証以前の問題で、そもそも証拠と論理の区別がついていない
制度設計の歴史的経緯や、政治経済学的な動態を踏まえずに「敵を作って叩く」ことで思考停止を正当化する
現代の経済分析は、因果推論や統計的識別可能性、政策介入のフィードバック効果を踏まえたモデルベースの議論が前提だ
それらを無視して直感と空想だけで語るのは、統計学の素養がない人間が、p値だけで因果関係を断定するのと同じレベルの過誤である
連中は「それっぽいこと」を「それっぽい雰囲気」で言語化する能力に長けているだけで、ロジックの強度やモデルの整合性、そして実証データとの整合性に対する責任が一切ない
永野芽郁と田中圭の件で勘違いしてる人がまた大量に沸いてたので注意喚起。
名誉毀損は"事実の摘示"によって名誉が毀損されたときに認められます。
これを見て「週刊誌報道を名誉毀損で訴えるってことは報道は本当なんだ！！」なんて勘違いしてるアナタも名誉毀損しかねませんよ。
ざっくり言うと "定量的に◯×判定がつけられる事柄" くらいの意味です。
具体的な事柄でさえあれば、誰でもわかるような真っ赤な嘘であっても "事実" として扱われます。
「◯◯は指定暴力団のメンバー」の◯◯に入るのがどの芸能人や政治家であっても "事実" です。
嘘なのがはっきりしてる場合は "虚偽の事実" というなんかややこしい名前で呼ばれます。
