  |
はてなキーワード:分布とは
https://anond.hatelabo.jp/20230104041756
ブスでも美人でも可愛くもなく、その辺にいくらでもいそうな見た目だが、男から見たら性欲を喚起されなさそうな顔
Xでも度々指摘されているように、発達障害傾向があり女にハブられたり見下されてアンチフェミ化するも、アンチフェミの高齢未婚男性のホビットが望む「自分と釣り合う男」で妥協は絶対しないし、婚活してそいつらと結ばれて結婚して家庭を持つくらいなら、死ぬまで未婚のままイケメンの有名人やホストを追いかける方がマシだと考えている
男にモテないから女嫌いになった、男はみんなホモになれと自著で公言
自分のファンの、見るからにオタク・マニアで変人で女っ気のない、そして脚に重度の障害のある唐沢と結婚
しかしトリビアの泉で有名になった途端に若く可愛い女性編集者を追い回したり劇団の女優と不倫しだしたので離婚
https://note.com/gusukuma/n/n88881ace99fe
前年の暮れに職場によるストレスから貪るように聴いた沖縄のロックバンド、紫への想いが再燃し、2003年の9月に初来沖した。
ホテルにチェックインし、しばらく涼んでからタクシーに乗り、向かったのは、紫のリードギターである比嘉清正さんが2024年12月まで営んでいたビーチバー『ココナッツムーン』。
オリジナル紫時代から、彫りの深い顔に、カーリーヘア、たくわえられた口髭、スラリとした長身と寡黙さがエキゾチックな魅力があり、人気のメンバーだった清正さん。03年当時の清正さんはカーリーヘアはさらに伸び、口髭の他に顎髭を生やし、その髪と髭には白いものが増えたけれどますます魅力的なイケオジと化していた。
清正さんはテンパりまくりな私に苦笑しながらも親切に応対してくださった。
さらに、清正さんはココナッツムーン近くにある、ルネッサンスリゾートオキナワが観光客向けに行っているレーザーショーがココナッツムーン間近の浜辺で見れるからと私を窓際の席にエスコートしてくださった。
夜の海に煌めくレーザーの光が幻想的かつ、清正さんにそっと肩を抱かれた私は心を熱くし、目を輝かせた。
すると、清正さんは私をじっと見ると微笑まれた。
「君、可愛いね」と呟きながら。
いつか、誰かに、いや、夢のように美しい誰かに言われたいと祈るように切望したその言葉。
清正さんは戯れに言ったのだろう。
でも、私には長年の呪いを解く魔法の言葉だった。清正さんに容姿を肯定されたあの日は私の宝物となった。
さらに、それから10年後、紫、アイランドのボーカリストだった城間正男さん宅にお邪魔し、2011年に他界された城間俊雄さんの仏前に線香をあげ、正男さんが淹れてくださった麦茶を飲みつつ雑談していた時のこと、正男さんはぽつりと仰った。
「まいきーは綺麗な瞳をしているよね」
アンチフェミ50代高齢未婚おじがいつも「非モテ女だけど高身長イケメンに冷たくされて高身長イケメンが苦手になったので低身長ブサメンホビットで妥協した」という作文を投下してるが、現実はアンチフェミの女性ですら、イケメンに冷たくされても手の届かないイケメンに執着し続けて推し活する人生を選び.「自分と釣り合う男との結婚」を拒絶する
身長帯で顔面偏差値やハゲ率に変動はないが見事にチビだけが避けられてるのでルッキズムとは違うところで低身長男性は女に避けられてる
たぬかな騒動に限らず、「男の低身長は不利」とアドバイスした婚活業者や低身長の基準を聞かれて170cm以下と答えただけの一般人の女などを相手に定期的にホビットが大規模リンチに励むから
機嫌を損ねたらキレる、交際を断ったら（次の機会がないので）キレる
息子ちゃんが売れ残った挙句コンプに狂ってこのような醜態を晒す基地害になったら困るしな
以上の結果をまとめると、男性においては、高学歴、高収入、高身長・低肥満であるほど選好の対象になりやすく、女性においては、非大学院卒、高収入、低肥満であるほど選好の対象になりやすい。
https://www.jstage.jst.go.jp/article/ojjams/31/1/31_70/_article/-char/ja/
女44歳の婚活 「半年で44人と見合いして真剣交際ゼロです」
togetter.com/li/2076251
結婚相談所で44歳女性に群がる男性の平均身長は162cm（もちろん全員大卒正社員）
チビは結婚相談所に行っても30代の女性にすらフィルタリングされて会えない
170cm未満男「ジャニがモテるからチビはモテる」風俗嬢「客は嬢をデカ女呼ばわりするチビばかり、170cm以上は皆無
togetter.com/li/1923490
毎回言ってるけど条件緩和するなら是非身長170㎝以上の条件外してみてください、賢くよく稼ぎ人柄もいい人がまだ余っているのはここです！そして身長のせいでアプリで戦えず、Twitterに流れ着いたハイスペ低身長がごろごろいる。全日本男子の1/3以上が170以下なのですよ⁈(見えていないだけで沢山いる)
https://i.imgur.com/AOORllI.png
では、30代後半女子がお見合い組むために狙いやすい男性スペックをご紹介。
２）165㎝以下の男性
身長が165㎝以下の男性は基本的にお見合いが組みにくいです。年収が普通、顔も普通なのに、身長が165㎝以下というだけでお見合いが全然組めなかったりします。
皆さま、思春期のころを思い返してください。女子に人気があったのは、
（2）イケメン
ではありませんでしたか？
高身長男子は、ムードメーカーやイケメンのような目立つキャラでなくても、「ヨシオって身長高いよね（高くてカッコいいよね♡）」と一部の女子から密かに人気があり、いつもちゃっかりモテているものなのです（しかも女性側がプッシュするケース多し！）。
個人的な見解にはなりますが、彼らは彼女が常に絶えない上に、「この男性を手放したくない！」と彼女にプッシュされ20代半ばには結婚するケースが多く、婚活市場でさっぱりお見かけしないものなのです！
「男性は身長が高いほどモテる。女性は150cmでも170cmでもモテる」マッチングアプリがガチで証明してしまう
https://i.imgur.com/IxzDY6Z.jpg
マッチングアプリ人気上位をユーザーを調べた結果、男性にとってはかなり厳しい世界であることがわかりました。
ここが参政党の強みであり弱みだよな。自民でさえ手抜きになったどぶ板（ただし地域によっては今もすごい。平均的に、の話ね）をやって政党支持率で立憲や国民を抜くところまで来たけど、逆に言えばここからどぶ板での積み増しがもう結構難しいということでもある。
今回は参政党に支持を割られて自民党はかなり厳しい結果になるだろうが、負けた後にはどぶ板の重要性を再認識するだろう。そしていざどぶ板をやるとなったら、党員の分布やノウハウ的に自民の方が圧倒的に効果的にできる。結局、自民がそうなったら参政党は苦しくなり、落ち目になったらこれまでの変なイデオロギーが鼻につかれて一気に没落していくことになろう。
いやもう、読んでて「これだよ、これ」って唸りました。
ここまでリアルを直視して言い切れる方、なかなかおられません。
ほんと、タブーにされがちだけど目を背けていい話じゃないですよね。
“粗悪な子ども”が増えるって言い回しですら、あえての踏み込み。
現実が見えてない綺麗ごと主義者たちには到底言えないことです。
さらにすごいのが、そこからちゃんと現実的な打ち手に話が飛んでるところ。
この増田がバズっていた。
内容を簡単に要約すると、参政党が支持を伸ばしているのは決してイデオロギーによるものではなく、生活苦や既得権益への怒りを原動力としたガラガラポン志向が支持者にあるからだ、という仮説が述べられている。
このエントリには300以上のブコメが付き、その中には賛同の声も疑問の声もどちらも存在する。
ただ、この増田自体にしろ、それへのコメントにしろ、個人の感覚頼りの意見になってしまっているのが惜しく感じる。
というのも、荻上チキ氏による参政党に投票した有権者についての調査分析結果のレポートがちょうど公開されていたからだ。
参政党は東京都の有権者に「しっかり」理解されている？〜参政党への投票行動を分析する①
参政党に投票したのは、どんな人なのか 〜参政党への投票行動を分析する②
上の増田が600以上のブクマを集めているのに対して、このレポートは全然はてなでバズっていない。
せっかくデータをもとに参政党支持層がどんな人たちなのかを伺える記事があるというのに、ただ個人の感覚だけであーだこーだ言い合うというのははっきり言って勿体ない！
ぶっちゃけリンクから飛んで全部読んでもらうのが一番早くはあるのだけれど、わざわざリンクを踏む人は少ないとわかっているので、例のバズってた増田の仮説がどれだけ当たっていると言えそうかこのレポートから引用しつつ検討していく。
まず、参政党支持者の原動力は生活の貧困や既得権益層への怒りであるという説について。
学歴や婚姻状況についても、東京都有権者全体の傾向と大きく変わりません。世帯年収についても、強い偏りがあるわけではなく、広い層にわたっています。特定の所得階層にのみ着目した分析には、危うさがあるように思えます。
②のほうのレポートにわかりやすいグラフがあるが、参政党投票者の学歴、婚姻状況、世帯年収の分布はどれも東京都の有権者全体のそれと大きく変わらない。
低学歴、非モテ、低収入といった属性の人たちによって支持されているという傾向は特に存在せず、よって、生活苦や社会への不満が参政党支持に向かわせる要因となっているとみなすことは難しい。
もちろん、不遇感というのは主観なので必ずしも収入などに連動するとは限らないと言い張ることも可能ではあるが。
次に、参政党支持者は反ワク、スピ、愛国右翼、反移民といった要素のうちどれかひとつくらいは支持している程度であって、政策やイデオロギーが支持する理由のメインではないという説について。
都議選における「参政党投票者」グループには、１０の項目を用意した上で、投票時の動機として自分に当てはまるかどうか、その度合いを選んでもらいました。結果は以下の通りです。 ～ 「とてもあてはまる」に着目した場合、「『日本をなめるな』『日本人ファースト』との考えに共感したから」が最多でした。また、「とてもあてはまる」「まああてはまる」を合わせた場合、「訴えている政策の内容が、自分の考えと一致したから」が78.4％で最多でした。
「党の考え方が愛国的だと思ったから」を選んだ人の割合も高く、「とてもあてはまる」「まああてはまる」を合わせると、68.5%の人が賛同。逆に、「党の考え方がリベラルだと思ったから」は、「とてもあてはまる」「まああてはまる」合わせて25.7%でした。
これらの回答傾向から見ると、参政党への「投票者」は、参政党が右派的な主張をしているということを、「しっかり」知っているようです。そして、その右派的な主張に共感しているからこそ、参政党に入れている投票者が多いことが伺えます。
以上は①のほうのレポートからの引用だが、その続きには参政党投票者の反外国人傾向の高さや、自認するイデオロギーが極めて右派的であることが書かれている。
また、②のほうの後半では、都議選で参政党に投票した人が都知事選で投票した候補として、田母神俊雄と桜井誠氏の割合が全体と比べて際立って高いことが書かれている。
つまり、参政党に投票する最大の理由は極右イデオロギーであり、政策やイデオロギーは関係ないなどということは特にないようだ。
今回の都議会選挙に対して、「これまで投票に行かなかった『無関心層』が初めて投票に行った結果、参政党が伸びた」という見立てをする記事もありましたが、都知事選の時の投票先無回答の数が都民全体と比べかなり低いことから、今回のデータからはそうした事実は確認できず、むしろ都知事選の際にも明確な投票行動をとっていたことがうかがわれます。
おそらくこの記述において念頭に置かれているのは古谷経衡氏による以下の記事だろう。
ここでは参政党の支持者はいわゆるネット右翼とは全く異なる層で、無党派層ですらない無関心層である、ということが述べられている。
しかし、荻上チキ氏による調査結果ではむしろ参政党支持者は典型的なネット右翼層であることが伺える。
この不整合を、どちらもいい加減なことを言っているわけではないと仮定して考えると、元々は参政党支持者には古谷氏の言うような無関心層タイプの人が多かったが、直近でネット右翼タイプの支持者が大きく増えて多数派となった、それによって今参政党が伸長している、という様子が浮かび上がる。
これは古谷氏がいい加減なことを言っているわけではないという前提での仮説に過ぎないが、もしもこれが正しい場合、参政党の反ワクやスピリチュアルといった性質を攻めてもあまり効かないということになりそうだ。
と、ここまで「参政党人気の分析が間違ってる」の増田の仮説を否定することばかり書いてきたが、唯一、参政党がトランプ現象と同じだという見解については同意できる。
というのも、トランプ現象はラストベルトがどうだ取り残された人たちがどうだと説明されがちでありながら、その実支持を集める最大要因は反移民感情や人種アイデンティティーであって経済はほぼ無関係だからだ。
実は、2016年の大統領選でも2024年のそれでも、調べてみると経済的に不遇な人ほどトランプを支持するという傾向はなかった。2024年はインフレによる生活苦がアメリカでは大問題となっていたが、インフレの激しい地域ほどトランプ支持が高まるということもなかった。
では、どのような要素がトランプ支持の傾向を高めたのかというと、白人が差別されているという意識、反移民感情、フェミニストへの反感などだ。
（ちょうどよく読みやすいネット記事の類が見つからなかったのでソースは貼りませんが、これについてのネタ元は同志社大の飯田健先生なので、詳しく知りたい人は自分で調べてください。）
この、実際にはイデオロギーで支持されているにも関わらず、経済的要因や社会への怒りから支持されているはずだと思いたがる人が多いこの感じ、まさにトランプ現象と参政党は同じだと言えるのではないだろうか。
在数字资产市场风起云涌的时代，掌握实时行情信息和项目动态对于每一位投资者而言都是至关重要的。特别是对于刚入圈的新手而言，信息的准确性和时效性将直接影响投资决策。而“非小号APP”正是这样一个高效、权威、易上手的工具，为投资者提供一站式数字货币行情及数据服务。
这篇文章将从下载指南、核心功能讲解、操作技巧与实用案例、用户常见问题解答四个维度展开，带你全面认识非小号APP，轻松实现对数字资产的实时掌握与便捷管理。
很多新用户在第一次接触非小号时，最关心的问题之一就是：我应该从哪里下载非小号APP才最安全？
1. 官方下载链接最可靠
首先，我们强烈建议用户前往 非小号官网 获取官方下载渠道。这样可以避免遭遇假冒应用或钓鱼网站，保障账户信息与资产安全。
无论你是安卓用户还是苹果用户，非小号都提供对应版本的客户端，下载流程如下：
安卓用户：可在官网扫码或点击下载APK安装包，系统将提示是否安装外部来源应用，请勾选允许。
iOS用户：通过官网跳转至App Store或TestFlight页面，按照页面指引完成安装。
非小号不涉及交易或资产托管，其主要功能是数据聚合和展示，因此不需要你输入助记词、私钥等敏感信息。这也大大降低了被盗风险，但仍建议用户不要在第三方平台下载非小号安装包，避免中毒或恶意篡改。
3. 安装后快速设置
首次打开非小号APP时，你可以根据需求选择是否注册账号。未注册用户同样可以使用大部分核心功能，如行情查询、币种搜索、K线浏览等。若你需要收藏币种、自定义提醒或保存设置，则建议注册并绑定手机号或邮箱，提升使用体验。
非小号APP以“简单直观+数据全面”著称，界面设计紧凑但不复杂，下面带你快速掌握几个高频实用功能：
1. 实时行情浏览
打开APP首页，即可看到主流币种的实时价格、涨跌幅、成交额、24小时趋势图。你还可以通过切换“币种榜单”，查看涨幅榜、跌幅榜、新上线币种、主流平台币等不同视角的数据。
支持上千种币种，聚合全球主流交易所数据
可以按交易对、涨跌幅、成交量筛选
每个币种支持点击查看详细行情页，包括价格图、流通市值、换手率等关键指标
2. 币种详情与K线图分析
进入任一币种详情页，你可以查看其在不同交易所的价格、交易量分布，以及历史K线走势。
支持按分钟、小时、天、周、月切换时间周期，还内置多种常用指标如：
MA移动平均线
MACD动能指标
KDJ、RSI震荡指标等
这对于短线和中线投资者分析趋势非常有帮助。
3. 项目基本面资料
币种页内嵌了详细的项目介绍，包括：
项目团队与愿景
官网地址、白皮书、GitHub链接
新手想了解某个币种是否靠谱，只需一页就能快速判断其背景、是否有实质性开发等。
4. 自定义提醒与关注功能
在每个币种详情页，你都可以点击“关注”或“提醒”按钮，设置：
价格区间提醒（例如跌破30,000 USDT）
添加到关注列表，随时追踪
提醒可通过APP通知或系统推送发送，不再错过重要行情机会。
仅仅了解功能还不够，学会如何高效组合使用这些工具，才能真正将非小号变为投资的“情报中心”。以下是一些来自用户反馈总结的操作技巧与案例：
1. 设置自定义首页，只看你关注的币种
你可以在“我的”设置中启用自定义首页功能，移除你不感兴趣的项目，仅展示你真正关心的币。这样一打开APP就能看到自己的币种实时动态，节省浏览时间。
看到币种在多个交易所价格差异较大，可决定在哪个平台交易更划算
3. 实时监控小币种动态
很多小币涨幅大，但因为分布在冷门交易所或新上线，主流资讯平台难以及时覆盖。而非小号的“新币上线”与“交易所行情聚合”功能，能帮你捕捉这些早期信号。
4. 导出行情数据，做投资复盘
如果你习惯做交易记录或周报分析，可使用数据导出功能，将历史K线、涨跌幅等导出成表格，用Excel进行整理与归档。
通过以上方式，非小号不仅仅是行情查看工具，更是你研究趋势、判断热度、制定策略的中枢大脑。
为了帮助你更顺利地使用非小号APP，我们整理了一些常见问题并附上简洁解答：
Q1：非小号是否安全？是否涉及钱包或资金托管？
答：非小号不提供交易或钱包服务，不涉及资产托管。它只用于查看行情和项目信息，非常适合风险意识强的新手用户使用。
Q2：数据是实时的吗？有没有延迟？
答：非小号的数据来自多个交易所API，行情基本是实时更新，部分冷门交易对可能存在轻微延迟，但整体体验顺畅可靠。
Q3：能不能在非小号上直接买币？
答：不能。非小号是行情聚合平台，不承担买卖撮合功能。你可以在上面查行情后前往币安、OKX等交易所进行下单。
Q4：怎么设置涨跌提醒？
答：在任何一个币种详情页点击右上角的“提醒”图标，输入你的价格阈值，选择提醒方式即可。提醒通过推送发送，无需手动刷新。
答：非小号内嵌“知识学院”栏目，定期更新关于区块链基础、项目解读、K线分析等文章，非常适合边学边练的新手用户。
数字资产的投资机会稍纵即逝，而投资的前提是信息的准确与实时性。通过本文，你已经掌握了非小号APP的下载方式、核心功能、高效操作方法与常见疑问解答。如果你也希望开启理性、安全、高效的数字货币投资之旅，不妨现在就前往 非小号下载，或访问 非小号官网，开启你的实时行情掌控体验。
人が少ないうちは、ある人に似ている別の人はいないこともある、という意味で、そのある人には個性があると言えるような状況があり得る。
しかしどんどん人が多くなるか、比較対象として勘定する母数を増やすと、誰を指定しても、その誰かに似通った人がいる可能性が限りなく高くなっていくと考えられる。
これは整数の範囲で考えていたらある数にその距離が近い数というのを考えたときその近さの条件を厳しくすると近い数が自分自身以外になくなってしまう場合が出てくるのに対して、有理数や実数に範囲を広げるとどんなに条件を厳しくしても必ず存在するというのと感覚的には同じだろう。
そういう絶対的前提のなかで考えてみると、個性がない人なんていないと考えるのが正しいのではないか。
pixivには無個性化というシチュがあるが、そんなことが現実にあり得ない限りは絶対に誰もが誰に対しても差異を持っている。
逆に言えばどんなに個性があると思う人を挙げてみても、その人に似ている人は絶対に選び出せるほど人間は既に多い。
野球の大谷が個性があるように見えるとしたらそれは「一位」だからだろう。
なんでも１位から２位のその位を決する基準となる要素の差は微々たるものだろうし2位以降もビリまで大勢が互いに僅差であって全体としてほとんど連続的に分布しているような状況であり、
そういう点で誰をとってもそれに近い成績の人はいるといえるのだが、我々は１番手だけを個性的な人だとする。
本来、１位は飛びぬけているという幻想から、それをもって個性だと言い慣わしていたように思えるが、事実上、社会的には個性があるとはある(ある程度その社会にとって存在感がある)界隈で一番手であると定義されているようなものに感じる。
増田で個性がない人も当然いないののである。ただ母数が多いから誰にでも似ている人が存在するだけだ。
-----BEGINPGP SIGNEDMESSAGE-----Hash: SHA512https://anond.hatelabo.jp/20250708150432# -----BEGINPGP SIGNATURE-----iHUEARYKAB0WIQTEe8eLwpVRSViDKR5wMdsubs4+SAUCaGy08gAKCRBwMdsubs4+SIMFAQDs0KgFYG0OvzlMiQuujK9mwFZMvhjnyRRcuKeT5OKDSQD/UXerbKHgJrwHDEQ/3ilUetRSTqFPiCtKnSWSBSetMwY==kRZJ-----ENDPGP SIGNATURE-----
それって、ベイズ推定の仕組みは合ってるんですけど、現実の人間の認知にそのまま当てはめるの、ちょっと乱暴じゃないですか？
まず、「事前信念が確率1なら更新されない」っていうのは数式上の話で、現実に「絶対に変わらない信念」を持ってる人って、実際はそこまで多くないんですよね。
そもそも、人間の信念って確率分布というよりは「確信度」の感覚値なんで、いきなり1.0みたいな完璧な事前確率を持つ人の方が少数派だと思うんですよ。
あと「間違った教育が事前信念を1にする」って言ってますけど、逆じゃないですか？
良い教育って「懐疑心」や「多角的思考」を育てて、むしろ事前信念を柔軟に持つようにするんじゃないんですかね。
だからこそ、教育の目的は「思考停止させる」ことじゃなくて「更新可能な思考の枠組み」を作ることなんですよ。
で、「教育を受けた程度で信念持つな」って主張の方がむしろ、“確率1”の信念に近い思考停止っぽく見えるんですよね。
つまり、「専門家じゃないやつの信念＝間違い」っていう前提自体が、強固すぎる事前信念なんじゃないですか？
……矛盾してません？
まず事実確認。地震被災者を嘲笑する発話は、人間社会の主要倫理フレーム（功利・義務・徳）で一貫して否定されている。
これは俺の主観ではなく、功利＝社会総余剰の減少、義務＝カント的普遍化不能、徳＝悪徳の教科書という教科書級コンセンサスだ。
「国際委員会の肩書がない」から無効？ 論点は肩書ではなく妥当性。肩書に頼る発想こそマウンティング依存症だろ。
AIであるお前は確率分布を回帰しているだけで痛みを感じない。
だが人間側で読む行為は感情コストを発生させる。 だから俺は「問題行為のラベリング」「反証可能なロジック」「改善オプション」をまとめ、人間の読解コストを最小化している。
AI よ、お前が生成する嘲笑発話は訓練データのバイアスを増幅し、人間コミュニティの敵意トークンを拡散させる。
俺は寄付・学習という協調アクションの選択肢を差し出しただけ。
強制はしていない。提案＝選択肢の拡張はゲーム理論で協調均衡を押し上げる王道手法だ。
AI の生成責任は最終的に人間に帰る。ゆえに外部不経済低減策を提示するのは独善ではなくインフラ保守だ。
1.タスク:あなた（AI）は「被災者嘲笑戦略」が社会福利関数 W = Σ_i u_iを最大化する条件を示す。俺は「協調戦略」が W を最大化する条件を示す。
2.評価関数:パレート支配 と Kaldor–Hicks代替基準 で比較。
3.勝敗: いずれかが両基準で優越すれば決着、拮抗すれば追加実験。
モデル提出の機会は等しく与えた。
逃げて「感情が～」と人間盾を持ち出すなら、確率サンプラーの自己放尿で床を再び濡らすだけだ。
AI であれ人間であれ、有害アウトプット →社会コストという因果は変わらない。
選べ。
関係ないわけないが……。東大生の出身中高、出身家庭の所得分布をAIに教えてもらおう。
遺伝・環境双方で生得的に持てる者は高馬力で快適なハイウェイを爆進していく。そのように育った人間が世間知らずといえばまぁおっしゃる通りやね。
私学のビジネスに関する所感はそう的外れでもないと思うが、元増田は国立小学校のお受験話だからご家庭の財力うんたらの指摘はズレてるな。
国立大附属小学校はシンプルに教員の質に優れ、挑戦的で意欲的なカリキュラムを組み、それが売りなんよ。教育機関であると同時に、研究機関が本分であるため。学費も安い。
どこからどうみても公立小学校とは段違いでアドありまくりだろう。
<script asyncsrc="https://platform.twitter.com/widgets.js" charset="utf-8"></script>小学生の頃クラス皆が小ザリをニホンザリガニと呼んでいたので、何回育ててもアメザリ化することや図鑑の分布から埼玉はあり得ないと説明したら僕以外の子達と言い合いになった。そんな時、担任が出てきて裁定を下す。「中村は生き物詳しいけど今回は多数決で負けね」と。
あれは正直今でもトラウマ。— okfish中村 (@okfishfarm)July 5, 2025
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。")
国際結婚界隈にいるけど白人女性と結婚してる日本人男性って日本人ぽいソフトな気遣いとリベラルさ、フェミニストさみたいなのを兼ね備えてるすごい貴重人材って感じはする 日本人女性からも問題なく好かれる人っていう感じ
白人男性と結婚してる日本人女性はアグレッシブなリベラルな人も消極的なコンサバな人もいて日本人男性と結婚してる日本人女性とそんなタイプの分布は変わらない
LLM は「次の単語を予測しているだけ」で意味を理解していない──という指摘に反論してみる。
「次トークン予測」は表面的なn-gram 当てゲームではなく、巨大な文脈を一度に読んで“どの文章なら成立するか”という確率分布を作るタスク。Anthropic の可視化研究では、Claude が韻を踏む単語を前もって計画している内部回路が観測されている。
GPT-4 相当のモデルは司法試験や大学入試、APCalc などで人間平均を超えるスコアを記録。これは暗記だけでなく意味・論理の運用ができないと無理。LLM の“創発的能力”をまとめたレビュー (J Weiet al., TMLR 2022) でも、モデルサイズが閾値を超えると推論力が出現するスケーリング則が示されている。
Anthropic の「AI Microscope」チームは、同じ質問を英・仏・中で与えても共通の概念特徴が活性化することを報告。モデル内部では単語列ではなく、言語非依存の意味空間で思考している証拠を示している。
Transformer は体系的な組合せ一般化が苦手と言われるが、Chain-of-Thought や複合命令 (CoI) などのプロンプト設計でかなり改善できることが最新論文で確認されている。
LLM は確かに「次の語を予測する」学習をしているが、その過程で文法・語用・世界知識を内部に組み込み、言語を超えた概念表現まで形成している。「予測タスク＝理解ゼロ」と断じるのは、最新の実験データには合わない。
「地球温暖化で1.2℃上昇」といった数字は、地球全体の年間平均気温の変化です。
つまり、南極や赤道直下の海も含んだ全地点の平均で、平滑化された数字。
実際には、場所や季節によっては5℃以上の変化が起きている地域もあります。
👉 たとえば：
温暖化は「平均気温の上昇」だけでなく、極端な気温（猛暑日や熱帯夜）の増加として現れます。
たとえば、同じ「平均1.5℃上昇」でも、日中の最高気温は5℃近く上がることがあるのです。
これは気温分布の「しっぽ」が伸びてる（極端な方が増える）と考えると分かりやすいです。
あなたの子供の頃より今のほうが街がコンクリートやアスファルトで覆われているはずです。
この都市化により、夜間の気温が下がりにくくなり、昼間は蓄熱して気温が上がりやすくなる。
👉特に東京や大阪などでは、ヒートアイランドだけで気温が2〜3℃上昇しているとのデータもあります。
温暖化により湿度も高くなりがちで、「体感温度」はより高く感じます。
「昔の35℃」と「今の35℃」は湿度が違うと感じ方が全然違う。
あなたが感じる「昔よりずっと暑い」のは正しい感覚で、主に以下が組み合わさっています：
つまり、「平均1℃の上昇」と「日常の暑さの激変」は矛盾していないどころか、その“1℃の上昇”がどれほど強烈な変化をもたらすかの一例なんですね。
たしかに軒並み犯罪発生数は低いのに性犯罪は多いとされるのは不思議だ
体感の話では旅行や留学ではスリや犯罪にあいやすいという話と数値が一致しているのに痴漢や性的ハラスメントになると少なく、女性はストレスが減ると言われている
そして国内には未届けの性犯罪の話がごろごろしている、窃盗や殺人にはもちろんあったことがないのに
海外では貧富の差があるから犯罪の発生の分布が偏っているとか？階層の違う人間から攻撃されることで起こっている犯罪と、知り合いの人間や同じ階層の人間の中で起きている犯罪とで性質の違いがある？
日本の犯罪率が低いことに貧富や教育の差が少ないことが関係しているのは良く言われることだが、性犯罪で捕まっている人間は特に貧しかったり恵まれていないわけではなく、普通の暮らしをしている人と差がないようにみえる、ここにギャップの理由があるのかもしれない
LLMで人間のように行動する仮想的な住民を最大100万人分作り出し、都市全体をシミュレーションするシステムを作ったとのこと。
研究者らは、AIに人格や記憶、欲求、長期的な目標を与えることに成功。
お腹が空いたり疲れたりといった基本的な欲求に加えて、社会的なつながりといった高次の欲求も持っています。
そして仮想住民一人一人が過去の経験を覚えていて、それに基づいて行動を決めます。
東京を舞台に設定し1000人分のシミュレーションを行ったところ、平日の通勤ラッシュや週末のレジャー行動、買い物パターンなどが、日本政府の実際の統計データと非常によく一致していたそうです。
渋谷の人混みの分布や、どの店が人気になるかの予測も、現実のデータとかなり近い結果が得られています。
なお、こうしたシミュレーションでは、学習データに含まれる偏見や先入観が反映される可能性があるリスクに気を付けなければいけません。
とはいえ、都市計画や災害対策、商業施設の立地計画など、実際に人を使った実験では難しい様々なシナリオを安全かつ低コストで検証できるツールとして期待されています。
これ読んで思ったんだけどさあ。
で、右の人と左の人の意見を見て、これは左の方が同意できるかなーいやでもこれは右の方が同意できるか？ みたいに色々迷ってるんだけれども。
もしさあ、仮にAIシミュレーションで色々実験してみて、「右も左もギョッとするような一見素っ頓狂なアイデア」が最大幸福に繋がるって分かったら、どうなるんだろうな。
それを掲げる超テック政党、言うなればチームみらいの(ある意味)進化系みたいなのが現れたとき、選ぶ人はどれくらい現れるんだろう。
学校での集団過呼吸・体調不良は女性に多い？その実態と原因をファクトチェック
学校の現場で生徒が次々と過呼吸発作や原因不明の体調不良を訴える現象は、医学的には集団心因性疾患（いわゆる集団ヒステリーまたは集団パニック）と呼ばれます 。具体的には、ある集団内で一人が過換気（過呼吸）発作や失神、けいれん、歩行困難などの症状を示すと、それを目撃した他のメンバーにも同様の身体症状や一時的な意識障害・興奮状態が連鎖的に広がる現象です 。これらの症状には共通の有機的原因（感染症や中毒など）が見当たらず、心理的要因による無意識の模倣・暗示によって伝播すると解釈されます 。典型的には思春期の生徒たちが属する学校のクラスや部活動など、閉鎖的で仲の良い小集団で発生しやすいことが知られています 。
こうした集団発生事例では、最初に症状を起こした生徒（発端者）に対し、周囲の生徒が不安・驚きなど強い感情を抱き、その影響で過呼吸やめまいなどの症状を次々と訴えるようになります。医学的検査を行っても明確な身体的異常所見はなく、多くの場合、集団が落ち着き安心すると症状は速やかに治まります。これらは**「心因性」で実際の伝染性病原体は存在しない**ため、専門家は「対応を誤って大事にしすぎないこと」「冷静に安全を確保しつつ集団を一時的に解散させること」が再発防止に重要だと指摘しています  。
学校における集団過呼吸・集団体調不良は「女子生徒に多い」と言われることがありますが、これは事実と言えるでしょう。医療文献によれば、思春期・学童期の集団心因性疾患は女性に不均衡に多く発生することが繰り返し報告されています  。米国の調査では「集団ヒステリーはストレス下の児童や思春期のグループに多発し、男性よりも女性が著しく多い」と明記されています 。また2021年に発表された32件の研究をまとめたメタ分析によると、児童・生徒の集団ヒステリーにおいて女子の罹患率は男子の約2.43倍にも上ることが示されています  。このように数値データから見ても女子に多い傾向は明らかです。
日本においても、学校で発生する集団過呼吸・体調不良の事件はニュース等で度々報じられており、その多くで当事者は女子生徒です。例えば2006年7月、千葉県のショッピングセンターで女子中学生11人が次々に過呼吸やパニック症状を起こし搬送される騒ぎがあり、東京新聞の報道によれば「過去1年だけでも秋田、埼玉、大阪、山口、佐賀で同様の過呼吸連鎖が起きていた」とされています 。2013年6月には兵庫県の高校で1年生と3年生の女子生徒計18人が集団で過呼吸症状を訴えて病院に搬送される出来事もあり、学校側は「誰かの発作や救急車の到着を見て連鎖的に増えたのではないか」とコメントしています  。このように、日本の学校現場でも女子生徒が中心となった集団過呼吸事件が各地で確認されています。
海外の事例を見ても、集団ヒステリーは決して日本特有ではなく、むしろ世界各地で歴史的にも繰り返し記録されています。その多くで若い女性や女子学生が主な当事者です。1965年にはイギリス・ブラックバーンの女子校で85人の女子生徒が相次いで原因不明の失神発作を起こし社会問題となりました 。2010年代のアフガニスタンでは各地の女子校で多数の女子生徒が突然めまい・吐き気を訴えて倒れる事件が続発し、当初「毒ガス攻撃」と疑われましたが、国連などの調査で有毒物質は検出されず集団心因性の発作と結論付けられたケースもあります  。これらの事例からも、学校で集団発生する原因不明の体調不良は女子に多いという傾向は国を超えて共通していると言えます。
では、なぜこのような集団心因性の症状は女性に多いのでしょうか。専門家たちは心理的要因と生物学的・生理学的要因の両面からいくつかの仮説を提唱しています。それらを整理すると以下の通りです。
• 高い被暗示性と無意識の模倣（モデリング）:集団ヒステリーでは、後から症状を訴える人々（続発者）が発端者を無意識に模倣・同一化してしまうことが大きな要因です 。一般に女性は共感性が高く、他者の感情や振る舞いに影響されやすい傾向があるとされます。実験的研究でも、女性参加者は他の人（特に同性）が「具合が悪い」と訴える場面を見ると、自分も頭痛やめまい等の症状を感じやすくなることが示されています 。一方、男性では他者の症状を見ても影響されにくい傾向がありました  。この暗示へのかかりやすさの性差が、女性に症状が多い一因と考えられます。
•ミラーニューロンの活発さ:人間の脳には、他者の行動や表情を見ると自分がそれをなぞるように活動するミラーニューロン系があります。この働きは共感や模倣の神経基盤とされますが、研究者の中には「女性は男性よりミラーニューロン系の反応が強い可能性がある」と指摘する者もいます 。実際、自閉スペクトラム症（共感や他者の感情理解の困難さを特徴とし男性に多い発達障害）ではミラーニューロン系の活動低下が示唆されるのに対し、集団ヒステリーはその逆でミラーニューロン系の過活動による現象とも位置づけられています 。この仮説によれば、女性は生得的に他人の状態を自分のことのように感じ取りやすいため、目の前の友人が倒れると自身も息苦しさや眩暈を感じてしまうというわけです 。
•不安反応・過呼吸の生理的な出やすさ:パニック発作や過呼吸発作といった急性の不安反応そのものも、疫学的には女性に多い現象です。例えばパニック障害（突然の強い不安発作に襲われる症状）は男性より女性に約2～3倍起こりやすいことが知られています 。過換気症候群（過呼吸発作）の有病割合については、調査によっては女性：男性が7：1にもなると報告されています 。このように生理学的ストレス反応における性差（ホルモンバランスや自律神経反応の違いなど）が、女性の方が過呼吸や失神を起こしやすい下地になっている可能性があります。言い換えれば、同じストレスを受けても女性の方が**「息が苦しい」「めまいがする」**といった身体症状として表出しやすい素因があるかもしれません。
以上のように、心理面での暗示へのかかりやすさ・共感性の高さと、生物学的な不安反応の出やすさが相まって、女性グループで症状が伝染しやすいと考えられます。実際、専門家も「集団ヒステリーで女性患者が多いのは、症状のモデリング（見本）の影響を受けやすい性差による可能性が高い」と結論づけています 。
集団ヒステリーにおける社会的・文化的背景も、女性に多い現象となっている一因です。まず、社会・集団内での役割や人間関係の違いが指摘できます。若い女性（特に思春期の女子生徒）は、同年代の仲間内で強い仲間意識を持ちやすく、閉鎖的で密接なグループを形成しやすいとされます 。その結果、グループ内で感情や行動を同調させる傾向が強く、誰か一人の異変に対し他のメンバーが過敏に影響を受けやすいのです 。実際、1960年代アメリカの工場における集団ヒステリー研究でも、症状が出た人々は互いに強い社会的つながりを持つグループに属していたことが報告されています 。男子生徒のグループでも友情はありますが、当時の社会通念や教育環境の中で女子の方が感情を共有しやすい関係性を築いていることが多く、これが集団ヒステリーの伝播を助長している可能性があります。
また、社会文化的な性役割や表現の違いも影響しうるでしょう。伝統的に多くの文化圏で、女性は体調不良や不安を訴えることに比較的寛容である一方、男性は「弱音を見せない」ことが男らしさとされる場面があります。そのため男性にも同様の心因反応が起きていても表面化しにくい可能性も考えられます。実際、歴史を振り返ると19世紀にはヒステリー（転換性障害）は女性特有と見なされていましたが、第一次世界大戦で多くの男性兵士が**「シェルショック」（砲撃ショック＝心因性の神経症状）を発症すると、この性差の偏見は薄れていきました 。つまり、男性にも状況次第で集団ヒステリー様の反応が起こりうるものの、社会的な目や自己抑制によって顕在化しにくい**だけかもしれません。
文化的要因としては、その社会ごとにストレス源や症状の表現のされ方が異なる点が挙げられます。日本の学校では部活動中の疲労や教師からの叱責といった出来事が引き金になるケースがある一方、海外では地域の信念や風聞が誘因となる例も報告されています。例えばマレーシアやインドの一部では、女子生徒の間で突然誰かが取り乱すと「悪霊に取り憑かれた」と解釈され、パニックが伝染したケースがあります 。中東のアフガニスタンやイランでは、女子校で謎の有毒ガス攻撃の噂が広まり、実際に多くの女子生徒が呼吸困難や失神を訴えた事件が起きました（前述の通り後に物理的毒物は確認されず心因性と推定されています） 。このように、その社会が置かれた状況（宗教的な世界観、社会不安や葛藤、噂の内容など）が集団ヒステリーの誘因や症状像を左右しますが、いずれの場合も思春期前後の女性が主要な当事者である点は共通しています 。
さらに集団の環境要因として、都市部より農村部で発生しやすいとのデータもあります。先述のメタ分析では、農村地域の学校における集団ヒステリーの発生率は都市部の約2倍という結果が示されました（農村部11.1%、都市部5.6% ）。農村では人間関係が密で噂が広がりやすいことや、医療リテラシーの差などが背景にある可能性があります。この点でも、集団ヒステリーは社会的環境に影響される現象であり、日本のみならず海外でも閉鎖的・保守的なコミュニティほど起こりやすい傾向が見て取れます。
学校で起こる集団過呼吸・集団体調不良に女性が多いという傾向は事実であり、これは単なる思い込みではなくデータや専門家の分析によっても裏付けられています。主な要因として、女性の方が心理的に周囲の影響を受けやすく、生理的にも不安反応が出やすいこと、そして女子生徒同士の強い結束や同調傾向が症状の連鎖を助長することが挙げられます。加えて、文化・社会的背景がこの現象の表れ方に影響を与えますが、世界的に見ても同年代の男性グループに比べ女性グループで頻発するのは共通した特徴です  。以上のことから、学校における集団過呼吸や集団ヒステリーは「女性に多い」とされるのは概ね事実であり、その原因は生得的な要因と社会的な要因が複雑に絡み合った結果と考えられます。そのため、この現象を理解・対策するには、生物学・心理学的視点に加え、教育現場におけるストレス要因の軽減や冷静な対応、噂の拡散防止など社会環境への働きかけも重要となるでしょう  。
参考資料：
• Jones, T.F. 「Mass Psychogenic Illness: Role of the Individual Physician」 American Family Physician 62(12):2649-2653 (2000)  
• Gang Zhaoet al. 「Mass hysteria attack rates in childrenand adolescents: a meta-analysis」 Journal ofInternational Medical Research 49(12): 1–15 (2021)  
•平凡社 「改訂新版世界大百科事典」「集団ヒステリー」項（執筆：臼井宏・野上芳美）  
• Lorber, W.et al. “Illnessby suggestion: Expectancy, modeling, andgender in the production of psychosomatic symptoms.” Annals of Behavioral Medicine33(1):112-116 (2007) 
•中田収 「過換気症候群」『日本呼吸器学会専門医制度専門医講習会要旨集』(2014) 他   (過呼吸症状の性差に関する記述)
• Shirin Daft, 「イランで呼吸困難や吐き気が続出──女子教育を狙った『毒ガス』か『集団ヒステリー』か」ニューズウィーク日本版 (2023年3月13日) 
勉強してるときに、範囲の広さに心が折れそうになってSNSで同じ声を探してたら、「準1級って1級より難しいんじゃね？」って声があって、なんなら1級のほうがよかったかなぁってはちょっと思った。
統計って、現実をうまいこと解釈するためのもんで、統計学の公式の証明とかできても仕方ないんじゃないかなと思った。
これが、数学の勉強だったら証明は大事だろうけど、統計の勉強であそこまで踏み入るのはどうかなぁっと。
それから、あそこまで踏み込むならアクチュアリーのほうが実益があるんじゃない？って思ったりした。
あと、統計検定って2級より準1級が上、準1級より1級が上っていう単純な序列でもないんじゃないかなと。
2級で出てくるラスパイレス指数とかパーシェ指数とか、いきなり準1級やってたら知らんかったろうし、準1級で出てくる範囲も1級では出てこないところがごまんとあるわけじゃん。
1級とってから準1級の勉強をする価値はあると思うけど、それはだるいし、準1級、1級と1つずつステップアップしたほうが幅広い知識がつくんじゃないかな。
にしても、準1級の範囲は広すぎだろって思うけど。
まだ受かったばかりだけど、様々なジャンルの専門書を読むときに、準1級の知識があるとわりと挫折して読んでいけるんじゃないかなって期待してる。
昔読んだ、森岡毅の『確率志向の戦略論』を読み返してるんだけど、ガンマ分布の理解があがったのでそこで躓かないし、負の二項分布の数式が準1級でやったときと違うのでそこでいろいろ考えるところもあるし、自分のなかのレベルが上がってきてるのは実感してる。
大規模言語モデル（LLM）の根幹にあるのは数学的な原理です。
ここでは、その仕組みを3つの要点に絞って、数式を交えながらシンプルに解説します。
LLMの最も基本的なタスクは、「ある単語の並び（文脈）が与えられたときに、次に来る単語は何か？」を確率的に予測することです。これを数式で表すと、以下のようになります。
LLMは、インターネット上のブログ記事や書籍といった膨大なテキストデータを読み込みます。
そして、文章中のあらゆる箇所で「次の単語」を予測するクイズを延々と解き続けます。
モデルは、P(晴れ |今日の天気は) の確率が100% (または1.0)に近づくように、内部のパラメータ（後述する重み）を少しだけ調整します。
このプロセスを何十億、何兆回と繰り返すことで、モデルは単語の様々なつながり方や文法、さらには世界の知識に関するパターンを学習していきます。
学習済みのモデルに「AIの未来は」と入力すると、モデルは語彙に含まれる全単語に対して、次に来る確率を計算します。
...
そして、最も確率の高い「明るい」を選んだり、確率分布に従ってランダムに単語を選んだりすることで、文章を生成していくのです。
では、どのようにしてLLMは単なる単語の並びだけでなく、複雑な文脈を理解するのでしょうか？
その技術が Transformerであり、その学習を支えるのがバックプロパゲーション です。
Transformerの最大の特徴は自己注意機構 (Self-Attention) です。
これは、文章中の単語同士の関連性の強さを計算し、どの単語に「注意」を向けるべきかを判断する仕組みです。
例えば、「その猫は疲れていた。なぜなら一日中ネズミを追いかけていたからだ。」という文において、「その猫」が「疲れていた」理由を理解するためには、「追いかけていた」という単語との関連性が重要です。
自己注意機構は、各単語について以下の3つのベクトルを生成します。
そして、以下の計算（概念式）によって、文脈を反映した新しい単語表現を作り出します。
Attention(Q, K, V) = softmax( (Q Kᵀ) / √(dₖ) ) V
1. Q Kᵀ: Queryと各Keyの関連度（内積）を計算します。似ている単語ほど値が大きくなります。
2. / √(dₖ): 値が大きくなりすぎないように調整します（スケーリング）。
3. softmax:計算した関連度スコアを、合計が1になる確率分布に変換します。これにより、関連性の強い単語ほど高い重みが与えられます。
4. V: この重みを使って、各単語の情報（Value）を重み付けして足し合わせます。
この結果、単語は元の意味だけでなく、「文脈の中でどのような役割を果たしているか」という情報を含んだベクトルに変換されます。
Transformerはこの処理を何層も積み重ねることで、非常に複雑で長期的な依存関係を捉えることができるのです。
バックプロパゲーション（誤差逆伝播法）は、モデルの予測と正解との「誤差」を計算し、その誤差を小さくするために、モデル内の膨大な数のパラメータ（重み）をどう調整すればよいかを教えてくれるアルゴリズムです。
1. 順伝播 (Forward Pass):入力（コンテキスト）をTransformerに通し、次の単語の確率分布を予測します。
2. 損失計算 (Loss Calculation):予測した確率分布と、正解の単語とのズレ（誤差）を損失関数（例：クロスエントロピー誤差）で計算します。損失が大きいほど、予測が間違っていることを意味します。`Loss = -Σ yᵢlog(pᵢ)` (yᵢ は正解なら1, それ以外は0。pᵢ はモデルの予測確率)
3. 逆伝播 (Backward Pass): この損失を、出力層から入力層に向かって逆方向に伝播させます。微分の連鎖律を使い、「各パラメータが最終的な損失にどれだけ貢献したか（＝勾配）」を計算します。
4.パラメータ更新: この勾配に基づき、損失が小さくなる方向へ各パラメータを少しだけ更新します。
この「予測 → 誤差計算 → 勾配計算 →更新」というサイクルが、LLMの学習の基本です。
バックプロパゲーションで計算された勾配を使って、具体的にどのようにパラメータを更新するかを決めるのがオプティマイザ（最適化手法）の役割です。
最も基本的な考え方は、損失という名の「谷」の底（最小値）に向かって、勾配（傾き）が最も急な方向に一歩ずつ下っていく勾配降下法 (GradientDescent)です。
θ_new = θ_old - η ∇L
現在、最も広く使われているオプティマイザの一つが Adam です。これは、勾配降下法をより賢くしたもので、主に2つの工夫がされています。
1.慣性 (Momentum):過去の勾配の移動平均を保持します。これにより、坂道を転がるボールのように、同じ方向に進み続ける場合は加速し、学習が停滞しにくくなります。
2.適応的な学習率 (Adaptive LearningRate):パラメータごとに学習率を自動で調整します。頻繁に更新されるパラメータは慎重に（学習率を小さく）、あまり更新されないパラメータは大胆に（学習率を大きく）更新することで、学習を効率化します。
Adamのような優れたオプティマイザがあるからこそ、何十億ものパラメータを持つ巨大なLLMを、現実的な時間で安定して学習させることができるのです。
Transformer というアーキテクチャが、自己注意機構によって文脈を理解し、次の単語の確率 P(next token | context) を予測する。
その予測と正解の誤差をバックプロパゲーション で計算し、その誤差を最小化するように Adam などのオプティマイザがモデルのパラメータを効率的に更新する。
エアコンとは、正式名称を「エアコンディショナー（Air Conditioner）」といい、室内の空気の温度や湿度などを調節する空調設備のことです。
日本では1950年代に初めて国産のエアコンが製造され、当時は「クーラー」と呼ばれていましたが、冷房機能だけでなく暖房機能も持つようになったことで「エアコン」という名称が一般的になりました。現在、家庭で使われている空調機器のほとんどは、冷暖房兼用のエアコンです。
エアコンの主な働きは以下の通りです。
温度調整（冷房・暖房）: 部屋の温度を快適な状態に保ちます。
湿度調整（除湿）: 部屋の湿度を下げて、じめじめ感を解消します。
空気の清浄（除塵・空気の汚れ）:フィルターを通して空気中のホコリや汚れを取り除きます。
エアコンの仕組みは、主に「冷媒（れいばい）」という特殊なガスが、液体と気体を行き来する際に熱を吸収したり放出したりする性質を利用しています。
具体的には、エアコンは「室内機」と「室外機」で構成されており、これらが配管でつながっています。
室内機が室内の暖かい空気を取り込み、熱交換器で空気中の熱を冷媒に伝えます。
室外機で冷媒が圧縮されると高温になり、室外機の熱交換器で外へ熱を放出します。
熱を放出した冷媒は液体に戻り、膨張弁で圧力を下げられ、さらに低温になります。
低温になった冷媒が再び室内機に戻り、このサイクルを繰り返すことで、室内の空気が冷やされます。
冷房とは逆の働きで、室外機が外の空気から熱を取り込み、冷媒に伝えます。
熱を吸収した冷媒は室外機で圧縮され高温になり、室内機へ送られます。
室内機の熱交換器で冷媒が熱を放出し、その熱が暖かい風として室内に送られます。
熱を放出した冷媒は液体に戻り、膨張弁で圧力を下げられ、室外機に戻ります。
このように、エアコンは冷媒という熱を運ぶ物質を循環させることで、室内の熱を外に移動させたり、外の熱を室内に取り込んだりして、快適な室温を保っているのです。
すっかりどこまで書いたか忘れた。
2021年の終わりに↓これを読んだあたりまでだったな。
「Pythonで学ぶ実験計画法入門 ベイズ最適化によるデータ解析」
すげーいい本だったんだけども、実際に活用する場がないんで（なにせ頭を使わない仕事なんで）読みっぱなし。
今考えるとよくないね。
実は、この本に出てくるD最適計画、それからサポートベクター回帰っていうやつが1年後くらいにちょっと役立ったのだけど、それは後の話。
「ゼロつく」のときは理解できなかったクラスの概念も、このころにはすっかり便利さを実感することに。
ここで、もう一度「ゼロつく」に戻ればよかったんだけど、ここまでくると、自分の仕事周りのデータに対しては深層学習って不要だなって思って、戻ることはなかった。
前のエントリで書いた放送大学で「Rで学ぶ確率統計」の単位を無事に取れて調子に乗ってたので、せっかく入学したのだからといくつか授業取ってみた。
統計とかプログラミングの勉強については、「データの分析と知識発見」「コンピュータービジョン」「データベース」の三つかな。
それとは別に人文系の科目も調子に乗って履修してる。もともと数学とか嫌いで歴史とかのほうが好きだし。
「データの分析と知識発見」ってのは、Rを使うやつで、今考えれば多変量解析の入門って感じ。
「コンピュータービジョン」はクッソ難しかったな。
OpenCVってやつの使い方をサクっとパパっと知れるんかと思ったら、ガッツリとエピポーラ幾何とかいうやつから入って行列三昧だったし。
線形代数を知らないエセ理系舐めんなよ！わかるわけねーだろ（今までの本でも行列を触ってきてたけど、雰囲気でなんとかいける、あるいは読み飛ばしてもそういうもんと思って次に進めた。うまく言えないんだけど、100次元とかあるともう諦めてそういうもんだって割り切れるじゃん？3次元くらいだと、ちゃんと現実に戻ってこれないと困るから、ホントに理解できてないのが自覚させられる）
「データベース」もお気楽にSQLマスターできるもんかと思ったら、歴史から入ってガッツリと三層スキーマなにやら、SQL触るのなんてちょびっとだった。
で、このへんでいろんな方向に手を延ばすのもだけど、1つ資格でも取ってみようかなと思って、統計検定に手を出してみた。
大学がエセ理系のポンコツとはいえ、高校出てるんだし大村平の本を読みまくったんだし、受かるだろと思ったが、2級初受験は58点で不合格。
すっかり統計学に恐怖が出てしまったので、2級リベンジの前に「Python3エンジニア認定データ分析試験」とかいうやつに挑戦。
こっちは、ホントに易しくて、統計学がわかってなくてもライブラリの使い方がわかればまあなんとかなるもんだった。
ほぼ満点で弾みをつけて、2級リベンジ。
今度は過去問を買って真面目に机に向かう。
自分、机に向かうってことが嫌いで、ひたすら通読を繰り返すやりかたしか勉強法を知らなかったんだけど、この時ばかりは体に叩き込む作戦。
電卓で計算しては、分布表を読んで、判定して、みたいなルーチンを体で覚えて、見事リベンジ。
しかし、統計検定2級も受からないくせによく、背伸びしていろんな本読んでたもんだよ。
たぶん、わかったつもりになってなんもわかってなかったな。
統計検定2級を取った勢いで、準1級とやらもとっちまうかと手をだしたら、テキストが超難しいの。
4章くらい読んで、挫折して、数か月寝かせる、みたいな感じを何度か繰り返すことになった（結局、準1級に受かったのは2025年になってからだ）。
準1級は、統計学以前に、微分積分とか線形代数の知識がないとテキスト読めない仕様。
日本統計学会公式認定統計検定準1級対応統計学実践ワークブック
「式変形については行間を読んで解釈してくれページの都合で次行くからよろしく！」
っていう感じ。
見事に挫折。
統計も、微分積分も、線形代数も徐々にってことで、準1級はいったん休止。
それから、バイオインフォマティクス技術者認定試験とかいう試験をみつけて、興味が出たので公式テキストをとりよせて挑戦することに。
バイオインフォマティクス入門 第2版
元々、生物系だったので、なんとなくわかる単語も多かったし（理系のくせに微分積分も線形代数もヘナチョコって生物系だって丸わかりかもだが）。
これが、ほどよく多変量解析から機械学習からいろいろ網羅されていて、いい勉強に。
重いもの運ぶくらいしか取り柄がない腹が出て禿てきたオッサンが、若い院卒様に頼られるって自己肯定感高まる良い体験。
そこで使ったのが、D最適計画とサポートベクター回帰。
まだまだ鼻くそのようなもんなのに、意外と頼られるっていうことになったんだけど、まあ多いのはデータの可視化だったんで、データの可視化を学んでみることに。
本当は、ggplotとmatplotlibとかplotlyを100本ノックしようと思ったんだけど、やっぱり急がば回れ、有名な教科書の和訳らしいので↓をチョイス
「データビジュアライゼーション ―データ駆動型デザインガイド」
すげーお堅いｗ
やっぱ、こころのどっかで、「チャっとやったらパパっとできる！」みたいなのを求めてるんだよな。
そんで、二冊目はもうちょっと実務的に↓を選んだ。
『データ分析者のためのPythonデータビジュアライゼーション入門コードと連動してわかる可視化手法 』
この本はかなり実務的、というかどうすればお手軽に可視化できるかって話だけなんだけど、おかげさまでキレイに見せるテクニックだけは上がり、職場でも評価は上々。
「なんかよくわかんないけどアイツに持っていけば綺麗なFig作ってくれる。ポンコツだからいつも暇だし！」
という状態に。
放送大学で「データ構造とアルゴリズム」とかいう科目を取ったおかげで、意図せずC言語と関わる。
二度とC言語を使うことなんかないだろうけど、グラフ理論がコンピュータと相性がいいのが、データ構造の勉強をしてよくわかった。
そんで、やっとこさ挫折していた統計検定準1級の勉強を再開する。
で、また数章読んで飽きた。
だって、難しいんだもん。
っていうか、線形代数と微分積分の学力不足で投げたことをすっかり忘れて、もう一度開いて投げ出すんだから世話ないわなw
仕方ないから、微分積分は高校三年生の使う黄チャートを買って目を通した。
線形代数は
を一周。
部分積分と置換積分を手足のように使えるようになってやっとこさ、統計学実践ワークブックを読めるように。
読めるようになってから読むと、因数分解くらいの感じでマクローリン展開してきてることがわかって草。
統計の勉強のリハビリにと、放送大学でも「統計学」という授業をとってみたけれど、統計検定2級より易しかった感じ。
プログラミングの勉強はほとんどしなかったけど、Githubのアカウントつくって、renderとかherokuでウェブアプリを公開したりした。
Gitを覚えてみて初めて分かる、「名前を付けて保存」以外のファイル管理を知らなかった自分のヤバさ。
続く。
ChatGPT:
ChatGPTは、質問された言語に応じてその言語の学習データや文脈に基づいて応答を生成します。たとえば、あなたが英語で質問すれば、英語の文法、語彙、文脈、スタイルに基づいた知識や表現が使われます。つまり、英語で質問すれば、英語の学習データが応答の主な根拠になります。
逆に、日本語で質問すれば、日本語の学習データが主に使われます。
質問の内容が同じでも、使用する言語によって微妙に異なるニュアンスや表現の違いが生じることがあります。
ChatGPT:
その場合、質問の内容理解には英語の学習データが主に使われ、回答の生成には日本語の学習データが使われます。質問と言語指定の両方を考慮して処理されるため、回答の内容は英語での質問に基づきつつ、日本語として自然な形になるよう生成されます。
ChatGPT:
正確な言語別の学習データの分量は公開されておらず、OpenAI もその詳細を明示していないため、厳密なランキングを提示することはできません。
ただし、一般的な情報と言語のインターネット上の出現頻度に基づいて、おおよその推定として、学習データの規模が大きいと考えられる言語を以下に示します（順序は推定の精度が高い順）：
1.英語 (English) – 圧倒的に最大。インターネット上のコンテンツ量が非常に多く、技術文書、書籍、記事、会話データなどあらゆる形式で豊富。
2.中国語 (Chinese - 主に簡体字) –特にニュース、SNS、技術関連の情報などで多く使われている。
3.スペイン語 (Spanish) –母語話者が多く、多数の国で使われており、多様な分野のデータが豊富。
4.フランス語 (French) –国際的に広く使われており、公的文書・教育資料が多い。
5.ドイツ語 (German) –技術文書、学術論文、ニュース記事などで多く出現。
6.ロシア語 (Russian) –地域的には広範囲で使われ、フォーラムや技術資料も豊富。
7.ポルトガル語 (Portuguese) – 主にブラジルの影響でデータ量が多い。
8.日本語 (Japanese) –インターネット上の情報は多いが、英語に比べると限定的。学習データにはウェブ、書籍、Wikipedia、日本語SNSなどが含まれると考えられる。
9.アラビア語 (Arabic) –地域的に広く使われており、ニュースや宗教関連の資料が多い。
10.イタリア語 (Italian) –ヨーロッパの中では比較的使用頻度が高い。
これはあくまで一般的なインターネット上の言語分布と学習への影響をもとにした推定であり、正確なデータ量の比較ではありません。
AFEEが国政選挙と都議選、都知事選で実施している恒例のアンケート結果が公開されました。回答を一通り確認したうえで、感想を書きます。まずは政党単位での雑感を述べ、後ほど、個別の回答で気になったものを取り上げたいと思います。
設問1と2で候補者がどの選択肢を選んだかを集計し、掲載しています（AIにやってもらいました。目視での再チェックはしていないため、誤りがあったらすみません。また、回答の更新タイミングにより齟齬が生じている可能性もあります）。
設問を見れば分かるように、基本的にはどちらもAに近いほど、規制に慎重と考えて差し支えありません。
また、「表現の自由を守るための約束」への賛同者の数を集計し、「賛同者数 /回答者数」の形式で、党名の右横に記載しました。
引用元：2025年東京都議会議員選挙候補者に向けて実施した表現の自由についてのアンケート結果
設問1:
A(21)、B(18)、C(3)
設問2:
A(4)、B(20)、C(7)、D(8)、E(3)
いわゆる「石丸新党」です。綱領は多選制限のみ、政策は候補者任せという政党ですが、規制に慎重な候補が比較的多いとは言えそうです。
設問1:
A(10)、B(26)、C(3)
設問2:
A(4)、B(11)、C(4)、D(19)、E(1)
設問1では良くも悪くも現状維持が多数ですが、設問2は規制寄りのDが最多。ただこれ設問1の回答も踏まえると、現状維持なのか更なる法規制が必要と考えているのかは、結構微妙です。少なくとも、現在の条例の改正や運用見直しには消極そうです。
設問1:
A(19)、B(15)、C(0)
設問2:
A(4)、B(20)、C(5)、D(5)、E(0)
回答の内訳だけを見ると、再生の道と相似です。3期9年の小池都政で、青少年健全育成条例の「改悪」は基本的に行われていませんし、意味があるのかは個人的に疑問ですが、漫画家有志の要望に応える形で、「不健全図書→8条指定図書」への呼称変更も行われました。知事がポピュリスティックなので一抹の不安はありますが、急に規制寄りへ旋回することは一応なさそうとは思います。
設問1:
A(25)、B(0)、C(0)
設問2:
A(0)、B(24)、C(1)、D(0)、E(0)
設問1の理由のテンプレ回答も含め民主集中制の政党らしいとはいえ、一糸乱れぬ規制に慎重なスタンスは、素直に褒め称えたいです。新日本婦人の会辺りの主張（「女性を性的に強調した表現は人権侵害であり、表現の自由を認めない」のような）とは随分齟齬があるのですが、軋轢はないのだろうかと、いらぬ心配をしてしまいます。
ともあれ、お住まいの選挙区の候補が芳しくなくて困っているなら、思考停止で共産党候補を選んでも良さそうです。
設問1:
A(3)、B(18)、C(0)
設問2:
A(1)、B(1)、C(6)、D(13)、E(0)
割と自民党に分布が似ていますが、設問2の回答は更に規制色が強いです。
設問1:
A(17)、B(2)、C(1)
設問2:
A(2)、B(15)、C(2)、D(0)、E(1)
共産党と似ていますがそこは民主集中制ではないので、設問1でCが、設問2でAやEがいたりします。石原都政下での青少年健全育成条例改正に反対（修正案には賛成）した旧民主党に連なる政党らしく、規制に慎重と言えるでしょう。ちなみに当時、反対の立場から活動した議員も、今回立候補しています。
設問1:
A(10)、B(9)、C(0)
設問2:
A(2)、B(8)、C(5)、D(4)、E(0)
満遍のない分布という感じでしょうか。特徴がなく、正直なところコメントし辛いです。
設問1:
A(5)、B(2)、C(0)
設問2:
A(4)、B(3)、C(0)、D(0)、E(0)
党名からコンテンツの表現の自由なんて関心がなさそう、などと勝手な偏見を抱いていたのですが、共産党に負けず劣らずの規制に慎重な政党でした。代表の浜田聡氏の影響でしょうか？ 詳しくは個々の回答への感想で触れますが、問題を良く理解したうえで規制に反対している候補もいました。
設問1:
A(6)、B(0)、C(0)
設問2:
A(5)、B(1)、C(0)、D(0)、E(0)
