『データ探偵』（2021年）は、統計と私たちの反応がいかに現実を歪め、覆い隠すかを理解するためのスマートで実践的なガイドです。心理学研究と示唆に富む事例を用いて、私たちの脳がデータや統計の見方にどう影響し、誤った結論を導くかを明らかにします。認知バイアスと誤解を解きほぐすことで、データ、ひいては世界をありのままに見る力を身につけられます。
この要約で得られるもの：嘘や半端な真実を切り抜け、統計を真に理解し始める
コウノトリが赤ちゃんを運んでくるってご存知ですか？統計がそれを証明しています。コウノトリの数が多い国ほど出生数が多く、少ない国では出生数も少ないのです。もちろん、こんなことは真実ではありません。コウノトリが赤ちゃんを運ぶわけがありません。しかし、間違った統計的な議論を使えば、そう見せかけるのはとても簡単です。
統計を使って嘘をつくのがいとも簡単なため、多くの人が当然ながら統計に警戒心を抱いています。厄介なのは、統計がなければ、喫煙が肺がんのリスクを16倍に高めることも、新型コロナウイルスが人から人へ感染することも、決して発見できなかったという点です。ここでは、統計を理解するための10の戦略を紹介します。良い統計の知恵を享受しつつ、悪いものは自信を持って捨て去ることができるようになるでしょう。ここで学べることは、以下の通りです。
- 著名な美術評論家がいかにして贋作に騙されたか
- ロンドンの殺人発生率がニューヨークより高いのは実は良いことなのか
- なぜ専門家はひどい未来予測をするのか
データや情報に対する感情的反応に気づく
アブラハム・ブレディウスは美術評論家、コレクターであり、オランダ絵画の世界的権威でした。とりわけ、『真珠の耳飾りの少女』のような作品で知られる17世紀の巨匠、ヨハネス・フェルメールに関しては特別な専門知識を持っていました。1937年のある日、ヘラルト・ボーンという弁護士がブレディウスを訪ね、最近発見されたフェルメール作品『エマオの食事』を見せました。ブレディウスはすぐに圧倒されましたが、それでも慎重でした。
彼は贋作のあらゆる兆候を調べ尽くし、何も見つけませんでした。ブレディウスは『エマオ』を本物のフェルメール、おそらく最高傑作だと宣言しました。彼はまた、その絵を見たとき「感情を制御するのに苦労した」とも語りました。残念ながら、ブレディウスの高ぶった感情が仇となりました。なぜなら『エマオの食事』は完全な偽物だったからです。ここでの重要なポイントは、データや情報に対する感情的反応に気づくことです。『エマオ』はそれほど良い絵でさえありませんでしたが、それでもブレディウスは騙されたのです。
彼は『エマオ』が本物のフェルメールであると心から信じたかったため、感情が論理的思考を曇らせました。残念ながら、ほとんどの人は感情を揺さぶる情報に直面したとき、同じように簡単に騙されてしまうのです。感情的な反応を引き起こさない統計もあります。「火星は地球から3000万マイル以上離れている」と聞いても誰も動揺しません。しかし、他の問題、特に政治的なものは簡単に私たちの感情を刺激します。そうなると、情報が自分の先入観に合わなければ無視し、合っていれば証拠として使ってしまいがちです。専門知識があってもその影響を免れることはできず、実際、いくつかの研究では、専門家は矛盾する証拠に直面しても自分の意見を変える可能性がさらに低いことが示されています。
それは、彼らが居心地の悪い情報を避ける動機づけがあると同時に、自分に有利な議論を構築するのが得意だからです。したがって、誰一人として動機づけられた推論から逃れられません。幸い、いくつかのシンプルな手順に従うことで、その可能性を減らせます。まずは、統計的主張を目にしたときに自分がどう感じるかに気づくことから始まります。
怒りを感じますか？ 大喜びですか？ それとも否定したい気持ちですか？ 感情に気づいたら、一呼吸置いて、自分が特定の結論に無理やり向かおうとしていないか考えてみましょう。事実を検討するという姿勢が、より明瞭な思考の助けとなります。さらに、そうすることで他人にとっても明快な思考の模範を示すことができるのです。
統計的主張と個人的経験、どちらを信じるべきかの見極め方を学ぶ
著者がBBCラジオ番組の司会者として仕事を得たとき、彼はすぐにその仕事を愛しました。しかし、ロンドン東部から西部への朝の通勤は好きになれませんでした。彼は満員のバスに乗り、それから今にも破裂しそうな地下鉄に乗らなければなりませんでした。その悲惨な朝の体験から、著者はロンドンの公共交通機関が実際にどれほど混んでいるのかもっと知りたいと思いました。
そしてショックを受けたことに、ロンドンのバスの平均乗車人数はわずか12人、地下鉄は130人未満だったのです。その統計は全くの間違いに感じられ、著者の個人的経験とは完全に矛盾していました。一体何が起きていたのでしょうか？ここでの重要なポイントは、統計的主張と個人的経験、どちらを信じるべきかの見極め方を学ぶことです。自分の信念や感情が統計的主張の捉え方を歪めることはあり得ます。しかし、時には個人的経験も統計と同様に情報価値を持つことがあります。
鍵となるのは、両者のバランスを見つけることです。まずは、その統計的主張自体の質を、その出所から分析することから始めます。ロンドンの公共交通機関の場合、数字は「ロンドン交通局（TfL）」という政府機関から提供され、乗客が乗車前に支払いカードから収集したデータに基づいていました。したがって、そのデータの出所は信頼できると思われます。次に、なぜ個人的経験（この場合は著者の経験）が統計と異なる可能性があるのかを検討します。ここでは、平均を計算する際の数学が関係してきます。
たとえば、1日に10本の列車がある路線を考えます。そのうちの1本が1000人の乗客を運び、他の9本はゼロだとしましょう。その路線の1列車あたりの平均乗客数は100人になりますが、これはロンドンの実際の平均にかなり近い数字です。つまり、TfLの統計は嘘をついていませんでしたが、超満員の列車に詰め込まれた人々の個人的経験については何も語っていなかったのです。この場合、統計と個人的経験は等しく有益な情報を提供しました。しかし、どちらか一方がもう片方よりうまく機能する場合もあります。
健康関連の問題では統計が有利なことが多いです。なぜなら、統計は最も多くの人々にとって最もありそうな結果を示すからです。たとえば、あなたの90歳のヘビースモーカーの祖母が元気でも、喫煙は依然として肺がんのリスクを16倍に高めます。一方、統計も嘘をつくことがあり、特に業績評価のようなものにおいて顕著です。金銭的または職業上の利益がかかっている場合、人々はデータを操作したり、偽造したり、歪めたりする可能性がずっと高いため、個別のケースごとに業績を判断するほうが望ましいのです。真の理解は、統計、個人的経験、あるいはその組み合わせのいずれが最も適切かを知ることから生まれます。
統計が実際に何を測っているのかを注意深く考える
2010年代後半、英国は乳児死亡率の危機の真っ只中にいるように見えました。早死にの割合は国内で大きく異なり、当初その理由は明らかではありませんでした。結局、死亡率の差は定義の違いに起因していました。具体的には、22週または23週で生まれた赤ちゃんを流産と記録するか、出生後の早期死亡と記録するかの違いです。ロンドンでは、それらの妊娠は流産として記録されていました。
一方、イングランド中部では、それらは出生と見なされていました。この違いは、ロンドンの病院と中部の病院の死亡率の差を説明するのに十分でした。この話は、主張の表面上の意味を超えて、それが本当に何を言っているのかを明らかにすることの重要性を指摘しています。ここでの重要なポイントは、統計が実際に何を測っているのかを注意深く考えることです。乳児死亡率のようなものを測定するのは表面上簡単に思えます。死んだ赤ちゃんを数えればいいだけです。しかし、少し深く掘り下げると混乱が生じます。なぜなら、胎児と赤ちゃんの違いは複雑で、しばしば激しい論争を巻き起こすからです。
これは統計学の分野に現実的な影響を及ぼします。統計学の核心は、物事を測定したり数えたりすることにあります。それなのに、私たちは統計を目にしたとき、何が、あるいは誰が数えられているのかをほとんど問いません。次の主張を考えてみてください。「暴力的なビデオゲームをプレイする子どもは、現実でも暴力的になりやすい」。この主張が何を測定しているのかは不明瞭です。たとえば、何が暴力的なビデオゲームと見なされるのか？ これらの子どもはどのくらいの頻度でビデオゲームをプレイしているのか？ そして研究者は暴力性を具体的にどのように測定したのか？ 定義の曖昧さは、事実を歪めようとする人々、おそらく特定の政治的観点を推し進めようとする人々を助けることがあります。たとえば、2017年にブレグジット推進派の団体が発表した「未熟練移民の5年間凍結」という政策提案を考えてみましょう。しかし、「未熟練」とは正確には何を意味するのでしょうか？ この場合、その用語には年収35,000ポンド未満のすべての人が含まれていました。これによって、ほとんどの看護師、小学校教員、パラリーガル、薬剤師の移民が阻止されることになります。その政策を支持するか拒否するかは自由ですが、その政策の下で誰が「未熟練」と見なされているのかを知っておくことは間違いなく役立つでしょう。ですから、主張を受け入れたり反駁したりする前に、その主張で使われている定義を疑うことを忘れないでください。そして、格差が拡大したという主張を目にしたら、まず「何の格差なのか？」と問いかけてください。
結論を出す前に主張を文脈の中に置く
2018年4月、ロンドンの新聞から衝撃的な見出しが飛び出しました。どれも「ロンドンの殺人発生率、初めてニューヨークを上回る！」というような内容でした。「殺人」の定義が両都市で異なるという事実はさておき、その主張は技術的には真実でした。2018年2月のニューヨーク市の殺人件数は14件だった一方、ロンドンでは15件でした。
この統計から何が結論づけられるでしょうか？ 実際のところ、何も言えません。数字だけではほとんど何も語ってくれません。世界で実際に何が起きているのかを理解するには、データが提示されているより広い文脈と視点を考慮する必要があります。ここでの重要なポイントは、結論を出す前に主張を文脈の中に置くことです。一歩引いて、ロンドンとニューヨークの殺人に関するいくつかの事実を検討してみましょう。
1990年、ロンドンの殺人は184件でしたが、ニューヨークは2262件とその10倍以上でした。それ以来、両都市で殺人率は低下しています。2017年のロンドンの殺人は合計130件、ニューヨークは292件で、大幅な改善です。この文脈を念頭に置くと、実際の状況がよりよく理解できます。ニューヨークが今はずっと安全になったため、その殺人率がロンドンを下回ることもあるのです。
ロンドンが突然、犯罪やギャングの騒乱に陥ったわけではなく、実際には両都市とも以前より安全なのです！ 残念ながら、現在のニュース環境は、全体像を不明瞭にする瞬間的でその場限りのニュースを優先します。もしニュースが代わりに25年単位で発行されたらどうなるでしょうか？ その話は、ワールドワイドウェブの台頭や中国の世界大国としての台頭についてかもしれません。確かに、たかが1ヶ月のロンドンとニューヨークの殺人率ではないでしょう。より広い時間スケールを見ることで、統計の本当の重要性を理解しやすくなりますが、広い数値的スケールも同様に役立ちます。たとえば、ドナルド・トランプがアメリカとメキシコの間に建設したがっていた国境の壁の費用、250億ドルを考えてみてください。表面的にはその数字は大きく見えます。しかし、米国の年間国防予算約7000億ドル、つまり1日約20億ドルと比較してみると、その壁の費用は米軍の約2週間分の活動費に相当します。もちろん、壁の費用やロンドンの殺人率が警戒すべきものだと依然として判断するかもしれません。しかし、全体の文脈を理解することで、あなたの意見ははるかに十分な情報に基づいたものになるでしょう。
科学研究でさえバイアスの影響を受けることがある
心理学者シーナ・アイエンガーとマーク・レッパーが行った有名なジャムの試食実験をご存知ですか？ その実験で、研究者たちはジャムの試食販売台を設置し、時には24種類、他の時には6種類のジャムを提供しました。客がジャムを試食した後、割引購入券が渡されました。最終的に、品揃えの多い台の方がより多くの客を惹きつけましたが、実際にジャムを買ったのはわずか3％でした。一方、品揃えの少ない台では30％の客が購入しました。心理学者たちは、人は選択肢が少ないほどよく反応し、多いほど悪く反応すると結論づけました。発表以来、この研究はセンセーションを巻き起こしました。大衆心理学の記事からTEDトークに至るまで、その結果がいたるところに掲載されています。しかし、それを信頼できるのでしょうか？ここでの重要なポイントは、科学研究でさえバイアスの影響を受けることがある、ということです。
結局のところ、選択に関する研究は、最初のジャム研究が示唆するよりもはるかに結論が出ていないことが判明しました。このテーマに関する公表された論文では、多くの選択肢を提供することが大きな効果をもたらすものの、その効果は強く肯定的な場合も強く否定的な場合もあることが見出されていました。未公表の論文では、まったく効果がないと結論づけられる傾向がありました。これらの結果を総合すると、壮大にエキサイティングな平均効果はゼロになるのです。考えてみると不安になるかもしれませんが、学術出版物もニュースと同様に、特定のバイアスの影響を受けやすいことがわかっています。その一例が出版バイアスで、学術誌は、結論が出なかった実験よりも、驚くべき、あるいは直感に反する結果が出た実験を掲載する可能性がはるかに高いというものです。結局のところ、ありきたりで退屈な結果の研究を読みたい人はいません。さらに、多くの研究者のキャリアや収入は、研究を実施し発表する能力に結びついています。この慣行は、データを実際以上に重要に見せかけるために操作するという、歪んだ動機を生み出します。その結果、社会科学は「再現性の危機」に直面しており、多数の著名な研究が再現不可能であることが判明しています。
この問題が解決されるまでは、ある研究の結果を吹聴して回る前に、その研究がどれほど信頼できるかを検討する価値があります。まず、その研究が直感的に納得できるものか、あるいは奇妙な外れ値のように感じられるかを把握します。次に、同様の結論を導き出した他の研究が多数あるかどうかを確認します。これらのシンプルな手順だけでも、誤解を招く情報や不正確な情報を広めるのを避ける助けになります。
統計とデータは必ずしもすべての人に等しく当てはまるわけではない
人は仲間の行動に合わせるよう、どれほどのプレッシャーを感じるのでしょうか？ 答えは「かなり多く」であることを示唆する研究が多数あります。1950年代、心理学者ソロモン・アッシュは被験者に2つの画像を見せる研究を行いました。1つは長さの異なる3本の線を描いたもの、もう1つは「基準線」を描いたものでした。彼らの課題は、3本の線のうちどれが基準線と同じ長さかを特定するだけでした。ただし、仕掛けがありました。被験者は「サクラ」に囲まれていました。つまり、わざと間違った線を選ぶように配置された人々です。被験者の選択は、かなりの頻度で仲間の誤答に影響を受けました。これらの実験はエレガントで魅力的でしたが、アッシュが人間の本性に関する普遍的な真実を発見したとは結論づけられません。なぜなら、彼の研究は特定の集団、つまり1950年代のアメリカの白人男性の大学生に限定されていたからです。ここでの重要なポイントは、統計とデータは必ずしもすべての人に等しく当てはまるわけではない、ということです。
近年、心理学者たちは、多くの研究がごく特定の集団に研究対象を限定しているという問題に気づき始めています。特に、実験は「WEIRD」（西洋的、高学歴、工業化された豊かな民主主義国出身）と考えられる被験者で行われがちです。それでは、アッシュの結論は不正確だったのでしょうか？ 1996年までに、彼の研究は133の追跡研究を生み出し、全体的な結果は維持されました。ほとんどの追跡研究はあまり多様ではありませんでしたが、多様なものではいくつかの興味深い効果が示されました。例えば、人は見知らぬ人よりも友人のグループに同調しやすく、女性の集団は男性よりも同調しやすいということです。学術研究では、母集団の代表的なサンプルを取得するのは難しくないはずです。しかし、他の分野、特に世論調査では、代表的なデータを得るのがはるかに困難です。世論調査の主な問題はサンプルバイアス、すなわち、ある種のタイプの人々が他の人々よりも調査に回答しやすいという事実です。もう一つの問題は、データが抽出される特定の場所です。たとえば、アメリカのTwitterユーザーを対象とした調査では、若く大卒の人々が過剰に代表される可能性があります。彼らは他の人々よりもそのプラットフォームを利用する傾向が高いからです。データに触れる際にはこれらの事実を念頭に置き、常に自問してください。このサンプルから誰が欠けている可能性があるだろうか？ 可能な限り調査してください。盲点を見つけることができるかもしれません。
アルゴリズムとビッグデータに対して健全な懐疑心を持ち続ける
2009年にリリースされたGoogle Flu Trendsは、季節性インフルエンザの拡大を追跡する革命的なツールとしてもてはやされました。「インフルエンザ 症状」「近くの薬局」といった検索を数えることで、GoogleはCDCよりも迅速に、新規の日次インフルエンザ症例を正確に推定できました。Google Flu Trendsは多くの点で、「ビッグデータ」とアルゴリズムの新時代の到来を告げるものでした。ビッグデータとは、私たちがウェブを閲覧したり、クレジットカードで支払ったり、携帯電話を使ったりするときに生成される情報を指します。アルゴリズムは、データセットのパターンを見つけるためによく使われるコンピュータプログラムです。Google Flu Trendsはビッグデータとアルゴリズムを使って、一見すると、インフルエンザの傾向に関する良好なデータを生み出していました。しかし、プロジェクトが発表されてからわずか4年後、完全に崩壊しました。なぜでしょうか？ここでの重要なポイントは、アルゴリズムとビッグデータに対して健全な懐疑心を持ち続けることです。
Google Flu Trendsが大失敗したのは、ある冬、実際には大流行が起きていないのに深刻なアウトブレイクを示唆したときでした。ある時点では、インフルエンザの蔓延がCDCの公式データが示すより2倍悪いと推定しました。では何が問題だったのでしょう？ 主な問題は、Googleが実際のところ、検索ワードとインフルエンザ蔓延との間の関連性が何であるかを知らなかったことです。アルゴリズムはデータのパターンを探していましたが、「高校バスケットボール」のような、インフルエンザとは無関係なものとの関連性を見つけてしまいました。その結果、アルゴリズムはインフルエンザ検出器というよりは、汎用の「冬検出器」になってしまったのです。つまり、2009年に発生した夏のインフルエンザ流行を検出できなかったのです。
もちろん、人間が生み出した推定値よりもアルゴリズムを信頼する価値があるケースも時にはあります。たとえば、人間の裁判官が刑事判決を下す際に、完全に客観的でも一貫性があるわけでもないことを示す豊富な証拠があります。アルゴリズムは、過去の類似事例と比較することで、はるかに公正な判決を下すことができます。アルゴリズムが正確で質の高い結果を出すこともあれば、出さないこともあるでしょう。したがって、アルゴリズムの正確さを当然のものとせず、ケースバイケースで判断する必要があります。これを行うのは難しい場合があります。多くの企業が収益を生み出すエンジンの秘密を明かしたがらないからです。しかし、誰もがアルゴリズムの内部を覗くことが許されれば、それらがどのように意思決定を行っているのか、そしてどう改善できるのかをずっと理解しやすくなるでしょう。
公的統計の重要性と有用性を軽視しない
米国議会予算局（CBO）は、政策提案の予算コストに関する報告書を議会に提供するために1974年に設立されました。あるCBO職員が述べたように、そのプロセスは、法案をマンホールに落とすと、20分後に費用見積もりが返ってくるようなもので、客観的で議論の余地のないものでした。しかし、すべての大統領がCBOの見積もりを快く受け入れたわけではありません。最初に不満を述べた大統領はジミー・カーターで、彼はアメリカのエネルギー効率を改善したいと考えていました。しかし、CBOがカーターの提案を評価したところ、計画通りにはうまくいかないことがわかりました。カーター政権は、CBOが「助けになっていない」と不快に思いました。しかし、それがまさに要点でした。最高の政府機関は、政治家を喜ばせるかどうかにかかわらず、統計を正確に提示するものです。ここでの重要なポイントは、公的統計の重要性と有用性を軽視しないことです。
政治家が統計機関の仕事を歪めたり、信用を失墜させようとしたりすると、破滅的な結果を招くことがあります。ギリシャの例を見てください。2000年代初頭のギリシャの公式統計は、この上なく信頼できないものでした。ユーロ圏に留まるためには、一国の財政赤字をGDPの3％未満に保たなければなりません。ギリシャは正当な方法ではそれができなかったため、当局は数字を少しいじることに決め、国が借り入れていた数十億ユーロをあちこちで除外しました。この数字のごまかしは2009年に明らかになりました。世界的な金融危機の最中、EUはギリシャが公表していたよりもはるかに多くの借金を抱えており、それだけでなく返済不能であることを認識しました。ギリシャ経済は即座に大破し、炎上しました。独立した統計機関は国を正直に保ちますが、他の理由からもその費用に見合う価値があります。たとえば、英国で実施されたある費用便益分析では、国勢調査のデータが、年金政策から適切な地域への学校や病院の建設に至るまで、あらゆることに役立っていることがわかりました。さらに、他の組織があらゆる種類の一人当たり統計を計算することも可能にしました。残念ながら、分析ではすべての統計的計算に数値を割り当てることはできませんでしたが、その推定（かなり控えめなもの）では、測定可能な便益は年間5億ポンドに達しました。国勢調査自体の費用はそれ以下で、10年間適用されるため、初期投資の10倍のリターンが得られます。政府が問題に対して行動を起こすことが期待されるならば、そのための確固たる統計的基盤が必要です。公的統計は、それを実現するための最善の策なのです。
グラフや図表の洗練された見た目に騙されない
『Information is Beautiful』の著者デイビッド・マキャンドレスは、かつて『Debtris』という印象的で忘れがたいアニメーションを制作しました。古典的なコンピュータゲームのテトリスと同じように、『Debtris』では大きな色付きのブロックが画面の下に落ちていきました。各ブロックの大きさは、国連予算、2003年のイラク戦争の推定費用、ウォルマートの収益など、さまざまな項目のコストを表していました。キャッチーな音楽、カラフルなグラフィック、さまざまな比較がゆっくりと提示される様子は見ていて美しいものです。しかし残念なことに、それらの要素は、グラフィックを作成するために使われたデータの多くの問題を覆い隠しています。ここでの重要なポイントは、グラフや図表の洗練された見た目に騙されないことです。
時として、統計の視覚化は美しいのに、その背後にあるデータは醜いことがあります。これは残念ながら『Debtris』にも当てはまり、多くの間違いを犯しています。たとえば、純粋な尺度と総量の尺度を混同しています。これは、ある企業の利益と売上高を比較するようなものです。『Debtris』内部の問題点を考えると、データを美しく提示しようとする試みを単純にすべて捨て去るべきでしょうか？ 必ずしもそうではありません。時には、誰かが美しさと情報量の間の絶妙なバランスを達成できることもあります。その一例がフローレンス・ナイチンゲールです。彼女は今日、近代看護の創始者として知られる伝説的な人物です。あまり知られていませんが、同じくらい印象的なのが、統計学者としてのナイチンゲールの仕事です。1858年、彼女は衛生対策が感染症による死亡者数を減らせることを証明するために、「ローズダイアグラム」と呼ばれるものの配布を始めました。当時、科学者たちは、悪い衛生状態が細菌の伝染を助けることを知りませんでした。ナイチンゲールのローズダイアグラムは、2つのバラが並んでいるように見えるようデザインされました。1つは対策前の病気と死亡を表し、もう1つは対策後のそれを示していました。その結果、衛生対策によって防げたすべての死が鮮明に視覚化されました。このダイアグラムは、懐疑的な医師たちにナイチンゲールの衛生対策の妥当性を納得させることに成功し、最終的には公衆衛生法が可決されました。誤解を招くグラフや図表の犠牲にならないためには、他のデータに直面したときと同じように、それらに対する感情的反応をチェックする価値があります。そして、それらの感情に気づいた後、グラフが実際に何を言っているのか、つまり軸が何を意味するのか、何が数えられているのか、どんな実験を反映しているのかを確実に理解しましょう。誰かがあなたに何かを説得しようとしている可能性があることを認識してください。それは時にまったく問題のないことです。
常に心をオープンにし、自分の意見を修正する用意を持つ
フィリップ・テトロックはカナダ生まれの若き心理学者で、他の社会科学者のグループと共に、巨大な課題を与えられていました。米国とソ連の間の核戦争を防ぐことです。そのためにテトロックは、次に何が起こり得るか、そしてその理由についての見解を得るため、数えきれないほどの専門家にインタビューしました。しかし、テトロックはあらゆる分野の専門家が極めて頑固で、矛盾する証拠を示されても自分の考えを変えようとせず、過去に自分が行った誤った予測を正当化しようと執拗に努めることに苛立ちました。
そこでテトロックは、予測者たちがどれほど予測を外すかを如実に示す、巧妙な研究を考案しました。ここでの重要なポイントは、常に心をオープンにし、自分の意見を修正する用意を持つことです。実験のために、テトロックは政治、地政学、そして一部経済学の約300人の専門家から約27,500の予測を集めました。彼は、将来真か偽かを判断するのが容易な明確な質問をしました。そして結果が出るまで18年間待ちました。2005年、テトロックはついに結論を発表しました。総括的な結論はシンプルでした。専門家はひどい予測者だったのです。彼らの予測は不正確で、自信過剰で、自分自身の予測さえ選択的に誤って記憶し、記録が間違いを示しているのに自分は最初から正しかったと主張しました。これは単に世界が複雑すぎて予測できないということでしょうか？ テトロックはそうは思いませんでした。そこで彼は、専門家とアマチュア合わせて2万人から予測の意見を集める、もう一つの野心的な研究を行うことにしました。この研究から得られた最も興味深い知見は、予測を他の人より上手に行える人々が確かに存在するということでした。完璧ではないが、平均以上です。さらに、それらの同じ人々は時間とともに予測が上手くなっていきました。つまり、彼らは最初にたまたま運が良かっただけではなかったのです。テトロックはこのグループを「スーパーフォーキャスター」と呼びました。いくつかの特質が彼らを結びつけていましたが、おそらく最も重要なのは、オープンマインドな性格特性でした。言い換えれば、スーパーフォーキャスターは特定の予測アプローチに頑固に固執せず、新しい証拠を示されたら喜んで自分の見解を変えたのです。
テトロックの研究は、私たちが統計的予測で誤りを犯すのは、知識不足の結果というよりも、データを受け入れることを拒否するがゆえであることの証拠です。ですから、常に心を大きく開いておきましょう。それとしっかりした統計的知識の基盤を組み合わせれば、世界への理解はますます明確になるでしょう。
これらの要点の核心メッセージ：どのようなデータであっても、クリアな心と事実への集中をもって見るために、いくつかの重要なルールを覚えておいてください。
最終まとめ
これには、視覚的なものであれ言葉によるものであれ、情報に対する感情的反応を監視し、新たな証拠に直面して自分の意見を更新する用意があることが含まれます。 また、統計の全体像を見て、包括的な文脈を検討し、潜在的な歪み、除外、見落としを特定する必要もあります。 これらすべてを結びつける最終的な目標は、常に好奇心を持ち続けることです。事実を深く探求し、問い続けてください。
実践的なアドバイス：いくつかの「目安となる数字」を記憶しておく。
起業家のアンドリュー・エリオットは、他の数字の相対的な重要性を理解しやすくするために、いくつかの「目安となる数字」の短いリストを頭に入れておくことを勧めています。以下に例をいくつか挙げます。アメリカの人口は3億2500万人、イギリスは6500万人。ボストンからシアトルまでのドライブ距離は3000マイル。そして平均的な小説の長さは10万語です。これらを頭に入れておけば、比較に使うことができます。たとえば、1万語の報告書は長く思えるかもしれませんが、平均的な小説より10倍短いのです。
