ヒューリスティクスとバイアス

🎓 レベル：基礎　|　重要度：A（必須）

📎 前提：合理的意思決定のプロセス・ベイズ更新と意思決定　|　関連：プロスペクト理論

要点（BLUF）

人は限られた認知資源で素早く判断するため、ヒューリスティクス（簡便な経験則） を使います。多くの場面で有効ですが、系統的なバイアスも生みます。
代表的な3つ：代表性（典型らしさで確率判断→基準率の無視）、利用可能性（思い出しやすさで頻度判断）、係留と調整（最初の値に引きずられる）。
これらは「人は時々ミスする」のではなく、予測可能な方向に系統的に外す。だから規範（ベイズ・期待効用）との差を測り、対策（ナッジと選択アーキテクチャ）を設計できます。

1. ヒューリスティクスとは

Kahneman & Tversky は、人の判断がヒューリスティクス——複雑な確率・頻度の問いを、簡単な問いに置き換えて答える経験則——に依存することを示しました。これは欠陥ではなく、限定合理性（合理的意思決定のプロセス）のもとでの適応です。たいていは速くて十分。ただし置き換えが不適切なとき、系統的なバイアスが生じます。

二重過程理論では、速く直感的なシステム1（ヒューリスティクスの担い手）と、遅く熟慮的なシステム2を分けます。バイアスの多くは、システム1の即答をシステム2が検算せずに通すときに起きます。

2. 代表性ヒューリスティックと基準率の無視

代表性は、「AがカテゴリーBにどれだけ典型的に見えるか」で $P(B\mid A)$ を判断する経験則。典型らしさと確率を混同するため、基準率（事前確率）を無視します。医療検査の例で、正しいベイズ計算（ベイズ更新と意思決定）と直感のズレを見ます。

有病率1%の病気。検査の感度99%（病気なら99%陽性）、偽陽性率5%（健康でも5%陽性）。「陽性だった人が本当に病気の確率」は？

import numpy as np

prevalence = 0.01       # 有病率（基準率）
sensitivity = 0.99      # P(陽性|病気)
false_pos = 0.05        # P(陽性|健康)

p_pos = prevalence*sensitivity + (1-prevalence)*false_pos    # 周辺確率
posterior = prevalence*sensitivity / p_pos                   # ベイズ

print(f"P(陽性) = {p_pos:.4f}")
print(f"P(病気|陽性) = {posterior:.4f}  (= {posterior*100:.1f}%)")
print(f"直感的な誤答（感度99%と混同）: 約99%")
print(f"正しい答え: 約{posterior*100:.0f}%")

出力：

P(陽性) = 0.0594
P(病気|陽性) = 0.1667  (= 16.7%)
直感的な誤答（感度99%と混同）: 約99%
正しい答え: 約17%

出力の意味：多くの人（医師でさえ）は「感度99%だから陽性なら99%病気」と直感しますが、正解は16.7%——大きく外します。理由は基準率の無視。病気はそもそも1%しかいないので、陽性者の多くは「健康なのに偽陽性（95%×5%）」の人。 $P(陽性\mid病気)=99\%$ と $P(病気\mid陽性)=17\%$ は別物（ベイズ更新と意思決定の条件付き確率の取り違え）なのに、代表性ヒューリスティックは両者を取り違えさせます。直感と規範の差が80ポイント以上——バイアスが系統的かつ大きいことの典型例です。

3. 利用可能性・係留、そして過信

他の主要なヒューリスティクスも、置き換えの構造は同じです。

利用可能性（availability）：「思い出しやすさ」で頻度・確率を判断。報道の多い事故（航空機）を過大評価し、地味な死因（生活習慣病）を過小評価する。鮮明・最近・感情的な事例ほど過大に効きます。
係留と調整（anchoring）：最初に提示された数値（アンカー）に引きずられ、そこから十分に調整できない。交渉の初値、見積りの基準、無関係な数字すら判断を動かします。
過信（overconfidence）とキャリブレーション：自分の知識・予測の精度を過大評価する。「90%確信」と言った予測が実際には70%しか当たらない、といったキャリブレーションのずれ。主観確率を意思決定に使う（ベイズ更新と意思決定）うえで、確率評価そのものが歪むのは深刻です。専門家でもキャリブレーション訓練なしには過信しがちで、確率予測のフィードバック訓練が有効とされます。

これらは独立でなく絡み合います（利用可能な事例が代表性を強める等）。共通するのは、速い判断が、規範的な計算を系統的にショートカットすることです。

数式の直観的意味：バイアスは「規範からの系統的偏差」

バイアスが「ランダムなノイズ」でなく「系統的偏差」であることが、意思決定分析にとって決定的です。ノイズなら平均すれば消えますが、系統的偏差は何度繰り返しても同じ方向に外す。基準率の無視を式で見ると、人は

\hat P(\text{病気}\mid\text{陽性}) \approx P(\text{陽性}\mid\text{病気}) \quad(\text{尤度で代用})

と、事前確率 $P(\text{病気})$ の項を落としています。ベイズの正しい式 $P(病気\mid陽性) \propto P(陽性\mid病気)P(病気)$ から基準率を欠落させるのが代表性バイアスの正体。だから対策も明確で、「基準率を明示的に思い出させる」「頻度形式（1000人中何人）で提示する」と誤りが減ります。系統性ゆえに予測でき、設計で矯正できる——これが記述的研究をナッジと選択アーキテクチャの実践へ繋ぐ橋です。規範（ベイズ）は、バイアスを測る物差しとしても働きます。

⚠️ よくある誤解

「ヒューリスティクスは悪」ではない：多くの状況で速く十分な判断を与える適応的な道具です。問題は適用範囲を外れたとき。賢い簡便法と、その失敗モードはセットで理解します。
「専門家はバイアスから自由」ではない：医師・投資家・裁判官でも基準率の無視や係留は起きます。専門知識は領域固有で、確率推論のバイアスを自動的には防ぎません。
「知れば直る」とは限らない：バイアスを知っていても、システム1の即答は出ます。直すには手続き（チェックリスト・頻度提示・外部視点）の設計が要ります。
「バイアス＝非合理で無価値」ではない：限定合理性の下では合理的な近似のこともあります。規範からの距離を測ることで、どこを補正すべきかが分かります。

対応シミュレーション

本文のコードで、有病率（基準率）を動かすと $P(病気\mid陽性)$ が大きく変わります。基準率が低いほど、直感（感度に引きずられる）と正解の差が開く——基準率の無視がいつ深刻になるかを確認できます。