scout-mindset-bias-check

スカウトのマインドセットとバイアスチェック

目次

• インタラクティブメニュー
• クイックリファレンス
• リソースファイル

基本原則： 自分の立場を守るのではなく、状況を正確に把握します。予測には知的誠実さが必要です。バイアスは確率を体系的に歪め、感情的な執着は判断を曇らせ、都合のよい推論は過信につながります。

---

インタラクティブメニュー

何をしますか？

主なワークフロー

1. 反転テストを実施する - 反対の証拠も受け入れられるかを確認する

• 都合のよい推論を検出する
• 証拠の基準を検証する
• 特別扱いを明らかにする

2. 範囲感度を確認する - 確率が入力に応じて変化することを確認する

• 線形スケーリングテスト
• 参照点の調整
• 大きさの評価

3. 現状維持バイアスを検証する - 「変化なし」という前提に疑問を投げかける

• エントロピーの原則
• 変化と安定のエネルギー
• デフォルト状態の反転

4. 信頼区間を監査する - 信頼区間の幅を検証する

• サプライズテスト
• 過去の較正
• 過信の確認

5. バイアスの総合監査を実施する - 包括的なバイアス検査

• 主要な認知バイアスすべて
• 体系的なチェックリスト
• 優先順位を付けた是正策

6. フレームワークを学ぶ - 方法論を詳しく学ぶ

• スカウトと兵士のマインドセットを読む
• 認知バイアスカタログを読む
• バイアス解消のテクニックを読む

7. 終了 - メインの予測ワークフローに戻る

---

1. 反転テストを実施する

反対の方向を示す証拠も受け入れられるかを確認します。

Reversal Test Progress:
- [ ] Step 1: State your current conclusion
- [ ] Step 2: Identify supporting evidence
- [ ] Step 3: Reverse the evidence
- [ ] Step 4: Ask "Would I still accept it?"
- [ ] Step 5: Adjust for double standards

ステップ 1：現在の結論を述べる

何を予測していますか？

• 予測：[イベント]
• 確率：[X]%
• 方向：[高／低の確信度]

ステップ 2：結論を裏付ける証拠を特定する

結論を裏付ける証拠を挙げます。

例： 候補者 A が勝つ（75%）

1. 世論調査では A が 5% リードしている
2. A は選挙資金をより多く集めている
3. 専門家の評論家は A を支持している
4. A は討論会でより高い評価を得ている

ステップ 3：証拠を反転させる

同じ証拠が反対の方向を示すと想像します。

反転後： 世論調査で B がリードし、B がより多くの資金を集め、専門家が B を支持し、B がより高い評価を得ていたとしたらどうでしょうか？

ステップ 4：「それでも受け入れるか？」と自問する

重要な質問：

このように反転した証拠があった場合、それを有効なものとして受け入れ、予測を変更しますか？

考えられる回答は 3 つです：

A) はい - 反転した証拠を受け入れる ✓ バイアスは検出されていません。現在の推論を続けてください

B) いいえ - 反転した証拠を退ける ⚠ 警告： 都合のよい推論です。自分に有利なときは証拠を受け入れ、不利なときは同等の証拠を退けています（特別扱い）

C) 判断できない - 考える必要がある ⚠ 警告： 証拠の基準に非対称性がある場合、推論ではなく合理化をしている可能性があります

ステップ 5：二重基準を調整する

B または C と答えた場合：

自問してください： なぜ一方の方向ではこの証拠を退け、もう一方では受け入れるのでしょうか？客観的な理由があるのでしょうか。それとも、自分の好みに左右されているのでしょうか？

よくある合理化：

• 「この情報源には偏りがある」（意見が異なるときだけ）
• 「サンプル数が少なすぎる」（不利な世論調査に対してだけ）
• 「外れ値のデータだ」（気に入らないデータに対してだけ）
• 「文脈が重要だ」（都合よく選んで持ち出す）

対処法：

• 選択肢 1： 証拠を完全に退ける（反転した場合に信頼できないのなら、今も信頼しない）
• 選択肢 2： どちらの方向でも受け入れる（方向に関係なく証拠を信頼する）
• 選択肢 3： 適切に重み付けする（どちらの方向でも弱い証拠かもしれません）

確率の調整： 二重基準を検出した場合、確率を 50% に向けて 10～15% 動かします

次へ： メニューに戻る

---

2. 範囲感度を確認する

確率が大きさに応じて適切に変化することを確認します。

Scope Sensitivity Progress:
- [ ] Step 1: Identify the variable scale
- [ ] Step 2: Test linear scaling
- [ ] Step 3: Check reference point calibration
- [ ] Step 4: Validate magnitude assessment
- [ ] Step 5: Adjust for scope insensitivity

ステップ 1：変数の規模を特定する

どの次元に大きさがありますか？

• 人数（100人 vs 10,000人 vs 1,000,000人）
• 金額（$1K vs $100K vs $10M）
• 期間（1か月 vs 1年 vs 10年）

ステップ 2：線形スケーリングを検証する

線形性テスト： 入力を2倍にして、影響も2倍になるか確認します。

例：スタートアップの資金調達

• $1Mを調達した場合：___%
• $10Mを調達した場合：___%
• $100Mを調達した場合：___%

スコープ感度の確認： 確率は妥当に変化しましたか？ほとんど変化しなかった場合 → スコープ無視

ステップ 3：基準点の較正を確認する

アンカリングテスト： 数値（ベースレート、他者の予測、切りのよい数値）から始めて、調整が不十分ではありませんか？

対処法：

• 他者の予測を見ずに、ゼロから確率を算出します
• 次に比較し、違いをすり合わせます
• ただ「中間を取る」のではなく、推定値が異なる理由を考えます

ステップ 4：規模の評価を検証する

「1 vs 10 vs 100」テスト： 予測の規模を10倍ずつ変えてみます。

例：プロジェクトの所要期間

• 1か月：P(成功) = ___%
• 10か月：P(成功) = ___%
• 100か月：P(成功) = ___%

期待値： 確率は大きく変化するはずです。3つすべての推定値が10パーセントポイント以内に収まる場合 → スコープ無視

ステップ 5：スコープ無視を調整する

問題： 感情システムは規模ではなく、カテゴリに反応します。

対処法：

方法 1：対数スケーリング - 直感を働かせるために対数尺度を使います

方法 2：規模別の参照クラス - 「スタートアップ」を参照クラスにしないでください。「$1Mを調達したスタートアップ」（成功率10%）と「$100Mを調達したスタートアップ」（成功率60%）を使います

方法 3：明示的な較正 - 次の式を使います：P(成功) = ベースレート + k × log(金額)

次へ： メニューに戻る

---

3. 現状維持バイアスを検証する

「変化なし」が既定の状態であるという前提に異議を唱えます。

Status Quo Bias Progress:
- [ ] Step 1: Identify status quo prediction
- [ ] Step 2: Calculate energy to maintain status quo
- [ ] Step 3: Invert the default
- [ ] Step 4: Apply entropy principle
- [ ] Step 5: Adjust probabilities

ステップ 1：現状維持の予測を特定する

「変化なし」と予測していますか？ 例：「この傾向は続く」「市場シェアは変わらない」「政策は変わらない」

変化はリスクに感じられるため、現状維持の予測では確率が過大になりがちです。

ステップ 2：現状維持に必要なエネルギーを算出する

エントロピーの原理： エネルギーが積極的に投入されない場合、システムは無秩序な状態へと衰退します。

質問：「物事を同じ状態に保つには、どのような努力が必要ですか？」

例：

• 市場シェア： 維持するには競合他社のイノベーションに追いつく必要があります → 必要なエネルギー：大 → 現状維持は困難
• 政策： 維持するには変更の提案がないことが必要です → 必要なエネルギー：小 → 現状維持は容易

ステップ 3：既定の前提を反転する

思考実験：

• 通常の枠組み：「Xは変化するか？」（既定値 = いいえ）
• 反転した枠組み：「Xは同じ状態を保つか？」（既定値 = いいえ）

バイアスの確認： P(変化) + P(同じ状態) ≠ 100% の場合、現状維持バイアスがあります。

ステップ 4：エントロピーの原理を適用する

熱力学第二法則（予測への適用）：

次の点を確認します：

1. このシステムは開放系ですか、それとも閉鎖系ですか？
2. 維持・改善のためにエネルギーが投入されていますか？
3. そのエネルギーは十分ですか？

ステップ 5：確率を調整する

現状維持バイアスが検出された場合：

高いエネルギーを必要とする「変化なし」の予測の場合：

• P(現状維持)を10～20%引き下げます
• それに応じてP(変化)を引き上げます

慣性が実際に有利に働く予測の場合： 調整は不要です

ヒューリスティック： 現状維持に積極的な努力が必要なら、衰退する可能性は考えているより高いといえます。

次へ： メニューに戻る

---

4. 信頼区間を監査する

信頼区間の幅が真の不確実性を反映しているか検証します。

Confidence Interval Audit Progress:
- [ ] Step 1: State current CI
- [ ] Step 2: Run surprise test
- [ ] Step 3: Check historical calibration
- [ ] Step 4: Compare to reference class variance
- [ ] Step 5: Adjust CI width

ステップ 1：現在の信頼区間を記述する

現在の信頼区間：

• 点推定値：___%
• 下限：___%
• 上限：___%
• 幅：___パーセントポイント
• 信頼水準：___（通常は80%または90%）

ステップ 2：サプライズテストを実施する

サプライズテスト：「真の値が自分の信頼区間から外れたら、本当に驚くだろうか？」

較正：

• 80% CI → 20% の確率で驚くはずです
• 90% CI → 10% の確率で驚くはずです

**テスト：**結果が下限をわずかに下回る場合、または上限をわずかに上回る場合を想像してください。

考えられる回答は 3 つです：

• A）「とても驚きます」 - ✓ CI は適切に較正されています
• B）「そこまで驚きません」 - ⚠ CI が狭すぎます（過信しています）→ 区間を広げます
• C）「その範囲に収まったら驚きます」 - ⚠ CI が広すぎます → 区間を狭めます

ステップ 3：過去の較正状況を確認する

過去の予測を確認します：

1. CI を付けた直近 20～50 件の予測を集めます
2. 実際の結果が CI の範囲外になった件数を数えます
3. 理論上の予想と比較します

CI レベル	予想される範囲外の割合	実際の割合
80%	20%	___%
90%	10%	___%

**診断：**実際の割合 > 予想される割合 → CI が狭すぎます（過信しています）- 最もよくあるケース

ステップ 4：参照クラスの分散と比較する

参照クラスのデータがある場合：

1. 参照クラスの結果の標準偏差を計算します
2. 自分の CI がその分散とおおよそ一致しているか確認します

**例：**参照クラスの標準偏差 = 12%、自分の 80% CI ≈ 点推定値 ± 15%

自分の CI が参照クラスの分散より狭い場合、平均より多くのことを知っていると主張していることになります。その理由を説明するか、CI を広げてください。

ステップ 5：CI の幅を調整する

調整ルール：

• **過信している場合：**現在の幅に 1.5×～2× を掛けます
• **自信が不足している場合：**幅を 0.5×～0.75× に縮小します

次へ：メニューに戻る

---

5. バイアスの全体監査を実施する

主な認知バイアスを網羅的に確認します。

Full Bias Audit Progress:
- [ ] Step 1: Confirmation bias check
- [ ] Step 2: Availability bias check
- [ ] Step 3: Anchoring bias check
- [ ] Step 4: Affect heuristic check
- [ ] Step 5: Overconfidence check
- [ ] Step 6: Attribution error check
- [ ] Step 7: Prioritize and remediate

詳しい説明は認知バイアスカタログを参照してください。

簡易監査の質問：

1. 確証バイアス

• 自分の考えを否定する証拠を探しましたか？
• 自分の立場に反する証拠を同等に重視しましたか？
• 自分の考えが間違っていることを積極的に証明しようとしましたか？

どれか 1 つでも「いいえ」の場合 → 確証バイアスが検出されました

2. 利用可能性バイアス

• 最近の、または印象に残る事例に頼りましたか？
• 「思い浮かぶこと」ではなく、体系的なデータを使いましたか？
• 事例が代表的かどうか確認しましたか？

どれか 1 つでも「いいえ」の場合 → 利用可能性バイアスが検出されました

3. アンカリングバイアス

• まず独自に推定値を出しましたか？
• 他者の数値に影響されないようにしましたか？
• 最初のアンカーから十分に調整しましたか？

どれか 1 つでも「いいえ」の場合 → アンカリングバイアスが検出されました

4. 感情ヒューリスティック

• その結果を感情的に望んでいますか？
• 「望むこと」と「起きること」を分けて考えましたか？
• インセンティブが逆だった場合でも、同じ予測をしますか？

どれか 1 つでも「いいえ」の場合 → 感情ヒューリスティックが検出されました

5. 過信

• プレモーテムを実施しましたか？
• CI の幅は十分ですか（サプライズテスト）？
• 自分の予測が間違う可能性を特定しましたか？

どれか 1 つでも「いいえ」の場合 → 過信が検出されました

6. 根本的な帰属の誤り

• 成功を、スキルによるものか運によるものか適切に判断しましたか？
• 個人の特性だけでなく、状況要因も考慮しましたか？
• 「偉人」物語を避けましたか？

どれか 1 つでも「いいえ」の場合 → 帰属の誤りが検出されました

ステップ 7：優先順位を付けて対処する

検出されたバイアスごとに：

1. **重大度：**高／中／低
2. **方向：**確率を上げているか、下げているか
3. **大きさ：**影響する確率の推定値（パーセントポイント）

対処例：

バイアス	重大度	方向	調整
確証	高	上昇	-15%
利用可能性	中	上昇	-10%
感情ヒューリスティック	高	上昇	-20%

調整後の合計：-45% → 確率を 45 ポイント下げます（例：80% → 35%）

次へ：メニューに戻る

---

6. フレームワークを学ぶ

方法論を詳しく学びます。

リソースファイル

📄 スカウトと兵士のマインドセット

• Julia Galef のフレームワーク
• 動機づけられた推論
• 知的誠実さ
• アイデンティティと信念

📄 認知バイアスのカタログ

• 20 を超える主要なバイアス
• 予測に及ぼす影響
• 検出方法
• 是正策

📄 バイアスを取り除く手法

• 体系的なバイアス除去プロセス
• 事前コミットメント戦略
• 外部による説明責任
• アルゴリズムによる支援

次へ： メニューに戻る

---

クイックリファレンス

スカウトの心得

1. 心地よさより真実を優先する - 願望的な考えより正確さを重視します
2. 反証を探す - 自分が間違っていることを証明してみます
3. 信念に固執しない - 二者択一ではなく、確率的に捉えます
4. 少しずつ更新する - 証拠に応じて考えを変えます
5. 望みと予測を切り分ける - 願望 ≠ 予測
6. 自分の考えを検証する - 定期的にバイアス監査を行います
7. 適切に調整し続ける - 時間の経過とともに正確さを追跡します

スカウトのマインドセットとは、物事を自分の望む姿ではなく、ありのままに見ようとする姿勢です。

---

リソースファイル

📁 resources/

• scout-vs-soldier.md - マインドセットのフレームワーク
• cognitive-bias-catalog.md - バイアスの包括的なリファレンス
• debiasing-techniques.md - 是正策

---

始める準備はできましたか？上のメニューから番号を選んでください。