Name: ベイズ推論の力 | BBC Ideas (The power of Bayesian reasoning | BBC Ideas)
Uploaded: 2026-01-22T18:21:13.000Z
Duration: 4 min 56 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

様態の副詞

おそらく気づいていないかもしれませんが、

every time you change your mind based on new information, like rethinking a decision after hearing a friend's advice, you're using something called Bayesian reasoning.

新しい情報に基づいて考えを変えるたびに、例えば友人のアドバイスを聞いてから決断を考え直すときのように、あなたはベイズ推論と呼ばれるものを使っています。

基礎受動態

Bayesian reasoning was first articulated by the Reverend Thomas Bayes, a clergyman from Tunbridge Wells in southern England, way back in the 18th century.

ベイズ推論は、18世紀にイギリス南部のタンブリッジ・ウェルズ出身の聖職者であるトーマス・ベイズ牧師によって初めて提唱されました。

ベイズは生前、あまり知られていませんでした。

In fact, his theory wasn't published until two years after he had died.

実際、彼の理論は亡くなる2年後まで公表されませんでした。

But his work has gone on to profoundly shape science, medicine, and artificial intelligence.

しかし、彼の業績は科学、医学、人工知能に深く影響を与え続けています。

It even helped crack the Nazis Enigma code during World War II.

第二次世界大戦中、ナチスのエニグマ暗号を解読するのに役立ったほどです。

So what is Bayesian reasoning, and how can it help us understand the world?

では、ベイズ推論とは何でしょうか？そして、それが世界を理解するのにどう役立つのでしょうか？

トーマス・ベイズは2つの重要な考えを導入しました。

First, that our beliefs can be expressed as probabilities, and

まず、私たちの信念は確率として表現できるということ、そして

second, how our beliefs should be revised when we obtain more information.

二つ目は、より多くの情報が得られたときに、私たちの信念をどのように修正すべきかということです。

Essentially, he produced a theory for learning from experience.

本質的に、彼は経験から学ぶための理論を生み出したのです。

Bayesian analysis can be used in any situation where each new item of information changes our beliefs.

ベイズ解析は、新しい情報が得られるたびに私たちの信念が変化するあらゆる状況で使用できます。

Alan Turing and his team at Bletchley park used Bayesian ideas to learn about the settings of Enigma machines in World War II, changing their opinion as new patterns were found.

第二次世界大戦中、ブレッチリー・パークのアラン・チューリングとそのチームは、エニグマ機械の設定について学ぶためにベイズ的アプローチを使用し、新しいパターンが見つかるたびに意見を変えました。

The spam filter on your email account will use Bayesian analysis to change its probability that your email message is spam as each new suspicious feature is detected.

お使いのメールアカウントのスパムフィルターは、ベイズ解析を使用して、新しい疑わしい特徴が検出されるたびに、メールメッセージがスパムである確率を変更します。

Take breast cancer Screening in the UK, mammograms are rather accurate, detecting about 90% of cancers, and

イギリスでの乳がんスクリーニングを見てみましょう。マンモグラフィーはかなり正確で、約90%のがんを検出します。

97% of women without cancer correctly get a negative test result.

そして、がんのない女性の97%は正しく陰性結果を得ます。

しかし、残りの3%はどうでしょうか？

Let's consider what we would expect to happen to 100 women being tested.

検査を受ける100人の女性に何が起こると予想されるかを考えてみましょう。

Based on past experience of the rate of breast cancer among women getting mammograms, we would expect one out of the hundred to have cancer, and

マンモグラフィーを受ける女性の間での乳がんの発生率に関する過去の経験に基づくと、100人中1人ががんに罹患していると予想され、

that case is almost certain to be picked up on the mammogram.

その場合、マンモグラフィーでほぼ確実に検出されます。

Of the remaining 99 without cancer, we would expect three women to get a false positive result.

がんのない残りの99人のうち、3人が偽陽性結果を得ると予想されます。

So in total, we expect one plus three equals four positive tests.

したがって、合計で1人プラス3人で、4件の陽性検査結果が出ると予想されます。

しかし、実際には1人しかがんではありません。

From this perspective, looking only at the women who get a positive result, perhaps the test does not seem so accurate.

この観点から、陽性結果が出た女性だけを見ると、検査はそれほど正確ではないように思われるかもしれません。

Around three out of four or 75% of the women recalled don't have cancer.

呼び出された女性の4分の3、つまり75%はがんではありません。

Further tests should rapidly identify these three false positives.

さらなる検査で、これらの3つの偽陽性はすぐに特定されるはずです。

This is an example of using Bayesian analysis.

これはベイズ解析を使用した例です。

Since we are taking into account the base rate for the condition, our prior probability that a random woman being tested has breast cancer is 1%.

病気のベースレートを考慮に入れているため、ランダムに検査を受ける女性が乳がんであるという事前確率は1%です。

And after getting a positive test result, this is updated to what is called a posterior probability, which is 1 out of 4 or 25% of course, further investigations will eventually change the probabilities of those who are recalled either to 0% or less, fortunately 100%.

そして、陽性検査結果を得た後、これは事後確率と呼ばれるものに更新されます。これは4分の1、つまり25%です。もちろん、さらなる調査により、呼び出された人々の確率は最終的に0%または幸いにも100%未満に変わるでしょう。

The use of Bayesian analysis in medical testing is now standard.

医療検査におけるベイズ解析の使用は、現在標準となっています。

However, more controversial is the use of Bayesian methods in science, so called Bayesian inference.

しかし、科学におけるベイズ的アプローチの使用、いわゆるベイズ推論は、より議論の余地があります。

The traditional view of science is that it is a completely objective activity, that data is analyzed without preconceptions and the results speak for the the Bayesian perspective is somewhat different.

科学の伝統的な見方は、それが完全に客観的な活動であり、先入観なしにデータが分析され、結果が語るというものです。しかし、ベイズ推論の視点は少し異なります。

It acknowledges that there are always judgments underlying every analysis and that we don't start from a blank slate.

そこでは、常に分析の根底には判断があり、私たちはまっさらな状態から始めるわけではないことを認めています。

Each set of data adds to our existing knowledge rather than standing entirely on its own.

それぞれのデータセットは、完全に独立しているのではなく、既存の知識に追加されていきます。

For example, clinical trials of new drugs are not designed in complete ignorance.

例えば、新薬の臨床試験は、完全な無知のうちに設計されるわけではありません。

There is always some historical evidence available about the potential effectiveness of the new therapy, and

新しい治療法の潜在的な有効性に関する何らかの歴史的証拠は常に存在し、

expert judgments can be elicited and used to prioritize investigations and produce efficient designs.

専門家の判断を引き出し、調査の優先順位付けや効率的な設計に利用することができます。

And it's even thought that we have Bayesian brains.

そして、私たちはベイズ的な脳を持っているとさえ考えられています。

We don't start from scratch to interpret our sensations for each second that passes.

私たちは、過ぎ去る一瞬ごとに感覚を解釈するために、ゼロから始めるわけではありません。

Instead, we always have prior expectations of what we might experience next, and

そして、次に何が起こるかについての事前期待は常にあり、

then new observations update our beliefs accordingly.

それから新しい観測によって私たちの信念はそれに応じて更新されます。

Fundamentally, Bayesian ideas reflect what it means to be human.

根本的に、ベイズ的な考え方は人間であることの意味を反映しています。

私たちは不確実な世界に生きていますが、

we always have prior expectations of what might happen next, and

次に何が起こるかについての事前期待は常にあり、

we revise that uncertainty as we learn from experience, all based on the ideas of a rather obscure 18th century cleric from Tunbridge Wells.

そして、タンブリッジ・ウェルズ出身のあまり知られていない18世紀の聖職者の考えに基づいて、経験から学ぶにつれてその不確実性を修正していきます。

字幕リスト動画再生

ベイズ推論の力 | BBC Ideas (The power of Bayesian reasoning | BBC Ideas)

perspective

articulate

vital

prioritize