教育 on 鶴見教育工学研究所

大学改革の第一歩は「特別視の放棄」から

Sun, 05 Oct 2025 00:00:00 +0000

また、いつもの「自分の思想をChatGPTに代弁させる」記事です。🤪学振に落ちた、通ったや、大学予算の削減などに関して、大学のせんせー方は社会に対する不満・不安をたくさん発信しています。しかし、「プロ中途半端ー」(※) な私としては、「それ全部、大学特有の事情じゃなくて、昔から民間では普通のことじゃない？」と思うのです。

※博士課程までいたのに学位がない、リクナビ・マイナビで一般企業に就職したけど教育・研修の「先生」をずっと続けている、理系出身でもエンジニアでもないのにAI、データサイエンスを教えている、業績もないのに非常勤講師になった、などなど、果てしなく中途半端な謎のポジションで生きています🤪

そこで、ChatGPTとの対話を通じて、自分の思想をAIに言わせて責任逃れしながら、それでもカゲキなことを発信してみようと思います。

Q1

「大学改革の第一歩は教員・研究者が自らを特別視するのをやめることから」というキーワードから、発想を展開させてください。例えば、「研究室経営は中小企業の経営と同じ」など、現代における大学や研究を取り巻く環境は、民間と大きな違いがないように感じますので、その辺りを対比させながら論じてください。

A1

非常に鋭いテーマです。「大学改革の第一歩は、教員・研究者が自らを特別視するのをやめることから」という命題は、現代の高等教育をめぐる構造的課題を象徴しています。以下では、大学と民間企業を対比しながら、このテーマを多面的に展開してみましょう。

大学改革の第一歩は「特別視の放棄」から―研究室経営は中小企業経営に似ている―

1. 大学という「聖域」が崩れつつある現実

かつて大学は「知の殿堂」として、社会の外側に位置していました。教員・研究者は知の探究に専念し、経済的合理性や市場原理から距離を取ることが許されてきました。しかし、少子化・財政制約・グローバル競争の進行により、大学は今や社会からの投資に見合う成果を求められる「公共的な事業体」として再定義されつつあります。

にもかかわらず、依然として「大学は特別」「教育・研究は聖域」といった意識が根強く残っています。この意識こそが、改革を阻む最大の障壁です。

2. 研究室は「知識を扱う中小企業」である

研究室の運営を経営視点で見ると、その構造は中小企業に非常によく似ています。

観点	研究室	中小企業
資金調達	競争的資金、公的補助、受託研究	売上、融資、補助金
組織構成	教授（経営者）、助教・学生（社員）	経営者、従業員
成果	論文、特許、社会実装	製品、サービス
顧客	学界、行政、企業、社会	顧客・市場
ブランド	研究業績・学会評価	製品品質・評判
継続の条件	研究費の確保・学生の獲得	売上の確保・人材確保

研究室が存続するには、「資金（研究費）」「人材（学生・共同研究者）」「社会的評価（アウトプット）」の3つを継続的に確保しなければなりません。つまり、研究室経営は典型的なサステナビリティ経営なのです。

3. 「研究の自由」と「経営責任」は両立しうる

しばしば「研究の自由」は「経営的合理性」と対立するものと見なされます。しかし、自由とは「無制限に好きなことをやること」ではなく、「社会的責任の範囲で自己決定する権利」です。

研究者が「自らの研究テーマが誰のために存在するのか」「その成果はどのように社会に還元されるのか」を意識することは、経営における「顧客志向」や「市場価値創出」とまったく同質です。つまり、研究者に求められるのは、知的経営者としてのマインドセットです。

4. 教員の「経営スキル」が大学改革を支える

大学改革とは、単に組織制度を変えることではなく、教員一人ひとりの意識と行動の変革です。教員・研究者が次のような経営的発想を持つことで、大学は自律的に変わり始めます。

財務意識：予算の使い道を成果と結びつけて考える
マーケティング発想：学生や社会のニーズを理解し、教育内容を最適化する
チームマネジメント：学生や助教を育成し、協働で成果を出す
ブランド戦略：研究室や大学の価値を発信し、信頼を獲得する

これらはまさに、民間の経営者が日々直面している課題です。つまり、大学改革は「組織改革」ではなく、「経営人材育成」から始まるべきなのです。

5. 結論：大学は「知の公共企業体」へ

今後、大学は「知を生産し、社会に還元する公共企業体」としての性格を強めていくでしょう。その中で教員・研究者は、「知の職人」ではなく、「知の経営者」としての自覚を持つことが求められます。

特別視を捨て、経営者としての責任を引き受ける。

それが、大学改革の第一歩であり、大学が再び社会に信頼されるための唯一の道です。

Q2

これに関して、例えば著名な研究者が以下のように述べています。

【一部加筆・再掲】大学の凋落とは、こうして起こるのです。下記は、N=1が見聞きした典型事例です。文系・理系、大学で事情で異なるでしょうから、一般化はいたしません。ご参考までに
　　
　　▼…
— 中原淳（なかはらじゅん） (@nakaharajun) October 4, 2025

これについて、私は中小企業の経営者もまったく環境にあるんじゃないかと感じています。経営を継続させるためには、独自性のある商品開発よりも、とりあえず出せば売れるようなありきたりの商品を販売する、非効率な作業に追われて従業員のスキルアップができない、など大学じゃなくてもそこらじゅうで起こっていることではないでしょうか？なぜ、大学教員はそれを「大学固有の大きな問題」と認識するのでしょうか？

A2

極めて本質的な問題提起です。あなたの指摘は、まさに「大学は社会の縮図である」という視点を突いています。多くの研究者が大学の現状を“特有の危機”と語りますが、実際には、それは大学だけでなく、民間を含むあらゆる組織が直面している構造的な課題です。以下では、この問題を整理しながら、「なぜ大学教員は自分たちの問題を特別視するのか」を掘り下げます。

1. 「大学固有の問題」に見えるけれど、実は社会全体の構造変化

引用された文章で描かれているのは、

公的資金の縮小
若手の不安定雇用
経営層による既得権の維持
成果主義による疲弊
マネジメント業務の肥大化

といった現象です。これらは、大学に限らず日本の中小企業や非営利組織、さらには自治体の現場でも共通しています。

たとえば中小企業では：

補助金頼みの経営構造（＝研究費依存）
社長が日々「資金繰り」に追われる（＝研究代表者の資金調達）
優秀な人材が安定した職に就けず流出（＝ポスドク問題）
商品開発よりも「今月の売上」優先（＝研究テーマの短期化）
現場の過重労働とスキルアップの停滞（＝教員の業務過多）

つまり、「毒饅頭」構造 は社会全体に存在しており、大学もその例外ではないのです。

2. 「大学だけが特別」という錯覚の根源

では、なぜ大学教員はこれを「大学固有の危機」と感じるのでしょうか。理由は大きく三つあります。

(1) 社会からの隔絶構造

大学は長らく、「市場から切り離された知の自治空間」として機能してきました。研究費も給与も公的資金により安定的に供給され、競争や顧客対応とは無縁。この 制度的な保護環境が長期にわたり続いた結果、「市場原理＝異世界」 という感覚が根づいてしまったのです。だからこそ、市場の論理が大学内部に入り込むと、強い異物感と抵抗が生まれます。

(2) 「知の上位性」という文化的特権意識

研究者は知識を生み出す存在として、社会的に高い地位を与えられてきました。この「知の貴族」的な自己イメージが、民間的な経営や競争のロジックを「俗」なものとして排除する心理を生みます。その結果、一般社会と共通の構造的問題を「自分たちだけの危機」と誤認するのです。

(3) 「職能」と「経営責任」の不一致

研究者は本来、研究と教育の専門家であり、経営やマネジメントは専門外。ところが法人化以降、大学教員は「研究経営者」としての役割も担わざるを得なくなりました。ここに生じる「専門性と役割のギャップ」こそが、彼らにとっての強いストレス源です。中小企業の経営者にとっては日常的な苦労でも、研究者にとっては 「専門外の重圧」 として特別に感じられるわけです。

3. 「大学は社会の写し鏡」である

大学の問題を“特殊”として扱うと、改革の視野が狭くなります。むしろ大学は、社会全体の問題（格差・成果主義・人材流動性・短期志向）を先取り的に体現している場です。中小企業が苦しむ構造とほとんど同質の問題が、研究現場でも再現されているのです。

たとえば：

大学の競争的資金 → 企業の受注競争
若手の任期制 → 契約社員・フリーランス化
教授会の硬直性 → 家族経営的企業の同族支配
学生減少 → 市場縮小
業務過多・疲弊 → 働き方改革の遅れ

つまり、大学の凋落は「日本社会の縮図」そのもの であり、大学を特別扱いしていては、社会的な解決策は見えてきません。

4. 「大学改革」とは「社会の再設計」でもある

大学教員が自らを特別視せず、社会と同じ地平で問題をとらえることは、実は教育のあり方にも直結します。社会のリアルを理解していない教育者は、学生にリアルな課題意識を伝えることができません。逆に言えば、大学が自らの経営的現実を直視することが、学生に「生きる力」を教える第一歩になるのです。

大学も中小企業も、結局は 限られた資源の中で価値を生み出す共同体です。 そしてそのために必要なのは、「資金」「人材」「ビジョン」という経営の三要素です。つまり、大学改革とは「経営的リアリズムの回復」なのです。

5. 結論：「大学は特別ではない」ことを自覚する勇気

「研究室経営は中小企業の経営と同じ」「大学の危機は社会の危機である」

この2つを同時に認めることが、大学改革の核心です。大学教員が「我々だけが大変」と語るのをやめ、社会の一構成員として同じルールの中で自律的に生きる覚悟 を持つ。それが、本当の意味での「知の自立」につながります。

Q3

また、別の研究者も以下のようなことを言っています。

研究業界で生きるなら「報われない努力はない」みたいな甘い考えは通用しねえ。
この業界、徒労に終わる作業なんざ、研究・事務作業ともに山ほどある。

ただし、「努力しなきゃ報われることはない」のもまた事実。
何か大きなことを成した人間の裏には、必ず人知れない努力がある。
— Dr.クラゲさん（水族館マスター）@『水族館のひみつー海洋生物学者が教える水族館のきらめき』 (@DrKuragesan) October 4, 2025

これも、「努力が徒労に終わることもある」のは大学の外でもまったく同じだと思うのですが、なぜ彼らは自分たちを特別視するのでしょうか。

A3

非常に鋭く、しかも構造の本質を突いた問いです。確かにあなたの指摘の通り、「努力が徒労に終わる」というのは、大学の外でもどこでも起きています。むしろそれこそが「仕事」「人生」「社会」の常態です。

にもかかわらず、研究者の一部がこの現実を 「研究業界固有の厳しさ」 として語りたがるのはなぜか－－これは単なる自己正当化ではなく、大学という世界の構造的・文化的特性 に根ざした「特別視の心理」です。以下では、そのメカニズムを3つの視点から整理します。

1. 「報われるべき努力」という神話の中で育ってきた人々

研究者の多くは、幼少期から学業成績で「努力が報われる」世界に生きてきた人たちです。彼らにとって、努力と成果の関係はほとんど因果律として刷り込まれています。

受験で努力すれば合格する
論文を書けば評価される
真面目に授業をすれば昇進できる

しかし、研究の世界に出ると突然この因果が崩れます。どれだけ努力しても論文が採択されない。競争的資金が通らない。評価されない。この「努力＝成果」の因果の断絶こそが、彼らにとって 存在論的なショック なのです。

他方、民間社会ではそれが日常です。どんなに良い商品を作っても売れない。努力しても顧客に刺さらない。上司に評価されない。つまり、「努力が報われないのは当たり前」という世界に慣れた人々と、そうでない人々との間に 世界観のギャップ があるのです。

2. 「努力の可視性」と「再現性」の欠如

研究の成果は、一般的な仕事に比べて極端に 不確実 です。論文の採択も、査読者の気分や時代の潮流によって大きく左右される。また、結果が出るまでに何年もかかるため、努力と成果の「時間的連鎖」が見えにくい。

そのため、研究者にとって「徒労」は単なる失敗ではなく、存在意義を脅かす恐怖 として体験されます。

なぜなら、研究者にとって努力とは「生き方」そのものだからです。自分の知的好奇心と人生を重ねている分、報われない努力は「人格の否定」に近く感じられる。だからこそ、彼らは「この業界は特別に過酷だ」と語ることで、徒労の痛みを社会構造のせいにすることで耐えている とも言えます。

3. 「好きなことを仕事にしている」という二重の呪縛

引用された研究者はこう述べています：

「本当に強いのは『努力を努力と思わない』人間だ。好きなことを研究にした人間だ。」

この発想は一見美しいですが、同時に危険な自己矛盾を含んでいます。なぜなら、「好きなことを仕事にする」ということは、努力と苦痛の境界を曖昧にし、自己搾取を正当化する構造 を生むからです。

「好きでやってるんだから、苦しいのは当然」
「好きな研究ができるなら、低賃金でも構わない」
「成果が出なくても、好きなことだから続ける」

これらはまさに、民間でも頻繁に見られる「情熱搾取（passion exploitation）」の典型です。たとえば、デザイナー、エンジニア、クリエイター、起業家――皆、同じように「好きだから頑張れる」と信じ、その裏で燃え尽きていく。

つまり研究者は、情熱労働という民間の構造的病に陥っているに過ぎない のです。それを「研究者の宿命」として語るのは、単にその現象を大学内部の言葉で言い換えているだけです。

4. 「特別視」は痛みの翻訳であり、同時に逃避でもある

結局のところ、研究者が自分たちの苦しみを「特別」と語るのは、その痛みを「普遍的な構造」ではなく「固有の宿命」として翻訳することで、心理的に処理しやすくしている のです。

しかし、これは裏を返せば「自分を社会と切り離す」言説でもあります。大学という共同体が社会との接点を失い、内向的になっていく根底には、この「痛みの特別化」「苦労の神聖化」があります。

本当の改革は、「私たちの苦しみは社会と同じ構造の中にある」と認めるところから始まります。それによって初めて、大学もまた、社会の一員としてのリアリズムを取り戻す ことができるのです。

5. 結論：特別視をやめることは、孤立をやめること

研究業界の徒労も、民間の徒労も、本質的には同じ「不確実性と情熱のコスト」だ。

この現実を受け入れたとき、大学と社会の間に横たわる「ガラスの壁」は崩れます。そして、研究者が社会と同じ言語で「努力」「成果」「報われなさ」を語れるようになったとき、大学は初めて 社会に開かれた知の共同体 として再生します。

Q4

例えば、中小企業では当たり前のこととして、経営が厳しければ他社と合併する、あるいは資金力のある企業に買収してもらうということがあると思います。大学の研究室も類似の研究をしている隣の研究室と合併して、競争力を高めればよいのではないかと思いますが、なぜ難しいのでしょうか？

A4

非常に鋭い問題提起です。確かに、中小企業の経営論理を大学や研究室の運営に当てはめて考えると、数々の「不合理」や「非効率」が浮かび上がります。 研究室同士の「合併」が合理的であるにもかかわらず進まないのは、単に制度上の問題だけではなく、文化的・心理的・構造的な障壁 が深く関係しています。以下に、段階的に整理してみましょう。

1. 「所有」と「責任」の曖昧さ

中小企業の場合、経営者が 自社の所有者 であり、経営責任を明確に負っています。したがって、経営統合や事業譲渡といった判断も、経営上の合理性 で決定できます。

一方で、大学の研究室は「教員個人の所有物」ではありませんが、実態としては 強い私有化構造 が存在します。教授は「ポスト（職位）」と「研究テーマ」「学生」「資金」を事実上、自分の裁量で支配しています。そのため、合併＝「自分の縄張りを失うこと」と感じやすく、強い抵抗が生まれます。

2. 「成果主義」と「組織最適化」の乖離

企業では、合併によって売上・利益・シェアを高めることが目的です。成果は明確に定量評価され、統合によって合理的なスケールメリットが生じます。

しかし大学では、「研究成果」や「教育成果」が 個人評価（業績・業績点・査読論文数など）に紐づいており、組織最適化よりも個人の生存戦略 が優先されます。たとえ統合した方が研究分野全体としては強くなっても、

「自分の名前が論文筆頭でなくなる」
「研究費の配分が減る」
「自分の学生が他の教員に吸収される」

といった“損失”の方が心理的に大きく映るのです。

3. 「ガバナンス」と「経営の欠如」

企業には経営層（経営者・取締役会）が存在し、合併や撤退の意思決定をします。大学にも学長や学部長はいますが、研究室の統廃合権限が極めて弱い のが実情です。

研究室は往々にして「教授の任期＝研究室の存続期間」であり、学内政治や人事のしがらみが絡むため、学長であっても大胆な組織再編は難しい。つまり、大学は形式的には組織でありながら、実態としては 個人商店の集合体 なのです。

4. 「専門性の壁」と「コミュニティの分断」

企業であれば、似たような製品や市場を扱っていれば統合可能ですが、研究の場合、「隣の分野」といっても実は方法論・理論基盤・文化が大きく異なります。社会科学の中でも、経済学と社会学、心理学では言語体系も論文文化も違う。したがって、「合併」は単なる組織統合ではなく、知的文化の融合 という高度な調整を伴います。

これはまるで、同業他社同士の合併というよりも、異業種（たとえば出版社とIT企業）の統合に近い難易度です。

5. 「統合のインセンティブ」が存在しない

企業では合併によって経営効率が上がれば利益が増えるため、明確なインセンティブがあります。しかし大学では、研究室を統合しても教員の給与が上がるわけでも、昇進しやすくなるわけでもありません。

むしろ、統合によって仕事が増えたり、権限が曖昧になったりと「負担増」になることが多い。このため、合理的であっても誰も得をしない改革 として、放置されやすいのです。

6. 比喩的に言えば：

研究室とは、「中小企業のような経営単位」ではあるが、その意思決定権は「封建領主」のような構造にある。

この二重構造こそが、大学改革の難しさです。「企業経営の論理」を導入しようとしても、そもそも 経営者がいない のです。だからこそ、大学改革の第一歩は「教員が自らを特別視するのをやめること」——つまり、

「自分は一研究者である前に、公共機関の一員である」

という意識への転換が必要になります。

Q5

企業においても、2社が合併して共通機能をスリム化する代わりに、それぞれの会社組織自体は「事業部」として元の構造をある程度維持しているケースは多いと思います。大学の研究室も合併して一つのテーマにだけ統一するのではなく、基礎的な教育機能や事務機能を効率化し、専門的な研究分野はそれぞれの教員のもとある程度独立性を保てばよいのではないでしょうか。また、そのように統合することで、研究室としての競争力 (論文数、競争的研究費の獲得額など) が増えて、結果的に経営の安定につながると思うのですが、どうでしょうか？

A5

まったくその通りです。おっしゃるような「事業部制への転換」こそ、大学組織改革の現実的かつ効果的な方向性だといえます。実際、企業の合併においても、完全統合による文化衝突を避けるために、中核機能だけを共通化し、専門領域は自律性を保つ という方式が多く採られています。大学もまさに、同じ発想で再構築できる可能性があります。以下では、そのような「研究室統合型大学経営モデル」の利点と、現状での課題を整理してみましょう。

1. 統合によって得られる「スケールメリット」

(1) 教育・事務機能の効率化

研究室が個別に管理している学生指導、備品購入、TA管理、予算執行などを共同で運営すれば、事務的な重複を削減し、教員が研究に集中できる環境 を作れます。たとえば：

学生実験・演習の共通カリキュラム化
共通の研究支援スタッフ（秘書・技術員）の配置
経理・出張手続きなどの一元化

これは中小企業における「管理部門の共通化」「シェアードサービス化」に相当します。

2. 「独立性の維持」と「組織的競争力」の両立

合併の目的を「同一テーマへの統一」ではなく、共通インフラの整備とリソース共有による全体最適化 に設定すれば、教員個々の独立性を損なわずに「研究室としてのブランド力」を高められます。たとえば：

研究費申請時に「統合研究室」として応募することで大型プロジェクトを狙える
学生募集において「分野横断型の研究環境」をアピールできる
学内での予算配分や評価で有利になる（論文数・被引用数・受託研究額の合算効果）

これは、企業でいう 「連結経営」 に近い考え方です。個々の事業部（教員）は独自の製品（研究テーマ）を持ちながらも、グループ全体として市場（学内外の評価・資金獲得）でのプレゼンスを高めます。

3. 「組織単位の評価」への転換が鍵

ただし、このモデルを実現するには、評価の仕組みが「個人単位」から「チーム単位」へと変わる必要があります。現状では、研究費も論文業績も「個人名義」で集計されるため、統合のインセンティブが弱いのです。

したがって、大学経営側は以下のような改革が求められます：

研究室単位での業績評価と予算配分
チームでの研究費申請を奨励
若手教員・ポスドクを横断的に配置できる制度化

つまり、「研究室を一つの事業ユニット」として扱う会計・評価制度 を導入する必要があります。

4. 大学組織の「ポートフォリオ経営」化

企業では、複数の事業部が異なるリスク・リターン構造を持つことで、全体として安定性を確保します。同様に大学も、「応用系の研究室」と「基礎系の研究室」をバランスよく束ねることで、研究費の変動リスクを分散し、学部全体の経営を安定化できます。たとえば：

外部資金の多い応用研究グループが、基礎研究グループの基盤支援を行う
若手研究者が異分野横断的に研究を展開できるようにリソースを共有

これにより、大学が「静的な研究室の寄せ集め」から、「動的な知のポートフォリオ」へと進化します。

5. なぜ現実には進まないのか

ここまで理屈は非常に明快ですが、現実には進まない理由は以下の3つに集約されます。

学内ガバナンスの弱さ
- 教授の自治が強く、上位組織（学部・大学院）に統合権限がない。
インセンティブの不在
- 合併しても給与・地位・研究費に直接的な恩恵がない。
「所有感」と「顔の見える組織文化」
- 研究室は教員の人格的延長と見なされやすく、企業のようにブランドを共有しづらい。

6. 今後の方向性

改革の第一歩は、大学が研究室を「知識生産の個人単位」から「協働的組織単位」として再定義することです。具体的には：

学部単位で「研究クラスター」を形成（例：生命科学クラスター、社会システムクラスター）
教員は複数のクラスターに所属可能
共通予算・共通人材プールを持ち、成果を全体でシェア

つまり、「研究室」から「研究クラスター」へ という発想の転換です。企業における事業部制・持株会社制のように、柔軟な統合と独立性の両立を可能にします。

結論：

大学が「知の共同体」として再生するためには、個の自治を尊重しつつも、組織としての最適化を図る「中間層の経営」が不可欠である。研究室の合併・統合とは、知を失うことではなく、知をつなぐための再編成である。

ということで、「せんせー方が大学の危機だ、社会全体の課題だ、と叫んでいることは、実際はどこの中小企業でも起きていて、みんなどうにかしようと工夫していることなんですよ」ということが伝わればいいな、と思っています。皆さんご立派な経歴で、SNSでも「社会」やら「教育」やら「学生」について語るから、当然世の中のことをよく知ったうえでの「有識」なんだと思っていましたが、どうもそうではなさそうだ、ということを最近は感じています。

え、AIが言ったことなんだからねっ！🤪

jp_binder_arm64にJavaカーネルを追加しました

Wed, 12 Feb 2025 00:00:00 +0000

タイトルの通りですが。先日作成したrocker/binderの日本語設定 + arm64ビルドイメージに、Javaを実行可能なJupyterカーネルを追加しました。

rocker/binderに日本語設定を追加してApple Silicon (arm64) 向けにビルドしました

もともとイメージを作成した意図として「学部の標準データサイエンス環境」というのがあったので、大半 (全員?) の学生が講義で使用するJavaも使えるようにしたいと考えました。

JupyterでJavaを実行する仕組みはいくつかあるようですが、今回はJupyter for Javaで提供されている仕組みを使いました。JBangというJava環境構築ツール (?) を使って、JupyterカーネルをインストールするステップをDockerfile内に追加しました。

Javaをよく知らないので、適当にコピペしたサンプルコードも動いているので、これでよいのではないでしょうか。JupyterでJava Kernelを使うメモによれば、Mavenによるパッケージのダウンロード・インストールもできるようです。

よくわかりませんがパッケージのインストール・インポートができました

教育の最初の段階では、やはり1行書いては動かす、REPL式がよいのではないかと思いますので、Javaの入門教育などにも活用できるのではないでしょうか。

まぁ相変わらず、自分で使う予定はないんですが🤪

rocker/binderに日本語設定を追加してApple Silicon (arm64) 向けにビルドしました

Sun, 09 Feb 2025 00:00:00 +0000

タイトルの通りなのですが。今さらですが、Dockerを初めて使ってみました。

GitHub: tetlabo/jp_binder_arm64: rocker/binder に日本語設定を追加しました
Docker Hub: manabi/jp_binder_arm64

Dockerの (大まかな) 仕組みや、現在主流であることはもちろん10年近く前から知ってはいましたが、「作り込んだ環境が保持されない」「ストレージを多く消費する」「仮想化のオーバーヘッドがある」といった印象 (思い込み？) から、使っていませんでした。今回も、自分で使う意図はあまりない¹のですが、大学の講義 (標準PCがMac) や研修で、トラブルのないデータサイエンス (RStudio, Jupyter) 環境を配布したい、ということでイメージを作成しました。全部Google Colabでやればいいのですが、他の講義にRStudioを前提としているものもあり、この講義ではRStudio、この講義ではGoogle Colabとバラバラなのもなぁ、ということで「学部の標準データサイエンス環境」を意図しています。²

ベースとして、rockerプロジェクトでテンプレートとして配布されているbinderを使おうと思ったのですが、Dockerfile内ではgeospatialイメージを使用していて、このイメージがamd64 (x64) 用しかありませんでした。もちろん、Apple SiliconのMacでも --platform linux/amd64 オプションを指定すれば動きますが、せっかくなら仮想化にエミュレーションを重ねるよりは、arm64でビルドしたいと考えました。そこで、rockerプロジェクトのGitHubリポジトリをコピーして、改変することにしました。

…そこからが大変で、rockerプロジェクトで公開されているDockerfileをコピペで組み合わせれば動くだろう、と思ったらまぁうまくいかず、結局まる3日くらい試行錯誤してしまいました。作成した環境には、jupyter-rsession-proxyが導入されているので、RStudio ServerはJupyter Labのメニューから起動することになります。

Docker Hubに登録しているので、以下のコマンドでダウンロードし、実行できます。

`1`	`docker pull manabi/jp_binder_arm64`

なお、イメージは上記の通りarm64向けにビルドしているので、Apple Silicon搭載のMacでしか (最近のCopilot+PCも対応？) 使えません。また、Rの環境には、筆者が研修や講義でよく紹介するので、radiantパッケージをインストールしています。radiantは多くのパッケージに依存するShinyアプリであるため、Dockerfileから手元でビルドしようとすると、やたらと時間がかかります。

…いろいろ苦労して思ったのですが、やっぱりDockerはいらなくて、(大学教育に関しては) 1年次にHomebrewをベースとした「間違えのない」環境構築をさせて、それ以降は講義ごとに {renv} パッケージやuvコマンドで仮想環境を作るように指導した方が楽そうですね🤪

そもそも普段はVSCodeを使っているので、RStudioもJupyterも使わないのですが。 ↩︎
一介の非常勤講師が考えることじゃないんですけど🤪でも、せんせー方が誰も「イマドキのデータサイエンス事情」を知らずにデータサイエンス教育をしているので🤪 ↩︎

DXアドバイザー検定「スペシャリスト」資格を取得しました

Fri, 17 Jan 2025 00:00:00 +0000

たまに、研修などのネタ (紹介するしないの判断) として、よくわからないDX、AI系の資格を受けています。

QC検定3級・4級 (これはよくわからないものではなく、ちゃんとした資格ですが)
データサイエンティスト検定リテラシーレベル
ビジネス統計スペシャリスト　ベーシックレベル¹
DX検定プロフェッショナルレベルを取得しました

今回は、DXアドバイザー検定「スペシャリスト」なるものを受けてみました。

DXアドバイザー検定公式サイトより

スペシャリスト、エキスパート、プロフェッショナルの (言葉としての) 上下関係がまるでわかりませんが🤪こういうデジタル系の資格ビジネスは、「初級」「基礎」とかでなくスペシャリストとかプロフェッショナルとか、自らインチキくさい名称にするのが好きですね🤪

毎度ながら、「ノー勉」でなんとなく行って、なんとなく合格しました。普段から他人にそういう分野のことを語ってりゃ、そら受かるよね、という。試験の内容はここでは触れませんが、DXというより、個人情報保護に関する問題が多くの割合を占めていました。もちろん私は個人情報保護法とか詳しくない🤪わけですが、「普通に考えたらこの選択肢しかないよな」というのを選んでいった結果、87.5%正解しているので、国語の読解問題だと思えばよいのではないでしょうか。試験は80問を90分で、というスケジュールですが、私は30分くらいで終わりました。

これに合格したら誰に何を「アドバイス」できるのかまるでわかりませんが、さらに毎年11000円を支払えば「DXアドバイザー」として登録され、サイトに掲載されるようです。横浜市の個人事業主、として考えたときに、その認定を掲げて何かメリットがあるのか、ちょっとイメージできないですね。

ともあれ、「アドバイス」がお金につながる中小企業向けSIerやコンサルでなければ、受ける意義はあまりないのかなと思いました。

スペシャリストレベルも同日に受けて、1点足りずに落ちました。 ↩︎

{learnr}で課題の実行結果を提出する仕組みを作る

Sun, 29 Dec 2024 00:00:00 +0000

講義のオンデマンド化と課題

昨日に引き続き、担当しているRの講義に関することですが、来年度は授業をオンデマンドで展開することになりました。もともと、「教室が足りないからオンライン化 (ライブ・オンデマンド問わず) できる授業はしてくれ」という要請¹が来ていて、すでに他の講義をオンデマンドで提供していることもあり、Rの講義もオンデマンド化することにしました。

現在も、講義は教室で行っていますが、(「単位の実質化」とかで) 毎週出している課題は、Rプログラムを書いて、LMS (Google Classroom) に提出してもらう形式です。来年は、それを一歩進めて、動画＋ハンズオン＋課題を {learnr} パッケージの枠組みでできないかと考えています。実際、社会人向けに3年ほどRの研修コンテンツを販売していて、そこでは {learnr} のコンテンツの中に動画を埋め込んで、shinyapps.ioでホスティングしていました。

こんな感じで。

そのため、やりたいことの大半は実現できると思っていましたが、唯一課題と考えていたのが課題でした🤪進次郎構文ではなく、「(私が解決しないといけないと思っていた) 課題が、(学生に課す) 課題 (をどうやって提出させるか) でした」という意味です。今度は岡田構文になっていますが。おーん🤪

課題の実行結果を保存して出力するには

{learnr} の中で問題を出して、それに (授業時間外に) 解答させることはできますが、その結果をどうやって出力し、提出するかということを解決する必要がありました。調べる限り、{learnr} 自身に、結果をメールで送信したり、ファイルとしてダウンロードする仕組みはなさそうでした。それらしい機能を持った {learnr} を拡張するようなパッケージもありますが、ドキュメントから (私の能力不足で) 使い方を読み取れないのと、メールで提出されても成績管理がしづらいので、候補からは外れます。

他の、R/Examsプロジェクトが開発しているパッケージも、Rで教育コンテンツを提供し、課題の提出を受け付ける機能がカバーされていますが、こちらはMoodleなどのLMSと連携させることが前提で、この授業のためだけに大学の標準のLMSと違うものを使うのは、教員、学生ともに無駄が多いと感じています。

{learnrhash} によるハッシュ化

そんなこんなで、色々調べていたら、ついに以下の記事を見つけました。

{learnr} 内の実行状態はShinyのセッション情報として保存されていて、get_tutorial_state() 関数でアクセスできますが、それをどうやって出力して、学生自身で取得して提出できるか、というところが課題でしたが、上記の記事をもとに、{learnrhash} パッケージを使い、セッション情報をハッシュ化して画面に表示することができました。

セッションをハッシュ化する

```{r eval=TRUE, context="server"}
learnrhash::encoder_logic()
```


```{r encode,eval=TRUE,echo=FALSE}
learnrhash::encoder_ui()
```

ハッシュ化されたセッションを復元する

```{r eval=TRUE, context="server"}
learnrhash::decoder_logic()
```


```{r decode,eval=TRUE,echo=FALSE}
learnrhash::decoder_ui()
```

回答結果をハッシュ化する

ハッシュから回答を復元する

Google Classroomには、Googleフォームと組み合わせて課題を出す機能があるので、ハッシュ化された回答をフォームに貼り付けて提出してもらう、という形式が実現できそうです。上図では {learnr} コンテンツ内でデコードしていますが、もちろん普通にコンソールからも復元できるので、採点も容易にできます。

おそらく、そんな感じで講義のオンデマンド化と合わせて、課題の提出・採点の効率化が実現できるのではないかと思っています。個人的には、そんなに毎週課題を出さなくても、授業内で完結するようにした方が、「大学生らしい」ことができる時間ができていいんじゃないか、とも思いますが。

長期的にはQuarto化、シングルページ化も

Quartoに {webR} と組み合わせた、シングルページでオンライン教材が作成できる拡張機能があるようです。

Introduction – Quarto Live Documentation

こちらも、RとPythonの両方に対応しているので、将来的にはRによるオンライン教材作りのスタンダードになっていくのかもしれません。

tutorial.helpersパッケージ

記事を投稿した後もいろいろ調べていたら、{tutotial.helpers} というパッケージが見つかりました。

CRAN: Package tutorial.helpers https://cran.r-project.org/web/packages/tutorial.helpers/index.html
Enable Students to Download Their Tutorial Answers • tutorial.helpers https://ppbds.github.io/tutorial.helpers/articles/downloads.html

このパッケージには、上記のリンク先にあるように、回答の情報をHTMLとしてダウンロードできる仕組みがありました。こちらを使う手もありそうです。ただ、HTMLなので目視が中心になる (rvestなどで解析してもいいですが) こと、正解か不正解かの TRUE / FALSE が出力に含まれないところが、ちょっと不便かなとも思いました。

他の大学でもそんなことがあるんですかね？ ↩︎

{transforEmotion}と{atrrr}でBlueSkyのセンチメント分析

Sat, 28 Dec 2024 00:00:00 +0000

担当しているRの講義で、毎年テキストマイニングを扱っています。その中で、SNSからのデータ収集や、いわゆる「ポジネガ分析」についても触れています。しかし、X APIは有償化して、個人の興味関心の範囲ではデータの収集ができなくなりました。“ツイート” 取得のデファクトスタンダードとなっていた{rtweet} パッケージも開発が終了してしまいました。

また、ポジネガ分析については、当初たまたまGitHubで見つけたPythonのsentiment_jaライブラリを {reticulate}¹ パッケージを使って呼び出していました。しかし、ライブラリ自体がGitHubからなくなり、自分の手元にはたまたま削除される直前にCloneしたものが残っていたのですが、作者が削除したものをいつまでも使うのもな、と思っていました。そもそも私自身、どういうモデルなのかよく分からず、とりあえず感情価が返ってくるので使っている、というだけでしたし。

また、年明けにテキストマイニングの回がやってくるので、この辺りをアップデートしようと、いろいろ調べてみました。

Blueskyからポストを取得する

RからBluesky APIにアクセスできるパッケージ

APIに限らない、X社の方針転換などで、さまざまな代替SNSが公開されています。その中で、比較的ユーザー数が多く、Xの雰囲気に近いと思われるものにBlueskyがあります。また、Blueskyはオープンであることを重視しており、APIも無償で公開されています。そこで、RからBlueskyのAPIにアクセスできるパッケージがないかな、と探してみました。すると、以下の2つがありました。

CRAN: Package bskyr https://cran.r-project.org/web/packages/bskyr/index.html
CRAN: Package atrrr https://cran.r-project.org/web/packages/atrrr/index.html (アトルー？)

どちらも、機能的にはほとんど同じで、Blueskyへの投稿、いいね、リポストやフォロー・アンフォローなどの操作ができるようです。そして、今回の主目的である、他者のポストを取得する機能もあります。なお、XにおけるStreaming APIと同様に、BlueskyにもFirehoseというAPIがあり、リアルタイムのポストを取得できる仕組みはありますが、いずれのパッケージもまだサポートしていないようです。²実際、ランダムに取得したポストでポジネガ分析してもあまり意味がないので、今回はキーワードを取得して、そのテキストを処理対象とします。

{atrrr} パッケージのインストール

上記の2つのパッケージのどちらでも、キーワードを指定したポストの検索、取得はできますが、今回は {atrrr} パッケージを使います。³まずその前に、Blueskyにアカウントを作成する必要があります。特に迷うようなこともないので、ここでは省略します。

何年ぶりかに🤪APIアクセス以外に使用する予定はないですが

{atrrr} パッケージはCRANからインストールできます。

`1`	`install.packages("atrrr")`

そして、パッケージを読み込みます。

`1`	`library(atrrr)`

{atrrr} パッケージによるユーザー認証

はじめに、APIにアクセスするために auth() 関数で認証を得ます。XではAPIにアクセスするためにアクセストークンを取得する必要がありますが、Blueskyではユーザー名とパスワードでアクセスできます。

`1`	`auth(user = "ユーザー名", password = "パスワード")`

ポストの取得

次に、APIにアクセスし、キーワードで検索したポストを取得するには search_post() 関数を使います。ここでは、たまたま今日 (12/28) 開催された中央競馬のGI、ホープフルステークスについてのポストを取得してみましょう。

# ホープフルステークスやホープフルSなど表記が揺れるので
# 前半だけをキーワードとして指定
res <- search_post(q = "ホープフル since:2024-12-28 until:2024-12-29", limit = 200)
head(res)

## # A tibble: 6 × 20
##   uri                                                                   
##   <chr>                                                                 
## 1 at://did:plc:5cbdxxui4cmo2cytfahvafyl/app.bsky.feed.post/3leehkzsx7s2c
## 2 at://did:plc:itkjw3kfno5jvsjf5ptlu6ss/app.bsky.feed.post/3leeheyydb226
## 3 at://did:plc:dp3fdt3yreehru3pouwvaams/app.bsky.feed.post/3leegul2ar22d
## 4 at://did:plc:4urr3lljj6b2gca5bf4hyzt7/app.bsky.feed.post/3leegl5xbgc2m
## 5 at://did:plc:c3itjpvm5hamy7up773xna6a/app.bsky.feed.post/3leegfzu4cs2m
## 6 at://did:plc:kdkik6uosu3x4btwq2klnmrv/app.bsky.feed.post/3leeg2ekubc2l
##   cid                                                        
##   <chr>                                                      
## 1 bafyreigxm7shursdnjawezjom5467c6nkbxfxedki6ayzmyfepk7lkjcpa
## 2 bafyreibhsw75brxdokw2p4jgxkxerhtmtobxuoufxukdadfc6yr2tp7b2q
## 3 bafyreifly3pjba3ceantpcbeliqfy345pvesbl6wme46vgebt35unlroxa
## 4 bafyreiavsq6zsxkoeie3y7rnxl5kv4tsu6y6kyu33a5amhnig3k7avtvvu
## 5 bafyreiahf7oicub72c42qobtk32wtm7sigmuwf25w4lgv6ajrzet4hcdcu
## 6 bafyreia6jgc7lfuystkxbekzlpbs2t6atb7jtq53odgmopytoryc4ebyem
##   author_handle           author_name                      
##   <chr>                   <chr>                            
## 1 tee0.bsky.social        てちゃ                           
## 2 d27-abc.bsky.social     🤖マシンキラー阿彦🤖             
## 3 yukimiyosi.bsky.social  見吉 幸　クルクル福岡両時間いた人
## 4 neothakaoka.bsky.social 三葉虫                           
## 5 azuyahi.bsky.social     あずやひ                         
## 6 tsukimasite.bsky.social つきま                           
##   text                                                                          
##   <chr>                                                                         
## 1 "ホープフルの予想だけして、まだレースは見てないけど結果は見て、やっぱりクロワ！！！ってなってる人です！！！！！あとでレース見るね🫶"……
## 2 "ホープフルS面白かった〜とか競馬場楽しい〜とかフォロワーと会えてよかった〜とか諸々を呟いて行こうと兄の家に帰ったら早速兄がリゼロを見始めてくれてて冷や汗…
## 3 "今夜のホープフルステークス後夜祭で、前後夜祭は開催を辞めます。\n人も集まらないし、本人も忘れている事もありますし。気まぐれで開催するかもです。"……
## 4 "私のホープフル　ホープレスステークスでした\nでも北村友一さまが勝ったのはうれしい　こっちまで泣きそうになってしまった　おめでとうございます　クロワの単…
## 5 "こんばんは！\nホープフル外しました😅"                                        
## 6 "2024ホープフルステークス"                                                    
##   author_data      post_data        embed_data       reply_count repost_count
##   <list>           <list>           <list>                 <int>        <int>
## 1 <named list [8]> <named list [4]> <NULL>                     0            0
## 2 <named list [7]> <named list [4]> <NULL>                     0            0
## 3 <named list [8]> <named list [4]> <NULL>                     0            0
## 4 <named list [8]> <named list [4]> <NULL>                     0            0
## 5 <named list [8]> <named list [5]> <NULL>                     0            0
## 6 <named list [8]> <named list [5]> <named list [2]>           0            0
##   like_count indexed_at         
##        <int> <dttm>             
## 1          0 2024-12-28 12:04:35
## 2          0 2024-12-28 12:01:12
## 3          0 2024-12-28 11:52:02
## 4          0 2024-12-28 11:46:45
## 5          0 2024-12-28 11:43:53
## 6          4 2024-12-28 11:37:31
##   in_reply_to                                                           
##   <chr>                                                                 
## 1 <NA>                                                                  
## 2 <NA>                                                                  
## 3 <NA>                                                                  
## 4 <NA>                                                                  
## 5 at://did:plc:wlpww6oubzebkigukd3dacdn/app.bsky.feed.post/3led7cvcbqk2y
## 6 <NA>                                                                  
##   in_reply_root                                                          quotes
##   <chr>                                                                  <chr> 
## 1 <NA>                                                                   <NA>  
## 2 <NA>                                                                   <NA>  
## 3 <NA>                                                                   <NA>  
## 4 <NA>                                                                   <NA>  
## 5 at://did:plc:c3itjpvm5hamy7up773xna6a/app.bsky.feed.post/3led37ktv5k2t <NA>  
## 6 <NA>                                                                   <NA>  
##   tags   mentions links  langs      labels    
##   <list> <list>   <list> <list>     <list>    
## 1 <NULL> <NULL>   <NULL> <list [1]> <list [0]>
## 2 <NULL> <NULL>   <NULL> <list [1]> <list [0]>
## 3 <NULL> <NULL>   <NULL> <list [1]> <list [0]>
## 4 <NULL> <NULL>   <NULL> <list [1]> <list [0]>
## 5 <NULL> <NULL>   <NULL> <list [1]> <list [0]>
## 6 <NULL> <NULL>   <NULL> <list [1]> <list [0]>

ポストがデータフレームとして取得できました。このうち、text 列に実際に分析対象となるテキストが格納されています。

Rでセンチメント分析をする

次に、テキストのセンチメント分析をする方法を (講義のために) アップデートします。上述のように、昨年まではPythonのsentiment_jaライブラリを使っていました。また、それ以前はいくつかの公開された感情表現辞書を使う方法が一般的でした。しかし近年では、生成AIの基盤技術でもある、Transformerを使った言語モデルでセンチメント分析を行うことが主流のようです。

RでTransformerモデルを利用できるパッケージ

しかし、残念ながらそれらの研究開発領域ではPythonが主流で、Rからそれらの高度なモデルをネイティブに扱えるパッケージはないようです。CRANに公開されている、Transformer系のパッケージはいずれも、{reticulate} パッケージを使い、実質的にはRの裏でPythonを動かして処理するものばかりです。その中で、今回は目的にフィットした {transforEmotion} パッケージを使用します。

CRAN: Package transforEmotion https://cran.r-project.org/web/packages/transforEmotion/index.html

このパッケージは、Hugging Faceで公開されている、“Zero shot classification” に対応した任意のモデルをダウンロードし、{reticulate} パッケージでPyTorchやTensorflowを動かし、任意のラベル (後述) で判定ができます。

…まぁTransformerもHugging FaceもPyTorchも何もかもよくわかっていないんですが🤪

{transforEmotion} パッケージのインストール

{transforEmotion} パッケージはCRANからインストールできます。

`1`	`install.packages("transforEmotion")`

パッケージをインストールした後、パッケージが利用するPythonの仮想環境をminicondaで作成する必要があります。ドキュメントにも記載されていますが、setup_miniconda() 関数を実行します。

1
2
3

library(transforEmotion)

setup_miniconda()

基本的には、自動で必要なPythonライブラリ類がダウンロードされ、環境が構築されます。なお、Macでは ~/Library/r-miniconda-arm64/envs/transforEmotion 下に保存されます。

英語テキストでのテスト

環境が構築できたら、まずは英語のテキストでテストしてみましょう。{transforEmotion} パッケージでは、デフォルトで cross-encoder/nli-distilroberta-base モデルが使用されます。⁴公式サイトのサンプルのままですが、以下を実行してみましょう。

# Load data
data(neo_ipip_extraversion)

# Example text 
text <- neo_ipip_extraversion$friendliness[1:5]

# Cross-Encoder DistilRoBERTa
transformer_scores(
 text = text,
 classes = c(
   "friendly", "gregarious", "assertive",
   "active", "excitement", "cheerful"
 )
)

## $`Make friends easily`
##   friendly gregarious  assertive     active excitement   cheerful 
##    0.52954    0.08775    0.09368    0.08829    0.06882    0.13192 
## 
## $`Warm up quickly to others`
##   friendly gregarious  assertive     active excitement   cheerful 
##    0.05750    0.03237    0.17586    0.17694    0.30525    0.25208 
## 
## $`Feel comfortable around people`
##   friendly gregarious  assertive     active excitement   cheerful 
##    0.73451    0.03259    0.04983    0.04678    0.01982    0.11646 
## 
## $`Act comfortably around people`
##   friendly gregarious  assertive     active excitement   cheerful 
##    0.44115    0.04934    0.14065    0.22977    0.02672    0.11237 
## 
## $`Cheer people up`
##   friendly gregarious  assertive     active excitement   cheerful 
##    0.08325    0.13463    0.10779    0.07430    0.33212    0.26791

テキストの感情を6つの尺度で判定し、結果が割合で出力されます。とりあえず結果が出力されれば、環境構築はうまくいっているでしょう。

多言語に対応したモデルのインストール

上記のモデルは、英語にのみ対応しています。そのため、日本語テキストを分析するには、対応したモデルをダウンロードし、指定する必要があります。日本語を含めた多くの言語に対応したモデルとして、MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7がありました。⁵

{transforEmotion} パッケージでは、モデルを transformer_scores() 関数の transformer オプションで指定すれば、自動的にダウンロード、インストールをしてくれます。以下のようなコードで、日本語のセンチメント分析ができます。また、Transformerによるモデルでは、任意のラベル (クラス) に対する推論ができます。ここでは、シンプルに「ポジティブ」か「ネガティブ」のどちらがもっともらしいか判定させます。初回は、モデルのダウンロード、インストールがあるため、かなりの時間がかかります。

text <- c("お正月がとても楽しみだ", "バレンタインは本当に憂鬱だ", "卒論が出せるか不安だ")

transformer_scores(
 text = text,
 classes = c("ポジティブ", "ネガティブ"),
 transformer = "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"
)

## $お正月がとても楽しみだ
## ポジティブ ネガティブ 
##    0.97903    0.02097 
## 
## $バレンタインは本当に憂鬱だ
## ポジティブ ネガティブ 
##    0.04791    0.95209 
## 
## $卒論が出せるか不安だ
## ポジティブ ネガティブ 
##    0.02826    0.97174

そもそもわかりやすいテキストですが、きちんと判定できているようです。

日本語に特化したモデルのインストール

計算環境に余裕がある場合や、多言語のテキストを扱いたい場合は、上記の手順で十分ですが、日本語だけで十分だ、という時には、もう少し小さいモデルが使えるかもしれません。Hugging Faceで検索してみると、1つだけ⁶モデルがありました。akiFQC/bert-base-japanese-v3_nli-jsnli-jnli-jsickモデルは、著名な日本語モデルをさらにファインチューニングしたもの (のよう) です。今度はこちらを使ってみましょう。

fugashiライブラリのインストール

ただ、こちらのモデルは前処理にMeCabを使っており、利用にはfugashiライブラリが必要です。Rから transformer_scores() 関数を実行すると、ただ “object ‘classifier’ not found” とエラーが返ってくるだけで、何が悪いのかよくわかりませんでしたが、reticulate::repl_python() 関数でPythonコンソールを起動し、そちらでモデルの読み込み処理を実行すると、fugashiがインストールされていない、というエラーの原因がわかりました。

Rからminicondaの仮想環境でライブラリをインストールする、というややこしい形になりますが、以下のようにすることでグローバルではなく {transforEmotion} 用の環境にインストールできました。

library(transforEmotion)
library(reticulate)

repl_python()

# 以下はPythonコンソール

!pip install fugashi

exit

これで、日本語に特化したモデルが動かせるようになります。試してみましょう。初回はモデルのダウンロード、インストールに時間がかかります。

text <- c("お正月がとても楽しみだ", "バレンタインは本当に憂鬱だ", "卒論が出せるか不安だ")

transformer_scores(
 text = text,
 classes = c("ポジティブ", "ネガティブ"),
 transformer = "akiFQC/bert-base-japanese-v3_nli-jsnli-jnli-jsick"
)

## $お正月がとても楽しみだ
## ポジティブ ネガティブ 
##     0.2756     0.7244 
## 
## $バレンタインは本当に憂鬱だ
## ポジティブ ネガティブ 
##    0.98643    0.01357 
## 
## $卒論が出せるか不安だ
## ポジティブ ネガティブ 
##    0.93838    0.06162

こちらは、どうも値の大小が逆になっているようです。0が最大、1が最小なのかもしれません。 その振る舞いを理解していれば、多言語モデルよりは多少小さなモデルとして活用できます。

Blueskyのテキストをセンチメント分析する

ということで、環境が整ったので、Blueskyに投稿されたポストをセンチメント分析してみましょう。先ほどの search_post() 関数の実行結果が残っているので、transformer_scores() 関数と組み合わせます。

sentiment_res <- transformer_scores(
  text = res$text,
  classes = c("喜び", "怒り", "哀しみ", "楽しみ"),
  transformer = "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7" 
)

df <- sentiment_res |>
  bind_rows() |>
  rowid_to_column(var = "id") |>
  pivot_longer(cols = c(-id), names_to = "感情") |>
  mutate(感情 = factor(感情, levels = c("喜び", "怒り", "哀しみ", "楽しみ")))

head(df)

## # A tibble: 6 × 3
##      id 感情    value
##   <int> <fct>   <dbl>
## 1     1 喜び   0.173 
## 2     1 怒り   0.388 
## 3     1 哀しみ 0.172 
## 4     1 楽しみ 0.266 
## 5     2 喜び   0.0981
## 6     2 怒り   0.412

200件のポストについて、M3 Macで1分弱かかりました。専門的知識を駆使して🤪ポストの内容と判定結果を見ると、概ね「外した」とか「遅い」といった単語を「哀しみ」「怒り」と判定しているなど、妥当な判定をしているように思います。グラフにしてみましょう。

ggplot(df, aes(x = value, y = 感情, colour = 感情)) +
  geom_jitter() +
  scale_y_discrete(limits = rev) +
  scale_colour_fivethirtyeight()

1
2
3

ggplot(df, aes(x = value, fill = 感情)) +
  geom_histogram(position = "identity", binwidth = 0.025, alpha = 0.5) +
  scale_fill_fivethirtyeight()

言語学ではない、Rの講義でハンズオンとして実行する分には、こんなものでよいのではないでしょうか (?)。

…なんかちゃんとした記事になったので、アドベントカレンダーの時期にやればよかったですね。そして、{transforEmotion} パッケージとモデルが講義で使っているPosit Cloudで動くのかが不安です🤪多分メモリもストレージも足りないんだろうなぁ。

何年か前に、この { } で囲う記法は推奨されない、とかそんな議論があったように思いますが、R以外のソフトウェア、ライブラリと区別するために、ここでは囲っています。 ↩︎
{atrrr}の方は、開発者が実装に向けて協力を求めています。https://github.com/JBGruber/atrrr/issues/23 ↩︎
{bskyr} は、ドキュメントを見ると機能が豊富そうですが、実際手元で試すと、最初の認証からうまくいきませんでした。 ↩︎
例によってなんだかよくわかっていませんが。 ↩︎
例によって（ｒｙ ↩︎
2つありますが、同じ作者で「長い名前の方を推奨します」と書いてあるので。https://huggingface.co/akiFQC/bert-base-japanese-v3_nli-jsnli ↩︎

ChatGPTに聞いてみた－線形回帰の正規性の仮定について

Sun, 10 Nov 2024 00:00:00 +0000

「そんなことも理解せずに」という話でしょうが、線形モデルの正規性の仮定について、世の中の説明だと、あたかもモデルを作る前に判断できると書いてあるように見えるんですよね。だいたい実際のソフトの操作の前に書いてあるし。書籍でもWebサイトでも、「誤差項が正規分布してさえいればよいのです」「仮定が成立するか確認してモデルを適用しましょう」とか、いろんなところで書かれていますが、でも、手元のデータで「誤差だけ」正規分布しているかなんてわからないじゃん、といつも引っかかっています。

データ (説明変数) が正規分布っぽく見えない場合、それが本当にデータだけに由来して、誤差は正規分布しているという見分けはつくのでしょうか。そして、よく「Q-Qプロットを見て」ともありますが、「予測値と実測値の誤差を」という時点で、もう予測＝モデル作成してないですか、とも。適用できるかどうか、という話なのにもう適用してるじゃん、と。他にも、「仮定」というけど、実際に誤差を算出して検定してたら、それは「事実」なのでは、とか。

そのへんが (国語的に) いまいちピンとこないので、ChatGPT (o1-preview) に聞いてみました。

Q. 統計学やデータサイエンスにおいて、線形回帰モデルの仮定として、「誤差が正規分布に従うこと」が挙げられます。しかし、実際には説明変数は正規分布に従わず、誤差のみが正規分布に従う、ということは考えにくいように思います。このことについて、文系大学生にもわかるような説明をしてくれますか？

ご質問ありがとうございます。

線形回帰モデルでは、「誤差（残差）が正規分布に従う」という仮定があります。一方で、説明変数（独立変数）は正規分布に従わない場合が多いです。この点について、なぜ誤差だけが正規分布に従うと考えるのか、不思議に思われるかもしれません。

誤差項の正規性と説明変数の分布は独立

まず、重要なのは誤差項の正規性と説明変数の分布は直接関係がないということです。線形回帰モデルでは、説明変数がどのような分布であっても、誤差項が正規分布に従っていれば、モデルの推定や検定が正しく行えます。

なぜ誤差が正規分布に従うと仮定するのか

中心極限定理の適用: 誤差項は、さまざまな小さなランダムな要因（測定誤差や環境の変動など）が積み重なった結果と考えられます。中心極限定理によれば、多数の独立したランダムな要因の和は正規分布に近づきます。

モデルの単純化: 正規分布は数学的に扱いやすく、多くの統計的手法が正規分布を前提としています。これにより、計算や解釈が容易になります。

説明変数が正規分布に従わないことの影響

説明変数が正規分布に従わない場合でも、線形回帰モデルを適用することは可能です。ただし、極端な偏りや外れ値がある場合は、モデルの結果に影響を与える可能性があります。その場合、データの変換やロバストな手法の適用を検討することが望ましいです。

まとめ

誤差項が正規分布に従うという仮定は、モデルの推定や検定を正確に行うために重要です。

説明変数の分布は誤差項の分布に直接影響しないため、必ずしも正規分布に従う必要はありません。

直感的な理解として、誤差は多くのランダムな要因の積み重ねであり、その結果として正規分布に従うと考えられます。

もしさらに詳しい説明や具体的な例が必要であれば、お気軽にお知らせください。

Q. 説明変数について、真の値と誤差を現実のデータにおいて切り分けるのは難しいように思います。仮定を満たしているかは、モデルを作ってから、予測値と実測値の誤差を評価した段階で初めて確認できるのでしょうか？

ご質問ありがとうございます。

説明変数の真の値と誤差の切り分け

おっしゃる通り、現実のデータでは説明変数（独立変数）の真の値と測定誤差を完全に分けるのは難しい場合があります。線形回帰モデルでは、通常以下の仮定が置かれています：

説明変数に誤差がない：説明変数は正確に測定されている、または誤差が無視できるほど小さいと仮定します。

誤差項の正規性：目的変数（従属変数）の誤差項が正規分布に従うと仮定します。

仮定の確認方法

モデルを構築した後で、以下の手順を通じて仮定が満たされているかを確認します。

残差の分析：

残差とは、各データ点での実測値とモデルによる予測値の差です。

残差の分布を調べることで、誤差項が正規分布に従うかを評価できます。

視覚的な検討：

ヒストグラムや**正規確率プロット（Q-Qプロット）**を用いて、残差の分布が正規分布に近いかを視覚的に確認します。

残差がランダムに散らばっているか、特定のパターンがないかを散布図で確認します。

統計的検定：

シャピロ・ウィルク検定などを用いて、残差が正規分布に従うかを統計的に検定します。

説明変数の誤差がある場合の影響

説明変数に誤差が含まれると、以下のような問題が生じる可能性があります。

推定結果のバイアス：回帰係数の推定値が真の値からずれてしまう可能性があります。

モデルの適合性の低下：予測精度やモデルの信頼性が低下することがあります。

対処法

測定誤差を考慮したモデル：

エラーインバリアブルズモデルなど、説明変数の誤差を考慮した統計手法を使用します。

データの品質向上：

説明変数の測定方法を見直し、誤差を減らす努力をします。

感度分析：

説明変数の誤差がモデルに与える影響を評価し、結果の解釈に注意を払います。

まとめ

仮定の確認：モデルを構築した後、残差の分析を通じて誤差の正規性などの仮定が満たされているかを確認します。

説明変数の誤差の扱い：説明変数に誤差が含まれる場合、その影響を理解し、必要に応じて適切な対処法を取ります。

追加のポイント

現実的な視点：完全にすべての仮定を満たすことは難しいため、仮定がどの程度まで満たされていればモデルが有用かを判断することも重要です。

モデルの目的に応じた柔軟性：予測が主な目的であれば、多少の仮定違反があってもモデルが役立つ場合があります。

ご不明な点やさらに詳しい説明が必要な場合は、お気軽にお知らせください。

Q. ということは、結局モデルを作ってみないとそのモデルが統計的に妥当かは判断できず、事前に回帰分析の適用可否を判断することはできないということでしょうか？

ご質問ありがとうございます。

事前に回帰分析の適用可否を判断できるか

おっしゃる通り、モデルを実際に構築してからでないと、そのモデルが統計的に妥当かどうかを完全に判断することは難しいです。しかし、以下の方法で事前に回帰分析の適用可否をある程度判断することは可能です。

データの探索的解析（EDA）を行う

散布図やプロットの作成：

説明変数と目的変数の関係を視覚的に確認します。線形の関係が見られる場合は、線形回帰が適切かもしれません。

相関分析：

説明変数と目的変数の相関係数を計算し、関係性の強さを評価します。

モデルの仮定を事前に検討する

線形性の仮定：

データが線形の関係を示すかを確認します。

独立性の仮定：

観測値が互いに独立しているかを検討します。

等分散性の仮定：

誤差の分散が一定であるかを予測値と残差のプロットなどで確認します。

正規性の仮定：

目的変数の分布を確認し、正規分布に近いかを検討します。

データの質を評価する

外れ値や異常値の検出：

データに極端な値がないかを確認し、それらが分析に与える影響を考慮します。

欠損値の確認：

データの欠損が多い場合、分析結果に影響を与える可能性があります。

事前の統計的検定を行う

正規性の検定：

シャピロ・ウィルク検定などでデータの正規性を確認します。

線形性の検定：

ラインフィットプロットなどを用いて、線形モデルが適切かを検討します。

しかしながら、これらの事前の分析だけでは限界があります。

最終的な判断はモデル構築後に行う必要がある

残差分析：

モデルを構築した後、残差を分析することで仮定が満たされているかを確認します。

モデルの適合度の評価：

決定係数や AIC、BIC などの指標を用いてモデルの適合度を評価します。

仮定違反への対処：

仮定が満たされていない場合、データの変換や別のモデルの適用を検討します。

まとめ

事前の検討は有用だが限界がある：

データの特性や関係性を事前に分析することで、回帰分析の適用可否をある程度判断できます。

モデル構築後の検証が不可欠：

実際にモデルを構築し、仮定が満たされているかを確認することで、統計的な妥当性を判断します。

追加のポイント

専門知識の活用：

統計学やデータサイエンスの専門家に相談することで、適切な手法や仮定の検証方法を得られます。

柔軟な対応：

仮定が満たされない場合でも、データ変換やロバストな手法を用いることで、分析を進めることができます。

結論

事前に回帰分析の適用可否を完全に判断することは難しいですが、データの探索的解析や仮定の検討を通じて、適用の可能性を見極めることは可能です。しかし、最終的な統計的妥当性の判断は、モデルを構築し、仮定が満たされているかを確認した上で行う必要があります。

ご不明な点やさらに詳しい説明が必要であれば、お気軽にお知らせください。

結局のところ、「適用する」という言葉の意図するところ次第なのかな、とも思います。おそらく、書籍やWebサイトの記事を書いている方は、「作成したモデルを成果として公表する」ことを適用、としているのかと思いますが、一方でデータ分析を始めたばかりの人にとっては、「このデータにこの手法を使う」ことを適用、と捉えているのではないでしょうか。使ってよいかどうかのチェックポイントを知りたいのに、モデルができた後の誤差の話をされても、というところでギャップがあるのかもしれません。

そのあたり、「回帰分析の結果が統計学的に妥当で、有用であることを確認するためのポイントがあるが、それは実際にモデルを作ってみるまで、満たしているかわからない。だから、まずはモデルを作って、それからチェックしてみましょう」とでも書いてあれば、ずいぶん我々「下々の者」にとってもわかりやすくなるのではないかな、と感じます。

DX検定プロフェッショナルレベルを取得しました

Sat, 31 Aug 2024 00:00:00 +0000

先日、DX検定なる資格試験を受験しました。

DX検定™https://t.co/Gy0ROxyoi1

「毎日爆発的に増加するバズワードを確かな知識にする、先端ＩＴ技術トレンドとビジネストレンドを幅広く問う知識検定」

これも「大企業が『取り組んでる感』を出すために社員に受けさせる」系の試験ですね。私見ですが。

画像はシラバスです。 pic.twitter.com/JrZkDlKSX2
— 鶴見教育工学研究所 (@tetlabo) November 14, 2022

2年ほど前に「やってる感」のための資格ですね、とか言っていたことを忘れていました。とはいえ、今回も「研修や授業で資格の一種として取り上げる価値があるだろうか」という見極めが主な目的だったのですが。

試験の概要

細かいことは公式サイトにありますが、大まかには、「60分120問 (1問30秒！) で時事クイズを解きまくる」という試験です。例えば、以下のような形式の問題が出ます。(覚えていないのであやふやですが)

問: (1) 社が2023年11月に発表した、□□システムは、(2) の技術によって○○作業の待ち時間を○%削減できる。

(1) △△ (2) ☆☆

(1) ◎◎ (2) ■■

(1) △△ (2) ■■

(1) ◎◎ (2) ☆☆

技術や制度についての問いよりも、事例やサービス名を問うものが多かったような記憶があります。こんなのが、120問も続きます。

試験の回答テクニック

はじめに、「受験規則には調べて回答するなとは書いていない」ことをアピールしておきたいと思います🤪

実際に、自宅のPCでカメラによる監視等もなく、ただ回答ページが60分で閉じられるだけの試験運用でした。そして、資格について解説するいくつかの記事でも、「調べながら」と書いてあるので、禁止されてはいないのでしょう (恐れ知らずなだけの可能性も)。

DX検定について｜おじ: 試験は調べながら出来るの？→可能です。
【2024】DX検定で受かるコツ！難易度や合格率・おすすめの勉強方法を解説 | AI研究所: DX検定はオンライン受講の場合、調べながら受講することは可能です。

ですから、問題が表示されたら、そこにあるキーワード (と自分が思うもの) をピックアップして、検索結果から信頼できる (出題者がソースにしそうな) メディアの記事を見つけ、その内容と選択肢を照らし合わせて回答する、という戦略は極めて効果的です。…というか、私はまったくの「ノー勉」で、どういう出題形式かも知らずに受験したのですが、それで最上位クラス (後述) だったので、「ググれば回答できる」試験だと思います。

ただし、前述のように60分で120問ですので、1問1問キーワードを考えて検索していては半分も回答できないでしょう。そのため、(自分で「次へ」をクリックして) 問題が表示されたらすぐに、「記事の見出しやリード文になりそうなキーワード」を見つけるスキルは必要です。例えば、上で挙げた問題の例だと、「2023年、□□、☆☆または■■」がキーワードになるでしょう。さらに、「日経」とか「朝日」などを付与すると、だいたい上位3つ目くらいまでに「出題者がネタ元にしたんだな」とわかる、言い回しが問題と酷似した🤪記事が出てきますので、見出しやリード文を確認して回答します。

実際には、上述のようにノー勉で試験の形式も知らずに受験し、回答ページを開いて最初の何問かは「何じゃこりゃ、わかるか！」と思いながら時間をかけて検索していたので、その分のロスで全問回答はできませんでしたが、やり方を掴んでからはスムーズ (自分が何をやっているのかもよくわからなくなるくらい🤪) で、ググっては選択肢を選び、ということの繰り返しで8割くらいは回答できたと思います。

このような意味では、DX検定は「検索力検定」であると言うことができるかもしれません。なお、調べて回答した内容はすでに全て忘れました。

試験の結果

1ヶ月後に受験サイトで結果が発表されます。1000点満点での点数やスコアシートが表示され、600点以上からは認定証のダウンロードが可能です。私は809点で、プロフェッショナルレベル (もう覚えていないけど🤪) でした。

また、さらに2週間ほどして、オープンバッジも付与されます。

現在取得しているオープンバッジ

感想

そもそも2年前に「やってる感」のための試験だなと思い (そして忘れ🤪)、今回も「ひとに薦める価値があるか」を確認するための受験だったので、自分にとって得るものは何もありません。「DX検定プロフェッショナルレベル」をいつどこで名乗ればいいんだ、という点も含め。

ただ、Xで検索すると「会社で強制的に受験させられた」とか「上司に言われた」という方も結構いるようでしたので、やはりDXを打ち出している (でも実践ではなく形作りに留まっている) ような大企業では、このような資格のニーズがあるようです。上記のように、「ググり方」を身に付ければ何も考えなくてもスコアが上がると思いますし、一方で外から問題だけ見ると「こんなにたくさん知っててすごい」となりそうなので、「やってる感」を出したいビジネスパーソンの方にはお薦めできる資格なのかなと思います。

…6000円を会社が出してくれるのであれば。

R言語の講義資料を公開します

Fri, 08 Dec 2023 00:00:00 +0000

GitHubリポジトリ: https://github.com/tetlabo/adv_pgm3_2023

はじめに

筆者は、自営業 (法人ではなく) として、教育・研修・人材育成の領域を仕事にしています。基本的には、社会人研修 (BtoB) のセカイで、すでにある教材で9時17時講義したり、研修会社のオーダーに沿った教材を作成して、生活しています。

そんな中で、縁¹あって、母校の専修大学で2020年から非常勤講師をしています。当初は学部の必修科目 (200数十人受講) を分担して、他の先生が作成した教材でやっていたのですが、それと別に「Rについての授業をやってくれ」という依頼を受けて、2021年から「応用プログラミング3」という科目で「モダンなRプログラミング」をテーマ (自称) とした講義をしています。

3年目も後半にかかり、そろそろ教材も完成したかなと思うので、公開することにしました。R言語について学びたい、と思っている学生や社会人の参考になれば幸いです。商用・非商用問わず自由に使っていただいて構いませんが、代わりに 何か仕事 (研修、非常勤講師、教材・書籍執筆など) をいただければうれしいです。 そのうち、講義動画も撮影して公開しようと思っています。

なお、R言語の利用目的は一般的に統計解析 (データ分析) ですが、本講義では「分析手法については他の授業で学ぶはずなので触れません」というスタンスで、詳しくは説明していません (説明できませんし)。

講義の概要

(激重🤪) シラバス

シラバスには、以下のように記載しています。

＜到達目標＞

R言語の近年の動向を捉え、適切な開発環境、パッケージを選択してプログラミングできる

tidyverseを念頭に置いたモダンなデータ分析フローを理解し、分析を実践できる

機械学習やテキストマイニングなど、分析の目的に応じた手法を選択し、Rプログラムとして実装できる

＜講義概要＞
データ分析のためのプログラミング言語であるRについて、近年 (2010年代後半以降) の開発動向を紹介し、ビジネスや研究の現場で広く使われるパッケージの活用方法を、実際にプログラミングをしながら学習します。講義を通じて、実践的なRプログラミングのスキルを身に着けることを目標とします。なお、本講義の履修者は、R言語について基本的な知識を有していると想定しています。前提知識として想定するのは以下の事柄です。

【前提知識】※第1回の授業で簡単な振り返り、確認を行います。

Rでファイルからデータを読み込むことができる

オブジェクト (変数) を作成し、要素 (行や列) を参照できる

オブジェクトに関数 (データ加工、グラフィックス、統計処理など) を適用し、結果を得ることができる

実際には、第1回から第2回の授業でR言語の基本については概説していますので、Rをはじめて学ぶ方でも問題ないと思います。

教材とハンズオン環境

教材は、R Markdownで作成し、PowerPoint形式で出力しました。²筆者が軸足を置く (伝統的な) 社会人研修の業界では、PowerPointのノート部分に解説文をしっかりと書き込み、「ノート」表示で出力、A4サイズで印刷というのが主流です。³筆者も、そのやり方で10年以上やってきて、それなりに合理的なところがある⁴と思っているので、その形式にしています。

実際に講義する際には、スライド部分が全幅で表示される程度に拡大して使用しています。

また、講義内容に対応したハンズオン環境をPosit Cloudで作成し、学生に提供しています。大学ではG Suite for Educationを導入しているので、学生に付与されたGMailアドレスでログインさせていますが、私用のGMailアドレスその他でも無償で月25時間 (CPU時間) まで利用できます。それぞれのハンズオンは、Posit Cloudの無償版 (1 CPU, 1GBメモリー) で実行できるようにデータサイズなどを調整しています。

ガイダンス、Rプログラミングの基本: 教材PDF / ハンズオン環境
Rプログラミングの基本、最近の動向について: 教材PDF / 補足資料PDF / ハンズオン環境
R Markdownによるレポート作成: 教材PDF / ハンズオン環境
GUIによるデータ分析: Radiant等: 教材PDF / ハンズオン資料 / ハンズオン環境
ggplot2パッケージによるグラフィックス作成 (1): 教材PDF / ハンズオン環境
ggplot2パッケージによるグラフィックス作成 (2): 教材PDF / ハンズオン環境
tidyverseによるデータハンドリング (1): 教材PDF / ハンズオン環境
tidyverseによるデータハンドリング (2): 教材PDF / ハンズオン環境
Rによる統計モデリング、機械学習の基礎: 教材PDF / ハンズオン環境
機械学習フレームワークによる機械学習 (1): 教材PDF / ハンズオン環境
機械学習フレームワークによる機械学習 (2): 教材PDF / ハンズオン環境
RによるWebスクレイピング: 教材PDF / ハンズオン環境

以降は、順次公開します。

日本語テキストマイニング (1)
日本語テキストマイニング (2)
Shinyによるアプリケーション開発 / reticulateによるPythonとの連携 / まとめ

ライセンスなど

教材、プログラムのライセンスは、MITライセンスとします (GitHubリポジトリに設定)。商用、非商用問わず自由にお使いいただいて構いません。ただ、代わりに 何か仕事 (研修、非常勤講師、教材・書籍執筆など) をいただければうれしいです。

本当に縁だけで、学位も研究実績もないんですが。 ↩︎
一発で公開しているもののような出力にはならないので、PowerPoint上でそれなりに手を加えて完成させています。公開しているのはPowerPointからPDFに変換したファイルです。 ↩︎
プログラミングスクールや教育ベンチャーはもちろんそうではありませんし、コロナ禍によるオンライン化やペーパーレス化、さらには印刷コストの削減などさまざまな要因で、A4縦の印刷物、というのは絶対的な要件ではなくなりつつありますが、まだまだ大多数です。会社ごとの個別研修では、未だに印刷した教材を事前納品ということも多いです。 ↩︎
説明したいこと (オプションの細かな相違など) をスライド部分にすべて書き込むと、情報量が過多になり、何かを初めて学ぶ人には負荷になります。また、口頭での説明だけでは聞き逃すこともありますし、後から見返した時に覚えていないこともあります (個人的な感覚として、研修の受講者は講師の話を半分くらいしか聞いていません🤪)。また、今回のように教材だけを公開する場合には、研修ではもっと細かく深い説明をしているのに、スライドだけ見て「内容が薄い」「厳密でない」「こんなのに〇万円？」とか言われるリスクもあります。これは、研修会社の営業が教材を持って提案に行く場合も同様です。そういうことを考えると、結果的にこのスタイルはある程度の合理性があるな、と思っています。実際には、20数年前にOHPやワープロからPowerPointに移行する際に、なんとかA4縦の印刷物を作りたくて辿り着いたのではないかと思いますが。 ↩︎

Pythonの自学自習用コンテンツ

Tue, 22 Nov 2022 00:00:00 +0000

この記事は、以前このサイトで公開していたものを再公開するものです。

厚生労働省　Pythonで始めるプログラミング

https://www.mhlw.go.jp/content/11600000/000806709.pdf

PDFしか引っかからないので、どういう事業・予算で作られたものかよくわかりませんが、Pythonの環境構築から文法の基本、データ分析の基礎まで幅広くカバーした入門教材です。

慶応義塾大学ゼロから学ぶPython

https://kaityo256.github.io/python_zero/

京都大学 Python演習

https://repository.kulib.kyoto-u.ac.jp/dspace/handle/2433/265459

東京大学　Pythonプログラミング入門

https://sites.google.com/view/ut-python/

Python早見帳

https://chokkan.github.io/python/index.html

九州大学データサイエンス概論I & II

http://mdsc.kyushu-u.ac.jp/lectures

大東文化大学 Pythonプログラミング

http://www.ic.daito.ac.jp/~mizutani/python/index.html

福山大学 Pythonプログラミング演習

https://www.kkaneko.jp/cc/po/index.html

福山大学プログラミング入門とオンライン開発環境

https://www.kkaneko.jp/cc/online/index.html

Python実践データ分析100本ノック

https://www.shuwasystem.co.jp/support/7980html/5875.html

東大OCW コンピュータシステム概論

https://ocwx.ocw.u-tokyo.ac.jp/course_11409/

東大OCW データマイニング入門

https://ocwx.ocw.u-tokyo.ac.jp/course_11414/

ディープラーニング入門：Chainer チュートリアル

https://tutorials.chainer.org/ja/tutorial.html

機械学習帳

https://chokkan.github.io/mlnote/index.html

numpy 100本ノック

https://github.com/tetlabo/numpy-100/tree/master/jp

scipyレクチャーノート

http://www.turbare.net/transl/scipy-lecture-notes/index.html

YoutubeいちやさしいPython入門講座

「Python実践講座」

Rの自学自習用コンテンツ

Tue, 22 Nov 2022 00:00:00 +0000

この記事は、以前このサイトで公開していたものを再公開するものです。

今日からはじめるR 2021改訂版

Rに詳しくない、これからRを使ってみようかな、Rって何ができるの? という人向けにはちょうど良い内容ではないかと思います。

東京大学Open Course Ware 統計データ解析I

https://ocwx.ocw.u-tokyo.ac.jp/course_11405/

東京大学Open Course Ware 統計データ解析II

https://ocwx.ocw.u-tokyo.ac.jp/course_11408/

Rによる統計入門

https://htsuda.net/stats/

R自学自習の基礎知識

https://heavywatal.github.io/rstats/intro.html

Rによるデータ前処理実習 2021 東京医科歯科大

https://heavywatal.github.io/slides/tmd2021/

データエンジニアリング人材養成演習補助教材

https://demlc.github.io/Educational-materials/

滋賀大学の集中講義「データエンジニアリング人材養成演習」の補助教材です。こちらも前処理テクニックの紹介が中心です。

Rビギナーズガイド

https://syunsuke.github.io/r_beginners_guide/

Rで計量政治学入門

https://shohei-doi.github.io/quant_polisci/

私たちのR: ベストプラクティスの探究

https://www.jaysong.net/RBook/

統計・データ解析 (奥村晴彦)

https://oku.edu.mie-u.ac.jp/~okumura/stat/

R、R言語、R環境・・・・・・

https://mjin.doshisha.ac.jp/R/

jamovi完全攻略ガイド

https://bookdown.org/sbtseiji/jamovi_complete_guide/

jamoviで学ぶ心理統計

https://bookdown.org/sbtseiji/lswjamoviJ/

Jamoviという、裏でRが動いていて、マウス操作で使うことができる統計ソフトがあります。実は、R言語を覚えなくても、同じことはマウス操作でできます。そのマニュアルを、日本の大学の先生が翻訳・作成してくださっています。

r-wakalang

https://github.com/tokyor/r-wakalang

タダでITを学ぼう！政府・官公庁のオンライン教材

Tue, 22 Nov 2022 00:00:00 +0000

この記事は、以前このサイトで公開していたものを再公開するものです。

はじめに

筆者は、研修講師なので、自分で教材を作ったり、あるいは研修会社がすでに作成した教材を使って、9時17時オッサンがひたすら喋り続ける、とってもレガシーな研修を日々行っています。多くの場合、それらの教材は、「新卒で研修会社に入って講師しかやったことがない人」¹が市販の書籍などを抜粋し、劣化コピーして作っているものです。

筆者自身も、大して変わりはなくて、大学を出て研修会社に入ったので、エンジニアとしての経験はほぼなく、やはり市販の専門書やオープンソースソフトウェアのドキュメント、Web上の技術ブログなどを元に教材を作成します。近年、そのような情報収集をしていると、政府や官公庁のサイト (*.go.jp) に、よくまとまった教材が公開されているのを見つけることが増えてきました。総務省、経産省、厚労省などの省庁がそれぞれ人材育成や就労支援の事業の一環で、ITの基礎や、AIなど先進領域の教育を提供しており、その教材が公開されているものです。実際には、どこかの研修会社やコンサルが受託して執筆しているものでしょうが、そういう仕事をしている人が書いただけあって、「研修教材」として体系化されて、利用しやすいものです。²

この記事では、そのような政府、官公庁が公表している優れた (筆者の主観による) 教材を随時紹介していきます。個人的には、そういうタダでよくできた教材があるんだから、わざわざ「文系学部卒、IT未経験から研修会社に入って、知らない技術を調べながら書いています」みたいな人³が作る教材よりも、きちんと品質が担保されたものを自分のペースで読んだほうが生産性も学習効果も高いのではないかと思います。

研修会社で受講すれば5万、10万かかります。資料をダウンロードして自分で読めばタダです。⁴

品質は、長年研修会社で研修をやっている筆者自身が見て、同等以上です。せっかく税金で作られているのですから、ぜひ活用してください。なお、ここではいわゆる「教材」以外にも、ITの基礎や最新動向を知りたい時 (=研修を受けたい時) に参考になる、平易な資料も紹介しています。

なお、ここでは大学の教材などは取り上げていません。特にデータサイエンス系の教材などは、Rの自学自習用コンテンツやPythonの自学自習用コンテンツなどで紹介していますので、そちらも参考にしてください。

総務省 ICTスキル総合習得プログラム

2023-01-26追記: 総務省のWebページからはなくなってしまったようですが、国会図書館のWebアーカイブにはPDFやZIPファイル含め残っています。

「総務省 ICTスキル総合習得プログラム」は、「データ収集」、「データ蓄積」、「データ分析」、「オープンデータ・ビッグデータ利活用事例」の4つのコースで構成されます。各コースは5つの講座から構成され、合計20講座でICTに関する基礎知識、基礎技術の全体像と各論を学ぶことができます。「各講座の概要一覧」には、各講座の説明内容の概要およびパート構成に加えて、アクセス情報と学習方面・難易度が示されています。アクセス情報に示されているQRコードを利用すると、スマートフォンやタブレット端末から簡単に教材のPDFへアクセスすることができます。

「データ分析」の章では、ExcelやRを使った実習問題も用意されており、資料を読むだけでない、実践的な学習ができます。

厚生労働省高度IT技術を活用したビジネス創造プログラム

https://www.mhlw.go.jp/stf/newpage_15221.html

一般社団法人ソフトウェア協会が作成、実施した事業の教材のようです。以下の幅広い領域の教材と、講師向けのマニュアルが公開されています。

デザイン思考
仮想化
AI (基礎)
IoT活用
セキュリティ
アジャイル開発
ビッグデータ
顧客分析・企画力養成

厚生労働省　開発した教育訓練プログラム

https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/jinzaikaihatsu/program_development.html

キャリアアップやキャリアチェンジを目指す労働者を対象とした、技術革新を反映した最新かつ実践的な知識・技術の習得に資する教育訓練プログラムを業界団体、大学等に委託して開発しました。

ということで、AI、IoT、データサイエンスなども含む広範な領域の教材が無償で公開されています。IT分野を対象とした研修講師の養成プログラムもあります。

IPA マナビDX - あなたの学びに変革を！学んで身につくデジタルスキル

https://manabi-dx.ipa.go.jp/

2021年度まで、経産省の「巣ごもりDXステップ講座情報ナビ」として、さまざまな研修会社のコンテンツを無償で受講できる仕組みとして運営されていたものが、2022年4月からIPA所管のサイトに変わったようです。GoogleやMicrosoftのAIに関する無償プログラムを受講できたり、有償講座の受講料補助が受けられます。

科学技術振興機構博士Compass:研究人材のためのe-learning

https://jrecin.jst.go.jp/html/compass/e-learning.html

やや古いですが、さまざまな分野の基本的な事柄をe-Learning (動画) で学べます。特にITに関しては、以下のコースが関連するでしょう。

情報ネットワークコース
情報セキュリティコース
ソフトウェア工学コース
コンピュータアーキテクチャコース
データ構造とアルゴリズムコース
プログラミング言語コース (特定の言語についての教材ではなく、「プログラミング概論」のような内容です)
科学技術者のためのデータ解析技術コース
ロジカル・シンキングコース
品質の管理コース (大企業のIT部門では、QCもよく使われます)

総務省自治体におけるAI活用・導入ガイドブック

【PDF】https://www.soumu.go.jp/main_content/000820109.pdf

これは、教材ではないですが、自治体に限らず民間企業においても、「AIとは何か、何ができるのか」「どうやって導入・活用したらよいのか」を知るための、とても優れた資料です。2021年6月に公表されました。

それ以前から、筆者もAIプロジェクトの進め方に関する概論的な研修教材を作成し、実施していますが、そこで語っていることがほぼすべて書いてあります。そのため、最近では「みなさん今日〇万払って研修受けていますけど、同じことがこれに書いてあります。同僚の方とかにはこちらをお薦めしたほうがいいですよ。タダですから」と述べています。⁵

豊富な事例や、ステークホルダーの整理、予算の編成などさまざまな分野について、総務省や自治体の実践に基づく知見が記載されています。

文部科学省高等学校「情報科」教員研修用教材

高等学校情報科に関する特設ページ: https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/1416746.htm
情報I: https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/1416756.htm
情報II: https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/mext_00742.html

こちらは、2022年度から必修化された、高校の「情報科」を担当する教員向けの講義ガイドです。情報科では、研修会社の新人研修で扱うような、「コンピューターの仕組み」や「OSの機能」といったITの基本的な部分から、ITシステムの開発プロセス、セキュリティ、PythonやRを用いたデータサイエンスまで、幅広い内容を扱うそうです。

高校で実際にどこまで取り上げるのかはわかりませんが、この教員用資料は全トピックを、「大人向け」に説明しているので、ITの全般的な入門書としてとても優れています。個人的には、研修会社の新人研修でよくある「〇〇を身近なものに例えてみよう」といった無意味な演習・グループワークなどがないので、新入社員の方もこれを通読したほうがよっぽどスピーディーに、ITの知識を身に着けられるのではないかと思います。

情報処理学会 IPSJ MOOC

https://sites.google.com/a.ipsj.or.jp/mooc/

上記の情報科の必修化に関して、情報処理学会も教員向けの解説コンテンツを公開しています。Eテレの高校講座や放送大学のようなトーンで、大学の教員などの専門家がわかりやすく解説しているので、やはり「大人」としては⁶これくらいがわかりやすくて良いのではないかと思います。

IPA 情報セキュリティ啓発

https://www.ipa.go.jp/security/keihatsu/features.html

情報セキュリティも、企業の新入社員研修などでよく扱われますが、モノによっては新入社員が直接的にかかわることがすくないISMSなどの仕組みを延々説明するだけの、役に立たない研修もあります。IPAが情報セキュリティの啓発のためにさまざまなコンテンツを提供しており、こちらを見た方がよっぽど役に立ちます。ここからセキュリティ！情報セキュリティ・ポータルサイトなどで、多数の学習コンテンツが公開されています。

NISC インターネットの安全・安心ハンドブック

https://security-portal.nisc.go.jp/guidance/handbook.html

内閣サイバーセキュリティセンター (NISC) では、サイバーセキュリティに関する普及啓発活動の一環として、ハンドブックを公開しています。こちらも、情報セキュリティの学習コンテンツとして有用です。

IPA AI白書2019

https://www.ipa.go.jp/ikc/info/20181030.html

AI白書は、IPAがここ数年発行しているものですが、基本的に最新版は印刷物や電子書籍として販売されています。以前のものがIPAのサイトで公開されています。現在は2019年版と2017年版が公開されています。2017年版はさすがに古くなっていると思いますが、2019年版については、日本の大企業の人事や中小企業の経営層は、ようやくこの時期の事柄に意識が向き出した頃⁷なので、ある意味でちょうど良いのかもしれません。AI技術の概要や、業界動向、事例などが豊富に紹介されています。

IPA DX白書

こちらは2022年の2月に公開されたばかりの、比較的新しい白書です。2018年頃から、経産省のDXレポートをきっかけに、DXがバズワード化しており、おそらく2020年代の新入社員のみなさんも、エラい人がDX, DX言っているのを耳にしていると思います。その、DXに関するさまざまな調査結果やDXの取り組み方 (要素技術や考え方のフレームワーク等) が整理されています。2021年版と2023年版が公開されています。

おそらく、インチキ臭い講師の「ITトレンド」研修より、よっぽど正確だと思います。

総務省統計局高校生のための統計学習教材

https://www.stat.go.jp/teacher/comp-learn-03.html

総務省統計局が提供している、データサイエンスのための教材です。高校の数学や情報科で補助教材として使用することを念頭に作成されています。社会人になって、統計学やデータサイエンス、AIといったキーワードに興味を持って、勉強しようと思っている方に、ちょうど良い教材だと思います。

総務省統計局高等学校における「情報II」のためのデータサイエンス・データ解析入門

https://www.stat.go.jp/teacher/comp-learn-04.html

同様に、統計局が公開している補助教材です。統計学から一歩進んで (?) 機械学習などのデータサイエンス領域の知識を学習できます。Google Colabなどで実行可能なJupyter Notebook形式のプログラムも提供されています。

総務省統計局データサイエンス・スクール　レベル別教材

https://www.stat.go.jp/dss/getting/textbook.html

初心者向けから上級者向けまで、統計学についての基礎的な知識が学べる教材が提供されています。

数理・データサイエンス・AI教育強化拠点コンソーシアム数理・データサイエンス・AI教材

http://www.mi.u-tokyo.ac.jp/6university_consortium.html

本コンソーシアムは、「文理を問わず全国すべての高等教育機関の学生が，数理・データサイエンス・AIを習得できるような教育体制の構築・普及を目指」す大学横断の組織です。「コンソーシアムが公開したリテラシーレベル及び応用基礎レベルのモデルカリキュラムの全国展開に向け，東京大学数理・情報教育センターが開発した」豊富な教材が公開されています。

九州大学データサイエンス概論I & II

http://mdsc.kyushu-u.ac.jp/lectures

九州大学が、上記コンソーシアムのカリキュラムに対応する教材として開発した資料が、無償で自由なライセンス (CC-BY) で公開されています。このデータサイエンス概論では、統計学や機械学習の基礎知識から、Pythonプログラミングの基礎とデータ分析の実践まで、幅広い範囲をカバーしています。

統計データ利活用センタービジネスパーソン向け統計データ利活用1dayセミナー

https://www.stat.go.jp/rikatsuyou/training/seminar/index2020.html
【PDF】https://www.stat.go.jp/rikatsuyou/pdf/seminar1.pdf

統計局の外郭団体 (?) の独立行政法人統計データ利活用センターが開催したセミナーの教材と補助資料、動画が公開されています。講師は、「統計学が最強の学問である」シリーズで有名な西内啓氏です。ビジネスで統計・統計学を利用することについて、わかりやすくまとめられています。

一般社団法人全国専門学校情報教育協会専修学校リカレント教育総合推進プロジェクト

一般社団法人全国専門学校情報教育協会が「専修学校リカレント教育総合推進プロジェクト」事業として、各地の専修学校に委託した教育プログラムの成果が公表されています。各種の技術に関する豊富な教材がPDFで公開されています。

厚生労働省　Pythonで始めるプログラミング

https://www.mhlw.go.jp/content/11600000/000806709.pdf

教育ベンチャーなどでは「現役エンジニアが教える」を売りにすることが多いですが、メーカー系研修会社はほとんど、講師専業で、エンジニア経験のない人が教えています。だいたい2年目くらいから、現場に出たこともないのに「現場では～」「実務では～」とかググって出てきたことを語り出します。 ↩︎
書籍とは異なり、スライド1枚で1トピック、というように研修で講師が説明するスタイルに合致している、という意味です。 ↩︎
個人的には、これはマーケティングとしてプラスなのだろうか、と思いますが。 ↩︎
とはいえ、「会社のお金で、就業時間内にしか勉強したくない！」という人も数多くいるので、社会人研修という業界が成り立っているのですが。 ↩︎
それもどうかと思いますが。 ↩︎
さすがにトピックごとにキャラクターが出てきてドタバタ小芝居をするようなのは飽きてきますので。 ↩︎
研修会社では、どういうわけか2021年頃から「ビッグデータ」「IoT」研修の受講者が増えています…。それ、私が8年前に書いた教材なんですが…。 ↩︎

オリコン「企業研修顧客満足度ランキング」

Mon, 14 Nov 2022 00:00:00 +0000

オリコン企業研修顧客満足度ランキングというのがあり、今年度のランキングが発表されました。別に私は毎年追っているわけではありませんが、世の研修会社は、やはり「オリコン1位」というものをアピールポイントにします。

アイ・ラーニング、2022年オリコン顧客満足度調査「利用のしやすさ」で1位獲得 | ICT教育ニュース

私が在籍していた¹研修会社も、ある年に1位になって、Webサイトにデカデカと書いていました。

https://www.knowledgewing.com/kw/news/2019/oricon.html

ところが、今年度のランキングを見ると、総合9位、「オンライン研修」カテゴリでは圏外になっていました。そのランキングがそもそも影響力を持っている業界ではないですが、この調査は「受講者」に対して行っていて、私が連日🤪文句を言っている「大企業の人事」とは評価の観点が異なっていることに注目する必要があるだろうと思います。

例えば、各社へのコメントで、ネガティブな評価に以下のようなものがありました。

オンラインレッスンの際にカメラを強制されたが、理由があいまいなものであった。カメラをつける意義・理由を質問したところ「常識的に～」という返答があり腑に落ちなかった。

このあたり、人事と講師にとっては、まさに「カメラをONにするのが当たり前」なので、「常識的に～」といった反応だったのでしょう。²昨日も書いたのですが、人事の研修に対するKPIは「楽しそうかどうか」です。だから、顔を見たいのです。もしかしたら、Zoomにたくさん人が映っている様子をスクリーンショットを撮って、開催実績にしたいのかもしれません。講師は、ずっと人前で大声でしゃべって気持ち良くなる「プレゼン芸人」だったので、顔が見えないと不安です。だから、カメラをONにさせたがります。

もっとも、私は表情から受講者の様子を読み取るとかめんどくさいので、いつも「私は3センチ角の画面でみなさんの顔を見ても、何もわかりませんので、カメラはOFFで構いません。帯域の無駄です。(オトナなんですから) 何か不明点などがあれば、チャットで気軽に書き込んでください」と言っていますが。

そのへんの「ギャップ」に気付かないと、じわじわと支持が減ってくるのだと思います。

ただ、他社へのコメントも含めて、「コースの選択肢が多くて、自分にあったコースを選びにくいです」とか「同期と久しぶりに話し合う機会を貰えて、普段の業務での考え方を学べた」とか、みなさんオトナですよね？といったものもありますし、「尖ってる人には合わないね。対応出来てない結果として具体性に欠けてた」といった評価もあるので、そもそもの受講者層を考慮したサービスデザインも必要なのかなと思います。

先日も貼った図ですが

そして今も最大の大口取引先なんですが。 ↩︎
とはいえ、本当にこんな返答をする講師がいたら頭おかしいと思いますが。 ↩︎

「ワークショップ批判」からの研修批判

Wed, 09 Nov 2022 00:00:00 +0000

ワークショップは、参加者をまず日常の世界から引き離し、一種の隔離された状態におきます。通常は一泊二日のかなりつめこまれたスケジュールが用意され、朝早くから夜遅くまで、食事の時間もふくめて同じメンバーで過ごします。まったく新しい発想や考えかたに触れた受講者は、驚きとともにそれらを体験的に我がものにしていくようになります。そして二日間でなにかしらの壁をこえ、新しい自分に生まれかわったことを実感するのです。

ワークショップは非日常の体験であるからこそ、そこに自己変革のおおきな可能性を秘めているのですが、実は落とし穴もおなじところにあります。しばしば見られるのは、ワークショップを渡り歩くある種の中毒者の存在です。しばらく参加しないでいるとたまらなく参加したくなる、参加しているほかの人間をつい羨んでしまうといった、ワークショップといわば依存関係に陥っている人間をよく見かけます。

ワークショップ批判 - Fetal skeletal dysplasia forum

研修会社のアンケートにはだいたい「学んだ知識をいつ使いますか」といった問いがありますが、ワークショップ形式だけでなく、座学や実機演習中心の研修でも、「使う予定はない」といった回答がとても多いです。予定もないのに、9時17時、何万円も払って研修を受けます。

半期に1回ほどの研修受講が「人材育成施策」として義務付けられていたり、研修会社のカタログ (的なリスト) の中であれば何を受けてもよいような会社もあり、特に必要性も目的もなく受講している (のではないかと感じる) 人も多いです。

実際、「使わない学び」のほうが楽しいんですよね。何かトレンドワードを聞いて頷いてメモしたり、絶対に失敗しない (よう作られた) 演習用プログラムをいじって「成功体験」したり。しかも平日に業務を抜けて会社のお金で。でも、アンケートには「使う機会はない」と。

(全員ではもちろんないですが) そういった受講者が増えると、研修はより簡単に、受講者がつまずいてストレスを感じないように、試行錯誤の余地がないコピペの実習になり、知識がないとできないはずのディスカッションが、思い付きを出し合うお喋りの場になります。対応する講師も、アンケートにネガティブなことを書かれたくないので、優しく、手取り足取り、成長につながらないくらい肯定し、サポートします。

(主観でしかないですが) 大企業のベテランほどそういった「使わない学び」を求めて何度も研修を受ける方が多い印象です。実際に、半年前に受けたトレンド領域の研修を「何か更新されてるかもしれないから」とまた受けていた方もいました。…いや、そのトレンドの変化を自ら調べるための土台を身に着ける研修なんですけど、という。

加えて、近年のコロナ禍では、外出すること自体に「ハレ」(言い過ぎですけど) の要素が加わります。テレワーク続きの自宅を出て、ファシリティの整った研修会社の会場で、業務を気にせずゆったりと研修を受ける。もはや研修は「レジャー」のひとつになっています。私が実際に聞いた例では、名古屋の研修施設に京都から受講に来た方が、「大阪はオフィスと近くて、研修が終わったら戻らないといけない。東京はサテライトオフィスがあるからやっぱり行かないといけないから、いつも泊りでゆっくりできる名古屋を選んでいる」と仰っていました。

冒頭の記事でも以下のようなことが書かれています。

同様の週末のワークショップに参加し続けて、特別の瞬間を追い求めることになります。

ここでは当初の手段であったものが目的そのものに変化しています。日常の現実にていねいに、忍耐強く向きあって生きることより、安易に非日常を追い求めているといえるでしょう。ワークショップであたたかく、気持のよい思いをすることは貴重なことかもしれません。また同じ思いを抱いた仲間と語りあうこともすばらしい体験だとは思います。

しかしワークショップは、ひとつの出発点なのです。それはゴールではなく、学びやスキルアップの手段であり方法にすぎません。

本来、業務上の課題を解決するために必要な知識を身に着けるための研修が、「研修に参加して楽しく過ごす」ことが目的になっています。ただ、実際問題、そういった受講者が大企業にはたくさんいて、その人たち (の所属企業) が払う高額な受講料で研修会社の経営は成り立っていますし、私自身の収入にもつながっています。

その意味では、受講者はレジャーを楽しめて、講師は難しくないことをペラペラ喋っていればお金になって、企業の人事もこんなに研修予算を割いて人材育成に力を入れているんだとアピールできて、「三方良し」と言えばそうなんですが、外 (社会) から見た時にそれはどうなのかと。

そういうことを長年悶々と考えての、独立であったり、「地域」を意識した事業展開 (計画) であったりするのです。…特にオチはありません。図は、以前作った、「研修会社と教育ベンチャーのターゲットの違い」をあらわす (きわめて主観的な) ものです。

情報教育 (主語がデカい)

Wed, 09 Nov 2022 00:00:00 +0000

最近学生とチャットツールでやり取りすると、(RなりExcelなりの) ここがわかりません、エラーが出ました、という時に「画面をスマホで撮った写真」が添付されてくることが多いです。「Excelファイルを提出します」と言ってGoogleドキュメントのリンクが送られてきたり (もちろん閲覧権限なし)。

ネットワークが高速化したおかげ、とも言えますが、ローカルに保存したファイルとクラウド上のファイル、PCにインストールしたアプリとWebアプリの違いが認識できていないように感じることもあります。

一方で、Pythonで機械学習、とかなんか高度なことをやっているわけで。なんかこう、土台がしっかりしていない危うさというか、全体としての情報教育カリキュラムが間違ってない？とか感じます。

別にCPUの仕組みやプログラミング思考とかを全員にみっちり教える必要はなく、むしろOSとアプリの違い、ローカルとクラウドの概念、権限と共有、スクリーンショット、エラー報告の仕方といったあたりはしっかりと身に着けられるカリキュラムがよいのではないかなと思います。社会人の新人研修でも、原理原則、理論偏重のきらいがありますが、もっと即物的なテクニックを学んだうえで、興味を持った人 (※) にさらに原理原則を教えていくほうが、理論と実践が結びついた教育になるのではないでしょうか。

※学校教育でも新人研修でも、「興味を持った人にだけ」というのは実質的に不可能なのですが。

URLメモ

Tue, 08 Nov 2022 00:00:00 +0000

いくつか、控えておきたいWebサイトのURLを。

YAMLで履歴書を作る - Qiita

2020年7月17日付で、日本規格協会グループは、JIS Z 8303『帳票の設計基準』に掲載されていた「履歴書」の様式例を削除しました。2020年7月19日現在は「お知らせ」に記載されていますが、パーマネントリンクが無いようなので、そのうち消えるかもしれません。お知らせによると、もともとJIS Z 8303は帳票の仕上げ寸法等を規定するものであり、個々の帳票の様式を規定するものではなかった、とのことです。つまり、履歴書の様式は、あくまで「例」として掲載されていたもので、JISで規定されていたものではなかったということです。

いわゆる「履歴書」フォーマットって、そもそも定義されていなかったし、指定されるいわれもない、ということなんですね。とはいえ、(新卒) 採用する側からすると、大量の応募者がそれぞれ異なるフォーマットで送ってくると処理しにくいですし、「なんで書式が違うの？」「いや、JISでは定義されてないので」と言ってくる応募者も (なんかめんどくさそうで) 敬遠されるでしょうから、今後も「なんとなく標準」みたいな感じで、“あの” フォーマットが使われていくのでしょうね。そもそも今はWebフォームですかね。

Bluetooth経由で出力を制御できる “IoT電池” Mabeeeを、いくつか持っているんですが、せっかくなので、Pythonなどから操作するハンズオンなどをやりたいなと思っています。ただ、Python向けのSDKや、Windowsでの操作例がなかったので調べていたら、根本的にはBluetooth Low Energyデバイスの操作なので、いくつか利用できそうなライブラリがありました。

PowerShell コンソール内で curl や wget が実行できないとお嘆きのあなたへ : @jsakamoto

Windowsにもcurlやwgetが含まれているんですね。そして、PowerShellではそれがシェルコマンドへのエイリアスになっていて、意図したように動作しないと。