2026-05-15 — IQ-B（批判的思考・認知バイアス）

2026-05-15 IQ-B 情報評価・フレーミング・証拠の重み付け

今日のフォーカス

テーマ：証拠の質・バイアスの発動・メタ認知で「より正確な判断」を鍛える

情報の表面的な説得力に流されず、証拠の質・バイアスの発動・メタ認知を武器に「より正確な判断」を鍛える。相対値と絶対値の違い、生存者バイアスの構造、証拠の階層（Evidence Hierarchy）を今日の核心として扱う。

フレーミング効果

同じ事実でも提示の仕方（相対値 vs 絶対値）によって判断が変わる。「30%低下」と「0.3ポイント低下」は同じ現象を異なる印象で表現する。

生存者バイアス

「成功した事例」だけを観察し、失敗した事例が視野から外れることで偏った結論を出す認知の罠。成功者の証言は比較対照がなければ参考にならない。

証拠の階層

独立研究 > 社内実験 > ベンダー資料 > SNS投稿の順で信頼性が異なる。情報源の種類と利益相反の有無を意識して評価する。

Q1 ★★☆☆☆ 基本 フレーミングの罠を見抜け
シナリオ — フィンテック PM

あなたはフィンテックPMとして会議に出席。チームリーダーがこう発表した。

「先行テストグループでは解約率が30%低下しました。全体リリースを進めましょう」

実際のデータ：

  • テストグループ解約率：0.7%
  • 対照グループ解約率：1.0%
  1. チームリーダーの発表に矛盾はあるか？「30%低下」というデータとの整合性を確認せよ
  2. この発表に含まれる問題点を指摘せよ
  3. PMとして意思決定するとき、相対値と絶対値のどちらを重視すべきか、理由とともに述べよ
思考プロセスのヒント

「30%低下」と「0.7%→1.0%」は矛盾するか？それとも同じ事実の別表現か？

  • 相対リスク低下（RRR）の計算式：（対照群 − テスト群）÷ 対照群
  • 絶対リスク低下（ARR）は何ポイントか？月間10万ユーザーなら何人に相当するか？
  • 「30%」という数字はどんな印象を与えるか？「0.3ポイント」という数字と比べると？
模範解答を見る

矛盾の確認：相対値と絶対値の計算

グループ 解約率 相対低下率（RRR） 絶対低下率（ARR）
テストグループ 0.7% 30%
(1.0%−0.7%)÷1.0%		 0.3ポイント
対照グループ 1.0%
矛盾はない——同じ現象の2つの表現

「30%低下」は相対リスク低下（RRR）：(1.0%−0.7%)÷1.0%=30%。データは正確だが、フレーミングによって「大きな効果」という錯覚を作り出している。

チームリーダーの発表に含まれる問題点

問題のある発表（印象的だが不完全）
「解約率が30%低下しました」
問題点：
① 絶対リスク低下（ARR）が提示されていない：1.0%→0.7%の変化は絶対値で0.3ポイント
② フレーミングバイアスを誘発：「30%」という大きな数字が「大きな効果」という錯覚を作る
③ ビジネスインパクトが不明：月間10万ユーザーなら追加で防げる解約は300人/月にすぎない
意思決定に使える発表（推奨）
「解約率が1.0%→0.7%に低下（相対比30%、絶対値0.3ポイント）。月間10万ユーザーなら月300人の解約防止効果」
なぜ良いか：
① ROIの計算には絶対的インパクトが必要
② 「月300人の解約防止」vs「開発・運用コスト」で投資判断できる
③ 相対値（30%）は参考として添える

PMとしての発言例

PMとしての発言
「データは両方正しいですが、意思決定には絶対数値で議論しましょう。月300人の解約防止というインパクトに対して、この機能の開発・運用コストはどれくらいですか？」

実践への応用

  • 「%改善」の報告を受けたとき、必ず「元の数値はいくつか？絶対値では？」を確認する
  • 相対値と絶対値を両方提示する習慣をチームに根付かせる
  • ビジネス意思決定には「月●人」「年間●万円」の絶対インパクトで語るよう標準化する

自己評価

Q2 ★★★☆☆ 標準 生存者バイアスのある意思決定
シナリオ — 30代エンジニア・起業検討

30代のエンジニアが起業を検討。以下の情報を収集した。

  • 成功した起業家の自伝10冊（「諦めなければ成功する」「リスクを取る勇気が重要」）
  • 成功起業家のYouTube20本（「失敗を恐れるな」）
  • 成功した先輩起業家3人全員が「やってみろ」と背中を押した
  1. この情報収集プロセスに含まれる批判的問題点を3つ特定せよ
  2. それぞれの補正策を述べよ
  3. 意思決定の質を高めるための「統合的観察」を述べよ
思考プロセスのヒント

この人が収集した情報の「出所」に着目せよ。どんな人物・媒体からの情報だけが集まっているか？

  • 自伝・YouTube・先輩3人——これらに共通する「見えていない集合」は何か？
  • 「起業したい」という動機が先にある状態での情報収集は何を引き起こすか？
  • 先輩3人が全員「やってみろ」と言ったとき、あなたはどう感じるか？
模範解答を見る

3つの批判的問題点と補正策

問題点① 生存者バイアス

現れ方：自伝・YouTube・先輩は全員「成功した起業家」。起業後に失敗した人、精神的・経済的に追い詰められた人の声がゼロ。「諦めない」という特性は生き残った人間の特性であり、失敗者にも同様の特性が多数存在したはず。

補正策：起業失敗者・廃業経験者のインタビュー記事を探す。起業成功率のベースデータを確認（日本では5年以内廃業率は40〜50%）。失敗後の後悔を成功者にも直接聞く。

問題点② 確証バイアス

現れ方：「起業したい」という動機を先に持って情報収集しているため、その結論を支持する情報源ばかり選んでいる。反証（起業すべきでない理由）を探そうとしていない。

補正策：「起業に懐疑的な視点」を意図的に探す。「私が間違っている（起業すべきでない）とすれば、その証拠はどこにあるか？」を書き出す。

問題点③ 同調バイアス＋アンカリング

現れ方：先輩3人全員が「やってみろ」→同調バイアスが発動。最初に読んだ成功物語がアンカーになっており、その後の情報をすべてそのフレームで解釈している。

補正策：先輩3人が意見を出す前に、自分の判断を文書化する。3人以外の視点を導入。クーリングオフを設ける（「1ヶ月後にもこの決断をしているか？」）。

統合的観察：意思決定の質はプロセスで評価される

意思決定の質は、結果（起業して成功したか）ではなく、プロセスの質（バランスのある情報収集・反証探索が行われたか）で評価される。良いプロセスを踏んだ意思決定が悪い結果になることもあるし、悪いプロセスから偶然良い結果が出ることもある。重要なのは「再現可能な判断プロセスを持つこと」。

実践への応用

  • 重要な決断の前に「私が今集めている情報の出所はどんな集合か？」を問う
  • 「反証探索」を意思決定プロセスの必須ステップとして組み込む
  • 感情的な後押し（3人全員が賛成）を受けたとき、その場では結論を出さない

自己評価

Q3 ★★★★☆ 応用 複合バイアスと情報評価の罠
シナリオ — Engineering Manager（EM）

あなたはEM。AIコーディングアシスタントツールの全社導入を検討し、以下の4つの情報を収集した。

# 情報源 内容
1 ベンダーのホワイトペーパー 「導入企業の87%が生産性42%向上と回答。3ヶ月以内にROI回収の事例多数」
2 Twitterで話題のスレッド 「うちのチームでは全然使えなかった。レガシーコードに対応できない」（いいね2,300）
3 社内アンケート 「試験導入した5名のシニアエンジニア全員が生産性向上と回答（平均35%向上体感）」
4 スタンフォード大学研究の報道記事 「AIコーディングアシスタントでコード生産量55%増加、ただしコード品質（バグ率）は変わらないか微増の可能性」
  1. 4つの情報それぞれの問題点・信頼レベル・使い方を評価せよ
  2. 証拠の重み付け（Evidence Hierarchy）を示せ
  3. 経営陣への最終リコメンデーションと、追加収集すべき情報を3つ述べよ
思考プロセスのヒント

それぞれの情報源の「誰が、どんな目的で、どんな方法で」収集・発信したかを考えよ。

  • ベンダーの資料を読むとき「利益相反」をどう考えるか？
  • SNSのいいね数は信頼性の指標になるか？
  • n=5の全員一致はむしろ怪しい理由は何か？（ホーソン効果）
  • 大学研究が「最も信頼性高い」としても、媒体が「報道記事」の場合の注意点は？
模範解答を見る

4つの情報の評価

情報源 主な問題点 信頼レベル 使い方
① ベンダーのホワイトペーパー 利益相反・アンケート設計不明・サンプル不明・セレクションバイアス 低 参考にはなるが主要証拠にはならない。数字の定義と調査方法を確認する
② Twitterスレッド 単一事例・可用性ヒューリスティクス・コンテキスト欠如・いいね数≠正確性 極低 全体評価には使えないが「レガシーコードへの対応」という具体的な懸念軸は参考になる
③ 社内アンケート（n=5） サンプル小・シニアエンジニアのみの選択バイアス・ホーソン効果・全員一致が逆に怪しい 中低 定量評価には使えない。ただし実際に使った人の主観的感想として仮説形成には有用
④ スタンフォード大学研究（報道） 独立研究として最も信頼性高いが、媒体が「報道記事」のため原著論文の確認が必要 高 最も重要な情報。ただし外部妥当性（自社環境への適用可能性）を確認すること

Evidence Hierarchy（証拠の重み付け）

④ 大学研究（独立・査読あり）
最高
③ 社内実験（自社環境・小規模）
中
① ベンダー資料（利益相反あり）
低
② SNS投稿（単一事例・文脈不明）
極低

追加収集すべき情報3つ

1 原著論文の確認：メディア記事は研究結論を歪める可能性がある。コード品質「微増」のメカニズムと研究対象（どんなチーム・どんなコードベース）の詳細を原著論文で確認する
2 自社コードベースの特性と競合ツール比較：レガシーコード比率・GitHubCopilot/Cursorとの比較実験設計。「うちのレガシーコード比率は何%か」が導入可否の重要変数になる
3 長期（3ヶ月以上）の客観的パフォーマンスデータ：コード行数・PR承認率・バグ報告件数・レビュー所要時間を3ヶ月以上追跡するコントロールド実験。主観的な「体感」ではなく客観指標で評価する
最終リコメンデーション

「現段階では全社導入に必要な証拠が不十分。まず10〜15名の対照実験を3ヶ月実施し、客観指標を計測した後に経営陣への本提案を行う。仮説の確率は中〜高（65〜75%）だが、コード品質への影響と自社のレガシーコード比率を考慮した追加検証が先決」

実践への応用

  • 新しいツール・施策の採用を検討するとき、情報源の「利益相反」と「サンプルの代表性」を必ず確認する
  • SNSで話題になっている情報は「確認すべき仮説のヒント」として使い、主要証拠には使わない
  • 「全社導入」のような大きな意思決定の前には、小規模なコントロールド実験を設計する

自己評価

今日のまとめと次回への接続

IQ-B

批判的思考の核心は「見えていないデータを見る力」と「情報源の信頼性を評価する力」。相対値と絶対値の違い、生存者バイアスの構造、Evidence Hierarchyは日常の意思決定の随所に使える武器になる。

今日の3つのキーポイント

1 フレーミング効果：「30%低下」と「0.3ポイント低下」は同じ事実。意思決定には絶対値（ARR）を軸に、相対値（RRR）を補足として使う。「%改善」の報告を受けたとき必ず元の数値と絶対インパクトを確認する。
2 生存者バイアス：成功者の証言だけを集めても比較対照がなければ結論は出せない。情報収集の時点で「見えていない集合は何か？」「私は確証バイアスに陥っていないか？」を問う。
3 Evidence Hierarchy：独立研究 > 社内実験 > ベンダー資料 > SNS投稿。情報源の種類と利益相反の有無で信頼性を評価し、全社導入のような重大意思決定は小規模実験で検証してから行う。

次回への接続

次回: Thinking-B（戦略思考・コミュニケーション）

今日の「情報を正確に読む力」を土台に、次回は「3年後から逆算した戦略立案」と「意思決定者を動かす説得設計」を統合する。Where to PlayとSCQAを使って、組織の意思を動かすコミュニケーションを深める。