第4章　仮説をつくる ── 帰納・演繹・アブダクションをAIと回す

この章の要点

• データ分析の質は、分析手法ではなく「問いと仮説」で決まる
• 仮説の立て方には、帰納・演繹・アブダクションの3つの道がある
• AIは、3つの思考すべてを高速で回す「壁打ち相手」になる

「分析の質」は、分析の前に決まっている

統計ソフトの使い方を覚えれば、データは分析できます。けれど、間違った問いに、正しく答えても意味がありません。 データ分析の質は、計算の正確さよりも、その手前にある「問いと仮説」の質で、ほとんど決まってしまいます。

コーディング・システム開発編で、コードを書くのはAIで、人間の仕事は「何を作りたいかを言葉にすること」だとお伝えしました。データ分析もまったく同じです。計算はAIがやってくれる。人間の仕事は、「何を確かめたいのか」を、検証可能な仮説の形にすることです。

では、仮説は、どうやって立てるのでしょうか。研究の世界では、3つの道が知られています。

⸻

道①：帰納法 ── 観察から、法則を見つける

帰納法（Inductive reasoning）は、個別の観察やデータから、共通する傾向や法則を引き出す方法です。

例：複数の脳トレアプリの利用者が「毎日決まった時間に取り組んでいる」と観察される → 「習慣化が効果に寄与しているのではないか」という仮説を立てる。

豊富なデータや、現場での観察からアイデアを得たいときに有効です。セラピストでいえば、「担当した患者さんに共通するパターンに気づく」あの感覚です。

⸻

道②：演繹法 ── 理論から、予測を導く

演繹法（Deductive reasoning）は、すでにある理論や原則を起点に、個別のケースで何が起こるかを予測する方法です。

例：「価格は購買のハードルを下げる」という理論 → 「認知機能改善サービスの価格を下げれば、高齢者の利用が増えるのではないか」と予測する。

学術理論やマーケティングの枠組み（行動経済学、STP、4Pなど）を現場に当てはめるときに有効です。「ガイドラインの推奨を、目の前の患者さんに適用する」臨床判断に近い思考です。

⸻

道③：アブダクション ── 驚きから、飛躍する

アブダクション（Abductive reasoning）は、既存の知識では説明できない出来事に対して、「おそらく、こうではないか」と飛躍的に最も妥当な仮説を立てる方法です。

例：あるダイレクトメールだけ、異様に反応率が高い → 「共感性の高いストーリーが含まれていたからではないか」と推測する。

データだけでは見えない「意味」や「感情」に迫るときに力を発揮します。イノベーションや新しいコンセプトは、たいていこの飛躍から生まれます。 「検査値は説明できないのに、なぜか良くなる患者さん」に、ベテランが見出す"何か"。あれがアブダクションです。

⸻

AIは、3つの思考すべての「壁打ち相手」になる

ここからが、本コンテンツの真骨頂です。この3つの思考を、AIは高速で回す相棒になります。

• 帰納を助ける：観察メモやデータの要約を渡し、「ここから言える共通パターンと、考えられる仮説を5つ挙げて」
• 演繹を助ける：「行動経済学の理論から、このサービスの利用率を高める仮説を導いて」
• アブダクションを助ける：「この"予想外の結果"を説明できそうな、意外な仮説を3つ、飛躍を恐れずに出して」

特にアブダクションは、人間一人だと「いつもの発想」から抜け出しにくいものです。AIに大量の"飛躍した仮説"を出させ、その中から「これは面白い」と人間が選ぶ。生成はAI、選別は人間。この組み合わせが、仮説づくりを一気に豊かにします。

試してみるプロンプト（アブダクション・ブースター）

あなたは、領域を横断する発想が得意な研究者です。 わたしは次のような「予想外の観察」をしました。

【観察】 （例：自主トレの継続率が、丁寧な説明をした群より、あえて説明を簡素にした群のほうが高かった）

この現象を説明できそうな仮説を、常識的なものから飛躍的なものまで、7つ挙げてください。 それぞれについて、「もし正しければ、どんなデータで確かめられるか」も一言添えてください。 ありきたりな仮説より、意外で検証する価値のある仮説を歓迎します。

第4章のまとめ

• 分析の質は、手法ではなく「問いと仮説」で決まる
• 仮説の立て方には帰納・演繹・アブダクションの3つの道がある
• AIは3つの思考すべての壁打ち相手になる。「生成はAI、選別は人間」が基本