社会の中のデータサイエンス
予測はもう身のまわりで動いている。誰がどのデータから何のために使っているのかを見ていく
50分教師用メモ
準備（授業前） 教室コードを新しく決める（例: 7a01）。「教師」を押して教師用の表示にする。体験 02 は端末の中だけで動くので、通信が不安定でも進む。体験 01 は教室コードで回答を集めるので、コードを板書しておく。
投影 「投影」で 1 枚ずつ送る。生徒は自分の端末で同じページを開き、教室コードを入れる。図が出ない環境でも進む作りにしてある。
時間配分 この単元の位置・目標 6分 ／ 節1 予測は、もう動いている 14分 ／ 節2 大量のデータから、規則を見つける 20分 ／ まとめ・自己評価・ふりかえり 10分
この回の評価（指導要領 情報Ⅱ (3) ア(ア)。［解説］「多様かつ大量のデータの存在」「データ活用の有用性」「データサイエンスが社会に果たす役割」。［設計指針 第2版］Ｄ１Ｌ４「ビッグデータやデータマイニングの概要を知っている」(高選)。単元設計は 単元設計のページ）
- 知識・技能 データサイエンスが社会で果たしている役割を、身のまわりの例で説明している（体験01）。大量のデータから規則を見つけるとはどういう作業かを、自分で数えた結果で説明している（体験02）
- 思考・判断・表現 件数が多い組み合わせと、結びつきが強い組み合わせが別であることに気づき、どちらを使うかを述べている（体験02）
- 態度 予測が当たる場面と当たらない場面を、自分の生活の中から探そうとしている（ふりかえり）
ふりかえりの枚の自己評価の分布を見て、「まだ」が多い目標を次回の冒頭で拾い直す。
数字が何を言えるか、の先へ
情報Ⅰ では、集めた数字が何を言えて、何を言えないかまでを扱った。この単元はそこから先で、データからモデルを作り、当たり方を指標で測り、外れたら直す。16 回のうち、今日がその入口になる
データは、未来を言い当てるのか
教師用メモ
問いに挙手（言い当てられる／言い当てられない／場合による）。ここで答えを出さない。単元の本質的な問いは「データで未来をどこまでなら言ってよくて、外れたときに何を直すのか」。第9・10回で戻ってくる。
情報Ⅰ (4) の内容は教え直さない。尺度・欠損値・外れ値・相関と因果は「知っているもの」として使う。忘れている生徒がいたら、第4〜6回でその場で確かめられる作りにしてある。
授業の終わりにできるようになること
誰が、何のために
15 のかごを数える
予測は、もう動いている
気づいていないだけで毎日いくつも通っている
身のまわりで、何が予測されているか
今日ここに来るまでに通った「予測」を思い出して送る。「何を予測しているか ／ どのデータから」の形で短く書く。人の名前や、特定の店の名前は書かない
思いついたら短く書いて「送る」を押す。人の書いたものの「便乗」を押すと、その続きとして書ける。「便乗をやめる」で自分の思いつきに戻る
教師用メモ
進め方（12分） 3 分で個人。出が悪ければ「朝、家を出る前」「移動中」「買い物」「動画」「学校」と場面を区切って言う（3分）。並んだものを 3 つのまとまりに整理して読み上げる（6分）。
出てくるもの 到着時刻・遅延、天気、動画や商品のおすすめ、地図の混雑、入力の変換候補、迷惑メールの振り分け、店の発注量、電気の使用量。「どのデータから」まで書けているものを必ず 2 つ拾う。
押さえる どれも「誰かが、大量の記録から規則を見つけて、次を当てにいっている」。それがデータサイエンスの仕事の一つ。役割は 3 つに分けられる。①いま何が起きているかを見る ②なぜそうなったかを説明する ③次に何が起きるかを予測する。目標 01。
データサイエンスがしている 3 つのこと
| 見る | いま何が起きているかを、大量の記録から数えて示す。売れた数、来た人数、止まった時間 |
| 説明する | なぜそうなったかを、ほかのデータと結びつけて示す。雨の日に売れた、朝の便が遅れた |
| 予測する | 次に何が起きるかを示す。到着時刻、明日の来客数、この人が次に見るもの |
| 大量とは | 人が目で見て数えきれない量。記録が自動でたまるので、量だけは毎日増える。量があるだけでは何も出ない |
※ 大量のデータをまとめてビッグデータという。そこから規則を見つける作業をデータマイニングという。mining は「掘り出す」
教師用メモ
「量があるだけでは何も出ない」を強調して、節 2 へ渡す。次の節では、実際に 15 件のかごを数えて掘り出す。設計指針 Ｄ１Ｌ４。
大量のデータから、規則を見つける
掘り出す作業を 15 件でやってみる
15 のかごから、一緒に買われる組み合わせを探す
ある売店の 1 時間分、15 人分のかごの中身。まず下の予想を 1 つ選ぶ。次に商品のボタンを 2 つ押すと、両方が入っているかごに色が付き、右に 3 つの数が出る
※ 割合＝（両方入っていたかごの数）÷（左の品が入っていたかごの数）。左の品を買った人が、右の品もどれくらい買うか
教師用メモ
進め方（18分） 予想を選ばせる（2分）。4 つの組み合わせを全部数えさせる（8分）。結果を突き合わせる（8分）。
数の答え パンと牛乳＝両方 5 件・パン 7 件・割合 71%。おにぎりとお茶＝3 件・4 件・75%。弁当とからあげ＝2 件・3 件・67%。バナナとヨーグルト＝4 件・4 件・100%。
山場 「件数がいちばん多いのはパンと牛乳。でもバナナを買った人は 4 人とも全員ヨーグルトを買っている」。件数が多いことと、結びつきが強いことは別。棚を並べ替えるならどちらを使うか、を問う。件数が少なすぎる組み合わせは「たまたま」の可能性も残る（4 人では少ない）ことも言う。
ここが掘り出す作業 15 件なら手で数えられる。10 万件は数えられないので、機械に同じ数え方をさせる。それがデータマイニング。「どう数えるか」を決めるのは人。目標 02・03。
数えるだけで、規則は出てくる
| やったこと | 15 件の記録から、2 つの品が一緒に入っている回数を数えた。これがデータマイニングのいちばん簡単な形 |
| 件数 | 両方入っていたかごの数。多いほど、その組み合わせは店でよく起きている |
| 割合 | 左の品を買った人のうち、右の品も買った割合。件数が少なくても割合は高いことがある |
| どちらを使うか | 目的による。よく起きることに合わせるなら件数、確実に効く組み合わせを探すなら割合。件数が少なすぎると、たまたまかもしれない |
※ 人が目で数えられるのは数十件まで。数万件・数億件を同じやり方で数えるのが機械の仕事。何をどう数えるかを決めるのは人
教師用メモ
「たまたま」の話は第9回の評価指標につながる。ここでは「少ない件数の 100% を信じてよいか」を投げておくだけでよい。
3つの目標に、自分の操作で答える
今日の目標、自分はどこまで
3 つの目標それぞれに、できた／だいたい／まだ、を 1 つ選ぶ。右の帯にクラス全体の分布が出る
教師用メモ
1 分。「まだ」が多い目標は、次回の冒頭で拾い直す。
予測が当たらないのは、どんなときか
一文でよい。身のまわりの予測で「外れた」場面を 1 つ思い出して、なぜ外れたかを書く
教師用メモ
3 分。「今までの記録にない出来事だった」という答えを必ず拾う。過去のデータから作った規則は、過去にない出来事には弱い。この単元の本質的な問いにつながる。
次回は「データがもたらした生活の変化」。便利になった分、何を手放したかを扱う。