Ruby

プログラミング言語のRubyである。

日経夕刊の人間発見，今週（注：先月の）はプログラミング言語「Ruby」開発者のまつもとゆきひろ（Matz, 松本行弘）さんだ。日本人で唯一，2011年のフリーソフトウェアアワードを受賞している。

そういえば，リチャード・ストールマンは，2000年ごろに，横浜パシフィコかどこかでの集会でみたことがあるような気がするけれど，誰にも知られずポツンと何かを物販していた。

図：Rubyの公式アイコン（Rubyホームページから引用）

自分のプログラミング遍歴（１）・（２）でも書いたように，Rubyはほとんどさわったことがない。これも何かの因縁かとちょっとインストールしてみようと思った。手元のMacbookには，/usr/bin/ruby (ruby 2.6.10p210 (2022-04-12 revision 67958) [universal.arm64e-darwin24])という古いものが入っていた。homebrewのほうは，/opt/homebrew/opt/ruby/bin/ruby (ruby 3.4.4 (2025-05-14 revision a38531fd3f) +PRISM [arm64-darwin24]) だった。面倒だ。

そこで，相変らず評判が高い Claude 4.0 Sonnet にきいてみる。

Ｑ（koshix）：

macbook でrubyを使いたいのです。homebrew で新しいバージョンはインストールしています。その他の実行環境はどうやって使うのかよくわかりません。どうしたらいいですか。

Ａ（Claude Sonnet 4）：

MacBookでRubyの実行環境を整えるには、いくつかの方法があります。Homebrewで新しいバージョンをインストール済みということですが、より柔軟にRubyのバージョンを管理できるツールを使うことをお勧めします。

１．推奨される方法

rbenvを使うのが最も一般的で安定した方法です：

bash

# rbenvをインストール

brew install rbenv

# シェルの設定に追加（bashの場合）

echo 'eval "$(rbenv init -)"' >> ~/.bash_profile

# zshの場合

echo 'eval "$(rbenv init -)"' >> ~/.zshrc

# 設定を反映

source ~/.bash_profile  # または source ~/.zshrc

２．Rubyのインストールと切り替え

bash# インストール可能なバージョン一覧を確認

rbenv install -l

# 特定のバージョンをインストール（例：3.2.0）

rbenv install 3.2.0

# グローバルで使うバージョンを設定

rbenv global 3.2.0

# 現在のバージョンを確認

ruby -v

３．プロジェクトごとの設定

bash# プロジェクトディレクトリで特定のバージョンを指定

cd your-project

rbenv local 3.1.0

４．その他の選択肢

rvm: 古くからある管理ツール

asdf: Ruby以外の言語も管理できる万能ツール

rbenvが最もシンプルで安定しているので、まずはこれから始めることをお勧めします。インストール後はgem install bundlerでBundlerも入れておくと、プロジェクトの依存関係管理が楽になります。

何か具体的な問題が出てきたら、またお聞かせください。

これにしたがって，きれいにインストールできた。次に，練習してみようと思って，Geminiに「macosにrbenv をいれてrubyを使えるようにしました。この環境でのruby入門のサイトはありませんか。」と尋ねていくつか推薦してもらったが，途中から有料だったりして役に立たない。

京都女子大学の小波秀雄さんがRubyの授業をやっていたのを思い出したが，残念なことに，フリーのテキストはなくて「新しいプログラミング」というインプレスの印刷本になっていた。

そんなこんなで調べているうちに，もうRubyの時代はほぼ終ったという説もみかけた。どうやら世の中はほとんどpythonで埋められているようだ。ということで，Rubyの学習計画は頓挫した。

合計特殊出生率（３）

合計特殊出生率（２）からの続き

2024年に生まれた「日本人の子ども？」の数が1899年に統計をとり始めてから初めて70万人を下回って68.6万人となったとNHKが報じていた。合計特殊出生率も1.20から0.05減って1.15になった。NHKでは婚姻数の減少に問題を帰着させようとしていた。

「国立社会保障・人口問題研究所がおととし公表した将来予測では、日本人の出生数が68万人台になるのは2039年と推計していて、想定より15年ほど早く少子化が進行しています。」

前回に続いて奥村先生のRコードでグラフを描かせよう。としたら，エラーが出てしまった。showtextを読ませてもうまくいかない。そこで，元のコードやエラーメッセージを入れ，ChatGPT o3に尋ねるとちゃんと教えてくれた。

(1) CRAN ミラーを指定して showtext を入れる bash<br>R -q -e "install.packages('showtext', repos='https://cran.yu.ac.kr', dependencies = TRUE)"

※ インタラクティブ R から install.packages("showtext") でも可

(2) 同じライブラリに入ったか確認 bash<br>R -q -e "print(.libPaths())"

ここに /opt/homebrew/lib/R/4.5/site-library が含まれていれば OK。

(3) Rscript でもロードできるかテスト bash<br>Rscript -e "library(showtext); cat('loaded\n')"

エラーが出なければ成功。

前回のRのスクリプトを実行して（Rscript tfr.r），合計特殊出生率のグラフを出力した。なお，使用した データbirth.txtは以下のとおり。

年    出生数 　　　　　合計特殊出生率

1953 1868040           2.70

1954 1769580           2.48

1955 1730692           2.37

1956 1665278           2.22

1957 1566713           2.04

1958 1653469           2.11

1959 1626088           2.04

1960 1606041           2.00

1961 1589372           1.96

1962 1618616           1.98

1963 1659521           2.01

1964 1716761           2.05

1965 1823697           2.14

1966 1360974           1.58

1967 1935647           2.23

1968 1871839           2.13

1969 1889815           2.13

1970 1934239           2.13

1971 2000973           2.16

1972 2038682           2.14

1973 2091983           2.14

1974 2029989           2.05

1975 1901440           1.91

1976 1832617           1.85

1977 1755100           1.80

1978 1708643           1.79

1979 1642580           1.77

1980 1576889           1.75

1981 1529455           1.74

1982 1515392           1.77

1983 1508687           1.80

1984 1489780           1.81

1985 1431577           1.76

1986 1382946           1.72

1987 1346658           1.69

1988 1314006           1.66

1989 1246802           1.57

1990 1221585           1.54

1991 1223245           1.53

1992 1208989           1.50

1993 1188282           1.46

1994 1238328           1.50

1995 1187064           1.42

1996 1206555           1.43

1997 1191665           1.39

1998 1203147           1.38

1999 1177669           1.34

2000 1190547           1.36

2001 1170662           1.33

2002 1153855           1.32

2003 1123610           1.29

2004 1110721           1.29

2005 1062530           1.26

2006 1092674           1.32

2007 1089818           1.34

2008 1091156           1.37

2009 1070036           1.37

2010 1071305           1.39

2011 1050807           1.39

2012 1037232           1.41

2013 1029817           1.43

2014 1003609           1.42

2015 1005721           1.45

2016  977242           1.44

2017  946146           1.43

2018  918400           1.42

2019  865239           1.36

2020  840835           1.33

2021  811622           1.30

2022  770759           1.26

2023  727277           1.20

2024  686061           1.15

図：合計特殊出生率（1953-2024）

P. S. 自分が生まれた1953年の出生数は186.8万人（男95.7万人，女91.1万人），合計特殊出生率は2.69

［１］人口動態調査（厚生労働省）

［２］人口動態調査 出生（e-Stat）年次別にみた出生数・出生率（人口千対）・出生性比及び合計特殊出生率

バイブコーディング

これまでも生成AIでプログラムをつくることはあった。しばらく前にそれがバイブコーデイング（Vibe coding）という看板を与えられた。

バイブコーディングは，従来のようにプログラマがコードを直接記述するのではなく，自然言語によって生成AIに対話的指示を与え，それによって生成されたコードでプログラミング開発サイクルを進める。エラーが出ればそれをそのまま生成AIに投入する。このためには要求仕様をなるべく正確に言語化しなければならない。プログラミング能力＝自然言語能力というわけだ。

動機：TBSの報道特集でも話題になったクラウドワークス問題。グレイゾーンの隙をみて，原理的には違法な選挙ビジネスが横行している。その仕事依頼ガイドラインは放送直後に改訂されてごまかしを図っている，その新旧対照表をつくろうと考えた（菅野完のチャンネルでクラウドワークスの出した新旧対照表を紹介していた）。

さっそくバイブコーディングを意識して，ChatGPT o3-mini-high でプログラミングしてみた。最初は新旧の仕事依頼ガイドラインのテキストの差分をdiffコマンドでとったもので試したがうまくいかなかった。次に，データグレンジングのためガイドラインのすべての項目に条番号をつけて章でまとめることにした。それが以下の報告である。ただし３ターン目かな。なお，Gemini 2.0 Flash，DeepSeek，Qwen2.5-Max などはうまくいかなかった。

Ｑ（koshix）：

各種の規程案で，新旧対照表というものがあります。 新旧の２列が対照できるように並んだ表であり， (1) 第一条から通し番号で番号付けされた条文ごとに， 新規程では新設部分（新設項目や修正後表現）にマーク（強調）がされ， 旧規程では削除部分（削除項目や修正前表現）にマーク（取り消し線）がされて， 新旧条文の比較対照ができるようになっているものとします。 (2) 条文番号以外に内容変更がない項目は新規程の欄に条文番号と内容を 記述し旧規程側は，旧規程の条文番号をつけて（同上）とします。 この場合，新規程側には強調マークがつきません。 (3) ある番号の条文全体が新設された場合は，旧規程側に条文番号 なしで「（新設）」と表記されます。つまり，条文番号は同期しないことが あります。 (4) ある番号の条文全体が削除された場合は，新規程側に条文番号 なしで「（削除）」と表記されます。つまり，条文番号は同期しないことが あります。 (5) 章番号と章名は，変化がない場合でも， 新旧両方ともそのまま記述してください。

 これを実現するpythonプログラムは次のように考えています。 (1) 入力は条文番号付きの新と旧のテキストファイルです。 (2) 図表や文字の修飾情報などは含まれません。 (3) 出力はmarkdownであり，強調と取り消し線の情報を含めます。 (4) 内容が同一というのは完全に文言が一致することを指します。 (5) 条文間の対応に関する指示はありませんので，出現する表現の一致度から 適当なアルゴリズム（difflibなど）を用いて条文の対応関係を判断する必要が あります。ただし，章をまたいで対応する条文はないものとします。 (6) 章内の条文の順序は入れ替わっていることもあるので，対応関係を 探す際のアルゴリズムには工夫する必要があるかもしれません。

 参考となる新ファイル，cw1.txtの一部はつぎのとおりです。 「クラウドワークス仕事依頼ガイドライン 第1条 仕事依頼ガイドラインでは、利用規約に基づき本サービスにおける依頼の順守事項および利用条件を定めています。 第2条 本サービスでは、以下のような行為や依頼を禁止しています。これに違反した場合、投稿の削除やアカウントの利用制限などの対応をおこなう場合があります。 第1章 公序良俗に反する仕事 第3条 社会規範に反する内容や、道徳観念から外れた行為など、一般的な公序良俗に反する内容への賛同・助長につながるような仕事の依頼を禁止しています。 第4条 一般社会通念上、明らかに第三者に嫌悪感・不快感を与えるような文面や画像、暴力的な表現、猥褻な表現やデータなどを閲覧する必要がある、または意図せずに閲覧してしまうよう公開している、あるいはそれらを作成する依頼」 質問があればお願いします。

Ａ（ChatGPT 03-mini-high）：

（内容の問い合わせ，略）

Ｑ（koshix）：

(1) 出力は Markdown の「表形式」で作成してください。 (2) 新設部分は太字で，削除部分は取り消し線で (3) 差分検出アルゴリズムの類似度50%以上で一致と判断します。 (4) 変更箇所だけを強調（新規程側）・取り消し線（旧規程側）にする形でお願いします。 (5) 各条文は最初の2つを除いて，各章に包摂されます。 (6) 1つの条文は1行で収まります。 (7) 章内で条文の順序が入れ替わるので，マッチングの際は章単位で処理します。 (8) 新旧で部分的に変更がある場合は，新規程側の変更箇所のみ強調、 旧規程側の変更前部分のみ取り消し線という解釈でOKです。 (9) UTF-8です。macOSのテキストファイルです。 (10) 結果は標準出力にお願いします。

Ａ（ChatGPT 03-mini-high）：

（内容の確認，略）

Ｑ（koshix）：

OKなので進めてください。

Ａ（ChatGPT 03-mini-high）：

（実装の流れとコードとプログラムの使い方）

Ｑ（koshix）：

ほぼ期待どおりです。ありがとうございました。 新規程側の条文順はそのままの維持された形で出力してください。 最後に条文と同じように制作年月日の新旧の欄を作ってください。

Ｑ（koshix）：

入力ファイルの末尾に改訂年月日の記述があるので，制作年月日というところをそれで置き換えてください。これには条文番号が付いていないので注意してください。 なお，新規程の条文番号順に出力するというミッションは達成されていません。

Ｑ（koshix）：

新規程のファイル末尾の2行は，以下のとおりです。 第117条 その他、特に弊社が不適切と判断する内容を含む依頼 令和7年3月14日改訂 この「令和7年3月14日改訂」というテキストをmarkdownファイルの最終行の項目として加えてほしいという希望なのですが，わかりますか？

Ｑ（koshix）：

そういうことです。どうぞよろしくお願いします。

Ｑ（koshix）：

旧規程側にも同様の行があって，同じように対応することを希望していたのですけれど，大丈夫ですかね。

Ａ（ChatGPT 03-mini-high）：

（大丈夫です，最終コードが完成する）

cw1.txt：クラウドワークスの仕事依頼ガイドライン（令和7年3月14日改訂）の整形版

cw2.txt：クラウドワークスの仕事依頼ガイドライン（令和6年12月18日改訂）の整形版

no2m.py：ChatGPTが出力したpythonコード（上記のVibeコーディングで作成したもの）

cw4.md：no2m.py cw1.txt cw2.txt > cw4.md で出力したmarkdownファイル

cw5.docx：pandoc cw4.md -f markdown -t docx -o cw5.docx で出力した修飾済み新旧対照表

図：整形後のcw5.docx の一部見本

［１］Vibe コーディングの時代／コードを一切欠かずプログラミングする（清水亮）

［２］Vibe コーディングとは？AI時代のプログラミング革命（komz）

整数のべき乗の下二桁

オイラーの定理・Grok からの続き

問題がわかったようなわからないような場合は，プログラムに落とし込んでもらうほうがありがたい。

Ｑ（koshix）：

f(n,m)=mod(n^m,100) と定義します。(n=2,3,...，m=2,3,...)

この関数は最小の出発点をm_0(n)として，最小周期T(n)を持つことがわかっているとします。つまり，f(n,m_0+T(n))=f(n,m_0) です。このとき，m_0(n)とT(n)をnの式で表わすことができますか。できる範囲で構いませんけど。

Ａ（ChatGPT o3-mini-high）：

（57秒推論，たぶん正解，以下出力省略，m=2,3,...というのはこちらの入力ミスで，m=1,2,... でなければならないのだけれど，そのあたりは勝手に斟酌して話を進めてくれている。）

出発点：m0(n) = ...

周期：T(n) = ...

Ｑ（koshix）：

n,mを入力したときに，m0(n)とT(n)を求めるプログラムを作ってください。

Ａ（ChatGPT o3-mini-high）：

（できた！）

Ｑ（koshix）：

(1) n=0を入れるまで繰り返して入力を促すようにしてください。

(2) 2^2=4, ... 2^22=...4 のように，周期に対応する部分の結果もあわせて出力するようにしてください。

Ａ（ChatGPT o3-mini-high）：

（できた！）

import math

def ord25(n):

    """

    n と 25 が互いに素な場合に、25 を法とする乗法群における n の位数を返す。

    すなわち、最小の正整数 k で n^k ≡ 1 (mod 25) となる k。

    可能性のある値は 1, 2, 4, 5, 10, 20（φ(25)=20より）です。

    """

    if n % 5 == 0:

        return None  # n が5の倍数の場合、この関数は使いません

    for k in [1, 2, 4, 5, 10, 20]:

        if pow(n, k, 25) == 1:

            return k

    return 20  # 理論上ここには来ないはず

def compute_m0_T(n):

    """

    与えられた n に対して、f(n, m) = n^m mod 100 の

    出発点 m0(n) と周期 T(n) を計算する関数です。

    

    ・モジュロ4について:

      - n ≡ 2 (mod 4) の場合は、m0,4 = 2（m>=2から定常）

      - それ以外は m0,4 = 1

    ・モジュロ25について:

      - 5で割れるが25で割れない場合は m0,25 = 2（m>=2から0になる）

      - それ以外（すなわち 5と互いに素または25で割れる場合）は m0,25 = 1

      

    最終的な出発点は m0(n)=max(m0,4, m0,25) として計算します。

    

    周期は、各合同式での周期の最小公倍数として

      T(n) = lcm(T4(n), T25(n))

    とし、モジュロ4では

      - 奇数かつ n ≡ 3 (mod 4) の場合は T4 = 2、それ以外は T4 = 1

    また、モジュロ25では

      - n と 25 が互いに素なら ord25(n) を、5で割れる場合は T25 = 1 とします。

    """

    # モジュロ4での出発点

    m0_4 = 2 if n % 4 == 2 else 1

    # モジュロ25での出発点

    m0_25 = 2 if (n % 5 == 0 and n % 25 != 0) else 1

    m0 = max(m0_4, m0_25)

    # モジュロ4での周期 T4:

    T4 = 2 if (n % 2 == 1 and n % 4 == 3) else 1

    # モジュロ25での周期 T25:

    if n % 5 == 0:

        T25 = 1

    else:

        T25 = ord25(n)

    T = (T4 * T25) // math.gcd(T4, T25)

    return m0, T

def main():

    while True:

        try:

            n = int(input("整数 n を入力してください (終了するには 0 を入力): "))

        except ValueError:

            print("整数を入力してください。")

            continue

        

        if n == 0:

            break

        

        m0, T = compute_m0_T(n)

        print(f"\nn = {n} のとき:")

        print(f"  出発点 m0({n}) = {m0}")

        print(f"  周期 T({n}) = {T}")

        print("周期に対応する部分の結果:")

        # m0 から m0+T まで（両端を含む）で f(n, m) = n^m mod 100 の値を出力

        for m in range(m0, m0 + T + 1):

            result = pow(n, m, 100)

            print(f"  {n}^{m} = {result}")

        print("-" * 40)

    

    print("終了しました。")

if __name__ == "__main__":

    main()

======================================================

（出力結果）

整数 n を入力してください (終了するには 0 を入力):  16

n = 16 のとき:

  出発点 m0(16) = 1

  周期 T(16) = 5

周期に対応する部分の結果:

  16^1 = 16

  16^2 = 56

  16^3 = 96

  16^4 = 36

  16^5 = 76

  16^6 = 16

----------------------------------------

整数 n を入力してください (終了するには 0 を入力): 

 

Ｑ（koshix）：

このプログラムを利用して，T(n)のn=1...100 までのリスト，m0(n)の1...100までのリストを出力してください。

Ａ（ChatGPT 03-mini-high）：

（125秒考察の後，コードとその実行結果のリストを出力してくれた。微妙に欠損していたので，もとのコードを自分で改変して修正出力した。）

図：T(n)とm0(n)のリストプロット（n=1...100）

索引たんご（２）

索引たんご（１）からの続き

前回，5.pyというローカルの単語パズルプログラムを OpenAI o3-mini-high に作成させた。これだと，本家のパズルゲームを解くことにはならない。そこで，一日一度だけトライできる「索引たんご」の解法支援プログラムも考えることにした。

Ｑ（koshix）：

カタカナ5文字の単語当てゲームが外部サイトにあります。

そのロジックは別添のプログラムのようになっています。

単語当ての推定解をユーザが外部サイトに入れると，現時点の最小値と

最大値のいずれかが推定解に置き換わって，正解から最小値や最大値までの

距離がパーセンテージ比率で与えられます。

それをみながらユーザは次の新たな推定解を外部サイトに入力するのです。

外部サイトのゲームが持っている辞書や正解は秘匿されていますが，

自分の手元にある同様の辞書（別添ブログラム参照）と

外部サイトのゲームが返答するパーセンテージを使って

正解を推定する支援プログラムを新たに自分の手元に作りたいと思います。

この支援プログラムには，推定解の5文字単語とパーセンテージを入力します。

それを受けて新たな正解の候補を返してくれるわけです。

ここまでで，何か質問はありますか。

（別添のプログラムとして前回の5.py 105行をここにおいた）

Ａ（OpenAI o3-staff-high）：

（24秒の推論の後）

以下、現状の理解と実装にあたって確認したい点をいくつか挙げさせていただきます。

【現状の理解】

（9行 省略）

【確認・質問事項】

（26行 省略）

以上の点についてご確認いただけますでしょうか？

これらの点を明確にさせていただくことで、より正確でご希望に沿った支援プログラムの設計案をご提案できると考えております。 

 

Ｑ（koshix）：

(1) 外部サイトの辞書は約12000語を持っていますが（29795語ではありません），その詳細はこちらには不明です。

最小値「アアアアア」，最大値「ンンンンン」が初期値として設定されおり，

正解との関係を判断してこれらの境界が更新されます。

(2) 外部サイトの下限から正解までの割合p1と上限から正解までの割合p2は

p1+p2=100%になるように設定されています。

(3) 外部サイトから得られる情報は，更新された「最小値」と更新された「最大値」と

これらから正解までの距離を表すパーセンテージになります。

(4) 支援プログラム（こちらの辞書は29795語）の初期値も，最小値「アアアアア」，最大値「ンンンンン」であり，内部情報としてこれらが更新され，対話的に使用します。

つまり支援プログラムの最小値や最大値は外部サイトのそれと常に一致しています。

(5) 正解は必ず最小値と最大値の範囲に入るように，推定値を入れていきます。

条件に当てはまらない場合は推定値の再入力が促されます（外部でも支援でも）。

したがって，最小値<正解<最大値を満たすので，パーセンテージは必ず計算できます。

(6) 候補はひとつだけ返してください。

(7) 支援プログラムが使うローカル辞書と外部サイトが使う外部辞書は異なっています。

それでも両者が相似関係にあるとして推定をすることになります。

さらに，質問はありませんか。

Ａ（OpenAI o3-staff-high）：

（21秒推論の後）

以下、現状の理解と、実装に向けた最終確認として追加の質問事項をまとめさせていただきます。

【現状の理解】

（20行 省略）

【追加で確認させていただきたい点】

（28行 省略）

以上、上記の点についてご確認いただければ、より正確な支援プログラムの設計・実装の提案が可能です。

何かご不明点や追加で伝えていただくべき事項があればお知らせください。

Ｑ（koshix）：

(1) 境界はローカル辞書の中に必ず存在します。

(2) p1の式はOK。内部プログラムでは小数点以下1桁までで十分，外部プログラムは小数点以下四捨五入した1-2桁の整数で%を返してきます。

Ａ（OpenAI o3-staff-high）：

（12秒推論の後）

以下、現時点での理解内容を整理するとともに、今後の実装方針について確認させていただきます。

【整理した前提・仕様】

（26行 省略）

【今後の実装方針について】

（16行 省略）

【確認事項】

（9行 省略）

上記内容で問題なければ、この前提に沿って支援プログラムの実装案をご提案させていただきます。

また、上記以外にご不明点や追加でご要望などございましたら、お知らせください。

Ｑ（koshix）：

入力インターフェイスはそれで結構です。コマンドラインでの応答。

その他の補正は不要です。それではプログラムをつくってください。

Ａ（OpenAI o3-staff-high）：

（46秒推論の後）

以下は、上記の前提条件と仕様に沿って作成した Python プログラムの例です。

（説明10行 省略）

（プログラム120行 省略）

プログラムの使い方

（15行 省略）

このプログラムは、コマンドラインで対話的に実行可能です。

ご不明点や追加のご要望があればお知らせください。

この支援プログラムを使って「索引たんご」を解いてみたところおおむねOKだったけれど，問題点が１つ発覚した。元の「索引たんご」の辞書は，ソートの段階では濁点や半濁点を除いたものとして扱っていた。これに対して前回説明したローカルの支援プログラムの辞書は，通常のソートルールに則っている。そこで，ローカルの辞書から「索引たんご」形式の辞書に変換するプログラムもOpenAI o3-mini-highに作らせた。プログラミングがはかどるわ。

Ｑ（koshix）：

次の形式のCSVファイル5.csvがある。

1,アアアアア,

2,アイアンズ,

3,アイアース,

・・・

29793,ンドンバシ,

29794,ンバラカダ,

29795,ンンンンン,

5文字のカタカナが五十音順にソートされて番号が付けられている。

ここで，濁点や半濁点の文字をそれを取り去った文字として扱って

ソートし直して付番した新しいCSVファイル55.csvを出力する

プログラムを作ってください。

例えば，「ガンシップ」は比較の際に「カンシッフ」としてソートして

付番するが，出力CSVファイル上は，「ガンシップ」のままである。

Ａ（OpenAI o3-mini-high）：

（8秒推論の後）

【解説・手順】

（14行 省略）

【コード例】

import csv

import unicodedata

def remove_diacritics(text):

    """

    文字列 text を Unicode 正規化 (NFD) し、

    濁点・半濁点（結合文字）を取り除いた文字列を返す。

    """

    # NFD正規化により合成文字を分解する

    normalized = unicodedata.normalize('NFD', text)

    # 結合文字（濁点や半濁点など）を除去して再結合する

    return ''.join(ch for ch in normalized if not unicodedata.combining(ch))

def main():

    input_filename = "5.csv"

    output_filename = "55.csv"

    # CSVの各行は [番号, カタカナ文字列, (その他)] と仮定

    rows = []

    with open(input_filename, newline="", encoding="utf-8") as csvfile:

        reader = csv.reader(csvfile)

        for row in reader:

            if len(row) < 2:

                continue  # 少なくとも番号と文字列がある行のみ対象

            # row[1] がカタカナの5文字であると仮定

            # ソートキーは、row[1] に対して濁点・半濁点を除去したもの

            key = remove_diacritics(row[1])

            rows.append((row, key))

    # ソート実行：変換後の文字列で五十音順に並べ替える

    # 注意：日本語の五十音順に近いソートとなるが、完全な辞書順ではない場合もあるので

    # 必要に応じて locale.strxfrm() などの利用も検討してください。

    sorted_rows = sorted(rows, key=lambda x: x[1])

    # 出力時に新しい番号を付ける

    with open(output_filename, mode="w", newline="", encoding="utf-8") as csvfile:

        writer = csv.writer(csvfile)

        for new_index, (orig_row, _) in enumerate(sorted_rows, start=1):

            # もとの行の1列目（番号）を新しい番号に置き換える

            # もとの行の他のフィールドはそのまま残す

            new_row = [str(new_index)] + orig_row[1:]

            writer.writerow(new_row)

if __name__ == "__main__":

    main()

【ポイント解説】

（14行 省略）

索引たんご（１）

単語あてと推論AIからの続き

一日に一回トライできるパズルゲームの索引たんご。12回のトライで正解を挟み込む必要があるのだけれど，これが中々に難しい。単語辞書中の正解の位置が左にパーセンテージで表示されているので，辞書があればより確実に推定できるはずだけれど，それは公開されていない。

しかたがないので，代替の辞書がないものかと探してみたところ，言語資源開発センターの『現代日本語書き言葉均衡コーパス』短単位語彙表（Version 1.0）にたどり着いた。なんとなくそれらしい雰囲気が漂っている。Creative Commonsライセンス（CC BY-NC-ND）なので私達には使いやすい。

8MBのｇzipファイルを解凍してできたTSVファイルをmacOSのNumbersに読み込ませて，品詞属性や統計データを取り除いて，正規表現で5文字だけのデータを選び出すと36785語が得られた。さらに，sortしてuniqをかけて同音異義語を排除すると29795語になる。ただし両端に「アアアアア」と「ンンンンン」を加えている（実際は，Excelがユニコードに弱いので慣れないNumbersでの作業を強いられたりして，結構面倒なクレンジングになった）。

これをOpenAI o3-mini-highにプログラムに依頼するのだけれど，そのロジックを考えるのに難儀する。こういうことは丁寧な段取りが重要なのである。一発で動くコードができたので，あとは2-3回微修正を入れるとスイスイとできあがった。ロジックの中身はブラックボックスでも構わないが，各動作の機能仕様やデータ構造は押さえる必要があって，今後のプログラミング教育の方向性は若干かなり変わってくるかもしれない。

Ｑ（koshix）：

1から29795まで五十音順に番号のついた5文字のカタカナを格納したファイル5.csvがあります。このプログラムがランダムに発生する1-29795の整数m0に対応するファイル内の 5文字のカタカナc0を当てるゲームです。正解のans=(m0,c0)とします。 最小の推定値min=(m1,c1)の初期値は(1,アアアアア)です。 最大の推定値max=(m2,c2)の初期値は(29795,ンンンンン)です。 ユーザはコマンドラインから5文字のカタカナ5文字cを入力します。 このようなコマンドラインで動作するプログラムを作ってください。

Ａ（OpenAI o3-mini-high）：

（28秒の推論の後）

以下は、Python を用いてコマンドライン上で動作するプログラムの例です。

このプログラムでは、まず CSV ファイル（"5.csv"）から 1～36787 番目の「5文字のカタカナ」を読み込み、

・辞書（word → 番号）およびリスト（番号 → word）の両方で管理します。

・ゲーム開始時に、ランダムに 1～29795 の整数 m₀ を選び、その番号に対応するカタカナ c₀ を正解とします。

・ゲームでは、初期の推定範囲を下限 (1, "アアアアア")、上限 (29795, "ンンンンン") とし、

ユーザが入力する 5文字のカタカナ（必ず CSV 内に存在するものとする）をもとに、

入力された単語の CSV 上の番号と正解の m₀ を比較します。

・もし入力の番号が m₀ より小さい場合は下限を更新し、

大きい場合は上限を更新します。

・ユーザの入力が正解に一致するまで繰り返します。

以下、コード例です。

import csv

import random

def load_katakana(file_path):

    """

    CSVファイル（例: "5.csv"）から、番号と5文字カタカナの組を読み込み、

    番号→カタカナのリスト（インデックス番号は番号-1）と、

    カタカナ→番号の辞書を返す。

    CSVは各行が「番号,カタカナ」という形式である前提です。

    """

    total = 29795  # ファイルの行数

    words = [None] * total      # 番号 1～29795 に対応（リストのインデックスは 0～29794）

    katakana_to_index = {}

    

    with open(file_path, 'r', encoding='utf-8') as csvfile:

        reader = csv.reader(csvfile)

        for row in reader:

            if not row or len(row) < 2:

                continue

            try:

                idx = int(row[0])

            except ValueError:

                continue  # 番号が数値でない行はスキップ

            word = row[1].strip()

            if 1 <= idx <= total:

                words[idx - 1] = word

                katakana_to_index[word] = idx

    if any(w is None for w in words):

        raise ValueError("CSVファイルの読み込みに失敗しました。行数やデータ形式を確認してください。")

    

    return words, katakana_to_index

def print_range(lower_index, lower_word, upper_index, upper_word, target_index):

    """

    現在の推定範囲と、正解の位置を表すパーセンテージ (p1, p2) を表示する。

    p1: 下限から正解までの割合, p2: 正解から上限までの割合 (p1+p2=100)

    """

    range_span = upper_index - lower_index

    if range_span > 0:

        p1 = (target_index - lower_index) / range_span * 100

        p2 = 100 - p1

    else:

        p1, p2 = 0, 0

    print(f"現在の推定範囲: {lower_index}:{lower_word}  ～  {upper_index}:{upper_word}  (p1:{p1:.1f}%, p2:{p2:.1f}%)\n")

def main():

    file_path = "5.csv"

    

    try:

        words, katakana_to_index = load_katakana(file_path)

    except Exception as e:

        print(f"エラー: {e}")

        return

    # 初期の推定範囲の設定

    lower_index, lower_word = 1, "アアアアア"    # 最小の推定値

    upper_index, upper_word = 29795, "ンンンンン"  # 最大の推定値

    # 正解は、1～29795 の中からランダムに選ぶ（番号 m0 に対応する c0）

    target_index = random.randint(1, 29795)

    target_word = words[target_index - 1]

    

    attempts = 0

    print("=== カタカナ当てゲーム ===")

    print("CSVファイル内の5文字カタカナのうち、\n  番号 1～29795 に対応する単語を当ててください。")

    print_range(lower_index, lower_word, upper_index, upper_word, target_index)

    while True:

        # 試行回数を表示（例：1回目、2回目…）

        print(f"{attempts + 1}回目")

        guess = input("5文字のカタカナを入力してください: ").strip()

        attempts += 1

        

        if len(guess) != 5:

            print("入力エラー：5文字のカタカナを入力してください。\n")

            continue

        

        if guess not in katakana_to_index:

            print("入力されたカタカナはリストに存在しません。\n")

            continue

        

        guess_index = katakana_to_index[guess]

        

        if not (lower_index < guess_index < upper_index):

            print(f"入力された単語は現在の範囲外です。（現在の範囲：{lower_index}～{upper_index}）\n")

            continue

        

        if guess_index == target_index:

            print(f"\n正解です！")

            print(f"{attempts}回目の試行で正解 (番号: {target_index}, カタカナ: {target_word}) に辿り着きました。")

            break

        elif guess_index < target_index:

            if guess_index > lower_index:

                lower_index, lower_word = guess_index, guess

            print("ヒント: 入力は小さすぎます。")

        else:  # guess_index > target_index

            if guess_index < upper_index:

                upper_index, upper_word = guess_index, guess

            print("ヒント: 入力は大きすぎます。")

        

        print_range(lower_index, lower_word, upper_index, upper_word, target_index)

if __name__ == "__main__":

    main()

プログラムのポイントと流れ

１．CSV 読み込み

・load_katakana 関数で CSV ファイルから全 29795 行を読み込み、

番号順にリスト words と、単語から番号を引く辞書 katakana_to_index を作成します。

２．正解の設定

・ランダムに 1～29795 の整数 target_index を選び、対応する単語 target_word を正解とします。

３．推定範囲の初期値

・下限は (1, "アアアアア")、上限は (29795, "ンンンンン") としておき、

ユーザの入力によって更新していきます。

４．ユーザ入力と比較

・ユーザはコマンドラインから 5文字のカタカナを入力します。

・入力された単語が CSV 内に存在し、かつ現在の推定範囲内であるかチェックします。

・単語に対応する番号を取り出し、正解の番号と比較します。

　　*一致すればゲーム終了。

　　*小さい場合は「ヒント：小さすぎる」と表示し、下限を更新。

　　*大きい場合は「ヒント：大きすぎる」と表示し、上限を更新。

・現在の推定範囲を画面に表示し、正解するまで繰り返します。

この例は、インタラクティブな当てゲームとして動作します。実際にご利用になる際は、CSV ファイルの配置場所や文字コード（ここでは UTF-8 を想定）などをご確認ください。

図：本家の索引たんごの成功例（チートを利用した場合）

上記の辞書だけを用い，自力で位置を計算してやるとようやく正解にたどり着けた。

P. S.  上述の「『現代日本語書き言葉均衡コーパス』短単位語彙表」だけど，NumbersからExcelにファイル変換すればよかった。5文字以外も含めてすべてで18万5千語ある。このうち，36%が固有名詞，27%が漢語由来，21%が和語，12%が外来語だ。固有名詞の多くが外来語的なものになる。

置換可能素数

レピュニットからの続き

プログラミングの例題として次のようなことを考えた。「ある素数があって，その各桁を入れ換えてできる全ての数が素数になるものを考える。その最大の素数はどんなものだろうか。」

で，実際に自分でプログラムを書くかというと，それは面倒なので，いつものようにAIに頼ることにする。軟弱だ。脳細胞のフレイルだ。OpenAI o1とかPerlexity Proに頼ってみたが，正しい答えがでない。PythonをJuliaに書き換えても，さらにドツボにはまるだけ。

一度リセットしてから，再度挑戦した。

Ｑ（koshix）：

n桁の素数が与えられたとき，その各桁の数字を入れ替えてできるすべての数が再び素数になるようなもので，できるだけ大きな数を探したい。桁数nを与えたときに，この条件を満たす最大の数を求めるプログラムを作成してください。

Ａ（Perplexity Pro）：

この問題を解決するために、以下のようなプログラムを作成しました。このプログラムは、与えられた桁数nに対して、条件を満たす最大の素数を見つけます。

import itertools

from sympy import isprime

def find_large_permutational_prime(n):

    lower_bound = 10**(n-1)

    upper_bound = 10**n

    primes = [p for p in range(lower_bound, upper_bound) if isprime(p)]

    largest_permutational_prime = -1

    for prime in primes:

        permutations = set(int(''.join(p)) for p in itertools.permutations(str(prime)))

        if all(isprime(p) for p in permutations):

            largest_permutational_prime = max(largest_permutational_prime, prime)

    return largest_permutational_prime

そして，ChatGPT-4oでJuliaに変換したものが次の通りである。

using Primes

using Combinatorics

function find_large_permutational_prime(n)

    lower_bound = 10^(n - 1)

    upper_bound = 10^n - 1

    largest_permutational_prime = -1

    

    for prime in primes(lower_bound, upper_bound)

        perms = Set(parse(Int, join(p)) for p in Combinatorics.permutations(string(prime)))

        if all(isprime(p) for p in perms)

            largest_permutational_prime = max(largest_permutational_prime, prime)

        end

    end

    

    return largest_permutational_prime

end

これを実行すると，n=3で991が得られる。n=4,5,6では結果なしということになった。これから，nが4以上では条件を満たす素数が存在しないと証明できないかと考えたけれど，そんな簡単な話ではなかった。もちろん，現在の生成AIでは証明できない。

調べてみるとこのような素数は，置換可能素数として既によく知られているものだった。911の上にある素数はレピュニット素数だった。これは無限個あると推定されているがまだよくわかっていないのだ。もちろん，3,7,9 の1種類だけが並んだ数は素数にはならない。

政党マップ（１）

YouTubeで，衆議院選挙向けの政治教養的な話をしていた。天理教の人だったので，思わずみてしまったが，意外にまともな説明だった。政党（および自民党総裁選の三候補）を政治的な対立軸と経済的な対立軸で２次元のマップ上に書いていた。前者は，国家主義・全体主義と個人主義・自由主義，後者は，資本主義・新自由主義と社会主義・共産主義というものだ。

なかなか面白かったのだけれど，最後に本人の支持政党が日本維新の会ということでがっくり。まあそんなものだ。

同じようなことをしてみようと，AIチャットボットに次の質問をいれてみる。

Ｑ（koshix）：

日本の政党の主張を分析して，経済軸と政治軸の２軸で あらわされる平面上の矩形領域で表わしたいと思います。 経済軸（X軸）は，-1から1の値をとり，左（-1）が社会主義や共産主義的な 考え方，右（+1）が資本主義や新自由主義的な考え方に対応します。 政治軸（y軸）は，-1から1の値をとり，下（-1）が自由主義や個人主義的な 考え方，上（+1）が国家主義は全体主義的な考え方に対応します。 例えば，アメリカ合衆国は (1,-1)の近傍に位置し，中華人民共和国は (-1,1)の近傍に位置します。 日本の政党としては，以下の10党を選びます。 自由民主党，公明党，日本維新の会，参政党，日本保守党， 国民民主党，立憲民主党，れいわ新撰組，社民党，日本共産党 結果は，政党名：(-0.9〜-0.6，0.4〜0,8) のように表現してください。

ChatGPT-4o，Gemini 1.5 flash，Perplexity Pro ，Claude 3.5 Sonnet で試してみるとそれらしい結果が出てきたが，まちまちだったので，適当に平均した後に主観的に修正してみる。これを図示するプログラムもPerplexity ProやChatGPT-4oに任せてみたところ，なんとか結果が得られた（日本語フォントコードはこちらで修正追加，USAとChinaも追加している）。あとは，適当なアルゴリズムで尺度さえ決まればよいということになるが，そのあたりを具体的に表現するのは難しい。ちなみに，OpenAI o1 では期待するようなそれらしい結果がでなかった。

import matplotlib.pyplot as plt

import matplotlib.patches as patches

import matplotlib.font_manager as fm

from matplotlib import rcParams

# フォントの設定

font_path = '/System/Library/Fonts/ヒラギノ丸ゴ ProN W4.ttc'  # 適切な日本語フォントファイルを指定してください

font_prop = fm.FontProperties(fname=font_path)

rcParams['font.family'] = font_prop.get_name()

# 政党名とそれぞれの位置（Avarage？）

parties = {

    '自由民主党': ((0.1, 0.9), (0.1, 0.9)),

    '公明党': ((-0.1, 0.3), (0.0, 0.5)),

    '日本維新の会': ((0.6, 1.0), (0.2, 0.8)),

    '参政党': ((-0.2, 0.2), (0.7, 0.9)),

    '日本保守党': ((0.6, 0.9), (0.8, 1.0)),

    '国民民主党': ((0.0, 0.4), (-0.1, 0.2)),

    '立憲民主党': ((-0.6, 0.2), (-0.5, 0.1)),

    'れいわ新撰組': ((-0.7, -0.3), (-0.7, -0.3)),

    '社民党': ((-0.9, -0.5), (-0.6, -0.3)),

    '日本共産党': ((-0.9, -0.7), (-0.3, -0.1)),

    'U.S.A.': ((0.75, 1.0), (-1.0, -0.20)),

    'China': ((-1.0, -0.25), (0.75, 1.0)),

    # 修正された位置

}

# グラフの設定

plt.figure(figsize=(8, 6))

# 軸の設定

plt.axhline(0, color='black', linewidth=0.5, ls='--')  # x=0

plt.axvline(0, color='black', linewidth=0.5, ls='--')  # y=0

plt.grid(color='gray', linestyle='--', linewidth=0.5)

# 政党ごとに異なる色を設定

colors = {

    '自由民主党': 'blue',

    '公明党': 'yellow',

    '日本維新の会': 'green',

    '参政党': 'orange',

    '日本保守党': 'purple',

    '国民民主党': 'brown',

    '立憲民主党': 'cyan',

    'れいわ新撰組': 'magenta',

    '社民党': 'pink',

    '日本共産党': 'red',

    'U.S.A.': 'gray',

    'China': 'gray',

}

# データプロット

for party, ((x_min, x_max), (y_min, y_max)) in parties.items():

    rect = patches.Rectangle(

        (x_min, y_min),

        x_max - x_min,

        y_max - y_min,

        alpha=0.3,

        color=colors[party],  # 色を設定

        label=party

    )

    plt.gca().add_patch(rect)

    plt.text((x_min + x_max) / 2, (y_min + y_max) / 2, party,

             fontsize=9, ha='center', va='center')

# 軸の範囲

plt.xlim(-1.1, 1.1)

plt.ylim(-1.1, 1.1)

# タイトル

plt.title('日本の政党の経済軸と政治軸')

plt.xlabel('経済軸 (左: 社会主義, 右: 資本主義)')

plt.ylabel('政治軸 (下: 自由主義, 上: 国家主義)')

plt.grid()

plt.show()

図：日本の政党マップ（ひとつのイメージ）

［１］【日本のリベラル（左派）とは】政治的立場と戦前～現代の歴史を解説

［２］政治的スペクトル（Wikipedia）

プログラミング的思考（３）

プログラミング的思考（２）・コンピューテーショナル・シンキング（４）からの続き

Ｑ（koshix）：

プログラミング的思考とComputational Thinkingの共通点と相違点をおしえてください。情報教育において，どちらが有用でしょうか。

Ａ（Perplexity PRO）：

プロサーチ

・プログラミング的思考の定義を検索する

・Computational Thinkingの定義を検索する

・プログラミング的思考とComputational Thinkingの共通点と相違点を比較する

・情報教育においてプログラミング的思考とComputational Thinkingのどちらが有用かを評価する

回答

プログラミング的思考とComputational Thinkingの共通点と相違点 

共通点

・目的達成のための論理的思考： 両者とも、目的を達成するために論理的に手順や方法を考える力を重視しています。これは問題解決において非常に重要です。

・抽象化と分解： どちらも、問題を小さな部分に分解し、それぞれを抽象化して理解する能力を必要とします。このプロセスにより、複雑な問題を扱いやすくします。

・シミュレーションと試行錯誤： どちらも、シミュレーションや試行錯誤を通じて、最適な解決策を見つけることを重視します。 

相違点

■プログラミング的思考

・効率の重視： 目的達成のために最適な方法を見つけることに重点を置きます。例えば、洗濯の手順を効率的に行う方法を考える。

・具体的な手順の構築： 具体的な手順やアルゴリズムを作成し、それを実行することに焦点を当てます。

・プログラミング教育の一環： 主にプログラミング教育の中で教えられ、具体的なプログラムの作成を通じて学びます。

■Computational Thinking

・広範な適用： 計算論的思考は、プログラミングだけでなく、日常生活や他の学問分野にも適用されます。例えば、データの整理やパターン認識。

・概念的な理解： 計算論的思考は、問題を解決するための概念的な枠組みを提供し、広範な問題に適用可能です。

・コンピュータ科学の基盤： コンピュータ科学全般の基盤として教えられ、プログラミング以外の多くの分野にも応用されます。

情報教育における有用性

どちらが情報教育において有用かは、教育の目的や対象によって異なります。

・プログラミング的思考は、具体的なプログラムを作成する能力を養うために非常に有用です。プログラミングの基礎を学ぶことで、論理的思考力や問題解決能力が向上します。

・Computational Thinkingは、より広範な問題解決能力を養うために有用です。これは、プログラミングだけでなく、データ分析やシステム設計など、他の多くの分野にも応用可能です。

したがって、初等教育やプログラミングの基礎を教える場合には「プログラミング的思考」が有用です。一方で、より広範な問題解決能力やコンピュータ科学全般の理解を深めるためには「Computational Thinking」が有用です。

両者をバランスよく取り入れることで、学生は具体的な技術スキルと広範な問題解決能力の両方を身につけることができます。

Sources:

1: https://kids.athuman.com/cecoe/articles/000178/

2: https://www.koov.io/column/210

3: https://products.sint.co.jp/topsic/blog/computational-thinking

4: https://www.cs.cmu.edu/afs/cs/usr/wing/www/ct-japanese.pdf

 

図：Computational Thinking のイメージ（Nord Anglia から引用）