芥川龍之介が「蜘蛛の糸」を発表して百年。高二の秋の文化祭,クラスの仮装行列のテーマが 蜘蛛の糸だった。お釈迦様の極楽タワーの竹を近所から切り出し,地獄の焔と煙の絵を描いた。犍陀多に続いて蜘蛛の糸(登山部の赤いザイル)に群がる地獄の亡者だったころ。
2025年9月22日月曜日
国勢調査
2025年7月18日金曜日
Japan DashBoard
普通だと,ダッシュボードのトップページへのリンクがあって,そこにアクセスして話が進んでいくようなものだけれど,デジタル庁の該当ページは何だか面倒なことになっていた。
1.指標の分類この目次がいきなり登場するということは,ここがダッシュボードなのか?ここは単なるお知らせのページではなかったのか?わからない。あわててリンク先の内閣府のページに行くと内閣府側のまったく同じものに誘導された。わかりにくすぎる。とにかく,
2.Japan Dashboard
・指標のデータをみる
・1つの指標を都道府県ごとにみる
・2つの指標の関係性をみる
・4つの指標の推移を並べてみる
3.データカタログ
(1) 1つの指標のデータをコピーして利用する
(2) 複数の指標を一括ダウンロードする
4.関連資料
(1) Japan Dashboardの見方と操作方法
(2)「見える化」ポータルサイトのリニューアル方針
5.留意事項
691の指標を7つの大分類と62の中分類に分けて整理しています。人口:人口、婚姻・出生、高齢者割合等経済:県内総生産、就業・労働、所得・課税等教育:学校数・教員数、学校のICT環境等社会保障:医療体制、医療費、検診受診率等暮らし:安全、居住等社会基盤:社会基盤地方財政:基金、歳出・歳入等
2025年3月5日水曜日
Claude 3.7 Sonnet
Claude 3.7 Sonnetは初のハイブリッド推論モデルであり、これまでで最もインテリジェントなモデルです。コーディングの最先端であり、コンテンツ生成、データ分析、プランニングの大幅な改善を実現しています。Proプランにアップグレードすると、クロード3.7ソネットを拡張思考で使用できるようになります。拡張思考は、数学、物理学、複雑なコーディングの課題のパフォーマンスを向上させます。
Q(koshix):日本の金融資産の保有額で分類した階層別分布が以下のように与えられます。(1) マス層:0~3,000万円, 4425万世帯, 711兆円(2) アッパーマス層:3,000万円~5,000万円, 577万世帯, 282兆円(3) 準富裕層:5,000万円~1億円, 404万世帯, 333兆円(4) 富裕層:1億円~5億円, 154万世帯, 334兆円(5) 超富裕層:5億円以上, 11.8万世帯, 135兆円これをおおむね再現する連続な確率密度分布関数を数値的に求めてください。A(ChatGPT o3-mini-high):(66秒推論後,いちばんもっともらしいけれどやっぱり誤っている回答,とくに指定せずに対数正規分布(μ=7.055, σ=1.147)とパレート分布(α=2.547)の混合モデルが選択された。)A(Gemini 2.0 Flash Thinking Experimental):(対数正規分布 μ=7.16, σ=1.05 が提案された。)A(DeepSeek R1 from Perplexity Pro):(KDE関数を用いたpythonコードが提案された。グラフも出てきたがちょっと違う。)A(Claude 3.7 Sonnet):(思考時間が短くスイスイと結果のpythonプログラムを掃き出してくる。最初は,対数正規分布だけだったので,パレート分布との混合モデルを依頼するとなんとか対応できた。GPT o3-mini にはかなわない。というのも精度が甘かったのである)
2024年11月7日木曜日
世代効果
Q(koshix):(第52回及び関連する第50回の2ファイルをアップロードした上で)これらの内容をまとめて教えてください。A(ChatGPT-4o):以下に2つのレポート内容をまとめます。1.「ポパイ・JJ世代が時代の節目? 日本人の価値観変化をデータで検証」概要:このレポートは、日本人の価値観がどのように変遷してきたかを「生活定点」データを基にしたコウホート分析によって考察しています。博報堂生活総合研究所が1992年から定点観測を行ってきた長期時系列データを活用し、「年齢効果」「時代効果」「世代効果」の3つの要因を分離して、特定の世代が持つ特徴や時代の影響を解析しています。主な発見:1952年から56年生まれの世代に、価値観の変わり目が見られるとされており、日本社会において「世代的な節目」を形成していると考えられます。コウホート分析の結果により、消費や価値観の変化が進み、特に「消齢化」(年齢によるライフスタイルの固定化の希薄化)が進行していると指摘されています(第52回)。2.「人前でのキスに抵抗はない」は6% 調査で見えた若者の実像概要:若者の価値観や行動が実際にどれほど変わったのか、30年間の「生活定点」データに基づき、コウホート分析を通じて若者の特徴が世代固有か、時代的な影響かを検証しています。主な発見:若者に見られる行動や価値観のうち、約4割が「年齢効果」(年齢に基づく変化)で、世代固有のものは3割程度であると示唆されています。特に「音楽や美容に対する関心」などは若者特有の特徴である一方、「人前でのキスに対する抵抗感」など、恋愛観に関しては世代を超えて一貫している要素もあるとされています(第50回)。これらのレポートから、長期間にわたるデータを基に日本人の価値観の変遷が年齢や時代、世代ごとにどのように影響されるかが詳細に分析されており、特定の世代における消費傾向や価値観の変化が明らかにされています。Q(koshix):1952年から56年生まれの世代に、価値観の変わり目=日本社会における「世代的な節目」だということですが,その前後でどんな価値観が変化しているのか複数の例をあげて説明してください。A(ChatGPT-4o):1952年から56年生まれの世代が日本社会における「価値観の節目」を形成している理由について、いくつかの具体例を挙げて説明します。この世代は「ポパイ・JJ世代」とも呼ばれ、従来の価値観から新たな価値観へとシフトする過程で、以下のような変化が見られました。個人主義の台頭戦前や戦中生まれの世代が保守的・伝統的な価値観を持っていたのに対し、1952年から56年生まれの世代では「個人の自由」が重要視されるようになりました。この世代は、家庭や組織への従属よりも、個人の自己実現を追求する傾向が強まり、特に家庭や職場での上下関係の在り方に対する意識が変わり始めました。食生活の変化伝統的な魚料理が好まれていた世代から、次第に肉料理が一般化され、特に1970年代以降は肉が日常的な食材となっていきました。この変化は、価値観が個人の嗜好に寄り添う傾向へと移行したことを示しており、戦後の欧米文化の影響も加わった結果と考えられます。仕事と生活のバランス1952年から56年生まれの世代以降、仕事中心の生き方から、家庭やプライベートを重視する価値観へのシフトが見られるようになりました。具体的には「予定があれば残業しない」「仕事よりも家庭が大事」といった意識が若い世代ほど顕著になり、組織よりも個人生活を重視する傾向が進んでいます。社会貢献意識の揺れ「社会のために役立つことをしたい」という意識は、この世代で一旦上昇した後、後続世代では減少しつつも再び波打つような傾向を示しています。これは、個人の幸福追求と社会への貢献の間で揺れ動く日本人の価値観の変化を表しています。このように、1952年から56年生まれの世代は、個人の自由と多様な価値観が受け入れられる社会への移行期として重要な役割を果たし、従来の伝統的な価値観を一部保ちながらも、大きく社会が変容していく時代の礎となりました。
2024年8月13日火曜日
注目論文数
No | 国名 | 人口(万人) | 10%論文数 | 人口比(/万人) | |
1 | 22 | シンガポール | 580 | 1,520 | 2.621 |
2 | 17 | スイス | 870 | 2,071 | 2.380 |
3 | 7 | オーストラリア | 2,670 | 5,151 | 1.929 |
4 | 14 | オランダ | 1,740 | 2,878 | 1.654 |
5 | 21 | スウェーデン | 1,070 | 1,565 | 1.463 |
6 | 3 | 英国 | 6,800 | 8,850 | 1.301 |
7 | 8 | カナダ | 3,910 | 4,654 | 1.190 |
8 | 6 | イタリア | 5,870 | 6,943 | 1.183 |
9 | 25 | ベルギー | 1,170 | 1,337 | 1.143 |
10 | 2 | 米国 | 34,180 | 34,995 | 1.024 |
11 | 5 | ドイツ | 8,330 | 7,137 | 0.857 |
12 | 11 | スペイン | 4,750 | 3,991 | 0.840 |
13 | 9 | 韓国 | 5,170 | 4,314 | 0.834 |
14 | 23 | 台湾 | 2,360 | 1,511 | 0.640 |
15 | 10 | フランス | 6,490 | 4,083 | 0.629 |
16 | 15 | サウジアラビア | 3,750 | 2,140 | 0.571 |
17 | 1 | 中国 | 142,520 | 64,138 | 0.450 |
18 | 12 | イラン | 8,980 | 3,882 | 0.432 |
19 | 24 | ポーランド | 4,020 | 1,491 | 0.371 |
20 | 13 | 日本 | 12,260 | 3,719 | 0.303 |
21 | 18 | トルコ | 8,630 | 2,052 | 0.238 |
22 | 19 | エジプト | 11,450 | 1,826 | 0.159 |
23 | 16 | ブラジル | 21,760 | 2,131 | 0.098 |
24 | 20 | パキスタン | 24,520 | 1,696 | 0.069 |
25 | 4 | インド | 144,170 | 7,192 | 0.050 |
2024年6月14日金曜日
合計特殊出生率(3)
using Gadflyusing Composeusing DataFramesX = [46.6,47.4,49.4,47.7,49.9,51.2,50.0,50.4,50.9,49.9,49.3,49.0,44.2,49.0,50.4,52.0,50.4,52.3,49.5,51.7,51.4,51.6,51.9,51.4,52.2,44.4,43.5,48.8,47.0,48.5,49.2,51.9,48.9,50.7,49.9,49.3,51.1,49.6,46.1,46.2,48.5,48.6,48.5,49.5,49.4,49.2,45.8]Y = [1.06,1.23,1.16,1.07,1.10,1.22,1.21,1.22,1.19,1.25,1.14,1.14,0.99,1.13,1.23,1.35,1.34,1.46,1.32,1.34,1.31,1.25,1.29,1.29,1.38,1.11,1.19,1.29,1.21,1.33,1.44,1.46,1.32,1.33,1.40,1.36,1.40,1.31,1.30,1.26,1.46,1.49,1.47,1.39,1.49,1.48,1.60]Labels = ["北海道","青森","岩手","宮城","秋田","山形","福島","茨城","栃木","群馬","埼玉","千葉","東京","神奈川","新潟","富山","石川","福井","山梨","長野","岐阜","静岡","愛知","三重","滋賀","京都","大阪","兵庫","奈良","和歌山","鳥取","島根","岡山","広島","山口","徳島","香川","愛媛","高知","福岡","佐賀","長崎","熊本","大分","宮崎","鹿児島","沖縄"]plot(x=X, y=Y, label=Labels, Geom.point, Geom.label, Theme(major_label_font="CMU Serif",minor_label_font="CMU Serif",major_label_font_size=12pt,minor_label_font_size=12pt), Guide.xlabel("女性有配偶率"),Guide.ylabel("合計特殊出生率"))
2024年6月10日月曜日
のんき度
2024年6月7日金曜日
合計特殊出生率(2)
library(showtext)
font_add("Hiragino", "/System/Library/Fonts/ヒラギノ角ゴシック W3.ttc")
showtext_auto()
X <- read.table('/Users/koshi/Desktop/birth.txt', header = TRUE)
par(family = "Hiragino") # 利用可能なフォントを指定
plot(X\$年, X\$合計特殊出生率, type="o", pch=16, xlab="", ylab="")
t = c(range(X\$合計特殊出生率), X\$合計特殊出生率[length(X[,1])])
axis(4, t, t)
title("合計特殊出生率", line=0.5)
#title("Total Fertility Rate", line=0.5)
# x軸とy軸のメモリの位置を手動で指定
x_ticks <- pretty(X$年, 15) # 15個のメモリを生成
y_ticks <- pretty(X$合計特殊出生率, 16) # 16個のメモリを生成
# x軸に対してグリッド線を描画
for (i in x_ticks) {
abline(v = i, col = "lightgray", lty = "dotted")
}
# y軸に対してグリッド線を描画
for (i in y_ticks) {
abline(h = i, col = "lightgray", lty = "dotted")
}
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