Scarcity and Predictive Uncertainty: Implications for Societal Resource Allocation

あなたは、嵐の海の中に取り残された救助船の船長であると想像してください。手元にあるライフジャケットの数は限られていますが、水の中には何百人もの人々がいます。目標は単に人々を救うことではなく、できるだけ多くの人々を救うことです。これは「希少資源の配分」という世界です。これは、病院のベッド、家庭教師の時間、あるいは住宅バウチャーなどの配布方法を、単に十分な量がない場合にどのように決定すべきかを、科学者や政策立案者が模索する分野です。通常、彼らはコンピュータを使用して予測を行います。「もしこの生徒に追加の支援を与えたら、テストに合格するか？」あるいは「もしこの患者に人工呼吸器を与えたら、生存するか？」といった具合に。

しかし、ここにひねりがあります。すべての予測が等しくあるわけではありません。ある予測は、きれいな窓越しに物事を見ているようなもので、何が来るのかが正確に見えます。他の予測は、曇った、傷のついたガラス越しに見ているようなものです。正しい方向を推測することはできても、確信は持てません。この論文は、「予測の不確実性（予測の霧）」が人々によって異なる場合に何が起こるかを探求しています。それは、非常にトリッキーな問いを投げかけます。もしライフジャケットの供給が限られているなら、助ければ確実に生存すると確信できる人に与えるべきか、それとも、より助けを必要としているかもしれないが、結果が不透明な人に与えるべきか？ その答えは驚くほど直感的ではなく、ライフジャケットの数に応じてコインのように裏返ります。

霧の予報とライフジャケットのジレンマ

「Scarcity and Predictive Uncertainty（希少性と予測の不確実性）」と題されたこの論文は、AIとデータを用いて困難な選択を行う際に生じる特定の課題を掘り下げています。著者であるシャフカット・ファラビ、パトリック・J・ファウラー、サンメイ・ダスは、数学的モデルを構築し、「公平性」と「効率性」を同時に追求しようとしたときに、私たちの「水晶玉」が人々によって異なる量の霧に覆われている場合、何が起こるのかを検証しました。

現実の世界では、誰に助けを与えるかを決定するために、主に2つの戦略が使われます。第一の戦略は「脆弱性優先」です。「今、最も状況が悪い人々に助けを与える」という考え方です。第二の戦略は「最大限界利益（MMB）」です。「助けることで最も改善が見込める人々に与える」という考え方です。MMBを、どの枯れかけた植物に水をやるかを決める庭師に例えてみましょう。あなたは、すでに死んでしまった植物（手遅れなもの）や、すでに健康な植物（必要としていないもの）は飛ばし、代わりに、死にかけている瀬戸際にある植物に水を注ぐかもしれません。なぜなら、少しの水分があれば、それらが再び花を咲かせるからです。

問題は、庭師が植物が実際にどれほど喉が渇いているのかを確信できていない場合に発生します。ある植物については、土壌は乾燥しており予測可能（低い不確実性）かもしれません。しかし、他の植物については、土壌は謎であり、湿っているかもしれないし、砂漠かもしれない（高い不確実性）。この論文はこう問いかけます。もし、できるだけ多くの植物を救いたいのであれば、「謎の土壌」は、あなたが水をやる対象を変えることになるのでしょうか？

大いなる反転（フリップ・フロップ）

著者らは、これがどのように展開するかを見るために、シミュレーション（数学的実験）を行いました。彼らは、資源の量に応じて、資源をどのように分配すべきかについての「反転」現象を発見しました。これは、資源の量に完全に依存しています。

資源が非常に乏しいとき（「トリアージ」フェーズ）：
グループ全体に対してライフジャケットがたった一つしかない状況を想像してください。論文によれば、最も賢明な動きは、たとえ相手が「霧の濃い」予測であっても、より「明確な予報」を持つ人に与えることです。なぜでしょうか？ 資源が極めて乏しい場合、あなたの助けが確実に機能することを確信する必要があるからです。もし「霧の濃い」未来を持つ人にライフジャケットを与えたとしても、その人が結局溺れてしまう可能性や、そのジャケットが決定的な要因にならなかったという現実的なリスクがあります。しかし、「明確な」未来を持つ人に与えれば、あなたの助けが彼らを安全へと押し上げたことを確信できます。このシナリオでは、「霧の濃い」人々は見捨てられます。それは彼らが重要でないからではなく、数学的に見て、彼らの結果があまりにも予測不可能であり、勝利を保証するにはリスクが高すぎるからです。

資源が豊富なとき（「豊穣」フェーズ）：
さて、大量のライフジャケットが積み上がっている状況を想像してください。突然、戦略が逆転します！ 論文は、資源が豊富にある場合、**「霧の濃い」予測（高い不確実性）**を持つ人々をターゲットにすべきであることを示しています。なぜなら、資源が十分にあり、リスクを取ることができるからです。明確な予測を持つ人々は、おそらく自力で生き残るか、あるいはゴールラインを超えるためにそれほど多くの助けを必要としません。しかし、霧の濃い人々はどうでしょうか？ 彼らは、まさに水面下に沈みかけている、あと一押しを待っている人々かもしれません。もし彼らに資源を与えれば、その「霧」が晴れ、彼らは突如として安全な場所へと浮上する可能性があります。豊かな世界では、「謎」に包まれた人々こそが、最も改善の余地があるため、助けるべき最良のターゲットとなるのです。

霧を無視することの代償

論文はまた、意思決定者が異なるレベルの「霧」について知らない場合に何が起こるかも調査しました。彼らはこれを「不確実性を認識していない（Uncertainty Unaware）」アプローチと呼んでいます。これは、一部の場所が深く濁っている一方で、他の場所は浅く澄んでいるにもかかわらず、全員の水深が同じだと想定しているライフガードのようなものです。

結果は、霧を無視することが、特に資源が少ない場合に、効率性の著しい損失を引き起こすことを示しました。もし全員を同じように扱うと、助けを必要としていない人にライフジャケットを無駄にしたり、必要としている人を見逃したりすることになります。著者らは、資源が少ない設定において、この間違いが、霧を考慮した戦略と比較して、救出に成功する人数を約20%減少させる可能性があることを発見しました。

実世界のテスト：学生の試験

この数学が現実世界で通用するかを確認するため、著者らはPISA（国際的な学習到達度調査）のデータを用いて、彼らのアイデアをテストしました。これは、15歳の生徒を対象とした大規模なグローバルテストです。彼らは数学のスコアを分析し、追加のチュータリング（個別指導）を受けた場合に、どの生徒が一定の習熟レベルに合格するかを予測しようとしました。

彼らは、予測モデルが、高所得層の生徒（「明確な」グループ）と比較して、低所得層の生徒（「霧の濃い」グループ）に対してより不確実性が高いことを発見しました。チュータリング・プログラムをシミュレートしたところ、以下のことが分かりました。

• 「不確実性を認識している（Uncertainty Aware）」戦略の下では： 学校にチュータリングのための予算が非常に少ない場合、彼らは合格が最も確実な生徒（高所得層）に完全に焦点を当てます。なぜなら、彼らの方が合格の確実な賭けだからです。
• 「不確実性を認識していない（Uncertainty Unaware）」戦略の下では： 学校はチュータリングをより均等に分散させますが、これは効率が低いという結果になりました。

しかし、学校の予算が増えるにつれて、「不確実性を認識している」戦略は変化し、理論が予測した通り、最終的には不確実性の高い生徒たちにより多くの注意を向けるようになりました。

大きな問い

論文は、道徳的なパズルで締めくくられています。私たちは、人々をその「霧」の濃さに基づいて異なる扱いをすることが、数学的に効率的であることを示しました。しかし、それは公平なのでしょうか？ 二人の生徒が全く同じ状況にいたとしても、一方が将来の予測がより困難な背景を持っている場合、数学的にリスクが高いという理由だけで、その生徒は助けを少なく受けなければならないのでしょうか？

著者らはこの道徳的な論争を解決したわけではありませんが、社会にとっての新たなジレンマを浮き彫りにしています。彼らは、不確実性を無視することは資源の浪費につながる一方で、不確実性を判断基準として用いることは、資源が逼迫している時に最も脆弱な人々を見捨てることになりかねないことを示唆しています。これは、人生というゲームにおいて、「最も賢い」数学的な動きが、必ずしも「最も公平な」人間としての動きではないこと、そしてその答えは、ボートの中にどれだけのライフジャケットがあるかによって変わるということを思い出させてくれます。