自然頻度とは？「1%」を「1,000人中10人」に変えるだけで正答率が変わる科学

健康診断の結果を説明する医師も、保険を提案する営業も、研究成果を発表する研究者も、同じ形式を選びます。「この検査の精度は90%です」「リスクは1%です」。パーセントは正確で、簡潔で、専門的に見えます。だから疑われることがありません。

ところが、この書き方をした瞬間に、聞き手の正答率が落ちます。相手の数学が苦手だからではありません。同じ数字を「人数」に言い直すだけで、正しく理解できる人が数倍に増える。この現象が30年にわたって繰り返し確認されてきました。

そして最近は、その効果にも条件があることがわかってきました。人数で示しても、読み手が頭の中でパーセントに戻してしまえば、効果は消えます。この記事では、形式を変える技術「自然頻度（natural frequency）」について、効果の大きさ、効かない条件、実務での使い方を、メタ分析と原典にあたりながら整理します。

「1%」と言われた人は、なぜ答えを間違えるのか

パーセントで書かれた確率は、頭の中で二段階の変換を要求します。人数で書かれた情報は、その変換が要りません。この差が正答率を分けます。

典型例が、乳がん検診の問題です。ドイツの心理学者ゲルト・ギーゲレンツァー（Gerd Gigerenzer）らが繰り返し使ってきた課題を、日本語に置き換えて示します。

40代の女性が乳がんである確率は1%です。乳がんの女性がマンモグラフィで陽性になる確率は90%です。乳がんでない女性が陽性になる確率も9%あります。ある40代女性の結果が陽性でした。この人が実際に乳がんである確率は何%でしょうか。

多くの人は「90%くらい」と答えます。医師でも同じです。正しい答えは約9%、つまり10人に1人程度です。陽性と言われた人の9割は、乳がんではありません。

ここで、まったく同じ情報を人数で書き直してみます。

自然頻度とは何か

自然頻度とは、確率を「ある集団の中の実際の人数」として表した形式です。「1%」ではなく「1,000人のうち10人」と書く。これだけです。

確率形式と自然頻度形式は、どこが違うのか

違いは「割り算がすでに済んでいるかどうか」です。パーセントは、母数の情報を捨てたあとの数字です。1%と書かれた時点で、何人中の何人だったのかは消えています。自然頻度は、その母数を残したまま提示します。

結果として、聞き手がやるべき計算が変わります。確率形式ではベイズの定理（条件つき確率を求める公式）を使う必要があります。自然頻度なら、陽性の人数を数えて割るだけで答えが出ます。

この「母数を残す」という発想は、数字を要点として掴ませる工夫とも通じます。関連して、数字は正確なのに、なぜ判断できないのか？要点と数値を分けるファジートレース理論もあわせてお読みください。

効果はどれくらいあるのか

自然頻度に書き換えると、正答率はおよそ4%から24%に上がります。倍率でいえば6倍ですが、絶対値としてはまだ4人に1人です。

この数字の出どころは、マクダウェルとジェイコブス（McDowell & Jacobs, 2017）が『Psychological Bulletin』に発表したメタ分析です。メタ分析とは、同じテーマの複数の研究を統計的にまとめ直す手法です。この研究では35本の論文から226個の成績データを集め、20年分の知見を統合しました。

専門家を対象にした研究では、変化はもっと劇的です。ギーゲレンツァーらが2007年に『Psychological Science in the Public Interest』で報告した調査では、婦人科医160人のうち、確率形式で正しく答えられたのは21%でした。同じ情報を自然頻度に置き換えたところ、87%が正答しました。

ここで注意すべき点があります。この87%は、医師が研修の場で自然頻度への変換方法を学んだあとの数字です。形式を変えるだけで自動的に87%になるわけではありません。

形式を変える効果は、より広い範囲でも確認されています。アクルらによるコクラン・レビュー（Akl et al., 2011）は、35件の研究・83件の比較を統合し、「診断や検診の結果は、パーセントよりも自然頻度で示したほうがよく理解される」と結論づけました。コクラン・レビューは、医療分野でもっとも厳格とされる系統的レビューの枠組みです。

人数で示しても、半分の人は自分でパーセントに戻してしまう

自然頻度の効果は、読み手がその形式のまま計算したときにだけ現れます。人数で示されても頭の中でパーセントに変換されれば、効果は消えます。

ドイツのレーゲンスブルク大学のウェーバーらが2018年に『Frontiers in Psychology』で報告した研究が、この点を丁寧に示しました。大学生180人に2つのベイズ課題を解かせ、計算過程まで書かせた研究です（合計360件の推論を分析）。

結果は次のとおりでした。自然頻度で提示された課題のうち、49%は参加者自身の手でパーセントに翻訳し直されていました。逆に、確率で提示された課題を人数に置き換えた人は18%にとどまりました。研究者はこれを「頻度嫌い（frequency phobia）」と呼んでいます。

そして正答率は、提示形式よりも「読み手がどちらで計算したか」に強く左右されました。統計モデルでも、計算形式の効果だけが有意でした（b = 9.85、p = 0.01）。ここでの「有意」とは、偶然では説明しにくい差が観察されたという意味です。

この研究の限界も書いておきます。参加者の8割以上が数学教育を専攻する大学生でした。一般の人より数字に強い集団です。そのため正答率の絶対値は、メタ分析の平均より高く出ています。それでも「翻訳し戻すと成績が落ちる」という関係そのものは、実務にそのまま当てはまります。

実務への含意ははっきりしています。人数で書いて終わりにせず、その人数のまま計算できる形（図や表）まで用意する。ここまでやって初めて、形式変更の効果が出ます。

「50%改善」と「100人中1人」は、同じデータの別の言い方

効果の大きさも、書き方ひとつで印象が変わります。相対的な表現はもっとも大きく感じられ、もっとも説得的に働きます。

たとえば、ある薬を飲まない場合に100人中2人が亡くなり、飲んだ場合は1人になるとします。この同じ事実は、三通りに書けます。

コクラン・レビューは、相対表現が「より大きく感じられ、より説得的である」と同時に、「その提示が本人の価値観に沿った意思決定を助けるかどうかは不確かで、誤解を招きうる」とも書いています。医療者と一般消費者のあいだに差はありませんでした。

ここには倫理の分岐点があります。相対表現は効きます。だからこそ、売りたい側は相対表現を選びがちです。説明責任を負う立場なら、相対と絶対を並べて示すのが誠実な形です。数字の見せ方が判断を動かす仕組みは、フレーミング効果とは？同じ数字が「9割成功」と「1割失敗」で変わる、脳の判断メカニズムでも扱っています。

もうひとつ、分母を無視してしまう癖（分母無視、denominator neglect）も知られています。「700人中100人が助かる治療」より「400人中90人が助かる治療」のほうが実際は成績がよいのに、分子の大きさに引きずられて前者が優れて見える現象です。分母をそろえて書くだけで、この誤解はかなり防げます。

図にすれば伝わるのか

アイコン配列（icon array）を数字に添えると理解は上がります。ただし、その効果はグラフを読む力によって変わります。

アイコン配列とは、100個の人型アイコンを並べ、該当する人数だけ色を変える図のことです。ガルシア＝レタメロとコークリー（Garcia-Retamero & Cokely, 2017）の系統的レビューによれば、数値情報にアイコン配列や棒グラフを添えると理解の正確さが大きく上がり、とくに「リスクを負う集団全体」を描いたときに効果が大きいとされています。

一方で、条件もあります。数字に弱く、かつグラフを読む力も低い人には、視覚化の効果が出にくいという報告があります。図は万能ではなく、読み手の前提に依存します。どのグラフ形式を選ぶかについては、円グラフはなぜ比較しにくいのか？「グラフィカル・パーセプション」で選ぶ伝わるグラフが参考になります。

明日から使える5つの手順

難しい技術ではありません。資料の数字を書き直すだけで、多くは今日から実行できます。

1. パーセントを見つけたら、母数を復元する

「解約率3%」を「顧客1,000人のうち30人」に書き換えます。母数は、聞き手が思い浮かべやすい丸い数字（100、1,000、10,000）を選びます。

2. 分母をひとつにそろえる

複数の数字を並べるときは、母数を統一します。「100人中5人」と「1,000人中40人」を並べてはいけません。どちらも1,000人にそろえれば、50人対40人と一目で比較できます。

3. 相対と絶対を必ず並べる

「50%改善」だけを書かず、「100人中2人が1人に（50%減）」と両方書きます。片方だけの提示は、意図せず相手の判断をゆがめます。

4. 人数のまま計算できる図を添える

数字を書き換えても、相手が頭の中でパーセントに戻せば効果は消えます（図3）。人型アイコンを並べた図や、人数を分岐させたツリー図を1枚添えて、そのまま数えられる状態にします。

5. 「この検査で陽性のうち、実際に該当するのは何人か」を先に言う

相手が知りたいのは検査の精度ではなく、自分の状況です。精度90%という説明より、「陽性98人のうち、実際にがんなのは9人です」のほうが、意思決定に直接つながります。

説明する側は、自分がすでに理解している内容の難しさを見積もれなくなります。この落とし穴については、「専門家ほど説明が下手」の科学的理由と、今日から使える3つの改善策で詳しく書きました。研究成果を専門外の相手に伝える場面では、研究者向けの伝え方支援もご覧ください。

よくある質問

パーセントを使ってはいけないのですか

いいえ、併記が現実的です。効果が確認されているのは、条件つき確率がからむ場面（検査結果、リスクの推定、確率の更新）です。単純な構成比を示すだけならパーセントで問題ありません。判断や計算が必要な数字だけ、人数に書き換えれば十分です。

母数は何人にそろえるのがよいですか

該当者が整数になり、かつ丸い数字を選びます。1%の事象なら1,000人、0.1%なら10,000人が扱いやすい単位です。「1,000人中2.5人」のような小数が出る母数は避けてください。小数が出た時点で、人数として実感しにくくなります。

効果はどれくらい確実なのですか

形式変更が理解を助けること自体は、35論文226推定値のメタ分析（McDowell & Jacobs, 2017）とコクラン・レビュー（Akl et al., 2011）で支持されています。エビデンスの強さとしては上位です。ただし正答率は自然頻度でも24%程度にとどまり、「書き換えれば誰でもわかる」わけではありません。

なぜ人数のほうがわかりやすいのですか

理由については議論が続いています。人類は数え上げで情報を扱ってきたので頻度の処理が得意だ、とする進化的な説明（生態学的合理性）と、集合の入れ子構造が見えるからだ、とする説明（入れ子集合理論）が並立しています。どちらが正しいかは決着していませんが、効果があること自体は両陣営とも認めています。

相手が図を読まない場合はどうしますか

図を読む力が低い相手には、視覚化の効果が出にくいという報告があります。その場合は、図を足すより文の構造を変えます。「1,000人のうち、10人が該当。その10人のうち9人が陽性」と、一文ずつ人数を積み上げる書き方が有効です。

まとめ

この記事の要点は3つです。

• パーセントは母数を捨てた数字です。人数に戻すだけで、正答率は4%から24%に上がります（McDowell & Jacobs, 2017）。婦人科医160人では21%から87%になりました（Gigerenzer et al., 2007）。
• ただし、人数で示しても半数近くは自分でパーセントに戻します。戻された瞬間に正答率は9%まで落ちます（Weber et al., 2018）。人数のまま計算できる図まで用意して、はじめて効果が出ます。
• 効果の大きさは表現で変わります。相対表現はもっとも説得的ですが、そのぶん誤解も招きます。相対と絶対を必ず並べてください。

次の一歩として、いま手元にある資料を開き、パーセントが書かれた箇所を3つ探してみてください。そのうち、相手に判断を求めている数字はどれでしょうか。その1つだけを「◯◯人のうち◯人」に書き換える。それが今日できる最小の改善です。

出典

• McDowell, M., & Jacobs, P. (2017). Meta-analysis of the effect of natural frequencies on Bayesian reasoning. Psychological Bulletin, 143(12), 1273–1312.（35論文・226推定値の統合）PubMed
• Gigerenzer, G., Gaissmaier, W., Kurz-Milcke, E., Schwartz, L. M., & Woloshin, S. (2007). Helping doctors and patients make sense of health statistics. Psychological Science in the Public Interest, 8(2), 53–96.（婦人科医160人の調査を含む）SAGE Journals
• Akl, E. A., Oxman, A. D., Herrin, J., Vist, G. E., Terrenato, I., Sperati, F., Costiniuk, C., Blank, D., & Schünemann, H. (2011). Using alternative statistical formats for presenting risks and risk reductions. Cochrane Database of Systematic Reviews, (3), CD006776.（35研究・83比較）Cochrane Library
• Weber, P., Binder, K., & Krauss, S. (2018). Why can only 24% solve Bayesian reasoning problems in natural frequencies: Frequency phobia in spite of probability blindness. Frontiers in Psychology, 9, 1833.（大学生180人・360件の推論）Frontiers in Psychology
• Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review, 102(4), 684–704.（自然頻度効果の原典）
• Garcia-Retamero, R., & Cokely, E. T. (2017). Designing visual aids that promote risk literacy: A systematic review of health research and evidence-based design heuristics. Human Factors, 59(4), 582–627.SAGE Journals
• Covey, J. (2007). A meta-analysis of the effects of presenting treatment benefits in different formats. Medical Decision Making, 27(5), 638–654.SAGE Journals
• Reyna, V. F., & Brainerd, C. J. (2008). Numeracy, ratio bias, and denominator neglect in judgments of risk and probability. Learning and Individual Differences, 18(1), 89–107.ScienceDirect