『学歴詐称問題について伊東市の田久保眞紀 前市長が地方自治法違反の疑いで書類送検されました。この問題を再度整理して、裁判となった時の検察側と弁護側の取りうる戦略(ロジック)を教えて下さい』とChatGPTにお願いしてみた件

続きを見る

これについてシミュレーションで計算できないかな、と思い、以下のChatGPTに以下の質問をしてみました。

「学歴が「意思決定に影響した事実」を立証できるか」をマルチエージェントシミュレーションで計算できませんか？
「裁判での立証」そのものではなく、“学歴情報が意思決定をどれくらい動かし得るか”を、仮定とデータに基づいて定量化し、反実仮想（なかった世界）を比較することです。
計算はあくまで「推定」で構いません(当然ですが)。
ベースとなる出展は、「ホワイトハウスのキューバ危機: マルチエージェント・シミュレーションで探る核戦争回避の分水嶺 (人工社会の可能性) https://amzn.to/4shMtUT」です。

できます。しかも、ご提示の書籍が扱う「ホワイトハウス（EXCOMM）の集団意思決定を、エージェント＋討議プロセスとしてモデル化し、条件を変えて反実仮想を回す」という骨格は、そのまま「選挙における有権者の意思決定（投票）」に移植できます。

以下、「学歴情報が意思決定をどれくらい動かし得るか」を推定として出すための、MASの設計案を“実装できる粒度”でまとめます。

---

1) 何を「因果効果」として出すか（出力の定義）

法廷の「立証」ではなく推定として扱うなら、効果を次のいずれかで定義すると扱いやすいです。

• ATE（平均処置効果）：学歴情報が“真”として流通した世界 vs “流通しなかった世界”での、得票率（または当選確率）の差

• CATE（条件付き効果）：学歴感度が高い層／低い層、情報接触が高い層／低い層での差

• 最小反実仮想条件：当落をひっくり返すのに必要な「学歴の露出量」「信頼度」「訂正浸透率」の閾値

この3つが出ると、「重要情報たり得る」かどうかを条件付きで数値化できます。

---

2) キューバ危機モデルの“移植点”

書籍側の要点は（大づかみに言えば）
複数の意思決定者が、討議を通じて信念・選好を更新し、集団の選択が収斂する、をMAS化して、条件操作で分水嶺を探る点です。

これを選挙に移すと、対応はこうなります。

• EXCOMMメンバー（討議者） → 有権者（＋オピニオンリーダ、組織票の核）

• 会議での発言・説得 → SNS/対面/地域コミュニティでの情報伝播・同調

• “封鎖”か“侵攻”か → 候補Aか候補Bか（棄権含む）

• 条件操作（危機の強度等） → 学歴情報の露出、信頼度、訂正のタイミング等

つまり「討議（相互作用）＋信念更新＋集団結果」という構造が同型です。

---

3) モデルの最小構成（MVP）

エージェント

有権者エージェント i は最低限これを持つ：

• 争点ベクトル：

  wiw_i

  wi​（政策・人物・実績・学歴などの重み）

• 候補の能力（または適格性）に関する事前信念：

  θi0\theta_{i0}

  θi0​

• 学歴シグナル感度：

  sis_i

  si​（0〜1、層別分布）

• 情報接触率：

  eie_i

  ei​（媒体別でも可）

• ネットワーク近傍：

  N(i)N(i)

  N(i)

候補（または陣営）エージェントは、学歴情報の露出

I(t)I(t)

I(t) をいつどれだけ投下するか、訂正・反論がどれだけ出るかをパラメタ化（最初は固定でもOK）。

---

4) 学歴を「シグナル」として入れる（ベイズ更新 or 近似）

学歴情報を観測したときの更新を、次のどちらかで書けます。

(A) ベイズ更新（正統派・論文向き）

候補の能力

AA

A に対して、有権者は事前

p(A)p(A)

p(A) を持ち、学歴シグナル

DD

D を見て

 

p(A∣D)∝p(D∣A) p(A)p(A \mid D) \propto p(D \mid A)\, p(A)

p(A∣D)∝p(D∣A)p(A)

ここで学歴詐称の反実仮想は、

• “真”の世界：観測

  D=trueD=\text{true}

  D=true

• “無い”世界：観測なし

• “虚偽”の世界：観測

  D=trueD=\text{true}

  D=true だが実際は false（のちに訂正シグナル

  RR

  R が来る）

というイベント列で分岐します。

(B) ロジット更新（実装が軽い・キャリブレーションが楽）

支持確率を

 

Pi(vote A at t)=σ(αi+β⋅policyMatchi(t)+γ⋅si⋅EduSignal(t))P_i(\text{vote A at }t)=\sigma\big(\alpha_i + \beta\cdot \text{policyMatch}_{i}(t) + \gamma\cdot s_i\cdot \text{EduSignal}(t)\big)

Pi​(vote A at t)=σ(αi​+β⋅policyMatchi​(t)+γ⋅si​⋅EduSignal(t))

• EduSignal(t)\text{EduSignal}(t)

  EduSignal(t) は、露出

  I(t)I(t)

  I(t) と信頼度

  q(t)q(t)

  q(t) を掛けたもの（後述）

どちらでも「学歴が意思決定を動かす“力”」をパラメタとして切り出せます。

---

5) 反実仮想を作る具体的方法（最重要）

シミュレーションで“因果”を言うには、同一の世界線を、学歴情報だけ変えて複製します。

• 乱数シード固定

• ネットワーク固定

• 争点・候補評価の初期分布固定

• 変えるのは 学歴イベントの有無／真偽／訂正の有無とタイミングだけ

そして差分を取る：

 

Δ=Outcomewith Edu−Outcomewithout Edu\Delta = \text{Outcome}_{\text{with Edu}} - \text{Outcome}_{\text{without Edu}}

Δ=Outcomewith Edu​−Outcomewithout Edu​

Outcome は得票率でも、当選確率でもよい。

---

6) 「虚偽→訂正」を入れると、かなり現実に近づく

学歴詐称の現実は「出た／出ない」だけでなく、

• 露出の大きさ（選挙公報・演説・SNS）

• 信頼度（誰が言ったか、媒体の信用）

• 訂正の浸透（訂正が届かない人が必ず出る）

• タイミング（投票日まで何日か）

で効果が激変します。

そこで学歴シグナルを

 

EduSignal(t)=I(t)⋅q(t)\text{EduSignal}(t)=I(t)\cdot q(t)

EduSignal(t)=I(t)⋅q(t)

訂正を

 

q(t)←q(t)⋅(1−ρ⋅CorrectionExposure(t))q(t)\leftarrow q(t)\cdot (1-\rho\cdot \text{CorrectionExposure}(t))

q(t)←q(t)⋅(1−ρ⋅CorrectionExposure(t))

みたいに「信頼度が落ちる」モデルにすると、
“最後にどれだけ戻せたか”がそのまま得票差に出ます。

---

7) データが少なくても推定を成立させる方法

「現地の詳細データが無い」場合でも、推定として成立させる実務的なやり方はあります。

(1) まずはパラメタ探索で“分水嶺”を出す

• 学歴感度

  sis_i

  si​ の分布（例：平均0.1〜0.4）

• 露出

  II

  I（低・中・高）

• 訂正浸透率（10%〜80%）

• 訂正タイミング（投票7日前〜前日）

これを格子探索して、「当落が変わる領域」を地図化します。
（本の“分水嶺”発想に近いです。）

(2) 可能なら“1点だけ”でも現実データで合わせる

たとえば、世論の一時点、出口調査、接触率のアンケート断片など、何でもよいので一部を合わせて、パラメタの範囲を狭めます。

---

8) 何が言えるようになるか（成果物の形）

このMASで出せる主張は、例えば次のような形になります。

• 「学歴情報が広く流通し、訂正浸透が低い場合、当落が反転する確率がX%」

• 「学歴感度が高い層（仮定：人口のY%）に限定しても、得票差がZポイント動く」

• 「当落反転には、露出がI以上、訂正浸透がR以下、訂正タイミングが投票T日前以内、が必要」

これは“証拠”ではありませんが、「影響し得る」の定量化としてはかなり強い出力です。

---

9) 実装の次の一歩（江端さん向けに現実的な順序）

1. ロジット型（軽い）でMVPを作る

2. 学歴イベント（真／無／虚偽＋訂正）を入れて反実仮想比較

3. 閾値地図（分水嶺）を出す

4. 必要ならベイズ更新に差し替えて理論整合を上げる

---

もし江端さんが「対象を伊東市のケースに寄せた推定」をしたいなら、モデルに入れるべき最小の観測量（公報への掲載有無、露出の主要チャネル、訂正報道のタイミング等）を、公開情報ベースで拾ってパラメタの上限下限を絞る、という進め方が現実的です。

必要なら、上のMVPを 具体的な状態変数・イベント列・疑似コード（Go or Python）まで落として提示します。

 

このようなシミュレーション結果(ができたとして)を、裁判の証拠として提出できますか(原告側でも被告側でも、どっちでもいいので)

結論から言えば、

提出すること自体は可能です。
しかし、それ単独で事実認定を左右する「証拠」になる可能性は低く、位置づけは限定的です。

---

1) 法廷での位置づけ

日本の民事・刑事手続では、マルチエージェントシミュレーション（MAS）の結果は

👉 専門的知見を用いた意見（鑑定・専門家意見）

として扱われます。

典型的には、

• 鑑定書（刑訴法165条等）
• 私的鑑定（当事者提出の専門家レポート）

の形で提出可能です。

原告側・被告側のどちらでも提出できます。

---

2) 何として評価されるか

裁判所は、MASの出力を

👉 事実の証明

ではなく

👉 可能性評価／補助的推論

として見る傾向が強いです。

理由は明確で、

シミュレーションは

• 仮定に依存する
• モデル選択に依存する
• パラメタに依存する

からです。

したがって、

「この結果が出た」ではなく、

「こういう条件なら影響が生じ得る」

という形の証明補助になります。

---

3) 受け入れられるための条件

法廷で意味を持つためには、次が重要です。

(1) 再現可能性

• モデル構造の開示
• パラメタの根拠
• シード・コードの提示

(2) 妥当性

• 実データとの整合（キャリブレーション）
• 感度分析
• 反証可能性

(3) 中立性

• 特定結論のための恣意的設計ではないこと

---

4) 実務上の使われ方

MASは、主張の“芯”にはなりにくいですが、

👉 因果関係の plausibility（あり得る度合い）

を示す材料としては有効です。

例えば、

• 学歴情報が影響し得る条件の存在
• 訂正が間に合わない場合の効果
• 特定層での影響集中

などを示すことで、

「影響の可能性」を補強できます。

---

5) 重要な注意点

裁判所は、

シミュレーション結果を

👉 現実の出来事の代替

とは見ません。

現実の事実（発言、掲載、行動、時系列）を
主証拠として、

MASは

👉 その解釈を支える補助線

として機能します。

---

6) まとめ

提出：

可能

証明力：

限定的（補助的）

用途：

因果可能性の説明

---

要するに、

MASは

「こういうことが起き得た」

を示す道具であり、

「実際に起きた」

を証明する道具ではない、

という位置づけになります。