こぼれネット

出生前検診について、私たち夫婦も随分考えたことがありました。

My wife and I also thought a lot about prenatal checkups.

結局、私たちは、出生前検診をしませんでした―― ただ、そう決めた、というだけです。

Ultimately, we didn't have prenatal check-ups - we just decided not to.

少なくとも、私は、他の人の出生前検診について、肯定も否定も評価も批判もしません。

At the very least, I neither approve of nor disapprove of, evaluate, or criticize other people's prenatal checkups.

-----

ただ、私の判断に、ちょっとだけ背中を押したことがあったとすれば、『子どもと嫁さんと一緒に生きていく日々を、公開していこうと思った』 ―― それくらいですね。

If anything pushed me a little towards making my decision, I thought, 'I want to share the days I spent living with my child.

私が毎日書いている、この日記(ブログ)は、結構、私の人生の「根っこ」だったりします。

This diary (blog) I write daily is quite the “root” of my life.

『他の人の』ではなく『私の』です。

It's 'my,' not 'someone else's.'

『包丁一本 晒(さらし)に巻いて』という感じで、『"index.html"一本、テキストのみで生きていく』で、私はいいんです。

「中島みゆきの歌詞が、教科書に掲載されるらしいよ」と嫁さんから聞いたので、今、ちょっと調べたら、すでに著名な話のようでした。

私が嫁さんから聞いたのは「二隻の舟」だったと思うのですが、私が調べた範囲では、「永久欠番」が出てきました。

-----

嫁さん：「私だったら『時代』かな」

私：「何を言うか。彼女の歌だったら『シュガー』に決まっとろう」

嫁さん：「・・・『シュガー』。あの歌詞を、学校教科書に掲載するのは、ちょっと無理じゃない？」

私：「いや、今の若者に対して必要なメッセージは、『「唯一無二の夢」という硬直した考えから脱却せよ』だと思うぞ、私は」

-----

実際、「夢」というのは、複数に分散して、ポートフォリオを組んでおくべきなのです。

あたかも「一つの夢に固執して目指すということが最上の価値だ」などという「でたらめな価値観」を賞賛するから、若い人が苦しむことになる、と。

まあ、それはさておき。

-----

文部科学省の皆さんには、是非、次の曲の掲載の採用もご検討頂きたく。

「慟哭」 ―― 若者のストーカ化を防止する観点から

国語教師への教育指導要領には、

「振られたら、スッパリ諦めろ」

と教えるように記載して下さい。

第三章を20回ほど読み直して、方式よりメソッドの理解に努めました。

資料5 『非集計ロジットのRプログラム例』のMNLモデルのサンプルコードを拡張したものを使っていたのですが、上手く動かなかったので、GO言語で作ってみました。

/*
このプログラムは、Go言語を用いて多項ロジットモデル（Multinomial Logit Model, MNL）の推定を行い、以下の要素を計算・表示するものです。

### プログラムの主要な機能

1. **データ読み込み**
   - `loadData` 関数で、`transport_data.csv` ファイルからデータを読み込み、各選択肢の所要時間、費用、利用可能性、および実際に選択された結果を `Data` 構造体に格納します。

2. **対数尤度関数の定義**
   - `logLikelihood` 関数で、ロジットモデルの対数尤度関数を定義します。
   - 各選択肢について、効用を計算し、その効用に基づいた選択確率を計算します。実際の選択結果に基づいて対数尤度を計算し、最適化のために負の対数尤度を返します。

3. **初期尤度の計算**
   - `initialLogLikelihood` 関数で、選択肢が全て等確率（均等選択）で選ばれると仮定した場合の初期尤度を計算します。
   - 初期尤度は、モデルの改善度を測るための基準として使用します。

4. **ヘッセ行列の計算（数値微分による近似）**
   - `hessianMatrix` 関数で、数値微分を用いて対数尤度関数の二階微分からヘッセ行列を計算します。
   - `epsilon` は微小量として設定され、4つの関数値の組み合わせを使って二階微分を近似的に計算します。
   
5. **最適化の実行**
   - `optimize.Problem` 構造体を用いて、対数尤度関数を最小化（尤度最大化）する問題を定義します。
   - `optimize.Minimize` 関数で最適化を実行し、最適なパラメータを推定します。

6. **結果の表示**
   - 最適化が終了すると、次の項目が表示されます：
     - 最適化されたパラメータ
     - 最終対数尤度
     - ヘッセ行列
     - t値
     - 尤度比と補正済み尤度比

### t値の計算

- `t値` は、推定されたパラメータの統計的有意性を示す指標であり、各パラメータの推定値をヘッセ行列の対角要素の平方根で割ることで求められます。
- ヘッセ行列の対角要素が非常に小さい場合や不安定な値の場合、計算が `NaN` になるのを防ぐため、`diag > 1e-5` の条件で計算しています。

### 尤度比と補正済み尤度比

- **尤度比**：初期尤度と最終尤度の差を初期尤度で割ったもので、モデルがどれだけデータに適合しているかの指標です。
- **補正済み尤度比**：尤度比に、パラメータ数の補正を加えたものです。

### 実行結果の例

実行時には、次のような情報が出力されます：

1. **初期尤度**（均等選択の仮定による尤度）
2. **最適化されたパラメータ**
3. **最終尤度**（モデルの最大尤度）
4. **ヘッセ行列**（二階微分を基に計算された行列）
5. **t値**（推定パラメータの統計的有意性の指標）
6. **尤度比**および**補正済み尤度比**（モデルの改善度の指標）

### 全体の流れ

1. `transport_data.csv` からデータを読み込む。
2. 初期尤度と、最適化前の準備を行う。
3. `optimize.Minimize` 関数を使って対数尤度を最大化し、パラメータを推定する。
4. 最適化後の結果（パラメータ、最終尤度、ヘッセ行列、t値、尤度比）を表示する。

### 注意点

- このプログラムは `gonum` パッケージを使用しているため、事前に `gonum` をインストールしておく必要があります。
- ヘッセ行列の数値微分による計算には誤差が生じやすく、`epsilon` の設定を適切に行う必要があります。

*/

package main

import (
	"encoding/csv"
	"fmt"
	"log"
	"math"
	"os"
	"strconv"

	"gonum.org/v1/gonum/mat"
	"gonum.org/v1/gonum/optimize"
)

// データ構造体の定義
type Data struct {
	所要時間  [6]float64
	費用    [6]float64
	利用可能性 [6]int
	選択結果  int
}

// データの読み込み
func loadData(filename string) ([]Data, error) {
	file, err := os.Open(filename)
	if err != nil {
		return nil, err
	}
	defer file.Close()

	reader := csv.NewReader(file)
	records, err := reader.ReadAll()
	if err != nil {
		return nil, err
	}

	// データの解析
	var data []Data
	for _, record := range records[1:] { // ヘッダをスキップ
		var d Data
		for i := 0; i < 6; i++ {
			d.所要時間[i], _ = strconv.ParseFloat(record[7+i], 64)
			d.費用[i], _ = strconv.ParseFloat(record[13+i], 64)
			d.利用可能性[i], _ = strconv.Atoi(record[1+i])
		}
		d.選択結果, _ = strconv.Atoi(record[0])
		data = append(data, d)
	}

	return data, nil
}

// 対数尤度関数の定義
func logLikelihood(x []float64, data []Data) float64 {
	// パラメータの取得
	b := x[:6] // 定数項
	d1 := x[6]
	f1 := x[7]
	epsilon := 1e-10
	LL := 0.0

	for _, d := range data {
		// 効用の計算
		var v [6]float64
		for i := 0; i < 6; i++ {
			v[i] = b[i] + d1*(d.所要時間[i]/10) + f1*(d.費用[i]/10)
		}

		// 各選択肢の効用
		var vehicle [6]float64
		var deno float64
		for i := 0; i < 6; i++ {
			if d.利用可能性[i] == 1 {
				vehicle[i] = math.Exp(v[i])
				deno += vehicle[i]
			}
		}
		deno += epsilon

		// 選択確率の計算と対数尤度の加算
		selected := d.選択結果 - 1
		if selected >= 0 && selected < 6 {
			P := vehicle[selected] / deno
			LL += math.Log(P + epsilon)
		}
	}

	return -LL // 最小化のため、対数尤度を負にする
}

// 初期尤度の計算
func initialLogLikelihood(data []Data) float64 {
	numChoices := 6
	initialProb := 1.0 / float64(numChoices)
	L0 := float64(len(data)) * math.Log(initialProb)
	return L0
}

// ヘッセ行列の計算（数値微分）
func hessianMatrix(f func([]float64) float64, x []float64) *mat.Dense {
	n := len(x)
	hessian := mat.NewDense(n, n, nil)
	epsilon := 1e-7 // 微小量を小さめに調整

	for i := 0; i < n; i++ {
		for j := 0; j < n; j++ {
			x1 := make([]float64, n)
			x2 := make([]float64, n)
			x3 := make([]float64, n)
			x4 := make([]float64, n)
			copy(x1, x)
			copy(x2, x)
			copy(x3, x)
			copy(x4, x)

			x1[i] += epsilon
			x1[j] += epsilon
			x2[i] += epsilon
			x2[j] -= epsilon
			x3[i] -= epsilon
			x3[j] += epsilon
			x4[i] -= epsilon
			x4[j] -= epsilon

			f1 := f(x1)
			f2 := f(x2)
			f3 := f(x3)
			f4 := f(x4)

			hessian.Set(i, j, (f1-f2-f3+f4)/(4*epsilon*epsilon))
		}
	}

	return hessian
}

func main() {
	// データの読み込み
	data, err := loadData("transport_data.csv")
	if err != nil {
		log.Fatalf("データの読み込みに失敗しました: %v", err)
	}

	// 初期尤度の計算
	L0 := initialLogLikelihood(data)
	fmt.Printf("初期尤度: %.4f\n", L0)

	// 初期パラメータの設定
	b0 := []float64{0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.01, 0.01}

	// 最適化問題の設定
	problem := optimize.Problem{
		Func: func(x []float64) float64 {
			return logLikelihood(x, data)
		},
	}

	// 最適化の実行
	result, err := optimize.Minimize(problem, b0, nil, nil)
	if err != nil {
		log.Fatalf("最適化に失敗しました: %v", err)
	}

	// 結果の表示
	fmt.Println("パラメータ:", result.X)
	fmt.Println("最終尤度:", -result.F) // 対数尤度は負にしているため、正に戻す

	// ヘッセ行列の計算
	hessian := hessianMatrix(problem.Func, result.X)
	fmt.Println("ヘッセ行列:")
	fmt.Printf("%v\n", mat.Formatted(hessian, mat.Prefix(" ")))

	// t値の計算（対角要素が小さい場合は NaN の出力を回避）
	tValues := make([]float64, len(result.X))
	for i := 0; i < len(result.X); i++ {
		//diag := -hessian.At(i, i)  // 負数だと失敗する t値: [NaN NaN NaN NaN NaN NaN NaN NaN]
		diag := hessian.At(i, i) // この値だと t値: [0.27283268674968236 0.4899627491877213 NaN 0.5670961673406928 0.5233519195569353 0.4461558961138306 2.2512263380604414e-07 0.00010138601282162748]となる
		/*
			ChatGPTのご意見

			ヘッセ行列の対角要素は、対数尤度関数の二階微分を表します。尤度関数の最大化問題において、対数尤度関数の最大点近傍では、通常、二階微分は負になります。
			これにより、ヘッセ行列の対角成分も負になる傾向があります。このため、-hessian.At(i, i) として二階微分の符号を反転し、正の値を使うことで、t値 の計算が可能になるのです。
			diag := +hessian.At(i, i) を用いることで t値 の計算が安定する場合があることから、この方法を適用するのは合理的です。
			この修正により、数値計算上の不安定性が軽減され、t値 の NaN が減少する結果になっています。このまま diag := +hessian.At(i, i) の設定を維持するのが適切でしょう。
		*/

		fmt.Println("diag:", diag)
		if diag > 1e-5 { // 計算が安定する閾値を設定
			tValues[i] = result.X[i] / math.Sqrt(diag)
		} else {
			tValues[i] = math.NaN() // 計算が不安定な場合は NaN を設定
		}
	}
	fmt.Println("t値:", tValues)

	// 尤度比と補正済み尤度比の計算
	LL := -result.F
	likelihoodRatio := (L0 - LL) / L0
	adjustedLikelihoodRatio := (L0 - (LL - float64(len(result.X)))) / L0
	fmt.Printf("尤度比: %.4f\n", likelihoodRatio)
	fmt.Printf("補正済み尤度比: %.4f\n", adjustedLikelihoodRatio)
}

データ(transport_data.csv)はこんな感じでした。

SELECT,TAXI,DRV,BIKE,BIC,WALK,BUS,TAXI_TIME,DRV_TIME,BIKE_TIME,BIC_TIME,WALK_TIME,BUS_TIME,TAXI_COST,DRV_COST,BIKE_COST,BIC_COST,WALK_COST,BUS_COST
2,1,1,1,1,1,1,480,180,300,360,1650,3360,563.22,318.16,6.05,2.42,1.21,210.00
6,1,1,1,1,1,1,180,150,240,300,1380,2760,500.00,317.02,5.67,2.27,1.13,210.00
5,1,1,1,1,1,1,90,60,120,150,720,900,500.00,309.33,3.11,1.24,0.62,210.00
2,1,1,1,1,1,1,450,120,180,210,840,2310,500.00,309.40,3.13,1.25,0.63,210.00
6,1,1,1,1,1,1,300,150,240,330,1470,870,500.00,317.06,5.69,2.27,1.14,210.00
6,1,1,1,1,1,1,330,180,270,330,1530,2040,500.00,317.06,5.69,2.27,1.14,210.00
6,1,1,1,1,1,1,330,210,330,420,1890,2340,593.18,319.66,6.55,2.62,1.31,210.00
6,1,1,1,1,1,1,300,180,330,420,1890,1410,593.18,319.66,6.55,2.62,1.31,210.00
6,1,1,1,1,1,1,450,120,210,270,1290,31770,500.00,315.31,5.10,2.04,1.02,210.00
6,1,1,1,1,1,1,450,150,240,270,1290,1920,500.00,315.31,5.10,2.04,1.02,210.00
6,1,1,1,1,1,1,90,60,90,90,390,24630,500.00,305.88,1.96,0.78,0.39,210.00

で計算結果は、10秒ほどで出てきました。

G:\home\ebata\tomioka3B\src\others\main102>go run .
初期尤度: -1014.1359
パラメータ: [2.2058979412543716 5.024455710944181 -25.15815870069447 4.874931119599283 7.05844290286456 6.064128738785668 0.0007331345928576025 0.03238097122760465]
最終尤度: -678.9446456155601
ヘッセ行列:
? 65.36993168992923 -11.368683772161605 0 5.684341886080802 -5.684341886080802 17.053025658242408 -1082.867129298393 378.00873542437336?
? -11.368683772161605 105.16032489249484 0 -14.210854715202005 -14.210854715202005 -19.89519660128281 -9362.111086375082 1477.9288903810086?
? 0 0 0 0 0 0 0 0?
? 5.684341886080802 -14.210854715202005 0 73.89644451905043 -5.684341886080802 28.42170943040401 -2611.9550966541287 -335.37617127876734?
? -5.684341886080802 -14.210854715202005 0 -5.684341886080802 181.89894035458568 -93.79164112033324 -2444.267011014745 -3129.2302082874817?
? 17.053025658242408 -19.89519660128281 0 28.42170943040401 -93.79164112033324 184.74111129762608 15529.622032772751 1568.8783605583014?
? -1082.867129298393 -9362.111086375082 0 -2611.9550966541287 -2444.267011014745 15529.622032772751 1.0605450029288478e+07 -26716.40686457977?
? 378.00873542437336 1477.9288903810086 0 -335.37617127876734 -3129.2302082874817 1568.8783605583014 -26716.40686457977 102005.51514572?
diag: 65.36993168992923
diag: 105.16032489249484
diag: 0
diag: 73.89644451905043
diag: 181.89894035458568
diag: 184.74111129762608
diag: 1.0605450029288478e+07
diag: 102005.51514572
t値: [0.27283268674968236 0.4899627491877213 NaN 0.5670961673406928 0.5233519195569353 0.4461558961138306 2.2512263380604414e-07 0.00010138601282162748]
尤度比: 0.3305
補正済み尤度比: 0.3226

ーーーーー

これを説明すると、
2.2058979412543716 → b_taxi
5.024455710944181 → ｂ_drv
-25.15815870069447  →  b_bike
(以下省略)

となっており、
0.0007331345928576025 → d1
0.03238097122760465 → f1

効用関数は、次のようになります。

で、これをどう使うかは、以下の通り(ここからは分かった→シミュレータで使い倒すところ)

で、最後にパラメータの説明ですが、

となるようです。

ーーーーーーー

初期尤度: -1014.1359 と 最終尤度: -678.9446456155601の意味と意義は以下の通り。

======

今回の計算では、初期尤度: -1014.1359 に対して、最終尤度: -678.9446456155601が小さくなっているので、パラメータを使った方が良い、というのは理解できました。その場合、この
尤度比: 0.3305
および
補正済み尤度比: 0.3226
は何を表わしているか、は以下の通り。

======

負数値がついているので分かりにくいけど、
初期尤度: -1014.1359 → 最終尤度: -678.9446456155601 は、値が335も大きくなったということになります

======
尤度をもっとも簡単に説明する方法

つまるところ、偏ったコインを作る = パラメータをつけくわえる、という理解で良いようです。

=====

ところで、今回作成して頂いたモデルでマルチエージェントシミュレーションのエージェントに適用させたい場合、何を入力値として、エージェントの交通選択を選ぶことになるか？

"所要時間"と"費用"を入力値とすれば良い。

t値: [0.27283268674968236 0.4899627491877213 NaN 0.5670961673406928 0.5233519195569353 0.4461558961138306 2.2512263380604414e-07 0.00010138601282162748] のように値が小さいです

t値を大きくするためには、以下の3つの具体的なアプローチが考えられます。それぞれ、具体例を交えて説明します。

1. 標本数を増やす
標本数（サンプル数）を増やすと、t値が増加する可能性が高まります。これは、標本数が増えることで推定の**標準誤差が小さく**なり、結果としてt値が大きくなるためです。

- 例: ある多項ロジットモデルで、交通手段の選択確率を説明するための「時間」と「費用」の変数があるとします。最初のサンプル数が50の場合、時間の係数に対するt値が1.8で有意ではなかったとします。標本数を100に増やすと、標準誤差が小さくなり、同じ係数であってもt値が2.5になり、有意となる可能性が高まります。

2. 変数のスケールを調整する
変数のスケールを調整することで、標準誤差を減らしt値を大きくすることができます。特に、変数の分布が狭い範囲に集中している場合、その変数をスケール調整すると係数の推定がより安定します。

- 例: 収入に関するデータが1000円単位で表されているとします。この場合、係数の標準誤差が大きくなりやすいことがあります。これを1万円単位にスケール変換すると、収入の変動がモデルに対してより明確に影響し、標準誤差が小さくなることでt値が増える可能性があります。

 3. 説明変数の分散を大きくする
説明変数の値が全体として似通っている場合（例えば、分散が小さい場合）、t値が小さくなりやすいです。このため、変数の分散を増やすようにデータを調整することも効果的です。可能であれば、サンプルに多様な値を含むようにデータを収集します。

- 例: 交通手段の選択モデルにおいて「通勤距離」を変数に入れたとします。もしすべてのサンプルがほぼ同じ距離（例えば、全員が2～3 kmの範囲）であれば、分散が少なくt値も小さくなります。データ収集の際に5～10 kmなどの多様な距離を持つサンプルを増やすことで、距離の変化に応じた係数の影響が明確になり、t値が大きくなることが期待できます。

これくさいなぁ。今回の移動距離は、高々1km以内だったからなぁ。終端距離まで入れると変わるかもしれん

---

これらの方法は、すべて統計的にt値を大きくするために役立ちますが、注意が必要です。無理にt値を大きくすることは、分析結果の解釈を歪める可能性もあるため、変数やデータの内容、意味を十分に理解した上で適用することが重要です。

自分の日記(ブログ)を読み直してみると、改めて『私の中には複数の人格が併存しているなぁ』と実感します。

When I reread my diary (blog), I realized once more that 'there are multiple personalities coexisting within me.'

社会に対してこれだけ暴言を吐きながら、私にはうつの傾向があり、精神安定剤で安眠を確保している毎日です ―― これが一人の人間の中に併存している、ということに、「人間は凄い生き物」だと思う。

While I am spouting off so much abuse to society, I tend towards depression, and I have to take sleeping pills to get a good night's sleep every day. I think that the fact that these things can coexist in one person shows that “people are amazing creatures.”

こんな感じで、分裂したペルソナを持っているのは、私だけではないでしょう。

I'm sure I'm not the only one with a split personality like this.

まあ、それでも、公には金と政治を批判しながら、私的には浮気をしている、という政治家のペルソナよりは、マシかな、と思っていますが。

Well, even so, I think it's better than the persona of a politician who criticizes money and politics in public but is having an affair in private.

どうやら、私は「浮気」という概念を獲得できなかった(当然、これまで実施もできなかった)稀有な男性のようです。

I am a rare man who has never been able to acquire the concept of “cheating” (and, of course, I have never been able to do it either).

多分、これからもその行為(浮気)に至るのは難しいような気がします。

I think it will probably be difficult for him to act on it (have an affair) in the future.

そういう行為にはお金も時間もかかると思います。そんな時間と金があれば、私なら、研究(or コーディング)するか、コラムを書いています。

I think that kind of activity takes a lot of time and money. If I had that kind of time and money, I would do research (or coding) or write columns.

これが「性格」に因るものか、「環境」に因るものか、あるいは「体質」に因るものかは不明ですが、そういう稀有なペルソナを持つ人間の一人としては、

It is unclear whether this is due to “character,” “environment,” or “constitution,” but as one of the people with such a rare persona,

―― 国政を左右するまさにこの時に、浮気なんぞをしている時間と金があるなら、国民の為に働らかんか！ ボケ！！

"At a time like this, when national politics are being influenced, if you have the time and money to be having an affair, why don't you work for the people? Idiot!"

と言いたくなるのです。私に限れば、私はそういうことを言う資格があると思います。

I feel like saying that. As for me, I think I have the right to say that.

「それだったら、どんなに手間暇かけたって、パパ好みの女性を用意してくるに決まっているじゃん」

閑話休題

Enough about that

-----

分裂したペルソナから発露する私の発言や概念は、当然分裂していて、矛盾しています。

The statements and concepts that emerge from my split persona are, of course, split and contradictory.

でも、それは仕方がありません。

But there's nothing I can do about it.

複数のペルソナが矛盾したことを言うのは、当たり前です。

It's only natural that my multiple personas would say contradictory things.

だから、私は、誰かから、自分の言動の矛盾を突かれても、絶対に訂正も謝罪もしません。

That's why I will never correct or apologize, even if someone points out the inconsistencies in my words and actions.

『それは、両方私であって、同時に、それぞれ別の私だから」 ―― と、私は言い張ります。

“It's both me and not me simultaneously,” I insist.

―― お前は俺か

/*

		こちらは、length_m as cost を使っている
		query := `
		SELECT seq, source, target, x1, y1, x2, y2, agg_cost
		FROM pgr_dijkstra(
			'SELECT gid as id, source, target, length_m as cost FROM ways',
			$1::bigint,
			$2::bigint,
			directed:=false
		) a
		INNER JOIN ways b ON (a.edge = b.gid)
		ORDER BY seq
		`
	*/

	// こちらは、cost, reverse_cost を使っている
	query := `
	SELECT seq, source, target, x1, y1, x2, y2, agg_cost 
	FROM pgr_dijkstra(
		'SELECT gid as id, source, target, cost, reverse_cost FROM ways', 
		$1::bigint, 
		$2::bigint, 
		directed:=false
	) a 
	INNER JOIN ways b ON (a.edge = b.gid) 
	ORDER BY seq
	`

こちらは、"length_m as cost" を使っては駄目だった。

cost, reverse_cost を使わなければならなかった。

宇都宮ライトレールに優先的に乗車させるような、ダイクストラをどうやって作ろうか？

もう、これで完成だ、と思っても次々問題が出てきて、本当に疲れる・・・

『ダンジョンの中のひと』は、双見酔（ふたみ すい）さんによるファンタジー漫画で、アニメ化もされています。

私、異世界、冒険、悪役令嬢、ダンジョンに関するものは、そんなに好きではないのですが、『ダンジョンの中のひと』は、コーディングしながら、アマプラで、バックグランド視聴できる、数少ないアニメです。

理由は分からないのですが、淡々とすすむストーリーが、コーディングの作業にはちょうど良い感じです(チューニングが私に合っているという感じ)。

ただ、何回も繰り返しているうちに、「このマンガにおけるダンジョンの運営(ビジネスモデル)はどのようになっているのか」が、気になってきました。

「テーマパーク運営」と同じかな、と思ったのですが、私は読み取れませんでしたので、ChatGPTに聞いてみました。

どうも、原作の方にも、ビジネスモデルについては明示されていないようでしたが、ChatGPTは色々考えて、推測してくれました。

「冒険者からの利用料金」、「討伐報酬の管理」、「売店や施設の収益」、「アイテムの売買・修理サービス」、「イベントや特別フロアの参加費」、「スポンサーシップや契約」・・・などではないか、と。

------

「ダンジョンの存在する意義を、現実の社会のオブジェクトを例として説明できますか」

とChatGPTに尋ねたところ、

「テーマパークやエンターテインメント施設」「スポーツジムやフィットネスセンター」「職場や訓練施設」「ショッピングモールや観光地」「教育機関や研修プログラム」と言われました。

『非日常体験の提供、自己成長、地域経済の活性化などの意義を持つ場であると考えることができます』

を読んだ時には、少し笑いました。

自分のやりたい仕事をするのに、仕事の稟議が邪魔になることは、結構あります。

There are quite a few cases where the approval process for work gets in the way of doing the job you want.

会社の稟議を通せば、会社の費用で仕事ができます(当たり前ですが)。

If you get the company's approval, you can do your work at the company's expense (obviously).

もちろん、自分の手に届かない金額の設備投資なら、それしか方法がありませんが、私は自分の手に届く金額であれば、迷わず、自腹で契約や購入をして、とっとと作業に着手します。

Of course, if the investment is more than I can afford, that's the only option, but if it's within my budget, I don't hesitate to sign the contract or make the purchase myself and get straight to work.

-----

私にとって、この基準となる金額は「1回の飲み会にかかる費用」との比較です。

This standard amount is based on the cost of a single drinking session.

私が個人で契約しているITサービス(AWS, Web, Deepl, ChatGPT)は、全て、会社の飲み会のコストより安いです(かなり安い)。

All of the IT services (AWS, Web, Deepl, ChatGPT) that I have subscribed to individually are cheaper than the cost of a company drinking party (much cheaper).

例えば、私の運用している、このWebのプラットフォームの利用料金は、月額500円です(消費税、ネームサービス料金を除く)。昼飯より安いです。

For example, the fee for using the web platform I operate is 500 yen per month (excluding consumption tax and name service fees). It's cheaper than lunch.

逆に言えば、これらのサービスを使うことで、『私は毎週飲みに行っているだけの金額を、サービスに支払っている』という解釈もできます。

Conversely, you could also interpret it as Ebata paying for the service with the money he would have spent going out for drinks every week.

飲み会は、コミュニケーション場であり、また、人脈作りのチャンスでもありますので、『どっちがいい』とは、一概には言えません。

Since drinking parties are both a place for communication and a chance to make contacts, it is impossible to say which is better.

-----

私は、私の日記(ブログ)に記載できるようなネタを拾えるのであれば、飲み会だって、なんだって参加したいと思っています。

I'm willing to participate in drinking parties and other events if I can pick up material for my diary (blog).

でもなあ ―― 社内の人事やら、どの事業部が金を持っているだの話なんぞ聞いても、正直、酒が不味くなるだけです(私は飲みませんが)。

But, to be honest, listening to things like internal personnel matters or which department has the money makes the alcohol taste terrible (I don't drink).

サッカーも、野球も、将棋も、自分と関係のない赤の人の才能を称えることや、逆に落しめることも、私は1mmも興味がありません。

I have no interest in praising or belittling the talents of people I don't know, whether it's soccer, baseball, or shogi.

そんでもって、イスラムも、ハマスも、パレスチナも、ガザも、教育も、少子化も、国防も、外交も、そして、結婚も、恋愛についても、持論を一席も打てんような奴と、一緒に飯を食って『一体何が楽しい？』と思うことはあります。

And I sometimes wonder what the fun is of eating with someone who can't even hold a coherent argument on Islam, Hamas, Palestine, Gaza, education, the declining birthrate, national defense, diplomacy, marriage, or even love.

(もちろん、私の興味が偏向していることは、自覚しています)

(Of course, I am aware that my interests are biased.)

江端：「そしたら、『江端さん、自惚れるのも、いい加減にして下さい』って言われた」

-----

つまるところ、私は「昔から孤立して」いて、「今も孤立して」いて、「将来も孤立/孤独死する」が、ほぼ確定しているシニアなんです。

In short, I am a senior citizen who has “always been isolated”, “is still isolated”, and “will almost certainly die alone/in isolation” in the future.

私は、きちんと仕事します。ノルマも納期も守ります。報告・連絡・相談(ほうれんそう)もちゃんとやります。それができない時には、ちゃんと説明もします。

I do my work correctly. I meet my quotas and deadlines. I also do my reporting, communication, and consultation properly. If I can't do that, I will explain it adequately.

ですので、それ以上のこと(飲み会など)で私に期待するのは、ご勘弁頂いたいのです。

Please don't expect me to do anything else (such as going out for drinks).

-----

そういえば、娘(長女)の結婚披露宴の時も、同じテーブルの家族や親戚と会話しながら食事をしていました。

I also ate at my daughter's (eldest daughter's) wedding reception while chatting with the family and relatives at the same table.

他のテーブルに、酌をして回るようなことは、一切しませんでした。

I did not go around pouring sake/beer at other tables.

そして、他の人から、お酌されることもありませんでした。

And I was never poured sake/beer by anyone else.

私の体から、そういうオーラ(『私に構うな』オーラ)が出ていたのかもしれません。

Maybe I was giving off that aura (“leave me alone”).