英語は付け足しながら話します、書きます
英語はどんどん足しながら話すものなのですが、英作文で 日本で買ったギターがこれですとあるとすると This is the guitar I bought in Japanなわけですけど 実際にこの英語が出る発想的プロセスはThis is the guitarと言ってから、I bought in Japanを思いついたようにつけるわけです となると、練習として最初から「日本で買ったギターがこれです」を訳しなさい、、となると 現実と練習が異なってきます。 自分は、大学生の最初のころから、英語がするっと出てきたのですが、おそらく当時から、付け足しながら英語を話していたのだと思います。 そういえば、最初から英語を（当時は）ワープロでタイプするときに、考えながらタイプができました。つまり、付け足しながら書いていたのです。 大学生の時に、英語でエッセイを書くのに、ワープロに向かって、そのまま英語を書いていたら、友人が、「え？直接英語が書けるの？打てるの？」とびっくりしました。 その友人は、まず紙に英語で書いた後で、ワープロで清書していたからです。 知らない人のために説明しますと、ワープロとはコンピュータみたいなものです（ワードプロセッサー）。 さて、アドリブ式に付け足しているという発想ですが、これは難しくありません。私の英語の勘シリーズ（キンドル本）を読んでいただければと思います。
自分の仕事 データ、統計モデルを使って評価の仕事をしています
自分は評価の仕事をしています。 何かのプログラムに効果があるかを調べるのですが、英語喉の評価などもできるでしょうね。 二つの評価方法があります。一つは有名なRCTです。 これはワクチンの効果を調べたり、薬の効果を調べるのと同じ方法です。 Randomized Controlled Trial ですが、例えば、人をまず５００人集めておいて、その人たちを無作為に（ランダムに）、二つのグループに分けます。 そして、片方のグループだけに、薬を飲んでもらい、もう一つもグループには、薬のように見えるけど、実は、何でもないアメみたいなものを飲んでもらいます。 そして、二つのグループの結果（薬が効いたかどうか）を比べます。 私が評価するのは生徒、学生の大学進学とか、テストスコアとかのことが多いです。 だいたい、統計モデルを使い、実験が始まる前のスコアを考慮に入れた上で、結果となるものを比べます。 RCTは実際にするのが難しいです。 そこで、その代わりとしてQEDというのをやります。 Quasi-experimental design と言う意味ですが、私が良くするのは、matchingというテクニックを使うものです。 例えば、ある県の高校、２０校で英語喉を使って英語を指導するとしますね（これは例です）。 同じ県から、その２０高に似た高校をcomparison schoolsとして選びます。その際に、実験校と似た特徴を持った学校を統計モデルを使って選ぶのです。 そして、もう一回、マッチングをします。 英語喉を使う学校の生徒と、使わない高校の生徒をマッチングさせるのですが、それは、実験開始前の英語実力テストのスコアなどを使うのですが、例えば、実験校の生徒たちと同じ特徴を持った生徒たちを、comparison schoolの学校から選びます。これは統計メソッドを使ってやります。 propensity score matchingというモデルを使います。 このようにマッチングのモデルを使って、実験校（treatment school)の生徒とcoparison schoolのグループを二つ作りますが、二つのグループは、実験前のテストスコアで似ているようにしたわけです。 そして、英語喉を使って英語教育をし、１年後に英語テストをして、二つのグループを比べるのです。 この比較をするときに、multivariate regression modelを使います（呼び方が色々あるのでややこしいです）。 （RCTであれば、別にmultivariate じゃなくてもいいんですけどね。） こういう評価をするときに、色々なアルゴリズムを使うのです。例えば、実験前のテストスコアを二つのグループでだいたい同じにするといっても、どのくらい近かったら同じと見なすのか、、はアルゴリズムを使います。 以下はたまたま昨日、書いたコードです。SASという統計ソフトを使いました。エクセルでもできます。 mean_dif=(Mean_Yes-Mean_No);/Standardized effects/g1=((N_Yes-1)(StdDev_Yes*StdDev_Yes)) +((N_No-1)(StdDev_No*StdDev_No));g2=N_Yes + N_No -2;g3=sqrt(g1/g2);standardized_difference=mean_dif/g3; standardized_differenceというのが、0.05より小さければ、二つのグループの違いは同じだと考えてもいい、、というような判断をします。 え？なぜ0.05なの？というのは、他のリサーチャーが、研究をして、0.05ぐらいでいいでしょ、、と結論づけているので、それを使っているのです。 なぜg1, g2, g3と分けてコードを書いたの？と言う点ですが、そうしたほうが、間違いに気が付きやすい、QCがしやすいのです。 これも経験に基づいた判断です。 こういうアルゴリズムは、暗記をしているわけではないのですが、だいたい、感覚的には分かり、コードを書きたいときは、もう書いたものを、使うか、ネット検索をして、アルゴリズムを確認しておいて、書きます。 このアルゴリズムには、サンプル数が小さいときに、ある修正をする必要があるのですが、私のデータではサンプル数は小さくないので、それはアルゴリズムに加える必要はないと判断しました。 そのようなことを経験や知識で判断しながら、仕事をしています。 色々な判断をしないといけません。そして、どのような判断をしたかを記録しておきます。 アメリカであれば、こういうことの基本的な部分（実験の仕方など）は、心理学、社会学、経済学などで学ぶことになります。 ですが、細かい部分は経験です。 […]