Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
センスメイキング 本当に重要なものを見極める力
Search
T.Katsuki
March 11, 2019
0
330
センスメイキング 本当に重要なものを見極める力
クリスチャン・マスビアウ著, 斎藤栄一郎訳の書籍「センスメイキング 」の独断と偏見による解釈と読書感想
T.Katsuki
March 11, 2019
Tweet
Share
Featured
See All Featured
Web development in the modern age
philhawksworth
201
10k
Building Applications with DynamoDB
mza
88
5.6k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
352
28k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
24
2.2k
How To Stay Up To Date on Web Technology
chriscoyier
781
250k
Imperfection Machines: The Place of Print at Facebook
scottboms
257
12k
Intergalactic Javascript Robots from Outer Space
tanoku
266
26k
CoffeeScript is Beautiful & I Never Want to Write Plain JavaScript Again
sstephenson
153
14k
Raft: Consensus for Rubyists
vanstee
130
6.2k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
67
38k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
39
4.3k
Code Reviewing Like a Champion
maltzj
512
39k
Transcript
センスメイキング 香月的解釈
センスメイキングとは何か?
センスメイキングとは 人文科学をベースに 意味のある違いを見つけること =気付き/恵み 簡単に言うと上記で、人文科学的手法という言い方もしていた
それぞれの手法の特徴 シリコンバレー的 • 浅いデータ • 数値化 • 単純化(〇か×か) • 知識不要
• 結果重視 人文科学的 • 深いデータ • 数値化困難 • 複雑 • 知識必要 • プロセス重視 比較対象にしていたのは、BigDataやAIを使うシリコンバレー的 手法で、それぞれの特徴は上記のように述べられていた
それぞれの手法の特徴 シリコンバレー的 • 浅いデータ • 数値化 • 単純化(〇か×か) • 知識不要
• 結果重視 人文科学的 • 深いデータ • 数値化困難 • 複雑 • 知識必要 • プロセス重視 データの浅い・深い(量)、数値化の可否について どういうことか?をみてみる
四つのタイプの知識(データ) 主観的知識 客観的知識 共有知識 五感で得られる 知識 自然科学の知識 個人的見解・価値観 公共の文化的知識 感じられること
シリコンバレー的 人文科学的 人文科学的手法では、五感で得られる知識までのすべての知 識を使うため、データが深く(多く)なるが、数値化が困難
それぞれの手法の特徴 シリコンバレー的 • 浅いデータ • 数値化 • 単純化(〇か×か) • 知識不要
• 結果重視 人文科学的 • 深いデータ • 数値化困難 • 複雑 • 知識必要 • プロセス重視 必要な知識についてはどうかかれているか?をみてみる
センスメイキングのベース • 優れた書籍、芸術、理論、音楽などに感情移 入して、没頭する機会を増やすと パターン認識に生かせる要素を多く吸収可能 どうやら 人文科学の学びが、パターン要素を増やすのに役立つらしい 人文科学
センスメイキングの実践 1. 共感力 2. 五つの基本原則 3. 六つの応用例 =フレームワーク 実際の実践については上記三要素が挙げられていた 共感力以外の二点について次頁から詳しくみていく
五つの基本原則 1. 個人ではなく文化を 2. 薄いデータでなく厚いデータを 3. 動物園ではなくサバンナを 4. 生産でなく創造性を 5.
GPSでなく北極星を 五つの基本原則について本書に挙げられていたのは上記 ちょっとわかりにくかったので私なりにかみ砕いていく
五つの基本原則1 “個人ではなく文化を” 個人の言葉だけを聞くのではなく、 そこに暮らす人々の行動や理由に着目するということ ・・・・・ ・・・・・ ・・・・・ ・・・・・ ・・・・・ ・・・・・
・・・・・
五つの基本原則2 “薄いデータでなく厚いデータを” 表面的に出現する事象ではなく、 それを導き出した(している)関係性に着目するということ 背景・環境・歴史 ヒトラーがどんな悪いことをしたか?では なく、どんな歴史的、社会的背景でヒト ラーが選ばれたか?についても着目する
五つの基本原則3 “動物園ではなくサバンナを” 一点観察や抽出観察は危険、 全体俯瞰が大切だということ 動物園のライオンを見て、サバンナに住む ライオンをわかったと言えるだろうか?
五つの基本原則4 “生産ではなく創造性を” 問題解決ではなく、イノベーションを狙う →そのためには“不確実”に耐え、考え抜く忍耐が必要。 問題解決ではなく、イノベーションを狙う ための思考方法としてアブダクションとい う推論形式が挙げられていた(後述)
五つの基本原則5 “GPSではなく北極星を” 前提を盲信せず、身近なリソースを感じる。 そういえば、いつも会社に行くときにナビを使っていたら、もう 道は覚えているはずなのに、ナビをつけないと落ち着かないな…
五つ目の基本原則4 に出てくる三つの推論形式
三つの推論形式 • 演繹(えんえき)法 • 前提:すべての女性は死を免れない/サリーは女性 • 推論:サリーは死を免れない • 帰納法 •
前提:サリーは医師/サリーは卒業したばかり • 推論:サリーは医学部出身である • アブダクション:イノベーションを狙う思考 • 前提:窓が割れ/宝が無い/家具がちゃくちゃ • 推論:泥棒に入られた 推論形式は上記三つが例とともに挙げられていた 違いが分かりにくかったので、違うものに例えてみる
三つの推論形式 • 演繹(えんえき)法 • 前提:すべての女性は死を免れない/サリーは女性 • 推論:サリーは死を免れない → パズルを組み立てる 演繹法は用意された答えを繋ぎ合わせるようで、
パズルの組み立てに似ている
三つの推論形式 • 帰納法 • 前提:サリーは医師/サリーは卒業したばかり • 推論:サリーは医学部出身である →パズルの空白を埋める 帰納法は少し難しくなるけど、これは用意された答えが不完 全なので、そこを埋め合わせる感じ。
同じパズルだと、欠けたピースの部分の絵柄を想像する感じ
三つの推論形式 • アブダクション • 前提:窓が割れ/宝が無い/家具がちゃくちゃ • 推論:泥棒に入られた →ブロックを組み立てる 情報は多いが、断片的で答えは一つとは限らない 例えるならブロックを組み立てるような感じ
三つの推論形式 • アブダクション • 前提:窓が割れ/宝が無い/家具がちゃくちゃ • 推論:泥棒に入られた →ブロックを組み立てる だから、 完成した姿について知っていることが多い方が組合せに幅がでる!
三つの推論形式 • 演繹(えんえき)法 • 前提:すべての女性は死を免れない/サリーは女性 • 推論:サリーは死を免れない → パズルを組み立てる •
帰納法 • 前提:サリーは医師/サリーは卒業したばかり • 推論:サリーは医学部出身である →パズルの空白を埋める • アブダクション • 前提:窓が割れ/宝が無い/家具がちゃくちゃ • 推論:泥棒に入られた →ブロックを組み立てる
センスメイキングのベース • 優れた書籍、芸術、理論、音楽などに感情移 入して、没頭する機会を増やすと パターン認識に生かせる要素を多く吸収可能 そうか! パターン要素を増やすのはブロックの組み合わせパターンを 増やすのとおなじことだったのか! 人文科学
センスメイキングの実践 1. 共感力 2. 五つの基本原則 3. 六つの応用例 =フレームワーク 次に六つの応用例をみていく
六つの応用例1 “記号とシンボル” シンボルそのものと、その意味に着目してみる 電話? 6だよね? ジェスチャーも ところ変われば意味が違う
六つの応用例2 “メンタルモデル” 言葉や文脈の表す意味に着目してみる いいよ、別に! 短い言葉だけだと、本当の意味がわからないこともある 彼女は怒っているのか?それとも本当に気にしてないのか?
六つの応用例3 “社会システムの理論” 互いの心理・言わない認識に着目してみる 会社は給料くれてあたりまえ 会社は働いてあたりまえ あえて言葉にしないようなところに、考えの相違があるかも 上記の二人は、このままスムーズに仕事が進められるだろうか?
六つの応用例4 “舞台上での印象操作理論” 行動の元となった心理とは逆の心理とバランスに着目してみる 筋肉をつけたい! 筋トレを頑張っている コンプレックスが 強い動機を生み出して いるのかも やせ細ったみっとも ない自分
六つの応用例5 “互酬理論” 互酬モデルのどれがふさわしいかに着目してみる 否定的な互酬: 与えるよりももらいたい! 均衡のとれた互酬: 与えるももらうも同じ 一般化された互酬: とにかく与える!
六つの応用例6 “言語論” 言語化にこだわらず、感じられること全てに着目してみる 言葉にしにくいようなことも、ありのままに感じてみる 気温や湿度、漂う香り、街の喧騒の程度、懐かしいあの場所
センスメイキング 達人までの道のり 1. 初心者レベル 2. 新人レベル:パターン認識できる 3. 一人前レベル:幅が豊富に 4. 中堅レベル:複雑な認識も可能に
5. 達人レベル:感じられる・閃く ただし、達人になるのは常人には難しく、 また、それでも失敗することはあると記されている ↑天命とかの領域:Queenの歌とか、小松美羽さんの絵とか 絵を描いているというか、何 かに描かされている感じ 人文科学の蓄積を増やし、 実践を繰り返すことで、上記の過程で成長していけるらしい
センスメイキングとは? 人文科学をベースに 意味のある違いを見つけること =気付き/恵み 改めてセンスメイキングが何か?を振り返ってみる
センスメイキングとは? 人文科学をベースに 意味のある違いを見つけること =気付き/恵み 恵み フレームワーク 人文科学の知識・体験 センスメイキングとは、 人文科学の蓄積を元に、 フレームワークを用いて
“意味のある気付き”を得 ること 数値から得られる0/1結論 のようなものではない
つまるところ… Data Drivenでもできることはある。 でも、血の通ったビジネスをし ようじゃないか! と、言っているように感じた
それぞれの手法の特徴2 シリコンバレー的 • 数値化できるデータ しか扱えない (浅いデータ) • 数値に基づく客観的 な判断は容易 人文科学的
• 感じられるものすべ てがデータ (厚いデータ) • 数値化できないため、 客観的な判断は苦手 (マイスターは別) 香月の考察 改めてシリコンバレー的手法と特徴を比較してみると、 どちらも一長一短あるように思える
私の感想 今は何でもできるようになった ↓ ビジョンをもっている必要あり (でないと、とんでもない世の中になるかも) ↓ ビジョン明確化には現状理解が必要 ↓ 現状理解にはセンスメイキングが有効 BigDataやAIなどシリコンバレー的手法はツールと考えるべし!
None