明日の天気予報の「降水確率60%」という数字に「結局、雨は降るの？降らないの？」とモヤモヤしたことはないでしょうか。
最先端の科学やデータのはずなのに、なぜいつも、どこか「はっきりしない不確実さ」が残るのか。
その理由は、科学が未熟だからでも、専門家が手抜きをしているからでもありません。実は、私たちが生きるこの現実世界を科学的に認識しようとするとき、そこには物理的・論理的に決して避けて通れない「3つの絶対的な制約」が存在するからです。
本記事では、科学の答えに必ず紛れ込む「観察の限界」「測定の誤差」「モデルの簡略化」という3つの正体を、手作りのケーキやお馴染みの地図など、誰もがイメージできる身近な例で分かりやすく解説します。
白黒つかない「不確実性」をあえて正直に認めることこそが、なぜ科学の圧倒的な信頼性の源になっているのか。情報が溢れ、何が正しいか見失いがちな現代社会を賢くサバイバルするための、最も本質的な「科学リテラシーの眼鏡」を一緒に手に入れましょう。
このシリーズは、歴史・しくみ・フィールドの三層構造をできるだけ意識して構成しています。「なぜそうなったか」「どんな仕組みか」「フィールドで何が見えるか」——この3つの視点をそろえることで、歴史や社会に興味がある人も自然に引き込まれ、断片的な知識ではなく「線や面」としてつながった知識が、はじめて判断の源泉になると考えています。
科学の不確実性 — 信頼性を担保する3つの制約
科学の営みは、常に地道な「観察」から始まります。空を見上げて雲の動きを追い、温度計で気温を記録し、膨大なデータを集めていく。しかし、私たちがこの複雑な現実世界を認識しようとするとき、そこには決して避けて通れない「3つの制約」が立ちはだかります。
- 制約1：観察の限界 私たちは、この世界のすべてを網羅して見ることはできません。観察できる対象は常に限定的であり、私たちの五感や観測装置の視野には、どうしても物理的な限界が存在します。
- 制約2：測定の誤差 どれほど最先端の精密機器を使おうとも、この世に「完璧な測定」は存在しません。すべての測定値には、構造上、必ず微小な誤差が伴います。
- 制約3：モデルの簡略化 複雑すぎる現実を人間が理解可能な形にするために、科学者は「モデル」という簡略化した枠組みを作ります。しかし、どんなに優れたモデルであっても、それは現実の一部を切り取ったレプリカであり、現実そのものではありません。
これら3つの制約が複雑に絡み合うとき、科学の導き出す答えには、どうしてもある種の「不確実性」が残ることになります。
しかし、これこそが科学の持つ最大の本質なのです。白黒つかない不確実性を隠蔽したり、万能であるかのように偽ったりするのではなく、むしろその限界を「正直に認めて開示すること」。それこそが、科学が他の独善的な主張やプロパガンダと一線を画し、現代社会において強固な「信頼の源」となり得ている理由なのです。
観察の3つの限界
私たちが科学的に物事を見ようとするとき、具体的にはどのような限界に直面するのでしょうか。先ほど挙げた3つの制約について、身近な例から掘り下げてみましょう。
限界1：観察件数の不足（サンプルの偏り）
例えば、オーストラリアで初めてカモノハシを目撃した人が、その特徴的なくちばしと毛皮だけを見て「これは新種の鳥だ！」と結論づけたらどうなるでしょうか。ご存じの通り、カモノハシは卵を産むものの、紛れもない哺乳類です。このように、たった1匹、あるいは極めて少ない回数の観察だけで結論を急ぐと、大きな誤りを犯すリスクが高まります。
科学の営みでは、できるだけ多くのサンプル（観察件数）を集めることで、偶然の紛れ込みや例外的なデータに惑わされないようにします。観察の母数が少なければ少ないほど、そこから導き出される結論の信頼性は低くなってしまうのです。
2. 観察の精度不足（五感の錯覚と測定の限界）
古代の人々は、太陽が地球の周りを回っていると考えました。毎日、太陽が東から昇って西に沈む光景を、自分たちの目で正確に観察していたからです。この場合、目で見た「現象」そのものは事実でしたが、天動説という「解釈」が間違っていました。実際には、観察者である地球のほうが自転していたのです。
また、私たちの「目」という観測装置は、簡単に騙されます。水の中にまっすぐな棒を入れると、光の屈折によって曲がって見えますが、これが「目の錯覚」です。目で見た景色がそのまま世界の真実とは限りません。だからこそ科学では、様々な角度からアプローチを変えて観察したり、人間の五感を超えた精密な計測機器を用いたりして、観察の正確性を補正しようとします。
しかし、その計測機器にもまた別の限界があります。体温計に「37.0℃」と表示されていても、ミクロに見れば実際は37.04℃かもしれないし、36.98℃かもしれません。体重計、時計、温度計など、どれほど優れた測定器であっても、「これ以上は細かく刻めない」という物理的な精度の限界が必ず存在します。
3. 適切なモデルの不在（現象を繋ぐロジックの欠如）
かつての日本では、突如として大地が揺れる理由を「地下にいる大ナマズが暴れているからだ」と信じられていました。当時、人々は地震という現象を確かに「観察」していましたが、それを科学的に説明するための合理的な枠組み（モデル）を持っていなかったのです。
現在、私たちは「プレートテクトニクス理論」という強力なモデルによって地震のメカニズムを説明できます。地球の表面を覆う巨大な岩板（プレート）が互いにぶつかり合い、ずれることで歪みが解放される――このモデルがあって初めて、私たちは過去の観察データを意味のある知識へと変えることができます。
ただ事実を眺める（観察する）だけでは、科学にはなりません。それを解き明かす適切な「モデル」があって初めて、現象のメカニズムを正しく理解できるようになります。観察とモデルは、どちらが欠けても前に進まない「車の両輪」のような関係なのです。
誤差との付き合い方
すべての測定には「誤差」があります。これは避けて通れない現実です。
たとえば、スマートフォンの時計と部屋の壁時計を見比べてみてください。おそらく数秒はズレているはずです。では、どちらが本当に正しいのでしょうか。実は、世界で最も正確とされる「原子時計」でさえ、数億年に1秒程度の誤差が生じます。つまり、この世に完璧な時計は存在しないのです。
ただし、日常生活において数秒のズレは問題になりません。学校や会社に遅刻するかどうかを判断するには、分単位の精度があれば十分だからです。このように、必要な精度というのは用途によって異なります。
誤差の4つの原因
なぜ、どれほど気をつけても誤差が生まれてしまうのでしょうか。それには4つの原因があります。
- 測定機器の限界（ハードウェアの限界） キッチンスケール（はかり）が1g単位までしか表示できない場合、0.1g単位の細かい重さは測れません。どんな測定機器にも「これ以上は細かく刻めない」という物理的な限界があります。
- 環境の影響（外部要因） 部屋の温度や湿度、あるいはエアコンの風がはかりに当たるといった周囲の環境条件によって、測定値は微妙に変動します。完全に一定の環境を保ち続けることは不可能です。
- 人為的なミス（操作のばらつき） はかりの目盛りを斜めから読み間違えたり、器を置く位置が少しズレたりするだけで値は変わります。測定する人の技術や注意深さも結果に影響を与えます。
- ランダムな揺らぎ（自然界の性質） どれほど条件を完璧に揃えて測定しても、原因を特定できない微小なズレがランダムに発生することがあります。これは自然界が本質的に持っている気まぐれな揺らぎによるものです。
誤差への賢い対処法
科学者は、誤差をゼロにすることはできないと知った上で、それと賢く付き合う方法を開発してきました。
対処法1：繰り返し測定（平均化）
ベランダで育てている植物の成長を記録するために、茎の長さを測るとします。たった1本だけを測った場合、その1本が「たまたま特別に育ちが良かった（あるいは悪かった）」だけかもしれません。しかし、10本の長さを測ってその「平均値」を出せば、全体の傾向をより正しく掴むことができます。何度も測定して平均を取ることで、偶然紛れ込んだ誤差を打ち消し、薄めることができるのです。
対処法2：誤差範囲の明示（誠実な開示）
科学のレポートや論文では、「室温は25.3度だった」とは書かず、「25.3度プラスマイナス0.2度」という書き方をします。この「プラスマイナス0.2度」が誤差範囲であり、「真の値はおそらく25.1度から25.5度の間にある」ということを示しています。
一見、これは不正確ではっきりとしない表現に見えるかもしれません。しかし、これこそが「正直さの表れ」なのです。数値の確かさをあらかじめ正直に示すことで、読み手はデータを正しく解釈できるようになります。むしろ、本当は誤差があるのに「25.3度」とだけ言い切ってしまう方が、かえって不誠実であり、科学的ではないのです。
誤差が「結論」を変えてしまうとき
この誤差の範囲を無視すると、私たちは日常のデータを見誤ることになります。
たとえば、あなたが家で美味しいケーキを焼くために、2つの異なるメーカーの小麦粉 A と B を「はかり」で正確に100gずつ量り、その使い心地を比べているとしましょう。
焼き上がったケーキの膨らみ具合を記録したところ、次のような結果になりました。
- 小麦粉 A を使ったケーキの平均の高さ： 63.5 mm
- 小麦粉 B を使ったケーキの平均の高さ： 63.2 mm
数字だけを見れば「小麦粉 A のほうが 0.3 mm 高く膨らんだ！こちらの粉のほうが優秀だ」と言いたくなります。しかし、ケーキの膨らみは、その日のオーブンの予熱状態や、卵の泡立て方のわずかな違いによって、常に「プラスマイナス 0.5 mm」程度の測定誤差（ばらつき）が出るとします。この誤差範囲を重ねてみると、見え方が一変します。
- 小麦粉 A のケーキ： 63.5 mm プラスマイナス 0.5 mm （63.0 から 64.0 mm のどこか）
- 小麦粉 B のケーキ： 63.2 mm プラスマイナス 0.5 mm （62.7 から 63.7 mm のどこか）
よく見ると、2つの数値の範囲が大きく重なり合っています。これでは、今回の 0.3 mm の差が「本当に小麦粉の品質の差によるもの」なのか、それとも「たまたまその日のオーブンの機嫌や泡立て方の気まぐれによる単なる誤差（偶然）」なのか区別がつきません。つまり、このデータだけでは「小麦粉の性能に差がある」とは断言できないのです。
本当に小麦粉に違いがあると言い切るためには、何回も何回もケーキを焼き、データの数を増やして、この「ばらつきの幅」を極限まで小さくしていく必要があります。
計算手法（データの切り取り方）による違い
また、手元にある全く同じデータを使っていても、「どう分析するか」によって導き出される結論が変わることがあります。
例えば、あるクラスの5人の生徒が受けたテストの点数が「60点、65点、70点、75点、100点」だったとします。このクラスの「実力」を測る際、次の2つの計算方法が考えられます。
- 算術平均（全員をそのまま足して割る）： (60点 ＋ 65点 ＋ 70点 ＋ 75点 ＋ 100点) ÷ 5人 ＝ 74点
- 外れ値を除いた平均（飛び抜けた1人を除外する）： (60点 ＋ 65点 ＋ 70点 ＋ 75点) ÷ 4人 ＝ 67.5点 （※100点という特別なトップの1人を除外）
どちらの方法が「正しい」のでしょうか。答えは「目的による」です。クラス全体の総合得点を底上げしたいなら「74点」という全体平均が指標になりますし、「典型的な生徒の等身大の実力」を知りたいなら、天才のデータをあえて除外した「67.5点」の方が実態に近いかもしれません。
科学やビジネスの世界でも、データをどのように切り取り、どう分析するかで結論はいくらでも変わり得ます。だからこそ私たちは、単に「平均74点」という結論だけを鵜呑みにするのではないのです。「どのような手法でそのデータが処理されたのか」というプロセスの透明性までを検証することこそが重要な姿勢となります。
モデル化 — 世界を理解する道具
科学における「モデル」とは、複雑すぎる現実を人間が理解できるように、重要な要素だけを抜き出してシンプルにまとめた説明（枠組み）のことです。私たちの身の回りにあるもので言えば、「地図」が最もわかりやすい例でしょう。
地図という名のモデル
日本地図を思い浮かべてみてください。そこには、実際に現地に存在する無数の家、1本1本の木、歩いている人や走っている車は描かれていません。描かれているのは、道路、都市、県境、主要な建物など、目的地にたどり着くために「必要な情報」だけです。
これこそがモデル化の基本である「簡略化」です。もし地球上のすべてを完璧に描き込んだ地図を作ろうとしたら、複雑すぎて誰も使えなくなってしまいます。あえて大胆に情報を削り、必要なものだけを選んで描くからこそ、地図は便利な道具として役に立つのです。
興味深いことに、「使う目的」によって最適なモデル（地図）の姿はガラリと変わります。
- 道路地図（車での移動用）： 道路網や高速道路のインターチェンジが詳しく描かれる
- 路線図（電車での移動用）： 駅と結ばれる路線のみに特化。実際の距離や方角はあえて不正確にして見やすさを最優先している
- 地形図（登山用）： 山の斜面の急峻さや川の形状が、等高線で詳細に表現される
では、どれが「正しい地図」なのでしょうか。答えは「すべて正しく、すべて異なる」です。目的に応じて、選ぶべき最適なモデルは変わるのです。
天気予報のモデルと計算の知恵
現代の天気予報も、地球の大気をコンピューターの中に再現した「モデル」を使っています。
本物の大気の中には、数え切れないほどの膨大な空気の分子が飛び交っており、それぞれが複雑にぶつかり合っています。これらを分子のレベルですべて完璧に追跡して計算することは、現代のスーパーコンピューターをもってしても不可能です。
そこで気象学者は、地球を例えば「10キロメートル四方のサイコロ状のブロック」に区切り、そのブロックごとの「平均的な気温、湿度、風向き」を代表値として計算するという手法をとっています。
これは、現実の大気を大幅に「簡略化」したものです。当然、実際の10キロメートルの範囲内には山もあれば谷もあり、場所によって気温や風は微妙に異なります。
しかし、この大胆な簡略化のおかげで、初めてコンピューターでの計算が可能になり、私たちは毎日の天気予報を受け取ることができています。その代わりとして、細かい局所的な現象（「自分の家の上だけにピンポイントで降る雨」など）までは予測できません。これが、モデルが宿命的に抱える「限界」なのです。
モデルの限界を知ることこそが、真のリテラシー
ここが、科学リテラシーにおいて最も重要なポイントです。「モデルは、どこまでいっても現実そのものではない」ということです。
どれほど精密に作られた地図であっても、実際に現地を歩いてみれば「思ったよりも急な坂道だった」「この細い裏道は地図に載っていない」ということが必ず起こります。科学のモデルもまったく同じです。モデルとは、あくまで現実の「近似」、つまり「実用上、だいたい合っている」という状態に過ぎません。
この世に完璧なモデルは存在しません。しかし、「だいたい合っていて、十分に実用的」であれば、それは私たちの生活を強力に支えてくれます。大切なのは、そのモデルが「どこまで使えて、どこから使えなくなるのか」という境界線を正しく理解しておくことです。
また、モデルは一度作ったら終わりではなく、時代とともにアップデートされていく生き物です。新しい観察データが集まったり、現実とのズレが見つかったりすれば、モデルはより正確なものへと修正・改良されていきます。
かつての天気予報のモデルは、1週間先の予報などほとんど当たりませんでした。しかし、観測技術が進化し、コンピューターの性能が爆発的に向上し、モデルの構造そのものが改良され続けた結果、現在では1週間先でもかなり実用的な精度で予測できるようになっています。
もし、モデルの限界を理解しないまま盲信してしまうと、大きな判断ミスを犯すことになります。たとえば、目先の1週間の予測に最適化されている天気予報のモデルを使って、無理に「1か月先の特定の日の天気」をピンポイントで予測しようとしても、その精度は極めて低くなってしまいます。
道具の「強み」と「限界」の両方を正しく見極めて使いこなすこと。これこそが、モデルという科学の知恵を社会で活かすための、大人のサバイバルスキルなのです。
不確実性を力に変える
まとめ：不確実性こそが科学の誠実さ
観察の限界、モデルの不完全さ、そして測定における誤差の宿命。これらが複雑に絡み合う以上、科学の導き出す答えには、常に一定の「不確実性」がつきまといます。しかし、これは決して科学の弱点ではありません。
世の中には「絶対にこうなる！」と100%の確信を持って言い切る人がいます。一方で、科学者は「現在のデータとモデルに基づくと、70%の確率でこうなると予測されます」と言います。一見すると、前者のほうが力強く、頼りがいがあるように思えるかもしれません。しかし、どちらが本当に信頼に値するでしょうか。
白黒つかない不確実性をしっかりと認めることは、科学における「謙虚さと誠実さ」の表れです。科学は「自分たちは間違う可能性がある」とあらかじめ知っているからこそ、慎重に検証を重ね、より確度の高い結論を導き出そうとします。「ここまではわかるが、ここから先はまだわからない」と正直に言えることこそが、科学の持つ真の強さなのです。
科学とは、完璧な正解を最初から持っている万能の神様ではありません。不確実性と泥臭く向き合いながら、少しずつ、少しずつ真実に近づいていく地道な営みです。一歩ずつ前進し、データに間違いが見つかれば真摯に修正し、新しい発見があればモデルを速やかに更新する。この開かれたプロセスそのものが、科学の本質なのです。
毎朝、天気予報が告げる「降水確率60%」という表現は、決して予測の手抜きや曖昧さの言い訳ではありません。限界を隠さない「正直さと誠実さの証」なのです。そして、その不器用なほどの正直さこそが、長い目で見れば、私たちが最も信頼を寄せるべき確かな「羅針盤」となるのです。
