芝生刈り実験：ヒューリスティクスと最適解の探求

参加者の結果概観

• 参加者数: 30,954 名が実験に参加しました。
• 達成率の高さ: 多くの参加者が最適経路に極めて近い結果を残しました。
  • **52%**は最適経路から最大 5 手以内の距離で終了。
  • その中でも **16%**が完全に正確な解を見つけました。
• 解決法の多様性: 必要な領域はわずか 49 マスでしたが、参加者らはそれを達成する 14,589 通りもの異なる方法を発見しました。
• 中央値の効率: 多様なアプローチが見られた一方で、全体の中央値としての効率は 91%（最適経路から 5 手以内）を維持しています。

なぜこの問題は難しいのか：販売員訪問問題（TSP）

「マスを通る最良の経路を見つける」問題は、コンピュータサイエンスにおける古典的な課題です。

• 問題の名称: カバレッジ・パス・プランニング（Coverage Path Planning）。
  • 出発地点に戻らずに指定された全てを訪問する必要があるため、**販売員訪問問題（Traveling Salesman Problem, TSP）**と関連が深いです。
• 現実的な例:
  • ピザ屋さんの配達順路計画。
  • Halloween の「不给糖就捣乱（Trick or Treat）」で子供たちが最適化している行動。
• ヒューリスティクスが必要な理由:
  • 都市数が増えるに従い、組み合わせの数は指数関数的に爆発的に増加します。
    • 15 の都市: 約 1,300 兆通り（$1.3 \times 10^{12}$）
    • 20 の都市: 約 24 京通り（$2.4 \times 10^{18}$）
  • 最適解を保証する「アルゴリズム」は計算が重く、現実的には使えません。
  • そのため、「十分良好で速い解」を見つける**ヒューリスティクス（直感的近似法）**が不可欠になります。

ガイド付きツアー：参加者『ボーンズ』の分析

解説つきで「監督版」風のセッションを再現します。自己紹介名「ボーンズ」の参加者の典型的な結果（平均的）を追跡しました。

• 開始時の躊躇: 最初の移動前、2.9 秒間一時停止。芝生全体を観察して計画を立てる自然な行動でした。
• 分岐点での選択:
  • 5 マス目で初めて選択を迫られます（「右に進むか、下に向かうか？」）。
  • ボーンズはわずか 0.7 秒の躊躇で「下へ向かう」を選びました。
  • これは他の参加者のうち約 **20%**が選んだ行動でした。
• ミスと修正（引き返す）:
  • 底部に行き止まりに達し、2.4 秒の一時停止をした後、方向を変えて最初のマスを再刈り込みました。
  • 外縁を回りながら残りの中央部のマス々を埋めていきました。
• 決定的な判断:
  • 芝生を「左」と「右」の 2 つに分割する場合、ボーンズは左側から始めました。
  • しかし、行き止まりがあるため脱出には**バックトラック（後戻り）**が必要です。
  • 失敗パターン: 最適解から 3 手以上離れている参加者の多くは、芝生全体に散在しており、行き止まりを先回りして察知できていませんでした。
• 成功者の戦略：サラの洞察
  • サラという参加者は、左側で終了するのではなく、あえて右側を先に刈り終え、最後に左側で終了する計画を立てていました。
  • 彼女の本名でのインタビューから、その理由は以下の通りです。

    「終端で行き止まりがあるのが見え、『ああ、そこで終わらねばならん』と思いました。つまり、『その道は最初に行かぬようにしよう』と考えました」

  • サラは、行き止まりがあることを察知し、それを**最初のエリアとして残す戦略（バックトラックの回避）**を理解していました。
  • また、直線的に動くのではなく、ヘビのような蛇行パターンで曲がる行動も見られました。これは現実世界の芝生刈りとゲームの単純化された構造の違いに対する適応であり、優れた刈り手たちが活用するアプローチです。

6 枚の芝生：規模と複雑さへの耐性

実験には 5 つのレベル（ステージ）があり、規模が大きくなるにつれて障害物も複雑になりました。

• 最大レベル: 14x14 のグリッドで、カバーすべきマスの数はほぼ 200 に達します。
• 全体の傾向:
  • 問題が大きいと人の成績は悪化するはずでしたが、芝生のサイズにかかわらず（26 マスか 177 マスか）、最適性は概ね 90% を維持しました。
  • パフォーマンスは最大の芝生の方が前のレベルよりもわずかに良かったことから、**レイアウト（配置）**が単なるサイズよりも重要であることが示唆されました。
• なぜ構造が鍵なのか: 販売員訪問問題では都市をランダムに散らすのに対し、芝生には明確な**構造（構造的な特徴）**があります。これにより人々は以下のように戦略を立てられます。
  • 分解（Decomposition）:
    • 問題をより管理しやすい小さなセクションに分割し、逐次的に解決します。
    • サラ氏の発言：「これ全部の頭で計画するのは不可能です……すべてを記憶しようとしてもあまりにも困難すぎるでしょう」。
  • 圧縮（Compression）:
    • ラウンド間を移動する間に得られた知識をメンタルモデルに圧縮し、より複雑なパターンを認識して適応します。

考える時：いつ思考するか

「長く考えるほど良い」という直感に対して、データは異なる示唆を与えます。

• 時間との相関:
  • 「どれくらい時間を使ったか（ペース）」を教えても、その人の成績を推測することは困難です。
  • 専門家用語：時間だけで説明できる変動は全体の 5%（決定係数 $R^2 = 4.9%$）のみです。
• 思考のタイミングが重要:
  • 上位 10%: 早期に思考時間を投入。分岐点で考え、最終区間には一度も一時停止せずスムーズに進めます。
  • 下位 10%: 反応的に考える。開始部を急ぎ足で通過し、コーナーや行き止まり（エッジ）によって強制的に止められた時だけ思考します。
• 戦略的な注意配分:
  • サラ氏は「広い空間ほど認知負荷が高くなり、小さい空間では決定数が少ない」という理論を持っていました。
  • 罠に陥りやすい細い部分には慎重に計画し、開けた場所については適当に進む（wing it）という戦略をとっていました。
• 結論: 「もっと長く」または「速く考える」ことではなく、**「いつ考えるか」**が重要です。良いヒューリスティクスは、あなたの注意を重要でない決定には費やさず、重要な決定だけに集中させる役割を果たします。

遊び場：探索と試行

以下の小さな遊園地（プレイグラウンド）で、芝生を選んで刈ってみるか、あるいは参加者がどこで停止し、引き返してどのように終了したかを探索してみてください。

• 操作方法: キーボードの矢印キーを使って移動します。

データと方法論について

• データ時点: 2026 年 7 月 31 日時点での実験のスナップショットです。
  • レベル 2 の後で人口統計情報を収集するため、実験は一時中断されました。
  • 後のレベルはオプションのボーナスラウンドのため、参加者数は減少しました。
• 散布図チャート: 「販売員訪問問題」研究からのデータがなかったため、論文内の画像を基に近似して作成しています。
• ペース（Speed）の定義:
  • 実際の移動回数ではなく、「必須のマスの数」に対する秒数です。
  • 移動回数を基準にすると、経路が長くなること自体が最適性を下げるため、比較が循環的（circular）になってしまいます。
• 最適解の算出: 各レベルについてアルゴリズムを実行し網羅的に解きました（一部のレベルではバックトラックを含む最適解が存在しました）。
• インタビュー: 「サラ」の本名使用については許可を得ており、ビデオインタビューを行いました。その他の参加者はゲーム内のニックネームを使用しています。
• 生データの閲覧: GitHub で生ユーザーデータを閲覧することも可能です。