人間は、膨大な個別の経験を一つひとつ記憶するだけでは世界を理解できません。似たものをまとめ、違いを見分け、名前を与え、必要に応じて分類し直します。こうした概念形成とカテゴリー化の働きによって、未知の対象にも既存の知識を利用できるようになります。
しかし、分類は対象そのものに最初から書き込まれているとは限りません。どの特徴に注目するか、何のために分けるかによって、同じ対象が異なるカテゴリーに属することがあります。概念形成を理解することは、情報整理の技法を学ぶだけでなく、自分が当然と思っている分類の前提を問い直すことでもあります。
概念とカテゴリーは何が違うか
日常的には同じ意味で使われることもありますが、区別すると考えやすくなります。
- 概念（Concept）：対象を理解し、推論するための意味や知識のまとまり。哲学や認知科学では、その性質について複数の理論があります。
- カテゴリー（Category）：ある観点のもとで同じ種類とみなされる対象の集合や区分。
- 分類（Classification）：対象をカテゴリーに割り当てる操作。
- 概念形成（Concept Formation）：経験や既存概念の比較などを通じて、概念を獲得・改訂する過程。
例えば、同じ装置を「産業用ロボット」「精密位置決め装置」「熟練技能を代替する装置」と呼ぶとき、装置自体が変わるわけではありません。着目する機能や比較対象が変わり、異なる問いが生まれます。
カテゴリーは必ずしも必要十分条件で定義できない
ある概念に属する条件を明確な規則として記述できる場合があります。しかし、多くの日常的な概念では、すべての成員に共通する一つの特徴を見つけることは難しいものです。
ウィトゲンシュタインは「ゲーム」を例に、成員が同一の本質を持つというより、重なり合う類似性によって結びついている場合を論じました。これは「家族的類似（Family Resemblance）」と呼ばれます。
認知心理学のエレノア・ロッシュらは、カテゴリーには典型的な成員と、あまり典型的でない成員があることを研究しました。この「プロトタイプ理論」は、人間の分類がいつも明確な定義に従うわけではないことを示します。
ただし、カテゴリー化のすべてが類似性だけで説明されるわけではありません。生物の種類や人工物の機能を判断するときには、見た目の類似性より、そのものについて持っている因果的・理論的な知識が重要になる場合もあります。
概念の分割・統合・抽象化
| 操作 | 何をするか | 例 |
|---|---|---|
| 分割 | 一つのカテゴリー内の違いを取り出す | 「顧客」を利用目的別に分ける |
| 統合 | 異なる名称の事例に共通する構造を見つける | 「返品」「修理依頼」「問い合わせ」に共通する期待不一致を調べる |
| 抽象化 | 個別の事物から関係や機能を取り出す | 「ポンプ」から「流体を継続供給する仕組み」へ |
| 再分類 | 従来とは別の軸で対象を並べ替える | 製品別から顧客の作業課題別へ |
| 概念結合 | 既存の概念を組み合わせ、新たな可能性を構成する | 「物流ネットワーク」と「補修」を組み合わせる |
| 対比 | 例外・境界事例を使って概念を明確にする | 「なぜこのケースだけ同じ分類に入らないのか」と問う |
「抽象化」は単に具体的な情報を削る操作ではありません。特定の特徴を捨てる代わりに、別の領域へ適用できる関係や機能を取り出す場合があります。異分野の技術を比較する概念探索では、このような抽象化が有効なことがあります。
分類は中立ではない ― 事例
あるメーカーが不具合の報告を「設計不良」「製造不良」「顧客の誤使用」に分類しているとします。この分類は担当部門ごとに対策を割り当てるには便利です。しかし、実際には説明書の曖昧さ、操作画面のわかりにくさ、使われる環境の変化などが複合して発生した問題を、うまく表現できないかもしれません。
そこで、不具合を「発生場面」「ユーザーの目的」「最初に現れる兆候」「回復可能性」など別の観点で並べ替えたら、従来の分類では見えなかった共通性が現れる可能性があります。
カテゴリーは分析の出発点として有用ですが、現実を忠実に写した唯一の区切りとは限りません。
多変量解析と機械学習で何ができるか
クラスタリング、SOM、GNGなどの手法は、多数の属性やテキストの埋め込みから、似た事例の集まりやデータの位相的な構造を調べることができます。これは、人間があらかじめ分類名を決める方法とは異なる、データ駆動型の分類・構造探索です。
ただし、機械学習によって見つかったクラスターが、そのまま現実世界の自然なカテゴリーや因果的な実体を示すわけではありません。結果は特徴量の選択、距離尺度、モデル設定、データ収集の偏りに影響されます。次元削減した2次元の地図では近くに見えても、元の多次元空間での関係をすべて保存しているとは限りません。
したがって、概念構造を分析する際には、元の事例や文章に戻って特徴を確認し、別の観点による分類と比較することが重要です。機械が見つけた構造を、人間が意味のある説明へとつなげていきます。
LLMと協調して分類を問い直す
LLMは対象の特徴を言語化し、カテゴリー名を提案し、異なる分類案を比較する助けになります。しかし、もっとも一般的な名称をすばやく与えてしまうことで、未知の問題を既存概念に押し込める可能性もあります。
有効な使い方は、一つの「正しい分類」を求めることではなく、目的の異なる複数の分類を作り、どんなケースが分類しにくいかを調べることです。少数例、境界例、例外を残しておけば、新しい概念形成への手がかりになります。
ThinkNaviで紹介する概念マッピング（人が概念間の意味的な関係を描く技法）と、ConceptMinerで用いるデータ駆動型の概念構造マップは、ここでも区別する必要があります。前者は知識の明示的な整理、後者はデータの潜在的な構造探索を中心とします。両者は競合するものではなく、役割が異なります。
考えるための問い
「その分類は何のために作られたのか」「対象のどの特徴が分類を決めているのか」「別の目的なら分類を変えるべきではないか」「今のカテゴリーにうまく収まらない事例は何か」。こうした問いによって、分類作業そのものが、新しい問題や仮説を発見する作業になります。
概念形成とは、すでにある箱へ事実を入れることだけではありません。必要なら、その箱そのものを作り直すことです。
参考文献・関連資料
- Ludwig Wittgenstein, Philosophical Investigations (1953)
- Eleanor Rosch and Carolyn B. Mervis, “Family Resemblances: Studies in the Internal Structure of Categories” (1975)
- Dedre Gentner, “Structure-Mapping: A Theoretical Framework for Analogy” (1983)
- Stanford Encyclopedia of Philosophy: Concepts
- Stanford Encyclopedia of Philosophy: Analogy and Analogical Reasoning