なぜ一部の人は他の人より芝生をうまく刈るのか
Why some people mow a lawn better than others (pudding.cool)
要約
この記事は、人間が芝刈りのような単純なタスクでさえ、コンピュータが苦手とする経路計画問題を驚くほど効率的に解決できることを探求しています。3万人以上の参加者が行った芝刈りシミュレーションの結果を分析し、多くの人が最適解に近い経路を見つける一方で、デッドエンドを避けるための戦略的な判断が、より効率的な結果につながることを示しています。
全文翻訳
なぜ芝刈りを他の人より上手にこなす人がいるのか
ゲームをスキップしたあなたへ。ここに最適な経路があります。あなたはこうしましたか?
最適な経路
数週間前、30,954人が同じ芝生を刈りました。彼らの経路は以下のようになりました。
プレイヤーID: (移動数)
多くの人が最適な経路に迫りました。52%の人が最良の経路から5手以内で完了し、16%の人は完璧にこなしました。
アプローチは様々でしたが、結果は似ており、非常に良好でした。49マスをカバーする必要がありましたが、人々は14,589通りの方法を見つけました。これほど多様な方法があったにもかかわらず、中央値の人は91%の効率(5手以内)を達成しました。
この小さな芝生には12通りの完璧な解があり、人々はそれらをすべて見つけました。
しかし、あなたは実際に何を解いていたのでしょうか?
マスを最適な経路で移動することは、計算機科学における古典的な問題です。いや、待ってください!あまり難解にならないようお約束します。
パスプランニング問題
芝刈り問題の解決は、正式にはカバレッジパスプランニング(Coverage Path Planning)と呼ばれ、計算機科学で最も有名なパスプランニング問題の一つである「巡回セールスマン問題」に関連しています。
前提はシンプルです。セールスマンは各都市を一度だけ訪れ、出発点に戻る必要があります。その際、可能な限り最短のルートを取ります。ピザ配達員が配達先を計画したり、子供がお菓子を最大限に集めるためにルートを考えたりするのも、この問題のバリエーションを解いていることになります。
00000
経路長: 0
私たちは、ある研究を読んだ後、この芝刈り実験を作成することにしました。その研究では、人間がこの問題に対するコンピュータ計算による最適解に、少ない手数で驚くほど近づき、70手以上でも最適解よりわずか11%非効率な程度で、かなり良い結果を出すことがわかっています。その研究のグラフを以下に再現しました。手数の増加とともに、人間の能力は低下します。芝刈りでも同様の結果になるでしょうか?
少し寄り道させてください。このような問題に取り組むには、主に2つの方法があります。単純化すると、最適な経路を保証するアルゴリズムと、「十分良い」経路を高速に見つけるためのショートカットを使用するヒューリスティクスがあります。
なぜ人間はヒューリスティクスを必要とするのでしょうか?もしセールスマンが10都市を訪れるだけで、可能なすべてのルートをチェックする必要がある場合、驚くべきことに360万通りをテストする必要があります。都市が増えるにつれて、その数は指数関数的に爆発します。
15都市で1兆3千億通りの可能なルートになります。😱
20都市になると、240京通りに膨れ上がります。🤯
問題が小さい場合、アプローチはあまり重要ではなく、ほとんど何でもうまくいきます。しかし、複雑さが増すにつれて、最適解は不可能になり、ヒューリスティクスが不可欠になります。これは人間とコンピュータの両方に当てはまります。人間は、完璧が非現実的な場合に、十分良い戦略に頼るのです。
ガイド付きツアー
ディレクターズカット風に、解説を加えながら芝刈りセッションを再生してみましょう。このウォークスルーでは、Bonesと名乗ったプレイヤーの、平均的なランを1つ使用します。Bonesは54手かかりました。これは最適解より5手多いです。各移動のタイムスタンプを記録したので、ためらいや方向転換のすべてがデータとして残っています。
動き出す前に、Bonesは2.9秒間一時停止しました。ここでも平均的でした。芝生が表示されると、自然に立ち止まって芝生を調査し、おそらく計画を立てたのでしょう。
Bonesが出発しました!5マス目まで、決めることは何もありませんでした。右に進むか、下に進むか?
ここで初めて経路が分岐しました。Bonesはほとんどためらわず(0.7秒)、他の人の20%と同じように下に進むことを決定しました。これは後で詳しく説明する重要な瞬間です。
Bonesは端をたどり、一番下まで行きました。最初の顕著な一時停止(2.4秒)は、行き止まりに気づき、後戻りしなければならないとわかったときでした。
間違いに気づいた後、Bonesは向きを変え、最初のマスを再度刈ってそのセクションを完了しました。もう一方の開いているセクションに行くには、さらに2マスを後戻りする必要がありました。その後は、端を回って中央の残りのマスを埋めるという、ほぼ順調な展開でした。
最高のプレイヤーと他のプレイヤーを分けたのは、単一の重要な決定でした。芝生を左と右の2つの主要なセクションに分けることができます。Bonesは左のセクションを先に完了しました。行き止まりがあるため、唯一の道は後戻りすることであり、必然的にやり直しが発生しました。
各プレイヤーの終了地点を見ると、これが明らかになります。最適解から3手以上離れたプレイヤーは、芝生中に散らばっていました。
一方、最適解から2手以内、完璧だった17%を含むプレイヤーは、右側を先に刈ることを選択し、行き止まりの罠を予測していたため、左側でランを終えるようにしました。
そのうちの一人が、本名がSarahさんでした。彼女に連絡を取ったところ、意図的に左側で終了したと知りました。
「最後にデッドエンドがあることに気づいたので、そこを最後に終わるべき場所だと考え、最初にはそちらに行かないようにしました。」
Sarahさんは、行き止まりがあるということは、後戻りを避けるために左のセクションを最後に取っておかなければならないことを知っていました。一時停止データもそれを裏付けています。彼女の最も長い躊躇は、分岐点の1マス手前で発生し、その後右側をクリアするために進みました。
Sarahさんはまた、少し不自然に見えることもしました。単純に数回まっすぐ進むのではなく、直感的かつ先回りして蛇行パターンで曲がりました。これは、現実の芝刈りと私たちの単純化されたゲームとの重要な違いを浮き彫りにし、優れたプレイヤーが利用したアプローチでした。熱心なゲーマーであるSarahさんは、この戦略にすぐに気づいたようです。
6つの芝生
それは1つの芝生でした。私たちは5つのレベルを作成しました。それぞれ前のレベルよりも大きく、より散らかっており、最大で約200マスをカバーする14x14の芝生までありました。
チュートリアル (6 × 6)
レベル1 (6 × 6)
レベル2 (8 × 8)
レベル3 (10 × 10)
レベル4 (12 × 12)
レベル5 (14 × 14)
30,954人が2つの必須レベルをクリアし、8,912人がいくつかの追加ボーナスレベルを完了しました。緑の線は、各芝生における中央値の最適性を示しています。薄い帯は、ほとんどのプレイヤー(80%)の結果を表しています。
私たちは低下を予想していました。巡回セールスマン問題の研究は、問題が大きくなるにつれて人間のパフォーマンスが悪化することを示唆しています。しかし、芝生が26手かかろうと177手かかろうと、最適性は90%前後を維持しました。
ただし、注意点があります。芝生を大きくする際に、障害物の配置も同時に変更したため、どちらがより影響したかは断定できません。パフォーマンスは、実際には最大の芝生で、前の2つよりもわずかに良好でした。これは、レイアウトが実際のサイズよりも重要であることを示唆しています。
私たちの最良の推測は、芝生の構造そのものです。巡回セールスマン問題ではノードがランダムに配置されますが、芝生には構造があり、人々は分解(decomposition)と圧縮(compression)という2つの戦略に頼ることができます。
人々は芝生をより小さく、管理しやすいセクションに分解し、それらを段階的に解決しました。インタビューしたSarahさんはこれを完璧に説明しました。
「私はそれを少しずつこなします…後ろに残ったものはすべて完了させるようにしています。」
最大の芝生では、その理由を明確に説明しました。芝生全体を頭の中で把握することは不可能だったからです。
「これらすべてを計画することはできません…それをすべて覚えているだけでも、非常に困難すぎるでしょう。」
そこで彼女は物事をチャンク化しました。1つのセクションをクリアし、次のセクションに進みました。これは典型的な分解です。
プレイヤーがラウンド間を移動する際に、学習したことをメンタルモデルに圧縮し、より複雑な芝生でパターンを特定し、ゲームプレイを適応させることができた可能性があります。
考えたとき
長く考えたプレイヤーほど、より良く芝刈りをするだろうと私たちは考えました。以下は、すべての芝生を完了した7,235人のプレイヤーを、ペース(マスあたりの秒数、芝生のサイズ間で時間を正規化)と最適解への近さでプロットしたものです。X軸上の任意のペースパーセンタイルを選んでも、結果のばらつきは他のどのペースでもほぼ同じように見えます。
トッププレイヤーとワーストプレイヤーの端には非常に小さな傾向がありますが、もし誰かがかかった時間を伝えたとしても、その人がどれだけうまくやったかを推測することはできません。技術的には、時間だけではプレイヤーのパフォーマンスのばらつきの5%未満しか説明できません(R2値は4.9%)。
一時停止時間が長い場合(つまり、思考時間)のみを分離しましたが、同じ傾向が見られました。しかし、どこで一時停止したかは別の話です。レベル4を例に見てみましょう。
トップ10% — マスあたりの一時停止秒数
無限大
−無限大+
ワースト10% — マスあたりの一時停止秒数
無限大
−無限大+
最高のプレイヤー(90パーセンタイル)は、最初の列を下る間に早い段階で思考時間を費やし、その後、左下の2つの岩のクラスター間の合流点でさらに考えました。散らかった中央部分に進むか、右側の開けたスペースを先にクリアするかです。彼らは、後戻りを最小限に抑えるために、上部の行き止まりポケットで終了すべきだと直感的に理解していました。その結果、ホームストレッチに到達したときには、一度も一時停止する必要がありませんでした。
一方、ワーストプレイヤー(10パーセンタイル)は、最初を急いで進み、角や端に追い詰められるまでほとんど考えず、計画ではなく反応していることを示唆しています。彼らは、同じポケットが行き止まりであることに気づいたのは、すでに中に入ってからでした。そして、立ち止まり、後戻りし、どこへ行くかを見つけなければなりませんでした。
最高のプレイヤーは、他のプレイヤーと同じくらいの速さで移動していましたが、再訪したマスははるかに少なかったです。彼らは分岐点で時間を費やし、残りはスムーズに進みました。以下は、まったく同じ時間に終了した2人のプレイヤーで、結果が異なります。
Sarah (0% 最適)
Cheesepuff (0% 最適)
インタビューでもこの話を聞きました。最高のプレイヤーの一人であるSarahさんは、意図的に注意を不均等に費やしました。彼女はその理由について理論を持っていました。
「広いスペースほど、最適な経路を見つけるための認知負荷が高くなります。一方、狭いスペースでは…決定すべきことが少なくなります。」
彼女は、タイトで罠になりやすいセクションを慎重に計画し、開けたセクションは成り行きに任せました。
つまり、より多く、またはより速く考えることではなく、いつ考えるかが重要です。それが優れたヒューリスティクスが行うことです。重要な決定に注意を集中させ、そうでないものには何も費やしません。
次に芝刈りをするとき、これを考えずにいられるでしょうか!
探索
以下は小さなプレイグラウンドです。芝生を選んで刈るか、人々が一時停止した場所、後戻りした場所、終了した場所を探索してください。
移動: 1
矢印キーを使用して移動します
データと方法
データは2026年7月31日時点のライブ実験のスナップショットです。デモグラフィック情報を収集するために、2番目のレベルの後に実験が一時停止されました。後続のレベルはオプションであり、ボーナスラウンドとして提示されたため、プレイした人は少なくなりました。
巡回セールスマン研究の散布図は、データが提供されなかったため、研究の画像に基づいて近似されています。
ペースは、実際に刈ったマスではなく、必須のマスあたりの秒数です。実際の移動回数で割ると、長い経路は最適性を損ない、移動回数を膨張させるため、比較が循環的になります。
最適な効率を見つけるために、各芝生を網羅的に解決するアルゴリズムを実行しました。最適解には、一部のレベルで後戻りが含まれていました。
R2値4.8%は、すべての芝生を完了したプレイヤーの間で、ペースのパーセンタイルと最適性のパーセンタイルの線形フィットから得られたものです。
Sarahさん(実名使用の許可を得た)にビデオインタビューを行いました。その他の参加者は、ゲーム中に登録したニックネームで参照されています。
生のユーザーデータは、GitHubで探索できます。