Google ResearchはSymptomAIを臨床医と比較したが、本当の試験はこれからだ

Google Researchは13,917人を対象にSymptomAIをテストし、医療AIを洗練された症例研究の枠から、現実の症状に関する対話へと進めた。この実験的エージェントは追加質問を行い、鑑別診断を作成し、同じ会話記録をレビューした医師よりも高い臨床評価を受けた。しかし、この比較は通常の診療を再現したものではない。

この違いこそが本稿の核心である。SymptomAIは臨床医を置き換えたわけでも、患者を診察したわけでも、完全な診療記録にアクセスしたわけでも、確定診断を下したわけでもない。Geminiベースのエージェントが、一般の人々から有用な情報を収集し、本人の申告内容に基づいて推論できるかを検証したのである。

この結果は、ユーザー自身が重要な症状や詳細を把握していることを前提とする消費者向けチャットボットの標準的な設計に疑問を投げかける。同時にGoogle Researchには、より難しい問いも突きつける。高い後ろ向き評価の成績を、不適切な信頼を招くことなく、安全な前向きケアへと転換できるのか。

Google Researchは医療AIを日常的な対話へと進めた

重要な変化は、医療ベンチマークでまた高得点を記録したことではない。Googleは、自らの言葉で現在の健康上の懸念を説明する人々を対象に、聞き取りを行うエージェントをテストした。

医療AIの評価は、症例を解くために必要な情報が盛り込まれた、慎重に作成された要約である臨床症例文から始まることが多い。こうしたテストは、異例なほど有利な条件下での推論を測定する。患者がそれほど構造的かつ正確に話すことはめったにない。

人は詳細を省き、医学用語を誤解し、症状を行き来し、時期を不正確に説明する。どの薬剤、家族歴、あるいは随伴症状が考えられる原因を変えるのかを認識していない場合もある。

Googleは、こうした情報上の問題を中心にSymptomAIを設計した。公式の研究概要によると、参加者が症状を説明する間にエージェントが追加質問を行った。各対話は、もっともらしい説明を順位付けしたリストである鑑別診断と、次のステップに関する推奨で終わった。

この研究は、Fitbitモバイルアプリ内のFitbit Labs研究環境を通じて実施された。技術論文によると、導入期間は2025年6月から2026年4月までだった。

参加者は、エージェントの5つのバージョンに無作為に割り当てられた。いずれもGemini 2.0 Flashを使用したが、聞き取りに関する指示は異なっていた。

1つの基本条件では、対話の主導権はおおむねユーザーに委ねられた。2つの構造化バージョンでは、医学教育で教えられる標準的な病歴聴取の質問を使った。2つの動的バージョンでは、独自に追加質問を選び、そのうち1つは面談中に暫定的な評価を提示した。

この設計により、研究者はモデルの知識以上のものを検証できた。AIエージェントが積極的に聞き取りを管理した場合に、より良い成果を上げるかを調べたのである。

結果には一貫性があった。より多くの情報を明示的に求めるエージェント主導の戦略は、ユーザー主導の基本条件と比べ、平均精度を27.57%改善した。戦略間の差は統計的に有意だった。

動的エージェントは72.07%の総合精度を達成した。より構造化された、臨床医の手法に着想を得たアプローチは77.51%に達した。論文によると、この2群の差は統計的に有意ではなかった。

この知見が重要なのは、モデルの能力と製品の振る舞いを分けているからだ。一般的なチャットボットは関連する医学知識を持っていても、それを活用するために必要な事実を集められない可能性がある。

SymptomAIは、対話を情報収集のプロセスとして扱う。考えられる原因を提示する前に、発症時期、重症度、部位、関連症状、服薬状況、その他の詳細について尋ねる。

これは単純に聞こえるが、対話の負担を誰が負うかを変える。基本的なチャットボットは、ユーザーが有用な臨床的文脈を提供することを期待する。エージェントは、ユーザーがどの文脈が重要かを知らないことを前提にする。

したがって、GoogleのSymptomAI研究は、診断モデルだけでなく製品アーキテクチャをテストしている。中心的な仕組みは、ガイド付きの病歴聴取だ。

参加者はまた、試験形式のデータセットよりも、日常的な健康上の懸念の自然な分布を反映していた。システムは13,917件の複数ターンによる症状対話を収集し、ウェアラブルデータと組み合わせた一般の人々による記述の貴重なコーパスを作成した。

ただし、この導入は同意を得た研究にとどまった。出力は分析用であり、確定診断や正式な医学的評価を構成するものではなかった。この知見は、SymptomAIが消費者向け診断製品として利用可能であることを意味しない。

Google Researchは評価における1つの境界を越えた。しかし、臨床導入の境界はまだ越えていない。

エージェントは会話記録ベースの臨床ベースラインを上回った

SymptomAIはこの研究でより優れた鑑別診断を作成したが、「臨床医より優れている」という表現は、限定的な後ろ向き比較を指す。

13,917人の参加者のうち、1,228人が後に医療提供者から受けた診断を報告した。研究者は250時間を超えるアノテーションを含む詳細な臨床評価のため、517件を選定した。

評価プロセスには、認定専門医3人が参加した。論文によると、彼らはプライマリケア、救急診療、学術医学の分野で、研修修了後の経験を合計35年以上有していた。

各症例について、独立した臨床医が既存のSymptomAI対話記録をレビューし、それぞれ独自の鑑別診断を作成した。その後、別の臨床医が、誰が作成したかを知らないまま、AI生成リストと臨床医生成リストを順位付けした。

臨床評価者は、症例の53.3%でSymptomAIを最良の鑑別診断として選んだ。2つの臨床医作成リストが合計で1位となる頻度は、それより低かった。

この結果は、偶然に予想される3分の1の順位を上回った。研究者は、この選好比較についてオッズ比2.34、p値0.001未満を報告した。

研究者はトップ5精度も測定した。この指標は、参加者が後に報告した診断が、鑑別リストにある5つの可能性の中に含まれているかを問う。

SymptomAIはここでも、会話記録ベースの臨床医比較を上回った。論文は、中央値のオッズ比2.56、p値0.001未満を報告した。

これらの数値は意味のある主張を裏付ける。同じ静的な対話記録が与えられた場合、このエージェントは、臨床評価者がより有用かつ正確と見なすリストをより頻繁に生成した。

しかし、SymptomAIが実際の診療中に実践医を上回ったという、より広い主張を裏付けるものではない。ベースラインの臨床医は、参加者への聞き取り、診察、検査の指示、完全な診療記録の確認を行えなかった。

この制約は重要だ。なぜなら、臨床医は浮上してくる可能性に応じて対話を導くからである。感染症を疑う医師は、薬剤の副作用を考慮する医師とは異なる質問をする可能性がある。

Googleのエージェントは、その後に全員がレビューした会話記録を作成した。その結果、SymptomAIは臨床医が作業を始める前に、どの事実が比較対象に入るかへ影響を及ぼしていた。

これはシステムの強みであると同時に、非対称性の原因でもある。エージェントは情報を引き出す能力を示した。臨床医が評価されたのは、その聞き出しが終わった後だけだった。

研究者もこの限界を認めている。また、鑑別診断は本質的に暫定的なものであるとも指摘する。人の状態は最初の症状報告後に変化し、適切な評価も変わり得る。

医療提供者による診断の報告にも、別の制約がある。参加者はフォローアップ調査を通じてそれらの診断を自ら入力しており、すべての参加者が専門的な医療を受けたわけではない。

したがって、この研究はいくつかの参照基準を組み合わせている。医療提供者による自己申告の診断、ブラインド化された臨床評価、そして臨床医がレビューしたサブセットを超えた分析のための自動評価者を用いている。

いずれも、全人口にわたる検査室で確認されたグラウンドトゥルースを表すものではない。これは比較を無効にするものではないが、読者がそこから推論すべき範囲を狭める。

これらの結果を通じて説明できるSymptomAIの有用な読み方は、「AIが医師に勝つ」ほど劇的なものではない。このシステムは、自らが聞き取りを支援した対話から鑑別リストを作成するという、1つの制約されたタスクで高い成果を示した。

このタスクにはなお価値がある。優れた鑑別リストは、不確実性を整理し、もっともらしい原因を特定し、次に取るべき適切なステップに情報を与えられる。最終診断や治療を決定することとは同じではない。

Google Researchは、質問への即答より聞き取りの重要性を見いだした

この研究の最も強い教訓はアーキテクチャにある。システムがすぐに答えるのではなく、不足している証拠を求めるとき、医療推論は改善する。

消費者向けAI製品は通常、自由入力のテキストボックスから始まる。ユーザーが質問し、モデルは提供された情報に応答する。

一般のユーザーは臨床医のような頭の中のチェックリストを持っていないため、そのインターフェースは症状評価にうまく機能しない。例えば「めまいがする」と書いても、発症時期、継続時間、誘因、服薬状況、水分補給、神経学的症状までは説明しないことがある。

SymptomAIエージェントは、この対話を逆転させた。最初のメッセージを完全な症例として扱うのではなく、聞き取りの始まりとして利用した。

構造化バージョンは、標準的な医学的質問に従った。動的バージョンは、対話に応じて質問を選んだ。いずれのアプローチも、最小限のガイダンスしかない基本モデルを上回った。

この結果は、一般的なAIアシスタントを医療領域の近くに配置するすべての企業に問いを投げかける。基盤モデルを改善するだけでは、不完全な患者入力の問題は解決しない。

OpenAI、Anthropic、Microsoftなどの開発者は、インターフェースを変えないまま医療推論ベンチマークを改善できる。Googleの研究は、対話の主導権が独立した性能変数であることを示唆している。

これは、対話型診断AIに関する先行研究に似ている。2025年の臨床対話研究では、AIシステムがシミュレーションされた会話を通じて詳細な医療情報を収集できることが示された。SymptomAIは、この方向性を大幅に大規模な自然主義的研究へと拡張している。

論文はまた、この移行が重要である理由を示す証拠も引用している。先行研究では、必要な情報が提供された場合の診断精度は94.5%だったのに対し、一般の人々が関連する詳細を伝えなければならない場合には34.5%まで低下した。

この差は、ベンチマークでの成功がインターフェースで失われ得ることを示している。モデルは完全な事実に基づけば正しく推論できても、事実が明示されなければ失敗する可能性がある。

Google SymptomAIは、能動的な聞き出しを通じてこの失敗に対処する。エージェントは、鑑別リストを作成するのに十分な文脈が得られるまで、対象を絞った質問を行う。

この仕組みに無制限の自律性は必要ない。質問の選び方は異なっていたものの、この研究内では構造化戦略と動的戦略は同程度の成果を示した。

この知見は、製品チームに2つの道筋を提示する。システムは管理された臨床テンプレートに従うこともできるし、定められた範囲内でモデルが質問を適応させることもできる。

構造化された質問は、より明確な監督と容易なテストを提供する。動的な質問は、無関係な問いかけを減らし、一般的でない症状の組み合わせにも適応できる。

統計的に有意な精度差がないことは、両方のアプローチが同等に安全であることを確立するものではない。安全性には、最終診断がトップ5に入るかどうか以上の要素が含まれる。

システムは、緊急事態も認識し、有害な安心感を与えることを避け、不確実性を伝え、機微な情報を保護し、適切な受診を推奨しなければならない。こうした振る舞いには、別途評価が必要となる。

ここで、Google Researchの結果は単なるベンチマークの発表以上に厳しい要件を突きつける。開発者は、会話ポリシー全体を検証しなければならないことを意味している。

追加の質問は一つひとつ、ユーザーが何を開示するかに影響を及ぼし得る。暫定的な説明は、その後の回答を形づくり得る。あらゆる推奨は、誰かが受診するかどうかに影響を与え得る。

中間診断を表示した動的バージョンは、特に重要な設計上の問いを生む。初期の可能性は、ユーザーが関連情報を追加する助けになるかもしれないが、誤った説明を軸に会話を固定してしまう可能性もある。

アンカリングとは、新たな証拠が得られても最初の仮説が過度に重視されることを指す。臨床医もこれを完全には防げず、会話型システムも同じ誤りを大規模に再現しかねない。

安全な実装には、最終的な正確性だけでなく、会話の軌跡も検証する必要がある。研究者は、異なる集団が同じように有用な質問を受けているか、また表現の違いが情報開示を変えるかを調べなければならない。

したがって、エージェントの利点はそのままリスク領域でもある。SymptomAIはやり取りを主導することで有用性を高めるが、その主導性により、健康上の意思決定に対する影響力も増す。

Fitbitデータは規模を加えたが、臨床的な裏付けではない

ウェアラブルとの相関は集団分析における研究上の根拠を強めるが、各SymptomAI診断を独立して検証するものではない。

Fitbitの導入により、研究者は第2の情報ストリームを利用できた。同意した参加者は、症状に関する会話の前に、直近最大30日分のウェアラブル測定値を提供した。

コホート全体で、この研究は50万日を超えるウェアラブル指標を分析した。研究者は、SymptomAIが最上位に挙げた候補診断を用いて、約400の異なる疾患にわたる会話を分類した。

次に、AI由来のこれらのラベルが、安静時心拍数、呼吸、皮膚温、睡眠、心血管指標といった測定値の変化に対応するかを調べた。

急性呼吸器感染症では、最も明確なパターンが見られた。論文は、症状発現時期の前後に生理学的な変化があり、探索的な関連分析ではインフルエンザのオッズ比が7を超えたと報告している。

この一致は、報告された症状を別のシグナル源と結びつける点で興味深い。参加者が急性感染症について話した場合、Fitbitデータには、身体が病気に反応していることと整合する変化がしばしば示された。

ただし、この分析によってウェアラブルのシグナルが診断上のグラウンドトゥルースになるわけではない。研究者はまず、疾患群を定義するためにSymptomAIの最有力候補を使用した。

したがって、AIラベルとウェアラブルとの相関は完全に独立しているわけではない。生理学的変化は疾患の存在を裏付けることはできても、モデルが選んだ正確な疾患を証明するものではない。

心拍数の上昇、睡眠の悪化、体温変化、呼吸の変化は、複数の感染症で見られ得る。また、ストレス、運動、薬剤、環境、その他の健康上の出来事を反映する場合もある。

研究者は、これらの関連を観察的証拠として提示している。その表現は適切だ。この結果は、さらなる調査を支持するものであり、自動的な確定を支持するものではない。

それでも、この規模は価値ある研究の道を開く。数十万日分のウェアラブルデータについて、臨床医のレビューを受けたラベルを取得するには、費用も時間もかかる。

AIエージェントは大規模データセットの参照ラベルを生成できるため、研究者は統制研究で検証する価値のあるパターンを特定できる。このユースケースは、個人に医療助言を提供することとは異なる。

この区別は、集団研究では不確実性の許容のされ方が異なるため、注意に値する。ノイズを含むラベルでも、数千人の参加者にまたがれば統計的シグナルを明らかにできる可能性がある。

同じ不確実性も、一人の人に適用されると重大な意味を持つ。偽陰性は緊急の受診を遅らせるおそれがあり、偽陽性は不安や不要な治療を招く可能性がある。

Google Researchは、ウェアラブルの変化を利用して症状に関する会話を促す将来のシステムの可能性について論じている。このようなループは、エージェントをユーザーへの応答から、健康に関するやり取りを開始する側へと移行させる。

その段階には慎重な証拠が必要となる。ウェアラブルのアラートは、誰かが感染症の兆候に気づく助けになるかもしれないが、誤報が繰り返されれば疲労感や健康不安を生む可能性がある。

プライバシーも中心的な問題になる。症状に関する会話と継続的な生体シグナルを組み合わせると、極めて詳細な健康記録が形成される。

この研究では、インフォームドコンセントと定義済みの研究プロトコルが用いられた。商用製品には、データ収集、保持、二次研究、モデル改善に関する分かりやすい管理手段が必要となる。

ユーザーには、自身の情報が医療サービス内にとどまるのか、広告プロファイルに利用されるのか、あるいはアカウント・エコシステム全体で利用可能になるのかについても、明確な説明が必要だ。技術的な能力だけでは、こうしたガバナンスの問題に答えられない。

ここで、慎重な情報の取り込みの原則が、生産性ソフトウェアの枠を超えて重要になる。機微な文脈を扱うシステムには、何を収集し、なぜ収集するのかについて明確な境界が必要だ。

Fitbit分析は、研究手段としてのSymptomAIを強化する。独立した臨床検証、透明性のある同意、自動介入の制限が不要になるわけではない。

臨床安全性のギャップは依然として最大の障壁

SymptomAIの最も強い証拠は後ろ向きの鑑別診断リストに関するものであり、導入時の安全性は研究で測定されていない前向きのアウトカムに左右される。

Googleは、このシステムを明示的に研究段階のものとして説明している。参加者には、その診断と疾患の関連付けは研究上の出力であり、確定した医学的評価ではないと伝えられた。

この境界は重要である。会話の流暢さは権威性を生み出し得るからだ。落ち着いた具体的な回答は、証拠が保証する以上に信頼できるように感じられる可能性がある。

世界保健機関（WHO）は、健康関連の言語モデルがもっともらしいが誤った応答を生成し得ると警告している。同機関のAI health guidanceは、日常的な利用に先立ち、専門家による監督、透明性、厳格な評価、プライバシー保護、そして有益性の証拠を求めている。

SymptomAIは、大規模な実世界研究を通じて、この証拠要件の一部に対応している。しかし、公的な提供に必要なすべての安全性の問いに答えているわけではない。

第一に、この研究の中心は鑑別診断の正確性であり、患者のアウトカムではない。人々がより良い判断を下したか、適切な受診により早く至ったか、不要なサービス利用を避けられたかは立証していない。

第二に、臨床比較では静的な記録が用いられた。医師は独自の質問をしたり、患者の外見を観察したり、身体診察を行ったり、患者との既存の関係を考慮したりすることはできなかった。

第三に、参照診断は自己申告だった。診断は、追加検査、フォローアップ受診、病状の進行によって変わることがある。

第四に、Fitbitのサンプルは一般の人々と異なる可能性がある。研究者は米国の一般人口パネルから得た1,509件の会話を対象に補助分析を追加し、より広い一般化を支持する結果を示した。

それでも、世界規模での導入には、言語、医療制度、年齢層、障害に関する文脈、リテラシー水準、文化的に異なる病気の表現にまたがる検証が必要となる。

第五に、トップ5の正確性には重要な誤りが残る。危険な疾患が5番目に現れても、インターフェースが最初の選択肢についてユーザーを安心させてしまえば、役に立たない可能性がある。

そのため、トリアージの質は別途測定するに値する。症状支援ツールは、不確実性そのものが緊急評価を要する場合を確実に認識しなければならない。

緊急疾患はまれであり、広範な平均値による評価を難しくしている。開発者には、胸痛、脳卒中の症状、重度のアレルギー反応、妊娠合併症、小児の疾患、メンタルヘルス危機を対象とした重点的なストレステストが必要だ。

システムは、症状を過小評価するユーザーや矛盾した詳細を提供するユーザーにも対応しなければならない。すべての会話を緊急警告に変えることなく、不確実性を検出すべきである。

規制は、意図された用途と製品の振る舞いに左右される。一般的な教育情報を提供するソフトウェアには、診断や治療を誘導するソフトウェアとは異なる枠組みが適用される。

米国食品医薬品局（FDA）のdecision-support guidanceは、医療専門家が推奨の根拠を独立して確認できるかどうかを重視している。消費者向けの症状エージェントは、ユーザーがそのような臨床的専門性を欠く可能性があるため、別の課題を生む。

透明性とは、モデルが生成した推論の連鎖を公開し、患者に検証を期待することではない。有用な透明性は、限界、証拠の入力、不確実性、推奨される受診レベルを説明すべきである。

AIの導入がガバナンスを上回る中、責任の所在は依然として定まっていない。2026年7月のWHO/Europe評価では、調査対象国のほぼ3分の2がAI支援診断を利用していた一方、障害に関する責任基準を整備していた国はわずか8%だった。

このギャップは、将来のSymptomAI製品にとって重要である。ユーザーが誤った助言に従った場合、その責任がモデル開発者、製品運営者、臨床医、患者の間で消えてしまうことは許されない。

最も信頼できる道筋は、補完的な活用である。エージェントは症状の履歴を準備し、質問を整理し、ユーザーが臨床医とコミュニケーションを取るのを支援できる。

この役割にも保護措置は必要だが、AIとのやり取りの後に専門家の判断が置かれる。また、収集された問診内容は最終回答ではなく、引き継ぎ情報となる。

消費者向けの約束はより大きい。予約の障壁なしに、即時かつ個別化された症状評価を提供することだ。その約束に必要な証拠もまた、より大きい。

Google Researchは、エージェントが有用な情報を収集し、競争力のある鑑別診断を生成できることを示した。しかし、監督なしの依存が健康を改善することは示していない。

Google SymptomAIの次の展開

SymptomAIが印象的な研究にとどまるのか、信頼できる臨床システムとなるのかを決めるシグナルは3つある。前向きアウトカム、独立した再現、そして明確な導入経路だ。

第1のシグナルは、意思決定とアウトカムに焦点を当てた前向き臨床試験である。研究者は、SymptomAIがトリアージ、受診行動、診断までの適時性、患者の理解を改善するかを測定すべきだ。

この試験では、有害な安心感、不要なエスカレーション、緊急疾患の見逃しも追跡すべきである。また、エージェントを通常のデジタル検索、一般的なチャットボット、従来の症状チェッカー、臨床医支援付きのワークフローと比較する必要がある。

肯定的な結果が得られれば、問診の仕組みが後ろ向きレビューの外でも役立つという主張が強まる。弱い結果や混在した結果は、鑑別診断リストの正確性が、より安全な行動へ直接結びつかないことを示すだろう。

第2のシグナルは、集団や機関をまたぐ独立した再現である。外部の研究者は、Googleのインフラや評価者に依存せず結果を検証できるよう、十分なプロトコルの詳細にアクセスする必要がある。

再現研究では、年齢、性別、人種、言語、障害、地理、医学的複雑性ごとの性能を検討すべきである。また、Fitbitデバイスを持たない人や、デジタルリテラシーが高くない人もテストする必要がある。

一貫した結果は、参加者の選定、製品への慣れ、研究固有のプロンプトに結果が依存しているという懸念を和らげる。大きな人口統計学的格差は、広範なアクセスを支持する根拠を弱める。

第3のシグナルは、具体的な製品および規制計画である。Googleは、SymptomAIを一般提供される診断サービスとして発表していない。

将来のリリースには、想定用途、エスカレーション方針、プライバシーモデル、監視プロセス、説明責任の体制を明確に定める必要がある。また、研究上のラベリングと個別の医療助言を明確に分けなければならない。

製品設計は、Googleが自らのエビデンスをどう解釈しているかを示すことになる。臨床医向けの問診支援アシスタントは、自律的に診断を行う消費者向けシステムよりも、役割が限定されており、正当化しやすい。

Fitbitとの統合は、さらに別の疑問を提起する。ユーザーは、ウェアラブル端末のシグナルが推奨内容に影響するのか、誤アラートをどう扱うのか、健康データが将来のモデル学習に使われるのかを知るべきだ。

次のバージョンでは、不確実性についても適切に説明する必要がある。鑑別診断は可能性の集合であり、確定的な判断ではない。

文脈なしに5つの疾患を表示すれば、混乱を招きかねない。過度の確信をもって順位付けすれば、アンカリングを助長する可能性がある。不確実性を隠せば、研究システムが臨床的に確立済みであるかのように見えてしまう。

より安全なインターフェースは、可能性を行動へと結び付けるものだろう。各選択肢を支持する情報を説明し、警告サインを示し、専門家による評価が必要になるタイミングを明記できる。

開発者にとって、Google Researchの研究は応用可能な教訓を示している。エージェントは、行動する前に不足している文脈を尋ねることで改善することが多い。この原則は、技術サポート、法務の初期相談、財務分析、研究ワークフローにも当てはまる。

医療分野では、その結果が特に明確に現れる。文脈が増えれば推論は改善し得るが、文脈の収集はプライバシーへの露出とユーザーの依存も増大させる。

患者にとって、適切な対応は引き続き慎重であることだ。SymptomAIは研究プロトタイプであり、その結果は専門的な医療を代替してよい根拠にはならない。

医療機関にとって、この研究は国家規模で実際の会話を検証しているため、真剣に注目する価値がある。問うべきなのは、AIが医師に「勝った」かどうかではない。

より適切な問いは、臨床上の説明責任を取り除かずに、構造化された問診がどこで情報損失を減らせるか、ということだ。Google Researchは、その仕組みが制約された条件下で機能するというエビデンスを提供した。

いまや焦点は、診断の順位付けから臨床的な結果へと移る。前向きな安全性データ、独立した再現検証、そして医療判断における責任を人に残す導入モデルに注目すべきだ。

こうしたシグナルは、SymptomAIが医療への有用な橋渡しとなるのか、それともエビデンス以上に確信だけが先行する、流暢な別のシステムにとどまるのかを示すだろう。