1 認識論的不確実性の概念整理
1.1 定義と基本的特徴
認識論的不確実性とは、ある命題や事実について「どの程度確かなのか」を判断する際に生じる、不確かなことの性質や、その判断を支える根拠の弱さを指す。ここで不確実性は、対象世界の出来事そのものの不確かさというより、認識主体が利用できる情報、推論手続き、前提の明確さ、証拠へのアクセス可能性といった認識の側面に根ざしている。
基本的特徴として、(1) 根拠の不足や脆弱さにより確証が成立しにくい、(2) 誤りの入り込みやすさが完全には排除できない、(3) 判断の更新可能性がある、という三点が挙げられる。すなわち、現在の信念や推論が将来の追加情報によって修正されうるという見通しが含まれる場合が多い。また、不確実性は単一の量として与えられるだけでなく、証拠の欠如、推論規則の適用範囲、測定・推定の限界など、複数の要因の合成として現れうる。
1.2 関連概念との区別
認識論的不確実性を理解するうえでは、同じ「不確かさ」でも位置づけが異なる概念を区別することが重要である。とりわけ、対象の性質に由来するものと、認識の枠組みや根拠に由来するものとでは、扱い方が変わる。
1.2.1 結果的な不確実性との違い
結果的な不確実性は、最終的に起こる帰結がどのようになるかが読めないという形で現れる。たとえば意思決定の結果がどの程度良いか、損失がどれほどになるか、といった場面で問題となることが多い。これに対して認識論的不確実性は、帰結そのものの見通しというより、「帰結に関する判断を支える理由づけがどれだけ強いか」に焦点がある。結果の不確かさが大きくても、理由が整っている場合には認識論的な弱さが相対的に小さくなり得る。その逆もまたありうる。
両者の関係は、意思決定の場面で特に目立つ。意思決定では結果的な不確実性が要求するリスク評価が必要になるが、その評価は、どの推定が妥当かという認識論的評価に依存する。つまり、帰結のばらつきと、判断根拠の強度は別軸でありうる。
1.2.2 可能性論・確率論との関係
可能性論と確率論は、情報に含まれる不確実性を数理的に表現する枠組みとしてしばしば用いられる。ただし、どちらも「不確実性そのもの」の性質を一義的に確定するというより、認識者の信念や情報の構造を整理する手法とみなす方が適切である。
確率論は、確率を用いて命題の成否や頻度に関する期待を表すことにより、推論と更新を比較的体系立てて扱える。これに対し可能性論は、どの程度の状況が「起こりうる」と考えられるかを、必ずしも確率の加法性に縛られずに表す。結果として、証拠が偏在している、測度の設定が難しい、あるいは情報の種類が確率的解釈に適さないといった場面で使い分けが検討されることがある。
認識論的不確実性との関係では、どちらの理論も「根拠の弱さ」を表すための翻訳装置として位置づけられる。数値化によって誤解が生まれることもあるため、数理モデルの前提と、実際の証拠の質を突き合わせる姿勢が必要になる。
1.3 不確実性の性質（根拠・構造・範囲）
不確実性は、同じ「分からなさ」でも中身が異なる。根拠、構造、範囲の三側面で見ると整理しやすい。
根拠の側面では、証拠の量が不足しているのか、証拠の信頼性が低いのか、因果的つながりが曖昧なのか、といった差が問題になる。たとえば観測回数が少ないことは量の不足であり、測定過程に歪みがあることは信頼性の低下に当たる。構造の側面では、問題の因果関係や依存関係が特定されていないために不確実性が残る場合がある。範囲の側面では、不確実性がどの程度の領域にまたがるのか、つまり可能な値や結論の幅がどれだけ広いかが重要になる。
また、不確実性は時間的にも性質が変化する。追加のデータで狭まる不確実性もあれば、モデル仮定が根本的に変わらない限り解消しにくい不確実性もある。認識論的不確実性を語るときには、どの側面の不確実性が主因なのかを切り分けることが、議論の混線を防ぐ。
2 不確実性の発生源
2.1 情報不足・測定の限界
情報不足は、最も直接的な発生源として扱われる。対象を記述するために必要な変数や状態が、観測可能な形で十分に得られていない場合、不確実性は残る。加えて測定の限界があると、観測値に含まれる誤差が避けられない。誤差にはランダムな変動だけでなく、手段に内在する分解能の制約、サンプリングの粗さ、計測手順の不安定さなども含まれる。
測定に基づく推定では、誤差の伝播が起きる。つまり、ある測定誤差が、後続の計算や推論にどの程度影響するかが不確実性として表出する。さらに、観測が現象の全体を代表していない場合、データ不足は「量が少ない」というだけでなく「質的に偏っている」と結びつき、より深い不確実性を生む。
2.2 証拠の質と偏り
証拠の質は、量以上に判断を左右する。不確実性の低減を目指す議論では、信頼できる根拠がどれほど揃っているかを確認する必要がある。偏りはしばしば見えにくく、解釈の段階で顕在化する。
2.2.1 データ不足
データ不足は、統計的に有意な結論が得られない、推定のばらつきが大きくなる、といった形で現れる。少数サンプルでは極端な値に引きずられやすく、一般化の確度が低下する。また、対象の多様な状態を十分にカバーしていないと、得られた観測が特定の状況に偏ってしまう。
この種の不足は、単に件数の問題に留まらない。収集時期、条件、測定方法の違いによって、対象の状態空間の一部しか見ていないことがある。結果として、推論は見えていない領域に対して不必要に強い外挿を行ってしまい、不確実性の評価が甘くなる危険がある。
2.2.2 系統誤差とバイアス
系統誤差とバイアスは、偶然的なばらつきでは説明しにくい歪みとして現れる。たとえば装置の校正不良、手順の変更、観測者の選好、サンプル抽出の不均一などが挙げられる。こうした誤差は推定値を一方向に押し、正しい平均や真値からのズレを生むため、不確実性の実体が「ばらつき」ではなく「誤りの方向性」を含む点に特徴がある。
不確実性との関係では、系統誤差があると推定の信頼区間や誤差見積もりが過度に楽観的になり得る。統計モデルが誤差構造を正しく表していない場合も同様であり、これが認識論的不確実性の残存理由となる。したがって、単に推定の計算結果を見るだけでなく、データ生成過程の検証が不可欠になる。
2.3 推論・モデル化の限界
証拠があっても、推論やモデル化の段階で不確実性が増幅することがある。ここでは、前提の不明確さやモデルの不適合が重要な要因になる。
2.3.1 前提の曖昧さ
推論には前提が必要である。前提が曖昧だと、同じデータでも解釈が分岐し、結論の安定性が損なわれる。前提には、観測が従う分布形、関係性が線形であるか、因果の向きがどこにあるか、外れ値の扱いなどが含まれる。
前提の曖昧さは、形式的に隠れたまま問題になる場合がある。たとえばデータの前処理が暗黙に行われていると、どの条件で推定が成立するかが不明確になる。認識論的不確実性の観点では、「どの仮定のもとで結論が正当化されるのか」を明確化できないこと自体が不確実性の源になる。
2.3.2 モデル誤適合
モデル誤適合とは、用いたモデルが対象の実態を十分に捉えていない状態を指す。誤適合は、予測誤差や残差のパターンとして現れることが多い。たとえば独立性の仮定が破れている、分布が想定と異なる、関係が非線形であるなどが典型である。
誤適合があると、推定の意味が変わってくる。見積もりは「モデルの仮定のもとでの最適化」になり、現実の真の構造に対する近さが保証されない。結果として、認識論的不確実性は、統計量の計算誤差だけでなく、外部妥当性の不足として残る。良いモデル当てはめが行えないと、証拠から得られる合理的結論の範囲が狭まらず、判断が保留されやすくなる。
3 理論的アプローチ
3.1 信念度（確率）による表現
信念度を確率で表すアプローチは、認識論的不確実性を「命題に対する度合い」として扱う。確率は単なる曖昧な表現ではなく、推論の規則に従って更新されることで、根拠の追加に対する信念の変化を体系化できる。
ここで重要なのは、確率が何を表しているかである。観測頻度としての確率なのか、主体の信念の強度なのか、あるいはその両方にまたがるのかは理論的立場によって異なる。いずれにせよ確率的表現は、不確実性を比較可能な形にすることで、意思決定や検証の議論を進めやすくする。
一方で、確率を割り当てるための情報が乏しい場合、初期値の設定には恣意性が混入する余地がある。そのため、確率の導入は「不確実性を消す」のではなく、「見通しを整理する」手続きとして位置づける必要がある。
3.2 根拠主義と反証可能性の観点
根拠主義は、信念が何らかの基礎的根拠によって正当化されるべきだと考える枠組みである。認識論的不確実性では、根拠の確実性が完全には得られないため、正当化は段階的になる。どの程度の支持があれば合理的とみなせるかが焦点となる。
反証可能性の観点では、主張は観察や推論によって否定されうる形で提示されているかが重視される。支持が弱い場合でも、反証に向けた設計が整っていれば、学習の余地が明確になる。つまり不確実性は、単に残る欠陥としてだけでなく、検証可能性により縮小しうる対象として捉え直せる。
この二つは相互補完的に論じられることがある。根拠の強度は正当化の材料として働き、反証可能性はその材料が将来の修正に開かれているかを示す。結果として、認識論的不確実性は「どれだけ確からしいか」だけでなく、「どれだけ改善しうるか」という観点を帯びる。
3.3 信頼度・整合性・一貫性
信頼度は、ある情報や推論結果がどれほど頼りになるかを表す概念であり、確率以外の尺度でも議論される。たとえば、データの再現性、手続きの透明性、独立した検証の有無などが信頼度に関わる。認識論的不確実性の性質は、単に不確定な状態に留まらず、根拠同士の関係の質によって左右される。
整合性と一貫性は、根拠の間のつじつまの良さを扱う。整合性は、異なる証拠が同じ方向の解釈を支持しているかに注目することが多い。対照的に一貫性は、推論過程全体が矛盾を含まないか、あるいは前提の組み合わせが衝突していないかを問う。
これらの評価は、確率計算が難しい領域にも適用しやすい。とはいえ、評価尺度の定義が曖昧だと判断が恣意的になる危険がある。したがって、何をもって信頼度とみなすのか、どの要素を整合性の対象にするのかを明示することが重要になる。
3.4 懐疑論・反懐疑論との接点
懐疑論は、知識や確実な判断が可能か、あるいはどの程度まで到達できるのかを厳しく問う立場として現れることが多い。認識論的不確実性との接点では、「誤りの可能性をゼロにできない」ことが、知識の条件を満たしにくくするという議論につながりやすい。
反懐疑論は、全面的な懐疑を退ける方向で、合理性や実用的な正当化の考え方を重視する。ここでは、不確実性が残っていても、状況に応じた十分な根拠があれば「知っている」と言える場合がある、という発想が取り上げられることがある。
両者の対立は抽象的に見えるが、認識論的不確実性の議論では具体化できる。すなわち、どの程度の根拠が「十分」とされるのか、どんな更新が可能で、どんな状況で判断が撤回されるのか、という基準が問題になる。こうした基準の設定が、懐疑と反懐疑の橋渡しになる場合がある。
4 実践への含意
4.1 意思決定とリスクの扱い
実践では、認識論的不確実性は意思決定に直結する。決定者は、複数の選択肢のうち何を選ぶかを決める必要があり、その際に不確実性は「情報不足のまま選ぶ」ことのリスクとして現れる。認識論的不確実性が大きいほど、見積もりの誤差やモデルの不適合が意思決定を誤らせる可能性が高くなる。
リスクの扱いでは、単に不確実性の大きさだけでなく、誤った判断の損害の大きさ、そして誤りが起きやすい条件が考慮される。さらに、追加情報を得るコストや時間も意思決定に組み込まれる。結果として、不確実性の評価は、探索・推定・行動の最適化問題として位置づけられることが多い。
認識論的不確実性を適切に扱うためには、前提やモデルの妥当性を事前に点検し、判断の頑健性を確認する姿勢が重要になる。頑健性が高ければ、不確実性が残っていても行動の失敗確率を下げられる。
4.2 科学的推論と説明責任
科学的推論では、認識論的不確実性がどのように推定され、どのように報告されるかが説明責任に関わる。報告の場面では、測定誤差や推定の仮定、分析手順の変更点などが明示されるほど、追試や批判の余地が増え、信頼性が検証しやすくなる。
また、統計的な不確実性の提示だけでは不十分なことがある。モデルに内在する仮定や、データ生成の条件が成立しているかどうかも評価の対象となる。ここで認識論的不確実性は、数値の誤差としてだけでなく、根拠の成立範囲として表現される必要がある。
説明責任の観点では、結論の強さに応じた表現が求められる。強い主張を行うなら、それを支える根拠の質と反証可能な形での提示が重要になる。逆に根拠が弱い場合には、推測の位置づけや今後の検証方針を併記することで、読者の判断材料を増やせる。
4.3 学習・更新（新情報でどう変わるか）
認識論的不確実性は、更新可能性と結びつく。新しい証拠が得られたとき、信念や推論はどの程度変わるべきかが問題になる。更新の設計には、証拠の信頼度、情報の独立性、過去の前提との整合性などが関与する。
確率的枠組みでは、条件付きで信念が再配分されるという考え方が用いられることがある。非確率的枠組みでも、整合性が高まる情報は重視され、矛盾を生む情報は判断を弱める方向に働く。要点は、「新情報を単に足す」だけでなく、その情報がどの部分の不確実性を縮めるのかを特定することにある。
また、更新が必ずしも一方向に進むとは限らない。新証拠が前提を変更する必要を示す場合、以前の推論の再解釈が起き、見かけ上の変化が大きくなることがある。学習の評価では、単なる結論の変化よりも、不確実性の構造がどう修正されたかが重要になる。
4.4 判断の許容範囲（合理性の基準）
合理性の基準は、どの程度の根拠があれば判断として受け入れ可能かを定める。ここでは「確実性がゼロの不確実性」を要求しないことが多い。現実の情報制約のもとで、過剰な要求は行動の停止を招きうるためである。
許容範囲を決める際には、達成したい目的と、誤りがもたらす影響の大きさの組合せが考慮される。例えば、重大な損害につながる判断ではより強い根拠が求められる一方、影響が限定的な場面では追加検証のコストを抑えた判断が許容されやすい。
さらに、許容性は手続きの品質にも依存する。根拠の選び方、前提の明示、反証可能性を含む検証設計などが整っていれば、不確実性が残っていても合理的と評価される余地がある。したがって基準は、結果の確率だけでなく、判断のプロセスに対する評価を含む形で設定されることが多い。