感度とは？

見落とした人を拾い返す”網の目の目”のこと

実はいま、あなたの頭の中で起きているのは、AIの判定を「正解の数」ではなく「取りこぼし」で見た瞬間です。

たとえば、医療チェックのように「陽性＝問題あり」と決める判定で、本当に問題がある人のうち、正しく「陽性」と拾える割合を感度（sensitivity、再現率とも呼ばれる）とよびます。

精度が上がるほど、誰かが消える

ここが、他のAI指標と一番違うところです。

AIは「正しく判定した数が多いか」ではなく、「取りこぼすことのコスト」で選ばれます。感度が高いほど偽陰性（false negative、本当は陽性なのに「陰性」と誤判定されること）が減ります。逆に、判定を厳しめにかえれば感度は下がり、陰性と判定される人が増えます。

あなたの業務で”取りこぼし”はどこで起きている？

• 迷惑メールの判定：感度が高すぎると、大事なメールまで「迷惑メール」に振り分けられる
• 不正検知：感度が低すぎると、本来ブロックすべき攻撃が「通常」と見なされて通る
• 医療補助判定：感度が高いほど偽陰性が減るが、その分「陽性反応」の誤り（偽陽性）は増える

同じデータでも、何を「取りこぼし」と呼ぶかで感度の値は変わり、判定の”重み”が変わります。

混同しやすい「精度」とどう使い分ける？

• 精度（precision）：陽性と判定した人のうち、本当に陽性だった人の割合
• 感度（sensitivity）：本当に陽性だった人のうち、正しく陽性だと拾えた人の割合
• F値（F1-score）：精度と感度のバランスを1つの数値で表す指標

「精度だけ見ているAI」は、取りこぼしに鈍感です。

試験では、”定義の切り口”で問われる

このTermは、G検定・データサイエンティスト検定・ITパスポートのいずれでも、分類モデルの評価指標として出題範囲に該当します。

出題パターンは大きく2つ。①「感度は何を表すか」の定義問題、②「精度・感度・F値」の使い分け問題です。前者は「病気の人が正しく陽性と判定される率」、後者は「偽陽性と偽陰性のどちらを減らすか」を軸に自分の言葉で説明できるかで、理解の段数が変わります。

まとめ

感度は、AIの”取りこぼし”を可視化する指標です。

• 今週の5分アクション：自分が使っている判定ツール（メールフィルタや検知系）について、「取りこぼしの代償」と「誤判定の代償」、どちらを減らしたいか、一言で決められるか試してみる
• 試験の3語の要点：「陽性の人を拾う率／偽陰性の逆数／精度と使い分ける」

感度の「取りこぼしを防ぐこと」が、金色の判定を掴む瞬間として明快に伝わります。 一方で、取りこぼしを示す淡い球体の存在感が弱く、比較関係がややぼやけています。

評価項目	点数	コメント
概念の正確さ	3	正しく拾う行為は伝わりますが、漏れとやや曖昧です
比喩の明快さ	4	看護師が金色の判定を掴む瞬間が直感的です
立体感・奥行き	4	回廊の奥行きと影で3D感がしっかり出ます
映え度（SNS寄与）	4	清楚な青緑トーンと金色の対比が目を引きます
色調の用語相性	4	医療判定の信頼感に合う柔らかな配色です
合計	19 / 25	総合判定: 良好

評価基準: 1（不合格）〜5（優秀）AI Judge による自動評価