SNSで極端な意見ばかり目立つのはなぜ？選択バイアスとアルゴリズム

SNSで極端な意見ばかり目に入ると、「世の中は、こんなに怒っているのか」と思うことがあります。ところが、画面を閉じて近所の店に行くと、そこまで殺伐としていません。レジではポイントカードを探している人がいて、後ろの人は夕飯のことを考えています。

この落差を「ネットの人は特殊だから」で片づけると、肝心な仕組みを見落とします。画面に並ぶのは、人を一人ずつ数えた結果ではありません。誰が投稿し、何度投稿し、何が広まり、何を自分が読むかという、いくつもの選択を通った結果です。

さらに、強い言葉が目に入ることと、それを読んだ人の考えが極端になることは、別の問題です。ここを一緒にすると、「アルゴリズムが全部悪い」か「本人の問題だから関係ない」かという、ずいぶん粗い二択になってしまいます。

この記事では、投稿の偏り、拡散、学習、受け取り方を原著研究からたどります。そのうえで、NOCTOGRAPHの考察として、ネットの世論を読むときは「意見の内容」と「その意見が見えた経路」を別々に点検する方法を提案します。

※本記事には、もしもアフィリエイトの広告リンクが含まれます。

先に押さえたいこと：投稿数は人数ではなく、表示回数は支持者数ではありません。おすすめ表示は偏りを生む一つの段階ですが、時系列表示にも「誰をフォローしたか」「誰が頻繁に投稿するか」という偏りが残ります。そして、少数であることは、その訴えが間違っていることを意味しません。

「極端な意見」を、一つのものとして扱わない

同じ「過激な投稿」でも、何が過激なのかは違います。政策の立場が大きく離れているのか。語調が攻撃的なのか。それとも、読む側が相手の怒りを強く見積もっているのか。この区別が、研究を読む出発点になります。

たとえば、「現行制度を全面的に変えるべきだ」は大胆な政策提案ですが、それだけで他人への敵意があるとはいえません。一方、「お前は何もわかっていない」は、政策の内容が平凡でも攻撃的です。両者を同じ箱に入れて数えると、何が増えたのかがわからなくなります。

本稿の「目立つ」は、主に投稿や拡散、表示の多さを指します。「社会が分断した」という大きな結論に進む前に、どの段階を観測した研究なのかを確かめます。読者の印象が変わったという結果から、国全体の思想が変化したと飛躍することも避けます。

投稿する人と、読んでいる人は同じ集団ではない

一人一票の世界と、一人で何度でも書ける世界

Pew Research Centerが2019年に公表した米国の成人Twitter利用者の調査では、投稿の多い上位10％の利用者が、対象者のツイートの80％を生み出していました。調査には、自分のアカウントを提供した2,791人が含まれています。^[1]

これは「今の日本でも10％の人が80％を書いている」という意味ではありません。まして「上位10％は全員過激だ」という結果でもありません。ここから確かめられるのは、利用者を数えた構成と、投稿を数えた構成が、大きく違いうるということです。

仮に100人いる場所で、10人が一日に20回ずつ書き、残る90人が一回ずつ書いたらどうなるでしょう。前者は人数では10％ですが、投稿では200件。合計290件の約69％を占めます。並び順を一切操作しなくても、よく書く人の声が大半になります。

説明用の仮定です。実測値や実際のSNSの推定ではありません。

人数で数えると：10人／100人＝10％

投稿で数えると：200件／290件≒69％

赤：10人×20件＝200件
灰：90人×1件＝90件

人の意見の内容は仮定していません。投稿頻度だけで構成比が変わることを示した計算です。

この計算に、AIも陰謀も必要ありません。投稿の単位で世界を見るだけで、人数とは違う風景ができます。だから、「同じ意見を今日20回見た」から「20人が独立にそう考えている」への変換には、ひと手間必要です。同じ投稿の転載かもしれませんし、同じ人の連投かもしれません。

沈黙は、賛成にも反対にも数えられない

書かない理由は一つではありません。関心がない、忙しい、説明が面倒、仕事のアカウントで触れたくない、考えがまとまっていない。これらは日常的に考えられる事情ですが、実際の割合は調べなければわかりません。

ここで「声の大きい少数派」に対して「黙っている多数派は自分に賛成だ」と言い返すのも、同じ落とし穴です。見えない人の意見は、見えないままです。反応しない人を、都合よく自分の陣営へ入れることはできません。

選択バイアスという言葉は、難しそうですが、ここでは「観察できた人が、知りたい集団の代表になっていないかもしれない」という意味です。コメント欄を丁寧に読んでも、その外にいる人の意見まで自動的にわかるわけではありません。

「あいつらはおかしい」が広まりやすい理由

自分たちの話より、相手側の話

Rathjeらは、米国の議員や報道機関によるFacebook・Twitterの約273万件の投稿を分析しました。政治的な外集団、つまり自分たちと対立する側に言及した投稿は、内集団に言及した投稿に比べ、共有・リツイートが約2倍多いという関連が見られました。^[2]

この研究は、投稿を無作為に書き換えて配信した実験ではありません。「敵の名前を入れれば必ず2倍になる」という攻略法にはできませんし、アルゴリズムだけの効果を取り出した結果でもありません。扱ったのは米国の政治的な発信者で、料理や趣味の投稿全般を調べたものでもありません。

それでも、問いの置き方は変わります。怒りそのものだけでなく、誰を相手にした怒りなのかが、拡散を考えるうえで重要になるからです。

「この制度には費用面の問題がある」という説明より、「あの連中はまた私たちを苦しめる」という説明のほうが、味方と敵を一度に示せます。後者には、政策を読む作業に加えて、仲間を確かめる働きもあります。これは研究結果を踏まえた本稿の解釈で、すべての共有者の動機を断定するものではありません。

批判のための共有も、見える回数を増やす

「こんなひどい意見があった」と紹介するとき、本人は反対のつもりでも、その投稿を新しい読者へ届けています。引用して批判することの是非とは別に、同じ意見を見る機会は増えます。

そのため、共有数を支持者数に読み替えることはできません。賛成、批判、記録、驚き、友人への相談。公開された反応の総数だけでは、その内訳がわからないからです。先ほどの研究も、誰がどんな理由で共有したかまで、すべてを特定したものではありません。^[2]

ここには少し皮肉な構造があります。嫌いな意見を「これが相手の正体だ」と何度も見せるほど、自分の読者には、その意見が相手側の標準に見えやすくなります。本当に確かめたいのは、その投稿が存在することだけなのか、その集団にどの程度広まっているかまでなのか。二つの問いには、別の資料が必要です。

「多く見える」ことが判断や発言を変える仕組みは、同調圧力と社会的証明の記事で掘り下げています。本稿では、その「多く見える材料」がどのように作られるかを考えています。

反応が、次の投稿の書き方を変える

投稿は一度出て終わりではありません。書いた人は、どの言葉に反応が集まったかを見ることができます。その経験が、次に何を書くかへ戻っていきます。

Bradyらの2021年の研究は、7,331人による約1,270万件のツイートを扱う観察研究と、計240人の行動実験を組み合わせました。抄録で報告されているのは、怒りの表現に対する肯定的な反応と、その後の怒りの表現の関係、そしてネットワーク内の表現の規範を学ぶ働きです。^[3]

ここで測っている中心は怒りの表現です。書き手の心の中の怒りが、同じ割合で増えたと読み替えてはいけません。「この場ではこう書くと伝わる」と学ぶことと、内面の信念が変わることは、重なる場合もありますが同じではありません。

身近な例に置き換えるなら、慎重に条件を添えた投稿には反応がなく、短い断定だけが何度も共有される場面です。次は条件を省きたくなるかもしれません。これは説明用の例であり、特定の投稿者が実際にそう考えていると診断しているわけではありません。

この視点に立つと、過激な発信をする人を「もともとそういう性格だから」と片づけるだけでは足りません。本人の責任は残りますが、何が反応を得て、どんな書き方が繰り返される場なのかも見えてきます。

ただし、怒りを表すこと自体が悪いのではありません。不正や被害に気づいてもらうために、強く訴える必要がある場面もあります。表現を増やす仕組みの説明と、その訴えの正当性の評価は別々に行う必要があります。

アルゴリズムだけで説明できないこと

おすすめ表示と時系列表示、どちらにも残る選択

おすすめ表示では、どの投稿を誰に見せ、どの順番に置くかが選ばれます。一方、フォローしている相手の投稿を時系列に並べても、フォロー相手の選択や投稿頻度の差は残ります。

つまり、比較すべきなのは「偏った表示」と「社会全体の無作為な縮図」ではありません。どちらも一定の経路を通って届く情報です。並び順を変えた結果と、読む相手を変えた結果を分けないと、何が効いたのかを取り違えます。

1. 誰が参加するかSNSを利用する人・しない人
2. 誰が、どれだけ投稿するか書き手の選択と投稿頻度
3. 何が届くかフォロー・共有・推薦・並び順
4. 何を読んで、どう受け取るか閲覧の選択と感情の推測

NOCTOGRAPHによる整理図。反応やフォローの変化は、次の投稿・表示にも戻ります。効果量や各社の実装を示した図ではありません。

図の矢印は、本稿が研究を整理するために描いたものです。各段階の効果を一つの実験で測定した図でも、現在の各社の推薦システムを再現した図でもありません。また、実際には共有が新しい投稿を生んだり、読む相手を変えたりするため、一方向だけで完結しません。

「いつでも両極端が優遇される」とは限らない

HuszárらによるTwitterの研究では、時系列表示の対照群を含む大規模な実験データを使い、7か国の主要政党などの発信を調べています。6か国で主流右派の増幅が主流左派より大きかった一方、極左・極右が穏健な集団より強く増幅されるという仮説を支持する証拠は得られませんでした。^[4]

右か左かという方向と、中心からどれだけ離れているかという極端さは、違う軸です。右寄りの情報が多く表示された結果を、そのまま「最も過激な意見ほど上に来る」と要約すると、研究が言っていないことが混ざります。

この研究は当時のTwitterの政治情報を扱い、著者には同社の関係者が含まれます。現在のX、日本のあらゆる話題、他のSNSまで一括して説明するものではありません。むしろ教訓は、「アルゴリズムは極端さが好き」という一文で、仕様や対象の違いを消さないことです。

見える投稿が変われば、意見も変わるのか

ここが最も慎重に読むべきところです。画面の内容が変わったことを示す研究と、利用者の態度まで変わったことを示す研究は分けて読みます。最近の研究を含めても、結果は一つの標語にまとまりません。

Facebookの実験で、変化が検出されなかった指標

Nyhanらは2020年の米国大統領選挙期に、23,377人のFacebook利用者を対象とする約3か月の実験を行いました。政治的に同じ側の情報源からの表示を約3分の1減らしましたが、事前登録した8つの態度指標では、測定可能な変化は確認されませんでした。指標には、相手側への感情的な反感や思想の極端さなどが含まれます。^[5]

これは「SNSに影響力はない」という証明ではありません。同じ側の情報を減らすという介入が、その対象・期間・指標でどの程度の変化を生んだかという結果です。年月をかけた影響や、別の表示方法の効果まで、同じ実験で否定したことにはなりません。

2026年のX研究が示した、切り替え方向の違い

Gauthierらが2026年に公表した研究は、2023年の米国のX利用者に、アルゴリズムによる表示か時系列表示を無作為に割り当てた約7週間の実験です。事後調査を完了した4,965人が主な分析対象でした。^[6]

時系列からアルゴリズム表示へ移った群では、一部の政策・政治的出来事に関する態度が保守的な方向へ変化しました。一方、逆方向の切り替えには同程度の変化がなく、どちらの切り替えでも、支持政党の自己認識や相手党への感情的な反感への有意な効果は確認されませんでした。^[6]

この結果も「全員が過激化した」とは要約できません。政治的な方向、党派への帰属、相手への敵意は別の指標です。また、研究の公表年は2026年ですが、観察したXは2023年です。現在の仕様そのものを検証した研究ではありません。

著者らは、アルゴリズム表示によって保守的な活動家のアカウントをフォローする行動が増え、その関係が表示を戻した後にも残ることを、非対称な結果を説明する経路として検討しています。ただし、最初から異なる表示を選んでいた人の、観測できない特徴による違いも完全には排除できないと述べています。^[6]

二つの実験は、同じ薬を違う研究室で試したような比較ではありません。プラットフォーム、時期、対象者、変えた内容が違います。結果を並べる意味は、どちらかを勝者にすることではなく、「何を変えたら、誰の、どの指標が変わったか」まで読む習慣を持つことにあります。

本稿の考察として重要なのは、表示の変更が人間関係の変更へつながる可能性です。設定を一つ戻せば、それまでに選んだ相手や身についた習慣まで、同時に巻き戻るわけではありません。これはSNSを離れられないという運命論ではなく、見直す対象を設定画面だけに限定しない、という話です。

相手の怒りを、実際以上に読んでしまう

同じ投稿を見ていても、書いた人と読んだ人が、同じ強さの感情を感じ取るとは限りません。

Bradyらの2023年の研究では、投稿者自身が報告した道徳的な怒りと、その投稿を読んだ人の評価を比較しています。読者は書き手の怒りを強く見積もる傾向を示しました。さらに別の実験では、このような過大な受け取り方が生じやすい投稿を見ることで、集団の敵意などへの認識が変わることを調べています。^[7]

基準になっているのは、本人の自己報告です。心の中の怒りを直接測ったわけではありません。研究が扱う「過大評価」は、その測定上の比較として読む必要があります。

ここから本稿が注目するのは、発言の偏りと、受け取り方の偏りが別々に存在することです。目に入る投稿の構成を確かめるだけでなく、「この文章から、相手の気持ちをどこまで読み取ったか」も点検できます。

たとえば、短い反対意見を見て「この人たちは私たちを心底憎んでいる」と感じたとします。文章が述べている反対の対象と、自分が推測した感情の強さを分けてみます。反対の内容が深刻である場合でも、推測を事実のように扱う必要はありません。

逆に、実際に侮辱や脅迫が書かれているなら、それを「読み違いかもしれない」で薄める必要もありません。丁寧に読むことは、被害を我慢することではありません。

意見の違いが自分への否定に感じられる場面は、価値観を否定する心理とアイデンティティ防衛の記事につながります。ここでも、主張への反論と人格への攻撃を分けています。

考察：ネットの世論は「人数」と「出会う回数」の二層で読む

ここまでを踏まえ、NOCTOGRAPHでは、ネット上の意見を二つの層で読むことを提案します。一つは、実際に何人がどの意見を持つか。もう一つは、私たちがどの意見に何度出会うかです。これは本稿の整理方法であり、新たに実証した学術理論ではありません。

出会う回数は、人数以外でも増える

ある意見に多く出会う理由としては、支持者が多い場合だけでなく、一人あたりの投稿が多い、共有されやすい、自分の周囲に偏っている、といった可能性があります。そこへ推薦や自分の閲覧行動、読む側の解釈が重なります。

この整理の利点は、「見えているものは全部ウソだ」とも「表示されたものが世論だ」とも決めつけずに済むことです。実際に支持者が増えている場合もあります。それを確かめるには、同じ投稿の再登場を数えるだけでなく、調査対象や質問文のわかる世論調査など、別の観測方法が要ります。

検証するなら、何を比べるか

もし投稿量の偏りが主因なら、一人一件にそろえた集計と、全投稿を数えた集計には差が出るはずです。ただし、アカウントと人間が一対一とは限らず、同一人物の識別や倫理面の問題があります。一般の読者が個人の特定を試みる必要はありません。

もし共有の繰り返しが主因なら、元投稿ごとにまとめた件数と、転載を含む表示回数には差が出るはずです。もし本当に意見の分布が変わっているなら、同じ方法で繰り返した代表性のある調査にも、それに対応する変化が見られるかを調べられます。

これらは検証の方向を示す提案です。どの要因が何％を説明するかは、本稿では推定していません。いくつもの偏りを並べたからといって、足し算して影響の大きさが求まるわけではないからです。

「少数の声だから無視してよい」と「少数の声を全員の声として扱ってよい」は、どちらも成り立ちません。人数の推定には人数の根拠を、被害や不正の判断には出来事の根拠を使います。

深く読むなら：SNSと自己像をつなぐ一冊

「情報が偏る」だけでなく、「人がその場でどんな自分を見せるか」まで考えたい方には、クリス・ベイルの『ソーシャルメディア・プリズム』が候補になります。出版社の紹介と目次では、分極化、地位の追求、穏健な人の不在、よりよいプラットフォームなどを扱っています。^[8]

本稿の2026年の研究を解説する本ではなく、2022年刊の日本語版です。最新仕様の操作ガイドを探している方より、SNSと自己像の関係を腰を据えて考えたい方に合う選択肢です。以下は広告リンクです。内容の確認には、末尾の出版社ページも利用できます。

「みんなそう言っている」を確かめる五つの手順

研究を知っても、毎回論文を開いてからSNSを見るわけにはいきません。そこで、日常では次の順番で確認することを提案します。すべての投稿に行う必要はありません。自分の判断や他人への評価が大きく変わりそうな場面で使います。

1．最初に見た投稿へ戻る

引用の引用、切り抜き画像、誰かの要約だけで判断せず、元の文章や映像を確認します。日時、対象、前後の発言、訂正の有無を見ます。元が見つからなければ、「確認できない」という状態を残します。

たとえば「ある職業の人が全員こう考えている」という紹介なら、元投稿で本当に全員の話をしているのか、一人の経験談なのかを分けます。見出しの大きさで、主張の対象まで大きくしないことです。

2．件数の単位を確かめる

目の前の数字は、表示回数、いいね、共有、コメント、回答者のどれでしょうか。数値が大きいことと、知りたい問いに答えていることは違います。

コメントが100件あっても、100人とは限りません。100人が書いていても、対象となる集団から無作為に選ばれた100人とは限りません。「人数がわからない」とわかるだけでも、結論の範囲を狭められます。

3．人の多さと、意見の妥当性を別に調べる

「多くの人がそう思っているか」と「その指摘が正しいか」は、別の質問です。誤った数字は人気があっても誤りですし、見落とされていた被害は訴える人が少なくても調べる価値があります。

意見の分布を知りたいときは調査方法のわかる資料へ、制度の内容を知りたいときは公的な原文へ、研究結果なら論文へ進みます。SNSの反応を読むだけで、すべてを済ませようとしないことです。

4．表示方法と、読む相手を分けて見直す

利用しているサービスで選べる場合は、フォロー中の投稿を見る表示と、おすすめ表示を見比べてみます。ただし、その差を社会全体との偏りの大きさと呼ぶことはできません。異なる表示経路を比べているだけです。

同時に、普段読む相手を振り返ります。反対側の最も刺激的な投稿だけを紹介するアカウントに偏っていないか。元資料や長い説明へ案内する人がいるか。「反対意見を増やす」という数の話だけでなく、どんな根拠を持ち込む人かを見る方法です。

5．拡散する目的を、一文で言い直す

役立つ情報を届けたいのか、問題を記録したいのか、ただ腹立たしさを共有したいのか。送信前に目的を一文にすると、元投稿そのものを広める必要があるか考えやすくなります。

正確な説明をしたいなら、元の不正確な主張を大きく再掲するより、確認した資料へ案内するほうが目的に合う場合もあります。ただし、記録や検証のために原文の提示が必要なこともあります。形式を一律に禁止するのではなく、目的に対して情報量と見せ方を選びます。

発信する側の課題：反応の多さだけを品質にしない

読む側だけに注意を求めても、説明は半分です。記事や投稿を作る側にも、どの反応を成果と考えるかという問題があります。

強い見出しで読まれることと、読み終わった人が正確に理解することは両立できます。ただし、見出しで断定し、本文の末尾にだけ例外を小さく置くなら、途中まで読んだ人には断定だけが残ります。

本稿が提案する編集基準は三つです。数値には分母と対象を添えること。異なる結論の研究を、条件の違いと一緒に示すこと。読者が確認できる元資料への道を残すこと。これは拡散を保証する方法ではなく、訂正や再検証に耐える記事にするための基準です。

収益を考える場合も、読者を不安にさせて、その不安を解消する商品へ急がせる必要はありません。この記事なら、「もう少し深く研究したい」という関心に応える書籍のほうが筋が通ります。広告が論点を決めるのではなく、論点に合う広告を選ぶ、という順番です。

日本の炎上を調べるための一冊

田中辰雄・山口真一の『ネット炎上の研究――誰があおり、どう対処するのか』は、炎上への参加や対処を調べたい方の候補です。著者所属機関の紹介では、統計分析に加え、事例や予防・対処を扱う書籍とされています。^[9]

2016年刊なので、現在のSNSの画面や最新アルゴリズムの解説には向きません。日本の炎上を、印象ではなく調査対象として考えるための足場として選ぶ本です。最新の個別事件については、現在の一次資料を別途確認する必要があります。以下は広告リンクです。

謝罪を出した後も批判が続く場面については、SNSの謝罪が逆効果になる理由の記事で、受け手の評価や対応の論点を整理しています。

SNSと極端な意見についての疑問

画面の外にいる人を、勝手に数えない

SNSを見るとき、私たちは意見の内容には敏感です。「これはおかしい」「これは正しい」と、すぐに考えます。一方、その意見にどうやって出会ったのかは、案外見ていません。

十回見た意見が、十人の意見とは限りません。十人の意見が、その集団の典型とも限りません。それでも、一人の訴えが重大であることはあります。

必要なのは、画面の中の声を軽んじることでも、画面の外の人を自分の味方に数えることでもありません。その人が何を言っているかは丁寧に読み、何人を代表するかは別の根拠で考える。この二つを分けるだけで、「世の中は全部こうだ」という結論を、少し正確な問いへ戻せます。

参考文献と確認範囲

本文の番号は以下の資料に対応します。原著本文を確認した資料と、抄録・著者公開要約の範囲で使用した資料を区別しています。日常の例、二層で読む方法、確認手順、架空の100人の計算はNOCTOGRAPHの考察・説明で、研究で検証済みの介入プログラムではありません。写真風の図版はAI生成による説明用イメージです。資料確認日：2026年10月14日。

1. Pew Research Center（2019）. Sizing Up Twitter Users. 確認資料
   調査機関の公開報告。米国成人のアカウント提供者2,791人。現代の日本の比率や、頻繁に投稿する人の過激さの根拠にはしません。
2. Rathje, S., Van Bavel, J. J., & van der Linden, S.（2021）. Out-group animosity drives engagement on social media. PNAS, 118(26), e2024292118. 確認資料
   公開原著の方法・結果・限界を確認。観察された関連であり、共有者の動機や推薦アルゴリズム単独の因果効果は確定しません。DOI: 10.1073/pnas.2024292118
3. Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J.（2021）. How social learning amplifies moral outrage expression in online social networks. Science Advances, 7(33), eabe5641. 確認資料
   原著抄録と著者の研究一覧を確認。観察研究と行動実験を区別し、抄録で確認できる範囲のみ使用。内心の怒りと表現を同一視しません。DOI: 10.1126/sciadv.abe5641
4. Huszár, F., et al.（2022）. Algorithmic amplification of politics on Twitter. PNAS, 119(1), e2025334119. 確認資料
   著者公開プレプリントの抄録と掲載論文情報を照合。7か国の政治的発信の増幅を扱い、個人の態度変化を測る研究とは区別。DOI: 10.1073/pnas.2025334119
5. Nyhan, B., et al.（2023）. Like-minded sources on Facebook are prevalent but not polarizing. Nature, 620, 137–144. 確認資料
   出版社公開本文の方法・結果を確認。Metaとの共同研究。2023年11月1日の著者訂正も確認。補足表36の不正確なCIB変数の行削除で、その変数は本稿に使用していません。
6. Gauthier, G., Hodler, R., Widmer, P., & Zhuravskaya, E.（2026）. The political effects of X’s feed algorithm. Nature, 652, 416–423. 確認資料
   出版社公開原著の設計・結果・制約を確認。Xから独立した2023年の米国実験。公表年と実施年、事後調査人数と最初の参加人数を区別。DOI: 10.1038/s41586-026-10098-2
7. Brady, W. J., et al.（2023）. Overperception of moral outrage in online social networks inflates beliefs about intergroup hostility. Nature Human Behaviour, 7, 917–927. 確認資料
   原著の大学公開PDFと出版社情報を確認。投稿者の自己報告を基準にした比較であり、内心の直接測定ではありません。DOI: 10.1038/s41562-023-01582-0
8. みすず書房（2022）. 『ソーシャルメディア・プリズム』書誌・紹介・目次. 確認資料
   ISBN 9784622090830。書籍選定のため出版社紹介を確認。読了や利用体験を装った評価ではありません。
9. 国際大学GLOCOM（2016）. 『ネット炎上の研究：誰があおり、どう対処するのか』紹介. 確認資料
   著者所属機関の書誌・紹介を確認。ISBN 9784326504220。紹介ページの過去の参加率は、現在の日本の比率として本文に流用していません。

執筆・構成：VIVA／NOCTOGRAPH。