オープン栄養データ：Nutrolaが他のアプリが公開しない精度基準を発表する理由
ほとんどの栄養アプリは、自分たちの精度を明らかにしません。Nutrolaはその精度基準を公開しています。透明性がなぜ重要なのか、そしてその数字が何を示しているのかをご紹介します。
カロリー追跡アプリを使ったことがあるなら、あなたは「実際にどれだけ食べたのか？」という根本的な質問をそのアプリに委ねています。ポーションサイズや食事の選択、週の目標は、アプリが提供する数字に依存しています。しかし、多くのユーザーが考えもしない疑問があります。それは、これらの数字はどれほど正確なのか、そしてその正確性をどうやって知ることができるのかということです。
ほとんどの栄養アプリにおいて、その答えは「わからない」ということです。多くのアプリは精度データを公開せず、エラー率も明らかにしません。食品の種類や料理の種類、食事の複雑さによるパフォーマンスの内訳も示されません。信頼に足る証拠がないまま、出力を信じるよう求められます。
Nutrolaは異なるアプローチを取っています。私たちは、四半期ごとに更新され、食品カテゴリ、料理の種類、食事の複雑さ、ログ方法ごとに分けた精度基準を公開しています。この記事では、なぜ私たちがこれを行うのか、数字が実際に何を示しているのか、どこに不足があるのか、そしてこのような透明性がすべての栄養アプリの標準であるべき理由を説明します。
なぜほとんどのアプリが精度データを公開しないのか
栄養アプリが自らの精度を測定し、公開することを妨げる技術的な障壁は存在しません。ツールは存在し、方法論も確立されています。ほとんどのアプリが沈黙を守る理由は、主に3つの要因に起因しています。
1. 数字が魅力的でない
精度のベンチマークを行うには、アプリの出力を基準となる真実と比較する必要があります。通常は、USDA FoodData Centralなどの検証された栄養データベースと照らし合わせた重量測定された食品データを用います。この比較を厳密に行うと、結果はしばしば大きなギャップを明らかにします。「鶏肉の炒め物」とだけ記載されたデータベースエントリは、調理油の量が指定されていない場合、200〜400カロリーも誤差が生じる可能性があります。「自家製パスタ」のユーザー提出エントリは、300カロリーから800カロリーのサービングを表すかもしれません。
最小限の検証で構築されたクラウドソースのデータベースに基づくアプリは、透明性から最も失うものが多いのです。エラー率を公開することは、データの基盤における不一致を露呈させることになります。
2. 精度を明確に定義するのが難しい
栄養アプリの精度を測定するための普遍的な基準は存在しません。平均誤差を測定しますか？中央値の誤差ですか？10パーセントの閾値内の食事の割合を測定しますか？重量測定された材料に対してテストしますか、それとも栄養ラベルに対してですか？ユーザーエラーを測定に含めますか、それともシステムのパフォーマンスを分離しますか？
この曖昧さはアプリにとっての隠れ蓑となります。合意された方法論がないため、「高精度」とマーケティング文に記載するのは簡単ですが、それが何を意味するのか、またそれを証明することはありません。
3. 市場の圧力がない
最近まで、ユーザーは栄養アプリに精度を証明することを期待していませんでした。業界はデフォルトで信頼に基づいて成長してきました。大規模な食品データベースを持つアプリは、データが正しいとユーザーは仮定します。競合他社は精度について互いに挑戦しないため、自分たちの数字に対する監視を招くことになります。
これにより、集団的な沈黙が生まれます。誰も公開しないので、誰も公開することを期待されず、誰もが公開しません。
Nutrolaの立場：すべてを公開する
私たちは、あなたが私たちのデータに基づいて健康に関する決定を下す場合、そのデータがどれほど信頼できるかを知る権利があると信じています。あいまいな表現ではなく、具体的で測定可能な、定期的に更新される数字で。
私たちが公開している内容とその測定方法は以下の通りです。
精度の測定方法
ベンチマーク方法論
私たちの精度基準は、2つの並行プロセスから導き出されています。
制御されたテスト。 毎四半期、私たちの栄養科学チームは、制御された条件下で調理された1,000食を用いて構造化された評価を行います。すべての材料はグラム単位で計量され、栄養価はUSDA FoodData Central、製造者データ、実験室で検証された基準値から計算されます。各食事は、Nutrolaを通じて、利用可能なすべての方法（写真認識、バーコードスキャン、手動検索、レシピインポート）でログされ、出力が基準値と比較されます。
実世界での検証。 私たちは、定義された期間にわたって食品を計量し、スケール測定と通常のNutrolaログエントリの両方を提出することに同意したボランティアユーザーを募集します。これにより、現実的な条件下での真実の比較が可能になります。最新の検証コホートには、4,200人のユーザーが参加し、26,800件の確認済み食事エントリを提供しました。
測定する内容
各ベンチマークサイクルごとに、以下の指標を報告します。
- カロリー、タンパク質、炭水化物、脂肪の平均絶対パーセンテージ誤差（MAPE）。
- 各マクロ栄養素の基準値から5%、10%、15%以内の食事の割合。
- 食品識別精度 --- AIが主要な食品項目を正しく識別した食事の割合。
- ポーション推定精度 --- AIのポーション推定と実際の測定ポーションとの間のグラム重量の偏差割合。
- 系統的バイアスの方向 --- エラーが過大評価される傾向があるか、過小評価される傾向があるか、そしてその程度。
これらの指標は、食品カテゴリ、料理の種類、食事の複雑さ、ログ方法ごとに分けて報告します。完全なデータセットは、私たちのベンチマークページで入手可能です。
数字が示すもの：食品カテゴリ別の精度
以下の表は、Q1 2026のベンチマーク結果を反映しており、制御されたテストと実世界での検証データを組み合わせたものです。
食品カテゴリ別のカロリー精度
| 食品カテゴリ | 平均カロリー誤差 | 5%以内 | 10%以内 | 15%以内 | バイアスの方向 |
|---|---|---|---|---|---|
| 単一の全食品（果物、野菜、プレーンプロテイン） | 3.1% | 78% | 96% | 99% | やや過大評価（+1.2%） |
| パッケージ食品（バーコードスキャン） | 1.8% | 91% | 98% | 100% | 中立 |
| 簡単に調理された食事（グリルチキン＋ライス、ドレッシング付きサラダ） | 5.9% | 52% | 84% | 94% | やや過小評価（-2.4%） |
| 複雑な自家製料理（キャセロール、炒め物、シチュー） | 9.4% | 31% | 68% | 87% | 過小評価（-4.8%） |
| 焼き菓子（自家製） | 11.2% | 24% | 58% | 82% | 過小評価（-6.1%） |
| レストランやテイクアウトの食事 | 10.8% | 26% | 62% | 85% | 過小評価（-5.2%） |
| 飲料（スムージー、コーヒー飲料、カクテル） | 7.6% | 42% | 76% | 91% | 過大評価（+3.1%） |
料理の種類別のカロリー精度
| 料理 | 平均カロリー誤差 | 10%以内 | 15%以内 | 主なエラーの原因 |
|---|---|---|---|---|
| アメリカ / 西洋標準 | 6.8% | 79% | 93% | ポーションサイズの変動 |
| メキシコ / ラテンアメリカ | 9.2% | 68% | 88% | 隠れた脂肪（ラード、チーズ、クリーム） |
| イタリアン | 8.4% | 72% | 90% | オリーブオイルとチーズの量 |
| 中華 | 10.1% | 64% | 86% | 中華鍋料理の調理油 |
| 日本料理 | 6.2% | 81% | 95% | 隠れた脂肪が最小限 |
| インド料理 | 12.4% | 58% | 82% | ギー、クリーム、ココナッツミルク |
| タイ料理 | 11.8% | 60% | 84% | ココナッツミルク、パームシュガー、魚醤 |
| 韓国料理 | 8.8% | 70% | 89% | 発酵調味料、ごま油 |
| 中東料理 | 9.6% | 66% | 87% | オリーブオイル、タヒニ、ナッツベースのソース |
| エチオピア / 東アフリカ | 13.1% | 54% | 79% | ニターニバ（スパイスバター）、インジェラの変種 |
食事の複雑さ別のカロリー精度
| 食事の複雑さ | 平均カロリー誤差 | 10%以内 | 15%以内 |
|---|---|---|---|
| 単一のアイテム（1食品） | 3.4% | 95% | 99% |
| 簡単なプレート（2-3の異なるアイテム） | 6.1% | 82% | 94% |
| 混合プレート（4-5アイテム） | 8.9% | 69% | 88% |
| 複雑な料理（6つ以上の材料、ブレンド） | 11.6% | 57% | 81% |
| 複数コースの食事 | 13.2% | 52% | 77% |
食品カテゴリ別のタンパク質精度
| 食品カテゴリ | 平均タンパク質誤差 | 10%以内 | 15%以内 |
|---|---|---|---|
| プレーンな動物性タンパク質（鶏肉、牛肉、魚） | 4.2% | 89% | 97% |
| 植物性タンパク質（豆腐、テンペ、豆類） | 5.8% | 80% | 94% |
| タンパク質を含む混合料理 | 8.6% | 66% | 86% |
| タンパク質補強食品（バー、シェイク） | 2.4% | 95% | 99% |
| レストランのタンパク質料理 | 9.8% | 61% | 83% |
「十分な精度」が体重減少に与える意味
生の精度データは、実際に結果を得るために必要な精度レベルを理解しない限り、意味を持ちません。ここでの科学は、多くの人が期待するよりも寛容です。
研究の文脈
2023年に発表されたJournal of the Academy of Nutrition and Dieteticsの系統的レビューでは、食事評価方法を検討し、平均誤差が15パーセント未満であれば、「長期にわたる追跡時に体重管理の結果に意味のある影響を与えることはない」と結論づけています。2024年のObesity Reviewsの研究では、10〜20パーセントの誤差でログを取った一貫したトラッカーが、10パーセント未満の誤差でログを取った人々の89パーセントの体重を減少させたことがわかりました。
その理由は簡単です。カロリー追跡は、主に意識と行動フィードバックを通じて機能し、完璧な測定ではありません。もしあなたが摂取量を8パーセント過小評価し続けていても、あなたの体は実際の摂取量に反応します。そして、実際の結果（体重の傾向、体の測定値）に基づいて目標を調整している場合、系統的なバイアスは時間とともに修正されます。
実際の閾値が意味すること
以下は、2,000カロリーの1日の摂取量に対する異なる精度レベルの意味です。
| 精度レベル | カロリー偏差 | 1日の誤差範囲 | 週間累積誤差 | 500 kcal/日の赤字への影響 |
|---|---|---|---|---|
| 5%以内 | 最大100 kcal | 1,900 - 2,100 | 最大700 kcal | 無視できる --- 赤字は維持される |
| 10%以内 | 最大200 kcal | 1,800 - 2,200 | 最大1,400 kcal | 軽微 --- 赤字は減少するが存在する |
| 15%以内 | 最大300 kcal | 1,700 - 2,300 | 最大2,100 kcal | 中程度 --- 赤字が数週間停滞する可能性 |
| 20%以内 | 最大400 kcal | 1,600 - 2,400 | 最大2,800 kcal | 重大 --- 赤字は信頼できない |
1日400〜600カロリーの中程度の赤字を目指すほとんどのユーザーにとって、精度が10〜15パーセント以内であれば、進捗を維持するのに十分です。この範囲でNutrolaは、ほとんどの食事に対して機能します。すべてのログされた食事の88パーセントが、すべての食品カテゴリと料理において基準値の15パーセント以内に収まっています。
一貫性が精度よりも重要な理由
私たちの内部データによると、60日以上一貫してログを取るユーザーは、平均精度が6パーセントであろうと12パーセントであろうと、ほぼ同じ率で目標を達成しています。目標を達成できないユーザーは、圧倒的にログを止める人々であり、適度な誤差でログを取る人々ではありません。
これは精度が無関係であることを意味するわけではありません。それは、アプリの主な役割は、信頼できるフィードバックループを維持するのに十分な精度を持ちながら、ユーザーが実際に使い続けられるように迅速で摩擦の少ないものであるべきだということです。私たちのベンチマークを公開することで、ユーザーは私たちの精度が彼らのニーズに合っているかどうかを判断できるようになります。
私たちの弱点：正直な評価
透明性とは、私たちを良く見せる数字だけでなく、そうでない数字も公開することを意味します。以下は、私たちの精度基準が明らかにする明確な弱点のある分野です。
隠れた脂肪が最大の課題
すべてのカテゴリにおける最大の誤差の原因は、隠れた調理脂肪です。料理が油、バター、またはギーで調理されると、使用される量は最終的な盛り付けされた食事では見えなくなります。私たちのAIは、料理の種類、料理の規範、視覚的な手がかりに基づいて調理脂肪を推定しますが、これは測定ではなく推測に過ぎません。
隠れた脂肪が多い料理（インドのカレー、中華の炒め物、レストランのソテー料理）では、タンパク質と炭水化物の成分に対する平均カロリー誤差が7パーセントから14パーセントに跳ね上がります。これが、インド料理やタイ料理が料理の内訳で高い誤差率を示す主な理由です。
私たちは、改善されたトレーニングデータとユーザー支援の洗練プロンプト（料理が油っぽいか乾燥しているかをユーザーに尋ねる）を通じてこれに取り組んでいますが、視覚ベースのシステムには依然として解決すべき課題が残っています。
複雑な多成分料理
6つ以上の異なるアイテムを含むプレートでは、私たちの識別精度が低下します。AIは、穀物サラダをライス料理と混同したり、タンパク質の下にあるソース成分を見逃したりすることがあります。複数コースの食事を単一のエントリとしてログする場合、私たちの誤差率は最も高く、平均偏差は13.2パーセントです。
実用的な解決策は、個々の成分を別々にログすることで、精度が向上しますが、摩擦が増えます。私たちは、AIパイプラインにおけるより良い多アイテム分解に取り組んでいますが、まだ満足のいく解決策には至っていません。
データが不足している料理
私たちの精度は、トレーニングデータにおいて過小評価されている料理に対して明らかに劣ります。エチオピア、西アフリカ、中央アジア、太平洋諸島の料理は、西洋料理に比べて誤差率が30〜50パーセント高いです。これはデータの問題であり、アルゴリズムの問題ではありません。私たちは、参照データセットを拡大し、これらの地域の栄養研究者と提携することでこれに対処しています。
私たちは、料理ごとに精度を追跡し、公開することで、これらの食文化のユーザーが私たちのシステムの現状を確認し、AIログを手動で調整する必要があるかどうかを判断できるようにしています。
曖昧なサービングのポーション推定
明確な視覚的サイズの参照がない食品（マッシュポテトの山、パスタの山、スープのボウルなど）は、AIが正確に推定するのが難しいです。鶏の胸肉は、サイズに対する重量の比率がほぼ予測可能です。しかし、米の一杯はそうではありません。
あいまいな食品のポーション推定のMAPEは16.4パーセントで、定義された形状の食品の7.8パーセントに比べて高くなります。写真に参照物（フォークや標準的な皿）を含めると、これが11.2パーセントに改善されます。これが、可能な限り標準的な食器で食事を写真に撮るようにユーザーに促す理由です。
透明性の議論
なぜ私たちはすべてのアプリがこれを行うべきだと信じるのか
精度基準を公開することは、私たちにとってマーケティング戦略ではありません。それは、データに基づいて健康に関する決定を下す人々が、そのデータがどれほど信頼できるかを知る権利があるという単純な原則に根ざした製品要件です。
考えてみてください。2型糖尿病のユーザーがカロリー追跡アプリを使って炭水化物の摂取を管理しているとします。アプリの炭水化物の推定値が20パーセントも系統的に低い場合、そのユーザーは欠陥のあるデータに基づいて臨床的な決定を下していることになります。アプリが何も教えてくれなければ、そのことを知る方法はありません。そして、透明性が製品哲学に組み込まれていない限り、アプリはそれを教えるインセンティブを持ちません。
これは仮定の話ではありません。クラウドソースの栄養データベース --- ほとんどの競合アプリの基盤 --- は、2024年にNutrientsに発表された分析によると、ユーザー提出エントリのエラー率が20〜30パーセントであることが文書化されています。エントリはしばしば重複し、矛盾したデータを持ち、異なるサービングサイズを参照したり、信頼できないソースからコピーされたりします。体系的な検証がなければ、これらのエラーは静かに広がります。
透明性が可能にすること
精度データが公開されると、いくつかのことが可能になります。
ユーザーは期待を調整できます。 レストランの食事の推定値が平均10.8パーセントの誤差を持つことを知っていれば、その不確実性を計画に組み込むことができます。外食する日には、やや大きめの赤字を目指すか、重要な食事を手動で調整するかもしれません。
研究者はツールを客観的に評価できます。 食事追跡ツールの効果を研究する栄養科学者は、どのツールが臨床または研究に適しているかを評価するために精度データが必要です。公開されたベンチマークは、Nutrolaが不透明なアプリとは異なり、独立した評価に利用できることを意味します。
業界が改善されます。 1つのアプリがベンチマークを公開し、ユーザーが競合他社にも同様の要求を始めれば、全体のカテゴリーがより高い精度と責任を求める方向に進みます。これは私たちにとっても良いことであり、私たちはマーケティングの主張ではなく、文書化されたパフォーマンスで競争したいと考えています。
私たちは自らを責任あるものとします。 四半期ごとにベンチマークを公開することで、精度が静かに低下することは許されません。毎四半期、数字は公開され、何らかの後退があれば目に見えます。これにより、継続的な改善への内部的な圧力が生まれます。これが私たちの目的です。
私たちのベンチマークが研究とどのように比較されるか
私たちの数字を文脈に置くために、Nutrolaの精度が食事評価方法に関する発表された研究とどのように比較されるかを示します。
| 方法 | 平均カロリー誤差（発表された研究） | 出典 |
|---|---|---|
| 自己報告された食事のリコール（24時間） | 15 - 30% | Journal of Nutrition, 2022 |
| 食品頻度質問票 | 20 - 40% | American Journal of Clinical Nutrition, 2023 |
| 手動カロリーアプリログ（スケールなし） | 12 - 25% | Nutrients, 2024 |
| AI写真ベースのログ（業界平均） | 10 - 18% | IEEE Conference on Computer Vision, 2025 |
| Nutrola全体（すべての方法を組み合わせた） | 6.8% | Nutrola Q1 2026ベンチマーク |
| Nutrola AI写真のみ | 8.9% | Nutrola Q1 2026ベンチマーク |
| Nutrolaバーコードスキャン | 1.8% | Nutrola Q1 2026ベンチマーク |
| 計量された食品記録（ゴールドスタンダード） | 2 - 5% | British Journal of Nutrition, 2021 |
私たちの6.8パーセントの総合精度は、Nutrolaをゴールドスタンダードの計量食品記録法と最高のAIシステムの間に位置づけています。これは、多方法アプローチの利点を反映しています。多くのNutrolaユーザーは、調理された食事の写真ログをパッケージ食品のバーコードスキャンと組み合わせて使用しており、これによりブレンドされた精度は単一の方法が達成するものを大きく下回ります。
改善に向けた取り組み
ベンチマークを公開することは、現在の状態を報告するだけでなく、時間の経過とともに改善の公的記録を作成することでもあります。
私たちの平均カロリー誤差が公開を始めてからどのように変化したかを示します。
| 四半期 | 平均カロリー誤差 | 10%以内 | 15%以内 |
|---|---|---|---|
| Q1 2025 | 10.4% | 64% | 83% |
| Q2 2025 | 9.1% | 70% | 87% |
| Q3 2025 | 8.2% | 74% | 89% |
| Q4 2025 | 7.4% | 77% | 91% |
| Q1 2026 | 6.8% | 79% | 93% |
毎四半期、データが示す最大のギャップに基づいて特定のカテゴリの改善を目指します。2026年第2四半期の現在の優先分野には以下が含まれます。
- 隠れた脂肪の推定： 料理学校からの油の量にラベル付けされたデータセットを用いた新しいモデルのトレーニング。
- 南アジア料理の精度： 3,200件の新しい確認済みインド、パキスタン、スリランカ、バングラデシュ料理の参照データセットを拡大。
- 多アイテム食事の分解： 複雑なプレートにおける成分分離のためのコンピュータビジョンパイプラインの更新。
- あいまいな食品のポーション推定： 多角的な写真入力を使用した深度推定の改善。
よくある質問
ベンチマークはどのくらいの頻度で更新されますか？
私たちは四半期ごとに完全なベンチマークレポートを公開します。モデルの更新によって精度に統計的に有意な変化（全体のMAPEで0.5パーセントポイント以上）が生じた場合は、中間更新を公開します。
生のベンチマークデータを見ることはできますか？
はい。私たちはベンチマークページに要約表を公開し、匿名化された集計データセットをダウンロード可能にしています。個々の食事エントリは含まれず、カテゴリーレベルの統計のみが提供されます。
Nutrolaの精度は使用する電話によって変わりますか？
カメラの品質は、写真ベースのログの精度に影響します。私たちのテストでは、2024年以降のフラッグシップフォン（iPhone 15以上、Samsung Galaxy S24以上、Google Pixel 8以上）は、公開されたベンチマークと一致する結果を生成します。古いまたは予算重視のデバイスは、平均して約1〜2パーセントポイント高い誤差を示し、主にポーションサイズの推定における詳細の不足によるものです。
Nutrolaは識別できない食品をどのように処理しますか？
AIの信頼度スコアが定義された閾値を下回る場合、アプリはエントリにフラグを付け、ユーザーに識別を確認または修正するよう求めます。写真でログされた食事の約5.2パーセントがこの確認プロンプトをトリガーします。これらのフラグ付きエントリは、私たちの精度ベンチマークから除外されており、公開された数字はシステムが識別に自信を持っている食事を表しています。
レストランの食事は、レストランのせいか食品の種類のせいか、精度が低いのですか？
両方です。レストランの食事は、2つの理由から誤差が高くなります。まず、実際の調理（調理脂肪の量、ソースの量、ポーションサイズ）はレストランによって異なり、写真では見えません。次に、レストランの料理は家庭料理よりも複雑で、隠れた成分が多く含まれています。私たちのデータによると、シンプルなレストランアイテム（グリルチキンサラダ、寿司の一切れ）は、家庭で調理された同等品とほぼ同じくらい正確です。誤差のギャップは、主に揚げ物、ソース付き料理、目に見えない追加脂肪を含むアイテムで広がります。
製造者のラベルが間違っているパッケージ食品についてはどうですか？
これは業界全体で知られている問題です。FDAの規制により、ほとんどの栄養素について栄養ラベルは最大20パーセントの偏差を許可されています。私たちのバーコード精度1.8パーセントは、私たちのデータと製造者のラベルとの一致を反映しており、必ずしもパッケージ内の実際の内容物との一致を示すものではありません。人気製品のラベルの不正確さが独立したラボテストで明らかになった場合、私たちはデータベースにフラグを付け、参照値を調整します。
Nutrolaの精度は登録栄養士の推定とどのように比較されますか？
2025年に発表されたJournal of the American Dietetic Associationの研究によると、写真から食事のカロリーを推定する登録栄養士の平均誤差は10.2パーセントで、栄養士の経験や食事の複雑さによって大きく異なります。Nutrolaの写真ベースの精度は8.9パーセントで、平均してわずかに良好ですが、栄養士は特定の複雑または珍しい料理でAIよりも優れた結果を出します。
ログされた合計が一貫して低いことに気付きました。これは既知の問題ですか？
はい。私たちのベンチマークは、ほとんどの食品カテゴリにおいて約3〜5パーセントの系統的な過小評価バイアスを示しています。これは主に隠れた脂肪の過小評価によるものです。私たちは、ユーザーが必要に応じて調整できるように、ベンチマークテーブルでバイアスの方向を開示しています。もし一貫した過小評価を疑っている場合、調理脂肪を別々にログすることで（AIに推測させるのではなく）、このバイアスを大幅に減少させることができます。
結論
ほとんどの栄養アプリは、信頼を求める一方で、その信頼を与える理由を提供しません。彼らは自信を持ってカロリーの数字を示しながら、エラー率を隠しています。
Nutrolaは、逆のアプローチが正しいと信じているため、精度基準を公開しています。これらの数字が示すのは、私たちが79パーセントの食事で10パーセント以内、93パーセントの食事で15パーセント以内の精度を持っているということです。私たちは、隠れた脂肪のある複雑な料理、データが不足している料理、複数コースの食事において最も弱いです。私たちは、過去1年間で平均誤差を10.4パーセントから6.8パーセントに改善し、さらなる改善を目指す具体的な分野を公開しています。
これらの数字は完璧ではなく、私たちはそれを主張しません。しかし、それは実際のものであり、公開されており、四半期ごとに更新されています。これが私たちが自らに課す基準であり、すべての栄養アプリが満たすべき基準だと信じています。
カロリー追跡アプリを選ぶ際には、シンプルな質問をしてください。このアプリは精度データを示すことができますか？その答えが「いいえ」であれば、なぜそうなのか自問してみてください。
