Loading article…
ブール分析はFlament（1976）によって導入されました。[ 1 ]ブール分析の目的は、アンケートの項目または同様のデータ構造の観測された応答パターン間の決定論的依存関係を検出することです。これらの決定論的依存関係は、項目を接続する論理式の形式をとります。たとえば、アンケートに項目i、j、kが含まれているとします。このような決定論的依存関係の例としては、 i → j、i ∧ j → k、i ∨ j → kなどがあります。
Flament (1976) の基礎研究以来、ブール分析のためのさまざまな手法が開発されてきました。例えば、Buggenhaut と Degreef (1987)、Duquenne (1987)、項目ツリー分析Leeuwe (1974)、Schrepp (1999)、または Theuns (1998) を参照してください。これらの手法は、データからアンケートの項目間の決定論的な依存関係を導き出すという共通の目標を持っていますが、その目標を達成するためのアルゴリズムが異なります。
ブール分析は、項目間の決定論的な依存関係を検出するための探索的手法です。検出された依存関係は、後続の研究で確認する必要があります。ブール分析の手法は、検出された依存関係がデータを完全に記述しているとは想定していません。他の確率的な依存関係も存在する可能性があります。したがって、ブール分析はデータ内の興味深い決定論的な構造を検出しようとしますが、データセット内のすべての構造的側面を明らかにすることを目的としているわけではありません。そのため、ブール分析と併せて、潜在クラス分析などの他の手法を使用することが理にかなっています。
決定論的依存関係の調査は、教育心理学において一定の伝統を持つ。この分野では、通常、対象者の技能や認知能力を表す項目が用いられる。バートとアイラシアン（1974）は、ブール分析を用いて、ピアジェの課題群に対する論理的含意を確立した。この伝統における他の例としては、ギャニエ（1968）の学習階層や、スカンドゥラ（1971）の構造的学習理論などが挙げられる。
データから知識空間を構築するために、ブール分析、特に項目ツリー分析を用いる試みがいくつか行われている。例としては、HeldとKorossy（1998）やSchrepp（2002）などが挙げられる。
ブール分析の手法は、二値データの構造を理解するために、多くの社会科学研究で用いられています。例えば、BartとKrus（1973）は、社会的に受け入れられない行動を記述する項目に階層的な順序を確立するためにブール分析を用いました。Janssens（1999）は、少数派が支配的な文化の価値体系に統合される過程を調査するためにブール分析の手法を用いました。Romme （1995a）は、ブール比較分析を経営科学に導入し、経営チームにおける自己組織化プロセスの研究に適用しました（Romme 1995b）。
ブール分析は他の研究分野といくつかの関連性があります。ブール分析と知識空間の間には密接な関係があります。知識空間理論は、人間の知識を形式的に記述するための理論的枠組みを提供します。このアプローチでは、知識領域は問題の集合Qによって表されます。領域内の主体の知識は、その主体が解決できるQの問題のサブセットによって記述されます。この集合は、主体の知識状態と呼ばれます。項目間の依存関係 (たとえば、項目jを解決すると項目iを解決する必要があるなど)のため、一般に、Qのべき集合のすべての要素が可能な知識状態になるわけではありません。すべての可能な知識状態の集合は、知識構造と呼ばれます。ブール分析の手法は、データから知識構造を構築するために使用できます (たとえば、Theuns、1998 または Schrepp、1999)。両研究分野の主な違いは、ブール分析がデータからの構造の抽出に重点を置いているのに対し、知識空間理論は知識構造とそれを記述する論理式との間の関係の構造的特性に焦点を当てている点です。
知識空間理論と密接に関連しているのが形式概念分析（Ganter and Wille、1996）です。知識空間理論と同様に、このアプローチは既存の依存関係の形式的な記述と視覚化に重点を置いています。形式概念分析は、if-then式（「含意」）に焦点を当て、データからそのような依存関係を構築する非常に効果的な方法を提供します。アクセスしにくいデータからすべての含意を抽出するための属性探索[ 2 ]と呼ばれる方法さえあります。
もう一つの関連分野はデータマイニングです。データマイニングは、大規模データベースから知識を抽出することを扱います。いくつかのデータマイニングアルゴリズムは、データベースからj → iの形式の依存関係（アソシエーションルールと呼ばれる）を抽出します。
ブール分析とデータマイニングにおけるアソシエーションルールの抽出の主な違いは、抽出された含意の解釈方法にある。ブール分析の目的は、データセット内のすべての行に対して（応答挙動におけるランダムな誤差を除いて）真となる含意をデータから抽出することである。データマイニングアプリケーションにおいては、事前に定義された精度レベルを満たす含意を検出できれば十分である。
例えばマーケティングのシナリオでは、データセットの行の x% 以上で当てはまるような含意を見つけることが重要です。オンライン書店では、例えば、顧客が書籍 A を注文した場合、利用可能な顧客データの 10% 以上で書籍 B も注文されるという形式の含意を探すことに関心があるかもしれません。