第 5 回

データサイエンス学

Immersive Data Science

バーチャル空間における観測・介入・因果構造の学習

中村亮太 Ryota Nakamura

武蔵野大学データサイエンス学部／ Asia AI Institute

NVIDIA DLI University Ambassador & Certified Instructor

musashino-nakamura.mystrikingly.com ↗

01

Question

What is Data Science?

データサイエンスって、なに？

02

ACTION ／ Notion にまとめる

↑

これがあったら
ノートテイキング

まず、次の3つについて考えてみよう

隣の人と 3〜5分話してみてください

Q1 自分が実現したいことは、何か？

テーマ・アプリ・サービス・社会課題、なんでも。動詞で書ければベスト。

Q2 そのために、どんなデータが必要か？

「人の行動？映像？センサ値？アンケート？」— 観測したいモノを具体的に

Q3 そのデータは、本当に取得可能か？

誰が持っている？／どうやって取る？／コスト・倫理・時間は？

機材：センサ・カメラ・マイク・VR/ARデバイス・脳波計・視線計測器・スマホ／IoT・API ／そのデータは「測れる機材」が手元にあるか？

03

Nakamura学生時代 — 衛星通信の電波を測る

アンテナがあるから時系列データにできた

研究室との出会い

大学4年：衛星通信 × ゲリラ豪雨が電波に与える影響を分析する研究室へ
コンピュータが嫌いだった（使いにくい、ユーザの気持ちを考えてくれない）
プログラミング経験ゼロ

気付き：観測できるモノが時系列データ

アンテナ → 受信電力・ノイズ・降雨減衰を 時刻ごとに記録
センサ・カメラ・マイクで 連続的に観測できるモノ が、時系列データになる

初プログラミング

Excelで手作業の分析が大変すぎた → 「自動化したい」だけでコードを書いた
本来は 6ヶ月分 の時系列データ分析で十分だったが、自動化したことで 3年分 も解析できた（修士の学生を超えた）

DS基礎時系列データとは？

時間とともに変化する値を、時刻つきで並べたデータ。
例：気温、株価、心拍、降雨量、受信電力、Web アクセス数 …

時刻順に並んでいるから、変化・トレンド・周期が見える
DSの基礎：回帰＝過去から未来の電波レベルを予測／分類＝波形を減衰パターンに判別（無降雨／軽雨／豪雨）

ACTION 自分の取組みは 回帰? 分類? を Notion に

04

Nakamura学生時代 — 生体情報を測る

脳波・視線・表情温度から、ユーザの意図と気持ちを推定する

領域：Human-Computer Interaction (HCI)

人とコンピュータの間の相互作用を研究する分野。
コンピュータをどう設計すれば、人が自然に・効率的に・気持ちよく使えるか を、人間側（認知・行動・身体）から考える。

ヒューマンインタフェース — 画面・入力デバイス・音声 UI 等、人と機械の接点の設計
グループウェア / CSCW（協調作業支援）— 複数人がコンピュータを介して共同作業する仕組み

生体情報の計測 — 内部状態を観測する

＋脳波（Brain waves）／身体動作

05

NUI — Natural User Interface

人の自然な振る舞い（視線・声・身振り・表情）でコンピュータと対話する

06

Nakamura学生時代 — 生体情報を測る

脳波・視線・表情温度から、ユーザの意図と気持ちを推定する

領域：Human-Computer Interaction (HCI)

人とコンピュータの間の相互作用を研究する分野。
コンピュータをどう設計すれば、人が自然に・効率的に・気持ちよく使えるか を、人間側（認知・行動・身体）から考える。

ヒューマンインタフェース — 画面・入力デバイス・音声 UI 等、人と機械の接点の設計
グループウェア / CSCW（協調作業支援）— 複数人がコンピュータを介して共同作業する仕組み

生体情報の計測 — 内部状態を観測する

＋脳波（Brain waves）／身体動作

応用：マルチメディア自動処理

テキスト・映像・音楽 × Focused / Excited など状態推定
→ ユーザの意図・気持ちを推定し、自動処理に反映

代表事例：Ghost-Tutor

視線・眼球運動に基づく自学習支援システム
個人の学習ペースを考慮した支援を実現

07

Nakamura研究例 — GhostTutor の仕組み（視線で集中度を測る）

集中しているとき／していないとき、視線の動きには明確な違いがある

上：眼球運動の時系列（60秒）／下：視線軌跡 — 左=非集中(疎で大きな動き) / 右=集中時(細かく密)

視線パターン × 集中度

集中しているとき：目から情報を得ようとして、視線を 絶えず細かく動かす（密で素早い動き＝ 固視微動）
集中していないとき：目の動きが 減り、動きも大きく なる（大きな サッケード）
瞬きの頻度・視線移動速度・軌跡から 集中度を推定

GhostTutor の動作

左：学習用ビデオ／右：視線・瞬き・速度・軌跡の計測結果
推定した集中度に応じて 映像を自動制御 ／ 集中していないと判定したら再生停止＋アラーム

データ取得（視線の時系列） → 分析（固視微動／サッケードのパターン抽出） → 数式化（学習状況を識別するためのモデル化） → 実装（集中／非集中の自動判定＋映像制御）

08

Nakamura研究例 — 脳波で「驚き」を捉える

驚いた瞬間、脳波には鋭い反応が現れる

EEG サンプル — 驚き刺激と脳波の同期変化

集中・驚き × 脳波

集中しているとき → 脳波の α 波領域が減衰 する（α 減衰）
驚いたとき → 脳波の β 波領域が突発的に上昇 する

09

Nakamura研究例 — MindStudio（リプレイ映像の自動生成）

カメラマンの脳波（驚き反応）でハイライト箇所を自動マーキング

カメラマンが簡易脳波計を装着して撮影中

システムのしくみ

カメラマンが 簡易脳波計（EEG ヘッドセット） を装着
カメラで撮影しながら、脳波を常時記録
「お！」と驚いた瞬間 → 脳波の β 波が突発上昇 → ハイライト候補としてタイムスタンプ
「決定的瞬間」を 言葉や手動操作なし で印付け

従来との違い

従来：撮影後に 人がレビュー してハイライトを切り出す（時間がかかる）
MindStudio：撮影しながら 脳波が自動でマーキング

10

Nakamura研究例 — MindStudio（自動生成された映像）

脳波が反応した瞬間だけを切り出した、リプレイ映像

MindStudio が自動生成したリプレイ映像（脳波ハイライトのみを連結）

意義

カメラマンの 無意識の「お！」 がそのまま編集判断になる

時系列データ（EEG） × 分類（驚き／非驚き） × メディア処理 が 実用システム になった例

つまり…

「観測できる生体情報」を 時刻つきで束ねる と、
人間の主観的体験 までデータ化できる

データ取得（脳波の時系列） → 分析（α 減衰／β 突発上昇のパターン抽出） → 数式化（集中・驚きを識別するモデル化） → 実装（集中／驚きの自動判定）

11

ACTION ／任意の 相関関係を散布図で示した例 を探し、
Notion に画像として貼り付ける

Nakamura25年前から、すでにデータサイエンスしていた

パターンを見いだし、数式（モデル）を作る — それは科学者が当たり前にやっていた営み

よく考えると、データで科学するって、
科学者が当たり前にやっていることだ。
「データサイエンス」と聞いたとき、何を言っているんだろう？という気持ちになった。

① データ取得

世界を 観測可能 なものに変える

カメラ（画像・映像 / 視線）
センサ（脳波・心拍・温度・加速度・GPS）
マイク（音声・環境音）
ログ／API（Webアクセス・購買・SNS）
実験・アンケート（人手で集める）

→ 「測れる機材があるか」が出発点

② パターン発見

データの中に 規則性 を見いだす

可視化（散布図・時系列プロット・ヒストグラム）
統計（平均・分散・相関・分布）
主成分分析（PCA — たくさんの項目を、データの違いがよく見える少数の軸に要約）
クラスタリング（似たものをグループ化）

→ 「データのどこに意味があるか」を見抜く

③ モデル化（数式）

パターンを 数式（モデル） に落とし込む

回帰 — 連続値を予測する数式
例：気温→電力需要、視線速度→集中度
分類 — カテゴリに割り当てる数式
例：脳波→驚き / 非驚き、顔→喜怒哀楽
シミュレーション（再現・what-if）

→ 再現・説明・予測 ができる形にする

いまの DS の中心 は、③ モデル化 を 機械学習・深層学習 が担うこと。
→ 次のスライドで「モデル＝関数」とは何かを整理する

12

データ分析や機械学習プロジェクトの標準プロセス — CRISP-DM

CRoss Industry Standard Process for Data Mining（1996〜）

業界・分野を問わず使われる データ分析プロジェクトの標準サイクル。
６つの工程を反復しながらモデルを磨き上げる。

Business Understanding — 何を解きたいか／成功基準を定義
Data Understanding — 集めたデータを眺める／品質を確認
Data Preparation — 欠損補完・正規化・特徴量設計（最も時間を使う）
Modeling — 回帰・分類・クラスタリングなど数式に落とす
Evaluation — 目的に対して妥当か検証する（精度だけでなく業務適合）
Deployment — 実環境に組み込み・運用・継続改善

矢印が双方向なのがポイント — Modeling から Data Preparation に戻る、Evaluation から Business Understanding に戻る のは日常茶飯事。
一直線ではなく 行ったり来たり しながら問題理解と実装を同時に深める。

出典：CRISP-DM 1.0（Chapman et al., 2000） — 25年経っても基本構造はそのまま使われている。

13

ACTION ／自分がつくるとしたら
「何を入れて、何が出る」モデル？を Notion に

そもそも「モデル」って何？

モデル＝関数。入力を入れると、何かを出力する箱。

14

実空間でデータを取るのは、なぜ難しいか

これまでの私の研究 — 実空間データ

カメラ・センサ等が必要
設置・校正コストが高い
照明変化や遮蔽など 制御不能な要因 が多い
安定したデータ品質の維持が困難
多人数・長時間・多拠点への展開がスケールしない

これまでの研究の流れ

実空間データ取得・分析
→
仮想空間データ取得・分析
→
仮想空間因果推論・介入設計・AI開発

仮想環境・VR装置を データ取得の手段 へ

事例：ドラッグストアに数百台のカメラを設置して購買行動を分析

1店舗に 100〜300台 のカメラ＋POS・棚センサを設置
視線・動線・滞在時間・手の動き・購買を全てログ化
映像保存・伝送・処理に GPU クラスタ + 大容量ストレージ
同意・プライバシー対応・法務 が常時必要
1チェーン展開で 数千万〜億円規模 のシステム投資

● ＝カメラ（数百台）／視線・動線・滞在時間・手の動き・購買をすべてログ化

実空間で「人がどう振る舞うか」を観測しようとすると、機材・運用・法務の全方位に大規模システム が要求される。
→ 個人・中小研究室では現実的に手が出せない。だから バーチャル空間 へ。

15

Shift

実空間 → バーチャル空間

研究環境 を変える

16

ACTION ／これから紹介する事例の中で
最も興味があったものを Notion に記載

バーチャル空間でデータサイエンス事例 —VRチアダンス

応援動作の身体センシング・同期データ

※ これから紹介する事例は すべて学生との共同研究

17

バーチャル空間でデータサイエンス事例 —河川ゴミの可視化、ゴミ回収会議

18

バーチャル空間でデータサイエンス？事例 —VR エンタメ環境

大学キャンパスを舞台にゾンビ化した教員から逃げる

19

バーチャル空間でデータサイエンス事例 —バーチャル旅行体験

VRトラベル — Google StreetView と連携、世界中のあらゆる地点を VR で旅できる

20

バーチャル空間でデータサイエンス事例 —バーチャル展示会

アバター間インタラクションの観測 — グラフや表でデータ分析

21

バーチャル空間でデータサイエンス事例 —SpaceTimePlayer

時空間データの再生・分析プレイヤー — グラフや表では捉えきれない時空間パターンを、空間内を歩きながら身体感覚で把握（Immersive Analytics）

22

バーチャル空間でデータサイエンス事例 —武蔵野大学100周年記念イベント

大規模イベントを仮想空間で再現

23

バーチャル空間でデータサイエンス事例 —プレゼンテーションルーム

100周年記念イベントの講演空間

24

バーチャル空間でデータサイエンス事例 —バーチャル空間と実空間の融合

総合デモ — 観測・分析の実演

25

バーチャル空間でデータサイエンス事例 —VR拍手サイバーフィジカルシステム (CPS)

実空間の変化をバーチャル空間に反映させるサイバーフィジカルシステムの簡易例

26

バーチャル空間でデータサイエンス事例 —Mixed Reality 空間

さきほどの逆 — 実空間の中にバーチャルなオブジェクトを配置（重畳表示）

27

バーチャル空間でデータサイエンス事例 —MR × ショート動画

MR配信の反応データ

28

バーチャル空間でデータサイエンス事例 —MR パーソナルカラー

MR 上での個人最適化マッチング

29

ACTION ／後ほど紹介する
解決方法を Notion に書く

バーチャル空間でデータサイエンスする際の障壁

やりたいこと

仮想環境上での ユーザの言動データ（移動・視線・操作・発話・滞在）を取得し、DS 手法で分析・モデル化 したい。

壁

仮想環境を ゼロから構築 するのに膨大なコスト：
Unity / Unreal Engine / WebXR (HTML・JavaScript) ／ 3Dモデリング・テクスチャ・物理演算・ネットワーク同期・配信 …
技術・時間・人材・資金 のすべてが要求される

結果

データ取得以前に、環境構築だけで数ヶ月〜数年 かかり、
研究の本質であるデータ分析へ到達できない。

問題：仮想環境での言動を DS で扱いたいが、
環境構築コストが大きく、研究の本質であるデータ分析に到達できない。

30

バーチャル空間でデータサイエンス事例 —既存のバーチャル空間プラットフォームを利用

Unreal Editor for Fortnite を活用した空間（データ取得不可）

31

バーチャル空間でデータサイエンス事例 —有明キャンパスのデジタルツイン

PLATEAU 3D都市データを統合した実キャンパスの再現 — 建物内の構造データは取得できない

32

そこで

しゃべるだけ・書くだけで 3D 空間が生まれる

以上のようにバーチャル空間で DS をしてきたが、毎回 空間作りが大変 だった — それを AI で自動化

従来：空間作りに数週間〜数ヶ月

モデリング・テクスチャ・ライティング・スクリプティング
GLB/glTF を手作業で配置・調整
データ取得以前に研究が止まる

いま：音声・テキストで自動生成

「夜の図書館を作って」「商店街を再現して」と話すだけ
LLM が意図を解釈 → 3D オブジェクト・空間を自動配置
テキスト入力でも同様 — すぐ歩き回れる
構成：LLM × プロンプトエンジニアリング × WebXR

→ 仮想空間制作のコストが崩壊。
ようやく データサイエンス側に時間を使える ようになった。

33

いまの開発

バイブコーディングで、アイディアが "動くカタチ" になる

AI と対話しながらコードを書く新しいスタイル（AIコーディング＝バイブコーディング）— 思いついたものを その場で形にできる

かつて：作りたくても、作れなかった

言語の文法・環境構築・エラー対応を 何年もかけて習得
アイディアがあっても 完成まで遠かった

いま：話す・指示するだけ

「こんなアプリが欲しい」と伝えると AI が一緒にコードを書く
動かす → 直す → また動かすを 圧倒的なスピードで
専門家でなくても アプリ・ゲーム・3D 空間 を作れる時代に

→ 情報工学とは、アイディアをカタチにする力。
想像したものを、自分の手で現実に動かせる。

34

AIコーディングで空間自動生成

LLM を活用した AIコーディング（バイブコーディング） で空間自動生成システムを開発 — テキスト（自然言語） → 3D 空間　WebXR(HTML+JavaScript) + WebGPU

35

Dimensio データ可視化

3D 空間の自動生成だけではなく、ユーザ言動の データ自動取得・可視化 も実現（散布図・時系列を VR 空間内に）

36

バーチャル空間でデータサイエンス事例 —VRバーチャル教室

バーチャル空間での授業 — 学生の参加・行動を観測

37

バーチャル空間でデータサイエンス事例 —VRゼミ

VRゼミ空間 — 発言・視線・行動データを取得

38

バーチャル空間でデータサイエンス事例 —VRミュージックライブ

バーチャル空間での音楽ライブ — 観客行動データ／ ペンライトの光らせ方をシミュレーション

39

バーチャル空間でデータサイエンス事例 —1000アバター同時接続

大規模同時接続でのスケール検証 — WebGPU 描画 のメリット（GPUの並列処理で多数アバターを高速レンダリング）

40

バーチャル空間でデータサイエンス事例 —リアルタイム多言語翻訳

生成AI を活用 したVR内での同時多言語コミュニケーション

バーチャル空間 × AI は相性がいい

テキスト・音声・映像が すべてデジタル なので AI が即座に処理できる
AI が 介入しやすい（翻訳・要約・サポート・案内）
ユーザの行動や発話も 自動でログ化 → DS と直結

本事例：生成AI 連携

音声をリアルタイム文字化
生成AI で 多言語翻訳・要約
VR空間内で 字幕として即時表示

41

ACTION ／事例はここまで。
最も興味のあった作品を Notion に記述

バーチャル空間でデータサイエンス事例 —VR 広告分析

広告の自動配置 ＋ 視聴データの自動取得・可視化 — VR内広告の視線・反応分析

42

Then …?

これからのデータサイエンスは …

43

これからのデータサイエンスは AIドリブン

「データから知識を得る」から、「AI の知能そのものを設計する」学問へ拡張

これまでの DS

データを 集める
データを 分析する
傾向・規則性を 見つける
未来を 予測する

→「データから知識を得る」ことが中心

これからの DS（AI 時代）

AI が 学習しやすい環境 を作る
AI が 世界を理解 できるようにする
AI が 推論・行動 できるようにする

→「AI の知能そのものを設計する」学問へ

今の DS は 3 つの層 で考えると分かりやすい

LAYER ①

AI を使う DS

AI 分析・AutoML
LLM 活用・可視化支援
業務支援

AI を 道具として活用 する段階。
すでに多くの企業で普及

LAYER ②

AI を育てる DS

高品質データ / マルチモーダルデータ
シミュレーション / Synthetic Data
評価設計 / 人間-AI 相互作用

AI が学習しやすい データ・環境・評価 を設計。
現在もっとも重要

LAYER ③

AI そのものを進化させる DS

World Model / 因果推論
Embodied AI / Agent
長期記憶 / 空間理解 / 時間理解

← 私の研究はここ寄り
（VR × 因果 × アバタ × 反実仮想 × 空間行動理解）

「ただ予測する AI」から 「世界を理解して行動する AI」 へ。
LLM に加えて、Physical AI ／ Spatial AI ／ World Model ／ Embodied AI へ研究が広がっている。

44

ACTION ／ 相関と因果の違い を
たとえ話で Notion に説明

既存 LLM の限界 — 相関は分かる、因果は分からない

相関 (correlation) ≠ 因果 (causation)

古典例：国民1人あたりのチョコレート消費量とノーベル賞受賞数

観測：チョコレートをよく食べる国ほど、ノーベル賞受賞者が多い (Messerli, NEJM 2012)

でも：チョコを食べても、ノーベル賞は取れない

→ 真の原因は 国の経済水準・教育投資。
豊かな国はチョコ消費も多く、研究にも投資できる ── 共通原因（交絡因子）。

これが「相関 ≠ 因果」の典型例

既存 LLM が学べる範囲

P(Y | X) — 観測データの同時分布から取れる 相関パターン。
「チョコレート消費とノーベル賞は相関する」とは 知っている。
だがなぜ・本当の原因は何か は分からない。

LLM に欠けているもの

介入（do(X)）を実行できない
反実仮想を物理的に試せない
「もしチョコ消費だけ増やしたら」の世界を観測できない
→ 因果関係を本質的に区別できない

既存 LLM にはできない 因果推論 を、できるようにしたい。

45

バーチャル空間 × AI は本質的に相性がいい

AI が本当に必要とするもの＝バーチャル空間が提供できるもの

バーチャル空間が提供できる

完全な状態観測 — 位置・姿勢・視線・操作・発話すべて
自由な介入 — 環境・条件・他者の振る舞いを任意に変えられる
無限の再現性 — 同一シナリオを何度でも、do(X) ごとに
すべて デジタル なので AI が即座に処理できる

AI が要求するもの

大量のデータ・反復実験
do(X) 介入 による因果学習
連続的な観測 → 状態モデル 構築
安全に試せる失敗 の場

両者は 補完関係。
実空間では不可能なことが、バーチャル空間ではすべて成り立つ。

46

バーチャル空間で AI を育てる＝ Immersive Data Science

ポスト LLM 時代のテーマ — 言語ではなく世界を理解する AI へ

VR 内で完結する DS サイクル

観測
実空間以上の精度 → 介入
do(X) → 反実仮想
counterfactual → モデル化
因果モデル / 世界モデル

ポスト LLM 時代のテーマ

● VR ● 因果 ● 空間 AI ● アバタ ● 自律学習 ● 行動解析 ● Embodied AI ● World Model

既存の AI にできないことを、バーチャル空間で育てる。
それが Immersive Data Science。

47

IDS は LLM の次の層 — 世界を理解する AI へ

「言語を話す AI」から「世界を仮想的に理解し、介入し、結果を試せる AI」へ

既存 LLM が得意な領域

P(next token | context)

次の単語予測 / テキスト生成
要約・知識検索・会話
コード生成

本質：巨大化されたパターン補完。物理法則・身体運動・動的因果は 言葉として知っている だけで、本当には扱えない。

IDS が扱う領域

P(Y | do(X)) — Pearl 系の因果推論

状況理解（空間・運動・時系列）
因果推論 / 反実仮想（counterfactual）
インタラクティブ介入（do(X)）
身体・空間理解
人間同士の相互作用

例：「もしディフェンスを 30cm 寄せたら？」 — 単なる予測ではなく 介入推論。

AI 研究の進行方向

LLM
言語 → Multimodal
画像・音声 → Agent
行動 → World Model
世界理解 → Causal Model
因果理解 → Embodied AI
身体性

↑ IDS はこの領域 — World Model ＋ Causal AI ＋ Embodied AI ＋ Simulation AI の統合

"LLM 不要"ではない。
LLM × World Model × Causal Model × RL/Agent × VR の統合へ。

48

最後に

IDSの概念から、
具体的な実装へ

49

IDS事例 — バスケットボール 1on1 因果シミュレーション

反実仮想が可能な 因果モデル による 1on1 シミュレーションツール

因果モデルで何ができるか

「もし ディフェンスがあと半歩寄っていたら」
「もし このタイミングでクロスオーバー していたら」
などの 反実仮想 をその場で再生

仕組み

単眼映像から 姿勢・位置・速度 を推定
選手間の 因果関係（距離・角度・タイミング）を構造化
VR空間で do(X) 介入を実行 → 結果を可視化

→ 「観測 → 介入 → 反実仮想」を VR内で完結。
コーチングや自律学習支援への応用が可能。

既存の LLM ＝相関のみ　／　IDS ＝ 因果（介入＋反事実）

50

データサイエンス学

What is Data Science?

まず、次の3つについて考えてみよう

Q1 自分が実現したいことは、何か？

Q2 そのために、どんなデータが必要か？

Q3 そのデータは、本当に取得可能か？

Nakamura学生時代 — 衛星通信の電波を測る

研究室との出会い

気付き：観測できるモノが 時系列データ

初プログラミング

DS基礎 時系列データとは？

Nakamura学生時代 — 生体情報を測る

領域：Human-Computer Interaction (HCI)

生体情報の計測 — 内部状態を観測する

NUI — Natural User Interface

Nakamura学生時代 — 生体情報を測る

領域：Human-Computer Interaction (HCI)

生体情報の計測 — 内部状態を観測する

応用：マルチメディア自動処理

代表事例：Ghost-Tutor

Nakamura研究例 — GhostTutor の仕組み（視線で 集中度 を測る）

視線パターン × 集中度

GhostTutor の動作

Nakamura研究例 — 脳波で「驚き」を捉える

集中・驚き × 脳波

Nakamura研究例 — MindStudio（リプレイ映像の自動生成）

システムのしくみ

従来との違い

Nakamura研究例 — MindStudio（自動生成された映像）

意義

つまり…

Nakamura25年前から、すでに データサイエンス していた

① データ取得

② パターン発見

③ モデル化（数式）

データ分析や機械学習プロジェクトの 標準プロセス — CRISP-DM

そもそも「モデル」って何？

実空間で データを取る のは、なぜ難しいか

これまでの私の研究 — 実空間データ

これまでの研究の流れ

事例：ドラッグストアに 数百台のカメラ を設置して購買行動を分析

実空間 → バーチャル空間

バーチャル空間でデータサイエンス事例 —VRチアダンス

バーチャル空間でデータサイエンス事例 —河川ゴミの可視化、ゴミ回収会議

バーチャル空間でデータサイエンス？事例 —VR エンタメ環境

バーチャル空間でデータサイエンス事例 —バーチャル旅行体験

バーチャル空間でデータサイエンス事例 —バーチャル展示会

バーチャル空間でデータサイエンス事例 —SpaceTimePlayer

バーチャル空間でデータサイエンス事例 —武蔵野大学100周年記念イベント

バーチャル空間でデータサイエンス事例 —プレゼンテーションルーム

バーチャル空間でデータサイエンス事例 —バーチャル空間と実空間の融合

バーチャル空間でデータサイエンス事例 —VR拍手サイバーフィジカルシステム (CPS)

バーチャル空間でデータサイエンス事例 —Mixed Reality 空間

バーチャル空間でデータサイエンス事例 —MR × ショート動画

バーチャル空間でデータサイエンス事例 —MR パーソナルカラー

バーチャル空間でデータサイエンスする際の 障壁

やりたいこと

壁

結果

バーチャル空間でデータサイエンス事例 —既存のバーチャル空間プラットフォームを利用

バーチャル空間でデータサイエンス事例 —有明キャンパスのデジタルツイン

しゃべるだけ・書くだけ で 3D 空間が生まれる

従来：空間作りに数週間〜数ヶ月

いま：音声・テキストで自動生成

バイブコーディングで、アイディアが "動くカタチ" になる

かつて：作りたくても、作れなかった

いま：話す・指示するだけ

AIコーディングで空間自動生成

Dimensio データ可視化

バーチャル空間でデータサイエンス事例 —VRバーチャル教室

バーチャル空間でデータサイエンス事例 —VRゼミ

バーチャル空間でデータサイエンス事例 —VRミュージックライブ

バーチャル空間でデータサイエンス事例 —1000アバター同時接続

バーチャル空間でデータサイエンス事例 —リアルタイム多言語翻訳

バーチャル空間 × AI は 相性がいい

本事例：生成AI 連携

バーチャル空間でデータサイエンス事例 —VR 広告分析

これからの データサイエンス は …

これからの データサイエンス は AIドリブン

これまでの DS

気付き：観測できるモノが時系列データ

DS基礎時系列データとは？

Nakamura研究例 — GhostTutor の仕組み（視線で集中度を測る）

Nakamura25年前から、すでにデータサイエンスしていた

データ分析や機械学習プロジェクトの標準プロセス — CRISP-DM

実空間でデータを取るのは、なぜ難しいか

事例：ドラッグストアに数百台のカメラを設置して購買行動を分析

バーチャル空間でデータサイエンスする際の障壁

しゃべるだけ・書くだけで 3D 空間が生まれる

バーチャル空間 × AI は相性がいい

これからのデータサイエンスは …

これからのデータサイエンスは AIドリブン

AI を使う DS

AI を育てる DS

AI そのものを進化させる DS

既存 LLM の限界 — 相関は分かる、因果は分からない

古典例：国民1人あたりのチョコレート消費量とノーベル賞受賞数

バーチャル空間 × AI は本質的に相性がいい

バーチャル空間が提供できる

AI が要求するもの

バーチャル空間で AI を育てる＝ Immersive Data Science

IDSの概念から、
具体的な実装へ