TED日本語 - ジェレミー・ハワード: 自ら学習するコンピュータの素晴らしくも物恐ろしい可能性

品詞分類

主語
動詞
助動詞
準動詞
関係詞等

Data

内容

コンピューターに学び方を教えた時何が起きるのでしょう?科学技術者であるジェレミー・ハワードが、急速に発展しているディープ・ラーニングの分野で起きている驚くべきことを紹介してくれます。コンピューターが中国語を学び、写真に写っている物を認識し、医療診断をする。(あるディープ・ラーニング・プログラムは何時間ものYouTubeビデオを見た後、「猫」の概念を自ら学び取りました。)この分野の最新動向を押さえておくことにしましょう。それは私達の身の回りのコンピューターの振る舞いを変えることになるでしょうから・・・あなたが思っているよりも早く。

Script

これまではコンピューターに 何かさせようと思ったら プログラムを書く 必要がありました プログラミングはやったことが ないかもしれませんが やりたいことを 実現するために コンピューターが 行うべきことを 事細かに指定してやる 必要があります だから実現したいことの 具体的なやり方を知らずに プログラムを書くというのは 難しい話です

それがこの写真の人物 アーサー・サミュエルが直面した問題でした 1956年のこと 彼はチェッカーで 自分に勝てるプログラムを 作りたいと思いました しかしどうしたら 自分より上手く チェッカーを指す手順を 詳細に記述することができるでしょう? 彼は良い方法を 思いつきました コンピュータ自身を相手に 何千回も チェッカーの対局をさせて 自分で学ばせるんです これはうまくいきました そのプログラムは実際 1962年に コネチカット州チャンピオンを 破ることができました

だからアーサー・サミュエルは 機械学習の父とも言え 私自身 彼に 多くを負っています というのも私は機械学習の応用を 生業としているからです 私が代表を務めていた Keggleには20万人以上の 機械学習専門家が属しています Keggleでは かつて解かれたことのない課題を使って 競技会を開催していて 何百回となく 成功を収めています そのような立場から 機械学習には かつて何ができ 今何ができて 将来何ができるようになるか 多くのことを 学ぶことができました 機械学習が商業的に大きな成功を収めた 最初の例は Googleかもしれません Googleは 機械学習を使った アルゴリズムによって 情報を見つけられることを 示しました それ以来 機械学習の商業的な成功事例が たくさん生まれています AmazonやNetflixのような企業は 機械学習を使って ユーザーが買いたいであろう商品や 見たいであろう映画を 提示していて その精度は 時に不気味なくらいです LinkedInやFacebookは 知り合いかもしれない人を示唆し なぜ分かったのか 当人には 見当も付きませんが これも機械学習の力を 使っているのです 手順が事細かに プログラミングされているのではなく どうすべきかをデータから学習する アルゴリズムが使われています

IBMのワトソンが ジェパディの世界チャンピオン 2人を破ったのも そのような方法によってで ご覧のような複雑な問いに 答えることができました [2003年にこの町の国立博物館から古代の “ニムルドの獅子” が (その他多くの品とともに) 消えた] 自動運転車が実現可能になったのも 機械学習のお陰です たとえば木と歩行者を 見分けるといったことが できる必要があります そのようなことの具体的な手順が どうすれば書けるのか 分かりませんが 機械学習で可能になったのです 事実この車は 事故を起こすこともなく 普通の公道を 何百万キロも走行しています

コンピューターは 単に学べるだけでなく どうしたらできるのか 分からないようなことも 学ぶことができ 人間よりも上手くなることも あり得るのです 機械学習で最も目覚ましい 事例の1つは 私がKeggleで主催した プロジェクトで ジェフリー・ヒントン率いる トロント大のチームが 薬を発見する競技に 優勝した時です これがすごいのは 医薬大手のメルク社や この分野の専門家チームの 開発したアルゴリズムを破った彼らのチームに 化学や生物学やライフサイエンスを ちゃんと学んだ経験のある人が誰もいなかったことで しかも たった2週間で やってのけたのです どうして可能だったのか? ディープ・ラーニングと呼ばれる アルゴリズムを使ったのです ことの重大さは 数週間後に ニューヨークタイムズ紙の 一面で取り上げられたことでも 分かると思います 画面の左に出ているのが ジェフリー・ヒントンです ディープ・ラーニングというのは 人の脳の仕組みを参考にしたアルゴリズムで 何が可能かについて 理論的には限界がありません より多くのデータと 処理時間を使うほど より良い結果が得られます

ニューヨークタイムズは その記事でもう1つ ディープ・ラーニングのすごい事例を 取り上げています それをこれからお見せしましょう コンピューターが人の話を聞いて 理解できることを示すものです

(ビデオ) このプロセスの 最後に加えたいステップは 実際に中国語で 話させるということです ここで鍵になるのは 中国語話者から得た 膨大な情報を使って 中国語のテキストを 音声に変える 音声合成システムを作り 1時間ほどの 私自身の声のデータを使って そのシステムを調整し まるで私が話しているかのようにする ということです まだ完璧なものではありません たくさんミスをします (音声合成された中国語訳) (拍手) この領域で為されるべきことは まだたくさんあります (音声合成された中国語訳) (拍手)

これは中国で行われた カンファレンスでのものですが 学会で拍手が 沸き起こるというのは あまりないことです もっともTEDxは もっと自由な雰囲気がありますが ご覧いただいたものはみんな ディープ・ラーニングで実現されました (拍手) どうも 英語の文字起こしも ディープ・ラーニングだし 右上の中国語に翻訳されたテキストも ディープ・ラーニングによるもので 音声の合成にも ディープ・ラーニングが使われています

ディープ・ラーニングは このようにすごいものです 単一のアルゴリズムで ほとんど何でもできるように見えます この1年前にディープ・ラーニングが 「見る」こともできると知りました ドイツ道路標識認識ベンチマーク という奇妙な競技会で このような道路標識をディープ・ラーニングで 識別できることが示されました 他のアルゴリズムよりも 上手く識別できた というだけでなく このスコアボードにある通り 2位の人間より 2倍高い精度で 識別できたんです 2011年には コンピューターが人よりも 良く見ることができる事例が 生まれたわけです それ以来いろんなことが 起きています 2012年にGoogleが発表したんですが ディープ・ラーニング・アルゴリズムが YouTubeビデオを見て 1万6千台のコンピュータで 1ヶ月 データ処理した結果 コンピューターが「人」や 「猫」といった概念を 自分で学んだということです これは人が学習する方法に 近いものです 人は見たものを 教えられて学ぶよりは むしろそれが何なのか 自分で学んでいくものです 2012年にはまた 先ほど名前の出たジェフリー・ヒントンが 有名なImageNet競技会で 優勝しましたが これは150万の画像を 何の写真か 判別するというものです 2014年の時点で 画像認識の誤り率は 6%までになっています これも人間より高い精度です

機械はこの面で非常に良い仕事を するようになっており 商業的にも 利用されています たとえばGoogleは 去年フランス国内のすべての番地を 2時間で地図に登録したと 発表しました その方法は ストリートビューの画像を ディープ・ラーニング・アルゴリズムに食わせて 所番地を識別させるというものです かつてなら どれほど時間を 要したか分かりません 何十人掛かりで 何年もかかったでしょう こちらは中国の Baiduによるもので 中国版のGoogle のようなサービスです 左上の画像は 私がBaiduのディープ・ラーニング・システムに アップロードしたものです 下に並んでいるのは システムがその画像を理解して 似た画像を集めた結果です 類似画像は 似たような背景や 似た顔の向きを持ち 同じく舌を出してる ものまであります ウェブページの文章によって 見つけたものではありません アップしたのは 画像だけです 今やコンピュータは 見た物を理解して 何億という画像の データベースから リアルタイムで検索できるまでに なっているのです

コンピュータに「見る」ことができるというのは どんな意味を持つのか? しかしできるのは 見ることだけではありません ディープ・ラーニングには それ以上のことができます このような複雑で ニュアンスに富んだ文章を ディープ・ラーニング・アルゴリズムは 理解できます ご覧いただいているのは スタンフォード大のシステムですが 一番上の点が赤色になっていて 文が全体としてネガティブな感情を 表していることを示しています ディープ・ラーニングは今や 文章が何について何を言っているのかを 人間に近い精度で 理解できるようになっているのです ディープ・ラーニングは 中国語を読むのにも使われ 中国語のネイティブ話者並の 精度があります これを開発したのは スイスのチームですが その中に中国語の分かる人は いなかったそうです ディープ・ラーニングは これに関して ネイティブの人間にも劣らない 最も優れたシステムなのです

これは私の会社で 構築したシステムで すべてを組み合わせたものです これらの画像には テキストが紐付けされてはおらず ユーザーが文をタイプすると リアルタイムで画像を理解し 何の画像かを判別して 書き込まれた文に近い画像を 見つけます だから私の書いた文と これらの画像を 同時に理解しているわけです Googleのサイトで 似たものを見たことがあるでしょう 何かタイプすると 画像が表示されますが そこで実際に行われているのは テキストによるウェブページの検索です 画像を理解するというのとは ずいぶん違うことです このようなことが できるようになったのは ほんのここ数ヶ月のことです

コンピューターには「見る」だけでなく 「読む」こともでき 「聞く」ことによって理解できることも お見せしました そうすると「書く」ことだってできると言っても 驚かないかもしれません これは私が昨日 ディープ・ラーニング・ アルゴリズムで生成したテキストです こちらはスタンフォード大のアルゴリズムで 生成されたテキストです それぞれの画像を 説明する文が ディープ・ラーニング・アルゴリズムによって 生成されています アルゴリズムは「ギターを弾いている黒いシャツの男」を 前に見たことはありません 「男」を見たことはあり 「黒い」ものを見たことはあり 「ギター」を見たことはありますが このキャプションは画像に対して 新しく独自に作り出されたものです 書くことに関してはコンピューターは まだ人間に及びませんが 近づいています テストでは4回に1回は コンピューターの生成した文の方が好ましい ― という結果になっています このシステムはできて まだ2週間しかたっていないので このまま行くと たぶん来年中には コンピューターアルゴリズムの成績が 人間を上回るのではと思います だからコンピューターは 書くこともできるのです

これらをまとめたら 非常に興味深い可能性が開けます たとえば医療です あるボストンのチームは コンピューターによって 医師が がんの診断を する上で役に立つ 何十という腫瘍の特徴を発見したと 発表しました 同様にスタンフォードのグループは 組織の拡大画像を見て がん患者の生存率を 人間の病理医よりも 正確に予想する 機械学習システムを 開発しました どちらのケースも 予測が人間より正確というだけでなく 新たな科学的洞察を もたらしています 放射線医学のケースでは 人間に理解できる 新しい臨床的な指標です 病理学のケースでは 診断において がん細胞だけでなく がんの周囲の細胞も 重要であることを 発見しました これは病理医が 何十年も教わってきたのとは逆です どちらのケースでも システムは 医学の専門家と機械学習の専門家の 組み合わせによって開発されましたが 去年我々はこの面をも 乗り越えました これは顕微鏡で見た 人の組織から がんの領域を 識別する例です このシステムは 人間の病理医と同じか それ以上の精度で がん領域を識別できますが 医療の知識や経験のない チームによって ディープ・ラーニングを使って 開発されました 同様に これは ニューロンの区分けです 今ではニューロンを人間と 同じ正確さで区分けできますが このシステムは医学を 学んだことのない人々が ディープ・ラーニングを使って 開発しました

医学を学んだことのない人間が 医療の会社を始めるのも もはや変なことではないと思え 実際に会社を作ることにしました そうするのは 怖くもありましたが データ分析技術だけでも 有益な医療サービスは 提供可能であると 理論は示しているように見えます ありがたいことに 大変好意的な反応を受け取っており メディアばかりでなく 医学界の人々も 支持してくれています 私たちは医療の 中間部分を受け持って そこを可能な限り データ分析で置き換え 医師には彼らが最も適した部分をやってもらう というのが基本方針です 例をお見せしたいと思います 新しい医療診断テストの生成には 現在15分ほどかかります それをリアルタイムで ご覧に入れますが 一部をはしょって 3分に縮めてやります 医療診断テストを作って お見せするよりは 車の画像を診断するテストを お見せしようと思います その方が分かりやすいので

150万の車の画像から 始めます まず写真を 撮った角度によって 分類したいと思います 画像にラベルはまったく付いておらず 一から始めます ディープ・ラーニング・アルゴリズムを使って 写っている構造領域を 自動的に識別することができます これの良いところは 人とコンピューターで協力して作業できるところです ご覧のように 人が関心のある領域を コンピューターに教え コンピューターがそれに基づいて アルゴリズムを改良します このディープ・ラーニング・システムは 1万6千次元空間になっていて その空間の中で 軸を回転させて 新たな構造領域を 見つけようとします それが成功したら 人間が関心のある領域を 指摘します コンピューターがうまく 領域を見つけられました たとえば角度です このプロセスを経ることで どのような構造を 探しているのか 徐々に伝えていきます これが病気の診断であれば 病理医が病的状態にある領域を 識別するとか 放射線医が問題のある可能性のある小結節を示す といったことを想像できるでしょう 時にアルゴリズムには 難しいこともあります 今の場合 コンピューターが混乱して 前部と後部が ごちゃまぜになっています そのため少し注意して 手で前部を後部から 選り分けてやらなければなりません そうやって こんなグループに関心があるのだと コンピューターに 伝えるのです

こうやって続けていき 少しはしょりますが 機械学習アルゴリズムを 改善させるために 数百の事例を使って 訓練してやります 画像の一部が 薄れていますが これはどう理解すれば良いか 既に認識されたものです それから似たイメージという概念を 使ってやることで コンピューターが 車の前部だけを 見つけられるように なりました そうなったら 人間がコンピューターに その点で上手くできていることを 教えてやります

もちろんこの期に及んでも ある種のグループを分離するのが 難しいことがあります 今の場合 コンピューターに しばらく回転をさせても 依然として 左側と右側の画像が 混在しています コンピューターにもう 少しヒントをやり 右側と左側を可能な限り 分離できる射影を ディープ・ラーニング・ アルゴリズムを使って 見つけられるようにします そのヒントを与えることで ― 上手くいきました 右側と左側を 見分ける方法を どうにか見つけられました

基本的な考え方を 分かっていただけたと思います これは人間がコンピューターに 置き換えられるという話ではなく ― 人とコンピューターが 協力するということです やろうとしているのは これまでは5、6人のチームで 何年もかかっていた ようなことを 1人で15分ほどで できるようにする ということです

このプロセスには 4、5回の反復が必要です 150万の画像を 62%の精度で 分類できるようになりました そうなったら 大きなセクションを選んで 誤りがないか 素早くチェックできます 誤りがあった場合は コンピューターに教えてやります それぞれのグループについて そういうことを行うことで 150万の画像を 80%の精度で 分類できるようになりました そうしたら 正しく分類されなかった 少数のケースについて その理由を考えます このアプローチを 15分やることで 97%の精度で 分類できるようになりました

このようなテクニックは 世界の重要な問題を解決してくれるでしょう 世界的な医師不足です 世界経済フォーラムは 発展途上国において 医師が今の10倍から20倍必要で それだけの医師を育てるには 300年かかると言っています ディープ・ラーニングを使って 医療の効率を上げることで 対処するというのは どうでしょう?

このような機会に 私はワクワクしていますが 同時に懸念している こともあります 地図で青になっている国は 雇用の80%以上が サービス業のところです サービスとは何か? このようなものです これらのことは コンピューターが できるようになりつつあることでもあります 先進国の雇用の80%は コンピューターができるようになったことで 成り立っているのです これは何を 意味するのでしょう? 「他の仕事で置き換えられるから 問題ないよ たとえば データサイエンティストの仕事とか」 と思うかもしれませんが このようなものをデータサイエンティストが構築するのに そう時間はかかりません たとえば今回取り上げた4つのアルゴリズムは 1人の人間によって作られたものです こういうことは 以前にも起き 新しいものが現れては 古い職が新しい職で 置き換えられてきた と言うなら その新しい職は どのようなものになるのでしょう? とても難しい問題です なぜなら人間の能力は 徐々にしか向上しませんが ディープ・ラーニング・ システムの能力は 指数関数的に 向上しているからです 私達がいるのは 追い抜かれる一歩手前です 今は周りを見渡して 「コンピューターはまだ馬鹿だ」 と思っていても 5年もしたら このグラフの天井を突き破ってしまうでしょう 私たちは今この能力について 考える必要があるのです

前にも似たことは 経験しています 産業革命です エンジンの出現による 能力の急激な変化がありました しかししばらくすると 物事はまた落ち着きました 社会的な変動はありましたが あらゆる場面でエンジンが 使われるようになると 状況は安定したのです 機械学習の革命は 産業革命とは 全然違うものになるでしょう 機械学習の革命は 留まることがないからです より優れたコンピューターが 知的活動を受け持ち それによって 知的活動にさらに優れた コンピューターが作れるようになり 世界がかつて 経験したことのないような 変化を起こすことに なるでしょう 何が起こりうるかについての 以前の知見は 当てはまらないのです

この影響は既に現れています 過去25年で 資本生産性は増大しましたが 労働生産性は平坦で むしろ少し下がっています

だから この議論を 今始めて欲しいのです 私がこの状況を 説明しても なかなか真剣に 取り合ってもらえません 「コンピューターには 本当に思考することはできない」 「感情がない」 「詩を理解しない」 「我々は腦の働きを本当に理解してはいない」 などなど だったら何でしょう? 人間がお金をもらい 時間を費やして やっていたことが 機械にも可能になっているんです この新たな現実を踏まえて 社会構造や経済構造を どう調整したら良いか 考え始めるべき時です ありがとうございました (拍手)

It used to be that if you wanted to get a computer to do something new, you would have to program it. Now, programming, for those of you here that haven't done it yourself, requires laying out in excruciating detail every single step that you want the computer to do in order to achieve your goal. Now, if you want to do something that you don't know how to do yourself, then this is going to be a great challenge.

So this was the challenge faced by this man, Arthur Samuel. In 1956, he wanted to get this computer to be able to beat him at checkers. How can you write a program, lay out in excruciating detail, how to be better than you at checkers? So he came up with an idea: he had the computer play against itself thousands of times and learn how to play checkers. And indeed it worked, and in fact, by 1962, this computer had beaten the Connecticut state champion.

So Arthur Samuel was the father of machine learning, and I have a great debt to him, because I am a machine learning practitioner. I was the president of Kaggle, a community of over 200,000 machine learning practictioners. Kaggle puts up competitions to try and get them to solve previously unsolved problems, and it's been successful hundreds of times. So from this vantage point, I was able to find out a lot about what machine learning can do in the past, can do today, and what it could do in the future. Perhaps the first big success of machine learning commercially was Google. Google showed that it is possible to find information by using a computer algorithm, and this algorithm is based on machine learning. Since that time, there have been many commercial successes of machine learning. Companies like Amazon and Netflix use machine learning to suggest products that you might like to buy, movies that you might like to watch. Sometimes, it's almost creepy. Companies like LinkedIn and Facebook sometimes will tell you about who your friends might be and you have no idea how it did it, and this is because it's using the power of machine learning. These are algorithms that have learned how to do this from data rather than being programmed by hand.

This is also how IBM was successful in getting Watson to beat the two world champions at "Jeopardy," answering incredibly subtle and complex questions like this one. [ "The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)" ] This is also why we are now able to see the first self-driving cars. If you want to be able to tell the difference between, say, a tree and a pedestrian, well, that's pretty important. We don't know how to write those programs by hand, but with machine learning, this is now possible. And in fact, this car has driven over a million miles without any accidents on regular roads.

So we now know that computers can learn, and computers can learn to do things that we actually sometimes don't know how to do ourselves, or maybe can do them better than us. One of the most amazing examples I've seen of machine learning happened on a project that I ran at Kaggle where a team run by a guy called Geoffrey Hinton from the University of Toronto won a competition for automatic drug discovery. Now, what was extraordinary here is not just that they beat all of the algorithms developed by Merck or the international academic community, but nobody on the team had any background in chemistry or biology or life sciences, and they did it in two weeks. How did they do this? They used an extraordinary algorithm called deep learning. So important was this that in fact the success was covered in The New York Times in a front page article a few weeks later. This is Geoffrey Hinton here on the left-hand side. Deep learning is an algorithm inspired by how the human brain works, and as a result it's an algorithm which has no theoretical limitations on what it can do. The more data you give it and the more computation time you give it, the better it gets.

The New York Times also showed in this article another extraordinary result of deep learning which I'm going to show you now. It shows that computers can listen and understand.

(Video) Richard Rashid: Now, the last step that I want to be able to take in this process is to actually speak to you in Chinese. Now the key thing there is, we've been able to take a large amount of information from many Chinese speakers and produce a text-to-speech system that takes Chinese text and converts it into Chinese language, and then we've taken an hour or so of my own voice and we've used that to modulate the standard text-to-speech system so that it would sound like me. Again, the result's not perfect. There are in fact quite a few errors. (In Chinese) (Applause) There's much work to be done in this area. (In Chinese) (Applause)

Jeremy Howard: Well, that was at a machine learning conference in China. It's not often, actually, at academic conferences that you do hear spontaneous applause, although of course sometimes at TEDx conferences, feel free. Everything you saw there was happening with deep learning. (Applause) Thank you. The transcription in English was deep learning. The translation to Chinese and the text in the top right, deep learning, and the construction of the voice was deep learning as well.

So deep learning is this extraordinary thing. It's a single algorithm that can seem to do almost anything, and I discovered that a year earlier, it had also learned to see. In this obscure competition from Germany called the German Traffic Sign Recognition Benchmark, deep learning had learned to recognize traffic signs like this one. Not only could it recognize the traffic signs better than any other algorithm, the leaderboard actually showed it was better than people, about twice as good as people. So by 2011, we had the first example of computers that can see better than people. Since that time, a lot has happened. In 2012, Google announced that they had a deep learning algorithm watch YouTube videos and crunched the data on 16,000 computers for a month, and the computer independently learned about concepts such as people and cats just by watching the videos. This is much like the way that humans learn. Humans don't learn by being told what they see, but by learning for themselves what these things are. Also in 2012, Geoffrey Hinton, who we saw earlier, won the very popular ImageNet competition, looking to try to figure out from one and a half million images what they're pictures of. As of 2014, we're now down to a six percent error rate in image recognition. This is better than people, again.

So machines really are doing an extraordinarily good job of this, and it is now being used in industry. For example, Google announced last year that they had mapped every single location in France in two hours, and the way they did it was that they fed street view images into a deep learning algorithm to recognize and read street numbers. Imagine how long it would have taken before: dozens of people, many years. This is also happening in China. Baidu is kind of the Chinese Google, I guess, and what you see here in the top left is an example of a picture that I uploaded to Baidu's deep learning system, and underneath you can see that the system has understood what that picture is and found similar images. The similar images actually have similar backgrounds, similar directions of the faces, even some with their tongue out. This is not clearly looking at the text of a web page. All I uploaded was an image. So we now have computers which really understand what they see and can therefore search databases of hundreds of millions of images in real time.

So what does it mean now that computers can see? Well, it's not just that computers can see. In fact, deep learning has done more than that. Complex, nuanced sentences like this one are now understandable with deep learning algorithms. As you can see here, this Stanford-based system showing the red dot at the top has figured out that this sentence is expressing negative sentiment. Deep learning now in fact is near human performance at understanding what sentences are about and what it is saying about those things. Also, deep learning has been used to read Chinese, again at about native Chinese speaker level. This algorithm developed out of Switzerland by people, none of whom speak or understand any Chinese. As I say, using deep learning is about the best system in the world for this, even compared to native human understanding.

This is a system that we put together at my company which shows putting all this stuff together. These are pictures which have no text attached, and as I'm typing in here sentences, in real time it's understanding these pictures and figuring out what they're about and finding pictures that are similar to the text that I'm writing. So you can see, it's actually understanding my sentences and actually understanding these pictures. I know that you've seen something like this on Google, where you can type in things and it will show you pictures, but actually what it's doing is it's searching the webpage for the text. This is very different from actually understanding the images. This is something that computers have only been able to do for the first time in the last few months.

So we can see now that computers can not only see but they can also read, and, of course, we've shown that they can understand what they hear. Perhaps not surprising now that I'm going to tell you they can write. Here is some text that I generated using a deep learning algorithm yesterday. And here is some text that an algorithm out of Stanford generated. Each of these sentences was generated by a deep learning algorithm to describe each of those pictures. This algorithm before has never seen a man in a black shirt playing a guitar. It's seen a man before, it's seen black before, it's seen a guitar before, but it has independently generated this novel description of this picture. We're still not quite at human performance here, but we're close. In tests, humans prefer the computer-generated caption one out of four times. Now this system is now only two weeks old, so probably within the next year, the computer algorithm will be well past human performance at the rate things are going. So computers can also write.

So we put all this together and it leads to very exciting opportunities. For example, in medicine, a team in Boston announced that they had discovered dozens of new clinically relevant features of tumors which help doctors make a prognosis of a cancer. Very similarly, in Stanford, a group there announced that, looking at tissues under magnification, they've developed a machine learning-based system which in fact is better than human pathologists at predicting survival rates for cancer sufferers. In both of these cases, not only were the predictions more accurate, but they generated new insightful science. In the radiology case, they were new clinical indicators that humans can understand. In this pathology case, the computer system actually discovered that the cells around the cancer are as important as the cancer cells themselves in making a diagnosis. This is the opposite of what pathologists had been taught for decades. In each of those two cases, they were systems developed by a combination of medical experts and machine learning experts, but as of last year, we're now beyond that too. This is an example of identifying cancerous areas of human tissue under a microscope. The system being shown here can identify those areas more accurately, or about as accurately, as human pathologists, but was built entirely with deep learning using no medical expertise by people who have no background in the field. Similarly, here, this neuron segmentation. We can now segment neurons about as accurately as humans can, but this system was developed with deep learning using people with no previous background in medicine.

So myself, as somebody with no previous background in medicine, I seem to be entirely well qualified to start a new medical company, which I did. I was kind of terrified of doing it, but the theory seemed to suggest that it ought to be possible to do very useful medicine using just these data analytic techniques. And thankfully, the feedback has been fantastic, not just from the media but from the medical community, who have been very supportive. The theory is that we can take the middle part of the medical process and turn that into data analysis as much as possible, leaving doctors to do what they're best at. I want to give you an example. It now takes us about 15 minutes to generate a new medical diagnostic test and I'll show you that in real time now, but I've compressed it down to three minutes by cutting some pieces out. Rather than showing you creating a medical diagnostic test, I'm going to show you a diagnostic test of car images, because that's something we can all understand.

So here we're starting with about 1.5 million car images, and I want to create something that can split them into the angle of the photo that's being taken. So these images are entirely unlabeled, so I have to start from scratch. With our deep learning algorithm, it can automatically identify areas of structure in these images. So the nice thing is that the human and the computer can now work together. So the human, as you can see here, is telling the computer about areas of interest which it wants the computer then to try and use to improve its algorithm. Now, these deep learning systems actually are in 16, 000-dimensional space, so you can see here the computer rotating this through that space, trying to find new areas of structure. And when it does so successfully, the human who is driving it can then point out the areas that are interesting. So here, the computer has successfully found areas, for example, angles. So as we go through this process, we're gradually telling the computer more and more about the kinds of structures we're looking for. You can imagine in a diagnostic test this would be a pathologist identifying areas of pathosis, for example, or a radiologist indicating potentially troublesome nodules. And sometimes it can be difficult for the algorithm. In this case, it got kind of confused. The fronts and the backs of the cars are all mixed up. So here we have to be a bit more careful, manually selecting these fronts as opposed to the backs, then telling the computer that this is a type of group that we're interested in.

So we do that for a while, we skip over a little bit, and then we train the machine learning algorithm based on these couple of hundred things, and we hope that it's gotten a lot better. You can see, it's now started to fade some of these pictures out, showing us that it already is recognizing how to understand some of these itself. We can then use this concept of similar images, and using similar images, you can now see, the computer at this point is able to entirely find just the fronts of cars. So at this point, the human can tell the computer, okay, yes, you've done a good job of that.

Sometimes, of course, even at this point it's still difficult to separate out groups. In this case, even after we let the computer try to rotate this for a while, we still find that the left sides and the right sides pictures are all mixed up together. So we can again give the computer some hints, and we say, okay, try and find a projection that separates out the left sides and the right sides as much as possible using this deep learning algorithm. And giving it that hint -- ah, okay, it's been successful. It's managed to find a way of thinking about these objects that's separated out these together.

So you get the idea here. This is a case not where the human is being replaced by a computer, but where they're working together. What we're doing here is we're replacing something that used to take a team of five or six people about seven years and replacing it with something that takes 15 minutes for one person acting alone.

So this process takes about four or five iterations. You can see we now have 62 percent of our 1.5 million images classified correctly. And at this point, we can start to quite quickly grab whole big sections, check through them to make sure that there's no mistakes. Where there are mistakes, we can let the computer know about them. And using this kind of process for each of the different groups, we are now up to an 80 percent success rate in classifying the 1.5 million images. And at this point, it's just a case of finding the small number that aren't classified correctly, and trying to understand why. And using that approach, by 15 minutes we get to 97 percent classification rates.

So this kind of technique could allow us to fix a major problem, which is that there's a lack of medical expertise in the world. The World Economic Forum says that there's between a 10x and a 20x shortage of physicians in the developing world, and it would take about 300 years to train enough people to fix that problem. So imagine if we can help enhance their efficiency using these deep learning approaches?

So I'm very excited about the opportunities. I'm also concerned about the problems. The problem here is that every area in blue on this map is somewhere where services are over 80 percent of employment. What are services? These are services. These are also the exact things that computers have just learned how to do. So 80 percent of the world's employment in the developed world is stuff that computers have just learned how to do. What does that mean? Well, it'll be fine. They'll be replaced by other jobs. For example, there will be more jobs for data scientists. Well, not really. It doesn't take data scientists very long to build these things. For example, these four algorithms were all built by the same guy. So if you think, oh, it's all happened before, we've seen the results in the past of when new things come along and they get replaced by new jobs, what are these new jobs going to be? It's very hard for us to estimate this, because human performance grows at this gradual rate, but we now have a system, deep learning, that we know actually grows in capability exponentially. And we're here. So currently, we see the things around us and we say, "Oh, computers are still pretty dumb." Right? But in five years' time, computers will be off this chart. So we need to be starting to think about this capability right now.

We have seen this once before, of course. In the Industrial Revolution, we saw a step change in capability thanks to engines. The thing is, though, that after a while, things flattened out. There was social disruption, but once engines were used to generate power in all the situations, things really settled down. The Machine Learning Revolution is going to be very different from the Industrial Revolution, because the Machine Learning Revolution, it never settles down. The better computers get at intellectual activities, the more they can build better computers to be better at intellectual capabilities, so this is going to be a kind of change that the world has actually never experienced before, so your previous understanding of what's possible is different.

This is already impacting us. In the last 25 years, as capital productivity has increased, labor productivity has been flat, in fact even a little bit down.

So I want us to start having this discussion now. I know that when I often tell people about this situation, people can be quite dismissive. Well, computers can't really think, they don't emote, they don't understand poetry, we don't really understand how they work. So what? Computers right now can do the things that humans spend most of their time being paid to do, so now's the time to start thinking about how we're going to adjust our social structures and economic structures to be aware of this new reality. Thank you. (Applause)

It used to be/ that if you wanted to get/ a computer/ to do something new,/ you would have to program/ it.//

これまではコンピューターに 何かさせようと思ったら プログラムを書く 必要がありました

Now,/ programming,/ for those of you here/ that haven't done it/ yourself,/ requires laying out/ in excruciating detail/ every single step/ that you want the computer/ to do/ in order to achieve your goal.//

プログラミングはやったことが ないかもしれませんが やりたいことを 実現するために コンピューターが 行うべきことを 事細かに指定してやる 必要があります

Now,/ if you want to do/ something/ that you don't know/ how to do yourself,/ then/ this is going to be a great challenge.//

だから実現したいことの 具体的なやり方を知らずに プログラムを書くというのは 難しい話です

So this was the challenge faced by this man,/ Arthur Samuel.//

それがこの写真の人物 アーサー・サミュエルが直面した問題でした

In 1956,/ he wanted to get/ this computer/ to be able to beat him/ at checkers.//

1956年のこと 彼はチェッカーで 自分に勝てるプログラムを 作りたいと思いました

How can/ you write a program,/ lay out/ in excruciating detail,/ how to be better/ than you/ at checkers?//

しかしどうしたら 自分より上手く チェッカーを指す手順を 詳細に記述することができるでしょう?

So he came up/ with an idea:/ he had the computer play/ against itself thousands of times/ and learn/ how to play checkers.//

彼は良い方法を 思いつきました コンピュータ自身を相手に 何千回も チェッカーの対局をさせて 自分で学ばせるんです

And indeed/ it worked,/ and in fact,/ by 1962,/ this computer had beaten the Connecticut state champion.//

これはうまくいきました そのプログラムは実際 1962年に コネチカット州チャンピオンを 破ることができました

So Arthur Samuel was the father of machine learning,/ and I have a great debt/ to him,/ because I am a machine/ learning practitioner.//

だからアーサー・サミュエルは 機械学習の父とも言え 私自身 彼に 多くを負っています というのも私は機械学習の応用を 生業としているからです

I was the president of Kaggle,/ a community of over 200,000 machine/ learning practictioners.//

私が代表を務めていた Keggleには20万人以上の 機械学習専門家が属しています

Kaggle puts up/ competitions/ to try and get them/ to solve previously unsolved problems,/ and it's been successful hundreds of times.//

Keggleでは かつて解かれたことのない課題を使って 競技会を開催していて 何百回となく 成功を収めています

So/ from this vantage point,/ I was able to find out/ a lot/ about what machine learning can do in the past,/ can do today,/ and what it could do in the future.//

そのような立場から 機械学習には かつて何ができ 今何ができて 将来何ができるようになるか 多くのことを 学ぶことができました

Perhaps/ the first big success of machine learning commercially was Google.//

機械学習が商業的に大きな成功を収めた 最初の例は Googleかもしれません

Google showed/ that it is possible/ to find information/ by using a computer algorithm,/ and this algorithm is based on machine learning.//

Googleは 機械学習を使った アルゴリズムによって 情報を見つけられることを 示しました

Since that time,/ there have been many commercial successes of machine learning.//

それ以来 機械学習の商業的な成功事例が たくさん生まれています

Companies/ like Amazon and Netflix use machine learning/ to suggest products/ that you might like to buy,/ movies/ that you might like to watch.//

AmazonやNetflixのような企業は 機械学習を使って ユーザーが買いたいであろう商品や 見たいであろう映画を 提示していて

Sometimes,/ it's almost creepy.//

その精度は 時に不気味なくらいです

Companies/ like LinkedIn and Facebook sometimes will tell you/ about who your friends might be/ and you have no idea/ how it did it,/ and this is/ because it's using the power of machine learning.//

LinkedInやFacebookは 知り合いかもしれない人を示唆し なぜ分かったのか 当人には 見当も付きませんが これも機械学習の力を 使っているのです

These are algorithms/ that have learned/ how to do this/ from data/ rather than being programmed by hand.//

手順が事細かに プログラミングされているのではなく どうすべきかをデータから学習する アルゴリズムが使われています

This is also/ how IBM was successful/ in getting Watson/ to beat the two world champions/ at "Jeopardy,/"/ answering incredibly subtle and complex questions/ like this one.//

IBMのワトソンが ジェパディの世界チャンピオン 2人を破ったのも そのような方法によってで ご覧のような複雑な問いに 答えることができました

[ "The ancient 'Lion of Nimrud'/ went missing/ from this city's national museum/ in 2003 (along with a lot of other stuff)"/ ]/ This is also/ why we are now able/ to see the first self-driving cars.//

[2003年にこの町の国立博物館から古代の “ニムルドの獅子” が (その他多くの品とともに) 消えた] 自動運転車が実現可能になったのも 機械学習のお陰です

If you want to be able to tell the difference between,/ say,/ a tree and a pedestrian,/ well,/ that's pretty important.//

たとえば木と歩行者を 見分けるといったことが できる必要があります

We don't know/ how to write those programs/ by hand,/ but with machine learning,/ this is now possible.//

そのようなことの具体的な手順が どうすれば書けるのか 分かりませんが 機械学習で可能になったのです

And in fact,/ this car has driven over a million miles/ without any accidents/ on regular roads.//

事実この車は 事故を起こすこともなく 普通の公道を 何百万キロも走行しています

So we now know/ that computers can learn,/ and computers can learn to do/ things/ that we actually sometimes don't know/ how to do ourselves,/ or maybe can do them better/ than us.//

コンピューターは 単に学べるだけでなく どうしたらできるのか 分からないようなことも 学ぶことができ 人間よりも上手くなることも あり得るのです

One of the most amazing examples/ I've seen of machine learning happened on a project/ that I ran at Kaggle/ where a team run by a guy called Geoffrey Hinton/ from the University of Toronto won a competition/ for automatic drug discovery.//

機械学習で最も目覚ましい 事例の1つは 私がKeggleで主催した プロジェクトで ジェフリー・ヒントン率いる トロント大のチームが 薬を発見する競技に 優勝した時です

Now,/ what was extraordinary here is not just/ that they beat all of the algorithms developed by Merck or the international academic community,/ but nobody/ on the team had any background/ in chemistry or biology or life sciences,/ and they did it/ in two weeks.//

これがすごいのは 医薬大手のメルク社や この分野の専門家チームの 開発したアルゴリズムを破った彼らのチームに 化学や生物学やライフサイエンスを ちゃんと学んだ経験のある人が誰もいなかったことで しかも たった2週間で やってのけたのです

How did they do this?//

どうして可能だったのか?

They used/ an extraordinary algorithm called deep learning.//

ディープ・ラーニングと呼ばれる アルゴリズムを使ったのです

So important was this/ that in fact/ the success was covered in The New York Times/ in a front page article/ a few weeks later.//

ことの重大さは 数週間後に ニューヨークタイムズ紙の 一面で取り上げられたことでも 分かると思います

This is Geoffrey Hinton here/ on the left-hand side.//

画面の左に出ているのが ジェフリー・ヒントンです

Deep learning is an algorithm inspired by how the human brain works,/ and as a result/ it's an algorithm/ which has no theoretical limitations/ on what it can do.//

ディープ・ラーニングというのは 人の脳の仕組みを参考にしたアルゴリズムで 何が可能かについて 理論的には限界がありません

The more data/ you give it/ and the more computation time/ you give it,/ the better/ it gets.//

より多くのデータと 処理時間を使うほど より良い結果が得られます

The New York Times also showed in this article/ another extraordinary result of deep learning/ which I'm going to show/ you now.//

ニューヨークタイムズは その記事でもう1つ ディープ・ラーニングのすごい事例を 取り上げています それをこれからお見せしましょう

It shows/ that computers can listen and understand.//

コンピューターが人の話を聞いて 理解できることを示すものです

(Video)/ Richard Rashid:/ Now,/ the last step/ that I want to be able to take in/ this process is to actually speak to you/ in Chinese.//

(ビデオ) このプロセスの 最後に加えたいステップは 実際に中国語で 話させるということです

Now/ the key thing/ there is,/ we've been able to take a large amount of information/ from many Chinese speakers/ and produce a text-to-speech system/ that takes Chinese text/ and converts it/ into Chinese language,/ and then/ we've taken an hour or so of my own voice/ and we've used that to modulate the standard text-to-speech system/ so that it would sound like me.//

ここで鍵になるのは 中国語話者から得た 膨大な情報を使って 中国語のテキストを 音声に変える 音声合成システムを作り 1時間ほどの 私自身の声のデータを使って そのシステムを調整し まるで私が話しているかのようにする ということです

Again,/ the result's not perfect.//

まだ完璧なものではありません

There are in fact/ quite a few errors.//

たくさんミスをします

(In Chinese)

(音声合成された中国語訳)

(拍手)

There's much work/ to be done in this area.//

この領域で為されるべきことは まだたくさんあります

(In Chinese)

(音声合成された中国語訳)

(拍手)

Jeremy Howard:/ Well,/ that was at a machine learning conference/ in China.//

これは中国で行われた カンファレンスでのものですが

It's not often,/ actually,/ at academic conferences/ that you do hear spontaneous applause,/ although of course sometimes/ at TEDx conferences,/ feel free.//

学会で拍手が 沸き起こるというのは あまりないことです もっともTEDxは もっと自由な雰囲気がありますが

Everything/ you saw/ there was happening with deep learning.//

ご覧いただいたものはみんな ディープ・ラーニングで実現されました

(Applause)/ Thank you.//

(拍手) どうも

The transcription/ in English was deep learning.//

英語の文字起こしも ディープ・ラーニングだし

The translation/ to Chinese and the text/ in the top right, deep learning,/ and the construction of the voice was deep learning/ as well.//

右上の中国語に翻訳されたテキストも ディープ・ラーニングによるもので 音声の合成にも ディープ・ラーニングが使われています

So deep learning is this extraordinary thing.//

ディープ・ラーニングは このようにすごいものです

It's a single algorithm/ that can seem to do/ almost anything,/ and I discovered/ that a year earlier,/ it had also learned to see.//

単一のアルゴリズムで ほとんど何でもできるように見えます この1年前にディープ・ラーニングが 「見る」こともできると知りました

In this obscure competition/ from Germany called the German Traffic Sign Recognition Benchmark,/ deep learning had learned to recognize/ traffic signs/ like this one.//

ドイツ道路標識認識ベンチマーク という奇妙な競技会で このような道路標識をディープ・ラーニングで 識別できることが示されました

Not only could/ it recognize the traffic signs better/ than any other algorithm,/ the leaderboard actually showed/ it was better/ than people,/ about twice as good/ as people.//

他のアルゴリズムよりも 上手く識別できた というだけでなく このスコアボードにある通り 2位の人間より 2倍高い精度で 識別できたんです

So/ by 2011,/ we had the first example of computers/ that can see better/ than people.//

2011年には コンピューターが人よりも 良く見ることができる事例が 生まれたわけです

Since that time,/ a lot has happened.//

それ以来いろんなことが 起きています

In 2012,/ Google announced/ that they had a deep learning algorithm watch YouTube videos/ and crunched the data/ on 16,000 computers/ for a month,/ and the computer independently learned about concepts/ such as people and cats just/ by watching the videos.//

2012年にGoogleが発表したんですが ディープ・ラーニング・アルゴリズムが YouTubeビデオを見て 1万6千台のコンピュータで 1ヶ月 データ処理した結果 コンピューターが「人」や 「猫」といった概念を 自分で学んだということです

This is much like the way/ that humans learn.//

これは人が学習する方法に 近いものです

Humans don't learn by being told/ what they see,/ but by learning for themselves/ what these things are.//

人は見たものを 教えられて学ぶよりは むしろそれが何なのか 自分で学んでいくものです

Also/ in 2012,/ Geoffrey Hinton,/ who we saw earlier,/ won the very popular ImageNet competition,/ looking to try to figure out/ from one/ and a half million images/ what they're pictures of.//

2012年にはまた 先ほど名前の出たジェフリー・ヒントンが 有名なImageNet競技会で 優勝しましたが これは150万の画像を 何の写真か 判別するというものです

As of 2014,/ we're now down/ to a six percent error rate/ in image recognition.//

2014年の時点で 画像認識の誤り率は 6%までになっています

This is better/ than people,/ again.//

これも人間より高い精度です

So machines really are doing an extraordinarily good job of this,/ and it is now being used in industry.//

機械はこの面で非常に良い仕事を するようになっており 商業的にも 利用されています

For example,/ Google announced last year/ that they had mapped every single location/ in France/ in two hours,/ and the way/ they did/ it was/ that they fed street view images/ into a deep learning algorithm/ to recognize/ and read street numbers.//

たとえばGoogleは 去年フランス国内のすべての番地を 2時間で地図に登録したと 発表しました その方法は ストリートビューの画像を ディープ・ラーニング・アルゴリズムに食わせて 所番地を識別させるというものです

Imagine/ how long/ it would have taken before:/ dozens of people,/ many years.//

かつてなら どれほど時間を 要したか分かりません 何十人掛かりで 何年もかかったでしょう

This is also happening in China.//

こちらは中国の Baiduによるもので

Baidu is kind of the Chinese Google,/ I guess,/ and what you see here/ in the top left is an example of a picture/ that I uploaded to Baidu's deep learning system,/ and/ underneath you can see/ that the system has understood/ what that picture is/ and found similar images.//

中国版のGoogle のようなサービスです 左上の画像は 私がBaiduのディープ・ラーニング・システムに アップロードしたものです 下に並んでいるのは システムがその画像を理解して 似た画像を集めた結果です

The similar images actually have similar backgrounds,/ similar directions of the faces,/ even some/ with their tongue out.//

類似画像は 似たような背景や 似た顔の向きを持ち 同じく舌を出してる ものまであります

This is not clearly looking at the text of a web page.//

ウェブページの文章によって 見つけたものではありません

All I uploaded/ was an image.//

アップしたのは 画像だけです

So we now have computers/ which really understand/ what they see/ and can therefore search databases of hundreds of millions of images/ in real time.//

今やコンピュータは 見た物を理解して 何億という画像の データベースから リアルタイムで検索できるまでに なっているのです

So/ what does it mean now/ that computers can see?//

コンピュータに「見る」ことができるというのは どんな意味を持つのか?

Well,/ it's not just/ that computers can see.//

しかしできるのは 見ることだけではありません

In fact,/ deep learning has done more/ than that.//

ディープ・ラーニングには それ以上のことができます

このような複雑で ニュアンスに富んだ文章を ディープ・ラーニング・アルゴリズムは 理解できます

As you can see here,/ this Stanford-based system/ showing the red dot/ at the top has figured out/ that this sentence is expressing negative sentiment.//

ご覧いただいているのは スタンフォード大のシステムですが 一番上の点が赤色になっていて 文が全体としてネガティブな感情を 表していることを示しています

Deep/ learning now/ in fact is near human performance/ at understanding/ what sentences are about and what it is saying about those things.//

ディープ・ラーニングは今や 文章が何について何を言っているのかを 人間に近い精度で 理解できるようになっているのです

Also,/ deep learning has been used to read Chinese,/ again/ at about native Chinese speaker level.//

ディープ・ラーニングは 中国語を読むのにも使われ 中国語のネイティブ話者並の 精度があります

This algorithm developed out of Switzerland/ by people,/ none of whom speak or understand any Chinese.//

これを開発したのは スイスのチームですが その中に中国語の分かる人は いなかったそうです

As I say,/ using deep learning is about the best system/ in the world/ for this,/ even compared to native human understanding.//

ディープ・ラーニングは これに関して ネイティブの人間にも劣らない 最も優れたシステムなのです

This is a system/ that we put together/ at my company/ which shows putting/ all this stuff together.//

これは私の会社で 構築したシステムで すべてを組み合わせたものです

These are pictures/ which have no text attached,/ and/ as I'm typing/ in here/ sentences,/ in real time/ it's understanding these pictures/ and figuring out/ what they're about and finding pictures/ that are similar/ to the text/ that I'm writing.//

これらの画像には テキストが紐付けされてはおらず ユーザーが文をタイプすると リアルタイムで画像を理解し 何の画像かを判別して 書き込まれた文に近い画像を 見つけます

So you can see,/ it's actually understanding/ my sentences/ and actually/ understanding these pictures.//

だから私の書いた文と これらの画像を 同時に理解しているわけです

I know/ that you've seen something/ like this/ on Google,/ where you can type in things/ and it will show you/ pictures,/ but actually/ what it's doing is it's searching the webpage/ for the text.//

Googleのサイトで 似たものを見たことがあるでしょう 何かタイプすると 画像が表示されますが そこで実際に行われているのは テキストによるウェブページの検索です

This is very different/ from actually/ understanding the images.//

画像を理解するというのとは ずいぶん違うことです

This is something/ that computers have only been able to do for the first time/ in the last few months.//

このようなことが できるようになったのは ほんのここ数ヶ月のことです

So/ we can see now/ that computers can not only see/ but they can also read,/ and,/ of course,/ we've shown/ that they can understand/ what they hear.//

コンピューターには「見る」だけでなく 「読む」こともでき 「聞く」ことによって理解できることも お見せしました

Perhaps not surprising now/ that I'm going to tell/ you/ they can write.//

そうすると「書く」ことだってできると言っても 驚かないかもしれません

Here is some text/ that I generated using/ a deep learning algorithm yesterday.//

これは私が昨日 ディープ・ラーニング・ アルゴリズムで生成したテキストです

And here is some text/ that an algorithm/ out of Stanford generated.//

こちらはスタンフォード大のアルゴリズムで 生成されたテキストです

Each of these sentences was generated by a deep learning algorithm/ to describe each of those pictures.//

それぞれの画像を 説明する文が ディープ・ラーニング・アルゴリズムによって 生成されています

This algorithm before has never seen a man/ in a black shirt/ playing a guitar.//

アルゴリズムは「ギターを弾いている黒いシャツの男」を 前に見たことはありません

It's seen a man before,/ it's seen black before,/ it's seen a guitar before,/ but it has independently generated this novel description of this picture.//

「男」を見たことはあり 「黒い」ものを見たことはあり 「ギター」を見たことはありますが このキャプションは画像に対して 新しく独自に作り出されたものです

We're still not quite at human performance here,/ but we're close.//

書くことに関してはコンピューターは まだ人間に及びませんが 近づいています

In tests,/ humans prefer the computer-generated caption/ one out of four times.//

テストでは4回に1回は コンピューターの生成した文の方が好ましい ― という結果になっています

Now/ this system is now only two weeks old,/ so probably/ within the next year,/ the computer algorithm will be well past human performance/ at the rate things are going.//

このシステムはできて まだ2週間しかたっていないので このまま行くと たぶん来年中には コンピューターアルゴリズムの成績が 人間を上回るのではと思います

So computers can also write.//

だからコンピューターは 書くこともできるのです

So we put all this together/ and it leads to very exciting opportunities.//

これらをまとめたら 非常に興味深い可能性が開けます

For example,/ in medicine,/ a team/ in Boston announced/ that they had discovered dozens of new clinically relevant features of tumors/ which help doctors make a prognosis of a cancer.//

たとえば医療です あるボストンのチームは コンピューターによって 医師が がんの診断を する上で役に立つ 何十という腫瘍の特徴を発見したと 発表しました

Very similarly,/ in Stanford,/ a group there announced/ that,/ looking at tissues/ under magnification,/ they've developed a machine learning-based system/ which in fact is better/ than human pathologists/ at predicting survival rates/ for cancer sufferers.//

同様にスタンフォードのグループは 組織の拡大画像を見て がん患者の生存率を 人間の病理医よりも 正確に予想する 機械学習システムを 開発しました

In both of these cases,/ not only were the predictions more accurate,/ but they generated new insightful science.//

どちらのケースも 予測が人間より正確というだけでなく 新たな科学的洞察を もたらしています

In the radiology case,/ they were new clinical indicators/ that humans can understand.//

放射線医学のケースでは 人間に理解できる 新しい臨床的な指標です

In this pathology case,/ the computer system actually discovered/ that the cells/ around the cancer are as important/ as the cancer cells themselves/ in making a diagnosis.//

病理学のケースでは 診断において がん細胞だけでなく がんの周囲の細胞も 重要であることを 発見しました

This is the opposite of what pathologists had been taught for decades.//

これは病理医が 何十年も教わってきたのとは逆です

In each of those two cases,/ they were systems developed by a combination of medical experts and machine learning experts,/ but as of last year,/ we're now/ beyond that too.//

どちらのケースでも システムは 医学の専門家と機械学習の専門家の 組み合わせによって開発されましたが 去年我々はこの面をも 乗り越えました

This is an example of identifying cancerous areas of human tissue/ under a microscope.//

これは顕微鏡で見た 人の組織から がんの領域を 識別する例です

The system/ being shown here can identify those areas more accurately,/ or about as accurately,/ as human pathologists,/ but was built entirely/ with deep learning/ using no medical expertise/ by people/ who have no background/ in the field.//

このシステムは 人間の病理医と同じか それ以上の精度で がん領域を識別できますが 医療の知識や経験のない チームによって ディープ・ラーニングを使って 開発されました

同様に これは ニューロンの区分けです

We can now segment neurons/ about as accurately/ as humans can,/ but this system was developed with deep learning/ using people/ with no previous background/ in medicine.//

今ではニューロンを人間と 同じ正確さで区分けできますが このシステムは医学を 学んだことのない人々が ディープ・ラーニングを使って 開発しました

So myself,/ as somebody/ with no previous background/ in medicine,/ I seem to be entirely well qualified to start/ a new medical company,/ which I did.//

医学を学んだことのない人間が 医療の会社を始めるのも もはや変なことではないと思え 実際に会社を作ることにしました

I was kind of terrified of doing it,/ but the theory seemed to suggest/ that it ought to be possible/ to do very useful medicine/ using just these data analytic techniques.//

そうするのは 怖くもありましたが データ分析技術だけでも 有益な医療サービスは 提供可能であると 理論は示しているように見えます

And thankfully,/ the feedback has been fantastic,/ not just/ from the media/ but/ from the medical community,/ who have been very supportive.//

ありがたいことに 大変好意的な反応を受け取っており メディアばかりでなく 医学界の人々も 支持してくれています

The theory is/ that we can take the middle part of the medical process/ and turn that/ into data analysis as much/ as possible,/ leaving doctors to do/ what they're best at.//

私たちは医療の 中間部分を受け持って そこを可能な限り データ分析で置き換え 医師には彼らが最も適した部分をやってもらう というのが基本方針です

I want to give/ you/ an example.//

例をお見せしたいと思います

It now takes us/ about 15 minutes/ to generate a new medical diagnostic test/ and I'll show you/ that in real time now,/ but I've compressed it down/ to three minutes/ by cutting some pieces out.//

新しい医療診断テストの生成には 現在15分ほどかかります それをリアルタイムで ご覧に入れますが 一部をはしょって 3分に縮めてやります

Rather/ than showing you/ creating a medical diagnostic test,/ I'm going to show/ you/ a diagnostic test of car images,/ because that's something/ we can all understand.//

医療診断テストを作って お見せするよりは 車の画像を診断するテストを お見せしようと思います その方が分かりやすいので

So here/ we're starting/ with about 1.5 million car images,/ and I want to create/ something/ that can split them/ into the angle of the photo/ that's being taken.//

150万の車の画像から 始めます まず写真を 撮った角度によって 分類したいと思います

So/ these images are entirely unlabeled,/ so I have to start/ from scratch.//

画像にラベルはまったく付いておらず 一から始めます

ディープ・ラーニング・アルゴリズムを使って 写っている構造領域を 自動的に識別することができます

So the nice thing is/ that the human/ and the computer can now work together.//

これの良いところは 人とコンピューターで協力して作業できるところです

So the human,/ as you can see here,/ is telling the computer/ about areas of interest/ which it wants the computer then/ to try and use to improve its algorithm.//

ご覧のように 人が関心のある領域を コンピューターに教え コンピューターがそれに基づいて アルゴリズムを改良します

Now,/ these deep learning systems actually are in 16,/ 000-dimensional space,/ so you can see here/ the computer/ rotating this/ through that space,/ trying to find new areas of structure.//

このディープ・ラーニング・システムは 1万6千次元空間になっていて その空間の中で 軸を回転させて 新たな構造領域を 見つけようとします

And when it does so successfully,/ the human/ who is driving it can then point out/ the areas/ that are interesting.//

それが成功したら 人間が関心のある領域を 指摘します

So here,/ the computer has successfully found areas,/ for example,/ angles.//

コンピューターがうまく 領域を見つけられました たとえば角度です

So/ as we go through this process,/ we're gradually telling/ the computer more and more/ about the kinds of structures/ we're looking/ for.//

このプロセスを経ることで どのような構造を 探しているのか 徐々に伝えていきます

You can imagine in a diagnostic test/ this would be a pathologist/ identifying areas of pathosis,/ for example,/ or a radiologist/ indicating potentially troublesome nodules.//

これが病気の診断であれば 病理医が病的状態にある領域を 識別するとか 放射線医が問題のある可能性のある小結節を示す といったことを想像できるでしょう

And sometimes/ it can be difficult/ for the algorithm.//

時にアルゴリズムには 難しいこともあります

In this case,/ it got kind of confused.//

今の場合 コンピューターが混乱して

The fronts/ and the backs of the cars are all mixed up.//

前部と後部が ごちゃまぜになっています

So here/ we have to be a bit more careful,/ manually/ selecting these fronts/ as opposed to the backs,/ then/ telling the computer/ that this is a type of group/ that we're interested in.//

そのため少し注意して 手で前部を後部から 選り分けてやらなければなりません そうやって こんなグループに関心があるのだと コンピューターに 伝えるのです

So we do that/ for a while,/ we skip over a little bit,/ and then/ we train the machine/ learning algorithm/ based/ on these couple of hundred things,/ and we hope/ that it's gotten a lot better.//

こうやって続けていき 少しはしょりますが 機械学習アルゴリズムを 改善させるために 数百の事例を使って 訓練してやります

You can see,/ it's now started to fade/ some of these pictures out,/ showing us/ that it already is recognizing/ how to understand some of these itself.//

画像の一部が 薄れていますが これはどう理解すれば良いか 既に認識されたものです

We can then use this concept of similar images,/ and using similar images,/ you can now see,/ the computer/ at this point is able to entirely find just the fronts of cars.//

それから似たイメージという概念を 使ってやることで コンピューターが 車の前部だけを 見つけられるように なりました

So/ at this point,/ the human can tell the computer,/ okay,/ yes,/ you've done a good job of that.//

そうなったら 人間がコンピューターに その点で上手くできていることを 教えてやります

Sometimes,/ of course,/ even/ at this point/ it's still difficult/ to separate out/ groups.//

もちろんこの期に及んでも ある種のグループを分離するのが 難しいことがあります

In this case,/ even/ after we let the computer try/ to rotate this/ for a while,/ we still find/ that the left sides/ and the right sides pictures are all mixed up/ together.//

今の場合 コンピューターに しばらく回転をさせても 依然として 左側と右側の画像が 混在しています

So we can again give the computer/ some hints,/ and we say,/ okay,/ try and find a projection/ that separates out/ the left sides/ and the right sides as much/ as possible/ using this deep learning algorithm.//

コンピューターにもう 少しヒントをやり 右側と左側を可能な限り 分離できる射影を ディープ・ラーニング・ アルゴリズムを使って 見つけられるようにします

And giving it/ that hint --/ ah,/ okay,/ it's been successful.//

そのヒントを与えることで ― 上手くいきました

It's managed to find/ a way of thinking about these objects/ that's separated out/ these together.//

右側と左側を 見分ける方法を どうにか見つけられました

So you get the idea/ here.//

基本的な考え方を 分かっていただけたと思います

This is a case not/ where the human is being replaced by a computer,/ but where they're working together.//

これは人間がコンピューターに 置き換えられるという話ではなく ― 人とコンピューターが 協力するということです

What we're doing/ here is we're replacing something/ that used to take/ a team of five or six people/ about seven years/ and replacing it/ with something/ that takes 15 minutes/ for one person/ acting alone.//

やろうとしているのは これまでは5、6人のチームで 何年もかかっていた ようなことを 1人で15分ほどで できるようにする ということです

So this process takes about four or five iterations.//

このプロセスには 4、5回の反復が必要です

You can see we now have 62 percent of our 1.5 million images classified correctly.//

150万の画像を 62%の精度で 分類できるようになりました

And/ at this point,/ we can start to quite quickly grab whole big sections,/ check/ through them/ to make sure/ that there's no mistakes.//

そうなったら 大きなセクションを選んで 誤りがないか 素早くチェックできます

Where there are mistakes,/ we can let/ the computer know about them.//

誤りがあった場合は コンピューターに教えてやります

And using this kind of process/ for each of the different groups,/ we are now up/ to an 80 percent success rate/ in classifying the 1.5 million images.//

それぞれのグループについて そういうことを行うことで 150万の画像を 80%の精度で 分類できるようになりました

And/ at this point,/ it's just a case of finding the small number/ that aren't classified correctly,/ and trying to understand/ why.//

そうしたら 正しく分類されなかった 少数のケースについて その理由を考えます

And using that approach,/ by 15 minutes/ we get to 97 percent classification rates.//

このアプローチを 15分やることで 97%の精度で 分類できるようになりました

So this kind of technique could allow us/ to fix a major problem,/ which is/ that there's a lack of medical expertise/ in the world.//

このようなテクニックは 世界の重要な問題を解決してくれるでしょう 世界的な医師不足です

The World Economic Forum says/ that there's between a 10x and a 20x shortage of physicians/ in the developing world,/ and it would take about 300 years/ to train enough people/ to fix that problem.//

世界経済フォーラムは 発展途上国において 医師が今の10倍から20倍必要で それだけの医師を育てるには 300年かかると言っています

So imagine/ if we can help enhance their efficiency using these deep learning approaches?//

ディープ・ラーニングを使って 医療の効率を上げることで 対処するというのは どうでしょう?

So I'm very excited/ about the opportunities.//

このような機会に 私はワクワクしていますが

I'm also concerned/ about the problems.//

同時に懸念している こともあります

The problem here is/ that every area/ in blue/ on this map is somewhere/ where services are over 80 percent of employment.//

地図で青になっている国は 雇用の80%以上が サービス業のところです

What are services?//

サービスとは何か?

These are services.//

このようなものです

These are also the exact things/ that computers have just learned/ how to do.//

これらのことは コンピューターが できるようになりつつあることでもあります

So 80 percent of the world's employment/ in the developed world is stuff/ that computers have just learned/ how to do.//

先進国の雇用の80%は コンピューターができるようになったことで 成り立っているのです

What does/ that mean?//

これは何を 意味するのでしょう?

Well,/ it'll be fine.// They'll be replaced by other jobs.//

「他の仕事で置き換えられるから 問題ないよ

For example,/ there will be more jobs/ for data scientists.//

たとえば データサイエンティストの仕事とか」

Well,/ not really.//

と思うかもしれませんが

It doesn't take data scientists very long/ to build these things.//

このようなものをデータサイエンティストが構築するのに そう時間はかかりません

For example,/ these four algorithms were all built by the same guy.//

たとえば今回取り上げた4つのアルゴリズムは 1人の人間によって作られたものです

So/ if you think,/ oh,/ it's all happened before,/ we've seen the results/ in the past of when new things come along/ and they get replaced by new jobs,/ what are these new jobs going to be?//

こういうことは 以前にも起き 新しいものが現れては 古い職が新しい職で 置き換えられてきた と言うなら その新しい職は どのようなものになるのでしょう?

It's very hard/ for us/ to estimate this,/ because human performance grows at this gradual rate,/ but we now have a system,/ deep learning,/ that we know/ actually grows in capability exponentially.//

とても難しい問題です なぜなら人間の能力は 徐々にしか向上しませんが ディープ・ラーニング・ システムの能力は 指数関数的に 向上しているからです

And we're here.//

私達がいるのは 追い抜かれる一歩手前です

So currently,/ we see the things/ around us/ and we say,/ "Oh,/ computers are still pretty dumb."// Right?//

今は周りを見渡して 「コンピューターはまだ馬鹿だ」 と思っていても

But in five years/' time,/ computers will be off/ this chart.//

5年もしたら このグラフの天井を突き破ってしまうでしょう

So we need to be starting to think/ about this capability right now.//

私たちは今この能力について 考える必要があるのです

We have seen this once before,/ of course.//

前にも似たことは 経験しています

In the Industrial Revolution,/ we saw a step change/ in capability thanks/ to engines.//

産業革命です エンジンの出現による 能力の急激な変化がありました

The thing is,/ though,/ that after a while,/ things flattened out.//

しかししばらくすると 物事はまた落ち着きました

There was social disruption,/ but once/ engines were used to generate power/ in all the situations,/ things really settled down.//

社会的な変動はありましたが あらゆる場面でエンジンが 使われるようになると 状況は安定したのです

The Machine Learning Revolution is going to be very different/ from the Industrial Revolution,/ because the Machine Learning Revolution,/ it never settles down.//

機械学習の革命は 産業革命とは 全然違うものになるでしょう 機械学習の革命は 留まることがないからです

The better computers get at intellectual activities,/ the more/ they can build better computers/ to be better/ at intellectual capabilities,/ so/ this is going to be a kind of change/ that the world has actually never experienced before,/ so/ your previous understanding of what's possible is different.//

より優れたコンピューターが 知的活動を受け持ち それによって 知的活動にさらに優れた コンピューターが作れるようになり 世界がかつて 経験したことのないような 変化を起こすことに なるでしょう 何が起こりうるかについての 以前の知見は 当てはまらないのです

This is already impacting us.//

この影響は既に現れています

In the last 25 years,/ as capital productivity has increased,/ labor productivity has been flat,/ in fact even/ a little bit down.//

過去25年で 資本生産性は増大しましたが 労働生産性は平坦で むしろ少し下がっています

So I want us/ to start having/ this discussion now.//

だから この議論を 今始めて欲しいのです

I know/ that/ when I often tell people/ about this situation,/ people can be quite dismissive.//

私がこの状況を 説明しても なかなか真剣に 取り合ってもらえません

Well,/ computers can't really think,/ they don't emote,/ they don't understand poetry,/ we don't really understand/ how they work.//

「コンピューターには 本当に思考することはできない」 「感情がない」 「詩を理解しない」 「我々は腦の働きを本当に理解してはいない」 などなど

So/ what?//

だったら何でしょう?

Computers right now can do the things/ that humans spend most of their time/ being paid to do,/ so/ now's the time/ to start thinking/ about how we're going to adjust/ our social structures/ and economic structures/ to be aware of this new reality.//

人間がお金をもらい 時間を費やして やっていたことが 機械にも可能になっているんです この新たな現実を踏まえて 社会構造や経済構造を どう調整したら良いか 考え始めるべき時です

Thank you.//

ありがとうございました

(拍手)

computer

『計算機』;『電子計算機』

program

(催し物,テレビ・ラジオなど全体の)『プログラム』,『番組表』

(プログラムに従って行われる個々の)『番組』;(特に)ラジオ番組,テレビ番組

(行動の)『計画』,予定[表];手順,段取り

(学校の)教科課程[表];(政党の)綱領,政策要綱

(コンピューターの)プログラム(資料ノ処理の指示)

…‘を'計画に加える(含める);(…するように)…‘の'計画を立てる《+『名』+『to』do》

(コンピューターで)…‘の'プログラムを作る;〈コンピューター〉‘に'プログラムを入れる

yourself

《強意用法》《you と同格に用いて》『あなた自身』,ご自身

《再帰用法》《動詞・前置詞の目的語として》『あなた自身を(に)』,自分を(に)

require

(義務・条件として)…‘を'『必要とする』

〈物事〉‘を'『命じる』,強制する;〈人〉‘に'『命じる』

lay

《場所の副詞[句]を伴って》‘を'『置く』,横たえる

‘を'『きちんと置く』(並べる),〈土台など〉‘を'すえる,〈鉄道など〉‘を'敷設する

…‘を'『用意する』,準備する

(…に)〈身体の一部〉‘を'置く,つける《+『名』+『on』(『to』)+『名』》

(…に)〈信頼・愛情〉‘を'置く,寄せる,託す;〈強調・重要性など〉‘を'置く《+『名』+『on』+『名』》

〈ほこり・波・風など〉‘を'押さえる,〈恐れ亡霊など〉‘を'静める,なだめる

〈卵〉‘を'産む

〈かけ〉‘を'する;(…に)〈金〉‘を'かける《+『名』+『on』+『名』》

(…に)〈税・罰金・義務など〉‘を'課する,〈重荷・責任など〉‘を'負わせる《+『名』+『on』(『upon』)+『名』》

〈悪事など〉‘を'(…の)せいにする《+『名』+『against』(『to』)+『名』》

《状態を表す副詩[句]を伴って》(特によくない状態に)…‘を'『置く』,する

(…に)〈権利の主張・報告など〉‘を'提出する,申し出る《+『名』+『before』(『to』)+『名』》

(…で)…‘の'表面をおおう《+『名』+『with』+『名』》;(…に)…‘を'広げる《+『名』+『on』+『名』》

卵を産む

位置,配置,地形,地勢

detail

〈U〉〈C〉(全体の中の個々の)『細部』,『細目』,項目;《複数形で》『詳細』

〈U〉〈C〉(全体から見て)ささいなこと

〈U〉(絵画・彫刻・建築などの)細部;細部装飾

〈C〉特別(臨時)派遣兵(部隊);特別任務

(…に)…‘を'詳しく述べる《+『名』+『to』+『名』》

(特別な任務に)〈兵・部隊〉‘を'任命する,臨時(特別)に派遣する(appoint)

single

《名詞の前にのみ用いて》『たった一つ』(『一人』)『の』,単独の;《否定文で》ただ一つ(一人)(もない)

《名詞の前にのみ用いて》『一人用の』・『独身の』・《名詞の前にのみ用いて》個々の,別々の

単一の,単式の;(花が)一重咲きの,単弁の

《英》(切符が)片道の

〈C〉一人,1個;独身者

〈C〉《話》(ホテルの部屋,船室,列車寝台などの)一人用

〈C〉(野球で)シングルヒット,単打

《複数形で》(テニスなどの)シングルスの試合,単試合

《英》片道切符

《複数形で》《話》1ドル(ポンド)札

…‘を'1人(1個)だけ選び出す《+『out』+『名,』+『名』+『out』》

(野球で)シングルヒットを打つ

step

『一歩』,歩み;一歩の距離,歩幅;短い距離

(階段・はしごの)『段』,踏み段;《複数形で》『階段』

(目的・目標への)『一歩』,一段階《+『to』(『toward』)+『名』》

足音

足跡

『歩調』,足取り;(ダンスの)ステップ

(目標に近づく)『手段』,方法,処置

階級,昇級

(音楽で)音程

(温度計などの)目盛り

《方向を表す副詞[句]を伴って》(…の方へ)『歩む』,一歩踏み出す,行く

(…を)踏みつける《+『on』+『名』》

〈足〉‘を'踏み出す;〈ダンス〉‘の'ステップを踏む

…‘を'歩測する《+『off』(『out』)+『名』,+『名』+『off』(『out』)》

〈段〉‘を'切り込む

order

〈C〉《しばしば複数形で》『命令』,指図,指令

〈U〉(物事の)『順序』,順番

〈U〉(自然界の)『秣序』

〈U〉(社会の)治安,秣序

〈U〉整頓(せいとん)された状態,きちんとしていること《good,badなどを伴って》(一般に物事の)調子, 状態

〈U〉(商品などの)『注文』《+『for』+『名』》

〈C〉調文品

〈C〉(レストランなどでの料理の)一盛り

〈C〉種類,等級,品資(kind, sort)

〈C〉(動植物分類の)目(もく)

〈C〉聖職者の階級;《複数形で》聖職

〈C〉《しばしばO-》教団,教派;(ある特殊な)社会

〈C〉《しばしばO-》勲位,勲章

〈C〉(古代ギリシャの)建築様式,柱式

…‘を'『命令する』,指図する;〈人〉‘に'命令する

《方向を表す副詞[句]を伴って》〈人〉‘に'行くように命じる

〈商品など〉‘を'『注文する』;…‘を'あつらえる

…‘を'整頓(せいとん)する,きちんとする

命令する;注文する

achieve

〈目標など〉'を'『達成する』,‘に'到達する

〈勝利・名声・地位など〉'を'獲得する,勝ち取る

goal

『ゴール』,決勝点

(ゴールに球を入れて得た)得点

=goalkeeper

『目標』(aim),目的;目的地

challenge

〈U〉〈C〉『挑戦』,試合の申し込み;〈C〉挑戦状

〈U〉(番兵などが怪しい者に)'だれか'と呼び掛けること

〈C〉手ごたえのある事(物)

〈U〉〈C〉(…への)異議申し立て抗議《+『to』+『名』》

〈U〉〈C〉(陪審員に対する)忌避

(競技・決闘などを)〈人〉‘に'『挑む』,挑戦する

…'に'『異議を申し立てる』

〈物事が〉〈人〉'を'奮起させる,〈興味など〉'を'呼び起こす

〈番兵・守衛などが〉…'に''だれか'と呼び掛ける

〈陪審員・裁判官〉'を'忌避する

face

〈C〉『顔』

〈C〉表情,顔つき

〈C〉(物の)『表面』(surface),(建物の)正面(front),(貨幣・カードなどの)表《+『of』+『名』》

〈C〉(…の)外観,様子《+『of』+『名』》

〈U〉面目,面子(めんつ)

〈C〉(多角面体の)面

〈C〉(活字・版の)面(印刷する部分);(活字の)書体

〈C〉(鉱山の)採掘現場

…‘に'『面する』,‘の'ほうを向く

(…のほうに)…‘を'向ける《+『名』+『toward』+『名』》

〈人が〉〈危険など〉‘に'直面する,立ち向かう,対抗する;〈危険などが〉〈人〉‘に'迫る

〈事実・現実など〉‘を'直視する,認める

(…で)〈壁など〉‘に'上塗り(上張り)をする《+『名』+『with』+『名』》

(ある場所・方角に)面する,向く《+『on』(『to』,『toward』)+『名』》

Arthur

アーサー王(6世紀ごろの伝説上の英国王;円卓の騎士Knights of the Round Tableを従えた)

Samuel

サムエル(ヘブライの預言者)

サムエル記(旧約聖書中の一書;《略》Sam.)

able

《補語にのみ用いて》《『be able to』 do》(…することが)『できる』

『有能な』,腕ききの,並々ならない

beat

(連続して)…'を'『たたく』,打つ(pound)

(…に)…'を'『たたきつける』,打ちつける《+『名』+『against』+『名』》

(…に)…'を'たたいて作る《+『名』+『into』+『名』》;〈金属〉'を'打ち延ばす

…'を'勢いよくかき混ぜる

〈リズム・拍子〉'を'手をたたいて(手を振って,足を踏んで)とる

〈道〉'を'踏み固めて作る

《話》〈人〉'を'困らせる,まいらせる

〈風・雨・波などが〉(…に)『打ちつける』,〈人が〉(…を)ドンドン打つ《+『at』(『against』,『in』,『on』)+『名』》

〈心臓・脈が〉鼓動する,脈打つ

ドンドン鳴る

〈船が〉風に逆らってジグザグに進む

『続けて打つこと』,連打

(心臓などの)鼓動

(警官などの)巡回(担当)区域,持ち場

拍子;手拍子,足拍子

=beatnik

《補語にのみ用いて》《俗》疲れはてた,へとへとになった

《名詞の前にのみ用いて》《話》ビート族の

checker

〈C〉《米》《通例複数形で》《単数扱い》チェッカー(各自12ずつのこまで遊ぶはさみ将棋に似た遊戯;そのこま;《英》draught)

〈U〉格子じま;〈C〉(その模様の)ひと目(《英》chequer)

…'を'格子模様にする;変化させる(《英》chequer)

lie

《場所を表す副詞[句]を伴って》『横たわる』,横になる

《状態を表す副詞[句]を伴った》『置かれている』,ある

《場所を表す副詞[句]を伴って》(ある場所に)『位置する』,ある

《通例場所を表す副詞[句]を伴って》〈誤り・理由・責任・抽象的なものが〉見い出される,ある

《場所を表す副詞[句]を伴って》地下に眠る,葬られている

位置,方向;状態

idea

(心に浮かんだ)『考え』,思考;考えること

(はっきりとした)『意見』,信念,見解

『案』,計画,着想,意図,ねらい

(哲学上の)概念,理念

against

…『に対して』,に逆らって(in opposition to);…に不利に

《保護を表す動詞と共に》…『から』

…『にぶつかって』,に向かって

…『にもたれて』,に寄りかかって

(災難・事故・万一の場合など)『に備えて』,を避けるように

…『を背景として』,と対照して

…と交換に,と引き換えに

itself

《強意用法》《名詞と同格に用いて》『それ自身』,『それ自体』,そのもの

《再帰用法》《動詞・前置詞の目的語として》『それ自身を』(『に』),それ自体を(に)

indeed

《文全体または前の語を強調して》『実に』,全く

《前に言ったことを確認あるいは強調して》実は,事実はそれどころか

《譲歩を表して》『なるほど』,いかにも

『まさか』,まあ,ほんとうかい

fact

〈C〉『事実』,実際にある(あった)事

〈U〉真相,真実(truth)

《the~》(法律用語で)犯行

Connecticut

コネチカット州(米国北東部の州;州都はHartford;《略》Conn.,CT,Ct.)

state

〈C〉(人・物事の)『状態』,ありさま,様子

〈C〉《a ~》《話》極度の緊張状態,異常な精神状態

〈U〉地位,階級,身分

〈C〉〈U〉《しばしばS-》『国家』,国,政府

〈C〉《時にS-》(アメリカ・オーストラリアなどの)『州』

《the States》《話》『米国』

〈U〉威厳;公式;堂々とした様子

国家の,国事に関する

《しばしばS-》《米》州の,州立の

公式の,儀式用の

champion

〈C〉(競技の)『優勝者』;最優秀賞をとった人(動物)

(主義・主張のために戦う)『闘士』

優勝した,最優秀賞をとった

《英話》とびきりの,この上ない

この上なく

…‘の'ために戦う

machine

『機械』

自動車,飛行機,自転車

加えられた力を強めたり方向を変えたりする機械(器具);てこ,滑車,くさび,斜面など

組織,(特に)派閥

(自主性も意欲もない)機械のような人,機械的に働く人

…‘を'機械で作る(仕上げる);(特に)…‘に'ミシンをかける,‘を'ミシンで作る;(印刷機で)…‘を'印刷する

…‘を'きっちり計って作る《+『down』+『名,』+『名』+『down』》

learning

(…を)学ぶこと,(…の)学習《+『of』+『名』》

『学問』,学識,博識

debt

〈U〉〈C〉『借金』;負債

〈C〉『恩義』,義理(obligation)

practitioner

開業医;弁護士

技術者,工芸家

president

《しばしばPresident》『米国大統領』;(一般に共和国の)『大統領』

《時にPresident》(組織体の)『会長,総裁,長官』

《時にPresident》《米》『社長』

《しばしばPresident》(大学の)学長,総長

《米》議長,司会

community

〈C〉(文化的・歴史的遺産を共有する)『共同会社』,地域会社・共同体;(共通の特質・利害を持つ人たちによる)社会,…界

《the ~》『一般社会』,公衆(the pubic)

〈U〉(財産などの)共用,共有(思想・利害などの)共通,一致《+『of』+『名』》

〈C〉(植物の)軍落,(動物の)群生

competition

〈U〉〈C〉(…との…の)『競争』《+『with』+『名』+『for』+『名』》

〈C〉試合

solve

〈問題など〉‘を'『解く』,解明する,解決する

previously

『以前に』,先に;前もって

unsolved

未解決の,未解答の

problem

(特に解決の容易でない)『問題』,やっかいな事熊

《単数形で》《話》(…にとって)やっかいな人《+『to』+『名』》

(特に,数学の)問題

扱いにくい,問題の

successful

『成功した』,好結果の,上首尾の

富(地位,名声)を得た,順調な

times

…掛ける

vantage point

有利な地点(地位);見晴らしのきく場所

past

『過ぎ去った』,終わった(over)

《名詞の前にのみ用いて》『過去に起こった』,過去の,昔の

《期間を表す語の前後で完了形の文で用いて》(…の期間を)『過ぎた』,最近(…)の

《名詞の前にのみ用いて》『前任の』,元の

(文法で)過去の

(場所)『を通り越して』,の先に

(時刻)『を過ぎて』;(年齢)を過ぎて

(能力・限度など)『を越えて』,の及ばない

(ある数・量)『を越えて』,…以上

《the~》『過去』

《a~,one's~》(国などの)歴史;(人の)経歴,(特にいかがわしい)過去

過去[時制];過去形

『過ぎて』,通り越して

future

〈U〉〈C〉『未来』,将来

〈C〉将来の可能性,(有望な)将来性

《the ~》(文法で)未来時制,未来形

《複数形で》先物[契約]

『未来の』,将来

(文法で)未来の,未来形の

perhaps

『おそらく』,ことによると,ひょっとしたら,たぶん

success

〈U〉『成功』,好結果,上首尾

〈U〉富(地位,名声)を得ること,成功,立身,出世・〈C〉『成功した人(物,事)』・うまく行くこと・成功者

commercially

商業上,商業的見地から見て;通商上,貿易上

possible

(物事が)『可能な』,実行できる

(物事が)『ありうる』,『起こりうる』

我慢できる,まずまずの

《形容詞の最上級,all, everyなどを強調して》可能な限りの

〈U〉《the ~》可能性

〈C〉可能性のある人(物,事),当選(勝利)の見込みのある人

information

《単数形で冠詞をつけずに》(…についての)『情報』,『知識』《『about』(『on, as to』)+『名』(『wh-節・句』)》

〈U〉案内;〈C〉案内所,案内係

algorithm

アルゴリズム(最大公約数を求める互除法などの演算方式)

base

《文》(人や人の行動・孝えが)『卑しい』,下劣な

(金属が)質の劣った;(貨幣が)粗悪な

commercial

『商業上の』,通商上の,貿易上の

営利的な,もうけ主義の;市販用の

広告放送の

(ラジオ・テレビの)コマーシャル

company

〈U〉『来客』,客

〈C〉『会社』《略》(単数)『co.』,(複数)『cos.』;会社名の時は『Co.』)

〈U〉交際,付き合い

〈U〉『仲間』,友だち

〈C〉《集合的に》(…の)『団体』,一行,一座,劇団《+『of』+『名』》

〈C〉(陸軍の)歩兵中隊

〈C〉《集合的に》(船の)全乗組員

Amazon

アマゾン(ギリシア神話で,昔黒海の近くにいたという女武者の一族)

《しばしばa-》女傑(じょけつ),勇ましい女

《the ~》アマゾン川(南米にある大河)

suggest

<考え・計画など>‘を'『提案する,』言い出す

〈物事が〉…‘を'『連想させる,』思い起こさせる

…‘を'『それとなく示す』

product

『産物』;製品

(…の)結果,帰結《+『of』+『名』(do『ing』)》

(数の)積

(化学の)生成物

might

mayの過去形

《直説法で》《時制の一致により従節に用いて》

《仮定法で》

《現在の事実と反対の仮定》…『かもしれないのだが』;…してもよい

《過去の反対の推量》…『したかもしれない』

《仮定法から転じて遠回しの表現で》

《可能性・推量》『ひょっとしたら』…『かもしれない』

《疑問文で》《不確実》いったい…だろうか

《許可》…『してもよい』

《提案・依頼》…『してくれませんか』…してみてはどうだろうか

《非難・不平》…『してもよさそうなものだ』

movie

(また『motion picture, moving picture』)《米》『映画』;《しばしばthe movies》《集合的に》映画(《英》cinema);映画の上映

《複数形で》映画館(《英》cinema)

《複数形で》映画産業

almost

『ほとんど』,たいてい(nearly)

creepy

(恐れ・嫌悪などで)ぞくぞくする,気味の悪い

power

〈U〉(名身が生れつき備えている,また物事を遂行できる)『能力』,『力』

〈U〉(…に対する)権力,支配権《+『over』+『名』》

〈C〉(法・官職などによる)権限

《複数形で》(生まれながらの)体力,知力,才能

〈C〉権力者,実力者;影響力のある集団;強国・大国〈U〉軍事力;国力

〈U〉強さ,力

〈C〉《通例複数形で》神;悪魔

〈U〉動力;工率,仕事率

〈U〉(電気などの)エネルギー,力

〈C〉(数学で)累乗

〈U〉(レンズの)倍率

〈U〉《a~》《話》(…の)多数,多量

〈機械〉‘に'動力を供給する

datum

dataの単数形

既知の事実

rather

『いくぶん』,やや

『それどころか』,反対に

《話》かなり,相当に

《英話》(応答に用いて)確かに,そうですとも(certainly)

jeopardy

危険,危機

incredibly

信じられないほど

subtle

(知覚しにくいほど)『かすかな』,ほのかな,微妙な

(頭脳・感覚などが)鋭い

ずるい,こうかつな

難解な

巧みな,精巧な

complex

『いくつかの部分から成る』,複合の,合成の

『複雑な』,入りくんだ,こみいった(complicated)

複合体,合成物

コンプレックス,複合(抑圧されて心に残った複雑なしこり)

ancient

『古代の』,大昔の(特に476年の西ローマ帝国滅亡以前をいう)

古来の

古代人

miss

〈ボールなど〉‘を'『打ち損なう』,〈的(まと)など〉‘を'『外す』

〈人〉‘に'『会い損なう』,〈列車・船など〉‘を'『捕まえ損なう』;〈約束など〉‘に'間に合わない

…‘を'『見落とす』,見そこなう,見矢う

〈物事〉‘を'『逃す』,逸する

〈会合・学校など〉‘に'出席しない

…‘を'理解できない

…‘が'ない(いない)のを残念に思う

…‘が'ない(いない)のに気付く

…‘を'避ける,免れる(avoid, escape)

…‘を'欠く

…‘の'答えの間違う

的(まと)を外れる,当たり損なう;受け損なう

(…で)失敗する《+『in』+『名』》

発火しない,点火しない

やり損ない,失敗(failure);免れること,回避(escape)

national

『国民の』;『国家の』

『国立の』,国有の

全国的な

《修飾語を伴って》(特定国の)市民,国民

museum

『博物館』;美術館

along

『…をたどって』,…に沿って

…の間に(during),…の途上で

『沿って』,並んで

《動作や状態の継続を強めて》前へ,進んで

(人を)連れて;(物を)持って

stuff

『材料』,原料,資料

《話》(ばく然と)『物』

素質,本領

くだらないもの(こと);ばかげた考え

《古》布地

(…を)〈入れ物・車など〉‘に'『詰める』,詰め込む《+名+with+名》

(入れ物などに)…‘を'『押し込む』《+名+into+名》

(…で)〈穴など〉‘を'ふさぐ《+up+名+with+名》

《しばしば受動態で》《話》(食物を)〈自分,自分の復〉‘に'詰め込む

(料理の材料で)…‘に'詰め物をする《+名+with+名》

(剥製にするため)〈死んだ動物〉‘に'詰め物をする

〈投票箱〉‘に'不正票を入れる

たらふく食べる

difference

『違い』,『相違点』,意見などの食い違い

『差』,差額

pedestrian

『歩行者』(walker)

《名詞の前にのみ用いて》歩行者の

(文体などが)月並みな,平凡な,ありふれた

pretty

(女・子供などが)『きれいな』,『かわいらしい』;(事物・場所などが)きれいな,こぎれいな

(目・耳・心に)『快い』,楽しい

《名詞の前にのみ用いて》《しばしば皮肉に》みごとな,けっこうな;ひどい

《名詞の前にのみ用いて》《話》(数量・規模・範囲などが)『かなり大きい』,相当な

『かなり』(fairly);わりあいに(somewhat)

とても,ずいぶん(very)

《話》《まれ》《呼びかけに用いて》かわいい子(女)

drive

(…から…へ)〈動物・敵など〉‘を'『追い立てる』,追い払う,追い出す《+『名』+『away』(『out』)『from』+『名』+『to』+『名』》

(…から)…‘を'押しやる,押し流す《+『名』+『off』(『out of』)+『名』》

〈人〉‘を'駆り立てる(force)

〈車・馬車〉‘を'『運転する』,操縦する;〈馬〉‘を'御する

《副詞[句]を伴って》(ある場所へ)〈人〉‘を'車(馬車)で運ぶ(送る)

(…に)〈くい・くぎ・ねじなど〉‘を'打ち込む,差し込む《+『名』+『in』(『into, through』)+『名』》

〈人〉‘を'酷使する

〈商売・取引など〉‘を'活発に行う,強力に進める

(…に)〈トンネルなど〉‘を'掘る,通す《+『名』+『through』+『名』》

〈動力が〉〈機械など〉‘を'運転する,動かす

『車を運転する』

《副詞[句]を伴って》車で行く,ドライブする

〈車・船などが〉(…に)突進する;〈雨・風が〉(…に)激しく吹きつける《+『against』(『into』)+『名』》

〈C〉(馬車・自動車などに)乗って行くこと,遠乗り,『ドライブ』

〈U〉(馬車・自動車で行く)道のり,行程

〈C〉(特に邸内・公園内の)車道

〈U〉〈C〉(自動車などの)駆動装置

〈C〉(目的達成のための)組織的活動,運動

〈U〉元気,迫力,精力

〈U〉突進;(軍隊の)猛攻撃

〈C〉(心理的な)動因,本能的要求

〈U〉〈C〉(ゴルフ・テニスなどの)強打

〈C〉(家畜などを)追い立てること

million

『100万』

(貨幣単位の)100万

《復数形で》(…の)多数,たくさん《+『of』+『名』》

『100万の』

多数の

mile

〈C〉『マイル』(長さの単位;1609メートル)

《the ~》1マイル競走(mile race)

〈C〉《複数形で》《話》長い距離;多量,たくさん

accident

〈C〉『偶然』,偶発,めぐり合わせ

〈C〉『事故』,災難

regular

『いつもの』,習慣的な

『規則正しい』,きちんとした

『定まった』決まった;定時の,定期的な

普通の,標準どおりの

均整のとれた,整然とした

《名詞の前にのみ用いて》『正規の』,正式の;本職の

《名詞の前にのみ用いて》《話》好ましい,すてきな;全くの正真正銘の

(文法で)規則変化の

(カトリック教で)修道会に属する宗規に従う

《話》常連

正規兵

road

『道路』,『道』;街道

(都市・町の)…街,…通り(street);《the…Roadとして》…街道;通例Rdと訳し固有名詞に付て

(ある目的に至る)『道』(course),手段(means)《+『to』+『名』》

鉄道(railroad)

=roadstead

actually

(まさかと思うだろうが)『実際に』,現に,ほんとうに

ourselves

《強意用法》《weと同格に用いて》『私たち自身』,自分たちみずから

《再帰用法》《動詞・前置詞の目的語として》『私たち自身を』(『に』),自分たちを(に)

《まれ》《おもにthan,butなどの後でweの代用として》我々,私たち

maybe

『たぶん』,おそらく,ことによると

amazing

驚くべき,びっくりさせるような

happen

〈でき事が〉『起こる』,発生する,生ずる

『偶然(たまたま)…する』

《『happen』 『to』+『名』》〈でき事が〉…に起こる,降りかかる

project

…‘を'『計画する』,企画する

(ねらって)…‘を'『投げる』;…‘を'発射する

(…に)〈光・影・映像など〉‘を'投げかける,投影する,映写する;〈声〉‘を'かける《+『名』+『on』(『onto』)+『名』》

(他の人に〈‘自分の考え・気持ち〉‘を'投げかけて伝える《+『名』+『on』(『upon』)+『名』》

(想像して,…の時間・場所・情況などの中へ)…‘を'置いてみる《+『名』+『in』(『into』)+『名』》

(得られた情報らよって)…‘を'予報する,予測する

『突き出る』,出っ張る

『計画』,企画,案

計画的な仕事;研究課題;(大ががりな)事業

《米》=housing project

team

(スポーツの)『チーム』

(共に仕事などをする)『一団』,一組

(荷車を引く2頭以上の牛馬などの)‐

〈動物〉‘を'一組にする

…‘を'一組の動物で運ぶ

(…と)『チームを作る』,チームを組む,協力する《+up with+名》

guy

控え綱,支え綱(テント・棒などを倒れないように張る綱)

…‘に'控え綱を張る(で締める)

university

{C}『[総合]大学』

〈U〉《the university》《集合的に》大学生,大学当局

Toronto

トロント(カナダのオンタリオ州の州都)

win

(競争・競技などで)(…に)『勝つ』,優勝する《+at(in)+名》

(…に対して)勝つ,勝利を得る《+against(over)+名》

〈戦争・競技など〉‘に'『勝つ』

〈賞・名声など〉‘を'『勝ち取る』,(努力して)獲得する

〈人〉‘を'説得する,味方につける,の支持を得る

《文》〈目標など〉‘に'到達する

(特にスポーツで)勝利,勝ち

automatic

『自動の』,自動装置(機械)の

(行動などが)『無意識の』,機械的な

(銃砲が)自動式の

自動機械

自動式ライフル(ピストル)

drug

『薬』,薬品,薬剤

『麻薬』,麻酔剤

〈人〉‘に'薬(特に麻酔剤)を与える

〈飲食物〉‘に'(麻酔薬・毒薬などの)薬を混ぜる

discovery

〈U〉『発見』;〈C〉発見した物(事)

extraordinary

『並はずれた』;異常な

《名詞の前にのみ用いて》『特別の』,臨時の

develop

(今まではなかったが)…‘を'『生じさせる』,‘を'現す

…‘を'『発展させる』,伸ばす,成長させる

〈病気・悪習など〉‘に'だんだん感染する,かかりはじめる,‘を'発病させる

〈資源など〉‘を'『開発する』

…‘を'十分に考える,〈議論・主題など〉‘を'展開する

〈フイルム〉‘を'現像する

〈ないもの・隠れているものが〉『現れる』,明らかになる

(…から…に)『発展する』,発育する《+『from』+『名』+『into』+『名』》

〈フイルムが〉現像される

international

『国際的な』,国家間の,万国の

国際関係の

国際競技,国際試合

国際試合出場者

academic

学園の,大学の

(職業教育に対して)純粋学問の

理論的な;非実際的な

大学教師,大学生

nobody

『だれも…ない』(not anybody)

取るに足らない人,つまらぬ人間

background

(景色・絵などの)『背景』,遠景

(模様などの)地

(事件などの)背景

(人の)経歴,前歴

chemistry

『化学』

化学的性質,化学反応,化学作用

biology

『生物学』

science

〈U〉『科学』;(特に)自然科学

〈C〉(個々の)科学,学問

〈U〉〈C〉(修練を要する)技術,わざ

deep

(表面から下方または内部へ)『深い』

(程度が)非常な,深い

奥行きの深い,奥まった

奥深くて測りしれない,深遠な

《補語にのみ用いて》(…の)奥深いところにいる(ある)《+『in』+『名』》

(思想・感情などが)深い,強い

(色が)濃い

(音・声が)低い,太い

『深く』

〈C〉(特に海洋の)『深い所』;海溝

《the~》《文》海

《the~》《古》(冬などの)さなか

cover

(…で)…‘の'『表面をおおう』,'を'包む,かぶせる《+『名』+『with』+『名』》

(範囲が)…‘に'『及ぶ』,わたる,'を'取り扱う範囲に入れる

〈ある距離〉'を'行く,進む(受動態にできない)

…‘に'保険を掛ける

…'を'報道する,取材する

〈要塞・砲などが〉'を'制圧する

(ピストルなどで)〈人〉'を'ねらう《+『名』+『with』+『名』》

(球技などで)〈相手〉の動きなど〉'を'ふせぐ;〈地域など〉'を'守る

(…の)代役をする,身代りをする《+『for』+『名』》

〈C〉『おおい』,包むもの,カバー;ふた

〈C〉『表紙』

〈U〉隠れ場所,潜伏所

〈U〉姿を隠してくれるもの(暗闇,煙など)

〈C〉(秘密を隠すための)見せかけ

〈U〉(…の)保険《+『against』+『名』》

〈C〉封筒;(郵便小包などの)包装紙

〈C〉毛布,ふとん

New York

『ニューヨーク州』(米国北部東海岸の州;州都はAlbany;《略》『N.Y.,NY』)

(また『New York City』)『ニューヨーク市』(米国New York州南東端ハドソン河口の港市;《略》『N.Y.C』)

front

《the~》(物の)『前面』,表;(玄関を含む建物の)正面;(…の)最前部《+『of』+『名』》

《the~》(本などの)最初の部分

〈U〉《しばしばa~》(物事に対する)態度

〈C〉(共通目的のための)共同戦線,運動,提携

〈C〉(街路・川・湖に面した)土地;《英》(海岸の)遊歩道

〈C〉戦線

《話》〈C〉世間の目をそらすための人(物);(…の)隠れみの《+『for』+『名』》

〈C〉(気象上の)前線

〈C〉前部に位置する(ある)もの(ワイシャツの胸当て,前頭部など)

『正面の』,前の;表の

(発音で)前舌音の

〈場所が〉…‘に'面する

(…を)…‘の'正面(前面)につける《+『名』+『with』+『名』》

《古》〈敵・困難・危険など〉‘に'立ち向かう,直面する

(…に)面する《+『on』(『to,toward,upon』)+『名』》

page

(本・手紙・新聞などの)『ページ』

(新聞などの)欄,記事

《文》注目すべき事件(時期)

…‘に'ページを付ける

article

(新聞・雑誌などの)(…についての)『記事』,論説《+『on』+『名』》

(条約・契約などの)条項,箇条;《複数形で》契約

《複数形で》(また『articles of apprenticeship』)徒弟年季契約

(同種の物の)『一個』,『一品』,品物,商品《+『of』+『名』》

冠詞

few

《aをつけて肯定的に》『少しはある』,多少の,いくつかの

《aをつけないで否定的に》『ほとんどない』,少数(少し)しかない

《aをつけて背定的に》(…の)『少数の人』(『物』)《+『of』+『名』〈複数〉》

《aをつけないで否定的に》(…の)少数の人(物)[しかない]《+『of』+『名』〈複数形〉》

《the~》少数の人たち,選ばれた人たち

left-hand

《名詩の前にのみ用いて》

左側の,左方の

左手による,左手の

side

(物体)『面』

(物体の)『側面』,わき

(紙・レコードなど平らな物の)『面』

(中心線・分離線から見た)『片側』

(中心部分から見て)…『側』

(人間・動物の体の右または左の)『側面』,(特に)横腹,わき腹

《単随形で》(人の)『そば』,わき

(物の)端,へり;(図形の)辺

(競技・争いなどの一方の)『側』,味方

(事柄の持っている)一面,局面

(父方または母方の)血統,…方(かた)

側部の,側面の,わきの

側部(側面)からの(への)

二次的な,従の

〈建物など〉‘に'側面を付ける

(…に賛成の(反対の))側につく《+『with(against)』+『名』》

inspire

〈人〉‘を'『鼓舞する』

〈作品など〉‘を'霊感を与えて生み出させる

(人に)〈考え・感情〉‘を'『呼び起こす』《+『名+『in』+『名』〈人〉》

(考え・穏情を)〈人〉‘に'『呼び起こす』《+『名』+『with』+『名』》

空気を吸う(吸い込む)

human

(動物・神に対して)『人間の』,人の

『人間らいし』,人間的な,人情味のある

〈C〉《複数形》(動物に怠して)人間(human being)

〈U〉《the human》人類

brain

『脳』,脳髄

《しばしば複数形で》『頭脳』,『知力』

《話》秀才,知的指導者

…‘の'頭を打ち砕く

result

〈C〉〈U〉『結果』,結末;成果,効果

《複数形で》(試験・競技などの)『成績』

(…の)『結果起こる』(『生じる』)《+『from』+『名』(do『ing』)》

(…という)『結果になる』,(…に)終わる(end)《+『in』+『名』(do『ing』)》

limitation

〈U〉〈C〉『制限するもの』,制約;《複数形で》(能力などの)限界

〈U〉制限すること(されること)

computation

計算;〈C〉(その結果出た)算定額

video

〈U〉テレビの映像

〈C〉テレビ

テレビ映像に関する

ビデオテープの

process

(自然の)『作用』,過程

(物事の)『手順』,方法

(技術上の)製法,工程

召喚状,出頭令状;訴訟過程

(動植物の組織の)隆起,突起

加工(処理,調整)した

〈食品〉‘を'加工する

〈写真フイルム〉‘を'現像する

〈資料〉‘を'コンピューターにかける

…‘を'一定の手順で処理する,(整理する,調査する)

Chinese

『中国の』;中国ふうの

『中国人の』

『中国語の』

〈C〉『中国人』

〈U〉『中国語』

key

(…の)『かぎ』《+『to』+『名』》

《the ~》(達成・理解・解決などの)『かぎ』,手がかり,秘訣(ひけつ)《+『to』+『名』(do『ing 』》

(練習問題などの)解答の手引き(ヒント)

(辞書・地図などの)略語(発音)解,記号解

《the ~》(…への)重要地点,要所;(…にとって)重要な人(物)《+『to』+『名』》

(時計のぜんまいを巻く)ねじ

(鍵盤(けんばん)楽器の)キー,鍵(けん);(タイプライター・計算機などの)キー

(音楽で長短)調

(声の)調子

基本的な;重要な

(特定の状態・活動などに)〈言葉・行動など〉‘を'合わせる,調節する《+『名』+『to』+『名』》

(ある音程に)〈曲〉‘の'調子を合わせる《+『名』+『to』+『名』》

large

(同じ種類のものと比較して,形・体積・数量などが)『大きい』,多い,広い

(考えなどが)広範囲な,幅の広い,寛大な

大きく

自慢して,誇大に

amount

〈計算・金額が〉『総計』(…に)『なる』,(…に)のぼる《+『to』+『名』》

〈事が〉結局(…に)なる,(…に)等しい《+『to』+『名』》

〈U〉《the ~》『総計』,総額,総数(sum)

(ある)『量』,額

〈U〉真意;要旨

speaker

〈C〉『話す人』;演説者

《the S-》(議会の)議長

〈C〉拡声器(loudspeaker)

produce

[ある場所・地域などが]…‘を'『産出する』,『生産する』

〈商品〉‘を'『製造する』;〈作品など〉‘を'作り出す

〈動植物が〉…‘を'『生じる』;〈子〉‘を'生む

…‘を'『取り出す』,提示する

〈物事が〉…‘を'引き起こす,もたらす

産出する生産する

生産物

《集合的に》農産物(特に野菜と果物)

system

〈C〉(関連した部分から成る)『体系』,系統,組織[網],装置

〈C〉(教育・政治などの)『制度』,機構;《the~》体制

〈C〉(思想・学問などの)『体系』,学説

〈C〉(…の)『方法』,方式,やり方《+of doing》

〈U〉正しい方針(筋道,順序)

〈U〉《the~》(身体の)組織,系統

〈U〉《the~,one's~》身体,全身

text

〈U〉〈C〉(翻訳などに対し)『原文』

〈C〉〈U〉(題名・イラストなどに対する)『本文』

〈C〉(聖書の)一節

〈C〉(議論・演説などの)主題,題目

=textbook

convert

(別の物・状態・用途に)…'を'『変える』,転換する(change)《+『名』+『into』(『to』)+『名』》

《米》《通例受動態で》(他の宗教・主義などに)〈人〉'を'改宗させる,転向させる《+『名』+『to』+『名』》

(…に)…'を'等価交換する,両替する《+『名』+『into』+『名』》

(ラグビー・アメリカンフットボールで)〈トライしたボール〉'を'ゴールキックして入れる

(…に)変わる《+『into』(『to』)+『名』》

《米》(…から…に)改宗(転向)する《+『from』+『名』+『to』+『名』》

〈ドルなどが〉(…に)等価交換できる《+『to』(『into』)+『名』》

改宗者,転向者

language

〈U〉『言語』,言葉

〈C〉(一国家・一民族の持つ)『国語』,…語

〈U〉(文字・話し言葉為外の)伝達記号,人工言語;(動物の)伝達手段(鳴き声・身ぶりなど)

〈U〉(個人・特定のグループなどの)『言葉遣い』,語法,(専門の)用語,術語

〈U〉語学,言語学(linguistics)

hour

〈C〉(60分としての)『1時間』(《略》h,H,hr,複hrs)

〈C〉(時計で示される)『時刻』,時

〈C〉(ある事をする)特定の時間,定刻

〈C〉(一般的な)時,時間

《複数形》勤務(営業)時間

〈C〉1時間の道のり

〈C〉(授業の)1時間,1時限;(大学などの)履習単位(1週間の授業時間数)

《the~》現在

own

『自分自身の』,それ自身の,特有の

『自分自身のもの』,わがもの

…‘を'『所有する』,持つ

…‘を'『認める』,白状する;…‘を'自分のものと認める

(…を)白状する,告白する《+『up to』+『名』(do『ing』)》

(…を)認める《+『to』+『名』》

voice

〈U〉(人間の)『声』

〈U〉声を出す力,物を言う力

〈C〉〈U〉声の質,声の状態(調子)

〈C〉(人の声を思わせる)(…の)音《+of+名》

〈C〉(人の声にたとえた)(…の)音《+of+名》

〈U〉〈C〉『発言権』,選択権,投票権

〈U〉表現,表明;意見

〈C〉(声楽の)声

〈C〉(文法で)態

〈気持ちなど〉‘を'言い表す,口に出す

〈音〉‘を'有声音で発音する

modulate

‘を'調節する,調整する

〈声など〉‘の'調子(強さ,速さ)を変える

〈ラジオなど〉‘の'周波数を変える

〈楽曲が〉(ある調子から他の調子へ)転調する《+『from』+『名』+『to』+『名』》

standard

〈C〉〈U〉『標準』,基準,水準,規範

〈C〉(度量衡の)基本単位

〈U〉〈C〉(貨幣制度の)本位

〈C〉旗,軍旗;(主義・主張などの)旗じるし

〈C〉支桂,ランプ台,しょく台

『標準の』,標準的な

定評のある,権威のある

sound

〈C〉〈U〉『音』,『音響』,響き・〈U〉音の聞こえる範囲・〈C〉(音声としての)音

《単数形で》(聞いたり,読んだりしたときに受ける)感じ,響き,調子・〈U〉(無意味な)音(声);騒音,ざわめき・『音を出す』,鳴る,響く・『聞こえる,思える』(進行形にできない) ・〈楽器・ベルなど〉‘を'鳴らす・(音で)…‘を'知らせる・…‘を'発音する・〈考えなど〉‘を'打診する

perfect

『完全な』,欠点のない,申し分のない

(必要なものが)『完全にそろった』

(写しなどが原物に)『正確な』

《名飼の前にのみ用いて》全くの

(文法で)完了の

《the ~》完了時制

〈C〉完了形(完了時制の動詩形)

…‘を'『完鮮にする』

quite

『全く』,完全に

『かなり』,相当に,ずいぶん

ほんとうに,実際に,真に

error

〈C〉『誤り』,『まちがい』

〈U〉思い違い,誤解

〈U〉〈C〉過ち,過失

〈U〉(計数の)誤差

〈C〉(野球で)エラー,失策

applause

『拍手かっさい』;称賛

area

〈U〉〈C〉『面積』

〈C〉『地域』,『地方』(region, district)

〈C〉(活動・研究・興味などの及ぶ)『範囲』,『領域』(range)《+『of』+『名』》

〈C〉《英》=areaway 1

conference

〈C〉『会議』,協議会

〈U〉〈C〉(…との)相談,協議《+『with』+『名』》

〈C〉(学校,スポーツクラブなどの)連盟

China

『中国』(正式名『the People's Republic of China』中華人民共和国)

spontaneous

(行動などが)『自然に起こる』,自発的な

(現象などが)自然[発生]の;(植物などが)天然の,自生の

although

…『ではあるが』,…とはいいながら,…だが(though)

feel

(手・指で)…‘に'『触れる』,触って調べる

(身体で)…‘を'『感じる』(進行形にできない)

(心で)…‘を'『感じる』,意識する

〈事件・状況など〉‘で'苦しむ,‘から'打撃を受ける(進行形にできない)

…‘と'『思う』,堅く信じる,悟る

…‘が'分かる

感覚がある,(感触として)感じる

〈人が〉『感じる』,思う

《『feel』+『形』》〈物が〉(…の)『感じがする』,(…の)手触りがする

(…を)探る,手探りする《+『around』(『about』)『for』(『after』)+『名』》

(物のもつ)感触,手(膚)触り

感じ,気配,ふんい気

(生まれつきの)感知力,勘

(…に)触ること《+『of』+『名』》

free

(束縛された状態になく)『自由な』,自由の身の

(国家・国民などが)『独立している』

(思想・行為などが)強制されない,自発的な

(動作が)拘束されない,無理のない

《補語にのみ用いて》(苦痛・制約などを)『免れている』,(誤り・偏見などの)ない《+『from』(『of』)+『名』》

《補語にのみ用いて》《『be free to』do》『自由に』…『できる』

(仕事から)解放された,暇になった;(部屋などが)使用されていない,空いた

『無料の』;無税の

出し惜しみしない

遠慮のない,慎みがない

(道路などが)障害のない,自由に通れる

固定していない,離れた

無料で

自由に,妨げられずに(freely)

(…から)〈人・国など〉‘を'『自由にする』,解放する《+『名』+『from』+『名』》

(困難などから)〈人〉‘を'救う《+『名』+『form』+『名』》

(障害などを)〈人・物〉‘から'取り除く《+『名』+『of』(『from』)+『名』》

(物を)…‘から'片付ける,外す《+『名』+『of』+『名』》

transcription

〈U〉(…を)書き写す(書き直す)こと,(…の)転写,謄写《+of+名》

〈C〉写し(書き直し)[たもの]

〈U〉〈C〉編曲[されたもの]

〈U〉〈C〉(ラジオ・テレビの)録音(録画)

translation

〈U〉『訳すこと,翻訳』

〈C〉翻訳されたもの

top

〈C〉《the ~》(…の)『いちばん上の部分』,最先端,頂上

〈C〉《the ~》(…の)『最上面』,表面《+of+名》

《the ~》(…の)『最高位』,『首位』;上座《+of+名》

《the ~》(…の)『最高の程度』,頂点《+of+名》

〈C〉《the ~》(びんなどの)ふた,栓;(車の)屋根[カバー],ほろ《+of+名》

〈C〉《複数形で》(根菜の)葉の部分《+of+名》

〈C〉(上下の服の)上

《通例名詞の前にのみ用いて》

『最も高い』,いちばんの

『最上位の』,第一位(一級)の

最高程度の

…‘に'『おおい(ふた)を付ける』

…の頂上にある,頂上をおおう

…‘の'頂上に達する,‘を'登りきる

…‘を'しのぐ,‘に'まさる

<野菜・果実など>‘の'葉の部分を切る(刈り力む)

(ゴルフで)<球>‘の'上をたたく

construction

〈U〉(…の)『組立て』,建築,建造《+『of』+『名』》;その工事,作業・〈U〉『構造』,造り,建築様式・〈C〉『建築物』,建物・〈C〉文の構成,構文・〈C〉(語句・法律などの)解釈,説明

seem

(進行形にできない)(…のように)『見える』,思われる

discover

〈今まで知らなかった物・場所〉‘を'『発見する』,見付ける

〈今まで知らなかった事〉‘を'発見する,悟る

obscure

『はっきりしない』,分かりにくい

よく知られていない,目につかない

『薄暗』

…‘を'隠す,おおう

〈意味など〉あいまいにする,分かりにくくする

Germany

『ドイツ』(第二次世界大戦後1949年東西両ドイツに分割された)

German

『ドイツの』;『ドイツ人の』;ドイツ語の

〈C〉『ドイツ人』

〈U〉《無冠詞で》『ドイツ語』

traffic

(車・船・人などの)『往来,交通』,通行;(鉄道・船などによる)輸送,運輸

《集合的に》交通量,輸送量

売買,商売(trade),(特に不正な)取り引き

運輸業,[旅客]輸送業

(特に不正に)(…と…の)取り引きをする《+in+名+with+名》

sign

(ある事実・状態・感情などの)『表れ』,印,気配,徴侯(indication);(…の)こん跡,計跡《+『of』+『名』》・『身ぶり』,手まね,合図

『標識』,看板

(数学・音楽などの)記号

(…の)『象徴』,シンボル(symbol)《+『of』+『名』》・《文》(…の)『前兆』,きざし《+『of』+『名』》・宮(きゅう)(黄道12区分の一つ) ・〈手紙・書類・作品など〉‘に'『署名する』・(…に)〈名前など〉‘を'書く《+『名』+『on』(『to』)+『名』》

…‘を'雇う契約に署名する・…‘を'合図する,知らせる;…に合図する・署名する・契約書に署名して雇われる

recognition

(それであること)『見て気がつくこと』,見覚え

(特に,正当・妥当であるとの)(‥の)『承認』《+of』+『名』》

(業績・貢献などを)認めること,(…の)表彰《+『of』+『名』》

benchmark

水準点(測量に用いる基準標識)

(評価などの)基準

twice

『2回』,2度

『2倍[に]』

announce

…'を'『発表する』,公表する

…‘の'来訪(到着,出席)を大声で告げる;〈食事〉‘の'用意ができたことを大声で知らせる

〈物事が〉…'を'示す

(ラジオ・テレビで)〈試合など〉‘の'アナウンスをする

アナウンサーとして勤める(働く)

crunch

…'を'カリカリ(ボリボリ)かむ

〈砂利道・氷雪上など〉'を'バリバリ(ジャリジャリ)音を立てる(立てて進む),'を'ザクザク踏む

カリカリ(ボリボリ)かむ

バリバリ(ジャリジャリ,ザクザク)音を立てる(立てて進む)

〈U〉〈C〉かみ砕くこと(音);踏み砕くこと(音),(砕いて)音を立てて進むこと

《the~》(決断が必要な)危機,緊張

〈U〉金融引締め

independently

独立して,自主的に

concept

(特に哲学用語として)(…の)概念,観念《+『of』+『名』》,(…という)概念《+『that』節》

such

《特定の種類・程度を示して》『こんな』,あんな

《類似の種類・程度を示して》『そんな』,そのような

《名詞の前にのみ用いて,強意的に》『とても』(良い,悪い,ひどい)

《補語にのみ用いて》『そのような』

そのような人(物,事)

cat

『猫』;(ライオン,トラ,ヒョウなどの)ネコ科の動物

themselves

《強意用法》《[代]名詞と同格に用いて》『彼ら自身』,彼女ら自身,それら自身

《再帰用法》《動詞・前置詞の目的語》『彼ら自身を(に)』,彼女ら自身を(に),それら自身を(に)

figure

〈C〉『数字』,(特に)アラビア数字;数量,価格

《複数形で》計算,算数

〈C〉『姿』,容姿,目立つ姿

〈C〉《修飾語句を伴って》(…の)『人』;(…の)名士,大物

〈C〉(絵画・彫刻などの)人物像,肖像

〈U〉〈C〉形,形状

〈C〉『図』図形;模様,図案

〈C〉(…の)印,象徴,典型《+『of』+『名』》

〈C〉=figure of speech

〈C〉(ダンス・スケートの)フィギュア

…‘を'計算する;…‘を'合計する《+『up』+『名,』+『名』+『up』》

《おもに米話》…‘を'考える

…‘を'(…の)図形に表す,(…の)模様で飾る《+『名』+『with』+『名』》

(…で)目立つ,異彩を放つ《+『in』+『名』》

half

〈C〉〈U〉『半分』,2分の1;約半分

〈U〉《時刻を表す数詞と共に用いて》『半』,30分

〈C〉《おもに英》(2学期制の学校での)前(後)期

〈C〉(競技などの)前(後)半;(野球で1イニングの)表(裏)

〈C〉=halfback

『半分の』

不十分な,中途はんぱな

『半ば』,半分[だけ]

半時間だけ,30分だけ

不完全に

かなり,ほとんど

image

(鏡に映った)『像』,(レンズによる)映像

(心に浮かぶ)『像』,心像,イメージ

(絵・彫刻などによる人・動物などの)『像』,肖像;偶像《+『of』+『名』》

(…に)『そっくりの人』(『物』)《+『of』+『名』》

(…の)典型;(…の)化身《+『of』+『名』》

(直喩(ちょくゆ)・隠喩などの)比喩

…‘の'像を描く;…‘を'思い描く

percent

『パーセント』,100につき(…の割),100分(の…)《+『of』+『名』》《記号》%;《略》『p.c.』)

…パーセントだけ

rate

〈C〉『割合』,『率』

〈C〉《the~,a~》『速度』(speed),進度

〈C〉『値段』,『相場』;料金

〈U〉等級(class),(…)等

《複数形ぃ》《英》地方税

(…の金額に)…‘の'『値段を決める』,見積もる《+『名』+『at』+『名』》

…‘を'『評価する』,みなす

《米話》…‘に'値する,‘の'価値がある

『評価される』;みなされる

job

『職』,勤め口;(職としての)仕事

(しなければならない)『仕事』;職務

難しい(骨の折れる)仕事

手間(賃)仕事をする

(株の)仲買をする

(公職を利用して)私腹を肥やす

〈商品〉‘を'卸売りする;〈株〉‘を'仲買する

(…に)…‘を'下請けに出す《+『out』+『名』+『to』+『名』》

industry

〈U〉(一般に)『産業』

〈C〉(特定分野の)事業,実業,生事業

〈U〉勤勉

map

(1枚1枚の)『地図』;天体図

…‘の'地図を作る;…‘を'地図にかく

location

〈U〉(…の)位置(場所)を捜し出すこと《+『of』+『名』》

〈C〉『位置』,場所

〈C〉(映画などの)『野外撮影地』;〈U〉ロケーション

France

『フランス』(ヨーロッパの共和国;首都はParis)

feed

〈人・動物〉‘に'『食物を与える』,‘を'養う;《英》(…で)〈人・動物〉‘を'育てる,飼育する《+『名』+『on』+『名』》

《米》(人・動物に)〈食物〉‘を'与える《+『名』+『to』+『名』》

〈食物ず〉…‘の'食事となる,‘を'まかなう

(必要なものを)…‘に'供給する《+『名』+『with』+『名』》

(…に)〈必要なもの〉‘を'供給する,送り込む《+『名』+『into』(『to』)+『名』》

〈動物が〉食へる,《話》〈人が〉食べる

〈U〉『飼料』,えさ;〈C〉1回分の飼料

〈C〉《話》《単数形て》食事;ごちそう

street

(両側に歩道と建物のある)『街路』,通り;…街(通り)(《略》st.)

(歩道と区別した)車道

町内の人々

view

〈C〉〈U〉(…を)『見ること』,ながめること,一見,一覧《+of+名》

〈U〉(…の)『視界』,視野《+of+名》

〈U〉《しばしばa ~》(…の)『ながめ』,光景,けしき《+of+名》

〈C〉(…の)風景画(写真)《+of+名》

〈C〉《しばしば単数形で》『見方』,考え方,見解

〈C〉意図

numbers

数学,数学

(人員などの)数の優勢

《米》《the~》=numbers game

《古》詞句,韻文

imagine

…‘を'『想像する』,思い描く

《『imagine』+『that節』》…‘と'『思う』

《『imagine』+『wh-節』(『句』)》…かどうか‘を'推測する

想像する,考える,推測する

dozen

『ダース』,12個の組(《略》『doz.,dz.』)

guess

(十分な根拠なしに)…‘を'『推測する』,推量する

(正確な推測で)…‘を'『言い当てる』,判断する

《『guess』+『that節』》《米》…‘と'『思う』(think, suppose),信じる(believe)

(…を)『推測する』《+『at』(『about』)+『名』》

(…についての)『推測』,推量《『at』(『about, as to』)+『名』(『wh-節』)》

underneath

…『の下に(を)』

…の見かけのもとで

『下に』,下の方に

底,下側;最下部

similar

(大体において)『似ている』,類似した同様の

(図形が)相似の

direction

〈C〉〈U〉『方向』,方角;方面

〈C〉(思想・行動の)『傾向』,(事態が向かう)方向,(情報の)線

〈U〉『監督』,管理;指揮,指導

〈C〉《通例複数形で》(…についての)『指示』,指図,命令《+『for』(『about』)+『名』

+『asto』『名』(『wh-句』)》

〈U〉(音楽・演劇・映画などの)『指揮』,演出,監督

even

『平らな』,平たんな

『同じ高さの』,同一平面の,平行の

(運動・動作・品質などが)『均一の』,規則的な,一様の,むらのない

(数・量などが)『同じの』,等しい,釣り合のとれた互角の

『偶数の』

公平な,公正な(fair)

平静な,穏やかな,落ち着いた(calm)

貸借にない,清算済みの

端数のない,ちょうどの,きっかりの

《意味を強めて,不審や意外の念を含み》…『でさえも』,までも

《比較級の前に用いて》『なおいっそう』,さらに(still,yet)

《形容詞の前または後の用いて》(…と)すら言える;《古》《時を表す副詞の前に用いて》ちょうど

…‘を'平らにする,ならす

…‘を'釣り合わせる,平均させる《+『up』+『名』,+『名』+『up』》

…‘の'変動をなくする,‘を'安定させる《+『out』+『名』,+『名』+『out』》

tongue

〈C〉『舌』

〈C〉〈U〉(食用の牛などの)舌,タン

〈C〉『言葉』,言語(language)

〈C〉『言葉遣い』,言い回し

〈C〉話す能力

〈C〉(形・位置・働きが)舌に似たもの

〈C〉細長い岬

〈C〉(靴の)舌革,べろ

clearly

『はっきりと』,明白に

『疑いもなく』,明らかに

《返事として》もちろんそのとおり,いかにも

web

(クモなどが紡ぎ出す)『巣』

(クモの巣のような)網状組織;(張りめぐらした)仕掛け

(製織中の)織物

(アヒルなど水鳥の)水かき

(輪転機の)巻取り紙

therefore

『それゆえ』,それで;その結果

real time

実時間(コンピューターで実際に計算にかかる時間)

nuance

(意味・色彩などの)微妙な違い,陰影,ニュアンス

sentence

〈C〉『文』,文章

〈C〉〈U〉(…に対する)『判決』,(刑の)『宣告』

〈人〉‘に'宣告する

understandable

分かりやすい,理解できる

red

〈U〉〈C〉『赤,』『赤色;』赤い絵の具(染料)

〈U〉赤い服

〈C〉《しばしば『R-』》《話》《時に軽べつして》アカ,共産主義者;過激論(主義)者

〈U〉《通例the ~》(会計の)赤字,負債

『赤い』,赤色の

(顔・目などが)赤くなった;血に染った

赤い服を着た;赤毛の

《しばしば『R-』》《話》《軽べつして》共産主義の;過激な

dot

『点』,ぽち,しみ

(ペンで書いたような)小点;終止符(period)

(通信の)短点

…‘に'『点を打つ』

(…を)…‘に'『点在させる』,散在させる《+『名』+『with』+『名』》

…‘を'打つ,なぐる(hit)

express

(言葉で)〈思想・感情など〉‘を'『表現する』,言い表す,述べる

(言葉以外で)…‘を'『示す』,表す(indicate);〈数字・記号・式などが〉…‘を'表す

《英》〈荷物など〉‘を'至急便で送る

(…から)〈果汁など〉‘を'絞り出す《+『名』+『from』+『名』》

特別の,特定の

はっきりした,明白な

『至急便の』,急行の

至急便で,急行で

〈U〉(手紙・荷物などの)『至急便』

〈C〉(至急便を扱う)通運会社

〈C〉(列車・バスなどの)『急行』

negative

『否定の』,反対の

『消極的な』,控えめの

陰電気の;(数値が)負の,マイナスの(minus);(写真が)陰画の,ネガの;(医学検査結果が)陰性の

『否定』,拒否,「いやだ」と言うこと

否定語[句]

《the~》(特に討論会の)反対者側,反対派

(電気分解に用いる)陰極板

(数値の)負数

(写真の)陰画,ネガ

《しばしば受動態に用いて》…‘に'反対投票をする

=negate

sentiment

〈C〉〈U〉『感情』,心情,気持ち

〈C〉《しばしば複数形で》(自分の感情・主観を加えた)(…に関する)『感想』,所感,意見《+『on』(『about』)+『名』》

〈C〉〈U〉織細な感情,情趣;(芸術的)情感

〈U〉(…に対する)『感傷』《+『for』+『名』》

performance

〈U〉(…の)『遂行』,実行,履行《+『of』+『名』》

〈C〉(劇・音楽などの)『公演』,上演,演奏《+『of』+『名』》

〈C〉〈U〉(人の)腕前;(機械の)性能

〈C〉(…の)(すぐれた)成果,業績《+『of』+『名』》

native

《名詞の前にのみ用いて》『出生地の』,母国の

『生まれつきの』,生来の

原産の,土地特有の

《名詞の前にのみ用いて》土着の;《今はまれ》原住民の,原住民特有の

天然のままの;純粋な

(…)『生まれの人』《+『of』+『名』》

(移民・旅行者などと区別して)土着の人;《今はまれ》原住民

(…に)固有の動物(植物);(…の)原産物《+『of』+『名』》

level

(土地などが)『平らな』,水平な,凸凹のない

『同じ高さ(程度)の』

《話》精神状態がよくつり合いのとれた,分別のある

〈U〉〈C〉(地位・程度などの一般的な)『標準』,『水準』,レベル

〈C〉(高さ・深さの基準となる)『水平面』,水平線

〈C〉〈U〉(ある物と比べたときの)『高さ』,深さ

〈C〉(建物の)階,層

〈C〉《おもに米》(水準器《英》spirit level)

〈物の表面〉‘を'『平らにする』

〈木・家など〉‘を'倒す

〈地位・程度など〉‘を'一様にする,平均する

《『level』+『名』+『at』+『名』》(目標に)〈銃など〉の水準器を合わせる

《『level』+『名』+『at』(『against』)+『名』〈人〉》(人に)〈非難など〉‘を'浴びせる

水平に,平らに

Switzerland

『スイス』(ヨーロッパ中部の共和国;首都はBern)

none

《『none of』+『名』の形で》(…の)『どれも』『何も,だれも,少しも』)…『でない』

《no+名詞に代わって》『少しも』(『一人も,一つも』)…『ない』

《文》《主語として単独で用いて》『だれも』…『ない』

《『none too』…の形で》『少しも』(『決して』)…『ない』

《『none the』+『比較級』の形で》(…だからといって)少しも…でない《+『for』+『名』(do『ing』)》

whom

《疑問代名詞》『だれを(に)』,どんな人を(に)

《関係代名詞》

《制限用法》(…する,…した)『ところの』

《非制限用法》『そしてその人を(に)』

compare

〈二つのもの〉'を'『比較する』,比べる;〈一つのもの〉'を'(他のものと)『比べる』《+『名』(do『ing』)+『with』(『to』)+『名』(do『ing』)》

(…に)…'を'『たとえる』《+『名』+『to』+『名』》

〈形容詞・副詞〉‘の'比較変化形を作る

(…と)比較される;匹敵する《+『with』(『to』)+『名』》

understanding

〈U〉(…の)『理解』,意味をつかむこと《+of+名》

〈U〉《しばしば an~》(…に)『精通』,熟達《+of+名》

〈U〉『意見』,結論

〈U〉《時に an~》(相手の立場の)共感;〈C〉《単数形で》同意,一致

〈U〉『理解力』,知力,知性(intelligence)

相手の立場を理解している,思いやりのある,話せる

attach

(…に)…'を'『つける』,『取りつける』,はりつける《+『名』+『to』+『名』》

(…に)…'を'所属させる,付属させる《+『名』+『to』+『名』》

(…に)〈サインなど〉'を'添える《+『名』+『to』+『名』》

(…に)〈重要性・意味など〉'を'置く,帰する《+『名』+『to』+『名』》

(法律用語で)…'を'逮捕する;…'を'差し押える

(…に)付着する,所属する(belong)《+『to』+『名』》

type

〈C〉(…の)『型』,タイプ,類型,種類(kind)《+of+名》

〈C〉(その種類の特質を最もよく表している)『典型』,手本,模範《+of+名》

〈U〉《集合的に》活字;〈C〉(1個の)活字

〈U〉(印刷された)字体,活字

〈C〉(貨幣・メダルなどの)模様,図柄

〈C〉血液型(blood group)

…‘を'タイプに打つ

(…として)…‘を'分類する《+名+as+名(doing)》

…‘の'型を決める

タイプライターを打つ

writing

〈U〉『書くこと』

〈U〉筆跡,書掛

〈U〉(口頭に対して)書かれて形式,文書

〈U〉〈C〉『書かれたもの』(手紙,書類,銘など)

《複数形で》文学作品,著作

〈U〉著述業,文筆業

surprising

『驚くべき』;意外な,不意の

generate

〈電気・熱〉‘を'『発生させる』,生む;〈文〉‘を'生成する

《文》(一般的に)…‘を'起こす,生じる

describe

…‘を'『描写する』,‘の'特徴を述べる

〈図形など〉‘を'『描く』,‘の'輪郭をかく

black

『黒い』,黒色の

『暗い』,まっ暗な(dark)

(特にアフリカ系)黒人の

汚い(dirty),汚れた(soiled)

陰気な(gloomy);不吉な;見通しの暗い

怒った(angry);不きげんな(sullen)

腹黒い,邪悪な(wicked, evil)

《文》不名誉な

(コーヒーに)クリーム(牛乳)を入れない,ブラックの

〈U〉『黒』,『黒色』

〈C〉《しばしば『B-』》黒人

〈U〉黒衣,(特に)喪服

黒くなる;暗くなる

…'を'黒くする;…'を'暗くする(blacken)

(靴墨で)〈靴〉'を'みがく

shirt

(えり付きの男物)『シャツ』,ワイシャツ

《米》(下着の)シャツ,はだ着(undershirt)

guitar

『ギター』

novel

『新奇な』,ざん新な

description

〈U〉〈C〉(…の)『記述』,『描写』《+『of』+『名』》

〈C〉人相書き,人相

〈C〉種類,銘柄

close

…'を'『閉じる』,閉める(shut)

…'を'ふさぐ(fill)

〈事務・仕事・話など〉'を'『終える』,済ませる

〈通路・施設など〉'を'一時的に閉じる,‘の'使用を一時中止する

(一つにまとまるように)…'を'つめる

〈ドア・目・花などが〉『閉じる』,閉まる;ふさがる

〈話・相談・契約などが〉『終る』,終了する,〈店などが〉終業(休業)する

くっつく,接近する(come together)

終結,結末,終り(end)

締め切り

(音楽の)終止

test

(人の能力などの)『試験』,考査,テスト

(物事の)『試験』,検済,試錬,実験《+of+名》

化学分析;試薬

=test match

…‘を'『試験する』,検査する

…‘を'化学分析する

(…の)試験を受ける,試験をする《+for+名》

prefer

『むしろ』…『のほうを好む』(『選ぶ』)

(法廷なでに)…‘を'提出する,申し出る

《文》(特に教会などで)〈人〉‘を'(…に)昇進させる《+『名』+『to』+『名』》

caption

題目,見出し;(写真・挿絵の)説明・映画の)字幕,タイトル・…‘に'見出し(欄)をつける

probably

『たぶん』,『おそらく』

within

『…以内に』

《距離》

《期間・時間》

《範囲・制限》

《おもに文・古》《場所》『…の内部に』,の中に

…の心の中に(で)

中に,内側に

『内部』

going

《one's go・ing》『行くこと』,出発

(道路などの)状態

進行,速度

《複数形で》行為,ふるまい

《名詞の前にのみ用いて》(商店などが)盛業中の;(機械などが)動いている

《名詞の前にのみ用いて》現行の,目下の

《話》《名詞の後に用いて》現存の,現在入手できる

lead

《方向を表す副詞[句]を伴って》…‘を'『導く』,案内する

〈道・灯火などが〉…‘に'道筋を示す;(…へ)…‘を'導く《+『名』+『to』(『into』)+『名』》

…‘の'先頭になる,1番である

…‘の'『率いる』,指揮する

〈ある人生・生活〉‘を'経験する,生きる,送る

『先頭に立つ』,(競技・成績などで)リードスル

〈人が〉『案内する』,先導する

(…に)〈道などが〉『通じている』《+『to』+『名』》

(…の)結果となる《+『to』+『名』(do『ing』)》

〈U〉《the~》『先頭』,首位

〈C〉《a~》相手を引き離した点(時間,距離)

〈C〉模範,手本(example)

〈C〉(問題解決の)手がかり,ヒント(clue)

〈C〉(劇・映画などの)主役,主演俳優

〈C〉(新聞報道記事などの本文の前におく要約した)前文,前書き,リード

先頭の,主要な

exciting

(物事が)『興奮させる』

medicine

〈U〉『医学』,医術;医[師]業

〈C〉〈U〉(外用薬以外の)『薬』[『剤』],内服薬

〈U〉(北米インディアンの間で行われる)病気(悪霊)を追い払うまじない

Boston

『ボストン』(米国Massachusetts州の州都)

relevant

適切な

《補語にのみ用いて》(主題・当面の問題などに)関連のた《+『to』+『名』》

feature

顔の造作の一つ(目・耳・鼻・口など)

《複数形で》『容ぼう』,目鼻だち

『特徴』,特色

(ラジオ・演芸などの)『呼び物』;(店の)目玉商品;(新聞・雑誌の)特別読み物;(映画の上映番組の中で呼び物の)長編映画

…‘の'『特色をなす』

…‘を'特種にする,呼び物にする,目玉商品にする

〈俳優〉‘を'主演させる

重要な役割を演ずる

prognosis

(病気の)予後(経過および結果の見通し)

(一般に)予知,予測

cancer

〈U〉〈C〉『がん』

〈U〉〈C〉害悪

《Cancer》(星座の)カニ座

similarly

類似して

《文修飾語に用いて》同様に

group

(…の)『群れ』,集まり,小集団《+of+名》

(主義・系統・種類などを同じくする人・物の)『派』,『団体』

(ポミュラーソング歌手の)グループ

(動・植物分類上の)群;(化学の)基,原子団;(地質学上の)界;(数学の)群;(言語学上の)語派

…‘を'一群に集める,一団にする《+『名』+『together』》

(系統的に)…‘を'分類する,調和よく配合する《+『名』+『together』》

集まる,群(集団)をなす

tissue

〈U〉〈C〉(生物体の)『組織』

〈U〉〈C〉『薄織物』

〈U〉〈C〉水を吸収する柔らかな薄紙

〈C〉カーボンコピー用薄紙

〈C〉《a ~》(…を)織り交ぜて作ったもの《+of+名》

=tissue paper

magnification

拡大;(レンズの)倍率

誇張;賛美

pathologist

病理学者

predict

(知識・経験・吹論などで)'‘を'『予報する』,『予言する』

survival

〈U〉(…が)生き残ること,(…の)生存,残存《+of+名》

〈C〉生存者,残存者;残存物,遺物

sufferer

苦しむ人,悩む人,被害者,被災者

case

〈C〉(…の)『実例』,事例《+『of』+『名』》

《the case》『実情』,真相

〈C〉〈U〉『場合』,情況,事情,立場

〈C〉(…の)(決定すべき)問題,重大事《+『of』+『名』》

〈C〉『訴訟』[『事件』],裁判

〈C〉(正当な)論拠,弁護;(被告または原告の)主張,申し立て

〈C〉病状,容態;(症状から見た)患者

〈C〉〈U〉格(名詞・代名詞の語形変化)

prediction

〈U〉予報(予言)すること

〈C〉予報(予言)される事;(…という)予報,予言《+『that節』》

accurate

『正確な』,的確な,精密な

radiology

X線学,放射線学,(特に)放射線医学

clinical

臨床の,臨床講義の

病床の

臨床的な,客観的な態度の

indicator

指示する人(物),指示器,表示器;指針

(リトマスなどの)指示薬

pathology

〈U〉病理学

〈C〉〈U〉病理,病状

cell

(刑務所の)『独房』;(修道院の)小さい独居室

(ミツバチの)みつ房,巣穴

小さい部屋

『細胞』

電池

花粉室

(共産党などの)細胞

diagnosis

診断[書]

(問題の原因などの)判断,分析

(問題の)解決;結論

opposite

(位置が)『向こう側の』,反対側の,向かい合わせの

(動く方向が)反対の

(性質上)『正反対の』,相入れない

(…の)『正反対の人』(『物』),相入れないもの《+『of』+『名』》

…に向かい合って

decade

『10年間』

combination

〈U〉(…の)『結合』,組み合わせ;〈C〉(…の)組み合わされたもの,結合体《+『of』+『名』》

〈U〉(…との)『連合』,団結,共同,提携;〈C〉連合体,共同体,組合《+『with』+『名』》

〈C〉=combination lock

《複数形で》(また《話》coms)コンビネーション(上下続きの肌着)

medical

『医学の』,医術の;医者の

内科の;内科治療を要する

診察

expert

(…の)『専門家』,『熟練者』,大家《+『at(in, on)』+『名』(do『ing』)》

(米陸軍で)特級射手

(特定の知識・技術に)『熟達した』,熟練の,名手の

専門家の(による),権威のある

beyond

《場所》…『を越えて』,『の向こうに』(『へ』)

《数詞つきの句とともに》…から[いくつ目]

《時間》…『を過ぎて』,よりも遅く

《程度・範囲》…『の限度を越えて』;…『以上に』(above)

《通例否定文・疑問文で》…よりほかには,以外に

向こうに,かなたに

《the~》かなた,果て

《the [great]~》あの世

identify

〈人・物〉‘を'『見分ける』,〈物事〉‘を'確認する

《『identify』+『名』+『with』+『名』》(二つの異なるものについて)(…と)…‘を'同じものと考える

《『identify』+『名』+『with』+『名』》《しばしば受動態で》(…に)…‘を'関係づける,密接に結びつける

《『identify with』+『名』》〈人が〉(…と)一体となる(感じる)

cancerous

がんの;がんにかかった

microscope

『顕微鏡』

accurately

正確に,精密に,綿密に

build

〈物〉'を'『組み立てる』,造る,建造する,建築する

(年月をかけて)〈事〉'を'『作り上げる』,築き上げる;《受動態で》〈体・性質〉'を'作る

〈U〉造り,講造(make)

〈U〉〈C〉体格

entirely

『全く』,『すっかり』,完全に

expertise

〈U〉専門技術[知識]

〈C〉《特に英》専門家の調査報告

field

〈C〉『野原』,[牧]草地;田;畑;《the fields》田野,田畑

〈C〉(雪・氷などの)原,広がり

〈C〉(鉱物などの)産出地,埋蔵地

〈C〉『戦場』(battlefield);戦闘(battle)

〈C〉(スポーツの)『競技場』;(陸上のトラックに対して)フィールド

〈C〉(ある用途の)場,地面

〈C〉(研究・活動などの)『分野』,領域

《the~》現地

〈C〉(電気・磁気などの)場;(レンズの)視界

〈C〉(絵・旗などの)地,下地

《the~》《集合的に》(キツネ狩り・競技の)参加者;(競馬の)出走馬;(野球の)守備選手

(野球・クリケットで)〈打球〉‘を'さばく

〈選手〉‘を'出場させる,守備につける

(野球・クリケットで)野手をつとめる

neuron

神経単位,神経細胞,ニューロン,ノイロン

segmentation

区分,分割,分断

segment

区分,部分

切片(円などの一部);(直線の)線分

…‘を'分ける

分かれている,分裂する

previous

《名詞の前にのみ用いて》(時間・順序の上で)『前の』,先の,以前の

《補語にのみ用いて》《話》早まった,せっかちすぎる

myself

《強意用法》《Iと同格に用いて》『私自身』

《再帰用法》《動詞・前置詞の目的語として》『私自身を(に)』,自分を(に)

somebody

『だれか』,ある人・〈C〉〈U〉ひとかどの人物,相当な人・〈U〉(名前不詳の)だれか

qualify

〈才能・技術などが〉〈人〉‘に'『資格を与える』

(…で)‘を'緩和する,適度にする《+『名』+『with』+『名』》

〈人〉‘を'(…と)称する《+『名』〈人〉+『as』+『名』》

(文法で)…‘を'修飾する(modify)

『資格を得る』,検定を取る

(スポーツで)予選を通過する《+『in』+『名』》

terrify

‘を'『恐れさせる』,おびやすか

theory

〈C〉(…の)(学問的な)『理論』,学説《+of+名》

〈C〉〈U〉(…の実地に対する)『理論』《+of+名》

〈C〉(…という)『推測』,憶測;見解,孝え《+that節》

ought

《義務・当然》…『すべきである』,するのが当然である

《忠告・願望》…するのが望ましい,するのがよい

《見込み・当然の結果》…『するはずである』,きっと…するであろう

technique

〈U〉(科学・芸術などの)『技巧』,技術

〈C〉(技術・技巧を示す)『手法』,表現方法;腕前

feedback

フィードバック(電子工学で,ある回路の出力側のエネルギーの一部を入力側へ戻し,出力の制御,修正をすること;社会学・心理学・生物などで,結果によって原因を自動的に調整する動作)

《話》(…についての)反応《+『about』+『名』》

fantastic

『異様な』,風変わりな,奇妙な

『想像上の』,根拠のない

《話》とてもすばらしい

法外な,けたはずれの

medium

中間(中程度)にあるもの,中庸(mean)

媒介物,媒体

《複数形mediaで》=mass media

『手段』,方法(means)

(芸術の)表現手段,手法

(動植物がそこで生存し機能を発揮する)環境;(細菌の)培地,培養基

霊媒者

『中間の』,並みの

supportive

支える;維持する;扶養する

middle

(空間的に)『まん中の』

(時間・順序・数量などが)『中間の』,まん中の

『平均の』,中ぐらいの

《M-》(言語史で)中期の

《the~》(場所・地域の)『まん中』,『中央』《+『of』+『名』》

(時間・順序などの)まん中,(行為などの)最中《+『of』+『名』+(do『ing』)》

《話》《the~,one's~》(人の)胴,腰

part

〈C〉(全体を構成する)『部分』

〈U〉《しばしばa~》(…の)『一部』,『一部分』《+『of』+『名』》

〈C〉《割合》…分の1,(比率の)1

〈C〉(機械,器具などの)部品

〈C〉(仕事などの)『役目』,分担;関与

〈U〉(対立・契約などの)一方の側

〈C〉《おもに米》(頭髪の)分け目(《おもに英》parting)

〈C〉《複数形で》地域,地方

〈C〉(演劇・影画・オペラなどの)『役』,役割り(role);(役の)せりふ

〈C〉声部,音部,パート;パート譜

(複数形で)才能,資質

…‘を'二つに(部分に)分ける;(各部分に)‘を'分ける)《+『名』+『into』(『in』)+『名』》

(…から)…を引き離す,分ける《+『名』+『from』+『名』》

(二つ以上の部分に)『分かれる』

『別れる』

(物を)手放す,処分する《+『with』+『名』〈物〉》

一部分は,部分的に,幾分

analysis

(内容・状況などの)『分析』,分解;(詳細な)検討

(化学・物理で)分析;《米》(心理学で)[精神]分析;(数学で)解析

diagnostic

診断の,診断のために役立つ

compress

〈ガスなど〉'を'(…に)『圧搾する』,圧縮する《+『名』+『into』+『名』》

〈思想・言語など〉'を'(…に)要約する《+『名』+『into』+『名』》

湿布

piece

(全体から分離した)『部分』,『断片』,破片

(…の)…『個』,『片』,枚《+『of』+『名』》

(セット・グループを構成するものの)一つ;(ゲームで使う)こま,チェスの歩(pawn)以外のこま

《英》硬貨(coin)

(音楽・美術・文学などの)作品《+『of』+『名』》

銃,砲,ピストル

《単位として》(布などの)1反,一巻き《+『of』+『名』》;《the~》仕事量

《俗》(性交の対象としての)女

…‘を'継ぎ合わせる

…‘を'継ぎ合わせて作る

…‘を'繕う

create

(神・自分などが)…'を'『創造する』,産み出す

(思考力・想像力によって)…'を'『創作する』

''を'『引き起こす』

《create+名〈目〉+名〈補〉》〈人〉'を'(…に)任じる,…‘に'(爵位を)授ける

怒って騒ぎたてる

split

…‘を'『縦に割る』,裂く

…‘を'分割する,ばらばらに分ける

〈利益など〉‘を'『分配する』,分け合う;〈費用など〉‘を'分担する《+『up』+『名』,+『名』+『up』》

『割れる』,裂ける

『壊れる』,砕ける,破裂する;(部分などに)分かれる,分裂する《+『up』》;(…と)けんかする《+『with』+『名』》

(急いで)去る,帰る(leave);姿を消す

(…の)割れ(裂け)目;ひび《+『in』+『名』》

仲間割れ,分裂

分け前

《しばしば複数形で》(曲芸などの)大股(おおまた)開き

(ボーリングで)スプリット(残ったピンが離れていてスペア(spare)を取りにくい形になること)

《話》(ソーダ・アルコール飲料などの)小びん

(縦に)裂けた,割れた

分裂した,分割された

angle

『かど』,すみ(corner)

『角』,角度

《話》(ものを見る)角度,観点(point of view)

…'を'ある角度に動かす(向ける,曲げる)

…'を'ある角度から見る

photo

『写真』[photographの短縮形]

taken

take の過去分詞

scratch

(つめなど,とがった物で)…‘を'『ひっかく』,‘に'ひっかき傷をつける

〈かゆいところ〉‘を'かく

…‘に'かゆみを感じさせる

(線で消したりして)(…から)〈名前など〉‘を'削除する《+『out』(『off』)+『名』+『from』(『off』)+『名』》

(ひっかいたり,刻んだりして)…‘を'書く,描く

…‘を'走り書きする

(競争・レースなどから)…の参加を取り消す

(つめなどで)『ひっかく』;ひっかきまわす《+『about』》

(…を)ひっかいてガリガリ音をたてる《+『at』(『on』)+『名』》

かき傷(跡)がつく

(競技への)出場を取り止める;手を引く

『かき傷』,かすり傷

ひっかく音,こする音,ガリガリいう音

走り書き用の

《話》かき集めた

automatically

自動的に

無意識に,機械的に

structure

{C}(建物・橋などの)建造物

{U}(…の)構造,誠成,組織《+of~名》

{C}構造(構成)体,組織体

〈思想など〉‘を'組み立てる,組織化する

interest

(人・物事に対する)『興味』,『関心』《+『in』+『名』(do『ing』)》

〈C〉『関心事』,興味のまと

〈U〉興味をそそる(関心を引く)力

〈C〉《しばしば複数形で》『利益』,ため

(利益などにあずかる)権利;所有権,利権

〈U〉(借金などの)『利子』

《しばしば複数形で》《集合的に》同業者たち,関係者たち

(…に)〈人〉‘に'『興味を持たせる』,関心を起こさらる《+『名』+『in』+『名』(do『ing』)》

(…に)〈人〉‘を'関係させる,‘に'関心を持たせる《+『名』〈人〉+『in』+『名』(do『ing』)》

improve

…‘を'『もっとよくする』,改良する,改善する

〈時間・機会など〉‘を'『利用する』

(…の点で)『よくなる』,りっぱになる,上達する(become better)《+『in』+『名』》

space

〈U〉『空間』,広がり

〈U〉『宇宙』,地球の大気圏外(outer space)

〈C〉〈U〉『間隔』,距離;《しばしば複数形で》空地

〈C〉(特定目的のための)『場所』

〈U〉《しばしばa~》時間

〈C〉〈U〉スペース,余白,余地

〈C〉線間(譜表において五線の間の部分)

…‘を'間隔をおいて配置する《+『out』+『名,』+『名』+『out』》

rotate

『回転する』

循環する,交替する

…‘を'回転させる

…‘を'循環させる

〈人〉‘を'交替で服務させる

successfully

首尾よく,うまく,みどこに,成功して

point

〈C〉(針・鉛筆・剣などの)『とがった先』,(…の)先端《+『of』+『名』》

〈C〉岬(みさき)

〈C〉(小数点・句読点などの)点

〈C〉(図形上の)点

〈C〉(ある特定の)『地点』(spot),場所(place)

〈C〉(計器の目盛りなどの)『点』,『度』

〈C〉時点,瞬間

〈C〉《単数形で》(物語・議論などの)『要点』,核心《+『of』(『in』)+『名』》

〈U〉(…の)『目的』,『意義』,ねらっている点《+『of』(『in』)+『名』(do『ing』)》

〈C〉(全体の中の)個々の項目,細目(item),細部(detail)

〈C〉特徴(characteristic),特質(trait)

〈C〉(競技・学校の成績などの)得点

〈C〉ポイント(活字の大きさの単位;約1

72インチの大きさ)

(…に)〈銃・指など〉‘を'『向ける』《+『名』+『at』(『to, toward』)+『名』》

…‘に'『指し示す』《point+名+to+名…に…をさし示す》

…‘の'先をとがらせる,‘に'先を付ける

…‘に'点を打つ;…‘に'小数点を付ける;…‘に'句読点を付ける

〈猟犬が〉〈獲物〉‘を'指し示す

(…を)(指などで)『示す』,指し示す《+『at』(『to, toward』)+『名』(do『ing』)》

〈猟犬が〉獲物の位置を示す

interesting

(物事が)『興味を起こさせる』,おもしろい

gradually

『だんだんに』,徐々に

radiologist

放射線学者(技師)・(特に)放射線医学者(技師)

indicate

『…‘を'表れ(徴侯)である』(show)

『…‘を'指し示す』,指摘する

…‘を'簡単に述べる,知らせる

potentially

可能性を秘めて,潜在的に

troublesome

『迷惑な』・人を悩ませる

『やっかいな』,骨の折れる

nodule

(鉱石などの)小塊

(植物の茎・根,動物の組織にできる)小結節,こぶ

difficult

(物事が)『難しい』,困難な,骨の折れる

(人が)『気難しい』,つきあいにくい,扱いにくい

confused

困惑した,まごついた

ごっちゃになった,混乱した;(思考・言葉など)支離滅裂の

mix

〈複数のもの〉‘を'『混ぜ合わせる』,混合する,混同する

…‘を'混ぜ合わせて作る,調合して作る

…‘を'寄せ集める,まとめる

〈物が〉(…と)混ざる,混合する《+『with』+『名』》

〈人が〉(他の人と)交わる,交際する《+『with』+『名』》

〈C〉〈U〉混合

〈C〉混合物(食品,薬)

〈C〉〈U〉(水・火を加えて即席にでき上がる)素(もと),ミックス

bit

(…の)『小片』,少量,少し(の…)《+『of』+『名』》

《a~》《話》わずかの時間,しばらく;ちよっと,少し

《米俗》12セント半;《英》小銭

=bit part

careful

(哲が)『注意深い』,慎重な,気をつける

《補語にのみ用いて》(…を)『たいせつにする』,気にかける《+『of』+『名』(『wh-節』)》

《名詞の前にのみ用いて》(仕事などが)『入念な』,綿密な

select

(最高・最適のものとして)…‘を'『選ぶ』,選抜する,選出する

(人が)『えり抜きの』,精選された

《名詞の前にのみ用いて》(製品・産物などが)『品質の良い』,粒よりの,高級(上もの)の

(クラブなどが)人選のやかましい,閉鎖的な

oppose

…‘に'『反対する』,抵抗する(object to)

(…に)…‘を'対照させる,対抗させる《+『名』+『to』+『名』(do『ing』)》

while

《通例 a while》『時間,』間,(特に)少しの時間

『…する間に(は)』

《譲歩》『…であるが,』…なのに

《比較・対照》(…だが)『一方では』

《類似・対応》そして[その上]

《英北東部》《俗》…まで(until)

skip

《副詞[句]を伴って》『軽く』(ぴょんぴょん)『跳ねる』,ぴょんと跳ぶ

《英》なわ跳びをする

《副詞[句]を伴って》(論点などが)飛ぶ,移る

『省く』,抜かす,飛ばして読む(話す,書く);(…を)省く《+『over』(『through』)+『名』》

(‥の)表面をはずみながら(かすめて)飛ぶ《+『along』(『over』)+『名』》

《話》急いでそっと立ち去る《+『off』(『out』)》

…‘を'『軽く跳び越える』

…‘を'『省く』,抜かす,飛ばして読む(話す,書く)

…‘を'休む,…‘に'出席しない

〈石など〉‘を'水面をはずませながら(かすめて)飛ばす(skim)

《話》〈ある場所〉‘を'急いでそっと立ち去る

軽く跳ぶ(はねる)こと

省略すること,飛ばすこと

couple

(同種類の物が)『2個』《+『of』+『名』》

『夫婦』,男女一組

《話》(…の)いくらか,少数《+『of』+『名』》

…'を'『つなぎ合わせる』;(…に)…'を'連結する《+『名』+『to』(『with』)+『名』》

…'を'(…と)関連づける《+『名』+『with』(『to』)+『名』》

…'を'結婚させる,〈動物〉'を'つがわせる

〈動物〉交尾する

fade

『衰える』,弱くなる;〈植物が〉『しぼむ』,しおれる

『しだいに消えてゆく』,姿を消す《+『away』》

…‘を'衰えさせる;…‘の'色をあせさせる

〈映像・音〉をしだいに消えさせる

okay

=OK,O.K.

separate

…‘を'『分離』する』,引き分ける;(…から)…‘を'引き分ける《+『名』+『from』+『名』》

(…に)〈一つの物〉‘を'『分割する』,分ける《+『名』+『into』+『名』》

〈人が〉別れる;別れて(…に)なる《+『into』+『名』》

(…から)分離する,離れる《+『from』+『名』》

『離れた』,分かれた

(関係がなく)別の,異質な(different)

個々の,個別の(individual)

let

〈人・動物など〉‘に'(…)『させる』,させておく,‘を'(…する)ままにしておく(受動態にできない)

〈物事〉‘を'(…する)状態にする,‘に'(…)させる

《『let us(let's)』do》…『しよう』

《おもに英》〈土地・家など〉‘を'『貸す』賃貸する(《米》rent)

(人に)〈工事〉‘を'請け負わせる《+『名』+『to』+『名』》

(…から)〈液体・空気など〉‘を'出す,漏らす,放出する《+『名』+『out of』+『名』》

right side

(布・紙・用材などの)表側

hint

『暗示』,ほのめかし

《しばしば複数形で》(…に)役に立つ情報,(…に対する)心得,(…の)手がかり《+『for』(『on』,『to』)+『名』(do『ing』)》

(…の)微量,わずか《+『of』+『名』》

…‘を'『ほのめかす』

(…を)ほのめかす《+『at』+『名』》

projection

〈U〉突き出[させ]ること;〈C〉突起

(影・映像などの)透写;◇映画・スライドの)映写;〈C〉投影図,投射図

〈U〉発射,射出

〈C〉予測,予知

〈U〉〈C〉(自分の考え・感情を)人に投影すること

manage

《しばしばcan, be able toと共に》…‘を'『管理する』,運営する;…‘を'処理する

〈道具・機械など〉‘を'『じょうずに扱う』,操る;〈人・動物〉‘を'うまく使う

《『manage to』do》『なんとか』(…)『する』,うまく(…)する;《時に皮肉に》愚かにも(…)する

管理する,運営する,事を処理する;世話をする

なんとかやっていく;(…で,…なしで)間に合わせる《+『with』(『without』)+『名』》

object

(見たり,触れたりできる)『物』,物体

(…の)『対象となる人』(『物』,『事』),(…の)的《+『of』+『名』》

(…の)『目的』,目当て(aim)《+『of』(『in』)+『名』(do『ing』)》

(文法で)『目的語』

(…に)『反対する』,異議を唱える《+『to』(『against』)+『名』(a person's do『ing』,『wh-節』)》

(…を)いやに思う《+『to』(『against』)+『名』(a person's do『ing』,『wh』‐『節』)》

《『object』+『that節』》…‘だと'反対して言う

replace

(…として)…‘に'『取って代わる』《+『名』+『as』+『名』》

(…と)…‘を'取り替える《+『名』+『with』(『by』)+『名』》

…‘を'元の所に置く,戻す

person

(性別・年齢に関係なく)『人』

(人間の)『体』,身体

《単数形で》『容姿』,身なり

(文法で)人称

act

『行い』,『行為』

《しばしばA-》法令,条令

《しばしばA-》(芝居の1つの)『幕』;(演芸などの)出し物の一つ

(見せかけの)お芝居,演技

『行動する』,行う

《様態を表す副詞[句]を伴って》わざとふるまう,見せかける

〈人・物が〉(…として)動く,役割をはたす《+『as』+『名』》

〈薬が〉『作用する』,きく

舞台に立つ,出演する

〈…の役〉'を'『演ずる』;〈劇〉'を'上演する

…‘に'ふさわしくふるまう

…‘に'見せかける,‘の'ふりをする

alone

『ひとりで』,一つで,単独で;ただ…だけで

《名詞・代名詞のすぐ後に用いて》ただ…だけ(only)

iteration

反復,繰り返し

classify

(…に)…'を'『分類する』,類別する,等級別にする《+『名』+『into』+『名』》

《米》〈文書類など〉'を'機密扱いにする

correctly

正しく,正確に;正確に言えば

quickly

『速く』,すみやかに,機敏に,ただちに

grab

…‘を'『ぎゅっとつかむ』,ひったくる・(…を)ひっつかむ《+『at』+『名』》;(…に)さっと手を伸ばす《+『for』+『名』》・不意{ふい}につかむ・取り込む・横取りする・逮捕{たいほ}する・(人の心)をとらえる・,〈人に〉強い印象を与える・を軽く飲み[食い]する・》〈...を〉大急ぎで取る[利用する]・ひっつかみ・ひったくり

whole

《the ~,one's ~ の形で名詞の前に用いて》『全体の』,全部の,全…

《名詞の前にのみ用いて》(時間・距離などが)『まる』…,満…

(物が)完全な,欠けていない;《名詞の後に置いて》丸ごとで,ひとかたまりに

《冠詞をつけずに複数名詞の前に用いて》ひじょうに多くの

《古》(人が)無傷の,(肉体的に)健康な

整数の,分数を含まない

〈U〉《the ~》(…の)『全部』,全体,全量《+of+名》

〈C〉完全なもの,統一体

section

〈C〉(全体を構成する個々の)『部分』,部品;(全体の中で特定の用途・機能・特徴を持った)部分,部門

〈C〉(内部構造を児す)断面図;切断面

〈U〉切断すること,(外科の)切開;〈C〉(顕微鏡などで検査する組織の)切片

〈C〉《米》セクション(郡区(township)の36分の1に当たる1平方マイル(640エーカー)の土地区画の広さ)

…‘を'区分(分割)する

…‘の'断面[図]を作る

check

〈C〉(…の)『阻止』,(…を)尻い止めること《+『to』+『名』》(stop)

〈C〉(…を)抑制(制御)する人(物)《+『to』+『名』》

〈C〉(確認のための)『引き合わせ』,照合,検査;《米》照合の印

〈C〉(預金けた手荷物の)合い礼,チッキ

〈U〉格子(こうし)じま]の織物];〈C〉格子じまの1目

〈C〉《米》『小切手』(《英》cheque)

〈C〉《米》(食堂・酒場などの)伝票,勘定書(bill)

〈C〉(チェスの)王手

…'を'『急に止める』)『阻止する』)

〈感情・行動など〉'を'『抑制する』,,抑える(restrain)

(確認のために)…'を'『照合する』;《米》…‘に'照合の印を付ける

…'を'『点検する』,検査する

《米》〈所持品など〉'を'一時預けにする

〈荷物など〉'を'チッキで送る

…‘に'格子(こうし)じまを付ける,市松模様を付ける

〈チェスで,キング〉‘に'王手をかける

〈計算などが〉(…し)合う,一至する《+『with』+『名』》

mistake

『誤り』,『間違い』;誤解,思い違い

…‘を'『間違って考える』,誤解する

《『mistake』+『名』+『for』+『名』》(別の物・人と)…‘を'『取り違える』

number

〈U〉〈C〉(数えて得られる)『数,数量』

〈C〉(概念としての)『数,数字』

〈C〉『番号』

〈C〉(演奏会や演劇の)番組,出し物;曲目

〈C〉(雑誌の)号

〈U〉(文法で)数(すう)

《複数形で》数の上の優勢

《複数形で》算数

〈C〉《単数形で》《話》(商品としての)洋服の1点;商品,売り物

〈C〉《単随形で》《俗》女の子

…‘を'数える

(…の中に,…として)…‘を'含める,加える《+『among』(『with, as』)+『名』》

…‘に'番号をつける

…‘の'数となる

《しばしば受動態で》…‘の'数を制限する

総計(…に)なる《+『in』+『名』〈数〉》

approach

〈ある時間・場所・状態〉‘に'『近づく』,接近する

(ある目的・要求で)〈人〉‘に'近づく,交渉する《+『名』〈人〉+『on』(『about』)+『名』(do『ing』)》

〈研究・仕事など〉‘に'取りかかる,〈問題など〉'を'扱う

〈時・事などが〉『近づく』

(程度・性質などにおいて)(…に)似ている,近い《+『to』+『名』》

〈U〉〈C〉(…に)『接近』,近づくこと《+『to』+『名』》

《しばしば複数形で》(ある目的で)(人に)近づくこと,取り入ること《+『to』+『名』》

〈U〉(…との)近似,類似《+『to』+『名』》

〈C〉(…へ)近づく道,(…への)入り口《+『to』+『名』》

〈C〉(問題・作品などの)扱い方,手引き;(…の)学習(研究)法《+『to』+『名』》

classification

〈U〉〈C〉分類[作業];分類法;分類結果

〈U〉(生物学上の)分類

allow

〈事〉'を'『許す』,〈人〉‘に'許可を与える

〈金〉'を'与える,やる

(…のために)…'を'用意しておく,見越しておく《+『名』+『for』+『名』(do『ing』)》

《まれ》…'を'認める

fix

(…に)…‘を'『固定する』,取り付ける《+『名』+『in』(『on, to』)+『名』》

…‘を'『決める』,定める

(…に)…‘を'向ける《+『名』+『on』(『upon』)+『名』》

(…に)…‘を'置く,据える《+『名』+『in』(『on』)+『名』》

《米》…‘を'『修理する』,直す

《話》…‘を'整とんするも,きちんと整える

〈流行・型など〉‘を'定着させる;〈写真のネガ〉‘を'定着する

《話》〈試合〉‘を'八百長に仕組む

《米》〈食事〉‘を'用意する,〈食べ物・飲み物〉‘を'作る

《俗》…‘に'仕返しする

《話》苦境,窮地

(船舶・航空機の)位置の決定

《俗》麻薬の注射する;注射する麻薬[の量]

major

『大きい』(『多い』)『ほうの』,いっそう重要な

(音階が)長調の,長音階の

《英》《昔の学校で同姓または兄弟生徒を区別するために姓の後につけて》年長の,兄の

《しばしばM-》陸軍(空軍)少佐

《米》専攻科目;専攻学生

《the majors》《米》=major leagues

(科目を)専攻する《+『in』+『名』》

lack

…‘を'『欠く』,‘が'ない(受動態にできない)

(…になるまでに)…‘だけ'不足する《+『名』+『of』[『being』]+『名』》

〈U〉《時にa~》(必要なものの)『欠乏』,不足;(…が)ないこと《+『of』+『名』》

〈C〉欠けて(不足して)いるもの

economic

『経済の』

『経済学の』

forum

《the Fo・rum》(古代ローマの)大広場,市場(商業取引や裁判・政治などの集会所として用いられた)

〈C〉(公開討論・批判などの)広場,フォーラム

〈C〉討論会

shortage

『不足』,欠乏;〈C〉不足高

physician

『医者』;(特に)『内科医』

enough

『不足のない』,十分な

『十分な量(数)』,足りる量

『十分に』(sufficiently)

全く,すっかり

もうたくさんだ,やめてくれ(Stop!)

enhance

…‘の'程度(仮値など)を高める

efficiency

『能率』,(仕事をする)『能力』

(機械の)『効率』

excited

興奮した

concerned

《通例名詞の後に用いて》関係のある,かかわりのある

心配そうな,気づかっている

blue

『青い』,あい色の

青黒い

《話》陰気な,憂うつな

〈U〉『青色』,あい色;青色の着物

〈U〉〈C〉青色絵の具,あい色染料

《the~》《詩》青空,青い海

《the blues》《話》気のふさぎ,うれいの色

《the blues》《ときに単数扱い》(ジャズ音楽の)ブルース

…'を'青色にする

somewhere

『どこかに』(で),どこかへ

およそ,大体

あるところ,某所

service

〈U〉〈C〉(…に対する)『奉仕』,尽力,貢献《+『to』+『名』》

〈C〉〈U〉(水道・交通などの)『公共事業』,施設

〈C〉〈U〉(宗教上の)儀式;礼拝

〈C〉(官公庁の)農局,部門;UU〉《集合的に》(ある部局の)職員

〈C〉(陸・海・空)軍;〈U〉軍務,兵役《the services》軍事力

《複数形で》〈医師・弁護士などの)業務,奉仕

〈U〉(ホテル・食堂などの)『サービス』,客扱い

〈U〉(製品などの)修理天検,アフターサービス

〈U〉(人・物が)役立つこと;有用,有効

〈C〉(食器などの)一式,一組

〈C〉〈U〉(テニス・バレーなどの)サーブ[の順番]

〈C〉〈U〉(令状などの)送達

〈機械など〉‘を'修理点検する,‘の'アフターサービスをする

…‘に'サービス(電気・ガスなど)を供給する

=serve

サービス[業]の

使用人用の

軍の

employment

〈U〉(人の)『雇用』

〈U〉(物・能力・時間の)使用《+『of』+『名』》

〈U〉〈C〉『職』,職業,仕事

exact

《名紙の前にのみ用いて》(数量など)『正確な』,きっかりの;(物事が)そのままの,そっくりの

(人が)『厳密な』;(機械など)精密な

〈事柄が〉…‘を'要求する

(人に)〈支払・服従など〉‘を'強要する,強いる《+『名』+『from』+『名』〈人〉》

estimate

…‘を'『見積る』,概算する

《副詞[句]を伴って》〈人物・状況など〉‘を'『評価する』・判断する

(…を)見積る《+『for』+『名』》

〈C〉(寸法・数量・価値などの)『見積り』,概算,評価[額];見積書《+『of』+『名』》

〈U〉〈C〉評価,評定《+『of』+『名』》

grow

『成長する』,育つ,〈植物が〉生える,茂る

(類・量・程などにおいて)『増大する』,大きくなる

『しだいになる』

…‘を'成長させる,大きくする,育てる

…から生じる(起こる)

gradual

『段階的な』,漸次の,徐々の

(勾配(こうばい)が)ゆるやかな

capability

能力,才能,手腕;素質,可能性

currently

現在は;広く,一般に

dumb

『物の言えない』,口をきくことができない

口をつぐんでいる,黙っている(silent)

《名詞的にthe~》口のきけない人々

《話》頭の悪い,ばかな

chart

『海図』,水路図

『図表』

…'を'図表(海図)に作る

《話》〈行動など〉'を'計画する(plan)

once

(ただ)『1度』,『1回』

『かつて』,以前

《否定文で》一度も(…しない);《条件節で》いったん…すれば

『1度』,1回

『いったん』…『すれば』,…するとすぐに

Industrial Revolution

産業革命(18世紀末から19世紀初頭にかけて英国を中心に興った)

change

(…に)…'を'『変える』,改める《+『名』+『into』+『名』》

…'を'『取り替える』,交換する

〈小切手・為替〉'を'現金にする,〈金〉'を'両替えする;(…に)…'を'両替する《+『名』+『into』+『名』》

(…に)『変わる』,変化する《+『to』(『into』)+『名』》

(他の衣服に)着替える《+『into』+『名』》

(…に)乗り換える《+『to』+『名』》

〈C〉(…の)『変化』,移り変わり,変遷《+『of』+『名』》

〈C〉(…の)『取り替え』,交換;乗り換え《+『of』+『名』》

〈U〉釣り銭,小銭

engine

『エンジン』,発動機,機関

『機関車』(locomotive)

消防ポンプ(fire engine)

《古》(一般に)機械装置

though

『…にもかかわらず』,…だけれども)although)

『たとえ…でも』

《補足的に主節の後に置いて》『もっとも…ではあるが』

flatten

…‘を'平らにする,平らに伸ばす《+『out』+『名』,+『名』+『out』》

…‘を'半音下げて歌う(演奏する)

social

『社会の』,社会的な

『社交界の』,上流社会の

《名詞の前にのみ用いて》『社交の』,親睦(しんぼく)の

(アリ・ハチなどが)群居する

親睦(しんぼく)会,懇親会

disruption

混乱,中断,分裂,崩壊[状態]

situation

(人の)『立場』,状態,境遇

(事の)『事態』,形勢,情況

『位置』,環境

《文》就職口,勤め口

settle

…‘を'『決定する』,〈日取りなど〉‘を'決める,〈問題など〉‘を'解決する

…‘を'整理する,整とんする

〈勘定など〉‘を'清算する,支払う

(…に)〈財産など〉‘を'譲る《+『名』+『on』+『名』》

〈ある地域〉‘に'植民する

…‘を'『安定させる』,調節する

〈神経・胃など〉‘を'『静める』,落ち着かせる

〈液体〉‘を'澄ませる

〈かす・おりなど〉‘を'沈ませる,沈殿させる

(…に)決定する,決める《+『on』(『upon』)+『名』(do『ing』)》

(…に)定住する《+『in』+『名』》

〈鳥などが〉(…に)とまる,降りる《+『on』+『名』》

徐々に沈む

revolution

〈U〉〈C〉(…に対する)(政治的な)『革命』《+『against』(『in』)+『名』》

〈C〉(一般に)(…の)大変革《+『in』+『名』》

〈U〉回転運動;〈C〉一回転

〈U〉〈C〉(天体の)運行,公転《+『of』+『名』》

〈U〉〈C〉(季節などの)循環,周期《+『of』+『名』》

intellectual

『知的な』,知力のいる

知性的な,そう明な,理性的な

知識人,インテリ

activity

〈U〉『活動』,働き;活力

《しばしば複数形で》(種々の)『活動』,行事;(学生の)学内(外)活動,クラブ活動

〈U〉(商況・市場などの)活発,活気

experience

〈U〉(…の)『経験』,体験《+『of』(『in』)+『名』(do『ing』)》

〈C〉『経験(体験)したこと』

…‘を'『経験(体験)する』

impact

〈U〉〈C〉(…の…に対する)衝突,衝撃《+『of』+『名』+『against』(『on』,『upon』,『with』)+『名』》

〈C〉(…の…に対する)影響(influence)影響力《+『of』+『名』+『on』(『upon, against』)+『名』》

capital

『主要な』,最も重要な,第一の

『大文字の』

《おもに英》すばらしい,みごとな

元金の,資本の

生命にかかわる,死に値する

〈C〉『首都』

〈C〉『大文字』,かしら文字

〈U〉『資本』,資本金;元金;《集合的に》資本家階級

productivity

生産力,生産性

increase

『増える』,『増大する』

(…に)…‘を'『増やす』《+『名』+『to』+『名』》

(…の)『増加』,増大;〈C〉増加量(額)《+『of』(『in』,『on』)+『名』》

flat

平『平らな』,平たんな

《補語にのみ用いて》べったりと広がった(横になった)

薄っぺらな(shallow)

《名詞の前にのみ用いて》露骨な,あからさまな;(positive)

(料金・価格などが)均一(一律)の(uniform)

たいくつな,おもしろくない,気の抜けた

(発泡飲料が)気の抜けた

空気のはいっていない,しぼんだ

(絵画で色調が)変化に乏しい,光沢を消した

(音楽で)変音の,半音下がった

『きっぱりと』

正確に,きっかり

本来の音程より下げて

『平面』,平たい部分

平地,低地;《複数形で》湿地,沼地,浅瀬

枠張り物(舞台背景用のベニヤ・布などを張った枠組み)

《おもに米》空気の抜けたタイヤ;パンク

半音低い音,変音;変音記号

discussion

(…についての)『議論』,討論,検討《+『about』(『on』)+『名』》

emote

(芝居・映画のように)大げさに感情を表現する

poetry

《集合的に》(文学の一部門としての)『詩』,韻文

《集合的に》(ある詩人・国などの)詩集,詩歌

詩的なもの,詩情

spend

(…に)〈金〉‘を'『使う』《+名〈金〉+on(『for』)+『名』》

〈時〉‘を'『過ごす』

《文》〈力など〉‘を'使い果たす,〈自分〉‘の'力を使い果たす

金(財産など)を使う;浪費する

pay

〈金・税金・負債など〉‘を'『支払う』;…‘に'支払う

(収益・利潤として)〈物事が〉…‘を'もたらす,支払う

〈物事が〉…‘の'利益になる,役に立つ

〈注意・敬意など〉‘を'『払う』;〈あいさつ・訪問など〉‘を'『する』

(…の)支払い(償い)をする《+『for』+『名』(do『ing』)》

利益がある,役に立つ

『支払い』;(特に)『賃金』,給料,俸給

(…の)雇用,雇い(employment)《+『of』+『名』》

有料の,コイン式の

adjust

…'を'『調節する』;(…に)…'を'合わせる《+『名』+『to』+『名』(do『ing』)》

〈争い・不和〉'を'調停する

(…に)順応する,適応する《+『to』+『名』》

aware

《補語にのみ用いて》『知っている』,『気づいている』,感づいている

見聞の広い,世事に通じた

reality

〈U〉現実[性],実在

〈C〉(個々の)現実,事実,現物

関連動画