カーリングの「勝負どころ」を数値で表す

その一投が試合の勝敗をどれだけ左右するのか。野球の指標 Leverage Index をカーリングに導入し、ショットの前後での勝率の変化から一投ごとの重要度を定量化する。

カーリングでは、一投が試合の勝敗に与える影響が局面ごとに大きく異なります。「ここが勝負どころだ」という感覚は選手や観戦者が共有しているものですが、これまでは感覚的なものにとどまっていました。私たちは、この重要度を一投ごとに数値で表す研究に取り組んでいます。

野球の指標をカーリングへ

データ分析が浸透している野球には、Leverage Index(LI)という指標があります。ある場面で勝率が平均してどれだけ動きうるかを表すもので、1.0 が平均的な場面、値が高いほど勝敗を左右する重要な場面を意味します。

野球では、打席の結果はヒット、四球、凡退などに分けられるので、それぞれが起こる確率と、そのあとの勝率を使って LI を計算できます。ところがカーリングでは、ストーンの配置が無数にあるため、一投のあとの状態を数え上げることができません。

私たちのこれまでの研究では、この難しさを避けるために、「ショットの前」から「そのエンドの終了時」までを一区切りとして計算していました。エンドの結果は得点で表せるので、計算ができるからです。しかしこの方法では、数投先までの大まかな結果を見ることになり、「その一投そのもの」がどれだけ重要かを直接には評価できませんでした。

一投の「ブレ」から重要度を求める

そこで本研究では、本来の LI の考え方に近づけて、「ショットの前」と「ショットの直後」の勝率の変化から重要度を求める方法を提案しました(図1)。

図1:提案手法の考え方

カーリングでは、選手が最善のショットを狙っても、投げる速さや角度、回転にはわずかな誤差が生じ、結果はばらつきます。カーリングの物理シミュレータであるデジタルカーリングには、このショットのブレが確率分布として定められています。本研究ではこれを利用し、その局面での最善のショットを投げたときに起こりうるさまざまな結果と、その起こりやすさをシミュレータ上で求めます。

ショットの前と後の勝率は、ストーンの配置から勝率を予測するモデルで評価します。起こりうる結果のそれぞれについて勝率がどれだけ変わるかを求め、起こりやすさで重み付けして平均したものが、その局面での勝率の平均的な変化幅です。これを、過去の多数の局面での平均値で割ったものが LI になります。わずかなブレで勝率が大きく変わる局面ほど、LI は高くなります。

1 局面あたりの計算時間は平均 0.48 秒ほどで、試合を見ながらリアルタイムに表示するような使い方も十分に可能です。

実際の試合に当てはめる

世界選手権の 800 試合以上のデータに、この方法を適用しました。

まず、エンドの中の何投目かによって LI がどう分布するかを調べました(図2)。投目が進むにつれて LI の中央値が上がり、ばらつきも大きくなっています。図の範囲外には、LI が 70 を超える局面もありました。ストーンが溜まったエンド終盤では、わずかなショットのブレが勝敗を決定づけるというカーリングの特性を、数値として捉えられていることが分かります。

図2:投目ごとの LI の分布(横軸は 1〜16 投目、赤の点線は平均的な局面を表す LI=1.0。見やすさのため縦軸は 12 までを表示)

次に、同じ試合について、従来の方法と提案手法を比べました(図3)。従来の方法では、エンドの中で投目が進むほど値が大きくなる傾向がはっきり出ています。エンド終了時までを一区切りにしているため、エンド序盤のショットは、そのあとに続く不確かさによって影響がならされてしまうのです。一方、提案手法では、そのような単調な増加は見られず、特定のショットだけが鋭く突出しています。一つのショットそのものの重要度を捉えられるようになったことを示しています。

図3:同じ試合での比較。縦軸は勝率の平均的な変化幅、横軸は試合の進行(数字はエンド)

さらに、展開の異なる 2 つの試合で LI の推移を見てみました(図4)。点差が常に 1〜2 点以内で推移した接戦では、試合を通して LI が基準の 1.0 を大きく超えるショットが何度も現れており、緊迫した展開であったことが見てとれます。一方、第 5 エンド終了時に 5 点差がついた試合では、点差が開くにつれて LI が 1.0 を下回ることが多くなりました。一つのショットで勝敗が覆る可能性が低くなったことを反映しています。

図4:提案手法による LI の推移。左は接戦、右は点差が開いた試合

見えてきた課題

今回の計算では、全局面での勝率の平均的な変化幅は 0.0115(1.15%)でした。野球では 0.0341(3.41%)とされています。カーリングは一投の成否が得点にも失点にも直結する競技なので、本来は野球よりも一プレーでの勝率の変動が大きいと考えられますが、結果は野球の約 3 分の 1 でした。

この原因として、シミュレータに設定されているショットのブレが、実際の選手のばらつきよりも小さいのではないかと考えています。シミュレータ上のショットが現実のトップ選手よりも正確すぎるために、勝率の変動が小さく見積もられている可能性があります。シミュレータ上の不確かさを実際の試合に近づけることが、今後の重要な課題です。

  1. 今野 雄太, 千葉 麟太郎, 田村 康将, 相原 伸平, 山本 雅人. “ショット前後の勝率変動に基づくカーリングにおける Leverage Index の算出” Sports and technology 2026 (2026)
  2. 今野 雄太, 千葉 麟太郎, 田村 康将, 相原 伸平, 山本 雅人. “試合状況を考慮した期待得点予測モデルによるカーリング Leverage Index の考察” カーリング科学シンポジウム2026 (2026)

他の研究テーマ

実試合から得点を予測する›
世界選手権などの実際の試合の盤面から、そのエンドが何点で終わるかの確率分布を、1投目から16投目まで予測する AI モデルを構築し、その振る舞いを詳しく分析。
AI に特定のデータだけを忘れさせる›
学習済みの AI から、指定されたデータの影響だけを取り除く Machine Unlearning。元の訓練データが残っていなくても、少数のデータを短時間で忘れさせる手法を研究。
試合記録からストーンの位置を読み取る›
世界大会の公式記録に載っている配置図から、AI がストーンの位置を自動で読み取る。20万局面を超えるカーリングの試合データベースを構築。
プロの内野守備はどこが違うのか›
プロとアマチュアの内野守備の映像を AI に見分けさせ、その判断の根拠から、熟練度の差が現れる局面と動作を探る。
ゾウの眠りを AI が見守る›
動物園の夜間カメラ映像からアジアゾウの睡眠を自動で検出し、どのゾウの睡眠かを確認する飼育員の作業を大きく減らす。
少ないデータで AI の歌声を自然にする›
軽量な歌声合成モデルの出力を、本物の歌声に近づく方向へ少しずつ補正。少ない歌唱データと限られた計算資源でも、より自然な歌声を目指す。
ポーカーで駆け引きを学ぶ AI›
相手の手札が見えないポーカーで、ブラフを仕掛けてくる相手の出方を読み、受けるか降りるかを判断する AI。理論上の最適戦略とどこまで近づけるかを厳密に検証。
AI が作った肺音で AI を鍛える›
集めにくい異常な肺音を生成 AI で 10 万枚作り出し、小さくても雑音に強い肺音 AI を学習。大規模モデルの約 0.5% の大きさで同等の精度を達成。
AI がカーリングの戦術を考える›
世界大会の試合データ分析による戦術支援と、デジタルカーリングで戦うAI「じりつくん」の開発。
ボルダリングを AI が評価する›
半教師あり学習とホールド情報を活用し、オクルージョンに強いクライマーの姿勢推定を実現。
AIに悩ませる異常検知›
正常な肺音だけを学習したAIで異常音を検出。ノイズと区別する独自アルゴリズムも開発。
AIで動物の健康管理をする›
円山動物園のアジア象の映像から、位置追跡と行動分類を自動で行い日々の活動を記録。
絶滅危惧種の発情期を捉えろ›
九十九島動植物園のツシマヤマネコを対象に、発情期特有の行動をAIで自動判別。
普段と異なる異常の兆候を知る›
普段の行動データから学習したモデルで、いつもと異なる異常の兆候をいち早く検知する。
AI も錯視を起こす›
色の恒常性を学習したニューラルネットワークで「ドレスの色の錯視」を再現。

研究テーマ一覧へ ›

共同研究・研究室見学のご相談はこちら

問い合わせ ›