Rプログラミング言語

BFT（ビザンチン障害耐性の略）とは、システムの一部コンポーネントが、悪意のある動作（ビザンチン障害）を含む、恣意的で予測不可能な方法で故障した場合でも、システムが正しく動作し続け、合意に達することを可能にするシステムの特性です。これは、単純なクラッシュ障害を許容するよりもはるかに強力な保証です。最低でも[latex]3f+1[/latex]個のコンポーネントが、f[/latex]個の故障した悪意のあるコンポーネントを許容する必要があります。

RAID（Redundant Array of Independent Disksの略）は、複数の物理ディスクドライブを1つ以上の論理ユニットに統合することで、データの冗長性、パフォーマンスの向上、またはその両方を実現するデータストレージ仮想化技術です。RAIDレベルによって、信頼性、可用性、パフォーマンス、容量のバランスが異なります。例えば、RAID 1は2つのディスクにデータをミラーリングし、RAID 5は少なくとも3つのディスクにデータとパリティをストライピングします。

アジャイルプロジェクト管理とは、プロジェクトのライフサイクル全体を通してプロジェクトを遂行するための反復的なアプローチです。大規模なプロジェクトを、短い反復作業（スプリント）で完了する、より小さく管理しやすいタスクに分割します。これにより、頻繁な再評価、計画の調整、変化への柔軟な対応が可能になります。包括的なドキュメントや厳格な計画よりも、顧客との協働、動作するソフトウェア、そして変化への対応を優先します。

アルゴリズムバイアス軽減手法は、モデルの学習プロセスに関連して、主に3つの段階に分類されます。前処理手法は、学習データ自体を修正します（例：重み付けの変更、リサンプリング）。処理中手法は、公平性の制約をモデルの学習アルゴリズムに直接組み込みます。後処理手法は、モデルの予測が行われた後に、公平性を向上させるために予測を調整します。

A statistical measure of a process's ability to produce output within customer-defined specification limits. Unlike control charts, which track stability, Cpk quantifies capability. It measures how centered the process is between the specification limits and accounts for process variation. A higher Cpk value indicates a more capable process. The formula is [latex]C_{pk} = \min\left[\frac{USL - \mu}{3\sigma}, \frac{\mu - LSL}{3\sigma}\right][/latex].

スパイラルモデルは、プロトタイピングとウォーターフォールモデルの要素を組み合わせた、リスク主導型のソフトウェア開発プロセスモデルです。これは反復開発の一種で、プロジェクトは各イテレーション（螺旋）において、目標設定、リスクの特定と解決、開発とテスト、そして次のイテレーションの計画という4つのフェーズを経て進行します。スパイラルモデルは、継続的なリスク分析を重視します。

シグナル検出とは、大規模なデータセット（通常は自発報告システム）から、薬剤と有害事象との間の潜在的な因果関係を特定するプロセスです。これは、不均衡分析と呼ばれる統計的手法を用いて、予想よりも頻繁に報告されている薬剤と有害事象の組み合わせを見つけ出します。一般的な指標は報告オッズ比（ROR）であり、1より大きい値は、さらなる調査が必要な潜在的なシグナルを示唆します。

主にUIとWebデザインにおける著名なユーザビリティコンサルタントであるヤコブ・ニールセンは、ユーザビリティを5つの品質要素で定義しました。学習しやすさ（ユーザーが基本的なタスクを初めて実行するのにどれだけ簡単か？）、効率性（一度学習したタスクをどれだけ迅速に実行できるか？）、記憶しやすさ（ユーザーは使用していない期間の後でも熟練度を回復できるか？）、エラー（ユーザーはどれだけエラーを犯すか？）、満足度（使用していてどれだけ快適か？）。

国際規格ISO 9241-11では、ユーザビリティを「特定の使用状況において、特定のユーザーが特定の目標を効果的、効率的、かつ満足のいく形で達成するために、製品を使用できる程度」と定義しています。この定義は、ユーザビリティを3つの明確で定量化可能な要素に分解することで、純粋に主観的な評価を超え、ユーザビリティを測定するための枠組みを提供します。

公平な機械学習においては、不可能性定理によって、ごく些細な例外を除き、アルゴリズムが複数の一見直感的な公平性基準を同時に満たすことは数学的に不可能であることが示されています。例えば、グループ間で基本率が異なる場合、アルゴリズムは一般的に、人口統計学的均等性（グループ間で陽性率が等しいこと）と均等化されたオッズ（グループ間で真陽性率と偽陽性率が等しいこと）の両方を満たすことはできません。