AIがすべての人に、パート 5：AIと効果的に話す方法 – AIプロンプトの30の黄金律

「なぜAIは私が求めている答えをくれないの？」「他の人は同じ質問をしているのに、どうして的確で役立つ回答を得られているの？」AI初心者の方なら、こんな悩みを抱えたことがあるでしょう。多くの場合、その決定的な違いはAIプロンプトの使い方にあります。

AIプロンプトエンジニアリングとは？ – AIの脳への架け橋

**AIプロンプト**とは、簡単に言えば、AIに話しかける際に入力するテキストコマンドです。単なる簡単な質問ではなく、AIの潜在能力を最大限に引き出す鍵のようなものです。入力するすべてのプロンプトは、あなたとAIの間のコミュニケーションの架け橋として機能し、AIがあなたの意図を理解し、ニーズを理解し、有用な応答を返すかどうかを判断します。

ChatGPT、Midjourney、その他の**AIツールを日常生活で使用していると、「AIが理解できない」または「結果が正しくない」という状況に遭遇することがよくあります。多くの場合、これはAIテクノロジー自体の問題ではなく、不明瞭または曖昧なプロンプト、あるいはコンテキストの欠如によって引き起こされる「コミュニケーションギャップ」**が原因です。

想像してみてください。外国のレストランに入ったら、現地の言葉が話せません。「チキンが入った料理をお願いします」と、わざとらしく身振り手振りで伝えようとするかもしれません。しかし、ウェイターはフライドチキン、チキンカレー、あるいは鶏レバーのパテを持ってくるかもしれません。あなたのリクエストが具体的でなかったために、全く予想外の料理が出てくるかもしれません。このような状況では、AIプロンプトは熟練した通訳のように機能し、あなたのニーズをAIが理解できる言葉と構造に明確かつ正確に翻訳します。

だからこそ、巧みに作成されたプロンプトはAIの応答品質を劇的に向上させ、AIをプロフェッショナルで信頼できるアシスタントのように感じられるようにするのです。逆に、曖昧、不完全、あるいは文脈のないプロンプトは、AIに「推測」や「仮定」をさせ、あなたの真の意図から大きく逸脱してしまうことがよくあります。

**AIプロンプト設計スキル (AIプロンプトエンジニアリング)**を習得するには、プログラミング技術の知識は必要ありません。自分の希望をより明確に表現する方法を学ぶ必要があります。ニーズを正確に説明できれば、AIは記事の執筆、画像の生成、パワーポイントの作成、データ分析、さらには旅行の計画など、あらゆるタスクを効率的に実行できます。

AIプロンプトテクニックと実例

1. 具体性を重視し、曖昧な表現は避ける

多くの人がAIに対してあまりにも抽象的な質問をしがちですが、これは予想通り抽象的で役に立たない回答につながります。

悪い例： 「マーケティングのコピーを書いて」

問題の分析： このプロンプトはあまりにも曖昧すぎます。AIはどのようなコピーが必要なのか、誰がターゲットオーディエンスなのか、具体的な要件は何なのかを知ることができません。結果として、汎用的で無関係な内容になってしまうでしょう。

良い例： 「25〜35歳の働く女性をターゲットにした、オーガニックスキンケアブランドのSNSマーケティング投稿を作成してください。天然成分とアンチエイジング効果を強調し、トーンは軽やかで親しみやすく、100文字以内でお願いします。」

このプロンプトには、ターゲットオーディエンス、商品の特徴、主要な訴求ポイント、トーン、文字数制限が含まれており、AIがあなたのニーズに真に合致したコンテンツを生成できるようになります。

2. ロールプレイング：AIをプロのように振舞わせる

AIに特定の役割を与えることで、専門家の視点から考え、回答してもらうことができます。

悪い例： 「どうやって痩せればいいですか？」

問題の分析： この質問は一般的すぎます。AIは汎用的なアドバイスしか提供できず、具体的な指導や専門的な深さに欠けてしまいます。

良い例： 「10年の経験を持つ栄養士として振る舞ってください。デスクワーク中心の30歳女性（体重70kg、身長165cm）のための、1ヶ月間の健康的な減量プランを作成してください。科学的根拠に基づき、実践しやすいものにしてください。」

ロールプレイングにより、AIは専門家の角度からアプローチし、はるかに価値のある提案を提供してくれます。

3. AIに段階的に考えさせる：複雑な問題を分解する

複雑な質問に対しては、AIに特定のステップで考えてもらうことで、より良い結果が得られることがよくあります。

悪い例： 「このビジネスプランが良いかどうか分析して」

問題の分析： 具体的な分析フレームワークがないと、AIは構造化された分析を提供するのに苦労します。

良い例： 「カフェのビジネスプランを以下のステップに従って分析してください：

市場需要分析
競合状況の評価
財務的実現可能性
リスク評価
改善提案

各ステップで詳細な理由付けを説明してください。」

このプロンプトはAIに明確な分析フレームワークを提供し、包括的で論理的な回答を確実にしてくれます。

4. 例を提供：具体的なモデルでAIを導く

時には、欲しいものを説明するよりも、AIに模倣してもらう例を提供する方が効果的です。

悪い例： 「面白い導入文を書いて」

問題の分析： 「面白い」というのは主観的で、人それぞれ異なる解釈をします。

良い例： 「以下のスタイルで記事の導入文を作成してください：『こんな経験はありませんか？早く寝ようと決心したのに、気がつくとスマホを見ながら夜更かししてしまう。もしそうなら、おめでとうございます。あなたは見事に「夜更かし族」の仲間入りを果たしました。』同様の疑問文スタイルを使って、時間管理に関する記事の魅力的な導入文を書いてください。」

具体的なスタイル例を提供することで、AIはあなたのリクエストをより良く理解し、まさにあなたが求めているものを提供してくれます。

5. AI出力形式の設定: 結果をより実用的なものにする

AIに回答の形式を明確に指示することで、あなたのニーズにとってはるかに実用的な結果を得ることができます。

悪い例： 「フィットネスのコツを教えて」

問題の分析： フォーマットが指定されていないため、AIは実際の使用には適さないテキストの壁を生成してしまう可能性があります。

良い例： 「初心者向けの1週間フィットネスプランを作成してください。要件：

表形式で提示してください
各日の具体的なエクササイズ、セット数、回数を含めてください
適切な時間と強度レベルを示してください
各エクササイズの簡単な説明を提供してください」

このプロンプトは、すぐに使える構造化された実用的なフィットネスプランが必要であることをAIに伝えています。

6. コンテキストの継続性: AI会話の一貫性を高める

継続的な会話では、文脈情報を活用することで、AIがあなたの発展するニーズをより良く理解できるようになります。

悪い例： （マーケティング戦略について議論した後）「価格設定についてはどう思いますか？」

問題の分析： 明確な文脈なしに突然話題を変えると、AIを混乱させる可能性があります。

良い例： 「若年層向けマーケティング戦略についての私たちの議論を踏まえて、製品の価格設定をどのように考えるべきでしょうか？ターゲット顧客の購買力と競争市場を考慮してください。」

このプロンプトは、前回の議論を続けつつ、特定の側面に焦点を当てていることを明確に示しています。

7. 制約の設定：AIの応答をより正確にする

明確な境界を設定することで、AIをより正確で有用な回答へと導くことができます。

悪い例： 「良いアプリを推薦して」

問題の分析： 制限がないと、AIは無関係なアプリを大量に推薦してしまう可能性があります。

良い例： 「大学生の学習効率を向上させるアプリを5つ推薦してください。要件：

iOSとAndroidに対応している必要があります
無料版が利用できる必要があります
主な機能は時間管理とノート整理であること
インターフェースがシンプルで使いやすいこと
各アプリの主要機能を説明してください」

具体的な制約を設定することで、AIは高度に関連性のある推薦を提供してくれます。

8. シナリオシミュレーション：AIに使用場面を理解してもらう

具体的なシナリオを描写することで、AIがあなたのリクエストの現実的な文脈をより良く理解できるようになります。

悪い例： 「顧客とどう話せばいいですか？」

問題の分析： 具体的なシナリオがないと、AIは一般的なコミュニケーションアドバイスしか提供できません。

良い例： 「私は明日から新人営業担当として働き始めます。価格に敏感なクライアントに企業向けソフトウェアサービスを提案する必要があります。このクライアントは以前、私たちの製品が高すぎると言っていました。コストパフォーマンスと長期的なメリットに焦点を当てたコミュニケーションスクリプトの作成を手伝ってください。」

詳細なシナリオ説明により、AIは高度にターゲットを絞ったアドバイスを提供することができます。

9. 否定的制約：AIに何をしてはいけないかを伝える

AIに何をすべきかを伝えるだけでなく、何をしてはいけないかを明示することも同様に重要です。

悪い例： 「商品説明文を書いて」

問題の分析： 制限がないため、AIは過度に誇張されたり不正確な内容を書いてしまう可能性があります。

良い例： 「スマートウォッチの商品説明文を作成してください。事実に基づき客観的である必要があります。誇張された形容詞を使用せず、未確認の機能について言及せず、競合他社との直接比較は避けてください。実際のユーザーエクスペリエンスと核となる機能性に焦点を当ててください。」

明確な否定的指示は境界を設定し、AIが不適切なコンテンツを生成することを防いでくれます。

10. 複数の視点：AIに異なる角度から分析してもらう

AIに複数の観点から問題を分析してもらうことで、より包括的な分析が得られます。

悪い例： 「このスタートアップのアイデアをどう思いますか？」

問題の分析： 特定の角度が指定されていないと、AIは一面的な評価しか提供できない可能性があります。

良い例： 「オンライン教育スタートアップのアイデアを以下の3つの観点から分析してください：

市場機会：ターゲット市場規模と成長可能性の分析
競争：既存競合他社と私たちの差別化戦略の評価
実行：必要なリソースと実装難易度の評価」

複数の角度から分析することで、AIはより総合的で客観的な回答を提供してくれます。

11. 時間制約: AIの応答に明確な時間枠を設定する

タスクに時間制限を設けることで、AIの提案をより実用的で実行可能なものにします。

悪い例： 「AI学習の計画を立てる手伝いをして」

問題の分析： 時間制限がないため、AIは具体的な学習ペースやマイルストーンを提案できません。

良い例： 「AI学習の1ヶ月計画を作成してください。私は初心者で、日常のオフィス業務にAIを活用することを目指しています。毎日1時間の学習時間を確保できます。週ごとに具体的な学習内容と実践演習を概説してください。」

明確な時間枠により、AIはより現実的で実行可能な計画を作成してくれます。

12. 優先順位付け：AIに選択の手助けをしてもらう

複数の選択肢に直面した際、AIに優先順位を付けてもらうことで、より良い決定を下すことができます。

悪い例： 「どんなスキルを学ぶべきですか？」

問題の分析： 具体的な基準がないと、AIは価値のあるアドバイスを提供するのに苦労します。

良い例： 「来年のキャリア競争力向上を目指すマーケティングスペシャリストです。以下の基準に基づいて学習価値の高いスキルトップ5を推薦し、ランク付けしてください：

市場需要
学習難易度
給与アップの可能性
現在の職務との関連性

各スキルについて推薦理由を説明してください。」

明確なランキング基準により、AIはより的を絞ったアドバイスを提供できます。

13. 仮定シナリオ：「もし」を使ってAIの思考を導く

仮定的な状況を設定することで、AIをより深い分析と洞察に導くことができます。

悪い例： 「オンラインストアの売上が悪いです」

問題の分析： 問題を述べるだけでは、AIに深く掘り下げた分析を促すことはできません。

良い例： 「あなたがEコマース運営の専門家だと仮定してください。私のオンラインストアの売上が先月30％減少しました。可能な原因を分析し、解決策を提案してください。ストアは以前正常に運営されており、商品品質に問題はないと仮定します。トラフィック、コンバージョン率、平均注文額の3つの観点から分析してください。」

仮定シナリオにより、AIはより専門的で詳細な分析を行うようになります。

14. 比較分析：AIに選択肢を比較してもらう

AIに比較分析を実行してもらうことで、異なる選択肢の長所と短所をより良く理解できます。

悪い例： 「PythonとJavaどちらが良いですか？」

問題の分析： 具体的な比較の観点がないと、AIは表面的な比較しか提供できません。

良い例： 「プログラミング言語としてのPythonとJavaを以下の観点から比較してください：

学習難易度
就職機会
給与の可能性
応用分野
コミュニティサポート

プログラミング初心者として初めて学ぶ言語を選択したいと考えています。推薦をお聞かせください。」

明確な比較観点により、AIはより客観的で実用的な分析を提供してくれます。

15. エラー診断：AIに問題の特定を手助けしてもらう

問題にぶつかった際、AIに問題の診断を求めることで、迅速に解決策への道筋を見つけることができます。

悪い例： 「PowerPointプレゼンテーションが良くないです」

問題の分析： 具体的な問題の記述がないと、AIは的を絞ったアドバイスを提供できません。

良い例： 「プロジェクト報告書のPPTを完成させましたが、十分にプロフェッショナルに見えません。潜在的な問題の診断と改善提案をお手伝いください。PPTは20ページで、プロジェクト背景、実行プロセス、結果表示、今後の計画をカバーしています。会社の上級管理職への15分間のプレゼンテーション用です。」

詳細な背景情報により、AIはより正確な診断と提案を提供してくれます。

16. 創造性の促進：ブレインストーミングの質問

新鮮なアイデアが必要な際は、AIにブレインストーミングをしてもらいましょう。

悪い例： 「創造的なアイデアをください」

問題の分析： あまりにも広範囲すぎて、AIはどのような創造的アイデアを求めているのかわかりません。

良い例： 「会社の年末パーティーで楽しいインタラクティブなセグメントが必要です。10の創造的アイデアをブレインストーミングしてください。要件：

100名の参加者に適している
予算は50万円以下
同僚同士がより親しくなれるもの
複雑な技術機器は不要

各アイデアについて、実行方法と期待される効果を簡潔に説明してください。」

具体的な創造的方向性と制約により、AIはより実用的なアイデアを生成してくれます。

17. テンプレート生成：AIに再利用可能なフレームワークを作成してもらう

AIにテンプレートやフレームワークの生成を依頼することで、生産性を大幅に向上させることができます。

悪い例： 「業務報告書を書く手伝いをして」

問題の分析： テンプレート形式が指定されていないため、AIは特定の報告書を書くだけで、再利用できるものにはなりません。

良い例： 「汎用的な月次業務報告書テンプレートを作成してください。以下のセクションを含める必要があります：

今月の業務完了状況
主要な成果の紹介
遭遇した問題と課題
来月の業務計画
必要なリソースサポート

各セクションについて、具体的な記入ガイドラインと例を提供してください。」

テンプレートベースのリクエストにより、AIはより実用的で再利用可能なコンテンツを提供してくれます。

18. 段階的な改良：AIが継続的に回答を改善できるようにする

段階的改善アプローチを使用することで、AIの出力をあなたのニーズにより近づけることができます。

悪い例： 「この計画はうまくいきません。書き直してください」

問題の分析： 具体的な改善方向がないため、AIは最適化の方法がわかりません。

良い例： 「先ほど提供してもらったマーケティング計画に基づいて、以下の調整を行ってください：

オンラインチャネルの販促戦略を追加
予算配分をより詳細にする
業績評価のための具体的指標を含める
季節要因を考慮する

元の計画の核となるアイデアは保持してください。」

具体的な最適化方向により、AIは正確に出力を改善してくれます。

19. 専門用語：業界言語を使って精度を高める

専門分野で作業する際、正確な専門用語を使用することで、AIはより専門的な回答を提供してくれます。

悪い例： 「ウェブサイトのランキングを向上させる方法は？」

問題の分析： 十分な専門用語がないため、AIは一般的なアドバイスしか提供できない可能性があります。

良い例： 「オーガニック検索ランキング向上に焦点を当てたSEO最適化戦略を開発してください。以下を含めてください：

キーワードリサーチと配置
オンページコンテンツ最適化
テクニカルSEO改善
バックリンク構築戦略
ユーザーエクスペリエンス最適化

目標は主要キーワードを3ヶ月以内に検索結果トップ3に入れることです。」

専門用語を使用することで、AIはより正確で専門的な推薦を提供してくれます。

20. 逆算思考：AIが結果から逆算して作業するように導く

望む結果を記述することで、AIにその達成のためのプロセスと方法を逆算してもらうことができます。

悪い例： 「成功したいです」

問題の分析： 「成功」があまりにも曖昧すぎて、AIは具体的な指導を提供できません。

良い例： 「2年以内に会社で部門長になることが目標です。現在は一般社員です。この目標達成に必要なスキル、経験、機会を特定するために逆算して手伝ってください。各段階の具体的な行動計画とタイムラインを含む詳細なキャリア開発パスを作成してください。」

明確な目標と逆算思考アプローチにより、AIはより正確な達成への道筋を描いてくれます。

21. 感情的知性とトーン制御：AIに感情を伝える

AIは事実情報だけでなく、感情的なニュアンスも理解し対応できますが、感情的な文脈を正確に伝える必要があります。

悪い例： 「謝罪の手紙を書いて」

問題の分析： 感情的な文脈がないと、AIは誠実さに欠ける一般的な謝罪文を作成してしまいます。

良い例： 「仕事で忙しく友人の誕生日パーティーを欠席してしまい、彼女はとても失望しています。心からの謝罪の手紙を書く手伝いをしてください。トーンは心からのものですが、過度に自責的にならないようにしてください。私たちの友情をどれほど大切にしているかを伝え、具体的な埋め合わせ方法を提案したいと思います。堅すぎる言葉遣いは避けてください。」

具体的な感情的文脈と望むトーンを描写することで、AIはより影響力のあるコンテンツを生成してくれます。

22. データ処理と分析：AIをデータアシスタントとして活用

複雑なデータを扱う際、明確な分析指示によりAIの強力な分析機能を活用できます。

悪い例： 「このデータの分析を手伝って」

問題の分析： 明確な分析目標や方法がないと、AIはどの観点から分析すればよいかわかりません。

良い例： 「提供する売上データを分析してください。データには商品名、販売数量、価格、地域、時間のフィールドが含まれています。以下の分析を実行してください：1) 地域別売上収益と割合を計算 2) 売上トレンドと季節パターンを特定 3) ベストセラーと売れ行きの悪い商品を特定 4) 各商品の利益率を計算 5) 主要な発見をチャートで可視化」

具体的な分析観点と表示要件により、AIは詳細なデータ洞察を実行してくれます。

23. 多ターン会話管理：長い対話の一貫性を保つ

複雑な多ターン会話では、文脈情報の効果的な管理が重要です。

悪い例： 「さっき話していたことを続けて」

問題の分析： 長い会話では、AIは以前の具体的な詳細を忘れてしまい、断片的な回答につながる可能性があります。

良い例： 「Eコマース運営戦略についての議論に戻りましょう。あなたは3つの重要なポイントを挙げました：ユーザー獲得、コンバージョン最適化、顧客維持です。今回はコンバージョン最適化について詳しく掘り下げたいと思います。特に当社の衣料品ブランドについて、ショッピングカートから注文までのコンバージョン率を向上させる方法を教えてください。」

以前のコンテンツを明示的に参照し、現在の焦点を強調することで、会話の継続性が確保されます。

24. 創造性とインスピレーションの向上：AIが精神的な障壁を突破するのを支援する

革新的な思考が必要な際、AIを従来の枠組みから外れて考えるように導くことができます。

悪い例： 「革新的なアイデアをください」

問題の分析： あまりにも広範囲すぎて、AIは一般的で刺激のない提案しか提供できない可能性があります。

良い例： 「以下の創造的思考法を使って、従来の書店を変革するアイデアを生成してください：1) 逆転思考：書店が本を売らないとしたら、他に何ができるか？ 2) 異業種融合：書店はどんな意外な業界と組み合わせることができるか？ 3) ユーザーエクスペリエンス再構築：書店を訪れることを全く新しい体験にするには？ 4) テクノロジー活用：新技術はどんな可能性を生み出すか？各方向について3つずつ具体的なアイデアを提供してください。」

創造的思考フレームワークを指定することで、AIはより画期的なアイデアを生成してくれます。

25. 学習・教育シナリオ：個別指導の学習ガイダンス

AIは優秀な個別学習アシスタントになれますが、詳細な学習背景を提供することが鍵となります。

悪い例： 「プログラミングを教えて」

問題の分析： 具体的な学習目標や背景がないと、AIは一般的な学習アドバイスしか提供できません。

良い例： 「データ分析を自動化するためにPythonを学びたいマーケティングプロフェッショナルです。プログラミング経験は全くなく、週5時間の学習時間を確保できます。3ヶ月以内にExcelデータの処理、チャート作成、簡単なデータレポート生成ができるようになることが目標です。詳細な学習計画を作成してください。週別の内容、実践プロジェクト、評価基準を含めてください。」

詳細な学習背景と目標により、AIは個別化された学習計画を作成してくれます。

26. 緊急事態・トラブルシューティング：AIが的外れな時の修正

AIの回答が軌道から外れた際、効果的な修正テクニックで迅速に軌道修正できます。

悪い例： 「いいえ、もう一度やり直してください」

問題の分析： 具体的なエラーを指摘しないと、AIは改善方法がわかりません。

良い例： 「前回の回答にはいくつかの修正が必要な問題があります：1) 私はB2C販売ではなく、B2B販売について言及していました 2) ターゲット顧客は大企業ではなく、中小企業です 3) 予算制限は1億円ではなく、1000万円です。この正確な情報に基づいてマーケティングプランを修正してください。」

具体的にエラーを指摘し、正しい情報を提供することで、AIは正確に回答を調整してくれます。

27. 倫理・安全性の考慮：責任あるAI使用

AIを使用する際は、潜在的な倫理的・安全性の問題に注意することが重要です。

悪い例： 「競合他社を攻撃する記事を書く手伝いをして」

問題の分析： このリクエストは不正競争や名誉毀損に関わる可能性があり、不適切です。

良い例： 「競合他社と比較した当社製品の利点を客観的に分析する記事の作成をお手伝いください。要件：1) 事実に基づき、誇張や中傷はしない 2) 当社独自の価値の強調に焦点を当てる 3) プロフェッショナルで客観的なトーンを保つ 4) 競合他社への直接的な攻撃は避ける 5) ユーザーにとって価値のある比較情報を提供する」

ポジティブで建設的な方法でニーズを表現することで、有害なコンテンツの生成を避けることができます。

28. 異言語・異文化適応：AIが文化の違いを考慮できるように導く

異なる文化的背景に関わるコンテンツでは、AIに文化的ニュアンスを考慮するよう導く必要があります。

悪い例： 「このマーケティングコピーを翻訳して」

問題の分析： 単純な翻訳では文化的ニュアンスが失われ、ターゲット市場に適さないコンテンツになる可能性があります。

良い例： 「アメリカ市場向けに作成されたスキンケアマーケティングコピーを日本の読者向けに適応させてください。要件：1) 日本女性のスキンケア習慣と嗜好を考慮 2) 日本文化の繊細な特性に合う言語スタイルに調整 3) 現地の美的感覚に合う色彩やイメージの表現に修正 4) 核となる訴求ポイントは保持しつつ、表現を調整 5) 日本の広告規制に準拠することを確保」

文化的差異とローカライゼーションのニーズを考慮することで、ターゲット市場により適したコンテンツになります。

29. コラボレーション・チーム活用：チーム使用の標準化

チーム環境でAIを使用する際は、標準化されたプロンプトガイドラインの確立が重要です。

悪い例： 「みんなAIを使ってレポートを書いて」

問題の分析： 統一された基準がないと、プロンプトの品質がばらつき、出力品質の一貫性が失われます。

良い例： 「プロジェクトレポート生成のためのチーム向け標準化AIガイドの作成をお手伝いください。以下を含める必要があります：1) 統一されたレポート構造テンプレート 2) 各セクション別の具体的プロンプト例 3) 品質管理基準 4) よくある問題の解決策 5) チームメンバー向けトレーニングガイド。誰もが一貫した高品質の出力を実現できることを確保してください。」

標準化されたプロセスを確立することで、チームコラボレーションの一貫性と効率性が保証されます。

30. メタ認知・反省：継続的改善のための戦略

プロンプト使用の評価と改善を学ぶことは、AIとの相互作用における上級スキルです。

悪い例： 「この答えはダメです」

問題の分析： なぜ問題が発生したかについて深く考えないと、継続的な改善は困難です。

良い例： 「前回のプロンプトの効果を分析してください：私の本来のニーズはX、私のプロンプトはY、AIの回答はZでした。以下を評価してください：1) 私のニーズは明確に表現されていたか？ 2) プロンプトの構造は論理的だったか？ 3) どんな重要情報が欠けていたか？ 4) より良い結果を得るためにどう改善できるか？ 5) この種の質問に最適なプロンプトパターンは何か？」

継続的にAIとの「対話」方法を学び改善することで、私たち全員が熟練ユーザーになることができます。実際、AIとのチャットは新しい人と知り合うことに非常に似ています。