スピーカー | トランスクリプト |
| シッダント・カルマリ | みなさんこんにちは。シッダント・カルマリ、メイソン・チェン、アーハン・スラパネニです。 |
| AKQJ ゲームを実際のポーカー状況に合わせて最適化します。したがって、COVID-19 はメンタル ヘルスに効果的であり、既存のメンタル ヘルスの問題を悪化させる可能性があります。 |
| パンデミックに伴うストレス要因、つまり病気や愛する人を失うことへの恐怖は、人々の意思決定能力に影響を及ぼし、依存的な行動につながる可能性があります。 |
| ギャンブル依存症は、オンライン ギャンブル サイトの増加、つまりオンライン ギャンブル サイトのサイト トラフィックの増加によって増加している行動の 1 つです。 |
| このプロジェクトでは、ポーカー ゲームにおけるさまざまな状況が、人々の非合理的な決定にどのような影響を与えるかを分析します。これには、ギャンブル依存症につながる可能性のある状況も含まれます。私たちは、エースと絵札、つまり A、K、Q、J のみを使用するポーカーの簡易モデルを開発しました。 |
| これにより、特定の勝ちハンドの確率が上がり、エース、キング、クイーン、ジャックを表す AKQJ と呼ばれます。 |
| このモデルの変数は、カードの値、プレーヤーの数、賭けラウンドの数、カードがオープンか隠されているかです。 |
| オープンカードか、そうか...このモデルの目的は、ポーカーの完全なゲームでの勝利結果の複雑な確率計算を簡素化することです。 |
| そして、この目標を、現実のポーカーには複数のベッティング ラウンドがあるため、異なるベッティング ラウンドを持つさまざまなバリエーションのポーカーでもこのモデルが有効であることを証明または示すことができるという考えにまで拡張します。 |
| これがこのプロジェクトの進め方です。または、これがプロジェクトの概要です。まず、感情的な賭け事とギャンブル依存症、そしてギャンブル依存症のリスク要因について調査しました。ギャンブル依存症の人はどのような考え方をするのか。 |
| なぜギャンブルをするのでしょうか? 人々はスリルを求めてギャンブルをすることがわかりました。麻薬中毒の人と同じように、彼らは高揚感やスリルを求めて麻薬を使用します。そこで再び... |
| 私たちは、ギャンブルやギャンブル依存症は、脳内のレビューに関係する同じコード、つまり報酬システムに関係するコードに作用するに違いないと推測しています。 |
| そして、私たちは...私たちの技術は、実際のケースで隠されたカードと開かれたカードを使用するようになりました。隠されたカードと開かれたカードは...開かれたカードはプレイヤーが表向きに保持するカードで、隠されたカードは裏向きに保持され、プレイヤーだけがそのカードの正体を知ることができます。 |
| そして、2 つの別々のアルゴリズムを作成しました。包括的なアルゴリズムと最悪のケースのアルゴリズムです。 |
| しかし、包括的なアルゴリズムは、すべてのカードが隠されており、計算が困難であるため、より複雑であり、最悪の場合のアルゴリズムでは、いくつかのオープンカードがあり、プレイヤー...またはモデル化されたプレイヤーは推測することができます。 |
| 賭けるかどうかはあなた次第です。これが私たちのエンジニアリングの部分です。JMP を使用してプレーヤーのプレイスタイルをモデル化しました。 |
| そして私たちは |
| Arhan が示すように、Java および Python プログラミングを使用して、カードの状況をランダムに生成し、確率を計算して、JMP で相関テストと回帰テストを実施しました。 |
| 隠されたカードとオープンカードです。オープンカードは、先ほども述べたように、他のプレイヤーに見えるようにプレイヤーが表向きにしておくカードです。 |
| 隠されたカードは裏向きで、プレイヤーだけがその正体を知ることができる。包括的なアルゴリズムは、 |
| ...これは、実際のポーカーゲームでプレイヤーが確率を計算しなければならないときに起こることです。 |
| 現在の手札に基づいて、他の人に勝つか、対戦相手に勝つかを判断します。 |
| 包括的なアルゴリズムでは、すべてのカードが隠されており、どのプレイヤーがどのカードを持っているかわからないため、それを実行するのは困難です。また、オープンカードにより、AKQJ ゲームの計算が簡単になります。 |
| 隠されたカードの数は、賭けラウンドの数に応じて増加します。そのため、最初に行ったケースでは、1 ラウンドで 6 人のプレイヤーが参加し、6 枚の隠されたカードがありました。 |
| そして、1回の賭けラウンドと5人のプレイヤーがいて、7枚の隠されたカードを持っていました |
| 等々。 |
| 先ほど、つまりモデルでは、6 人のプレーヤーに A から F までのラベルが付けられました。彼らに確率特性、つまり賭けを行う自信のパーセンテージを割り当てました。 |
| Aは0%、Bは15%、Cは30%、Dは45%、Eは60%、Fは75%です。そしてFの75%の確率は、 |
| 少なくともその人、つまり対戦相手に勝てるという確信が 75% ない限り、賭けには応じません。つまり、彼らは賭けに対して非常に保守的であるということです。 |
| 一般的なポーカーのケース、つまり包括的なアルゴリズムと、最悪のケースのアルゴリズムです。 |
| 一般的な方法は、例えばAがポーカーの試合に勝つ確率を計算しようとする場合、 |
| 一般的な方法論では、Aの確率は、A対AがBに勝つ確率にA対Cに勝つ確率を掛けたものである必要がある。 |
| A が F に対して勝つ確率まで計算できます。これは計算に非常に時間がかかり、実際のポーカーの試合では面倒です。賭けラウンドの時間は 45 秒から 1 分であり、1 分でこの種の計算を行える人は多くありません。 |
| つまり、最悪のケース...そこで私たちは最悪のケースの手法を開発しました。 |
| 最悪のケース...すべてのプレイヤーに公開されている 4 枚の共有カードと、各プレイヤーに 1 枚の隠されたカードと 1 枚の公開カードのうち、どのプレイヤーが見えるカードで最高のハンドを作れるかを見て、最悪の結果を計算しました。 |
| これら 2 つのアルゴリズムを 3 つの異なるケースで使用します。最初のケースは、1 回のベッティング ラウンドと 6 人のプレーヤーの場合です。各プレーヤーがフォールドするか留まるか、また各プレーヤーが獲得または失うチップの枚数を決定する必要があります。 |
| 例えば、Aはチップを失っても残ります。 |
| ...それは私たちのモデルの一人で、ギャンブルの問題を抱えていたことがわかっていたので、私たちの条件に従って、彼らは留まらなければなりませんでした。 |
| B は E に勝ちますが、他の誰にも勝ちません。この場合、C は勝ちません。D は B と C に勝ち、A と E と引き分けます。 |
| そしてEは勝てず、Fは他のプレイヤー全員に勝ちます。CとEが勝てなかったため、彼らは...またはBが十分に勝てなかったため、Cはまったく勝てず、Eはまったく勝てなかったため、彼らは全員降ります。 |
| 次のベッティングラウンドで負けると、チップを失います。そして、残った人たちは、これが1試合または1ベッティングラウンドのポーカーマッチであることを考えると、 |
| 最も勝つ可能性が高いのはFです。最悪の場合の勝利確率が最も高いからです。前のスライドを見れば、プレイヤーAまたはプレイヤーBが |
| ...または6人のプレイヤーの場合、プレイヤーFの全体的なスコアは80％に非常に近かったので、...つまり、相関関係があるということです...または、強い相関関係がありました |
| の |
| AKQJ 最悪ケース法と一般的な方法。次のケースは、1 つの賭けラウンドと 5 人のプレーヤーの場合です。この場合、信頼値は変化します。 |
| A は 0%、B は 12%、C は 25%、D は 38%、F は 65% です。プレイヤー E は、前のラウンドで最も多くのチップを失い、フォールドしなければならなかったため、除外されました。 |
| プレイヤーが少ないこのラウンドでは、隠されたカードが多くあることがわかります。隠されたカードの数は、賭けラウンドとプレイヤーの数に応じて増加します。 |
| 隠されたカードの数が増えると、計算に時間がかかる可能性があり、お金を失う可能性があるため、プレイヤーはより神経質になり、計算をしたくないと思うかもしれません。この場合、プレイヤーFは勝ちませんでした。 |
| 最悪の場合の勝利確率は |
| 信頼度パーセンテージを下回るため、フォールドせざるを得なくなります。 |
| つまり、保守的なプレイヤーはお金にケチすぎるため、ゲームの後半でうまくいかない可能性があるということです。彼らは賭け金が高くなっても正しい賭けをしません。 |
| 次のケースは4人のプレイヤーで、プレイヤーFが勝つかどうか確認するためにこのテストを行いました。そして、もしFが勝てなかったら、自信を持ってこう言えるでしょう。 |
| より保守的なプレイヤーは、ゲームの後半の段階ではうまくいきません。そして、F は彼らの勝利の確率を下げ続ける必要があることに注意してください。 |
| また、最悪のケースのアルゴリズムが 5 人のプレイヤーに一致するかどうかもテストしました。一般的な方法では、B が勝つ確率は 11%、D が勝つ確率は 46%、F が勝つ確率は 48% です。 |
| これは最悪の値に非常に近いため、強い相関関係が得られ、R 二乗は 0.998 になります。 |
| したがって、この最悪のケースでは、5 人のプレイヤーの試合で F が 50% の確率で勝利することになります。 |
| また、これを 4 人のプレイヤーでテストしたところ、 |
| ここでは、4 人のプレイヤーの場合、F が 50% の確率で勝つことが確認されています。そして、3 番目のケースは、6 人のプレイヤーで 3 回の賭けラウンドを行う場合です。この場合、値は同じです。 |
| そしてEの56%を足し合わせた。第1ラウンドではFが勝ち、しかしプレイヤーがB、C、Dのようにフォールドし始めたので、 |
| F は信頼レベルを変更する必要があります。 |
| F は、ラウンドの勝利確率に合わせて信頼レベルを変更する必要があります。 |
| Fのレベルは、第1ラウンド後に60％、第2ラウンド後に54％に変わります。 |
| これらはモデルのように複雑です。 |
| これは不本意なことであり、 |
| これは、保守的なプレイスタイルには緊張感があることを示しており、それがそのようなプレイヤーが後のラウンドで負ける原因となっている。 |
| プレイヤーAとFは極端なプレイスタイルをしており、ギャンブル依存症の兆候である可能性があります。これは、賭けラウンドの計算の簡単な要約です。2回の賭けラウンド、または2回のベンディングラウンドがあるゲームでは、Fは20回のうち2回しか勝てません。 |
| ...の... |
| プレイヤーの可能なハンドがすべてではない...たとえば、F の可能なハンドは、対戦相手の可能なハンドと一致するほど十分ではありません。これは、2 回のベッティング ラウンドと 3 回のベッティング ラウンドの両方で発生します。 |
| これは緊張によるもので、Fの確率が高すぎたため、彼らは自分の予想に一致できなかったのです。 |
| 自信のレベルなので、ポーカーでうまくやっていくための最適な戦略は、賭けに積極的になりすぎず、また賭けに保守的になりすぎないことです。プレイヤー D のように... |
| プレイヤー D は 38% のチャンス、つまり 38% の確率を持っていたので、少なくとも 38% の確信を持って相手に勝つ必要があります。つまり、このことに基づいて、ポーカーではそのあたりがよい位置だと考えられます。では、なぜこれが重要なのでしょうか。 |
| また、3 人のプレイヤーによるテストも行い、このラウンドでプレイヤー F がフォールドし、プレイヤー D が勝つことを確認しました。したがって、このポーカー モデル、AKQJ ポーカー モデルでは、ベッティング ラウンドが 1 回以上、プレイヤーが 6 人以上 6 人未満の場合、プレイヤー D がおそらく最善の戦略を持っていると言えます。 |
| また、検討するために、または F も勝てないことを示すために、2 回の賭けラウンドも行いました。 |
| これは、F が負けるという結果がベッティング ラウンド全体にわたって維持されるかどうかをテストするために行った別のケースです。3 回のベッティング ラウンドと 4 人のプレーヤーでこれを行いました。 |
| さて、なぜこれが重要なのでしょうか? プレイヤーは、最悪のケースのような簡単な計算を実行して、負ける手札に対しても賭けたいという衝動を抑えることができることを、私たちは以前に示しました。 |
| ギャンブル依存症の人は賭け事に非常に積極的で、お金を失っているとわかっていても、大勝ちできるかもしれないというわずかな希望を抱いて賭け続けることがあります。 |
| ギャンブル依存症の人は賭け事に非常に積極的で、お金を失っているとわかっていても、大勝ちできるかもしれないというわずかな希望を抱いて賭け続けることがあります。 |
| これは感情的な賭け方であり、ギャンブラーの誤謬の罠に陥ります。ギャンブラーの誤謬とは、例えば、運が良かったり不運が続いたりしても、次回は幸運が訪れるだろうと考えることです。 |
| ポーカーの試合でプレイヤー数が少なくなり、賭けのラウンド数が増えるという新しい事例は、最も合理的なプレイヤーでさえも緊張するという考え方をもたらした。そのため、F、 |
| 6 人のプレイヤーによる計算で、1 回の賭けラウンドで、そのプレイヤーが...そのプレイヤーは経験があったり、待つことができたり、良い戦略を立てることができたりしたことがわかります。 |
| これは...実際のポーカーゲームに当てはめることができます。人間の場合、副交感神経系がアドレナリンなどのストレスホルモンを体内に放出するためです。 |
| 闘争・逃走反応を引き起こす。ポーカーゲームのようなハイリスクの状況では、 |
| 表面的には何が危険にさらされているかがわかります。お金や資産が危険にさらされていることもわかります。 |
| あなたはそれを増やそうと賭けるでしょう。それは人間の本質です。このポーカーゲーム中は、理性や実行機能に関与する前頭前皮質よりも、感情をコントロールする脳の領域である扁桃体に多くの帯域幅が与えられます。 |
| したがって、ラウンド中に隠されたカードが多くなるほど、プレイヤーは賭けに対してより不安になり、たとえ... |
| たとえポーカーの経験が豊富であったとしても。 |
| そして、この緊張感は、リスク計算とスリルを目的としたギャンブルという概念に基づく、強迫性賭博障害の盲目的な賭けの性質と相関している可能性がある。 |
| そして、私たちの結論は、F またはプレイヤー F のような過度に保守的なプレイヤーは、現実的なポーカーの状況ではそれほどうまくいかないかもしれないというものでした。つまり、最もうまくやれるのは、保守的でありながら、通常の非常にケチなプレイヤーよりも賭ける意志が強いプレイヤーです。 |
| そして、私たちが主に学んだことは、プレイヤーが基本的な統計計算を理解し、それをゲームで使用できれば、ギャンブル障害が軽減される可能性があるということです。 |
| そして |
| 将来の研究は、実際には将来ではありませんが、今後行われるか、すでに行われている研究ですが、Python を使用してより信頼性の高いデータを取得する予定です。これが Arhan のプレゼンテーションで紹介される内容です。ご視聴ありがとうございました。 |
| アーハン・スラパネニ | 毎年何百万人もの人々がカジノの首都ラスベガスを訪れ、パーティーや贅沢を楽しみますが、 |
| 最も重要なのは、ギャンブルです。 |
| ギャンブルは、勝利という偽りの成功報酬を生み出しますが、それでも経済的、社会的闘争という暗い落とし穴が潜んでいます。 |
| 私たちの世代は、急速に技術の進歩が標準となり、コンピュータ プログラミング言語が現代世界で成功するために必要な科目となり、近代化しています。 |
| 最新のコンピュータプログラミングツールと???を活用することで、この心理的問題をより深く調査し、解決に役立つツールを分析することができます。 |
| これは、著者の Siddhant Karmali、Mason Chen、Saloni Patel と、顧問の Charles ??? 博士と ??? 博士の尊敬すべき協力を得て行われました。 |
| 前述のように、毎年何百万人もの人々がカジノを訪れ、大きな人口に影響を与えています。 |
| このような大規模なサンプル サイズに影響する問題の場合、最も重要な質問の 1 つは、ギャンブルの問題に対する解決策をどのように表現するか、また、これをどのように効率的に行うかということです。 |
| シッダントのプレゼンテーションを通して、私たちは独自の方法について多くを学びました |
| ギャンブルを説明するのに役立つと同時に、ギャンブルに関する経済的な誤解を示し、良い結果を得るためにゲームの運に頼るのではなく、冷静かつ慎重であることが最良の結果をもたらすことを証明しています。 |
| これらはすべて Java で実行されました。ただし、この方法では 92 回の実行だけで 30 時間かかります。これは効果的ではなく、使用できません。ただし、Python を使用すると、この時間が数秒に短縮され、全体的な方法にメリットをもたらすより高度な複雑さも実現できます。 |
| 要約すると、この方法では 6 人のプレイヤー モデルが必要で、各プレイヤーは AKQJ の 16 パックから 2 枚のカードを受け取ります。 |
| カードのうち 1 枚は隠されており、テーブルには 4 枚のカードが置かれています。各プレイヤーには信頼度レベルがあり、それに応じてフォールドするかプレイを続けるかが決まります。 |
| プレイを続けると 3 ポイントを失い、フォールドすると 1 ポイントしか失いません。これは、盲目的にギャンブルをするプレイヤーから慎重な戦略家まで、さまざまなプレイヤーをモデル化するために行われます。 |
| 通常、大規模な実験を実施する場合、生成されるデータが使用可能になるように適切な量のテストを実行するのは非常に面倒で時間がかかります。 |
| 効率的な代替手段は、コンピュータ プログラミングを使用することです。より具体的には、数値結果を含むランダム サンプリングの繰り返しに依存する計算アルゴリズムの広範なクラスとして定義されるモンテ カルロ シミュレーションでコンピュータ言語 Python を使用します。 |
| この図で適用されている Java プログラムは非常に非効率的です。ランダムに 2 つのサンプルのみが許可され、特定のシーケンスを個別に抽出するプロセスは困難です。 |
| より大きなデータセットを導き出そうとする場合、これを変更することが重要です。言語間の一般的な違いを分析すると、 |
| Java はコンパイル言語で静的に型付けされ、Python はインタープリタ言語で動的に型付けされることを識別することが重要です。この 1 つの違いにより、Java は実行時に高速化され、デバッグが容易になります。 |
| しかし、Python は使いやすく、読みやすいです。 |
| Python は、エレガントな構文を持つインタープリタ言語でもあり、多くの分野でスクリプト作成や迅速なアプリケーション開発に非常に適しています。これは次の方法で適用されます。 |
| 注目すべき点の1つは、新しいランダマイザーです。これは、52枚のカードセット全体、AKQJ 16カードに適用されます。 |
| このモデルにより、特にモンテカルロシミュレーションを使用する場合、統計的な???レンダリングの精度が向上します。 |
| Python でキャラクターに追加できる 1 つの有益な側面。Siddhant が説明したように、賭け金を使用できるようになりました。 |
| ランダム化された 2 枚のカードに手動で異なる信頼レベルを適用する代わりに、モンテ カルロを使用して、後で表示される賭け金を追加または削除する機能に関する特定のパーセントしきい値に基づいてさまざまな選択を行うことができます。 |
| まず、デッキについて話すことが重要です。ここでは、シャッフル機能を備えた16枚のカードの配列が示されています。これにより、カードがランダム化され、 |
| Java プログラムで見られる初期関数に似ています。 |
| これにより、異なるプレイヤーの合計 16 枚のカードから 2 枚のカードが引き出されます。これを念頭に置くと、元の包括的な方法と最悪のケースの方法の両方に広範な応用があり、後で説明して開発します。 |
| ??? 同じデッキを使用すると、変更を追加したり、物事を移動したりして、最終目標に役立つ最悪のケースメソッドの計算方法に影響を与えることができます。 |
| 以前のJAVAメソッドでは、同じ柔軟性はありませんでした。最悪のケースメソッドに対するPython固有の変更には、特定のelif/ifが含まれます。 |
| ステートメントが変更され、最悪のカードを持つプレイヤーが負けとして示され、Siddanth によってカバーされた式が変更されました。これは、より効率的に実行できるため重要です... |
| データ収集の効率が向上し、ランダマイザーの出力がより正確になる可能性があります。これらの個別のカードに特定の名前を追加することもできます。これは、それ自体がもう 1 つの便利なアプリケーションです。 |
| この簡略化されたモンテカルロシミュレーションは、シナリオに基づいて新しい賭けを追加できるため、より複雑なものになります。 |
| Siddanth が説明した複数の賭けラウンド。現在の賭け金を変更することでキャラクターを変更できます。これは、プレーヤーが賭けラウンドに留まるか離れるかに影響します。これが Java メソッドとの重要な違いです。 |
| このプログラムの概念は、最終的に資金に値を返す変数と、初期賭け金引数への賭け金を設定することに関係しています。 |
| 現在の賭け金をゼロに送り、現在の賭け金が count と等しくなるまで条件を継続的に実行する while ループを設定します。 |
| そして、成功した結果が得られたセットごとに、賭け金に応じて値を増やします。 |
| 特定の賭け金で速度を落とすように指示するコマンドを私たちまたはキャラクターに追加すると、賭け金のしきい値を設定する簡単な方法が得られます。 |
| また、同じフォームを編集して、フルハウスなどの特定のシーケンスを受け入れ、そのシーケンスが存在する場合にのみ賭けを許可するようにすることもできます。これらのしきい値により、上記のリスク管理レベルが作成されます。 |
| ??? で確率をプロットできます。ここで、更新された現在の賭け金のそれぞれを X 値の配列に追加し、更新された各値を Y 値の配列に追加して、PLT(?) の両方をプロットして X 値と y 値をプロットします。 |
| より良い関数の重要な構成要素は、if文の条件if...であり、これは成功の結果に対応する。これはどんなものにも適応できる。 |
| 一般的なシナリオと最悪のシナリオを含む、必要な結果。 |
| 2 文字と複数文字の比較を適用すると、データが適切に比較されるようにする重要なステートメントを追加できます。 |
| Python を使用すると、2 組のペアのようなドローを確実に作成したり、高い値の代わりに低い値のプレイヤーを除外してゲームから強制的に排除したりできます。これにより、元の Java プログラムを使用するよりも、新しい Python プログラムでより効率的に作業できます。 |
| 従来は 30 時間かかっていた作業が、今では数秒で完了します。 |
| このプログラムを適用した後、新しい結果と元のJavaの結果との相関テストを実行できます。一般的な方法と最悪の場合の両方の赤い線を見ると、 |
| これらは 1 に非常に近く、強い相関関係があることを示しています。 |
| これは、より高い R 二乗値とも対になっています。また、1 つの比率の仮説検定も実行し、両方の方法で帰無仮説を棄却できなかったことが示されています。 |
| この値は高いですが、1 に近いわけではありません。これはコンピュータ プログラミングなので、ほぼ同一であると予想される値です。 |
| これには主に 2 つの理由があります。1 つ目はサンプル サイズです。92 は多いように思えますが、強い数字ではありません。予想されるほど強い傾向ではありません。 |
| これを修正するには、サンプル サイズを 1,000 または 10,000 に増やすことができます。もう 1 つの理由は、Python の適用です。前述のように、Python は静的言語ではなく、より包括的な言語です。これにより効果が変わる可能性がありますが、基本的には同じままです。 |
| ここで、最終的にプログラムが適用され、その結果が示されています。このプログラムでは、各プレイヤーが何をプレイするか、各プレイヤーがカードでどのカードを引くかがわかります... |
| どのカードが公開され、どのカードが隠されるか、テーブル上にどのカードがあるか、プレイヤーが獲得または失うチップの数、そして最後に誰が勝つか、どのように勝つか。下の図では、プレイヤー 1 がフルハウスで勝利しているのがわかります。 |
| 複数の文字を1台のコンピュータと1つの関数で実行し、適用しながらさまざまなシーケンスを記述する機能 |
| プレイヤーの数が異なり、結果が異なる確率も示され、さらに、シッダントが取り上げた通常のポーカー ゲームでの複数のベッティング ランも追加されます。 |
| これは、世界中の人々がこのプログラムと方法を使用できるようになるため、さらなる開発にとって不可欠です。 |
| ギャンブル依存症者への治療として活用できる学習ツールとしてのアイデアを開発する。 |
| さらにもう 1 つの開発では、ニューラル ネットワーク (AI) の側面を活用し、ブラフなどの機能を追加することでこのプログラムをより詳細にし、カジノで見られる実際のゲームに近づけるのに十分な機能を追加しました。 |
| 最後に、Pythonを使用することで、精度だけでなく、はるかに高い効率も得られることがわかりました。これは、慎重であることが、 |
| より多くのお金とより多くの勝利をもたらし、元々何時間もかかっていたプログラムをわずか数秒に変えます。 |
| 次回ラスベガスに行くときや、友達とゲームに参加するときは、このプロジェクトを思い出し、より慎重になり、決断にもう少し時間をかけることが、長期的には役立つことを覚えておいてください。 |
| ありがとう。 |
