本命5人は​12,739人の​中で​何位か​ — ヴァン・ドルストの​サトシ文体計量、​再分析

バス・ヴァン・ドルストが2024年4月に公開したオープンソース・スタイロメトリー（計量文体論）コーパス『Where is Satoshi?』は、サトシ・ナカモトが誰かという問題について、数値のデータを大量に公開したものである。メーリングリストに書いた75,000人あまり、Redditにコメントした70,000人あまりの750万件を超えるコメントを扱い、書き手ごとのバローズ・デルタとジャッカード類似度の値をすべて、280 MBのCSVとXLSXで公開している。著者は、候補の順位を公表することを断っている。理由として、方法の限界と、自分にも確信がないことの両方を挙げている：「怪しいと見ている候補の短いリストはある。だが100% 確信できないので、ここで名前を出すつもりはない。」

名前を出さないことは、作り手の判断として筋が通っている。しかしこのサイトの読者には、データで確かめられる疑問が残ったままになる。サトシの正体としてよく名前の挙がる候補は、この75,000人のコーパスの中で、実際にどのあたりにいるのか。そしてその位置から、候補を名指しする文体計量の研究（Skye Grey 2013、アストン2014、カフィエロ／キャリールー2026）について何が言えるのか。ヴァン・ドルストのやり方は、これらの研究とは正反対である。この疑問には、ヴァン・ドルストが公開したデータから関係する行を取り出し、名指しされた候補それぞれのコーパスの中での順位を計算して答える。

1 方法

1.1 ソースデータ

集計済みXLSXファイル（output/comparison.xlsx、43 MB）をプロジェクトのGitHubリポジトリから取得した。このファイルは76,407行 × 76列で、1行が書き手と出典の1組にあたる。たとえばweidai_eskimo_com.txtはcypherpunks-cpunks1、cryptography、testlist-cpunksなど出典別に複数行存在する。ファイル名の書き換え：ヴァン・ドルストは、メールアドレスの @ と . を _ に置き換えて、ファイル名にしている（例：weidai@eskimo.com → weidai_eskimo_com.txt）。76列には、サトシとのバローズ・デルタ（10列目）、サトシとのジャッカード類似度（11列目）、行ごとのチャンク数（2列目）のほか、文章から計算したさまざまな特徴（n-gramの一致数、読みやすさの指標、句読点の使い方、代名詞の頻度、語の長さの分布、ハイフンの使い方、英国式と米国式の綴りの数など）が入っている。

1.2 候補の同定

各名指し候補のメーリングリストアドレスをRijlabels（ファイル名）列に対する部分文字列検索で特定した。わかったこと：

5名のうち2名が複数のメールアドレスで出現しており、ヴァン・ドルストのREADME自身が指摘している、一人が複数のアドレスを使う問題（「一部の著者は複数の名前・メールアドレスで活動していた」）が、実際に表れた例である。

1.3 集計と順位付け

各（候補・メールアドレス）の組み合わせについて、出典のメーリングリストすべてから当てはまる行を集め、文章の区切り（チャンク）の数で重みを付けてまとめ、著者ごとに代表的なバローズ・デルタ値を1つ算出した。コーパスは執筆量10チャンク以上の著者に絞り込んだ。書いた量がこれより少ないと、バローズ・デルタの値はばらつきが大きくなり、統計として当てにならない。READMEも、集計のしかたについて注意を書いている（「外れ値：集計時には平均ではなく中央値・標準偏差を使用」「最終チャンク：合計を集計する場合は除外」）。絞り込み後のコーパスは12,739名の著者を含む。このうち3つはサトシ自身の参照用のファイルで、どの名指し候補よりもデルタが大きい（サトシから遠い）ため、外しても候補の順位は変わらない。各名指し候補のチャンク数加重バローズ・デルタをこの12,739名分布に対して順位付けした。

2 候補別所見

2.1 主要結果表

バローズ・デルタ：低いほどサトシの参照プロファイルに近い一致。コーパス平均 = 0.14435、標準偏差 = 0.00016、範囲 = 0.14228〜0.14605。

2.2 表からわかること

5名の名指し候補すべてが12,739人コーパスの上位25% 以内、5名中4名が上位10% 以内に位置する。つまり、名指しされた候補たちは、文体の上でも意味のある集まりである。この人たちの文章は、サイファーパンクの時代のメーリングリストの平均的な書き手より、サトシの文章に近い。5候補のバローズ・デルタ値は0.14405（サボ）から0.14428（ウェイ・ダイ／サッサマン）の範囲にあり、差は0.00023で、コーパス分布のおよそ1.4標準偏差に相当する。

2.3 候補を名指しした文体計量の研究との関係

ニック・サボが上位4.67% で名指し集団の首位となっており、これはSkye Greyの2013年12月LikeInAMirror調査および2014年4月のアストン大学「Project Bitcoin」研究の結論と整合する。どちらも、サトシに一番近い人としてサボを名指しした。ハル・フィニー（6.89%）とアダム・バック（7.87%）が僅差で続く。ハル・フィニーがアダム・バックに本集計で近接している事実は、フロリアン・カフィエロが2026年キャリールーNYT調査のために実施した12候補レビューで述べた「ほぼ同点」という留保と整合する。同調査はアダム・バックを首位候補と名指したが、結果を不確定と評していた。

この分析で、名指しされた候補を比べた研究が、ただのばらつきを拾っていたのではないことが確かめられた。同じ5人は、ヴァン・ドルストの広い公開データから絞り込んだ12,739人と比べても、文体の上でサトシに近い。また、候補を名指しした研究4件のうち3件が、実はそろってサボを一番近い候補にしていることもわかった。該当するのはSkye Grey 2013（名指し）、アストン2014（名指し）、本再分析（5名中サボが首位）の3件である。アダム・バックを名指したのはカフィエロ／キャリールー2026のみであり、カフィエロ自身がその結果を「不確定」と評している（ハル・フィニーがほぼ同点）。候補どうしの差は小さく、この指標だけで首位をはっきり決めることはできない。それでもデータは、公表された結論を見出しだけで並べたとき（「サボ／サボ／名指しなし／アダム・バック」）に受ける印象より、ずっとサボのほうに集まっている。

4件の調査を年表で示す：

文体計量でサトシを見分けようとした研究

3 コーパスの最上位は、手がかりではなく雑音

名指し候補の文体計量研究のいずれにも現れない所見がある。候補プールを事前選別された小さな部分集合ではなく、ヴァン・ドルストの公開データ全体（本再分析では >=10チャンク絞込後の12,739名、出典コーパスは75,000人以上のメーリングリスト書き手）として扱ったときにだけ見えてくる：

まとめたバローズ・デルタでサトシに一番近い20人は、文体が「一致した」人などではまったくなく、コーパスの雑音である。

上位20名には以下が含まれる：

• イタリアとスペインの通販や公共サービスのアカウントの文章：verba_rol_it、info_giganetstore_com、apoio_giganetstore_com、gianluigi_euro_net。距離の値が小さく出るのは、これらのアカウントがサトシの参照プロファイルと共通する単語をほとんど持たないために、指標がゆがむからで、本物の文体の一致によるものではない。
• 匿名リメーラー出力：an250888_anon_penet_fi、cypherpunks_alqaeda_net、nobody_squirrel_owl_de、anonremailer_utopia_hacktic_nl、anonymous_freezone_remailer。一人の書き手とされているのは形の上だけで、これらの行には、同じリメーラーを通して送った多くの人の投稿が混ざっている。
• 無料メールやハンドルだけのアカウント：dxnew2001_yahoo_com、pro2rat_yahoo_com_au、ramonbitcoin。無料メールのアドレスかハンドルしか分からず、サトシをめぐる議論の誰ともつながりがない。書いた量が少ないわけではなく、pro2rat_yahoo_com_auはおよそ6万語と、サボと同じくらい書いている。
• 雑多な無名の書き手：skaplin_c2_org、p_txt_toad_com、199604290755_jaa15922_utopia_hacktic_nl、hahn_lds_loral_com、sion_cs_sunysb_edu、kevin_gaec_com、insightonthenews_broadbandpublisher_com、oa_acm_org。サトシは誰かという議論に一度も名前が出たことがなく、ビットコインのホワイトペーパーを書いたとは考えようのない書き手たちである。

上位20名、そして上位数百名のなかにも、名指しのサトシ候補は誰一人いない。名指し候補が現れるのは順位595（サボ）からである。

ここから、方法についての大事な点が見えてくる。バローズ・デルタ指標は、本コーパスに対して追加の絞り込みなしに適用すると、上位の順位がまったく当てにならない。絞り込まずに比べたときの「首位」を占めるのは、コーパスの作りから生じたもの（リメーラーが転送した文章、言葉の違う通販サイトの文章、持ち主のわからないアカウント）で、本当にサトシと書き方が似ている人ではない。少ない人数で比べた研究（Skye Grey、アストン、カフィエロ）は、話題をもとに選んだ候補だけに前もって絞ることで、この問題を避けているにすぎない。そしてその絞り込みが、同じ話題を書く人どうしは文章が似るので結果がゆがむ、という別の問題を持ち込む。デイヴィッド・ジェラード、カフィエロ、そのほかの批評家が指摘してきた問題である。

4 ヴァン・ドルストの「100% 確信できない」という断りを考える

一番近い候補の名を挙げないことについて、ヴァン・ドルストは公の場でこう述べている：「怪しいと見ている候補の短いリストはある。だが100% 確信できないので、ここで名前を出すつもりはない。」この発言は少なくとも5通りに読める。5つは両立するもので、データを見ると、5つとも同時に当てはまっている。

4.1 指標がばらつきに弱いこと

バローズ・デルタだけで並べると、通販のアカウントとリメーラーが、名指しされたどの候補よりも上に来る。本コーパスでこの指標から算出される「勝者」は、追加の絞り込み（主題、時代、著者帰属の精度）を施さない限り信頼できない。候補を名指しした研究（Skye Grey、アストン、カフィエロ）は、まさにこの絞り込みをしている。そして、結果が食い違って争いになるのは、その絞り込みのせいである。絞り込み方が違えば、首位も違ってくる。

4.2 著者帰属の精度

README自身が、誰が書いたかを決めるうえでの、仕組みの上の問題を二つ挙げている。

1. 「一部の著者は複数の名前・メールアドレス・リメーラーサービスで活動していた（匿名投稿のため）。」本抽出ではアダム・バックがaba_dcs_ex_ac_uk.txt（上位8.57%）とadam_cypherspace_org.txt（上位7.87%）の両方で出現する。バックについては2つの行が見つかっているが、同じ人である可能性が高い。ほかの書き手については、名指しの一覧に入っていない候補になりうる人も含めて、一人が別の名前で現れている例が、見えないところにどれだけあるかはわからない。
2. 「テキストが完全にその著者のものである保証はない」（メールスレッドの返信抽出）。過去の返信からの引用テキストを明確に分離するのは難しい。著者Xに帰属されたチャンクには、Xが返信している過去のメッセージで著者Yが書いた言い回しが含まれる可能性がある。

どちらの問題があっても、書き手ごとの距離の値は、まとめる途中で情報が失われる。しかも、どちらにずれたかを、この方法では直せない。

4.3 話題の言葉の重なりが、一人一人の書き方の違いを覆い隠す

名指し候補は互いにおよそ1.4標準偏差以内（0.14405〜0.14428）に固まって並ぶ。フロリアン・カフィエロが、少ない人数で比べて得たのと同じ結果である。カフィエロは12人の候補を比べて、アダム・バックとハル・フィニーを「ほぼ同点」とし、キャリールーが頼んだこのレビューは、結果を「決め手にならない」と表した。1990年代英語で暗号学について書いた書き手同士は、語彙・文構造・参照枠を十分に共有しているため、指標は彼らを頑健に分離できない。指標が測っているのは、一人一人の書き手の文体ではなく、サイファーパンク、暗号学、1990年代のその議論の場に共通する言葉づかいである。

4.4 書いた量でデルタが変わること

デルタは、どれだけ書いたかによっても変わる。書いた量で帯に分けると、多く書いた人ほど、平均してデルタが小さく、つまりサトシに近いと出る。サボの順位は595位である。表の最後の列は、それぞれの帯で、サボと同じかそれより上の順位に入った人の数である。

最も多く書いた44人では、半数を超える25人が595位以内に入り、最も少ない帯ではおよそ50人に1人にとどまる。名指し候補5人のうち2人は、最も多く書いた人たちの中にいる。ハル・フィニーは1,336チャンク、アダム・バックは二つのアドレスで1,474チャンクと676チャンクを書いた。二人の順位がよいのは、書き方のせいだけでなく、書いた量が多いせいでもあるのかもしれない。サボ（130チャンク）、ウェイ・ダイ（161）、サッサマン（65）は、この二人よりずっと少ない量しか書いていないので、サボの順位が二人よりよいことは、量では説明できない。3節の上位20人の雑音のアカウントも、書いた量が少ないから上に来たのではない。上位20人が書いた量の中央値は28.5チャンクで、全体の中央値の20チャンクより多い。

4.5 これらが重なる

5つの問題は、一つずつ足されるのではなく、互いに強め合う。

• 絞り込みなしの順位の最上位にノイズを浮上させる指標。
• コーパスの中で、一人が別の名前に分かれていたり、匿名にされていたりして、誰が書いたかがはっきりしないこと。
• 個人スタイルの差を洗い流す主題重複。
• 書いた量で変わり、多く書いた人ほどサトシに近いと出る指標。
• 名指しされた候補を、雑音の書き手からはっきり分けられず（サボより近い名もない書き手が594人いる）、候補どうしでもはっきり分けられない（およそ1.4σ の幅に固まっている）コーパスであること。

どの問題も、一つだけなら文体計量による書き手の特定を台無しにはしないが、重なると、自信を持って首位の候補を名指しするのは無責任になる。だから、ヴァン・ドルストが公の説明で候補の名前を出さなかったのは、データに正直な態度である。分析がうまくいかなかったのではなく、データから素直に出てくる結論なのである。

5 チャンク数加重順位が示すこと、示さないこと

示すこと：

• サトシの正体として名指しされてきた候補は、文体の上でも意味のある集まりである。5名全員が「メーリングリスト活動量10チャンク以上の著者」12,739名のうち上位1/4以内、4名が上位10% 以内。
• ニック・サボがこの大規模コーパスでのバローズ・デルタにおいて名指し候補内首位（上位4.67%）となっており、これはSkye Grey 2013とアストン2014の結論と整合する。
• 名指し候補の相対順位（サボ ＞ ハル・フィニー ＞ アダム・バック ＞ ウェイ・ダイ ≈ サッサマン）の差は十分に小さく（首位から最下位までおよそ1.4標準偏差）、いずれの候補も他から明確に分離できない。
• 首位を名指した小規模プール研究（Skye Greyでサボ、アストンでサボ、カフィエロ／キャリールーでアダム・バック）は、この大きな分布の上位の中から選んでいるのであって、飛び抜けた人を見つけたわけではない。研究どうしで結論が食い違うのは、上位の中からどう選び出すかが違うからである。

示さないこと：

• 名指しされた候補のどれかが、サトシの文章を書いた人だということ。明らかな雑音の書き手を外したあとでも、バローズ・デルタでサボよりサトシに近い名もない書き手が594人いる。このコーパスを使った文体計量では、書き手が誰かについて、そこまでしか言えないのである。
• 名指し候補の順位が、4.4節の書いた量の影響を受けていないこと。ハル・フィニーとアダム・バックは、コーパスで最も多く書いた人たちの中にいる。書いた量を補正して並べ直せば、二人の順位は下がるかもしれない。
• ヴァン・ドルストが公表しない手元の候補の短いリストに、名もない人ではなく、名指しされてきた候補が並んでいること。データは、そのどちらとも食い違わない。
• 別の指標（ジャッカード類似度、ハイフンの使い方の照合、キャリールーが重く見た、文のあとの二つの空白など）を使っても、名指しされた候補の順位が入れ替わらないこと。文体計量で書き手を決める結果は、使う方法によって変わり、この集計したバローズ・デルタの順位では、その違いを決着させられない。

6 本再分析の限界

• 本再分析は、ヴァン・ドルストの行ごとのデータを、一つの決まったやり方でまとめている（すべての出典をまたいでチャンク数で重みを付けた平均を取り、チャンク数10以上の書き手に絞る）。ほかのまとめ方（中央値、出典ごとに分ける、チャンクの質で重みを付ける）をすれば、順位は少し変わる。数字の結果は大きくはぶれないが、ただ一つに決まるものではない。
• メールアドレスの部分文字列照合による著者特定は、公の名前を含まないハンドルで参加していた書き手を見落とす可能性がある。例えば、サトシ自身（あるいはいずれかの候補）が1992〜2000年のサイファーパンクメーリングリストに記録されていない仮名で参加していた場合、その活動はここに捕捉されない。
• 名指し候補のリストは、引用された文体計量研究で繰り返し現れる同じ5名である。広く議論される他のサトシ正体候補（ドリアン・ナカモト、クレイグ・ライト、ポール・ルルー、ピーター・トッド、金子勇）はここで分析していない。その多くは、ヴァン・ドルストのメーリングリストコーパスが対象とする1992〜2000年の暗号学メーリングリスト共同体で活動していなかった。ルルーは一部当てはまらない。エヴァン・ラトリフは、ルルーが1999年にディスク暗号化ソフトE4Mを暗号学メーリングリストで発表したと書いている。トッドについては、ここで分析できないために、ピーター・トッドの説のエントリーで指摘したのと同じ穴が残る。トッドを候補とする説は、まだ一度も、文体計量のコーパスで数を使って確かめられていない。
• 報告されたバローズ・デルタ値は、当該著者が出現したすべての出典にわたる集計である。出典層別分析（例：アダム・バックのcryptographyメーリングリストのみでの距離vs. cypherpunks-cpunks1のみでの距離）をすれば、ここで平均してならされてしまった違いが、さらに見えてくるはずである。

文体計量でサトシを見分ける手法を論じたものとしては、関係する正体説のエントリーを参照。ニック・サボ、アダム・バック、レン・サッサマン、正体仮説の概観。

本再分析の候補別所見は、ウェイ・ダイ同定仮説、ハル・フィニー同定仮説、同定非対称性分析で、さらにくわしく扱っている。

イタリアの通販のアカウントを、人間のどの候補よりサトシに近いとする手法を見て、私は、その手法がどこまでしか言えないかを知った。10年間語られてきた5つの名前は、どれも、雑音とは言い切れない、手法がまだ意味を持つ範囲に入っているが、互いに寄り集まっていて、そのあいだにほとんど差はない。