— “誤差が大ざっぱ過ぎず、かといって集めきれないほど大きくもない”ラインを数値。
| 許容誤差 (±) | 必要サンプル数 n*<br>(母集団 8,000, 95 %信頼) | コメント |
|---|---|---|
| 8 % | ≈150 人 | ざっくり傾向をつかむレベル。“まあ当たらずとも遠からず”と言える境界線。 |
| 7 % | ≈190 人 | “まぁまぁ妥当” と胸を張れる水準。ピッチでも説得力があり、現場で意思決定に使いやすい。 |
| 6 % | ≈260 人 | 精度重視フェーズ。リソースと相談。 |
| 5 % | ≈370 人 | 本格運用・論文レベルの標準精度。 |
母集団 N＝8,000 人（学部生全体）
代表性をどこまで求めるかで必要サンプルは変わる。
| 許容誤差 e (±) | 信頼水準 95 %（Z＝1.96, p＝0.5）での標本数 n<br>（有限母集団補正後） | メモ |
|---|---|---|
| 10 % | 約95 人 | MVP の“最小代表性”なら十分 |
| 7 % | 約190 人 | 中精度 |
| 5 % | 約367 人 | 本格運用フェーズで目標 |
| フェーズ | 到達目標 | 根拠 |
|---|---|---|
| 今回のMVP | 学生10〜15人の“生声”をAIに注入し、企業側は「Z世代らしいフィードバックが返る」を確認 | 代表性よりも体験価値の実証が優先。サンプルは質的インタビュー＋簡易アンケートで収集 |
| 次フェーズ（1〜3か月） | 100人規模（誤差10 %）へ拡大 | 無料モニター施策・学内サークル連携で実現可能 |
| 正式版 | 350人超（誤差5 %）＋ 継続学習 | 契約企業からの収益を活用しリサーチ委託 |
| Day | 主要タスク |
|---|---|
| 1日目 午後 | - インタビュー質問設計 |
| - 学内・友人ネットワークで10名リクルート-についてのヒアリング＋回収 | |
| 1日目 夜 | - 回答を整理- プロンプト＋データベース構築 |
| 2日目 午前 | - 地元企業の求人票を1件取得- α版チャットUI |
| 2日目 午後 | - デモシナリオ動作確認- KPI 仮設定（共感度スコア等） |
| 2日目 夜 | - ピッチスライド仕上げ（課題→解決→MVP結果）- リハーサル＆Q&A想定 |
| 仮説 | 検証方法 |
|---|---|
| H1：AI出力が「Z世代っぽい」と学生本人が感じる | 学生10人に★1-5で評価 |
| H2：企業担当者は「改善ヒントが得られた」と感じる | 企業1社の定性フィードバック |
| H3：返答は従来比コスト/時間を大幅短縮 | 従来手法（OB訪問）と比較テーブル |