この画面は何を見せるのか
作問の解空間は小さい（カード 6 枚なら 6×5×4 = 120 通り）。だから 制約の意味を考えずに片端から試すだけでも解ける。 では、制約を手がかりにしているように見えない試行錯誤（ゲーミング解法）は、 どんな探索アルゴリズムとして書けるのか。 提出された並びの列を、自由パラメータを持つ 7 つの生成モデルで説明し AIC で比べる。 すべてのモデルに「同じ並びをもう一度出す確率 ρ」と「解空間から一様に跳ぶ確率 ε」を持たせてある （実ログでは提出の 22% が再提出であり、これを表現できないと比較が雑音の当てはめ競争になるため）。
課題別に見る
モデルのパラメータは全データで推定した値に固定し，選択課題への適合だけを比較する。
モデル適合と試行の分類
| ID | モデル | AIC | 最良との差 | 最良試行数 | 割合 |
|---|
分類に使っていない観測量
| 群 | 件数 | 到達率 | 初回充足数 | 1回あたり秒 |
|---|
学年別の探索型割合
1. モデル比較（全データ共通の最尤推定）
| ID | モデル | 自由度 | 推定値 | AIC | 最良との差 |
|---|
2. 試行ごとの最良モデル
| ID | モデル | 種別 | 件数 | 割合 |
|---|
分類に使っていない観測量による確認
| 群 | 件数 | 到達率 | 初回充足数 | 1回あたり秒 | 平均学年 |
|---|
3. 戦略は切り替わるか（隠れマルコフモデル）
学年別の内訳
| 学年 | 試行数 | 探索モデルの割合 | 内訳（上位 3） |
|---|
学習者の型（課題をまたいだ戦略の一貫性）
| 型 | 人数 | 平均学年 | 試行内の切替率 | 主戦略 |
|---|