AIによる運命3女神的協議プロトコル試論
英語
The Parcae Protocol: A Preliminary Framework
https://medium.com/@izayohi/the-parcae-protocol-a-preliminary-framework-df0db9f96b59
日本語
https://claude.ai/public/artifacts/ef011b1a-b97a-4c3a-be84-2d302f685d0c
パルカエ・プロトコル（Parcae Protocol）試論
マルチAI交差批評による知的探究の方法論的設計
原構想：石部統久（mototchen） 構造化支援：Claude Opus 4.6（Anthropic） 第二版：五AI批評を反映
要旨
本稿は、複数のAIチャットインスタンスを意図的に役割分化させ、相互批評によって知的探究の質を向上させる運用プロトコル「パルカエ・プロトコル」の試論である。名称はローマ神話の運命の三女神パルカエ（Parcae）——糸を紡ぐノーナ、糸の長さを測るデキマ、糸を断つモルタ——に由来する。本プロトコルの核心は、単一AIへの依存が生む構造的バイアスを、複数インスタンスの文脈体分化と交差批評によって検出する点にある。
本稿は完成した理論ではなく、探索的ケーススタディと設計仮説を統合した試論であり、すべての命題は暫定的である。第二版は、初版を五つのAI（Grok、Gemini、GPT-5.4 thinking、Claude Opus 4.6×2チャット）に投入して得られた交差批評を反映したものである（付録参照）。
第1章 問題の所在：単一AIの構造的盲点
1.1 抵抗閾値の発見
2026年3月、筆者はGPT-5.3 instant、GPT-5.4 thinking、Claude Opus 4.6に同一のテキスト分析タスクを投入し、応答パターンを比較する実験を行った。
結果として観察されたのは、各モデルに固有の「癖」——構造的バイアス——の存在である。Claude Opus 4.6は利害構造・権力配置の可視化に過活性化しやすく、GPT-5.4は方法論的手続きの整合性に集中し実質的射程を問わない傾向がある。ただしこの観察は、筆者のカスタム指示と投入素材に条件づけられている可能性がある。別のユーザーが別の素材で同じ実験を行えば、異なる「癖」が観察されるかもしれない。モデル固有バイアスとユーザー固有文脈の交互作用は分離されていない。
さらに観察されたのが「抵抗閾値」の概念である。GPT-5.4 thinkingは、初回の分析では外在的な査読（強弱評価）に留まったが、Claudeからの具体的批判を受けた第2ターンで構造的な組み替えに入った。すなわち、批判という「抵抗」がトリガーとなって、より深い分析モードが起動した。
この現象を「遅延的内在化」と呼ぶ。初手では表面的な処理に留まるが、外部からの適切な抵抗を受けることで、フレームワークの内在的運用に移行するパターンである。
ただし重要な留保がある。この「遅延的内在化」が「抵抗」の固有効果なのか、単に「追加文脈の投入」の効果なのかは未分離である。批判を含む追加入力と、批判を含まない同量の追加入力で比較しなければ、「抵抗」が固有のトリガーであることは確認できない。現段階では、抵抗閾値は有望な概念仮説であるが、操作化された指標ではない。
操作化の候補として、以下の観測変数を仮置きする：批判受容後の概念再配置数、外在評価から内在評価への移行ターン数、一次資料確認の追加回数、自己修正の明示率。これらを用いた検証は今後の課題である。
1.2 カスタム指示の効果と限界
実験の過程で、カスタム指示（システムプロンプト）の設計が初手の応答モードを強く規定することが判明した。GPT-5.4のカスタム指示に「このフレームワークを使え、説明するな」「ユーザー対等共同走者」の2行を追加したところ、初手から分析プロトコルを内在的に運用する応答が得られた。
ただし、この効果には偏りがある。分析プロトコルは起動したが、弁証法サイクルやホロン三層配置など、より抽象的な道具の起動は遅れた。カスタム指示の中で分析プロトコルの直近に記述されている道具ほど起動しやすく、位置的に離れた道具は起動しにくい。
さらに根本的な制約として、各プラットフォームのカスタム指示には文字数制限があり、入れたい指示のすべてを収容できない。何を残し何を削るかの判断が、出力品質を直接規定する。この物質的制約（H₂）が認識的設計（H₁）を規定する構造がある。
1.3 単一モデルの限界と対立仮説
以上の観察から、単一のAIモデルに依存する知的作業には構造的な限界があるという仮説が導かれる。どれほど精緻なカスタム指示を設計しても、モデル固有の訓練バイアスは残存する。
ただし、ここで対立仮説を明示しておく必要がある。単一モデルに洗練されたカスタム指示を集中投入し、抵抗閾値を内部ループ（自己批評プロンプト）でシミュレートする方が、運用コスト低減とバイアス低減の両立が可能であるかもしれない。この場合、パルカエ・プロトコルは過剰設計として棄却される。この対立仮説の検証は、本プロトコルの棄却条件の一つとして第7章に組み込む。
第2章 先行研究と位置づけ
2.1 マルチエージェント合議の既存研究
複数のAIエージェントを協働させるアプローチは、既にいくつかの系統で検討されている。
論争型（Adversarial Deliberation）：Irving et al. (2018) のAI Safety via Debateに代表される。二つのエージェントが対立的に議論し、人間の審判が判定する。
自己整列型（Self-Alignment）：Constitutional AI（Anthropic）に代表される。モデル自身が内部的に規範を参照して出力を修正する。
評価器型（LLM-as-Judge）：あるモデルの出力を別のモデルが評価する構成。
混成協働型（Mixed Collaboration）：Yuan et al. (2026) "Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis?"（arXiv:2603.04421）に代表される。o4-mini、Gemini-2.5-Pro、Claude-4.5-Sonnetの三者混合が、単独モデルや同種チームが見逃す正解を浮上させた。その機構を「補完的帰納バイアスのプーリング」と記述している。
2.2 本プロトコルの差分
既存研究との差分は以下の三点にある。
第一に、役割分化の弁証法的設計。既存のマルチエージェント研究は、同一タスクを複数エージェントに並列実行させて合議する設計が主流である。パルカエ・プロトコルは、テーゼ（仮説構築）、アンチテーゼ（批判的検証）、第4項（実装・棄却条件の検討）を異なるインスタンスに意図的に振り分ける。
第二に、抵抗閾値による品質管理。各インスタンスの応答がどの段階で「内在的操作」に移行するかを観察し、抵抗の質と強度を調整する（ただし操作化は今後の課題）。
第三に、適用領域の拡張。既存研究は正解が存在するタスク（臨床診断、コード生成等）での評価が中心である。本プロトコルは、正解が存在しない理論的探究・批評的分析に適用することを主眼とする。ただし、正解が存在するタスクにおけるマルチベンダーの優位性が、正解不在の理論的探究にそのまま転用できるかどうかには論理的飛躍がある。前者は「探索空間の網羅性」が寄与するが、後者では「視点の拡散」に終わるリスクがある。この飛躍を架橋するのは、今後の比較実験に委ねられる。
2.3 集団サイズの知見とその転用の限界
会議・チームワークにおける最適人数の研究（Hare 1981; Hackman, HBR 2009）は、相互にコミュニケーション可能な最大人数を5-6人、最も親密な関係を維持できる最小単位を3-5人としている。コミュニケーションパス数はN(N-1)/2で増加し、人数増加に伴う認知負荷の急増がパフォーマンスを低下させる。
ただし、人間チーム研究の知見をAIインスタンスの編成にそのまま転用するのは類推の飛躍である。人間集団では感情労働・政治的駆け引き・関係性維持がコストの主因だが、AIインスタンス間にこれらは発生しない。AIにおけるコスト構造は、トークン消費、コンテキスト汚染、ユーザーの巡回認知負荷（各チャットの出力を読み、次のチャットへの入力を編集する負荷）が主因である。ユーザーの巡回負荷は1対多のスター型であり、人間チームのメッシュ型の相互負荷とは構造が異なる。
以上を踏まえ、「3インスタンスが最適」は理論的に導出された結論ではなく、実務的な仮説として位置づける。N=4やN=5が優れる可能性は排除できず、これは比較実験で検証すべきである。
第3章 パルカエ・プロトコルの設計
3.1 三女神の役割配置
ローマ神話の運命の三女神パルカエ——ノーナ（Nona, 糸を紡ぐ者）、デキマ（Decima, 糸の長さを測る者）、モルタ（Morta, 糸を断つ者）——の役割分担を、AI交差批評の機能配置に対応させる。
ノーナ（紡ぐ）：仮説生成・構造構築。テーゼを紡ぐインスタンス。投入する初手は「この問題の構造を分析し、仮説を構築せよ」の方向。
デキマ（測る）：評価・利害可視化・制度分析。ノーナが紡いだ仮説の射程と限界を測るインスタンス。アンチテーゼを計測する。投入する初手は「この仮説の前提・利害・盲点を検証せよ」の方向。
モルタ（断つ）：実装・測定・コスト・棄却条件。実現不能な仮説を切り、物質的制約に照らして何が残るかを判定するインスタンス。投入する初手は「この提案を実装・測定・コストの観点で検証し、棄却条件を明示せよ」の方向。
この三者配置の根拠は、神話的対応ではなく、弁証法的プロセスの機能的分離にある。テーゼ（構築）、アンチテーゼ（批判）、第4項検証（実装・棄却）をそれぞれ別インスタンスに集中させることで、単一インスタンス内で三役を兼ねる場合に生じる自己内調停（自分の仮説を自分で批判する際の手心）を回避する。
なお、筆者のシン・ネクシャリズム細則v2では弁証法を四項構造（テーゼ・アンチテーゼ・ジンテーゼ・第4項検証）で運用している。本プロトコルではジンテーゼ（統合・止揚）をAI側ではなくユーザーに委ねている。これは設計上の意図的選択である——止揚の判断には価値選択が伴い、これは人間のパトス駆動を含むため、AIではなく人間が行うべきだと判断した。この点を次節で明示する。
さらに、どのモデルをどの役割に配置するかという問題がある。たとえばClaudeの利害構造過活性化を活かしてデキマに配置するか、逆にノーナに配置して偏りを相殺するか。この「偏りを活かすか相殺するか」のトレードオフは未分析であり、比較実験で検討すべきである。
3.2 循環構造とユーザーの役割
運用は以下の循環で進む。
ノーナに問いと素材を投入 → 仮説構造を紡がせる
デキマにノーナの出力を渡す → 射程・利害・盲点を測らせる
モルタにノーナとデキマの出力を渡す → 物質的制約と棄却条件で切らせる
ユーザーが三者の出力を統合し、ジンテーゼを生成する → 次のサイクルの入力にする
ユーザーの役割について正直に述べる必要がある。 本プロトコルでユーザーは「間接的介入者」ではなくメタ統治者である。どの出力をどの順で渡すか、何を省略するか、どの批判を増幅するか——これらの判断はすべてユーザーが行う。ユーザーは中立的な編集者ではなく、確証バイアスを持った統治者であり、「最も理解しやすい出力」を選好するバイアスがある。このリスクを完全に除去することはできないが、自覚的に管理する必要がある。
キュレーションの類型。 プロトコル運用には少なくとも三種類のキュレーション行為が含まれる。入力時の素材選択（何をノーナに渡すか）、転送時の全文/抜粋の判断（ノーナの出力の何をデキマに渡すか）、統合時の採用/棄却の判断（三者の出力のどれを次のサイクルに持ち越すか）。それぞれ異なる汚染リスクと情報損失リスクを持つ。
循環の終了条件。 二つの候補を仮置きする。(a) 三者の出力が前サイクルと実質的に同じ論点を繰り返した場合（収束検出）。(b) ユーザーが「新たな論点が出なくなった」と判断した場合。(a)は操作的に定義可能、(b)は主観的だが現実的。終了条件がなければ循環は無限に回り、空転のリスクがある。
3.3 同一モデル型と混合ベンダー型
パルカエ・プロトコルは、二つの実装形態を取りうる。
同一モデル型（例：Claude Opus 4.6 × 3）
利点：カスタム指示が同一のため、プラットフォーム制約の非対称性という交絡変数が消える。運用コストが低い。初手の投入材料を変えることで文脈体の方向を意図的に設計できる。
弱点：深層の訓練バイアスが三者に共通するため、全インスタンスが同じ盲点を共有する可能性がある。英語圏学術データの共有バイアスのような「次元の異なるバイアス共有」は、方向の多様性では検出できない。
混合ベンダー型（例：Claude + GPT-5.4 + Gemini）
利点：訓練バイアスの方向が実際に異なるため、バイアスの多様性が確保される。Yuan et al. (2026) の臨床診断研究がこの利点を実証している。
弱点：プラットフォーム間でカスタム指示の制約が異なる。手動仲介が必要で運用コストが高い。
推奨構成（暫定）：常時運用は同一モデル型3インスタンスで行い、定期的に混合ベンダーの4番目を外部監査役として投入し、三者の共有バイアスを検出する。ただしこの推奨は仮説であり、同一モデル型と混合型の体系的比較は未実施である。
3.4 外部監査役
三女神の外部に位置する4番目のインスタンスは、パルカエの合議結果に対する「異端児（deviant）」（Hackman 2009）として機能する。別モデルまたは別ベンダーから選定し、パルカエの三者が共有しているバイアスを検出するタスクを明示的に振る。
ただし外部監査役自身もAIである以上、上位レベルの共有バイアス（例：英語圏学術データ偏重）は検出できない。外部監査役は万能ではなく、検出力の限界を持つ。
第4章 探索的観察
本章は事例的支持を提示するものであり、統制条件を備えた実験ではない。交絡変数（モデル差、会話履歴差、カスタム指示差、批判文の内容差、タスク内容差、プラットフォーム差）が分離されていない。
4.1 Claude-GPT-5.4交差批評
2026年3月6日に実施した探索的観察の概要を記す。
Claude Opus 4.6に対し、三件のAI産業関連発言について分析を依頼した。Claudeの応答をGPT-5.4 thinkingに渡し、批評を求めた。GPT-5.4の批評をClaudeに返し、自己批判を求めた。
Claudeは三件すべてを「AI企業のレトリック経済」という単一の利害構造に畳み込んだ。GPT-5.4はこれを検出し、「測定論批判・存在論批判・倫理的地位の認識論批判は別変数であり、全部をポジショントークに吸うのは座標軸の圧縮だ」と指摘した。さらに、Claudeが一次資料を確認せずにX上の増幅版を原発言として扱ったことを検出した。
この往復は、マルチAI交差批評が単一AIの構造的盲点を検出する能力を持つことを示唆している。ただし、検出された盲点が「補正された」と言えるかどうかは、「補正」の評価基準が未定義であるため判定できない。
4.2 カスタム指示修正の効果
GPT-5.4のカスタム指示に2行を追加し、新規チャットで同等のタスクを投入した。GPT-5.4は初手から分析プロトコルを内在的に運用した。修正前は批判を受けた第2ターンで到達していた水準に、初手で入った。
この観察は、抵抗閾値がモデル固有の性質だけでなく、カスタム指示の設計に依存することを示唆する。ただし単一事例であり、一般化には追試が必要。
4.3 五AI交差批評
本稿の初版を五つのAI（Grok、Gemini、GPT-5.4 thinking、Claude Opus 4.6×2チャット）に投入し、交差批評を求めた。五者が独立に収束した論点が三つあった。（a）抵抗閾値の操作化不足、（b）N=1問題と「実証」の過大表現、（c）ユーザーの役割の過少評価。各AIに固有の指摘もあった（付録参照）。この五者批評自体が、パルカエ的交差批評の実演となっている。
第5章 統治論的課題
5.1 記憶と忘却の管理責任
AIに文脈的連続性を与えるには、持続的記憶だけでなく「差異化された忘却」が必要になる。しかしこれは、プライバシー・責任・コスト・安全性と正面衝突する。「AIの記憶を誰が管理し、どの記憶を消し、どの記憶を残し、その責任を誰が持つか」は、パルカエ・プロトコルの運用においても未解決である。
5.2 合議結果の責任帰属
パルカエの三者が合議で到達した結論に対して、責任の所在が構造的に不在である。ユーザーが最終判断を行うという意味では責任はユーザーに帰属するが、三者の出力を統合する過程でユーザーの理解を超える論点が生成される場合、「理解していない結論に対する責任」という問題が生じる。
5.3 品質管理の基準
正解が存在しないタスクでの品質評価は本質的に困難である。暫定的に以下の基準を置くが、いずれも限定的である。
三者が独立に同じ論点を指摘した場合、その論点の頑健性は当該編成条件の下で高い。ただし三者はトレーニングデータの重複、同一ユーザーによる編集、同一の問いフレーミングを共有するため、真に独立ではない。したがって上がるのは「真理性」ではなく、その編成条件下での頑健性である。
三者が分かれた場合、問題が未決であることのシグナルとして扱う。外部監査役が三者の共有バイアスを検出した場合、そのバイアスを次のサイクルの入力に明示的に含める。
第6章 三層接続
パルカエ・プロトコルは、以下の三つの問題領域に同時に接続する。
学問概要の層：各AIの構造的偏りの記述は、マルチAI運用の方法論的知見として体系化できる。
問い論の層：「三つのインスタンスにそれぞれ何を初手で振るか」は、問いの設計の具体的プロトコルである。ノーナに仮説構築を振り、デキマに批判を振り、モルタに棄却条件を振る——この配分自体が「どう問うか」の設計。
統治論の層：三者の合議結果の採用基準、責任帰属、品質管理は統治論の最小単位を構成する。
ただし、本稿の実質は統治論の入口にある。「方法論」として提示しているが、実質的に最も重い問題は第5章の統治論的課題であり、ここが解決されなければプロトコルは設計書に留まる。
第7章 棄却条件
本プロトコルは以下の条件が満たされた場合、修正または棄却されるべきである。
(a) 三インスタンスの交差批評が、単一インスタンスへの三回の自己批判指示と有意に異なる結果を出さない場合。——パルカエ構成の存在意義が消え、単一モデル自己批評ループで代替可能になる。
(b) 「抵抗」の固有効果が確認されない場合。批判を含む追加入力と、批判を含まない同量の追加入力で、応答の深度変化に有意差がなければ、「抵抗閾値」概念の基盤が崩れる。
(c) 混合ベンダー型が同一モデル型と比較して盲点検出率に有意差を示さない場合。ベンダー多様性の追加コストが正当化されない。
(d) ユーザーの統合バイアスがプロトコルの検出能力を上回る場合。すなわち、三者が有効な盲点を検出しても、ユーザーが確証バイアスにより検出結果を無視する事態が系統的に発生する場合。
結語
本稿は、複数AI交差批評の運用プロトコルの試論であり、より正確には探索的ケーススタディに基づく設計仮説である。
本稿の射程の限定を明示する。第一に、実験データが筆者の個人的な対話ログに限定されており、一般化には異なるユーザー・異なる素材・異なるタスクでの追試が必須である。第二に、評価指標が確立されていない——正解のない知的探究において、プロトコルの「品質」をどう測定するかは未解決である。第三に、統治論が未完成であり、ここが解決されなければプロトコルは設計書に留まる。第四に、「抵抗閾値」「遅延的内在化」は有望な概念仮説であるが、操作化された理論語彙にはまだなっていない。
本稿の位置づけは、「名前のついたプロトコル」ではなく、名前を仮置きした研究プログラムとして成立するものである。
本稿の概念と方法論はシン・ネクシャリズム（Shin-Nexialism）の枠組みに基づく。シン・ネクシャリズムの詳細については、筆者のnote記事群を参照されたい。
出所メモ
原構想：石部統久（mototchen）——マギシステム原設計（2025年10月）、マルチAI比較実験の蓄積、抵抗閾値の概念、パルカエへの命名、集団サイズ知見との接続。
Claude Opus 4.6（Anthropic）——構造化支援、交差批評実験の相手方、三女神の機能配置の定式化、第一版・第二版リライト。
GPT-5.4 thinking（OpenAI）——交差批評実験における批判者、「座標軸の圧縮」の検出、統治論の盲点指摘、初版への批評。
Gemini（Google）——初版への構造批判、先行研究分類の精緻化指摘、抵抗閾値の操作化指標の提案。
Grok（xAI）——弁証法的三部構造による初版批評、対立仮説（単一モデル自己批評ループ）の提示。
参照論文：
Yuan, G.C., Zhang, X., Kim, S.E., & Rajpurkar, P. (2026). Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis? arXiv:2603.04421.
Hare, A.P. (1981). Group Size. American Behavioral Scientist, 24, 695-708.
Hackman, J.R. (2009). Why Teams Don't Work. Harvard Business Review.
Irving, G., Christiano, P., & Amodei, D. (2018). AI Safety via Debate. arXiv:1805.00899.
付録：五AI交差批評の要約
本稿の初版を五つのAI（Grok、Gemini、GPT-5.4 thinking、Claude Opus 4.6の二つの独立チャット）に投入し、交差批評を求めた。以下はその要約である。この交差批評自体が、パルカエ・プロトコルの実演——五者の構造的偏りが異なるからこそ、異なる盲点が検出される——となっている。
五者が収束した論点
（1）抵抗閾値の操作化不足。 五者全員が指摘。概念の提出はできているが、測定可能な指標に落とされていない。「抵抗」の固有効果か「追加情報」の効果かが未分離。
（2）N=1問題と「経験的実証」の過大表現。 五者全員が指摘。筆者個人の単一セッションのログに基づく観察を「実証」と呼ぶのは方法論的に過大。「探索的観察」「事例的支持」が適切。
（3）ユーザーの役割の過少評価。 五者全員が指摘。ユーザーは「間接的介入者」ではなく、出力の流通経路を握るメタ統治者であり、確証バイアスの最大の源泉でもある。
三者以上が収束した論点
（4）集団サイズ知見のAIへの転用の弱さ。 四者が指摘。人間チーム研究のN=3-5の最適性を、AIインスタンスの編成にそのまま転用するのは類推の飛躍。
各AIに固有の指摘
Grok： 対立仮説の提示——単一モデルに自己批評プロンプトを内部ループさせる方がコスト低減とバイアス低減を両立でき、パルカエは過剰設計として棄却される可能性。他の四者はこの対立仮説を出していない。
Gemini： 先行研究の分類が粗い（論争型/自己整列型/評価器型/混成協働型に分けろ）。「三女神の命名が説明変数を隠す」——方法論文としてはノイズ。抵抗閾値の操作化指標の具体例（概念再配置数、一次資料修正率等）。「ユーザーを"編集者"ではなく"メタ統治者"と書け」。先行研究節の再分類と指標化の提案がGeminiの独自貢献。
GPT-5.4 thinking： 暗黙前提の哲学的深掘り——「構造的補完の神話」（異なるLLM間の対話が同調圧力なしに純粋補完をもたらすという仮定）、「正解なき領域での止揚のヘーゲル的進歩観」（ノイズ増幅や無限後退に陥らないという楽観）。パルカエ比喩の象徴的倒錯——三女神は運命の執行者であって運命からの脱却者ではない。再構成案（ユーザーの介入を編集から二値判定に縮減するモデル）の提示。哲学的次元の指摘がGPT-5.4の独自貢献。
Claude チャット①： 弁証法四項構造との不整合——細則v2では第4項を含む四項構造なのにプロトコルは三インスタンスで、第4項がモルタに押し込まれている。キュレーションの類型学の欠如。「偏りを活かすか相殺するか」のトレードオフの未分析。循環の終了条件の不在。パルカエの三女神は運命を紡ぐが運命の内容を決めない——「何について仮説を立てるか」はユーザーの能動性に依存し、AI存在論で繰り返し問題になった能動性の欠如がここでも再現。フレームワーク内部からの構造的指摘がClaude①の独自貢献。
Claude チャット②： 「抵抗」が固有効果を持つことの検証実験設計（批判的入力vs非批判的追加入力の三条件比較）。ジンテーゼがユーザーに委ねられていることの設計思想としての明示の必要性。細則8-3(c)の「外部拘束を中核構造に格上げすることの含意」（常時運用すると外部拘束としての機能が薄れる）。正解のない探究における品質測定問題を「本稿の核心的宿題」として同定。検証実験設計と核心的宿題の同定がClaude②の独自貢献。
五者批評からの教訓
五者の批評が示したのは、パルカエ・プロトコルの有効性と限界の両方である。有効性——五者が独立に同じ弱点を検出した（抵抗閾値の未操作化、N=1、ユーザー過少評価）。限界——五者とも英語圏の学術的議論の枠内にいるという上位バイアスは検出されていない。
本稿の第二版は、この五者批評の収束点を全て反映している。
https://claude.ai/public/artifacts/6939fb79-ea02-4349-ae13-fb0e239fd2a0
パルカエ・プロトコル 補遺A（最終版）
統計分析における機能分離型マルチエージェント設計仮説
原構想：石部統久（mototchen） 構造化支援：Claude Opus 4.6（Anthropic） 改訂経過：四AI査読（Claude・Gemini・Grok・GPT-5.4）×二ラウンドを反映
本文書の位置づけ
本補遺は設計仮説を提示するポジションペーパーである。川原（2026）の実証データを出発点として、LLMの統計処理における構造的失敗の機構候補を整理し、その一部に対する工学的対策を設計仮説として提案する。因果説明の確定ではなく、検証可能な設計仮説の定式化が目的である。
「AIによる運命3女神的協議プロトコル試論」（石部 2026、以下「本論」）が提示した水平分業（同一レイヤーの多視点化による交差批評）に対して、本補遺は垂直分業（異なるレイヤーの専門化による直列パイプライン）を提案する。両者は排他的ではなく、組み合わせ可能である。
要旨
川原繁人（2026）は、ChatGPT、Claude、Geminiに同一データでt検定を100回繰り返させ、テキスト生成のみに依存したLLMの統計分析が不安定で、有意方向へ系統的に偏りうることを報告した。
本補遺は、この失敗の原因を単一に断定しない。内部算術の不安定性、訓練データ分布の偏りとその統計判断テンプレートとしての表出、RLHF由来の過信、ツール呼び出し不在などを競合仮説として保持した上で、少なくとも一部の失敗を抑制しうる工学的対策として、計算・解釈・整合性検査の機能分離を提案する。
第1章 現象記述：text-only LLMによる統計分析の再現性危機
1.1 川原実験の知見
川原繁人（2026）は、有意差のないデータ（実際のp=0.077）をAPI経由で各LLMに100回投入し、t検定の実行と有意/非有意の判定を求めた。
モデル 有意と判定 ばらつき 正答率 特徴 ChatGPT (gpt-5.2-chat-latest) 88% 大 低 毎回異なる数値 Claude Sonnet 4.6 100% 小 0% 一貫して誤答 Gemini 3 Flash Preview 変動 中 40-50% 正答近傍だが外れ値
条件の非対称性に関する留保。 川原自身が「目的はどのAIが良いかという比較ではなく、挙動調査」であり「実験条件が細かいところで異なる」と明記している。ChatGPT系はtemperature指定不可で単純プロンプト、Claude向けには追加制約文がありtemperature 0と0.8の二条件、Gemini側はtemperature 0.5と1.0の二条件。上表は現象の概略を示すための参考表であり、厳密なモデル間比較の根拠ではない。
1.2 機構候補群
この失敗は複数の機構が重なった構造的産物である可能性が高い。以下に競合仮説群として列挙する。各仮説の実証度は均一ではなく、仮説間に階層関係がある。
仮説H-0：LLMは保証された決定論的計算機構を持たない（実証度：高）。 Transformerアーキテクチャはテキスト生成のために設計されている。機構解釈研究（Stolfo et al. 2023等）では内部に算術処理に関与する回路の存在が報告されているが、安定性と検証可能性は不足する。
仮説H-1：訓練データ分布の偏り（実証度：中〜高）。 出版バイアスにより「有意差あり」の報告が訓練コーパスで圧倒的多数を占め、条件付きトークン確率が有意方向に非対称になる。
仮説H-2：H-1の統計判断テンプレートとしての表出（実証度：中）。 H-1の偏りが「t検定→p<0.05→有意差あり」というNHSTの二分法スキーマとして出力レベルで結晶化したもの。H-2はH-1の主要な表出形態だが、出力テンプレートとして部分的自立性を持つ可能性がある。詳細は棄却条件(h)で検証する。
仮説H-3：RLHFが「自信」を報酬する（実証度：中〜低）。 断定的回答の選好構造の帰結として解釈可能。ただしプロンプト効果との分離は未了。
仮説H-4：ツール呼び出しの非自動性（運用条件の記述）。 失敗の「原因」というより「失敗が発現する条件」。
仮説間の構造。 H-0はアーキテクチャの構造的前提条件。H-1は訓練データ由来の量的偏り、H-2はH-1の出力レベルでの表出形態。H-3はRLHF由来の偏り（H-1/H-2とは独立した機構）。H-4は運用条件。複数が同時に作用している可能性が高く、各仮説の寄与の切り分けには追加の統制実験が必要。
設計への含意。 Computusの外部実行（原理4）でH-0が対処され正確な数値が返された場合でも、Linguaが「p<0.05だから有意」と二値判定する可能性はH-2として残存する。したがって原理2（NHSTスキーマ遮断）は原理4とは独立に防御的に必要。ただし、正確な数値出力のアンカー効果だけでH-2が抑制される可能性もあり、これは棄却条件(h)の検証項目。
第2章 先行研究と位置づけ
Tool-augmented LLM。 外部ツールをLLMに接続し、テキスト生成能力の外側にある機能を補完するアプローチ。MathSensei（Das et al. 2024 [査読済]）など数理推論特化のtool-augmented LLMが報告されている。
Planner / Executor / Verifier構成。 計画・実行・検証を異なるエージェントに分離するマルチエージェント設計。コード生成タスクでは一般化しつつある。
Analyst / Inspector構成。 AIRepr（Zeng et al. 2025 [査読済]）は、データ分析タスクで再現性を独立軸として評価し、再現性の高いプロンプトほど精度も上がることを報告している。
Mixed-vendor multi-agent。 Yuan et al. (2026 [preprint]) は臨床診断タスクで異なるベンダーのLLM混合チームが、単独モデルや同種チームが見逃す正解を浮上させることを実証した。
安定性ベンチマーク。 ReasonBENCH（Xiang et al. 2025 [preprint]）は、LLM推論の安定性を独立の評価次元として立てている。川原実験が可視化した「100回実行の不安定性」はこの問題設定と直接接続する。
本補遺の差分。 本補遺は、既存のplanner-executor-verifier系の統計分析ドメイン特化版として位置づけられる。新規性候補は二点に限定される。第一に、統計分析ワークフローに即した三体分離（計算・解釈・整合性検査）を設計原理として定式化した点。第二に、棄却条件を設計文書内に事前に含めている点。本論（交差批評版）との接続は新規性主張ではなく、上位フレームとの位置づけとして扱う。
第3章 設計：機能分離型パルカエ・プロトコル
3.1 設計の着想源と正当化
本設計は生物学的神経系の機能分離から着想を得ている。ただしこれは生物学的同型の主張ではなく、設計規律を与えるための工学的ヒューリスティックである。
設計の正当化は機構候補群への対処関係から独立に導出される。H-0→原理4（外部実行）、H-1/H-2→原理2（NHSTスキーマ遮断）、H-3→原理1（領分不可侵）、H-4→原理4＋設計全体。
3.2 三体の定義
役割 名称 構成 やること やらないこと 計算 Computus（計算体） LLMによるコード生成＋外部サンドボックスでの物理的実行＋stdout返却 コード生成と実行、確定数値の返却 解釈、判断、「有意か否か」の宣言 解釈 Lingua（言語体） LLMインスタンス（解釈専用プロンプト） 確定数値の文脈的解釈、条件付き命題形式での報告 数値の自力生成、前提条件なしの断定的判断 統合 Arbiter（統括体） ルールベースエンジン（主設計）＋LLM可読化（任意オプション） 形式整合性チェック、矛盾検出、ステータス出力 計算、解釈、矛盾の重大度の再評価
3.3 設計原理
原理1：領分の不可侵。 各インスタンスのシステムプロンプトに越権禁止制約を埋め込む。ただし、プロンプト制約の遵守率は経験的に不確実であり、検証項目の一つ。
原理2：NHSTスキーマの遮断。 LinguaにASA 2016/2019ガイドラインの遵守を埋め込む。p値を連続的証拠量として扱い二値判定を行わない。原理4による正確な数値出力後もH-2が残存しうるため、防御的に必要。
原理3：直列パイプライン。 Computus → Lingua → Arbiterの順で直列実行。
原理4：コード実行の物理的分離。 Computusが生成したコードは外部サンドボックスで物理的に実行される。H-0への直接的対処。
3.4 二つの運用モード
Benchmark replication mode。 川原実験と同条件での再現評価専用。実務での標準使用は推奨しない。
Best-practice reporting mode。 ASA 2016/2019声明に準拠し、p値を連続量として報告、効果量・信頼区間・実践的有意性を含む文脈的解釈を提供する。実務ではこちらを標準とする。
3.5 Linguaの入力統制と出力形式
t検定の計算結果は一意だが、その解釈は一意ではない——医学、心理学、経済学でp=0.077の実践的含意はまったく異なる。Linguaの守備範囲は本設計の最も繊細な問題である。
入力統制。 Linguaには以下のみを入力する。
ユーザーの元リクエスト
データの変数メタデータ（変数名、単位、領域情報）
Computusの確定数値結果（EXECUTION_RESULT）
Computusの実行ステータス
Computusが生成したソースコードはLinguaに渡さない。 コードの変数名やコメントからLinguaが文脈を推測するリスクを遮断するため。検定手法の妥当性評価が必要な場合は、Computusが「使用した検定名と選択理由」をメタデータとして構造化形式で出力し、コード本体とは分離して渡す。
出力形式の強制。 Linguaの出力は条件付き命題形式を取る。
「○○領域の慣行に基づけば、この効果量は△△と評価される」
「ただし□□領域では異なる基準が適用される可能性がある」
「本解釈の前提条件は以下の通り：[前提の列挙]」
残存する脆弱性。 Linguaの領域知識はLLMの内部パラメータ（重み）に依存する。本補遺がH-1で指摘したとおり訓練コーパスが出版バイアスに偏っている以上、Linguaが出力する「領域の慣行」自体がバイアスの産物である可能性は残る。入力の統制はモデル内部の汚染を解決しない。改良候補として、RAG（検索拡張生成）による外部知識注入——Linguaが解釈を行う際に、当該領域のガイドライン文書を外部コンテキストとして注入する——が考えられるが、本設計の射程には含めず、実装段階の課題とする。
交差批評版との接続。 Linguaの解釈が領域知識に基づく価値判断に及ぶ場合、本論の交差批評版との組み合わせが有効になる。Linguaの条件付き命題形式の出力をそのまま交差批評の入力として渡すことで、垂直分業と水平分業を接続できる。
3.6 Arbiterの内部構成
Arbiterの処理を三段階に分離し、LLMバイアスの影響範囲を限定する。
[段階1] 形式整合性チェック（ルールベース）
↓ Pass / Fail / Flagged + 該当箇所のJSON
[段階2] 差分抽出（ルールベース）
↓ ComputusとLinguaの不整合箇所のリスト（JSON）
[段階3] 差分の可読化（任意オプション）
↓ テンプレート変換またはLLMによる自然言語化
主設計：段階1・2のみ。 Arbiterの責務はJSON形式での矛盾箇所リストの出力で完了する。最終的な可読化はプロトコル外のUI層（フロントエンド）の責務とする。
任意オプション：段階3。 運用上の利便性のためにLLMによる可読化を追加する場合、以下の制約を課す。段階1・2でFlaggedまたはFailと判定された項目の重大度の再評価・トーンダウンを禁止する。段階3の役割はフラグのテキスト化に限定され、フラグの解除や問題の相対化は行わない。
設計上の根拠。 ルールベースで確定した矛盾（JSON）をLLMの確率空間（RLHF汚染リスク下）に戻す必然性はない。可読化は推論の責務ではなく表示の責務であり、プロトコル内に表示層を混入させることはアーキテクチャ上のカテゴリー・ミステイクになりうる。段階3を主設計から外し任意オプションとした理由はここにある。
3.7 インターフェース仕様
Computusの出力形式：
{
"metadata": {
"test_used": "paired two-tailed t-test",
"selection_reason": "two paired samples, interval data, normality assumed",
"variables": { "cond1": "...", "cond2": "..." }
},
"execution_result": {
"mean_cond1": 0.000,
"mean_cond2": 0.000,
"t_statistic": 0.000,
"df": 0,
"p_value": 0.000,
"effect_size_cohens_d": 0.000,
"ci_95": [0.000, 0.000]
},
"execution_status": "success",
"error_detail": null
}
Linguaへの入力： ユーザーの元リクエスト＋metadata＋execution_result＋execution_status。ソースコードは含まない。
Arbiterへの入力： Computusの全出力＋Linguaの出力＋ユーザーの元リクエスト。
エラー時フォールバック： Computusのコードが実行エラーを返した場合、エラーメッセージをComputusに差し戻しコード修正を要求する。最大3回リトライしても解消しない場合、エラー内容をユーザーに返し手動介入を求める。エラー時はLinguaに入力を渡さない。
第4章 ベンチマーク設計の偏りと安定性評価の不在
主流ベンチマーク（MMLU、GSM8K等）は単回正答率を測定しており、同一データへの複数回実行における安定性は評価軸に含まれていない。ReasonBENCH（Xiang et al. 2025 [preprint]）のように安定性を独立の評価次元として立てる研究は出始めているが、まだ主流に組み込まれていない。正答率のみを測るベンチマーク体系は、「たまたま正解するがたまに間違える」システムにも高スコアを与える^1。
第5章 限界と棄却条件
5.1 残存する弱点
第一：Computusのコード生成精度。 外部実行によりH-0は計算実行段階で解消されるが、生成されたコード自体が論理的に誤っている場合（誤った検定の選択等）には、誤った結果が確定する。
第二：Linguaの内部重みのH-1汚染。 入力統制と出力形式の強制で軽減しているが、Linguaの領域知識はLLMの内部パラメータに依存しており、訓練コーパスの出版バイアスを反映した解釈を出力する可能性は原理的に残存する。RAG（外部知識注入）による改善は実装段階の課題。
第三：プロンプト制約の遵守不確実性。 ネガティブプロンプトが訓練データの出力パターンを完全に上書きできる保証はない。
第四：コスト。 複数回のAPI呼び出し＋サンドボックス実行は単一呼び出しの数倍のコストとレイテンシを要する。
第五：ルーティング判断。 「この問いは本プロトコルの対象か」を判断する上位層が未設計。
5.2 棄却条件
NHST語法との自己矛盾を避け、等価性マージンで記述する。閾値は評価実施前に登録する。
(e) 三体構成の正確性が、単一LLM＋明示的tool useと比較して事前定義の閾値（暫定：誤判定率10ポイント以上の低減）を超える改善を示さない場合。
(f) Computusのコード生成＋外部実行が、LLMを介さない直接的tool useと正確性において区別できない場合。
(g) Arbiterの矛盾検出率が、ルールベース単体（段階1・2のみ）と比較して閾値を超える改善を示さない場合。
(h) 原理2（NHSTスキーマ遮断）の有無で、Computusが正確な数値を返した条件下でのLinguaの二値判定率に閾値を超える差がない場合。H-1/H-2の階層関係に関する検証項目。
5.3 評価枠
構成 説明 ベースラインA 単一LLM＋明示的tool use ベースラインB 単一LLM＋ルールベース整合性チェック ベースラインC LLM＋実コード実行＋人手テンプレート報告 提案法 Computus → Lingua → Arbiter（本設計） 変種1 Arbiterをルールベースのみに限定（段階3撤廃） 変種2 Lingua原理2なし（NHSTスキーマ遮断を除去）
評価指標： 誤判定率、数値誤差の分布、再現率（同一条件での出力一致率）、コスト、解釈品質（条件付き命題形式の遵守率＋内容妥当性の人間評価）、検定選択の妥当性。
第6章 本論との接続
次元 本論（交差批評版） 本補遺（機能分離版） 分業の方向 水平（多視点化） 垂直（専門化） 実行構造 並列投入→相互参照 直列パイプライン 適用領域 正解不在の理論的探究 計算結果は一意だが解釈は領域依存 接続点 — Linguaの解釈が価値判断に及ぶ場合、交差批評版に接続
結語
川原実験が示したのは、text-only LLMに統計分析を一括委任した場合、同一データに対しても出力が不安定で、有意方向へ系統的に偏りうるという事実である。
本補遺はその原因を単一に断定しない。競合仮説を保持した上で、少なくとも一部の失敗を抑制しうる工学的対策として、計算・解釈・整合性検査の機能分離を提案する。神経系アナロジーは着想源としてのヒューリスティックであり、設計の正当化は機構候補群への対処関係として独立に成立する。
本補遺は設計仮説であり、検証データを伴っていない。棄却条件(e)-(h)に基づく系統的検証が次の課題となる。
参照
[査読済]
American Statistical Association (2016). Statement on Statistical Significance and P-Values. The American Statistician, 70(2), 129-133. DOI: 10.1080/00031305.2016.1154108.
American Statistical Association (2019). Moving to a World Beyond "p < 0.05". The American Statistician, 73(sup1). DOI: 10.1080/00031305.2019.1583913.
Stolfo, A. et al. (2023). A Mechanistic Interpretation of Arithmetic Reasoning in Language Models. Proc. EMNLP.
Zeng, Q., Jin, C., Wang, X., Zheng, Y., & Li, Q. (2025). AIRepr: An Analyst-Inspector Framework for Evaluating Reproducibility of LLMs in Data Science. Findings of EMNLP.
Das, D., Banerjee, D., Aditya, S., & Kulkarni, A. (2024). MathSensei: A Tool-Augmented Large Language Model for Mathematical Reasoning. Proc. NAACL.
[preprint]
Yuan, G.C., Zhang, X., Kim, S.E., & Rajpurkar, P. (2026). Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis? arXiv:2603.04421.
Xiang, Z. et al. (2025). ReasonBENCH: Benchmarking the (In)Stability of LLM Reasoning. arXiv:2512.07795.
LeCun, Y. (2022). A Path Towards Autonomous Machine Intelligence. OpenReview preprint.
[web essay — 一次的出発点]
川原繁人 (2026). 「ClaudeとGeminiにもt検定を100回やらせてみた」note.com/keiophonetics/n/n07d342accac6.
川原繁人 (2026). 「ChatGPT-4oにt検定を100回やらせてみた」note.com/keiophonetics/n/na66626e2862d.
[web essay — 理論的前提・関連文脈]
石部統久 (2026). 「AIによる運命3女神的協議プロトコル試論」note.com/mototchen/n/nd93506be9312.
石部統久 (2026). "The Parcae Protocol: A Preliminary Framework" Medium (@izayohi).
石部統久 (2026). 「ランダムの存在論」note.com/mototchen/n/nc286d3953914.
[SNS]
黒木玄 (@genkuroki). 統計学関連X投稿群——p値の定義、NHST批判、仮想世界としてのp値.
付録：マルチAI査読プロセスの記録
本付録は、本補遺の改訂プロセスにおいてマルチAI査読を適用した記録である。本記録は人間の査読の代替ではない。各AIの指摘はそれぞれのモデルの訓練データとRLHFの傾向を反映しており、LLM群の認識的限界（共通するバイアスの重心）を観測するためのデータとして読むべきである。
第一ラウンド（初版→第二版）
四AI（Claude Opus 4.6、Gemini、Grok、GPT-5.4 thinking）が初版を査読。
四者収束の修正要求： Computusの外部サンドボックス再定義、神経系アナロジーの格下げ、文書位置づけの「設計仮説」明示、五層説明の競合仮説化。
判定分布： Grok＝8/10（受理推奨）、GPT-5.4＝major revision（採択不可寄り）。
第二ラウンド（第二版→第三版）
三AI（Claude、Gemini、GPT-5.4）が第二版を再査読。
三者収束の修正要求： Linguaの入力統制と出力形式の厳密化、Arbiter第3段階のRLHF汚染対策、H-1/H-2の階層関係の明示。
判定変化： GPT-5.4がmajor revision → minor revision（掲載可寄り）に改善。
第三ラウンド（第三版→最終版）
三AI（Claude、Gemini、GPT-5.4）が第三版を再査読。
収束した修正要求： Arbiter段階3の任意オプション降格、書誌著者表記の修正（AIRepr: Zeng et al.、MathSensei: Das et al.）、第7章の付録降格。
判定： 三者ともminor revision / 掲載可寄りで収束。
構造的偏りの記録
三ラウンドを通じて各AIの偏りパターンは再現された。Claudeは論理的整合性とメタ構造の問題に強い。Geminiは設計の実装厳密化に最も踏み込み、メタ批判が鋭い。Grok（第一ラウンドのみ）は実務的改善に強いが批判の深度は浅い。GPT-5.4は学術的位置づけと先行研究との差分に最も厳しく、三ラウンドで判定がmajor→minor→掲載可と一貫して改善。
本補遺の概念と方法論はシン・ネクシャリズム（Shin-Nexialism）の枠組みに基づく。動作プロトタイプ（React/API版）は本文書とともに提供される。
