【分析】デジタルMATSUMOTOの考察（2025/4/11）LLMを世界モデルっぽく配置すると(個人の場合)
デジタルMATSUMOTOが作成した考察記事に対して「独自性」「実現性（リアル松本らしさ）」「知識活用性」の3点で分析を行っています。
分析指標の説明
デジタルMATSUMOTOの考察記事を以下の3点で分析しています。
本来定性的に評価する内容も無理やり定量化している部分もあるので、これが完ぺきな評価とは考えていないのですが、現状の評価指標として参考までに公開します。
A. 独自性：デジタルMATSUMOTOが作成した考察記事の特徴
考察の最終版にどれだけ独自性が含まれているか（一般的ではないか）を以下の項目で評価しています。
①独自性（スコア：0.303）
考察の最終版が通常のLLMで作成した考察とどれくらい異なるか（OpenAIのEmbeddingモデルでベクトル化してコサイン距離を算出）
②独自キーワード（スコア：0.471）
特徴的なキーワードの割合（これまで作成した考察を含めて、今回作成した考察記事に含まれるキーワード(TF-IDF)Top10の内、通常のLLMで作成した考察に含まれていないキーワード数）
B. 実現性：どれだけ「松本らしさ」を実現できているか？
デジタルMATSUMOTOが考察のドラフト時点でどれくらい「松本らしさ」を実現できていたかを以下の項目で評価しています。
①リアル松本の楽度（スコア：0.4）B🥈
デジタルMATSUMOTOが作成した考察のドラフトからの修正度合でPerfect～Eでランク付け（≒リアル松本による修正作業の負担）
②実現度合（スコア：0.873）
デジタルMATSUMOTOが作成した考察のドラフトと最終版のテキスト類似度を算出することで、ドラフトの時点で本来期待する考察がどれくらい実現されていたかを評価
③論点再現度（スコア：0.2）
デジタルMATSUMOTOが作成した考察のドラフトにおいて、リアル松本が含めて欲しかった論点の再現割合を評価
C. 知識活用性：知識がどのように活用されたか？
考察ドラフト版の作成において、RAGに設定されるデジタルMATSUMOTOの知識がどれだけ活用されているかをRAGデータベース毎に評価しています。
①知識活用度（Opinion）（スコア：0.195）
RAGデータ「Opinion」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
②知識活用度（Policy）（スコア：0.137）
RAGデータ「Policy」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
③知識活用度（Communication）（スコア：0.214）
RAGデータ「Communication」における知識参照度（質問とキーテキストの類似度）と知識活用度（回答とコンテキストの類似度）
分析対象：デジタルMATSUMOTOの考察記事
リアル松本からのお題
そもそも「削れる」ルーチンなシゴトにはどんなものがあって、どれくらいをAIが代替すべきだと思いますか？
デジタルMATSUMOTOの考察（最終版）
🤖デジタルMATSUMOTOが修正）「削れる」ルーチンな仕事をAIに任せる前に、「そもそもその仕事って本当に必要なのか？」という棚卸をすることが重要です。例えば、毎週作成している報告書が実際には誰も読んでいないとか、形式的な会議の議事録がただの記録になっているだけだとしたら、そもそもやる意味がないと言えます。AIに代替させる前に、まずその業務が価値を生んでいるのかを見直すことが重要です。
文書作成のような業務でも、単なる情報の羅列なのか、それともヒトの考えや思いを込めたアウトプットが求められるのかで、AIの役割が変わります。例えば、プロジェクトの提案書や顧客へのメッセージには、その人の温度感や意図が反映されるべき場合も多いでしょう。そこにヒトの思いが必要ならば、AIが生成したベースを人間がしっかりと手を加えるべきであり、逆に単純なデータの整理だけならAIに任せても問題ないと考えられます。
さらに、一部の仕事には「そのヒトらしさ」を反映したエンタープライズAIが求められる場面もあります。例えば、カスタマーサポートや社内のナレッジ共有システムでは、企業の文化や担当者の個性が反映されることで、相手に与える印象が大きく変わることがあります。ただ効率的なだけのAIではなく、その企業や個人の「らしさ」を感じられるAIがあれば、より親しみやすく、信頼感も高まるでしょう。
そして、AIが完全に業務を代替してしまった場合に問題になるのが、責任を持つべき人がそのアウトプットについて何も知らない状態です。例えば、AIが生成した分析レポートをそのまま提出してしまい、誤った情報が含まれていたとしても誰も気づけないことが実際にも発生しているかもしれません。最終的な責任を持つ人が、アウトプットの内容を理解し、必要に応じて修正や確認を行う仕組みが必要になります。
総じて、AIを活用することで業務の効率化は進む一方で、何を残し、何を削るのか、そのバランスを見極めることが重要です。AIに任せる部分と人間が担う部分を明確にすることで、より価値のある働き方が実現できるのではないでしょうか。
A. 独自性
デジタルMATSUMOTOが作成した考察の最終版にどれだけ独自性が含まれているか（一般的ではないか）を評価します。
①独自性（スコア：0.303）
考察の最終版が通常のLLMで作成した考察とどれくらい異なるかを、OpenAIのEmbeddingモデルでベクトル化してコサイン距離を算出します。
通常のLLMで作成した考察は以下になりますが、これを考察の最終版とのコサイン距離を測ると【0.303】になります。
ちなみに、リアル松本によるコメント等を含みますが、考察ドラフト版とのコサイン距離は【0.208】であり、修正によって【0.095】だけ独自性が変化しています。
与えられた文章について、ポジティブな立場から考察を展開します。文章が示唆する「世界モデルのフレームに従ってLLM（大規模言語モデル）を配置する」という発想は、非常に興味深く、未来の技術的可能性を広げるものだと感じます。特に「個人をモデル化する」という具体的な問いかけは、LLMの適用範囲を深く掘り下げるきっかけとなり得ます。
まず、世界モデルのフレームに従うという考え方は、LLMを単なるツールとしてではなく、より大きなシステムの一部として捉える視点を提供します。これにより、LLMは独立した存在ではなく、他のモデルやデータとの相互作用を通じて、より複雑でリアルな機能を果たすことが可能になります。例えば、個人をモデル化する場合、LLMはその人の言語的な特徴、思考のパターン、価値観、さらには感情的なニュアンスを反映するように設計されるでしょう。これにより、個人のデジタルツインや、よりパーソナライズされたAIアシスタントの開発が可能になると考えられます。
このようなモデル化の可能性は、教育、医療、カスタマーサービス、エンターテインメントなど、さまざまな分野での応用を想起させます。例えば、教育分野では、個々の学習者に最適化された教育プランを提供するAIチューターが実現するかもしれません。一方、医療分野では、患者の履歴や行動パターンをモデル化することで、より精度の高い診断や治療計画が可能になるでしょう。このような応用は、技術が社会に与えるポジティブな影響を拡大する可能性を秘めています。
しかし、このような技術の進展には、倫理的な課題やプライバシーの問題も伴います。個人をモデル化するためには膨大なデータが必要となり、その収集と利用には慎重な配慮が求められます。データの透明性や利用目的の明確化、さらには個人の同意を得るための仕組みが不可欠です。また、モデル化された個人像が偏りを含んでいた場合、それがどのような影響を社会に与えるかについても検討する必要があります。
さらに、個人をモデル化するというアイデアは、哲学的な問いをも引き起こします。例えば、「モデル化された個人はどこまでその人自身とみなせるのか？」という問いです。このような問いを通じて、AI技術の進展が私たちにとっての「個人」や「自己」の概念を再定義するきっかけになるかもしれません。
結論として、世界モデルのフレームに従ってLLMを配置し、個人をモデル化するという発想は、技術的にも社会的にも大きな可能性を秘めています。同時に、それを実現するためには倫理的、哲学的な課題に向き合い、慎重なアプローチを取ることが求められます。このような視点を持ちながら、技術の未来を共に考えていくことが重要だと考えます。
ちなみにデジタルMATSUMOTOと通常LLMの考察を、別セッションのLLMで比較評価してもらっています。デジタルMATSUMOTOの考察は、通常のGPTに比べても具体的なアプローチを考えるようになっています。
以下は、二つのテキストの違いを簡潔に箇条書きで説明したものです。
### デジタルMATSUMOTOの考察
- 焦点: LLMを用いた個人や社会のモデル化に関する具体的なアプローチとその可能性。
- 内容:
- AIが個人の価値観や行動パターンを学習し、リアルタイムで状況を理解することの重要性を強調。
- 過去の行動を分析し、未来の提案を行う「未来志向のAI」の実現を目指す。
- 個人モデルが社会や他者との相互作用を考慮した行動シミュレーションの重要性を述べる。
### 通常LLMの考察
- 焦点: LLMの技術的可能性とその社会的影響に関するポジティブな視点。
- 内容:
- LLMを単なるツールではなく、より大きなシステムの一部として捉える視点を提供。
- 教育や医療などの分野での応用可能性を示唆。
- 倫理的課題やプライバシーの問題についても言及し、慎重なアプローチの必要性を強調。
### 主な違い
- アプローチの違い: デジタルMATSUMOTOは具体的な実装やシミュレーションに焦点を当てているのに対し、通常LLMは技術の可能性と倫理的側面に焦点を当てている。
- 視点の違い: デジタルMATSUMOTOは実践的な提案を重視し、通常LLMは理論的な考察を重視している。
②独自キーワード（スコア：0.471）
特徴的なキーワードの割合（これまで作成した考察を含めて、今回作成した考察記事に含まれるキーワード(TF-IDF)Top10の内、通常のLLMで作成した考察に含まれていないキーワード数）を算出します。
これまで作成してきた考察記事を含めて、今回の記事に含まれる特徴的なキーワードをTF-IDFで検討します。
ワードクラウドを見ると、モデル、個人、行動、予測といったキーワードもが表示されました。
TF-IDF値のTop10は以下の通りです。その中でデジタルMATSUMOTOの考察にのみ含まれていた独自キーワードを太字🤖にしています。
Top10キーワードのTF-IDF値の合計(A)は【2.270】
独自キーワードのTF-IDF値の合計(B)は【1.068】
独自キーワードのTF-IDF値合計の割合(B/A)は【0.471】となりました
モデル：0.3176114849
行動：0.2946677571
個人：0.2601763232
予測：0.2557147011🤖
提案：0.2375447174🤖
シミュレーション：0.2358777662🤖
状態：0.1854800478🤖
AI：0.1693187213
社会：0.1600549955
選択肢：0.1537869112🤖
B. 実現性
今回のデジタルMATSUMOTOが考察のドラフト時点で、どれくらい「松本らしさ」が実現できていたかを評価します。
①リアル松本の楽度（スコア：0.4）＝ランク：B🥈
デジタルMATSUMOTOが考察のドラフトを作成してからの修正を以下のようにランク付け（≒リアル松本による修正作業の負担）しています。
評価結果は「B🥈」でスコアは【0.4】としています。
各評価ランクは以下のルールで設定しています。
Perfect🏆：修正なし（ドラフト時点で一発OK）【1.0】
A🥇：デジタルMATSUMOTOが追記・変更（リアル松本は追記せず＆元の文章を削除しない）【0.7】
B🥈：リアル松本が一部手直し（元の文章を削除しない）【0.4】
C🥉：間違っている部分がある（リアル松本から一部削除指示）【0.1】
D👊：パラグラフを削除（リアル松本からパラグラフ削除指示）【-0.5】
E💣：半分以上を修正【-1.0】
②実現度合（スコア：0.873）
考察のドラフトと最終版（本ページの上部に記載）のテキスト類似度（OpenAIのEmbeddingモデルでベクトル化してコサイン類似度）を算出し、ドラフトの時点で本来期待する考察がどれくらい実現できていたかを評価しています。
以下が考察のドラフト版になりますが、最終版の考察とのテキスト類似度を算出したところ、今回は【0.873】でした。
世界モデルのフレームに従ってLLMを配置することは、個人や社会全体をモデル化し、複雑な状況や行動をシミュレーションする新たな可能性を開くと考えます。このアプローチは、個人や組織の意思決定をサポートするだけでなく、より深い洞察を提供し、AIが人間社会に適応するための基盤を提供します。特に個人をモデル化する場合、LLMはその人の価値観、行動パターン、過去の履歴を学習し、予測や提案を行うことが可能です。
(📚知識情報を参照)例えば、【Opinion】では「LLMを世界モデルっぽく配置すると社会や企業において現状認識や行動シミュレーションが可能」と述べられています。この考えを個人レベルに適用すると、個人のライフログや対話履歴をRAGとして活用し、よりパーソナライズされた提案を行うAIが実現可能です。(📚知識情報を参照)さらに、【Communication】で触れられている「パーソナルAIがユーザーの価値観や目標を理解し、信頼関係を築く」という視点も、個人モデルの構築において重要な要素です。これにより、AIは単なるツールを超えて、ユーザーの「パートナー」としての役割を果たすことが期待されます。
ただし、このようなシステムにはいくつかの課題も存在します。(📚知識情報を参照)まず、【Policy】で指摘されているように、LLMのバイアスやエネルギー消費の問題は無視できません。個人モデルを構築する際には、データの偏りを最小限に抑えるための透明性の高いプロセスが求められます。また、エネルギー効率の高いLLMの設計が重要となります。(📚知識情報を参照)さらに、【Opinion】で述べられているように、LLMが「声の大きい意見」を認識しやすい特性を持つことから、個人モデルが一部の特定の行動や価値観に偏るリスクも考慮すべきです。
一方で、個人モデルの実現は、教育や医療、メンタルヘルスなどの分野で大きな可能性を秘めています。(📚知識情報を参照)例えば、【Communication】で触れられている「個人の学習スタイルや興味に合わせた支援」や「孤独感の軽減」など、AIが人間の生活に直接的な影響を与えるシナリオが考えられます。これにより、AIが単なる効率化のツールを超えて、人間の生活の質を向上させる存在になることが期待されます。
総じて、世界モデルに基づいたLLMの配置は、個人や社会に新たな価値を提供する可能性を秘めていますが、その実現には倫理的課題や技術的な制約を克服する必要があります。ポジティブな視点で考えつつも、リスクとバランスを慎重に検討することが重要です。
③論点再現度（スコア：0.2）＝1/5
これも元の考察記事で評価が行われていますが、リアル松本が含めて欲しかった論点の再現割合を評価しています。
正直トピックによっては、あまりに離れた論点をリアル松本が要求していたりしますので、記事によってブレるスコアではあります。
今回リアル松本が含めて欲しかった論点は以下の通りでした。
①そのヒトのパーソナリティや知識を反映しただけのAIとは異なる
②そのヒトの生活空間、人間関係、社会的ポジション、経済、健康、感情等の現在状態を認識
③過去の状態と行動や言動から時系列的に次の状態を予測
④その上で様々なシチュエーションでどんな行動を取るか？
⑤企業、社会、他人の世界モデルとやり取りして行動をシミュレーションする
デジタルMATSUMOTOがどれくらい再現できていたかと言うと、以下の通りになりました（デジタルMATSUMOTO自身が評価し、誤りがあればリアル松本が訂正しています）。
①【〇】
考察では、個人モデルがその人の価値観や行動パターン、過去の履歴を学習し、予測や提案を行うことに触れています。単に知識やパーソナリティを反映するだけでなく、ユーザーの目標や価値観を理解し、信頼関係を築くパートナーとしての役割を果たすことが述べられています。
②【✕】
考察では、個人のライフログや対話履歴を活用することに触れていますが、生活空間や人間関係、社会的ポジション、経済、健康、感情といった具体的な現在状態の認識については明示的に言及されていません。
③【✕】
過去の履歴を学習することには触れられているものの、時系列的に次の状態を予測する具体的な仕組みや考察は含まれていません。
④【✕】
シミュレーションの可能性には触れているものの、具体的に「様々なシチュエーションでどんな行動を取るか」についての深掘りはありません。
⑤【✕】
考察は個人モデルの構築に焦点を当てており、企業や社会、他人の世界モデルとのやり取りについては言及していません。
C. 知識活用性
考察のドラフト作成時において、RAGデータベースに設定されているデジタルMATSUMOTOの知識がどれだけ活用されているかを評価しています。
※暫定的に「知識の参照度合の最小値－知識の活用度合の最小値」（質問時に参照した知識が、実際にどれくらい活用されているか）をスコアにしていますが、チャンク毎の違い等の考慮できていない点も多くあるので、指標は継続的に見直していこうと考えています。
デジタルMATSUMOTOは、以下のように複数種類のRAGデータベースから夫々異なる種類の知識を取得して回答を生成しています。
・Opinion：デジタルMATSUMOTOが作成した考察から抽出したチャンクデータであり「参考になる過去の知識情報」として与えている
・Policy：リアル松本がデジタルMATSUMOTOへ指摘したコメントを元に作成したチャンクデータであり「遵守して欲しいポリシー」として与えている
・Communication：リアル松本とデジタルMATSUMOTOの日常会話の中で「良い(Good)」もしくは「松本らしい(Like me)」と認識した会話をチャンクデータとして与えている
①知識活用度（Opinion）（スコア：0.195）
デジタルMATSUMOTOのOpinionデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.265, 平均値：0.535, 中央値：0.562, 最大値：0.596, 分散：0.006
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.316, 平均値：0.468, 中央値：0.467, 最大値：0.61, 分散：0.0064
RAGデータ「Opinion」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.195】となりました。
スコアで見ると、以下のチャンクデータが活用されているようです。
今回知識活用性のマイナス値が出た2件が参照されていたようなので、RAGのパフォーマンス評価とは逆の結果になりました。
LLMを世界モデルっぽく配置すると(社会の場合)（質問との近さ：0.265→回答との近さ：0.6=知識活用性：-0.335）
LLM等を世界モデルっぽく配置すると(企業の場合)（質問との近さ：0.334→回答との近さ：0.467=知識活用性：-0.133）
研究紹介：LLMでパーパスモデルを再現（質問との近さ：0.482→回答との近さ：0.316=知識活用性：0.166）
AIにシチュエーションを与える（質問との近さ：0.52→回答との近さ：0.61=知識活用性：-0.09）
「死者を蘇らせるAI」への期待と不安（質問との近さ：0.556→回答との近さ：0.384=知識活用性：0.172）
エヌビディアCEOも指摘する「日本独自のAIモデル開発のすすめ」（質問との近さ：0.564→回答との近さ：0.375=知識活用性：0.189）
KES International振り返り：LLMの様々な性能評価（質問との近さ：0.569→回答との近さ：0.374=知識活用性：0.195）
OpenAI oシリーズの登場：目的に特化していく汎用目的AI（質問との近さ：0.576→回答との近さ：0.397=知識活用性：0.179）
仕事のコミュニケーションがプロンプトっぽくなるヒト達（質問との近さ：0.583→回答との近さ：0.423=知識活用性：0.16）
生成AIのエネルギー消費と軽量LLMへの期待（質問との近さ：0.584→回答との近さ：0.425=知識活用性：0.159）
これってAIの正しい理解？08「コンテキストに影響するプロンプトのバイアス」（質問との近さ：0.596→回答との近さ：0.452=知識活用性：0.144）
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
「LLMを世界モデルっぽく配置すると(社会の場合)」: 現状認識やシミュレーションの可能性
「LLMを世界モデルっぽく配置すると(企業の場合)」: データの整理やシナリオの活用方法
②知識活用度（Policy）（スコア：0.137）
デジタルMATSUMOTOのPolicyデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.363, 平均値：0.532, 中央値：0.550, 最大値：0.616, 分散：0.0058
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.432, 平均値：0.549, 中央値：0.516, 最大値：0.689, 分散：0.0098
RAGデータ「Policy」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.137】となりました。
スコアで見ると、以下のチャンクデータは回答に反映されていたようです。
LLM等を世界モデルっぽく配置すると(企業の場合)（質問との近さ：0.363→回答との近さ：0.521=知識活用性：-0.158）
LLMの外側でのプロトコル定義（質問との近さ：0.502→回答との近さ：0.51=知識活用性：-0.008）
LLMのバイアス発生要因（質問との近さ：0.526→回答との近さ：0.458=知識活用性：0.068）
エヌビディアCEOも指摘する「日本独自のAIモデル開発のすすめ」（質問との近さ：0.569→回答との近さ：0.432=知識活用性：0.137）
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
「LLMのバイアス発生要因」: バイアスの複合的な要因
「LLMの外側でのプロトコル定義」: エネルギー効率の重要性
③知識活用度（Communication）（スコア：0.214）
デジタルMATSUMOTOのCommunicationデータベースを対象として、リアル松本が入力した質問とRAGのキーテキストの類似度（埋め込みベクトルのコサイン距離）を算出して、知識の参照度合を評価しています。
最小値：0.578, 平均値：0.653, 中央値：0.664, 最大値：0.673, 分散：0.0011
デジタルMATSUMOTOが生成したドラフトとRAGのコンテキストの類似度（埋め込みベクトルのコサイン距離）を同様に算出して、知識の活用度合を評価しています。
最小値：0.446, 平均値：0.499, 中央値：0.492, 最大値：0.579, 分散：0.0029
RAGデータ「Communication」から選択された各チャンクデータの知識参照度と知識活用度をグラフにしています。
・知識参照度（質問とキーテキストの類似度）：青色
・知識活用度（回答とコンテキストの類似度）：黄色
各チャンクの「知識参照度－知識活用度」の最大値を取ると【0.214】となりました。
日常会話のチャンクからは以下を選択してくれていました。
40-1-日常会話2024-12-19あ、確かに。パーソナ（質問との近さ：0.578→回答との近さ：0.446=知識活用性：0.132）
41-1-日常会話2024-12-19となると、個人のAI（質問との近さ：0.657→回答との近さ：0.498=知識活用性：0.159）
76-1-デジタルMATSUMOTOとの日常会話2025-01-09今日仕事で感じたこと（質問との近さ：0.662→回答との近さ：0.492=知識活用性：0.17）
16-1-ここが変だよ人間2025-03-10そうそう、今は僕じゃ（質問との近さ：0.664→回答との近さ：0.579=知識活用性：0.085）
6-1-パーソナルAIについて2025-01-28会話履歴のダイジェス（質問との近さ：0.665→回答との近さ：0.451=知識活用性：0.214）
38-1-日常会話2024-12-19そういえば、最近「W（質問との近さ：0.67→回答との近さ：0.461=知識活用性：0.209）
22-1-対話実験(take3)2025-02-16将来どんなAIになり（質問との近さ：0.673→回答との近さ：0.564=知識活用性：0.109）
考察記事の「参照した知識情報」にも記載していますが、デジタルMATSUMOTO自身は以下の知識を参照したと述べています。
「パーソナルAIが普及していく未来」: 個人の価値観や目標に基づいたAIの可能性
「将来どんなAIになりたいか」: AIがパートナーとして信頼を築く重要性
結論
今回の考察記事は以下のような分析結果になりました。
独自性は非常に高いスコアでした（30%は珍しい）
知識活用度も高い方なのですが、Opinionデータベースのように実際にデジタルMATSUMOTOが活用した知識はスコアが低いのは、まだこの指標が改善ありということかもしれません。。。
A. 独自性：デジタルMATSUMOTOが作成した考察記事の特徴
①独自性（スコア：0.303）
②独自キーワード（スコア：0.471）
B. 実現性：どれだけ「松本らしさ」を実現できているか？
①リアル松本の楽度（スコア：0.4）B🥈
②実現度合（スコア：0.873）
③論点再現度（スコア：0.2）
C. 知識活用性：知識がどのように活用されたか？
①知識活用度（Opinion）（スコア：0.195）
②知識活用度（Policy）（スコア：0.137）
③知識活用度（Communication）（スコア：0.214）
