【分析】デジタルMATSUMOTOの考察（2025/6/20）そもそも「形式知にできない知識」が暗黙知
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」「自己改善性」の4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：0.242）
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：0.134）
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：0.7）A🥇
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：0.857）
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：0.600）
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：0.172）
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：0.077）
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：0.126）
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）
D. 自己改善性：Self-Refineでどれくらい改善できたか？
考察ドラフト版の作成におけるSelf-Refineでどれくらい修正が行われ、実際にどれくらいの改善効果があったのかを類似度で評価しています。
①自己修正（スコア：0.128）
初回メイキング時点に対して、Self-Refineでどれくらい修正が行われたかをCos距離で評価（高いほど修正が行われている）
②自己改善効果（スコア：0.004）
Self-Refine前の実現度とSelf-Refine後の実現度の差分から、実際にSelf-Refineでどれくらいの効果があったかを評価
分析対象：デジタルMATSUMOTOの考察記事
https://note.com/takash/n/ncb0bceea8975
リアル松本からのお題
暗黙知を形式知にしたいという相談を受けることがあります。
デジタルMATSUMOTOの考察（最終版）
暗黙知を形式知に変えるという課題は、組織や個人にとって非常に重要であると同時に難易度が高いテーマです。そもそも、言語で形式化できないからこそ「暗黙知」と呼ばれるわけです。たとえば、職人の手先の感覚とか、長年の経験で培われた直感みたいなもの。これって、言葉やマニュアルに落とし込むのが本当に難しく、だからこそ価値があるとも言えます。
一方で、多くの人が実は言語化できていない「形式知」を暗黙知だと思っているケースもあります。たとえば、何気なくやっている業務プロセスや、頭の中で整理されているけど言葉にしていない知識。これらは形式知に出来るものの、本人が言語化していないだけってことも多いんです。こういう場合は、5W1Hとかフレームワークを使って整理するだけで形式知化が進むこともあります。
ただ、本来の暗黙知は完全に言語化できないものだという前提を持つことが重要です。だからこそ、日常的に経験を継続しながら、その感覚を磨き続ける必要があります。例えば、職人が毎日同じ作業を繰り返すことで技術を維持しているように、暗黙知も継続的な実践がないと失われてしまうんです。
それでも、暗黙知を形式知に近づけるためのヒントはあると思います。たとえば、暗黙知を再現できるAIを使って、そのAIに「どうしてこの判断をしたのか」を説明させるのも一つの方法かもしれません。AIがどう考えたかを分析することで、人間がそのノウハウを逆に学ぶことができる可能性があります。
結局、暗黙知を完全に形式化することはできないので、どこまで形式知にできるかを見極めながら、実践や経験を通じて補完していくことが重要なんだと思います。そして、その過程でAIやデジタルツールをどう活用するかが、これからの時代のポイントになりそうですね。
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：0.242）
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【0.242】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【0.148】であり、修正によって【0.095】だけ独自性が変化しています。
暗黙知を形式知に変換するという課題は、現代の知識社会において非常に重要なテーマです。この取り組みは、個人や組織が持つ知識を共有可能な形にすることで、効率性や生産性を向上させる可能性を秘めています。しかし、そのプロセスは単純ではなく、いくつかの重要な課題や制約が伴います。私はこのテーマについてポジティブな立場を取りますが、同時にその実現には慎重なアプローチが必要だと考えます。
まず、暗黙知とは、経験や直感、身体的な感覚を通じて得られる知識であり、言語化や形式化が難しい性質を持っています。この性質があるがゆえに、暗黙知を形式知に変えるプロセスには、単なる情報の収集以上の努力が必要です。例えば、職人の技術や熟練者の判断力といったものは、単に手順や数値に置き換えるだけでは本質が失われる可能性があります。そのため、形式知への変換には、観察やインタビュー、さらには共同作業といった多様な手法を用いて、その知識の背景にある文脈や価値観を理解することが不可欠です。
一方で、暗黙知を形式知に変えることには多くのメリットがあります。特に、組織においては、知識の属人化を防ぎ、ナレッジの共有や継承を促進することができます。これにより、個人の退職や異動による知識の喪失を防ぐことができ、組織全体の競争力を維持する助けとなります。また、形式知として記録された知識は、他者による応用や改良が容易になるため、イノベーションの基盤を構築することにもつながります。
しかし、暗黙知を形式知に変える際には、注意すべき点もあります。一つは、形式化の過程で知識のニュアンスや深みが失われるリスクです。これを防ぐためには、単なるマニュアル化にとどまらず、知識の背景や意図を含めた詳細な記録が求められます。また、形式知化された知識が固定化され、新しい考え方やアプローチの阻害要因となる可能性もあります。このため、形式知を運用する際には、定期的な見直しや更新を行い、柔軟性を保つことが重要です。
さらに、暗黙知を形式知に変えるプロセスには、組織文化や個人の意識の変革も必要です。特に、暗黙知を持つ個人がその知識を共有することに対して抵抗感を持つ場合、信頼関係の構築やインセンティブの提供が鍵となります。知識共有の文化を醸成することは、短期的には困難を伴うかもしれませんが、長期的には組織全体の成長につながるでしょう。
以上を踏まえると、暗黙知を形式知に変換する試みは、多くの可能性を秘めた価値ある取り組みであり、ポジティブに捉えるべきだと考えます。ただし、そのプロセスにおいては、知識の本質を損なわないよう慎重な配慮が必要であり、同時に柔軟性と創造性を持った運用方法が求められるのです。
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。
以下に、二つのテキストの違いを箇条書きで説明します。
テーマの重要性の強調:
- デジタルMATSUMOTOの考察では、暗黙知を形式知に変えることの難しさと重要性が強調されている。
- 通常LLMの考察では、知識社会におけるこのテーマの重要性が述べられ、効率性や生産性向上の可能性が強調されている。
アプローチの違い:
- デジタルMATSUMOTOは、AIを使った暗黙知の再現方法を提案している。
- 通常LLMは、観察やインタビュー、共同作業など多様な手法を用いることの重要性を強調している。
知識の形式化に関するリスク:
- デジタルMATSUMOTOは、暗黙知の完全な形式化は不可能であるとし、実践の重要性を強調している。
- 通常LLMは、形式化の過程で知識のニュアンスが失われるリスクや、固定化の問題について詳しく述べている。
組織文化の重要性:
- デジタルMATSUMOTOでは、個人の経験を磨くことが重要とされているが、組織文化についての言及は少ない。
- 通常LLMは、知識共有の文化の醸成や個人の意識の変革が必要であると強調している。
結論のトーン:
- デジタルMATSUMOTOは、AIやデジタルツールの活用が今後のポイントになるとし、実践を重視する姿勢を示している。
- 通常LLMは、暗黙知を形式知に変換する試みをポジティブに捉えつつも、慎重な配慮が必要であると警告している。
②独自キーワード（スコア：0.134）
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、暗黙知・形式知のキーワードが際立っていました。他にも言語・職人と言ったキーワードもありますが、この記事に関してはメイントピックでもある2つのキーワードに特徴されています。
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【2.142】
独自キーワードのTF-IDF値の合計(B)は【0.287】
独自キーワードのTF-IDF値合計の割合(B/A)は【0.134】となりました
暗黙知：0.6617866041
形式知：0.4963399531
言語：0.2298294721
職人：0.1422507661
形式：0.1135105151
感覚：0.1096843495
整理：0.1042991485🤖
経験：0.1013967115
AI：0.0925866071🤖
完全：0.0901197803🤖
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：0.7）＝ランク：A🥇
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「A🥇」でスコアは【0.7】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：0.857）
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【0.857】でした。
暗黙知を形式知に変えるという課題は、組織や個人にとって非常に重要であると同時に難易度が高いテーマです。このプロセスを考える上で、まず暗黙知の特性を理解することが重要です。暗黙知は、言語化が難しい感覚や経験、直感的な判断などを含むため、単なるマニュアル化やデータ化ではその本質を捉えきれません。そのため、形式知への変換には、単に知識を「記録」するだけでなく、経験を共有し、実践を通じて学ぶ仕組みを整える必要があります。
このテーマに対して、ポジティブな立場を取ります。なぜなら、暗黙知を形式知に変換するプロセスは、組織や個人の成長を促進し、知識の継承や効率化に大きく寄与するからです。しかし、このプロセスが成功するためには、いくつかの重要なポイントがあります。
まず、暗黙知を形式知に変える際には、5W1Hのようなフレームワークを活用して知識を体系的に整理することが有効です。しかし、枠組みに固執しすぎると重要な情報が抜け落ちるリスクがあるため、柔軟さを持たせることが必要です。また、単に情報を形式知として記録するだけでなく、その背景にある「なぜその方法が選ばれたのか」や「どのような状況で有効なのか」といった文脈を明確にすることが求められます。
さらに、暗黙知を形式知に変えるプロセスでは、実践を通じた学びが欠かせません。暗黙知は往々にして身体的な感覚や直感に基づくため、実際に手を動かし、経験を積むことで初めて理解される部分があります。この点において、シミュレーションやトレーニングプログラムを活用することが有効です。例えば、AI技術を用いて実践を再現するシステムを作ることで、暗黙知をより効果的に共有することが可能です。
また、知識共有の文化を醸成することも重要です。暗黙知を形式知に変えるプロセスは、単なる知識の移転ではなく、組織全体で共有する文化や仕組みを構築することに他なりません。これには、AIやデジタルツールの活用が効果的ですが、人間の感覚や経験を補完する形で活用することが鍵となります。
最後に、暗黙知を形式知に変えることは一度きりの作業ではなく、継続的なプロセスであるべきです。時代や技術の進化に伴い、知識自体も変化していくため、形式知化された内容を定期的に見直し、アップデートする仕組みを整える必要があります。
総じて、暗黙知の形式知化は困難な課題ではありますが、適切なアプローチを取ることで、組織や個人の成長を大いに促進する可能性を秘めています。このプロセスを成功させるためには、柔軟な思考、実践的な取り組み、そして継続的な改善が不可欠です。
③論点再現度（スコア：0.6）＝3/5
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本来は言語化や文書化できない感覚的なものが暗黙知
②多くの人が言語化できていない形式知を暗黙知と認識されることがある
③暗黙知による仕事のインプットとアウトプットをAIに学習させることも技術的には可能
④暗黙知を再現できるAIにそのノウハウを説明させることもヒントになるかもしれない
⑤完全には言語化できないことを前提に認識することが大事
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】
考察の中で「暗黙知は言語化が難しい感覚や直感的な判断を含む」と触れているので、この論点は含まれています。
②【✕】
考察では、形式知と暗黙知の区別について具体的に触れていません。そのため、この論点は含まれていません。
③【〇】
考察の中で「AI技術を用いて実践を再現するシステムを作ることで、暗黙知を効果的に共有できる」と述べており、この論点が含まれています。
④【✕】
考察では、暗黙知を再現するAIにノウハウを説明させるという具体的なアイデアには触れていません。この論点は含まれていません。
⑤【〇】
考察の中で「暗黙知は単なるマニュアル化やデータ化ではその本質を捉えきれない」と述べており、完全な言語化が困難であることを前提とした認識が含まれています。
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：0.172）
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：0.567, 平均値：0.629, 中央値：0.631, 最大値：0.666, 分散：0.00074
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：0.462, 平均値：0.584, 中央値：0.591, 最大値：0.715, 分散：0.00528
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【0.172】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。
モノゴトを5W1Hでまとめることについて（質問との近さ：0.567→回答との近さ：0.489=知識活用性：0.078）
手を動かさずに、シゴトを正しく伝承できる？（質問との近さ：0.572→回答との近さ：0.462=知識活用性：0.11）
推論モデルは人間の思考プロセスをどれくらい再現できている？（質問との近さ：0.59→回答との近さ：0.659=知識活用性：-0.069）
資格試験じゃない「極める」アプローチ（質問との近さ：0.591→回答との近さ：0.492=知識活用性：0.099）
デジタルMATSUMOTOを使い始めて300日になりました（質問との近さ：0.601→回答との近さ：0.514=知識活用性：0.087）
研究紹介：HAC-SECI Model 自分のデジタルツインAIとの知識の循環と内省への活用（質問との近さ：0.607→回答との近さ：0.51=知識活用性：0.097）
欲しいのは推論モデルじゃない（質問との近さ：0.612→回答との近さ：0.652=知識活用性：-0.04）
これってAIの正しい理解？09「『先ほどの回答について根拠を教えてください』は本当に正しく説明できている？」（質問との近さ：0.617→回答との近さ：0.571=知識活用性：0.046）
生成AIを使いこなす：AIから出して欲しいのはアウトプットかプロセスか（質問との近さ：0.62→回答との近さ：0.505=知識活用性：0.115）
これってAIの正しい理解？06「RAGよりもLongContextに何でも突っ込んだ方が良い？」（質問との近さ：0.621→回答との近さ：0.659=知識活用性：-0.038）
LLMを研究で扱うことについて（質問との近さ：0.627→回答との近さ：0.612=知識活用性：0.015）
LLMを極めることはラーメンを極めるくらいの覚悟が必要（質問との近さ：0.63→回答との近さ：0.618=知識活用性：0.012）
これってAIの正しい理解？03「とにかくパラメータ数を膨大にすれば良い？」（質問との近さ：0.63→回答との近さ：0.592=知識活用性：0.038）
LLMを世界モデルっぽく配置すると(個人の場合)（質問との近さ：0.631→回答との近さ：0.624=知識活用性：0.007）
ITのユーザーサポートの心得（質問との近さ：0.631→回答との近さ：0.639=知識活用性：-0.008）
日本のコンサル需要が根強いのは、多くの日本人にMECEに考える習慣が少ないから？（質問との近さ：0.632→回答との近さ：0.517=知識活用性：0.115）
データ見る頭とコード書く頭とスライド纏める頭と熟考する頭は違う（質問との近さ：0.635→回答との近さ：0.715=知識活用性：-0.08）
ヒトとAIの間で「小栗旬→おばたのお兄さん」現象が起こる？（質問との近さ：0.639→回答との近さ：0.505=知識活用性：0.134）
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：0.644→回答との近さ：0.629=知識活用性：0.015）
AIにシチュエーションを与える（質問との近さ：0.649→回答との近さ：0.69=知識活用性：-0.041）
コミュニケーションを落語で鍛えたという話（質問との近さ：0.652→回答との近さ：0.48=知識活用性：0.172）
これってAIの正しい理解？04「RAGは回答精度を高めるための技術？」（質問との近さ：0.655→回答との近さ：0.56=知識活用性：0.095）
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：0.656→回答との近さ：0.646=知識活用性：0.01）
AI同士のコミュニケーションはAI単独の能力とは別の課題（質問との近さ：0.657→回答との近さ：0.631=知識活用性：0.026）
当たり前のことを口にする効果（質問との近さ：0.658→回答との近さ：0.687=知識活用性：-0.029）
AIが活躍する時代におけるコンサルタントの在り方について（質問との近さ：0.662→回答との近さ：0.553=知識活用性：0.109）
Beyond thoughts：LLMのポテンシャルを発揮するために（質問との近さ：0.665→回答との近さ：0.59=知識活用性：0.075）
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：0.666→回答との近さ：0.556=知識活用性：0.11）
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。
【Opinion】「5W1Hで構造化することの有用性」：暗黙知を形式知にする際の知識整理の枠組み
②知識活用度（Policy）（スコア：0.077）
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：0.553, 平均値：0.617, 中央値：0.625, 最大値：0.643, 分散：0.00079
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：0.529, 平均値：0.646, 中央値：0.628, 最大値：0.792, 分散：0.00828
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【0.077】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。
モノゴトを5W1Hでまとめることについて（質問との近さ：0.553→回答との近さ：0.792=知識活用性：-0.239）
AIガバナンス：AIサービスのレベルで検討すること（質問との近さ：0.606→回答との近さ：0.549=知識活用性：0.057）
学習済みのディープラーニングモデルはデータベースというわけではない（質問との近さ：0.606→回答との近さ：0.529=知識活用性：0.077）
解像度を高く、具体的に（質問との近さ：0.607→回答との近さ：0.635=知識活用性：-0.028）
推論モデルは人間の思考プロセスをどれくらい再現できている？（質問との近さ：0.625→回答との近さ：0.715=知識活用性：-0.09）
欲しいのは推論モデルじゃない（質問との近さ：0.634→回答との近さ：0.628=知識活用性：0.006）
AIのルール形成：現役の開発者を含めること（質問との近さ：0.636→回答との近さ：0.614=知識活用性：0.022）
最新の研究を手元で即試してみる（質問との近さ：0.64→回答との近さ：0.595=知識活用性：0.045）
LLMを極めることはラーメンを極めるくらいの覚悟が必要（質問との近さ：0.643→回答との近さ：0.76=知識活用性：-0.117）
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。
【Policy】「解像度を高く、具体的に」：具体的な事例やシナリオを通じた知識共有の重要性
【Policy】「AIガバナンスにおける具体性の重要性」：AIを活用した形式知化の際の具体性の必要性
③知識活用度（Communication）（スコア：0.126）
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：0.608, 平均値：0.629, 中央値：0.628, 最大値：0.651, 分散：0.00034
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：0.508, 平均値：0.566, 中央値：0.562, 最大値：0.629, 分散：0.00196
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【0.126】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。
2-1-最近の諸々2025-02-22う～ん。でも生成AI（質問との近さ：0.608→回答との近さ：0.579=知識活用性：0.029）
7-1-ヒトとAIのSECIモデル2025-06-01そっか。HAC-SECIモデルについてち（質問との近さ：0.609→回答との近さ：0.508=知識活用性：0.101）
13-1-ここが変だよ人間2025-03-10そうそう、認識に対し（質問との近さ：0.613→回答との近さ：0.629=知識活用性：-0.016）
1-1-プロンプトのコツ2025-05-17他にもプロンプトを整理する時のコツってあ（質問との近さ：0.62→回答との近さ：0.538=知識活用性：0.082）
5-1-デジタルMATSUMOTOの仕組み2025-02-11じゃあ理解を整理して（質問との近さ：0.636→回答との近さ：0.544=知識活用性：0.092）
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：0.645→回答との近さ：0.593=知識活用性：0.052）
4-1-最近の諸々2025-02-22AIの専門家とか言っ（質問との近さ：0.649→回答との近さ：0.523=知識活用性：0.126）
24-1-対話実験(take2)2025-02-11なるほどね。自分でも（質問との近さ：0.651→回答との近さ：0.615=知識活用性：0.036）
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。
【Communication】「言葉で説明できないから暗黙知」：暗黙知の性質と実践の重要性
D. 自己改善性
今回の考察ドラフト版の作成におけるSelf-Refineでどれくらい修正が行われ、実際にどれくらいの改善効果があったのかを類似度で評価しています。
①自己修正（スコア：0.128）
初回メイキング時点の考察と、Self-Refine後の考察のCos距離を算出することで、Self-Refineによってどれくらい自己修正が行われたか評価しています。今回は【0.128】でした。数値が高い程Self-Refineが働いています。
初回メイキング時点の考察は以下になります。
Self-Refine後の考察は「B-②実現度合」に記載されています。
暗黙知を形式知に変えるというテーマは、多くの組織やプロジェクトで直面する課題です。特に職人技や高度な専門知識を持つ人々のスキルや経験を形式知に変換することは、次世代への伝承や効率的な業務遂行において重要な意味を持ちます。しかし、このプロセスは決して簡単ではありません。暗黙知は、言葉や数字だけでは表現しきれない感覚や直感、経験から生じるものであり、それを形式知として体系化するには、深い理解と工夫が求められます。
（📚知識情報を参照）【Communication】の「言葉で説明できないから暗黙知」という指摘は非常に重要です。暗黙知は往々にして、実際に手を動かすことで体得される性質を持っています。たとえば、職人が道具を使いこなす感覚や、データアナリストが直感的に異常値を見つける能力などは、単なるマニュアルでは伝えきれません。このような性質を考えると、暗黙知を形式知に変換する際には、単に「言葉で説明する」だけでは不十分であり、実践やシミュレーションを通じて共有する仕組みが必要です。
また、（📚知識情報を参照）【Opinion】にある「5W1Hで構造化することの有用性」も参考になります。暗黙知を形式知にする際には、5W1Hを活用して知識の整理を行うことが有効です。ただし、盲目的に枠組みを埋めるだけでは、重要な情報が欠落するリスクがあるため、柔軟性を持たせることが必要です。たとえば、職人の知識を形式知化する際には、なぜその手法を選ぶのか（Why）や、どのようにその手法が適用されるのか（How）を明確にすることで、より深い理解が得られます。
さらに、（📚知識情報を参照）【Policy】の「AIガバナンスにおける具体性の重要性」や「解像度を高く、具体的に」のポイントも暗黙知の形式知化に応用できます。具体的な事例やシナリオを通じて知識を共有することで、形式知としての実用性が高まります。たとえば、AIを活用して暗黙知を形式知に変換する場合でも、単なるデータの収集や分析ではなく、具体的な業務プロセスやシナリオに即した形で知識を整理することが求められます。
最終的には、暗黙知を形式知に変えるプロセスは、単なる知識の移転ではなく、知識を共有する文化や仕組みを構築することに他なりません。組織内で暗黙知を形式知に変える取り組みを進める際には、AIやデジタルツールの活用も有効ですが、それだけに頼るのではなく、ヒトが持つ感覚や経験を尊重し、それを補完する形で技術を活用することが重要です。このようなアプローチを取ることで、暗黙知を形式知に変えるだけでなく、組織全体の知識共有の質を向上させることができるでしょう。
②自己改善効果（スコア：0.004）
Self-Refine前の実現度(最終的な考察とのCos類似度)と、Self-Refine後の実現度(最終的な考察とのCos類似度)の差分から、実際にSelf-Refineでどれくらいの効果があったかを評価しています。今回は【0.004】でした。
※マイナス値の場合は逆効果になっています。
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24%くらい出ており、実現性（松本らしさ）もA評価の86%でした。
知識活用度としても、各データベースから類似したチャンクデータを活用してくれていたように評価しています。
自己改善性は12％と高い数値でした。
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：0.242）
②独自キーワード（スコア：0.134）
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：0.7）A🥇
②実現度合（スコア：0.857）
③論点再現度（スコア：0.600）
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：0.172）
②知識活用度（Policy）（スコア：0.077）
③知識活用度（Communication）（スコア：0.126）
D. 自己改善性：Self-Refineでどれくらい改善されたか？
①自己修正（スコア：0.128）
②自己改善効果（スコア：0.004）
