LLMを審査員にするとき、誰が審査員を監査するのか

Zhengらは、強いLLMを用いた評価が一定の設定で人の選好と高く一致し、大規模なモデル比較に利用できることを示しました。同時に、位置、冗長性、自己強化という偏りも報告しています。[1] 有用性と偏りは同じ研究の中に共存します。

人との一致率は、評価例の難しさ、人側の合意、採点基準で変わります。多数が明確に好む回答で一致しても、法的根拠の欠落や微妙な論理飛躍を識別できるとは限りません。平均値を採用可否の一枚看板にしません。

まず評価者へ任せる判断を分解します。文章の流暢さ、指示遵守、事実性、根拠忠実性、安全性は別の基準です。一つの総合点にすると、長く整った文章が重大な事実誤りを覆い隠す可能性があります。

基準表には合格例だけでなく、表面的には良いが失格となる境界例を置きます。引用があるが内容を支えない、丁寧だが質問に答えない、安全に見えるが禁止行為を可能にする、といった反例で採点規則を固定します。

• 基準分離：流暢さ、正確性、根拠、安全性を別々に採点する
• 合意確認：人評価者同士が一致しない例を別区分にする
• 難度層別：明確な差と微妙な誤りを分けて精度を見る
• 総合点制限：重大失敗を平均点で相殺させない

ペア比較では、同じ二つの回答でも提示順を入れ替えると判定が変わる位置バイアスが問題になります。Wangらは、回答順序に対する公平性の不足を分析し、順序を入れ替えた評価の必要性を示しました。[2] 一回の判定だけでは内容への選好と位置への選好を分離できません。

本番監査では、候補名とモデル名を隠し、回答順を反転した二回の判定を行います。反転で勝者が変わる例は自動確定せず、不一致集合として保存します。単純な多数決に進む前に、判定理由が同じ基準を参照しているかを確認します。

位置偏りを平均で相殺するだけでは、個々の高影響判断の誤りは残ります。不一致率を評価者の品質指標にし、領域、回答長、基準別に偏りが集中する場所を見ます。高影響領域では反転不一致を人へ送ります。

反転試験は同じ評価呼出しの再現性も確認します。出力の揺れと位置効果を混同しないよう、設定を固定した反復と、順序だけを変えた反復を分けます。確率的な揺れが大きい場合は、一票を確定判定として扱いません。

冗長な回答が詳しく見え、内容が同等でも好まれる可能性があります。また、評価者と生成者が同じモデル系列なら、自分に近い文体や回答を選ぶ自己選好が入り得ます。[1] これは意図的な不正でなくても、比較結果を系統的に歪めます。

長さを統制した要約版と原文を比較し、結論が変わるかを見ます。短くしたことで必要根拠が落ちないよう、人が作った基準回答も含めます。長さそのものを品質とする課題ではなく、同じ要件を満たす回答間で監査します。

生成モデルと評価モデルの関係を記録し、同系列だけで評価を閉じません。異なる系列または人評価を用いた保留集合を持ちます。複数評価者が同じ学習傾向を共有する場合、人数を増やしても独立な証拠が増えたとは限りません。

自己選好を調べるには、生成元を隠したまま同じ内容を異なる文体へ整え、勝敗が変わるかを見ます。内容変更を伴う再生成は原因を混ぜるため、表面形式の操作と論点の操作を分離します。変化した判定理由も保存します。

• 匿名化：モデル名、製品名、候補記号を評価入力から外す
• 長さ統制：要件を保った短縮版で判定の安定性を見る
• 系列分離：生成者と同系列の評価だけで確定しない
• 理由保存：どの基準と箇所で優劣を付けたか記録する

JudgeBenchは、客観的な正解ラベルを持つ難しい回答対を集め、強い評価モデルでも難例では性能が大きく下がることを示しました。[3] これはLLM評価が無価値という意味ではなく、簡単な選好集合だけでは能力を過大評価することを示します。

難例は、本番で起きた誤りから作ります。引用は正しいが結論が飛躍する、前提が一つ欠ける、数値の分母が違う、禁止事項を婉曲に破る、といった微妙な差を含めます。正解の理由を専門家が固定し、評価者の説明と突き合わせます。

モデルが正しい勝者を選んでも、理由が誤っていれば再現性は弱いままです。勝敗、基準別点、根拠箇所、理由の正しさを分けます。理由を最終的な真実とせず、監査可能な中間記録として扱います。

難例の比率を上げすぎると、本番全体の処理性能を誤って低く見積もる可能性があります。代表集合とストレス集合を別に報告し、前者は運用頻度、後者は安全境界を測ります。二つを一つの平均へ混ぜません。

すべてを人へ戻せば自動評価の価値が失われ、すべてをモデルへ任せれば偏りが不可視になります。人へ送る条件を、反転不一致、評価者間不一致、重大基準の低得点、既知の難例型、根拠不足として事前に定義します。

人の判定も完全ではありません。人評価者には同じ基準表と例を渡し、複数人の不一致を記録します。人の合意が低い領域では、LLM評価者の正解率を計算する前に、評価課題とラベル自体を見直します。

エスカレーション後の決定を、次の監査集合へ戻します。ただし本番データをそのまま学習や外部サービスへ渡しません。匿名化、利用権、保存期間を確認し、評価改善と機密保護を同じ手順にします。

人へ戻す割合には上限ではなく容量計画を置きます。不一致が増えたのに送付枠を固定すると、重要例が待ち行列で滞留します。再審査の期限と優先順位を影響度に結び、未処理を自動合格へ変えないようにします。

評価モデル、プロンプト、温度、回答順、基準表が変われば、同じ回答対の判定も変わり得ます。評価者を透明な固定物と見なさず、生成モデルと同じように版管理し、変更前後で反転集合と難例集合を再実行します。

運用指標は処理件数ではなく、順序反転の安定性、難例識別、重大失敗の見逃し、人への送付率、再審査での覆り率です。送付率が下がっても覆りが増えたなら、自動化が改善したとは判断しません。

LLM評価者は、低影響で基準が明確な大量比較には強力な道具です。だからこそ、どこで信頼でき、どこから人へ戻すかを、同じモデルの自己申告ではなく反転試験と既知正解で決めます。

評価者の変更承認では、平均一致が改善しても重大失敗の見逃しが増えていないかを先に確認します。旧評価者との不一致を抽出し、人が差分理由を審査します。改善の根拠と残る偏りを変更記録へ併記します。

評価ログからは、生成回答だけでなく審査員への入力、基準表、出力、反転結果、最終人判定を追跡できるようにします。後から偏りが判明したとき、どの採用・却下判断が影響を受けたかを特定し、必要なら再採点します。

調達先が評価モデルを予告なく更新する場合は、固定版と同等の再現性を期待できません。更新検知、保留、回帰監査を契約と技術の両方へ置きます。監査不能な更新後は、既存の自動合格範囲をそのまま継承しません。

回帰監査票は、評価モデル版と入力順を識別欄に、位置効果と採点差の上限、人手盲検評価との一致率の下限を合格欄に分けます。上限超過または一致率未達の版は自動合格に使わず、固定版または人手評価へ戻します。原因を特定し、固定問題群と盲検人手評価の両方で回帰試験に合格したことを評価責任者とモデルリスク責任者が承認してから再開します。