{
  "schemaVersion": "1.0",
  "language": "ja",
  "id": "data-quality-knowledge",
  "name": "データ品質・ガバナンス",
  "description": "データの品質、鮮度、管理と判断への接続を扱う。",
  "alternateNames": [
    "Data Quality & Governance",
    "データガバナンス",
    "データ品質",
    "情報鮮度",
    "ビッグデータ",
    "コンテンツ運用"
  ],
  "canonicalUrl": "https://catalysphere.co.jp/topics/data-quality-knowledge/",
  "machineReadableUrl": "https://catalysphere.co.jp/topics/data-quality-knowledge/index.json",
  "updatedAt": "2026-10-01",
  "articles": [
    {
      "slug": "benchmark-contamination-detection",
      "title": "そのベンチマーク得点は、未見能力を測っているか",
      "summary": "公開テスト集合の学習混入を、データ重複、補完挙動、例の順序、公開時点から多面的に調べ、疑わしい得点を意思決定から隔離します。",
      "quickAnswer": {
        "what": "公開ベンチマークの高得点は、テスト例や近似例が学習済みなら未見能力の証拠になりません。",
        "why": "単一の検査で断定せず、データ側の重複とブラックボックスの挙動を組み合わせて疑義を評価します。",
        "action": "疑わしい得点は別区分にし、公開後作成・非公開・時間分割の評価で再確認します。"
      },
      "updatedAt": "2026-07-24",
      "url": "https://catalysphere.co.jp/articles/benchmark-contamination-detection/",
      "machineReadableUrl": "https://catalysphere.co.jp/articles/benchmark-contamination-detection/index.json"
    },
    {
      "slug": "synthetic-training-data-model-collapse",
      "title": "合成データの再帰学習では、平均より先に分布の尾が失われる",
      "summary": "合成データの再利用を一律に禁じるのではなく、実データの置換・蓄積・選別を分け、希少事例と多様性を守る学習データ運用を設計します。",
      "quickAnswer": {
        "what": "合成データは自動的にモデル崩壊を起こしませんが、実データを置き換える再帰学習では分布の尾と多様性が失われ得ます。",
        "why": "劣化は素材名より、実データの保持、世代間の再利用、標本選択、有限データの誤差がどう重なるかで変わるためです。",
        "action": "標本の由来と世代を残し、平均性能と別に少数群・裾・多様性を試験します。悪化した合成源や区分を隔離し、確認済みの基準構成へ戻してから再試験します。"
      },
      "updatedAt": "2026-10-01",
      "url": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/",
      "machineReadableUrl": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/index.json"
    },
    {
      "slug": "data-quality-decision-errors",
      "title": "データ品質の欠陥は、どこで意思決定の誤りに変わるのか",
      "summary": "データ品質を正確さだけで捉えず、意味、代理指標、現場の修正経路まで追うことで、数字が判断ミスへ変わる場所を特定します。",
      "quickAnswer": {
        "what": "データ品質とは、正確さだけでなく、判断に必要な文脈・表現・アクセスまで含む適合性です。",
        "why": "不適切な代理指標や上流の妥協は、モデルが高精度でも特定の人や状況へ誤りを集中させるためです。",
        "action": "重要判断から逆算し、定義、代理指標、欠損、現場の修正、結果までを一つの品質台帳で管理します。"
      },
      "updatedAt": "2026-10-01",
      "url": "https://catalysphere.co.jp/articles/data-quality-decision-errors/",
      "machineReadableUrl": "https://catalysphere.co.jp/articles/data-quality-decision-errors/index.json"
    },
    {
      "slug": "knowledge-base-content-operations",
      "title": "社内AIの答えは、検索精度より先に知識の寿命で壊れる",
      "summary": "RAGの精度はモデルだけでなく、文書の版、期限、出典、権限、削除が索引へ反映される速さで決まります。知識ベンチマークから運用設計を考えます。",
      "quickAnswer": {
        "what": "社内ナレッジは一度取り込むデータではなく、出典、版、期限、権限、削除を保守し続ける業務プロダクトです。",
        "why": "検索器が正しくても、知識源が古い、競合する、根拠へ戻れない、閲覧権限が違う状態では回答品質を守れないためです。",
        "action": "文書責任者と有効期限を持たせ、変更から索引反映までを測り、根拠付き質問で継続的に鮮度と来歴を試験します。"
      },
      "updatedAt": "2026-10-01",
      "url": "https://catalysphere.co.jp/articles/knowledge-base-content-operations/",
      "machineReadableUrl": "https://catalysphere.co.jp/articles/knowledge-base-content-operations/index.json"
    },
    {
      "slug": "big-data-decision-quality",
      "title": "ビッグデータは、意思決定を本当に良くするのか",
      "summary": "データ量と判断の質は同じではありません。指標の意味、因果と相関、更新頻度、現場の文脈から、使えるデータ基盤の条件を考えます。",
      "quickAnswer": {
        "what": "ビッグデータの価値は保存量ではなく、重要な判断をより速く正確に更新できるかで決まります。",
        "why": "定義の不一致、選択バイアス、相関と因果の混同があると、データが多いほど誤信も強くなるためです。",
        "action": "意思決定から逆算して指標、比較方法、更新責任、行動後の学習ループを一つずつ設計します。"
      },
      "updatedAt": "2026-07-24",
      "url": "https://catalysphere.co.jp/articles/big-data-decision-quality/",
      "machineReadableUrl": "https://catalysphere.co.jp/articles/big-data-decision-quality/index.json"
    }
  ]
}