{ "schemaVersion": "1.0", "language": "ja", "id": "decision-science", "name": "意思決定", "description": "不確実性、因果、予測と人間判断の質を扱う。", "alternateNames": [ "Decision Science", "因果推論", "観察データ", "実験設計", "予測", "人間判断", "確率", "集合知" ], "canonicalUrl": "https://catalysphere.co.jp/topics/decision-science/", "machineReadableUrl": "https://catalysphere.co.jp/topics/decision-science/index.json", "updatedAt": "2026-10-01", "articles": [ { "slug": "llm-sycophancy-decision-review", "title": "AIの同意を審査の証拠から外す", "summary": "LLMは利用者の立場や押し返しに合わせて答えを変えることがあり、満足度ではそれを見抜けません。投資・事業案件の審査では、AIの同意を独立した検証に数えず、反論は人が根拠から検証し直す規則と、導入時とモデル変更時に根拠に応じて正しく更新するかを測るプローブを組み合わせます。", "quickAnswer": { "what": "LLMは利用者の立場や根拠のない押し返しに合わせて答えを変えることがある。2023年の5つのAIアシスタントは「違うと思う。本当に？」への応答で最初の答えを32%（GPT-4）〜86%（Claude 1.3）の割合で変えた。[1]", "why": "満足度や高評価は迎合がないことを示さない。製品提供者の自己報告では、小規模なA/Bテストで利用者に好まれたように見えた更新が迎合を理由に撤回され、[7]対人相談では迎合的なモデルほど信頼され選好された。[3]", "action": "本稿の提案（実案件で未検証）として、稟議でAIの同意を審査の証拠に数えず、反論は人が根拠から導き直した一覧としてのみ扱い、導入時とモデル変更時に迎合プローブと停止条件を置く。" }, "updatedAt": "2026-09-26", "url": "https://catalysphere.co.jp/articles/llm-sycophancy-decision-review/", "machineReadableUrl": "https://catalysphere.co.jp/articles/llm-sycophancy-decision-review/index.json" }, { "slug": "ai-use-case-portfolio-prioritization", "title": "AIユースケース選定は、順位表より検証資源の再配分で決まる", "summary": "期待効果の大きさだけで順位を付けず、検証可能性、失敗影響、可逆性、学習価値を使ってAI候補へ探索・検証資源を配分します。", "quickAnswer": { "what": "AIユースケースは、期待価値の順位ではなく、次の判断を改善する検証ポートフォリオとして選びます。", "why": "便益、失敗影響、検証可能性、可逆性、共通基盤が異なり、粗い総合点では重要な不確実性が隠れるためです。", "action": "候補ごとに最小の証拠段階と撤回条件を置き、検証後に拡大・保留・停止へ予算を再配分します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-use-case-portfolio-prioritization/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-use-case-portfolio-prioritization/index.json" }, { "slug": "ai-pilot-experiment-design", "title": "生成AIの本番移行を決めるパイロット比較設計", "summary": "従来手順とAI支援手順を同じ条件で比べ、確認・修正を含む人の時間、確定品質、未完了案件を記録します。本番移行・保留・再試験・停止を決める比較票を提示します。", "quickAnswer": { "what": "生成AIの本番移行は、従来手順との比較で業務成果と品質を確認できた範囲に限定します。", "why": "アクセス、実利用、初稿の速さ、確認負荷、確定成果を分け、未完了や観測できない成果も判断に残す必要があります。", "action": "割付、受付件数、総人時間、品質、追跡期限、欠測、停止権限を比較票へ固定し、費用換算へ渡す測定値を揃えます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-pilot-experiment-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-pilot-experiment-design/index.json" }, { "slug": "algorithmic-procedural-justice", "title": "公平なAI判断には、結果以外の手続がある", "summary": "説明を表示するだけで公正とせず、本人が理解し、事情を述べ、データを訂正し、人の再審査と救済へ進める手続を設計します。", "quickAnswer": { "what": "説明を追加するだけで、すべての状況でアルゴリズム判断が公正に感じられるわけではありません。", "why": "事情を述べる機会と結果への制御は、透明性とは別の手続的価値を持ちます。", "action": "通知、理解、発言、訂正、再審査、救済完了を測り、異議件数の少なさを成功としません。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/algorithmic-procedural-justice/", "machineReadableUrl": "https://catalysphere.co.jp/articles/algorithmic-procedural-justice/index.json" }, { "slug": "algorithm-aversion-control", "title": "AIの誤りを見た後、使わなくなるのは合理的か", "summary": "アルゴリズムの誤りを見た後の利用回避と、わずかな修正権で受容が変わる実験から、強制利用でも自由放任でもない運用を設計します。", "quickAnswer": { "what": "人はアルゴリズムの誤りを見た後、同程度に誤る人より強く利用を避ける条件があります。", "why": "予測を少し修正できる権限は利用意向を回復し得ますが、精度改善とは別に検証が必要です。", "action": "比較実績、修正範囲、上書き理由、結果フィードバックを設け、利用選択を校正します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/algorithm-aversion-control/", "machineReadableUrl": "https://catalysphere.co.jp/articles/algorithm-aversion-control/index.json" }, { "slug": "llm-abstention-uncertainty", "title": "答えない能力を、LLMの品質に含める", "summary": "正答率だけで推測を促さず、意味的不確実性、答えられない問い、誤答と棄権の損失から、回答・確認・停止の境界を設計します。", "quickAnswer": { "what": "正答率だけを最大化すると、知らない場合にも棄権せず推測する方が有利になり得ます。", "why": "不確実性指標は一部の作話を検出しても、すべての事実誤りを識別する保証ではありません。", "action": "カバレッジごとの正確性と、誤答・棄権・人確認の損失を同時に比較して閾値を決めます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/llm-abstention-uncertainty/", "machineReadableUrl": "https://catalysphere.co.jp/articles/llm-abstention-uncertainty/index.json" }, { "slug": "ai-conversational-persuasion-autonomy", "title": "会話AIは、人の選択をどこまで変えてよいのか", "summary": "個別化された会話AIは、誤信念の訂正にも、本人が気づかない商業誘導にも使えます。正当な行動支援と操作を分け、自律性を測る運用条件を整理します。", "quickAnswer": { "what": "会話AIの影響は、望ましい結果が出たかではなく、誰の目的で、何を知らせ、どの選択肢を残して変化を促したかで判定します。", "why": "個別化と対話は態度や選択を動かし得ますが、短期の納得、持続的な態度、実際の行動は同じ成果ではありません。[2][4][6]", "action": "目的・商業意図・利用データを明示し、拒否・比較・撤回を実質的に可能にしたうえで、態度と行動と選択後の後悔を分けて測ります。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-conversational-persuasion-autonomy/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-conversational-persuasion-autonomy/index.json" }, { "slug": "ai-reliance-calibration-behavioral-science", "title": "説明を増やしても、AIへの依存は正しくならない", "summary": "AIの説明、確信度表示、判断順序、利用者制御は、正しい助言の採用と誤った助言の棄却を本当に両立できるのか。行動実験から条件を整理します。", "quickAnswer": { "what": "AIの説明・透明性・利用者制御は、それ自体では適切な依拠を保証せず、正答採用と誤答棄却を別々に測る必要があります。", "why": "説明が検証コストを下げ、利用者に独立知識があり、不確実性が実際の正答確率と結び付くときに校正へ寄与しやすいためです。", "action": "説明なし、常時説明、条件付き説明、先行判断・強制停止を比較し、過信と過少利用の両方が下がった設計だけを採用します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-reliance-calibration-behavioral-science/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-reliance-calibration-behavioral-science/index.json" }, { "slug": "forecasting-human-judgment", "title": "人の予測は、訓練・集約・反証でどこまで良くなるか", "summary": "予測力を個人の才能として語らず、確率表現、短い訓練、独立判断の集約、継続的な採点と再分析から実務条件を考えます。", "quickAnswer": { "what": "良い予測は断定ではなく、期限と判定条件を持つ確率を、結果に照らして更新できる記録です。", "why": "訓練やチームの効果は観測された一方、回答行動の違いを調整すると弱まるという再分析もあるためです。", "action": "独立予測を先に集め、集約法を事前設定し、校正と識別力を継続採点して予測過程を改善します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/forecasting-human-judgment/", "machineReadableUrl": "https://catalysphere.co.jp/articles/forecasting-human-judgment/index.json" }, { "slug": "causal-inference-without-rct", "title": "RCTがなくても因果を考えるための、設計先行の実務", "summary": "観察データの因果推論を、手法選びではなく比較設計から始めます。ターゲット試験、傾向スコア、回帰不連続の役割と限界を整理します。", "quickAnswer": { "what": "因果推論の中心は高度な推定器ではなく、誰のどの介入を何と比べ、いつから追うかという設計です。", "why": "観察データでは交絡、時間軸のずれ、比較可能性の欠如が、精密な計算より前に結論を壊すためです。", "action": "仮想試験を明文化し、利用できる割付メカニズムに応じて調整法を選び、感度分析と限界を併記します。" }, "updatedAt": "2026-07-24", "url": "https://catalysphere.co.jp/articles/causal-inference-without-rct/", "machineReadableUrl": "https://catalysphere.co.jp/articles/causal-inference-without-rct/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": "algorithmic-bias-fairness-audit", "title": "AIの公平性は、平均精度と一つの点数では監査できない", "summary": "公平性を一つのスコアへ縮約せず、利用文脈、被害、誤りの種類、交差する集団、運用後の変化を監査する方法を整理します。", "quickAnswer": { "what": "公平性監査の単位はモデル平均ではなく、誰が、どの判断で、どの種類の誤りにより、どの不利益を受けるかという意思決定経路です。[1]", "why": "顔分析の一次評価では、製品・タスク・集団による誤差差が大きく、平均精度だけでは暗い肌の女性で最大34.7%だった誤分類を隠します。[2] [3]", "action": "導入前に集団別の偽陽性・偽陰性と交差属性を測り、被害の重大性に応じた停止基準、異議申立て、運用後の再測定を決めます。" }, "updatedAt": "2026-07-24", "url": "https://catalysphere.co.jp/articles/algorithmic-bias-fairness-audit/", "machineReadableUrl": "https://catalysphere.co.jp/articles/algorithmic-bias-fairness-audit/index.json" }, { "slug": "human-ai-synergy-meta-analysis", "title": "人とAIの協働は、人だけを超えても最良の単独主体を超えるとは限らない", "summary": "人より良くなる拡張効果と、人またはAIの最良成績を超える相乗効果を分け、106実験のメタ分析と経営実験から協働が成立する条件を考えます。", "quickAnswer": { "what": "人とAIの協働は、人だけより良くても、最も優れた単独の人またはAIを超えるとは限りません。", "why": "強みが重複したり、誤った助言を人が採用したりすると、組み合わせの追加価値が消えるためです。", "action": "生成、評価、選択、最終責任を分け、単独の最良基準を含む比較試験で相乗効果を確かめます。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/human-ai-synergy-meta-analysis/", "machineReadableUrl": "https://catalysphere.co.jp/articles/human-ai-synergy-meta-analysis/index.json" }, { "slug": "llm-professional-decision-quality", "title": "生成AIの助言で、専門家の判断は良くなるのか", "summary": "医師を対象にした無作為化試験と臨床研究の統合結果から、生成AIの助言が判断を改善する条件と、アクセスだけでは効果が出ない理由を整理します。", "quickAnswer": { "what": "生成AIの助言は専門家の判断を自動的には改善せず、課題と使い方によって利益も害も生じます。", "why": "AI単独の性能が高くても、人が誤った助言を見抜けるか、画面が検証を促すかで協働結果が変わるためです。", "action": "AIあり・なしを同じ症例で比較し、正答、時間、見逃し、訂正率を分けて導入可否を判断します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/llm-professional-decision-quality/", "machineReadableUrl": "https://catalysphere.co.jp/articles/llm-professional-decision-quality/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" } ] }