ガバナンスアーティファクト
このページが対象とするガバナンスファイル
このページは、アイデンティティ、優先順位、限界、コーパスの読解条件を宣言する公開サーフェスに結びついています。以下の順序が、推奨される読解の順序です。
Q-Metrics JSON
/.well-known/q-metrics.json
ギャップ、スナップショット、比較を観測するための記述的指標のサーフェス。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
Q-Metrics YAML
/.well-known/q-metrics.yml
計装と構造化された読解のための、Q-MetricsのYAML投影。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
Q-Ledger JSON
/.well-known/q-ledger.json
観測、ベースライン、バージョン管理されたギャップを記録するマシンファーストのジャーナル。
- 統御する対象
- ギャップ、ドリフト、スナップショット、比較の記述。
- 画定する範囲
- 観測されたシグナル、忠実性の証明、実際の舵取りの混同。
保証しないこと： 観測サーフェスは効果を記録するものであり、それ単独では表現を保証しない。
解釈修正の管理（負債の解消）
AIの回答を修正することは、テキストを修正することではない。解釈されるウェブでは、「誤り」は、反復、集約、引用、意味的近傍、モデルの慣性によって安定化する。単発の修正は、多くの場合、局所的な改善をもたらした後、別の場所で暗黙的な後退を生む。
本フレームワークは、解釈的負債の解消の規律を定式化する。診断、優先順位づけ、内因的修正、外因的修正、証拠、バージョン、モニタリングである。
運用上の定義
解釈修正：推論を統御し（Q-Layer）、持続可能性を確保しながら（LTS）、カノン（内因的）とシグナル環境（外因的）の双方を修正することによって、カノンと出力のギャップを持続的に縮小するための一連の措置である。
「単発の」修正が失敗する理由
- 解釈慣性：古い解釈が持続する。
- 解釈テール：修正は、ゆっくりと不均等に伝播する。
- 解釈残留：修正の後に、古い状態が再び現れる。
- 捕捉／汚染：外部の近傍が、自らの物語を押しつけ続ける。
- ガバナンス外の推論：モデルが「穴埋め」をして、誤りを再生成する。
適用サーフェス
- オープンウェブ：回答エンジン、要約、比較、持続する引用
- RAG：文書ベース、曖昧なチャンク、ソースのルーティング
- エージェンティック：古くなった解釈や正当でない解釈にもとづいて引き起こされる行動
修正モデル：内因的＋外因的
内因的修正（カノン）
- カノンを明確にする
- 除外を定義する
- アイデンティティを強化する
- 重要な真実をバージョン管理する
- カノンと推論の関係を明示する
外因的修正（シグナル環境）
- 支配的な外部ソースを修正する
- 近傍汚染を減らす
- 解釈の捕捉を無力化する
- アグリゲーターと二次的なプロフィールの情報を統一する
フレームワークのルール（CIR-1からCIR-10）
CIR-1：診断のない修正は行わない
ドリフトの種類を特定する。衝突、捕捉、不可視化、規範的な外挿、状態乖離、平滑化である。
CIR-2：修正の対象は症状ではなく、ギャップである
一つの事例を修正しても、それを生み出すメカニズムは修正されない。
CIR-3：重要度による優先順位づけ
アイデンティティ、コンプライアンス、安全性、動的状態、評判は、ほかのものに優先する。
CIR-4：推論を統御する
Q-Layerがなければ、推論は誤りを再生成する。重要な領域では、応答条件と非回答が義務である。
CIR-5：機微な属性に対する忠実性の証明
証明が不可能な場合、非回答が正しい出力である。
CIR-6：まず内因的修正
カノンは、明確で、安定し、バージョン管理され、内部に矛盾のないものでなければならない。
CIR-7：次に、対象を絞った外因的修正
ドリフトの原因となっている支配的なソースに対処しなければならない。
CIR-8：すべての介入をバージョン管理する
バージョン管理されていない修正は、監査することも保守することもできない。
CIR-9：敵対的な再テスト
複数の言い回し、複数ターン、比較、曖昧さ、罠となるシナリオをテストする。
CIR-10：LTSモニタリング
伝播の遅延、コンプライアンスドリフト、残留指数を追跡する。
実装プロトコル（8ステップ）
ステップ1：ギャップのレジストリ
- 事例、サーフェス、ドリフトの種類、重大度、証拠、頻度
ステップ2：ソースと近傍のマッピング
- 支配的なソース、共起、比較ページ、ディレクトリ、アグリゲーター
ステップ3：内因的修正
- カノン、定義、エンティティページ、関係、除外、曖昧さの明確化
ステップ4：応答条件の導入
- Q-Layer、正当な非回答、重要属性に対する証明の要求
ステップ5：対象を絞った外因的修正
- 支配的なソースを優先し、近傍汚染を減らす。
ステップ6：規律あるリリース
- バージョン、変更履歴、期待される影響、リリース後の検証
ステップ7：証拠にもとづく検証
- 重要な事例に関する解釈トレース＋忠実性の証明
ステップ8：モニタリングと再テスト
- アラートの閾値、頻度、残留指数、コンプライアンスドリフト
期待されるアーティファクト
- ギャップのレジストリ：事例、種類、重大度、証拠、ステータス
- 修正計画：内因的、外因的、優先順位、担当者、バージョン
- リリースログ：バージョン、影響、検証
- テストバッテリー：敵対的シナリオと結果
- レポート：カノンと出力のギャップ、コンプライアンスドリフト、残留
FAQ
なぜ「外因的に」修正するのか？
AIは、一つのサイトだけを学習するのではないからである。AIは一つの場を解釈する。場が汚染されていれば、カノンは少数派にとどまる。
成功を示す最良の指標は何か？
カノンと出力のギャップの持続的な減少に、残留の低減と、複数の言い回しにわたる安定性の向上が組み合わさることである。
修正ではなく拒否しなければならないのは、どのような場合か？
アイデンティティまたは状態を証明できない場合である。正当な非回答は、新たな負債の発生を防ぐ。