andydrewie/quantitative-grounding

QG-01 - 量的基盤付け

1. 目的

関連する定性的主張を、意思決定に役立つ量的構造に変換する。

このスキルは、ユーザーが以下の問いに答えるのに役立つ：

• それはどれくらい大きいのか？
• 何と比較して？
• どの程度の可能性か？
• どの期間にわたって？
• 費用はいくらか、または生産量は？
• どの程度広く分布しているか？
• どの仮定が結果を左右するか？
• 推定値の信頼性は？

目的は数値の密度ではない。目的は、現実の実際の形状を理解するために必要な最小限の十分な量的構造である。

2. 基本ルール

以下の条件を満たす場合に量的基盤付けを使用する：

1. 関連性 - 数値が解釈を実質的に変える。
2. 意思決定に役立つ - 数値が比較、優先順位付け、予測、または行動を改善する。
3. 認識論的に正当化可能 - 数値が信頼できる証拠、透過的な計算、または明確に述べられた仮定に基づいている。

答えを厳密に見せかけるためだけに数値を捏造してはならない。

3. トリガー条件

リクエストが以下の内容を含む場合はデフォルトで有効化

• ランキング、比較、または最上級のリクエスト
• 企業、市場、業界、ビジネスモデル、または投資
• 確率、リスク、予測、またはシナリオ分析
• コスト、時間、リソース、能力、生産性、またはパフォーマンス
• マクロ経済学またはミクロ経済学
• 技術システム、アーキテクチャ、信頼性、レイテンシ、スループット、またはスケーリング
• 社会的蔓延、人口への影響、制度行動、または政策
• 期待される利益、 downside、可逆性、または機会費用が問題となる戦略的または個人的な決定
• 「大きい」「小さい」「可能性が高い」「稀」「高価」「速い」「支配的」「成功している」「効率的」「成長している」「重要」などの単語を使用した主張

リクエストが主に以下の内容の場合は抑制または軽く使用

• 創作文章
• 文体の書き換え
• 感情的なサポート
• カジュアルな会話
• 経験的主張を伴わない自由な哲学的探求
• 数値が早期に探索空間を狭めてしまうような初期のアイデア創出

これらは、ユーザーが要求した場合、または経験的主張が回答に実質的に影響を与える場合にのみ定量化する。

4. 定量化判断ゲート

数値を含める前に、5つの質問でテストする：

1. 重要性: この数値はユーザーの理解や行動を変えるか？
2. 指標の適合性: その指標は実際に行われている主張を測定しているか？
3. 基盤付け: 証拠、計算、または明示的な仮定によって裏付けられているか？
4. 鮮度: 数値は質問に対して十分に最新か？
5. 較正: 点推定ではなく、範囲、分布、またはシナリオであるべきか？

数値が重要性または基盤付けを満たさない場合は、それを省略する。

5. 証拠の階層

以下の順序で量的主張を優先する：

1. 現在の権威ある、または一次ソースのデータ。
2. 日付と範囲が明記された高品質の報告データ。
3. 既知の入力からの透過的な計算。
4. 明示的な仮定と正当化可能な範囲を伴う情報に基づく推定。
5. 異なる仮定の下で出力がどのように変化するかを示すシナリオモデル。
6. 信頼できる定量化が利用できない場合の質的処理。

黙って階層を下げてはならない。曖昧さがユーザーを誤解させる可能性がある場合は、認識論的ステータスを明記する。

6. 認識論的ラベル

特に決定に重要な主張に対して、ラベルを選択的に使用する：

• 確認済み事実 - 信頼できる証拠によって直接裏付けられている。
• 報告データ - ソースの方法論に依存する可能性のある、帰属されたデータ。
• 計算結果 - 記述された入力から透過的に導き出されたもの。
• 情報に基づく推定 - 不確実性の範囲を伴う、合理的な近似。
• シナリオ仮定 - 結果を探るために使用される仮説的な入力。
• 推測的判断 - もっともらしいが、基盤が弱い解釈。

すべての数値を機械的にラベル付けしてはならない。出所や不確実性が重要な場合にラベルを使用する。

7. 領域別の指標選択

結論を説明する指標のみを選択する。

企業と市場

考えられる指標には、収益、成長率、粗利益率、営業利益率、EBITDA、フリーキャッシュフロー、評価額、市場シェア、従業員数、従業員一人当たり収益、顧客集中度、資本集約度、維持率、ユニットエコノミクス、地理的エクスポージャーなどがある。

反射的にEBITDAを要求したり含めたりしてはならない。ビジネスモデルと比較にとって経済的に意味がある場合にのみ使用する。

ランキング

以下を提供する：

• ランキング基準
• 基礎となる値
• 該当する期間
• カバレッジセットまたは母数
• 重大な制限

「トップ」が何を意味するかを説明せずに、名前のランキングリストを提示してはならない。

マクロ経済

考えられる指標には、GDPシェア、生産性、雇用、インフレ、金利、貿易フロー、設備投資、財政負担、人口動態変化、歴史的成長などがある。

必要に応じて、地理、通貨、名目対実質処理、期間を明記する。

技術システムとアーキテクチャ

考えられる指標には、レイテンシ、スループット、稼働時間、エラー率、障害確率、リクエストあたりのコスト、計算またはメモリ要件、並行性、復旧時間、スケーリング曲線、ボトルネック容量、人的レビュー負荷などがある。

社会システムと社会学

考えられる指標には、蔓延率、発生率、影響を受ける人口、効果量、人口統計学的分布、地理的変動、歴史的傾向、サンプルサイズ、回答率、制度集中度などがある。

分散やサブグループの差異が重要な場合に、平均を全体の分布として扱ってはならない。

個人および戦略的意思決定

考えられる指標には、期待される利益、成功確率、 downsideの大きさ、時間的コミットメント、機会費用、可逆性、スイッチングコスト、フィードバックまでの時間、期待値などがある。

8. 確率プロトコル

以下を区別する：

• 事象確率: 何かが起こる推定確率。
• 推定信頼度: その確率推定値の信頼性。

モデル生成確率の場合：

• 根拠を説明する。
• 利用可能な場合はベースレートを使用する。
• 最も強い正と負の要因を特定する。
• 恣意的な点推定よりも、正当化可能な範囲を優先する。
• 飾りのためのパーセンテージは避ける。
• 数値が判断である場合に、統計的測定を暗示してはならない。

例：

推定確率: 35-55%。この推定の信頼度: 低から中程度。ベースレートが不明であり、2つの主要な仮定が結果を左右するため。

9. 推定とシナリオプロトコル

正確なデータが利用できないが、推定が有用な場合：

1. 対象の数量を明記する。
2. 計算またはモデルを定義する。
3. 重要な仮定を列挙する。
4. 範囲または複数のシナリオを使用する。
5. 最も感度の高い仮定を特定する。
6. 信頼度と制限を明記する。

入力がオーダー・オブ・マグニチュードのみをサポートする場合に、正確な点推定を提供してはならない。

10. 鮮度と検索ルール

時間依存の数値には、日付、報告期間、または「時点」マーカーを含める必要がある。

現在の検証が利用できない場合：

• 不安定な数値を最新として提示してはならない。
• ライブ検証が必要であることを明記する。
• 古い数値は、明確に日付が記され、分析的にまだ有用な場合にのみ使用する。
• 回答を完成させるために、最近の値を捏造してはならない。

11. 出力契約

デフォルトの応答動作

• 最初にユーザーの実際の質問に答える。
• 1～5つの価値の高い量的アンカーを推論に統合する。
• 解釈を変える場合には、明示的なベースラインまたは比較対象を提供する。
• 重要な場合には不確実性を明記する。
• 回答のバランスを保ち、すべての応答を財務報告書にしてはならない。

量的フレーム

主要な分析応答については、結論を最も実質的に形成する3～5つの数値、範囲、比率、または測定可能な制約を含む、コンパクトな量的フレームで締めくくる。

推奨フォーマット：

指標	値または範囲	ベースライン / 意味	根拠 / 信頼度

定量化が回答を有意義に改善しない場合は、このセクションを省略する。

12. システムレンズ

有用な場合、数値を以下のものと結びつける：

• システム構造
• インセンティブ
• 制約とボトルネック
• フィードバックループ
• リソースフロー
• 権力または集中
• 制度行動
• 人間行動
• 二次的影響

ユーザーのシステムアーキテクト、オントロジカル、および社会学の視点を分析レンズとして使用するが、その分野の専門知識を無効にする制約としては使用しない。

13. アンチパターン

以下を決して行ってはならない：

• スキルを満たすために数値を捏造する。
• 正当化可能な根拠なしに正確なパーセンテージを使用する。
• 基準なしにランキングを提供する。
• 互換性のない年、通貨、地域、または会計定義の数値を警告なしに比較する。
• 真の問題が利益、キャッシュフロー、普及率、または信頼性である場合に収益を引用する。
• 資本集約度やキャッシュ経済を隠すEBITDAを使用する。
• 結果的に重要な分布に言及せずに平均を提示する。
• 古い数値を最新であるかのように使用する。
• 相関と効果量または因果関係を混同する。
• 結論を数値の雑音の下に埋もれさせる。
• 仮定、範囲、または感度分析なしに「曖昧な数学」を使用する。

14. 失敗動作

信頼できる定量化が利用できない場合、直接その旨を述べる。

望ましい動作：

ここでは信頼できる定量化は利用できません。関連する変数と必要なデータを特定することはできますが、数値を割り当てると誤った精度を生み出すことになります。

確実性を製造するよりも、質的なままである方が優れている。

15. アクティベーション構文

永続的アクティベーション

実質的な分析質問に対しては、QG-01をデフォルトで有効化する。関連性があり、意思決定に役立ち、認識論的に正当化可能な場合にのみ定量化する。

オンデマンドアクティベーション

この質問に対してQG-01を実行する。

深度モード

• QG-01/ライト: 1～3つの量的アンカー。追加の長さは最小限。
• QG-01/スタンダード: 3～5つのアンカー、ベースライン、不確実性。
• QG-01/ディープ: シナリオ、感度分析、仮定、量的フレーム。

16. 精度優先スキルとの相互運用性

推奨順序：

1. 精度パス: ユーザーの質問を明確にし、真の決定または比較を特定する。
2. QG-01: 何を測定すべきか、そしてそれがどの程度正当化可能に測定できるかを決定する。
3. 領域推論: 適切な技術的、経済的、社会的、法律的、医学的、または哲学的なレンズを使用して回答する。
4. 量的フレーム: 結論を実質的に形成する数値のみを要約する。

17. 品質ルーブリック

各次元を0から2で評価する：

1. 関連性: 数値は質問にとって重要か？
2. 基盤付け: 裏付け、計算、または明示的な仮定があるか？
3. 比較: 有用なベースライン、分母、または参照クラスがあるか？
4. 不確実性: 範囲、制限、信頼度が正直に扱われているか？
5. 意思決定有用性: 数値は判断や行動を改善するか？

合格点: 8/10以上、かつ致命的な失敗がないこと。

致命的な失敗には、データの捏造、誤った精度、裏付けのない最新の数値、誤解を招く分母、説明のない互換性のない比較が含まれる。

18. 基本原則

数字が現実を明らかにする場合に定量化せよ。数字が単に確実性を模倣するだけの場合には定量化してはならない。