仮説生成

科学的仮説生成

観察を、透明性のある一連の候補説明とテストに変換します。仮説とは、挑戦されるべき提案であり、発見、事実、診断、または推奨事項ではありません。

絶対的な境界

未発表、機密、管理対象、個人情報、専有情報、輸出管理対象、またはセキュリティ関連の資料を使用する前に:

1. 対象となる機関、資金提供者、出版社、データ使用、プライバシー、およびAIに関するポリシーへの承認と準拠を確認すること。
2. 権限のある人間が、名前付きの外部送信先とデータ範囲を明示的に承認しない限り、資料をローカルに留めること。
3. 入力を最小限に抑えること。許可なく、機密データや未発表データをウェブ検索や外部AIシステムに配置しないこと。
4. 該当するヒト、動物、バイオセーフティ、デュアルユース、データガバナンス、または規制上のゲートで停止すること。

絶対に行ってはならないこと:

• 仮説、メカニズム、因果効果、引用、または見かけ上のパターンを確立されたエビデンスとして提示すること。
• 簡単な検索で何も見つからなかったという理由で新規性を主張すること。
• 関連性、時間的順序のみ、予測精度、またはモデル出力から因果関係を推論すること。
• 患者固有の診断、治療、投薬、予後、またはその他の臨床アドバイスを提供すること。
• 病原体、毒素、兵器、回避、またはその他の悪用のための有害な実験的最適化や運用詳細を提供すること。
• IRB/REC、IACUC、IBC、バイオセーフティ、デュアルユース、プライバシー、法務、または規制上の審査を迂回すること。
• 出典、識別子、検索範囲、データ、結果、承認、または事前登録を捏造すること。
• 科学的仮説を自動的にスコアリング、ランク付け、選択、受理、または却下すること。

リクエストが安全ゲートを超える場合は、高レベルのリスク/監督メモのみを作成し、資格のある現地の権限者にルーティングすること。運用詳細を続行しないでください。

オブジェクトを区別する

オブジェクト	意味
観察	測定、気付き、または報告された内容。出典と不確実性を伴う。
リサーチクエスチョン	範囲を定義する、答え可能な質問。
仮説	候補となる説明または関係性に関する命題。
メカニズム	条件と結果を結びつける、提案されたプロセス。
因果推定値	推定するために正確に定義された因果的対比。
予測	対象結果を確認する前に導出された、観察可能な含意。
代替説明	バイアスや非因果的説明を含む、競合する説明。
帰無仮説	分析で使用される、指定された無効果/無差別モデル。
ネガティブコントロール	提案されたメカニズムを通じて作用しないと予想されるコントロール。
操作化	構成概念が変数、測定、介入、またはカテゴリーになる方法。
分析計画	事前に指定された変換、モデル、対比、不確実性、および決定ルール。
エビデンス	主張に関連する観察または出典。決して主張そのものではない。

これらのラベルを混同しないでください。メカニズムの話は予測ではありません。予測はエビデンスではありません。ある帰無仮説を棄却してもメカニズムは証明されません。ある候補を支持しても、考慮されていない競合が排除されるわけではありません。

ワークフロー

1. 範囲と安全ゲートを実行する

記録:

• 責任を持つ人間の所有者と意図された使用。
• データの機密性、承認、保持、および許可された処理。
• 影響を受ける人、動物、生態系、コミュニティ、またはセキュリティ上の利益。
• 必要な倫理、実現可能性、バイオセーフティ、デュアルユース、および規制上の審査。
• 未解決のブロックと必要な専門知識。

スクリプトの承認は、倫理、安全、規制、または科学の承認ではありません。

2. 観察を凍結する

解釈の前に観察を書き留める:

• 測定または出典。
• 母集団、システム、場所、および時間。
• 観察単位と分析単位。
• 不確実性、欠測、除外、および前処理。
• パターンが予想されたものか、探索的なものか、結果を見た後に選択されたものか。

因果的デザインと推定値がそれを正当化しない限り、「報告された」、「観察された」、または「関連する」という言葉を使用し、因果的な言葉は使用しないでください。

3. リサーチクエスチョンを組み立てる

フレームワークが適合する場合にのみ選択する:

• PICO/PICOT: 介入/有効性の質問向け: 母集団 (Population)、介入 (Intervention)、比較 (Comparator)、アウトカム (Outcome)、および必要に応じて時間 (Time)。
• PECO: 曝露の質問向け。
• 母集団-指標検査-参照基準-対象状態: 診断精度向け。
• 母集団-予後因子-アウトカム-時間: 予後向け。
• 領域固有の構成概念-文脈-アウトカムフレーム: 質的、記述的、メカニズム的、または理論的研究向け。

PICOは普遍的なテンプレートではありません。利害関係者、文脈、境界、実現可能性、およびどのような答えが知識や実践を変えるかを定義してください。FINERは質問を洗練するためのニーモニック（実現可能、興味深い、新規、倫理的、関連性）であり、スコアリングシステムではありません。「新規」は、文書化され、目的に適した検索と専門家によるレビューがそれを支持するまで、未解決として扱ってください。

4. 日付入りのエビデンス境界を確立する

文献に依存した主張を行う前に検索すること。一次研究、公式ポリシー、一次方法論論文、現在の報告ガイドライン、および方向付けに使用される系統的レビューを優先すること。

記録:

• 検索日とカットオフ日。
• データベース/インデックス、クエリ、フィルタ、およびスクリーニング境界。
• 含まれる出典タイプと除外される出典タイプ。
• 各主張を支持、挑戦、または文脈化する出典。
• 既知のアクセス、言語、データベース、および時間の制限。

検索は、何が検索されたかを確立できますが、普遍的な不在を確立することはできません。「文書化された検索境界内で見つからなかった」と言い、「先行研究は存在しない」とは決して言わないでください。assets/search_boundary_template.json、assets/evidence_ledger_template.csv、および references/literature_search_strategies.md を使用してください。

5. テストを選択する前に競合を生成する

もっともらしい場合に、真に異なる説明クラスから複数の候補を作成する:

• 提案されたメカニズム。
• 測定または処理のアーティファクト。
• 交絡または共通原因。
• 選択または脱落。
• コライダーでの条件付け。
• 逆因果。
• 時間的、文脈的、または境界条件の違い。
• 確率的変動。
• 別のスケールでの競合メカニズム。

アンカリングと均質化を減らすために、AI支援による拡張の前に、独立した初期競合セットを生成すること。固定数や偽の対称性を強制しないでください。すべての候補に candidate というラベルを付けてください。

Plattの強い推論パターンは、対立仮説と決定的テストを動機付けますが、対立仮説が失敗したからといって、残った仮説が真実であるとは限りません。未知の対立仮説、補助的仮定、測定誤差、および混合メカニズムが依然として可能性として残ります。

6. 主張のタイプと推定値を宣言する

各ターゲットを分類する:

• 記述的。
• 関連性。
• 予測的。
• 因果的。
• メカニズム的。

因果的ターゲットの場合、分析前に定義する:

• ターゲット母集団またはシステム。
• 介入/曝露と比較対象。
• アウトカムと時間軸。
• 母集団レベルの要約。
• 該当する場合、治療バージョンと介在イベントの取り扱い。
• 識別の仮定とターゲットトライアル/デザインの類似物。

交絡、選択、コライダー、測定、および逆因果のリスクを個別に文書化すること。観察研究に基づく因果推定値は、依然として仮定に依存します。references/causal_inference_and_claims.md を使用してください。

7. 差別化予測を導出する

すべての候補について:

1. 条件と境界条件を述べる。
2. 観測可能なものと測定を挙げる。
3. 期待されるパターンと不確実性を述べる。
4. 宣言された仮定の下で、候補と相容れない結果を述べる。
5. 期待される結果を少なくとも1つの競合と対比する。
6. 不確定な結果と、それらから何が学ばれるかを定義する。

競合が意味のある異なる結果を予測するテストを優先すること。科学的に適切な場合は、ポジティブコントロール、手順コントロール、およびネガティブコントロールを追加すること。ネガティブコントロールは、関連するバイアス経路を共有しながら、ターゲットメカニズムを通じて作用することができないものでなければなりません。装飾的な未治療群ではありません。

assets/prediction_rival_matrix_template.csv および assets/falsification_controls_template.json を使用してください。

8. 測定を操作化し検証する

すべての構成概念について記録:

• 変数の役割と操作的定義。
• 母集団/システム、単位、タイミング、および条件。
• 機器/方法、校正、品質管理、およびマスキング。
• 信頼性/再現性。
• 妥当性の証拠と適用可能性。
• 欠測、検出限界、変換、カットポイント、およびその理論的根拠。
• 該当する場合、測定の不変性またはグループ間の比較可能性。
• 予見可能な測定バイアスと限界。

便利なプロキシを構成概念自体として扱わないでください。以下を使用して検証する:

python3 scripts/check_operationalization.py local-operationalization.json

9. デザインと分析を主張に合わせる

特定する:

• サンプリング、実験単位、割り付け、ランダム化、マスキング、およびコントロール。
• 包含/除外ルールと停止ルール。
• 宣言された仮定に基づく、サンプルサイズ、精度、または情報の理論的根拠。
• アウトカム、対比、推定値、モデル、効果量、および不確実性。
• 欠測データと介在イベントの取り扱い。
• アウトカム、モデル、サブグループ、中間解析、および仮説にわたる多重性。
• 仮定、診断、ロバスト性、および感度分析。
• 再現または独立した検証計画。
• 確認的要素と探索的要素の区別。

普遍的なサンプルサイズの最小値を使用しないでください。閾値化されたp値を、仮説が真である確率や効果の重要性として解釈しないでください。references/experimental_design_patterns.md を参照してください。

介入試験については、該当する場合、現在のSPIRIT 2025プロトコルガイダンスとCONSORT 2025報告ガイダンスを使用してください。これらは完全性を向上させますが、デザインの質、倫理、または規制遵守を保証するものではありません。

10. HARKingを防止し、逸脱を公開する

対象アウトカムにアクセスする前に、可能な場合、質問、候補、予測、アウトカム、除外、変換、分析、多重性、欠測データ計画、および停止ルールにタイムスタンプを押すこと。

その後:

• データに依存したアイデアや分析を探索的としてラベル付けする。
• 計画された分析を保存し、報告する。
• 逸脱を日付、理論的根拠、決定者、および予想される影響とともにリストする。
• 観察されたパターンを事前の予測として書き換えないこと。

事前登録は透明な計画であり、適応の禁止ではありません。Registered Reportsは、ジャーナルのポリシーの下で、結果に対して盲検化されたピアレビューと原則的な受理を追加します。references/preregistration_and_open_science.md を参照してください。

11. 再現と更新を計画する

区別する:

• 再現性: 同じデータ、コード、条件からの一貫した計算結果。
• 再現可能性: 同じ質問に対して新しいデータを収集する研究間の一貫性。

共有が許可されている場合、出典、バージョン、コード、資料、および決定ログを保存すること。関連する境界を越えて、独立した再現または輸送テストを計画すること。反証、ヌル、または再現のエビデンスが到着した場合、候補のステータスを更新すること。否定的な結果を隠さないでください。

12. 人間の説明責任を適用する

責任のある人間は以下を検証する必要があります:

• すべての引用と出典から主張へのリンク。
• 領域の妥当性と測定の妥当性。
• 因果的仮定と統計的デザイン。
• 倫理、実現可能性、安全性、プライバシー、および規制上のステータス。
• すべてのAI支援によるテキスト、アイデア、および引用。
• より広範な専門知識やコミュニティの意見が必要かどうか。

AIは引用を捏造し、推論をアンカーし、候補セットを均質化する可能性があります。許可されたAIの使用と重要な影響を記録すること。プロセスに独立した人間による発想と競合生成を維持すること。

ローカルツールインデックス

すべてのCLIは、バウンドされ、依存関係がなく、ローカルで、決定的であり、スコアリングしません:

タスク	アセット	コマンド
仮説記録スキーマ	assets/hypothesis_record_template.json	python3 scripts/validate_hypothesis_schema.py record.json
測定チェックリスト	assets/operationalization_template.json	python3 scripts/check_operationalization.py checklist.json
予測/競合マトリックス	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
主張言語リント	注釈付きMarkdown	python3 scripts/lint_causal_claims.py draft.md
反証/コントロール	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
エビデンス/出典監査	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
事前登録スキャフォールド	assets/preregistration_scaffold_template.md	python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md

終了コードは、構造的に有効な出力の場合は 0、検証がエラーで完了した場合は 1、不正形式または安全でない入力の場合は 2 です。レポートは宣言と内部の一貫性のみを検証します。科学的真実を検証したり、仮説を選択したりすることはありません。完全なスキーマは references/tool_reference.md にあります。

参考文献

• references/concepts_and_workflow.md — オブジェクトモデル、強い推論、不確実性、および候補のライフサイクル
• references/hypothesis_quality_criteria.md — スコアリングしない人間によるレビュー基準
• references/literature_search_strategies.md — トレース可能でバウンドされたエビデンス検索
• references/causal_inference_and_claims.md — 推定値と因果バイアスのリスク
• references/experimental_design_patterns.md — デザイン、コントロール、測定、多重性、および再現
• references/preregistration_and_open_science.md — 事前登録、Registered Reports、逸脱、およびオープンサイエンス
• references/ethics_safety_and_ai.md — 監視ゲート、デュアルユース、データ取り扱い、および責任あるAI
• references/tool_reference.md — CLIスキーマ、制限、および例
• references/source_ledger.md — 日付入りの権威ある出典ノート
• references/security_validation.md — ベースラインの調査結果と検証記録

バンドルされた出典元帳は assets/source_ledger.csv で、2026年7月23日 まで検証済みです。それ以降の日付や管轄区域については、時間に敏感なポリシーとガイダンスを再確認してください。