分類や推論の依頼で、実行するたびに判定が揺れることはありませんか。Self-Consistencyは、同じ依頼文に対して複数の回答を生成し、最も多かった答えを採用する手法です。元論文とLearn Promptingの解説に沿って、仕組みと実行手順を整理します。
ステップ1：依頼文に「段階的に考える」指示を足す
Self-Consistencyは、Chain-of-Thought（思考連鎖）の発展形です。公式ガイドの例では、メールの本文に続けて「ソフトウェア企業に関連してIMPORTANTかNOT IMPORTANTに分類してください。段階的に考えましょう」と書きます。判定に至る過程を書かせることで、1回の実行の中に根拠が生まれます。思考連鎖そのものの書き方は、当サイトのChain-of-Thoughtで推論の精度を上げる手順も参考にしてください。
ステップ2：同じ依頼文を複数回実行する
同じ依頼文で、複数回の実行を行います。実行ごとに、根拠のたどり方が異なる回答が返ってきます。公式ガイドのメール分類の例では、同じ1通に対して「脆弱性の報告なのでIMPORTANT」「概念実証の添付がなく悪用も容易でないのでNOT IMPORTANT」「送信者は不正アクセスの恐れがあるのでIMPORTANT」という3つの異なる思考連鎖が返る場面が紹介されています。回数が増えるほど多数決の安定性は上がりますが、そのぶん実行回数とコストも増えます。生成の揺れを調整する温度パラメータの設定は、当サイトの温度パラメータ（Temperature）の解説も参考にしてください。
ステップ3：各回答から最終判定だけを抜き出す
返ってきた各回答の末尾にある判定（例ではIMPORTANTまたはNOT IMPORTANT）を取り出します。思考過程は回答ごとに違っても、最終判定の形式をそろえておくと集計が簡単です。あらかじめ「最終行に判定だけを書いてください」と指示に入れておく方法があります。
ステップ4：多数決で最終回答を確定する
取り出した判定の中で最も多かったものを、最終回答とします。公式ガイドの例では3件中2件がIMPORTANTのため、IMPORTANTが確定します。なお元論文は、各思考連鎖の確率を使った複雑な選定方法についても述べていますが、実験では使わず、多数決でも同等以上の成果が出たと公式ガイドは紹介しています。
ステップ5：割れた回答を依頼文の改善に使う
多数決が済んだら、判定が割れた事例を集めます。公式ガイドの例でNOT IMPORTANTと判定された回答は、「添付がなく、悪用も容易でない」という基準の読み替えが原因でした。このように割れの原因が見えると、基準を明文化する、例を添える、といった依頼文の改善につながります。判定基準の揺れへの別の対処は、当サイトのUniversal Self-Consistencyで回答を選抜する手順でも扱っています。
| 回数 | 向く場面 |
|---|---|
| 3回 | 日々の分類や振り分けなど、軽い確認 |
| 5回以上 | 判定の揺れが業務に響く処理、精度の検証 |
FAQ
Q. どんな課題に向きますか？
A. 算数の計算、常識に基づく推論、記号の操作といった推論課題で成果の改善が報告されていると公式ガイドに記載されています。
Q. Chain-of-Thoughtとの関係は？
A. Chain-of-Thoughtの発展形で、併用時に効果が高くなると同ガイドは説明しています。
あわせて使いたいツール
複数回の実行は、APIでの自動化と相性が良いです。料金と提供条件は各サービスの公式情報で確認してください。
出典
出典：Learn Prompting「Self-Consistency」（閲覧2026年11月15日）。手法の定義、メール分類の例、多数決の運用、元論文（Wangら、2022年）に関する記述は同ページに基づきます。
関連ガイド
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。