自己整合性による多数決は、答えが数値や短い語のときにしか使えません。要約や提案文のような自由記述では、同じ答えが2つと出ないからです。Learn Prompting が Universal Self-Consistency と呼ぶ形では、多数決の代わりにモデル自身に選ばせます。
ステップ1：選べる種類の課題か確かめる
この型が向くのは、正解が1つに絞れる課題です。要約、分類、事実に基づく説明、計算の結果が該当します。向かないのは、書き手の好みで正解が変わる課題です。広告のコピーや小説の一節は、筋の通った案が複数あって当たり前なので、選ばせても意味がありません。課題の種類を先に決めてから進めます。
ステップ2：答えを3〜5本そろえる
同じ質問を繰り返し投げ、答えを3〜5本集めます。温度の設定を上げると、ばらつきが大きくなります。Learn Prompting は、この手法が Chain-of-Thought で作った答えを材料にするため、経路の多様性が効くと説明しています。集めた答えは、番号を振って1つの入力に並べます。似すぎた答えばかりなら、観点を変えた指示を足して集め直します。
ステップ3：選ぶ基準を指示文に書き下す
「いちばん良いものを選んでください」だけでは、長い答えや断定的な答えが選ばれます。基準は具体的に書きます。質問への直接の答えになっているか、示された事実と矛盾しないか、必要な要素が漏れていないか、余計な前提を足していないかの4つです。基準を箇条書きにすると、選んだ理由も同じ基準で書かせる形にできます。
ステップ4：選ばせて、理由も書かせる
並べた答えを渡し、基準に沿って1つ選ばせます。同時に、選ばなかった答えのどこが基準を満たさなかったかを1行ずつ書かせます。理由を書かせると、選ぶ基準が指示どおりに働いたかを後から確かめられます。理由が基準と対応していない場合は、選ばせ方が指示に従っていません。基準の書き方を直して、同じ材料でもう一度選ばせます。
ステップ5：選ばれた答えを人が確かめる
選ばれた答えは、そのまま採用しません。事実の部分を資料と突き合わせ、数字と固有名詞を確認します。この型が改善するのは、答えの選び方であって、答えの中身の正しさではありません。元になる答えが全部間違っていれば、選ばれたものも間違っています。確認の観点はハルシネーションの頁が参考になります。
FAQ
Q. 何本くらい集めれば足りますか？
A. Learn Prompting の例では数本から十数本の範囲で試されています。実務では3〜5本で足りることが多く、それ以上増やすと選ぶ側の負担が上がります。まず3本で試し、選び分けが難しいときだけ増やします。
Q. 選ばせる工程も同じモデルでよいですか？
A. 同じモデルで構いません。ただし、答えを作った会話とは別の会話にすると、前のやり取りに引っ張られにくくなります。別のモデルに任せる場合は、基準の書き方をそろえてください。
出典
出典：Learn Prompting「Universal Self-Consistency：自由記述の答えを並べて選ばせる」（原題 Universal Self-Consistency、2024年11月8日更新）。多数決の基本形は自己整合性の頁にあります。
あわせて使いたいツール
本記事の手順を実際に回すときに、候補になるツールを挙げます。いずれも無料から試せる範囲があり、料金や機能は各サービスの公式情報で確認してください。
関連ガイド
同じ時期に公開した実務ガイドと、用語の定義ページです。手順の前提が分からない場合は、用語ページから確認してください。コピーして使える依頼文が欲しいときは、プロンプト集も参照してください。
- 同じ問いをもう一度読ませる：Re-reading で取りこぼしを減らす5ステップ
- Notion AI を使い始める：入口の選び方と1つの型
- 自己整合性（用語辞典）
- AI用語辞典（五十音順の一覧）
- はじめての LLM 活用（学習ルート）
- ガイド一覧（実務手順をまとめて読む）
- AIツール一覧（道具から探す）
- 比較記事一覧（料金と機能で比べる）
- レビュー一覧（使った記録を読む）
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。