hypothesis-generation

科学的仮説の生成

観察を、透明性のある候補となる説明と検証のセットに変えます。仮説は反証されるべき提案であり、所見、事実、診断、推奨ではありません。

譲れない境界

未発表、機密、管理対象、個人、専有、輸出管理対象、またはセキュリティに関わる資料を使用する前に:

1. 権限および該当する機関、資金提供者、出版者、データ利用、プライバシー、AI に関するポリシーを確認します。
2. 権限を持つ人間が、指定された外部の宛先とデータ範囲を明示的に承認しない限り、資料をローカルに保持します。
3. 入力を最小限にします。権限なく、機密データや未発表データをウェブ検索や外部 AI システムに置かないでください。
4. 適切な人間、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、または規制のゲートで停止します。

決して行わないこと:

• 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、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、投与量、予後、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、その他の悪用に関する有害な実験的最適化や運用上の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、法的、または規制の審査を回避すること。
• 情報源、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越える場合、高レベルのリスク／監督に関する注記のみを作成し、資格を持つ現地の権限ある機関に回付してください。運用上の詳細を続けてはなりません。

対象を明確に区別する

対象	意味
観察	出所と不確実性を伴って測定、気付き、または報告されたもの
研究課題	範囲を定義する、回答可能な問い
仮説	候補となる説明上または関係上の命題
メカニズム	条件を結果に結び付けると提案されるプロセス
因果推定量	推定すべき、正確に定義された因果対比
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、対立する説明
帰無仮説	分析で使用される、指定された無効果／無差別のモデル
陰性対照	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対照
操作化	構成概念が変数、測定、介入、またはカテゴリになる方法
分析計画	事前指定された変換、モデル、対比、不確実性、および決定ルール
エビデンス	主張に関わる観察または情報源。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。メカニズムの物語は予測ではなく、予測はエビデンスではなく、1 つの帰無仮説の棄却はメカニズムを証明せず、1 つの候補の支持は考慮されていない対立候補を排除しません。

ワークフロー

1. スコープと安全ゲートを実行する

記録する項目:

• 責任を持つ人間のオーナーと意図された用途。
• データの機密性、権限、保持、および許可される処理。
• 影響を受ける人々、動物、生態系、コミュニティ、またはセキュリティ上の利害。
• 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、および規制の審査。
• 未解決のブロッカーと必要なドメイン専門知識。

スクリプトの承認は、倫理、安全、規制、または科学上の承認ではありません。

2. 観察を固定する

解釈の前に観察を記述します:

• 測定または情報源。
• 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。
• そのパターンが予期されていたものか、探索的か、結果を見た後に選択されたものか。

因果的なデザインと推定量がそれを正当化しない限り、因果的な言葉ではなく「報告された」「観察された」「関連している」を使用してください。

3. 研究課題を設定する

適合する場合に限り、フレームワークを選択します。

• PICO/PICOT は介入・有効性に関する課題に用います：対象集団、介入、比較対象、アウトカム、および任意で期間です。
• PECO は曝露に関する課題に用います。
• 集団・インデックス検査・参照標準・対象疾患 は診断精度に用います。
• 集団・予後因子・アウトカム・期間 は予後に用います。
• 質的、記述的、機序的、理論的な研究には、領域固有の構成概念・文脈・アウトカムの枠組みを用います。

PICO は万能のテンプレートではありません。ステークホルダー、文脈、範囲、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のかを明確にします。FINER は課題を洗練するための記憶法です。実現可能性（Feasible）、興味深さ（Interesting）、新規性（Novel）、倫理性（Ethical）、関連性（Relevant）を表し、採点システムではありません。文書化された目的に適した検索と専門家によるレビューで裏付けられるまでは、「新規性」は未解決として扱います。

4. 日付を明記したエビデンスの境界を定める

文献に依存する記述を行う前に検索します。一次研究、公式方針、方法論に関する一次論文、最新の報告ガイドライン、ならびに全体像の把握に用いるシステマティックレビューを優先します。

以下を記録します。

• 検索日と検索対象期間の上限；
• データベース／索引、検索式、フィルター、スクリーニングの範囲；
• 採用および除外した情報源の種類；
• 各主張を支持、反証、または文脈化する情報源；
• アクセス、言語、データベース、時間に関する既知の制約。

検索で明らかにできるのは、何を検索したかであり、普遍的な不存在ではありません。「文書化された検索範囲内では見つからなかった」と表現し、「先行研究は存在しない」とは決して述べないでください。assets/search_boundary_template.json、assets/evidence_ledger_template.csv、references/literature_search_strategies.md を使用します。

5. 検証方法を選ぶ前に対立仮説を挙げる

妥当な場合は、説明のクラスが実質的に異なる複数の候補を作成します。

• 提案された機序；
• 測定または処理によるアーティファクト；
• 交絡または共通原因；
• 選択または脱落；
• コライダーへの条件付け；
• 逆因果；
• 時間的、文脈的、または境界条件の違い；
• 確率的変動；
• 別のスケールにおける競合する機序。

アンカリングや同質化を減らすため、AI を用いて候補を拡張する前に、複数の対立仮説を独立して最初に挙げます。数を固定したり、偽りの対称性を強いたりしないでください。すべての候補に candidate とラベルを付けたままにします。

Platt の強力な推論のパターンは、代替仮説と決定的な検証を促しますが、代替仮説が棄却されても、残った仮説が真であるとは限りません。未知の代替仮説、補助的仮定、測定誤差、複合的な機序が残る可能性があります。

6. 主張の種類と推定対象を明示する

対象ごとに、以下のいずれかに分類します。

• 記述的；
• 関連性；
• 予測的；
• 因果的；
• 機序的。

因果的な対象については、分析前に以下を定義します。

• 対象集団またはシステム；
• 介入／曝露と比較対象；
• アウトカムと時間範囲；
• 集団レベルの要約；
• 該当する場合は、治療の種類と介入後の事象の扱い；
• 識別の仮定と、ターゲット・トライアル／研究デザインの類似形。

交絡、選択、コライダー、測定、逆因果に関するリスクは、それぞれ分けて記録します。観察研究による因果推定値は、依然として仮定に依存します。references/causal_inference_and_claims.md を使用します。

7. 識別力のある予測を導く

各候補について、以下を行います。

1. 条件と境界条件を述べます。
2. 観測可能な事象と測定方法を挙げます。
3. 予想されるパターンと不確実性を述べます。
4. 明示した仮定のもとで、その候補と両立しない結果を述べます。
5. 予想される結果を、少なくとも1つの対立仮説と対比します。
6. 判定不能な結果と、そこから何が分かるかを定義します。

対立仮説が実質的に異なる結果を予測する検証を優先します。科学的に適切な場合は、陽性対照、手順対照、陰性対照を追加します。陰性対照は、関連するバイアス経路を共有しつつ、対象の機序を通じて作用することがあり得ないものでなければなりません。未介入群を形式的に設けただけのものではありません。

assets/prediction_rival_matrix_template.csv と assets/falsification_controls_template.json を使用します。

8. 測定を運用可能にし、妥当性を検証する

各構成概念について、次の事項を記録します。

• 変数の役割と操作的定義；
• 対象集団／システム、単位、タイミング、条件；
• 測定器／方法、校正、品質管理、マスキング；
• 信頼性／再現性；
• 妥当性を示す根拠と適用可能性；
• 欠測、検出限界、変換、カットポイント、およびその根拠；
• 該当する場合は、測定不変性またはグループ間の比較可能性；
• 予見される測定バイアスと限界。

便宜上の代理指標を構成概念そのものとして扱わないでください。次を用いて妥当性を検証します。

python3 scripts/check_operationalization.py local-operationalization.json

9. 主張に合わせてデザインと分析を選ぶ

次の事項を明記します。

• サンプリング、実験単位、割り付け、ランダム化、マスキング、対照条件；
• 組み入れ／除外基準と中止規則；
• 明示した前提に基づくサンプルサイズ、精度、または情報量の根拠；
• アウトカム、比較、推定対象、モデル、効果指標、不確実性；
• 欠測データと介入後に発生する事象の取り扱い；
• アウトカム、モデル、サブグループ、解析時点、仮説をまたぐ多重性；
• 前提、診断、ロバスト性、感度分析；
• 再現または独立検証の計画；
• 確証的な分析と探索的な分析の区別。

一律のサンプルサイズ最小値を用いないでください。閾値で区切られた p 値を、仮説が正しい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。

介入試験では、該当する場合、現行の 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。これらは網羅性を高めますが、デザインの質、倫理、規制遵守を保証するものではありません。

10. HARKing を防ぎ、逸脱を明らかにする

可能であれば、対象アウトカムにアクセスする前に、問い、候補、予測、アウトカム、除外、変換、分析、多重性、欠測データの計画、中止規則にタイムスタンプを付けます。

その後は、次のようにします。

• データに依存して生じたアイデアや分析を探索的と明記する；
• 計画した分析を保持し、報告する；
• 逸脱について、日付、根拠、決定者、予想される影響を列挙する；
• 観察されたパターンを事前の予測だったと書き換えない。

事前登録は透明性のある計画であり、適応を禁じるものではありません。登録報告は、ジャーナルの方針に基づき、結果を知らない状態での査読と原則採択を追加します。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

次の違いを明確にします。

• 再現可能性： 同じデータ／コード／条件から、一貫した計算結果が得られること；
• 追試可能性： 同じ問いについて新たにデータを収集する複数の研究間で、一貫性があること。

共有が許可されている場合は、来歴、バージョン、コード、資料、意思決定ログを保持します。関連する境界を越えた独立追試または適用可能性の検証を計画します。反証、帰無結果、追試のエビデンスが得られたら、候補の状況を更新し、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

説明責任を負う人間は、次の事項を確認する必要があります。

• すべての引用と、出典から主張へのつながり；
• 分野における妥当性と測定の妥当性；
• 因果的な前提と統計デザイン；
• 倫理、実現可能性、安全性、プライバシー、規制上の位置付け；
• AI が支援したすべての文章、アイデア、引用；
• より幅広い専門知識やコミュニティからの意見が必要かどうか。

AI は引用を捏造し、推論にアンカリングを生じさせ、候補群を均質化することがあります。許可された AI の利用と、重要な影響を記録してください。独立した人間によるアイデア創出と対立仮説の生成をプロセスに残してください。

ローカルツール一覧

すべての CLI は、範囲が限定され、依存関係がなく、ローカルで動作し、決定論的で、スコアリングを行いません。

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／対立仮説マトリクス	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
主張表現のリント	注釈付き Markdown	python3 scripts/lint_causal_claims.py draft.md
反証／対照	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
エビデンス／ソースの監査	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
事前登録のひな形	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、エラーを伴う検証完了の場合は 1、形式不正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整合性のみを検証し、科学的真実を検証したり、仮説を選択したりするものではありません。完全なスキーマは references/tool_reference.md にあります。

参考資料

• references/concepts_and_workflow.md — オブジェクトモデル、強い推論、不確実性、候補のライフサイクル
• references/hypothesis_quality_criteria.md — スコアリングを行わない、人間によるレビュー基準
• references/literature_search_strategies.md — 追跡可能で範囲を限定したエビデンス検索
• references/causal_inference_and_claims.md — 推定対象と因果バイアスのリスク
• references/experimental_design_patterns.md — デザイン、対照、測定、多重性、再現
• references/preregistration_and_open_science.md — 事前登録、Registered Reports、逸脱、オープンサイエンス
• references/ethics_safety_and_ai.md — 監督のゲート、デュアルユース、データの取り扱い、責任ある AI
• references/tool_reference.md — CLI スキーマ、制限、使用例
• references/source_ledger.md — 日付付きの信頼できるソースに関する注記
• references/security_validation.md — ベースラインの調査結果と検証記録

同梱されているソース台帳は assets/source_ledger.csv で、2026-07-23 まで検証済みです。後日または特定の法域で使用する場合は、時間の経過とともに変わり得るポリシーやガイダンスを再確認してください。

関連スキル

• pyvene-interventions：pyvene の宣言型介入フレームワークを使用して PyTorch モデルに因果介入を行うためのガイダンスを提供します。
• scientific-brainstorming：エビデンスを重視した科学的アイデア創出を、個別の生成、構造化された議論、明示的な前提、透明性のある評価で促進します…