hypothesis-or-proposition-builder

仮説または命題の作成

概要

このスキルは、理論的枠組みや研究ギャップを、検証可能な仮説（量的研究向けの testable hypotheses）または論理的な命題（質的・概念的研究向けの propositions）に変換するよう、リサーチエージェントを支援するために設計されています。データ検証の方向性が、確かな理論的根拠に基づくことを目的としています。

依存関係

• research-question-builder

クイックスタート

使用例： "hypothesis-or-proposition-builder スキルを使って、XAI（Explainable AI）モデルの使用とエンドユーザーの信頼度（user trust）の関係についての仮説を作成してください。"

ワークフロー

1. 理論的基盤の分析（Theoretical Foundation）

• 変数／構成概念間の関係を裏付ける主要理論（grand theory）または過去の実証研究を特定します。
• その関係があると予測される理由を支える理論的メカニズムを説明します（例：システム導入における Technology Acceptance Model (TAM)）。

2. 論理的／因果的関係のマッピング（Variables Mapping）

• 変数間の関係の方向性を決定します。
  • 直接的な因果関係（例：X は Y に正の影響を与えます）。
  • モデレーション関係（例：Z は X が Y に与える影響を強める／弱める）。
  • メディエーション関係（例：M は X が Y に与える影響を媒介します）。

3. 概念的枠組みの可視化（Conceptual Framework Diagram）

変数間の関係を、テキスト形式または簡潔な Mermaid Markdown の図で示します。可視化の例：

graph LR
    X[Variabel X: XAI] -->|Hipotesis 1 +| Y[Variabel Y: User Trust]
    Z[Variabel Z: User Literacy] -->|Moderasi: Hipotesis 2| X

4. 仮説または命題の作成

• 仮説（量的研究）：具体的で方向性が明確であり、統計的に検証可能な宣言的な文を作成します（例：H1：モデル説明の可視化（XAI）の導入は、一般ユーザーの信頼度（user trust）に有意な正の影響を与えます）。
• 命題（質的／概念的研究）：質的データに基づく概念間の関係を示す論理的な文を作成します（例：P1：説明の可視化に対する有用性の認識は、アクターのタイプごとのデジタルリテラシーの水準によって異なります）。

よくある間違いと重要なルール

• 検証不可能な仮説（Untestable Hypothesis）：規範的または抽象的すぎて、量的データによる実証的な検証ができない仮説を作成すること。
• 理論的な正当化の欠如：基本理論や過去の研究を参照せず、エージェントの主観的な仮定だけに基づいて2つの変数間の関係についての仮説を立てること。
• 曖昧な記述：仮説に測定できない表現を使うこと（例："変数 X は変数 Y に間接的な影響を与える可能性があります"）。関係の方向性（正、負、または中立／双方向）を明確に示してください。
• 用語の不整合：理論的説明、概念的枠組みの図、仮説の一覧の間で、構成概念／変数の名称が異なること。構成概念の名称は完全に統一してください。