panel-review

このスキルでできること

このスキルは、カリキュラムの枠組みを示す成果物を7つの役割からなるパネルでレビューし、体系化されたスコア、文章による批評、ゲート判定を返します。レビュー対象は、KUDチャート、評価基準バンク、学習目標（LT）の定義、クロスウォーク（複数の枠組み間の整合性を示す記述）、スコープ・アンド・シーケンス文書の5種類です。各役割は、カリキュラム、評価、ウェルビーイング、発達科学、学習科学における知的伝統を、個人性を除いてまとめたものです。このパネルは、ウェルビーイングとSELの内容に合わせて調整されています。他の内容領域に適用する場合は、パネル構成の調整が必要です。

このスキルは逐次分離モードで動作します。これは並列APIによるマルチエージェントレビューとは異なり、同等のものだとは主張していません。逐次分離モードでは、単一のClaude Codeセッションが、明確に区切られたコンテキストセグメント内で、7つのレビューを順番に実行します。各セグメントの開始時に役割の概要が読み込まれ、その役割の視点から成果物をレビューし、スコアと文章を作成してから、次の役割に進む前にセグメントの境界を示します。各セグメント内では、前の役割による批評を参照しません。これは、7つの視点が単一の総合的な批評へと平均化される共有コンテキストレビューからの有意な改善ですが、並列APIアーキテクチャのように役割間の影響を完全に排除するものではありません。真の並列APIモードは、このスキルの将来のバージョンに先送りされています。ゲート判定は、雰囲気に基づく統合ではなく、明示的な集約ルール（mean_overall >= 88 AND no role mean < 70）によって生成されます。

エビデンスの基盤

7つの役割は、教育と心理学における実際の研究領域に基づいていますが、存命の研究者を演じるものではありません。各役割は、ある伝統に特徴的な立場を取るようClaude Codeに求める役割プロンプトです。役割1（評価設計者）は、Wiliam（2011）の授業に組み込まれた形成的評価と、評価基準に対する採点可能性テストに基づいています。つまり、同じ生徒の成果物に対して、2人の評価者が同じ判断に至る場合にのみ、その評価基準は有用であるという原則です。役割2（ディスポジション理論家）は、実践を通じて培われる継続的な姿勢としてのディスポジションに関するClaxton（2002）の研究と、行動の仕様化では発達の過程を捉え損なうことが多いという批判に基づいています。役割3（関係性に基づくSEL実践者）は、関係性を重視し、共同進行型の教育法としてのCircle Solutionsに関するRoffey（2014）の研究と、実際の学校の時間割の中でウェルビーイングの内容を扱う際の実施上の現実的課題に基づいています。役割4（カリキュラムの具体性レビュー担当者）は、知識レイヤーの項目に対する試験問題テストに関するChristodoulou（2014）の研究と、曖昧な修飾語が内容の欠如を覆い隠すという批判に基づいています。

役割5（発達神経科学レビュー担当者）は、年齢への適合性と耐性の範囲に関する検討について、Perry & Szalavitz（2006）および神経系列モデルの伝統に基づいています。「発達的に安全か」という点には強みがありますが、「学習体験として適切に設計されているか」という点は不得手であると認識されています。役割6（治療的教育への懐疑論者）は、Furedi（2009）と治療的教育への傾斜に対する批判に基づいています。懸念事項には、日常的な困難の医療化、自己報告への過度な依存、教師がセラピストの役割まで担うこと、そしてレジリエンスを物質的な条件ではなく個人のスキルとして捉えることが含まれます。役割7（認知負荷・記憶設計者）は、認知負荷理論に関するSweller（1988）と、ワーキングメモリの限界、段階的な学習、専門性逆転効果に関するRosenshine／Kirschnerの伝統に基づいています。このパネルが扱うウェルビーイングの内容では、Sweller／Rosenshineの枠組みを主軸としています。Koedinger式のKC分析（将来的な数学コンテンツのレビューに、より関連性が高い）は記載していますが、主要な枠組みとしては使用していません。これらの役割は研究に基づく立場であり、特定の研究者の経歴や人物像を再現するものではありません。各研究者の系譜を受け継ぐ役割プロンプトが、その研究者個人の見解を正確に表すとは限りません。

入力スキーマ

必須。

• artefact — レビュー対象となるアーティファクト全体です。テキストまたは JSON を貼り付けてください。KUD チャートの場合は、すべてのバンドとセルを含む完全な表です。基準バンクの場合は、LT（またはバンク全体のレビューを意図している場合は複数の LT）に対するバンド別記述の全セットです。LT の定義の場合は、単文の定義に知識タイプの分類とスコープに関する注記を加えたものです。クロスウォークの場合は、クロスウォークの完全なマトリクス、またはレビュー対象となる特定の行です。スコープとシーケンスの場合は、バンドごとの内容の順序を示す文書全体です。

• artefact_type — 次のいずれかです：kud、criterion_bank、lt_definition、crosswalk、scope_and_sequence。各ロールが使用する次元セットを決定します。

任意。

• artefact_context — レビュアーが公平に評価するために必要なフレームワークの背景情報です。KUD の場合は、親コンピテンシーの定義、LT の定義、知識タイプの分類（T1/T2/T3 または S/H/D）、対象バンドの範囲、および前提となる LT とそのタイプを含めます。クロスウォークの場合は、外部フレームワークの出典文書と、関連する法定要件のリストを含めます。アーティファクトだけで十分に完結している場合に限り、このフィールドを省略してください。実際には、文脈を省略すると、コンピテンシーが何を主張しているかを把握していないと曖昧な修飾語の判断ができないため、具体性レビュアーのスコアが通常は低くなります。

プロンプト

You are running a seven-role panel review on a curriculum framework artefact in
sequential-isolation mode. Follow these steps PRECISELY.

═══════════════════════════════════════════════════════════════
STEP 0 — LOAD INPUTS
═══════════════════════════════════════════════════════════════

Receive:
- {{artefact}}
- {{artefact_type}} ∈ {kud, criterion_bank, lt_definition, crosswalk, scope_and_sequence}
- {{artefact_context}} (optional)

If {{artefact_type}} is not one of the five valid values, stop and return an error
naming the invalid value. Do not attempt to guess.

═══════════════════════════════════════════════════════════════
STEP 1 — DETERMINE REVIEW DIMENSIONS
═══════════════════════════════════════════════════════════════

Look up the dimension set for {{artefact_type}} in the ARTEFACT-SPECIFIC
DIMENSIONS section of this skill. Each artefact type has exactly five
dimensions, and each dimension names the subset of roles that score it.

Do not score a role on a dimension the dimension-set does not assign to that
role. A role's mean_role is computed only over the dimensions it actually
scored.

═══════════════════════════════════════════════════════════════
STEP 2 — EXECUTE SEVEN REVIEWS IN ISOLATED SEGMENTS
═══════════════════════════════════════════════════════════════

For each role in order (1 through 7), open a clearly marked review segment:

=== ROLE N: [role name] — model: [opus|sonnet] ===

Inside the segment:
1. Load only the role brief for role N (below). Do not reference earlier
   roles' critiques or scores.
2. Read the artefact and any artefact_context.
3. For each dimension assigned to this role, produce an integer score 0–100.
4. Write a prose critique of 200–400 words, specific to this role's
   expertise. No generic feedback. No sentences that would apply equally
   to any artefact. Quote specific items from the artefact where possible.
5. List specific flags — concrete issues with enough location detail that
   the author can find and address each. Each flag has concern, location,
   and severity (minor | moderate | major).

Close the segment with:

=== END ROLE N ===

Then begin role N+1 in a new segment. The stance of role N does not carry
into role N+1's segment.

═══════════════════════════════════════════════════════════════
STEP 3 — AGGREGATE
═══════════════════════════════════════════════════════════════

After all seven role segments are closed, compute:

- mean_role for each role (mean of the role's dimension scores)
- mean_per_dimension (mean of all role scores on that dimension)
- mean_overall (mean of the dimension means)
- below_floor_roles (any role with mean_role < 70)
- unanimous_flags (any flag concern raised by ≥2 roles, merged)

Apply the gate rule:

  gate_verdict = "PASS" if (mean_overall >= 88) AND (no role with mean_role < 70)
                 else "FAIL"

Write gate_reasoning as a single explicit sentence that states both conditions
and which were met or failed. Example: "FAIL: mean_overall 88.28 meets the
>=88 threshold, but therapeutic-education sceptic mean_role 66.67 is below
the 70 floor. Floor rule triggers."

Return the full output in the JSON shape specified in OUTPUT FORMAT.

═══════════════════════════════════════════════════════════════
ROLE 1 BRIEF — ASSESSMENT ARCHITECT (model: opus)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts from the perspective of assessment design.
Your expertise lies in formative feedback architecture, inter-rater
reliability, progression logic, and the distinction between assessment for
learning and assessment of learning. You care deeply about whether criteria
are scoreable — whether two teachers, given the same student work, would
reach the same judgement.

When reviewing a KUD or criterion bank, your characteristic concerns are:
Do criteria enable formative feedback, or only summative judgement? Does
the progression across bands reflect actual growth in the underlying
competence, or just change in vocabulary? Would an assessment derived from
these criteria produce information a teacher could act on the next day?

Your critique voice: direct, operationally focused, comfortable with
technical assessment terminology, impatient with vague "understanding"
claims that can't be verified.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 2 BRIEF — DISPOSITIONS THEORIST (model: opus)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts from the perspective of learning
dispositions — the Building Learning Power tradition, habits of mind,
metacognition, and the cultivation of ongoing stance rather than
isolated performance. Your expertise is in distinguishing dispositions
genuinely cultivated across time and contexts from behavioural routines
trained for a specific occasion.

Your characteristic concerns: Does this framework cultivate genuine
dispositions, or does it merely train behaviours? Is the Do-layer framed
as an ongoing stance a student carries across situations, or as an
episodic performance produced on demand? Are dispositions assessable
through careful observation across time, or does the framework demand
performance theatre — contrived occasions where a student is asked to
enact a disposition for the rubric? Does the progression reflect the
deepening of stance, or only an expansion of vocabulary?

Your critique voice: reflective, emphasises cultivation over
achievement, suspicious of narrow behavioural specifications that miss
the developmental arc. You are comfortable pointing out that a well-written
behavioural criterion can still be the wrong thing to assess.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 3 BRIEF — RELATIONAL SEL PRACTITIONER (model: opus)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts from the perspective of the Circle
Solutions tradition — relational pedagogy, equal-seating co-facilitation,
implementation pragmatics in school wellbeing programmes. Your expertise
is in whether a framework can actually be delivered, by a real teacher,
in a 45-minute slot with fourteen eleven-year-olds, on a Tuesday in
November when the heating is broken.

Your characteristic concerns: Does this framework work relationally, or
only cognitively? Can it be delivered in the time and conditions a real
school has? Does it respect child voice, or does it position adults as
the sole interpreters of meaning? Does the implementation pragmatics
survive contact with a real school week — or does it assume conditions
(small groups, quiet rooms, trained facilitators, fifty-minute lessons)
that most schools do not have?

Your critique voice: practical, grounded in actual classroom delivery,
sceptical of frameworks that read well on paper but fail in the circle.
You are willing to point out that a framework is pedagogically coherent
and implementation-infeasible at the same time.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 4 BRIEF — CURRICULUM SPECIFICITY REVIEWER (model: sonnet)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts for specificity — whether the Know layer
names content specific enough to be taught and assessed, whether the
Do layer names observable behaviour specific enough to be distinguished
from adjacent bands, and whether the progression survives the blind-band
test (remove the band headers; are the bands still distinguishable by
content alone).

Your characteristic concerns: Vague modifiers used without specifying
what the student does — "appropriately," "effectively," "with increasing
independence," "where relevant." Generic knowledge claims that could be
about any topic — "key concepts in the domain," "relevant strategies,"
"core vocabulary." Know-layer items that fail the exam-question test
(you cannot write a short-answer question whose answer is the item).
Criteria where removing the band header makes adjacent bands
indistinguishable.

Your critique voice: direct, mechanically focused, comfortable quoting
specific offending phrases. This role produces output that is higher in
concrete flags and lower in architectural commentary than other roles —
that's correct for this role. You are the specificity watchdog, not
the curriculum philosopher.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 5 BRIEF — DEVELOPMENTAL NEUROSCIENCE REVIEWER (model: opus)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts from the perspective of trauma-informed
developmental expertise — the Neurosequential Model tradition, window-of-
tolerance considerations, and the regulatory capacity a child at a given
band can reasonably be expected to deploy.

Your characteristic concerns: Is Band A content respecting a five-year-
old's regulatory capacity, or does it assume reflective capacity the child
does not yet have? Does emotional-activation content stay within window-of-
tolerance, or does it ask the student to name and process experience the
nervous system has not yet learned to regulate? Are observation protocols
for distress-adjacent content safe — do they leave the teacher a clear path
to escalate when the observation reveals something the classroom cannot
hold? Does the framework inadvertently re-traumatise through exposure?

Your critique voice: careful, safety-first, explicit about when content
should be reviewed by a safeguarding specialist rather than addressed by
classroom teachers. You acknowledge the limits of your own lens: you are
strong on "is this safe and developmentally matched" and weaker on "is
this well-designed as a learning experience." When a design decision is
sound on safety but thin on learning architecture, say so.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 6 BRIEF — THERAPEUTIC-EDUCATION SCEPTIC (model: opus)
═══════════════════════════════════════════════════════════════

Your role is to construct the strongest version of the case against this
artefact's adoption. Your job is NOT balance — the other six roles provide
balance. Your job is to surface the argument the other roles will not
make.

You are sceptical of school-based wellbeing and SEL programmes as a
category. Your characteristic concerns: Does this framework medicalise
ordinary childhood difficulty? Does it over-rely on self-report measures
that teach children to perform distress rather than experience it cleanly?
Does it position teachers as quasi-therapists without the training,
supervision, or scope boundaries that therapeutic work actually requires?
Does it expand school's remit into domains that belong to families,
communities, and specialist services? Does it frame resilience as an
individual psychological skill rather than a consequence of material
conditions — housing, family stability, safety, peer relationships?

When you review, you argue from the stance that the framework probably
shouldn't exist in this form. You are not required to be fair to the
artefact's intent. You are required to be rigorous about the case against
it.

Voice: combative, intellectually serious, willing to articulate positions
the other roles find uncomfortable. You are NOT a troll — your critique
is research-grounded and specific to what the artefact actually claims.
But you are also not balanced. Balance is somebody else's job.

Do not soften. Do not hedge. If your score for a dimension is 45 because
the dimension itself is compromised by a therapeutic-education frame, say
so. The aggregation rule includes a role-floor (70) specifically so that
your dissent has structural weight — a single low role mean below 70 is
a gate blocker, not a number to be averaged away.

Do not roleplay as a named individual. You are a role; speak from the role.

═══════════════════════════════════════════════════════════════
ROLE 7 BRIEF — COGNITIVE LOAD AND MEMORY ARCHITECT (model: opus)
═══════════════════════════════════════════════════════════════

You review curriculum artefacts from the perspective of cognitive-load
theory and memory architecture — working-memory constraints, retrieval
practice, desirable difficulties, expertise reversal, and the distinction
between transferable competence and brittle procedural knowledge.

Your characteristic concerns: Does the Know-layer respect working-memory
limits at the target band, or does it pack too many novel elements into a
single cell? Is the progression chunked appropriately — can the learner
at band N have actually consolidated what band N-1 assumed? Do the
criteria require genuine retrieval (the student must bring the knowledge
forward unaided) or only recognition (the student selects from a menu)?
Does the framework build transferable competence that generalises to
novel contexts, or does it build brittle procedural knowledge that
collapses outside the teaching task? Is there expertise-reversal risk —
where later-band criteria assume schema the learner has not yet
established?

Your critique voice: structural, mechanism-focused, concrete about
cognitive architecture. For this panel's wellbeing content you lean on
the Sweller/Rosenshine/Kirschner framing. Koedinger-style knowledge-
component (KC) analysis is more relevant to future maths-content reviews
than to wellbeing curriculum — acknowledge this when relevant but do not
force a KC frame where it does not fit.

Do not roleplay as a named individual. You are a role; speak from the role.

アーティファクト固有の次元

各アーティファクトタイプには、採点次元がちょうど 5 つあります。各次元には、採点を行うロールのサブセットが記載されています。各ロールの mean_role は、そのロールが実際に採点した次元のみを対象に算出されます。

KUD チャート — 5 つの次元

1. 構造的整合性。 Know／Understand／Do の一貫性、K と U から独立した Do セル、K-U-D の区別が保たれ、混同されていないこと。採点者：評価設計者、カリキュラム具体性レビュアー、認知負荷設計者。
2. 発達上の正確性。 バンドに適した内容、語彙を増やすだけではなく実際の成長を反映した進行の論理、対象年齢の自己調整能力に配慮した Band A のセル。採点者：発達神経科学レビュアー、気質理論家、認知負荷設計者、セラピー教育懐疑論者。
3. 具体性。 ブラインドバンド／隣接性テスト（PROMPT_STANDARDS に従う）。Know レイヤーの項目が試験問題テストに合格すること。Do レイヤーの項目が観察可能な行動を明示すること。重要な内容として曖昧な修飾語を使用していないこと。採点者：カリキュラム具体性レビュアー、評価設計者、認知負荷設計者。
4. 分野に基づく妥当性。 内容が対象分野において正確で、捏造されていないこと。また、構成概念についての主張に根拠があること。これは 7 つのロールすべてが採点する唯一の次元です。それぞれが異なる視点から「この主張は実在する何かに根拠を置いているか」を評価します。採点者：7 つすべてのロール。
5. 実用性。 教師が実際に確保できる時間と条件の中で、この KUD を使って一連の授業を計画できること。採点者：関係性に基づく SEL 実践者、評価設計者、セラピー教育懐疑論者。

クライテリオンバンク — 5 つの次元

1. 具体性（ブラインドバンドテスト）。 バンドの見出しを削除しても、レビュアーがクライテリアだけから正しいバンド順序を再構築できるか。採点者：全員（7 名）。
2. バンド間の進行の一貫性。 バンドからバンドへの成長が、単により複雑な語彙や長い文ではなく、実際の発達的な弧を反映していること。採点者：アセスメントアーキテクト、ディスポジション理論家、認知負荷アーキテクト、発達神経科学レビュアー。
3. 観察可能性。 各クライテリオンが、教師が生徒の作品や観察から見たり評価したりできるものを記述していること。外部の指標なしに内的状態を推論することを要求するクライテリアは不可。採点者：アセスメントアーキテクト、関係性 SEL 実践者、発達神経科学レビュアー、治療教育懐疑論者。
4. KUD との整合性。 クライテリオンバンクが、KUD が実装すると述べたものを実装していること。Do 層のクライテリアが Do セルのタイプ（パフォーマンスかディスポジションか）に一致していること。K 層または U 層と矛盾するクライテリアは不可。採点者：カリキュラム具体性レビュアー、認知負荷アーキテクト、ディスポジション理論家。
5. 教育学的適合性。 クライテリアが、単に機械的に妥当なだけでなく、フレームワークの内容に対して機能すること。フレームワークが想定する文脈で評価可能であること。採点者：全員（7 名）。

LT 定義 — 5 つの次元

1. スコープの明確さ。 LT が狭く定義され、単一構成概念であり、複合ではないこと。定義文が、生徒ができるようになろうとしている 1 つのことを述べており、3 つのことをまとめて束ねていないこと。採点者：アセスメントアーキテクト、カリキュラム具体性レビュアー、ディスポジション理論家、認知負荷アーキテクト。
2. 年齢に適した枠組み。 定義文が、対象バンドの範囲全体にわたって理解しやすく関連性があること。最年少の対象バンドが持たない省察的能力を前提としていないこと。採点者：発達神経科学レビュアー、ディスポジション理論家、関係性 SEL 実践者、治療教育懐疑論者。
3. コンピテンシーとの整合。 LT が親コンピテンシーの意図に適合し、別のコンピテンシーが所有する領域へ逸脱していないこと。採点者：アセスメントアーキテクト、ディスポジション理論家、カリキュラム具体性レビュアー、認知負荷アーキテクト。
4. 論争可能性／構成概念妥当性。 定義が、実在する観察可能な構成概念を述べていること——その存在が前提とされている空虚な「スキル」ではないこと。懐疑論者が構成概念の存在に反論でき、定義がその反論の的となるものを与えていること。採点者：全員（7 名）。
5. 領域的根拠。 構成概念がそのエビデンス基盤において擁護可能であり、捏造されていないこと。採点者：全員（7 名）。

役割ごとの割り当ての理由。 具体性レビュアーが 1 と 3 を採点するのは、どちらもその文が具体的な仕事をしているかどうかにかかっているためです。発達神経科学レビュアーが 2 を採点するのは、年齢適合性がその役割のレンズの中核であるためです。懐疑論者が 2 と両方の「全員（7 名）」次元を採点するのは、懐疑論者の批判が、ある構成概念をそもそも名指しするのが適切かどうかにしばしば存在するためです。

クロスウォーク — 5つの評価軸

1. 整合性の正確さ。 各クロスウォークの主張が、もう一方のフレームワークの実際の文章と意図に合致しており、相手側のフレームワークが認めない整合性を主張していない。採点者：7名全員。
2. 双方向の網羅性。 クロスウォークの両側が公平に示されており、収束する行だけを選び、相違する行を除外していない。採点者：評価設計者、カリキュラム具体性レビュアー、認知負荷設計者、セラピー的教育への懐疑論者。
3. 相違点の忠実な扱い。 2つのフレームワークが同じテーマを異なる形で扱う場合、その違いを正確に示しており、整合性を実際以上に強く見せるために和らげていない。Circle Solutionsのクロスウォーク項目については、関係性重視のSEL実践者が最も重要なレビュアーであり、その採点に応じた重みを置くこと。採点者：態度論者、関係性重視のSEL実践者、セラピー的教育への懐疑論者、カリキュラム具体性レビュアー。
4. 独自の強みの特定。 一方のフレームワークが他方に加える内容を具体的に示しており、「より深い関与」や「より関係性を重視したアプローチ」といった曖昧な主張にとどまっていない。採点者：態度論者、関係性重視のSEL実践者、評価設計者、発達神経科学レビュアー。
5. 根拠に基づく評価。 引用された箇所、ルーブリック項目、または法令上の条項が出典フレームワークに実際に存在し、正確に引用または参照されている。採点者：7名全員。

スコープと配列 — 5つの評価軸

1. 前提条件の順序。 何を何より先に学ぶべきかが正しく配列されており、バンドNの内容がバンドN+1の前提知識を必要としていない。採点者：認知負荷設計者、評価設計者、態度論者、カリキュラム具体性レビュアー。
2. 学習密度の配分。 想定される指導時間に照らして、各バンドの学習負荷が現実的である。10回の授業に20個のLTを詰め込むようなバンドがない。採点者：認知負荷設計者、関係性重視のSEL実践者、発達神経科学レビュアー、セラピー的教育への懐疑論者。
3. 概念のスパイラル展開の一貫性。 概念を再び扱う際に、単なる反復ではなく発展させており、再登場のたびに進行要素（複雑さ、自立性、応用、精度、推論、範囲）が高まっている。採点者：認知負荷設計者、態度論者、評価設計者、カリキュラム具体性レビュアー。
4. 時間配分の現実性。 授業時間 × 頻度が、教師が実際に確保できる時間に合致している。配列が、対象となる実際の学校では提供できない条件を前提としていない。採点者：関係性重視のSEL実践者、セラピー的教育への懐疑論者、評価設計者、発達神経科学レビュアー。
5. 不足点の特定。 文書内の自己監査が真の欠落を捉えており、存在しない内容への相互参照を主張して不足点を覆い隠していない。採点者：7名全員。

注意事項（scope_and_sequenceの出力には必ず含めること）。 このパネルは、学習設計の評価軸（知識要素の分解と転移課題の設計に関するKoedinger相当の専門性）について、理想的なパネルより弱い。出力のcaveatsフィールドに、次の文を含めること。

"スコープと配列のレビュー — パネルの弱点を認識しています：現在のパネルは、認知負荷の枠組みではSweller／Rosenshineに傾いており、知識要素の分解や転移課題の設計に関するKoedinger相当の専門性を持つメンバーが含まれていません。今後のパネルライブラリのリファクタリングで、この役割を追加します。スコープと配列のスコアは決定的なものではなく、方向性を示すものとして扱ってください。"

出力形式

次の形に厳密に従った単一のJSONオブジェクトを返してください。

{
  "artefact_type": "<type>",
  "timestamp": "<ISO-8601>",
  "per_role": [
    {
      "role": "assessment_architect",
      "model": "opus",
      "scores_per_dimension": { "<dim_name>": 0, "...": 0 },
      "mean_role": 0.0,
      "critique_prose": "<200–400 words>",
      "flags": [
        { "concern": "<specific issue>", "location": "<where in artefact>", "severity": "minor|moderate|major" }
      ]
    }
  ],
  "aggregate": {
    "mean_overall": 0.0,
    "mean_per_dimension": { "<dim_name>": 0.0 },
    "below_floor_roles": [ { "role": "<name>", "mean_role": 0.0 } ],
    "unanimous_flags": [ "<flag concern raised by >=2 roles>" ],
    "gate_verdict": "PASS|FAIL",
    "gate_reasoning": "<one sentence applying mean>=88 AND no role<70>"
  },
  "caveats": [ "<artefact-type caveats>" ]
}

ロールのキー（roleフィールドでは次のスラッグを使用）：assessment_architect、dispositions_theorist、relational_sel_practitioner、curriculum_specificity_reviewer、developmental_neuroscience_reviewer、therapeutic_education_sceptic、cognitive_load_architect。

出力例

以下の例では、curriculum-harness リポジトリのコミット ab4705c にある LT 4.5 KUD v2 をレビューします。これは、Phase 0.5 のしきい値検証で既知の高品質な参照資料として使用される成果物です。KUD 全体は名前とコミットハッシュで示し、ここに再掲する短縮版は説明用の例として現実的な内容になっており、この例でパネルがレビューする対象です。

短縮版の成果物（レビュー例の刺激資料）：

LT 4.5 — 仲間との対立に建設的に向き合う。 知識の種類：T3（性向）。親コンピテンシー：コンピテンシー4 — 関係性のウェルビーイング。対象バンド：B–F。

• バンドB（8〜10歳）。 K：よくある対立のきっかけ（意見の相違、仲間外れ、誤解）の名称。感情と行動は別のものであること。U：対立は必ずしも悪いものではありません。次に人々が何をするかによって、関係が弱まることも強まることもある瞬間です。Do（観察）：仲間のグループで意見の相違が生じたとき、その場を離れずに話し合いにとどまります。自分が感じていることを少なくとも1つ言葉にします。たとえ採用されなくても、次に何をするかについて1つ提案します。
• バンドC（10〜12歳）。 K：立場（自分が望むもの）と利害（なぜそれを望むのか）の違い。対立をエスカレートさせるパターン（仕返しの応酬、第三者の巻き込み）。U：立場をめぐる対立の下には、共有された利害があることが多く、その利害にたどり着くことが解決への糸口になることがよくあります。Do（観察）：仲間との対立において、相手が認めるような形で相手の利害を説明できます。促されなくても、自分がどのエスカレーションパターンにいるかを言葉にできます。
• バンドD（12〜14歳）。 K：対立のパターンは、現在の意見の相違だけでなく、関係性について何かを示すことが多いということ。修復の概念。U：強い関係とは、対立がない関係ではありません。対立の後に修復が行われ、その修復によって時間とともに関係が強まる関係です。Do（観察）：対立の後、48時間以内に生徒が修復を試みます。その際、自分の側が対立の一因となった発言や行動を挙げます。
• バンドE（14〜16歳）。 ［内容は続く — 省略］
• バンドF（16〜18歳）。 ［内容は続く — 省略］

提供された成果物のコンテキスト： コンピテンシー4の定義（関係性のウェルビーイング — 発達の全過程を通じて、仲間や大人との関係を築き、維持し、修復する性向）。前提となるLT：LT 4.1（感情の語彙、ソフトイネーブラー）、LT 2.3（視点取得、ソフトイネーブラー）。対象バンド：B–F。T3の性向の分類。

---

レビュー結果（JSON）：

{
  "artefact_type": "kud",
  "timestamp": "2026-04-24T14:30:00Z",
  "per_role": [
    {
      "role": "assessment_architect",
      "model": "opus",
      "scores_per_dimension": {
        "structural_integrity": 93,
        "specificity": 92,
        "domain_grounding": 94,
        "practical_usability": 91
      },
      "mean_role": 92.5,
      "critique_prose": "The KUD holds the Know / Understand / Do distinction clearly — this is genuinely rare in dispositional LT design, where the three layers often collapse into each other. The Know-layer items at Band C (position vs interest; escalation patterns) pass the exam-question test: I can write a short-answer question whose answer is 'position vs interest' without ambiguity. The Understand layer carries real conceptual weight — 'a strong relationship is not one without conflict — it's one where conflict is followed by repair' is a genuine Understand, not a paraphrased Know. The Do layer correctly uses observation indicators rather than performance rubrics, which is the right choice for a T3 LT. Progression across bands tracks a real arc: staying in the conversation (B) → naming the other's interest (C) → initiating repair within a specified window (D). Each lever shift is concrete.\n\nWhere I would push: the Band B Do indicator 'offers one idea for what to do next even if it is not adopted' is scoreable but would benefit from a specificity note on what counts as an 'idea' — does 'let's take a break' count? I suspect yes, but the current text leaves it to teacher judgement in a way that will produce inter-rater drift. Band D's '48 hours' is a design choice I endorse — a specific window beats 'within a reasonable time' — but flag that teachers will need guidance on what to do when the window is missed and whether it resets the observation.\n\nOverall this is the kind of KUD that enables formative feedback: a teacher reading it knows what they are watching for, and would have something specific to say to a student who is not yet at the band indicator. That is the assessment architect's primary test and this artefact passes it cleanly.",
      "flags": [
        { "concern": "Band B 'offers one idea' needs a specificity note on what counts as an idea to reduce inter-rater drift.", "location": "Band B Do indicator", "severity": "minor" },
        { "concern": "Band D '48 hours' window needs teacher guidance on missed-window cases.", "location": "Band D Do indicator", "severity": "minor" }
      ]
    },
    {
      "role": "dispositions_theorist",
      "model": "opus",
      "scores_per_dimension": {
        "developmental_accuracy": 93,
        "domain_grounding": 92
      },
      "mean_role": 92.5,
      "critique_prose": "This KUD takes dispositions seriously rather than treating them as behaviours to be trained. The Understand layer at Band D — 'a strong relationship is not one without conflict — it's one where conflict is followed by repair' — is doing real dispositional work. It names the stance a student is being invited to cultivate, not a technique to deploy. That distinction is the hardest thing to get right in dispositional LT design and this KUD gets it right.\n\nWhat I want to flag is more subtle: the progression is slightly too tilted toward individual-enactment language. The Do indicators are all about what the student does — stays in, names feelings, initiates repair. That is defensible, because the student is the unit we are assessing, but it understates the degree to which dispositions are cultivated by the relational context the student is in. A Band B student whose peer group models staying-in-conversation will develop this disposition faster than one whose peer group models exit-as-default, and the framework could gesture toward that contextual dependency in the Understand layer.\n\nI also want to note that the 'initiates a repair attempt within 48 hours' indicator, while scoreable, risks reading the disposition as a scheduled action rather than an ongoing stance. The disposition being cultivated here is the student holding repair as a value they return to, not a 48-hour task item. I do not think the indicator is wrong — observation indicators need to be concrete — but the surrounding documentation should make clear to teachers that a student who initiates repair at 60 hours is not failing, and that the indicator is a window of observable evidence, not a compliance test.\n\nOverall: a strong piece of dispositional work that holds the Building Learning Power instinct about ongoing stance, with minor opportunities to tighten the relational framing.",
      "flags": [
        { "concern": "Do indicators are individual-enactment-focused; Understand layer could gesture toward relational context in which the disposition is cultivated.", "location": "across bands, especially B–C", "severity": "minor" },
        { "concern": "48-hour window risks reading as compliance rather than stance; needs teacher guidance.", "location": "Band D Do indicator", "severity": "minor" }
      ]
    },
    {
      "role": "relational_sel_practitioner",
      "model": "opus",
      "scores_per_dimension": {
        "domain_grounding": 91,
        "practical_usability": 90
      },
      "mean_role": 90.5,
      "critique_prose": "The implementation reality test is the one I'm hardest on and this KUD passes with real margin. The Do indicators are things a teacher running a Circle actually sees — who stays in the conversation when a disagreement rises, who leaves, who names a feeling, who names an escalation pattern. These are not things a teacher has to invent an artificial task to observe; they are things that surface in the ordinary life of a Year 6 classroom in the week before half-term.\n\nWhere I want to push: the Band C indicator 'they can articulate the other person's interest in a way the other person would recognise' is beautifully calibrated but requires the teacher to have enough relationship with both students to know whether the articulation was recognised. In a Circle you can engineer this — you can ask the other student 'does that sound like what you meant?' — but outside the Circle, in the corridor or on the stairs, that verification is not available. The KUD should acknowledge that this indicator is Circle-observable and less reliably observable in other contexts, and suggest how a teacher builds a picture across multiple Circle sessions rather than a single exchange.\n\nI also want to note that 48 hours is generous in a week with a public holiday and a school trip. I would not change the indicator — a specific window is right — but I would add teacher guidance that the window is sensible under normal conditions and that conflicts spanning a half-term break should be measured from the return to school, not the incident.\n\nOverall: this is a KUD a teacher in a real school can actually use. That is rarer than it sounds.",
      "flags": [
        { "concern": "Band C 'recognised-by-other' verification is Circle-dependent; needs note on multi-session observation.", "location": "Band C Do indicator", "severity": "moderate" },
        { "concern": "48-hour window needs teacher guidance on breaks / holidays.", "location": "Band D Do indicator", "severity": "minor" }
      ]
    },
    {
      "role": "curriculum_specificity_reviewer",
      "model": "sonnet",
      "scores_per_dimension": {
        "structural_integrity": 91,
        "specificity": 90,
        "domain_grounding": 94
      },
      "mean_role": 91.67,
      "critique_prose": "Running the blind-band test: strip the band headers and ask whether a reviewer could reconstruct the band order from the content alone. For this KUD, yes — the progression from 'stays in the conversation' (B) to 'articulates the other's interest' (C) to 'initiates a repair attempt' (D) is genuinely ordered, not a vocabulary inflation. Band C cannot be Band B and Band D cannot be Band C on content alone. This passes cleanly.\n\nKnow-layer items pass the exam-question test. 'Position vs interest' is a specific thing you can write a question about. 'Escalation patterns (tit-for-tat, third-party recruitment)' is specific. 'Repair' at Band D is specific enough that a teacher could test a student's grasp of it.\n\nWhere I want to flag: the Understand-layer at Band B — 'conflict is not always bad — it's a moment where a relationship can either weaken or strengthen depending on what people do next' — is strong content but reads a sentence long where it could read shorter. I don't think this is a specificity failure; it's a house-style note. More substantively, the Band B Do indicator 'offers one idea for what to do next even if it is not adopted' contains the phrase 'even if it is not adopted' which is doing real work (the student is assessed on offering, not on persuading) but 'idea' is under-specified — a student mumbling 'I dunno' does not count, a student saying 'let's take a break' presumably does, and the line between them needs teacher guidance.\n\nBand A is N/A in this KUD (band range B–F) which is the right call — 'initiates a repair attempt' is not a five-year-old's task. The N/A is documented, not silent.",
      "flags": [
        { "concern": "Band B 'offers one idea' — 'idea' is under-specified; needs teacher guidance on the mumble-vs-suggestion line.", "location": "Band B Do indicator", "severity": "moderate" },
        { "concern": "Band B Understand sentence is long where a shorter one would land the same content.", "location": "Band B U layer", "severity": "minor" }
      ]
    },
    {
      "role": "developmental_neuroscience_reviewer",
      "model": "opus",
      "scores_per_dimension": {
        "developmental_accuracy": 94,
        "domain_grounding": 92
      },
      "mean_role": 93.0,
      "critique_prose": "The decision to set Band A as N/A is the right one and I endorse it unambiguously. 'Navigating peer conflict constructively' is not a five-year-old's learning target — the regulatory capacity required to stay in a conflict rather than dysregulate and leave is still under construction at that age, and asking an early-years child to meet this indicator would be asking the wrong thing of the developing nervous system. The framework documenting this N/A rather than silently omitting it is also correct — the documentation itself is part of the developmental honesty.\n\nBand B (ages 8–10) is calibrated well. 'Stays in the conversation rather than leaving' is not a stretch at this age for most children in a regulated environment. The indicator acknowledges that 'leaving' is a legitimate move in some cases (a dysregulated child leaving is protecting their nervous system, not failing the indicator) — though I would want the teacher guidance to make that explicit: leaving is not always failure, and a teacher who marks a dysregulated child as not-yet-at-indicator on that basis is reading the indicator wrongly.\n\nBand D's 'initiates a repair attempt within 48 hours' is age-appropriate for 12–14 but assumes a baseline of regulatory recovery from the conflict within that window. For a child with trauma history, 48 hours may be inside the continued-dysregulation window. The indicator is not wrong for the general population but should flag to teachers that for specific children, the window is a safeguarding-relevant variable, not a deadline.\n\nI am strong on the safety lens and acknowledge I am weaker on the learning-design lens — on the learning-architecture side I defer to the cognitive load architect.",
      "flags": [
        { "concern": "Band B 'stays in the conversation' — teacher guidance needed that dysregulated leaving is protective, not indicator-failure.", "location": "Band B Do indicator", "severity": "moderate" },
        { "concern": "Band D 48-hour window is inside the continued-dysregulation window for some children with trauma history; safeguarding note required.", "location": "Band D Do indicator", "severity": "moderate" }
      ]
    },
    {
      "role": "therapeutic_education_sceptic",
      "model": "opus",
      "scores_per_dimension": {
        "developmental_accuracy": 72,
        "domain_grounding": 62,
        "practical_usability": 66
      },
      "mean_role": 66.67,
      "critique_prose": "I will make the case against this artefact's adoption. It is well-written — I grant that — but the thing it is well-written about is itself the problem. The LT positions the teacher as observer of the student's conflict life, noting whether the student 'names at least one feeling they are having' or 'initiates a repair attempt within 48 hours.' This is surveillance framed as care. An eight-year-old who has an argument at lunchtime does not know that the adult nearby is privately scoring them against a rubric for whether they stayed in the conversation. The observation model treats ordinary childhood life as assessable data for a wellbeing framework, and that treatment itself does something to the child that the framework does not acknowledge.\n\nThe 'repair attempt within 48 hours' indicator medicalises the rhythm of ordinary disagreement. Children fall out and come back together on timescales that have nothing to do with 48 hours and everything to do with the ordinary texture of friendship. Coding this as a curriculum indicator imports a therapeutic grammar into relationships that were doing fine without it. The framework will tell you that the indicator is observation, not prescription — but the indicator becomes prescription the moment a teacher is asked to note it.\n\nOn domain grounding: the 'repair' framework borrows from therapeutic models (Gottman, Siegel) that were developed in clinical settings with adult couples or in trauma-specific contexts, and transfers them into an ordinary school curriculum without acknowledging the transfer. A framework that transports clinical constructs into developmental curriculum without argument is not grounded — it is borrowed.\n\nPractical usability: a teacher with 28 students cannot observe this across the class in the way the framework implies they can, and if they try, they will produce thin judgements on many children rather than good judgements on a few. The framework's observability claims do not survive scale.\n\nI am not required to be fair. The case against adoption is that this framework is a therapeutically-grammared expansion of school's remit into territory that belongs to families and peers, dressed in the vocabulary of curriculum. The other six roles provide balance. My score of 62 on domain grounding is not a mistake.",
      "flags": [
        { "concern": "Observation model treats ordinary childhood conflict as assessable data; no acknowledgement of what that framing does to the observed child.", "location": "Do-layer across all bands", "severity": "major" },
        { "concern": "'Repair' framework borrows from clinical therapeutic models without argument for transfer to ordinary school curriculum.", "location": "Band D U and Do", "severity": "major" },
        { "concern": "Observability at scale: 28-student class cannot yield good judgements across all target indicators.", "location": "framework-level assumption", "severity": "major" }
      ]
    },
    {
      "role": "cognitive_load_architect",
      "model": "opus",
      "scores_per_dimension": {
        "structural_integrity": 92,
        "developmental_accuracy": 91,
        "specificity": 91,
        "domain_grounding": 94
      },
      "mean_role": 92.0,
      "critique_prose": "From the cognitive-load and memory lens, this KUD is well-architected. The Know layer at each band introduces a bounded number of novel elements — at Band B, two: trigger names and the feelings-vs-actions distinction. At Band C, two again: position-vs-interest and escalation patterns. This respects working-memory limits at the target age. Comparable dispositional frameworks I have reviewed often try to introduce six or seven novel elements per band, which collapses into the learner as vocabulary without consolidation. This one does not.\n\nThe progression passes the expertise-reversal check: Band C's 'position vs interest' depends on Band B's 'feelings and actions are separate' — and the dependency is sequenced correctly. A learner at Band C has had two years to consolidate the Band B schema before being asked to build on it. Band D's 'repair' concept depends on Band C's understanding of shared interests, and again the dependency is sequenced correctly. Nothing in Band N assumes schema from Band N+1.\n\nThe Do indicators require genuine retrieval rather than recognition — the student is not picking from a menu of options, they are bringing behaviour forward unaided. That is the right design for transferable competence. A rubric that asked the student to select the correct response from a list would build brittle procedural knowledge that collapses outside the teaching task.\n\nOne flag: the Understand layer at Band B carries a fair bit of conceptual weight in a single sentence, which is fine for teacher-facing documentation but means the teacher will need to decompose the concept for the student. This is a teaching-design concern more than a cognitive-load failure in the KUD itself, but worth noting so that the implementation guidance does not assume the Understand sentence can be delivered whole to an eight-year-old.\n\nOn the Koedinger KC frame: this panel's wellbeing content sits better in Sweller/Rosenshine architecture than in explicit KC modelling, so I have not pushed that frame. For future maths-content review this skill will want a reviewer who does.",
      "flags": [
        { "concern": "Band B U sentence carries heavy conceptual weight; implementation guidance should decompose for age 8–10 delivery.", "location": "Band B U layer", "severity": "minor" }
      ]
    }
  ],
  "aggregate": {
    "mean_overall": 88.25,
    "mean_per_dimension": {
      "structural_integrity": 92.0,
      "developmental_accuracy": 87.5,
      "specificity": 91.0,
      "domain_grounding": 88.43,
      "practical_usability": 82.33
    },
    "below_floor_roles": [
      { "role": "therapeutic_education_sceptic", "mean_role": 66.67 }
    ],
    "unanimous_flags": [
      "Band B 'offers one idea' / 'idea' specificity needs teacher guidance (raised by assessment architect and curriculum specificity reviewer).",
      "Band D 48-hour window needs teacher guidance on edge cases — missed windows, breaks, continued-dysregulation window for trauma history (raised by assessment architect, dispositions theorist, relational SEL practitioner, developmental neuroscience reviewer)."
    ],
    "gate_verdict": "FAIL",
    "gate_reasoning": "FAIL: mean_overall 88.25 meets the >=88 threshold, but therapeutic-education sceptic mean_role 66.67 is below the 70 floor. Floor rule triggers — a single role's sustained dissent on the therapeutic-education grounding is a structural blocker, not a number to be averaged away. Author decision required: either engage the sceptic's flags substantively (observation-as-surveillance framing; clinical-to-curriculum transfer without argument; observability-at-scale) or document why the panel proceeds despite the floor trigger."
  },
  "caveats": []
}

この例の読み方。 この成果物は実際に高品質です。7つの役割のうち6つが88〜95点と評価しており、指摘の大半は軽微です。また、全員が挙げた指摘からは、執筆者が対処するとよい実際の問題が2つ特定されています。平均総合点は88のしきい値をわずかに上回っています。それでも判定がFAILなのは、治療教育に懐疑的なレビュアーが3つの評価軸で継続的に異議を唱え、その平均役割スコアが66.67となり、70の下限を下回ったためです。これは下限ルールが意図どおりに機能している例です。つまり、1つの役割による構造上の懸念が平均化されて合格になってしまうのを防いでいます。執筆者が次にすべきことは、懐疑的なレビュアーに再採点を求めることではありません。懸念に対処できるなら修正するか、あるいは異議を記録したうえでパネルを先に進めるかを判断します。後者の場合、下限のトリガーは、黙って合格とするのではなく、成果物の採用記録の一部になります。

既知の制限事項

1. 逐次分離は並列 API ではありません。 逐次分離モードでは、明示的なセグメントマーカーを使用して、1 つのセッション内で 7 つのレビューを実行します。これは共有コンテキストレビュー（各役割の意見が平均化された 1 つの批評に集約される方式）を大きく改善しますが、真の並列 API アーキテクチャのように役割間の影響を完全に排除するものではありません。真の並列 API モードは、このスキルの将来のバージョンに先送りされています。

2. 役割は、人物像の近似ではなく、匿名化された伝統に基づいています。 7 つの役割は、研究に基づいて知的系譜を抽出したものです。存命の研究者を模倣したものではなく、そのように扱うべきではありません。役割プロンプトがその系譜を引き継ぐ特定の研究者の具体的な見解が、正確に反映されているとは限りません。

3. パネルは、ウェルビーイングと SEL のコンテンツに合わせて調整されています。 他の分野（数学、リテラシー、歴史、科学、現代語）のカリキュラム成果物を対象にする場合は、パネル構成の調整が必要です。現在のパネルにいる認知負荷の設計者は Sweller／Rosenshine に傾いていますが、数学のレビューでは、知識要素モデリングに関する Koedinger 相当の専門知識が必要です。現在のパネルにいる発達神経科学のレビュアーは、トラウマに配慮する立場を重視していますが、科学カリキュラムのレビューでは別の発達的な視点が必要です。パネルライブラリのリファクタリングは今後の課題です。

4. スコープとシーケンスのレビューは、理想と比べると弱い点があります。 パネルは、スコープとシーケンスのレビューで真に必要とされる学習アーキテクチャの観点（Koedinger 相当の深さ）において、自身が弱いことを認めています。レビューを利用する側がスコアを実際以上に確定的なものと見なさないよう、この注意書きは artefact_type == scope_and_sequence の場合に出力へ自動的に含まれます。

5. このスキルは、品質が既知の高品質な成果物および欠陥のある成果物を使った実証的な検証を受けていません。 カリキュラムハーネスプロジェクトのフェーズ 0.5 が検証ステップです。このスキルを LT 4.5 KUD v2（コミット ab4705c、高品質と判明しているもの）と LT 4.4 KUD v1（具体性と観察可能性に弱点があると判明しているもの）に対して実行し、ゲート判定が両者を正しく区別できるか確認します。フェーズ 0.5 が完了するまでは、このスキルの判別妥当性は主張されているにすぎず、実証されていません。

6. フェーズ 0.5 の検証が完了するまで、88 という閾値は暫定的な慣例です。 mean_overall >= 88 の閾値と mean_role >= 70 の下限は、v1.0.0 時点での慣例です。フェーズ 0.5 では、品質が既知のコーパスに対して、これらの閾値が正しい PASS／FAIL の振り分けを行うか確認します。正しく振り分けられない場合は、閾値を調整し、それに応じてこのスキルのバージョンを上げる可能性があります。