Shuichiro Ogawa
English

ノート · 更新 2026-07-22 · Markdown 版

既知の再結合と非人間的推論：ハルシネーションを創造性の資源とみなせるか

ハルシネーションを創造性の資源とみなす議論を、二つのレンズで再整理した論考。

目次（8）
  1. 中立的な地図が閉じた場所から始める
  2. 既知の再結合という定義から見ると、ハルシネーションは変異である
  3. 変異は、価値の半分しか供給しない
  4. 推論原理が違えば、足すのは新しい種類の多様性か
  5. 直交と圧縮劣化は、同じ形状差の二つの読みである
  6. 二つの顔は、interlock の内側で衝突する
  7. 賭けを決着させる一つの実験
  8. Footnotes

中立的な地図が閉じた場所から始める

先行の文献マップは、性能と多様性のトレードオフを照らして閉じた1。 検出と緩和がハルシネーションを削り、RLHF と SFT が出力の多様性を削る。 削られた側に発想の芽が混じっていた、という筋まではたどれた。 だが「旧世代や低精度のモデルの逸脱こそ発想に効く」という当初の問いは、演繹では支えられず、フレームの飛躍として残った。

その飛躍を別の角度から立て直せる、という見立てがここにある。 問いを「どの世代のモデルが多様か」から、二つ動かす。 一つめは、ハルシネーションを生成する機構そのものを、イノベーションの定義に照らして読むこと。 二つめは、その機構が人間とは違う推論原理で動くことを、多様性の源として読むこと。 この二つは、たどっていくと一つの機構の裏表に見えてくる。 見えてくるのだが、最後にその裏表は、自分の内側で衝突する。

既知の再結合という定義から見ると、ハルシネーションは変異である

イノベーションの古典的な定義から始める。 この系譜の古典として、Schumpeter の新結合（neue Kombinationen）を参照文献に挙げた（今回は書誌だけを確かめた。[要一次検証: 本文未到達 書誌のみ]）2。 Weitzman は要旨で、新しいアイデアの生産を、組み替えた古いアイデアの関数として定式化し、知識が組合せのフィードバックで自分の上に積み上がる過程を数理モデルで示した3。 同じ要旨は、成長の限界が新しいアイデアを生む力よりも、潜在的に新しいアイデアの豊富さを使える形に処理する力にある、と述べている3。 Arthur の書の出版社の紹介文は、技術はすでにある部品（それ自体も技術）から組み立てられ、組み合わさり、形を変え、また組み合わさって次の技術を作る、と述べる4。 こうした記述を並べると、イノベーションは既知要素の再結合として記述される。

生成モデルが出力を作る機構は、この記述と構造が重なる。 モデルは訓練分布のなかで確率的にありえた継続をサンプリングしている。 事実から外れた継続と、まだ誰も書いていない継続を、モデルは区別していない1。 He らはデコーディングの層ごとにハルシネーションと創造性を同時に測り、層の深さとモデルの大きさをまたいで、両者のあいだに一貫したトレードオフがあることを示した5。 逸脱と発想が同じ機構から出るなら、その機構は「既知要素の確率的な再結合器」と呼べる。

再結合の価値は、計量の研究で示されている。 Uzzi らは 1790 万本の論文の引用の組合せを解析し、高いインパクトを持つ論文が「典型的な引用の土台に、少量の非典型な引用を載せた」構造を取ることを示した6。 Fleming は特許の引用データで、新しい組合せほど発明の結果のばらつきが大きいことを示した7。 訓練分布の縁で起きる確率的な逸脱を「不慣れな再結合の安価な生成」とみなせば、ハルシネーションは非典型な組合せを自動で吐く装置になる。

この位置づけを、創造性心理学の古典が下から支える。 Simonton の総説の要旨によれば、Campbell は創造的思考を、盲目的変異（blind variation）と選択的保持（selective retention）の過程（BVSR）とみなすよう提案した89。 Simonton はこの過程を組合せ論のモデルで形式に表した910。 Koestler の bisociation（それまで無関係だった二つの思考の枠の要素を混ぜ、新しい意味の枠を作ること）も、変異と、新しい意味が立つ選択の二段に読める11。 この図式に置けば、ハルシネーションは変異の段階に当たる。 機械が盲目的変異を大量に、しかも安く実行する装置だ、というのが第一のレンズの最も強い形である。

変異は、価値の半分しか供給しない

だが同じ二段階の図式が、このレンズの射程をその場で区切る。 BVSR の二段の枠で読めば、盲目的変異だけでは novelty に届いても創造には届かない89。 選択的保持が加わって初めて、変異は保持すべきものとして残る。 Weitzman の要旨が成長の限界を、アイデアを使える形に処理する力に置いたのも、同じ区切りの経済の側の言い方である3。 Amabile は要旨で、創造性の定義と評価を検討したうえで、領域の技能、創造性の技能、課題への動機づけを構成要素とする枠組みを示し、それまで見落とされてきた社会的な要因を強調した12。 創造性の定義の側の古典として、Runco と Jaeger の標準定義と Csikszentmihalyi のシステムの見方も参照文献に挙げたが、どちらも今回は本文と要旨を取れなかったので、内容には立ち入らない（[要一次検証: 本文未到達 書誌のみ]）1314。 ここで確かめられた BVSR の図式でも Weitzman の要旨でも、価値の側は変異の外にある。 ハルシネーションは変異を供給するが、有効かどうかを測る選択機構を持たない。

Uzzi の知見は、この区切りをさらに具体にする。 高インパクトの論文に見られたのは非典型な組合せそのものではなく、「典型の土台の上に少量の非典型を載せた」構造だった6。 ランダムな逸脱を大量に吐くだけでは、この構造は再現しない。 Fleming の要旨でも、新しい部品と組合せを試すと、発明の有用性は平均では下がり、ばらつきが増えて失敗と突破口の両方が出やすくなる7。 逸脱の大多数は、突破口ではなく捨てられる材料である。

もう一段深い区切りが、機構の届く範囲そのものにある。 Boden は創造性を三つに分けた15。 既存要素の新しい配置によるcombinational、決まった概念空間のなかを探る exploratory、そして概念空間そのものを組み替える transformational である。 Franceschelli と Musolesi はこの区別を機械学習に写した16。 二人の整理では、生成モデルが実データの組合せとして新しく価値のある作品をサンプルできれば combinational、作品が実データと実際に異なれば exploratory の創造性を示す。 transformational な創造性が現れるのは、サンプリングの分布が元の分布から何らかの形で外れるとき（学習の過程を変える、学習後に分布を変える、サンプリングの手法を変える）に限られる16。 事前学習したモデルが働く解の空間は実データから導かれる空間で、その外か境界へ出るのは一部の手法を加えた場合だとも書いている。 二人は Transformer の言語モデルについても、プロンプトの調整や強化学習を加えれば transformational な創造性がありうるとし、価値、新規性、驚きの保証はないとした16。

ハルシネーションが、学習した分布からのサンプリングの中で起きる確率的な逸脱であるなら、それは分布の台の内側（この論考の言い方では内挿）の範囲にとどまる。 分布を外す操作は、ハルシネーションとは別に加える手続きである。 第一のレンズは「再結合そのもの」を弁護できる。 ただし弁護できるのは、価値の選択を人間に残し、変換的な創造の外にとどまる、combinational な変異の供給までである。

推論原理が違えば、足すのは新しい種類の多様性か

第二のレンズは、機構の位置ではなく、機構の異質さに賭ける。 既存の多様性は、突きつめれば人間という一種類の推論機のあいだの多様性である。 その多様性がなぜ効くのかを、集合知の理論が定式化してきた。 Hong と Page は、問題解決者が問題空間に対して異なる表現と探索の手続きを持つとき、その多様性が個々の能力の高さを上回りうることを示した（diversity trumps ability）17。 Page はこの考えを二冊の書で認知的多様性の議論へ広げた（今回は書誌だけを確かめた。[要一次検証: 本文未到達 書誌のみ]）1819。 ここで効くのは頭数ではなく、問題空間上で位置が異なることである。

LLM を人間集団の同じレイヤに置くと、この「位置の違い」が二つに割れる。 一つは源内多様性、つまり LLM どうしの違いである。 これは小さい。 Wenger と Kenett は、二十を超える別々のモデルの創造的な出力が、人間どうしよりはるかに互いに似ていることを計量した20。 Kim らは三百五十を超えるモデルで、誤りが相関し、能力の高いモデルほど相関が強いことを示した21。 どのモデルを選んでも似た答えが返るなら、LLM の集団は「異なる表現を持つ解決者の集団」にはならない。

もう一つが源間多様性、つまり人間と LLM のあいだの違いである。 第二のレンズが賭けるのはこちらである。 LLM の訓練目標は、訓練テキスト分布上で次のトークンの確率を最大にすることにある。 人間の推論は、目的と文脈と身体的な経験に根ざした意味の処理である。 原理が違う。 Rahwan らが、AI システムのふるまいを計算機科学に諸科学の知見を加えて研究する「機械のふるまい」（machine behaviour）の研究課題を説いた枠組みは、この原理の違いを扱う足場を与える22。 人間の連想は意味ネットワークの近傍に引かれる。 次のトークンの予測は、確率質量の裾へもサンプリングできる。 だとすれば LLM は、人間が「思いつかない」のではなく「思いつく確率が事実上ゼロの」併置を出せる。

アンサンブル学習の側からは、Krogh と Vedelsby の ambiguity decomposition が、アンサンブルの汎化誤差は、個々の学習器の誤差の加重平均から、学習器どうしの出力の不一致（ambiguity）の加重平均を引いたものになることを示している23。 個々の誤差が同じなら、不一致が大きいほどアンサンブルの誤差は小さい。 人間集団に「最も異なる」学習器を一つ加えることは、この分解では ambiguity を大きくすることに当たる。 ただし、加えた学習器自身の誤差も、平均の誤差の項に入る。 人間分布に直交する新しい軸を足す、というのが第二のレンズの最も強い形である。

直交と圧縮劣化は、同じ形状差の二つの読みである

ここで議論は、第二のレンズの内側から裏返る。 LLM が人間分布と違う形をしていること自体は、両陣営とも認める。 争うのは、その違いに付く符号である。

裏返しの側の証拠は厚い。 Bender らは LLM を「確率的なオウム」（stochastic parrots）と呼び、規模を増し続ける言語モデルの危険を問うた（題と要旨）24。 Shumailov らは、自己生成データで再帰的に訓練すると出力分布が縮退し、分布の裾が失われる model collapse を実証した25。 Peterson は、LLM の出力が分布の中心へ寄ることで社会全体の知識が狭まる knowledge collapse を、学ぶ人や作り手が従来の方法と割り引かれた AI の支援のどちらに頼るかを選ぶ単純なモデルで示した26。 これらを重ねると、LLM は人間分布の裾を削って多数派へ寄せた、偏った再サンプルに見える。 形は確かに人間と違う。 だがその違いは「人間が達しない有用な方向」ではなく、「人間が持っていた多様性を削った方向」だという読みになる。

二つの読みは、同じ形状差から出て、有用性の符号だけが逆を向く。 第二のレンズの直交は、新しい軸を足す向きの直交を要求する。 model collapse と knowledge collapse が正しければ、観察される直交は、多様性を削る逆向きの直交である。 形状が違うことは両立する。 どちらの向きかは、まだ実証で決まっていない。

集合知の理論の側からも、同じ符号の問題が二度出る。 Hong と Page の定理は、素朴に読めるほど強くない。 Singer の要旨によれば、Thompson は、Hong と Page のモデルで多様な集団が勝つのは多様さのためではなく、集団をランダムに作る手続きのためだと論じた2728。 Grim らは要旨で、モデルを荒れ方（ランダムさ）の異なる探索空間へ広げると結論が敏感に変わることを示し、結果を広く解釈しすぎないよう勧めた29。 Singer は多様性の解釈を擁護し、機能的多様性をどう捉え、どう測るかをはっきりさせる必要を論じた28。 ただ、条件が精密になるほど、「LLM を加えれば多様性のボーナスが出る」という一般化の射程は狭まる。 定理が要求するのは、問題に対して有用な、関連のある多様性である。 誤りが相関する解決器の追加は、関連のある多様性ではなくノイズになりうる21。

符号を反転させる、もう一つの機構が運用の側にある。 Lorenz らは、他者の推定を見せるという軽い社会的影響だけで、群衆の知恵が損なわれることを実験で示した30。 全員が同じモデルを参照することは、この社会的影響に近い働きをすると考えられる（ここでの類推で、直接に測った研究は引いていない）。 Bommasani らが基盤モデルの均質化について注意を促したのも、基盤モデルの欠陥が、それを適応させた下流のすべてのモデルに引き継がれることだった31。 Anderson らは 36 人の比較のユーザー調査で、ChatGPT を使った利用者どうしの案が、別の発想支援を使った利用者どうしより意味の上で似ることを確かめている32。 LLM を独立した別の参照源として分離して使えるあいだは、新しい軸として働く余地がある。 全員がそこへ寄りかかった瞬間、同じ機構は、既存の人間どうしの多様性を削る側に転じる。

二つの顔は、interlock の内側で衝突する

ここまでで、二つのレンズはそれぞれ最強の形と、それぞれの射程限定を持った。 残るのは、両者を一つに束ねる統合の主張である。 束ねる線はこう引ける。 第二のレンズが言う非人間的な推論基盤こそが、第一のレンズが言う再結合を、人間が実際には列挙しない結合まで届かせる機構ではないか。 だとすれば、既知の再結合（第一の顔）と、直交する新しい多様性（第二の顔）は、同じ一つの機構の裏表になる。 これが統合テーゼの要（interlock）である。

この束ね方は、内側で自分と衝突する。 第一の顔は、内挿として弁護された。 学習した分布からのサンプリングにとどまり、分布を外す操作を加えない限り変換的な創造の外にある、というのがその射程だった1516。 第二の顔は、人間分布に直交する新しい軸を約束する。 Franceschelli と Musolesi の写し方で言えば、分布の内側のサンプリングは combinational か exploratory に属し、新しい軸を立てるには分布を外す transformational が要る16。 台の内部にとどまる出力が、その台を張った分布に直交する軸を、どうして張れるのか。 台に縛られているなら、出力は台の張る空間の内側にとどまる。 内側にとどまるものは、定義から、外へ向かう新しい軸を張れない。

つまり第一の顔の射程限定（内挿である）を認めると、第二の顔（直交する新軸である）が立たなくなる。 interlock は、内挿から新軸への飛躍を「非人間的推論基盤」という語で接着している。 接着語は、飛躍を名づけはするが、埋めはしない。 統合テーゼが足したのは、新しい機構ではなく、新しい命名だった。

命名にとどまることは、この論考自身を疑わしくする。 「変異には選択が要る」も「均質化は危険だ」も、先行研究がすでに書いた自己批判である931。 そこへ学説の名を貼り直しただけなら、レンズは装飾に落ちる。 装飾から一歩出る点が、二つだけある。 一つは、第一の顔の射程限定が、第二の顔と論理的に矛盾すると名指ししたこと。 先行研究は二つの限定を横に並べたが、「内挿を認めれば新軸は偽になる」という含意までは書いていない。 もう一つは、形状差の両立を認めたうえで、有用性の符号という別の判別軸を入れたこと。 形は違う、だが符号は collapse の側に付く、という切り分けは、直交か否かの二択には現れない。

賭けを決着させる一つの実験

interlock は機構としては立たない。 それでも、捨てるべき問いには変わらない。 矛盾を取り除くと、統合テーゼは一つの条件つきの賭けとして残る。 非人間分布の内側の内挿が、人間が過少にしか占めない方向で、人間の評価者が新規かつ有用と判定する出力を生むか。 この問いは、机の上では決まらない。 第二の顔が部分的に生き残る余地も、ここにある。 違う生成過程は、人間が手薄にしかサンプリングしない領域へ確率質量を置く。 その領域が有用かどうかだけが、開いたままの問いである。

決着のかたちは、先行の地図がすでに指していた比較実験に重なる1。 同じ課題で、モデルの世代とスケールと temperature をそろえて振る。 測るのは三つ。 発想の多様性、有益な逸脱の率、そして人間の評価者が新規かつ有用と判定する方向へ分布が伸びているか。 三つめが、直交の符号を決める。 人間集団への直交の寄与は、人間のベースライン分布からの距離と、有用性の符号の積で測るしかない。 Azad と Baten の ex ante の評価枠組みは、この測り方に最も近い足場を与える33。

正直に置いておくべき欠落がある。 肯定側、つまり「非人間分布内の内挿が有用な直交の軸を生む」を機構のレベルで示した査読研究は、二系統の収集のどちらにも見つからなかった。 この論考の射程限定は、その欠落に立っている。 だから成果として残るのは「ハルシネーションはイノベーションだ」という命題ではない。 残るのは、二つのレンズを最強の形で立てたときに現れる急所の場所と、その急所を決める一つの実験である。

先行の地図は「旧世代ほど多様か」という空白で閉じた1。 この論考は、その空白を別の言葉に置き換える。 問題は世代ではなく、非人間分布での再結合という機構に付く、有用性の符号である。 その符号は、まだ観察されていない。 一つだけ開いたまま残すとすれば、これが残る。

関連ノート

References

書誌は本文の脚注に DOI/URL つきで載せる。 査読前のプレプリントと、一次ページへ到達できなかった項目は末尾に集約する。

未検証事項

  • 肯定側の機構の欠落：「非人間分布内の内挿が、人間が過少にしか占めない方向で有用な直交の軸を生む」を機構レベルで示した査読研究は、二系統の収集のいずれにも見つからなかった。本論考の射程限定はこの欠落に立脚する。
  • Franceschelli & Musolesi 2024 で直した記述：初稿は二人が「LLM は概念空間を変換する hyperpolation に原理的に届かない」と論じたと書いていたが、本文（arXiv 版）にその主張はなかった。本文は、transformational な創造性はサンプリングの分布が元の分布から外れるときに限って現れるとし、Transformer の言語モデルにもプロンプトの調整や強化学習で起こりうるとしている。interlock の内部矛盾の節は、この本文に合わせて「分布を外す操作を加えない限り」という条件つきに直した。
  • 本文を取れず要旨の範囲で書いた文献：Weitzman 1998、Uzzi 2013、Fleming 2001、Amabile 1983、Hong & Page 2004、Grim 2019、Singer 2019、Rahwan 2019、Wenger & Kenett 2026（モデル数は arXiv 版の本文）、Bender 2021、Shumailov 2024、Lorenz 2011、Anderson 2024、Simonton 2010。Arthur 2009 は出版社の紹介文と目次、Koestler 1964 は百科事典の項目、Campbell 1960 と Thompson 2014 は別の文献の要旨による紹介の範囲で書いた。
  • 書誌だけを確かめた文献：Schumpeter 1934、Runco & Jaeger 2012、Csikszentmihalyi 1988、Page 2007 と 2017（[要一次検証: 本文未到達 書誌のみ]）。本文では内容に立ち入らず、主要主張の根拠にしていない。Boden 2004 は頁が未確認（[要出典確認: 書誌未確定 頁]）。
  • Hong-Page 定理批判の査読ステータス：Romaniega (arXiv:2307.04709) は定理へのより強い反論だが、査読掲載の有無を確かめていないので、コーパスと本文から除外した（[要確認: 未試行 査読掲載の有無]）。
  • 批評の canon 依存：interlock の内部矛盾の指摘は academic-critic（canon: design-theory）の Boden / Simon / Schön / Dorst & Cross / Krippendorff に依拠する。design-theory 以外のカノン（イノベーション経済学の内部、計算論的創造性）からの再検査は未実施。

Footnotes

  1. 先行の文献マップ。ハルシネーションを創造性の資源とみなす研究の学術地図（wiki/note/hallucination-as-creativity-resource-literature.md）。He 2025、Wenger & Kenett 2026、Kumar 2024、Wright 2025、Mednick 1962、Beaty & Kenett 2023 等の完全な書誌はこのマップを正典とする。 ↩ ↩2 ↩3 ↩4

  2. Schumpeter, J. A. (1934). The Theory of Economic Development. Harvard University Press. https://archive.org/details/theoryofeconomic0000schu （独語初版 1912、英訳改訂 1934。書籍 DOI なし。Internet Archive の頁は貸出制限つきで、目録情報だけを確かめた。[要一次検証: 本文未到達 書誌のみ]） ↩

  3. Weitzman, M. L. (1998). Recombinant Growth. The Quarterly Journal of Economics, 113(2), 331–360. https://doi.org/10.1162/003355398555595 （2026-07-22 DOI 解決確認） ↩ ↩2 ↩3

  4. Arthur, W. B. (2009). The Nature of Technology: What It Is and How It Evolves. Free Press. ISBN 9781416544067. https://archive.org/details/natureoftechnolo00arth （2026-07-22 到達確認。2026-11-06 に目次と出版社の紹介文で確認） ↩

  5. He, Z., Zhang, B., & Cheng, L. (2025). Shakespearean Sparks: The Dance of Hallucination and Creativity in LLMs’ Decoding Layers. arXiv:2503.02851. https://arxiv.org/abs/2503.02851 （正典は ハルシネーションを創造性の資源とみなす研究の学術地図。未査読） ↩

  6. Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical Combinations and Scientific Impact. Science, 342(6157), 468–472. https://doi.org/10.1126/science.1240474 （2026-07-22 DOI と PubMed で書誌確認） ↩ ↩2

  7. Fleming, L. (2001). Recombinant Uncertainty in Technological Search. Management Science, 47(1), 117–132. https://doi.org/10.1287/mnsc.47.1.117.10671 （2026-07-22 到達確認） ↩ ↩2

  8. Campbell, D. T. (1960). Blind Variation and Selective Retention in Creative Thought as in Other Knowledge Processes. Psychological Review, 67, 380–400. https://doi.org/10.1037/h0040373 （2026-07-22 DOI と PubMed で確認。要旨は出版社にも Europe PMC にもなく、内容は Simonton 2010 の要旨による紹介の範囲で書いた） ↩ ↩2

  9. Simonton, D. K. (2010). Creative Thought as Blind-Variation and Selective-Retention: Combinatorial Models of Exceptional Creativity. Physics of Life Reviews, 7(2), 156–179. https://doi.org/10.1016/j.plrev.2010.02.002 （2026-07-22 DOI 到達確認。2026-11-06 に Europe PMC の要旨で確認） ↩ ↩2 ↩3 ↩4

  10. Simonton, D. K. (1988). Scientific Genius: A Psychology of Science. Cambridge University Press. ISBN 9780521352871 （chance-configuration theory。書籍 DOI なし） ↩

  11. Koestler, A. (1964). The Act of Creation. Hutchinson (UK) / Macmillan (US). （bisociation。書籍 DOI なし、書誌と bisociation の説明は https://en.wikipedia.org/wiki/The_Act_of_Creation で確認） ↩

  12. Amabile, T. M. (1983). The Social Psychology of Creativity: A Componential Conceptualization. Journal of Personality and Social Psychology, 45(2), 357–376. https://doi.org/10.1037/0022-3514.45.2.357 （2026-11-06 に DOI の題が本論文（componential conceptualization）と一致することを Unpaywall と Semantic Scholar で確認。内容は OpenAlex の要旨の範囲） ↩

  13. Runco, M. A., & Jaeger, G. J. (2012). The Standard Definition of Creativity. Creativity Research Journal, 24(1), 92–96. https://doi.org/10.1080/10400419.2012.650092 （2026-07-22 DOI 到達確認） ↩

  14. Csikszentmihalyi, M. (1988). Society, Culture, and Person: A Systems View of Creativity. In R. J. Sternberg (Ed.), The Nature of Creativity (pp. 325–339). Cambridge University Press. https://link.springer.com/chapter/10.1007/978-94-017-9085-7_4 （URL は 2014 再録版。原典 1988 の章 DOI は未確認。本文と要旨は Springer の頁、Wayback、OpenAlex、Unpaywall のどれでも取れなかった。[要一次検証: 本文未到達 書誌のみ]） ↩

  15. Boden, M. A. (2004). The Creative Mind: Myths and Mechanisms (2nd ed.). Routledge. ISBN 9780415314534. https://www.routledge.com/9780415314534 （初版 1990、増補改訂 2004。combinational / exploratory / transformational、P/H-creativity。三つの型の定義は Franceschelli と Musolesi 2024 の本文の紹介で確認。頁は [要出典確認: 書誌未確定 頁]） ↩ ↩2

  16. Franceschelli, G., & Musolesi, M. (2024). Creativity and Machine Learning: A Survey. ACM Computing Surveys, 56(11), Article 283. https://doi.org/10.1145/3664595 （2026-07-22 DOI 到達確認。2026-11-06 に arXiv 版 arXiv:2104.02726 の本文で照合した。本文に hyperpolation の語はなく、LLM が変換的な創造に原理的に届かないとは書いていない。本論考の記述は本文に合わせて直した） ↩ ↩2 ↩3 ↩4 ↩5

  17. Hong, L., & Page, S. E. (2004). Groups of diverse problem solvers can outperform groups of high-ability problem solvers. PNAS, 101(46), 16385–16389. https://doi.org/10.1073/pnas.0403723101 （2026-07-22 DOI 確認、一次ページは認証壁） ↩

  18. Page, S. E. (2007). The Difference: How the Power of Diversity Creates Better Groups, Firms, Schools, and Societies. Princeton University Press. ISBN 9780691138541 （diversity-prediction theorem） ↩

  19. Page, S. E. (2017). The Diversity Bonus: How Great Teams Pay Off in the Knowledge Economy. Princeton University Press. ISBN 9780691176888 ↩

  20. Wenger, E., & Kenett, Y. N. (2026). Large language models are homogeneously creative. PNAS Nexus, 5(3), pgag042. https://doi.org/10.1093/pnasnexus/pgag042 （正典は ハルシネーションを創造性の資源とみなす研究の学術地図。モデル数 22 は arXiv 版 arXiv:2501.19361 の本文で確認） ↩

  21. Kim, E., Garg, A., Peng, K., & Garg, N. (2025). Correlated Errors in Large Language Models. ICML 2025. arXiv:2506.07962. https://arxiv.org/abs/2506.07962 （2026-07-22 到達確認） ↩ ↩2

  22. Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J.-F., et al. (2019). Machine behaviour. Nature, 568, 477–486. https://doi.org/10.1038/s41586-019-1138-y （2026-07-22 DOI 確認、一次ページは認証壁。2026-11-06 に Europe PMC の要旨で確認） ↩

  23. Krogh, A., & Vedelsby, J. (1995). Neural network ensembles, cross validation, and active learning. Advances in Neural Information Processing Systems, 7, 231–238. https://www.semanticscholar.org/paper/910688d01c01856dd20715907af44157de8d3d1d （ambiguity decomposition。2026-11-06 に NeurIPS の論文集の PDF の本文で式 (10) を確認） ↩

  24. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? FAccT ‘21, 610–623. https://doi.org/10.1145/3442188.3445922 （2026-07-22 DOI 到達確認） ↩

  25. Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y （2026-07-22 DOI 確認、一次ページは認証壁。内容は OpenAlex の要旨の範囲） ↩

  26. Peterson, A. J. (2024/2025). AI and the Problem of Knowledge Collapse. AI & Society (published 2025-01-19). arXiv:2404.03502. https://doi.org/10.1007/s00146-024-02173-x （2026-07-22 到達確認、査読済） ↩

  27. Thompson, A. (2014). Does Diversity Trump Ability? An Example of the Misuse of Mathematics in the Social Sciences. Notices of the American Mathematical Society, 61(9), 1024–1030. https://www.ams.org/notices/201409/rnoti-p1024.pdf （PDF 直接到達は 403、Wayback も 403。書誌は複数引用で一致。内容は Singer 2019 の要旨による紹介の範囲で書いた） ↩

  28. Singer, D. J. (2019). Diversity, Not Randomness, Trumps Ability. Philosophy of Science, 86(1), 178–191. https://doi.org/10.1086/701074 （2026-07-22 DOI 到達確認） ↩ ↩2

  29. Grim, P., Singer, D. J., Bramson, A., Holman, B., McGeehan, S., & Berger, W. J. (2019). Diversity, Ability, and Expertise in Epistemic Communities. Philosophy of Science, 86(1), 98–123. https://doi.org/10.1086/701070 （2026-07-22 DOI 到達確認） ↩

  30. Lorenz, J., Rauhut, H., Schweitzer, F., & Helbing, D. (2011). How social influence can undermine the wisdom of crowd effect. PNAS, 108(22), 9020–9025. https://doi.org/10.1073/pnas.1008636108 （2026-07-22 DOI 確認、一次ページは 403。内容は OpenAlex の要旨の範囲） ↩

  31. Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. arXiv:2108.07258. https://arxiv.org/abs/2108.07258 （2026-07-22 到達確認、査読なしレポート） ↩ ↩2

  32. Anderson, B. R., Shah, J. H., & Kreminski, M. (2024). Homogenization Effects of Large Language Models on Human Creative Ideation. ACM Creativity & Cognition ‘24. https://doi.org/10.1145/3635636.3656204 （2026-07-22 DOI 到達確認） ↩

  33. Azad, N. S., & Baten, R. A. (2026). Ex Ante Evaluation of AI-Induced Idea Diversity Collapse. arXiv:2605.06540. （正典は ハルシネーションを創造性の資源とみなす研究の学術地図。未査読） ↩

書いた人：小川 修一郎（デザイン研究者／デザインコンサルタント） 経歴を見る →