バイアスに強くロバストな概念抽象化のための並列LLM推論
並列チャンク処理とエビデンスに基づく統合を組み合わせた構造化フレームワークにより、長文書分析における省略エラーと根拠のない主張が大幅に削減され、省略エラーが約84%減少、証拠のトレーサビリティが最大130%向上、根拠のない主張が最大91%減少した。小型モデルが最も恩恵を受けた。
大規模言語モデル（LLM）はテキスト分析に広く利用されるようになっていますが、長文書を分析する際には順次処理の制約から問題が生じます。具体的には、文書内の初期や支配的な概念が後に続く解釈に影響を与え、見落としやすいが重要な解釈が覆い隠され、累積的な分析バイアス、省略エラー、過度な一般化が発生します。さらに、独立に生成された出力は系統的な根拠なしに統合されることが多く、冗長性、概念のドリフト、根拠のない主張が生じます。本研究では、並列チャンク処理と証拠に基づく統合を組み合わせた構造化フレームワークを提案します。まず、テキストを意味的に一貫したチャンクに分割し、それぞれを独立かつ並列に処理することで、先行処理の影響を排除します。次に、独立に生成された解釈を、明示的な証拠のアンカー設定と優先順位付けを用いて統合します。これにより、支配的な概念の影響と過度な一般化を低減し、トレーサビリティを向上させます。複数のモデル種類と規模を用いた実験により、並列処理は省略エラーを約84%削減し、証拠のトレーサビリティを最大130%向上させ、根拠のない主張を最大91%削減することが示されました。特に小型モデルが最も恩恵を受けており、効率的な並列チャンク化と統合が信頼性が高くスケーラブルなテキスト分析を実現する上で重要な役割を果たすことが示唆されます。本論文は2026年9月3日から4日にオランダ・アムステルダムで開催される第12回インテリジェントシステム会議（Intelligent Systems Conference 2026）に採択されています。