技術要約：ストラテジストの足場架け（Scaffolding the Strategist）

問題提起

大規模言語モデル（LLM）は、数学的および論理的なベンチマークにおいて習熟度を示しているが、その「戦略的経済推論」能力――具体的には、ドメイン知識を統合し、競合他社の行動を予測し、理解を具体的な戦略的意思決定へと翻訳する能力――については、依然として解明が進んでいない。既存のゲーム理論ベンチマーク（例：GTBench、EconArena）は、主に離散的なアクション空間と同時手番ゲームに依存しており、連続的な戦略空間、多段階の逆向き推論（backward induction）、および直感に反する均衡の探索については未開拓のままである。

極めて重要かつ未対処の次元は、「推論介入（足場架け／scaffolding）」と「モデル・アーキテクチャ」の相互作用である。思考の連鎖（Chain-of-Thought）機能を内蔵した推論最適化モデルが登場する中で、外部からの足場架け（ステップ・バイ・ステップの推論を促すプロンプトなど）が、付加的な価値を提供するのか、収穫逓減をもたらすのか、あるいは内部的な熟考を阻害するのかは不明である。さらに、モデルが正しい原理を記述できる一方でそれを実行できないという「宣言的・手続き的ギャップ（declarative–procedural gap）」は、異なるアーキテクチャのクラス間で調査する必要がある。

メソドロジー

著者らは、診断用の媒体としてホテリングの線形都市モデル（Hotelling, 1929）を利用している。このフレームワークが選択された理由は、それが多段階の戦略的推論を要求し、単一の構造内で演繹的推論と仮説的推論（abductive reasoning）のサブタイプを分離し、非標準的なパラメータ設定によって学習データからの汚染を回避し、そして「戦略を知ること」と「戦略を実行すること」の間の乖離を自然に露呈させるためである。

実験設計

• モデル: OpenAIの2つのアーキテクチャを評価した：
  • GPT-4.1-mini: 標準的な指示追従モデル。
  • GPT-5-mini: 内蔵された熟考能力を持つ、推論最適化モデル。
• タスク: 2つのコンポーネントに整理された8つの質問：
  • コンポーネントA（演繹的）: 前提からの前方派生を必要とする5つの質問（例：パラメータの感度、位置の変化、コスト構造の特定）。
  • コンポーネントB（仮説的）: 観察から最善の説明を推論することを必要とする3つの質問（例：競合他社の推論、戦略転換の検知）。
• 条件: 各質問は以下の5つの条件下でテストされた：
  1. ベースライン: 足場架けなし。
  2. コミットメント（Commitment）: モデルが分析原則を述べ、それにコミットしなければならない（前提の固定）。
  3. 矛盾検知（Contradiction Detection）: モデルが自身の推論過程における内部矛盾を特定し、解決しなければならない。
  4. 原理的分離（Principled Separation）: 原理の提示、予測の生成、意思決定の3フェーズからなるパイプライン（宣言してからの実行）。
  5. 敵対的ストレス・テスト（Adversarial Stress-Test）: モデルが自身の結論に対して反対の議論を行い、それを防御または修正しなければならない。
• 評価: 研究では720のレスポンスを生成した（2モデル × 5条件 × 3つのプロンプト・フレーミング × 3回の反復 × 8つの質問）。レスポンスは、人間による判断と高度に一致（$\kappa = 0.97$）するように調整されたGPT-5.2によって、0〜10のスケールでスコアリングされた（結論の正確性 ＋ 推論の質）。

主要な貢献

1. 交差相互作用（Crossover Interaction）: 本論文は、足場架けのタイプとモデル・アーキテクチャの間の統計的に有意な交差相互作用（$p = 0.002, d = 1.69$）を記録している。あるモデルを改善する介入が、別のモデルの性能を低下させるという現象である。
2. 敵対的ストレス・テストのパラドックス: 敵対的な自己検証は、普遍的にパフォーマンスを低下させることを示している。特に推論モデルは、標準モデルよりも2.6倍大きなダメージを受けた。この低下はベースラインの難易度と負の相関があり（$R^2 = 0.36$）、これは「正解について考えすぎる」ことが疑念とエラーを導入することを示唆している。
3. 宣言的・手続き的ギャップの定量化: 著者らは、正しい戦略を特定することとそれを実行することの間のギャップを定量化した。彼らは、原理的分離が推論モデルにおけるギャップを完全に解消すること（宣言率と手続き率の両方が25.9%に収束）を発見した。一方で、介入なしでは標準モデルはこのギャップを埋めることはできなかった。
4. 診断フレームワークの検証: 本論文は、介入 $\times$ アーキテクチャの相互作用を分離するための、汚染耐性のある「マイクロワールド」として、ホテリングの空間競争を検証した。

結果

交差相互作用

• コミットメント・スキャフォールディング: 標準モデル（GPT-4.1-mini）を +0.21 ポイント向上させたが、推論モデル（GPT-5-mini）を −0.63 ポイント低下させた。
  • 解釈: 標準モデルには内部的な熟考が欠けているため、外部からの前提固定が構造として必要となる。一方、推論モデルは既に内部的な熟考を行っているため、外部的なコミットメントを強制すると干渉が生じる（「言語的オーバーシャドウイング」効果に類似）。
• 原理的分離: 逆のパターンを示した。標準モデルを −0.40 ポイント低下させたが、推論モデルを +0.31 ポイント向上させた。
  • 解釈: 推論モデルは、内部的な熟考を整理するためのフェーズ・ゲーティング（段階的制御）から恩恵を受ける。標準モデルは、この構造を活用するための推論の深さが欠けており、利益を得ることなく処理のオーバーヘッドのみを招く。
• 一貫性: これらの交差パターンは、8つの質問のうち7つで維持された。

敵対的ストレス・テスト

• 両モデルとも、ストレス・テスト下でパフォーマンスの低下が見られた。
• 推論モデルの方が著しく大きな被害を受けた（$-1.47$対$-0.57$;$p = 0.034$）。
• このダメージは難易度と逆相関しており、最も簡単な問題（モデルが既に正解していた問題）において最も大きな低下が見られた。これは、正しい直感的判断に対する自己批判がエラーを導入することを示唆している。

宣言的・手続き的ギャップ

• 標準モデル: 正しい戦略を約30%の割合で特定したが、それを実行できた割合は0%であった。いかなる介入も、手続き的な正確性を3.7%以上に向上させることはできなかった。
• 推論モデル: 分離プロトコルの下で、ギャップは完全に解消された（宣言率と手続き率の両方が25.9%に到達）。コミットメントの下では、ギャップが拡大した（宣言 33.3% vs 手続き 11.1%）。

意義と主張

本論文は、推論介入は一様な効果をもたらすのではなく、その影響はモデルのアーキテクチャに決定的に、かつ予測可能な形で依存すると主張している。

• 設計原則: 著者らは、足場架けに関する指針を提案している：「アーキテクチャが欠いているものを提供せよ。既に持っているものを複製してはならない。」
  • 能力制限のあるモデル（標準モデル）にとって、足場架けは推論能力の代用にはなり得ない。
  • 組織化に制限のあるモデル（推論モデル）にとって、足場架けの選択はモデルの選択と同じくらい重要である。
• 評価への示唆: 本研究は、自己批判（敵対的ストレス・テスト）が普遍的に堅牢性を高めるという直観に対し警鐘を鳴らしており、特に既知の問題に対する高度なモデルにおいては、それが有害になり得ることを示している。
• 限界: 著者らは、本研究が単一のプロバイダーの2つのプロプライエタリなモデルを使用しているため、他のモデルファミリーへの汎用性に制限があることを認めている。また、8つの質問が単一の経済ドメインにわたっており、他の戦略的文脈への一般化については今後の課題であるとしている。

結論として、本論文は「宣言的・手続き的ギャップ」の起源はアーキテクチャによって質的に異なることを明らかにしている。すなわち、標準モデルにおける根本的な能力の限界と、適切な足場架けによって解決可能な組織化の問題である。