現代の世界において、人工知能は旅行の計画からメールの草案作成に至るまで、質問に答えるための身近なパートナーとなっています。健康や栄養の領域においても、人々は食事のアドバイスや減量の方法を求めて、ますますチャットボットに頼るようになっています。しかし、一般的な回答と、個人に真に役立つ回答との間には、依然として大きな隔たりが存在します。個人の年齢、体重、既往歴、日常の習慣を無視した推奨事項は、パーソナライズされた計画とは根本的に異なるものです。現在の多くのツールは、ユーザーのプロフィールをリクエストの中に単に貼り付けることでアドバイスをカスタマイズしようと試みていますが、それらは発言する前に詳細を真に理解することには失敗することがよくあります。ここには決定的な構造的欠陥があります。コンピュータはデータを目にしているものの、そのデータが質問している特定の人物にとって何を意味するのかを分析するために立ち止まることができないのです。

サンクトペテルブルクのITMO大学の研究者たちは、この隔たりを埋めるための新しい手法を開発し、栄養に関するアドバイスをより安全で有用なものにすることを目指しています。彼らはこのアプローチを、プロファイル適応型思考の連鎖（Profile-Adaptive Chain-of-Thought）、略して「PA-CoT」と呼んでいます。この手法は、答えを急いで生成するのではなく、人工知能に、ユーザーのプロフィールを独立した専用のタスクとして分析するという、意図的な一歩退くステップを強制します。これは、患者と話しながら診断を下そうとするのではなく、患者と話す前にカルテを読み、重要な問題点を書き留める医師のようなものだと考えてください。研究者たちは、200の現実的な栄養コンサルティング・シナリオを用いた新しいデータセットを用いて、このアイデアを他の11種類の一般的なAIプロンプト手法と比較検証しました。彼らの研究結果によれば、ユーザーデータの分析をアドバイスの生成から分離することで、システムは標準的な手法よりも大幅にパーソナライズされ、かつ安全な推奨事項を生み出すことが示されました。

この新手法の核心は、思考プロセスをどのように構造化するかという点にあります。従来のアプローチでは、AIは質問とユーザーのプロフィールを含むテキストのブロックを受け取り、それらすべてに一度に答えようとします。研究者たちは、これがしばしばAIに重要な詳細を見落とさせたり、有害になりかねない一般的なアドバイスを提供させたりすることにつながることを発見しました。PA-CoTは、ワークフローを明確な段階に分けることでこれを変えます。まず、システムはユーザーのプロフィールを分析し、回答が対処しなければならない最も重要なポイントを特定します。年齢、体重、食事の目標といった具体的な数値を確認し、レスポンスが正確に何をカバーする必要があるかを判断します。このステップにより、次のステージのための明確なロードマップが作成されます。この分析が完了して初めて、AIは実際の回答を生成し、すべての関連データがアドバイスの中に織り込まれるようにロードマップを使用します。最後に、第3のステージがセーフティチェックとして機能し、生成された回答に有害な推奨事項が含まれていないか、また脆弱なグループに対する必要な警告が含まれているかをレビューします。

この追加のステップが実際に違いをもたらしたかどうかをテストするために、チームは「QPA（Question-Profile-Answer）」と呼ばれる新しいベンチマークを作成しました。彼らは数千件のオンラインフォーラムで見られる実際の医療に関する質問からこのデータセットを構築し、栄養に関連するもののみを抽出してフィルタリングしました。各質問に対して、年齢、体重、健康目標などのユーザーのプロフィール詳細を抽出し、200の構造化されたテストケースを作成しました。これらのケースは、実際のヘルスケアアプリにおいてデータが不完全である場合が多いのと同様に、現実世界の状況を模倣するように設計されています。研究者たちは、繰り返しによる回答の洗練を試みる手法や、質問の仕方を自動的に最適化するシステムを含む、幅広い他のテクニックに対してPA-CoTの手法を実行しました。各回答は、事実として正しいか、質問のすべての部分をカバーしているか、ユーザーの特定のプロフィールをどの程度活用しているか、そして安全であるかという4つの基準に基づいて、高度なAI判定器によってスコア化されました。

結果は明白かつ決定的でした。PA-CoTは、テストされた12の手法の中で最も高い平均スコアを達成しました。さらに重要なことに、健康に関するアドバイスにおいて最も重要な2つの領域、すなわちパーソナライゼーションと安全性においてトップに立ちました。この手法は、最も近い競合他社よりもパーソナライゼーションにおいて有意に高いスコアを獲得しており、その差は統計的な信頼区間が重ならないほど大きなものでした。これは、この改善が偶然ではなく、一貫した結果であることを意味します。同様に、安全性についても最高スコアを獲得し、アドバイスに有害な推奨事項が含まれないことを保証しました。研究者たちは、プロンプトを自動的に最適化したり、複数の反復を通じて回答を洗練させようとしたりする他の複雑な手法は、期待通りの性能を発揮できなかったことを発見しました。実際、これらのより複雑なアプローチの中には、単純な手法よりもパーソナライゼーションのスコアが低くなるものもありました。このことは、複雑さを加えることが自動的に良い結果につながるわけではなく、代わりに、ユーザーのプロフィールを回答の前に分析するという特定のアーキテクチャ上の選択こそが鍵であったことを示唆しています。

最も驚くべき発見の一つは、この手法が「役に立つこと」と「安全であること」のトレードオフをどのように扱ったかです。これまでの多くの試みでは、AIをよりパーソナライズさせようとすると、システムがユーザーのデータに適合させようとしすぎて、誤って危険な提案をしてしまうというリスクが高まり、パーソナライズがリスクを招くことがありました。PA-CoTは、タスクを分離することでこれを解決しました。パーソナライズされたアドバイスを作成するステージはユーザーデータの使用に完全に焦点を当て、一方で別のステージは安全性に完全に焦点を当てています。これにより、安全性を損なうことなく、高度にカスタマイズされたシステムを実現できました。例えば、減量を試みるティーンエイジャーに関するテストケースでは、システムはユーザーの年齢と体重が重要な要素であることを正しく特定し、それらの制限を尊重したプランを生成すると同時に、専門家による医学的監督の必要性をフラグ立てしました。対照的に、他の手法はユーザーの年齢を無視した一般的なアドバイスを与えたり、必要な安全警告を含められなかったりすることがよくありました。

研究者たちはまた、システムが効果的に機能するためにどれだけのデータが必要であるかについても調査しました。彼らは、多くの項目が「不明」とされている不完全なユーザープロフィールであっても、この手法が良好に機能することを発見しました。システムはどの情報が欠けているかを特定することができ、実際の製品設定においては、それらの空白を埋めるためにユーザーにフォローアップの質問をするように設計することも可能です。今回の研究では、システムは利用可能な固定データを用いて動作しましたが、そのアーキテクチャは実際の会話の動的な性質を扱うことができるように構築されています。この手法を使用するためのコストも考慮されました。単純な一ステップの回答よりも多くのコンピュータ処理ステップを必要としますが、その追加コストは、品質と安全性の劇的な向上と比較すれば極めて軽微なものでした。

この研究は、人工知能が健康のようなデリケートな分野にどのように適用され得るかについて、根本的な転換を強調しています。これは、モデル自体と同じくらい、モデルにどのように思考させるかというプロンプトの仕方が重要であることを示しています。ユーザーのプロフィールを静的なテキストの塊としてではなく、専用の分析対象として扱うことで、研究者たちは助けを求めている個人の個性を尊重するシステムを作り上げました。この研究は、このシステムが専門の医師や管理栄養士に取って代わるものであると主張しているわけではありません。著者らは、これが研究用プロトタイプであり、現実世界での導入には人間の専門家による検証が必要であると明示しています。しかし、その結果は、構造化された多段階の推論アプローチが、AIが生成するアドバイスの質を大幅に向上させ得るという強力な証拠を提供しています。人工知能が日常生活に浸透していく中で、このような手法は、単に賢いだけでなく、思慮深く、安全で、そしてそれを最も必要としている人々にとって真に役立つツールへの道筋を示しています。