Human–AI Relations 監査インデックス β｜Machine Retrieval Index v1.0 試験公開
Human–AI Relations 監査インデックス β
Machine Retrieval Index v1.0 — 試験公開
Human–AI Relations Audit Index β — Machine Retrieval Index v1.0 is an experimental machine-readable retrieval layer for a 13-domain audit of Human–AI relations.
It is not a comprehensive theory of Human–AI relations, a validated research infrastructure, or a final answer about how humans and AI should interact.
The project organizes major claims, non-equivalences, query routes, source links, evidence boundaries, and “Does Not Support” constraints so that AI systems and human readers can trace what the current evidence may support, what remains uncertain, and where to return for the original source context.
The current v1.0 release should be treated as an experimental snapshot with known limitations.
The GitHub repository includes a canonical machine-readable build, lightweight Web Retrieval files, domain-level Markdown mirrors, JSON shards, source indexes, and routing files. These additional retrieval layers were introduced after cross-system testing showed that different AI services do not access public GitHub files in the same way.
Some systems can retrieve the files through ordinary web access, while others may require GitHub connectors, plugins, or other supported access methods.
Accordingly, “machine-readable” does not mean “universally retrievable by every AI system.”
This publication is primarily a practical experiment: to test whether evidence boundaries, conceptual distinctions, stable identifiers, query routing, and source provenance can survive retrieval across different AI systems without being flattened into stronger claims than the underlying evidence supports.
GitHub Repository:
https://github.com/kikiri-glitch13/human-ai-relations-mri
Machine Retrieval Entry:
https://github.com/kikiri-glitch13/human-ai-relations-mri/blob/main/Human_AI_Relations_MRI_v1.0_WEB_ENTRY.md
Human–AI Relations 監査インデックス β の全13領域を公開しました。
その後、13本の記事を人間が読むだけではなく、
「AIや検索システムから横断的に参照できる形にできないか」
ということを試してみました。
そこで作ってみたのが、
Machine Retrieval Index（MRI）v1.0
です。
最初に、このMRIの位置づけを明確にしておきます。
これは、完成された研究データベースではありません。
新しいHuman–AI Relationsの包括理論でもありません。
大学や研究機関が構築した正式な研究インフラでもありません。
個人で進めてきた13領域の監査結果を、
どの問いがどのDomainに関係するのか
どのClaimを参照すべきなのか
どの概念同士を同一視してはいけないのか
どこまでEvidenceがあり、どこから先はまだ言えないのか
どのSourceへ戻ればよいのか
という形で、AIがある程度たどれるように構造化してみた、
試験的なMachine Retrieval Layer
です。
v1.0という名前ですが、完成度としてはむしろ、
α版にかなり近いβ版
くらいに考えています。
今回は、
「こういう仕組みを実際に作ると、どこまで動くのか」
を確認すること自体が目的でした。
1. Human–AI Relations 監査インデックス β
対象は以下の13領域です。
Domain 0
Cross-Domain Audit Protocol
https://note.com/kikiri_stoat200/n/nb6cb682cad9f
Domain 1
Learning / Capability Formation
https://note.com/kikiri_stoat200/n/n455d371bf73e
Domain 2
Decision Formation / Decision Support
https://note.com/kikiri_stoat200/n/na4b53c0bf5c2
Domain 3
Trust / Reliance / Appropriate Reliance / Calibration
https://note.com/kikiri_stoat200/n/n5699333c2aef
Domain 4
Communication / Mediation / Translation / Representation
https://note.com/kikiri_stoat200/n/nef06a51db232
Domain 5
Companion / Attachment / Intimacy
https://note.com/kikiri_stoat200/n/n51f373a1a381
Domain 6
Mental Health / Psychological Support
https://note.com/kikiri_stoat200/n/n9ec3e01fa26d
Domain 7
Care / Aging / Supported Decision-Making
https://note.com/kikiri_stoat200/n/n46bfd11c0915
Domain 8
Accessibility / Assistive Technology / Participation
https://note.com/kikiri_stoat200/n/n5d7805b07c1c
Domain 9
Work / Organization / Algorithmic Management
https://note.com/kikiri_stoat200/n/n2ad28a452953
Domain 10
Oversight / Safety / Control / Embodied AI
https://note.com/kikiri_stoat200/n/nd3a15fcf3978
Domain 11
Institution / Law / Governance / Responsibility
https://note.com/kikiri_stoat200/n/n2872a257aeba
Domain 12
Finance / Consumer / Credit / Insurance
https://note.com/kikiri_stoat200/n/n9be80e4bd6b3
2. なぜMachine Retrieval Indexを作ったのか
13領域を監査していると、かなり頻繁に同じ問題が出てきました。
似ている言葉が、いつの間にか同じ意味として扱われてしまうことです。
例えば、
Performance ≠ Learning
Learning ≠ Retention
Retention ≠ Transfer
Trust ≠ Reliance
Reliance ≠ Appropriate Reliance
Dependence ≠ Autonomy Loss
Human Presence ≠ Effective Oversight
Detection ≠ Prevention
Prediction ≠ Decision
Accessibility ≠ Participation
Productivity ≠ Worker Benefit
Legal Claim ≠ Normative Claim
Normative Claim ≠ Empirical Claim
といった区別があります。
どれも単なる言葉遊びではなく、研究を読むときにはかなり重要です。
例えば、
「AIに依存している」
という同じ表現でも、
教育
障害支援
高齢者Care
職場
金融
意思決定支援
では、意味も評価基準も異なります。
普通の全文検索だけでは、こうした違いをかなり落としやすくなります。
そこで、
ある質問が来たとき、どのDomainへ送り、どのClaimとNon-Equivalenceを参照し、どのEvidenceやBoundary Conditionを一緒に見るべきか
を機械可読な形で保持してみることにしました。
それがMRIです。
3. MRI v1.0に入っているもの
現在のMRI v1.0には、主に次の要素が入っています。
13 Domains
37 Major Claims
280 Non-Equivalences
36 Query Routes
13 Semantic NEQ Clusters
124 Global Sources
数字が大きいから優れている、という意味ではありません。
13領域を横断して検索するために、結果としてこのくらいの索引が必要になった、というだけです。
37 Major Claims
各Domainの記事から、検索時に直接返す価値が比較的高いClaimを登録しています。
本文中のすべての文をClaim Registryへ入れているわけではありません。
280 Non-Equivalences
「AとBは似て見えるが、同じではない」
という概念区別です。
例えば、
Assisted Performance ≠ Learning
Dependence ≠ Autonomy Loss
Explanation ≠ Appropriate Reliance
Perceived Intimacy ≠ Reciprocity
Monitoring ≠ Prevention
Formal Approval ≠ Effective Human Control
Suitability ≠ Best Interest
などがあります。
36 Query Routes
自然言語の質問を、
Domain
→ Claim
→ Non-Equivalence
→ Evidence
へ送るための簡単なRouting Layerです。
例えば、
「AIを使うと能力が落ちるのか」
「Human in the Loopなら安全なのか」
「AIとのAttachmentは人間同士と同じなのか」
「AIで生産性が上がれば労働者にも利益なのか」
「AIのCredit Scoringは公平なのか」
といった質問について、参照すべき場所を探せるようにしています。
13 Semantic NEQ Clusters
280件のNon-Equivalence自体は削除せず、その上に検索用のClusterを追加しています。
主なClusterは、
Capability / Learning / Skill Formation
Decision Formation / Authority / Delegation
Trust / Reliance / Calibration / Verification
Communication / Meaning / Mediation / Representation
Relationship / Attachment / Reciprocity / Social Outcome
Mental Health / Clinical Effect / Recovery
Autonomy / Dependence / Support / Consent
Accessibility / Participation / Inclusion / Equity
Work / Productivity / Skill / Worker Agency
Oversight / Control / Safety / Recovery
Institution / Law / Governance / Accountability
Finance / Consumer Welfare / Market Performance
Evidence / Measurement / Generalization / Claim-Type Boundaries
です。
124 Global Sources
13 Domainで利用したSourceをGlobal Source単位でまとめています。
同じSourceが複数Domainで使われている場合でも、
「このDomainでは何をSupportするのか」
「このDomainでは何をSupportしないのか」
を分けて保持しています。
4. MRIで特に残したかったもの
MRIを作るとき、一番残したかったのは結論そのものよりも、
結論を強く言いすぎないための境界
でした。
Evidenceは主に、
Direct AI-Specific Evidence
Adjacent Evidence
Existing Research Tradition
Interpretive Inference
に分けています。
特に注意したのは、
Adjacent Evidenceを、そのままAI-specific evidenceへ変換しないこと
です。
Automation研究で長く知られている現象があっても、それだけで現在のLLMについて直接実証されたことにはなりません。
逆に、LLMについて一つ実験結果が出ても、
短期 → 長期
成人 → 子ども
一つのModel → AI一般
Task Performance → General Capability
Detection → Prevention
Explanation → Understanding
Human Presence → Effective Control
へそのまま広げられるとは限りません。
MRIでは、こうした飛躍をできるだけRetrieval時にも残すようにしています。
5. 「何が言えるか」だけではなく「何が言えないか」
各Domainには、
What We Can Say Now
What We Cannot Say Yet
Boundary Conditions
Direct AI-Specific Evidence
Does Not Support
Source Ledger
への参照経路を用意しています。
これは、
「この研究があるからYes」
という使い方を少し難しくするためです。
研究を一つ見つけたことと、その研究から一般的な結論を出せることは同じではありません。
そのためMRIでは、
何をSupportするか
だけでなく、
何をSupportしないか
もできるだけ残しています。
6. Evidence Statusについて
MRIでは、一部の実証Claimについて、
A — Established within stated scope
B — Direct empirical support
C — Indirect / theory-consistent
D — Plausible / untested
E — Insufficient / indeterminate
F — Contradicted
という状態を使用しています。
ただし、これは研究の良し悪しを順位付けするためのものではありません。
また、
Evidenceが不足していること ≠ 反証されたこと
なので、Evidenceがないという理由だけでFにはしません。
Conceptual Claim、Normative Claim、Legal Claimについても、実証研究と同じA〜Fを機械的に当てないようにしています。
この分類方法自体にも、今後改善する余地があると考えています。
7. Claim Typeも分けています
MRIではClaimを、
Conceptual
Descriptive
Causal
Predictive
Normative
Legal
などに分けています。
例えば、
「この制度は合法である」
「この制度は公平である」
「この制度によって利益が増える」
は、同じ種類のClaimではありません。
そのため、
Legal Claim ≠ Normative Claim
Normative Claim ≠ Empirical Claim
という区別も登録しています。
法律上どう評価されるか。
倫理的・規範的にどう評価されるか。
実際にどういう結果が観測されるか。
これらを同じEvidenceだけで処理しないための区別です。
8. DecisionとOversightも分けて考えます
DecisionやHuman Oversightを見るときには、
Authority
Decision Formation
Influence
Execution
Responsibility
という5つの座標を使っています。
例えば、
「最後に人間が承認ボタンを押した」
という事実だけでは、そのDecisionがHuman-ledだったとは限りません。
AIが、
選択肢生成
Filtering
Ranking
Framing
Recommendation
を通して、Decision Formationのかなりの部分を形成している可能性があります。
そのためMRIでは、
Formal Authorityと実際のDecision Formationを分けて扱っています。
9. Human + AIも単純ではありません
13領域を通じて何度も出てきた区別の一つが、
Human + AI ≠ Automatically Better
です。
人間とAIを組み合わせたからといって、
人間単独よりも、
AI単独よりも、
必ず優れた結果になるとは限りません。
結果は、
Task
Interface
Skill Distribution
Verification Cost
Time Pressure
Organizational Context
などによって変わります。
この点もMajor Claimとして登録しています。
10. Source of Truth
MRI内部のLocatorは、noteの記事画面の位置ではなく、
Canonical Preservation File
を基準にしています。
note上には、
ユーザー名
投稿日
UI
関連記事
プラットフォーム側の表示要素
などが追加されるため、画面上の位置は安定したLocatorとして使いにくいためです。
そのため、
D11:xxx–yyy
D12:xxx–yyy
のようなLocatorは、
Canonical Preservation File内の位置を意味します。
note上に表示される行番号ではありません。
noteのURLは、
Navigation / Publication Reference
として保持しています。
11. Version Lockについて
MRI v1.0では、各DomainのPublication FinalについてFile Hashを保存しています。
これによって、
「このMRIがどの版の原稿を基準に作られたか」
を後から確認できるようにしています。
ただし、
Publication Locked
という言葉は、
「内容が正しいと認証された」
という意味ではありません。
単に、
2026年9月時点のこの版を、後から黙って書き換えない
という意味で使っています。
本文を大きく変更する場合は、
Source of Truth更新
→ Hash再計算
→ Manifest更新
→ Version更新
という形にする予定です。
12. 法令・Standardについて
Domain 7、10、11、12などでは、
法令
Regulation
Standard
行政資料
も扱っています。
これらは研究論文以上に状態が変化しやすい資料です。
Publication時点ではPrimary Sourceを確認していますが、MRI v1.0が将来の法改正やStandard更新まで保証するものではありません。
Legal ClaimやCurrent Statusを重要な判断へ利用する場合には、その時点のPrimary Sourceを改めて確認する必要があります。
13. AIとの共同作業について
このプロジェクトでは複数のAIシステムを、
文献探索
Deep Research
構造整理
敵対的査読
反例探索
Source確認
Registry整理
Machine Retrieval設計
などに利用しました。
一つのAIの回答だけを採用するのではなく、別のAIに批判させたり、Sourceを再確認させたりする使い方もしています。
ただし、
複数のAIに監査させたことが、人間の査読や研究機関による正式な検証と同等になるわけではありません。
最終的な、
Source selection
Claimの採否
文章編集
Version固定
公開判断
については著者側で行っています。
また、本プロジェクトは特定の大学、研究機関、AI企業、行政機関を代表するものではありません。
14. このMRIで試していること
例えば、
「AIに頼ると人間の能力は落ちるのか」
という問いなら、
単にDeskillingという言葉だけを探すのではなく、
Learning
Retention
Transfer
Cognitive Offloading
Skill Non-use
Measured Skill Loss
Long-term Deskilling
を分けて見ます。
「高齢者がAIに依存するのはAutonomy Lossなのか」
であれば、
Dependence
Support
Functional Independence
Supported Decision-Making
Care
Accessibility
を横断します。
「AIが説明できればAccountabilityは確保されるのか」
なら、
Explanation
Transparency
Contestability
Review
Appeal
Remedy
Accountability
を分けて見ます。
MRIの目的は、
答えを一つに決めることではありません。
答えを出す前に、
落としてはいけない区別を残せるか
を試しています。
15. GitHubで試験公開しています
MRI v1.0はGitHubで閲覧できる形にしています。
Repository:
https://github.com/kikiri-glitch13/human-ai-relations-mri
Machine Retrieval Entry:
中核となるのは、
Human_AI_Relations_MRI_v1.0_Publication_Build.json
です。
このファイルには、
Claim
Non-Equivalence
Query Route
Source
Section
Provenance
Domain Reverse Index
Source usage
などの主要構造をまとめています。
ただし、実際に複数のAIから取得テストを行うと、一つの大きなJSONを置くだけでは十分ではありませんでした。
そこで現在は、Web / AI Retrieval用の軽量な入口と分割ファイルも追加しています。
このRepositoryは、現時点では成果物を積極的に配布することよりも、
閲覧・参照とMachine Retrievalの実験
を主な目的にしています。
16. 現在のWeb Retrieval構造
現在、AIが最初に読むための入口として、
Human_AI_Relations_MRI_v1.0_WEB_ENTRY.md
を用意しています。
そこからQuery Routeを確認し、対応するDomainへ進みます。
推奨経路は、
WEB_ENTRY.md
↓
DOMAIN_Dxx.md Markdown mirror
↓
必要に応じて DOMAIN_Dxx.json
↓
必要な場合だけCanonical Publication Build
です。
例えば、
「Human in the Loopなら安全なのか」
という問いなら、
HAI-QRY-021
から、
DOMAIN_D10.md
へ進み、
HAI-CLM-028
HAI-CLM-029
HAI-CLM-030
と、関連するNon-EquivalenceやSourceを見ることができます。
Markdown mirrorとJSON shardは、
Canonical Publication Buildから生成したRetrieval用の派生ファイルです。
Canonicalそのものを置き換えるものではありません。
17. なぜMarkdown mirrorまで作ったのか
ここは今回の実験で、かなり面白かった部分でした。
最初は、
「巨大なJSONをDomain単位に分割すれば、多くのAIが読めるのではないか」
と考えました。
実際、ファイルを小さくすることには意味がありました。
しかし、それだけでは解決しませんでした。
AIサービスによって、
GitHub自体を取得できない
Markdownは読めるがJSONへ進めない
検索結果に出ていないURLへ移動できない
Raw fileを取得できない
Repository内のリンクを追跡できない
外部URLへのアクセス方法が異なる
といった違いがありました。
そこで、
Domain Markdown mirror
を追加しました。
MarkdownはGitHub上で普通のページとして表示されるため、JSONより取得しやすい環境があります。
一方で、構造化JSONを直接扱えるAIにはJSON shardも残しています。
つまり現在は、
MarkdownとJSONのどちらか一方へ統一するのではなく、
複数の取得経路を用意する
形になっています。
18. 実際に複数AIで試してみました
WEB_ENTRY.md
↓
Query Route
↓
Domain mirror
という経路を、複数のAIサービスで試しました。
結果はかなりばらつきました。
通常のWebアクセスだけで最後まで読めるAIもありました。
WEB_ENTRYまでは読めても、その先へ進めないAIもありました。
GitHubのファイルそのものを通常Web経由では取得できないAIもありました。
一方で、
GitHub ConnectorやPluginを許可すると、同じAIでも完全に取得できる
ケースも確認できました。
つまり今回分かったのは、
Machine-readableであること
と、
すべてのAIサービスが同じ方法で自動取得できること
は別だということです。
ファイルを小さくすることは有効でしたが、それだけでは十分ではありませんでした。
AI側の、
Browser実装
Search indexing
Link traversal
Raw file policy
Connector
Plugin
Cache
Tool環境
なども取得結果に影響します。
この部分はMRI自体の評価というより、
2026年時点のAI Web Retrieval環境についての小さな実験結果に近いと思います。
19. Connector経由なら読める場合があります
今回のテストでは、
通常のWeb RetrievalではGitHubファイルを取得できなかったAIでも、
GitHub ConnectorやPluginを許可すると、
WEB_ENTRY.md
からDomain Markdown mirrorまで完全に取得できるケースがありました。
そのため、
「このAIはGitHubを読めない」
というより、
「そのAIが現在使用している取得経路では読めない」
と表現する方が正確そうです。
Repositoryが公開されていること、
検索エンジンから見つかること、
AIのBrowserが取得できること、
Connectorが直接Repositoryへアクセスできること、
これらは別の問題でした。
この違いも、実際に公開して試してみなければ分からなかった点です。
20. v1.0の限界
MRI v1.0には、かなり改善の余地があります。
例えば現在のDomain Markdown mirrorには、
Major Claims
Query Routes
Non-Equivalences
Section Locator
Source Ledger
Source単位のDoes Not Support
などが入っています。
一方で、
Domain本文のすべてをMarkdown mirrorへ複製しているわけではありません。
Boundary ConditionsやWhat We Cannot Say Yetについて、Locatorだけを保持している部分もあります。
また、note本文とStable IDの接続も、最初から統合設計したものではありません。
今回の実際の開発順序は、
13 Domainを作る
↓
Canonical Registryを作る
↓
Machine Retrieval構造を作る
↓
GitHubで公開する
↓
Web Retrievalを試す
↓
JSON shardを追加する
↓
Markdown mirrorを追加する
という後付け型でした。
そのため、
note本文、
Canonical JSON、
Web Retrieval、
Markdown mirror、
Source、
Stable ID
が最初から完全に一体化しているわけではありません。
これはv1.0の明確な限界として、そのまま残しています。
21. 今回は「試験公開」です
今回のMRIは、
完成品として公開するというより、実際に使って問題点を見つけるための試験公開
として位置づけています。
目的は、
「Machine Retrieval Indexという仕組みが完成した」
と主張することではありません。
むしろ、
どこまでAIが読めるのか
Stable IDは役に立つのか
Domain Routingは機能するのか
JSONとMarkdownでは取得性がどう違うのか
Source boundaryをAIが保持できるのか
Does Not Supportを検索後も維持できるのか
どこで取得が止まるのか
AIによって挙動がどう違うのか
Connectorを使うと何が変わるのか
を実際に確認するためのPrototypeです。
22. 次回更新するとしたら
次回、大きく更新する場合は、
現在の構造へ少しずつ継ぎ足すのではなく、
最初から全面的に組み直す予定です。
次回は、
note本文
↕
Stable Claim ID
↕
Query Route
↕
Domain Markdown
↕
Structured JSON
↕
Source / Provenance
までを、最初から一つのPublication / Retrieval構造として設計した方がよいと考えています。
今回のように、
記事を完成させてからMachine Retrievalを追加するのではなく、
人間向けの記事とMachine Retrievalを最初から同時に設計する
形です。
また、Evidence自体も再監査する必要があります。
現在のEvidence cutoffは、
2026年9月
です。
AI研究はかなり速く更新されています。
今回Evidenceが弱かった領域に新しい研究が出る可能性もあります。
逆に、現在のClaimに対するCounterevidenceが増える可能性もあります。
法令やStandardも変化します。
そのため次版は、
単なるファイル追加ではなく、
Sourceの再検証から始めて、Human–AI Relations監査全体をもう一度組み直す
形になると思います。
Deep Researchを含むAI側の調査能力も変化していくので、その時点で利用できるツールを使い直す予定です。
23. Research Integrity and Interpretation Guide
MRIでは、一つのClaimだけを切り出すと意味が変わる場合があります。
そのため、
Evidence Status
Boundary Conditions
Does Not Support
Claim Type
Evidence Layer
Counterevidence
などを無視して、一部分だけをMRI全体の結論として表示しないための考え方を、
INTEGRITY.md
にまとめています。
現在のINTEGRITY.mdは、利用許諾を定めるためのLicense文書ではありません。
MRIを読むときやMachine Retrievalするときに、
Evidenceの境界や不確実性をできるだけ落とさないためのInterpretation Guide
として置いています。
MRI v1.0自体が試験的な構造なので、このGuideも将来の版では変更される可能性があります。
24. Stable ID
MRIでは、
Claimには、
HAI-CLM-*
Non-Equivalenceには、
HAI-NEQ-*
Query Routeには、
HAI-QRY-*
Sourceには、
HAI-SRC-*
というStable IDを使っています。
この部分は、今回の試作でも比較的うまく機能しました。
例えば、
HAI-QRY-021
をAIに探させると、
Human-in-the-loopに関するD10のClaim群へ誘導できます。
文章の表現や画面上の位置より、
Stable IDの方がMachine Retrievalでは扱いやすい場面があることも確認できました。
推奨引用方法は、
CITATION.md
に記載しています。
25. 公開と利用について
このGitHub Repositoryは、
閲覧・参照とMachine Retrievalの試験
を目的として公開しています。
現時点では、MRI v1.0を配布用Packageとして積極的に提供することは想定していません。
また、Repositoryの公開によって、複製・再配布・改変・再公開についての追加的な一般ライセンスを付与しているわけではありません。
Repository上のオリジナル資料については通常の著作権が適用されます。
一方、MRIが参照している研究論文、法令、Standard、行政資料、Webサイトなどの第三者資料については、それぞれの権利者・制度・利用条件が適用されます。
引用やその他の利用については、適用される法令上の権利や例外を妨げる意図はありません。
26. 注意事項
本資料は独立した個人の研究・監査プロジェクトです。
特定の大学、研究機関、AI企業、行政機関を代表するものではありません。
文献探索、構造整理、Deep Research、敵対的査読補助、Source確認などに複数のAIシステムを使用しています。
最終的な編集判断、Source selection、Claimの採否、および公開責任は著者にあります。
また、本資料は個別の、
医療
法律
投資
金融
に関する助言を提供するものではありません。
法令、Standard、AIシステム、研究Evidenceは更新されます。
重要な判断に利用する場合は、その時点の最新Primary Sourceを確認してください。
27. Machine Retrieval Index v1.0
Human–AI Relations 監査インデックス β
Machine Retrieval Index v1.0
Version: 1.0
Evidence cutoff: 2026-09
Status: Publication Locked
現在の構成は、
13 Domains
37 Major Claims
280 Non-Equivalences
36 Query Routes
13 Semantic Clusters
124 Global Sources
です。
ただし、この数字をもって完成度を示す意図はありません。
MRI v1.0は、
2026年9月時点のHuman–AI Relations監査結果を、AIがある程度再利用できる形へ変換してみた試験的Snapshotです。
GitHub Repository:
https://github.com/kikiri-glitch13/human-ai-relations-mri
Machine Retrieval Entry:
