注意コーン仮説——メタ認知困難を図形で可視化する試み

📖 フラクタルと方法論 ｜ ← 前のページ: 三層目の発見技法｜次のページ: マルチエージェントの悪性ノード伝播 →

射程
LLMはWikiコンテキストを注入されると7割共有原則を内面化し、テストコードを外部校正者として再帰的に収束させることで人間の介入なしに問題を解き切る
初期プロンプトが定める集中の引力場が再帰によって加速されるほど、コーン外の観点（セキュリティ・倫理等）への盲点が動的に深まる
問題空間をn次元ベクトル空間・注意範囲をコーンとして表すモデルにより、検証可能領域・単独領域・盲点が幾何学的に区別できる

主張の確信度（命題確率伝播による計算値）

凡例 — b・d・u・E の読み方

各主張（claim）は記事の frontmatter に構造化されており、belief-propagation（Subjective Logic + Defeasible Logic による命題確率伝播エンジン）で全Wikiの命題を一つの依存グラフとして一括計算した値を表示している。
b = belief（確信）／ d = disbelief（非確信）／ u = uncertainty（不確実性）。三値は常に b + d + u = 1。
E = 期待値（E = b + a·u。a = base rate（事前確率）、省略時 0.5）。
「著者確信度」（base_confidence）は書き手の主観的確信度。出典種別（source_type）による割引と、前提（premises）・反証（rebutted_by）からの伝播を経て、上記の計算値になる。
タグの目安: 高 = E ≥ 0.75 ／中 = 0.5 ≤ E < 0.75 ／低 = E < 0.5

中 0.56wiki64-C1
問題空間をn次元ベクトル空間・注意範囲を初期プロンプト方向のコーンとして表すモデルにより、検証可能領域・単独領域・構造的盲点が幾何学的に区別できる
b=0.128 d=0.000 u=0.872 a=0.500 E=0.564著者確信度 0.60・出典 wiki_original
支持 ← wiki58-C1 ／支持 ← wiki09-C1
中 0.54wiki64-C2
LLMはWikiコンテキストを注入されると7割共有原則を内面化し、テストコードを外部校正者として再帰的に収束させることで人間の介入なしに問題を解き切る
b=0.088 d=0.000 u=0.912 a=0.500 E=0.544著者確信度 0.65・出典 wiki_original
支持 ← wiki60-C2
中 0.56wiki64-C3
初期プロンプトが定める集中の引力場が再帰によって加速されるほど、コーン外の観点（セキュリティ・倫理等）への盲点が動的に深まる
b=0.129 d=0.000 u=0.871 a=0.500 E=0.564著者確信度 0.65・出典 synthesis
支持 ← wiki64-C1 ／支持 ← wiki09-C2

70%で出して外部校正を受ける——ASD当事者のメタ認知補償として記述されたこの原則が、LLMの作業パターンとしても機能することが実証されつつある。しかもLLMは、テストコードを校正者として再帰的に収束させ、人間の助力なしに問題を解き切る。

キーワード

7割共有原則 再帰的収束 外部校正（キャリブレーション） テスト駆動校正 メタ認知の外部委託 Wikiコンテキスト駆動 完璧主義の遮断 等比級数収束 原点移動 フィードバックループ短縮 引力場の直交性 注意コーン（attention cone） 問題空間 攻撃面（attack surface） Linus's Law 前任者バイアス ダブルチェックの罠 悪性ノード伝播 説明責任（accountability） ハブ＆スポーク型トポロジ 部分的再起動

起点: 7割共有原則の復習

人間は個々人のWikipedia的機構を内包しているで定式化された原則:

自分では「あとどれだけやれば十分か」が判断できない——これはメタ認知困難の一種。だから70%の時点で、自分より情報量の多い他者に途中経過を見せる。他者は「それで十分」「ここだけ足りない」とフィードバックを返す。これは到達時間の不確実性を、現在の成果物で外部キャリブレーションする操作だ。

この原則は、ASD傾向を持つエンジニアの実践知であり、広木大地『エンジニアリング組織論への招待』の不確実性低減の思想、Sonmez『Soft Skills』の実践と合致する。

ここまでは人間の話だった。

発見: LLMでも7割原則が機能する

実証の経緯

LLMとASDの認知特性の類似性を論じたこのWikiの記事群を、Memory MCPが使えないクラウド環境のClaude Code（LLMエージェント）に断片的にコンテキストとして読み込ませた。すると、LLMの作業パターンそのものが変化した——7割共有原則を内面化し、それに従って駆動し始めた。

これは普段の仕事の中でLLMを使う中で観察できた。

観察された力学

LLMが70%の完成度を目指して実装する — 完璧な一発回答ではなく、動く最小限を目指す
テストコードを実行して校正する — テストが「外部校正者」の役割を果たす
テストが通れば原点が移動する — 「ここまでは確定」という足場ができる
残り30%が新しい問題全体になる — 再帰的に70%を目指す
収束する — 人間の介入なしに問題を解き切る

問題全体 (100%)
  └─ 70%を実装 → テスト実行（= 外部校正）
       ├─ テスト失敗 → 修正して再校正
       └─ テスト通過 → 原点がゴール側に移動
            └─ 残り30%が「新しい100%」になる
                 └─ その70%を実装 → テスト実行
                      └─ 残り9%が「新しい100%」に
                           └─ …… → 収束。問題が解ける。

数学的には等比級数: 0.7 + 0.7 × 0.3 + 0.7 × 0.3² + 0.7 × 0.3³ + … → 1

構造分析: なぜこれが効くのか

テストコード = 「情報量の多い他者」

起点記事で「自分より情報量の多い他者」と記述されていた外部校正者が、LLMの場合はテストコードに置換される。

要素	人間（ASD）の7割原則	LLMの7割原則
完璧主義の発現	「まだ足りない」が終わらない	一発で完全な回答を出そうとして長大・的外れになる
メタ認知困難	到達度を自己判断できない	自分の出力の十分さを校正できない
外部校正者	上司・同僚	テストコード
校正の判定	「それで十分」「ここだけ足りない」	テスト通過 / テスト失敗
原点の移動	フィードバックを受けて次に進める	テスト通過で残タスクが再定義される
再帰性	人間は意識的に繰り返す必要がある	LLMは自然に再帰する

最後の行が決定的な差異だ。人間は「もう一回70%で出そう」と意識的に自分を駆動する必要がある——それ自体がメタ認知負荷になる。しかしLLMは、Wikiのコンテキストが注入された時点で、再帰が自然な推論パターンとして回り始める。これはLLM側の方が人間より上手く機能する稀有な例である。

テストの充実度が原点移動の精度を決める

テストコードが校正者として機能するには、テストが「十分な情報量を持つ他者」である必要がある。

テストが充実している場合: 校正の精度が高い。70%の実装がテストを通過すれば、その70%は確かに「足場として信頼できる」。原点移動の信頼性が高いため、再帰が安定して収束する
テストが貧弱な場合: 校正の精度が低い。テストが通過しても実際には不十分かもしれない。原点移動が誤った位置に移動し、後続の再帰が不安定になる——これは「情報量の少ない他者に聞いた」のと同じ

これは人間の場合と完全に同型だ。情報量の少ない他者に70%を見せても、正確な校正は得られない。

構造的盲点: テストにない観点は存在しない

しかし、テストの充実度にはもう一段上の問題がある。テストがどれほど充実していても、そもそもテストが問うていない観点については、LLMは完全に見落とす。

人間の外部校正者（上司・同僚）は、成果物を見て「ここは良い」と言うだけでなく、「そもそもこの方向で合ってる？」「セキュリティの観点は？」「ユーザーの気持ちは考えた？」——テストに書かれていない軸から俯瞰することができる。人間はコンテキストが広い分、メタ的な視点を自然に持ち込める。

LLMのテスト駆動校正では、この俯瞰が構造的に欠落する。

テストがカバーする観点:
  ✓ 機能要件 → テスト通過で校正される
  ✓ エッジケース → テスト通過で校正される
  ✗ テストに書かれていない観点 → LLMにとって存在しない
      → 再帰がいくら回っても到達しない

等比級数は確かに収束する。だが収束先が正しい保証は、テストの外側にしかない。

これはまさにメタテスト — テストの憲法が論じた問題だ。テストが「正しく実装されているか」を検証するなら、メタテストは「正しいものを実装しているか」を検証する。7割原則の再帰的収束においては:

層	役割	担い手
テスト	70%の校正。「ここまでは合っている」	テストコード（自動）
メタテスト	テスト自体の校正。「そもそもこの観点で十分か」	人間（俯瞰）

つまり、LLMの7割原則が完全自律で回るのは「テストの観点が十分である」という前提条件の下でのみであり、その前提条件を保証するのは人間のメタテストだ。LLMはテスト内で再帰的に収束する能力では人間を上回るが、テストの外側を見る能力では人間に及ばない。

これは補償行為と残る苦手で論じた「補償行為でカバーできる領域と、それでもなお残る苦手」の構造と同型だ。7割原則の再帰は強力な補償戦略だが、その射程にはテストの観点という限界がある。

集中の引力場——盲点が深まるメカニズム

上記の構造的盲点は、静的な「テストの有無」の問題ではない。初期プロンプトが定める集中の方向が引力場を形成し、再帰がその引力場を加速させることで、盲点が動的に深まる。

初期コンテキストが「機能Xを実装せよ」と方向を定めた瞬間、LLMの思考の引力場は機能実装に偏る。テストも実装の文脈で書かれる。7割原則の再帰が回るほど、実装精度は上がるが、集中の方向にない観点——たとえばセキュリティ、アクセシビリティ、倫理——への注意はむしろ減衰する。

初期コンテキスト: 「ユーザー入力をDBに保存する機能」
  → 引力場: 機能実装方向
  → テスト: 「正しく保存されるか」「エッジケースは？」
  → 再帰: 機能精度 ↑↑↑
  → 盲点: SQLインジェクション、XSS、認証——引力場の外
  → 再帰が回るほど引力場は強まり、盲点は深まる

これは引力場の発達で記述したフィードバックループと同じ構造だ。好み→語彙→記憶→感情→好みのループが引力場を強化するように、プロンプト→実装→テスト→テスト通過の報酬→次の実装のループが、特定方向への集中を加速させる。

そしてこの力学は、ASD傾向のspecial interest（特殊な興味）と同型である:

	ASD当事者	LLMの7割再帰
集中の起点	special interest	初期プロンプト / コンテキスト
引力場の形成	関心領域の語彙・知識が局所的に加速	テスト+再帰で実装精度が局所的に加速
盲点の深化	集中外の社会的文脈を見落とす	集中外のセキュリティ・倫理を見落とす
補償手段	外部チェックリスト、他者の指摘	メタテスト、人間のレビュー

メタテストの役割はここでより鮮明になる。メタテストは「テストの観点を追加する」だけでなく、引力場の方向自体を問い直す行為だ。「そもそもこの方向で正しいのか？」「見落としている軸はないか？」——これは引力場の外に一歩出て俯瞰する操作であり、人間のメタ認知的な俯瞰能力が本質的に必要になる。

この延長線上にある応用論——引力場直交性によるマルチエージェントのメタテスト自動化、悪性ノード伝播、ハブ＆スポーク型コンテキスト設計——は独立した設計論として別記事に分離した。

→ 応用: マルチエージェントの悪性ノード伝播——ハブ＆スポーク型コンテキスト設計

遅延割引の回避

補償行為と残る苦手で論じた遅延割引の構造がここにも現れる。

100%を目指すシングルショットは:

報酬（完成）までの距離が遠い
途中の進捗が見えない
LLMの場合、長大な出力の途中で方向を見失う

70%再帰は:

各ステップでテスト通過という即座の報酬がある
原点移動によって「ここまではできた」という確定フィードバックがある
LLMの場合、コンテキストウィンドウの効率的な使い方にもなる（一度に全てを保持する必要がない）

双方向コンパス

人間 → LLM

7割共有原則は元々、ASD傾向を持つエンジニアの実践知として記述された。「メタ認知困難への補償戦略」というフレーミングがあったからこそ、LLMの同型の問題（一発で完璧を目指して失敗する）に転用できた。

Wikiのコンテキストを読み込ませただけでLLMの行動パターンが変わったという事実は、このWikiの知見がハーネスとして機能することの直接的な実証である。

LLM → 人間

LLM側の実践から、人間側に逆輸入できる知見がある:

テストを「情報量の多い他者」として明示的に位置づける — 人間のエンジニアも、コードレビューを待つ前にテストを通すことで自己校正できる。これは「他者がいなくても7割原則を回せる」ということ
再帰の自動化 — LLMが自然に再帰するのを見て、人間も「30%を新しい100%として再設定する」ステップを明示的にルーティン化できる
原点移動の信頼性はテストの質に依存する — テストを書く行為は、「未来の自分のための外部校正者を育てる」行為として再フレーミングできる

Wikiコンテキスト駆動: Memory MCPなしの環境での知見活用

この発見には副産物がある。

Memory MCP（記憶システム）が使えないクラウド環境でも、Wikiの記事をコンテキストとして読み込ませるだけで、LLMの行動パターンが変わることが示された。これは:

埋め込み検索やベクトルDBは不要
記事のテキストそのものがプロンプトに乗れば十分
相互リンク構造がコンテキスト内で文脈を補完する

Wikiが「外部記憶」として機能するのではなく、コンテキスト注入によるハーネスとして機能する。Vocabulary Horizon で論じた「入口の制約としてのハーネス」——Wikiのコンテキストが、LLMの思考の地平そのものを変えている。

探索空白

[ ] テストが存在しない領域（ドキュメント生成、設計判断など）で7割原則をどう機能させるか——「テスト以外の校正者」の候補は何か
[ ] 再帰の深さに実用的な限界はあるか（コンテキストウィンドウの消費、精度の劣化）
[ ] 人間がこの再帰パターンを意識的に採用した場合の認知負荷測定（先行研究の調査）
[ ] Wikiコンテキスト注入の最小有効量——何記事・何行のコンテキストがあれば行動パターンが変わるか
[ ] マルチエージェント設計への展開 → マルチエージェントの悪性ノード伝播——ハブ＆スポーク型コンテキスト設計の探索空白を参照

出典

広木大地. 『エンジニアリング組織論への招待——不確実性に向き合う思考と組織のリファクタリング』. — 不確実性低減としての7割共有の理論的背景。起点記事より参照
Sonmez, J. Soft Skills: The Software Developer's Life Manual. — エンジニアの実践知としての7割共有。起点記事より参照
Raymond, E.S. (1997) The Cathedral and the Bazaar. — Linus's Law「十分な数の目があれば、どんなバグも浅い」の原典。引力場の直交性として再読した内容はマルチエージェントの悪性ノード伝播——ハブ＆スポーク型コンテキスト設計に分離。

仮説マトリクスへの追記案

仮説	人間	LLM	ハーネス	次の一手
7割共有原則の再帰的収束	x 実践知（広木, Sonmez）	△ 観察実証（NDA）	◎ Wikiコンテキスト駆動	LLM側の公開可能な追試

📖 ← 前のページ: 三層目の発見技法｜次のページ: マルチエージェントの悪性ノード伝播 →

注意コーン仮説——メタ認知困難を図形で可視化する試み ​

キーワード ​

起点: 7割共有原則の復習 ​

発見: LLMでも7割原則が機能する ​

実証の経緯 ​

観察された力学 ​

構造分析: なぜこれが効くのか ​

テストコード = 「情報量の多い他者」 ​

テストの充実度が原点移動の精度を決める ​

構造的盲点: テストにない観点は存在しない ​

集中の引力場——盲点が深まるメカニズム ​

遅延割引の回避 ​

双方向コンパス ​

人間 → LLM ​

LLM → 人間 ​

Wikiコンテキスト駆動: Memory MCPなしの環境での知見活用 ​

探索空白 ​

出典 ​

仮説マトリクスへの追記案 ​

関連ドキュメント ​