エージェント型分析

エージェント型分析は、Skimleの中で最も徹底した分析モードです。まず研究課題を述べることから始めます。そこから、Skimleは分類のためのフレームワークを構築し、すべての文書の関連するチャンクをすべて分類し、提示した課題に答える分析的テーマを統合する、複数ステップのパイプラインを実行します。

これは、カテゴリと同じくらい研究課題そのものが重要なプロジェクト - 例えば、*「なぜ人事に関する決定は大統領の任期によって異なるのか」や「離反する回答者と更新する回答者を分けるものは何か」*といった問い - のために設計されており、カテゴリの分類に加えて分析的な深さを求める場合に適しています。

ステップ1：セットアップチャット

まず、エージェント型分析のダイアログに研究課題を入力します。Skimleのセットアップエージェントは、次のことを行うために対話します：

• 質問が実際に何を意味するのかを明確にする（内容があいまいな場合は、1つから3つの短い質問をします）；
• 分析タイプを分類する - 分類的（空間を整理するもの）、説明的（何かが起こる理由を探るもの）、因果的（原因と結果）、比較的（グループ間の比較）；
• 分類のためのフレームワークを提案する：通常4から7個程度の少数の第一階層カテゴリ、それぞれの候補となるサブテーマ、そして2から4個の「広範な動態」 - 統合段階で検討する、より高次の分析的な問い。

Skimleは、分析テンプレートのライブラリからフレームワークを取得し、プロジェクトに以前のエージェント型分析があればそれを優先します。確定する前に、フレームワークのすべての部分を編集できます。

ステップ2：フレームワークの確定

フレームワークエディタでは、カテゴリや広範な動態の名前を変更したり、追加・削除したりできます。承認すると、Skimleは次を行います：

• 研究課題にちなんで名付けられた、最上位のインサイトカテゴリを作成する；
• ワーカーが実行するすべてのステップを記録する分析ログメモを作成する；
• 分析をキューに入れる。ダッシュボードには保留中として表示されます。

ステップ3：実証的抽出

各第一階層カテゴリについて、Skimleは埋め込みベースの事前選択を使って、関連する内容を含む可能性が最も高い文書のチャンクを見つけ出し、それらのチャンクに対して厳密な分類を行います。厳密な分類とは、候補となる各インサイトがカテゴリの問いに対して事後検証され、裏付けとなる引用が元の文書に対して検証されることを意味します。

Skimleは、どのチャンクが処理済みであるかと、合格した素材を生み出した中で最も低い類似度のしきい値を、ウォーターマークとして保持します。再実行中に追加された場合も含め、後から追加された新しい文書は、まだ見られていないチャンクに対してのみ分類されるため、再実行のコストは低く抑えられます。

このステップの結果は、研究課題の下に構築されたカテゴリツリーであり、すべてのインサイトに検証済みの引用が添付されています。

ステップ4：メタデータの拡充

Skimleは、研究課題が示唆する比較を支えるために、新しいメタデータフィールドが必要かどうかを確認します（例えば、時間的変化についての問いには期間フィールド、人事についての問いには組織的役割フィールドなど）。新しいフィールドが役立つ場合、Skimleはそれを提案し、値のカテゴリに意味のある名前を付け、すべての文書を分類します。既存のメタデータがすでにその区別を扱っている場合 - あるいはメタデータフィールドがまったく不要な場合 - Skimleはその判断理由を記録し、次に進みます。

ステップ5：分析的統合

フレームワーク内の各広範な動態について、Skimleは調査を実行します - その動態に関連する証拠を見つけるために、実証的インサイト、メタデータ、時間的パターンを検索する、焦点を絞ったエージェントです。この調査は複数の検索ステップにわたって実行され、最後に統合を行い、動態ごとに2から5個の分析的テーマを生成します。

各分析的テーマは、根底にあるインサイトへの角括弧による引用を含む、地の文の段落として書かれます（例えば[I205]、[D3k]、特定の引用については[I26-Q2]のように）。これらのテーマは、動態ごとの分析メモの中にメモインサイトとして保存されるため、動態別に閲覧できます。

ステップ6：反証

それぞれの分析的テーマについて、Skimleはそのテーマと矛盾する証拠を意図的に探します。反証が見つかった場合、Skimleはそれをテーマに記録し、統合がその限界について誠実であるようにします。強い反証があるテーマにはフラグが付けられます。

ステップ7：調査結果の要約

最後に、Skimleはすべての分析的テーマをまとめ、研究課題に対する1つの答えとする、横断的な調査結果の要約を作成します。この要約は分析ログに追記されます。

出力

ワーカーが完了すると、プロジェクトには次が含まれます：

• カテゴリツリー：研究課題の下にあり、分類されたインサイトと検証済みの引用を含みます - 他の分析と同様に、テーブル、カテゴリ、文書の各ビューで確認できます；
• 作成された各カテゴリのカテゴリ要約；
• 分析ログメモ - Skimleが何を行い、なぜ行い、何を見つけたかをステップごとに記した記録；
• 分析的テーマメモ - 広範な動態ごとに1つのメモがあり、それぞれに統合されたテーマが引用と反証とともに保存されています；
• 必要に応じて、すべての文書に対して分類された値を持つ新しいメタデータフィールド。

すべてのメモ内のすべての引用は、クリック可能な角括弧付きの参照であり、根底にあるインサイト、文書、または引用を開きます。

エージェント型分析の再実行

エージェント型分析はいつでも再実行できます。Skimleは次を行います：

• すでに厳密な分類を通過した実証的抽出結果を保持します - 再抽出では、前回の実行が到達しなかったチャンクのみを対象とします；
• 前回の実行で統合できなかったプレースホルダーのテーマを削除し、再度の試行対象とします；
• 最新の実証的な状態が分析的テーマに反映されるように、分析的統合、反証、調査結果の要約を最初からやり直します。

分析ログは置き換えられるのではなく追記されるため、実行を重ねるごとに分析がどのように発展してきたかを確認できます。

エージェント型分析を使うタイミング

分析的な深さをもって答えたい具体的な研究課題がある場合は、エージェント型分析を選んでください - 単に分類済みのカテゴリの集合を得るだけではありません。資料に含まれる内容を把握したいだけであれば、自動テーマ分析や定義済みカテゴリの方が速く、コストも低く済みます。エージェント型分析は、十分に分類されたデータと、データに根ざした研究課題への文章化された答えの両方を求める場合に適した選択です。