「エラーは消えない、ただ抑圧されるだけ」：累積的アブダクションと解釈スタックの理論的考察
本稿は、認知科学、AI、心理学の複数の分野における「エラーの再発現象」を包括的に説明する、高度な理論的考察である。従来の誤り訂正モデルが「上書き（消去）」を前提としていたのに対し、本稿は、過去の誤った推論やバイアスは完全に消去されるのではなく、潜在的なレイヤーとして「降格」し、アーカイブとして蓄積されるという「累積的アブダクション（Abductive Accumulation）」という新しいパラダイムを提唱している。この理論では、認知エージェントの状態は単一の仮説ではなく、過去から現在に至る解釈フレームの「層（スタック）」として捉えられる。エラーの真の正体は、誤ったフレームの存在そのものではなく、特定の環境条件や文脈のトリガーによって、本来トップにあるべき正しいフレームが無視され、潜在レイヤーにある過去のエラーフレームが再活性化してしまう「選択の不安定性（Selection Instability）」にあると定義する。この累積モデルは、心理学における誤情報訂正後の元の信念への回帰（アンカリング効果）、生物学における線虫の軌道回帰、そしてAIのLLM（大規模言語モデル）におけるRLHF（人間からのフィードバックによる強化学習）後のバイアスの再発といった、一見異なる現象を単一の構造で説明可能にする。したがって、AIの脱バイアスは、エラーフレームの削除を目指すのではなく、アテンションやゲート機構を通じて、過去の文脈への反応を遮断する「選択規則（Selection Rule）」そのものを強化し、再活性化を「抑圧」するメカニズム（SSC：選択安定性）の構築が真の課題であると結論付けている。
背景
本記事は、AIや認知科学における「誤り訂正」の概念を根本的に問い直すものである。従来のモデルは、誤りを修正すればシステムから完全に消去されると考えがちだが、本稿は、人間の記憶やAIの学習プロセスにおいて、過去の誤りが潜在的な形で残り、特定の状況で再発する「残留現象」が存在することを指摘している。この現象を説明するために、新しい理論的枠組みを提示している。
重要用語解説
- 累積的アブダクション（Abductive Accumulation）: 従来の「上書き」ではなく、過去の解釈フレームが消去されずに潜在的な層として蓄積される推論プロセス。エラーは消えず、層として積み重なることを指す。
- 解釈スタック（Interpretive Stack）: 認知エージェントの推論状態を、最新の解釈フレームから過去のアーカイブされたフレームまで積み重ねた「層」として捉える構造。情報処理の階層的な側面を示す。
- 選択の不安定性（Selection Instability）: 認知バイアスの真の正体であり、スタック内に誤ったフレームが存在すること自体ではなく、特定の環境条件や文脈のトリガーによって、正しいフレームが選択されず、過去のエラーフレームが再活性化してしまう状態を指す。
今後の影響
本理論は、AIの信頼性向上（特にバイアス対策）におけるパラダイムシフトを促す。単なるデータによる「修正」や「削除」ではなく、モデルが過去の誤りを「忘却」するのではなく、選択メカニズム自体を制御し、誤った情報へのアクセスを構造的に「抑圧」する技術（例：ゲート機構の強化）の開発が今後の主要な研究課題となることが予想される。これは、より堅牢で本質的なAIの知性設計に影響を与える。