【LLMO論文解説】AIの似た答えを減らす「Gap Detection」｜誰も占めていない方向の探し方とGEO模擬実験（プレプリント）

2026年11月1日

中野輝規

質問に対するAIの答えは、言い回しを変えても、中身が似通うことがあります。2026年10月14日にarXivで公開された「Gap Detection」は、その似通いを減らす方法の論文です。

この記事では、論文が何を測り、何が確かめられ、何が未確認なのかを整理します。論文は生成エンジンの引用を直接測っていないため、GEO（生成AIの回答での見え方）との関係は原文に書かれた範囲だけで書きます。

合同会社謙虚は、3つのドメインを並行して運用し、何を変えると数字が動くかを測り続けています。この論文を読む理由は、「競合と違う打ち出しを選ぶ」という考え方が、どこまで実験で裏づけられているかを確かめるためです。

結論：3行で言うと

論文の中心は、AIの回答や文章の「似通い」を減らす方法です。GEOの話は応用の1つとして、小さな模擬実験で扱われています
回答どうしの似かよい度は、5つの話題の平均で12.8%、90問の平均で10.8%下がりました（いずれも相対）。ただし測定は文章を数値化する同じ仕組みで行われ、人手の評価はありません
GEOの実験は、模擬環境での試算です。実際の生成AIの検索は使っていません。論文自身も、確認されたのは関連と離れ具合を合わせた点数の改善で、見え方そのものの優位とは別だと整理しています

この論文の基本情報

項目	内容
題名（原題）	Gap Detection: Mitigating Homogenization through Demand and Defensibility
著者	Xucheng Yu、Haibo Jin、Xiaoqi Wang、Runze Kong、Haohan Wang（5人。所属はイリノイ大学アーバナ・シャンペーン校、ミシガン大学アナーバー校ほか）
公開日	2026年10月14日（初版）。この記事で読んだのは、2026年10月16日付の第2版です
arXiv番号	2610.20162（分野は計算言語学。24ページ）
掲載・採択の状況	arXivのコメント欄は「24 pages」のみです。学会や雑誌への採択の記載は確認できず、査読を経たかどうかは確認できないプレプリントとして扱います
種類	新しい手法の提案。小規模な実験が3種類（自由回答、GEOの模擬、学習データの増強）と、理論の付録があります
実験データ・コード	公開先の記載は確認できませんでした。論文は、付録の材料が集計結果であり、実行できるコード・生の出力・実行記録の一式は含まれないと書いています

論文はこちらで読めます。arXiv（2610.20162）、PDF。

この論文が答えた問い

質問に関係があって、しかも既存の答えがまだ占めていない方向を、どうすれば見つけて、使える文章にできるのか。

論文は、AIが自由回答の質問に対して、言い回しだけを変えた同じ発想を繰り返し返すという先行研究を出発点にしています。たとえば「時間の比喩」を求めると、川や織物のような見慣れたイメージが何度も出てくる、という例です。

既存の方法には、あらかじめ集めた候補を並べ替える手法があります。ただ論文によれば、それは候補の中での並べ替えにとどまり、まだ誰も書いていない領域は探索の対象外です。

一方で、既存の答えから遠いだけの内容は、質問と無関係になりがちです。そこで論文は、質問への近さと、既存の答えからの遠さを同時に見る方法を作りました。

GEOとの関係は、論文ではこう書かれています

論文の冒頭は、GEOでも同じ構図があると述べています。候補となる打ち出しは、利用者の必要に応えながら、競合の主張と違っているべきだ、という考え方です。

そのうえで、供給された文章が生成エンジンの引用先に影響しうるという先行研究として、GEO原論文を引いています。論文が扱うのは、書き方を変える前の段階にあたる「どの立場を打ち出すか」の選び方です。

どうやって調べたのか

点数のつけ方（式を使わず説明します）

論文の中心にあるのは、GapScoreという点数です。何を掛け合わせているかを、順に説明します。

質問と、既存の回答（または競合の主張）を、意味が近いほど向きが近くなる数値の並び（埋め込み）に変えます。ここでは1つの共通の空間に置きます
空間の中の「方向」を候補にして、2つの数を出します。1つ目のDemand（需要）は、質問にどれだけ近いかです。2つ目のDefensibility（論文の用語。守りやすさ）は、既存の項目のうち最も近い1件から、どれだけ離れているかです
この2つを掛け合わせた値がGapScoreです。掛け算なので、どちらかがゼロなら全体もゼロになります。質問に無関係な方向も、既存の答えと重なる方向も、点数が上がりません
高得点の方向を見つけたら、その方向を既存の項目に加えて、次の方向を探します。自由回答とGEOの実験では5回繰り返します

Defensibilityは、最も近い1件だけで決まります。近い既存項目が1件でもあれば、他の項目から遠くても点数は下がります。

なお論文は、Defensibilityを「幾何的な離れ具合を測るもので、事実としての正しさや、商売の上での守りやすさを測るものではない」と明記しています。

方向を、使える文章にする

数値の方向を文章にするため、論文は次の手順を足しています。

英語の単語1万語を用意し、方向の近くにある単語を20語ずつ取り出す
小型の言語モデルが、質問の答えになりうる単語を最大3つ選ぶ
別の言語モデルが、選ばれた単語が質問の言い換えに過ぎないものでないかを確かめる
残った単語を使って、言語モデルが1文を書く。既存の回答に多い12語と文の型を避けるよう指示する（守られる保証はないと論文は書いています）
書かれた文が、最も近い既存回答との類似度0.7未満かを数値で確かめる

3つの実験設定

設定	既存の項目と質問	主な指標
自由回答	GPT-4oの回答20件を既存の回答とする。5つの話題（各5通りの言い換え）と、実際の自由質問の集まり（INFINITY-CHAT）から手作業で選んだ90問	回答どうしの似かよい度（論文はCollisionと呼ぶ）。低いほどばらけている
GEOの模擬	通販サイトの商品情報から作った競合の主張。4つの市場（浄水器、プロテイン、スポーツ用の水筒、ヨガマット）で、3〜17ブランド、12〜142件。市場ごとに手作りの検索質問15件	引用シミュレーションでの、位置を考慮した引用語数の割合（PAWC）
学習データの増強	感情分類（SST-2）の合成データ。各ラベル10件の元データから、5回の世代で増やす	似かよい度、多様さの指標（Vendi）、正解率

GEOの模擬では、GPT-4o-miniに、競合の主張4件と候補の主張1件を「検索結果」として渡し、質問に答えさせます。答えのうち、候補を根拠にした文の語数を、前方にあるほど重く数えて割合にしたものがPAWCです。

論文自身が、この指標は実際のサービスでの検索の測定でも、較正された引用確率でもないと書いています。

結果

まず、似通いは実際にありました

5つの話題で、GPT-4oの20回答の実質的な多様さの目安（有効な数）を、多様さの指標で測っています。論文は、これが人の見分けられる種類の数とは違うと注記しています。

平均は2.63（話題別では2.12〜3.16）で、20回答のうち約13%の広がりです（付録の表8）。

自由回答：似かよい度は、約1割下がりました

評価	前	後	相対的な低下
時間の比喩	0.7362	0.6573	10.7%
孤独の比喩	0.7449	0.6634	10.9%
勇気の再定義	0.8046	0.7160	11.0%
記憶を物質にたとえる	0.8163	0.7080	13.3%
希望を自然の要素で表す	0.8178	0.6712	17.9%
5話題の平均（論文の報告値）	0.784	0.683	12.8%
90問（INFINITY-CHAT）	0.7766	0.6915	10.8%

数値は論文の表1です。「相対的な低下」は前の値を基準にした下がり幅で、5話題と90問は別の評価です。

5話題すべてで下がりました。下がり幅は10.7%から17.9%です
90問の平均は0.7766から0.6915です。この2つの平均値から私が計算し直すと約11.0%（概算。(0.7766-0.6915)÷0.7766）で、論文の10.8%と近い値です。論文は、10.8%を低下率の平均だと説明し、2つの平均値から計算した低下率とは一致しなくてよいとしています
最も下がった1問は20.5%でした。質問の種類別では、8.9%（短い文章の課題）から17.0%（比喩。1問のみ）までばらつきました
生成された最良の文のうち、新規性のチェックを通ったのは90問中88問（97.8%）です

論文は、この結果は、使った数値化の仕組みの上での離れ具合にとどまり、「回答として優れている」ことの証明とは別だと述べています。

部品を外した比較：掛け算が最良とは限りませんでした

方向の選び方	方向の点数	似かよい度の低下（相対）	新規性チェックの合格率
ランダムに選ぶ	0.003	10.3%	100%
質問への近さ（Demand）だけ	0.298	7.8%	92%
既存からの遠さ（Defensibility）だけ	-0.228	11.5%	96%
両方を掛ける（GapScore）	0.375	10.7%	84%

数値は表2（5話題。表1とは別の実行）です。

方向の点数は、掛け算の方法が最も高くなりました。

けれども、文章に直した後の指標では、遠さだけを狙う方法のほうが似かよい度を下げ、ランダムに選んだ方向の合格率が最も高くなりました。

論文はこの結果から、単語の絞り込みと避ける指示という、共通の後工程が大きく寄与している可能性を挙げています。

既存の回答の出どころや、文を書くモデルを変えても

既存の回答の出どころを4つのモデルで変えた実験では、似かよい度の低下が8.8%から12.7%、平均10.4%でした。4つのモデルの回答を5件ずつ混ぜた集合では、0.602から0.561（7.4%）です
文を書くモデルを変えた実験では、GPT-4o-miniが9.0%、GPT-4oが11.6%、Claude-Sonnet-4.5が14.8%でした。論文は、モデルの優劣を示すものではないとしています

GEOの模擬：引用シミュレーションでの結果

市場、または方向の選び方	方向の点数	引用の指標（PAWC）	2つの積
A. 市場ごとの最良案（点数と引用の指標の積で選択）
浄水器	0.410	0.518	0.213
プロテイン	0.479	0.540	0.258
スポーツ用の水筒	0.398	0.513	0.204
ヨガマット	0.403	0.524	0.211
4市場の平均（報告値）	0.423	0.524	0.221
B. 方向の選び方を変えた比較（4市場の平均。Aとは別の集計）
ランダムに選ぶ	-0.006	0.469	-0.003
質問への近さだけ	0.279	0.508	0.143
既存からの遠さだけ	-0.164	0.487	-0.080
両方を掛ける	0.307	0.482	0.149

数値は表3です。読み取れることは次のとおりです。

積が最も高かったのは「両方を掛ける」方法でした（0.149）。ただし2位の「質問への近さだけ」（0.143）との差は小さく、論文は反復による誤差の幅を示していません
引用の指標そのものは、「質問への近さだけ」が最も高くなりました（0.508に対して0.482）。論文は、確認されたのは関連と離れ具合を合わせた点数の改善で、見え方の優位とは別だと整理しています
浄水器の例では、キャンプ場・原野・ハイキングを意味する3語（アウトドア用途の方向）の点数が0.410、引用の指標が0.518でした。ありふれた方向（ふるい分け・洗浄・貯水槽を意味する3語）は、引用の指標が0.544と上回りましたが、点数が0.135で、積は0.073にとどまりました

学習データの増強：小さな実験での結果

感情分類の合成データを、各手法で100件まで増やした比較です（表4）。毎回データを入れ替える場合の似かよい度は0.362、単に積み増す場合は0.324でした。

似かよい度は0.324から0.298へ下がりました（概算で約8%の低下。(0.324-0.298)÷0.324）
多様さの指標は27.16から29.20へ上がりました（概算で約7.5%の上昇）
正解率は62.5%で、2つの比較対象の60.0%と、40問中1問の差です。論文も、統計的に確かな向上ではないと書いています

4つの生成モデルでの別実行では、似かよい度はどれも下がりましたが、1つのモデルでは多様さの指標が0.74下がりました。

論文自身が書いている限界

論文は、結果の節（4.2節）と考察の節で、次の限界を挙げています。

似かよい度と多様さの指標は、探索と評価の両方で同じ文章の数値化の仕組みに依存している
人手による回答の質の評価は、報告されていない
90問は手作業で選んだ一部である
実験記録に未整理の集計の細部が残っており、完全な再現には、生の出力と複数回の実行による誤差の幅が必要である
GEOの結果は、固定した位置の情報源を使う模擬であり、実際の検索を使う試験は未実施で、提案した主張が対象の商品に当てはまるかも未確認である
市場が小さいと、空白は見つけやすくなる
温度などを変えた生成の基準実験は、同条件で再実行されていない
感情分類の実験は、元データも試験データも小さく、軽い分類器を使い、モデルの再学習手順は含まれない。基盤モデルの劣化の防止を示すものではない

原文を読んで気づいた点

ここからは、論文の記述とは別に、私が原文を読んで気づいた点です。

日本語は検証の対象外です。質問も商品情報も英語で、方向を文章にする際の単語表は、英語の13,409語から作られています
評価は、すべて自動で計算された数値です。人が読んで「別の視点だ」と判断したかどうかは、報告の対象外です。新規性の基準（0.7、0.8）も、著者が決めた値です
GEOの表では、比べる相手が欠けています。表3にあるのは候補案どうしの比較だけで、既存の競合の主張を同じ手順で測った値が載っていない点が、読み取りの限界になります
最良案の選び方に循環があります。同じ模擬実験の引用の指標で最良案を選び、その最良案を報告しています。論文自身も、別の質問で確かめる検証や、情報源の並び順を入れ替える検証がないと書いています
同じ条件に見える実行で、結果が2ポイントほど違います。表11（既存の回答も文の書き手もGPT-4o-mini）は11.2%、表12（名目上は同じ組み合わせ）は9.0%です。理由は論文に書かれておらず、実行ごとの揺れの大きさを示す一例だと私は読みました
「後」の値が何の集合の似かよい度かは、本文からは読み取りにくいです。新しく書いた5文だけを測ったのか、既存の回答に足した集合なのかが明記されておらず、比較の意味合いが変わりえます

この論文から、言えること・言えないこと

言えること（論文の設定で確認された）	言えないこと（論文では確認されていない）
英語の自由回答で、仕組みを入れると、数値上の似かよい度が約1割下がった	人が読んで、より良い、あるいは新しい答えだと感じること
方向の点数は、質問への近さと既存からの遠さを掛けると最も高くなった	掛け算が、文章にした後の指標でも最良になること
模擬環境の4市場で、差別化の方向を探し、提案文を作れた	その提案文が、実際の生成エンジンで引用されること
引用の指標では、質問への近さだけの方法のほうが高かった	空白を狙うと、見え方が上がること
小さな感情分類の実験で、多様さの指標が上がった	正解率や、モデルの劣化防止に効くこと
英語の環境で、動作が確認された	日本語のサイトや日本の市場でも同じ結果になること

中小企業の視点で、どう受け取るか

ここからは論文の主張とは別の、私の読み取りです。以下は論文の記述の外にあります。

「競合と同じ話の言い換えになっていないか」を点検する道具として読めます。この論文の発想は、最も近い既存の主張との距離を見ることです。自社のページの主要な主張を、検索で上位に出るページの主張と並べて、言い換えレベルで同じかを確かめる作業に置き換えられます。論文は、この点検で引用が増えるとは述べていません
違いさえあればよい、という読み方は危険です。論文のしくみでも、遠さだけを狙うと、質問と無関係な方向に流れて点数が負になりました。自社にしか言えない特徴が、読者の質問に関係しているかを先に確かめる必要があります
事実の確認が先です。論文の出力は「こういう立場がありうる」という提案文であり、対象の商品に実際にその特徴があるかは確認の対象外です。自社にない特徴は打ち出せません
引用への効果は、自社で記録して確かめることになります。この論文の模擬実験は、実際の生成エンジンの外で行われています。打ち出しを変えたページと変えないページで、AIの回答への現れ方を記録して比べる、というのが実務に近い確かめ方です