Chain-of-Thought（思考の連鎖）とは段階的に考えさせて精度を上げる方法

Chain-of-Thoughtとは

Chain-of-Thought（CoT、思考の連鎖）は、AIに、答えだけでなく、そこに至る途中の考え方や計算を、段階的に書かせるプロンプト技術です。2022年の研究で、複雑な問題で、途中の推論ステップを書かせると、正答率が大きく向上することが報告され、広く知られるようになりました。「ステップごとに考えてください」と添えるだけで、効果が出る場合があります（プロンプトの基本）。

なぜ効果があるのか

LLMは、次のトークンを順に生成する仕組みです（大規模言語モデル（LLM）とは）。複雑な問題で、いきなり結論を出そうとすると、途中の処理を飛ばして誤りやすくなります。途中の考えを文章として書き出すことで、その内容が次の生成の手がかり（文脈）となり、結論に至るまでの誤りが減ると考えられています。人間が、頭の中だけで暗算するより、紙に書きながら計算するほうが正確なのと似ています。

効果が出やすい課題

単純な事実の質問や、短い文章作成では、効果が小さいことが多いです。

書き方の例

簡単な指示（ゼロショットCoT）

次の問題を解いてください。答えを出す前に、考え方を順序立てて書いてください。

問題：りんご3個とみかん5個を買い、1000円を出したらおつりが300円でした。みかん1個がりんご1個より20円安いとき、りんご1個の値段はいくらですか。

構造化した指示（思考と答えを分ける）

まず<thinking>タグの中で、条件を整理し、手順を追って考えてください。
その後、<answer>タグの中に、最終的な答えだけを書いてください。

思考と最終回答を分けて出力させると、後から回答部分だけを取り出すのが容易になります（XMLタグで構造化する）。

推論モデルとの関係

最近の推論モデルは、内部で段階的に考える処理を、あらかじめ組み込んだモデルです（推論モデル（思考するAI）、拡張思考（thinking）の使い方）。こうしたモデルでは、「ステップごとに考えて」と書かなくても、内部で考えてくれます。むしろ、詳細な思考手順を指示しすぎると、かえって精度が落ちる場合があるとされています。提供元のドキュメントで、推奨される使い方を確認してください。

Chain-of-Thoughtの注意点

検証との組み合わせ

CoTで考えさせたあと、「答えを検算してください」「別の方法で確認してください」と追加で依頼すると、誤りに気づける場合があります。複数回生成して、多数決を取る方法（自己整合性）もあります（自己整合性・複数回生成）。

Chain-of-Thoughtの具体例

「A社とB社のプランを、料金・サポート・拡張性の3点で比較し、当社に合う方を選んで」と頼む場合、「まず各観点で両社を比較し、次に当社の条件を踏まえて、総合判断してください」と、考える順序を指示すると、根拠が見える形で結論が得られます。結論だけでなく、判断の根拠を人間が検証できる点も、CoTの価値です。

Chain-of-ThoughtのFAQ（よくある質問）

Q. 「ステップごとに考えて」は、必ず効果がありますか？
A. 課題とモデルによります。複雑な課題で有効なことが多い一方、推論モデルや簡単な課題では、効果が小さい場合があります。

Q. 思考の過程は、全部読む必要がありますか？
A. 重要な判断では、根拠を確認するために読む価値があります。

Q. CoTは、ハルシネーションを防げますか？
A. 論理的な誤りを減らす助けになりますが、事実の誤りは防げません。

筆者の見解（Chain-of-Thought）

CoTの価値は、精度の向上だけでなく、「考え方が見える」ことにあると感じます。結論だけを渡されると、鵜呑みにするか疑うかの二択になりますが、根拠が見えると、「ここは違う」と部分的に修正できます。AIと協働して考えるための、基本的な作法と考えています。

Chain-of-Thoughtの関連項目

• 推論モデル（思考するAI）
• 拡張思考（thinking）の使い方
• 自己整合性・複数回生成
• プロンプトの基本

出典（一次情報）

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（Wei et al., 2022）
• Prompting best practices: Leverage thinking（Anthropic Documentation）