生成AI大全 Generative AI Codex
検索 /
付B 付録 ／ 用語と情報源

情報源と信頼性 — エビデンスの階層

査読論文（Level A）、公式ドキュメント（Level B）、実践知（Level C）。信頼性を3層に分類し、鮮度と併記する。

読了 約6分 最終更新 2026.05 情報源出典リファレンスエビデンス

生成AIは日進月歩で発展しており、情報の 鮮度 と 信頼性 はしばしば逆相関します。新しい知見ほど検証が追いついておらず、検証を経た知見ほど発表から時間が経っている——本サイトでは各情報源を信頼性によって三層に分類し、鮮度（年）と併記します。どちらが「上」ということではなく、目的に応じて使い分けることが重要です。

Level A

検証済み

査読付き論文・確立した理論。再現性と検証を経ており信頼性が高い。一方で、発表から時間が経ち、最新の実装や挙動を反映しないことがある。

Level B

一次情報

モデル提供元による公式ドキュメント・技術報告・システムカード。査読はされないが、対象製品については最も権威ある一次情報。比較的新しい。

Level C

実践知

開発者ブログ・技術記事・SNS（X等）・フォーラムの個人検証。現場の最新知見をいち早く含むが、再現性・一般性は未保証で、各自の検証が前提となる。

情報源カタログ

下のバッジで信頼性レベルを、右肩の数値で鮮度（年）を示します。

  • A2020Brown, T. B., Mann, B., Ryder, N., et al. Language Models are Few-Shot Learners. NeurIPS 2020. arXiv:2005.14165
  • A2022Wei, J., Wang, X., Schuurmans, D., et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022. arXiv:2201.11903
  • A2022Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., & Iwasawa, Y. Large Language Models are Zero-Shot Reasoners. NeurIPS 2022. arXiv:2205.11916
  • A2022Wang, X., Wei, J., Schuurmans, D., et al. Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171
  • A2023Yao, S., Yu, D., Zhao, J., et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models. NeurIPS 2023. arXiv:2305.10601
  • A2022Yao, S., Zhao, J., Yu, D., et al. ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023. arXiv:2210.03629
  • A2020Lewis, P., Perez, E., Piktus, A., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401
  • A2023Madaan, A., Tandon, N., Gupta, P., et al. Self-Refine: Iterative Refinement with Self-Feedback. NeurIPS 2023. arXiv:2303.17651
  • A2023Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS 2023. arXiv:2303.11366
  • A2023Liu, N. F., Lin, K., Hewitt, J., et al. Lost in the Middle: How Language Models Use Long Contexts. TACL. arXiv:2307.03172
  • A2025Meincke, L., et al. Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting. arXiv:2506.07142
  • A2017Vaswani, A., et al. Attention Is All You Need. NeurIPS 2017. arXiv:1706.03762
  • A2014Goodfellow, I., et al. Generative Adversarial Networks. NeurIPS 2014. arXiv:1406.2661
  • A2013Kingma, D. P., & Welling, M. Auto-Encoding Variational Bayes. arXiv:1312.6114
  • A2018Devlin, J., et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv:1810.04805
  • A2020Ho, J., Jain, A., & Abbeel, P. Denoising Diffusion Probabilistic Models. NeurIPS 2020. arXiv:2006.11239
  • A2022Rombach, R., et al. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022. arXiv:2112.10752
  • B2026Anthropic. Prompt engineering — Overview / Prompting best practices. 公式ドキュメント（継続更新）。docs.anthropic.com
  • B2026OpenAI. Prompt engineering / Best practices. 公式ドキュメント（継続更新）。platform.openai.com
  • C随時実践知（カテゴリ）：開発者ブログ・技術記事・X等のSNS・フォーラムでの個人検証。最新の現場知見を素早く反映するが、出典と再現性は個別に確認が必要。特定の投稿を権威として扱わず、複数の情報源で裏取りすることが望ましい。