リファレンスAI スキル指標の解釈References

数値と根拠の水準

構造信頼度・比較誤差・候補スコア・実験値を区別し、研究結果の根拠の水準を説明します。

スキルバージョン: 1.1.0。資料: skill://nadoobio-metric-interpretation/references/evidence.md。

計算予測・モデル信頼度・参照との一致・実際の結合・生物学的機能・臨床効果を分けて説明します。前段階の高スコアだけで後段階の成功を主張しません。

割合は分母が重要です。標的ごとの成功率と生成候補ごとの成功率は異なります。エラーで除外した候補は元の標本数とともに示します。正解を見て選んだ最良候補と、実際の選択規則で選んだ候補の性能を混同しません。

名前が同じ指標でも計算範囲・整列・正規化・単位が違えば直接比較しません。単位や定義がなければ未確認とし、現在の公開文書と結果 schema を読みます。信頼度を勝手に成功確率へ変換しません。

報告順序: 入力と条件 → 返された値と単位 → 比較できる範囲 → 追加実験が必要な結論。

計算前に記録する項目

入力表で対象 ID・候補 ID・測定値・単位・成功基準・欠損や失敗の状態・選択規則を確認します。出力要約には分子・分母・除外数、基準を適用した範囲、仮想・計算・実験のどの資料かを記録します。提供されていない失敗値を 0 で置き換えません。

教育用の仮想例として、10 標的に各 20 候補を作り、各標的で 1 候補が成功した場合、標的単位の成功は 10/10=100%、候補単位では 10/200=5% です。200 候補中 20 候補が処理に失敗し、残りのうち 10 候補が成功したなら、全依頼基準の 10/200=5% と評価可能な 180 候補基準の 10/180≈5.56% を分けて記載します。処理失敗 20 候補を隠したり、生物学的失敗が確認されたものに変えたりしません。

正解構造を見てから選んだ最良候補と、正解を見ずに事前の規則で選んだ候補は分けて集計します。候補数を増やして最高値だけが改善しても、個々の候補の成功率が改善したことにはなりません。候補ごとの元データがなければ、分母と選択バイアスを検証できないと報告します。

上の計算は明記した定義による算術で、実際の研究性能値ではありません。参照構造と接触・配置を比較する評価定義は計算指標の根拠例であり、標的別・候補別の成功や臨床効果を代わりに定義するものではありません。

このページの内容