煩悩 × 詐欺ウイルスマッピング統合データベースと小規模ニューラルネットワークによる人間感情構造の探究

Bonnō × Scam-Virus Mapping: An Integrated Database and a Study of Human Emotional Structure via Small Neural Networks

公開: 2026年5月12日
改訂: 2026年5月18日
バージョン: v2.2
ライセンス: CC BY 4.0

要約

私の研究プログラムの最深層の目的は、人間を煩悩の構造として理解し、その動的な重み配分を計算可能な座標系で可視化することにある。仏教 2,500 年の内省的観察を、現代ニューラルネットワーク工学の座標系として採用する。詐欺対策（SNS型国際投資詐欺・殺豬盤）は、その最も差し迫った応用例である。v1.6 で §0、v1.7 で §16.5、v1.8 で §0.4.5 / §4.3.0、v1.9 で文体調整、v2.0 で整合性 11 点、v2.1 で §17 ExPFC Core Specification v0.1 を新設、v2.2 で外部レビュー（Gemini）対応の 9 次元コミット改訂（9 次元を運用本線、108 次元を長期 vision として分離）。

位置付けとステータス（2026-05-17 現在） 私が進めている研究プログラムの構想記録である。実装基盤の PYOL マインドミラー（一般的な詐欺被害注意喚起ツール）はすでに稼働中。これに重ねる煩悩マッピング・小規模ニューラルネットワークによる文脈解析は構想段階。20 年スパンの長期プログラムであり、本記録は段階的に更新していく。

Abstract（要旨）

SNS型国際投資詐欺（殺豬盤 / Pig Butchering）は、日本国内で年間1,300億円超の被害を生み出している。私はこの現状を出発点として、対策ロジックの実効性を上げるため、仏教の煩悩タクソノミー（108）と詐欺集団のタクティクス（コンピュータウイルスとしてモデル化）をひとつのデータベースに統合し、小規模ニューラルネットワークでその非線形関係を学習させる研究プログラムを、ここで提案する。副次的な成果として、現代の大規模言語モデル（LLM）に欠けている「構造化された人間感情モデル」への貢献の可能性も論じておきたい。東洋的な人間観と西洋的な工学手法を結びつけることで、詐欺対策と AI の感情理解研究の双方に貢献できる、というのが私の見立てである。

キーワード: SNS型投資詐欺、殺豬盤、煩悩、行動経済学、グラフニューラルネットワーク、Affective Computing、変分オートエンコーダ、Swallow LLM、東洋哲学

§0. 研究の根本目的（v1.6 で新設、v1.8 で §0.4.5 を追補）

ここでは、私の研究プログラムの最深層の目的を、§1 以降で書く具体的な動機（詐欺対策）に先立って明示しておきたい。この §0 は構想記録 v1.6 で私が新設したものだ。それ以前の版では §1〜§16 の議論を通じて断片的に触れていたものを、ここでひとつの根本目的として言語化する。

0.1 起点 ── 既存研究への方法論的問題意識

本研究プログラムを構想する起点は、現代の感情研究および人間理解研究に対する、私の率直な疑問にある。

私が調べた範囲では、人間の感情を扱う多くの研究が、脳科学・脳内物理学（fMRI、脳波、神経伝達物質、機能局在）を中心としていた。これらは精密な観察手段を持ち、近年大きな進展を見せている。Damasio の身体性マーカー仮説、Friston の自由エネルギー原理、Phelps らの情動神経科学など、優れた成果を生み出している。

しかし私は、これらの方法論的アプローチが共通して持つ一つの限界を意識せざるを得なかった：外側からの観察と物理化学的還元では、人間の感情の意味的解像度を捉えきれないのではないか、ということである。

fMRI で扁桃体の活性が観察できても、その活性が「貪欲」なのか「嫉妬」なのか「焦り」なのか「孤独感」なのかを区別するためには、別の言語体系（多くは欧米心理学の Big Five、PAD model、Plutchik の感情の輪、Ekman の基本感情 6 種）に依拠せざるを得ない。神経活動の解像度と、感情の意味的解像度は別問題である。そして欧米の感情モデルはいずれも、わずか 100 年程度の研究に基づく断片的な体系である。

0.2 仮説 ── 仏教学を座標系として採用する

ここで私が立てた仮説は、シンプルである：

2,500 年にわたって人間が自分自身を内側から観察し続けてきた仏教学の体系は、人間理解の座標系として、現代の感情研究のどの体系よりも精緻なのではないか。

仏教は宗教である以前に、人間の心の働きを徹底的に観察した経験的研究の集積である。三毒（貪・瞋・癡）、108 煩悩、五蘊、十二縁起 ── これらは抽象的な教義ではなく、無数の修行者が 自分の心を観察した結果として体系化された記述語彙 である。研究機関も統計学も存在しない時代に、人類が自分自身について到達した最も精緻な記述である。

これを「宗教」として隔離するのではなく、経験的観察データの集積として工学的に取り扱う。これがこの研究プログラムの方法論的中核である。

具体的には：

神経科学: 観察者と対象が分離（fMRI を取る人 ≠ 取られる人）、外側からの物理測定
仏教学: 観察者と対象が同一（修行者が自分を観察）、内側からの自己記述

両者は対立するのではなく、補完関係にある。神経科学が物理層を捉え、仏教学が意味層の座標系を提供する。私の研究プログラムは、仏教学を意味層の座標系として採用したうえで、神経科学的知見を物理層の補強として組み込む。これは現代 AI 研究のどこでもまだ本格的に行われていない、新しいアプローチである。

0.3 存在論的前提 ── 煩悩は人間性そのもの

本研究プログラムは、煩悩を「除去すべき悪」としてではなく、人間性そのものとして扱う。

伝統的小乗仏教では、煩悩は苦の根源として除去対象とされる。しかし大乗仏教の発展、特に唯識・密教に至っては、「煩悩即菩提」── 煩悩そのものが悟りの素材であるとされる。私の立場はこの大乗的理解に近い。

具体的に言えば：

**「人を愛する」**は、執着（貪）の一形態として分類されるが、それが慈悲の源泉でもある
**「子を守る」**は、所有欲・支配欲・恐れ（瞋）の混合として分類されるが、それが種の存続を可能にしている
**「真理を求める」**は、知への渇愛（貪の一種）として分類されるが、それが学問を成立させている

煩悩なしに、人間は人間でいられない。人間は煩悩と共に生きる動物である。この研究プログラムは、この前提から出発する。詐欺対策（§1〜§14）は、この前提のもとで「人間性の特定の側面が悪用される」事態への対応として位置付けられる。

0.4 目的 ── 瞬間ごとの煩悩重み配分の動的解析

私の研究プログラムが最終的に目指すのは、人間が任意の瞬間にどの煩悩にどれだけの重みを置いているかを、ニューラルネットワークによって解析・可視化することである。

任意のテキスト T、任意の状況 C、任意の個人 U に対して：

人間の状態 (T, C, U) → V = (w₁, w₂, ..., w_n)

  運用本線:   n = 9（三毒 × 3 小分類）── 標準実装、v0.2 で実装可能
  長期 vision: n = 108 ── 爆速進化中の AI による LLM 駆動アノテーションが
                           成熟したときに到達する将来形（§17.10 参照）

ただし wᵢ は 時間と共に動的に変化する 煩悩 i の重み。詐欺メッセージを読んだ瞬間、子の写真を見た瞬間、配偶者と諍いした瞬間、好きな音楽を聴いた瞬間 ── それぞれにおいて、ベクトル空間のどこにエネルギーが集中しているかを可視化する。

9 次元と 108 次元 ── 2 段階の戦略（v2.2 で明文化） 構想初期は 108 次元の最終形を一気に目指していたが、外部レビュー（Gemini, 2026-05-18）を受け、9 次元（三毒 × 3）を本線の運用解像度、108 次元を将来 vision として分離した。9 次元なら仏教学者間のκ > 0.7 が現実的に達成でき、GNN のエッジ定義も手作業で間に合う。108 次元は、LLM が「煩悩プロンプティング」によるアノテーション知識蒸留を提供できるようになった段階で、自然に進める。具体的なレベル定義は §17.10 を参照。

これは詐欺検出の手段であると同時に、人間が自己を理解する鏡となる装置である。§13 で導入した External Prefrontal Cortex（ExPFC）は、詐欺対策の文脈では「警告装置」だが、本来の文脈では「自己理解の鏡」として機能する。

0.4.5 実装の本線 ── 3×3 ミニマムモデル（v1.8 で追補、v2.2 で「出発点」から「本線」に格上げ）

§0.4 で示した 108 次元は、本研究プログラムの長期的な vision として保持するが、実装の運用本線は 9 次元（三毒 × 3 小分類）に確定 する（v2.2 改訂、§17.10 参照）。これは構想を「哲学的提案」に留めず、運用可能な「実装ロードマップを持つ提案」として提示するための、検証可能で持続可能な解像度である。

三毒	3 つの小分類（仏教学典籍より）	計算論的解釈
貪（Greed）	欲貪・色貪・無色貪	報酬と執着の階層（即時報酬への欲求 / 形ある対象への執着 / 形なき観念への執着）
瞋（Aversion）	忿・恨・悩	エラーと敵対性の時間軸（瞬間的怒り / 持続的恨み / 内攻的煩悶）
癡（Ignorance）	無知・倶生・分別	構造的バグと学習的バグ（情報欠落 / 生得的盲点 / 概念化による誤分節）

この 3×3 ミニマムモデルは、§0.6 で示す三階層構造のうち Level 3（応用的階層）の実装第一歩として機能する。同時に §16.2.2 で提示する階層的埋め込み（Level 1: 3 次元 → Level 2: 10〜20 次元 → Level 3: 108 次元）における Level 2 の具体化でもある。

なぜこの 9 次元から始めるか：

仏教学的妥当性が確保されている: 三毒の各小分類は『倶舎論』『成唯識論』など複数典籍で言及される伝統的分類であり、仏教学者（仏教大・駒澤大・龍谷大など）との合意形成において議論の出発点となる
計算論的に意味付け可能: 各次元が「報酬機構」「時間動態」「学習バイアス」という現代機械学習で扱える概念に対応するため、ニューラルネットワーク実装と仏教学の対応関係を保てる
アノテーターの判断負荷が低い: 9 次元なら複数アノテーター間のカッパ係数 κ > 0.7 を現実的に達成可能であり、§16.2.2 の coarse-to-fine カリキュラム学習の第一段階として運用できる
詐欺事例で実証可能: SNS 型投資詐欺の典型パターンは「欲貪（即時的金銭欲）× 無知（金融知識欠落）」「色貪（恋愛幻想）× 倶生（孤独からの逃避）」などとして 9 次元内で記述でき、Phase 1（§7）の MVP として検証可能

具体的な計算定義は §4.3.0 で示す。実装ロードマップとの接続は §7 を参照。本ミニマムモデルは、海外 AI Safety 研究者・国内仏教学者・計算心理学者との対話における 具体的足場 を提供するものであり、この研究プログラムが哲学的構想ではなく検証可能な実装計画を持つことを示す。

0.5 §1 以降との関係 ── 詐欺対策は「最も差し迫った応用例」

この §0 で示した根本目的に対して、§1 以降で私が展開する詐欺対策は、その 最も差し迫った応用例 である。

なぜ詐欺対策から始めるか：

社会的緊急性が高い: SNS 型投資詐欺は日本国内年間 1,300 億円超の被害を生んでおり、対応が即座に必要
データ収集の正当性: 被害者保護という公益性が、個人データ収集の倫理的正当性を担保する
技術的検証可能性: 「詐欺判定の精度」という客観的指標で、煩悩マッピングの妥当性を検証できる
PYOL マインドミラーという既存実装基盤: 私が運営する既存ツール（実動中の詐欺被害注意喚起ツール）が、データ収集と検証の場を提供する

しかし、私の研究プログラムの射程は詐欺対策に留まらない。§13.8 で論じた汎用応用可能性（投資、健康、ギャンブル、恋愛、カルト、政治、SNS、育児、高齢者）に加えて、人間が自己と他者を理解する基盤技術として、より広い社会的価値を持つ。

0.6 §0 の戦略的意義

ここでは、本研究プログラムを 三階層構造 として整理しておきたい：

┌─────────────────────────────────────────────┐
│  Level 1: 方法論的階層（本章）                    │
│  仏教学を座標系とした人間理解                    │
│  ── 脳科学への補完・代替                         │
└─────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────┐
│  Level 2: 戦略的階層（§15）                       │
│  精密の経済 vs 規模の経済                       │
│  ── 大手 AI が立ち入れない領域への意図的位置取り   │
└─────────────────────────────────────────────┘
                      ↓
┌─────────────────────────────────────────────┐
│  Level 3: 応用的階層（§1〜§14、§16）             │
│  詐欺対策 + ExPFC + 煩悩埋め込み                 │
│  ── 最も差し迫った社会問題への適用                │
└─────────────────────────────────────────────┘

Level 1 が研究プログラムの哲学的・方法論的核心であり、Level 2 がその実装戦略、Level 3 がその応用である。海外 AI Safety コミュニティ（Anthropic, DeepMind, MIRI, LessWrong）にとっての訴求力は、Level 3（詐欺対策）よりも Level 1（人間性の構造的座標系）の方が、原理的に強い可能性がある。

0.7 結論（§0）

この研究プログラムの最深層の目的は、詐欺対策ではない。人間を煩悩の構造として理解し、その動的な重み配分を計算可能な座標系で可視化することで、人間が自己と他者をより正確に理解する基盤を提供することである。

詐欺対策は、その最初の応用例である。20 年スパンの研究の中で、応用は順次拡張されていく。私の研究プログラムは、仏教 2,500 年の内省的観察と現代ニューラルネットワーク工学の融合として、これまで誰も本格的に試みていない領域に立つ。

1. 動機と問題意識

1.1 SNS型投資詐欺の急速な拡大

警察庁公表によれば、日本国内のSNS型投資・ロマンス詐欺の被害額は、2023年の約455億円から2025年（10月暫定）の1,370億円超へ、わずか2年で約3倍に拡大した（警察庁, 2025）。これは特殊詐欺全体を上回り、現代日本最大の財産犯罪である。被害は中高年層（40〜70代）に集中し、一件あたり平均1,100万円という高額化が観察される。

1.2 既存対策の構造的限界

オレオレ詐欺対策において過去30年で実証された介入手法（金融機関窓口での声かけ、ATM限度額制限、自動通話録音装置の配布等）は、**「物理的な第三者による遮断」**を前提としていた。しかしSNS型投資詐欺は、犯人と被害者の間に介入できる物理的第三者が存在しない通信構造を持ち、これらの介入手法を構造的に無効化する。

1.3 検知ロジックの認識論的限界

既存の詐欺検知アプローチ（キーワード照合、業者リスト照合、行動異常検知）は、いずれも**「外形的兆候」**を捉える試みである。しかし詐欺集団は短期間で外形を変化させる（業者名は2〜4週間で変更される）ため、外形依存型検知は本質的に追従戦になる。

1.4 問いの再構成

以上の限界認識から、本研究プログラムは問いを再構成する:

「外形的兆候ではなく、詐欺が利用する人間の脆弱性そのものを構造化できないか」

これは認知科学・行動経済学・神経経済学の研究対象であるが、これらは未だ断片的知見の集積であり、統合的な構造モデルを提示していない。この研究プログラムは、この未完の構造化作業に、東洋的人間観（仏教の煩悩論）と現代工学（ニューラルネットワーク）を結合することで新しい角度から取り組む。

2. 思想的基盤

2.1 マインドシード哲学：「Protect Your Only Life」

本研究を支える哲学的中核は、マインドシード研究所が提示する「Protect Your Only Life（あなたのたった一つの命を守る）」である。これは詐欺被害を財産損失ではなく、人生そのものへの侵害として位置付け、対策を技術的問題ではなく倫理的問題として捉える。

2.2 ミスマッチ思想（サムスンSDS 由来）

私が現役時代に韓国サムスンSDSで身につけた「ミスマッチが一番相性がいい」というセールス哲学は、異分野の予期せぬ結合が市場における最強の差別化を生むという経験則である。私はこの思想を、私の学際的研究の指針として採用する。詐欺対策（犯罪学・法学）と仏教（宗教哲学）の結合は、典型的ミスマッチであり、まさにこの理由で従来にない解像度を生む可能性を持つ。

2.3 仏教的人間理解：三毒と108煩悩

仏教における人間理解の中核に三毒（貪・瞋・癡）がある。これは欲望（greed）、怒り・不安（aversion）、無知・思慮欠如（ignorance）の三層で人間の苦悩の根源を捉える。さらに細分化された108煩悩は、6つの感覚器官 × 3つの感情属性（苦・楽・捨）× 2つの分類（浄・染）× 3つの時間軸（過去・現在・未来）の組合せとして構造化されている（仏教典籍より）。

この体系は、人間の苦の網羅的分類として千年以上の経験的観察を経て洗練された。本研究は、この体系を「単なる宗教的概念」としてではなく、人間感情の経験的タクソノミーとして工学的に取り扱う。

2.4 アンチウイルス工学からの転用

コンピュータセキュリティ業界が30年にわたり蓄積した手法 ── シグネチャ照合、ヒューリスティック検出、行動分析、サンドボックス分析、ワクチン（事前免疫）── は、適応的な攻撃者と防御者の知恵比べの結晶である。詐欺集団の手口を「ウイルス」としてモデル化することで、これらの手法を詐欺対策に転用する。

2.5 哲学的統合

以上の四つの思想的基盤を統合すると、本研究の立場は以下のように要約される:

「詐欺は人間の煩悩を利用するウイルスである。我々はそのウイルスを、東洋的人間観の解像度で記述し、西洋的工学手法で検出・対抗する」

3. 中心構想：煩悩 × 詐欺ウイルス統合データベース

3.1 二層モデル

研究の中核となるデータ構造は、二層のタクソノミーとそのマッピングである:

┌─────────────────────────────────────────┐
│  Layer 1: 煩悩タクソノミー（108階層化）    │
│  - 人間の感情的脆弱性の網羅的分類           │
│  - 仏教典籍からの抽出 + 現代心理学との対照  │
└─────────────────────────────────────────┘
              ↑ 多対多マッピング
┌─────────────────────────────────────────┐
│  Layer 2: 詐欺ウイルス データベース         │
│  - 各ウイルスは特定の煩悩を「狙う」         │
│  - シグネチャ（文面・画像・行動パターン）   │
│  - 変異型・変種                             │
│  - 検出ルール（正規表現・AI プロンプト）   │
└─────────────────────────────────────────┘

3.2 ウイルスとしての詐欺タクティクスのモデル化

各詐欺タクティクスは、以下の属性を持つ「ウイルス」として記述される:

属性	例
ウイルスID	SCAM-2025-0047
種別	text / image / behavior / platform / multi-stage
シグネチャ	「叔父が金融機関」「月利20%」
関連煩悩タグ	貪欲(B-001), 慢心(B-023)
検出ルール	正規表現 + AI プロンプト
初回観測日	2024-08-15
最終観測日	2025-03-22
変異元	SCAM-2024-0031（前世代）
重大度	critical / high / medium / low
状態	active / dormant / retired

3.3 煩悩としての脆弱性のモデル化

各煩悩は以下の属性を持つ:

属性	例
煩悩ID	B-001
仏教名	貪（とん）
現代心理学対応	Greed / Acquisitive desire
三毒分類	貪
発火条件	金銭的喪失感、相対的剥奪感、機会の知覚
個人差要因	経済状況、年齢、ジェンダー、過去経験
時系列敏感性	経済ショック後24-72時間が最敏感
関連ウイルス	SCAM-2025-0047, 0048, 0051…

3.4 多対多マッピング

各ウイルスは複数の煩悩を狙い、各煩悩は複数のウイルスから攻撃される。この関係は単純な対応表ではなく、強度（exploitation_strength）と条件（発火条件）を持つグラフ構造として記述する必要がある。

強度の値域は、私の研究プログラム全体で [0, 1] の連続値 に統一する（§14.1 の煩悩ベクトル wᵢ、§4.3.0 の V_min と同じ）。データ収集の現場では人間アノテーターが扱いやすい 1〜10 の整数スケールを用いる場合もあるが、データベース格納時に [0, 1] に正規化する。これにより、グラフのエッジ重みと煩悩ベクトルが同一スケールで合成できるようになる。

4. ニューラルネットワークの必要性

4.1 線形モデルの限界

煩悩 × ウイルスの関係を単純な静的マトリックスとして記述するだけでは、以下の現象を捉えられない:

非線形性: 「貪欲 + 孤独」の同時刺激は、各単独刺激の和を遥かに超える脆弱性を生む
文脈依存性: 同じ煩悩でも、年齢・配偶状況・経済状況により発火閾値が大きく異なる
時間依存性: 一度刺激された煩悩は数時間〜数日感度が上昇する（cooling-off effect の逆）
干渉効果: 別の煩悩を刺激すると、最初の煩悩への感度が変化する
個人特異性: 個人の過去経験により、同じ刺激でも反応が異なる

これらの現象は、ニューラルネットワークが捉えるのを得意とする構造である（Goodfellow et al., 2016）。

4.2 「超小規模」ニューラルネットワークという指針

本研究プログラムでは、大規模言語モデル（数百億〜数兆パラメータ）ではなく、100万〜数千万パラメータの専用化された小規模モデルを採用する。理由は以下:

観点	大規模 LLM	小規模専用モデル
解釈可能性	困難（ブラックボックス）	可能（attention可視化等）
計算コスト	推論1回数円	1万分の1以下
動作環境	クラウド必須	スマホ・組込み可能
学習データ	大量必要	数千件で十分
特化精度	汎化のため低下	高精度

これは、Toshi（松浦）の元職である基盤系エンジニアリングの哲学「枯れた技術を、必要十分な規模で使う」とも整合する。

4.3 候補アーキテクチャ

4.3.0 3×3 ミニマムモデル ── 全アーキテクチャ共通の実装第一歩（v1.8 で追補）

§0.4.5 で示した 3×3 ミニマムモデルを、本節の候補アーキテクチャ群（4.3.1〜4.3.4）に共通する入力／出力次元として採用する：

入力／出力ベクトル V_min = (g₁, g₂, g₃, a₁, a₂, a₃, i₁, i₂, i₃) ∈ ℝ⁹

  貪（Greed）:      g₁ = 欲貪、g₂ = 色貪、g₃ = 無色貪
  瞋（Aversion）:   a₁ = 忿、  a₂ = 恨、  a₃ = 悩
  癡（Ignorance）:  i₁ = 無知、i₂ = 倶生、i₃ = 分別

各値は [0, 1] の連続値で、§14.1 の写像 f: (T, C, U) → V における V の最小実装。

各候補アーキテクチャへの組み込み：

4.3.1（GNN）: 煩悩層を 9 ノードで構成。Level 2 以降への拡張時にノード追加
4.3.2（VAE）: 潜在空間 z (10〜30 次元) の事前分布として 9 次元構造を採用
4.3.3（小規模 Transformer）: 出力 head を 9 次元のマルチラベル分類とする
4.3.4（マルチタスク学習）: 共有バックボーンの 1 ヘッドとして 9 次元出力を持つ

実装順序（§7「実装ロードマップ」との対応）：

Phase 1（6 ヶ月）: V_min (9 次元) で詐欺検出 MVP を構築。アノテーター間 κ > 0.7 を目標
Phase 2（6 ヶ月）: Level 2（10〜20 次元）に拡張、仏教学者校閲を経て次元確定
Phase 3 以降: 段階的に Level 3（108 次元）へ拡張、複数典籍・流派の照合を経て確定

この段階的拡張戦略により、§16.2 で論じる直交性・疎性問題を coarse-to-fine カリキュラム学習として回避しつつ、各段階で検証可能な成果物（MVP）を産出する。

4.3.1 グラフニューラルネットワーク（GNN）

煩悩、ウイルス、ユーザーをノードとし、関係性をエッジとして表現する。代表的手法として GCN (Kipf & Welling, 2017)、GAT (Veličković et al., 2018) がある。

ノード:
  - 煩悩ノード: 108個（埋め込み次元 64-128）
  - ウイルスノード: 可変（数百〜数千）
  - ユーザーノード: 可変（既存PYOLユーザー）

エッジ:
  - 煩悩 ↔ ウイルス（攻撃強度）
  - ユーザー ↔ 煩悩（個人脆弱性）
  - ウイルス ↔ ウイルス（変異関係）

学習タスク:
  - 与えられたユーザー × 文脈で、最も活性化する煩悩を予測
  - 与えられた文面で、マッチするウイルスを推定

4.3.2 変分オートエンコーダ（VAE）

ユーザーの感情状態を低次元の連続的潜在空間に圧縮する（Kingma & Welling, 2014）。

入力: ユーザーのプロファイル + 過去の検索履歴 + 文脈
        ↓ encoder（小規模NN）
潜在ベクトル z (10-30次元、連続的)
        ↓ decoder
出力: 予測される反応・脆弱性プロファイル

潜在空間の構造を分析することで、仏教が経験的に到達した108煩悩と、機械学習が統計的に発見する分類を比較できる。両者が一致するか、補完関係にあるかは、それ自体が研究問題となる。

4.3.3 小規模 Transformer

文脈依存的な検出のため、Transformer 系（Vaswani et al., 2017）の小規模版を採用する。 Attention 機構は 「どの単語がどの煩悩を刺激しているか」 を可視化可能にし、解釈可能性を提供する。

4.3.4 マルチタスク学習

複数のタスクを共有表現で学習する:

ウイルス検出
煩悩分類
ユーザー脆弱性予測
詐欺段階推定

共有バックボーン + 複数ヘッドの構成（Caruana, 1997）。

4.4 ベースモデルとしての Swallow LLM

東京工業大学 + 産業技術総合研究所（AIST）が共同開発する Swallow LLM (Fujii et al., 2024) は、日本語に特化した継続事前学習を行ったオープンソース LLM である。HuggingFace で公開（7B / 13B / 70B の三サイズ）。

本研究にとって Swallow が適切な理由:

日本語特化: 日本語の詐欺文面・仏教用語に強い
オープンソース: Fine-tuning 可能、研究用途で自由に使用可能
学術的検証済み: 複数の論文で性能評価あり
計算資源要求が現実的: 13B モデルなら GPU 1-2 枚で fine-tuning 可能

具体的な利用方法:

大規模知識ベースとして Swallow を採用
その上に小規模専用 NN（GNN/VAE等）を構築
詐欺検知タスクで fine-tune
解釈可能性を保ちつつ、日本語理解の深さを獲得

5. AI 研究への副次的貢献

5.1 現代 AI における感情理解の欠如

大規模言語モデルは膨大なテキストから「感情を語る言葉」を学習しているが、これは感情の理解ではなく、感情に関する言語の模倣である（Bender et al., 2021; Marcus & Davis, 2019）。具体的に欠如しているのは:

必要な要素	現状
構造化された感情の表現	曖昧な単語埋め込みベクトル
行動予測との結合	観察データが希薄
発火条件の定量化	ほぼ皆無
文化横断的な感情語彙	英語中心、東洋的概念が薄い
グラウンディング	テキストにのみ依拠、行動データが弱い

5.2 本研究が提供できるもの

この研究プログラムが成功した場合、現代 AI 研究に以下を提供できる:

構造化されたタクソノミー: 108煩悩を現代心理学と対応させた、計算可能な人間感情分類
行動グラウンディング: 詐欺被害という実在の行動記録に基づく感情状態
東西の知識融合: 仏教（東洋）× 行動経済学（西洋）の整合的統合
公開データセット: 匿名化された「煩悩×ウイルス×反応」データの学術公開

5.3 AI 安全性への波及

近年、AI 安全性研究の重要分野として「ヒューマン・マニピュレーション」が注目されている（Carroll et al., 2023; Park et al., 2024）。すなわち、AI が人間の心理的脆弱性をどう認識し、悪用しうるかという問題である。

本研究の煩悩×ウイルスデータベースは、**「AIが人間を操作する方法の完全リスト」**としての性格を持つ。これを公開知識化することで:

AI の悪用を予測しやすくなる
AI の安全性評価ベンチマークの基礎となる
「人間の脆弱性を意図的に避ける AI」設計の素材となる

倫理的には微妙な領域だが、透明化と公開が、隠蔽より安全であるという立場を取る。

6. データソースと取得戦略

6.1 公的機関データ

出典	内容	取得方法
警察庁 SOS47	月次被害統計、典型手口	PDF・統計データ
国民生活センター	全国の消費者相談事例	テキスト・PDF
金融庁	警告業者リスト	HTML（既に PYOL で取込済）
消費者庁	不当表示違反事例	公表ページ
FBI IC3	米国年次レポート	英語、PDF
Interpol / Europol	国際的事例	英語、要協力依頼
UNODC	東南アジア組織犯罪報告	英語、年次

6.2 民間データ

出典	内容
GASO (Global Anti-Scam Org)	国際詐欺事例DB
Chainalysis	暗号資産詐欺アドレス
NHK・朝日・文春	調査報道事例
学術論文	木村(2025), UNODC研究等

6.3 一次データ（自前収集）

出典	内容
PYOL マインドミラーユーザー通報	実在の詐欺文面、スクショ
X / Telegram / Instagram の公開広告	闇バイト・詐欺投資募集
詐欺被害者インタビュー	認知ロックの時系列記述
元コンパウンド労働者の証言	内部 playbook

PYOL の既存データ収集機構が、本研究の最大のデータソースとなる点が、私の研究プログラムの戦略的優位性である。

6.4 倫理的配慮

全データは匿名化処理
個人特定情報を含むケースは除外または部分的加工
倫理審査（大学等との共同研究時）
被害者のリトラウマ化を避ける扱い

7. 実装ロードマップ

Phase 1: 基盤構築（6ヶ月）

煩悩タクソノミー定義（30-50項目に簡略化した初期版）
仏教学者・心理学者との対話
初期ウイルス 50-100 件の手動タグ付け
PYOL 既存データの整理

Phase 2: プロトタイプ（6ヶ月）

データベーススキーマ確定
簡易検出エンジン実装
小規模 NN プロトタイプ（GNN または VAE）
既存 PYOL システムとの統合実験

Phase 3: 検証（6ヶ月）

内部評価（過去事例での精度）
外部評価（大学共同研究、論文化準備）
ユーザー反応分析
倫理レビュー

Phase 4: 発表と公開（6ヶ月）

プレプリント公開（arXiv / J-STAGE）
査読論文投稿（認知科学系・情報工学系）
オープンデータ公開
国際学会発表

合計: 24ヶ月（2年）の最小実行可能研究プログラム

8. 実施体制

8.1 ハブとしてのマインドシード研究所

私が研究プログラムのディレクター兼ハブとして機能し、以下を統括する:

全体ビジョンの策定
データ収集・管理
外部協力者との接続
知財・倫理管理

8.2 必要な外部協力者

役割	候補	関与度
学術顧問（詐欺被害学）	木村敦氏（日本大学）	月1-2回協議
学術顧問（仏教哲学）	仏教大学 / 駒澤大学 / 龍谷大学	月1回協議
学術顧問（認知科学）	東大・京大・東北大の研究室	月1回協議
機械学習エンジニア	修士課程インターン 1-2名	週20時間程度
デザイナー	配偶者	適宜

8.3 計算資源

Swallow LLM の推論: HuggingFace Inference API またはローカル GPU
ファインチューニング: GPU クラウド（月 5-20 万円）
データベース: 既存 PYOL インフラ + 拡張

個人事業の予算範囲で、現実的に実行可能な規模である。

9. 学術的位置付けと既存研究との関係

9.1 先行研究（関連分野）

詐欺被害学

木村敦 (2025). 『SNS型投資・ロマンス詐欺の欺罔プロセスと対策に関する認知・社会心理学的考察』危機管理学研究.
Whitty, M. T. (2013). The scammers persuasive techniques model: Development of a stage model. British Journal of Criminology.

行動経済学

Kahneman, D. (2011). Thinking, Fast and Slow.
Thaler, R. H., & Sunstein, C. R. (2008). Nudge.

Affective Computing

Picard, R. W. (1997). Affective Computing.
Cambria, E. et al. (2020). SenticNet 6: Ensemble Application of Symbolic and Subsymbolic AI.

ニューラルネットワーク

Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks.
Veličković, P. et al. (2018). Graph Attention Networks.
Kingma, D. P., & Welling, M. (2014). Auto-Encoding Variational Bayes.
Vaswani, A. et al. (2017). Attention Is All You Need.

日本語 LLM

Fujii, K. et al. (2024). Continual Pre-Training for Cross-Lingual LLM Adaptation: Enhancing Japanese Language Capabilities. Swallow技術報告

仏教哲学・煩悩論

『阿毘達磨倶舎論』（5世紀、世親）
『大智度論』（伝・龍樹）
中村元 (1981). 『仏教語大辞典』

神経科学・認知科学（§13で追加）

Mountcastle, V. B. (1978). An Organizing Principle for Cerebral Function: The Unit Module and the Distributed System. In The Mindful Brain.
Felleman, D. J., & Van Essen, D. C. (1991). Distributed hierarchical processing in the primate cerebral cortex. Cerebral Cortex, 1(1), 1-47.
Anderson, J. R. (1996). ACT: A simple theory of complex cognition. American Psychologist, 51(4), 355.
Newell, A. (1990). Unified Theories of Cognition. Harvard University Press.
Baars, B. J. (1988). A Cognitive Theory of Consciousness. Cambridge University Press.
Dehaene, S. (2014). Consciousness and the Brain. Viking.
Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127-138.
Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204.
Damasio, A. R. (1994). Descartes’ Error: Emotion, Reason, and the Human Brain. Putnam.
Phelps, E. A., Lempert, K. M., & Sokol-Hessner, P. (2014). Emotion and decision making: multiple modulatory neural circuits. Annual Review of Neuroscience, 37, 263-287.
Tom, S. M., Fox, C. R., Trepel, C., & Poldrack, R. A. (2007). The neural basis of loss aversion in decision-making under risk. Science, 315(5811), 515-518.

AI / 機械学習（§13で追加）

Shazeer, N., et al. (2017). Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. ICLR.
Radford, A., et al. (2021). Learning Transferable Visual Models From Natural Language Supervision (CLIP). ICML.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

9.2 本研究のオリジナリティ

私が知る限り、以下の三点を同時に満たす研究は存在しない:

仏教の煩悩タクソノミーを工学的データ構造として採用
詐欺タクティクスをコンピュータウイルスとしてモデル化
両者を小規模ニューラルネットワークで統合学習

これは前述「ミスマッチ思想」の体現であり、研究空白領域である。

10. 限界と倫理的考察

倫理的論点に関する他章への参照 倫理的論点は本記録全体で 3 箇所に分散して論じている：(a) §10.3 ── 一般的・横断的倫理論点（本節）／ (b) §13.11 ── 哲学的・倫理的射程（脳模倣アーキテクチャ固有）／ (c) §14.12 ── 煩悩ベクトル化に関する固有の倫理論点。各論点の整合は、私の研究プログラム全体の倫理ガイドライン策定の出発点として、今後の版で統合する。

10.1 認識論的限界

人間の感情は不完全にしか捉えられない可能性
データバイアス（被害者は特定層に偏る）
仏教概念の現代的翻訳の難しさ
文化的越境（日本国外への適用性）

10.2 技術的限界

小規模 NN の表現力には上限がある
詐欺集団は本研究公開後に対抗手段を取る（イタチごっこ）
データ収集の継続性確保

10.3 倫理的論点

個人脆弱性データの取扱い: 個人を「狙われやすい人」として分類することは、本人の自己認識に影響を与える可能性
詐欺手口の公開: 一定の手口公開は犯罪学習に利用される可能性（情報公開のジレンマ）
AI 操作への悪用: 煩悩×刺激の対応表は、悪意ある AI が人間を操作する道具にもなり得る

これらは研究の進行と並行して、倫理ガイドラインを策定する必要がある。

11. 期待される波及効果

11.1 直接的成果

SNS型投資詐欺の検知精度向上
個別ユーザーへの予防的警告
教育コンテンツの理論的基盤

11.2 間接的波及

分野	波及内容
認知科学	人間感情の構造化モデル
AI 研究	感情理解 AI への素材提供
仏教学	現代的応用研究の事例
行動経済学	バイアスの体系的記述
国際協調	UNODC, Interpol への日本側貢献
教育	予防教育のカリキュラム素材

11.3 社会的価値

被害者を救うだけでなく、被害そのものを人類の知恵に転換するという、マインドシード哲学の最終形態としての価値を持つ。

12. 結論

本研究プログラムは、SNS型投資詐欺対策という具体的かつ緊急の社会問題に対し、仏教の煩悩論と現代ニューラルネットワークを統合する、東西融合の研究プログラムを提案する。

技術的には実装可能であり、データ的には PYOL マインドミラーが既に基盤を持つ。学術的には世界に類例のないアプローチであり、副次的に AI 研究と認知科学への貢献も期待される。

この研究プログラムの特徴は、研究の出発点が「学問的興味」ではなく「被害者を生まない社会への希求」にあることである。これは40年超の大手企業エンジニアリング、90年代草の根 BBS の経験、現在の福祉事業との接続、そして身近な関係者の被害体験という、私の個人史の結節点に位置する。

「ぼちぼち、しかし着実に」進める20年スパンの研究として、これを位置付ける。

13. 脳模倣アーキテクチャと External Prefrontal Cortex 概念（追補）

独立論考も公開している: 本 §13 の核心部（13.1 / 13.5 / 13.6 / 13.7 / 13.8 / 13.11）は、神経倫理 + AI Safety の読者向けに独立論考「External Prefrontal Cortex（ExPFC）」として書き直して公開している。引用・批判には独立論考の方が適している。構想記録の §13 はより包括的で、実装ロードマップ（§13.2〜§13.4、§13.10）も含む。

13.1 問題設定の再考 ── なぜ脳の構造を参考にするか

私の研究プログラムを発展させる中で、人間の認知システム ── 特に**「五感入力 → 専門化された脳領域による並行処理 → 前頭葉での統合判断」**という階層的モジュール構造 ── が、本研究システムの設計指針として極めて有用であることが見出された。これは現役技術者の直感的提案として導かれた洞察であり、現代神経科学・認知科学の確立した知見と整合する。

13.2 人間認知の階層的モジュール構造

神経科学において、人間の脳が階層的かつモジュール化された情報処理アーキテクチャを持つことは確立した知見である（Mountcastle, 1978; Felleman & Van Essen, 1991）。

[感覚入力層]
  視覚 → 視覚野（後頭葉）
  聴覚 → 聴覚野（側頭葉）
  体性感覚 → 体性感覚野（頭頂葉）
  嗅覚 → 嗅球・嗅皮質
  味覚 → 味覚野

           ↓ 各モジュールが独立に処理

[中間統合層]
  頭頂連合野（空間的統合）
  側頭連合野（意味的統合）

           ↓

[最終統合層]
  前頭前野（PFC: Prefrontal Cortex）
  - 実行機能、意思決定
  - 抑制制御、ワーキングメモリ
  - 価値判断と社会的判断

           ↓

[行動・意識への出力]

この構造は並行分散処理（PDP）+ 階層的統合として、20世紀後半の認知神経科学の核心的発見である。

13.3 既存の関連 AI アーキテクチャ

本構造を AI で再現する試みは、現代 AI 研究の主要な流派を形成している:

アプローチ	代表的研究	本研究プログラムとの関連
Mixture of Experts (MoE)	Shazeer et al., 2017; GPT-4, Gemini, Mixtral	専門化サブネット + Gating
Multi-modal Fusion	CLIP (Radford et al., 2021), GPT-4V	異種入力の統合表現
Cognitive Architectures	ACT-R (Anderson, 1996), SOAR (Newell, 1990)	モジュール化された認知
Global Workspace Theory	Baars (1988), Dehaene (2014)	統合作業空間の理論
Predictive Processing	Friston (2010), Clark (2013)	階層的予測誤差最小化
Brain-Inspired AI	Numenta, DeepMind	脳の解剖学的構造を模倣

これらは個別の研究プログラムだが、共通の知的目標として「人間の認知構造をアルゴリズム化する」を持つ。この研究プログラムはこの流れに、東洋的人間観（仏教の煩悩論）と詐欺対策という具体的タスクを結合させる位置付けとなる。

13.4 本研究システムへの脳模倣アーキテクチャ適用

煩悩×詐欺ウイルスの統合判定システムを、脳模倣アーキテクチャとして再構成すると以下となる:

┌─────────────────────────────────────────────┐
│         脳模倣詐欺判定システム                  │
├─────────────────────────────────────────────┤
│                                              │
│  [視覚モジュール] ←─ 入力: スクリーンショット   │
│    機能: UI構造判定、ロゴ照合、              │
│         チャート画像の真贋判定               │
│                                              │
│  [言語モジュール] ←─ 入力: メッセージ文面      │
│    機能: 詐欺ウイルスシグネチャ照合、         │
│         AI による意味分析                    │
│                                              │
│  [行動モジュール] ←─ 入力: ユーザー操作履歴    │
│    機能: 異常パターン検出、                  │
│         焦り・執着の兆候推定                 │
│                                              │
│  [関係性モジュール] ←─ 入力: 接触経路情報      │
│    機能: SNS流入分析、相手身元評価           │
│                                              │
│  [時間モジュール] ←─ 入力: 会話の時系列        │
│    機能: 段階モデル位置推定、                │
│         長期パターン認識                     │
│                                              │
│       ↓ 各モジュールが独立に推論            │
│       ↓                                      │
│  ┌──────────────────────────────┐         │
│  │   統合層（前頭葉アナログ）       │         │
│  │  - 各モジュール出力の重み付け統合│         │
│  │  - 108煩悩のどれが活性化中か推定 │         │
│  │  - 全体としての詐欺確率算出      │         │
│  │  - 介入の必要度・タイミング判断 │         │
│  └──────────────────────────────┘         │
│       ↓                                      │
│  [出力: 警告 + 解釈 + 推奨アクション]         │
│                                              │
└─────────────────────────────────────────────┘

このアーキテクチャは、§4 で論じた小規模ニューラルネットワーク（GNN、VAE、Transformer）をモジュールごとに使い分け、上位層で統合する設計となる。具体的には:

視覚モジュール: 畳み込みネット (CNN) または Vision Transformer
言語モジュール: 小規模 Transformer (Swallow base)
行動モジュール: 時系列モデル (LSTM/Temporal Transformer)
統合層: グラフニューラルネット (GNN) または attention-based fusion

13.5 詐欺被害の神経科学的メカニズム

私の研究プログラムの理論的基盤として、詐欺被害が神経科学的にどう説明されるかを整理する。

確立した知見として、強い情動状態下では前頭前野（PFC）の活動が抑制されることが、機能的磁気共鳴画像法（fMRI）研究により実証されている（Phelps et al., 2014; Tom et al., 2007）。

詐欺成立のメカニズムは以下のように記述できる:

[1] 詐欺師が情動的圧倒を仕掛ける
    - 利得期待（貪欲を刺激）
    - 損失恐怖（不安を刺激）
    - 緊急性付与（焦りを刺激）
    - 信頼関係（孤独を刺激）

         ↓

[2] 扁桃体（情動中枢）が過活性化

         ↓

[3] 前頭前野の活動が相対的に抑制
    - 抑制制御の機能低下
    - ワーキングメモリの容量縮小
    - リスク評価の歪み
    - 長期的視点の喪失

         ↓

[4] 統合判断の機能不全
    - 「これは詐欺ではないか」という違和感が抑圧される
    - 部分的事実だけ受け入れ、全体像が見えない
    - 第三者意見を求める認知が起動しない

         ↓

[5] 通常なら回避するはずの行動を実行
    - 大金の送金
    - 警察相談の回避
    - 家族への秘匿

つまり詐欺被害は前頭前野の一時的機能不全として再定義可能である。これは Damasio (1994) の「身体性マーカー仮説」とも整合する: 前頭葉の機能不全は、感情と理性の統合を破綻させる。

13.6 External Prefrontal Cortex 概念

上記の理解から、本研究システムの役割について新たな定義が導かれる:

「PYOL マインドミラーは、機能不全に陥った被害者の前頭前野の代わりに、外部から統合判断を提供する装置である」

これを External Prefrontal Cortex（外部前頭葉、ExPFC） 概念と命名する。

ExPFC の機能要件:

機能	説明
多モダリティ統合	視覚・言語・行動・関係性・時間の各モジュールを統合
情動抑制下での代理判断	本人の PFC が機能不全でも、独立に動作
介入の最適タイミング判定	認知ロック完成前に介入できる時期を推定
解釈可能な出力	「なぜ警告するか」を本人が理解できる形式で提示
価値判断の代行	「これは詐欺の可能性」という価値判断を明示

この概念は、AI と人間の関係を**「自律的判断装置」ではなく「拡張された認知の一部」**として位置付けるものであり、神経倫理学・心の哲学にも新たな論点を提供する。

13.7 五感メタファーと「吟味」モジュール

人間の五感を詐欺コンテキストに翻訳すると以下のマッピングが得られる:

人間の感覚	詐欺対策における対応
視覚	偽プラットフォーム画面、業者ロゴ、ディープフェイク広告
聴覚	詐欺師の声、AI 合成音声、ビデオ通話
触覚	入金操作の身体的経験
嗅覚（直感）	メタ認知的違和感（「なんか変」）
味覚（吟味）	提示情報の真偽の慎重な評価

注目すべきは、詐欺師の戦略が 「視覚・聴覚・嗅覚的安心感」を過剰に刺激し、「味覚（吟味）」をスキップさせる ことに焦点を当てている点である。

ExPFC の核心的役割は、

「ユーザーが省略してしまった『吟味』モジュールを、外部装置として代行する」

ことにある。これは詐欺判定の哲学的核心の精密な定式化である。

13.8 汎用応用可能性

ExPFC 概念は詐欺対策に限定されない。前頭前野の機能不全による不適切な意思決定は、人間生活のあらゆる領域で発生する:

領域	同型の問題
投資	リベンジトレード、FOMO（取り残し恐怖）、損切り回避
健康	衝動的暴飲暴食、運動回避、医療相談の遅延
ギャンブル	「次は勝てる」依存サイクル
恋愛・配偶者選択	危険な相手の選択、DV関係からの離脱困難
カルト・宗教詐欺	高揚状態での全財産寄付
政治・社会	扇動への迎合、対立陣営への憎悪増幅
SNS	衝動的投稿、炎上、誹謗中傷
育児	感情的虐待、不適切な躾
高齢者	認知症初期の判断機能低下

これらすべてに ExPFC 的支援装置が有効である可能性がある。本研究は、**「人間の意思決定支援の基礎研究」**としての射程を持つことになる。

13.9 既存研究プログラムとの関係と学際的位置付け

私の研究プログラムは、伝統的に独立した複数の学問領域の交差点に立っている：

                    神経科学
                       ↑
                       │
  仏教哲学 ←──── 私の研究プログラム ────→ AI/機械学習
                       │
                       ↓
                    認知心理学
                       │
                       ↓
                  行動経済学 / 犯罪学

5 つの伝統的に独立した学問領域を結合する研究プログラムであり、いずれの単独学問でも到達できない問いを扱うことになる。具体的に関連する既存の研究プログラムを下に示す：

プログラム	機関	関連性
NeurIPS Workshops on Human-AI Decision Making	国際会議	直接的に関連
Affective Computing	MIT Media Lab	感情の計算的扱い
Brain-Inspired AI	DeepMind, Numenta	脳模倣手法
Cognitive Tutors	教育工学分野	外部認知支援の応用
Predictive Processing	Friston グループ	統合理論的背景
AI Alignment / Safety	Anthropic, OpenAI 等	人間の意図の理解
Neuroethics	神経倫理学	ExPFC の倫理的論点

私の研究プログラムの独自性は、これらを 「東洋的人間観 + 詐欺対策の具体的応用」 で統合する点にある。

13.10 研究プログラムへの含意

§7（実装ロードマップ）を、本節の知見を踏まえて補強する:

Phase 1 拡張: モジュール構造の事前設計

各「感覚モジュール」のスコープ定義
統合層のアーキテクチャ選定（attention-based fusion 推奨）

Phase 2 拡張: モジュール別プロトタイプ

まず各モジュールを独立に開発・評価
統合層は最後に追加

Phase 4 拡張: ExPFC 概念の論文化

詐欺対策論文と並行して、ExPFC 概念論文を別途投稿
神経倫理・AI Safety 学会への発表

13.11 哲学的・倫理的射程

ExPFC 概念は、人間とテクノロジーの関係について深い問いを提起する:

自律性の問題: 人間が AI の判断に依存することは、自律性の喪失か拡張か
責任の所在: ExPFC の助言を受けた決定の責任は誰にあるか
個人差: ExPFC の介入を望まない人の権利
悪用可能性: ExPFC が悪意ある主体に乗っ取られたら何が起きるか
依存形成: 人間自身の前頭葉が萎縮しないか
公平性: ExPFC へのアクセス格差が判断の質の格差を生まないか

これらは AI 倫理研究の主要トピックと重なり、私はこの研究プログラムの倫理的検討事項として継続的に扱っていく必要があると考えている。本節で挙げた論点は、§10.3（一般的倫理論点）および §14.12（煩悩ベクトル化固有の倫理論点）と相互に関連しており、最終的にはひとつの倫理ガイドラインに統合する予定である。

13.12 結論（§13）

詐欺対策を出発点とする本研究は、神経科学的に再構成すると、人間の意思決定を支援する外部装置（External Prefrontal Cortex）の構築という、より普遍的な研究プログラムとして再定義される。

仏教の煩悩タクソノミーは、この装置の出力語彙として機能する。すなわち、ExPFC が「あなたの今の状態は X 煩悩が活性化中」と説明することで、ユーザーが自己理解を深め、自律的な判断回復を促す。

これは AI を「ブラックボックスの判断装置」ではなく、**「人間の自己理解を助ける鏡」**として位置付ける哲学的立場である。マインドシード哲学「冷静な自分を取り戻す」の、最も深い技術的・倫理的実装と言える。

14. 煩悩ベクトル化と詐欺検知メカニズム（追補）

独立論考も公開している: 本 §14 の検知メカニズム核心部（14.1 / 14.2 / 14.3 / 14.6 / 14.7 / 14.11 / 14.12）は、Affective Computing + 詐欺検出実務者の読者向けに独立論考「煩悩埋め込みと詐欺検知メカニズム」として書き直して公開している。引用・批判には独立論考の方が適している。構想記録の §14 はより包括的で、実装アーキテクチャ（§14.8）や SNS インセンティブ構造（§14.10、§15 にも関連）も含む。

14.1 概念定義 ── 煩悩埋め込み空間

私は煩悩埋め込みを、以下のように 3 項関係として定義する：

f: (T, C, U) → V = (w₁, w₂, ..., w_n),  wᵢ ∈ [0, 1]

  T: 任意のテキスト
  C: 状況・文脈（時間帯、媒体、関係性、累積行動など）
  U: 個人の煩悩感受性プロファイル（§16.5 で詳述）
  V: n 次元の煩悩刺激ベクトル

    n = 9   ── 運用本線（三毒 × 3 小分類、v2.2 で確定）
    n = 108 ── 長期 vision（AI 進化と仏教学者校閲を待つ将来形）

ここで wᵢ は 「テキスト T が、状況 C のもとで、個人 U の煩悩ᵢ をどれだけ刺激するか」 の強度を表す。値域は [0, 1] に正規化する。§0.4 で示した「人間の状態 (T, C, U) → V」と完全に同じ写像である。次元数 n の段階的扱いは §17.10 Conformance Levels で定義する。

なお、本記録の初期版（v1.4 以前）では f を f: T → V として、T のみの関数として記述していた。しかし v1.7 で §16.5 を追補した際、判定はテキスト単体では完結せず、状況 C と個人 U によって V の値が変わる ── つまり 3 項関係である ことが明示化された。この §14.1 は v2.0 で 3 項関係に統一している。

この写像により、あらゆるテキストが**煩悩埋め込み空間（Bonno Embedding Space）**の一点として表現される（個人 U と状況 C をパラメータとして固定した場合）。

これは Word2Vec、BERT、CLIP 等で展開されてきた埋め込み表現学習の系譜に位置づけられるが、埋め込み空間の意味が「人間の心理的脆弱性」と直接対応している点が独自である。従来の埋め込みは「単語の意味的類似性」「画像とテキストの対応」等を学習するが、私の研究プログラムは「人間の感情への作用」を学習する。

14.2 詐欺判定の操作的定義

任意のテキスト T に対し、その詐欺確率 P(scam|T) は煩悩ベクトル V を介して以下のように分解される:

P(scam|T) = g(V(T), C(T), S(T))

ここで:

V(T): 煩悩刺激ベクトル
C(T): テキストの文脈情報（媒体、状況、相手）
S(T): 出典・発信源情報
g: これらを統合する判定関数

この分解により、詐欺判定はベクトル空間上のパターン認識問題に還元される。

14.3 詐欺ベクトルの特徴的シグネチャ

実証的観察と理論的考察から、詐欺テキストの煩悩ベクトルには以下の共通特徴があると考えられる:

特徴1: 特定煩悩への集中的刺激

複数の煩悩を穏やかに刺激するのではなく、特定の煩悩を強烈に刺激する。

正規テキストのベクトル:
  煩悩A: 0.3, 煩悩B: 0.2, 煩悩C: 0.4, ... 全体的に低～中

詐欺テキストのベクトル:
  煩悩A（貪欲）: 0.92 ★★★
  煩悩B（孤独）: 0.78 ★★★
  煩悩C（緊急性）: 0.85 ★★★
  煩悩X（その他）: 0.05～0.10

ベクトルの標準偏差を計算すると、詐欺は明らかに高い。

特徴2: 警戒煩悩の抑制パターン

詐欺は刺激と同時に、警戒に関連する煩悩を抑制する設計を持つ:

煩悩 抑制（負の刺激）:
  - 疑念: 「私を信じて」「秘密にして」
  - 慎重: 「今すぐ決めないと終わる」
  - 確認衝動: 「家族に相談しない方がいい」

これは正規広告には見られない**「抑制構造」**であり、詐欺の決定的特徴である。

特徴3: 矛盾する刺激の共存

「楽して稼げる」（貪欲刺激）+ 「リスクなし」（恐怖抑制）+ 「特別に教える」（社会性刺激）等、論理的に両立しない訴求の同時提示。正規の経済活動なら成立しない組合せが、詐欺では頻繁に観察される。

14.4 正規広告との区別 ── 単一基準の限界

煩悩刺激プロファイル単独では、正規広告と詐欺を完全分離できない。正規広告も煩悩を刺激するからである:

業種	主な刺激煩悩
化粧品	慢心、嫉妬、美への執着
ダイエット	不安、虚栄、自己嫌悪
不動産	安心欲求、地位欲、所有欲
自動車	慢心、自由欲求、優越感
投資信託	貪欲、不安、安心欲求
保険	恐怖、家族愛

これらは合法的なビジネス活動である。煩悩刺激だけを基準にすると、広告全般が「詐欺」と分類される過剰検出（false positive）が発生する。

14.5 複合的検査の必要性

過剰検出を避けるため、判定は多次元の複合的検査として設計される:

検査次元	内容
1. 煩悩ベクトル	刺激強度・パターン・抑制構造
2. 出典明示性	発信源の同定可能性
3. 文脈	公開投稿 vs 1対1 DM、媒体の種類
4. 行動要求	即時送金、口座開設、個人情報送付
5. 時間的パターン	緊急性付与、デッドライン
6. ネットワーク	同種投稿の集合、ボットらしさ

これらを統合する判定器 g により、詐欺と正規広告が高精度で区別される。

14.6 出典明示性の原則 ── 法令に基づく複合判定軸

本研究プログラムを支える観察:

「広告の出どころの団体名などが何もない広告であれば、広告とは言えないため、必ず何かの明示した会社名や団体名・アカウントなどがあると思います」

これは法的・規制的に重要な観察である。日本国内では:

景品表示法: 広告主の明示義務
特定商取引法: 事業者情報の表示義務
令和5年改正のステルスマーケティング規制: 広告である旨の明示義務

つまり正規の広告は、法的に発信源を明示することが義務付けられている。逆に言えば:

[発信源が明示されている] + [強い煩悩刺激] = 合法的広告
[発信源が不明確] + [強い煩悩刺激] = 詐欺の可能性が極めて高い

これは煩悩ベクトル単独より遥かに強力な判別軸である。この研究プログラムシステムは、煩悩刺激分析と出典分析を同時に行うことで、過剰検出を回避する設計を採用する。

具体的な出典確認項目:

項目	詐欺の特徴
会社名	なし、または架空
法人登記番号	なし
所在地	なし、または海外（米国/英国/香港装い）
連絡先	LINE/Telegram のみ、電話番号なし
金融庁登録番号	なし、または捏造
ウェブサイト	仮設置、運営者情報なし
プライバシーポリシー	なし、または機械翻訳
特商法表記	なし

これらの欠落は法令違反でもあるため、検出ロジックは法的根拠を持つ。

14.7 抽象レベルでの優位性

煩悩ベクトル化アプローチの戦略的優位性は、抽象レベルの一段上で戦う点にある:

[具体レベル] 詐欺師は手口を毎月変える
  ↓
[中間レベル] 言い換え・新名称・新プラットフォーム
  ↓
[抽象レベル ← 本アプローチ] 狙う煩悩は変えられない

具体的な詐欺手口がどう進化しても、最終的に人間の脆弱性を利用するという構造は不変である。この不変性を捉えることで、未知の手口にも対応できる検出システムが構築可能となる。

これは Toshi（松浦）の指摘する「枯れたロジック同士の組合せ」の典型例である:

仏教煩悩論（2,500年）
法令上の発信源明示義務（数十年）
パターン認識工学（70年）

三つの枯れたロジックの統合により、新しい問題（SNS型投資詐欺）に対抗する。

14.8 実装アーキテクチャ

本検出メカニズムの実装は以下の構成となる:

Step 1: 煩悩埋め込みモデル

Base Model: Swallow-13B（東工大・産総研）
  ↓
Fine-tuning:
  - 学習データ: (テキスト, 108次元煩悩タグ) のペア数千件
  - 損失関数: 多変量回帰または分類
  ↓
出力モデル: text → 108次元ベクトル

Step 2: 出典分析モジュール

入力: HTMLメタデータ、URL、画像内テキスト等
処理: ルールベース + 小規模分類器
出力: 発信源明示性スコア

Step 3: 統合判定器

入力:
  - 煩悩ベクトル (108次元)
  - 出典スコア
  - 文脈情報
  ↓
処理: 小規模ニューラルネット（数層、解釈可能）
  ↓
出力:
  - 詐欺確率
  - 主要刺激煩悩リスト
  - 「なぜ詐欺と判定したか」の説明

Step 4: 解釈レイヤー

ユーザー向け出力:
  「このメッセージは:
   - 貪欲を 87% 強く刺激しています
   - 慎重さを 12% 抑制しています  
   - 発信源（会社名・連絡先）が確認できません
   - 過去の殺豬盤型詐欺と類似度 89%
   → 詐欺の可能性が極めて高いです」

ブラックボックスではなく、判定根拠を提示する設計が私の研究プログラムの倫理的核心である。

14.9 汎用テキスト分類への応用

煩悩埋め込みは詐欺対策の枠を超え、人間の心理的影響を測定する汎用尺度として利用できると私は考えている。応用先は多岐にわたるが、ここでは私が現実的に優先したい 4 領域に絞って挙げておく：

優先	領域	応用内容
1	心理臨床・メンタルヘルス	クライアントの発話の感情分布解析。「執着駆動型」と「嫌悪駆動型」の抑うつ状態を区別するなど、治療アプローチ選択の補助となる
2	広告倫理・消費者保護	過度な煩悩煽り広告（不安・焦り・優越欲）の自動検出。詐欺対策と地続きの応用であり、私の研究プログラムの実装基盤が直接活きる
3	AI 生成テキストの倫理評価	LLM 出力に潜む煩悩バイアスの分析。AI Safety 研究との接続点として戦略的価値が高い
4	教育・後継者育成	説得力ある文章の構造解明。説明の上手な構造化、認知バイアスへの注意喚起など、20 年スパンで後継者を育てる文脈と整合する

その他にも、政治メッセージングのプロパガンダ構造解析、文学・芸術の心理構造比較、カルト・洗脳の説得構造検出、文化別の煩悩感受性の国際比較、「煽り」と「啓発」の境界線の倫理判定など、応用候補は広い。だが私は 20 年スパンの研究プログラムにおいて、まず上記 4 領域に焦点を絞る。

これは Affective Computing 研究の新しい基盤となり得る貢献だと考えている。

14.10 SNS事業者のインセンティブ構造

本研究プログラムに関連する観察:

「SNSは企業側としては炎上をしてくれる方が稼げるので、あまり止めることはないとは思いますけど」

これは現代インターネット経済の構造的真実である。SNS プラットフォームの収益モデルは:

ユーザーのエンゲージメント時間 → 広告表示回数 → 収益
       ↑
       │ 増幅する要因
       │
炎上、対立、強い感情、依存的視聴、煽り
       ↑
       │ 含まれる
       │
詐欺投稿、誤情報、扇動コンテンツ

つまり SNS 事業者は、煩悩を刺激するコンテンツから直接的に収益を得る構造にある。彼らに自主規制を期待するのは、構造的に矛盾している。

この観察から導かれる結論:

対策はプラットフォーム側ではなく、ユーザー側のツールで実装する必要がある

この研究プログラム（PYOL マインドミラー）は、まさにユーザー側のツールとして設計されており、この構造的問題への正しいアプローチである。

将来的には:

法規制によるプラットフォームの責任明確化
国際的なコンテンツ規制協調
広告収益モデル自体の代替案

等が必要となるが、それまでの間、ユーザー側のセルフディフェンスツールが現実的な唯一の対抗手段である。

14.11 過剰検出のリスクと対策

煩悩ベクトル化が強力すぎる場合、正規の経済活動・コミュニケーションが詐欺と誤判定されるリスクがある。これに対する対策:

対策	説明
出典明示性の確認（§14.6）	法的に登録された発信源は除外
文脈フィルタ	公開広告と1対1DMの区別
累積行動分析	単発ではなく一連の行動で判定
透明な誤判定報告	ユーザーが「誤判定」をフィードバック可能に
閾値の段階調整	強い警告 / 注意 / 情報提供の3段階
説明の徹底	なぜ警告したかを必ず提示

判定が**「ブロック」ではなく「警告」**である限り、誤判定の害は最小化される。最終判断はユーザーに委ねる設計が、倫理的にも実務的にも望ましい。

14.12 倫理的論点

煩悩ベクトル化技術の倫理的論点:

悪用可能性: テキストの煩悩刺激構造を理解する技術は、より巧妙な詐欺を作る道具にもなる
マニピュレーション検出 vs 表現の自由: どこまでが「詐欺」でどこからが「強い意見」か
文化的バイアス: 仏教的煩悩分類が、非仏教文化圏で適切に機能するか
個人のプライバシー: 個人の発言を煩悩分析することの倫理
AI による価値判断: 「あなたは貪欲を刺激されている」と AI が告げることの是非
依存リスク: ユーザーが自分の判断力を放棄しないか

これらは継続的な検討事項であり、私は開発と並行して倫理ガイドラインを整備していく。本節（煩悩ベクトル化固有の論点）は、§10.3（一般的・横断的論点）と §13.11（ExPFC 固有の論点）と相互に関連しており、最終的にはひとつの倫理ガイドラインに統合する予定である。

14.13 結論（§14）

煩悩埋め込みによるテキスト分析は、私の研究プログラムの 「人間の脆弱性を直接捉える」 という哲学的核心の、技術的実装メカニズムである。

特に重要な発見として:

特定煩悩の集中刺激 + 警戒煩悩の抑制という詐欺特有のシグネチャ
出典明示性との複合判定による過剰検出回避
抽象レベルでの戦略が変化する手口に対する強力な防御
SNS プラットフォームの構造的限界ゆえに、ユーザー側ツールが必須

本メカニズムは、§13 で導入した External Prefrontal Cortex 概念の具体的実装機構として位置付けられる。すなわち:

「テキストを煩悩ベクトルに写像し、その形状から心理的脆弱性への作用を可視化し、ユーザーの吟味モジュール（前頭葉機能）の代行を行う」

これが本研究プログラムの中核技術となる。

§15. 規模の経済と精密の経済 ── この研究プログラムの戦略的位置取り

15.1 出発点となる観察

私の研究プログラムの出発点には、現代 AI および生成 AI が「煩悩テキスト」をどう扱うかについての、次の観察がある:

「AIでも生成AIでも同じですよね。禁止用語の場合には、単語で簡単に弾いてきます。これは文面を見ればすぐ解決する問題でも、AIの計算リソースをあえて使いたくないという意図が見えます。」

これは単なる技術的観察ではない、と私は考えている。現代の大規模 AI / SNS プラットフォームが選択的に「浅い処理」を採用している経済的構造への洞察として読んでいる。ここではこの観察を、本研究プログラムの戦略的位置取りとして体系化しておきたい。

15.2 現代 AI における単語フィルタ依存の実態

大手の生成 AI（OpenAI, Google, Anthropic, Meta 等）および主要 SNS プラットフォーム（X, Facebook, Instagram, TikTok 等）が採用するコンテンツ判定は、典型的に 二層構造 で構成されている:

階層	処理内容	コスト（2026年5月時点）	精度
第1層: 単語/正規表現フィルタ	禁止語リスト、URL ブラックリスト、ハッシュ照合	極小（< 0.00001 円/件）	表層のみ
第2層: 機械学習分類器	軽量モデルによる二値/多値分類	小（〜0.001 円/件）	中程度
第3層（稀）: 文脈理解（廉価 LLM）	GPT-4o mini、Claude Haiku 3.5 等による意味解析	中（0.01〜0.1 円/件）	高
第3層（稀）: 文脈理解（高性能 LLM）	Claude Opus、GPT-5 等による深い解析	大（1〜10 円/件）	最高

実際の運用では、99% 以上のトラフィックが第 1〜2 層で処理され、第 3 層は限定的にしか発動しない。これは技術的限界ではなく経済的選択である。

15.3 経済構造分析：なぜ大手は深く読まないのか

仮に X（旧 Twitter）が 1 日のすべての投稿（推定 5 億件）を、廉価 LLM（0.05 円/件と仮定）で精査するとすると：

5 億件 × 0.05 円 = 2,500 万円/日
年間: 約 91 億円
これは X の年間広告収益（推定 3,000〜4,000 億円）の数 % 程度

数字だけを見れば「事業として成立しない」ほどではない。LLM 推論コストは 2024 年から 2026 年にかけて 1〜2 桁下がってきており、今後さらに下がっていく見込みである。だがここで私が強調したいのは、コストが下がっても構造的な障壁は別にある という点だ。次節（§15.4）で論じるインセンティブの非対称性こそが、その本体である。

なお、高性能 LLM（深い文脈理解、複数ターンの推論、出典照合など）を全件適用する場合は依然として 1 件あたり数円のオーダーであり、年間 1,000 億円台に達する。だが私の眼目は単価そのものではなく、SNS 事業者が煩悩刺激コンテンツから収益を得る構造にある。これは推論コストとは独立した制約として残り続ける。

さらに §14.10 で論じたように、SNS は煩悩刺激コンテンツから収益を得ているため、仮に深い分析が経済的に可能だったとしても、それを実装するインセンティブが構造的に乏しい。

15.4 大手の死角 ── やれるがやらない領域

ここから明らかになるのは、現代 AI の **「やれるがやらない領域」**が広範に存在することである:

領域	大手が浅い処理で済ませる理由	結果として残る課題
詐欺DM の文脈解析	1対1通信は規模が小さく注目度低い	殺豬盤詐欺の隆盛
煩悩・心理的操作の検出	表現の自由との境界が曖昧	巧妙な誘導が放置される
脆弱者（高齢者・孤独者）保護	セグメント別最適化のコスト	被害が特定層に集中
文化文脈依存の判定	日本語等の特定言語は ROI が低い	ローカル詐欺の見逃し
累積行動の長期追跡	データ保持と計算量が膨大	8段階詐欺手口に対応不能

これらは技術的に不可能ではない。経済合理性が立たないから実装されていない。

15.5 この研究プログラムの戦略的位置取り ── 精密の経済（Economies of Precision）

私の研究プログラム（PYOL マインドミラー）は、これとは正反対の経済原理に立つ:

軸	大手 AI / SNS（規模の経済）	PYOL マインドミラー（精密の経済）
処理対象	全世界の全コンテンツ	個別ユーザーが受け取った特定の文章
処理量	数十億件/日	数件〜数百件/日/ユーザー
単価コスト	0.0001〜0.001円	1〜10円
判定深度	単語・パターンマッチ	煩悩ベクトル + 文脈 + 累積行動
目的	違法・規約違反の排除	個人の脆弱性保護
最終判断者	プラットフォーム	ユーザー本人
スケール戦略	1 to all	1 to 1（深い）

鍵となる原理:

現代の AI は「規模の経済」に最適化されているため、「精密の経済」を捨てている。その捨てられた領域こそが、本研究プログラムの正当な活動領域である。

これは §3 で論じた私の「ミスマッチが相性いい」哲学の、最も明快な実例である。大手が広く浅くやる隣で、こちらは狭く深くやる。 この非対称性そのものが、この研究プログラムの戦略的優位性となる。

15.6 同型問題への応用可能性

「規模の経済 vs 精密の経済」の構図は、詐欺対策に限らず、社会の多くの領域で同型の問題として観察される:

領域	規模の経済（大手）	精密の経済（私の研究プログラム型）
医療	マス検診・標準診療	個別精密医療・個人病歴の深い読解
法務	一般約款・テンプレ契約	個別事案の深い検討
教育	マスカリキュラム	個別最適化された個人指導
メンタルヘルス	スクリーニング質問票	一人ひとりの文脈理解
児童保護	キーワード監視	関係性と発達段階の文脈読解
雇用ミスマッチ	求人マッチング	個人の長期キャリア構想理解

いずれも「大手が経済合理性で諦めた領域」であり、個別事案に深く入る AI ツールが決定的な価値を提供しうる。本研究プログラムで確立する手法は、こうした他領域への横展開の テンプレート となる可能性がある。

15.7 §14（煩悩ベクトル化）および §13（ExPFC）との接続

本節の戦略的位置取りは、この研究プログラムの他の節と密接に結びつく:

§14（煩悩ベクトル化）: これは「精密の経済」の具体的実装機構である。大手が単語フィルタで済ませる領域を、108次元の煩悩刺激構造として深く読む。
§13（ExPFC）: これは「精密の経済」によって可能となる、個人の前頭葉機能の外部代行である。マス AI には不可能だが、個別 AI には可能である。
§7（小規模ニューラルネットワーク）: 軽量・分散・個別最適という設計思想は、「精密の経済」を実現するためのインフラ的選択である。
§3（ミスマッチ思想）: 大手と真逆の方向に賭ける選択そのものが、ミスマッチ戦略の体現である。

つまり §15 は、私の研究プログラム全体の 戦略的フレーム を提供する位置にある。

15.8 戦略的含意

本節から導かれる実践的含意:

本研究プログラムは大手 AI と競合しない。 競合領域ではなく、大手が放棄した領域に存在する。
規模を追わない。 ユーザー数を追求するのではなく、一人ひとりへの深さを追求する。
単価コストを許容する。 1判定あたり数円のコストを払ってでも、深い分析を行う。
個別最適を旨とする。 ユーザーごとの煩悩傾向・脆弱性プロファイルに応じてカスタマイズする。
オープンソース化との親和性。 規模の経済を狙わないため、コードを公開しても競争上不利にならない。むしろ社会的価値が増す。
政策提言の根拠となる。 「大手は構造的にこの問題を解けない」という分析は、ユーザー側ツール支援の政策的正当性となる。

15.9 結論（§15）

私が直感的に捉えた「AI が単語で簡単に弾く」という観察は、現代 AI 経済の根本構造を露わにしている。規模の経済に最適化された大手 AI には、構造的に立ち入れない領域がある。 その領域こそ、人間の煩悩・脆弱性・文脈・関係性が問題となる、最も人間的な領域である。

この研究プログラムは意図的にその領域に立つ。規模を捨てて精密を選ぶ。広さを捨てて深さを選ぶ。マスを捨てて個別を選ぶ。

これは経済合理性の放棄ではなく、異なる経済原理の選択である。そしてこの選択は、AI 時代における人間の尊厳を守る、最も現実的な道の一つである。

大手 AI が広く浅くやる隣で、私たちは狭く深くやる。その非対称性こそが、私の研究プログラムの正当な存在意義である。

Appendix A: 用語集 ── 私の研究プログラム独自用語と一般的な専門用語

初見の読者は、本文を読み始める前にこの用語集に目を通すと、私の独自用語（「煩悩」「三毒」「ExPFC」「煩悩ベクトル」「精密の経済」「ミスマッチ思想」など）の意味が早く取れるはずである。

なお「ウイルス」という語は、本記録ではコンピュータウイルス（malware）のメタファーで用いており、生物学的ウイルス（病原体）の意味ではない。私はコンピュータセキュリティ業界が 30 年かけて積み上げてきたシグネチャ検知・ヒューリスティクス・ワクチン（事前免疫）の方法論を、詐欺対策へ転用するために、このメタファーを採用している。

用語	定義
煩悩	仏教において、人間を苦しめる根源的な精神状態。心の働きとして108に細分化される
殺豬盤	中国語「豚を屠殺するように人を太らせる」。SNS型投資詐欺の国際呼称
Pig Butchering Scam	殺豬盤の英語表記
ウイルス（本研究での定義）	検出可能なシグネチャを持ち、特定の煩悩を狙うように設計された詐欺タクティクス
三毒	仏教における人間の苦の根源：貪（欲望）、瞋（怒り・不安）、癡（無知）
ミスマッチ思想	異分野の予期せぬ結合が最強の差別化を生むという、私がサムスンSDS時代に得た経験則
Affective Computing	計算機による感情の認識・処理・生成を扱う研究分野
Swallow LLM	東京工業大学 + 産業技術総合研究所が開発する、日本語特化のオープンソース大規模言語モデル
External Prefrontal Cortex (ExPFC)	本研究プログラムの中核概念。情動により機能不全に陥った人間の前頭前野の代わりに、外部から統合判断を提供する AI 装置
前頭前野 (PFC)	脳の前頭葉前部、意思決定・抑制制御・ワーキングメモリを担う
Mixture of Experts (MoE)	専門化されたサブネットワーク群と、入力に応じてどれを使うか決める gating 機構からなる AI アーキテクチャ
脳模倣アーキテクチャ	脳の解剖学的・機能的構造を参考にした AI システム設計
五感メタファー	詐欺対策における視覚・言語・行動・関係性・時間モジュール群を、人間の五感に対応付けた表現
吟味モジュール	情報の真偽を慎重に評価する認知機能。詐欺師が意図的にスキップさせる対象
煩悩埋め込み (Bonno Embedding)	テキストを 108次元の煩悩刺激ベクトルに写像する表現学習
詐欺シグネチャ	詐欺テキストに共通の煩悩ベクトル特徴: 特定煩悩集中刺激 + 警戒煩悩の抑制
出典明示性	広告・情報の発信源（会社名・連絡先・登録番号）の確認可能性。詐欺と正規広告の重要な判別軸
抑制構造	詐欺特有の特徴。刺激（貪欲・孤独）と同時に警戒煩悩（疑念・慎重）を抑制する文章設計
過剰検出 (False Positive)	正規の経済活動・通信を詐欺と誤判定すること
炎上経済学	SNSプラットフォームが煩悩刺激コンテンツから収益を得る構造のため、自主規制が機能しないという観察
規模の経済 (Economies of Scale)	大量処理による単価低減を追求する経済原理。大手 AI / SNS が採用する基本モデル。広く浅く・自動で・単価極小
精密の経済 (Economies of Precision)	個別事案への深い処理に価値を見出す経済原理。この研究プログラムが立つ位置。狭く深く・個別最適・単価許容
単語フィルタ依存	大手 AI / SNS が経済合理性ゆえに、深い文脈解析を避け表層的な禁止語マッチで済ませている運用実態
やれるがやらない領域	技術的には可能だが経済合理性が立たないため大手が実装しない領域。詐欺DM 文脈解析、煩悩検出、脆弱者保護等
戦略的位置取り	大手が規模の経済ゆえに放棄した「精密の経済」領域に意図的に立つ、私の研究プログラムの戦略選択
1 to 1（深い）スケール	一人ひとりに対して深い処理を行うスケーリング戦略。1 to all（浅い）と対照される

Appendix B: データソース一覧（再掲）

[本文 §6 を参照]

Appendix C: 候補論文タイトル

「煩悩タクソノミーと詐欺ウイルスの統合データベース：人間感情の構造的理解に向けた東西融合の試み」
「Bonnō-Virus Mapping: A Buddhist-Engineering Framework for SNS-Investment Fraud Detection」
「煩悩埋め込み空間：詐欺被害学から見た人間感情の機械学習表現」
「東洋的人間理解と AI 安全性：詐欺対策を出発点とした研究プログラム」

Appendix D: 段階的公開戦略に関する所見（2026-05-13 AIとの対話より）

私が AI（Claude Opus 4.7）に「本研究はやる価値があるか」を率直に問うた際の、AI 側の評価記録。決定事項ではなく参考所見として記録しておく。

E.1 AI 側の価値評価サマリ

節	AI の評価	理由
§15 規模の経済 vs 精密の経済	最も強い	詐欺対策を超えた AI 社会論として独立した貢献になりうる。大手 AI の構造的死角を経済学的に定式化した論考は十分に体系化されていない。医療・教育・法務への横展開を示す §15.6 が汎用フレームに格上げしている
§14 煩悩埋め込み	強い	既存の感情計算研究（Ekman / PAD / Plutchik / Big Five）に対する東洋的代替案として、文化心理学・HCI 領域で注目可能性。108次元は欧米モデルでは捉えきれない解像度
§13 ExPFC	興味深い	現在の AI アラインメント議論にない人間中心の補完関係フレーム

E.2 注意すべき点（AI 側からの率直な指摘）

108 煩悩を機械学習の特徴量に落とすには、宗教用語の 操作的定義（operational definition） の確立に膨大な工数がかかる。宗教学者・心理学者との協業が事実上必須。一人で完成形は現実的でない
「世界初」「画期的」を主張するには、既存研究（manipulation detection, persuasion mining, social engineering detection, computational rhetoric）との緻密な比較が要る。文献調査だけで半年〜1年
単独・無資金・20年スパンを全部やり切るのは厳しい。優先順位付けが必要

E.3 推奨される段階的公開戦略（AI からの提案）

§15 → §14 → §13 の順で部分公開していくことが、現実的かつ価値最大化のルートとされた。理由:

§15 は概念単独で論文化できる強度がある（実装依存度が低い）
すでに PYOL マインドミラーという実動アプリが存在し、実証ベンチとして使える
半年〜1年で §15 の論文化が射程に入る
§14、§13 は §15 の枠組みの中で順次補強できる

E.4 私自身への警句

完璧を目指さず、部分を確実に世に出す。

これが 20年スパンで一番効くという、AI 側からの戦略助言。CineBASIC 開発時に経験された「生成 AI の揺らぎに負ける」罠は本研究プログラムにも待ち構えており、完成形を一度に作ろうとしないことが鍵となる。

E.5 留保

上記は AI による外部視点であり、私が同意する義務はない。研究の方向性・優先順位は最終的に私の判断による。次回のセッションで改めて議論し直す予定。

§16. 実装上の課題と対応戦略（追補）

16.1 はじめに ── なぜ本章を加えるか

この §16 は、構想記録 v1.4 を私自身が読み返した際に改めて意識化された「実装フェーズで必ず壁になる本質的な課題」を、率直に記録するために設けている。

この研究プログラムは 20 年スパンであり、また §15 で論じたとおり「精密の経済」に立つ以上、私は性急な実装に走るつもりはない。完成形を一度に作ろうとせず、まず課題を率直に認識し、対応戦略を仮説として持ち、検証を通じて精度を上げていく。この §16 はその出発点として、「ツッコミを受けそうな課題は私自身がすでに認識している」という姿勢を明示しておきたい。

以下、3 つの課題について、（1）課題の所在、（2）対応戦略、（3）残る論点の構成で記す。各対応戦略は仮説段階であり、確定された解決策ではない。

16.2 課題 1: 108 次元埋め込みの直交性・疎性問題

16.2.1 課題の所在

§14.1 で導入した煩悩埋め込み f: (T, C, U) → V (108 次元) について、108 次元が数学的に独立（直交）しているとは限らない。多くの煩悩は意味的に強く重なる：「貪欲」と「執着」、「慢心」と「優越欲」、「焦り」と「不安」など。これを単純に独立した 108 次元として扱うと、機械学習モデルは多重共線性のような状態に陥り、特定の感情トリガーを正確に分離・特定できないリスクがある。

さらに深刻なのがラベル付けの一貫性問題である。同じ詐欺テキストに対して、複数のアノテーターが「これは貪欲か執着か」で判断が割れた場合、教師データそのものがノイジーになる。Appendix D.2 で AI が指摘した「宗教用語の操作的定義の確立に膨大な工数がかかる」問題の、最も具体的な現れ方がここである。

16.2.2 対応戦略 ── 階層的埋め込み構造

108 次元の独立性を最初から要求するのではなく、階層構造として構築する：

Level 1（3 次元）: 三毒（貪・瞋・癡） ── 基底ベクトル
                                    アノテーター間合意が最も取りやすい

Level 2（9〜20 次元）: 中分類
                       基本（v1.8 で確定）: §0.4.5 の 3×3 ミニマムモデル（9 次元）
                         貪 → 欲貪・色貪・無色貪
                         瞋 → 忿・恨・悩
                         癡 → 無知・倶生・分別
                       拡張例: 貪 → 物欲、地位欲、性欲、安心欲、貯蓄欲、優越欲 など
                       仏教学者校閲後に Level 2 の最終次元数を確定

Level 3（108 次元）: 詳細分類 ── 専門家校閲を経た最終形

Level 2 の起点となる 3×3 ミニマムモデルは §0.4.5 で導入し、§4.3.0 で計算論的な組み込み方を定義している。

学習戦略は coarse-to-fine カリキュラム学習：まず Level 1 で安定した分類器を作り、徐々に下位階層の解像度を上げる。技術的には Hierarchical Multi-label Classification、または階層構造に強い表現を学ぶ Poincaré Embedding (Nickel & Kiela, 2017) と相性が良い。

アノテーション作業も「三毒のどれに属するか」から始められるので、複数アノテーター間のカッパ係数（評定者間一致度）を確保しやすい。Level 1 で κ > 0.7 を達成してから Level 2 に進む、という運用ルールを敷く。

16.2.3 残る論点

階層化しても Level 3（108 次元）に到達した時点で多重共線性が残る場合、PCA で実効次元を測る、L1 正則化で sparse 解を強制する等の追加処理が必要
仏教学者と心理学者の合意点が文化や流派により異なる可能性（仏教大、駒澤大、龍谷大の異なる流派の見解を統合できるか）
三毒分類自体が現代心理学の Big Five や PAD モデルとどう対応するかの問題は別途検討が必要

16.3 課題 2: 詐欺手口の動的変化への追従

16.3.1 課題の所在

§14.7 で「煩悩は不変、手口は可変」と論じたが、これは戦略レベルの議論であり、運用レベルの実装ディテールには触れていない。詐欺手口（ウイルス）は §3.2 で記したように初回観測日から最終観測日までの寿命を持ち、月単位で変異する。学習データは観測時点の過去のものであり、新しい変異型に対しては**破滅的忘却（catastrophic forgetting）**や Dataset Shift（訓練分布と実運用分布のずれ）が発生する。

GNN（§4.3.1）でモデル化する場合、煩悩ノードは固定できても、煩悩 ↔ ウイルスのエッジは動的に更新される。リアルタイムでの再学習コストをいかに抑えるかが運用上の焦点となる。

16.3.2 対応戦略 ── 不変層と可変層の 2 層分離

層	内容	再学習頻度
不変層	煩悩埋め込み（人間心理は世代単位で変わらない）	年単位
可変層	具体ウイルス検出（手口は月単位で変異）	月単位

増分学習（Incremental Learning）による更新コスト削減：

Replay Buffer: 過去ウイルスデータを保持してリハーサル学習で破滅的忘却を防ぐ
Elastic Weight Consolidation (EWC) (Kirkpatrick et al., 2017): 重要パラメータを保護
GraphSAGE (Hamilton et al., 2017) のサンプリング機構で部分グラフのみ再訓練

§4.2 で選択した「小規模 NN」がここで効く。Swallow-13B のような重いベースは四半期更新で済ませ、上に乗せる detection head（数 MB〜数百 MB）を月次で再訓練する 2 段構成にすれば、§8.3 で想定した GPU クラウドコスト月 5〜20 万円の予算内で回せる見通しが立つ。

さらに、シグネチャ層と構造分析層の併用：

シグネチャ層: 明示的なウイルス DB、バージョン管理、新規発見時に追加
構造分析層: 煩悩ベクトル + 抑制パターン（§14.3 のシグネチャ的特徴）── 不変

未知の手口でも構造分析層が「特定煩悩集中刺激 + 警戒煩悩抑制 + 矛盾刺激の共存」のシグネチャを捉えれば検出できる。これがアンチウイルス工学（§2.4）の知恵を私の研究プログラムが転用する具体的な形である。

16.3.3 残る論点

増分学習による精度劣化の累積をどこで検知するか（モデルの「賞味期限」評価指標の設計）
詐欺集団が本研究公開後に「煩悩シグネチャを意図的にぼかす」対策を取った場合の追従戦略
個別ユーザー単位での個人化（personalization）と汎化のトレードオフ

16.4 課題 3: ExPFC 介入タイミングのパラドックス

16.4.1 課題の所在

§13.6 で導入した ExPFC は、感情圧倒下のユーザーの PFC を外部から代行する装置である。しかし、認知心理学的事実として、人間は感情が高ぶっている時ほど外部からの論理的アドバイスを拒絶・無視する傾向がある。ドーパミン放出下にあるユーザーに、ExPFC が「これは詐欺の可能性が高い」と警告しても、その声は届かない可能性が高い。

§14.11 では「ブロックではなく警告」「最終判断はユーザー」と方針を示したが、この方針は実効性の問題に直面する。警告が届かなければ、ExPFC の存在意義そのものが揺らぐ。

16.4.2 対応戦略 ── 段階的介入 + ユリシーズ契約 + 第三者通知

段階的介入モデル：

段階	スコア	介入内容
Tier A（情報提供）	低	さりげない注意表示、ユーザーは無視可能
Tier B（強い警告）	中	視覚的に強く割り込み、明示的な確認ダイアログ
Tier C（無条件ブロック + 冷却期間）	高	24 時間自動ブロック、冷却期間経過後に解除可能

Tier C の根拠は 「冷却期間によって PFC が回復してから判断させる」 という認知科学的アプローチである。銀行の「24 時間振込制限」と同じ思想。

ただし無条件ブロックは §13.11 の「自律性の問題」と衝突する。これに対する解は ユリシーズ契約（Ulysses Contract）の現代版：

登録時にユーザーが選ぶ:
  「平常時の私（PFC が機能している私）は、
   情動圧倒下の私が判断ミスをしないよう、
   ExPFC に Tier C 発動権を委任する」

オデュッセウスがセイレーンの歌に引き寄せられないよう、自ら事前に帆柱に縛らせた故事に倣う。「平常時の自己」が「情動圧倒下の自己」を保護する事前契約として、自律性そのものから委任権が派生する形になる。日本の成年後見制度の任意後見と同じ思想構造である。

並行戦略として 第三者通知：高スコア時に事前登録した家族・友人に自動通知。「あなたのお父様が、詐欺の可能性が高い取引を開始しました」。§1.2 で論じた「SNS 型詐欺は物理的第三者の介入を構造的に無効化する」状況に対し、ExPFC 経由で第三者を呼び戻すこと自体が対抗策となる。

UI/UX の設計核心は、警告の「言葉」ではなく 「自分が事前に書いた手紙」を見せること：「ドーパミン放出中の今のあなたへ。1 ヶ月前の冷静なあなたが、こう書きました」── 第三者の声ではなく、過去の自己の声として届ける。これは行動経済学の Commitment Device の応用である。

16.4.3 残る論点

ユリシーズ契約のオプトイン率が低い場合（多くのユーザーが Tier C を委任しない場合）、Tier C は実装する意味があるか
第三者通知が逆に詐欺師の標的を家族に拡張するリスク（家族なりすまし詐欺など）
「過去の自己の手紙」が、長期使用後に「もはや今の自分とは違う」と感じられる場合の有効性低下
ブロック解除後の再発（24 時間後にやっぱり振り込んでしまう）への対策

16.5 課題 4: 個人化問題と煩悩感受性プロファイル（v1.7 で追補）

16.5.1 課題の所在

§14.1 で導入した煩悩埋め込み f: T → V (108 次元) は「テキストを 108 次元の刺激ベクトルに写像する」ものとして定義した。しかし私が構想記録の英訳作業中に意識化した重要な問題として、実際の詐欺判定は「文章単体」では完結しないことがある。

同じ詐欺文章でも、受け手の心の傾向によって刺さる煩悩が異なる：

孤独な人 → ロマンス詐欺型が効く（孤独煩悩への共鳴）
将来不安が強い人 → 投資詐欺型が効く（不安煩悩への共鳴）
承認欲求が強い人 → 「特別扱い」型が効く（慢心煩悩への共鳴）
怒りを抱えている人 → 陰謀論・対立扇動型が効く（瞋煩悩への共鳴）

つまり実際の判定は 3 項関係 であり、§14.1 の写像定義は次のように発展させる必要がある：

g: (T, C, U) → (P_scam, V_active)

  T = テキスト
  C = 状況・文脈
  U = その個人の煩悩感受性プロファイル
  P_scam = 詐欺確率
  V_active = 主要に活性化される煩悩のリスト

ここで U は単なる属性データ（年齢、性別、職業）ではなく、その個人の心の内側にある「煩悩感受性プロファイル」 である。これはラベル付けや行動観察だけでは完全には捉えきれない、内面情報の不完全観測問題 である。

§14.2 で P(scam|T) = g(V(T), C(T), S(T)) と書いた式は、文章 T を介して V を生成する形だったが、より正確には：

P(scam) = g(V_text(T, C), V_user(U), context)

つまり「テキストの煩悩刺激プロファイル」と「ユーザーの煩悩感受性プロファイル」の共鳴（resonance）として詐欺判定を捉える必要がある。両者の煩悩ベクトルが特定の煩悩で同時に高い値を取るとき、詐欺は最も効く。

16.5.2 対応戦略（複合アプローチ）

戦略 A: 段階的個人化（progressive personalization）

新規ユーザーは「平均的な感受性プロファイル」から開始し、ユーザーの行動・反応・自己申告から段階的に U_i を更新していく：

Phase 0: U = 平均プロファイル（一般的な煩悩感受性）
Phase 1: 基本情報入力（任意の自己申告）── 「現在不安が強い」「孤独を感じる」等
Phase 2: 行動観察（クリック、滞在時間、警告反応）から推定
Phase 3: 累積データから精度を上げる

これは推薦システムの cold-start 問題への古典的対応と同じ構造。完璧な個人化は最初からは不可能だが、段階的に精度を上げる。

戦略 B: 自己申告型の煩悩プロファイリング

ユーザーが「最近の心の傾向」を任意に申告する仕組み：

ご自身の最近の状態（任意、いつでも変更可）：
☐ 経済的な不安が強い
☐ 配偶者・家族との関係に悩んでいる
☐ 仕事で承認されていないと感じる
☐ 強い怒りや不満を抱えている
☐ 孤独を感じる
☐ 健康への不安が強い
☐ 安心して生活している

申告内容はその時点での個人化判定に使われ、いつでも変更・削除可能。「煩悩を語る」という行為自体が、§13 ExPFC の「自己理解の鏡」機能に直結する。ユーザーは詐欺判定の精度向上に協力すると同時に、自己理解を深める。

戦略 C: ユーザー本人のためのレポートとしての設計

煩悩感受性プロファイルは「AI が判定するためのデータ」ではなく「ユーザー本人が自分を理解するためのレポート」として位置付ける：

個人化データは原則としてユーザー本人のローカル端末にのみ保存
サーバーには集約された統計のみ（プライバシー優先）
ユーザーは自分のプロファイルをいつでも見て、編集・削除可能

この設計は §0「人間の自己理解の鏡」という研究プログラムの根本目的と直接整合する。

16.5.3 残る論点

完全な内面観察は原理的に不可能: 行動観察と自己申告では捉えきれない深層情報（例：本人も自覚していない欲望、抑圧された感情）への対応
時間変化: 煩悩感受性は時間と共に変化する（人生イベント、健康状態、年齢、季節）── 静的プロファイルの限界
倫理問題: 個人の心の内側を AI が「理解する」ことの倫理的境界
悪用可能性: 煩悩感受性プロファイルが流出した場合の被害（標的型詐欺の精度向上）── §14.12 で論じた悪用リスクの個人化版
§13 ExPFC との接続: ExPFC は「機能不全の PFC を代行」するが、代行の精度は U の精度に依存する
§16.2 階層的埋め込みとの相互作用: U も三毒（3 次元） → 中分類 → 108 次元の階層構造で持つべきか

16.5.4 私自身のメタ気付き（v1.7 で記録）

本課題は、私が構想記録の英訳作業中に意識化された。「AI に全部任せていたら見落としそうになる大切なこと」というメタな観察そのもの が、§0「煩悩としての人間性」「自己理解の鏡」という研究プログラムの根本目的と同じ構造を持つ。

研究プログラムが扱う「人間理解の不完全性」は、研究プログラム自身の「観察の不完全性」と同型である。つまり、本研究プログラムは 自己反復的（self-referential）な健全性 を持つ：人間の煩悩感受性を完全には捉えきれないという限界を、研究自身が認識し、その限界自体が研究のテーマとなる。

これは §0.6 で示した三階層構造（Level 1 方法論 / Level 2 戦略 / Level 3 応用）に加えて、Level 0 = 自己反省的階層（self-reflective tier）の存在を示唆する。研究プログラムが自分自身を観察対象として含み込む、再帰的な構造である。

16.6 結論（§16）

この §16 は、完璧な解決策の提示ではない。「課題は私自身が認識している」という姿勢の明示である。

ここで論じた 4 つの課題はいずれも、構想記録 v1.4 の戦略レベルでは触れていたが、実装フェーズの運用ディテールとしては薄かった部分だ。特に §16.5 の個人化問題は、英訳作業を通じて私が初めて意識化したもので、研究プログラム自身の自己反省的階層（Level 0）を示す重要な発見だと考えている。この研究プログラムが 20 年スパンであり、§15 で論じた「精密の経済」に立つ以上、私は性急な実装に走らない。Appendix D.4 の AI 助言「完璧を目指さず、部分を確実に世に出す」と整合する形で、ここでの記述自体も暫定版である。検証と協力者との対話を通じて、精度を上げていく。

各課題に対する対応戦略は、いずれも既存技術（階層的埋め込み、増分学習、ユリシーズ契約、段階的個人化）の応用であり、新規発明を要しない。これは私の研究プログラムが「枯れた技術を必要十分な規模で使う」哲学（§4.2）と整合する。

最後に、ここでの記述は、本研究プログラムの 健全さの証拠 でもあると考えている。構想を世に出した直後に、批判可能な穴を私自身が指摘できることは、研究プログラムが「自己批判的な健全な反省機能」を内蔵していることの示しだと私は思う。これは AI Safety 研究全般において重要な姿勢であり、この研究プログラムが扱う「人間の脆弱性を構造化する」テーマと、研究そのものの「自己脆弱性を構造化する」姿勢は同型である。§16.5 で示した自己反復的な構造は、まさにその例だ。

§17. ExPFC Core Specification v0.1（2026-05-18 で新設）

§17 は、本研究プログラムの中核（Core）部分の技術仕様である。アプリ開発は私の作業範囲外と決め、コアの API 契約と参照実装言語（Python）を定義する。アプリ開発者は、この仕様に準拠した独自実装を、それぞれの目的（消費者保護、医療、教育、神経倫理研究など）に合わせて作ることができる。

17.1 設計哲学 ── なぜ「コア」だけを作るのか

私はスマホアプリ開発の経験を持っており、いくつかは実際に世に出している。だが、ExPFC のアプリそのものを私が作るつもりはない。20 年スパンの研究プログラムにおいて、アプリ開発に時間を使うのは、私の限られた時間の使い方として「もったいない」と判断している。

私が作るべきは、次の 5 つの構成要素である：

煩悩オントロジー（108 次元の定義）
煩悩埋め込み関数 f: (T, C, U) → V
詐欺検知アルゴリズム（3 つの指紋 + 出典明示性）
U プロファイルスキーマ
上記を呼び出すための API 契約

この 5 つを「ExPFC Core」として定義し、参照実装（Python）と一緒に公開する。アプリ開発者は、好きな OS・好きな UI で、このコアをラップした実装を作ればよい。Android のアクセシビリティ常駐サービス、iOS の Share Sheet 連携、Web ブラウザ拡張、デスクトップ常駐デーモン ── いずれも、同じコアの上に立つ実装として共存できる。

これは W3C と Web ブラウザの関係と同じ構図である。W3C が HTML を仕様として書き、Chrome / Safari / Firefox / Edge が独自実装する。私が ExPFC Core 仕様を書き、複数の実装が世に出る。20 年スパンで残るのは、特定のアプリではなく、仕様と語彙とオントロジー である。

17.2 アーキテクチャの階層

ExPFC は二層構造として設計する：

┌──────────────────────────────────────────────────────┐
│  App Layer（他者の作業領域）                            │
│                                                       │
│  ・Android アクセシビリティ常駐サービス                  │
│  ・iOS Share Sheet / SMS Filter                       │
│  ・Web ブラウザ拡張                                    │
│  ・デスクトップ常駐デーモン                             │
│  ・出力モード A/B/C/D の UI                            │
│  ・家族へのステルスメール送信機構                       │
│  ・多言語 UI 文言                                      │
└──────────────────────────────────────────────────────┘
              ↑ Input API           ↓ Output API
┌──────────────────────────────────────────────────────┐
│  ExPFC Core（私の作業領域）                            │
│                                                       │
│  ・Bonnō Ontology（108 次元、JSON/YAML）              │
│  ・Bonnō Embedding 関数 f: (T, C, U) → V             │
│  ・Three-Signature Detector                          │
│  ・Source Attribution Checker                        │
│  ・Integrated Judgment 関数 g(V, C, S)               │
│  ・U Profile Schema（JSON Schema）                   │
│  ・Reference Implementation (Python)                 │
└──────────────────────────────────────────────────────┘

入力 API と出力 API という 境界線（API 契約） をきっちり定義することが、コアとアプリを切り離すための鍵である。

17.3 設計判断 ── v0.1 で確定する 4 点

私が現時点で確定した設計判断は次の通りである：

項目	決定	理由
入力の最小要件	テキスト T 単体で動作	アプリの取得能力に依存しない設計。状況 C は取れたら使う
U プロファイル	必須入力（精度確保のため）	詐欺判定が (T, C, U) の 3 項関係であるため。未入力時は anonymous baseline U にフォールバック
出力の説明文	含めない（数値とラベルのみ）	多言語 UI とトーン設計はアプリ責任。コアは言語非依存
参照実装言語	Python	学術コミュニティへの届きやすさ、ML エコシステムの厚み、移植しやすさ

17.4 Bonnō Ontology

煩悩オントロジーは、本記録の §0.4.5（3×3 ミニマムモデル）と §4.3.0（V_min ∈ ℝ⁹）で導入した階層構造をベースとする：

Level 1: 3 次元（三毒）
Level 2: 9〜20 次元（3×3 ミニマムモデル + 拡張）
Level 3: 108 次元（最終形、専門家校閲後）

オントロジーは、コアと一緒に 別ファイル（bonno_ontology.yaml） として公開する。各次元について、以下のフィールドを持つ：

- id: greed_desire        # 一意 ID（snake_case）
  level: 2                # 1 (三毒) / 2 (9〜20) / 3 (108)
  parent: greed           # Level 1 の親
  name_ja: 欲貪           # 日本語名
  name_sa: kāma-rāga      # サンスクリット
  name_en: desire-craving # 英語名
  definition_ja: |
    形ある対象（金銭、物質、地位等）への即時的な欲求。
  definition_en: |
    Immediate craving toward concrete objects ...
  source_canonical:
    - text: 阿毘達磨倶舎論
      chapter: ...
  computational_interpretation: |
    報酬機構の即時性（discount rate が高い）。
  related_modern_psychology:
    - Big Five: ...
    - PAD: ...

このオントロジーが、すべての実装の 共通語彙 となる。仏教学者の校閲を受けるべきはここである。

17.5 The Embedding Function f

参照実装の関数シグネチャ（Python）：

from typing import Optional
from dataclasses import dataclass
from datetime import datetime

@dataclass
class Context:
    """C: 状況・文脈情報。すべてのフィールドが Optional"""
    medium: Optional[str] = None        # "sms" | "line" | "email" | ...
    timestamp: Optional[datetime] = None
    sender_info: Optional[dict] = None
    conversation_history: Optional[list[str]] = None

@dataclass
class UserProfile:
    """U: 個人煩悩感受性プロファイル。schema_version 必須"""
    schema_version: str                 # "0.1"
    profile_data: dict                  # §17.7 で定義

BonnoVector = list[float]               # 9 or 108 次元、各値 [0, 1]

def bonno_embed(
    text: str,
    user_profile: UserProfile,          # 必須
    context: Optional[Context] = None,  # オプション
    *,
    level: int = 2,                     # 1: 3次元 / 2: 9次元 / 3: 108次元
) -> BonnoVector:
    """
    テキストを煩悩刺激ベクトルに写像する関数 f。

    Args:
        text: 解析対象テキスト T
        user_profile: 個人煩悩感受性プロファイル U（必須）
        context: 状況・文脈 C（None なら text のみで判定）
        level: 出力次元のレベル（Conformance Level §17.10 参照）

    Returns:
        次元数 × [0, 1] の煩悩刺激ベクトル V
    """

user_profile が未取得のアプリのために、Anonymous Baseline U という標準プロファイル（人口統計の中央値で構築）を Core が提供する。これにより、最小入力 = text のみでも動作する設計が両立する。

17.6 Three-Signature Detector と Source Attribution Checker

3 つの指紋（§14.3 参照）を検出する関数：

@dataclass
class SignatureFireReport:
    signature_type: str    # "concentration" | "suppression" | "incompatibility"
    score: float           # [0, 1]
    fired: bool            # threshold 超え

def detect_signatures(
    vector: BonnoVector,
    text: str,
) -> list[SignatureFireReport]:
    """3 つのシグネチャ（指紋）を検出する"""

出典明示性チェッカ（§14.6 参照）：

@dataclass
class SourceAttributionResult:
    score: float                        # [0, 1]
    missing_items: list[str]            # 欠落項目のリスト

def check_source_attribution(
    text: str,
    context: Optional[Context] = None,
) -> SourceAttributionResult:
    """発信源の法令ベース明示性をチェック"""

統合判定 g(V, C, S)（§14.2 参照）：

@dataclass
class JudgmentResult:
    bonno_vector: BonnoVector
    scam_probability: float             # [0, 1]
    confidence: float                   # [0, 1]
    alert_level: str                    # "none"|"info"|"caution"|"warning"|"danger"
    fired_signatures: list[SignatureFireReport]
    source_attribution: SourceAttributionResult

def judge(
    text: str,
    user_profile: UserProfile,
    context: Optional[Context] = None,
) -> JudgmentResult:
    """f → detect → check → g を統合して最終判定を返す"""

17.7 Input API Contract（JSON Schema 形式）

アプリがコアに渡す入力の JSON 表現：

{
  "$schema": "https://research.pyol.net/schemas/expfc-input-v0.1.json",
  "type": "object",
  "required": ["text", "user_profile"],
  "properties": {
    "text": {
      "type": "string",
      "description": "解析対象テキスト T"
    },
    "user_profile": {
      "$ref": "#/definitions/UserProfile",
      "description": "個人煩悩感受性プロファイル U（必須）"
    },
    "context": {
      "$ref": "#/definitions/Context",
      "description": "状況・文脈 C（オプション）"
    },
    "level": {
      "type": "integer",
      "enum": [1, 2, 3],
      "default": 2,
      "description": "出力次元レベル（Conformance Level）"
    }
  }
}

17.8 Output API Contract（JSON Schema 形式）

コアがアプリに返す出力：

{
  "$schema": "https://research.pyol.net/schemas/expfc-output-v0.1.json",
  "type": "object",
  "required": [
    "bonno_vector", "scam_probability", "confidence",
    "alert_level", "fired_signatures", "source_attribution"
  ],
  "properties": {
    "bonno_vector": {
      "type": "array",
      "items": { "type": "number", "minimum": 0, "maximum": 1 },
      "description": "V: 煩悩刺激ベクトル"
    },
    "scam_probability": {
      "type": "number", "minimum": 0, "maximum": 1
    },
    "confidence": {
      "type": "number", "minimum": 0, "maximum": 1
    },
    "alert_level": {
      "type": "string",
      "enum": ["none", "info", "caution", "warning", "danger"]
    },
    "fired_signatures": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "signature_type": {
            "type": "string",
            "enum": ["concentration", "suppression", "incompatibility"]
          },
          "score": { "type": "number", "minimum": 0, "maximum": 1 },
          "fired": { "type": "boolean" }
        }
      }
    },
    "source_attribution": {
      "type": "object",
      "properties": {
        "score": { "type": "number", "minimum": 0, "maximum": 1 },
        "missing_items": {
          "type": "array",
          "items": { "type": "string" }
        }
      }
    }
  }
}

説明文は含めない。各 alert_level や signature_type を見て、ユーザー向けの文言を生成するのはアプリの責任である。これにより、コアは言語非依存に保たれ、多言語展開のコストはアプリ層に閉じる。

17.9 U Profile Schema

U プロファイルは、§16.5 の議論を踏まえて、初回セットアップ（Q1〜Q5）の回答を構造化する：

{
  "$schema": "https://research.pyol.net/schemas/expfc-userprofile-v0.1.json",
  "type": "object",
  "required": ["schema_version", "setup_responses"],
  "properties": {
    "schema_version": {
      "type": "string",
      "const": "0.1"
    },
    "setup_responses": {
      "type": "object",
      "properties": {
        "money_concerns": {
          "type": "array",
          "items": {
            "type": "string",
            "enum": [
              "retirement_savings", "investment_growth",
              "debt", "education_costs", "none"
            ]
          }
        },
        "loneliness_level": {
          "type": "number", "minimum": 0, "maximum": 1
        },
        "health_concerns": {
          "type": "array",
          "items": {
            "type": "string",
            "enum": [
              "self_health", "family_health",
              "dementia_concern", "none"
            ]
          }
        },
        "contact_circle_size": {
          "type": "string",
          "enum": ["small", "medium", "large"]
        },
        "trusted_contact": {
          "type": "object",
          "properties": {
            "type": {
              "type": "string",
              "enum": ["family", "friend", "professional", "none"]
            },
            "email": {
              "type": "string",
              "format": "email"
            },
            "name": { "type": "string" }
          }
        }
      }
    },
    "episodic_updates": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "timestamp": { "type": "string", "format": "date-time" },
          "busy": { "type": "boolean" },
          "money_worry_now": { "type": "boolean" },
          "in_a_hurry": { "type": "boolean" }
        }
      },
      "description": "判定時の episodic 質問の蓄積（直近 N 件）"
    },
    "last_updated": { "type": "string", "format": "date-time" }
  }
}

このプロファイルは、端末内のみに保存 されることを Core 仕様として定める。クラウド同期は禁止する（プライバシー保護の絶対条件）。

17.10 Conformance Levels（適合性レベル）

アプリ実装が Core 仕様にどこまで準拠するかを、3 段階で定義する。v2.2 で、9 次元を標準実装の本線、108 次元は「AI 進化を待つ将来 vision」として位置付け直した：

Level	出力次元	必須機能	想定用途	実装可能性
L1（基盤）	3 次元（三毒）	f, judge（簡易）	PoC、基底分類器、概念検証	即時
L2（標準実装 ★）	9 次元（三毒 × 3）	L1 + detect（3 シグネチャ）, check_source_attribution, U プロファイル完全	本研究プログラムの実装本線	v0.2 で実装可能
L3（研究的拡張）	10〜108 次元	L2 + 階層的埋め込み, GNN によるエッジ関係, episodic 学習	将来 vision、AI 能力進化待ち	LLM 進化 + 仏教学者校閲後

v2.2 改訂の根拠: 外部レビュー（Gemini, 2026-05-18）が指摘した「108 次元のアノテーション・インター・アノテーター・アグリーメント問題」を受け、9 次元（三毒 × 3）を運用可能な本線、108 次元を長期 vision として再整理した。9 次元は (a) 仏教典籍（『倶舎論』『成唯識論』）に伝統的な分類であり、(b) 仏教学者間のκ > 0.7 を現実的に達成でき、(c) GNN のエッジ定義（9 ノード × N エッジ）が手作業で間に合うため、運用上の本線として最も筋がよい。108 次元への拡張は、爆速進化中の LLM が「煩悩プロンプティング」によるアノテーション支援を提供できるようになった段階で、自然に進める。

実装は「ExPFC Core L1 準拠」「L2 準拠（標準実装）」「L3 準拠（研究的）」を明示する。これにより、ユーザーはアプリの能力レベルを一目で把握できる。v0.1 の参照実装が目指すのは L2 である。

17.11 参照実装の配布計画

参照実装は、本研究プログラムとは別の GitHub リポジトリ（expfc-core）として公開する：

言語: Python 3.11+
ライセンス: CC BY 4.0（仕様）/ MIT（参照実装コード）
公開先: GitHub mindseed-research/expfc-core（仮）
同梱物:
- bonno_ontology.yaml（オントロジー本体）
- expfc_core/（Python パッケージ）
- schemas/（JSON Schema 一式）
- tests/（適合性テスト、サンプル詐欺コーパス）
- docs/（API ドキュメント、実装ガイド）

別言語移植（TypeScript / Swift / Kotlin / Rust）は、コミュニティに委ねる。仕様（JSON Schema）と参照実装（Python）の二つが揃えば、どの言語でも実装可能になる。

17.12 結論（§17）

ExPFC Core Specification v0.1 は、私が 20 年スパンの研究プログラムで残したい 共通語彙の最初の定式化 である。

私の役割は明確に定まった：

作るもの: オントロジー、関数 f、検知アルゴリズム、API 契約、参照実装
作らないもの: スマホアプリ、UI、OS 統合コード、多言語文言

「精密の経済」（§15）の精神は、ここでも貫かれている。私は狭く深くやる。アプリ層は、私が作った狭く深いコアの上に、多様な実装が花開く形で構築されていく。

W3C が Web を残したように、私は ExPFC Core を残す。あとは、後継者を含む実装者たちが、それぞれの目的でアプリを作る。

Appendix E: References（本文で言及した文献）

本文で言及した文献を、APA 形式で以下に整理する。本研究プログラムは段階的に充実させていく予定であり、今後の版で追加・整理を行う。

Anderson, C. (2006). The Long Tail: Why the Future of Business is Selling Less of More. Hyperion.
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21), 610–623.
Carroll, M., Chan, A., Ashton, H., & Krueger, D. (2023). Characterizing manipulation from AI systems. Proceedings of the 3rd ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (EAAMO ‘23).
Caruana, R. (1997). Multitask learning. Machine Learning, 28(1), 41–75.
Damasio, A. R. (1994). Descartes’ Error: Emotion, Reason, and the Human Brain. Putnam.
Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138.
Fujii, K., et al. (2024). Continual pre-training for cross-lingual LLM adaptation: Enhancing Japanese language capabilities. arXiv preprint.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems, 30.
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Kingma, D. P., & Welling, M. (2014). Auto-encoding variational Bayes. International Conference on Learning Representations (ICLR).
Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations (ICLR).
Kirkpatrick, J., et al. (2017). Overcoming catastrophic forgetting in neural networks. Proceedings of the National Academy of Sciences, 114(13), 3521–3526.
Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon.
National Police Agency of Japan. (2025). SNS型投資・ロマンス詐欺被害統計（2023〜2025）.
Nickel, M., & Kiela, D. (2017). Poincaré embeddings for learning hierarchical representations. Advances in Neural Information Processing Systems, 30.
Park, P. S., Goldstein, S., O’Gara, A., Chen, M., & Hendrycks, D. (2024). AI deception: A survey of examples, risks, and potential solutions. Patterns, 5(5), 100988.
Phelps, E. A., Lempert, K. M., & Sokol-Hessner, P. (2014). Emotion and decision making: Multiple modulatory neural circuits. Annual Review of Neuroscience, 37, 263–287.
Radford, A., et al. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th International Conference on Machine Learning, 8748–8763.
Shazeer, N., et al. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. International Conference on Learning Representations (ICLR).
Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions about Health, Wealth, and Happiness. Yale University Press.
Tom, S. M., Fox, C. R., Trepel, C., & Poldrack, R. A. (2007). The neural basis of loss aversion in decision-making under risk. Science, 315(5811), 515–518.
Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.
Veličković, P., et al. (2018). Graph attention networks. International Conference on Learning Representations (ICLR).
Whitty, M. T. (2013). The scammers persuasive techniques model: Development of a stage model to explain the online dating romance scam. British Journal of Criminology, 53(4), 665–684.
世親 (Vasubandhu) (5世紀). 『阿毘達磨倶舎論』(Abhidharmakośa). 仏教典籍。煩悩タクソノミーの源流。

Appendix F: 改訂履歴

v1.0（2026-05-12）: 初稿。思想・概念・技術・倫理・体制を体系化。§1〜§12 + Appendix。
v1.1（2026-05-12）: §13「脳模倣アーキテクチャと External Prefrontal Cortex 概念」を追補。神経科学・認知科学からの統合視座、ExPFC 概念の定式化、五感メタファー、汎用応用可能性、関連参考文献を追加。
v1.2（2026-05-12）: §14「煩悩ベクトル化と詐欺検知メカニズム」を追補。煩悩埋め込み空間の定義、詐欺シグネチャ（特定煩悩集中刺激 + 警戒抑制構造）、出典明示性による複合判定、抽象レベルでの戦略的優位性、SNS事業者のインセンティブ構造、過剰検出対策、倫理的論点を体系化。用語集・参考文献も拡張。
v1.3（2026-05-13）: §15「規模の経済と精密の経済 ── 私の研究プログラムの戦略的位置取り」を追補。私の「AI は単語で弾く」観察から出発し、大手 AI / SNS が規模の経済に最適化されるゆえに「やれるがやらない領域」が広範に存在することを分析。本研究プログラムを「精密の経済」に立つ戦略的位置取りとして定式化。同型問題（医療・法務・教育・メンタルヘルス・児童保護）への応用可能性、§13/§14/§7/§3 との接続、戦略的含意を整理。用語集を拡張。
v1.3.1（2026-05-13、同日追補）: Appendix E「段階的公開戦略に関する所見」を追加。私が AI（Claude Opus 4.7）に研究価値を率直に問うた対話の記録。AI 側の評価サマリ、注意点、§15 → §14 → §13 の段階公開戦略提案、「完璧を目指さず部分を確実に世に出す」という戦略助言を所見として記録。決定事項ではなく参考所見。
v1.5（2026-05-16）: §16「実装上の課題と対応戦略」を追補。私が構想記録 v1.4 を読み返した際に意識化された 3 つの本質的課題 ──（1）108 次元埋め込みの直交性・疎性問題、（2）詐欺手口の動的変化への追従、（3）ExPFC 介入タイミングのパラドックス ── を率直に記録し、暫定的な対応戦略（階層的埋め込み構造、不変層・可変層の 2 層分離 + 増分学習、段階的介入 + ユリシーズ契約 + 第三者通知）を提示。「ツッコミを受けそうな課題は認識している」姿勢を明示し、研究プログラムの自己批判的健全性を示す位置付け。各対応戦略は仮説段階であり、検証と協力者との対話を通じて精度を上げていく。
v1.6（2026-05-16、同日改訂）: §0「研究の根本目的」を冒頭に新設。私の本来の研究意図（脳科学への方法論的問題意識、仏教学を座標系として採用する仮説、煩悩は人間性そのものという存在論的前提、瞬間ごとの煩悩重み配分の動的解析という究極目的）を明示。これによりこの研究プログラムが三階層構造（Level 1: 方法論的 / Level 2: 戦略的 / Level 3: 応用的）として整理される。詐欺対策（§1〜§14）は「最も差し迫った応用例」として再位置付け。海外 AI Safety コミュニティへの訴求力の中心が Level 1 にあることを明示。本章は v1.5 までの議論を通じて断片的に触れられていたものを一つの根本目的として言語化したものである。
v1.7（2026-05-16、同日追補）: §16.4「個人化問題と煩悩感受性プロファイル」を追補。私が LessWrong 投稿用の英訳作業中に意識化した本質的な洞察 ── 詐欺判定は「文章単体」では完結せず「テキスト × 状況 × 個人」の 3 項関係であり、同じ文章でも受け手の煩悩感受性プロファイル U によって刺さる煩悩が変わる ── を率直に記録。§14.1 の写像定義を発展させ、テキストの刺激プロファイルとユーザーの感受性プロファイルの「共鳴」として詐欺判定を捉え直す。対応戦略として段階的個人化、自己申告型プロファイリング、ユーザー本人のためのレポート設計の 3 アプローチを提示。さらに「AI に全部任せていたら見落としそうになる大切なこと」というメタな観察そのものが、研究プログラムの根本目的と同型であることを示し、三階層構造に加えて Level 0（自己反省的階層）の存在を示唆。研究プログラムの自己反復的な健全性を強化する追補。
v1.8（2026-05-17）: §0.4.5「実装の出発点 ── 3×3 ミニマムモデル」と §4.3.0「3×3 ミニマムモデル ── 全アーキテクチャ共通の実装第一歩」を追補。§0 と §16 の「108 次元の最終形」と「直交性は課題」という記述の間に存在していたギャップ ── 実装第一歩の具体性 ── を埋めるため、三毒（貪・瞋・癡）× 各 3 小分類 = 9 次元のミニマムモデルを導入。貪（欲貪・色貪・無色貪 → 報酬と執着の階層）、瞋（忿・恨・悩 → エラーと敵対性の時間軸）、癡（無知・倶生・分別 → 構造的バグと学習的バグ）の対応関係を提示し、各候補アーキテクチャ（GNN/VAE/Transformer/マルチタスク）への組み込み方と Phase 1〜3 の段階的拡張順序を明示。§16.2.2 の階層的埋め込み構造における Level 2 の具体化として位置付ける。これにより私の研究プログラムは「哲学的提案」から「実装ロードマップを持つ提案」に格上げされ、海外 AI Safety 研究者・国内仏教学者・計算心理学者との対話における具体的足場を提供する。
v1.9（2026-05-17、同日改訂）: 文体一斉調整。サイト全体（構想記録・独立論考 2 本・About・トップ・連絡先・索引ページ）を「である調・一人称『私』」基調に書き直し。「本研究プログラム」「本構想」「著者」など第三者的・距離感のある主語をすべて「私／本研究プログラム」に置換。「本章は」「本節では」「ここで…を提示する」など報告書的な決まり文句を解消。内容（議論・データ・参照）に変更なし。書き手としての私の声が、より明瞭にサイト表面に出るための調整。
v2.0（2026-05-17、同日改訂）: 私自身による全文読み返しで判明した整合性・正確性に関する 11 点を一括修正。(1) 冒頭の「作成日／作成者／位置付け／ステータス」ブロックを削除し、Astro メタデータ部との重複を解消、代わりに「位置付けとステータス」を一つの引用ブロックで明示。(2) ステータス記述「構想段階（実装前）」を事実整合化（PYOL マインドミラーは稼働中、煩悩マッピングは構想段階）。(3) §14.1 の煩悩埋め込み写像を f: T → V から f: (T, C, U) → V に統一し、§0.4 / §0.4.5 / §16.5 と整合。(4) §3.4 の exploitation_strength の値域を 0-10 から [0, 1] に正規化し、§4.3.0 / §14.1 と統一。(5) Appendix E として References（本文で言及した文献 26 点）を新設、Bender et al. (2021)、Carroll et al. (2023)、Park et al. (2024) など欠落していた引用を補完。(6)「私の研究プログラム」の連呼（67 箇所）を「本研究プログラム」「この研究プログラム」と均等配分（23/24/23）し、文体の単調さを解消。(7) §15.3 の LLM コスト試算を 2026 年 5 月時点の実勢価格に更新（GPT-4o mini / Claude Haiku 3.5 等の廉価モデルを別行に分離、計算例も更新、構造的論点を強調）。(8) §14.9 の応用領域 9 項目を、心理臨床・広告倫理・AI 倫理評価・教育の 4 領域に絞り込み、優先順位を明示。(9) §10.3 / §13.11 / §14.12 の倫理論点 3 箇所に相互参照を追加し、最終的なガイドライン統合の方針を明示。(10) §13.9（既存研究プログラムとの関係）と §13.10（学際的位置付け）を統合（情報的重複の解消）、後続の §13.11〜§13.13 を §13.10〜§13.12 に繰り上げ。(11) §16 番号バグの修正（§16.4 が 2 個存在していた問題）、§16.5（個人化問題）と §16.6（結論）に整理、Appendix A 用語集に「ウイルス」メタファーの注記を追加、§ 番号と Appendix 番号の重複を整理（D=段階的公開戦略、E=References、F=改訂履歴）。本版は内容のフレームワーク変更ではなく、整合性・正確性・読みやすさの底上げである。
v2.1（2026-05-18）: §17「ExPFC Core Specification v0.1」を新設。研究プログラムの中核（Core）部分の技術仕様を明文化。設計哲学「アプリは私が作らない、コア仕様だけ作る」を W3C 型の役割分担として定式化。設計判断 4 点を確定：(1) 入力の最小要件はテキスト T 単体（U プロファイル未取得時は Anonymous Baseline U にフォールバック）、(2) U プロファイルは必須入力（精度確保のため）、(3) 出力に説明文を含めない（多言語 UI はアプリ責任、コアは言語非依存）、(4) 参照実装言語は Python（学術コミュニティへの届きやすさ）。煩悩オントロジー（YAML 仕様）、関数 f / detect / check / judge の Python シグネチャ、Input / Output / U Profile の JSON Schema、Conformance Levels（L1 9 次元 / L2 10〜20 次元 / L3 108 次元）、参照実装の配布計画（GitHub expfc-core リポジトリ、CC BY 4.0 + MIT）を定義。これにより、研究プログラムの成果物は「特定のアプリ」ではなく「共通語彙（仕様 + オントロジー + 参照実装）」として後継者・実装者コミュニティに引き継ぐ位置取りが確定した。
v2.2（2026-05-18、同日改訂）: 外部レビュー（Gemini, 2026-05-18）対応の 9 次元コミット改訂。Gemini が指摘した 4 つのボトルネック ── (1) 108 次元アノテーションのインター・アノテーター・アグリーメント問題、(2) 小規模 NN の表現能力限界、(3) ウイルスと煩悩のオントロジー的乖離、(4) Qualia の壁 ── を受けて、研究プログラムの実装解像度を再整理。9 次元（三毒 × 3）を運用本線、108 次元を長期 vision として分離。具体的な改訂：(a) §17.10 Conformance Levels を再定義 ── L1: 3 次元 / L2: 9 次元（標準実装★）/ L3: 10〜108 次元（研究的拡張、AI 進化待ち）、(b) §0.4 と §14.1 の写像表記を V = (w₁, ..., w_n) の形に書き直し、n=9 を本線・n=108 を vision と明示、(c) §0.4.5 のタイトルを「実装の出発点」から「実装の本線」に格上げ、(d) bonno_ontology.yaml v0.2 として 9 ノード間の relations:（GNN エッジ）を追加 ── Gemini の知識グラフ提案を反映、(e) 独立論考 §13 ExPFC §6 に「7. Qualia の壁 ── 境界条件としての明示」を追加（AI に主観的体験を持たせることを目的としていないことを明文化）、(f) 構想記録のフレームワーク（ExPFC 概念、3 シグネチャ、出典明示性、W3C 型役割分担）は不変。これにより研究プログラムは「実装ロードマップを持つ提案」から「実装を開始できる提案」に格上げされる。9 次元コミットは、爆速進化中の LLM が「煩悩プロンプティング」によるアノテーション支援を成熟させた段階で、自然に 108 次元へ拡張する 2 段階戦略の確立でもある。
v2.3 以降: 実装進捗、外部協力者との対話、検証結果に応じて更新

この研究プログラムは研究プログラムの素材であり、実行は段階的・長期的に進められる。短期的成果ではなく、20年スパンでの学術的・社会的貢献を目指す。

引用情報

BibTeX

@misc{matsuura2026article,
  author       = {Toshinobu Matsuura},
  title        = {Bonnō × Scam-Virus Mapping: An Integrated Database and a Study of Human Emotional Structure via Small Neural Networks},
  howpublished = {Mindseed Research},
  year         = {2026},
  month        = {May},
  url          = {https://research.pyol.net/concept/bonno-virus-mapping/}
}

APA

Matsuura, T. (2026, May 12). Bonnō × Scam-Virus Mapping: An Integrated Database and a Study of Human Emotional Structure via Small Neural Networks. Mindseed Research. https://research.pyol.net/concept/bonno-virus-mapping/

Chicago

Matsuura, Toshinobu. "Bonnō × Scam-Virus Mapping: An Integrated Database and a Study of Human Emotional Structure via Small Neural Networks." Mindseed Research, May 12, 2026. https://research.pyol.net/concept/bonno-virus-mapping/.