お問い合わせ

記事に正確な情報を書いていても、その情報が記事のどの位置にあるかによって、AI検索に引用されるかどうかが変わります。

StanfordとUC Berkeleyの研究チームが実証した「Lost in the Middle」という現象があります。 AIに複数の情報を渡したとき、先頭と末尾の情報は正しく使われるのに、中間の情報は見落とされやすいという問題です。

この研究は、AI検索で引用されるための記事構成を考える上で、具体的な指針を与えてくれます。

AIは中間の情報を見落とす——実験データ

Liu et al.（2023年、Stanford University / UC Berkeley）は、複数のLLMに20件のドキュメントを入力し、正解が何番目のドキュメントにあるかで正答率がどう変わるかを調べました。

GPT-3.5-turboでの結果は以下のとおりです。

正解の位置正答率
先頭（1番目）約75%
中間（10番目）約45%
末尾（20番目）約70%

正解が中間にあると、先頭に比べて約30ポイントも正答率が下がります。 この傾向はテストされたすべてのモデル（GPT-3.5-turbo、Claude 1.3、MPT-30B-instructなど）で共通して確認されました。

Liu et al.はこの現象を「U字型の性能曲線」と表現しています。 先頭と末尾で正答率が高く、中間で低くなるU字型のパターンです。

情報量が増えるほど中間の見落としが深刻になる

入力するドキュメント数を変えた実験では、中間部分の性能低下が入力量に比例して大きくなることもわかっています。

入力ドキュメント数中間の正答率低下幅
10件約10〜15ポイント
20件約25〜30ポイント
30件約30〜35ポイント

AIに渡す情報が多くなるほど、中間の情報が埋もれやすくなります。 コンテキスト長の上限を拡張したモデル（16Kトークン版など）でも、この問題は解消されませんでした。

なぜ中間の情報が見落とされるのか

この現象の原因は、AI（Transformer）のアテンション機構にあります。 Vaswani et al.（2017年、Google）が提案したTransformerは、入力テキストの各部分に「どれだけ注目するか」を計算する仕組みです。

理論的にはどの位置にも等しく注目できるはずですが、実際には3つの要因で偏りが生じています。

学習データに「冒頭と結論が重要」というパターンが多い。 ニュース記事の逆三角形構造、学術論文のAbstractとConclusion、Webページの上部に配置されるキーコンテンツなど、学習データには冒頭と末尾に重要情報が集まるパターンが多く含まれています。 その結果、AIは「冒頭と末尾に重要な情報がある」という傾向を学習しています。

位置エンコーディングの影響。 Transformerは各トークンに位置情報を付与しますが、Press et al.（2022年）が指摘したように、位置エンコーディングの実装方法によって特定の位置への注目度が変わります。 特に、学習時に経験した長さを超える入力では、中間部分の位置表現が不安定になる傾向があります。

先頭は常に参照され、末尾は直近の情報として残る。 自己回帰型のAIでは、先頭の情報は生成の全過程で参照される機会が多く、末尾の情報は直近の「作業記憶」に残りやすいです。 中間部分はどちらの恩恵も受けにくく、注目度が低下します。

AI検索での影響——どの記事のどの部分が引用されるか

RAGベースのAI検索（Perplexity、ChatGPT検索など）では、検索で取得した複数のドキュメントをAIに渡して回答を生成します。 ここにLost in the Middle問題が直接影響します。

ドキュメントの入力順序。 AI検索システムは通常、検索スコア順にドキュメントをAIに渡します。 先頭に配置されたドキュメントの情報は回答に反映されやすく、中間に配置されたドキュメントの情報は無視されやすくなります。

記事内のチャンクレベルでも同じ問題が起きる。 ドキュメント間だけでなく、1つの記事がチャンク（断片）に分割されてAIに入力される際にも、中間のチャンクは先頭・末尾のチャンクに比べて注目されにくくなります。 つまり、記事内の情報配置がAI検索での引用率に影響します。

AI検索で引用されやすい記事構成の5つの原則

Lost in the Middle問題を踏まえると、コンテンツの書き方で引用率を改善できます。

原則1: 冒頭に結論を置く

記事の最も重要な主張、数値、結論は冒頭の数段落に配置します。 背景説明や問題提起から始めたい場合でも、最初の見出し下には核心的な情報を置きます。

これは新聞記事の逆三角形構造（倒ピラミッド型）に近い書き方です。 最も重要な情報を先頭に置き、詳細や補足を後ろに配置します。

原則2: 末尾にまとめを設ける

記事の末尾に要約セクションを置くことは、Lost in the Middle対策として有効です。 U字型カーブの右端（末尾）は正答率が回復するポイントであり、ここに主要な主張を再掲することで、AIが情報を拾える確率が上がります。

まとめセクションには、記事内の核心的な数値、結論、固有名詞を含めます。 冒頭とまとめの両方に同じキー情報を配置することで、AIが取得できる確率が高まります。

原則3: 中間セクションは独立して意味が通るように書く

記事の中間にある各セクションを、それ単体で読んでも意味が通るように構成します。

RAGではチャンク分割が行われるため、中間セクションが独立したチャンクとして検索にヒットすれば、そのチャンクがAIの入力の先頭に配置される可能性があります。 中間セクションの情報が「チャンクの先頭」として再利用される余地を残す構成が望ましいです。

具体的には以下を意識します。

原則4: リストや表を活用する

Liu et al.の研究は散文を対象としていますが、リストや表形式の情報は散文よりも位置への依存度が低いと考えられます。

リスト形式では各項目が独立しており、AIは位置に関係なく個別の項目として認識しやすくなります。 重要な情報をリストや表にまとめることは、位置バイアスの影響を緩和する手段になります。

原則5: 1記事1テーマを徹底する

1つの記事に複数のテーマを詰め込むと、記事が長くなり、主要な情報が中間に埋もれるリスクが高まります。

Liu et al.のデータでは、入力ドキュメント数が少ないほどU字型カーブの落ち込みが緩やかでした。 短い記事（少ないチャンク数）は、長い記事に比べて位置バイアスの影響を受けにくくなります。

1記事1テーマに絞ることで、記事全体が短くなり、中間部分での情報損失を最小化できます。

注意しておきたい点

Lost in the Middle対策には、2つの注意点があります。

記事全体がAIの入力に含まれるとは限らない。 RAGのチャンク分割により、記事の一部のみがAIに渡される場合があります。 その場合、記事全体の構成よりも各セクション単位の構成が重要になります。 これが原則3（セクションの独立性）を重視する理由です。

AIのアーキテクチャは進化し続けている。 将来のモデルでは位置バイアスが軽減される可能性があります。 ただし、「冒頭に結論」「末尾にまとめ」「セクションの独立性」は、人間の読者にとっても読みやすい構造です。 AIの改善後も有効な記事設計の原則として機能します。

まとめ

Liu et al.（2023年、Stanford / UC Berkeley）の研究は、AIが長いコンテキストの中間部分を効果的に使えないことを実証しました。

20件のドキュメントを入力した場合、正解が中間にあると正答率は先頭比で約30ポイント低下します。 この傾向は全モデルに共通し、コンテキスト長の拡張でも解消されません。

AI検索で引用されやすい記事構成の原則は5つです。 冒頭に結論を置く。末尾にまとめを設ける。中間セクションは独立させる。リストや表を活用する。1記事1テーマに絞る。

これらの構成原則は、AI検索で引用されやすいだけでなく、人間の読者にとっても分かりやすい記事構造をもたらします。