事実にとどまらない：意見を考慮した検索強化生成（RAG）のためのケース

概要: RAGシステムは、LLMが外部知識にアクセスする方法を大きく変えましたが、私たちは、既存の実装が事実的で客観的なコンテンツへ偏りを示すことを発見しました。その根拠として、客観的な検索を優先する既存のベンチマークやデータセットが挙げられます。この事実への偏り――意見や多様な視点を、統合すべき情報ではなくノイズとして扱うこと――は、ソーシャルメディアの議論から商品レビューに至るまで、主観的コンテンツを含む現実のシナリオにおいてRAGシステムを制限します。技術的な制約を超えて、この偏りは透明で説明責任のあるAIに対するリスクももたらします。すなわち、支配的な見解を増幅するエコーチェンバー効果、少数派の声の系統的な過小表現、そして偏った情報の統合による意見操作の可能性です。私たちは、この制限を不確実性の観点から形式化します。事実に関する問いは、証拠によって低減可能な認識論的不確実性を含むのに対し、意見に関する問いは、人間の視点における真の多様性を反映するアレアトリック的不確実性を含みます。この区別は、事実に基づくRAGは事後エントロピーを最小化すべきであり、意見を考慮するRAGはそれを維持しなければならないことを意味します。 この理論的基盤に基づいて、私たちは、LLMによる意見抽出、エンティティにリンクされた意見グラフ、意見を豊富に含む文書インデクシングを特徴とするOpinion-Aware RAG（意見を考慮するRAG）アーキテクチャを提案します。私たちは、eコマースの出品者フォーラムデータを用いて、意見を豊富に含む知識ベースと従来のベースラインを比較しながら評価します。実験の結果、検索の多様性が大幅に改善されることが示されました。具体的には、+26.8%のセンチメント多様性、+42.7%のエンティティ一致率、そしてエンティティ一致した文書における著者の属性（人口統計）カバレッジが+31.6%向上しました。これらの結果は、主観性を第一級の市民として扱うことが、より測定可能に代表性の高い検索につながることを裏付ける実証的な証拠を提供します。これは、意見を考慮するRAGに向けた第一歩です。今後の課題として、分布的忠実性のための検索と生成の共同最適化が含まれます。