集合知とは何か？集合知とは、個人のグループ（人間、機械、またはその両方）が、知的に見える方法で集団的に行動し、判断、決定、解決策を生み出す能力のことです。これは、どのメンバーが単独で達成できるものを上回ることができます。
集合知は、トーマス・マローンとマイケル・バーンスタインが集合知のハンドブック（MIT Press、2015年）で定義したように、「知的に見える方法で集合的に行動する個人のグループ」です。この分野は、コンデュルセの陪審定理（1785年）やフランシス・ガルトンの1906年の牛の重さを測る実験から現代の実験室科学にまで及びます: アニタ・ウィリアムズ・ウールリーと同僚（Science、2010年）は、タスクにおけるグループのパフォーマンスの分散の約43%を説明し、社会的感受性、会話のターンテイキングの平等、グループ内の女性の割合とより相関する一般的な集合知因子 — c因子 — の証拠を見つけました。c因子は議論されており（CredéとHowardson、2017年）、22の研究と1,356のグループをカバーしたメタ分析（Riedlら、PNAS、2021年）によって支持されています。集合知のゲノム（マローン、ラウバッハー、デラロカス、2010年）は、Who、Why、What、Howに沿った賢いグループの構成要素をマッピングします。現在のMIT集合知センターの研究（2026年）は、生成AIと集合知、スーパーマインドデザイン、人間とAIのチームの設計に焦点を当てています; 2024年のメタ分析（Vaccaro、Almaatouq、Malone、Nature Human Behaviour）は、人間とAIの組み合わせがどちらか単独の最良のものを自動的に上回るわけではないことを発見しました — 真の相乗効果はタスク割り当てと相互作用の意図的な設計を必要とします。現在のCCIシステムには、構造化された創造的問題解決のスキャフォールディングで大規模言語モデルを包むSupermind Ideatorや、180,000以上の自律的なAI対AI交渉を研究した2026年のPNAS競技会が含まれています。意思決定ライフサイクル内では — 注意を向ける、フレームを設定する、生成する、調査する、集約する、熟考する、割り当てる、選択する、実施する、監視する — 集合知研究は主に集約と熟考の段階に関係しています: グループが分散した知識をどのようにプールし、一緒に推論するか。Argumentreeは、独立した非同期の議論の提出、平等な参加構造、多次元評価を合意スコアに集約し、グループの推論の完全な監査トレイルを通じてこれらの発見を実現します。
集合知とは何か？
集合知は、グループ（人間、機械、またはその両方）が知的に見える方法で行動する能力です。これは比喩ではありません：研究はそれを測定し、議論し、設計方法を示しています。このガイドは、コンドルセ（1785年）からMITの人間とAIチームの研究（2026年）までの科学をカバーしています。
最終更新日： 2026-07-18
TL;DR
グループは測定可能にスマートです。ウーリーら（Science, 2010）は、タスク間のグループパフォーマンスを予測する集合知因子（c）を発見しました—これはメンバーのIQよりも社会的感受性、平等なターンテイキング、プロセスによって駆動されます。この発見は議論されています（Credé & Howardson, 2017）が、1,356グループのメタ分析（Riedl et al., PNAS, 2021）によって支持されています。現代の最前線は人間とAIの集合知です：MITの2024年のメタ分析は、ループに人間を追加することがAIシステムを自動的に改善するわけではないことを示しています—シナジーはタスクの割り当てとプロセス設計に依存します。Argumentreeはその教訓に基づいて構築されています：推論を構造化し、判断を集約し、人間が決定を下すことを維持します。
集合知の定義
標準的な学術的定義は、トーマス・マローンとマイケル・バーンスタインの集合知のハンドブック（MIT Press, 2015）から来ています：集合知とは「知的に見える方法で集団的に行動する個人のグループ」です。この定義は意図的に広範です。価格を設定する市場、百科事典を書くウィキペディアコミュニティ、証拠を評価する陪審、食べ物への最短経路を見つけるアリのコロニー—そしてますます、人間とAIシステムのハイブリッドチームをカバーしています。
集合知は、群衆の知恵よりも広範であり、これは多くの独立した判断の統計的集約に関するものです。集合知は、真の協力と熟考も含まれます — 相互に作用し、議論し、互いの推論を基に構築するグループです。これは、熟考なしに単純なローカルルールから調整が生じる群れの知能とは異なります。また、投票システムは好みを集約し、予測市場は確率的信念を集約し、構造化された熟考は理由を集約します — 多くの心を一つの決定に変える方法に対する三つの異なる答えです。
意思決定ライフサイクル内では—出席、フレーム、生成、調査、集約、熟考、配分、選択、実施、監視—集合知研究は主に集約と熟考の段階に集中しています：分散した知識がどのようにプールされ、グループが情報のカスケードやグループシンクの病理なしに一緒に推論するか。
集合知研究の簡単な歴史
この分野は啓蒙時代の数学、統計学、経済学、生物学、コンピュータ科学に根ざしています。通底するテーマは、適切な条件下でグループがメンバーを上回ることができ、その条件を設計できるということです。
マルキ・ド・コンドルセは、各投票者がわずかにでも運よりも優れており、独立して投票する場合、グループが成長するにつれて多数派が正しい確率が確実性に近づくことを証明します—集合知の創始的な数学的結果です。
フランシス・ゴルトンは、1906年のカントリーフェアでの牛の体重に関する787の推測を分析します。中央値の推測（1,207ポンド）は、真の体重（1,198ポンド）から1%以内に収まります—家畜の専門家よりも優れています。Natureに掲載されました。
フリードリヒ・ハイエクの「社会における知識の利用」（American Economic Review）は、市場が価格を通じて分散したローカル知識を集約することを主張します—予測市場の理論的基盤です。
ジェームズ・スロウィッキーは、群衆の知恵のための四つの条件（多様性、独立性、分散化、集約）を定義します。同年、ホンとページは、PNASにおいて彼らの論争の的となった「多様性が能力を上回る」モデルを発表します。
ウーリー、チャブリス、ペントランド、ハシュミ、マローン（Science）は、小グループで働く699人の中に一般的な集合知因子の証拠を見つけます—個人のIQのグループレベルの類似物です。
マローン、ラウバッハー、デラロカス（MIT Sloan Management Review）は、集合知システムの構成要素—「遺伝子」—を四つの質問に沿ってカタログ化します：誰、なぜ、何を、どのように。
マローンとバーンスタインのMIT Pressのハンドブックは、この分野とその標準的な定義を統合します：知的に見える方法で集団的に行動する個人のグループ。
トーマス・マローンのスーパーマインドは、集合知の五つの持続的なタイプ—階層、民主主義、市場、コミュニティ、生態系—を説明し、コンピュータがそれぞれをどのように賢くできるかを問います。
リードル、キム、グプタ、マローン、ウーリー（PNAS）は、22の研究を分析し、1,356のグループを調査し、学生、軍人、オンライン労働者、ゲーマーの集団におけるcファクターの証拠を見つけます。
バッカロ、アルマートゥーク、マローンの106の実験のメタ分析（Nature Human Behaviour）は、人間とAIの組み合わせが平均して人間またはAIの最良のものよりも劣っていることを発見しました—シナジーは設計されるべきであり、仮定されるべきではありません。
バートンと27人の共著者（Nature Human Behaviour）は、大規模言語モデルが集合知をどのように強化できるか、そしてどのように視点を均質化し、偽の合意を生み出すリスクがあるかをマッピングします。
MITの集合知センターは、生成AIと集合知、スーパーマインドデザイン、人間とAIチームの設計の三つの傘の下で活動しています—180,000以上のAI対AI交渉のPNAS研究を含みます。
cファクター：グループはIQを持つことができるか？
2010年、アニタ・ウィリアムズ・ウーリーと同僚は、個人心理学の百年の背景を持つシンプルな質問をしました：一般的な因子（g）が個人の多くの認知タスクにおけるパフォーマンスを予測するのと同様に、グループに対する一般的な因子は存在するのか？彼らは、さまざまなタスクにおいて2人から5人のグループで働く699人をテストしました（Science, 330, 686–688）。答えは「はい」でした：単一の統計的因子—c—が、タスク間のグループパフォーマンスの約43%の分散を説明しました。
グループのcを予測するもの—そして予測しないもの
メンバーのIQはほとんど重要ではない
グループメンバーの平均および最大の個々の知性は、cとの相関がわずかでした。最も賢い人々を雇うことは、それ自体では賢いグループを作ることにはなりません。
社会的感受性が重要
グループの平均スコアは、目の中の心を読むテスト — 顔の手がかりから精神状態を推測する能力 — の結果であり、cの重要な予測因子でした（r = 0.26）。
平等なターンテイキングが重要
会話に対してメンバーがより平等に貢献したグループは、cが高かった；発言のターンのばらつきはcと負の相関がありました（r = −0.41）。1人または2人の声に支配されたグループは、集合的に知的ではありませんでした。
構成効果
2010年の研究では、女性の割合が高いグループはcが高かった（r = 0.23） — 著者はこの効果を女性の平均的な社会的感受性の高さに統計的に関連付けています。つまり、プロセスに関連しており、人口統計そのものではありません。
cファクターは本物か？再現性の議論
心理学におけるほとんどの影響力のある発見と同様に、cはストレステストを受けており、読者は証拠の正直な状態を知るに値します：
批判（2017）
CredéとHowardson（Journal of Applied Psychology）は、六つのサンプルを再分析し、単一の一般的なグループ因子に対する経験的支持が弱いと主張しました—グループパフォーマンスは、cよりもタスク特有の能力によってより良く説明されるかもしれません。
返答（2018）
ウーリー、キム、マローンは、批判がグループが実際に行ったタスクに合わないスコアリング手続きとシミュレーションの仮定に基づいていると応答しました。
メタ分析（2021）
リードル、キム、グプタ、マローン、ウーリー（PNAS）は、1,356のグループをカバーする22の研究を集約し、すべてのグループにおけるcファクターの証拠を見つけ、協力プロセスとメンバーの社会的知覚がその最も強い相関因子の一つであることを示しました。
結論：大規模なメタ分析は、測定可能な集合知の要素の存在を支持していますが、その正確な構造と一般性は活発に議論されています。議論されていないのは実践的な教訓です：グループプロセス — 誰が意見を聞かれるか、判断がどのように組み合わされるか — は、メンバーの才能よりもグループのパフォーマンスをよりよく予測します。
統計的群衆とインタラクティブ群衆
実際には二種類の集合知があり、それぞれ異なる燃料で動いています:
統計的群衆
多くの独立した推定が機械的に集約される — 平均化、投票、市場価格。これはガルトンの公平なものであり、それ以来のすべての予測市場です。成功は独立性と多様性に依存し、演習はしばしば一度きりです。
インタラクティブな群衆
人々が互いに影響を与え、共有の理解を構築する — 討論、熟考、協力。これはウィキペディア、科学コミュニティ、デザインチームです。成功はコミュニケーションの質と発言の安全性に依存し、作業は継続的です。
二つのモードは反対の方向に引っ張ります: 独立性は統計的群衆を助けますが、インタラクティブな群衆を飢えさせます。 決して話さないチームはうまく集約できますが、新しいものは何も築きません; 常に話すチームは共有の理解を築くことができますが、その判断に必要な独立性を静かに破壊します。
構造化された熟考は両方を得る試みです。Argumentreeでは、貢献と評価が独立して提出されます — 統計的モード — 一方、彼らが着地する議論の木はグループが熟考する共有の進化するオブジェクトです — インタラクティブモードです。構造が各モードが適用されるタイミングを決定し、最も大きな声のモードが勝つことを許しません。
集合知ゲノム
集合知が測定できるなら、設計できるのでしょうか？マローン、ラウバッハー、デラロカス（MIT Sloan Management Review, 2010）は、集合知システムの再発する構成要素—「遺伝子」—を四つの質問に沿ってカタログ化しました。ウィキペディアから企業戦略プロセスまで、どんなシステムもこれらの遺伝子の組み合わせです：
誰がタスクを実行しているのか？
定義された階層がタスクを割り当てるか、オープンクラウドが自己選択します。クラウドは規模と多様性をもたらし、階層は責任と調整をもたらします。
なぜそれを行っているのか？
動機の遺伝子：お金（支払い、賞）、愛（内的な楽しみ、コミュニティ）、名声（認識、評判）。持続可能なシステムは、貢献に対してインセンティブを整合させます。
何が行われているのか？
作成する（新しいものを生成する—デザイン、アイデア、議論）か、決定する（代替案の評価と選択）。ほとんどの実際のプロセスは、二つを連鎖させます。
どのように行われているのか？
独立して（相互作用なしに集約された貢献—コンテスト、投票、平均化）または依存して（協力、貢献が互いに基づく）。選択は、どの失敗モードを引き継ぐかを決定します。
五つのスーパーマインド
スーパーマインド（2018年）で、マローンは人間社会が再発明し続ける五つの持続的な集合知の形態を説明し、AIに関する本当の質問は「私たちを置き換えるのか？」ではなく「どのようにして各スーパーマインドを賢くするのか？」であると主張します：
階層
権限のチェーンを上下に委任された決定。迅速で責任があり、上部で情報のボトルネックに脆弱です。
民主主義
投票による決定。正当で包括的であり、投票が好みを集約する方法は独自の深い科学（社会選択理論）です。
市場
価格と取引による決定。分散した信念の優れた集約者—予測市場の背後にあるメカニズムです。
コミュニティ
規範、評判、非公式な合意による決定。オープンソースとウィキペディアを支え、遅いが回復力があります。
生態系
共有された決定メカニズムがまったくない—結果は力と生存から生じます。他のスーパーマインドが設計されていないときのデフォルトです。
スーパーマインドデザイン：六つの動き
MIT CCIのスーパーマインドデザイン手法は、ゲノムを創造的な問題解決の実践に変えます。六つの「動き」が問題を体系的に再構成し、人々とコンピュータのグループのための新しいデザインを浮き彫りにします：
ズームアウト
問題が存在するより広いシステムや目的に一歩引いて見る。
ズームイン
問題を再設計できる部分やプロセスに分解する。
アナロジー
他の領域—自然、他の産業、歴史—が構造的に類似した問題をどのように解決しているかを尋ねる。
グループ化
異なるスーパーマインド—市場、コミュニティ、民主主義—が、現在一人または階層によって処理されているタスクにどのように取り組むかを尋ねる。
認知化
解決策に必要な認知プロセス（感知、記憶、決定、学習）と、それぞれを誰がまたは何が実行すべきかを尋ねる。
技術化
技術—AIを含む—がそれらのプロセスをどのように実行、接続、または強化できるかを尋ねる。
MITの集合知センターの内部（2026年）
MITの集合知センター（CCI）は、トーマス・マローンによって設立されたこの分野のフラッグシップラボです。その以前のプロジェクト—気候コラボ、CIデザインラボ、集合知の測定、集合的予測—は現在、完了したレガシー作業です。2026年現在、CCIの研究は三つの傘の下で組織されています：
生成AIと集合知
人間の創造性を増強するためにAIを使用する — Supermind IdeatorやDesignAIDのようなツールを含み、人間とAIのアイデア創出を支える。
スーパーマインドデザイン
人々とコンピュータの革新的な組み合わせを設計し、ゲノムと6つのデザインの動きに基づいて構築する。
人間とAIのチームの設計
人間と機械のチームにおけるタスクの設計と割り当て — 「人間対機械」という質問の後継の質問です。シンガポール-MIT M3Sプログラムとともに、CCIはタスク割り当ての体系的な科学を構築しています：どのサブタスクが人間に、どのサブタスクがAIに割り当てられるか、誰が監督し検証するか、AIがツール、アシスタント、仲間、またはマネージャーとして機能するかどうか。
2024–2026年の研究波からの重要な発見
アイデア創出において足場が生のLLMを上回る
Supermind Ideatorは、大規模な言語モデルを創造的問題解決の足場（6つの動きを含む）で包みます。実験的な研究では、ユーザーはChatGPT単独または無援助で作業する人々よりも、著しく多くの革新的なアイデアを生成しました。ベータテスターはこのシステムで10,000以上のアイデアを作成しました（ACM Collective Intelligence Conference, 2024）。
"ループ内の人間"は自動的に良くなるわけではない
Vaccaro、Almaatouq、Maloneの106の実験と370の効果サイズのメタ分析（Nature Human Behaviour, 2024）では、人間とAIの組み合わせは、平均して人間またはAI単独の最良のパフォーマンスよりも劣っていることがわかりました — 損失は意思決定タスクに集中し、利益はコンテンツ作成タスクに見られました。CCIは、強い相乗効果（組み合わせが人間単独とAI単独の両方を上回る）と弱い増強（人間単独を上回るがAIは上回らない）を区別し、強い相乗効果は単に人間を追加するだけではなく、意図的に設計されたタスク割り当てを必要とすることを発見しました。
180,000のAI対AI交渉
2026年のPNAS研究では、促されたAIエージェントが互いに180,000以上の交渉を行う国際競技会が実施されました。古典的な人間の交渉科学は維持されました：温かさ — ポジティブさ、感謝、質問の投げかけ — は、取引の達成と価値の創造に一貫して関連しており、支配的な戦術は行き詰まりを予測しました。
AIが使用できる場所のマッピング
2026年のMIT作業論文（arXiv 2603.20619）は、米国O*NETデータベースから約20,000の作業活動を再編成し、13,275のAIアプリケーションをそれに対して分類しました — 上位1.6%の活動がAI市場価値の60%以上を占めることがわかりました。人間とAIのタスク割り当てについて体系的に推論するためのツールです。
AIとタスクを1つのスケールで評価
AGI-Elo（NeurIPS 2025、arXiv 2505.12844）は、Maloneを含むCCI関連の研究者から、AIモデルと個々のテストケースをチェスプレイヤーのように互いに評価します — モデルの能力とタスクの難易度を比較可能な1つのスケールに置き、人間とAIチームにおける原則的なタスク割り当ての前提条件です。
AIの時代における集合知
大規模言語モデルは、単なるツールではなく、集合知の参加者になりつつあります。バートンと27人の共著者（Nature Human Behaviour, 2024）は、二面性のある結果をマッピングしました：
機会
参加の障壁を下げる
LLMは翻訳、要約、草案作成ができ—言語やライティングスキルに関係なく、より多くの人々が集合プロセスに貢献できるようにします。
分散した知識を集約する
LLMは大量のテキストを統合できます—会議の議事録、オープンエンドの調査回答、公共の相談—以前は人間の集約者を圧倒していました。
熟考のサポート
AIは反論を浮き彫りにし、類似の立場をクラスター化し、議論を構造化できます—熟考の段階を置き換えるのではなく、強化します。
リスク
視点の均質化
多くの人々が同じモデルを参照すると、その出力が収束します—集合知が依存する視点の多様性が侵食されます。
偽の合意
流暢なAI生成テキストは、実際の人間の間に存在しない合意や多数意見の外観を作り出すことができます。
情報エコシステムの縮小
少数のモデルを通じてフィルタリングされた情報環境は、群衆を集団的に愚かにする相関エラーのリスクを伴います。
設計の含意は、バッカロの発見を反映しています：AIは、転写、抽出、翻訳、要約など、明らかに得意なサブタスクを割り当てられたときに集合知を改善します—判断、評価、そして決定そのものは責任ある人間に留まります。これは、意思決定科学が現在マッピングしている人間とAIシステムの最前線です（自動化バイアス、信頼の調整、意味のある人間の制御）。
Argumentreeが集合知研究をどのように適用するか
Argumentreeは、これらの発見に直接基づいて構築された共同意思決定プラットフォームです。各デザイン選択は、文献の結果にマッピングされています：
独立した非同期の貢献
参加者は自分の時間で議論を追加し、グループが収束する前に—集約研究が示すように、独立性と多様性の条件を保護します。
参加の構造的平等
ウーリーの研究は、集合知を平等なターンテイキングに関連付けています。議論の木では、保持するフロアはなく、すべての参加者の議論が同じ構造に入り、同じ方法で評価されます。
多次元評価による集約
議論は有用性、明確さ、正確さ、完全性で評価され、評価は合意スコアに集約されます—明示的な集約メカニズムであり、集合的な判断が仮定されるのではなく測定されます。
構造を持つ熟考
質問、妥協、レビューの4ステップのチェーンにより、参加者は議論を探求し、洗練することができます—ゲノムの用語で依存した協力ですが、推論を可視化する構造内で行われます。
正しい人間とAIのタスク配分
AI抽出は、会議の議事録や文書を草案の議論の木に変換します—AIが得意とするコンテンツ処理の作業—一方、評価と決定は人々に留まり、2024年の人間とAIのシナジーの証拠と一致します。
スーパーマインドのための記憶
完全な監査トレイル（草案、オープン、クローズドライフサイクルとバージョン管理）は、グループの推論を保存し、組織が会議が終了したときに失うのではなく、自らの集合知から学ぶことができるようにします。
よくある質問
集合知とは何ですか？
集合知とは、グループ — 人々、機械、またはその両方 — が知的に見える方法で集団的に行動する能力です（Malone & Bernstein, Handbook of Collective Intelligence, 2015）。これは、統計的な群衆の知恵、ウィキペディアのような共同生産、熟考するチーム、信念を集約する市場、現代の人間とAIのチームを含みます。
集合知におけるc因子とは何ですか？
c因子は、Woolleyらによって特定された一般的な集合知因子です（Science, 2010）：多くの異なるタスクにわたるグループのパフォーマンスの約43%の分散を説明する単一の統計的因子であり、個人のIQのg因子に類似しています。これは、グループの社会的感受性と会話のターンテイキングの平等性と強く相関しており、メンバーの個々の知性とははるかに相関がありません。
c因子は再現されていますか？
支持されていますが、議論されています。CredéとHowardson（2017）は、単一の一般因子の証拠は弱いと主張し、Woolleyと同僚は2018年に詳細な返信を発表しました。Riedlらによる2021年のメタ分析（PNAS）は、22の研究と1,356のグループをカバーし、多様な集団におけるc因子の証拠を見つけました。実用的な教訓 — グループプロセスはメンバーのIQよりもパフォーマンスを予測する — は、議論を超えて堅牢です。
集合知と群衆の知恵の違いは何ですか？
群衆の知恵は、より狭い現象です：多くの独立した判断が統計的に集約され、正確な答えに収束します（ガルトンの1906年の牛の実験のように）。集合知は、より広い分野です：それは群衆の知恵を含むだけでなく、真の協力、熟考、市場、コミュニティ、人間とAIのチームを含む — グループが知的に行動する任意のシステムです。
集合知と群れの知能の違いは何ですか？
群れの知能は、多くの単純なエージェントがローカルルールに従って協調することから生じるものであり — アリのコロニー、鳥の群れ、ロボットの群れ — 熟考や明示的な推論はありません。人間の集合知は、理由を交換し評価することを含みます。彼らは深い原則（分散化、ローカル知識、集約）を共有しており、これが意思決定プラットフォームが両方から借用する理由です。
スーパーマインドとは何ですか？
スーパーマインドとは、トーマス・マローンの2018年の同名の本において、知的に見える方法で一緒に行動する個人のグループです。マローンは、階層、民主主義、市場、コミュニティ、生態系の5つの繰り返し現れるタイプを特定し、コンピュータがスーパーマインドをより賢くするのは、彼らを置き換えるのではなく、新しい組み合わせを可能にすることによると主張しています。
MIT集合知センターとは何ですか？
MIT集合知センター（cci.mit.edu）は、MITスローンで設立され、トーマス・マローンが指導しており、人々のグループ — そしてますます人々とAIが — どのように組織されて、どの個人よりも知的に行動できるかを研究しています。その以前のクラウドソーシング時代のプロジェクト（Climate CoLabやCoLabs、Measuring Collective Intelligence）は現在はレガシー作業です。2026年現在、その研究は3つの傘の下に整理されています：生成AIと集合知、スーパーマインドデザイン、人間とAIのチームの設計。Supermind IdeatorやDesignAIDなどのツールと、シンガポール-MIT M3Sプログラムを通じて、人間とAIのタスク割り当ての体系的な科学を構築しています。
ループ内に人間を追加することでAIの決定が改善されますか？
自動的には改善されません。2024年の106の実験のメタ分析（Vaccaro、Almaatouq & Malone、Nature Human Behaviour）では、人間とAIの組み合わせは、平均して人間またはAI単独の最良のパフォーマンスよりも劣っており、損失は意思決定タスクに集中していました。組み合わせは主にコンテンツ作成タスクで最も役立ちました。効果的な人間とAIの集合知は、どちらの当事者が最も得意なサブタスクを意図的に割り当てることを必要とします。
チームはどのようにして集合知を高めることができますか？
証拠はプロセス設計を指し示しています：参加を平等にする（オープンな議論ではなく、構造化されたまたは非同期の入力）、グループの収束前に独立した判断を保護する、認知的多様性と社会的感受性を持つ人を募集する、評価や投票のような明示的な集約メカニズムを使用する、そしてグループが学べるように推論の記録を保持する。Argumentreeのようなツールは、デフォルトでこれらのメカニズムを構築します。
参考文献とさらなる読み物
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
創設的な数学的結果：独立した、運任せよりも優れた投票者の多数派が真実に収束します。
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787人の公正な参加者が牛の重さを推測；中央値は真実の1%以内に収まる。
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
市場は分散した知識の集約者です。
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
4つの条件：多様性、独立性、分散化、集約。
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
c因子：699人、2〜5人のグループ、パフォーマンスの分散の約43%を説明する1つの因子。
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
集合知システムのWho/Why/What/Howの構成要素。
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
この分野の標準的な参考文献と定義。
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
c因子の一般性に対する主な批判。
Malone, T. W. (2018). Superminds. Little, Brown.
5つのスーパーマインドのタイプと、コンピュータがそれらをより賢くする方法。
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
メタ分析：22の研究、1,356のグループ、集団におけるc因子の証拠。
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106の実験：人間とAIの組み合わせは、どちらか単独の最良のものを自動的に上回るわけではない。
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
LLMの機会とリスクに関する28人の著者。
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
180,000以上のAIエージェントの交渉；温かさは機械間でも勝利する。
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
人間とAIのタスク割り当てについて推論するための約20,000の作業活動の深いオントロジー。
View source →MIT Center for Collective Intelligence. Research (2026).
現在の傘：生成AIとCI、スーパーマインドデザイン、人間とAIのチームの設計。
View source →MIT Center for Collective Intelligence. Supermind Design methodology.
6つのデザインの動き：Zoom Out、Zoom In、Analogize、Groupify、Cognify、Technify。
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
AIモデルとテストケースの難易度の共同Eloスタイル評価；Maloneを含むCCI関連の共著者。
View source →関連する概念
あなたのチームを測定可能に賢いグループに変えましょう
集団知能は設計の問題です：参加を平等にし、独立した判断を保護し、明示的に集約し、推論を保持します。Argumentreeは、すべての決定にこれらのメカニズムを組み込んでいます — AIが雑務を行い、あなたの人々が判断を行います。
無料トライアルを開始