Geminiでの健康情報のハルシネーションを激減させる魔法のプロンプト

Geminiの特徴として、最新のGoogle検索と統合されているという点があります。
Geminiなどの汎用AIは、Consensusのように「論文データベースそのもの」ではありませんが、「膨大なWeb情報から信頼性の高いフィルターを通す」という指示を与えることで、非常に強力なリサーチアシスタントになってくれるので、それを利用しない手はありません。

Gemini は「何かを答えなければならない」というプレッシャーを受けるために、とにかく何か情報を無理やりにでも引っ張ってきてそれをつなげてしまい、それがハルシネーションを引き起こす大きな原因になります。
実は、ハルシネーションを防ぐための『魔法の呪文』をプロンプトに書き込むだけで、ハルシネーションが激減してくるのです。

『魔法の呪文』（ハルシネーション抑制プロンプトの決定版）
「専門ツールは敷居が高いけれど、GeminiやChatGPTで正確な情報が欲しい」という方は、以下のプロンプトをコピペして使ってみてください。

＜魔法の呪文解説＞

「Google検索を使用しPubMedや主要な医学誌の情報を優先すること。」
この一文により、Geminiが、「自分の記憶（学習データ）」ではなく「今現在のWeb上の公式データ」を読みに行かせるスイッチになります。

「個別の研究ではなく、信頼性の高い「メタ分析」の結果を中心に要約すること。」
この一文により、個別の極端な結果（外れ値）に惑わされず、科学界のコンセンサスに近い回答を得るためのフィルターになってくれます。
ここの部分は、目的や度合によって
「「査読論文」、「.gov（政府機関）」や「.edu（教育機関）」、「PubMed」や「Google Scholar」でヒットする情報を優先してください。」
「可能であれば、個別の研究よりもメタ分析（Meta-Analysis）やシステマティック・レビューの結果を優先してください。」
といったような内容に変更してもよいかと思います。

「各主張には必ず根拠となる論文名やURLを併記すること。」
この一文により、一次情報の確認がぐっと楽になります。
「回答の各パラグラフの末尾に、参照した論文のタイトルまたはURLを付記してください」というような書き方でも良いでしょう。

「エビデンスが不十分な点は、曖昧なまま断定せず「不明」と回答すること。」
この一文が非常に大切で、これを入れることで、AI特有の「自信満々な嘘」を抑制し、「現在の研究ではここまで分かっている」という誠実な回答を引き出せます。
書き方は、「もし明確なエビデンスが見つからない場合は、推測で答えず『情報は確認できませんでした』と明記してください」というようにアレンジしても問題ありません。

健康情報を調べるとき、精度を上げるために次のようなプロンプトを一文最後に加えることも非常に有用です。

ちょい足しプロンプト－１
「回答を作成する前に、まずどの論文を参照するかリストアップし、その内容が私の質問に合致しているか自己評価してください。」

すると、Geminiは、次のように解答します。

もし、とりあえずリストアップと自己評価で一旦止めたい場合は、
ちょい足しプロンプト－２
「回答を作成する前に、まずどの論文を参照するかリストアップし、その内容が私の質問に合致しているか自己評価してください。そこで一度止まって、私の指示を待ってください。」
とすれば、ＯＫです。

さらに、深堀したい人のプロンプト
念のため、反論や異なる見解が欲しい場合は、そのの提示を求めると良いでしょう。

「特定の研究結果だけでなく、それに対する反論や限界点（例：サンプル数が少ない、特定の年齢層に限定される等）も併記してください」
とすれば、より情報の幅が広がり、深堀りもできます。

ちなみに、何かのルールを調べたい場合は、健康情報ではなく、法律関連になったりするので、あくまでも「参考」として、法律版だとこんな感じになるというプロンプトのサンプルもあげておきました。

Geminiも、ChatGPTも、Claudeも、有料版であれば、かなりハルシネーションも抑えられ、優秀な結果がでてきますが、無料版の場合は、やや精度が落ちてしまいます。

複数のAIを使って、クロスチェックさせる方法もあります。
慎重に調べたいテーマなら、複数のAIを使って比較する方法です。
例えば、

という流れです。

また、Claudeの場合は、無料版での使用でもSMS認証が必要になってきますので、SMS認証なんかしたくない、かつお金も使いたくないというのであれば、GeminiかChatGPTの無料版を工夫して使っていくということになります。

３つのAIの無料版の特徴の一覧表

『魔法の呪文』（ハルシネーション抑制プロンプトの決定版）に加えて、ちょっとした工夫をします。

まずは、こんなプロンプトを追加してみると良いでしょう。

Gemini、ChatGPT、Claudeのそれぞれの特徴を理解し、メリットを活かし、デメリットを補いあうように併せて使うと良いでしょう。

おススメなのが、まずは gemini（無料版）で『魔法の呪文』（ハルシネーション抑制プロンプトの決定版）を使います。

ついでに、

の追加プロンプトも検討します。

同様に、ChatGPT（無料版）でも『魔法の呪文』（ハルシネーション抑制プロンプトの決定版）を使い、Gemini の内容と比較し、検討します。

これで出来上がった草案を、ChatGPT（無料版）で貼り付け、『思考モード』にして、次のようなプロンプトを入れます。

「思考モード」などで検索した場合の違い

法律版：ハルシネーション抑制プロンプトの構成案

「最初からAIに全部調べさせて、最後まで文章を書かせればいいのでは？」
と思うかもしれません。
もちろん、それでもある程度の文章は作れまが、より精度を高めたいのであれば、「調べる作業」と「考える作業」を分け、「思考モード」を上手に使うことをおすすめします。
これが、生成AIを一段上のレベルで使うためのポイントです。

Gemini、ChatGPT、ClaudeなどのAIには、複雑な問題についてより深く考え、情報を整理するための「Thinking（思考）」系の機能があります。

無料版の場合、思考モードの使用回数は制限されているので、思考モードに最初からすべてを任せる必要はありません。
無料版で最初から思考モードを使ってしまうと、すぐに上限に達して制限されてしまいます。
そこで普段は通常モードにして、思考モードはとっておきのときに使うのが賢いやり方なのです。
つまり、

この流れがおススメです。

ChatGPT自身も、通常のSearchは素早い事実確認に、Deep Researchは複数の情報源を調査・分析・統合する複雑なリサーチに適していると説明しています。

ここからは、実際のテーマを一つ設定して、AIをどのように使えばよいのかを具体的に見ていきましょう。
今回『健康のために、1日1万歩歩くことは本当に効果があるのか？』というテーマで調べていこうかと思います。

「1日1万歩は健康にいい？」をAIで調べてみる――通常モードから思考モードまでの実践例です。

「健康のためには1日1万歩」という言葉は、今ではすっかり一般的になっています。
しかし、本当に「1万歩」が健康に必要なのでしょうか？
「8000歩では足りないのか？」「6000歩でも効果はあるのか？」「1万歩歩けば、死亡リスクや心臓病のリスクが大きく下がるのか？」「1万歩という数字そのものに科学的な根拠があるのか？」
このようにいろいろな疑問がでてきますが、こうした疑問をAIに調べてもらうことで、単なるネット検索では見えにくい「研究全体の姿」を確認することができるのがAIの強みです。

それでは早速、このテーマを使って、

というAI活用の流れを実践してみます。

STEP 1　まず通常モードで情報を集める

最初に、通常モードや検索機能を使って情報を集めます。
ここで大切なのは、いきなり「1日1万歩は健康にいいですか？」とだけ質問しないことです。
なぜかというと、この質問だけでは、AIがどのような研究を根拠に答えているのか分からないからです。

それではどうするのかというと、例えば次のように指示します。

このプロンプトでは、
「1万歩は健康にいい？」という単純な質問ではなく、「1万歩という数字そのものに根拠があるのか？」という、より科学的な問いに変えています。
さらに、
「1万歩歩けば健康になるのか？」だけではなく、「健康上のメリットは何歩くらいから現れ、歩数が増えるとどの程度まで増えるのか？」という視点で調べることが重要です。
大切な考え方としては、「1万歩」という数字を鵜呑みにせず、その数字を中心に科学的な根拠を掘り下げることを意識すると良いでしょう。
「1日1万歩を歩いた人と、5000歩、6000歩、7000歩、8000歩程度の人では、健康アウトカムにどのような違いがあるのかも調べてください。」みたいな情報の集め方をすると、さらに面白い情報が集まります。

重要なのは、STEP 1 は、あくまでも情報収集の段階であり、まだ文章を書かせないということです。
とりえず、「材料を集める」ことを優先します。

STEP 2　調査結果を整理する

次に、AIが集めた研究を整理します。
AIが集めた研究を整理してもらうといってもどうするのかという場合もあると思うので、一例をあげておきます。

例えば次のように指示します。

ここで重要なのは、単純に「1万歩に効果があった」という研究を集めることではありません。
次のような質問をAIに投げかけます。
「研究結果は一致しているのか？」
例えば、
「1万歩歩くと健康になる」という結果ばかりなのか。それとも、「6000～8000歩程度でも健康上のメリットが認められる」という研究があるのか。
さらに、
「歩数が増えるほど健康効果は直線的に増えるのか？」
という点も確認します。

「対象者は誰なのか？」
例えば、高齢者を対象にした研究と、若い成人を対象にした研究では、結果を同じように解釈できるとは限りません。
また、健康な人を対象にした研究なのか、すでに病気を持っている人を対象にした研究なのかによっても意味が変わります。
「効果の大きさはどの程度なのか？」も重要です。
例えば、「1万歩歩いた人は死亡リスクが20％低かった」という結果があったとしても、それだけで、「1万歩歩けば20％長生きできる」という意味にはなりません。
「相対リスク」が20％低下したのか、「絶対リスク」がどれくらい変化したのかによって、実際の意味は大きく違います。

「1万歩という数字そのものに根拠があるのか？」
ここは今回のテーマで特に重要です。
「1日1万歩」という数字が有名だからといって、「科学的に1万歩が最適値として決められている」とは限りません。
むしろAIには、
「1日1万歩という数字は、科学的研究から導き出された最適値なのか、それとも別の歴史的・社会的背景から広まった数字なのかを調べてください。」
と聞いてみる価値があります。
この質問をすることで、「1万歩」という有名な数字そのものを検証できるのです。

ここでさらに精度を上げるなら「表を2つ」に分けても良いでしょう。
１つ目の表は「論文そのもの」の整理したもので、論文、研究デザイン、対象者、歩数、アウトカム、期間、主な結果をまとめたもの
２つ目の表は「エビデンスとしての評価」をしたもので、論文、研究の強み、主な限界、因果関係を言えるか、1万歩を直接支持するか、エビデンス評価

STEP 3　ここで「思考モード」に渡す

ここからが、思考モードを使ったAI活用の一番重要なポイントになってきます。
通常モードで情報を集めたら、その結果を思考モードに渡します。
特に無料版だと、思考モードは使用回数制限などがあるので、そこまでにいかに通常モードで下ごしらえをしておくかが、より思考モードを有効に活用できるかどうかにかかってきます。

さて、いままで通常モードでしっかりとあつめてきた例えば、次のように指示します。

この例からもわかるように、思考モードには単なる「要約」をさせていません。
研究結果と結論の間にある論理の橋渡しが妥当かどうかをチェックさせているのです。

そうすることで、こんな「思い込み」を発見できるのです。
仮に調査結果から、「1日8000歩以上歩く人は、5000歩未満の人より死亡リスクが低かった」
という研究が見つかったとします。
ここで普通なら、
「やっぱり8000歩以上歩けば長生きできるんだ！」
と考えてしまうかもしれません。

しかし、思考モードに検討させると、
「これは観察研究なので、歩数が多いことそのものが死亡リスク低下の原因だとは断定できない」
という問題が出てくるかもしれません。

例えば、歩数の多い人は、
日常的に運動している
食生活が良好
喫煙率が低い
睡眠習慣が良い
社会的に活動的
もともとの健康状態が良い
など、他の特徴も持っている可能性があります。

つまり、
「歩数が多い人ほど健康だった」という研究結果と、「歩数を増やせば健康になる」という結論は同じではありません。
ここが、AIを使った科学情報リサーチで非常に重要なポイントです。

さらに重要なのが「1万歩」という数字です。
「なぜ1万歩なのか？」という問題です。

「健康には1日1万歩」という言葉を毎日のように聞いていると、まるで医学的に決められた基準のように感じます。
しかし、「1万歩という数字が有名であること」と「1万歩が科学的に最適であること」は別問題です。
そこで、
「1万歩という目標値について、科学的研究で最適値として支持されているのか、それとも便宜的な目標値として広まったものなのかを区別してください。」
と質問します。
このように問い直すことで、「1万歩」という数字そのものを検証することができるのです。
つまり、思考モードの役割は「答えを出すこと」ではないのです。

STEP 4　最後に「読者に伝わる文章」にする

ここまで検証したら、最後にブログ記事として文章化します。
例えば、思考モードに次のように指示します。

ここまで来て、初めて文章を書かせます。
つまり、

という流れです。

最初から、
「1日1万歩の健康効果について、科学的根拠のあるブログ記事を書いて」
と頼むよりも、途中に「検証」という工程を挟むことで、より慎重で論理的な記事に仕上げやすくなります。
そして最後に「自己評価」をさせます。
完成した記事をそのまま採用するのではなく、もう一度AIにチェックさせるのです。

例えば、

と依頼します。
ここまでやれば、「AIに記事を書かせて終わり」ではありません。
AI自身に、「この文章は本当に根拠に沿っているか？」という最後の検査をさせることができるのです。
しかし、ここでも忘れてはいけません。
AIによる自己評価も、あくまでAIによる評価ということです。
最終的に重要な論文については、論文そのものやPubMed、学会ガイドラインなどを人間が確認する必要があります。

「1日1万歩」という一つの質問から、ここまで調べられるこの例から分かるように、
「1日1万歩は健康にいい？」という一見シンプルな質問でも、科学的に調べようとすると、
「何歩から効果があるのか？」
「1万歩は本当に最適なのか？」
「歩数と健康の因果関係は証明されているのか？」
「どの健康アウトカムに効果があるのか？」
「年齢や健康状態によって違うのか？」
「どこまで研究結果から言えるのか？」
という、いくつもの問いに分解できます。

そして、ここにAIの強みがあります。

AIに単純な「答え」を聞くのではなく、
一つの疑問を、科学的に検証可能な複数の問いに分解してもらう。
そのうえで、通常モードで材料を集め、思考モードでその材料を批判的に検証する。
これが、科学情報を調べる際の、非常に有効なAI活用法なのです。

AIも、有料版を使ったり、SMS認証をしたうえでClaudeの有料版を使えば、もっと深堀りした精度の高い情報が、もっとラクに集まると思いますが、無料版で、思考モードの使用回数制限もある中、工夫次第で、かなりのエビデンスがある情報を集めることができるのです。

ＡＩ時代となり、
「科学的に証明された」
「専門家も注目している」
「最新研究で判明した」
といった、もっともらしい表現を使った情報も増えていくはずです。
だからこそ、これから重要になるのは、情報をたくさん集める能力ではなく、情報の質を見極める能力なのです。

AI時代に必要なのは、AIの回答を信じる能力ではありません。
AIにどう調べさせ、AIにどのように考えさせ、そして人間がその根拠を確認する能力になってくるのです。