AIを活用して小説のキャラクター設定の整合性をチェックする

なぜキャラクター設定資料には単なる特徴リスト以上のものが必要なのか

「マーラは慎重で、左利きで、ポストカードを集めている」といった平坦な箇条書きには、性質の異なる情報が混ざり合っています。「左利き」は不変の事実かもしれませんが、「慎重」は状況によって変わり得る解釈であり、ポストカードの収集癖は物語の進行に伴って変化する可能性があります。各記述が「いつ」「どのように」適用されるかが明記されていなければ、AIチェッカーは有意義なキャラクターの成長を誤りと判定したり、逆に本当の整合性の問題を見逃したりするおそれがあります。

検証可能な主張（クレーム）を中心に設定資料を構築しましょう。各項目について、キャラクター名、主張内容、その時間軸やシーンの適用範囲、そしてその情報の出所を記録します。さらに、確定済み、予定、未確定、変更済みといったステータスを付与します。作中の客観的な事実と、キャラクターが信じていること、発言したこと、記憶していること、あるいは他人に伝えたこととを区別してください。これらのカテゴリーは同列には扱えません。

項目はアトミック（最小単位）に保ち、1行につき1つの主張を記載します。「マーラは32歳で、左利きで、慎重で、青い自転車を所有している」という書き方では、安全に確認や更新を行うのが困難です。主張を分割しておけば、年齢を修正した際に、利き手や未解決の所有物に関する詳細を誤って上書きしてしまう心配がありません。

新しいシーンをチェックするための実践的なワークフロー

1. 下書きの該当箇所を確定し、関連する公式設定を抽出する。

チェックを依頼する前に、確認対象とする原稿のバージョンを決定します。その一節に関連するキャラクターの項目（シーン内で使われる身体的特徴、現在の所持品、人間関係、知っている情報、現在地、タイムラインなど）を抽出します。過去の事実は、そのシーンがそれらに依存している場合にのみ含めてください。小説全体を整理せずに一度にプロンプトとして送信し、モデルがあらゆる制約に気づいていると思い込まないようにしましょう。

この注意点には研究上の裏付けがありますが、その限界を理解することも重要です。Liu氏らによる2023年の論文[『Lost in the Middle: How Language Models Use Long Contexts』](https://arxiv.org/abs/2307.03172)では、テストされたモデルにおいて、入力文の中盤に関連情報が存在する場合、先頭や末尾付近に存在する場合と比べてその情報を正確に利用できる信頼性が低くなる傾向が報告されています。この知見は小説の整合性を直接検証したものではなく、特定の最新モデルがどのように振る舞うかを断定するものでもありません。しかし、長大なコンテキストのみに依存するのではなく、「関連する事実を抽出して質問の近くに再提示する」という賢明で実践的な選択を支持する材料にはなります。

2. 一般的な校正ではなく、比較を指示する。

モデルにシーンの抜粋と関連する設定項目を与えます。直接的な矛盾のみを特定し、双方の正確な記述を引用した上で、その食い違いが意図的な変化、作中の思い込み、あるいは時間差によるものかどうかの説明を求めます。具体的な根拠が示せない場合は「矛盾なし」と回答させます。有効なプロンプトの例は以下の通りです。

「以下の抜粋文と設定項目の内容を比較してください。【設定の主張と出典】【抜粋文の記述】【矛盾の種類】【確信度】【作者への質問】を含む表形式で出力してください。同じ時間軸および視点において両立しない主張のみをフラグ付けしてください。直接的な矛盾と、曖昧さやキャラクターの成長の可能性とを区別してください。シーンのリライトや、不足している事実の創作は行わないでください。根拠が不十分な場合は『不確定』と回答してください。」

これは提案された編集手順であり、モデルが指示通りに正確に従うことを保証するものではありません。OpenAIの[プロンプトエンジニアリングガイド](https://developers.openai.com/api/docs/guides/prompt-engineering)では、タスクを明確に指定し入力を整理することが推奨されていますが、このドキュメントはプロンプトの指針を示すものであり、出力が完全または正確であることを保証するものではありません。比較結果は、原稿と照らし合わせて検証すべき「手掛かりのリスト」として扱ってください。

3. 推敲の前にフラグを分類・トリアージする。

フラグが付けられたすべての箇所について、引用元のシーンを確認し、分類します。実践的な4つの判断基準は以下の通りです。

周囲のシーンを確認せずに、AIが生成した修正案をそのまま受け入れてはなりません。ある事実を変更する提案は、別の矛盾を引き起こす可能性があります（例えば、あるシーンの小道具の設定を変更すると、別の場所のタイムラインが崩れるなど）。修正案を選択したら、原稿と設定資料をセットで更新し、影響を受ける後続のシーンを再確認してください。

具体例：ノートの色が変わる場合

確定した設定資料に「マーラは第2章から第12章まで藍色のポケットノートを携帯している」と書かれていると仮定します。第13章の下書きで、彼女がバッグから緑色のノートを取り出し、前週に書いたメモを読むシーンが登場したとします。チェッカーは双方の記述を引用した上で、これが同じノートなのか、買い替えたものなのか、あるいは別のキャラクターの主観による意図的なズレなのかを問いかけるべきです。単に2つの異なる色が登場したという理由だけで、即座に矛盾と決めつけるべきではありません。

作者は原稿を確認します。第12章でマーラが藍色のノートに緑色のカバーをかける描写があれば、見た目の違いには理由があることになりますが、読者のために第13章でわずかな補足が必要かもしれません。カバーを変えた描写がなく、過去のメモが2冊目のノートに書かれているはずもないなら、下書きには本物の整合性エラーが含まれている可能性があります。作者は「緑色」を「藍色」に修正するか、ノートの変更を裏付けるシーンを追加するか、あるいは別のノートを手にした設定にするかを選べます。どの選択も、前後の描写に影響を与えます。

有用な検証ポイントは、それらの主張が「同一の対象」を、「同一の時点」で、「同一の視点」から言及しているかどうかです。不明な点があれば、疑問点としてフラグを立てます。モデルは該当する2つの文を提示できますが、作中にどのノートが存在するのかを決定するのは作者自身であり、設定資料の更新はその決定を下した後にのみ行います。

リビジョン管理：設定の変更を追跡可能にする

フラグを解決した後は、影響を受ける主張の隣に編集上の決定を記録します（何が変更されたか、どの章がそれを裏付けているか、以前の記述は上書きされたかなど）。他のシーンで以前の詳細がまだ残っている理由を説明しやすくするために、過去のバージョンや日付入りのメモを残しておきましょう。次に、原稿全体からそのキャラクターと関連する詳細（「ノート」「カバー」「藍色」「緑」など）を検索し、文脈の中でそれぞれの出現箇所を確認します。完全一致検索を使えば、AIが見落とした表現も見つけ出すことができますが、それぞれの使われ方が物語上整合しているかどうかまでは判断できません。

修正した抜粋箇所と、その変更によって影響を受けるすべてのシーンに対して、再度チェックを実行します。モデルに設定資料を勝手に編集させることは避けてください。まず提案された変更点を確認し、作者自身の手で、または管理されたドキュメントの改訂手順を通じて適用します。プロジェクトのワークスペースやドキュメント機能を利用している場合は、特定の保存・検索動作に依存する前に最新の公式説明書を確認してください。この整合性チェックの手法は一般的なテキスト文書で機能するため、特定のプラットフォームに依存することはありません。

限界：AIができること、できないこと

モデルは提示されたテキストを比較し、確認すべき箇所を提案し、整合性レポートをフォーマットする支援ができます。しかし、矛盾する下書きから作者が意図した真の設定を自ら判断することはできず、作者自身が矛盾を解決する必要があります。また、詳細を見落としたり、タイムラインを誤読したり、サブテキスト（行間）を事実と誤認したり、もっともらしいが根拠のない説明をでっち上げたりすることもあります。コンテキスト長に関する研究は、「本を一冊丸ごと入力した」からといってすべての関連する文が考慮された証拠にはならないと考える理由の1つですが、すべてのシステムが長大な原稿で失敗することを示すものでもありません。

公式設定、語り口、そして作品の意味に対する責任を負うのは、常に作者自身です。AIの出力は監査ログとして活用してください。提案されたすべての矛盾には該当箇所の提示が必要であり、承認されたすべての修正には明確な根拠が存在すべきであり、未解決の項目は未解決のまま明確に残されるべきです。長編小説においては、章をまたいでモデルが暗黙的にキャラクターの設定を記憶していることに頼るよりも、このような地道で規律あるアプローチのほうがはるかに信頼できます。

このテーマをさらに見る