AI時代に、
問いを立て、変数を整理する力。
知識や情報の「所有」から、それらをどう使うかという「処理」へ。
Practigence（プラクティジェンス）は、変化の激しい現代において認知のノイズを整理し、本質的な意思決定を下すプロセスを可視化する次世代のアセスメントツールです。
Practice × Intelligence
AI時代に、
Story teller
トークセッション（ChatGPT / Claude / Gemini）を分解・監査し、Tree Zone / Liquid Zone として立体配置・文章化する内部ツールです。受験PINとは別の発行済みPINで入室します。
認知科学だけにとどまらない様々な分野の知見、制作者の知見に基づき、個人の真の思考処理力（CPU）を可視化する
Practigenceは、従来の記述型評価や選択肢テストでは捉えきれなかった「流動性知能」と「メタ認知能力」を客観的にあぶり出し、適材適所による知力リソースの最適化を目指します。
静的知能から動的知能へ
Raymond Cattellの「結晶性知能（知識の蓄積）」ではなく、変化の激しい状況下で不完全な情報から変数間の力学を同定し、仮説を動的に更新する「流動性知能（Fluid Intelligence）」を精密に測定します。
AI共生時代の「脱・認知飽和」
生成AIにより情報供給が容易になる中、脳のワーキングメモリの限界（Millerの法則）をふまえ、認知のノイズを削ぎ落として本質的な変数のみを厳選する「情報選別力」と「課題設定力」を評価します。
思考プロセスの客観的な可視化
最終的な解答だけでなく、反応潜時（思考時間）や修正ログを追跡（プロセス・トレイシング）。多面的な評価エンジンの統合により、評価側の認知天井（Ceiling Effect）に左右されない公正な評価を実現します。
【体感シミュレーター】CPU（流動性知能）vs HDD（知識蓄積型）
現実の問題解決において、脳の「処理構造」の違いがどのような結果の差を生むかシミュレートします。
HDD型（蓄えた知識を引き出して処理）
// 起動待機中...
CPU型（その場で考えて処理）
// 起動待機中...
Philosophy
意義・理念
社会における適材適所の推進
Practigenceは、社会における真の「知性の適材適所」を推進し、知力リソースを最適化することを目指します。個人が自身の客観的な認知構造（CPU特性）を正しく把握し、それに基づいた最適な自律的意思決定を下せる環境を整備することで、知的生産性の非効率を解消し、社会全体の課題解決能力を高めます。
なぜ作るのか — 知能の非対称性の解消
本ツールの主目的は、思考の階層を正直に可視化することです。その動機は「知能の非対称性」の解消にあります。思考の段階には、上の段からは下の段の考え方が見通せる一方、下の段からは上の段が見えにくいという非可逆な差があります。この差は、見えない側からの誤解（「奇異だ」「過大評価では」）や、噛み合わない会話、活かされないまま死蔵される潜在を生みます。可視化は、この非対称が生む社会的ミスマッチを埋めるための起点です。
可視化はゴールではなく出発点で、その先に弧（一連の流れ）が続きます：
- 可視化：いまの現在地（段・圏）を、ぼかさず正直に映す。
- 判定と活かし方：クセ・強み・弱み（ボトルネック・持ち腐れ）を見極め、伸ばし方へつなぐ。
- 社会との接続：釣り合う環境・役割へつなぐ。
- 育成：現在地から動かす。
大切なのは、いまの現在地を正確につかむことです。レベルは現在地であって、到達できる上限ではありません——育成があるのは、人は動く前提だからです。間違った物差しで自分を測るのをやめ、合う環境を選び、伸ばす起点にするためのものです。
Practigenceにおける「知能」の定義
環境の適切性をメタ認知的に評価し、適応すべき環境を自律的に選択・構築・棄捨しながら、経験から不変の論理構造を抽出・再構成して本質を理解し、不可視の因果力学をシステムモデル化し、極少数の情報からでも仮説を柔軟に更新（ベイズ的更新）しながら、将来のリスク予測・予防と現在直面する複雑な課題を同時解決する、動的な階層的認知処理能力の総体。
知能の三軸 — CPU × 知識(HDD) × 軸外の素養
実際の知的パフォーマンスは、おおむね三つの軸の掛け算で決まります。本テストが測るのは、このうち CPU（流動性知能＝その場で考える力）だけです。
CPU（測定対象）
未知の課題で変数を整理し、構造を見抜き、仮説を更新する力。思考操作の階層＝本テストのレベルです。
知識・HDD（計測外）
蓄積された知識・現場知・専門リテラシー。別の軸として、外部試験などで測ります。
軸外の素養（計測外）
美的感覚・情緒・身体で覚えた技など、推論ではない素養。これも別の軸です。
知識と素養は、CPU とは別の物差しで測るもので、本テストの対象ではありません。三軸の関係は非対称で、CPU が基盤になります。高い CPU は知識や素養の獲得・補完を速める一方、知識や素養だけでは CPU を代替できません（死蔵された知識は実力になりません）。ゆえに 「未経験の分野だから」という理由だけで指摘を退けるのは誤り——その人は経験ではなくその場の分解で見ているからです。ただし高い CPU も知識の欠落を補えるのであって代替はしないため、知識密度の高い領域では「ここで高い＝何でも知っている／常に正しい」ではありません。
客観的アセスメントが提供する科学的価値
心理学におけるメタ認知理論（Flavell, 1979）が示す通り、自己の認知癖を正しく自覚する（自己キャリブレーション）には高度な知力が必要であり、自力のみでの偏りの修正は難しい場合があります（ダニング＝クルーガー効果）。さらに、自己申告型のアンケートでは「社会的望ましさバイアス」により無意識に回答を良く見せようとするため、主観を挟まない客観的アセスメントが有用となります。
客観測定により、ブラックボックス化されがちな思考プロセスを解き明かします：
- 認知バランスの可視化：どのモジュールの組み合わせにより、どのような認識や判断の特徴が生まれているのかを論理的に整理します。
- ごまかしのきかない評価設計：表面的な正誤や自己選択ではなく、条件の分類、変数ソート、回答更新ログを時間軸とともに分析する手法で、真の適応力を捉えます。
- 意思決定の精度向上と自律：自身の流動性知能の特徴や傾向を把握することで、他者やAIの力を適切に借りる「協調的知能設計」が可能になり、確度の高い意思決定判断をサポートします。
「数学が論理を内包している」という誤認
教育を保護する言説として「数学は論理的思考を鍛えられる」というものがあります。しかし数学が扱う問題は多くの場合、条件が明示され、不要情報が除かれたクローズドな環境です。一方、現実の意思決定では、変数は不完全で情報の鮮度も異なります。
「数学ができないから論理的思考力を持たないだろう」というのは不適切です。数学は論理そのものではなく、論理が数学を内包しているからです。数式の扱いに習熟していなくても、言語で筋道を立てられる人は豊かな論理的思考力を持ちえます——むしろ、人が用いる論理の大半はその言語的論理です。
言語的論理と社会的干渉
人間が社会において意思決定し、他者とコミュニケーションを図る際に用いるのは、多数の「言語的論理」とごく一部の「数学的論理」です。にもかかわらず、学校教育や試験で測定しやすい数学的論理のみを偏重することは不適切と言えます。
学業成績が良いことと真の知能が高いことが同一視されてしまう相関の誤認に対し、Practigenceは中身を直視し、相関が成立しない心理的バイアスを正しく分析・評価する視点を提供します。
階層とのつき合い方 — 対等な契約と双方向の検証
非対称性は実在しますが、扱いには規律が要ります。本ツールは次の作法を前提に設計されています。
- 見えないものを「壊れている」と断じない：自分が持たない枠を「奇異・変人」とみなすのは、観測する側の解像度の問題であることがあります。逆に「変だから高い」も同じ誤り——判断材料は中身（全体を捉えているか）だけです。
- 対等な契約（無償奉仕の否定）：非対称性の解消は、能力ある人を無償で徴用することではありません。翻訳・橋渡しは要望への応答であって、無条件の先払い義務ではありません。
- 確信は実力に較正する：「深く考え、軸を捉え、現実に接地させて検証する」力には床があり、おおむね高度処理圏（L7–8）以上で「検証したから確信してよい」が成り立ち始めます。そこに届くまでは、異論は断定ではなく“保留付きの疑問”として出すのが健全です（自分に見えていない枠があり得るため）。
- ランクで黙らせない（双方向の検証義務）：低く見える側の反対も、上位はいったん中身で検証する義務を負います。下位の批判が本物を突くこともあるからです。権威で論破せず、ランクで黙らせず、各人が自分の「どこまで分かっていないか（無知の知）」に正直であること。
高さと環境のミスマッチ
「高い」こと自体より、高さと環境・接続のミスマッチが、生きづらさや力の不発の主因になりやすい——本ツールはそう捉えています。通じる相手が減る孤立、盤面が見えすぎることの重さ、中央値に合わせた環境での慢性的な過小刺激などです。
だからこそ、可視化 → 活かし方 → 接続 → 育成という弧は、そのままミスマッチへの対処になります。不発は宿命ではなく、「環境」という可動部に効かせられます。
AI 時代に本当に効く力
AI は誰にでも豊富な知識と流暢さを与え、“見かけの能力”の床を上げます。しかし AI は知識と演算の供給であって、CPU（検証し、問いを立て、骨格を保つ力）そのものは上げません。検証できなければ、AI の自信ある誤りをそのまま量産してしまいます。
結果として、AI はかえって隠れた非対称性を広げ得ます——見かけは平準化しても、誤った意思決定という実害は検証できない側に偏るからです。だから本テストは、AI で覆い隠せない CPU＝AI を正しく使い、その誤りを捕まえ、上位構造を保つ力を測ります。これは知識量では代替できません。
Introduction
紹介
Practigenceが提供する本ツールは、現実の問題解決に必要な認知処理を、機能単位に分解・分類した体系を基盤とし、流動性知能を評価することを目的としたものです。
本ツールは何が欠けると、どのような認識不全・判断不全・解決不全が起きるのかを整理し、それぞれの能力を測定可能な形式へ落とし込み、その体系を用いて測定を行います。
この定義を踏まえ、機能分解を行い能力を細分化し、そのうえでその細分化した項目を発揮できているかどうかを引き出し、確認し、分析する手法を考案・作成し、得た情報からレポートを作成します。
【具体例】機能分解と情報の選択における認知負荷
日常生活やビジネスにおける意思決定プロセスを説明するため、「ソファを購入する」という身近なシナリオを考えます。
ソファの購入を検討する際、通常は「部屋の配置寸法」「価格」「耐久性」「色」といった基本変数を考慮します。しかし、ここに「短期間で引越しを繰り返す単身者」という特殊な属性が加わると、「解体・搬出のしやすさ」や「リセール価格」が意思決定の『必須変数』へと変わります。一方で、部屋が極めて広い人の場合は、寸法に関する制約変数は考慮不要な『ノイズ』になります。
認知負荷理論（Cognitive Load Theory）が示すように、私たちの脳のワーキングメモリ容量には限界があります。不要な情報（ノイズ）を頭から捨てられないと、判断に必要な処理リソースが飽和し、意思決定のフリーズや判断ミスの原因となります。
Practigenceでは、このように「変化する前提条件に応じて、どの変数を必須とし、どの変数をノイズとして切り捨てるか」という動的な**情報選択・機能分解能力（CD）**を評価します。
【体験シミュレーター】機能分解の方法（1）：ソファ購入の思考実験
上記で説明した購入状況において、属性選択により、どの変数が必須となり、どの変数が不要な「ノイズ」となるかを可視化します。
必須
ソファの寸法
設置場所に収まるか確認する基本の変数。
必須
価格と耐久性
予算と使用期間に対する実用的な変数。
必須
解体・搬出のしやすさ
移動を前提とするときに発生する重要な制約条件。
必須
中古販売価格（リセール）
短期利用で手放す際の手戻り損失を防ぐ変数。
ノイズ（不要）
他人の部屋の間取り
完全に形状が異なる他人の環境情報は、判断を誤誘導するノイズ。
必須
部屋の間取り・寸法
一般的な配置検討では必須ですが、極端に広い部屋では考慮の重みがゼロになります。
【解説】機能分解の方法（2）：急な列車見合わせ時の意思決定
＜想定される状況＞
普段慣れていない場所で、目的地へ向かう列車A（所要時間20分）が、線路内立ち入りによって突如運転見合わせとなった。目的地で乗るバスの出発（デッドライン）までは残り30分。猶予はわずか2分。
この緊迫した状況下で、動的知能が高い者は、以下の「変数分類」と「高速演算」を脳内で瞬時に実行します。
| 選択肢（オプション） | 提示された表層情報 | 脳内での変数分類と処理 | 演算結果 |
|---|---|---|---|
| ルートA：列車（20分） | 運転見合わせ中。すぐ解消される可能性もある。 | 「線路内立ち入り」は警察の介入等により、復旧時間が数分〜数時間まで変動する振れ幅が最大の変動パラメータであると定義。30分の絶対的デッドラインに対してリスクが高すぎるため、即座に排除。 | 即座に棄却（損切り） |
| ルートB：バス＋電車 | 20秒後にバスが来るが、不確実で時間がかかる。 | 20秒という猶予は、不案内な土地における「認識・移動コスト」が「利用可能時間」を上回るため物理的に破綻。かつ所要時間が長い（不確定要素をノイズとしてカット） | 即座に棄却（ノイズ処理） |
| ルートC：地下鉄（25分） | 残り30分に対して、所要時間は25分。 | 地下鉄は構造上、地上の外部ノイズの影響を受けにくく、所要時間25分は「最も信頼性の高い固定パラメータ」であると判定。バッファ5分は移動ロスを吸収するのに適当と計算。 | 2分で採用確定 |
周囲の認知限界と「プロセスのブラックボックス化」：
この意思決定の本質は、「最速（20分）の可能性を捨ててでも、デッドライン（30分）以内に収まる確率が最も高い選択肢を冷徹に選んだ」という、期待値とリスク管理の高度な期待値最適化です。
経験の非線形性と「抽出能力」の断絶
一般的に「経験」という言葉は、費やした時間の長さに比例して価値が高まるものと誤認されがちです。しかし、経験の長さ（時間軸の蓄積）は、単にその環境に滞在したという物理的事実を証明するに過ぎません。
システムや自身の行動を何一つ変更せず、無批判な惰性で過ごした時間は、どれほど膨大であっても知能のアップデートには寄与しないのが現実です。
「経験からどれだけのことを学べたか」という学習の質と速度は、時間の長さではなく、その経験（具体的な事象）からどれだけ純粋な論理構造や本質的な変数を【抽出】できるかという、流動性知能の処理密度に依存します。
静的蓄積型の経験
個別の事象を「エピソード（単一のデータ）」としてそのまま記憶（ストレージに格納）する。そのため、少しでも前提条件が変わると過去の経験を全く応用できない。
動的処理型の経験
具体的な経験から「感情的ノイズ」や「固有の条件」を即座に削ぎ落とし、他の文脈でも使い回せる「普遍的な関数（アルゴリズム）」へと超高速で抽象化（抽出）する。
※ 本ツールは、その経験を駆動させている「変数の抽出能力」そのものを測定対象としています。
能力の育成が困難な理由：「知識の追加」ではなく「処理構造の変化」
これらの能力の育成が難しい理由は、能力の性質が「知識の追加」ではなく、脳の「処理構造の変化」そのものにあるためです。
「明日から目の前にあるものをすべてモノクロ（白黒）で認識してください」と言われて、すぐに実行できるでしょうか？
意識を集中させても、視覚の処理構造を意図的に切り替えるのは不可能です。情報の取捨選択や問題設定のパターンも同様で、単に「やり方を知る」だけでは脳の処理構造は変わりません。そのため、動的知能の体系化を踏まえた測定と、それに基づくパーソナライズされた継続的な訓練が必要となります。
思考のレベル体系（14段・7圏）
本テストは思考の流動性を 14 の段（レベル）として測り、7 つの圏（層）に束ねます。上ほど希少です。段は思考の“高さ”を正直に示します——ぼかしません。認知の段階として高い・低いは確かにありますが、それは人としての優劣や価値ではなく、いまの「現在地」＝次へ進むための出発点です。
| 圏 | 段 | 呼び名 |
|---|---|---|
| 希少圏 | L12–14 | 全域達成・枠の組み替え・無欠 |
| 統合圏 | L10–11 | 瞬発統合・多次元統合 |
| メタ圏 | L9 | メタの目 |
| 高度処理圏 | L7–8 | 多層保持・系の操作 |
| 応用圏 | L5–6 | 文脈耐性・系の入口 |
| 標準圏 | L3–4 | 実務・比較と伝達 |
| 基礎圏 | L1–2 | 萌芽・連結 |
各圏をクリックすると、その段の「世界の捉え方」と「AI を正しく使える範囲」が開きます
上の圏を選ぶと、ここに詳細が表示されます。
※ 帯の境界・分布はイメージであり、現在も検証・較正を進めています（暫定・参考）。「標準」が L3–4 か L5 かなどの区切りは実データで確定します。
14 段それぞれの詳細
段（レベル）を選ぶと、その段の呼び名・情報・詳細・AI を正しく使える範囲・その他が開きます。内容は理念（思想）ページの考え方に基づきます。境界・配分は暫定で、実データにより較正中です。
上の段を選ぶと、ここに詳細が表示されます。
レポートの詳細
受検後、思考の段階（レベル）を中心に、あなたが次に活かせるレポートが作成されます。点数で人を順位づけるのではなく、いまの「現在地」を正確に映し、次の一歩につなげるための地図です。
-
現在地 — 総合レベルと帯の意味
あなたの思考がいまどの段階（帯）にあるかを、ぼかさず正直に示します。あわせて、テスト中に観察された認知プロセスの動き（仮説の更新の仕方など）も言葉で記述します。段は思考の「高さ」を正直に示し、認知の段階として高い・低いは確かにありますが、それは人としての優劣や価値ではなく、いまの「現在地」＝次への出発点です。
-
あなたの像 — 強み・ボトルネック・持ち腐れ
観察された強み、いま伸ばすと最も効く所（ボトルネック）、部品は高いのに活かしきれていない潜在（持ち腐れ）、そして自己認識との照合を提示し、改善の方向づけまで含めます。
-
活かす — 釣り合う適性と次の一歩
あなたに釣り合う適性（思考力の帯 × 必要知識は別の軸）と、伸ばし方・合う環境の方向づけ。知識・経験・身体で覚えた技・美的感覚などは本テストの計測外で、別の軸として扱います。
レポートの読み方
本レポートは「知識の量」ではなく「考えるプロセス（動的知能）」の評価です。主に次の要素で構成されます。
-
レベル（L1〜L14／7圏）
いま安定して機能している総合的な水準を、14 の段（L1〜L14）として示し、基礎圏から希少圏まで 7 つの圏に束ねます。一番弱い工程が全体の天井を決めます（土台が不確かだと、その上に積んだ判断も不確かになるため）。下位の段は「機能していれば」到達でき、上位ほど各工程が高い水準で揃い、さらに処理の速さも条件になります。
-
思考の工程（どこで詰まるか）
認識 → 分析 → 理解 → 思考 → 設計 → 言語化 の流れで、各工程が機能しているかを示します。最初に詰まる工程が、伸ばすと最も効く場所です。誇るための指標ではなく、改善の順番を示す手がかりです。
-
できていること／要改善点／持ち腐れ
機能している点、次の段階で伸ばせる点に加え、「高い瞬発力はあるが土台が不安定で、安定して発揮できていない能力（伸びしろ）」を区別して示します。高さに安心せず、結びついた弱点に目を向けるための欄です。
専門知識と外部試験について
本アセスメントは、特定分野の知識の正確さ・量そのものは測定しません（専攻や前提知識による有利・不利を避け、考える力を公平に比較するため）。そのため、一定以上のレベルの確定には、ご自身の専門・必要領域における正しい知識（ドメインリテラシー）を測る外部の試験での検証が別途必要です。レポート上で「暫定」と表示されるレベルは、この検証が未了であることを示します。
Features
本ツールの特長・知能体系
Practigenceは、人間が物事を「認識」してから「判断・意思決定」に至るまでの思考プロセスを網羅的に分解し、AからNの各分野、複数能力の融合で現れるM、構成が十分に揃って初めて顕現するO（O1–O8＝最上位の弁別子）、そして全体を統合するPとして定義・測定します。これらの到達度が、14段・7圏のレベルとして表現されます。
行動至上主義がもたらす「高知能」と「発達障害」の誤認構造
従来のチェックリスト式評価システムは、個人の処理メカニズムではなく表面上の行動（What）のみを測定するため、知能が極めて高い個体を「発達障害」と誤認するリスクをはらんでいます。タブをクリックして違いを確認してください。
表面上の行動特性 (ADHD・不注意と判断される What)
ワーキングメモリの制御困難などにより、特定のタスクに注意を維持できず、意図せず他の刺激に目移りしている。退屈なタスクを前にすると注意力を維持できないように見える。
脳内の処理プロセス (高知能によるリソース余剰 Why)
脳の処理速度が速すぎるため、提示された単純タスクを瞬時に終えてしまい、ワーキングメモリが大幅に余る。その結果、脳の適切な覚醒レベルを維持するために、あえて負荷の高い別の思考や知的探索を自発的に開始する（思考のマルチタスク）。これは「不注意」ではなく、脳のエンストを防ぐための自己防衛的な最適化行動である。タスクが難解なほど過剰な集中を示す。
表面上の行動特性 (ASD・社会性障害と判断される What)
他者の意図や、明文化されていない社会的文脈（空気を読むなど）の解読自体が困難。不合理なルールに従わない。会話のプロセスが飛躍しており奇異に見える。暗黙のルールを読まない。
脳内の処理プロセス (認知レベルの不一致 Why)
相手と前提知識、抽象化の階層、論理の処理速度が違いすぎるため、本人の正論や本質的な指摘が周囲に理解されない。ルールに従わないのは「従うことの無意味さ」がロジカルに見えすぎているため。一を聞いて十を知る認知構造ゆえに、会話のプロセスを数ステップ飛ばして結論を出すため、周囲からは「飛躍していて奇異だ」と誤認される。
【認知科学の視点】評価側における認知限界と特性の誤認構造
サイバネティクスにおける「必須多様性の法則（Ashby, 1956）」が示す通り、複雑なシステムを適切に評価・制御するためには、評価側にもそれと同等以上の多様性（状態の複雑さ）が求められます。評価を行う人（上司や指導者など）の認知特性と受検者の特性に大きな乖離がある場合、受検者特有の高度な処理やメタ視点を十分に認識できず、評価のミスマッチが起こる可能性があります。
このため、本来は「リソースの余剰による自発的探索（退屈への回避）」や「独自の変数設計」であるはずの行動が、表面的に「不注意」や「協調性の欠如」といった既存のラベルで捉えられてしまうという構造的課題が存在します。
知能モデルの多次元化の必要性：
指導における知識（結晶性知能）の優位性と、未知の課題を解決する処理（流動性知能）の優位性は別次元のものです。従来のテストのように表面的な行動（What）を評価するのではなく、その行動がどのような「内部リソース（CPU）」と「外部環境のタスク負荷（前提条件）」の相互作用（関数）から生じているかをモデル化することで、認知限界による誤認を排し、個人の本質的な認知特性を客観的に捉えることができます。
動的アセスメントを適用した評価システムへの移行
従来のシステム（単一出力構造の限界）
表面化された「行動」という単一の出力を、背景にある文脈や変数を無視して直接分類します。
- 入力：行動（例：授業や業務に集中せず、別のことをしている）
- 処理：行動が発生した ＝ 「不注意（ノイズ）」とみなし、即座に「ADHDの疑い（不真面目）」とラベルを貼る。
- 課題：個人の「内部リソース（CPU）」や「環境・タスクの負荷」という決定的な動的変数が完全に無視（あるいは定数化）されている。
本ツールの評価システム（動的変数分類）
表面的な行動を直接分類するのではなく、「内部リソース」と「外部環境」の相互作用（関数）として正しく因数分解します。
- 内部リソース（固定パラメータ）の特定：個人の純粋な「脳の処理速度」や「ワーキングメモリの容量」を、動かせない前提としてアセスメントにより正確に把握する。
- タスクの負荷（変動パラメータ）との照合：提示されている環境の難易度や、情報のノイズ度を客観的に評価する。
- 合理的な判断：環境負荷が本人のリソースに対して低すぎる場合、別の思考を開始する行動は「必然的かつ合理的な帰結」として処理され、誤認ラベルは排除されます。
A: 認識分野
何を認識し、知覚したか
状況を前にした際、最初にどの変数やノイズを感覚的にキャッチできているか。すべての認知処理の起点となる力です。この階層における認識漏れは、その後の分析や判断の誤りに直結します。
Value Proposition
機能と価値
AIによる多角的プロファイリング
回答プロセスの細粒度可視化
複数のAI受検判定器があなたの回答を独立して分析。単なる正誤だけでなく、「どのステップで論理が飛躍したか」「いつ仮説を修正したか」など、思考プロセス自体を微細にマッピングして可視化します。
知識に偏らない設計
思考の純粋測定
暗記量や専門知識の有無を競う既存のテストとは一線を画し、「未知の課題に直面した際の変数整理力や推理力」そのものを評価します。専攻や背景による有利・不利が生じにくい設計です。
難易度に応じた公平な採点
評価の精緻な重み付け
易しい課題の失敗と難しい課題の成功を単に一律でスコア化するのではなく、課題自体の難度や複雑性（変数の多さ）に応じて採点を重み付け。受検者の「本当の処理限界」を正確に評価します。
「正しく見る」構造的な工夫
判定の偏りに対処
優れた資質や高い認知能力を見落とさないよう、評価の入り口となる提示条件や手順を徹底的に構造化。記述表現の違いによる偏りやバイアスを防ぎ、公平で精確な客観判定を行います。
対策・暗記の効きにくさ
受験ごとの動的変化
テストの一部は受験ごとに内容や前提変数が変化するため、ネット上の解答を丸暗記したり、テクニック（ゲーミング）で高得点を狙ったりする不正・チート行為が一切通用しません。
プライバシーと自律の配慮
非紐付けとクールダウン
受検結果と個人情報は紐付けず、プライバシーを厳格に保護。また、短期間での反復受検による「慣れ（練習効果）」を防ぐため、再受検には一定のクールダウン（インターバル）期間を設けています。
誰にとっての「優位性」？
個人にとっての優位性
認知特性の自己理解と、これからの知の育成指針
「どのような場面で判断の偏りが生じやすいか」「どの情報をノイズとして処理し損ねたか」といった、自分自身の思考のクセを客観的に把握（自己キャリブレーション）できます。現在の得意・不得意のあぶり出しにとどまらず、AI共生時代において人間ならではの代替不可能な高次認知スキルをどのように育めばよいか、具体的な指針を得られます。
✓ 知識再現型から脱却するための知の育成指針
✓ 思考プロセスの偏りを発見する自己キャリブレーション
企業にとっての優位性
AI時代に適応する処理力（CPU）の測定と採用ミスマッチの防止
知識の暗記量（HDD）ではなく、未知の課題に対応できる純粋な思考力・適応力（CPU）を評価します。事前対策や嘘による取り繕いが難しい構造のため、面接だけでは見極めが難しい「真の認知処理能力」を客観的に把握し、採用や配置のミスマッチにかかる組織的コストを大幅に削減します。
✓ カオスな環境に対応するCPU型処理力の直接測定
✓ 対策や誇張を無効化するプロセス追跡型アセスメント
社会にとっての優位性
知識偏重から思考処理への評価のアップデートと適材適所の推進
過去の知識を多く覚えている人（結晶性知能）のみを優位としてきた従来の評価インフラを、変動が激しく予測困難なAI時代に求められる「高次流動性知能」中心にアップデートします。個々人の多様な認知構造に応じた知力資源の適材適所を推進し、それぞれが強みを活かして自律的に補い合う協調社会の実現を促します。
✓ AI共生時代にも持続する本質的な知性の評価インフラ
✓ 認知の多様性を活かした知的リソースの適材適所
For Test Takers
対象：これから受験する方
受験ガイド：テストの受け方
このテストは「正解を当てるクイズ」ではありません。あなたが情報をどう処理し、どう判断したかそのものを見ます。テストは現在2種類あり、受験ページの入口で選択します：新テスト（本線）＝短い課題の積み上げで測定し、検証を経て確定する2部構成。旧テスト（従来版）＝長めの記述を中心とした従来形式です。
本線
新テストの受け方
2部構成と確定の仕組み
第1部「測定」で思考操作を1つずつ測り、いったん「仮の値」が提示されます。第2部「検証」がその値を確かめ、支持された値だけが確定値になります。
問題ごとの制限時間
全体タイマーはなく、1問ごとに制限時間があります。時間切れはその時点の回答内容で確定します。分からない問題は素直に進んで構いません。
形式は短い課題の積み上げ
選択・分類・並べ替えの短い問題と、数問の短い記述が、いろいろな種類・順番で出題されます。専門知識は不要で、必要な情報は問題文の中にあります。
48時間ルール
第1部の完了後、48時間以内なら同じPINで第2部から再開できます（続けて受けることも可能）。超過すると第1部からやり直しです。
- PIN認証と同意：受験ページでPINを入力し、評価項目への同意（同意ゲート）と属性の入力を行います。
- 第1部「測定」：短い課題に1問ずつ回答します。記述の採点は提出と同時に裏で自動的に進み、待ち時間はありません。
- 仮の値の提示：第1部が終わると、検証前の「仮の値」としてレポートが提示されます。
- 第2部「検証」：続けて、または48時間以内に再入場して、仮の値を確かめる数問に回答します。
- 確定値とレポート：検証を経た確定レポート（L1〜L14の段・分野別プロファイル・活かし方）が提示され、PINは使用済みになります。
新テストのルール
- コピペコピー＆ペーストは全面的に使えません。
- 時間1問ごとの制限時間を過ぎると、その時点の回答内容で確定します（未回答部分は不正解扱い）。
- 再受験同じPINでの再受験はできません。中断からの再開は可能です。
- 中断第1部の完了後はいつでも中断でき、48時間以内なら同じPINで第2部から再開できます。
従来版
旧テストの受け方
受験のステップ
受験前に評価項目への同意（同意ゲート）があります。テストは前半・後半の2部構成で、安全に途中で中断・再開が可能です。
48時間制限
前半終了後、一定期間内（48時間以内）に後半を受験してください。有効期限は画面に明示されます。
思考を引き出す問題
固定の暗記問題ではなく、思考の過程を引き出す設計です。一部の問題は受験ごとに内容が変わり、対策・暗記が効きません。
詳細な診断結果
萌芽のL1から無欠のL14までの段（7圏）、分野別プロファイル、「できていること/できていないこと」が提示されます。
旧テストの流れ
- 同意ゲート：受験前に評価項目への同意手続きを行います。
- 前半の問題に回答：途中で中断しても、そこまでの回答は安全に自動保存され、後から再開可能です。
- 前半終了とインターバル：前半終了後、一定期間内（48時間以内）に後半を受験します。有効期限は画面上に明示されます。
- 後半の問題に回答：残りの問題に回答します。受験ごとに変化する問題も含まれ、その場の思考力が試されます。
- 結果提示：結果は L1〜L14 の統合レベル（7圏）、分野別プロファイル、「できていること/できていないこと」として詳細に提示されます。
旧テストのルールと注意点
- 修正権回答の後からの修正は最大3回まで。ただし一部の問題は修正不可で、その旨が問題文の前に明示されます。
- コピペ原則として貼り付けは禁止です。例外として情報処理問題のみコピー＆ペーストが許可され、回答欄の上部に明示されます。
- 全設問必須複数の設問を持つ問題では、すべての設問に回答しないと次へ進めません（警告が出ます）。
- 挙動検知タブ・ウィンドウの切り替え、ペースト試行、スクリーンショットや印刷の操作は記録されます。
- 長文UX長い問題は最上部から表示され、回答欄は折りたたみできます。問題文に集中してから書けます。
力を正しく出すための4つのコツ
（どちらのテストにも共通。特に記述問題で効きます）
- 回答が全て。採点はあなたの書いた回答からのみ行われます。頭の中の考えは、書かなければ評価されません。
- わからなくても推測で書く。「わからない」で止めず、根拠とともに仮の答えを出す姿勢を見ています。
- 理由・過程を言語化する。結論だけでなく「なぜそう判断したか」を必ず添えてください。
- 対策・暗記は無意味。正解の丸暗記ではなく、その場の処理を見る設計です。素のまま臨むのが最善です。
レベルの考え方と結果の受け止め方
結果は、14 の段（レベル L1〜L14）として示され、基礎圏から希少圏まで 7 つの圏（層）に束ねられます。この段は、単一の能力の鋭さだけで決まるものではありません。認識・分析・思考・設計・客観視・言語化などの高次認知が、すべて同時に機能して初めて上位の段へ進む統合的な設計です（最も弱い要素がその段を縛ります）。また上位の段では、正確さだけでなく処理の速さ（スピード）も条件に入ります。各段の呼び名・内容・「AI を正しく使える範囲」は、紹介ページのレベル体系図で段ごとに確認できます。
段は思考の「高さ」を正直に示します（ぼかしません）。認知の段階として高い・低いは確かにありますが、それは人としての優劣や価値ではなく、いまの「現在地」＝次へ進むための出発点です。レポートでは「いま安定して機能している力（実力）」と「閃きや可能性はあるが、まだ安定していない力（素質）」を明確に区別し、各観点を段階的なラベルで示します。優劣のレッテルとしてではなく、これからの学習と社会への接続のための地図としてご活用ください。
Methodology & Validity
対象：専門家・査読者・技術評価者
方法論と妥当性
本ページは、測定対象の構成概念、測定モデル、採点アーキテクチャ、信頼性の担保、そして現時点での妥当性の論拠と限界を、誇張を排して記述します。検証に耐える形で、できることと未確立のことを区別して示します。
1. 測定対象の構成概念
主たる測定対象は、流動性知能（fluid intelligence）、すなわち既得知識に依存せず、新規・不完全な情報から関係や構造を同定し、仮説を動的に更新する能力です。これに、メタ認知に基づく自己客観視（キャリブレーション）を併せて評価します。これらの構成概念の理論的背景、各分野と研究構成概念の対応、参考文献は、「理論的・研究的基盤」ページに集約しています。
2. 測定モデルの考え方：機能分解 → 階層化
現実の意思決定に必要な認知処理を機能単位へ分解し、「何が欠けるとどの認識・判断・解決の不全が起きるか」を逆算可能な形で体系化しています。分解した機能は認知クラスターへ集約され、到達度は段階的なレベルとして表現されます。観測対象は「問題形式ありき」ではなく各課題で何を観測できるか（観測可能性）を起点に割り当てており、測りたい構成概念と課題の対応が設計上トレース可能です。
3. 採点の考え方：決定的採点の最大化・多モデル合議・上位裁定・確定前検証
採点設計の第一原則は、確率的な判定器（LLM）に委ねる面積を最小化することです。選択・分類・並べ替えなどの客観形式は、事前定義された正解キーとの機械照合（決定的採点）で処理され、ここにAIの判断は介在しません。記述課題は、1問ごとに充足条件・不可条件を事前に明文化した基準への該当・非該当の二値判定に限定し、自由な印象採点をさせません。判定は複数の独立した大規模言語モデルの合議で行い、結論が一致した場合のみ採用、割れた箇所のみ上位モデルが基準に立ち返って裁定します。さらに、測定値そのものを確定前に検証します——「その値なら解けるはず／解けないはず」の課題を出し、支持された値だけを確定値として返します。単一モデルよりアンサンブルと根拠明示型の方が一致度・透明性が高いという評価研究の知見に沿い、その上で「採点の正しさ」と「測定値の正しさ」を別の層で二重に担保する構成です。
照合
決定的採点
客観形式は正解キーとの機械照合。AIの確率性が入らない領域を最大化。
基準
記述の二値判定
事前明文化した充足・不可条件への該当判定に限定。印象採点をさせない。
合議
複数モデル並走
独立した複数モデルが判定し突き合わせ。一致した場合のみ採用。
裁定
不一致時のみ上位裁定
判断が割れた箇所に限り、上位モデルが基準に立ち返って裁定。
検証
確定前の反証テスト
測定値を独立した課題で確かめ、支持された値だけを確定。
※ 従来版（広域記述）ではこれに加え、評価観点を全回答にわたり横断判定し、個別観点に還元しきれない質を全体評価として併置します。不一致の度合いで処理を振り分け、合議で十分な箇所は軽く、割れる箇所のみ上位裁定に回します（コストと精度の両立）。
4. 信頼性の担保
- 決定的採点の最大化：客観形式は正解キーとの機械照合で毎回同一の結果になります。確率的な判定器に委ねる範囲そのものを設計で絞っています。
- 多モデル合議：単一判定器の偶発的なブレを、独立した複数モデルの突き合わせで平準化します。
- 根拠の明示：各判定に根拠の記述を求めることで、判定の一貫性と透明性を高めます。
- 確定前検証：第1部の測定値を仮の値として保持し、第2部で「その値なら解けるはず／解けないはず」の課題により反証テストします。採点のぶれが測定値に混入しても、この層で検出されます。
- 欠測の正直な表示：観測が成立しなかった領域は推定で埋めず「観測不足」と明示し、不完全な測定値をそのまま確定表示しません。
- 母数の補正：ある観点の観測機会が不足した場合、欠落の妥当性を評価して信頼性を補正します。
- プロセストレーシング：反応潜時（思考時間）・修正ログ・タブ切替/ペースト試行などの行動指標を補助情報として記録します。
- 対策耐性：採点ロジックはサーバー側でのみ保持し、回答は「データ」として扱う注入防御により、受検者側からの上書き・指示注入を遮断します。
5. 妥当性の論拠（内容的・構成的）
内容的妥当性：各課題は観測可能性を起点に評価観点を割り当てており、測りたい構成概念と課題の対応が設計上トレース可能です。構成的妥当性：機能分解→クラスター→レベルの階層は、流動性知能・メタ認知の理論構造に対応づけて構成しています。結果のみを測る既存指標が取りこぼす「処理の質」を、過程の観測によって捉えることを意図しています。理論・研究との対応の詳細は「理論的・研究的基盤」ページを参照してください。
6. 現時点での限界と今後の検証課題（誠実な開示）
本システムの設計は既存・最新の研究知見と照合して妥当性を確認していますが、設計が先・検証は後という位置づけであり、研究は設計の正確さを補助・確認するために用いています。また、本評価は思考のプロセスの観測に基づくものであり、流動性知能（動的知能・CPU的知能）を測定するものであって、人の価値そのものを定めるものではありません。これらを前提とした現時点での限界を誠実に開示します。
- LLM採点の確率的変動：多モデル合議と上位裁定で低減していますが、判定器が確率的である以上、揺らぎを完全には排除できません。とくに専門知識を要する判定では、人間とAIの一致率が一般タスクより低下することが知られています。なお、確率的変動にはプロンプトとシステム、役割とバッファにより確率変動を最小限に抑えるようにはしていますが、依然として0.125%程度、部分的に間違った内容が発生する可能性はあります。
- 標準化・規準の未整備：大規模母集団での標準化（ノルム）や、レベル境界の経験的較正は今後の課題です。現状のレベルは理論駆動の基準です。
- 外的妥当性の未検証：実務成果や他の確立指標との相関（基準関連妥当性・予測的妥当性）は、外部基準を用いた追試で確認すべき段階です。
- 再検査信頼性：時間をおいた再受検での安定性（test–retest）は別途測定が必要です。
- 適用範囲：本ツールは認知特性の地図化を目的とし、臨床診断の道具ではありません。発達特性に関する記述は「誤認構造の説明」であって診断ではありません。
- 言語・文化的範囲：現状は日本語話者を主対象に設計されており、言語・文化を跨いだ等価性は未検証です。
Theoretical & Research Basis
理論的・研究的基盤と参考文献
本ページは、Practigence の知能体系（能力の機能分解体系）とテスト設計が整合・対応関係を持つ理論的・研究的基盤を集約し、各分野が確立された研究構成概念とどう対応するか、参考文献との整合性をどう確認したかを示します。
参照の位置づけ
設計が先にあり、確認・検証・反証の照合は後に行いました。本ページで挙げる研究・知見、およびそれらに至るまでの反証の検討は、いずれも設計者自身の思考概念・設計・仮説の正確性を補助し、確認するために用いたものです。外部の知見を出発点や結論としてそのまま流用・援用したのではなく、すでに構築した体系・テスト設計と仮説の整合性を確かめるための照合材料として、事後的に参照しています。したがって本ページの参照は、各研究の追試・置換や権威の借用を意図するものではありません。
A. 構成概念の理論的基盤
主たる測定対象は、既得知識に依存せず新規・不完全な情報から関係や構造を同定し仮説を動的に更新する流動性知能と、自己の認知を監視・制御するメタ認知（自己客観視・キャリブレーション）です。これらは次の研究系譜との対応関係が確認されています。
- 結晶性知能と区別される流動性知能の概念（Cattell, 1963）と、その後の階層的知能構造論（Carroll, 1993／CHC理論）。
- 自己の認知を監視・制御するメタ認知の枠組み（Flavell, 1979／Nelson & Narens のモニタリング–コントロール）と、自己評価の系統的な歪み（Dunning & Kruger, 1999）。
- ワーキングメモリの有限性（Miller, 1956／Baddeley & Hitch, 1974）と認知負荷理論（Sweller）。
- 二重過程理論における熟慮的処理（Kahneman, 2011）。
- 評価系には対象と同等以上の多様性が要るとする必須多様性の法則（Ashby, 1956）。
B. 知能体系と研究構成概念の対応
本体系の各分野は恣意的な区分ではなく、認知科学・知能研究で繰り返し同定されてきた構成概念に対応します。体系の妥当性は、この対応関係に支えられています。
| 体系の分野 | 対応する研究上の構成概念 | 主な根拠 |
|---|---|---|
| A 認識 / CD 取捨選択 | 選択的注意・関連性フィルタリング・認知負荷管理 | 認知負荷理論（Sweller）／注意研究 |
| B 分析 / C 理解 | 関係推論・構造写像・帰納的推論（Gf中核） | 構造写像理論（Gentner）／Cattell–Horn–Carroll |
| D 記憶 / Ds 選択的記憶 | ワーキングメモリ・抽象化と類推的転移 | Baddeley & Hitch (1974)／類推転移（Gick & Holyoak） |
| E 思考 | 流動的推論・仮説検証・ベイズ的信念更新 | Cattell (1963)／ベイズ認知（Tenenbaum ら） |
| F 設計・解決 / G 社会実装 | 不良定義問題の問題解決・実践的知能 | 問題解決研究／Sternberg 実践的知能 |
| K 自己客観 / L 全体客観 / I 環境選択 | メタ認知・自己制御・実行機能 | Flavell (1979)／Nelson & Narens |
| J 認知耐久 | 持続的注意・認知的持久力 | 持続的注意研究／認知耐久に関する近年の実証 |
| M 融合 / P 包括 | 一般知能因子 g・能力統合・成功知能 | Spearman の g／Carroll (1993)／Sternberg 成功知能 |
「流動性知能 × メタ認知」を軸に据える妥当性は、近年の知能研究でも補強されています。流動的推論はCHC階層の中核として安定して同定され、メタ認知・実行機能は学習成果や適応的判断の独立した予測因子として位置づけられています。※ ここでは分野レベルでの対応を示します。
C. 社会的必要性の研究的裏付け
生成AIの普及後、実証研究は知識再現的な業務の相対価値低下と、高次認知スキルへの需要増を示しています。生成AIツールを前提とする職務では認知スキル要件が有意に高く（Hampole et al., 2025, arXiv:2503.09212）、IMF や McKinsey の分析も知識労働への影響と批判的思考・問題構造化・複雑情報処理の供給不足を指摘しています（IMF Staff Discussion Note, 2024／McKinsey Global Institute）。本ツールが測る構成概念は、まさにこの供給不足領域に対応します。
D. 採点設計を支える評価研究
採点における「複数モデルの合議」と「根拠の明示の要求」という設計思想は、近年の LLM 評価研究と整合します。単一モデルよりアンサンブル（合議・多数決）と説明要求型の設計の方が一致度・透明性が高いと報告されています（Zheng et al., 2023／多言語評価の信頼性に関する研究, 2025）。同時に、専門知識を要する判定では人間とAIの一致率が一般タスクより低下することも示されており（一般タスクで対人一致 ~90% 規模に対し、専門領域では 64–68% へ低下し、専門家間一致 ~72–75% を下回る）、本ツールの限界認識の根拠にもなっています。
E. 参考文献と本体系・テストでの活用内容
| 参考文献 | 本体系・テストでの活用／対応 |
|---|---|
| Cattell (1963)／Carroll (1993, CHC) | 流動性知能を主たる測定対象に据える根拠。レベル階層の構成概念的背景。 |
| Flavell (1979)／Nelson & Narens | メタ認知・自己客観視（K/L 分野）の測定根拠。 |
| Dunning & Kruger (1999) | 自己申告（テスト前後）と実測の乖離を測る設計の根拠。 |
| Miller (1956)／Baddeley & Hitch (1974) | 記憶（D）課題、ノイズ選別・情報過多課題の負荷設計。 |
| Sweller（認知負荷理論） | 長文情報処理問題における認知負荷の設計。 |
| Ashby (1956, 必須多様性) | 評価者天井問題の理論的説明、多モデル合議の動機づけ。 |
| Kahneman (2011, 二重過程) | 直感の検証・熟慮的処理を捉える観点。 |
| Gentner（構造写像）／Gick & Holyoak | 分析・理解（B/C）と類推転移（Ds・転用問題）の設計根拠。 |
| Sternberg（実践的・成功知能） | 社会実装（G）・能力統合（P）の構成概念的背景。 |
| Schulte-Mecklenbeck et al. (2011) | プロセストレーシング（反応潜時・修正ログ）の方法論的根拠。 |
| Zheng et al. (2023, LLM-as-a-Judge) | 合議・根拠明示型の採点設計との整合。 |
| Multilingual LLM-as-a-Judge (2025, arXiv:2505.12201) | 専門領域での一致率低下＝限界認識の裏付け。 |
| Hampole et al. (2025, arXiv:2503.09212) | 高次認知スキル需要増＝社会的必要性の裏付け。 |
| IMF SDN (2024)／McKinsey MGI | 知識労働への影響と批判的思考・問題構造化の供給不足。 |
※ 上記は構成概念・手法・限界の位置づけを示すための参照であり、本ツールが各研究の追試・置換であることを主張するものではありません。
Terms & Consent
利用規約・同意事項
受検前・受検中にこのページを開いた方へ：このページは別タブで開いています。元の受検画面に戻るには、このタブ（ウィンドウ）を閉じてください。受検の進行はそのまま保持されています。
※「テストを受験する」ボタンを押すと、新しい受検が最初から始まります（受検中の方は押さないでください）。
※「テストを受験する」ボタンを押すと、新しい受検が最初から始まります（受検中の方は押さないでください）。
目次
第1条総則・適用
本規約は、本サービスの提供者（以下「当方」）と受検者との間の一切の関係に適用されます。受検者は、本サービスの受検を開始する前に本規約および同意事項を確認し、これに同意する必要があります。同意できない場合、受検することはできません。
本サービスの仕様・問題・評価方式は、当方の判断により、なんの前触れもなく変更されることがあります。受検の時期によって出題構成・設問・採点や判定の方式が異なる場合があり、当方はこれらの変更について事前の通知義務を負いません。
第2条再受験ポリシー（クールダウン）
測定の妥当性は、受検者が問題形式や設問に習熟することで損なわれます（学習効果・練習効果による測定汚染）。これを防ぐため、再受験には一定のクールダウン期間を設けます。
- 初回受検の完了日から起算して原則6か月間は、同一受検者による再受験を不可とします。（この期間は運用方針により変更されることがあります。）
- クールダウン期間中の受検申込・受検は無効とし、結果は提供されません。
- システム障害・運営側の事由など正当な理由がある場合に限り、管理者の判断で再受験を許可することがあります。
- クールダウンを回避する目的で別アカウント等を用いて受検する行為は、第3条の不正行為に該当します。
第3条不正行為の禁止
本サービスは「素の認知処理」を測定するものであり、以下の行為を禁止します。違反が確認された場合、受検の無効化・結果の不提供・利用停止等の措置をとることがあります。
- 第三者・生成AI・検索等を用いて回答を作成・代行させる行為（本サービスが明示的に許可した範囲を除く）。
- 替え玉受検、複数アカウントの使用、クールダウン回避その他の測定を歪める行為。
- 許可されていない問題でのコピー＆ペースト、外部資料の参照など、指定ルールに反する行為。
※ 受検中のタブ切替・ペースト試行・スクリーンショット操作等は記録され、不正の判定に用いられることがあります。問題データの収集およびリバースエンジニアリングについては、特に第3条の2で厳格に定めます。
第3条の2問題データの収集禁止・リバースエンジニアリングの全面禁止
本サービスの問題、設問、選択肢、模範解答、採点ロジック、評価体系、タグ・判定基準、判定方式、モデル構成、ユーザーインターフェースその他一切の構成要素は、当方および正当な権利者に帰属する知的財産・営業秘密です。受検者は、次の各行為を行ってはなりません。
- 問題文・設問・選択肢・模範解答・採点コメント・レポート内容等（以下「問題データ」）の記録、撮影、録画、スクリーンショット、書き起こし、複製、保存、蓄積、データセット化。
- 問題データの第三者への送信、開示、共有、配布、公開、再配布、および機械学習・AIの訓練・評価その他の用途への供与。
- 採点ロジック、評価体系、タグ定義、判定基準、判定方式、モデル構成、閾値その他の非公開要素の解析、逆コンパイル、逆アセンブル、推測、復元、再構築、およびそれを目的とする自動取得（スクレイピング、ボット等）。
- 上記を回避・潜脱する行為、第三者にこれらを行わせ、または容易にする行為。
当方は、違反に対し、受検の無効化・利用停止に加え、差止請求・損害賠償請求・刑事を含む法的措置を講じることがあります。
特定条項の有効性および執行可能性は、準拠法・裁判管轄・個別事情により変動します。これらは当方と受検者の契約上の取り決めであり、確定・運用にあたっては弁護士による確認を要します。本規約は法的助言ではありません。
第4条個人情報・データの取り扱い
基本方針：当方は、氏名・連絡先など個人を特定できる情報を一切収集しません。
受検で取得・生成する情報（回答・行動ログ・結果）は識別性を持たず、個人情報保護法上の「個人情報」に該当しない非個人情報として取り扱います。結果や思考内容が特定の人物と結びつくことはありません。
- 記述・行動ログ（思考時間・修正履歴等）は、採点・レポート生成・品質改善のために用います。
- 不正防止・法的記録のため、発行PIN・技術ログ（同意記録等）を取得しますが、結果や思考内容とは結びつけません。PIN と人物の対応は、PIN を発行した管理者側が管理します。
※ 現段階では個人情報に該当する情報を扱わないため、個人情報に関する詳細規定は設けていません。将来、個人データの紐づけ・収集や企業向け提供を行う段階で、利用目的の特定・同意取得等を別途定めます。
第5条料金
本サービスは、現段階では無料で提供しており、有料プランは設けていません。将来、有料での提供を行う場合には、料金・課金単位・支払い方法・提供範囲・返金条件を本条で別途定め、申込時に表示・合意した条件によります。
第6条結果の位置づけと免責
- 本サービスの結果は認知特性の地図化を目的とするものであり、医学的・臨床的な診断ではありません。発達特性等に関する記述は説明のための一般論であり、診断・治療の根拠としないでください。
- 結果は採点時点・条件下での推定であり、確率的判定器（AI）を用いる以上、一定の変動を含みます。当方は結果の完全な正確性・特定目的への適合性を保証しません。
- 受検者または第三者が結果をどのように用いるか（採用・評価・自己判断等）について、当方はその意思決定の結果に責任を負いません。
第7条同意事項（受検前に確認）
受検者は、受検開始前に以下の各事項を確認し、同意するものとします（受検前画面で項目ごとに同意を取得します）。
- 不正行為（第3条）を行わず、指定されたルールに従って受検すること。
- 再受験のクールダウン（第2条）を理解し、これに従うこと。
- 個人情報・データの取り扱い方針（第4条）を理解し、行動ログ等の取得・利用に同意すること。
- 結果の位置づけと免責（第6条）を理解すること。
- 本規約全体に同意すること。
第8条規約の改定
当方は、必要に応じて本規約を改定することがあります。重要な変更がある場合は本ページ上で告知します。改定後の受検をもって、改定後の規約に同意したものとみなされます。ただし、各受検者は同意した時点のバージョンに拘束され、改定で追加された事項が当該受検者に遡及して適用されることはありません（追加分は、それに同意したうえでの以降の受検にのみ適用されます）。同意の時点・バージョンは記録されます。