ファクチュアリティ・グラウンディング（ファクチュアリティグラウンディング）

ファクチュアリティ・グラウンディングとは

ファクチュアリティ・グラウンディング（Factuality Grounding）とは、大規模言語モデル（LLM）が生成するテキストを、外部の検証可能な事実ソースに「接地（grounding）」させることで、内容の事実的正確性を高める技術・手法の総称である。LLMは訓練データに基づく統計的パターンから回答を生成するため、事実関係の誤りや古い情報の参照（知識カットオフ問題）が生じやすい。グラウンディングはこれらの根本的な制約を外部知識で補完する。

グラウンディングの主要手法

検索補強型生成（RAG）

最も主流の手法。ユーザーのクエリに関連する文書をベクトル検索・BM25等で取得し、LLMのコンテキストウィンドウに挿入する。モデルはその文書を参照して回答を生成するため、内部知識の限界を超えた最新情報の提供が可能。Llama Index・LangChain・LlamaCloud等がRAGパイプラインの構築を支援。

リアルタイム検索統合

Bing Chat（Microsoft Copilot）・Google Geminiなどが採用。回答生成前に検索エンジンを呼び出し、上位結果をコンテキストとして使用。回答に引用元URLを付与する「Grounded Generation」が標準機能化。

知識グラフ接地

Wikidata・Freebase・DBpediaなどの構造化知識グラフをLLMのコンテキストに活用。エンティティ（人物・組織・地名等）の属性を正確に記述するのに有効。Graph RAGはこの流れを発展させ、文書間の関係構造をグラフで表現してRAGに統合する。

FActScoring（Fine-grained Atomic Claim Scoring）

Min et al. (2023) が提案した評価・検証フレームワーク。LLM回答をアトミックなClaimに分解し、各Claimを独立してWikipedia等のソースで検証。Recall（網羅性）とPrecision（正確性）のトレードオフを定量化。

Citation-Grounded Generation

単に外部ソースを参照するだけでなく、回答の各文・各Claimに対して出典を明示するアプローチ。ALCE（Gao et al., 2023）はこの「引用付き長文生成」の代表的ベンチマーク。Perplexity AIなどのリサーチアシスタントが実用化している。

グラウンディングの限界

• 検索品質依存：検索結果の品質がそのまま回答品質に影響。悪意ある情報やSEOスパムが上位に来ると逆効果。
• コンテキスト長の制約：大量の文書をコンテキストに入れると「Lost in the Middle」問題（中間部の情報が無視される）が発生。
• 推論能力との分離：グラウンディングは事実の「参照」を改善するが、論理推論の誤りには対処できない。
• 多言語・専門領域の空白：英語圏のWebを前提とした検索インフラでは、日本語専門情報や最新論文の取得が不完全になる。

2025年の実装パターン

2025年時点では、Grounding API（Google Cloud Vertex AI）やAzure AI Search統合など、クラウドプロバイダーがマネージドなグラウンディング機能を提供。また、ToolCallsを活用して「回答生成中にLLMが自律的に検索ツールを呼び出す」エージェンティックグラウンディングが普及している。