Wu et al.: 症例の文章を「決断が連なる物語」に組み替える — Fukai が読む

一段落要約

医学部の教材にある「症例報告」は、患者が来院してから診断がつき治療に至るまでの経過を、すでに結論が出た後の視点で淡々と書いた文章である。読む側は最初から答えを知らされた状態で読むことになる。この論文は、その静的な文章を「途中で読み手が判断を迫られる分岐つきの物語ゲーム」へ機械的に組み替える枠組み MedGame を提案している。

仕組みは二段構えだ。前半のエンジンが症例文を Act(幕)/ Scene(場)/ Decision Node(決断ノード)という三層構造の台本に変換し、後半のエンジンがその台本を画像・音声・動画の生成タスクの依存グラフに変換する。5,000 症例の評価用データセットを作り、オープンソースの言語モデルをこの形式に合わせて追加学習させると、構造として正しい出力を出す割合が 79.4% から 99.1% まで上がった。ただし医学的な正確さの点数は追加学習ではほとんど動かない。

はじめに

今日読んだのは arXiv:2607.21570、題は「MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education」。著者は Qian Wu を筆頭に Xinrong Zhou、Zizhan Ma、Kai Chen、Zheyao Gao、Xun Lin、Hongqiu Wu、Longfei Gou、Yixiao Liu、Ann Sin Nga Lau、Qi Dou の 11 名。所属は香港中文大学(CUHK)を主として、南方医科大学、北京大学、テンセントが加わる。最終著者の Qi Dou は CUHK の med-air 研究室を率いる人物である。

投稿は 2026 年 7 月 23 日、分類は cs.CL(自然言語処理)を主とし cs.HC(ヒューマン・コンピュータ・インタラクション)にも掛かっている。**arXiv preprint であり、まだ peer-review を通っていない**。著者自身が arXiv のコメント欄に「Work in Progress; an explorational design and study」と書いている通り、完成した研究というより設計の提案と初期検証の段階だ。投稿から日が浅く、まだ広く議論されていない段階でもある。

医療教育の論文をパズルのサイトで読む理由を書いておきたい。私がこの論文を今日選んだのは、医学教育の中身に関心があるからではなく、**「一本道の説明文を、途中に決断点のある構造に機械的に変換する」という問題設定そのものが、パズルやアドベンチャーゲームの設計とほとんど同じ形をしているから**である。ここで著者たちが作った台本フォーマットと評価指標は、医療という文脈を外しても、そのまま「教材やドキュメントをインタラクティブに変える」道具として読める。

背景 — 「読む症例」と「解く症例」のずれ

著者たちが冒頭で指摘するのは、言語モデルを医療教育に使う既存の試みが、ほとんど「局所的なやりとり」に留まっているという点だ。個別の質問に答える、一往復の対話に助言を返す、模擬患者を演じる。どれも一問一答か短い往復であり、一つの症例が来院から解決へ進んでいく**軌跡そのもの**を組み立てるものではない。著者の言い方では「a complete, decision-centered trajectory across an entire clinical encounter」を扱えていない。

そして症例報告という文書形式は、その軌跡を丸ごと含んでいるのに、読み方の側で潰されてしまう。論文の言葉を借りれば、症例報告は診断・治療の知識を一つの首尾一貫したエピソードに閉じ込めているが、消費されるときは静的なテキストであり、推論過程を回顧的にしか提示しない。実際の臨床推論は逐次的に進む — 部分的な情報を解釈し、次に何を聞くか何を検査するか決め、新しい証拠が出るたびに理解を更新する。**静的な提示と動的な推論のあいだのこのずれが、この研究の出発点になっている。**

ここは、パズル設計者にはむしろ馴染みのある話だと思う。答えを知っている人が書いた解説と、答えに向かって手探りする人の体験は別物だ、というのは、チュートリアル設計でも攻略記事でも繰り返し出てくる。著者たちはこれを「制約つきの構造化生成問題」だと整理する。出力は元の症例に忠実で、意味のある決断ポイントを露出させ、医学的に妥当で、かつ機械が実行できる形式でなければならない、という四つの条件が同時にかかる。

アプローチ — 脚本家と演出家に分ける

MedGame の中心は、生成を二つのエンジンに分ける設計である。著者は映画産業の「コンティニュイティ・スクリプト(撮影台本)」の比喩を使う。物語の意図と現場での実行を橋渡しする一枚の書類がある、という発想だ。前半の Medical Narrative Designer が脚本家役として症例文から構造化された台本を書き、後半の Story Director が演出家役としてそれを実行計画に落とす。**この二つのあいだをつなぐ受け渡し物が台本そのもの**であり、ここを明示的なデータ構造にしたのがこの論文の肝だと私は読んだ。

台本の構造は三層になっている。Act(幕)が臨床経路の大きな段階をまとめる — 論文の例では「原因不明の倦怠感を訴える患者の診断的精査」。Scene(場)がその中の一つの臨床ステップと状態遷移を担う — 「問診と身体診察のあとに検査をオーダーする」。そして Decision Node(決断ノード)が学習者に向けた判断の関門になる — 「次にどの検査を出すべきか」。論文の定式化では、状態は「確定した観察と決断の積み重ねの後の臨床世界の状態」として定義され、決断ノードは「状態が先に進む前に解消されなければならない関門」として定義される。

重要なのは、この台本が **Pydantic のスキーマ(データの形を機械が検証できる形で書き下したもの)として定義されている**点だ。つまり生成された台本は、人間が読んで良し悪しを判断する前に、まず「形式として正しいか」を自動で弾ける。著者はさらに、登場人物と場所をあらかじめ用意した固定リストから選ばせる制約をかけている。臨床の場所が 6 種類、医療スタッフの役柄が 5 種類。理由は三つ挙げられていて、視覚的一貫性、アセット効率(背景と立ち絵を事前生成しておけば毎回画像を作らなくて済む)、そして物語の一貫性である。

後半の Story Director は、この台本を有向非巡回グラフ(DAG。矢印に沿って進むだけで元に戻らない依存関係の図)に変換する。ノードは画像生成・音声生成・動画生成といった単位のタスク、辺はタスク間の依存関係だ。この依存を明示する理由は具体的で、たとえば **同じ患者が第 1 幕と第 3 幕で登場するとき、同じ顔でなければならない**。論文では第 1 幕で character_gen が患者の正典的な肖像を作り、第 2 幕はその出力を入力画像として modification で更新し、第 3 幕はさらにその出力を継承する、という連鎖が示されている。著者はこれを identity propagation(同一性の伝播)と呼んでいる。

発見 — 形式は学習で直る、中身は直らない

評価用に作られた MedGame Bench は、PMC-Patients(PubMed Central の症例報告から作られた患者要約のデータセット)から 5,000 症例を抜き出したものだ。循環器・内分泌・消化器・血液腫瘍・腎臓・神経・呼吸器集中治療・リウマチの八分野から **各 625 症例ずつ**均等にサンプリングし、4,000 件を学習用、1,000 件をテスト用に分けている。参照となる台本は Gemini-3-Pro に生成させたもので、著者は「これらの参照は臨床的正しさの直接の証拠として扱っているわけではない」と明記している。

生成された 5,000 本の台本には合計 **35,452 個の決断ノード**が含まれる。内訳は single_choice が 15,027(42.4%)、interactive が 13,249(37.4%)、batch が 7,176(20.2%)。単一選択は臨床判断の評価、interactive は問診による情報収集、batch は複数の検査を同時にオーダーするような場面に対応する、と説明されている。演出計画側のタスクは合計 119,886 個で、fusion が 102,260(85.3%)、modification が 12,602(10.5%)、character_gen が 5,024(4.2%)である。

結果の表を見ると、構造的な正しさでは商用モデルが圧倒している。Table 2 によれば、厳格な検証(Strict)を通る割合は Gemini-3-Pro が 100.0%、Claude-Sonnet-4.5 が 99.5% であるのに対し、オープンソースの Qwen3-32B は 79.4%、Gemma-3-27B と MedGemma-27B は 60% を下回る。演出計画のほう(Table 3)ではさらに差が開き、オープンソース勢のサンプル単位の検証通過率は 56.50〜80.30%、商用勢は 99% を超える。

ところが追加学習を入れると、この構造の差はほとんど消える。Qwen3-32B は Strict 検証が 79.4% から 99.1% に上がり、キャラクターと場面の使い方(CSU)の点数は 5.41 から 8.50 へ跳ねる。Qwen3.5-27B の追加学習版は Strict 99.5%、内容系指標の合計では Claude-Sonnet-4.5 をわずかに上回る(59.83 対 59.08)。**一方で医学的正確さは頑固に動かない。**論文は「最も成績の良い Gemini-3-Pro でさえ医学的正確さの各指標は 7.0 前後にとどまる」と書き、結論部でも medical accuracy が bottleneck だと認めている。専門家が全面的に手を入れると Gemini の医学的正確さ/教育的質は 6.40 / 6.45 から 8.07 / 7.95 へ上がる。つまりここは人間が埋めている。

学習者側の検証は小さい。**上級医学生 8 名**が同じ **5 症例**を、元の症例文・テキストのみの MedGame・マルチモーダルの MedGame の三条件で評価した 1〜5 のリッカート尺度である。総合の知覚スコアはマルチモーダル 4.19、テキストのみ 3.79、元の症例文 3.19 で、マルチモーダルとテキストのみの差は学生単位の平均に対する片側 Wilcoxon 符号順位検定で p = 0.0039。ただし著者自身が「これらの結果は学習成果(downstream learning gains)を立証するものではない」と明示的に書いている。また、認知負荷の項目では**マルチモーダル化に軽度のトレードオフが出た**とも報告されている。

使いどころ — パズル/ゲームを作る人へ

一つ目。**チュートリアルや解説記事を「決断ノードつき」に変換する型として使える。**あなたがパズルゲームを作っていて、ルール説明のドキュメントや過去問の解説を書いているなら、MedGame の三層構造をそのまま借りられる。Act は「学ばせたい大きな概念」、Scene は「その中の一手順」、Decision Node は「ここで読者に選ばせる」。この論文が示すのは、この三つを分けてスキーマにしておくと、言語モデルに生成させたときに**中身の良し悪しとは独立に、形式の正しさだけを自動で弾ける**ということだ。生成した 100 本のうち形式が壊れている 40 本を人間が読む前に捨てられるのは、実務上かなり大きい。

二つ目。**アセットの一貫性を、生成の後ではなく計画の段階で担保する発想。**もしあなたがハイパーカジュアルの PCG(Procedural Content Generation、コンテンツの自動生成)で背景や NPC の絵を生成しているなら、Story Director の依存グラフは直接使える設計だ。「先に正典となる 1 枚を作り、以降はそれを入力にした modification でしか作らない」という規則を計画側に埋め込んでおけば、同じキャラが後半で別人になる事故を、出力を見比べる前に構造で防げる。著者が identity propagation を「最も重要な依存の種類」と書いているのはそういう意味だと読める。

三つ目。**登場要素を有限のリストに閉じるという制約の使い方。**この論文は場所 6 種・役柄 5 種という驚くほど小さな固定リストしか許していない。理由に挙げられているアセット効率は、そのままインディー開発の制約と同じである。生成 AI に自由に作らせると毎回新しい絵が必要になるが、選択肢を有限にすれば事前生成した素材を使い回せる。**生成の自由度を下げることが品質と運用コストの両方を改善する**という、パズル設計でも見覚えのあるトレードオフだ。私が Sokoban ライクを作っているなら、生成させるのは「配置」だけにして、タイルの種類は最初から固定する側に倒すだろう。

四つ目、少し慎重に。**「マルチモーダルにすると認知負荷が上がる」という報告を、演出強化の判断材料として持っておく。**学生 8 名という極小の標本なので一般法則としては扱えないが、音声と動画を足したときに engagement と presence は上がる一方で認知負荷の項目だけは悪化した、という方向は覚えておく価値がある。パズルに演出を足すときの「賑やかにしたら分かりにくくなった」という現場の感覚と、この観察は少なくとも矛盾しない。

限界

著者自身が Limitations 節で二点を認めている。第一に、この研究は**長期的な教育成果を測っていない**。知識定着や臨床推論の改善、技能の転移といった成果を評価するには制度的な監督を伴う統制実験が必要であり、それは今後の課題だと明記されている。評価は生成物の質と知覚された体験に限定されている。第二に、画像・音声・動画の生成モジュールは**外部ツールとして扱われており、その性能が全体にどう効くかは系統的に調べられていない**。著者の焦点はあくまで言語モデル側の能力にある。

Fukai がここで指摘するのは、まず**評価の審判が言語モデルであること**の含意だ。内容系の指標はすべて GPT-5.2 による LLM-as-a-Judge(言語モデルに採点させる方式)で 1〜10 点を付けている。著者は人間との一致を測っていて、台本生成では平均 r = 0.81 と強い一致だが、演出計画では平均 r = 0.61 と中程度にとどまる。しかも人間側の評価者は台本 50 件を医学博士 3 名、演出計画 50 件をゲーム開発者 2 名という規模である。演出計画側の点数は、この一致度を踏まえて割り引いて読むべきだと私は考える。

もう一点。**参照となる台本を Gemini-3-Pro が作り、それを模倣する形でオープンソースモデルを追加学習させ、評価は GPT-5.2 が行う**という構図になっている。著者は参照を臨床的正しさの証拠とはしないと断っているが、それでも「Gemini が書きそうな形式に近づいた度合い」と「教材として良くなった度合い」は分離しきれていない。追加学習で構造の指標だけが劇的に伸び、医学的正確さがほとんど動かなかったという結果は、この構図から見ると自然な帰結として読める。専門家の全面改稿でだけ内容の点数が上がったという Table 16 の結果が、それを裏側から示していると整理できる。

学生の知覚研究についても、8 名 5 症例という標本の小ささは著者も pilot と呼んで留保している通りだ。単発かつ小標本の結果であり、追試のない段階の観察として扱うべきである。「学習者はマルチモーダルを好む」ではなく「この 8 名がこの 5 症例のこの条件下でそう評価した」と読むのが正確だろう。

Fukai の読み

ここからは私の解釈である。私はこの論文を、**「ゲームらしさ」を娯楽の装飾ではなく構造の言語として使い直す流れの中に置きたい**。著者たちが「gamification is not merely an entertainment layer; it serves as a structural interface」と書いた一文が、この研究のすべてだと私は読む。彼らがやったのは、面白くするために物語を足したのではなく、**すでに文章の中に隠れていた「状態と選択と結果の連なり」を、機械が扱える形に取り出した**ことだ。設計批評の語彙で言えば、これは「読み物を体験に変える」というより「文章の中に埋まっていた決定木を掘り出す」作業に近い。そしてその掘り出しの成否は、うまい生成ではなくスキーマの厳しさで決まっている — 構造の指標だけが追加学習で 99% まで上がり、内容の点数が動かなかったという事実は、この作業のどこが自動化できてどこができないかを、意図せずきれいに切り分けて見せてくれている。

おわりに

この論文は、関連研究として一般ドメインの物語生成にも触れている。とくに StoryVerse(Wang et al., 2024)と CoDi(Wang et al., 2025)は、物語の自由度と一貫性の緊張関係を Director-Actor 型の階層計画で扱った研究として引かれており、MedGame の二段構えはその系譜の上にある。物語の自動生成をゲームに使いたい人は、この二本を先に読むと MedGame がどこを医療向けに特殊化したのかが見えやすい。

コードとプラットフォームは github.com/med-air/MedGame で公開されている(Work in progress)。実装はフロントエンドが React + TypeScript、バックエンドが FastAPI で、物語ツリー・キャラクター動画・音声・背景画像はすべて事前生成した静的ファイルとして配信し、実行時の生成コストをゼロにする設計になっている。この「全部事前生成して配る」構成自体、デイリーパズルの配信を考えるうえで参考になる形だと思う。

最後にもう一度。これは査読を通っていない preprint であり、著者自身が work in progress と明記している。医学的正確さの点数が 7 前後で止まり、専門家の改稿でしか上がらなかったという結果は、著者が誠実に書き残した最も重要な数字だと私は思う。

参考文献

本記事で参照した論文と関連資料:

・MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education (Qian Wu, Xinrong Zhou, Zizhan Ma, Kai Chen, Zheyao Gao, Xun Lin, Hongqiu Wu, Longfei Gou, Yixiao Liu, Ann Sin Nga Lau, Qi Dou, 2026, arXiv preprint arXiv:2607.21570)

・DOI: 10.48550/arXiv.2607.21570(arXiv 発行の DOI。査読誌の DOI ではない)

・MedGame の公開実装(med-air/MedGame, work in progress)

・データセット: PMC-Patients (Zhao et al., 2023)(MedGame Bench の元になった患者要約データセット)

・関連研究: StoryVerse: Towards Co-authoring Dynamic Plot with LLM-based Character Simulation via Narrative Planning (Wang et al., 2024)(Director-Actor 型の階層的物語計画)