情報の信頼性を体系的に評価する 2 つの Claude Skillを公開したので、その推奨ユースケースを提案

はじめに

情報の信頼性を体系的に評価する 2 つの Claude Skill を公開しています。

• shuji-bonji/factcheck-skill— 20 項目 × 4 カテゴリで「事実の正確性」を検証
• shuji-bonji/media-literacycheck-skill— 30 項目 × 6 カテゴリで「情報の出され方」を評価

本記事では「実際にどんな場面で使えるか」を立場別・シーン別に整理します。インストール手順は各リポジトリの README を参照してください。

2 つの Skill の違い

混同されがちですが、ファクトチェックとメディアリテラシーチェックは性質が異なります。

両者は対立するものではなく相互補完の関係にあります。「事実は正しいが発信意図に偏りがある」情報も多いし、「発信者は誠実だが引用元のデータが古い」こともある。だから 2 つの Skill は立場や目的によって使い分けるものです。両方インストールしておいて、状況に応じて呼び出すのが基本になります。

使い分けの全体像

最初に、どちらをいつ使うかの整理から。

ここから先は立場別の具体ユースケースです。

1. 個人ユーザー向け — 最も強いユースケース

最も日常的に効くのは個人利用です。

1-1. ニュース・SNS 情報の日常検証

X（旧 Twitter）や note、Qiita などで流れてくる情報の真偽を、その場で評価できます。

呼びかけ例:

「この記事をファクトチェックして」

「この X 投稿のリテラシー評価して:https://x.com/...」
「この主張の信頼性を 30 項目で評価して」

出力イメージ:

## メディアリテラシー評価レポート

### 評価対象
- タイトル: 「○○が△△を発表」
- 種別: X投稿（インフルエンサー）
- 評価日: 2026-05-22

### カテゴリ別スコア

| カテゴリ | ✅ | ❌ | ➖ | スコア | 判定 |
|---|---|---|---|---|---|
| 情報源の評価 | 2 | 3 | 0 | 2/5 | 🟠 |
| 内容の質 | 3 | 2 | 0 | 3/5 | 🟡 |
| 目的と意図 | 1 | 4 | 0 | 1/5 | 🔴 |
| 時系列と文脈 | 4 | 1 | 0 | 4/5 | 🟢 |
| 視覚的要素 | 2 | 0 | 3 | 2/2 | 🟢 |
| 社会的検証 | 1 | 4 | 0 | 1/5 | 🔴 |
| 合計 | 13 | 14 | 3 | 13/27 | 🟠 |

### 要注意ポイント
- 発信者の所属が確認できない
- 商業的利益との関係が開示されていない（推薦リンク多数）
- 他の信頼できる情報源で確認できない
...

「拡散すべきか」を判断する材料として使えます。

1-2. 投資・健康・教育などリスクが高い情報の精査

「○○すれば必ず儲かる」「△△で病気が治る」系の情報は、特に厳しく評価する必要があります。

呼びかけ例:

「この投資情報の信頼性を、特に

方法論と利害関係の開示観点で厳しめにチェックして」
「この健康法について、一次情報があるかと、専門家評価があるかを確認して」

factcheck-skill

1-3. 子どもの情報リテラシー教育

評価レポートを子どもと一緒に見ることで、「なぜこの情報を疑うべきか」を構造的に説明できます。

呼びかけ例:

「この YouTube サムネイルとタイトルを、子どもと一緒に見るための教材として評価して。クリックベイトの判断基準を分かりやすく解説して」

media-literacycheck-skill

1-4. 自分自身の AI 出力の検証

ChatGPT、Claude、Gemini、Perplexity などの出力をそのまま信じる前に、ハルシネーション検出を兼ねたチェックができます。

呼びかけ例:

「さっきの Claude の回答を、独立 sub-agent としてリテラシーチェックして。特に引用論文が実在するかを WebSearch (Web検索機能) で裏取りして」

両 Skill の sub-agent モード（

agents/

2. ビジネス・プロフェッショナル向け

業務での情報精査にも使えます。

2-1. ジャーナリスト・ライター

取材前の情報源スクリーニング:

「この情報源を取材候補として評価して。発信者の専門性、過去の発信の一貫性、利益相反の有無をチェック」

記事公開前の最終検証:

「この原稿の事実関係を 20 項目で検証して。特に引用元の確認可能性と、方法論の妥当性を厳しめに」

ファクトチェック機関（FIJ、JFC など）の検証結果も SKILL 内で参照するよう設計されているので、既知の偽情報パターンに引っかかった場合は警告が出ます。

2-2. PR・広報担当

自社発信のリスクチェック:

「このプレスリリース案を、第三者視点でリテラシーチェックして。

煽情的表現とバランスの取れた視点の項目を厳しく見て」

自社の発信が「煽りすぎ」「片寄りすぎ」になっていないかをセルフチェックできます。

競合他社の情報検証:

「この競合のキャンペーン発表記事をファクトチェック。誇大表現・引用元・データの再現性を確認」

2-3. リサーチャー・アナリスト

市場調査・政策調査:

「このコンサル会社のレポートを評価して。

サンプル数・統計手法・データの公開性と、スポンサーシップの開示を確認」

調査レポートは出典が明確でも、サンプルが偏っている / スポンサー企業に有利な切り口 であることが多いので、

factcheck-skill

2-4. コンサルタント

クライアントへの提言の裏付け:

「この提言書のデータ部分を全てファクトチェック。各統計の出典・年度・調査方法を確認して、信頼性スコアを項目別に出して」

クライアントの前で「このデータの出典は？」と聞かれて答えられない事態を避けられます。

3. 組織・教育機関向け

3-1. 企業内研修

メディアリテラシー研修・情報セキュリティ研修の実践教材として使えます。

研修シナリオ例:

• 研修参加者に「明らかにおかしい情報」「やや怪しい情報」「信頼できる情報」の 3 つを配布
• Skill で評価させて、スコアと判断根拠を見せる
• 「人間の直感」と「30 項目チェック」のギャップを議論

評価レポートに判断根拠が明示されるため、研修参加者が「なぜそう判定されたか」を理解しやすいのが利点です。

3-2. 学校・大学

情報リテラシー授業:

「この Wikipedia 記事を 30 項目で評価して。生徒が読む際に

どの点を疑うべきかを分かりやすく解説して」

論文・レポート指導:

「学生のレポート（添付）について、引用元の信頼性と方法論の妥当性を 20 項目で評価して。改善点を学生にフィードバックする形で」

3-3. ファクトチェック団体

専門機関による正式な検証の前の 初期スクリーニング に。

呼びかけ例:

「これから検証する候補 10 件について、各々の信頼性を一括評価して。クリティカル評価で 4 個以上 ❌ のものを優先検証対象としてリストアップ」

トリアージ的に使うことで、限られたファクトチェッカーのリソースを重要案件に集中できます。

3-4. 行政・シンクタンク

政策関連情報の多角的評価:

「この政策提言を、

factcheck-skillで事実関係を検証した上で、media-literacycheck-skillで発信意図・利害関係も評価して。両方の結果を統合レポートに」

2 つを順番に走らせて結果を統合するパターンは、政策研究や規制影響評価に向いています。

4. 先進的なユースケース

ここからは応用編。

4-1. AI 回答のメタ検証（二重チェック）

複数の LLM の出力を相互検証する仕組みが組めます。

呼びかけ例:

「Claude / ChatGPT / Gemini に同じ質問を投げた 3 つの回答を、それぞれ独立して factcheck-skill で評価して。特にハルシネーション（実在しない論文引用・誤った数値）の有無を比較して」

AI 出力の信頼性比較ベンチマークとしても使えます。

4-2. リアルタイム監視

特定トピック（選挙、災害、医療情報、新興技術）について、情報フローを継続的に評価する用途。

スケジュール実行と組み合わせる:

毎朝9時に、過去24時間の「#気になるハッシュタグ」投稿のうち
拡散数上位10件を取得し、各々をリテラシーチェックして
レポートを Slack に投稿する

選挙期間中の偽情報モニタリング、災害時のデマ検出、医療系トピックの広告／PR 識別など、継続観測 が必要なシーンに向きます。

4-3. コンテンツ作成時のガードレール

ブログや YouTube の原稿執筆時に、並行して Skill を走らせて自己点検する。

呼びかけ例:

「今書いている記事の最新版を、media-literacycheck-skill で評価して。特に

感情的・扇動的な表現が少ない、バランスの取れた視点、利益相反の開示を見て、足りない部分を指摘して」

書きながら「自分が今、どの方向に偏っているか」を構造的に確認できます。広告 PR 記事を書くときの法的リスクチェック（広告と記事の区別が明確か）にも有効です。

4-4. 学術・研究分野での応用

論文サーベイ:

「このリサーチクエスチョンに関連する論文 5 本を WebSearch で集めて、各論文の方法論・サンプル数・利益相反開示を factcheck-skill の

カテゴリ3: 検証・照合で評価して、信頼性順にランキング」

プレプリント評価:

「arXiv のこの論文（査読前）を 20 項目で評価して。査読を経ていない情報を引用する際の

取り扱い注意点を整理して」

注意点と限界

ユースケースの紹介だけでは片手落ちなので、限界も整理します。

Skill の限界

• LLM の知識カットオフに依存する。最新情報については WebSearch を併用しないと評価が古くなる。
• 白黒つけるツールではない。スコアは「相対的な信頼性の目安」であって、絶対的な真偽判定ではない。
• 評価項目自体に主観が入る。「権威ある情報源」の定義は文化・分野によって変わる。日本のメディア環境を前提に作っているので、海外情報の評価ではやや偏る可能性。
• 画像・動画の直接的な真偽判定はできない（画像加工の有無は LLM が見抜けない）。Google 画像検索や TinEye による逆検索を併用する必要がある。

推奨される運用

• 重要な判断は Skill 単独で決めない。あくまで「人間の判断を補助する」ツールとして使う。
• 複数情報源でクロスチェックする前段階のスクリーニングとして使う。
• 評価結果を共有する場合は、根拠（どの項目が ❌ になったか）も併せて伝える。スコアだけ独り歩きさせない。

立場別おすすめ呼び方一覧

最後に、立場別の「最初の一声」をまとめておきます。コピペして使えます。

まとめ

ファクトチェック／メディアリテラシーチェックの Skill は、1 回作って終わりではなく、立場と目的に応じて呼び分ける道具 です。

最初は個人で日常情報の確認に使い、慣れてきたら sub-agent モードで AI 出力のメタ検証、さらにスケジュール実行で継続監視、というように段階的に応用範囲を広げられます。

「白黒つける魔法の杖」ではなく、「自分が情報のどの側面を見落としているか」を構造的に教えてくれる 思考の補助輪 として使うのが、最も価値が出る使い方だと思っています。

なぜ 2 つの Skill に分けたのか、

SKILL.md

関連リンク

• 関連記事: ファクトチェックとメディアリテラシーチェックを2つのClaude Skill化してみた話
• リポジトリ: factcheck-skill/media-literacycheck-skill
• 派生元 PWA: fact-checklist— 12 言語対応のファクトチェックリスト
• 国内ファクトチェック機関: FIJ/JFC