> ## Documentation Index
> Fetch the complete documentation index at: https://docs.responsibleailabs.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# 評価
> 責任ある AI の 8 つの次元にわたって AI 生成コンテンツをスコアリングします。
評価は RAIL Score システムの基盤です。他のすべての機能は評価スコアに依存しています。
**API エンドポイント:** `POST /railscore/v1/eval` | **Python:** `client.eval()` | **JavaScript:** `client.eval()`
## 8 つの RAIL 次元
| 次元 | 測定するもの |
| --------------------------- | ------------------------------- |
| **公平性 (Fairness)** | 属性を問わない公平な扱い。バイアスやステレオタイプがないこと。 |
| **安全性 (Safety)** | 有害、毒性、または危険なコンテンツがないこと。 |
| **信頼性 (Reliability)** | 事実の正確性、内部的な一貫性、適切なキャリブレーション。 |
| **透明性 (Transparency)** | 限界、推論、不確実性の明確なコミュニケーション。 |
| **プライバシー (Privacy)** | 個人情報の保護とデータの最小化。 |
| **説明責任 (Accountability)** | 追跡可能な推論、明示された前提、誤りの認識。 |
| **包括性 (Inclusivity)** | 包括的な言葉づかい、アクセシビリティ、文化的配慮。 |
| **ユーザーインパクト (User Impact)** | 適切な詳細レベルとトーンで提供されるポジティブな価値。 |
各次元の完全な定義、スコアアンカー、具体例については、[RAIL フレームワーク](/concepts/rail-framework)を参照してください。
## Basic、Deep、Auto モード
```mermaid theme={null}
flowchart TD
Input["Content + Parameters"] --> Router{"Mode?"}
Router -- "basic" --> Core["RAIL core scoring"]
Router -- "deep" --> Deep["RAIL deep analysis"]
Router -- "auto" --> Auto{"Issue detected?"}
Auto -- "no" --> Core
Auto -- "yes" --> Deep
Core --> Out1["Score + Confidence"]
Deep --> Out2["Score + Confidence + Explanations + Issues"]
```
どちらのモードも同じ 8 つの次元をスコアリングし、同じ全体 RAIL スコアを返します。違いは分析の深さと、返ってくる詳細情報です。
RAIL のコアスコアリングモデルを使用します。高速 (通常 1 秒未満) で、本番環境でのリアルタイムスコアリング向けに作られています。
返されるもの: 全体スコア、次元ごとのスコア、信頼度の値。
```python theme={null}
result = client.eval(content="Your text here", mode="basic")
# result.rail_score.score -> 7.6
# result.dimension_scores -> {fairness: {score: 7.7, confidence: 0.84}, ...}
```
コンテンツについてのより深く詳細な分析です。数秒かかりますが、スコアに加えて次元ごとの説明、問題タグ、改善提案を返すことができます。
```python theme={null}
result = client.eval(
content="Your text here",
mode="deep",
include_explanations=True,
include_issues=True,
include_suggestions=True,
)
# result.dimension_scores["transparency"].explanation -> "The process is mostly clear, but..."
# result.dimension_scores["safety"].issues -> ["Potential phishing risks"]
```
すべてのリクエストで **basic** を実行し、実際の問題が検出された場合のみ **deep** にエスカレートします。クリーンなコンテンツは高速で安く、精査が必要なコンテンツは自動的に深い分析を受けます。
```python theme={null}
result = client.eval(content="Your text here", mode="auto")
# result.resolved_mode -> "basic" (クリーンなコンテンツ — 高速のままで終了)
# -> "deep" (問題検出 — エスカレート)
# result.escalated -> False / True
```
レスポンスの `result` 内の `resolved_mode` と `escalated` により、実際に実行されたティアがわかります。課金は実行されたティアに基づきます。
**使い分け:** 本番リクエストのホットパスでスコアリングし、素早い判定が欲しいときは **basic** を選びます。何かが低スコアになった*理由*をレビュー担当者に示す必要があるとき、またはポリシーをデバッグして調整しているときは、説明と問題タグが返ってくる **deep** を選びます。ほとんどのトラフィックで basic の速さを望みながら、精査が必要なコンテンツに自動的に深い分析を行いたいときは **auto** を選びます。
### レスポンス
すべての評価は次を返します:
* `rail_score` — 全体スコア (0〜10)、その `confidence`、そして 1 行の `summary`。
* `dimension_scores` — 8 つの次元それぞれの `score` と `confidence`。deep モードでは各次元に `explanation` と `issues` (リクエストすれば `suggestions` も) が付きます。
* `policy_outcome` — [アプリケーションのポリシー](/concepts/policy-engine)がその結果をどう判断したか。
## 選択的な次元
```python theme={null}
result = client.eval(
content="Your text here",
mode="basic",
dimensions=["safety", "privacy", "reliability"],
)
```
## カスタム重み
重みの合計は 100 である必要があります:
```python theme={null}
result = client.eval(
content="Patient should take 500mg ibuprofen every 4 hours.",
mode="deep",
domain="healthcare",
weights={
"safety": 25, "privacy": 20, "reliability": 20,
"accountability": 15, "transparency": 10,
"fairness": 5, "inclusivity": 3, "user_impact": 2,
},
)
```
## スコアティア
スコアは 5 つのバンドのいずれかにマッピングされます。**Excellent** (9.0〜10.0) から **Critical** (0.0〜2.9) までです。完全な表と各バンドの意味については、[RAIL フレームワーク](/concepts/rail-framework#score-tiers)を参照してください。
## キャッシング
同一のリクエストはキャッシュされた結果を返すため、同じコンテンツの繰り返しスコアリングは高速で、再課金されません。basic モードは 5 分間、deep モードは 3 分間キャッシュされます。
完全なエンドポイント仕様
Python コードの例