本プロンプトは、キーボードの打鍵ログ（タイムスタンプ、キーコード、打鍵間隔）を入力データとして受け取り、執筆者の心理的負荷、集中度、および感情状態を推論するための分析フレームワークである。 ### 1. 入力データの定義と前処理 分析対象となるログは、以下のJSON形式で構成すること。 ```json [ {"key": "A", "timestamp": 1715000000.123, "duration": 0.08}, {"key": "Space", "timestamp": 1715000000.345, "duration": 0.12} ] ``` - `timestamp`: エポック秒。 - `duration`: キーが押されてから離されるまでの物理的なホールド時間（秒）。 ### 2. 分析用プロンプト・テンプレート 以下の指示文をLLM（GPT-4等）にコピーし、[ログデータ]の部分に実際のデータを挿入して実行せよ。 --- **【プロンプト】** あなたは熟練の行動心理学者およびデータアナリストです。提供されたキーボード打鍵ログを分析し、以下のステップでユーザーの感情状態を推論してください。 **ステップ1：時系列パターンの抽出** - 打鍵間隔（Interval）の標準偏差と、ホールド時間（Duration）の平均値を算出し、リズムの安定性を評価せよ。 - 突発的な高速打鍵（バースト）が発生している箇所を特定せよ。 **ステップ2：心理指標への変換** - 安定したリズム：集中状態（フロー） - 不規則な間隔と短いホールド：焦燥、混乱、または思考の迷い - 長いホールドと不規則な停止：熟考、あるいは強い感情的抑圧（怒りや悲しみ） **ステップ3：感情推論レポートの出力** 以下のフォーマットで回答せよ。 1. **現状の集中レベル (1-10)**：数値とその根拠 2. **推論される感情状態**：キーワード（例：不安、昂揚、沈思黙考、機械的処理）とその理由 3. **リズムの変化点**：最も顕著な変化が起きたタイムスタンプと、その際のキー操作パターン [ログデータ] --- ### 3. A/Bテストのための変数設定 プロンプトの精度を高めるため、以下の変数を調整してテストを繰り返すこと。 - **変数A（感度閾値）**: 「打鍵間隔の揺らぎを、何ミリ秒から『迷い』と定義するか」を設定する。初期値は150ms。これを100ms〜300msの間で変動させ、推論結果の変化を比較する。 - **変数B（コンテキスト加重）**: 執筆内容（コードか、自然言語か）をプロンプトに事前入力するか否か。コードの場合は論理構造を優先し、自然言語の場合は感情負荷を優先して推論するよう重みを設定する。 ### 4. 分析精度向上のための検証用質問セット モデルの推論が妥当か検証するために、以下の質問セットをモデルに投げ、回答の論理性を確認せよ。 1. 「このログの中で、打鍵リズムの乱れが最も激しい箇所を特定し、その直前に打たれたキーが感情のトリガーになっている可能性を分析せよ。」 2. 「このユーザーが現在『確信を持って入力している』と判断できる根拠はあるか？ 逆のケースはどうか？」 3. 「もしこのリズムが『怒り』に起因するものだとしたら、どの物理特性が最も大きな寄与をしているか？」 ### 5. 注意事項と実務上の調整 - **ハードウェアノイズの補正**: 使用するキーボードの種類（メカニカル、メンブレン、ノートPCのパンタグラフ）によって物理的なホールド時間の基準値は異なる。分析前に、そのデバイス特有の「平均打鍵時間」をベースラインとして設定すること。 - **プライバシー配慮**: 本プロンプトは打鍵の「タイミング」のみを分析対象としている。入力内容そのものを解析する場合は、個人情報のマスキング処理を事前に行うこと。 - **フィードバックループの構築**: モデルの推論結果と、実際のユーザーの状態（自己申告）を突き合わせ、変数A（感度閾値）を随時更新せよ。このサイクルを回すことで、個別のユーザーに最適化された「リズム解析モデル」が構築される。 本フレームワークは、デジタル環境における非言語的コミュニケーションの可視化を目的としている。打鍵リズムを「感情の変数」として捉え、プロンプトの調整を継続することで、機械と人間の間の解像度を高めることが可能となる。