AIと人文学の研究潮流：デジタルヒューマニティーズと大規模言語モデル（2024–2026）

人文学は、テキストを読むことを職能の中心に据えてきた。その中心へ、テキストを大量に生成し分類し翻訳する機械が入ってきたとき、分野は何を失い、何を新しく問えるようになるのか。

2024年から2026年央にかけての査読論文と主要プレプリントを読むと、二つの流れが同時に走っているのが見える。一つは、大規模言語モデル（LLM）を道具として使い、これまで手が届かなかった史料や規模に分け入る流れである。もう一つは、その道具が前提とする「意味」「著者」「理解」といった人文学の基礎概念そのものを、機械の存在が揺らしにかかる流れである。本ノートは、この両方を五つの潮流に分けてたどる。

素材はデジタルヒューマニティーズ（DH）、計算文学研究、歴史と言語学、AIの哲学、批判的AI研究にまたがる査読論文と主要プレプリント19件（末尾「参照文献」）。各文献は DOI/arXiv を Crossref または arXiv abs で実在確認した（収集規約 .claude/rules/collection-protocol.md、捏造ゼロ）。内部の作業台帳は source/review/ai-humanities-digital-humanities-trends/papers.md（非公開）。姉妹ノート: ai-social-science-research-trends、ai-arts-culture-studies-trends、ai-education-learning-sciences-trends。芸術制作の産業論は本ノートでは扱わず、ai-arts-culture-studies-trends に委ねる。

この分野を象徴する三つの転回点

2024年の Poetics Today 特集号は、文学理論の側が LLM に正面から応答した最初期の集団的な記録である（H01）。編者は文学研究者に「著者性、大学での書くこと、教育、そして職能の将来にとって LLM は何を意味するか」を問い、Hayles や Kirschenbaum ら分野の中心人物が寄稿した。道具の性能ではなく、分野の自己理解が主題になっている点が、この号を潮目にする。

同じ号で Bajohr は、人工的テキスト（機械が生成した文）とポスト人工的テキスト（機械生成が常態化した後に読者が文を読むときの構え）を区別した（H02）。問いを書き手の技術から読者の期待へ移したこの区別は、以後の議論の共通語彙になりつつある。

道具の側でも、静かな逆転が起きた。 Humphries らは、18世紀から19世紀の手書き文書の翻刻で、マルチモーダル LLM が専用の手書き文字認識（HTR）ソフトを上回ることを示した（H12）。自己修正を挟むと文字誤り率（CER）は1.8%まで下がり、人間の水準に近づいたと報告している。長く専門特化モデルの領分だった翻刻で、汎用モデルが追いつき追い越したという主張が、DH の道具立てを問い直させている。

デジタルヒューマニティーズのLLM転回：翻刻と分析の規模

DH が長年抱えてきた律速は、史料をテキスト化する工程だった。手書き史料の翻刻は熟練を要し、規模を上げにくい。 LLM は、まずこのボトルネックを崩しにかかっている。

Humphries らの報告（H12）は単発ではない。 Greif らは、歴史的なドイツ語住所録で、マルチモーダル LLM が従来の OCR を凌ぎ、後修正を加えると CER が1%を切ったと報告する（2025年、H14）。画像の前処理も微調整もなしでこの水準に達した点が、実務上の含意を持つ。

ただし、汎用モデルなら常に優る、という像は正確でない。 Crosilla らのベンチマーク（2025年、H13）は、ゼロショットで Claude 3.5 Sonnet のような商用モデルがオープンソースを上回る一方、LLM は自分の翻刻の誤りを自律的に直す能力が限定的だと示す。翻刻の精度と誤り訂正の能力は別物であり、後者はまだ人手の検証を必要とする。

翻刻の先、テキストを分析する工程にも LLM は入り込んでいる。 Stewart と Sinha は、OCR と分割と LLM プロンプトを組み合わせ、4万5千頁を超える非構造化の農務省植物目録から構造化メタデータを抽出した（2025年、H15）。 Zeng は前漢の『塩鉄論』を事例に、歴史テキストを多層的に分析する枠組み HistoLens を組んだ（2024年、H16）。 Dobranić らは、トピックモデリングと LLM の感情分析を重ね、20世紀初頭のスロベニア語新聞にアイデンティティと政治的イデオロギーがどう表れたかを読んだ（2026年、H18）。規模の分析（distant reading）は、LLM を得て個別の解釈では見えない巨視的なパターンへ届く射程を広げている。

もっとも、この規模化は無条件ではない。 Stewart と Sinha 自身が、抽出結果の妥当性確認と人手の監督が不可欠だと釘を刺している（H15）。道具が工程を速めるほど、どこで人間が確かめるかという問いが前面に出る。

機械翻訳と低資源言語：安全機構がテキストを止めるとき

人文学が扱う言語には、話者が少ないもの、歴史的に途絶えたもの、標準化されていないものが多い。 LLM の翻訳能力は、こうした低資源言語や古典語にこそ効きそうに見える。

だが Tekgurler の報告（2025年、H19）は、素朴な期待を事実で崩す。 18世紀オスマン語写本を Gemini で翻訳させると、安全機構が本文の14%から23%をブロックし、歴史テキストの完全で正確な翻訳を妨げた。現代の有害表現を検閲するために設けた仕組みが、過去の文書を読む作業を止めてしまう。汎用 LLM を人文学に持ち込むとき、モデルの「安全」の設計が、そのまま史料へのアクセスの制約になる。

この一例は、翻訳の質を測る指標だけでは見えない問題を照らす。低資源言語の翻訳では、どれだけ流暢に訳せるかの前に、そもそもモデルが訳そうとするかが問われる。

意味と理解をめぐるAIの哲学

LLM が流暢な文を生むほど、古い問いが新しい重みで戻ってくる。モデルは言葉の意味を扱っているのか、それとも形の統計を扱っているだけなのか。

議論の起点は、モデルが形（テキスト）だけを訓練データにする以上、意味は原理的に学べないとする立場である。 Grindrod は、この論争を言語哲学の志向性の枠で捉え直し、LLM 出力が意味や志向性を持つと言えるかを検討した（2024年、H03）。記号を世界の指示対象へ接地させる回路が欠けているという記号接地問題が、ここで再燃する。

論争の当事者の一人である Shanahan は、自説が還元主義と誤読されたと訂正した（2024年、H05）。自分の議論は LLM の本性についての形而上学的な断定ではなく、言語の使い方を Wittgenstein 的に見る分析だ、と位置づけ直している。論点は「LLM は理解しているか否か」の二択から、「理解という語をどの文脈で使うのが適切か」へずれつつある。

こうした個別の論争を、Millière と Buckner は言語モデルの哲学として体系化した（2026年、Philosophy Compass、H04）。意味、理解、表象、接地という論点を並べたこの総説は、散在していた議論に地図を与える。 AI の哲学が、LLM を主題とする一つの下位分野として形を持ちはじめたことを、この総説の存在が示している。

著者性、解釈、開示：人文学的な論争

意味の哲学が抽象で争われる一方、著者性と権利をめぐる論争は制度の次元で進む。誰が書いたことにするのか、という問いが、法と学術規範の両方で具体的な決定を迫っている。

Ramos-Zaga は、生成AIの補助を受けた作品が著作権保護に値するために必要な、人間的創造性の最小の閾値を規範的に枠組み化した（2025年、H10）。プロンプトだけでは人間の統制が足りないとする法解釈の流れを、閾値の問題として整理し直している。

解釈の側では、LLM が文体をどこまで「理解」するかが実証で問われた。 Hicke と Mimno は、モデルが著者とジャンルをどう識別するかを探り、著者の声はジャンルより検出しやすいこと、記憶に頼る機構と文体を学習する機構が混在することを示した（2025年、H09）。 O’Sullivan は、計量文体論の古典的な手法で人間と AI 生成の創作文を比較し、文体の指紋がどこで一致し、どこで分かれるかを測った（2025年、H08）。計量文体論は、著者性を情緒ではなく測定可能な特徴として扱う分野の伝統を、生成AIの時代へ持ち込む。

もう一つ、分野の内側で足元を問う論争がある。研究に生成AIを使ったことを、どこまで開示すべきか。 Ma らの調査（2025年、H11）は、DH 研究者が開示の重要性を認めながら、実際の開示率は低く、どの活動が開示に値するかの見解も割れていることを明らかにした。分野が新しい道具を受け入れる速度と、その使用を可視化する規範が整う速度のあいだに、ずれが生じている。

批判的AI研究：道具の外側を問う

これまでの潮流は、いずれも LLM を分析の対象か道具として扱う。批判的AI研究（critical AI studies）は、視線を一段引き、AI という技術体制そのものの権力と物質性を問う。

Hogan は、生成AIの環境負荷と、クラウド企業が体現する抽出主義的な権力構造を人文学の批評として論じた（2024年、Critical AI、H06）。モデルの出力ではなく、モデルを動かすインフラの側に批評の焦点を当てる。

Seddone は、アルゴリズム的な知が広がるほど、人文学が「知の人間的成分」を保存する役割を担うと論じた（2025年、AI & Society、H07）。これは人文学の擁護論であり、同時に、AI 時代に人文学が何を引き受けるかの提案でもある。批判的AI研究の存在は、この分野が AI を使うだけでなく、AI を問う主体でもあろうとしていることを示している。

横断的な論点（レビューの軸候補）

道具としてのLLMと、批判の対象としてのLLM：翻刻や分析で LLM を使う流れ（H12/H14/H15/H16/H18）と、その意味、権力、物質性を問う流れ（H03/H04/H06/H07）が並走する。両者は同じ分野の別の顔である。
精度の逆転と、その条件：汎用 LLM が専用 HTR を上回るという主張（H12/H14）は強いが、自己誤り訂正の弱さ（H13）と人手検証の必要（H15）が条件として付く。無条件の性能主張として読まない。
安全機構と史料アクセスの緊張：現代基準の安全設計が、過去のテキストを読む作業を阻む（H19）。汎用モデルを人文学へ持ち込む際の固有の摩擦。
意味の哲学の再燃と体系化：記号接地と志向性の古い論争（H03/H05）が LLM で戻り、言語モデルの哲学として地図化された（H04）。
著者性と開示の制度化のずれ：創造性の閾値（H10）、文体の検出（H08/H09）、生成AI利用の開示（H11）が、法と学術規範の両面で未整備のまま進む。

次に読むべき一次文献（優先）

転回点の把握: H01（Poetics Today 特集号序論）、H02（人工的/ポスト人工的テキスト）。
道具の限界の条件: H13（HTR の自己訂正の弱さ）、H19（翻訳の安全機構ブロック）。
哲学の地図: H04（言語モデルの哲学の総説）、H03（志向性）。
制度の論争: H11（開示の実態）、H10（著作権の閾値）。

参照文献

全19件。査読誌は DOI、プレプリントは arXiv。[未査読] は査読前プレプリント、[要一次検証] は書誌の一部が未確定（主要事実には影響しない）。内部台帳は source/review/ai-humanities-digital-humanities-trends/papers.md。

転回点と文学理論、著者性

H01 Evron, N., & Tartakovsky, R. (2024). The AI Revolution: Speculations on Authorship, Pedagogy, and the Future of the Profession. Poetics Today 45(2), 189–195. https://doi.org/10.1215/03335372-11092765
H02 Bajohr, H. (2024). On Artificial and Post-artificial Texts: Machine Learning and the Reader’s Expectations of Literary and Non-literary Writing. Poetics Today 45(2), 331–361. https://doi.org/10.1215/03335372-11092990
H08 O’Sullivan, J. (2025). Stylometric comparisons of human versus AI-generated creative writing. Humanities and Social Sciences Communications 12. https://doi.org/10.1057/s41599-025-05986-3
H09 Hicke, R.M.M., & Mimno, D. (2025). Looking for the Inner Music: Probing LLMs’ Understanding of Literary Style. arXiv:2502.03647 [未査読]. https://arxiv.org/abs/2502.03647
H10 Ramos-Zaga, F.A. (2025). Reconceptualizing Human Authorship in the Age of Generative AI: A Normative Framework for Copyright Thresholds. Laws 14. https://doi.org/10.3390/laws14060084

AIの哲学（意味、理解、志向性）

H03 Grindrod, J. (2024). Large language models and linguistic intentionality. Synthese 204. https://doi.org/10.1007/s11229-024-04723-8
H04 Millière, R., & Buckner, C. (2026). The Philosophy of Language Models. Philosophy Compass 21. https://doi.org/10.1111/phc3.70095 [巻号確定要一次検証]
H05 Shanahan, M. (2024). Still “Talking About Large Language Models”: Some Clarifications. arXiv:2412.10291 [未査読]. https://arxiv.org/abs/2412.10291

批判的AI研究と人文学の役割

H06 Hogan, M. (2024). The Fumes of AI. Critical AI 2(1). https://doi.org/10.1215/2834703x-11205231
H07 Seddone, G. (2025). LLMs and the increasing role of the humanities in the digital age. AI & Society 41. https://doi.org/10.1007/s00146-025-02778-w
H11 Ma, R., Zhang, X., & Wisnicki, A. (2025). Disclosing Generative AI Use in Digital Humanities Research. arXiv:2507.03216 [未査読]. https://arxiv.org/abs/2507.03216

デジタルヒューマニティーズ（翻刻、OCR、分析）

H12 Humphries, M., Leddy, L.C., Downton, Q., Legace, M., McConnell, J., Murray, I., & Spence, E. (2024). Unlocking the Archives: Using Large Language Models to Transcribe Handwritten Historical Documents. arXiv:2411.03340 [未査読]. https://arxiv.org/abs/2411.03340
H13 Crosilla, G., Klic, L., & Colavizza, G. (2025). Benchmarking Large Language Models for Handwritten Text Recognition. arXiv:2503.15195 [未査読]. https://arxiv.org/abs/2503.15195
H14 Greif, G., Griesshaber, N., & Greif, R. (2025). Multimodal LLMs for OCR, OCR Post-Correction, and Named Entity Recognition in Historical Documents. arXiv:2504.00414 [未査読]. https://arxiv.org/abs/2504.00414
H15 Stewart, S.D., & Sinha, S. (2025). Retrieving information from unstructured historical sources using large language models. Computational Humanities Research 1. https://doi.org/10.1017/chr.2025.10019
H16 Zeng, Y. (2024). HistoLens: An LLM-Powered Framework for Multi-Layered Analysis of Historical Texts — A Case Application of Yantie Lun. arXiv:2411.09978 [未査読]. https://arxiv.org/abs/2411.09978
H17 Yang, Z., et al. (2024). Analyzing Nobel Prize Literature with Large Language Models. arXiv:2410.18142 [未査読]. https://arxiv.org/abs/2410.18142
H18 Dobranić, F., et al. (2026). Approaches to Analysing Historical Newspapers Using LLMs. arXiv:2603.25051 [未査読]. https://arxiv.org/abs/2603.25051

機械翻訳（歴史と低資源言語）

H19 Tekgurler, M. (2025). LLMs for Translation: Historical, Low-Resourced Languages and Contemporary AI Models. arXiv:2503.11898 [未査読]. https://arxiv.org/abs/2503.11898

未検証事項

H04（Millière & Buckner, Philosophy Compass）は Crossref 上で volume 21、2026 と表記。early-view と確定巻号の差異が残るため [要一次検証]（掲載自体は確認済）。
H12（Humphries 他）の「CER 1.8% / WER 3.5%」「50倍高速、約1/50コスト」は著者の実験主張であり、独立再現は未確認 [要一次検証]。本文では著者の報告として扱った。
H10（Ramos-Zaga, Laws/MDPI）は査読誌だが、当該出版社の査読の厳格性に議論があるため確度は中位。規範枠組みの提案であり、事実主張は限定的。
H18（arXiv:2603.25051）ほか一部プレプリントは投稿年が2026年表記。arXiv ID、題名、著者は abs で確認済。査読掲載先は未確定。

更新方針

本ノートは生きたページである。新規の査読論文や主要プレプリントを得たら本文に追記し、updated を改める。内部台帳側で [要一次検証] を解消し、本ページの参照文献へ反映していく。