Shuichiro Ogawa
English

ノート

AI とデザインに関する調査と実験と考察を制作の過程も含めて公開しています。

月別の一覧へ

AI と社会(13)

AI が広まるなかで人と社会に何が起きているのか。各分野の研究から調べます。

  • 認知的降伏とは何か(人が AI に判断を明け渡す現象とその対策)

    2026-11-06

    認知的降伏(cognitive surrender)は、AI の出力を吟味せずに自分の判断として採り、考えること自体をやめてしまう傾向を指す。Shaw と Nave(2026、査読前)が名づけ、AI が誤ると、相談した試行の 79.8% で人は誤答に従い、正答率は AI なしの 45.8% から 31.5% に下がり、確信はかえって上がった。同じ現象は 1970 年代の航空の事故報告から、自動化への慢心(complacency)と自動化バイアス(automation bias)として研究されてきた。生成 AI は、この問題を専門職の狭い警報から、誰もが使う流暢な言葉の助言へ広げ、誤りに従うだけでなく、学ぶ機会と技能そのものを減らす形に変えた(AI を外した試験で 17% 低下、AI 導入後に AI なしの腺腫検出率が 28.4% から 22.4%)。研究の中心も、人間工学から HCI、学習科学、認知心理学へ移った。対策の証拠は、説明を足すことと一般的な警告が弱く、誤りやすい箇所の局所的な表示、出典と不整合の提示、一人称の不確実性の表明、結果のフィードバックと誘因、AI なしで測る評価が条件つきで効くことを示す。人が先に判断を置く手順は正しい AI への依存まで減らし、AI が反論を返す設計は証拠がまだ少ない。効く設計ほど好まれにくく、考える意欲の高い人に偏って効くという代償が、どの対策にも残っている。

  • 生成 AI で夢がすぐ叶うと夢は死ぬのか(X の投稿の五つの主張の検証)

    2026-10-11

    2026 年 10 月 10 日の X の投稿(paji_a)は、生成 AI で「20 年追った夢が 20 分で叶う」ことを《夢の即死問題》と呼び、続けて《夢のデフレ》《執着の格差》《情熱資本主義》《人生のプロトタイプ時代》を挙げた。五つの主張を、心理学、労働経済学、HCI、社会学の学術文献と研究報告 47 件で確かめた。夢のデフレは、作ることの値段と、作ったものが伝える信号の価値に限れば支持される。画像生成 AI の流出後、アニメ調の画像の外注は平均価格が 64% 下がり注文が 121% 増え(Zhang ら)、求人に合わせて作り込んだ応募文の働き手に雇い手が高く払う傾向は LLM の登場後に消えた(Galdin と Silbert、未査読)。夢の即死は、時間の圧縮も満足の低下も直接には測られていない。測られた短縮は数十分から数時間の課題のもので(作業時間 40% 減、Noy と Zhang 2023)、熟練の開発者は実際の課題で 19% 遅くなった(Becker ら 2025、未査読)。叶えたのに楽しくないことは、予期そのものに価値があること、出来事の感情を大きく見積もりがちなこと、外発的な目標の達成が心理的健康と関連しないこと、AI と作った文章の所有感が低いことから筋は通るが、AI で長年の夢を叶えた人の満足を測った研究は見当たらなかった。執着の格差の前半(AI が能力差を縮める)は課題で割れ、コールセンターでは最も技能の低い層の生産性が 36% 上がった一方(Brynjolfsson ら 2025)、ケニアの起業家では成績の低い層が約 10% 悪化した(Otis ら、未査読)。後半の、執着の差が値打ちになることを示す研究は見つからず、grit は成果と中程度にしか相関せず(Credé ら 2017)、「異常なほど夢中」は代償の大きい強迫的情熱(Vallerand ら 2003)に近い。情熱資本主義は、社会学と社会心理学ではすでに批判の対象で、情熱があるとみなされた働き手への不当な扱いは正当とみなされやすく(Kim ら 2020)、投資家は情熱でなく準備の度合いで出資を決めた(Chen ら 2009)。「本当の好きを発見する」は、興味は見つけるものだと考える人ほど難しくなると関心を失いやすいという結果(O'Keefe ら 2018)と食い違う。人生のプロトタイプは、新しい役割で暫定的な自己を試す過程(Ibarra 1999)として支えられるが、取り消せる選択は満足を下げた(Gilbert と Ebert 2002)。

  • 40〜50 代のおじさんが AI を強く勧める理由(過去の情報革命の経験から考える)

    2026-10-03

    2026 年に 40〜50 代の人(1976〜1986 年生まれ)が生成 AI を強く推す理由を、この世代が子ども期から経験した情報革命と比べて整理した。日本の公的統計、技術世代論、期待の社会学、生成 AI 利用の実証研究、日本の情報化の社会史から 22 件を使った。最初に、推す声の大きさは使う量の多さではないことを確かめた。総務省の 2025 年度調査では、生成 AI の利用経験は 20 代 78.2% に対し 40 代 49.0%、50 代 44.2% である。次に、依頼にあった三つ(ファミコン、ポケベル、インターネット)に、ケータイのインターネット(iモード、1999 年)とスマートフォン(2010〜2012 年に世帯保有率 9.7% から 49.5%)の二つを足した。ファミコンについては、外遊びが内遊びより少なくなったのは 1965 年頃で、日本学術会議の提言はその主因をテレビとしている。ファミコンは室内化を始めたのではなく、室内化した遊びの受け皿になった。五つを並べると、この世代の形成期(ほぼ 15〜25 歳)のただ中に来たのはインターネットとケータイのインターネットで、個人のインターネット利用率が 20% を超えた 1999 年末に 13〜23 歳だった。技術世代論の定義に当てはめると、ちょうどインターネット世代の入口にあたる。推す理由として、本文で確かめた事実から次の四つの仮説を立てた。(1)形成期に「新しい情報技術がすべてを変えた」場面を見た経験が、AI を読むときの型になる。(2)その型は、過去に語られた未来を思い出して今の未来の主張に使う働き(Brown と Michael 2003)としてはたらく。(3)iモードで先行しながら世界で孤立し(Kushida 2011)、電機が競争力を失った(Vogel 2013)という記憶が「今度は乗り遅れるな」を強める。(4)ファミコンからケータイのインターネットまでは心配される若い側だったが、AI では初めて職場で決める側にいる。総務省の企業調査の回答者は管理職以上で、日本では 86.4% が何らかの業務で生成 AI を使っていると答えた。男性に偏る理由は、子ども期にゲームとコンピュータの側から情報技術に入った男子が多かったこと(Ito と Okabe 2005)と、生成 AI の利用が男性で高いこと(米国で 7.5 ポイント差、日本で約 1.8 倍)から説明できるかもしれないが、推す声を年齢と性別で測った研究は見つからなかった。

  • オンラインで多く見えることは、多くの人がそうしていることか

    2026-08-30

    「よく見かける」を「よくあることだ」の手掛かりにしてよいか。この問いに関わる学術文献303件(頻度手掛かりと普及率推定29、少数主体による大量発信26、生成AI固有の情報環境27、自己成就と規範動態26、デジタル痕跡データの代表性27、直近3年の追加収集117、エコーチェンバー研究との差分検証51)を集めた。頻度と人数の対応が壊れる現象そのものは生成AI以前から測られている。Weaver ら (2007) は、一人が同じ意見を三回繰り返すのを聞いた人が、三人が一回ずつ言うのを聞いた人とほぼ同じだけ「その意見は広く支持されている」と推定することを6実験で示し、この効果は発言者が一人だと明示されても消えなかった。Pew Research Center (2019) の確率標本調査では米国成人 Twitter 利用者の上位10%が全ツイートの80%を生成し、van Mierlo (2014) は4つの健康 SNS で投稿の74.7%を上位1%の利用者が書き、下位90%の利用者は1.3%しか書いていないことを測った。Rao & Reiley (2012) はスパムの限界費用がほぼゼロであることから送信量が送信者数から切れる構造を定式化し、Lerman, Yan & Wu (2016) はネットワークの次数分布の偏りだけで稀な属性が局所観察では多数派に見えることを形式化している。直近3年で像は大きく動いた。曝露が「何が普通か」の判断を動かす経路は既に直接実証されている。Glickman & Sharot (2025, Nature Human Behaviour, N=1,401) の第3実験では、Stable Diffusion 生成の金融マネージャー画像を1.5秒ずつ3枚見せただけで、白人男性を最も金融マネージャーらしいと選ぶ割合が32.36%から38.20%へ上がった(p=0.04、統制群は有意差なし)。AlDahoul ら (2025) は AI 生成顔への曝露が人種とジェンダーの知覚を動かすことを、開示の有無を問わず生じる形で示した。Brady ら (2026, Nature 事前登録報告) は Bluesky で2,000名を8週間追い、エンゲージメント最適化フィードが社会規範の知覚精度を下げ、多様化アルゴリズムが改善することを実プラットフォームで確かめている。ただし Geber & Stahel (2026, N=1,021) は推薦の種類が規範知覚に有意な効果を与えなかったと報告し、Liu ら (2025, PNAS) は YouTube の4実験(計約9,000名)でフィルターバブル操作の短期的な分極効果を検出できなかった。量の測定も進んだ。Liang ら (2024) は AI 会議の査読本文の6.5〜16.9%が LLM により実質改変されたと推定し、Allaham & Diakopoulos (2026) は生成検索の被引用ソースの約16%が既に AI 生成物だと測り、Lee ら (2025, PNAS Nexus) は有害投稿者の比率の推定が実測の最大約100倍過大であることを示した。見分ける側は追いついていない。透かし除去攻撃は7方式にほぼ100%成功し(Cheng ら 2025、費用は100万トークンあたり0.88ドル)、C2PA は独立評価で主張するセキュリティ目標を達成していないと結論され(Golaszewski ら 2026)、ボット検出は LLM 回避で最大29.6%性能を落とす(Feng ら 2024)。名づけも先を越されている。Schroeder ら (2026) は Science の政策論説で「合成された合意(synthetic consensus)」を提起した(実証は伴わない)。測定の道具そのものも汚染されており、Westwood (2025, PNAS) は自律型 LLM エージェントが調査の品質管理を6,000試行の99.8%で回避できることを示している。残る空白は一点に絞られた。Daikeler ら (2025) が58件のデータ品質枠組みを系統的にレビューしても、発信主体が母集団の外にある場合の誤差類型は存在せず、欠落としてすら名指しされていない。Alsalti ら (2026) が総調査誤差のカバレッジ誤差の節でこの前提を文章化したが、下位類型としての定式化には至っていない。最近接概念であるエコーチェンバー研究との差分も、文献51件を追加して検証した。エコーチェンバー研究は原因の置き所こそ割れているが(Sunstein は受け手の選択、Pariser はアルゴリズム、Cinelli ら 2021 はホモフィリー、Bakshy ら 2015 は個人のクリックが約70%減でアルゴリズムの約15%減を上回ると切り分ける)、観測される各項目の背後に実在の人間が一人いるという前提は24件を通じて一度も明示されていない。方法論の構造上、ノードが人間であることが出発点だからである。否定側の蓄積も厚く、Guess (2021) は党派間のメディアダイエット重複を50〜65%と測り、Meta の2020年選挙研究4本は露出を大きく動かしても態度指標が動かないことを示した(Nyhan ら 2023 Nature、Guess ら 2023 Science 2本、González-Bailón ら 2023 Science、2.08億人規模)。構成比の誤推定の系譜も同じ構造を持つ。Ahler & Sood (2018) は民主党支持者の LGBT 比率を回答者が32%と推定すること(実際6%)、共和党支持者の高所得者比率を38%と推定すること(実際2%)を示したが、推定対象はいずれも実在する集団であり、処方は真の基準率の提示である(Ahler 2014 で意見が8〜13%穏健化)。選択的接触そのものの効果量は d=0.36 にとどまる(Hart ら 2009 のメタ分析)。差分は三点に整理できる。歪みの所在(観測者の標本か、供給される項目の人間対応か)、処方が前提にするもの(実在する意見の配分か、真の比率の存在か)、誤りの向き(自分の側か、目立つ少数派か、立場と独立か)。ただし Guay ら (2025, PNAS) の「不確実性下の再スケーリング」説が正しければ、比率推定はもともと0.5付近へ回帰するので、入力を汚しても悪化の余地は小さいという反論が成り立つ。この反論は比率推定の課題には効くが、Glickman & Sharot (2025) が動かした「誰が典型的か」という課題には直接には当たらない。

  • 「生成 AI による表象頻度と社会的普及率の切断」の新規性の再検討

    2026-08-30

    申し送り「生成AIによる表象頻度と社会的普及率の切断」の新規性を、文献303件(古典と2024年頃までの135件、直近3年の追加117件、エコーチェンバー差分の51件)に照らして再判定した。初回判定より厳しい結論になった。第一に、切断そのものは既出である(Weaver ら 2007、Rao & Reiley 2012、Pew 2019、van Mierlo 2014、Lerman ら 2016)。第二に、初回判定で空白としていた核が埋まった。Glickman & Sharot (2025, Nature Human Behaviour, N=1,401) の第3実験は、Stable Diffusion 生成画像を1.5秒ずつ3枚見せるだけで「誰が金融マネージャーらしいか」の判断が32.36%から38.20%へ動くことを示し(p=0.04)、AlDahoul ら (2025) は AI 生成顔への曝露が人口構成の知覚を開示の有無を問わず動かすことを事前登録実験で示した。曝露から規範知覚への因果経路は既に実証されている。第三に、名づけも先を越された。Schroeder ら (2026) が Science の政策論説で「synthetic consensus」を提起している。第四に、意図要件の残差も弱った。pink slime の790万記事(Horne & Gruppi 2024)と、政府サービスへのエージェント的フラッディングの可能性のある事例84件(Schmitz ら 2026、大半は善意の利用者による)が、大量生成の事例研究として既に存在する。残ったのは一点だけである。Daikeler ら (2025) が58件のデータ品質枠組みを系統的にレビューしても、発信主体が母集団の外にある場合の誤差類型は存在せず、欠落としてすら名指しされていない。Alsalti ら (2026) が総調査誤差のカバレッジ誤差の節でこの前提を文章化したが、下位類型としての定式化には至っていない。したがって新規性は「発見」ではなく「診断装置」の側にしか置けない。ここで問いの切り方を変え、誰が担ったかを問わず機能で判定する構えを頻度手掛かりに当てると、問いが「推定は正確か」から「その頻度は何を閉じるか」へ移る。既存の二系統の装置(意図と人格を要求する操作研究、人口側の項の実在を要求する測定理論)はどちらも authorship に依存しており、機能判定への置き換えがそのまま貢献の位置になる。新規性軸の暫定採点は PD=3、Mat=2、Met=4、Res=未採点、レビュー論文として出す場合の RW=3。Met≥4 により単軸例外ゲートにも触れる。投稿先は Public Opinion Quarterly を第一候補とし、Big Data & Society を第二とする。最近接概念であるエコーチェンバー研究との差分も文献51件で検証し、差分は立つと判定した。エコーチェンバー研究24件を通して「観測される各項目の背後に実在の人間が一人いる」という前提を明示的に述べた論文は一つもなく、処方はいずれも実在する意見の配分を変えるか真の基準率を提示するかである(Ahler 2014 で意見が8〜13%穏健化)。対応する人間が存在しない項目には、どちらの前提も成立しない。Meta の2020年選挙研究4本が示した「露出を大きく動かしても態度が動かない」という結果も、操作対象が常に実在する人間の可視性にとどまることを裏づけるので追い風である。ただし新しい脅威が一つ出た。Guay ら (2025, PNAS) の「不確実性下の再スケーリング」は、比率推定がもともと0.5付近へ回帰する領域一般の性質だと主張する。これが正しければ「入力を汚しても悪化の余地は小さい」と返されうる。応答は課題を分けることである。UBR が説明するのは比率の推定であり、Glickman & Sharot (2025) が動かしたのは典型性の判断で、比率を答えさせていない(AlDahoul ら 2025 は比率を答えさせているので、この切り分けを支えるのは Glickman & Sharot の第3実験だけである)。したがって従属変数に比率推定を置くと吸収され、典型性判断とそこから導かれる選択肢の幅を置けば射程の外に出る。この切り分けは実験設計を直接決める。確定採点は paper-pipeline の novelty-auditor に委ねる。

  • スロップ対策の変遷(印刷術から生成 AI まで)

    2026-08-28

    低品質な生成物が環境を汚し、それに対して選別の仕組みが作られるという循環を、印刷術以後から2026年までの文献140件(前史21、メールスパム28、検索とボット25、学術出版29、2022年以降のAI対策37)で追った。対策は歴史上おおむね五つの型に収まる。受け手が分類する(ベイズフィルタ)、送り手に費用を課す(proof-of-work)、出所を証明する(SPF/DKIM/DMARC、C2PA、透かし)、人間であることを証明する(CAPTCHA)、門番を置く(査読、ブラックリスト、コミュニティ規約)。そして破れ方にも五つの型がある。(1) 攻撃者の能力不足を前提にした設計は能力の向上で失効する(CAPTCHA は AI の未解決性に安全性を賭けた設計で、GAN ソルバーが33スキームを0.05秒で解いた)。(2) 費用を課す対策は費用を他人に転嫁できる相手に効かない(Laurie & Clayton 2004 が proof-of-work の失敗を論証)。(3) 来歴は任意採用だと正直な参加者しか使わない(Durumeric 2015 で DMARC ポリシー指定は1.1%)。(4) 門番の誤りは弱い側に集中する(ブラックリストによるグローバルサウスの誤分類、Tor 利用者への差別、非母語話者の誤検知)。(5) 効いた対策は検証能力を大手に集中させる。今回だけ新しいのは三点で、生成物と本物が見分けられないこと、強い透かしの不可能性が証明されていること(Zhang et al. ICML 2024)、そして対策が slop の量や流通を実際に減らしたと示す査読研究が本収集の範囲では見つからないことである。歴史上効いた対策の共通点は「見分ける」ではなく「構造を変える」ことだった。

  • AI の能力はどこにあるのか(関係論的存在論からの検討)

    2026-07-19

    AI評価が暗黙に置く一つの非対称、すなわちモデルが能力を『もち』測定はそれを『明らかにするだけ』という切り分けを、ド・ブロイが物質波を導いた対称性完成の手つきで反転する論考。反転が告げるのは、文脈から独立した『真の能力』は存在せず、測定は能力を明らかにするのでなく立ち上げる、という存在論である。この反転は確証済みの事実ではなく、能力の非古典的な文脈依存性(contextuality)を検定すれば反証できる仮説として提示する。装置はすでにLLMの語義に大規模適用され非古典性が実測されており(Lo, Sadrzadeh & Mansfield 2025, Proc. R. Soc. A)、対象を意味から能力へ移す設計が本論の核である。新規性は真値不在の存在論的反転、意味から能力への検定の移設、散在現象の一存在論での束ね、の三点に厳密に限定する。参照文献22件(書誌確定19件、要一次検証3件)。

  • 生成 AI に関する心理学と認知科学の研究動向(2024〜2026)

    2026-07-19

    大規模言語モデルと心理学・認知科学の交差で2024–2026に生まれた研究潮流を、査読論文と主要プレプリント30件から整理した統合要約。機械心理学、LLMの認知モデル化、human-AI相互作用の心理学、認知科学の方法論的転換の4クラスタで論点を追う。参照文献30件。

  • 生成 AI に関する経済学の研究動向(2024〜2026)

    2026-07-19

    生成AIと経済学の交差で2024–2026に厚みを増した実証研究を、査読誌とNBER/SSRNのワーキングペーパーから16件収集した統合要約。生産性の現場実験、労働市場の曝露と雇用、マクロ成長理論、研究道具としてのLLM、アルゴリズム価格協調の5クラスタで整理する。参照文献16件。

  • AI に関する法学とガバナンスの研究動向(2024〜2026)

    2026-07-19

    2024–2026 のAIと法学・ガバナンス研究を、一次法源と査読法学論文33件から整理した文献レビュー。EU AI Actの段階施行とGPAI行動規範、米国の大統領令の反転、NIST/OECD/国連/欧州評議会による多層ガバナンス、アルゴリズム監査の制度化、AI責任の空白、著作権とLLM学習をめぐる訴訟と学説を扱う。参照文献33件。

  • 生成 AI に関する人文学の研究動向(2024〜2026)

    2026-07-19

    AI(LLMと生成AI)と人文学の交差を、2024年から2026年央の査読論文と主要プレプリント19件から整理した文献レビュー。デジタルヒューマニティーズのLLM転回、翻刻とOCRの精度逆転、意味と理解をめぐるAIの哲学、著者性と開示の論争、そして批判的AI研究の五つの潮流をたどる。参照文献19件。

  • 生成 AI に関する社会科学の研究動向(2024〜2026)

    2026-07-19

    AI(特にLLM・生成AI)と社会科学の交差で2023年以降に立ち上がった研究潮流を、査読論文と高被引用プレプリントから軽量スコーピングで整理した統合要約。計算社会科学のLLM転回、LLMを研究道具にする調査手法とその妥当性批判、シリコンサンプリングと生成エージェント、社会科学的対象としてのAIの4クラスタで俯瞰する。参照文献29件。

  • AI を使うとスキルの格差は広がるか(学術と産業の系譜の討議)

    2026-06-09

    Zenn記事(pdfractal)『AIは賢い人をより賢く、頭が悪い人をより浅くするのか』を、学術界の系譜(査読研究)と産業界の系譜(実務が読む公的機関・リサーチ会社・コンサルのトレンドレポート)で討議。対立は『学術 vs 産業』ではなく『認知科学派(劣化・拡大) vs 産業レポート派(=労働経済の中継=圧縮・底上げ)』。記事は認知科学派の少数側。和解の鍵は記事§6『境界の内/外』=メタ認知で、jagged frontierと産業レポート自身の警戒信号(幻滅期・リテラシー不足)と握手する。