頻度が何を閉じるかを問えるか（新規性の再判定）｜ノート

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。

初回判定のうち、二つが崩れた

このノートは一度書いた判定を差し替えるものである。直近3年（2023–2026）を五つのレーンで追加収集した結果、初回に空白としていたものが二つ埋まっていた。

初回の判定はこうだった。切断そのものは既出であり、残差は二つある。第一に、既存の操作研究は定義の入口で欺瞞的意図を要求するので、悪意なき大量生成を扱えない。第二に、検出は偽の人格どうしの関係を証拠にするので、人格に帰属しない生成物の累積を扱えない。

このうち第一は弱った。 Horne & Gruppi (2024) は、ローカルニュースを装う pink slime サイト1,093件から790万記事超のデータセットを作った。 Schmitz ら (2026) はさらに直接的で、11の管轄区域で AI エージェントが政府サービスに申請を大量投入した可能性のある事例84件を記録した。大半は善意で動いた通常の利用者の事例であり、悪意の事例は一部にとどまる。市民の便益のために動いたエージェントが需要を急増させている。

定義そのものはまだ動いていない。 Mannocci ら (2024) が業界と学術の協調的非真正行動の定義を調和させようとした枠組みも、非真正性を核に置いたままである。だが「現象が記述されていない」とはもう言えない。

第二の残差は、内容単独の検出が育ったことで形が変わった。 Puccetti ら (2024)、Dawkins ら (2025)、Shahriar ら (2025) は、人格に一切帰属しないテキストの言語的特徴だけで判定しようとする。ただしどれも、攻撃者がモデルを微調整して非公開にするだけで大きく崩れる。つまり「その単位を持たない」から「その単位を持とうとしたが実運用で脆い」へ移った。

核が埋まっていた

初回判定では、「AI 生成コンテンツへの曝露が何が普通かの判断を動かす」という中心命題の核が、まだ直接実証されていないと書いた。それは誤りだった。

Glickman & Sharot (2025, Nature Human Behaviour、N=1,401) の第3実験は、Stable Diffusion が生成した「金融マネージャー」の画像を1.5秒ずつ3枚見せただけで、「誰が最も金融マネージャーらしいか」という記述的分布の判断が白人男性側へ動くことを示している（32.36%から38.20%、p=0.04、統制群は有意差なし）。 AlDahoul, Rahwan & Zaki (2025) は AI 生成の顔画像で同じ方向の結果を、事前登録実験で、しかも AI 生成であることを開示したかどうかを問わず得た。 Brady ら (2026, Nature の事前登録報告) は Bluesky で2,000名を8週間追い、エンゲージメントを最適化するフィードが社会規範の知覚精度を下げることを実プラットフォームで確かめている。

命名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。実証を伴わない提言だが、申し送りが仮称として挙げた synthetic prevalence とほぼ同じ着想である。

したがって、申し送りの「C. 人工的な社会的普及率の生成」を独立の貢献として立てることはできない。「D. 偽物だった分布が現実化する自己強化ループ」も、Salganik & Watts (2008) と Muchnik ら (2013) に加えて Glickman & Sharot (2025) が生成AI 条件で押さえている。

ただし、効果は一様ではない。 Geber & Stahel (2026、N=1,021) は推薦の種類が知覚された社会規範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。生成物の中身への直接曝露は効き、可視性や推薦の操作は効かないか限定的、という食い違いが残っている。

残ったのは、測定理論の穴だけである

初回判定で挙げた三つ目の残差は、逆に強まった。

Daikeler ら (2025, Social Science Computer Review) は、2025年時点で存在するデータ品質枠組み58件を系統的にレビューし、決定木とエビデンスギャップマップまで作っている。そこで欠落として名指しされたのは、視覚データと連結データだった。発信主体が母集団の外にある場合の誤差類型は、58件のどこにも存在しないうえに、欠落としても挙げられていない。

同時期に提案された新しい枠組みも同じである。 Schneck & Przepiorka (2025) の TEF-DBD は6つの誤差源を定義するが、対象は eBay のような取引データであり、非人間の発信者を想定していない。 Jansson & Japec (2026) の総誤差枠組みについては、非人間の発信者への言及の有無を本文で確かめていない [要一次検証: 本文未到達要旨のみ]。

前提に触れた文はある。 Sen ら (2021) は TED-On の中で、ボットや企業のような非人間が利用者として振る舞いながら人間母集団の成員を代表しない場合があると一文で書き（p.409）、Weiß ら (2025) も観測された行動がボットのような非人間の主体によることがあると一文で書く（p.928）。どちらも、誤差の構造は利用者と母集団の成員との対応の上に組んだままである。 Alsalti, Rohrer & Arslan (2026) は総調査誤差のカバレッジ誤差を論じる節で、生成AI の利用が広がることで標本単位が人間個体に対応しない可能性があり、オンライン標本が人間母集団を代表するという前提が掘り崩されると書いた。だがこれは一、二文の指摘であり、カバレッジ誤差、標本抽出誤差、無回答誤差、加重誤差のいずれの下位類型としても定式化されていない。

隣接領域では、同じ言明がすでに最上位誌に載っている。 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、「一貫した回答は人間の回答である」という前提がもはや維持できないと述べた。ただし対象は名簿を持つ閉じた測定装置であり、そこでは問題が「侵入者を検出する」形で立つ。発信主体を特定する仕組みそのものを持たない痕跡データとは、問題の立ち方が違う。

言えるのはここまでである。 2026年8月時点で、発信主体が母集団の外にある場合を誤差の類型として構造化した枠組みは、252件の中に見当たらない。そして Westwood (2025) の言明が公になっている以上、この空白が長く空いたままである保証もない。

エコーチェンバーとの差分は、立つ

査読で最初に来る反論は「それはエコーチェンバー研究で扱われている」だろう。文献51件を追加して、この反論に答えられるかを確かめた。

結論は、立つ。ただし条件つきである。

立つ理由

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かった。方法論の構造がそうさせている。 Cinelli ら (2021) は1億件超を実ユーザーの発話として、Barberá ら (2015) は380万アカウントを、Bakshy ら (2015) は1010万ユーザーを母集団に取る。ノードが人間であることが出発点なので、疑う理由がない。

処方も同じ構造を持つ。クロスカット露出の増加もブリッジングも、実在する意見の配分を変える介入である。構成比の誤推定の系譜（Ahler & Sood 2018、Nadeau ら 1993、Herda 2010）の処方は真の基準率の提示であり、Ahler (2014) はそれで意見が8%から13%穏健化することを示した。 訂正すべき真の比率が存在することが、この処方の前提になっている。

対応する人間が存在しない項目については、どちらの前提も満たされない。分母が定義できないからである。これは「処方が効かない」のではなく、処方の適用条件が成立しないという、枠組みの外側の事態である。

否定的知見も追い風だった。 Meta の2020年選挙研究4本（Nyhan ら 2023, Nature、Guess ら 2023, Science 2本、González-Bailón ら 2023, Science、2.08億人規模）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ている。つまりエコーチェンバー研究は、露出の再配分という一変数の効果が小さいことを自ら結論しており、しかもその操作対象は常に「実在する人間の意見のうち何が見えるか」にとどまってきた。

選択的接触そのものの効果量も大きくない。 Hart ら (2009) のメタ分析で d=0.36 である。 Ahler & Sood (2018) が測った LGBT 比率の誤推定（6%を32%と推定）のような数倍の乖離を、この効果量だけで説明するのは難しい。

条件：新しい脅威が一つ出た

Guay, Marghetis, Wong & Landy (2025, PNAS) の「不確実性下の再スケーリング（UBR）」が、この案にとって最も新しい脅威である。

主張はこうである。人は比率を推定するとき、判断を0.5付近の事前期待へ引き寄せる。だから小さい集団は系統的に過大推定される。これはトピックに依存しない領域一般の統計処理の性質であり、排外主義でもメディア偏向でも説明を必要としない。

この説が正しいと、案の一部が吸収される。比率の推定がもともと入力からそれほど情報を取っていないなら、入力を汚しても悪化の余地は小さい。「頻度が普及率の手掛かりとして働かなくなる」という主張は、「そもそもたいして働いていなかった」で返されうる。

反論の筋

課題を分けることで応じられる。

UBR が説明するのは比率の推定（何%いるか）である。 Glickman & Sharot (2025) の第3実験が動かしたのは典型性の判断（誰が最も金融マネージャーらしいか）であり、比率を答えさせていない。 AlDahoul ら (2025) は、これと違い、比率の数値推定（何%か）を主な従属変数にしている。したがって、この切り分けを直接支えるのは Glickman & Sharot (2025) の第3実験だけである。

つまり、典型性の側で曝露が効くことを示したのは Glickman & Sharot (2025) であり、UBR が回帰を予測するのは比率の側である。両者は別の課題であり、同じ結論を共有しない。

この切り分けは、論文の設計を直接決める。 比率推定を従属変数に置くと UBR に吸収される。典型性判断と、そこから導かれる「何を試みてよいか」の範囲を従属変数に置けば、UBR の射程の外に出られる。材料候補2（後述）の設計は、これに合わせて修正する。

生成AI との接続はすでにある

Sharma, Liao & Xiao (2024, CHI) は LLM 会話型検索が偏った情報探索を助長することを実証し、Jacob ら (2025) は chat-chamber effect を報告した。「生成AI × エコーチェンバー」という組み合わせ自体は査読済みで存在する。

ただしどちらも扱っているのは利用者の探索が偏ることであり、供給される項目の人間対応性ではない。差分は保たれる。

発見はもう取れない。装置を作るしかない

以上から、新規性を「発見」に置く道は塞がった。残るのは「診断装置」の側である。

通常の切り方は「推定は正確か」である。これは計算社会科学とコミュニケーション研究の切り方であり、Google Flu Trends 以来の系譜がここにある（Lazer ら 2014、Gayo-Avello 2013、Ruths & Pfeffer 2014）。そしていま、この棚はかなり混んでいる。

これに対し、誰が担ったかを問わず機能で判定する構えで切ると、問いは「その頻度は何を閉じるか」になる。観測された頻度が、何が普通かの判断に変換され、さらに何を試みてよいかの範囲を先回りして規定するなら、それは評価の終局化（ある時点の観測が、その先の可能性を閉じる根拠へ変わること）と同じ形をしている。 Bicchieri (2006, 2017) の経験的期待は、まさにこの変換の中間項である。

そして、既存の二系統の装置がなぜ効かないかも、この構えから説明がつく。操作研究は「誰が意図したか」を要求する。測定理論は「誰が母集団にいるか」を要求する。どちらも authorship に依存した判定である。生成物の累積は、その両方の問いに答えを持たない。機能判定への置き換えが、そのまま貢献の位置になる。

「読み手のリテラシーが足りない」という診断も、この構えでは採れない。これは規範的な好みではなく、証拠にも支えられている。 Jakesch ら (2023) は参加者4600名超で人間が AI 生成文を判別できないことを示し、Liang ら (2023) は検出器が非母語話者を系統的に誤判定することを示した。識別能力に賭ける設計が数字で支えられないことは、スロップ前提の情報環境でも別の文献群から確認している。

問いの立て方

棄却する形（初回案）

表象の頻度が社会的普及率の手掛かりとして妥当であるためには、生成過程がどの性質を満たしている必要があるか。

これは妥当性の条件を問う形で、精度の系譜に戻ってしまう。しかも Alsalti ら (2026) が前提を言語化した以上、条件を数え上げるだけでは追認になる。

採用する形（暫定）

観測された表象頻度が「何が普通か」の判断へ変換され、さらに何を試みうるかを先回りして規定するとき、その変換のどの段が、生成過程のどの性質によって成立しなくなるか。そしてその不成立は、発信主体を特定せずに診断できるか。

後半が要になる。発信主体を特定せずに診断できる、という条件が、操作研究にも測定理論にもできないことを名指ししている。

新規性軸の暫定採点

確定採点は paper-pipeline の novelty-auditor の仕事なので、ここでは当たりをつけるにとどめる。初回からの変更を併記する。

軸	初回	再判定	根拠
PD	3	3	問いの単位を精度から終局化へ移す。ただし Alsalti ら (2026) が前提を言語化した分、書き方の余地は狭まった
Mat	2	2	新しい比較可能な観察面をまだ持っていない。252件の再配置にとどまる
Met	3	4	発信主体を特定せずに判定する診断手続きを与える。Daikeler ら (2025) の58枠組みのどこにも該当がなく、欠落としても名指しされていないことが、この座の空白を裏づける。エコーチェンバー研究24件が人間対応性を一度も明示していないことも同じ方向を指す
Res	なし	未採点	実証を行っていないため
RW	3	3	レビュー論文として出す場合。認知心理、操作研究、調査方法論、生成AI研究を信号妥当性ではなく終局化の軸で並べ直す

Met=4 により、単軸例外ゲート（Met≥4 または Mat≥4）に触れる。 PD×Met の強いペアも維持される。

初回に比べて PD の余地が狭まり、Met の余地が広がった。論文の重心を、問題の発見から診断手続きの構築へ移すべきだという判定になる。

新規性錯覚の再点検

初回はトピック錯覚、命名錯覚、規模錯覚、組合せ錯覚に該当していた。再判定後はこうなる。

命名錯覚（依然として該当、最も危険）。 synthetic consensus は Schroeder ら (2026) が Science で使った。新しい語を作ることは貢献ではない。既存語を使い、装置の側で差をつける。

トピック錯覚（該当の度合いが下がった）。「生成AI だから新しい」に依存しない形になった。診断できない、という主張はコーパスの構成から出ている。

規模錯覚（回避できる）。「一人が100万件作れる」は Rao & Reiley (2012) と Musser (2023) に吸収される。これを新規性の根拠に使わない。

組合せ錯覚（軸を得た）。終局化という軸が入ったので、四つの文献群の並置ではなくなる。ただし、この軸が本当に分類判断を変えるかは書いてみないと分からない。

フレーミング錯覚（新たに要注意）。「精度から終局化へ」という言い換えだけで中身が変わらないなら、これは典型的なフレーミング錯覚になる。分類判断が実際に変わることを、事例で示す必要がある。

Mat を上げるとしたら

Met=4 で単軸例外ゲートには触れるが、Mat=2 のままでは概念論文の枠を出ない。材料の候補を二つ挙げる。

候補1、既存事例の三軸分類と、既存手法の到達範囲の突合 既存の事例（astroturfing、ボット増幅、五毛党、レビュー詐欺、pink slime、エージェント的フラッディング、生成AI による大量投稿）を、意図の有無、人格帰属の有無、人口側の項の実在という三軸で分類する。そのうえで、既存の検出手法と誤差補正手法がどこまで届くかを対応づける。これが Met を支える材料になり、Mat も3に届く可能性がある。コーパスに材料はすでに揃っている（R1群とR3群）。

候補2、曝露と終局化を分離する実験 既存実験（Glickman & Sharot 2025、AlDahoul ら 2025）は「何が普通か」の判断が動くところまでを測っている。その先、つまり「何を試みてよいか」の範囲が縮むところまでは測っていない。架空のカテゴリ（架空の食習慣、架空の学生文化）で表象頻度を操作し、記述的規範の推定と、自分が試みる選択肢の幅を別々に測る。両者が分離するなら、そこが Res になる。分離しないなら、終局化という軸は余計だったことになり、軸ごと捨てる。

従属変数の設計には条件が付いた。 Guay ら (2025) の UBR を踏まえると、比率の推定（何%がそれをしているか）を主要な従属変数に置いてはいけない。そこは0.5付近への回帰で説明されてしまう。典型性の判断（誰が典型的にそれをするか）と、選択肢の幅（自分は何を試してよいと感じるか）を主要な従属変数に置き、比率推定は UBR を統制するためだけに測る。

候補1が先である。候補2の設計根拠を候補1が与えるし、着手費用も低い。

何が出てきたら新規性なしと判定するか

反証条件を更新する。

Daikeler ら (2025) 以降に、発信主体が母集団の外にある場合の誤差類型を新設した枠組みが出た場合。 これが出れば Met=4 は崩れ、案全体が成り立たなくなる。最優先で監視する。
Alsalti ら (2026) の指摘が、後続論文でカバレッジ誤差の下位類型として定式化された場合。
「発信主体を特定せずに頻度手掛かりの妥当性を判定する」手続きを提示した論文が出た場合。
曝露が「何を試みうるか」の範囲まで縮めることを測った実験が既に存在する場合。候補2が消える。
Peterson (2025) の査読版（AI & Society）が、知識の崩壊（knowledge collapse）のモデルではなく頻度手掛かりの妥当性そのものを主題化していると読める場合。初回から持ち越しの未確認事項。[要一次検証: 本文未到達査読版の本文を取得していない]
UBR（Guay ら 2025）が典型性の判断にも拡張され、曝露の効果が回帰で説明されると示された場合。 課題を分けるという反論が使えなくなる
エコーチェンバー研究の側が、観測される項目の人間対応性を明示的な変数として扱う枠組みを出した場合

投稿先

Public Opinion Quarterly（第一候補）。Sen ら (2021) の TED-On が載り、Groves & Lyberg (2010) の総調査誤差の系譜が根づいている媒体である。既存の誤差類型が持つ暗黙の前提を明示化し、それが外れる条件と診断手続きを示す、という形が最も収まる。Daikeler ら (2025) の系統的レビューを空白の証拠として直接引ける。
Big Data & Society（第二候補）。boyd & Crawford の系譜で、authorship に依存しない判定という論点を概念論文として展開しやすい。
New Media & Society。操作研究と情報環境論の接続。ただし精度の系譜に読まれるリスクがある。
Social Science Computer Review。Daikeler ら (2025)、Schneck & Przepiorka (2025)、Weiß ら (2025) が並ぶ媒体。空白を指摘した相手と同誌になるため、差分の明示が厳しく問われる。
ACM FAccT。実証を伴う場合。Bommasani ら (2026) のアルゴリズム的モノカルチャー研究の隣に置ける。

AI & Society は初回に挙げたが、Peterson (2025) と同誌になるため下げる。

申し送りへの回答（更新）

申し送りの最重要質問への答えを、初回から書き換える。

既存研究による単純な合成で完全に説明済みか。それとも生成AI特有の独立した理論的問題として新規性が残るか。

切断そのものは説明済みであり、曝露から規範知覚への因果経路も2025年に直接実証された。名づけも Science で先行している。意図なき大量生成も事例研究として存在する。発見としての新規性は残らない。

残るのは、発信主体を特定せずに頻度手掛かりの成立を診断する手続きが、2026年8月時点で存在しないことである。これは Met の座の空白であり、Daikeler ら (2025) の58枠組みの系統的レビューがその不在を裏づける。機能で判定して authorship を問わない構えに置けば、この空白は問いの単位として立つ。

申し送りの方針は次のように変える。

「A. 表象量と人口分布の切断」を中心に置く方針は棄却（初回から維持）。
「B. 頻度という認識手掛かりの汚染」を条件の側から書き直す方針も棄却。精度の系譜に戻るため。
「C. 人工的な社会的普及率の生成」は独立の貢献として立てない。Schroeder ら (2026) が先行。
「D. 自己強化ループ」も独立の貢献として立てない。Glickman & Sharot (2025) が生成AI 条件で押さえている。
新しい中心は、発信主体を特定せずに、頻度から普及率への変換がどこで成立しなくなるかを診断する手続きに置く。

未検証事項

Peterson (2025) の査読版（AI & Society）本文を確認していない。arXiv 版（2404.03502）は、知識の崩壊（knowledge collapse）のモデルである。[要一次検証: 本文未到達査読版の本文を取得していない]
直近3年の追加収集は査読前プレプリントの比率が高い。特に Schmitz ら (2026)、Ma ら (2026)、Kim ら (2025) は査読を経ていない（Dawkins ら 2025 は Findings of ACL 2025 に載った）。判定の骨格を支える Daikeler ら (2025)、Alsalti ら (2026)、Westwood (2025)、Glickman & Sharot (2025)、Brady ら (2026) はいずれも査読誌である。[要確認: 未試行プレプリントの査読版の有無を照会していない]
新規性軸の採点は暫定である。確定採点は paper-pipeline の novelty-auditor が行う。
候補1（三軸分類）の実行可能性は、コーパスの R1群とR3群に材料が揃っていることまでしか確認していない。実際に分類が一意に決まるかは未検証。[要確認: 未試行分類をまだ行っていない]

参照文献

Ahler, D. J. (2014). Self-fulfilling misperceptions of public polarization. Journal of Politics, 76(3). https://doi.org/10.1017/S0022381614000085
Ahler, D. J., & Sood, G. (2018). The parties in our heads. Journal of Politics, 80(3), 964–981. https://doi.org/10.1086/697253
AlDahoul, N., Rahwan, T., & Zaki, Y. (2025). AI-generated faces influence gender stereotypes and racial homogenization. Scientific Reports. https://www.nature.com/articles/s41598-025-99623-3
Alsalti, T., Rohrer, J. M., & Arslan, R. C. (2026). Thinking clearly about sampling and representation with the total survey error framework. Social and Personality Psychology Compass, 20(7). https://doi.org/10.1111/spc3.70160
Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160
Barberá, P., Jost, J. T., Nagler, J., Tucker, J. A., & Bonneau, R. (2015). Tweeting from left to right. Psychological Science, 26(10), 1531–1542. https://doi.org/10.1177/0956797615594620
Bicchieri, C. (2006). The grammar of society: The nature and dynamics of social norms. Cambridge University Press.
Bicchieri, C. (2017). Norms in the wild: How to diagnose, measure, and change social norms. Oxford University Press.
Bommasani, R., Bana, S. H., Creel, K. A., Jurafsky, D., & Liang, P. (2026). Algorithmic monocultures in hiring. ACM FAccT 2026. https://arxiv.org/abs/2605.27371
boyd, d., & Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662–679. https://doi.org/10.1080/1369118X.2012.678878
Brady, W. J., Doyle, M., Elnakouri, A., et al. (2026). Redesigning algorithms to intervene on social norm misperceptions during a national election. Nature. https://www.nature.com/articles/s41586-026-10536-1
Cinelli, M., De Francisci Morales, G., Galeazzi, A., Quattrociocchi, W., & Starnini, M. (2021). The echo chamber effect on social media. PNAS, 118(9). https://doi.org/10.1073/pnas.2023301118
Daikeler, J., Fröhling, L., Sen, I., et al. (2025). Assessing data quality in the age of digital social research: A systematic review. Social Science Computer Review, 43(5), 943–979. https://doi.org/10.1177/08944393241245395
Dawkins, H., Fraser, K. C., & Kiritchenko, S. (2025). When detection fails: The power of fine-tuned models to generate human-like social media text. Findings of the Association for Computational Linguistics: ACL 2025, 13494–13527. https://doi.org/10.18653/v1/2025.findings-acl.695
Gayo-Avello, D. (2013). A meta-analysis of state-of-the-art electoral prediction from Twitter data. Social Science Computer Review, 31(6), 649–679. https://doi.org/10.1177/0894439313493979
Geber, S., & Stahel, L. (2026). Recommended to you: An experimental study of normative influences from algorithmic and social recommendations on social media. AI & Society, 41, 5827–5840. https://link.springer.com/article/10.1007/s00146-026-02952-8
Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9(2), 345–359. https://www.nature.com/articles/s41562-024-02077-2
González-Bailón, S., Lazer, D., Barberá, P., et al. (2023). Asymmetric ideological segregation in exposure to political news on Facebook. Science, 381(6656), 392–398. https://doi.org/10.1126/science.ade7138
Groves, R. M., & Lyberg, L. (2010). Total survey error: Past, present, and future. Public Opinion Quarterly, 74(5), 849–879. https://doi.org/10.1093/poq/nfq065
Guay, B., Marghetis, T., Wong, C., & Landy, D. (2025). Quirks of cognition explain why we dramatically overestimate the size of minority groups. PNAS, 122(14), e2413064122. https://doi.org/10.1073/pnas.2413064122
Guess, A. M., Malhotra, N., Pan, J., Barberá, P., Allcott, H., Brown, T., et al. (2023). How do social media feed algorithms affect attitudes and behavior in an election campaign? Science, 381(6656), 398–404. https://doi.org/10.1126/science.abp9364
Guess, A. M., Malhotra, N., Pan, J., et al. (2023). Reshares on social media amplify political news but do not detectably affect beliefs or opinions. Science, 381(6656), 404–408. https://doi.org/10.1126/science.add8424
Hart, W., Albarracín, D., Eagly, A. H., Brechan, I., Lindberg, M. J., & Merrill, L. (2009). Feeling validated versus being correct: A meta-analysis of selective exposure to information. Psychological Bulletin, 135(4), 555–588. https://doi.org/10.1037/a0015701
Herda, D. (2010). How many immigrants? Foreign-born population innumeracy in Europe. Public Opinion Quarterly, 74(4), 674–695. https://doi.org/10.1093/poq/nfq044
Horne, B. D., & Gruppi, M. (2024). NELA-PS: A dataset of pink slime news articles for the study of local news ecosystems. Proceedings of the International AAAI Conference on Web and Social Media, 18(1), 1958–1966. https://ojs.aaai.org/index.php/ICWSM/article/view/31439
Jacob, C., Kerrigan, P., & Bastos, M. (2025). The chat-chamber effect: Trusting the AI hallucination. Big Data & Society, 12(1). https://doi.org/10.1177/20539517241306345
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://doi.org/10.1073/pnas.2208839120
Jansson, I., & Japec, L. (2026). A total error framework with a special focus on digital data. International Statistical Review. https://doi.org/10.1111/insr.70020
Kim, S., et al. (2025). How large language models systematically misrepresent American climate opinions. arXiv:2512.23889. https://arxiv.org/html/2512.23889v1
Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). The parable of Google Flu. Science, 343(6176), 1203–1205. https://doi.org/10.1126/science.1248506
Lerman, K., Yan, X., & Wu, X.-Z. (2016). The “majority illusion” in social networks. PLOS ONE, 11(2), e0147617. https://doi.org/10.1371/journal.pone.0147617
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns. https://arxiv.org/abs/2304.02819
Liu, N., Hu, X. E., Savas, Y., et al. (2025). Short-term exposure to filter-bubble recommendation systems has limited polarization effects. PNAS, 122(8). https://www.pnas.org/doi/10.1073/pnas.2318127122
Mannocci, L., Mazza, M., Monreale, A., Tesconi, M., & Cresci, S. (2024). Detection and characterization of coordinated online behavior: A survey. arXiv:2408.01257. https://arxiv.org/abs/2408.01257
Ma, X., Zhang, M., Ang, S., & Chen, M. (2026). Not-quite-human tastes: The stylized omnivorousness of LLM survey surrogates. arXiv:2606.30085. https://arxiv.org/abs/2606.30085
Muchnik, L., Aral, S., & Taylor, S. J. (2013). Social influence bias: A randomized experiment. Science, 341(6146), 647–651. https://doi.org/10.1126/science.1240466
Musser, M. (2023). A cost analysis of generative language models and influence operations. arXiv:2308.03740. https://arxiv.org/abs/2308.03740
Nadeau, R., Niemi, R. G., & Levine, J. (1993). Innumeracy about minority populations. Public Opinion Quarterly, 57(3), 332–347. https://doi.org/10.1086/269381
Nyhan, B., Settle, J., Thorson, E., Wojcieszak, M., et al. (2023). Like-minded sources on Facebook are prevalent but not polarizing. Nature, 620, 137–144. https://doi.org/10.1038/s41586-023-06297-w
Peterson, A. J. (2025). AI and the problem of knowledge collapse. AI & Society. https://arxiv.org/abs/2404.03502
Puccetti, G., Rogers, A., Alzetta, C., Dell’Orletta, F., & Esuli, A. (2024). AI “news” content farms are easy to make and hard to detect: A case study in Italian. arXiv:2406.12128. https://arxiv.org/abs/2406.12128
Rao, J. M., & Reiley, D. H. (2012). The economics of spam. Journal of Economic Perspectives, 26(3), 87–110. https://doi.org/10.1257/jep.26.3.87
Ruths, D., & Pfeffer, J. (2014). Social media for large studies of behavior. Science, 346(6213), 1063–1064. https://doi.org/10.1126/science.346.6213.1063
Salganik, M. J., & Watts, D. J. (2008). Leading the herd astray. Social Psychology Quarterly, 71(4), 338–355. https://doi.org/10.1177/019027250807100404
Schmitz, C., Hammond, L., & Chan, A. (2026). Characterizing agentic flooding of government services. arXiv:2608.16603. https://arxiv.org/abs/2608.16603
Schneck, A., & Przepiorka, W. (2025). Meta-dominance analysis: A tool for the assessment of the quality of digital behavioural data. Social Science Computer Review. https://doi.org/10.1177/08944393241261958
Schroeder, D. T., Cha, M., Baronchelli, A., et al. (2026). How malicious AI swarms can threaten democracy. Science, 391(6783), 354–357 (Policy Forum). https://doi.org/10.1126/science.adz1697
Sen, I., Flöck, F., Weller, K., Weiß, B., & Wagner, C. (2021). A total error framework for digital traces of human behavior on online platforms. Public Opinion Quarterly, 85(S1), 399–422. https://doi.org/10.1093/poq/nfab018
Shahriar, S., Ayoobi, N., Mukherjee, A., Musharrat, M., & Vamsi, S. V. (2025). Exposing pink slime journalism: Linguistic signatures and robust detection against LLM-generated threats. RANLP 2025. https://acl-bg.org/proceedings/2025/RANLP%202025/pdf/2025.ranlp-1.128.pdf
Sharma, N., Liao, Q. V., & Xiao, Z. (2024). Generative echo chamber? Effect of LLM-powered search systems on diverse information seeking. ACM CHI 2024. https://doi.org/10.1145/3613904.3642459
van Mierlo, T. (2014). The 1% rule in four digital health social networks. Journal of Medical Internet Research, 16(2), e33. https://doi.org/10.2196/jmir.2966
Weaver, K., Garcia, S. M., Schwarz, N., & Miller, D. T. (2007). Inferring the popularity of an opinion from its familiarity: A repetitive voice can sound like a chorus. Journal of Personality and Social Psychology, 92(5), 821–833. https://doi.org/10.1037/0022-3514.92.5.821
Weiß, B., Leitgöb, H., & Wagner, C. (2025). Conceptualizing, assessing, and improving the quality of digital behavioral data. Social Science Computer Review, 43(5), 927–942. https://doi.org/10.1177/08944393251367041
Westwood, S. J. (2025). The potential existential threat of large language models to online survey research. PNAS, 122(47). https://doi.org/10.1073/pnas.2518075122
Wojcik, S., & Hughes, A. (2019). Sizing up Twitter users. Pew Research Center. https://www.pewresearch.org/internet/2019/04/24/sizing-up-twitter-users/

書いた人：小川修一郎（デザイン研究者／デザインコンサルタント）経歴を見る →

頻度が何を閉じるかを問えるか（新規性の再判定）