使いどころの設計
第14回 コーパス演習（2026年度）
🤔 そもそも「生成AI」とは何者で、いま急速に広がる「AIエージェント」とは何が違うのでしょう？ まずはその正体と最前線を押さえます。
「生成AI（ジェネレーティブAI）」と総称される技術が注目を集めています。生成AIとは、大規模なデータから学習し、新しいコンテンツ（文章・画像・音声・コードなど）を自律的に作り出せる革新的なAI技術のことです。従来の分析型AIが既存データの分類や予測を行うのに対し、生成AIは訓練データに含まれないまったく新しい成果物を創造できる点が特徴です。
代表的な例として、OpenAI社の対話型モデルChatGPTが挙げられます（日本では若者を中心に「チャッピー」という愛称でも呼ばれます）。ChatGPT は巨大な言語モデル（GPTシリーズ）に基づき、人間のような文章を生成できるAIチャットボットです。質問や指示を与えると、自然な文章で回答を返し、文章の要約やアイデア出し、コードの生成など幅広いタスクに対応します。2022年11月の一般公開以来、論文執筆補助からプログラミング、カスタマーサービスまで様々な用途で急速に普及しました。
さらに近年はマルチモーダル（多様な様式）対応の生成AIも登場しています。例えば Google DeepMind が開発したGemini（日本での呼称は「ジェミニ」）は、テキストだけでなく画像・音声・動画・プログラミングコードといった複数のモダリティを一つのモデルで処理できるのが特徴です（Google Cloud, 2026）。このように、生成AIはテキスト生成のみならず、画像生成（例：Stable Diffusion や DALL-E）、音声の合成（テキスト読み上げなど）、動画生成など多方面に広がりつつあります。
マルチモーダル生成AIの概念
複数のモダリティ（様式）を入力し、複数の形式で出力できるのがマルチモーダルAIの特徴
ここまで見てきた ChatGPT などの生成AIは、基本的に「一問一答」型です。人間が質問や指示を与え、AIが答えを返す。次に何をするかは、そのつど人間が考えて指示し直す必要があります。これに対し近年急速に広がっているのが、AIエージェントと呼ばれる存在です。
AIエージェントとは、目標（ゴール）を与えると、それを達成するために自分でタスクを分解し、さまざまな道具（ツール）を使いながら複数のステップを自律的に実行していくAIです。たとえば、ウェブを検索する・プログラムを書いて実行する・ファイルを読み書きする・その結果を見てさらに次の行動を決める、といった一連の作業を、人間が逐一指示しなくても自分で進めていきます。
代表的な例が、Anthropic 社のClaude Codeのような自律的コーディングエージェントです。これは、ターミナル（コマンド画面）上でプログラムのコードを読み書きし、コマンドを実行し、エラーが出ればその内容を読んで自分で修正する、という作業を繰り返せます。ほかにも、ブラウザを操作して情報収集を行うエージェントや、データ分析を一通り任せられるエージェントなど、多様なものが登場しています。
チャット型生成AI と AIエージェント の違い
💬 チャット型（従来）
人間：指示 → AI：回答
次の一手は人間が毎回考える。一問一答の繰り返し。
🤖 エージェント型
人間：目標を提示 → AI：分解・実行・観察・修正を自律的に反復。人間は監督役に回る。
重要なのは、人間の役割が「逐一の指示」から「目標設定と監督」へと移っていく点です。人文学研究でも、大量の資料整理、デジタルアーカイブの構築、テキスト分析パイプラインの自動化など、これまで手作業で行っていた工程をエージェントに任せられる可能性が出てきています。
AIエージェントの核心にあるのが「ループ（繰り返し）」という考え方です。エージェントは、おおむね次の4ステップを目標が達成されるまで自律的に回し続けます。
結果やエラーを観察し、必要なら計画を立て直して再実行する。これを繰り返す。
この反復ループをうまく設計・制御する考え方を、近年「ループエンジニアリング」と呼ぶことがあります。たとえば「テストが通るまでコードを直し続ける」「指定した条件を満たすまで調査を繰り返す」といったように、終了条件を決めてエージェントに反復作業を委ねるわけです。ここで人間は、ループの目標・制約・終了条件・チェックポイントを設計する側に回ります。
人文学研究での使いどころとしては、引用チェック、表記ゆれの統一、形態素解析の試行錯誤といった反復的な検証作業をループ化することが考えられます。具体的な使用例を見てみましょう。
📚 引用・書誌情報のチェック
参考文献リストを渡して「各文献が実在するか、書誌情報（著者・刊行年・誌名など）が正確かを一件ずつ確認し、誤りがあれば修正案を示して」と目標を与えます。エージェントは〈検索 → 照合 → 修正 → 次の文献〉を全件終わるまで自律的に繰り返します。生成AIにありがちな「幻の引用」（14.8参照）への対策としても有効です。
🔤 史料テキストの表記ゆれ統一
翻刻テキストに含まれる旧字／新字や送り仮名の揺れを「指定したルールに沿って統一して」と指示すると、〈検出 → 修正 → 結果を確認 → 残りを処理〉を完了までループします。大量のテキストでも一貫した基準で整形できます。
💻 テキスト分析の自走（Claude Code の例）
「青空文庫のこのテキストを形態素解析して、頻出語トップ20の棒グラフを作って」と目標だけ伝えると、Claude Code は〈コードを書く → 実行する → エラーを読む → 自分で修正する〉をグラフが完成するまで繰り返します。人間は最終的な図と数値を検証すればよく、試行錯誤の手間が大きく減ります。
🗂️ デジタルアーカイブの整備
画像史料を対象に〈OCR → 誤認識の補正 → メタデータ付与 → CSV 化〉という工程を、資料ごとに反復的に処理させます。これまで人手で延々と続けていた整理作業を、目標と書式を決めてエージェントに委ねられます。
いずれの例も、人間が「何を・どの基準で・どこまで」と目標と完了条件を設計し、実際の反復作業をエージェントに任せる形になっています。もっとも、こうした自動化にはエージェント特有の注意点もあります。
誤った前提のまま暴走するリスク
ループは、出発点の前提が間違っていても気づかず突き進んでしまうことがあります。だからこそ、人間が適切な終了条件やチェックポイントを設計し、途中で介入できるようにしておくことが不可欠です。
検証責任は依然として人間に
エージェントが自律的に作業しても、その出力が正しいかを確かめる責任は人間にあります（14.8の注意点が一層重要になります）。「自動でやってくれたから安心」ではありません。
中身を理解せず「丸ごと任せる」危険
いちばん注意したいのがこれです。AIエージェントは、コードを書き、実行し、それらしい結果まで出してくれます。しかし、使われている手法やコードの中身を理解しないまま結果だけ受け取ると、誤りや不適切な処理（データの取り違え、統計手法の誤用、対象範囲のずれなど）に気づけません。「動いた＝正しい」ではないのです。自分で説明できない方法で得た結果は、研究として責任を持てず、査読や口頭試問でも擁護できません。最低限、「このコードが何をしているのか」を一行ずつ説明させて自分で読み、小さなデータで結果を検算する——研究の根幹をブラックボックスのまま委ねないことが肝心です。これは自分の理解力・技能の空洞化（14.8）を防ぐことにもつながります。
コストと再現性
ループは多くの計算資源を消費し、毎回同じ結果になるとも限りません。14.11で述べたルール設計（プロンプト・出力の記録、バージョン管理）が、エージェント利用ではさらに効いてきます。
結局のところ、エージェントの時代になっても「知的主体性は人間に置く」という本章の主張は変わりません。むしろ、何を目標に設定し、どこで介入し、どう検証するかという「設計する力」が、これまで以上に問われるようになります。そして検証するには、AIが使った手法やコードの中身を自分自身が理解していることが土台になります。
💬 よくある疑問：AIが書いてくれるなら、もうプログラミングは学ばなくていい？
いいえ。むしろ基礎を理解する力はこれまで以上に重要になります。AIエージェントの時代に変わるのは「学ぶ必要があるかどうか」ではなく、学びの重心です。
つまり「ゼロからコードを打つ力」よりも、読み・評価し・設計する力の比重が高まります。プログラミングの基礎理解は、AIエージェントに使われる側ではなく使いこなす側に立つための、これからの必須教養なのです。
🛠️ では、人文学の研究に実際どう役立つのか？ 基本姿勢から、具体的な場面・プロンプト・日本語史料への応用まで、手を動かすイメージで見ていきます。
人文学の研究者・院生にとって、研究における創造性や洞察の源泉を人間自身に置くことは極めて重要です。AIの進化によって文章生成や分析の一部を自動化できる時代になりましたが、だからといって研究上の発想や解釈まで AI に任せてしまうことには注意が必要です。
この立場を支持するように、主要な学術団体や出版社も「AIは決して研究の責任ある主体にはなり得ない」という見解を示しています。例えば国際医学雑誌編集者会議（ICMJE）は、ChatGPTのような生成AIを論文の著者としてクレジットすべきではないと明言しています（ICMJE, 2023; Cerutti, 2023）。AIは研究内容の正確さ・完全性・独創性に対する責任を負えず、人間のように成果に責任を持つことができないからです。
実際、生成AIの活用が広がる中で「AIに頼りすぎるとオリジナリティや創造性が損なわれるのではないか」という懸念も指摘されています（Chayka, 2025）。人文学研究の知的主体性を守るためにも、「AIはあくまで補助的なツールであり、研究の舵取り役は人間である」という基本姿勢を明確にしておくことが重要です。
以上の前提を踏まえつつ、生成AIを適切に活用できる場面も存在します。ポイントは、研究者の創造的思考を妨げず補助となる範囲で、ルーチン的な作業や発想の一助としてAIを使うことです。
アイデア発想支援
白紙の状態から研究の着想を得るのは容易ではありませんが、ChatGPT等にキーワードや関心テーマを与えて対話することで、新たな観点や関連アイデアのヒントが得られる場合があります。例えば「○○に関する未解決の論点は何か？」と質問すれば、関連する論点のリストや議論の切り口を提案してくれます。こうした発想の叩き台をAIから得て、人間研究者が取捨選択・発展させることで、考えを広げる助けになるでしょう。
文章の要約・下調べ
大量の文献や長大なテキスト資料を読む際、AIによる要点の要約は時間短縮に繋がります。ただし、後述するように要約結果の正確性検証は不可欠です。また関連分野の予備知識が不足している場合にAIに基礎的な解説を求めることもできます。もっとも、AIの説明は教科書的な一般論に留まることが多いため、最終的には専門文献にあたり肉付けする必要があります。
検索クエリの設計
効果的な文献検索には適切なキーワード選定が重要ですが、未知の分野では適切な用語が思いつかないことがあります。その際、AIに「○○について調べるにはどんなキーワードを使うと良いか」と尋ねれば、関連する専門用語やデータベース名を提案してくれます。AIは広範な語彙知識から検索クエリのヒントを与えてくれるため、見落としていた切り口に気づける利点があります。
プログラミングやコード生成の補助
データ分析やテキストマイニングのためにプログラミングを用いることも少なくありません。そうした際、ChatGPT等を使えばコードの自動生成やデバッグ支援が得られます。例えば「Pythonで CSV ファイルを読み込んで文字出現頻度を集計するコードを書いて」と指示すれば、サンプルコードを即座に提示してくれます。ただし、生成されたコードが常に最適・正確とは限らないため、人間が内容を理解しテストしながら使うことが重要です。
図表・ビジュアライゼーションの試作
図表や概念図のアイデア出しにもAIが使えます。また画像生成AIを利用すれば、資料のイメージ再現や仮想的な挿絵の作成も可能です。ただし、AI生成画像には著作権や史実との齟齬の問題があります。したがって、あくまでスケッチやイメージ共有の段階に留め、本番の図版作成は人間が責任を持って行うのが望ましいでしょう。
音声読み上げ・会話
テキストから合成音声を生成する技術も進歩しており、論文原稿や史料の内容をAI音声で読み上げさせることができます。これにより、目の疲労を軽減しつつ論文を「聞いて」推敲したり、長時間の史料テキストを耳で確認したりできます。あくまで利便性向上ツールとして捉え、使いすぎて注意散漫にならないよう留意が必要です。
申請書等の文章作成支援
大学院生にとって大きなハードルとなる学振（日本学術振興会 特別研究員）申請書の作成においても、生成AIは「壁打ち相手」や下書きのアシスタントとして活用できます。概要案・タイトル案・文章案の作成や本文の添削などに使えるとされています（吉田, 2026）。学振の審査委員は「専門外の優秀な研究者」であることも多いため、客観性と論理性を整える推敲の相手としてAIを用いるのがコツです。ただし、最終的な執筆と責任は必ず自分が負うことが前提です（詳細なプロンプト例は次節を参照）。
前節で挙げた活用場面を、実際の指示文（プロンプト）に落とし込んでみましょう。人文学研究や、とくに大きなハードルとなる学振（日本学術振興会 特別研究員）申請書の作成において、生成AIを壁打ち相手やアシスタントとして使うのは効果的です。以下の [ ] の部分をご自身の状況に合わせて書き換えて試してみてください。
1. 日々の研究・調査を加速させるプロンプト
人文学特有の「問いを深める」作業や、大量の文献処理をサポートします。
プロンプト例：
私は現在、人文学の分野で「[研究テーマ：例：近代日本の都市空間と文学]」について研究しています。現在は主に「[現在の視点：例：特定の作家の作品分析]」という視点からアプローチしていますが、これとは異なる学際的なアプローチ（社会学、地理学、メディア論など）や、見落としがちな新しい観点を5つ提案してください。
プロンプト例：
以下のテキストは、これから読もうとしている文献（[文献のタイトル等]）の一部です。この内容を、①主要な問題提起、②根拠となるデータや事例、③結論の3点に整理して、それぞれ200字程度で要約してください。
[ここにテキストを貼り付け]
プロンプト例：
「[研究のキーワード：例：民俗学、通過儀礼、現代社会]」に関する先行研究を、CiNiiやGoogle Scholarなどの学術データベースで検索したいです。網羅的に検索できるよう、類義語や関連語を組み合わせた、日本語と英語の検索キーワード（論理演算子 AND/OR を用いたクエリ）のパターンを5つ提案してください。
プロンプト例：
人文学のテキスト分析のためにPythonを使いたいです。初心者です。「[テキストデータの種類：例：青空文庫のテキストファイル]」を読み込み、MeCabを使って形態素解析を行い、名詞と動詞の頻出単語トップ20を抽出して棒グラフ（matplotlib使用）で表示するコードを書いてください。各コードの意味がわかるように、丁寧なコメントを入れてください。
プロンプト例：
研究発表のスライド用に、「[概念A]」と「[概念B]」の相互関係を示す図解を作りたいです。これら2つの概念の「共通する背景」「対立する要素」「相互に与える影響」を視覚的にわかりやすく表現するための、図（ベン図、フローチャート、マトリックスなど）の構成アイデアを3つ提案してください。
2. 学振申請書作成に特化したプロンプト（吉田, 2026）
学振の審査委員は「あなたの専門分野のど真ん中の人」とは限りません。「専門外の優秀な研究者」に伝わる客観性と論理性を整えるためにAIを活用するのがコツです。
プロンプト例：
以下の研究概要を元に、学振（DC）の申請書用の研究課題名（タイトル）の案を10個出力してください。
専門外の審査委員にも「①何を対象とするか」「②どんな新しい視点があるか」が一目で伝わるよう、簡潔で惹きつけられる表現を意識してください。堅い表現から、少しキャッチーな表現まで幅広く出してください。
[ここに研究概要のメモを貼り付け]
プロンプト例：
以下の箇条書きのメモを元に、学振申請書の冒頭に配置する「概要（サマリー）」の文章案を約400字で作成してください。
構成は「①背景と学術的問い」「②本研究の目的と手法」「③期待される成果と意義」の順で、論理の飛躍がないように繋いでください。専門用語はなるべく噛み砕いてください。
[ここに背景・手法・意義などのメモを貼り付け]
プロンプト例：
学振申請書の「本研究の着想に至った経緯」の項目を執筆しています。以下の私のこれまでの経験と、そこから生まれた問題意識のメモを繋ぎ合わせて、説得力のある文章案（約600字）を作成してください。
研究への熱意が伝わるトーンにしつつも、主観的になりすぎず、客観的で論理的な文章にしてください。
[ここにこれまでの研究や問題意識のメモを貼り付け]
プロンプト例：
以下の学振申請書のドラフト文章（[項目名：例：研究目的]）を添削してください。以下の3つの視点から厳しくチェックをお願いします。
1. 他の人文学分野の審査委員が読んでも意味が通じるか（難解な専門用語の指摘）。
2. 論理の飛躍や、文脈のねじれがないか。
3. 「〜と思われる」「〜かもしれない」といった弱気な表現を削り、より自信に満ちた説得力のある表現に直せるか。
修正案の提示とあわせて、なぜそのように修正したかの理由も教えてください。
[ここにドラフト文章を貼り付け]
プロンプト活用時の注意点
生成AIの活用を、人文系の研究で実際に扱う日本語資料や史料に引きつけて考えてみましょう。海外発の汎用モデルをそのまま使うだけでは見えにくい、人文学ならではの論点があります。
くずし字・古典籍のAI翻刻
近年、くずし字をAIで認識・翻刻する技術が急速に発展しています。たとえば人文学オープンデータ共同利用センター（CODH）が公開するくずし字認識アプリ「みを（miwo）」を使えば、古典籍や古文書の画像から翻刻の下案を自動生成できます（2022年以降は新しい認識エンジン「RURI」を採用して精度が向上し、2022年度グッドデザイン賞も受賞しています）。ただし精度は資料の状態や書体に左右されるため、〈AI翻刻 → 人手による校訂〉という工程を前提に、研究者が最終的な読みに責任を持つことが重要です。第12回（テキスト）・第13回（画像）の手法とも接続します。
多言語・低資源言語での性能差
主要な生成AIは英語のデータを中心に学習しているため、言語によって性能に差が出ます。現代日本語は比較的得意でも、古文・漢文・方言、さらに資料数の少ない少数言語（低資源言語）では誤りが増えやすくなります。人文学が扱う対象ほどモデルが「不慣れ」な領域に入りやすい、という点を意識しておく必要があります。
文化的・言語的バイアス
14.8でも触れるように、生成AIの回答は学習データ上の多数派（しばしば英語圏・欧米的な規範）に引きずられがちです。固有名・宗教・地域文化・歴史認識など、人文学が繊細に扱う主題ほど、特定の視点に偏った説明が返ってくることがあります。出力を「世界標準の答え」と受け取らず、誰の視点から書かれているかを問う姿勢が欠かせません。
⚠️ 便利さの裏側で、何が起きているのか？ AI自身の「弱点」と、技術が社会に押しつける「見えないコスト」を直視します。
誤情報と幻覚（ハルシネーション）
生成AIは一見もっともらしい回答をしますが、事実に反する内容や存在しない情報をあたかも真実であるかのように作り出すことがあります。例えば参考文献リストを求めると、実在しない論文タイトル・著者名をでっち上げる「幻の引用（Citation hallucination）」が発生することが知られています（Welborn, 2023）。必ず裏取り（ファクトチェック）を行う習慣が不可欠です。
出典の不透明さ
生成AIの回答には参照した元情報（出典）が明示されません。AIは訓練データに由来する知識を統合して返すだけなので、情報源がブラックボックスです。そのため、AIの生成文を引用しようとしても典拠を示せず、学術的には利用価値が低くなってしまいます。また、AIの出力が実際には誰かの文章をほぼそのまま再現しているケース（いわゆる意図せぬ盗用）もありえます。
バイアスや偏り
生成AIは訓練データに含まれる偏見やバイアスも学習してしまいます。そのため、ジェンダー・人種・地域に関するステレオタイプな表現や、一方的な観点に偏った回答をすることがあります（Chayka, 2025）。人文学研究では多角的な視点やマイノリティの声を重視しますが、AIの出力がデータ上多数派の見解に引きずられている可能性には注意が必要です。例えば偏倫理的な問いに対し、「欧米的な規範」に沿う答えばかりが返ってくる傾向も指摘されています。
プライバシーと機密性
ChatGPTのようなオンラインサービスに研究上の未公開データや個人情報を入力することには大きなリスクがあります。ChatGPTでは入力内容がサービス改善用途に使われ得ることが明記されており、機密情報を不用意に含めると情報漏えいの危険があります。例えば未発表の史料全文や機密性の高いインタビュー記録をAIにそのまま解析させるのは避けるべきです。
思考習慣への悪影響
便利だからといって何でもAI任せにしていると、研究者自身の思考力や文章力の鍛錬機会が失われてしまう恐れがあります。実際、MIT の研究（Kosmyna ら 2025、ただし査読前のプレプリント・少人数の実験である点に留意）では、ChatGPTを使ってエッセイを書いた群は脳波で測った神経活動の結合が最も弱く、自分が書いた内容を正確に引用できない割合が顕著に高かったと報告されています。AIを信頼して作業を任せるほど、自分自身では深く考えなくなり、特に時間に追われる状況ではAIの出力を鵜呑みにしがちになるという調査結果もあります。
ここまでは「どう上手に使うか」という利用者目線の話が中心でした。しかし人文学には、技術そのものを一歩引いて批判的に問い直す役割もあります。生成AIが「便利」に見える裏側で、誰が・何が負担を引き受けているのかを考えてみましょう。
環境負荷（エネルギーと水）
大規模モデルの学習と日々の利用（推論）には膨大な電力が必要で、それにともなう二酸化炭素排出が問題視されています。さらに、データセンターの冷却には大量の水が使われることも指摘されています。たとえば、GPT-3 の学習だけで約540万リットルの水が消費されたとの試算もあります（Li et al., 2023）。「クラウド上の軽い作業」に見えても物理的な資源を消費しているという視点は、持続可能性を論じるうえで欠かせません（United Nations University, 2026）。
見えない人間労働
「自律的」に見えるAIの背後には、学習データの整理・ラベル付けや、有害な表現を判定・除去する作業を担う多くの人間がいます。こうした作業はしばしば賃金の低い地域（グローバルサウス）に外注されます。実際、ケニアの労働者が時給2ドル未満で、児童虐待や暴力など有害なテキストの判定作業を担っていたと報じられました（Perrigo, 2023）。AIの滑らかな出力は、こうした見えにくい労働に支えられています。
学習データと著作権
生成AIは、ウェブ上の膨大な文章・画像を、必ずしも作者の許諾を得ずに学習しています。これをめぐって、報道機関や作家による訴訟（例：ニューヨーク・タイムズ対OpenAI）が各国で起きています。日本では著作権法第30条の4が情報解析のための利用を一定程度認めていますが（ただし著作権者の利益を不当に害する場合などは除外されます）、その範囲をめぐる議論は続いています。第6・12・13回で扱った「成果物（出力）の著作権」とは別に、学習の入力側にも倫理的・法的な論点があることを押さえておきましょう。
🧭 結局、どう使えば「責任ある」使い方になるのか？ 個人の心得から、大学・国・研究科のルールまでをつなげて整理します。
生成AIを研究に取り入れる際の基本的なスタンスとして、「頭を使わなくてもよい作業に限って自動化する」という心得が挙げられます。すなわち、単純作業や定型的処理など、人間がやらなくても結果が大きく変わらない部分にはAIを活用しつつ、創造性や判断が要求される中核部分は人間が担うという役割分担です。
前節で述べた指針を実際の研究生活で徹底するには、日頃からAI利用のガバナンス（統制）を意識しておく必要があります。ここでは、研究者自身が生成AIを使う上でのルールを設計し、トレース可能かつ倫理的に問題のない形で活用するための具体策を示します。
14.11までの原則を、レポートや論文を書く学生の立場に落とし込みます。「使ってよいか」だけでなく「使ったらどう書くか」「どう誤りを減らすか」が実務では重要です。
レポート・論文でのAI利用の明記と引用
AIを使ったら、その事実を隠さず明記するのが基本です。書く場所は謝辞・方法（メソッド）・脚注などが一般的で、「どのツールを・どのバージョンで・いつ・何の目的で使ったか」を記します。例：「本レポートの英文要約の作成に ChatGPT（GPT-5.2, 2026年1月版）を使用し、内容は筆者が確認・修正した。」AIの出力そのものを「文献」として引用するのは適切でない（14.13参照）点にも注意しましょう。所属大学・授業ごとのルールがある場合はそれに従います。
出典に基づくツールでハルシネーションを抑える
14.8で見た「ハルシネーション」と「出典の不透明さ」への対処として、自分が与えた資料の中だけで回答させるタイプのツールが有効です。たとえば NotebookLM は、アップロードした資料だけに根拠づけて（公式には「source-grounded」と説明されます）要約・質問応答を行い、回答の根拠箇所（出典）を示してくれます（こうしたしくみは一般に RAG（検索拡張生成） と呼ばれます）。第3回で扱った「浅い読み」の道具とも接続します。ただし、与えた資料自体の正しさや引用箇所の妥当性は、最終的に人間が確認する必要があります。
最後に、生成AIの研究利用に関する国際的な倫理基準や学術出版の動向について整理します。2023年以降、各国の学会や主要学術誌が次々と方針を発表し、AI利用に関するガイドラインを明文化しています。
Nature / Science など科学誌の対応
トップクラスの学術誌である Nature や Science は、いち早く生成AIに関する厳格な方針を打ち出しました。Science 誌（AAAS）は2023年1月、編集長が「ChatGPTなどAIツールを論文の本文中に使用すること自体を禁止」すると宣言し大きな話題となりましたが、同年11月に方針を改定し、現在は「使用した場合は開示する」ことを条件に利用を認める立場に転じています（AI使用はカバーレターと謝辞・方法に明記し、プロンプトやツール名・バージョンを記載）。一方、Nature を含む Springer Nature 社は「AIを著者として認めないが、執筆準備段階での限定的な利用は許容する」立場です。いずれも共通して「AIは著者にはなれない」「利用した場合は透明性を確保せよ」という点は一致しています（Nature, 2023a; Cerutti, 2023）。
ICMJE（国際医学雑誌編集者会議）の勧告
医学系ジャーナルに強い影響力を持つ ICMJE も、2023年更新の勧告でAI利用に関する原則を明記しました。先述のとおり「AIを著者に含めてはならない」ことに加え、投稿時にAI使用の有無を申告させる仕組みを推奨しています。具体的には、カバーレターおよび論文中の適切な箇所（例えば謝辞や方法）で「どのような目的でAI技術を使ったか」を記述すべきとしています。さらに、AIが生成したテキストや画像は人間が責任をもって誤りがないか見直す義務があるとし、AIの出力をそのまま参考文献として引用すること自体も不適切だとしています（ICMJE, 2023）。
Springer Nature や Elsevier など主要出版社のポリシー
大手学術出版社も共通した枠組みを打ち出しています。Springer Nature は2023年に「我々はAIに著者資格を与えない」「AI生成画像は原則受け付けない（契約画像エージェンシー提供やAI自体を論じる論文など限定的な例外を除く）」「査読者によるAI利用にも慎重であるよう要請する」という声明を公表しました。Elsevier も同様に、2023年のガイドラインで「AIツールを著者として含めてはならない」「AI の使用は申告し、文章の責任は人間が負うこと」を明文化しています。このように出版社各社は細部に違いはあれど、「AIは著者ではない」「人間が責任を負う」「利用は開示する」「画像等への使用は慎重に」という4原則で概ね一致しています（Springer Nature, 2023b; Elsevier, 2023）。
著作権と法的な位置づけ
生成AIによる成果物の著作権については各国で議論が進んでいます。多くの国・地域では「著作物として保護されるには人間の創作性が必要」という立場を取っており、AI単独で作った文章や画像は原則として著作権が認められないとの判断が出ています。また特許庁なども AI を発明者とは認めない方向です。要するに、著作権や知的財産の観点から見ても「AI＝著者」ではなく「AI＝道具」であるという整理になります。
14.13で見た国際的な学術出版の動向に対して、ここでは日本国内、そして私たち自身の足もとの動きを整理します。実際にレポートや学位論文を書くときは、こうした国内・学内のルールが直接効いてきます。
国の方針
文部科学省は、大学・高専における生成AIの教育利用について基本的な考え方を示しており、一律の禁止ではなく、学修目標に応じて適切に活用・制限することを求めています。また日本学術振興会（JSPS）や科学技術振興機構（JST）など研究助成機関も、研究公正（インテグリティ）の取り組みのなかで生成AIの影響を扱っています。
大学のガイドライン
多くの大学が学生・教員向けに生成AI利用の方針を公表しています。大阪大学も、授業やレポート・論文での利用についての考え方を示しています。履修・執筆の前に、自分の大学・授業の最新ガイドラインを必ず確認しましょう。
人文学研究科の動向（検討中）
人文学研究科でも、学生・教員が共通認識をもって生成AIを扱えるよう、ルール整備が進められる方向にあります。具体的には、①生成AIの使用に関する基本方針と補足資料（共通認識と遵守事項を示すもの）や、②学位申請手続時に提出する「学位論文 生成AI使用報告書」といった様式が検討されています。いずれも現時点では検討段階のため、正式に公表された際にはその内容に従ってください（ここでは、そうした方向で議論が進んでいることの共有にとどめます）。
AIは道具——溺れない。人文学研究において、私たちは常に人間の知的主体性を中心に据えておく必要があります。生成AIは強力で便利なツールですが、それに溺れてしまえば、自ら考え創造する人文学の本質が損なわれかねません。本章で見てきたように、生成AIには誤情報を紛れ込ませるリスクや、安易に使えば思考力を蝕む危険さえあります。しかし一方で、使いようによっては日常業務を効率化し、新たな発想の呼び水になる可能性も示しました。
可能性と限界を見極める。重要なのは、冷静な眼差しでその可能性と限界を見極め、「ここぞ」という場面で適切に使うことです。具体的には、単純作業や下調べではAIの力を借りつつ、研究の核心たる着想・解釈は自らの頭で行うという役割分担を明確にしましょう。AIから得られたものは必ず吟味し、必要ならば修正・補強して、最終的なアウトプットはあくまで自分の言葉と判断でまとめ上げるのです。
仲間と対話する。最後に強調したいのは、コミュニティ全体での対話の重要性です。生成AIの活用是非や倫理に関する疑問は、個人で抱え込まず周囲と議論しましょう。研究室内で「うちはここまでAIを使う」等の合意をとったり、学会の場で事例や課題を共有したりすることが大切です。本章で述べた提案が、その議論の一助となれば幸いです。
📈 これからは「技術力だけ」より「技術との向き合い方」
技術力の差は縮まる。AIエージェントの登場で、コードを書く技術力そのものの差は、以前より生じにくくなりました。高度な実装の多くをAIに任せられるからです。そのぶん重みを増すのが、「技術とどう向き合うか」という姿勢——最新の技術にキャッチアップしつつ、それを盲信せず、現場・社会の現実に気づける感性です。
価値が上がるのは「社会を読める人」。裏を返せば、純粋に「エンジニアリングだけ」の人材の希少価値は下がり始め、技術を理解したうえで社会や現場の文脈を読み取れる人の価値が高まっていきます。人文社会科学を学ぶ皆さんにとって、これはむしろ追い風です。
人文学のコアは「心の機微」。その人文学の中心的な価値は、人間の心の機微——感情や動機、人と人との関係のひだ——を細やかに読み取る力にあります。この理解を土台に、AIの助けを借りて大量の情報をも扱えるようになれば、人間理解と技術の両輪がそろった、きわめて強いつくり手・書き手になれます。
🌱 技術だけでは社会課題は解決しない——だからこそ人文社会科学
技術は目的ではなく手段。もう一段大きく見ると、社会を読む力が要になるのは、「技術だけでは社会課題は解決できない」という、より根本的な事実の裏返しでもあります。技術は、それが使われる現場や社会の文脈のなかでしか意味を持ちません。その理由は、大きく三つあります。
① 「作れる」と「現場で機能する」は別。プロダクトを作れたとしても、それが現場のニーズや現実に合い、本当に現場でワーク（機能）するかは別問題です。現場を知らずに作られた仕組みは、しばしば使われずに終わります。この隔たりを埋めるには、現場の視点が欠かせません。
② 現場と技術をつなぐ「翻訳」が要る。そこで価値を増すのが、現場や社会の文脈を、技術やコードが扱える形へと「翻訳」するスキルです。困りごとを要件に、要件を仕様に、仕様を実装へ——この橋渡しは、現場・社会への理解と技術の双方がわかる人にしかできません。AIが実装を引き受けるほど、「何を・なぜ作るのか」を見極めて技術の言葉に落とし込む力が、人間の中核的な役割になります。
③ 技術は新たな問題も生む。本章で見た環境負荷・見えない人間労働・バイアス・著作権（14.8・14.9）のように、技術の導入はしばしば新たな格差や排除、倫理的問題を生みます。「何を解くべきか」「その解決は誰に何をもたらすのか」を問い続ける営みが欠かせません。
だからこそ人文知が鍵。人間・社会・文化・歴史・価値を深く問う人文社会科学の知見は、AIと技術の時代にいっそう重要になります。技術を本当に「使いこなす」最後の鍵は、ほかでもない人文知のなかにあるのです。
📌 事例：現場 × 翻訳 × 技術で「現場で効く」プロダクトをつくる
本章の主張を地でいく実例があります。複言語・複文化環境で育つ子どもたちのことばの力を育てることを目標とした事業で、その力を対話を通して見とること（DLA：対話型アセスメント）を支援するAIプロダクト「AI型DLA（仮）」の開発です。ここでは、三者が次のようにぐるぐると循環しながら、それぞれの役割を担っています。
三者を情報と改善が双方向（↔）に行き交い、ぐるぐると循環する
📘 ミニ解説：アジャイル開発 と ウォーターフォール開発
🔁 アジャイル開発
小さく作って試し、フィードバックを得て改善する——を短いサイクルで何度も繰り返す進め方。変化に強く、現場に合わせて軌道修正しやすいので、試作と検証に向きます。
🏭 ウォーターフォール開発
要件→設計→実装→テストと、工程を順番に一方向で進める進め方（滝＝waterfall のように上流から下流へ）。計画的で品質を管理しやすい一方、後からの変更には弱く、堅実な製品化に向きます。
この事例では、アジャイルで現場に合うかたちを素早く探り、固まった仕様をウォーターフォールで堅く製品化する、という役割分担になっています。
なぜ「翻訳」役が要るのか。プロジェクトの1年目は、現場の専門家が技術者に直接伝えていました。ところが、その意図や前提が十分に伝わらず、理解されないことが実際に起きていました。互いの使う言葉や見ている世界が違うからです。そこで、現場と技術のあいだを「翻訳」する役割が重要になりました。
翻訳は一人の仕事ではありません。富士通Japan側にも、社会と技術をつなぐバリュー・デザイナーという職種があり、本プロジェクトには2名が参加しています。さらにエンジニアが7名加わり、「翻訳する人」と「つくる人」がチームを組んで開発を進めています。
このどれか一つでは成り立ちません。現場理解・翻訳・技術が噛み合ってはじめて、現場で本当に機能し、人の役に立つプロダクトになります。人文知が技術を社会に着地させる——その実例です。
関連：大阪大学大学院人文学研究科附属 複言語・複文化共存社会研究センター（阪大ふくふくセンター）
参考：富士通グループの採用情報・パーパス（My Purpose）