血液型の性格説は機械の診断なら信じる？同じ文章の作り手表示で変わる評価を読む

2026.11.15
ヨガとからだの小さな疑問

助言を使う場面では、正しさと信頼もずれた

文章をどう評価するかに加え、助言をどれだけ判断に使うかを調べた研究もある。大学の授業で実施された無作為化フィールド実験では、学生がデジタルの仕組みを使って定期的にテストを受けた。助言は、人工知能から来たと表示する群と、人間の仲間から来たと表示する群に分けられた。[3]

全体の結果は、人工知能の助言を重く扱う傾向と整合していた。ただし、男性の参加者と知識の高い参加者は、仲間からの助言と比べて人工知能の助言に有意に小さな重みを置いた。こうした傾向は、助言が正しかったか間違っていたかにかかわらず持続した。[3] 「人工知能は好まれる」という全体の表現だけでは、参加者による違いを落としてしまう。

その信頼の傾向は4週間にわたり、第2週に成績のフィードバックを与えたあとも続いた。[3] 間違いを知る機会があれば、出所への反応がすぐ消えるとは限らない、という読み方になる。もっとも、これを「人は学習できない」と言い換えるのは強すぎる。この授業の条件で、報告された信頼のパターンが持続したという結果である。

血液型の性格タイプを読むときにも、文章への賛成と、何かを決める材料にすることは分けたい。「そういう面もある」と思って読み終える場合と、それを理由に仕事や人間関係を決める場合とでは、問うべきことが変わる。ここでの提案は、授業実験で得られた数値を性格判断に移すものではなく、助言を採用する前に判断の目的をはっきりさせるためのものだ。

たとえば、友人に返信する前に性格タイプの説明を見たとする。相手の実際の言葉を確認するのか、分類に合わせて返事を決めるのか。人工知能が書いたという表示は、その友人の事情を知る証拠とは別である。画面の説明を読む行為と、目の前の相手に確かめる行為の役割を混ぜないようにしたい。

疑問の続きは、体で確かめるのがいちばん早い。

空き枠を見て予約電話で予約 042-595-8039 LINE

中身を整えても、表示の影響が同じとは限らない

作り手の表示だけを気にすればよいわけでもない。日本の理学療法を学ぶ4年生35人を対象にした混合研究法の研究は、人工知能が作る症例報告へのフィードバックを比較した。一方は教員の例を示さず生成し、もう一方は同じモデルに教員作成の9例を与えて生成した。学生の評価とインタビューを組み合わせて調べている。[11]

全体的な有用性の直接比較では、35人中26人、74%が例を与えた側を好んだ。ただし、フィードバック評価質問紙の合計点では両者に有意差がなかった。公平性など個別の項目では差が見られたが、好みの質問と質問紙全体の得点が、同じ結果を示したわけではない。[11] 好まれたという数字だけを取り出すと、研究の姿が変わってしまう。

作り手を開示したあとの変化も一様ではなかった。例を与えない側は、18項目中15項目、83%で評価がより否定的になった。他方、例を与えた側の肯定的な評価は維持されるか高まった。[11] この83%は学生の割合ではなく、評価項目の割合である。数字の見栄えが強いときほど、何を数えた分母なのかに目を戻したい。

インタビューでは、例を与えない側の励ます調子が評価され、例を与えた側は文脈の理解や改善に向けた具体的な助言が評価された。[11] ここでは同じ文章に表示だけを付け替えたわけではなく、生成の条件も出力も違う。選手レポートの実験と区別しなければならない。表示への反応を見る研究にも、中身をそろえる設計と、中身の違いを含む設計があるのである。[1][11]

これは理学療法教育という限られた対象の研究であり、例を与えた人工知能なら性格判定も正しくなるという証明ではない。[11] 読み取れるのは、人工知能と明かされたときの反応を考えるにも、どんな内容が届いたのかを一緒に読む必要がある、ということだ。やさしい言葉と具体的な改善の助言も、同じ評価の軸ではない。

信頼のレビューが提案する注意を保つ姿勢も、いつでも疑い続けるという意味に狭めたくない。人が担当する作業と機械が担当する作業を動的に割り振ることや、確信の程度、性能の指標を伝えることが、アルゴリズム自体の説明より利用者に役立つ可能性を論じている。[7] これはレビューにおける提案であり、性格診断での改善量を測った結果ではない。

読み手の側から言い直すなら、何を任せて何を自分で確認するかを決めることである。文章を読みやすく並べてもらうことと、その文章を根拠に他人の人柄を決めることは、任せる仕事が違う。「人工知能を使ったか」だけを問うと、どの仕事を任せたのかが抜け落ちる。生活の判断へ持ち込む前に、作り手の名札から作業の中身へ、問いを進めたい。

よくある誤解

「人工知能なら人間より客観的に見えるから、いつも信用される」は実験の全体に合わない。選手レポートでは人工知能の表示が信頼性の評価で上回り、文章の著者表示では人工知能が低く評価された。[1][12] 機械の名前が万能の信頼印になるわけでも、必ず不利な印になるわけでもない。まず課題と評価項目を見る必要がある。

「人工知能だと知って評価を下げた人は、中身を読んでいない」と決めつけるのも早い。ラベルへの反応と出力への反応を分けるべきだというレビューの議論に加え、理学療法教育の研究では、生成条件の違うフィードバックで開示後の評価の変化が異なった。[4][11] 好き嫌いだけで読み手を分類すると、中身や利用場面の違いが消える。

「仕組みの説明が長ければ信頼してよい」も、確認する場所がずれている。透明性と信頼に関するレビューは、透明性をアルゴリズムの説明可能性だけに限らず、確信の程度や性能指標の伝達、人と機械の仕事の割り振りまで含めて考えるべきだと論じる。[7] これは説明文を長くすれば精度が上がるという結論ではない。

血液型の性格タイプの画面に当てはめるなら、専門用語の多さを採点するより、何を判断する出力なのかを確認したい。「あなたを理解した」という文章と、現実の行動を予測できたという検証を同じ箱に入れない。その読み方は人工知能を嫌うためではなく、何を根拠に判断したかを自分の側で見失わないためのものである。[7]

今日からできること

性格タイプの説明を読むときは、先に文章への感想を書き、作り手の表示を見たあとの感想と分ける。ラベルと出力を区別するレビューを、読み方に置き直す提案である。[4]
信用できそうかと、自分の事情を見ていると感じるかを別々に問う。220人の選手評価実験では、その評価の向きが分かれた。[1]
助言に従う前に、何の判断に使うかを言葉にする。4週間の授業実験でも、助言の正誤と出所への信頼は同じ動きをしていなかった。[3]
数字を見るときは、人数、項目数、好みの割合を読み分ける。35人の研究の74%は学生の選好、83%は開示後に評価が否定的になった項目の割合である。[11]
仕組みの説明と、性能を確かめた情報を分けて探す。透明性を説明の詳しさだけで判断しない姿勢は、信頼のレビューに沿う。[7]

これらは、研究から考えた読み方の提案であり、血液型診断への思い込みを減らす効果が検証された練習ではない。中央線の帰り道で画面を閉じる前に、気になった文章を読み返す余白をつくる。そのとき残しておきたい問いは「誰が言ったか」だけではなく、「私は何を確かめたつもりだったか」である。

yogaのレッスン前の様子生徒の足もとにあるヨガマット立川駅徒歩1分年中無休の溶岩ホットヨガスタジオ

オンザショアでは、分類より通える条件を確かめる

性格タイプの説明を運動選びに持ち込む前に、ここでは実際に確かめられる店の条件を並べたい。オンザショア立川店は、JR立川駅北口から徒歩1分、東京都立川市曙町2-14-10 エトロワビル3Fにある。通う場所と予定を照らし合わせるところから、続ける仕組みを考えられる。

営業時間は8:00〜23:30、年中無休である。ただし、開いている時刻とレッスンの開始時刻は別だ。年末年始の12/29〜1/3は通常のレッスンを休み、会員向けの特別の有料講座になる。

溶岩プレートを敷いたスタジオでのホットヨガに加え、常温のヨガやピラティスなどがあり、ヨガだけで25種類以上のレッスンがある。ヨガの体験は税込1,980円。60分のレッスンに、バスタオル2枚、フェイスタオル1枚、ヨガマットのレンタルを含む。妊娠中は溶岩ホットヨガに参加できず、常温のマタニティヨガがある。医師から運動を止められている方は利用できない。店の案内と料金、体験予約で、生活に組み込む条件を確認できる。

参考文献

[1] Human analysts or artificial intelligence? Source attribution in athlete performance evaluation — Uhm JP, Kim M, Park S, Kwak M, Moon S, Kang K., 2026, Frontiers in psychology. DOI: 10.3389/fpsyg.2026.1954191

[3] Gender, knowledge, and trust in artificial intelligence: a classroom-based randomized experiment — Dávila A, El Fassi I, Oyon D, Rudolf N., 2025, Scientific reports. DOI: 10.1038/s41598-025-25002-7

[4] Averse to what: Consumer aversion to algorithmic labels, but not their outputs? — Mariadassou S, Klesse AK, Boegershausen J., 2024, Current opinion in psychology. DOI: 10.1016/j.copsyc.2024.101839

[7] How transparency modulates trust in artificial intelligence — Zerilli J, Bhatt U, Weller A., 2022, Patterns (New York, N.Y.). DOI: 10.1016/j.patter.2022.100455

[11] Evaluation of Few-Shot AI-Generated Feedback on Case Reports in Physical Therapy Education: Mixed Methods Study — Sudo H, Noborimoto Y, Takahashi J., 2025, JMIR medical education. DOI: 10.2196/85614

[12] The impact of text topic and assumed human vs. AI authorship on competence and quality assessment — Proksch S, Schühle J, Streeb E, Weymann F, Luther T, Kimmerle J., 2024, Frontiers in artificial intelligence. DOI: 10.3389/frai.2024.1412710

この記事の情報は2026年11月時点のものです。個別の健康状態については医師にご相談ください。