Twitter上における生成系AIの世論—職業と利用に基づく実証研究 (Public Perception of Generative AI on Twitter: An Empirical Study Based on Occupation and Usage)

田中専務

拓海先生、最近周りから「ChatGPTがすごい」と聞くのですが、我が社でも本当に関係がありそうか見当がつきません。要点を教えていただけますか。

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。まず本論文はTwitter上の投稿を使って、人々が生成系AI（Generative AI、略称GenAI、生成系AI）をどう見ているかを職業別と利用実態別に調べた研究です。経営判断に直結する示唆を3点に絞って説明しますよ。

田中専務

職業別ですか。IT以外の人たちも含めて、どう役に立つ感触が見えるということでしょうか。投資対効果の判断に使える話が欲しいのですが。

AIメンター拓海

そうですね。まず結論を3つで。1）関心は広範囲に広がっている。2）感情は概してポジティブである。3）実利用の様式が観察でき、業務適用のヒントになる、です。これらを踏まえればROIの見積り材料になりますよ。

田中専務

具体的には、どの職種が興味を持っているのか。それに基づいて、どこに先に投資すべきか判断できますか。

AIメンター拓海

職業抽出の方法で一定の幅を持って解析しており、ITだけでなく教育、営業、クリエイティブといった非IT職も関心が高いことを示しています。要するに、技術部門だけでなく現場の業務改善投資として検討すべき、という示唆です。

田中専務

感情がポジティブというのは、期待が強いということですか。それとも安心感があるということですか。これって要するにどっちということ？

AIメンター拓海

良い確認ですね！結論を分けると、ポジティブな感情は主に期待・利便性の面です。恐怖や懸念も一定存在するが、全体としては「使ってみたい」「役に立ちそうだ」という声が多いのです。経営判断では期待とリスクを両方数値化することが重要ですよ。

田中専務

利用実態というのは投稿中のスクリーンショット等も解析していると聞きましたが、実用的な示唆になりますか。現場がどう使っているか知りたいのです。

AIメンター拓海

はい。研究ではChatGPT等のスクリーンショットに含まれるプロンプト（ユーザーの問いかけ）を抽出して、実際にどのような問いが投げられているかを分析しています。これによりFAQ作成、テンプレート整備、現場での標準プロンプトの導入といった実務的な施策に直結する知見が得られます。

田中専務

具体的に、初期導入で試すべき「小さな勝ち筋」は何でしょうか。現場の抵抗もあるので、目に見える効果が欲しいのです。

AIメンター拓海

良い質問です。要点は3つ。1）定型作業の自動化で時間短縮を示す、2）テンプレート化したプロンプトで品質のばらつきを抑える、3）小さな現場部門で効果を示し横展開する。これらは研究の観察結果と一致します。小さな勝ち筋が重要ですよ。

田中専務

なるほど。最後に、我が社で議論を始めるときの要点を私の言葉で説明できるようにまとめていただけますか。

AIメンター拓海

もちろんです。短く3点でまとめますよ。1）関心はIT以外にも広がっているので業務横断で検討する。2）世間の感情は概ねポジティブだがリスクを数値化する。3）まずは定型業務とテンプレート化から小さく始めて効果を示す。これで会議の導入はうまくいきますよ。

田中専務

分かりました、拓海先生。要するに、IT部門だけでなく現場の定型業務からテンプレートを使って小さく試し、効果を示してから全社展開を考える、ということですね。ありがとうございました。

1.概要と位置づけ

結論ファーストで述べると、本研究はTwitter上の投稿を用いて生成系AI（Generative AI、略称GenAI、生成系AI）に対する世間の反応を職業別と利用実態別に明らかにし、政策や企業の導入判断に使える実務的知見を提供する点で重要である。研究は2019年1月から2023年3月にかけて約300万件の投稿を収集・解析しており、単なる専門家コミュニティの声ではなく幅広い職業層の反応を捉えている点が特徴である。本稿が示す主な示唆は三点に集約できる。第一に、関心はIT関連に限られず教育や営業、クリエイティブ等の非IT職にも広がっている。第二に、感情分析の結果は全体としてポジティブであり、期待感が強いことを示す。第三に、スクリーンショット等から抽出したプロンプト解析により、実務で使えるテンプレートや導入ステップの検討材料が得られる。これらは企業がROI（Return on Investment、投資利益率）を検討する際の初期判断材料として有用である。

2.先行研究との差別化ポイント

先行研究は技術的評価や専門家による倫理的議論が中心であり、一般ユーザーの実際の受容や利用行動を大規模に定量解析したものは限られていた。本研究はその点で差別化される。具体的には、職業推定のためのプロファイル抽出手法と、画像として投稿されたChatGPT等のスクリーンショットからテキスト（プロンプト）を抽出する方法論を組み合わせ、単なる感情分析を超えて「誰が」「どう使っているか」まで踏み込んでいる。これにより政策立案者や企業が現場適用の難易度や導入順序を判断しやすくなった。また、時間系列分析を通じて生成系AI出現前後での意識変化を検証しており、技術普及初期の世論ダイナミクスを実証的に示した点も特徴的である。

3.中核となる技術的要素

中核技術は三つある。第一は職業抽出のためのプロファイル解析で、ユーザーの自己記述や職業名の抽出ルールを設計している。第二は感情分析の適用で、ポジティブ／ネガティブの比率や時間変化を定量化した。第三は画像からのテキスト抽出で、スクリーンショットに含まれるプロンプトをOCR（Optical Character Recognition、光学式文字認識）により回収し、プロンプトカテゴリを分類している。ここで重要なのは、これらを組み合わせて「職業×感情×利用様式」という多次元の視点で分析している点である。専門用語を一つ補足すると、論文で参照される“AI exposure score”という指標は、ある職業がAIによってどれだけ影響を受けやすいかを示すスコアであり、経営判断でリスク評価に使える数値指標である。

4.有効性の検証方法と成果

検証は大規模なツイートコーパスを用いた量的解析に基づく。ランダムサンプリングとの比較や時系列分析により、生成系AI関連の話題に対する職業別の関心度と感情の推移を統計的に示した。結果として、IT以外の職種でも関心が一定割合存在し、ポジティブな感情が優勢であることが確認された。また、プロンプト解析により実際に使われる問いのパターンが抽出され、FAQ作成や業務テンプレート化の方向性が示された。これらの成果は、導入初期における対象部門の選定や効果測定指標の設計に直接応用できる点で有効性が高い。

5.研究を巡る議論と課題

議論点は主に三つある。第一にTwitterデータの偏りであり、全人口を代表するわけではないため外挿には注意が必要である。第二に感情分析や職業抽出の誤認識が残る点で、特にジョークや皮肉の解釈は誤差の原因になり得る。第三にスクリーンショットからのプロンプト抽出は技術的に困難であり、OCRの誤認識や画像選択バイアスが結果に影響する可能性がある。これらの課題は、実務に適用する際には補完的な社内調査やパイロット導入で検証すべきであるという実務的な示唆を残している。

6.今後の調査・学習の方向性

今後はサンプルの多様化、マルチプラットフォームの統合、そして定性的インタビューの組み合わせが求められる。企業としては、まず社内のパイロット導入を通じて実地データを収集し、外部ソーシャルデータの知見と擦り合わせることが有効である。研究的にはプロンプトの質とアウトプットの業務価値を結びつける評価指標の整備が課題となるだろう。キーワード検索に使える英語ワードとしては、Generative AI, ChatGPT, Twitter dataset, occupation analysis, prompt extraction, sentiment analysis, time-series analysis などが挙げられる。

会議で使えるフレーズ集

「この研究は、我々がまず着手すべきは定型業務のテンプレート化だと示唆しています」。
「職種横断で関心があるため、IT一極の施策では機会損失が生じます」。
「リスク評価と期待値を並列で数値化し、まずは小さく検証してから横展開しましょう」。

参考文献：K. Miyazaki et al., “Public Perception of Generative AI on Twitter: An Empirical Study Based on Occupation and Usage,” arXiv preprint arXiv:2305.09537v1, 2023.