人はいつ例外を認めるか――言語モデルを用いた人間の道徳判断の解析 When to Make Exceptions: Exploring Language Models as Accounts of Human Moral Judgment

田中専務

拓海さん、AIに道徳判断なんてできるんですか。現場で使えるかどうか、損得で判断したいんですが。

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、順を追って説明しますよ。要点は三つで、まずAIが人の道徳的判断の“柔軟さ”を捉えられるか、次にその評価法、最後に実務での活用可能性です。今から一緒に見ていけるんですよ。

田中専務

柔軟さというのは、例えば「行列に割り込むな」というルールの例外をどう扱うか、といった話ですか。そういう微妙な場面を機械が判断できれば助かりますが。

AIメンター拓海

まさにその通りです。研究では、MoralExceptQAという例外判断を問うデータセットを作り、LLM（Large Language Model、大規模言語モデル）を使って人の判断に近づけられるかを試しています。日常の例に置き換えると、規則を“機械的に運用する”か“文脈で緩める”かの違いですよ。

田中専務

それをどうやって評価するんですか。人の感覚と比べるなら信用できるのか気になります。

AIメンター拓海

評価は二段階です。まず心理学の実験で得られた人間の判断をベンチマークにします。次に、単に答えを出すだけでなく、MORALCOT（Moral Chain Of Thought、道徳的思考の連鎖）という「考え方の過程」を誘導するプロンプトで、人間らしい推論を引き出せるかを比べます。これにより結果の説明性も高めるんですよ。

田中専務

これって要するに、AIに「なぜそう判断したか」を言わせて、人間の判断プロセスに近づけるということですか？

AIメンター拓海

はい、その通りですよ。つまり単なる答え合わせではなく、思考過程を設計して人の判断の柔軟さを再現しようという試みです。要点は三つ。人間のデータを使うこと、思考の過程を誘導すること、そしてその比較で有意な改善が出るかを確認することです。

田中専務

現場導入で怖いのは、予想外の判断ミスです。説明があっても信用できなければ困ります。現時点でどれくらい人間に近いですか。

AIメンター拓海

最新の手法でベースのLLMを上回る結果が出ています。論文ではMORALCOTが既存の手法に対して約6.2%のF1改善を示したと報告しています。ただし完璧ではなく、誤りパターンの分析から運用上の注意点も示されています。つまり『改善はあるが注意も必要』という状態なんです。

田中専務

では私たちが導入検討するとき、何を基準にすればいいですか。投資対効果の観点で教えてください。

AIメンター拓海

大丈夫、一緒に整理できますよ。三つの観点で判断してください。第一にリスクの大きさ、第二に人のチェックが入れやすいか、第三に説明が業務上役立つか。これを満たす場面なら費用対効果は高くなります。

田中専務

分かりました。最後に、今日の話を私の言葉で整理させてください。要するに、人の道徳的判断の“例外を作る力”を真似させる工夫があって、それによってAIの判断がより人に近づくが、完全ではない。導入はリスクと説明性を見て慎重に行う、という理解でよろしいですか。

AIメンター拓海

素晴らしい着眼点ですね！そのとおりです。大丈夫、一緒に実務適用のロードマップを作れば必ずできますよ。