これを書いているのはどういう人なのか

by

名前や継続して使用している識別名を手掛かりに公開情報をたどると、本人と会ったことがなくても、職業、技術分野、活動期間、文章上の関心を含む説明を作ることができる。id774.net には、金融・資産運用関連のシステム開発、AI を用いたモダナイゼーション、各媒体の利用目的が本人の説明として掲載されている[1]。GitHub の公開プロフィールには 67 件のリポジトリが表示され、主要なプロジェクト、使用言語、更新状況を外部から確認できる[2]。

これらの資料は、単独では異なる内容を示している。公式プロフィールから確認できるのは、本人がどのような経歴と現在の活動を公表しているかである。GitHub から確認できるのは、実際に公開されているコード、文書、変更履歴である。ブログや投稿媒体からは、どの主題を扱い、どのような論述方法を用いているかが分かる。資料を同一人物の活動として接続すると、それぞれの公開先には明記されていない人物像が成立する。

人物像が成立する最初の段階では、同じ識別名、公式サイトからのリンク、共通するプロジェクト名によって、別々の資料が同一人物へ帰属する。次の段階では、各資料に反復して現れる内容を結び付け、職業、技術上の判断、関心領域を一つの説明へまとめる。この二つの処理によって、公開済みの情報だけから、単一の自己紹介文より詳しい人物説明を作れる。

一方、資料を接続できることと、接続後のすべての記述が同じ強さの根拠を持つことは別である。コードが存在するという事実、本人が経歴を公表しているという事実、長期間の活動から読み取った傾向、分析者が想定した内面的な動機は、確認方法も断定できる範囲も異なる。これらを分けずに文章へ並べると、直接確認できる事実が、後半に置かれた推測へ根拠があるような印象を与える。

公開情報から人物について語る際には、人物像を一つの説明として完成させる前に、各記述が何によって確認され、どの範囲まで支えられているかを定める必要がある。直接確認できる事実、本人の自己申告、複数の成果物から得られる推測、公開資料では判断できない事項を分離することで、資料から結論までの経路を追跡できる。

1. 公開情報だけでも人物像は詳しくなる

1.1 異なる目的で公開した情報が一つにつながる

公式プロフィール、ソースコード、技術記事、一般向けの論考は、人物分析のために作られた資料ではない。プロフィールは経歴と活動先を案内し、リポジトリはソフトウェアを配布して変更を管理する。Qiita は再現可能な手順、Zenn は技術選定の背景、note は体験や観察を一般読者へ伝える場所として使い分けられていることも、公式サイト上で説明されている[1]。

資料の目的が異なるため、各公開先に現れる人物像も異なる。GitHub を見れば、使用言語、ファイル構成、試験方法、変更頻度が中心になる。公式プロフィールでは、職務経験と現在の活動が中心になる。一般向けの記事では、技術上の実装よりも、制度、意識、責任、説明の限界といった主題が前面に出る。一つの公開先だけを見た場合、その媒体で表示する必要があった側面だけが強く見える。

複数の公開先を接続すると、媒体ごとに分かれていた情報が相互に補われる。公式プロフィールに記載されたソフトウェアエンジニアとしての活動は、GitHub 上の公開リポジトリによって具体的な成果物へ接続される。記事中で説明された設計方針は、README、POLICY、実装、変更履歴と照合できる。文章上の関心も、単発の記事ではなく、複数の媒体と時期に反復して現れているかを確認できる。

scripts リポジトリには 4,700 件以上のコミットがあり、スクリプト本体だけでなく、テスト、文書、導入用ファイル、バージョン履歴が同じ変更履歴の中で管理されている[3]。この数値から直ちに技術力や生産性を評価することはできないが、同じリポジトリが長期間にわたって更新され、機能追加以外の保守作業も継続していることは確認できる。

一つの自己紹介文には、通常、何千件もの変更内容は記載されない。変更履歴を読むと、どの機能を作ったかだけでなく、どの互換性を残し、どの異常状態を修正し、どの試験や文書を追加したかが分かる。最初の段階では個別の変更が記録される。次の段階では、同じ種類の変更が長期間反復していることから、成果物をどのような状態へ保とうとしてきたかを推測できる。

この人物像は、非公開情報を取得した結果ではない。本人が異なる目的で公開した資料を、分析者が同一人物の活動として接続した結果である。公開情報の細かさだけでなく、資料間の関係を復元できることが、人物説明の密度を高めている。

公開成果物の中には、分析者が履歴から推測する前に、本人が判断基準を明文化しているものもある。scripts の POLICY には、明瞭性、移植性、明示的な制御、予測可能な動作、長期保守性を優先することが記載されている[4]。この記述から確認できるのは、対象となるリポジトリで採用された設計方針である。

明文化された方針が存在すると、実装上の特徴を偶然や分析者の印象だけで説明する必要がなくなる。POLICY に長期保守性が掲げられ、実際の履歴でも過去環境への互換性対応が繰り返されていれば、方針と行動の対応を確認できる。方針が文書にあるだけで実装へ反映されていなければ、表明と成果物は一致していない。人物分析では、方針の存在と、方針が実際の成果物へ反映されていることを分けて確認する必要がある。

1.2 同じ公開情報でも、確認できる範囲が異なる

公開情報という一つの名称の中には、確認方法の異なる資料が含まれている。コードの存在はリポジトリを開けば確認できる。職歴は本人が公式プロフィールへ記載していることを確認できる。長期保守を重視する傾向は、方針文書と変更履歴の反復から推測できる。感情的な動機や職場での対人行動には、それらに対応する資料が存在しない。

情報の層 具体例 確認できる範囲 越えてはならない範囲
公開物そのもの コード、コミット、記事本文、ライセンス、設定ファイルが実際に存在する。 第三者が同じ資料を開き、内容、件数、記述、実装を再確認できる。 存在する成果物だけから、非公開の業務実績や人格全体までは確認できない。
本人の自己申告 職歴、現在の業務、関心領域、執筆目的を本人が記載している。 本人がその内容を公表し、自身をそのように説明していることを確認できる。 勤務記録、成果資料、第三者評価がなければ、外部から独立して証明された事実とは扱えない。
反復から得られる推測 複数の成果物で互換性、テスト、明示的な設定、障害時の処理が継続して採用されている。 観察した成果物と同じ種類の活動について、反復する判断傾向を推測できる。 成果物上の判断傾向を、他者への態度、感情、職場全体での行動へ直接移すことはできない。
公開情報では決まらないこと 執筆を続ける感情的な動機、協調性、他者への寛容さ、非公開の職場での行動などが該当する。 対応する資料が存在しないことと、判断に必要な証拠の種類を特定できる。 空白を心理学用語、人物類型、一般的な技術者像で補ってはならない。

この四つを分けると、同じ内容でも記述の形式が変わる。公式プロフィールに金融・資産運用関連のシステム経験が書かれている場合、「本人はその経験を公表している」と記述できる。公開資料だけから「金融システムで高い業績を上げた」と記述するには、担当範囲、成果、期間、第三者評価が不足している。

scripts に 4,700 件以上のコミットがあることは直接確認できる。互換性対応、テスト、文書更新が長期間反復しているなら、「長期保守を継続している」「保守可能性を重視する傾向がある」という推測へ進める。そこから「完璧主義である」「変更を嫌う」「他者にも同じ基準を強制する」と評価すると、観察した成果物とは異なる領域へ結論を移している。

最初の飛躍は、観測された行動を広い性質へ置き換える段階で起きる。長期間の保守活動が、本人の人格全体を表す「完璧主義」へ変換される。次の飛躍では、その人格評価が、まだ観察していない職場での対人行動や組織適性の説明へ使われる。出発点となったコミット数と変更内容が正確でも、後半の結論を支える資料は途中で失われている。

自己申告を排除すれば、本人が公表している職歴や関心を扱えなくなる。推測を禁止すれば、長期間の変更履歴から反復する方針を読み取れなくなる。必要なのは、各記述がどの層に属し、次の層へ進むときに何を根拠として追加したかを示すことである。

本人の公式プロフィールは、本人が自分の職務と関心をどのように説明しているかを知る資料になる。公開コードは、実際に採用された設計判断を確認する資料になる。変更履歴は、その判断が一度だけでなく継続しているかを調べる資料になる。人格や組織適性を判断するには、これらとは別に、共同作業、レビュー、納期、対立時の対応などを示す資料が必要になる。

公開情報から人物像を作る際の誤りは、資料がすべて虚偽であるために起きるとは限らない。正確な事実を、支えられる範囲より広い評価へ接続した場合にも起きる。各記述について、観察した対象、適用した判断基準、導いた結論を分けておけば、どの段階で推測が加わり、どの資料を追加すれば判断を更新できるかを追跡できる。

2. リポジトリから言えるのは、成果物に現れた開発方針までである

2.1 4,700 件以上という件数は、作業量そのものではない

scripts には 4,700 件以上のコミットが記録されている[3]。この数値から直接確認できるのは、同じリポジトリに 4,700 件以上の変更単位が保存されていることである。開発時間、変更量、難易度、完成した機能数を直接表す数値ではない。

コミット数と作業量が一致しないのは、一つの作業をどの大きさで記録するかが開発者の運用によって変わるためである。同じ修正でも、実装、試験、文書を三つのコミットに分ける場合もあれば、最後に一つへまとめる場合もある。複数の変更を一括して記録する運用では件数が少なくなり、変更目的ごとに細かく分ける運用では件数が多くなる。

履歴を書き換えるかどうかによっても差が出る。作業途中のコミットを残すリポジトリと、公開前に履歴をまとめるリポジトリでは、同じ成果物でも表示される件数が異なる。コミット数は、開発された内容だけでなく、変更履歴をどのように保存するかという管理方法の影響を受ける。

GitHub を対象とした研究でも、コミット、フォーク、プルリクエストなどの数値を、そのまま一般的な開発活動の大きさとして解釈すると誤りが生じることが指摘されている[5]。GitHub 上には、継続的に保守されるソフトウェアだけでなく、複製、試作品、授業用、個人的な実験、公開後に更新されないリポジトリも混在する。比較対象となる実質的なソフトウェアプロジェクトを選ぶためにも、更新期間、開発者数、課題管理、リリース、試験など、複数の条件が必要になる[6]。

この制約があるため、4,700 件以上という数値だけから、平均的な開発者に対する能力、生産性、作業量の倍率を算出することはできない。比較するリポジトリの種類がそろっておらず、コミットの単位も標準化されていないからである。

一方、件数の意味が限定されることは、変更履歴に分析価値がないことを意味しない。履歴を構成する個々の変更を見ると、何が継続的な管理対象となってきたかを確認できる。scripts では、機能追加だけでなく、古い実行環境への互換性対応、POSIX 準拠、試験の追加、エラー処理、権限設定、インストールとアンインストール、文書、バージョン履歴などが繰り返し更新されている[3]。

ここでは二つの観察を分ける必要がある。第一に、多数の変更が長期間記録されている。第二に、その変更対象が新機能だけに偏らず、互換性、異常時の処理、試験、文書、導入後の運用に及んでいる。前者は活動の継続を示し、後者は何を維持対象としてきたかを示す。

公開された開発活動から、他の開発者が技術上の関心、プロジェクトの目的、開発の活発さなどを推測していることは、GitHub 利用者への調査でも報告されている[7]。変更履歴には、完成したコードだけでなく、どの不具合を修正し、どの互換性を残し、どの運用条件を明文化したかが記録される。個々の変更は小さくても、同じ種類の判断が長期間反復されれば、成果物に対する判断基準を推測する根拠になる。

scripts の履歴から比較的強く言えるのは、単発の機能作成よりも広い範囲を保守対象としてきたことである。コードが現在の入力で動作するだけでなく、既存の呼び出し方、古い処理系、異常終了時の情報、導入手順、試験、利用者向け文書を維持しようとする変更が継続している。

この結論は、4,700 件以上という件数だけからは出ない。変更の内容、反復、対象期間を組み合わせることで初めて成立する。コミット数は分析の入口にはなるが、開発方針を判断する根拠は、履歴の中で何が繰り返し変更されているかにある。

2.2 方針文書は意図を示し、変更履歴は実際の適用を示す

履歴だけから開発方針を推測する場合、同じ変更に複数の説明が成立する余地が残る。古い Python への対応が続いていても、長期互換性を意図している場合と、単に古いコードを整理していない場合では意味が異なる。エラー処理が詳細でも、設計上の原則によるものか、個別の障害へ場当たり的に対応した結果かは、実装だけでは確定しない。

scripts には、この曖昧さを減らす POLICY が存在する。そこでは、利便性よりも明瞭性、移植性、明示的な制御を優先し、予測可能な動作と長期保守性を重視し、制御の流れ、エラー、副作用を明示するという方針が定められている[4]。これは分析者がコードの外観から付けた評価ではなく、リポジトリで適用する実装方針として本人が記述したものである。

方針は抽象的な理念だけで終わっていない。情報メッセージを標準出力へ、エラーを標準エラーへ出すこと、終了状態の意味をそろえること、認証情報をコマンドライン引数やログへ出さないこと、通常終了と異常終了を明示的に分けることなどが、実装上の規則として定められている[4]。

文書構造にも同じ考え方が適用されている。各実行ファイルには、用途、使用方法、必要条件、終了状態、バージョン履歴を含む所定のヘッダーを置き、動作が変わった場合には文書も同時に更新する。試験は専用の試験コードへ分離し、ヘッダーの形式自体も検査対象にする。実装、利用方法、終了時の意味、変更履歴を別々に放置せず、一つの保守対象として扱う構成である[4]。

方針文書があるだけでは、その方針が実際に守られているとは限らない。理念を掲げながら、実装では例外が常態化しているリポジトリもあり得る。scripts では、テスト用ディレクトリ、導入用スクリプト、文書検査、互換性検査、夜間試験がリポジトリの構成として存在し、README にも試験経路が記載されている[3]。方針文書が意図を示し、リポジトリ構成と変更履歴が適用の実態を示す。

この対応関係から、少なくとも scripts の開発では、正常時の処理だけを完成条件としていないと判断できる。実行前の設定確認、処理中のログ、異常時の終了状態、導入後の定期実行、将来の変更に必要な文書までが設計対象に含まれている。機能を実装した後に運用要素を付け足すのではなく、利用者が導入し、異常を識別し、更新を続けられる状態を成果物の一部としている。

この設計は、短いスクリプトにも適用される。小さなプログラムであっても、cron から呼ばれる場合には、終了状態や標準エラーの扱いが監視結果を左右する。設定値や認証情報の扱いが曖昧であれば、正常動作している間は問題が見えなくても、障害発生時に原因を追跡できず、秘密情報がログへ残る可能性もある。個々の規則は細部に見えるが、定期実行と長期保守を前提にすると、運用上の失敗を局所化する役割を持つ。

ここから「長期保守性、移植性、明示的な異常処理を重視する開発方針がある」と推測することには、方針文書、実装規則、リポジトリ構成、変更履歴という複数の根拠がある。単一のコミットや一つの表現から性格を推測する場合とは、証拠の厚さが異なる。

それでも、この結論が適用できる範囲は scripts と、それに近い公開開発活動までである。個人リポジトリでは、保守期間、対応環境、品質基準を管理者自身が決められる。業務開発では、納期、予算、顧客要件、組織標準、担当範囲、他システムとの依存関係が判断へ入る。古い環境を維持する価値より、移行コストを下げる価値が高ければ、互換性を打ち切る判断も成立する。

公開リポジトリで厳密な規則を採用していることは、業務でも常に同じ水準を要求する証拠にはならない。他者へ規則を強制するか、短納期で何を省略するか、既存の開発規約とどう調整するかを判断するには、共同作業の履歴、レビュー、意思決定、納期対応など別の資料が必要になる。

成果物から人物へ評価を広げる際には、観察した場面が変わっていないかを確認する必要がある。scripts から確認できるのは、scripts に対して採用された方針と、その方針が長期間の変更へ反映されていることである。そこから推測できるのは、同種のソフトウェアを設計・保守する際の判断傾向までであり、人格や組織適性ではない。

3. AI の使い方からは、任せる範囲の設計が見える

3.1 文章は生成させても、公開の判断は自動化しない

sizu-writer は、短いメモを入力すると、投稿用の本文と複数のタイトル候補を生成するツールである。生成結果には個別のコピーボタンがあり、利用者は本文を読み、必要に応じて再生成し、採用する本文とタイトルを選ぶ。その後、投稿先の画面へ貼り付け、内容を再確認してから公開する手順が README に記載されている[8]。

この処理では、文章を作る工程と、その文章を公開する工程が分離されている。AI が担当するのは、入力されたメモを一定の形式へ展開し、候補を提示するところまでである。どの候補を採用するか、生成された文章が本人の意図と一致しているか、実際に外部へ公開するかは、人間が判断する。

投稿先へ直接接続する機能を持たせれば、生成から公開までを一つの操作にまとめることはできる。しかし、その構成では、誤った文章、不適切なタイトル、意図しない表現が生成された場合に、確認を経ず外部へ送信される可能性が生じる。文章生成の誤りが、そのまま公開上の誤りへ移る構造になる。

sizu-writer は、この経路を技術的に切っている。投稿先の認証情報を保持せず、投稿操作を実装しないため、AI の出力だけで公開処理は完了しない。利用者が生成結果を読み、コピーし、別の画面で投稿する操作が必ず入る。操作の手間は増えるが、その手間が公開前の確認地点として機能する[8]。

人間が途中にいるだけでは、確認が成立するとは限らない。生成結果を読まずにそのまま貼り付ける運用であれば、形式上は人間が操作していても、実質的には自動投稿と変わらない。sizu-writer の画面で本文とタイトルを分けて表示し、再生成と個別コピーを用意しているのは、生成結果を候補として比較し、採用を決める操作を明示するためである。

意味に影響する可能性のある修正についても、同じ境界が置かれている。機械的に確定できない問題を検出した場合、文章を自動で書き換えるのではなく、注意事項として利用者へ示す。誤検出であれば、利用者が一度確認する負担が発生する。一方、自動修正が誤っていた場合には、本人が選んだ表現や文章の意味そのものが変わる。

この差によって、誤りが起きた場合の帰結が変わる。注意表示の誤りは確認作業を増やすが、原文は維持される。自動修正の誤りは文章へ直接反映され、利用者が気付かなければそのまま公開される。意味の判断を人間側へ残す設計は、AI の精度が不完全であることを前提に、誤りの影響を限定している[8]。

ここから確認できるのは、単に AI を文章作成へ利用していることではない。生成、採用、修正、投稿を別の工程として扱い、それぞれの判断主体を分けている。AI は候補を作るが、公開する文章を確定せず、外部サービスへ送信する権限も持たない。

この構成では、公開された文章に対する責任を、生成に使った AI へ移すことはできない。最終的に文章を選び、投稿操作を行う主体は人間である。AI の導入によって文章作成の負担は減るが、公開判断まで自動化しないことで、責任の位置は投稿者側に残されている。

3.2 外部サービスへの依存と障害の影響を分離する

ai-digest は、AI に関する論文やニュースを収集し、日本語の要約と分類を含む HTML レポートを生成する。構成は、情報収集とレポート生成を行うバッチ処理と、保存済みのレポートを表示する閲覧処理に分かれている[9]。

生成処理と閲覧処理を一つのプログラムへまとめた場合、外部 API の障害、応答遅延、生成形式の不一致が、レポートの閲覧にも影響する。新しいレポートを作れないだけでなく、すでに作成済みのレポートまで読めなくなる。生成側の一時的な障害が、保存済み成果物の利用停止へ拡大する。

ai-digest では、生成した HTML をファイルとして保存し、閲覧用の Flask アプリケーションは保存済みファイルを表示する。外部サービスへの接続や新しい要約の生成に失敗しても、過去に生成されたレポートは残る。障害の影響は新規生成の停止に限定され、既存成果物の閲覧までは停止しない[9]。

この分離は、障害を発生させないための仕組みではない。外部 API、通信経路、情報源、生成モデルが存在する以上、失敗自体をなくすことはできない。設計上の目的は、ある工程の失敗が、別の工程へ連鎖する範囲を狭めることにある。

要約処理の接続先も、暗黙には決められない。設定でバックエンドを選び、利用する API の種類、モデル、接続先を明示する。対応していない値が指定された場合には、別のサービスへ自動的に切り替えるのではなく、設定誤りとして処理を停止する[9]。

暗黙の切り替えを行えば、処理が継続する可能性は高くなる。しかし、利用者が指定していない API へデータを送信したり、異なる料金体系のモデルを呼び出したり、期待していない品質の出力を採用したりする可能性も生じる。停止を選ぶ設計は、可用性よりも、どのサービスへ何を送信したかを追跡できることを優先している。

plain バックエンドを選択すると、情報源の取得を除き、外部の要約 API を使用せずにレポートを生成できる[9]。AI を使用する経路と使用しない経路が同じ処理系の中に用意されているため、外部サービスが使えない場合や、要約を必要としない運用では、システム全体を別の実装へ置き換える必要がない。

この構成から読み取れるのは、クラウド AI とローカル処理のどちらを好むかという二者択一ではない。情報収集、要約、分類、保存、閲覧を別の工程として扱い、AI が必要な場所だけを交換可能にしている。外部 API を利用しても、システム全体をその API の稼働状態へ従属させない設計である。

AI の回答形式についても、自由な文章をそのまま後続処理へ渡すのではなく、期待する構造を定めて検査する。モデルが応答を返したという事実と、プログラムが利用できる形式で返したことは別である。必須項目が不足している場合や形式が異なる場合には、成功した回答として処理しない。

この検査がなければ、AI の出力が少し変化しただけで、誤った分類、欠落した項目、不完全な HTML が後続工程へ流れる。応答形式を検証することで、モデルの不確定な出力と、決められた形式を前提とする通常のプログラムとの間に境界を置いている[9]。

sizu-writer と ai-digest では用途が異なる。前者は人間が公開する文章の候補を生成し、後者は定期処理の中で多数の情報を要約する。それでも、AI の扱いには共通する構造がある。

設計対象 sizu-writer ai-digest
AI に任せる工程 短いメモから本文とタイトル候補を生成する。 取得した情報を要約し、分類用の構造化データを生成する。
AI に任せない工程 採用する文章の決定と外部サービスへの投稿は人間が行う。 情報収集、ファイル保存、閲覧、設定管理は通常のプログラムが担当する。
出力の検査 利用者が文章を読み、再生成または採用を判断する。 期待する構造と項目をプログラムが検査する。
失敗時の影響 生成できなくても、意図しない文章が自動投稿されることはない。 新しいレポートを生成できなくても、過去のレポートは閲覧できる。
接続先の扱い 利用する互換 API の接続先を明示的に設定する。 バックエンドと接続先を明示し、未知の設定では処理を停止する。

二つのツールに共通するのは、AI をシステム全体の判断主体として置いていないことである。AI は、入力を別の表現へ変換する限定された工程を担当する。出力を採用する条件、外部へ送信する権限、異常時に停止する範囲、保存済み成果物の扱いは、AI の外側で決められている。

この反復から、公開された AI ツールでは、性能の高いモデルを選ぶことだけでなく、モデルへ渡す範囲と、モデルが失敗した場合の影響範囲を設計対象としていると推測できる。AI の性能が上がっても、接続障害、形式違反、事実誤認、意図しない表現は残るため、正常に動いた場合の精度だけでは運用を成立させられないからである。

一方、これらの設計から、業務における AI の利用量、開発速度への効果、組織内での権限配分までは分からない。確認できるのは、公開された二つのツールで、生成、確認、投稿、保存、閲覧、外部接続が分離されていることである。そこから推測できるのは、同種の AI システムを設計する際に、任せる工程と失敗の影響範囲を明示しようとする判断傾向までである。

4. 情報を大量に集めても、資料の偏りは消えない

4.1 公開された活動記録は人間を調べる資料になる

オンラインサービス上の投稿、通信記録、共同作業の履歴、位置情報などを集め、人間の行動や社会関係を分析する研究は、計算社会科学として 2000 年代から明確な研究領域になっている[10]。従来の社会調査では、研究者が質問項目を決め、対象者から回答を得る必要があった。オンライン上の活動記録を利用すれば、すでに行われた行動を大量かつ長期間にわたって観察できる。

個人の公式サイト、GitHub、ブログ、Qiita、Zenn、note を横断して読む作業も、この方法と共通する構造を持つ。GitHub からは更新期間、使用言語、試験方法、変更対象を確認できる。ブログからは継続的な関心と主張を追える。公式プロフィールからは、本人がどのような職歴と現在の活動を公表しているかを確認できる。個々の資料は別の目的で作られているが、人間の活動を記録した資料として再利用できる。

観察できる記録が増えると、単発の記述と継続的な傾向を区別しやすくなる。一度だけ互換性に言及した記事より、長期間にわたり互換性対応がコミットされ、方針文書にも同じ原則が記載されている方が、開発方針を推測する根拠は強い。資料の量は、同じ判断が異なる時期と成果物で反復しているかを確かめるために役立つ。

ただし、記録が多いことと、人物全体を偏りなく観察できることは一致しない。大規模なデータは、収集件数が多く、数値処理に適しているため、従来の小規模な調査より客観的に見えやすい。しかし、データ量が増えても、何が記録され、何が記録されていないかという境界は残る。大規模データから客観性と正確性が自動的に得られるという期待そのものが批判されている[11]。

GitHub に記録されるのは、公開リポジトリ上で行われた変更である。勤務先の非公開リポジトリ、会議、設計相談、障害対応、口頭での助言は含まれない。ブログに現れるのは、公開する題材として選び、推敲を経た文章である。書かなかった考え、公開しなかった経験、日常の会話は記録されない。

この欠落は、資料を追加するだけでは解消しない。GitHub のコミットをさらに一万件集めても、非公開の職場における対人行動は観察できない。ブログ記事をさらに百本読んでも、執筆時の感情や記事にしなかった関心までは確定しない。資料の件数は増えても、同じ種類の記録が対象とする範囲は変わらない。

特定のオンラインサービスを対象とした研究では、投稿者と非投稿者、頻繁に利用する人とほとんど利用しない人、公開設定の異なる人が同じ割合で観察されるわけではない。取得できたデータを、そのサービスの全利用者や人間行動全体の代表として扱うと、代表性と妥当性の問題が生じる[12]。

個人の公開情報についても同じ制約がある。公開活動が多い人については、豊富な資料を取得できる。公開活動が少ない人については、同じ方法を用いてもほとんど情報を得られない。この差は、前者の人格が後者より分析しやすいことを意味するのではなく、公開された活動の量と種類が異なることを意味する。

4.2 偏りは公開、収集、解釈の各段階で入る

人物像の偏りは、本人が何を公開したかだけから生じるわけではない。社会的なデータを分析する過程では、情報の生成、収集、加工、分析、評価、解釈の各段階に異なる偏りが入ることが整理されている[13]。

段階 人物分析で生じる選択 生じる偏り
公開 本人が、どの活動、成果、経験、考えを公開するかを選ぶ。 公開に適した内容が多く残り、非公開の活動や失敗、日常的な判断は残りにくい。
収集 分析者が、どの検索語、媒体、期間、記事、リポジトリを調査対象にするかを決める。 検索上位の資料、目立つ成果物、既存の仮説に合う情報が集まりやすい。
加工 長い記事や変更履歴から、要約に残す箇所と捨てる箇所を選ぶ。 条件や留保が省略され、断定的な主張だけが残る場合がある。
分類 観察した内容を、技術力、関心、性格、組織適性などの項目へ割り当てる。 本来は成果物上の特徴である内容が、人格を示す情報として扱われる場合がある。
解釈 複数の事実を因果関係で結び、一つの人物説明へまとめる。 資料に書かれていない動機や心理状態が、事実と同じ確度で追加される場合がある。

本人が技術記事を多く公開している場合、公開情報だけを集めれば、技術的な活動が人物像の中心になる。これは本人が技術以外に関心を持たないことを意味しない。技術上の成果が、公開しやすく、検索されやすく、複数の媒体へ残りやすいという条件も作用している。

収集時には、分析者の問いが資料の選択を変える。「長期保守を重視する技術者」という仮説から検索すれば、互換性、バックアップ、監視、試験に関する資料が多く集まる。「AI を積極的に使う開発者」という仮説から検索すれば、ai-digest、sizu-writer、ローカル LLM に関する記事が中心になる。どちらも実在する公開情報に基づくが、最初の問いが異なれば人物像の中心も変わる。

加工時には、元の文章にあった条件が失われる場合がある。「特定のリポジトリでは長期保守性を優先する」という記述を、「長期保守性を最優先する人物」と要約すれば、適用範囲がリポジトリから人格全体へ広がる。「クラウドとローカル処理を用途に応じて使い分ける」という記述からクラウド利用の部分を落とせば、「外部サービスを排除する人物」という反対の像さえ作れる。

偏りは、誤った資料を使ったときだけに生じるのではない。正しい資料を選択的に集め、条件を削り、同じ方向へ並べた場合にも生じる。個々の記述が正確であっても、選ばれなかった資料との関係が失われれば、全体像は一方向へ傾く。

4.3 情報を結び付けると、個別の資料にはない像が生まれる

別々の公開先にある情報を照合すると、各資料を単独で見たときには分からない関係が現れる。ソーシャルネットワークの研究では、匿名化されたネットワークであっても、別のネットワークに存在する接続関係と照合することで、利用者を再識別できることが示されている[14]。

この研究が扱うのは匿名化解除であり、公開プロフィールの分析とは目的も危険性も異なる。それでも、情報の結合が新しい知識を生むという点は共通する。単独の資料には氏名がなくても、接続関係を別の資料と対応させることで同一人物を特定できる。同様に、単独の記事には人物の開発方針が書かれていなくても、公式プロフィール、リポジトリ、変更履歴、方針文書を組み合わせることで、継続的な判断傾向を推測できる。

id774.net から GitHub、ブログ、Qiita、Zenn、note へ移動し、共通する氏名、識別名、プロジェクト名、相互リンクを照合すれば、それらが同じ公開主体による活動であることを確認できる。次に、媒体ごとの内容を時系列に並べると、どの活動が長期間継続し、どの主題が複数の場所で反復しているかが見える。

この処理によって、個々のページには存在しない記述が成立する。GitHub だけでは、本人が金融・資産運用関連の経験を公表していることは分からない。公式プロフィールだけでは、scripts が 4,700 件以上の変更を含み、どの種類の保守が続いているかは分からない。両方を接続すると、本人が公表する職務領域と、公開成果物上の技術活動を一つの説明へ置ける。

ただし、資料を接続した結果として生まれた文章は、元の資料にそのまま書かれていた事実ではない。「金融関連の経験を公表し、長期保守を重視する公開リポジトリを運用している」という記述は、二つの資料を並べた要約である。「金融システムの経験によって長期保守を重視するようになった」と書けば、経験と開発方針の間に因果関係を追加している。

前者は、複数の公開情報を接続した記述として成立する。後者を支えるには、本人が両者の因果関係を説明した記事や、経歴と設計判断の対応を示す別の資料が必要になる。情報の結合によって新しい説明は作れるが、並存、相関、因果を区別しなければならない。

人物像の密度が高まるのは、資料が増えたからだけではない。分析者が資料同士に関係を与え、時系列、因果、階層として並べ直すからである。この編集過程を示さず、完成した人物像だけを提示すると、分析者が加えた接続まで、最初から公開情報に含まれていたように見える。

4.4 生成できる量と確認できる量は一致しない

生成 AI を使えば、公式プロフィール、数十のリポジトリ、数百本の記事を短時間で要約し、経歴、技術、思想、性格、組織適性という章へ分類できる。入力した資料が多いほど、説明は細かくなり、異なる公開先を横断した一貫した人物像を作りやすくなる。

生成処理では、複数の事実を一つの段落へまとめられる。たとえば、4,700 件以上のコミット、長期互換性の方針、AI 関連ツール、意識に関する記事を並べ、それらを一つの心理的動機で説明する文章を作ることもできる。文章としては、原因と結果が連続し、人物全体を理解したように見える。

検証時には、同じ段落を一つの単位として確認できない。コミット数は GitHub で確認し、長期互換性は POLICY と履歴を確認し、AI ツールの構成は各 README と実装を確認する必要がある。心理的動機については、それを直接述べた資料があるかを別に調べなければならない。生成は資料を統合するが、検証は主張を再び分解する。

この非対称性は、生成量と検証量の関係を扱った既稿でも指摘している。文章は一括して生成できても、検証対象は主張、引用、数値、因果関係ごとに分かれ、原典との対応を個別に確認しなければならない[15]。

一つの段落に四つの主張があれば、少なくとも四つの確認が必要になる。さらに、それらの間に因果関係が書かれていれば、その接続を支える資料も必要になる。資料の実在確認だけでは足りず、引用先が本文の断定をどこまで直接支えているかまで確認しなければならない。

人物像が詳細で滑らかであるほど、個々の主張も詳しく検証されたように見えやすい。正確なコミット数の直後に、「不整合を許容できない性格である」と置けば、後半の評価にも前半と同じ根拠があるように読める。実際には、コミット数は外部から確認できる事実であり、性格評価には対応する資料がない。

前半の正確な事実が、後半の推測へ信頼を貸す構造は、単純な虚偽より見つけにくい。虚偽の数値であれば原典との不一致を指摘できる。正確な数値から根拠のない心理説明へ進んだ場合、各文を個別に読むだけでは飛躍が見えず、段落内で証拠の種類が変わった箇所を確認する必要がある。

大量の資料を入力すると、推測の材料が増える。一方で、生成される主張の数、資料間の接続、因果説明も増える。入力資料の量が十倍になっても、出力の検証が十倍で済むとは限らない。複数の資料を組み合わせた主張では、各資料の確認に加え、組み合わせ方が妥当かを検査する必要があるからである。

人物についての分析を検証可能にするには、完成した文章だけでなく、各記述がどの資料に対応し、どの段階で分析者の推測へ移ったかを残す必要がある。直接確認できる事実、本人の自己申告、複数資料からの推測、判断不能を分ければ、原典確認の単位を特定できる。

公開情報を大量に集めることは、人物分析の精度を自動的に高めない。反復する行動を確認するには有効だが、公開されていない領域を埋めることはできず、収集と解釈の偏りも増える。生成 AI はその資料を一つの人物像へまとめられるが、文章の統一感は、証拠の統一性を保証しない。

5. 公開された文章は、目的と読者を持つ編集済みの成果物である

5.1 同じ人物の文章でも、媒体ごとに観察できる側面が変わる

公開情報を人物分析へ利用する際には、情報が公開されているかどうかだけでなく、どの場所で、誰に向けて、何を伝えるために公開されたかを確認する必要がある。文脈的完全性の考え方では、情報の扱いの適切さは、情報の内容だけでなく、社会的な場面、関係者、伝達目的、その場で期待される規範によって決まる[16]。

技術記事として公開された文章は、読者が同じ作業を再現できるように編集される。必要な環境、設定値、実行手順、確認方法、失敗時の切り分けが中心になり、個人的な経験や思想的な背景は、手順の理解に必要な範囲まで削られる。Qiita に掲載された記事を読んで観察できるのは、主として技術上の問題をどのように分解し、再現可能な手順へ変換したかである[1]。

Zenn のように技術選定や設計判断を扱う媒体では、同じ技術を題材にしても、採用しなかった案、比較軸、制約、運用上のトレードオフが前面に出る。実行手順より、なぜその構成を選んだかが重要になるため、そこからは判断基準や設計上の関心を読み取りやすい[1]。

note の一般向け文章では、専門的な説明をそのまま移すのではなく、体験、観察、制度上の出来事、日常的な違和感から論点を組み立て直す。数式、コード、設定値を減らし、読者が自分の経験へ接続できる説明へ変えるため、同じ主題でも技術媒体とは異なる語彙と構成になる[1]。

短い投稿を置く媒体では、一つの着想や判断だけを切り出し、前提や反論を十分に展開しない場合がある。短い文章に断定が含まれていても、それが本人の思想全体を要約しているとは限らない。文字数と閲覧形式に合わせて、一つの側面だけを残した結果かもしれない。

同じ人物が書いた文章であっても、媒体ごとに選ばれる題材、説明の粒度、想定する予備知識、残される留保が異なる。人物分析で観察しているのは、無条件に表出した人格ではなく、特定の媒体と読者に合わせて選択された表現である。

媒体の違いを無視して文章を一つにまとめると、異なる目的で書かれた記述が同じ場面の発言として扱われる。技術手順にある厳密な規則、一般向け論考にある抽象的な問い、短い投稿にある率直な断定が、一つの安定した性格を示す証拠として接続される。

複数の社会的な場面と想定読者が一つの公開面で重なる現象は、文脈の崩壊として研究されている[17]。ある投稿は同僚や同分野の技術者を想定して書かれ、別の記事は専門知識を持たない読者へ向けて書かれる。それらが検索結果や人物モデルの中で同列に並ぶと、作成時には分かれていた読者と目的が失われる。

公開情報を横断して人物像を作る作業は、異なる場所にある情報を集めるだけではない。各文章を元の媒体、目的、想定読者から切り離し、人物を説明する資料として再配置する処理でもある。その処理自体が、元の文章にはなかった意味を加える。

5.2 公開文章は行動の記録ではなく、選択と編集を経た成果物である

非同期に公開されるプロフィール、記事、画像などは、日常の行動を連続的に記録したものではない。作成者が公開する題材を選び、文章を修正し、掲載場所を決め、後から参照できる形で配置した成果物である。オンライン上の自己呈示については、その場で行われる振る舞いと、選択された内容を保存・配置する展示を区別する考え方が提示されている[18]。

記事が公開されるまでには、題材の選択、資料収集、構成、執筆、推敲、引用確認、媒体に合わせた修正が入る。公開後に誤りを修正したり、題名を変更したり、別媒体向けに書き直したりすることもある。完成稿は、その時点で採用された文章であり、考えたことや話したことをそのまま記録したものではない。

この編集過程は、公開文章から何も読み取れないことを意味しない。複数の時期と媒体で「構造」「境界」「更新」「責任」「説明の限界」といった主題が繰り返されていれば、それらが公開上の主要な関心であると判断できる。単発の記事ではなく、長期間の反復があるためである。

論述方法についても同様である。異なる題材の記事で、前提を分け、適用範囲を示し、観察できる事実と解釈を区別し、未解決部分を残す構成が繰り返されていれば、公開文章を作る際の安定した方法として分析できる。

ここで観察しているのは、完成した文章に現れる選択である。日常会話で常に同じ順序で考えるか、予期しない状況でも同じように判断するか、感情的な場面でどのように反応するかは、公開文章だけでは確認できない。推敲に時間を使える執筆と、即時の応答を求められる会話では、成立条件が異なる。

公開文章には媒体の編集方針も作用する。技術記事では再現性のために条件を詳しく書き、一般向けの記事では理解を妨げる技術的詳細を削る。短文媒体では、一つの論点だけを残す。同じ書き手の文章に差がある場合、それを人格の揺れと解釈する前に、媒体が要求する形式の違いを確認する必要がある。

AI を執筆工程へ利用している場合には、さらに区別が増える。完成稿が本人の名前で公開され、本人が採用と公開を判断したことと、文章中のすべての文を本人が直接入力したことは同じではない。構成案、下書き、表現の調整、校正の一部に AI が使われている可能性がある。

一方、AI を使った文章を本人の文章として扱えないわけでもない。複数の候補から何を採用し、何を削り、どの根拠を残し、最終的に何を公開したかには本人の判断が入る。観察できるのは、入力作業の分担ではなく、公開された成果物として何を承認したかである。

そのため、文章から推測できる範囲は二段階に分かれる。反復する主題からは公開上の関心を、反復する構成からは公開文章の作成方針を推測できる。そこから内面的な動機、日常人格、非公開の行動へ進むには、文章とは異なる資料が必要になる。

5.3 自己申告は本人の表明を知る一次資料である

公式プロフィールや本人の記事には、外部から観察しただけでは分からない情報が含まれる。職歴、現在の業務、関心領域、使用している道具、執筆の目的などである。これらは本人が自分について公表した内容であり、本人の認識と表明を知るための一次資料になる。

自己申告の役割は、第三者の資料より弱いか強いかという一つの尺度では決まらない。本人にしか説明できない経験や意図を知るには有力である一方、勤務実績、成果の規模、他者から見た行動を独立して確認する資料にはならない。

証拠の種類を区別する既稿の方法を人物分析へ適用すると、公開された成果物、本人の表明、数量的事実、分析者による解釈、動機の推定を同じ確度で並べないことが基本になる[19]。自己申告を成果物と同じ方法で検査しようとすると役割を誤り、自己申告をそのまま第三者確認済みの事実として扱っても役割を誤る。

公式プロフィールに「金融・資産運用関連のシステム開発に携わった」と記載されている場合、「本人はその経験を公表している」と書ける。勤務先、担当期間、役割、成果を示す別の資料がなければ、「金融システムで卓越した実績を上げた」とは書けない。

二つの表現の差は、文体の慎重さだけではない。前者は、確認した対象が公式プロフィール上の本人の表明であることを保っている。後者は、本人の表明を、業績評価と第三者による裏付けを含む主張へ変換している。

本人が自身の行動理由を説明している場合も、その説明は重要な資料になる。ただし、人間は自分の行動原因を常に完全に把握しているわけではなく、一つの行動に複数の理由が含まれることもある。本人の説明は内面へ直接アクセスする絶対的な答えではなく、本人がどのように経験を理解し、他者へ説明しているかを示す記録である。

自己申告と公開成果物が対応していれば、推測の根拠は強くなる。公式プロフィールで長期安定性を重視すると述べ、公開リポジトリでも互換性、試験、異常時の処理が継続して管理されていれば、表明と成果物の間に整合がある。確認できるのは、その二種類の資料が同じ方向を示していることである。

整合があることから、職場での実績や性格まで確定することはできない。公開プロフィールも公開リポジトリも、本人が公開範囲を決めた資料である。非公開の業務、失敗、他者との調整、状況に応じた例外判断は含まれない可能性がある。

自己申告を適切に使うには、記述の主語を曖昧にしないことが有効である。「本人は公表している」「公式プロフィールには記載されている」「本人は記事中で説明している」と書けば、誰の表明を確認したのかが残る。分析者自身が確認した事実へ移る場合には、「公開コードでは確認できる」「変更履歴には記録されている」と根拠を切り替える。

人物分析の精度は、断定表現を減らすことだけでは高まらない。各文について、誰が述べた内容か、外部から何を確認したか、どの資料を組み合わせて推測したかを追跡できることが必要になる。文末の表現は、その証拠経路を読者へ残すための構造である。

6. 人物の特性を推測できる研究は、人物全体の復元を示していない

6.1 予測が成立するのは、入力と正解をあらかじめ定めた条件の中である

オンライン上の行動記録から、個人の属性や心理尺度を統計的に予測できることを示した研究は存在する。Facebook の「いいね」と、研究参加者が提供した属性情報や心理検査の回答を組み合わせた研究では、行動記録に現れる選択の組み合わせから、複数の属性を一定の精度で予測できることが報告された[20]。

この研究で予測処理が成立するためには、入力と正解の両方が必要になる。入力には参加者が選択した「いいね」があり、正解として扱う値には、本人が提供した属性情報や、所定の質問紙から算出された心理尺度がある。多数の参加者について両者の対応を学習することで、新しい参加者の行動記録から正解側の値を推定する。

別の研究では、同種の行動記録から算出した人格判断を、本人の質問紙回答や知人による評価と比較し、研究で設定された指標において、計算機による判断が人間による判断より高い成績を示した[21]。ここでいう正確さは、研究が採用した人格尺度と評価方法に対する一致度である。本人の内面を余すところなく理解したかどうかを測定したものではない。

個人ウェブサイトを見た観察者が人物印象を形成し、一部の人格特性について、本人や知人の評価と一定の一致を示すことも報告されている[22]。公開情報から人物について何も推測できないという結論は、この種の研究結果と合わない。公開された選択、行動、表現には、本人の特徴と一定の関係を持つ情報が含まれる場合がある。

ただし、予測可能であることと、自由な形式で人物を説明できることは別である。これらの研究では、使用する情報、参加者の範囲、予測する項目、正解とみなす値、性能の測定方法があらかじめ定められている。何を予測したか分からないまま人物像を生成し、もっともらしさによって正しさを判断しているわけではない。

たとえば、「いいね」から所定の人格尺度を予測する処理では、出力すべき項目が固定されている。これに対して、ブログ、GitHub、公式プロフィールを読んで、「知性化によって感情を処理する」「組織ではクッション役が必要である」といった文章を生成する場合、どの観測値からどの評価項目を導いたのか、何を正解として検証するのかが定まっていない。

前者には、入力から評価値までの計算手順と、予測結果を比較する基準がある。後者には、分析者が資料を選び、評価項目を作り、因果関係を補い、文章として整える複数の判断が入る。出力が流暢であっても、その判断を検証する共通の正解が存在するとは限らない。

研究結果を別の資料へ適用する場合には、入力の種類も確認する必要がある。Facebook の「いいね」は、同じサービス上で多数の参加者から比較可能な形式で得られた選択記録である。個人ブログの記事、GitHub のコミット、公式プロフィールは、形式、目的、作成頻度、公開条件が異なる。各資料を同じ特徴量へ変換する方法が定まっていなければ、元の研究で得られた予測性能を引き継ぐことはできない。

対象となる人々の違いも残る。あるサービスの利用者を対象に学習した関係が、別のサービスの利用者や、公開活動の多い特定個人にも同じ形で成立するとは限らない。利用者層、時期、文化、サービスの機能が変われば、同じ行動が持つ意味も変わりうる。

公開情報から人物について推測する可能性を認めるには、同時に、その推測が成立した条件を残さなければならない。予測対象、入力資料、比較基準、対象集団が変われば、別の測定として再検証する必要がある。限定された研究結果を根拠として、任意の公開資料から人格全体を復元できるとは言えない。

6.2 観察しやすい特性と、本人にしか分かりにくい特性がある

人物について、本人と第三者のどちらが正確な情報を持つかは、すべての特性で同じではない。外から反復して観察できる行動については、本人より周囲の方が安定した評価を持つ場合がある。一方、感情、思考、欲求のように外部へ直接現れにくい状態は、本人の方が多くの情報を持つ。

自己と他者の知識非対称モデルでは、特性の観察可能性と評価性によって、本人と他者のどちらが有利かが変わると説明されている[23]。観察可能性とは、対象となる特徴が行動として外部へ現れやすいかどうかである。評価性とは、その特徴について望ましい、望ましくないという評価が入りやすいかどうかである。

公開コードは、使用言語、対応環境、試験対象、エラー処理、文書化の範囲を観察する資料として適している。これらは成果物の中に具体的な実装や規則として現れ、第三者が再確認できる。複数のリポジトリで同じ設計判断が反復していれば、同種の開発で何を重視するかを推測する材料にもなる。

公開コードは、執筆を続ける感情的な理由、他者から評価されたい程度、対立時の感情処理を直接記録していない。詳細なエラー処理が存在することから、不整合に対して心理的な苦痛を感じると結論づける場合、成果物上の設計と内面的な感情を同じものとして扱っている。

公開文章は、扱う主題、引用する資料、採用する説明方法を観察するには適している。構造、意識、責任について繰り返し書いていれば、それらが公開上の関心であると判断できる。文章の目的、読者、推敲過程を越えて、書き手の無意識の動機や日常的な人格まで確定する資料にはならない。

本人の自己申告は、外部から見えにくい経験や意図を知るために必要になる。本人が執筆理由や職務上の関心を明示していれば、その説明を資料として扱える。ただし、自己申告には、記憶、自己評価、説明時の目的による制約がある。本人の説明を無条件の正解とするのでも、外から観察できないという理由で無視するのでもなく、本人による表明として位置付ける必要がある。

第三者による人物評価にも別の制約がある。観察者は、本人が気付いていない行動の反復を捉えられる場合がある一方、観察できる場面が限定されている。GitHub だけを見た評価者は、公開開発での行動を詳しく知ることができても、非公開の職場、家庭、対面での行動を知らない。

資料が豊富であっても、問いと資料の対応がずれていれば、推測の根拠は強くならない。コミット履歴を大量に収集することは、開発上の変更傾向を確認するには有効である。協調性を評価するには、共同作業での提案、レビューへの応答、意見の不一致を調整した履歴などが必要になる。

人物について判断する際には、まず評価対象を決め、次にその対象がどの場面で観察可能かを確認する必要がある。資料が存在するという理由だけで利用するのではなく、その資料が問いに答えられる種類のものかを先に判断する。公開コードが豊富であることは、公開コード以外の領域まで観察可能になったことを意味しない。

6.3 観測値から人格概念へ移るには、測定方法を定義する必要がある

コミット数、記事数、文章の長さ、更新頻度は、一定の規則を決めれば数えられる。生産性、完璧主義、協調性、柔軟性は、画面上にそのまま表示される値ではない。これらは複数の行動や状態をまとめて説明するために作られた理論上の概念である。

直接観察できない概念を扱う場合には、何を観察すればその概念を測定したことになるのかを定めなければならない。心理測定では、使用した指標が想定する概念を本当に表しているかを、構成概念の妥当性として検討する[24]。

コミット数を生産性の指標とする場合には、コミットが作業成果の量を表すという仮定が入る。しかし、コミットは変更を記録する単位であり、分割方法によって件数が変わる。小さな文書修正と、大規模な機能追加も、一件として数えれば同じ値になる。件数だけでは、作業時間、変更規模、品質、利用価値を区別できない。

詳細な開発規約を完璧主義の指標とする場合には、規約の細かさが、本人の曖昧さへの許容度を表すという仮定が入る。実際には、cron で長期間動かすスクリプトでは、終了状態、ログ、設定、権限を明示することに実務上の理由がある。運用条件によって必要になった規則を、人格上の特性へ変換している可能性がある。

長文の記事を承認欲求の指標とする場合には、文章量が他者から評価されたい程度を表すという仮定が必要になる。文章量には、題材の複雑さ、参考文献、媒体の形式、記録目的、再利用方針、執筆支援ツールなど、複数の要因が影響する。文章が長いという観察だけでは、どの原因が寄与したかを分離できない。

計算機システムが能力、危険度、公平性などを扱う際にも、理論上の概念を観測可能な変数へ置き換える必要がある。この置き換えは測定と呼ばれ、何を数え、どのようにまとめ、どの値を高いまたは低いと判断するかに設計者の仮定が入る[25]。

測定方法が概念とずれている場合、処理が正確でも結論は妥当にならない。コミット数を一件も数え間違えずに集計しても、その件数が技術力を表していなければ、技術力の評価としては正しくない。数値処理の正確さは、測定対象の選び方の正しさを補わない。

観測できるもの 推測するために置かれる仮定 直ちには導けない評価 追加で必要な証拠
コミット数 コミット件数が実質的な作業量や成果量に比例すると仮定する。 生産性、技術力、開発者としての総合順位は決まらない。 変更規模、難易度、品質、利用価値、所要時間、比較可能な母集団が必要になる。
長期にわたる保守履歴 長期間の継続が、他の環境でも同じ行動を取る傾向を表すと仮定する。 業務での納期対応、変化への柔軟性、他人の成果物への態度は決まらない。 業務上の意思決定、移行判断、期限との調整、共同作業の記録が必要になる。
詳細な開発規約 規約の細かさが、本人の一般的な曖昧さへの不耐性を表すと仮定する。 他者へ規則を強制する性格、完璧主義、協調性は決まらない。 コードレビュー、合意形成、例外の承認、他者の判断を受け入れた記録が必要になる。
長文の記事 文章量が、特定の心理的な動機や感情処理の方法を表すと仮定する。 承認欲求、防衛機制、感情の安定性は決まらない。 本人の説明、執筆目的、作成過程、別の場面における行動資料が必要になる。
反復する記事テーマ 公開上の関心が、私生活や職務を含む関心全体を代表すると仮定する。 関心を持つ心理的原因や、他の非公開の関心までは決まらない。 本人による動機の説明、公開しなかった活動を含む別資料が必要になる。

人物分析の飛躍は、資料が少ない場合だけに起きるのではない。観測値と評価対象の間に置いた仮定が省略され、測定方法が定義されていない場合にも起きる。大量のデータを正確に処理しても、何を測っているかが曖昧であれば、出力された人物評価の意味も曖昧なままである。

自由形式の人物モデルでは、評価項目が文章生成の途中で追加されやすい。コミット履歴を説明していた段落に完璧主義が現れ、記事のテーマを説明していた段落に防衛機制が現れる。これらの概念について、観測方法、比較基準、反証条件が定義されていなければ、心理学用語を使った解釈であっても測定にはなっていない。

人物の特性を推測するには、少なくとも三つの段階を明示する必要がある。最初に、観測した資料と数値を示す。次に、それらをどの概念の指標として使うかを定義する。最後に、その指標と概念の対応が妥当であることを、別の資料や評価基準で確認する。この経路がなければ、観測事実から人物評価へ移った箇所を検証できない。

公開情報から一定の傾向を推測できることと、人物全体を復元できることの間には、測定対象の選択、指標への変換、別環境への一般化という複数の段階がある。各段階に必要な根拠を示せない場合、結論は「分からない」と残す方が、観測できた事実を正確に保てる。

7. 公開情報から作られるのは、本人ではなく人物モデルである

7.1 人物モデルには、資料の選択、変換、接続が入る

モデル化とは、現実に存在するすべての要素をそのまま複製する作業ではない。扱う対象を決め、観察可能な要素を選び、それらの関係を単純化し、判断に使用しない部分を範囲外へ置く作業である。計算や比較が成立するのは、現実そのものではなく、設計者が選んだ変数と関係によって構成された範囲の中である[26]。

人物について公開情報から説明を作る場合にも、同じ処理が行われる。最初に、公式プロフィール、GitHub、ブログ、Qiita、Zenn、note などから調査対象を選ぶ。次に、コード、コミット数、記事テーマ、職歴の自己申告などを、専門領域、開発方針、関心、人物特性といった分類へ割り当てる。最後に、別々の資料にある内容を一つの因果関係や人物像として接続する。

この三段階では、それぞれ異なる判断が入る。資料の選択では、何を本人の活動として扱うかを決める。分類では、観察した事実をどの概念の証拠とみなすかを決める。接続では、複数の事実が並存しているだけなのか、一方が他方を生じさせたのかを決める。

たとえば、GitHub を中心に資料を選べば、長期保守、後方互換性、監視、自動化を重視する技術者としての像が形成される。ブログを中心にすれば、構造、時間、意識、制度、説明の限界を論じる著述者として見える。AI 関連リポジトリを中心にすれば、生成処理と人間の判断を分離し、失敗範囲を設計する開発者として見える。

これらの説明は互いに排他的ではなく、それぞれ公開情報によって支えられている。しかし、どの資料を中心に置くかによって、人物像の主題と重み付けが変わる。GitHub を起点にすれば哲学的な文章も技術者の設計思想として読まれやすくなり、意識に関する論考を起点にすればバックアップや監視も一つの世界観の表現として読まれやすくなる。

後者の接続には、元の資料に書かれていない因果関係が加わっている。長期保守を重視するコードと、意識についての論考が同じ人物から公開されていることは確認できる。それらが同じ心理的動機から生じたと結論づけるには、本人による説明や、両者の関係を直接示す別の資料が必要になる。

資料を増やせば人物モデルは細かくなるが、本人そのものへ自動的に近づくわけではない。追加された資料も、本人が公開した活動の一部であり、分析者による選択と分類を経てモデルへ入る。情報量が増えるほど、モデルに含まれる変数は増える一方、資料同士を接続する分析者の判断も増える。

人物モデルは、本人についての虚偽であるとは限らない。公開成果物から確認できる範囲を説明するためには有用である。誤りが生じるのは、限定された資料から作ったモデルを、非公開の活動、内面、対人関係まで含む本人全体と同一視したときである。

7.2 観察した環境を外すと、事実から評価までの経路が切れる

人物モデルを作る際には、観察された行動だけでなく、その行動が成立した環境を残す必要がある。技術的に処理しやすい要素だけを抽出すると、制度、組織、関係者、目的、制約がモデルの外へ落ちる。社会と技術が結び付いた事象を過度に抽象化すると、モデル内部では整合した判断であっても、現実への適用に必要な条件を失うことが指摘されている[27]。

個人リポジトリで詳細な開発規約を採用しているという観察は、公開された POLICY と実装から確認できる。この観察を「厳密な品質基準を持つ」という同種の開発方針へ一般化する場合には、一定の根拠がある。そこから「短納期の事業には向かない」と評価すると、判断対象が個人リポジトリから業務上の適性へ変わる。

業務では、納期、予算、顧客要件、既存システム、担当範囲、チーム構成、障害時の影響が判断条件になる。品質をどこまで確保するかは、本人の好みだけでなく、これらの条件との調整によって決まる。個人開発で長期互換性を維持していることから、業務でも古い仕様を常に残すと推測することはできない。

最初の段階では、正しい観察から成果物上の傾向を推測している。次の段階では、成果物上の傾向を人格へ置き換える。さらに、その人格を非公開の業務環境へ適用して組織適性を評価する。結論が遠くなるたびに新しい証拠が必要になるが、その追加がない場合、出発点の正確さだけが最後の評価を支えているように見える。

公開文章についても同じ構造がある。複数の論考で抽象的な概念を扱い、前提や適用範囲を詳しく説明していることは確認できる。そこから「公開文章では抽象的な論述を多用する」と推測できる。「口頭で簡潔に説明する能力が低い」と評価するには、会話、会議、発表、質疑応答の資料が必要になる。

文章と会話では、利用できる時間、修正可能性、相手からの応答、求められる情報量が異なる。推敲可能な長文で採用した方法を、即時の対話へそのまま移すことはできない。公開文章だけを使って口頭能力を評価する場合、媒体の違いがモデルから落ちている。

AI ツールの設計からも、同種の境界が見える。sizu-writer で投稿を自動化せず、ai-digest で生成処理と閲覧処理を分離していることから、公開された AI システムでは人間の確認地点と障害範囲を設計していると推測できる。ここから、組織内でも必ず同じ権限配分を採用する、AI への委任を一般に嫌っている、とまでは言えない。

ある環境で観察した行動を別の環境へ移すには、二つの環境で判断条件がどの程度一致するかを確認しなければならない。目的、制約、関係者、失敗時の損失が異なれば、同じ人物でも別の判断を選びうる。人物の一貫性を仮定するだけでは、環境差を埋める証拠にはならない。

確認した事実 同じ環境で推測できること 環境を越えた評価 追加で必要な資料
個人リポジトリに詳細な POLICY と長期保守履歴がある 対象リポジトリでは、明示性、互換性、保守性を重視している。 短納期開発への適性や、他者へ規則を強制するかは決まらない。 業務上の優先順位、レビュー、例外判断、納期対応の記録が必要になる。
公開論考で抽象的な概念を段階的に説明している 公開文章では、前提と論理展開を詳しく記述する傾向がある。 口頭説明の能力や日常会話の性質は決まらない。 会議、発表、質疑応答、対話の記録が必要になる。
公開 AI ツールで人間の確認工程を残している 対象ツールでは、AI の処理範囲と責任境界を分離している。 あらゆる業務で自動化を避ける姿勢とは限らない。 業務上の用途、損失条件、権限設計、実際の運用記録が必要になる。

誤った人物像は、虚偽の資料だけから作られるわけではない。正しい観察から妥当な傾向を導き、その傾向を条件の異なる環境へ持ち出した場合にも作られる。評価対象を移すたびに、観察した環境と新しい環境を結ぶ証拠が必要になる。

7.3 人物モデルには、資料範囲、用途、限界、訂正経路を付ける

人物モデルが本人全体を表さない以上、完成した人物説明だけを残しても、後から妥当性を確認できない。どの資料を使い、どの期間を対象とし、何を目的として作り、どの判断には使用できないかを記録する必要がある。

自然言語処理の研究では、データの対象集団、収集条件、言語、作成者、利用範囲を文書化することで、研究結果をどこまで一般化できるかを判断しやすくする方法が提案されている[28]。機械学習モデルについても、想定用途、対象外の用途、評価条件、性能差、既知の限界をモデルカードへ記録する考え方がある[29]。

人物分析では、最初に資料範囲を記録する。公式サイト、GitHub、ブログ、各投稿媒体のうち、実際に確認した公開先を列挙し、対象期間を明示する。検索結果に表示された一部の記事だけを使ったのか、リポジトリの履歴まで確認したのかによって、結論を支える範囲が変わる。

次に、証拠の種類を記録する。コードやコミットのように外部から直接確認できるもの、公式プロフィール上の自己申告、複数の資料から推測した傾向、対応する資料がなく判断できない事項を分ける。人物説明の各文がどの区分に属するかを追跡できれば、推測が事実として再利用されることを防ぎやすい。

用途の明示も必要になる。公開している技術分野を把握する目的であれば、GitHub、技術記事、公式プロフィールは有力な資料になる。採用可否、管理職への適性、臨床的な診断を判断する目的では、同じ資料だけでは不足する。資料が正確であっても、利用目的が変われば妥当性も変わる。

対象外の用途は、一般的な注意書きではなく、欠けている証拠と対応させて記録する。「組織適性には使えない」とだけ書くのではなく、共同作業、納期、対立時の行動、同僚評価を確認していないため判断できないと示す。判断不能の理由が分かれば、将来どの資料を追加すれば再評価できるかも明確になる。

訂正経路には、原典の URL、確認日、参照箇所、推測に使った複数資料を残す。記事や README は更新され、コミット数や公開プロフィールの内容も変わる。確認時点を記録しなければ、後から数値が変化した場合に、当時の誤りなのか、公開情報の更新なのかを区別できない。

記録項目 記録する内容 省略した場合に起きること
作成目的 公開活動の概要、専門分野の確認、執筆傾向の整理など、人物モデルを作成する目的を記載する。 当初の目的を越えて、採用、配置、臨床判断などへ転用されやすくなる。
資料範囲 確認した公開先、対象期間、検索方法、取得できなかった資料を記載する。 一部の媒体から得た像が、公開活動全体を代表しているように扱われる。
証拠の区分 公開物、自己申告、複数資料からの推測、判断不能を分離する。 自己申告や推測が、第三者確認済みの事実として再利用される。
推測の根拠 どの反復、比較、対応関係から傾向を導いたかを記載する。 分析者の印象と資料に基づく推論を区別できなくなる。
適用可能な範囲 公開開発、公開文章など、観察した環境と同種の範囲を示す。 成果物上の傾向が、人格、私生活、組織適性へ拡張される。
判断不能事項 不足している証拠と、判断を更新するために必要な資料を示す。 空白が既知の人物類型や心理学的な説明で補われる。
訂正経路 原典の URL、確認日、引用箇所、更新履歴を記録する。 誤りを特定できず、公開情報の更新にも追随できなくなる。

この記録は、人物分析を慎重に見せるための付属文書ではない。人物モデルを検証し、更新し、誤った用途への転用を防ぐための構成要素である。説明文だけが残り、資料範囲と推測経路が失われれば、その人物像は原典へ戻れない固定的な評価になる。

詳細な人物像を完成させることより、どの公開情報から、どの操作を経て、どこまでの像を作ったかを残す方が、分析としての価値は高い。人物モデルが限定された資料と目的の上に成立していることを明示すれば、後から新しい資料が加わった場合にも、どの結論を維持し、どの結論を訂正すべきかを判断できる。

8. 「わからない」を残すことが分析を完成させる

8.1 資料を増やすと詳しくなる範囲は、資料の種類によって決まる

数千件のコミットを読めば、公開リポジトリで繰り返された設計判断については詳しくなる。互換性、試験、異常時の処理、文書、導入方法のうち、何が長期間にわたって保守されてきたかを確認できる。数百本の記事を読めば、公開文章で反復される主題、引用する資料、説明の組み立て方も詳しく分かる。

このとき増えているのは、同じ種類の活動についての観察である。コミットを追加すれば、コード上の判断に関する証拠が増える。記事を追加すれば、公開文章上の関心と論述方法に関する証拠が増える。資料の反復によって、偶然の一例と継続的な傾向を区別しやすくなる。

一方、同じ種類の資料を増やしても、別の場面が観察可能になるわけではない。コミットをさらに一万件読んでも、非公開の職場で意見が対立した際に、どのように合意を作るかは直接確認できない。記事をさらに百本読んでも、執筆時に何を感じ、なぜその題材を選んだかを一つの心理的原因へ確定することはできない。

資料の量が別の問いに答えられないのは、観察対象が変わっていないためである。コードには、採用した実装、修正した不具合、残した互換性が記録される。共同作業上の協調性には、提案、レビューへの応答、意見の不一致、役割分担、例外の承認といった別の行動が必要になる。

内面的な動機については、本人による説明が資料になりうる。ただし、本人の説明から確認できるのは、本人が自身の経験や意図をどのように理解し、表明しているかである。一つの行動に複数の理由が関わる場合もあり、後から説明された理由と、行動を生じさせたすべての原因が一致するとは限らない。

資料の量が増えると、観察可能な領域の解像度は上がる。しかし、その領域の外側が自動的に埋まるわけではない。人物分析の射程を決めるのは、取得件数ではなく、判断したい問いに対応する種類の資料が存在するかどうかである。

人物モデルは本人そのものではないが、本人の反応や判断を予測する情報として利用されると、本人が受ける評価や働きかけを変える。脳や行動に関する情報から作られた人格モデルについても、モデルと本人を同一視できない一方、評価や誘導のために利用されうることを既稿で論じた[30]。モデルの範囲を越えた推測は、説明上の誤りにとどまらず、本人への処遇へ接続する可能性がある。

8.2 判断不能は、何が不足しているかを示す分析結果である

公開情報だけでは、協調性、感情の安定性、承認欲求、心理的防衛、マネジメント能力、短納期開発への適性などを判断できない。これらについて「不明」とする理由は、資料が少ないという一般的な不足ではない。公開コードや公開文章が、評価対象となる行動を直接記録していないためである。

判断不能を分析結果として成立させるには、評価対象と不足している証拠を対応させる必要がある。「協調性は分からない」とだけ書くより、共同作業における提案、譲歩、対立時の対応、他者からの評価を確認していないため判断できないと記述する。判断できない理由を明示すれば、単なる調査不足と、公開資料では到達できない範囲を区別できる。

さらに、どの資料が加われば判断を更新できるかを示す。共同開発のレビュー履歴が得られれば、指摘への応答や合意形成を観察できる。特定業務における役割、期限、品質、成果が確認できれば、その条件下での職務遂行を評価できる。必要な資料を定められない評価項目は、そもそも測定方法が定義されていない可能性がある。

判断不能事項 現在の資料で不足する理由 判断を更新するための資料
協調性 個人の成果物は、他者との意見調整や役割分担を直接記録していない。 共同開発の議論、レビューへの応答、対立時の調整、同僚による評価が必要になる。
マネジメント能力 個人リポジトリの管理と、他者の目標、進捗、評価を管理する行動は異なる。 担当人数、意思決定、委任、育成、成果、関係者による評価が必要になる。
短納期開発への適性 長期保守の履歴だけでは、期限下で何を残し、何を省略するかを確認できない。 期限、要求範囲、品質条件、実際の選択、納品結果が必要になる。
承認欲求 記事数や文章量には、記録、共有、再利用、媒体運用など複数の理由が関わる。 本人による動機の説明と、評価の有無によって行動がどう変わるかを示す資料が必要になる。
心理的防衛 技術上の抽象化や論理的な文体は、執筆方法として説明でき、感情処理を直接示さない。 対象となる心理概念を定義し、適切な面接、観察、専門的評価を行う必要がある。

すべての項目を埋めた人物像は、調査が完了したように見える。ところが、資料のない部分を既知の人物類型や心理学用語で補うと、分析の空白が消える代わりに、検証経路も消える。「厳密な規約を作る」「長文を書く」「意識について論じる」という観察が、一つの人格特性や心理的動機によって説明されるようになる。

このとき文章上のつながりは強くなるが、証拠上のつながりは弱くなる。複数の行動が一つの原因で説明されるため、人物像は理解しやすく見える。一方、その原因を直接支える資料がなければ、反証する方法もない。新しい資料が加わっても、人物像に合う部分だけを取り込み、合わない部分を例外として処理できてしまう。

判断不能を残すことは、この閉じた説明を避ける働きを持つ。どこまで確認できたか、どの推測には複数の根拠があるか、どの問いには対応する資料がないかを分ければ、新しい資料によって結論を更新できる。分析の完成度は、空欄の少なさではなく、訂正可能な形で射程を定められているかによって評価される。

8.3 人物モデルは、説明から評価と介入へ移される

人物についての推測は、文章上の紹介に使われるだけではない。欧州連合の一般データ保護規則は、個人データを用いて、勤務成績、経済状態、健康、嗜好、関心、信頼性、行動、位置などを評価または予測する自動処理を、プロファイリングとして定義している[31]。

この定義が示すのは、人物モデルが記述と判断の間に置かれることである。最初に、公開情報から「長期保守を重視する」「抽象的な文章を書く」「AI の委任範囲を限定する」といった特徴を抽出する。次に、それらを「特定の仕事に向く」「変化への適応が低い」「この説明方法が有効である」といった予測へ変換する。最後に、その予測を採用、配置、広告、信用判断、接触方法の選択へ利用する。

この経路では、人物モデルに含まれる誤りが本人への扱いへ移る。長期保守を重視する公開リポジトリから「短納期の仕事に向かない」と誤って推測すれば、その推測が選考や配置の判断材料になる可能性がある。本人の実際の行動を観察する前に、モデルが機会の与え方を変える。

人物モデルは、働きかける内容の選択にも使われる。推定した心理特性に広告表現を合わせることで、特定の実験条件ではクリックや購買行動に差が生じたことが報告されている[32]。この研究から、あらゆる人物モデルが同じ効果を持つとは言えない。ただし、人物についての推測が、説明ではなく介入の設計へ利用される具体例にはなる。

介入が加わると、人物モデルは観察対象にも影響しうる。ある人を「詳細な説明を好む」と推測し、常に長い資料だけを提示すれば、その人が短い説明へどう反応するかを観察する機会が減る。「変化を嫌う」と評価して新しい業務を任せなければ、新しい環境での適応能力を確認できない。モデルに基づく処遇が、後に取得される資料をモデルに合う方向へ偏らせる可能性がある。

AI のリスク管理では、出力の精度だけでなく、利用状況、影響を受ける関係者、誤りが生じた場合の損失、責任、継続的な監視を含めて管理する枠組みが提示されている[33]。生成 AI についても、情報の完全性、人間による監督、出力の記録、根拠へ戻る経路を管理する必要がある[34]。

人物分析へ適用する場合、文章が自然であるかより先に、利用目的を確認する必要がある。公開活動を概観する目的と、採用可否を判断する目的では、必要な証拠と誤りの影響が異なる。前者では不正確な説明が訂正記事で済む場合がある。後者では、本人が知らないまま機会を失う可能性がある。

利用目的が重いほど、自己申告、公開成果物、推測、判断不能の区分を厳密に保つ必要がある。推測を判断材料として使う場合には、推測方法、比較基準、誤りの可能性、本人による訂正経路が必要になる。対応する証拠を確認できない項目は、評価値を埋めるより、判断対象から外す方が妥当である。

8.4 公開情報から語れる範囲を残す

公開情報から人物について語ることはできる。コードからは、採用された言語、試験、互換性、エラー処理、文書化を確認できる。変更履歴と方針文書を照合すれば、公開開発で反復する判断傾向も推測できる。公開文章からは、継続的に扱う主題、引用する資料、説明の組み立て方を観察できる。公式プロフィールからは、本人がどのような経歴と関心を公表しているかを知ることができる。

それらを接続して得られるのは、公開された活動の一部を、特定の目的に合わせて整理した人物モデルである。本人が何を公開したかという選択に、分析者が何を収集し、どう分類し、どの関係を与えたかという選択が重なる。完成した人物像には、本人の活動だけでなく、分析方法も反映されている。

情報を多く集めるほど、人物全体へ近づくとは限らない。資料が増えることで詳しくなるのは、その資料が観察している領域である。コードを増やせばコード上の判断が、記事を増やせば公開文章上の関心が詳しくなる。内面、人格、非公開環境での行動には、それぞれ別の資料と測定方法が必要になる。

人物分析を完成させる条件は、すべてを一つの説明へ収めることではない。外部から直接確認できる事実、本人が公表した自己申告、複数の成果物から導いた推測、公開情報では判断できない事項を分けることである。各記述について原典、確認時点、推測の経路、適用範囲を残せば、新しい資料によって訂正できる。

公開情報から何が言えるかという問いへの答えは、情報が多ければ人物を深く理解できる、というものではない。公開された成果物と表明からは、その範囲に対応する行動と判断を詳しく記述できる。そこから先を語るには、問いに対応する別の証拠が必要になる。証拠が存在しない箇所を「わからない」と残すことによって、確認できた事実まで推測の物語へ取り込まれることを防げる。

参考文献

  1. id774.net, About Me. https://www.id774.net/index-ja.html
  2. GitHub, id774. https://github.com/id774
  3. GitHub, id774/scripts. https://github.com/id774/scripts
  4. GitHub, id774/scripts, POLICY. https://github.com/id774/scripts/blob/master/doc/POLICY
  5. Eirini Kalliamvakou, Georgios Gousios, Kelly Blincoe, Leif Singer, Daniel M. Germán and Daniela Damian, “The Promises and Perils of Mining GitHub,” Proceedings of the 11th Working Conference on Mining Software Repositories, pp. 92–101, 2014. https://doi.org/10.1145/2597073.2597074
  6. Nuthan Munaiah, Steven Kroh, Craig Cabrey and Meiyappan Nagappan, “Curating GitHub for Engineered Software Projects,” Empirical Software Engineering, Vol. 22, No. 6, pp. 3219–3253, 2017. https://doi.org/10.1007/s10664-017-9512-6
  7. Laura Dabbish, Colleen Stuart, Jason Tsay and Jim Herbsleb, “Social Coding in GitHub: Transparency and Collaboration in an Open Software Repository,” Proceedings of the ACM 2012 Conference on Computer Supported Cooperative Work, pp. 1277–1286, 2012. https://doi.org/10.1145/2145204.2145396
  8. GitHub, id774/sizu-writer. https://github.com/id774/sizu-writer
  9. GitHub, id774/ai-digest. https://github.com/id774/ai-digest
  10. David Lazer et al., “Computational Social Science,” Science, Vol. 323, No. 5915, pp. 721–723, 2009. https://doi.org/10.1126/science.1167742
  11. danah boyd and Kate Crawford, “Critical Questions for Big Data: Provocations for a Cultural, Technological, and Scholarly Phenomenon,” Information, Communication & Society, Vol. 15, No. 5, pp. 662–679, 2012. https://doi.org/10.1080/1369118X.2012.678878
  12. Zeynep Tufekci, “Big Questions for Social Media Big Data: Representativeness, Validity and Other Methodological Pitfalls,” Proceedings of the International AAAI Conference on Web and Social Media, Vol. 8, No. 1, pp. 505–514, 2014. https://doi.org/10.1609/icwsm.v8i1.14517
  13. Alexandra Olteanu, Carlos Castillo, Fernando Diaz and Emre Kıcıman, “Social Data: Biases, Methodological Pitfalls, and Ethical Boundaries,” Frontiers in Big Data, Vol. 2, Article 13, 2019. https://doi.org/10.3389/fdata.2019.00013
  14. Arvind Narayanan and Vitaly Shmatikov, “De-anonymizing Social Networks,” 2009 30th IEEE Symposium on Security and Privacy, pp. 173–187, 2009. https://doi.org/10.1109/SP.2009.22
  15. id774, この物量の文章を、一体誰が検証できるのか（2026-07-30）. https://blog.id774.net/entry/2026/07/30/5160/
  16. Helen Nissenbaum, “Privacy as Contextual Integrity,” Washington Law Review, Vol. 79, No. 1, pp. 119–158, 2004. https://digitalcommons.law.uw.edu/wlr/vol79/iss1/10/
  17. Alice E. Marwick and danah boyd, “I Tweet Honestly, I Tweet Passionately: Twitter Users, Context Collapse, and the Imagined Audience,” New Media & Society, Vol. 13, No. 1, pp. 114–133, 2011. https://doi.org/10.1177/1461444810365313
  18. Bernie Hogan, “The Presentation of Self in the Age of Social Media: Distinguishing Performances and Exhibitions Online,” Bulletin of Science, Technology & Society, Vol. 30, No. 6, pp. 377–386, 2010. https://doi.org/10.1177/0270467610385893
  19. id774, Empire of AI から何をどこまで読み取れるか（2026-08-01）. https://blog.id774.net/entry/2026/08/01/5123/
  20. Michal Kosinski, David Stillwell and Thore Graepel, “Private Traits and Attributes Are Predictable from Digital Records of Human Behavior,” Proceedings of the National Academy of Sciences, Vol. 110, No. 15, pp. 5802–5805, 2013. https://doi.org/10.1073/pnas.1218772110
  21. Wu Youyou, Michal Kosinski and David Stillwell, “Computer-Based Personality Judgments Are More Accurate Than Those Made by Humans,” Proceedings of the National Academy of Sciences, Vol. 112, No. 4, pp. 1036–1040, 2015. https://doi.org/10.1073/pnas.1418680112
  22. Simine Vazire and Samuel D. Gosling, “e-Perceptions: Personality Impressions Based on Personal Websites,” Journal of Personality and Social Psychology, Vol. 87, No. 1, pp. 123–132, 2004. https://doi.org/10.1037/0022-3514.87.1.123
  23. Simine Vazire, “Who Knows What About a Person? The Self–Other Knowledge Asymmetry Model,” Journal of Personality and Social Psychology, Vol. 98, No. 2, pp. 281–300, 2010. https://doi.org/10.1037/a0017908
  24. Lee J. Cronbach and Paul E. Meehl, “Construct Validity in Psychological Tests,” Psychological Bulletin, Vol. 52, No. 4, pp. 281–302, 1955. https://doi.org/10.1037/h0040957
  25. Abigail Z. Jacobs and Hanna Wallach, “Measurement and Fairness,” Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, pp. 375–385, 2021. https://doi.org/10.1145/3442188.3445901
  26. id774, 判断が成立する世界はどのように設計されるか（2026-02-04）. https://blog.id774.net/entry/2026/02/04/3468/
  27. Andrew D. Selbst, danah boyd, Sorelle A. Friedler, Suresh Venkatasubramanian and Janet Vertesi, “Fairness and Abstraction in Sociotechnical Systems,” Proceedings of the 2019 Conference on Fairness, Accountability, and Transparency, pp. 59–68, 2019. https://doi.org/10.1145/3287560.3287598
  28. Emily M. Bender and Batya Friedman, “Data Statements for Natural Language Processing: Toward Mitigating System Bias and Enabling Better Science,” Transactions of the Association for Computational Linguistics, Vol. 6, pp. 587–604, 2018. https://doi.org/10.1162/tacl_a_00041
  29. Margaret Mitchell et al., “Model Cards for Model Reporting,” Proceedings of the Conference on Fairness, Accountability, and Transparency, pp. 220–229, 2019. https://doi.org/10.1145/3287560.3287596
  30. id774, 脳のデータは誰のものか（2026-05-27）. https://blog.id774.net/entry/2026/05/27/4812/
  31. European Parliament and Council, Regulation (EU) 2016/679, General Data Protection Regulation, Article 4(4), 2016. https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng
  32. Sandra C. Matz, Michal Kosinski, Gideon Nave and David J. Stillwell, “Psychological Targeting as an Effective Approach to Digital Mass Persuasion,” Proceedings of the National Academy of Sciences, Vol. 114, No. 48, pp. 12714–12719, 2017. https://doi.org/10.1073/pnas.1710966114
  33. National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, 2023. https://doi.org/10.6028/NIST.AI.100-1
  34. Chloe Autio et al., Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 2024. https://doi.org/10.6028/NIST.AI.600-1