【Human–AI Relations 領域0】横断総論 ―― AI支援・委任・依存・自律・責任を混同しないための監査規格
Human–AI Relations 監査インデックス β
領域 0 / Domain 0
横断総論 / Cross-Domain Audit Protocol
AI支援・委任・依存・自律・責任を、同じ言葉で混同しないための監査規格
0. Document Status
Document Type: Cross-Domain Audit Protocol / Publication Version
Domain: Cross-Domain Human–AI Relations Audit
Status: Publication Closure
Theory Status: 新しい包括的Human–AI Relations Theoryの提案ではない
Primary Function: Human–AI Relations各領域で、Claim Type、Evidence Layer、Evidence Status、Outcome、Time Horizon、Authority、Decision Formation、Influence、Execution、Responsibilityを同一規格で監査する
Scope: Domain 1〜12に共通する横断監査規格
Parent Protocol: None — 本文書がシリーズ全体のParent Protocol
Primary Audit Unit: Person × AI/System × Task × Goal × Context × Organization × Infrastructure × Outcome × Time Horizon
本領域は、Human–AI Relations 監査インデックス β 全体に共通する監査規格を定める。
目的は、新しい包括的な「人間とAIの理論」を提案することではない。
教育、意思決定、信頼、コミュニケーション、親密関係、Mental Health（心理・精神的健康）、Care（ケア）、Accessibility（アクセシビリティ）、Work（労働・組織）、Safety（安全）、Governance（統治）、Finance（金融）といった異なる領域で、
同じAIという言葉を使っているために、異なるOutcome、異なるEvidence、異なるResponsibilityを一つにまとめてしまうこと
を防ぐための横断的な監査規格である。
本稿は、
Cross-Domain Audit Protocol（領域横断監査プロトコル）
として位置づける。
これは新Theory、新しい心理尺度、新しい5次元Model、既存理論を統合した大理論ではない。
1. Domain
本領域は、Human–AI Relations 監査インデックス β 全体に共通する監査規格を扱う。
個別Domainの内容を一つのTheoryへ統合するのではなく、
何を観測したのか
何を測定したのか
どの種類のClaimなのか
どのEvidenceが直接支持するのか
どこからがInterpretive Inferenceなのか
どのPopulation / System / Contextへ適用できるのか
どのTime HorizonまでEvidenceが届いているのか
を同じ形式で比較可能にする。
2. Core Question
中心問いは次である。
AIが人間の判断・行動・能力・関係・制度に関与したとき、実際に何が変化し、何が変化したとはまだ言えず、誰がどこまでControlとResponsibilityを持っているのか。
この問いを扱うためには、
AIが何をしたか
人間が何をしたか
人間側に何が残ったか
誰が選択したか
誰が実行したか
誰が影響を受けたか
何をOutcomeとして測ったか
どの時間軸で測ったか
どのSystemを対象にしたか
どの研究伝統・Evidenceを使ったか
を分離する必要がある。
3. 基本原則
本シリーズでは、一つの観測結果から広い意味を自動的に推論しない。
特に次の短絡を避ける。
遂行成績（Performance） ≠ 学習（Learning）
支援中の課題成績だけでは、人間側に持続的・転移可能・独立して実証可能なLearningが成立したとは言えない。
依存（Dependence） ≠ 自律喪失（Autonomy Loss）
AIへの依存だけでは、自律喪失を意味しない。
同時に、
依存（Dependence） ≠ 自律維持（Autonomy Preservation）
AIへの依存だけでは、自律が維持されていることも意味しない。[D0-S03]
信頼（Trust） ≠ 依存的利用（Reliance）
Trustという態度と、実際にAIを採用・利用するRelianceという行動は同一ではない。[D0-S01]
依存的利用（Reliance） ≠ 適切な利用（Appropriate Reliance）
AIを利用することと、Systemの実際の能力・限界に応じて適切に利用することも同一ではない。[D0-S01]
確信度（Confidence） ≠ 正確性（Accuracy）
本人が自信を持っていることと、判断が正しいことは別である。
説明（Explanation） ≠ 理解（Understanding）
説明が提示されたことだけでは、理解したとは言えない。
説明（Explanation） ≠ 較正（Calibration）
説明が存在しても、AIが正しい場合と誤っている場合を適切に見分けられるとは限らない。
検出（Detection） ≠ 予防（Prevention）
問題を検出したことだけでは、問題を防いだことにはならない。
警告（Alert） ≠ 介入（Intervention）
警告が発生しただけでは、介入が実行されたことにはならない。
介入（Intervention） ≠ 安全なOutcome（Safe Outcome）
介入が行われても、安全が保証されたとは限らない。
人間の存在（Human Presence） ≠ 実効的監督（Effective Oversight）
人間がSystem内に存在することだけでは、有効な監督が成立したとは言えない。
人間による最終承認（Human Final Approval） ≠ 人間主導の判断形成（Human-led Decision Formation）
最終承認を人間が行ったことだけでは、判断形成が人間主導だったとは言えない。
個別化（Personalization） ≠ 本人中心性（Person-Centeredness）
個人に合わせてOutputを変えることだけでは、本人のValues、Preferences、Goalsを中心にした支援とは言えない。
実行（Execution） ≠ 責任（Responsibility）
実際に操作・実行した主体と、法的・組織的・専門的・道徳的Responsibilityを負う主体は同じとは限らない。
認知的オフローディング（Cognitive Offloading） ≠ 技能低下（Skill Degradation）
External Resourceへ認知処理を移したことだけでは、Long-term Skill Degradationを確立できない。[D0-S12]
これらは主としてConceptual Non-entailment（概念上の非含意）であり、単純なA–F Evidence Statusで格付けする対象ではない。
4. Claim Type
各主要Claimは、Evidenceを評価する前に種類を明示する。
概念的Claim（Conceptual）
概念の定義、区別、非同一性、非含意。
例：
TrustとRelianceは同一ではない。
記述的Claim（Descriptive）
何が観察されたか。
例：
特定研究でAI利用者の作業時間が減少した。
因果Claim（Causal）
XがYを変化させたというClaim。
例：
AI導入がTask Performanceを改善した。
予測Claim（Predictive）
ある条件から将来Outcomeを予測するClaim。
例：
Provider Dependenceが将来的なContinuity Riskを増加させる。
規範的Claim（Normative）
何をすべきか、何が望ましいか。
例：
High-risk AIには異議申立て手段を設計すべきである。
法的Claim（Legal）
特定法域における権利、義務、権限、禁止。
例：
特定法域でProviderに特定の義務が課される。
重要なのは、
概念上の区別（Conceptual Distinction）
≠ 実証的知見（Empirical Finding）
≠ 規範的推奨（Normative Recommendation）
≠ 法的義務（Legal Obligation）
である。
5. Evidence Layer
主張を支える根拠は、その出所を4層へ分ける。
Layer A — 既存研究伝統（Existing Research Tradition）
AI以前を含む確立された関連研究。
例：
Learning Sciences
Human Factors
Trust in Automation
Assistive Technology
Decision Science
Relationship Science
Sociotechnical Systems
Layer B — AI直接実証（Direct AI-Specific Evidence）
LLM、Generative AI、AI Decision Support、AI Companionなど、現在のAIを直接対象としたEvidence。
Layer C — 隣接Evidence（Adjacent Evidence）
Automation、Classic Decision Support、AAC、CMC、Roboticsなど、AIに近いが対象Systemが異なるEvidence。
Layer D — 解釈的推論（Interpretive Inference）
Layer A〜CからHuman–AI Relationsへ接続する解釈。
Evidence Layer ≠ Evidence Status
である。
6. Evidence Status
A–Fは主として具体的なEmpirical / Causal / Predictive Claimに使用する。
単純な順位尺度として扱わない。
A — 明示範囲内で確立（Established within stated scope）
明示したPopulation、System、Outcome、Contextの範囲で十分に確立している。
B — 直接的実証支持（Direct empirical support）
対象Claimを直接扱う実証Evidenceがある。
C — 間接的 / 理論整合的支持（Indirect / theory-consistent support）
直接Evidenceは限定的だが、既存研究・Adjacent Evidence・Theoryと整合する。
D — 未検証推論（Untested inference）
合理的に考えられるが、直接検証されていない。
E — 現時点でEvidence不足 / 判定不能（Evidence currently insufficient / indeterminate）
研究不足、結果の不一致、測定不足などにより方向を十分判定できない。
F — 反証・矛盾（Contradicted）
明示したClaimがEvidenceと明確に矛盾している。
重要なのは、
Unsupported（未支持） ≠ Contradicted（反証済み）
である。
Evidenceが不足しているClaimを、自動的にFへ入れない。
Conceptual、Normative、Legal Claimには、必要がない限りA–Fを使用しない。
7. Scopeを必ず付ける
Evidence Statusには可能な範囲で、
Population
AI / System
Context
Outcome
Time Horizon
を付ける。
たとえば、
AI improves learning — B
だけでは不十分である。
より安全なのは、
特定Population、特定Task、特定AI Tutor、特定Assessment ConditionにおいてImmediate Learning Outcomeの改善が観察された — B
のような記述である。
8. 5つの横断監査質問
異なるDomainを比較するため、5つのAnalytic Questionsを使用する。
これは新しい5次元TheoryでもValidated Scaleでもない。
既存のHuman Factors、Function Allocation、Decision Support、Advice-Taking、Sociotechnical Systems、Responsibility研究等と重複する区別を、横断監査用にまとめた、
非網羅的かつ非直交的なAnalytic Questions
である。[D0-S02]
権限（Authority）
誰が、受容・拒否・変更・停止を決める形式的・実質的Authorityを持つか。
見るもの：
受容（Accept）
拒否（Reject）
変更（Modify）
上書き・介入（Override）
停止（Stop）
委任（Delegate）
エスカレーション（Escalate）
Formal Authorityと、実際に行使可能なAuthorityを分ける。
判断形成（Decision Formation）
情報、選択肢、Recommendation、Ranking、Defaultはどのように構成されたか。
見るもの：
誰がOptionを生成したか
何が除外されたか
Recommendationは誰が作ったか
Rankingは誰が決めたか
Information Provenanceは何か
Defaultは誰が設定したか
影響（Influence）
AIまたはContextが、人間の判断・行動を実際に変化させたことを示すEvidenceはあるか。
AI Outputが表示されたことだけではInfluenceを確立しない。
Exposure（提示・接触） ≠ Influence（影響）
である。
Influenceには、比較・実験・縦断等によるEvidenceが必要になる場合がある。
実行（Execution）
最終的なActionを誰または何が実行したか。
実行主体は、
人間（Human）
AI
Software Agent
Organization
Physical Robot
Combined System
などになり得る。
Decision FormationとExecutionを分離する。
責任（Responsibility）
事前・事後に、異なる種類のResponsibilityが誰へ割り当てられているか。
最低限、
Legal Responsibility（法的責任）
Professional Responsibility（専門職責任）
Organizational Responsibility（組織責任）
Operational Responsibility（運用責任）
Moral Responsibility（道徳的責任）
を区別する。
Responsibilityは単一の量ではない。
9. 5項目だけでは足りない
5つの監査質問はExhaustiveではない。
全Domainで、別に最低限次を確認する。
利用可能な情報（Information Available）
誰が何を見ることができるか。
観測可能性（Observability）
Systemの状態、異常、不確実性、代替案が見えるか。
時間（Time）
人間が判断・介入する時間があるか。
可逆性（Reversibility）
誤ったActionを元に戻せるか。
異議申立て可能性（Contestability）
AIまたは組織の判断へ異議を申し立て、修正を求められるか。
これらは「第6〜10軸」ではない。
Cross-domain Context Descriptorsとして扱う。
10. Additional Context Descriptors
必要に応じて、
Workload（作業負荷）
Expertise（専門性）
Information Quality（情報品質）
Organizational Capacity（組織能力）
Time-to-intervene（介入までに利用可能な時間）
Safe Recovery（安全な回復）
Alternative Options（代替選択肢）
Switching Cost（切替コスト）
Provider Dependence（提供者依存）
なども確認する。
同じAI Systemでも、これらの条件によってOutcomeは変化し得る。
11. Autonomy Audit
Autonomyを一つの単純尺度へ圧縮しない。
最低限、次をAudit Questionsとして確認する。
Goalを本人が選べるか
Recommendationを拒否できるか
Delegation範囲を変更できるか
AIを停止できるか
Providerを切り替えられるか
代替手段があるか
DecisionをContestできるか
Providerと本人の利益相反があるか
SupportによってChoiceが増えるか減るか
これらはValidated Autonomy Scaleではない。
また、
Psychological Autonomy（心理的自律）
Legal Capacity（法的能力）
Functional Independence（機能的自立）
Self-Determination（自己決定）
Relational Autonomy（関係的自律）
を一つのConstructへ統合しない。
特に、
AIへの依存（Dependence on AI）だけでは、自律喪失の十分な証拠にも、自律維持の十分な証拠にもならない。
とする。
Assistive Technologyでは、継続支援とChoice、Control、Participation、Perceived Independenceが両立し得るEvidenceが存在するが、それをAI Dependence一般の因果法則へ拡張しない。[D0-S03]
12. Success ConditionはDomainごとに異なる
AIを外した状態で能力が残ることが重要なDomainもあれば、AIを継続利用した状態で目的が達成されることが重要なDomainもある。
Learning
InternalizationがTargetなら、
AI-off Performance
Delayed Retention
Transfer
などが重要になり得る。
Accessibility
Permanent SupportがTargetなら、
AIを継続利用しながらParticipationやChoiceが増えること
自体が正当なOutcomeになり得る。
したがって、
支援を外せること
を全Domain共通のSuccess Criterionにはしない。
同時に、
支援込みでTaskができたこと
をIndividual CapabilityやAutonomyのEvidenceへ自動変換しない。
13. System Descriptors
AI Systemを単純な「情報型 / 物理型」の二分法だけで分類しない。
少なくとも次のCapabilityを記述する。
情報処理能力（Informational Capability）
Search
Summarization
Prediction
Recommendation
Explanation
Generation
デジタル行為能力（Digital-Action Capability）
Message送信
File変更
Transaction
Scheduling
Account操作
Software操作
物理行為能力（Physical-Action Capability）
Robot
Vehicle
Medical Device
Industrial Equipment
Embodied Agent
一つのSystemが複数Capabilityを持つ場合がある。
14. 分析Level / Locus
Human–AI Relationを個人だけへ還元しない。
最低限、
個人（Individual）
二者関係（Dyadic）
集団 / チーム（Group / Team）
組織（Organization）
制度（Institution）
Platform / Infrastructure（プラットフォーム / 基盤）
をAnalysis Lociとして扱う。
これらは単純な上下階層ではない。
複数Levelを跨いでFeedbackし、Outcomeを形成し得る。
Sociotechnical Systems研究は、Technical Component単独ではなく、Human、Organization、Workflow、Institution等を含むSystemとして分析する必要性を支持する。[D0-S04]
15. Trust / Reliance
Trust in Automationの研究伝統を使用するが、
Trust = Reliance
とはしない。[D0-S01]
Trust（信頼）
AIに対するAttitude、Expectation。
Reliance（依存的利用）
AI Outputを採用・利用するBehavior。
Appropriate Reliance（適切な利用）
System PerformanceやError Conditionに応じた利用。
Algorithm AversionとAlgorithm Appreciationの双方が観察されている。[D0-S05][D0-S06]
したがって、
人はAIを信用しない
人はAIを過信する
のどちらもUniversal Claimにはしない。
目標はTrust最大化ではなく、
条件に応じて適切にRelianceできるか
である。
16. Explanation / Understanding / Calibration
Explanationを提示したことだけでは、
Understanding（理解）
Calibration（較正）
Appropriate Reliance（適切な利用）
Better Decision Performance（より良い判断成績）
を保証しない。
説明には、
Plausibility（もっともらしさ）
Faithfulness（忠実性）
Comprehension（理解可能性）
Usefulness（有用性）
など別々の問題がある。
Plausible Explanation ≠ Faithful Explanation
である。
また、
ExplanationはTrustを変化させても、Calibrationを改善するとは限らない。
という可能性を分離する。
17. Human Oversight
Human Oversightについて、
Human-in-the-loop
というラベルだけでSafetyを判断しない。
最低限確認する。
何を観測できるか
SystemのLimitを理解できるか
Errorを認識できるか
十分なAuthorityがあるか
介入時間があるか
実際に介入できるか
AIが介入へ応答するか
Actionを停止・反転できるか
Safe Stateへ移行できるか
Recoveryできるか
Workloadが現実的か
必要なExpertiseがあるか
Classic Human Factorsでは、AutomationによってOperatorがOut-of-the-loopになり、Situation AwarenessやManual Takeover Performanceが問題となり得ることが知られている。[D0-S07]
ただし、これらは、
Effective Oversightの十分条件
ではない。
Enabling Conditions / Audit Dimensionsである。
18. Human Presence ≠ Effective Oversight
次の推論を禁止する。
人間がいる（Human present）
→ 人間がControlしている
人間が承認した（Human approval）
→ 独立したJudgmentが行われた
Alertが見える
→ Human Interventionが起きた
Interventionが利用可能
→ Safe Outcomeが成立した
Systemの末端に人間が配置されていても、
Information不足
Time不足
Authority不足
Automation Bias
Workload
Organizational Pressure
などによって実効的Controlを持たない場合がある。[D0-S07]
19. Detection / Intervention / Outcome
Safety、Mental Health、Healthcare等ではCausal Chainを分解する。
検出（Detection）
→ 警告（Alert）
→ エスカレーション（Escalation）
→ 介入（Intervention）
→ 実効的介入（Effective Intervention）
→ 安全なOutcome（Safe Outcome）
各段階は別である。
前段階の成功から後段階の成功を推論しない。
20. Personalization
Personalizationは、それ自体では、
Person-Centeredness（本人中心性）
Inclusion（包摂）
Best Interest（最善利益）
を意味しない。
また「Neutrality」は意味が曖昧になりやすいため、本Indexでは独立した一般原則として使用せず、必要なDomainで、
Commercial Interest（商業的利益）
Selection Bias（選択バイアス）
Value Alignment（価値整合）
Objective Function（目的関数）
等へ分解する。
同時に、
Personalizationが有害である
とも一般化しない。
Personalizationが特定Outcomeを改善する場合もある。
したがって、
何を、誰のGoalに対してPersonalizeしたのか
を確認する。
21. Relationship Outcomes
AIとのRelationshipを一つの「親密さ」へまとめない。
最低限、
利用者側のAttachment（User-side Attachment）
知覚されたReciprocity（Perceived Reciprocity）
行動上のReciprocity（Behavioral Reciprocity）
相互的義務（Reciprocal Obligation）
Relationship Satisfaction（関係満足）
Loneliness（孤独感）
Social-Network Integration（社会ネットワーク統合）
を分ける。
AI側にSubjective Experienceが存在することを、User-side Outcomeから推論しない。
したがって、
利用者が知覚したIntimacy
≠ 実証されたDyadic Reciprocity
AIへの自己申告Attachment
≠ Human–Human Attachmentの全特性が成立したEvidence
Relationship Satisfaction
≠ Social Integration
とする。
哲学的な「本物／偽物」の二分ではなく、測定可能なOutcomeを分離する。
22. Multi-Actor Structure
AI利用のOutcomeは、
Human ↔ AI
だけでは決まらない。
状況に応じて、
User（利用者）
Professional（専門職）
Manager（管理者）
Organization（組織）
Provider（提供者）
Vendor（販売・供給事業者）
Platform（プラットフォーム）
Regulator（規制主体）
Family（家族）
Customer（顧客）
Institution（制度・機関）
などを含める。
特にGeneral-purpose AIでは、
Model Update（モデル更新）
Pricing（価格設定）
Logging（ログ記録）
Access Policy（アクセス方針）
Safety Policy（安全方針）
Service Continuity（サービス継続性）
等がHuman–AI Relation自体を変化させ得る。
23. Existing Research Traditions
Domain 0では、既存研究を先に確認する。
重要な研究伝統には、
Learning Sciences
Cognitive Load Theory
Cognitive Offloading
Human Factors
Types / Levels of Automation
Function Allocation
Trust in Automation
Automation Bias
Advice-Taking / Judge–Advisor Systems
Shared Decision-Making
Supported Decision-Making
Independent Living
Assistive Technology
Sociotechnical Systems
Distributed / Team Cognition
Human–AI Teaming
Relationship Science
Computer-Mediated Communication
Parasocial Interaction
Procedural Justice
Governance
Responsibility Studies
などがある。
24. Existing-Theory-First
本シリーズでは、
AIだから新しいTheoryが必要
とは仮定しない。
まず既存TheoryやResearch Traditionでどこまで説明できるかを確認する。
判定は、
既存理論で十分（Existing theory sufficient）
既存理論で部分的に十分（Existing theory partially sufficient）
AI固有の拡張が有用（AI-specific extension useful）
新しいConstructが正当化される可能性（New construct potentially justified）
Evidence不足（Evidence insufficient）
のように分ける。
現時点では、
既存理論で部分的に十分（Existing theory partially sufficient）
— 必要な箇所ではAI-specific extension
が最も安全な横断判断である。
Human–AI Relations全体を説明する新しい包括Theoryが必要だとするEvidenceはない。
同時に、
Existing theory can describe much of the phenomenon
≠ Existing theory completely explains every current AI configuration
である。
25. AI-specific Extension
既存Theoryだけでは細部が不足する場合がある。
たとえば、
Foundation Model（基盤モデル）の能力変動
Conversational Interface（対話型インターフェース）
Persistent Memory（永続的記憶）
High-volume Content Generation（大量コンテンツ生成）
Multimodal Interaction（マルチモーダル相互作用）
Digital Agent Execution（デジタルAgentによる実行）
Multi-Agent Systems（マルチAgentシステム）
Rapid Model Update（急速なモデル更新）
Vendor-mediated Infrastructure（Vendor媒介インフラ）
Cross-domain General-purpose AI（領域横断型汎用AI）
などである。
ここでは、
AI固有の拡張が有用（AI-specific extension useful）
という判定があり得る。
しかし、
Extension needed ≠ New Theory needed
である。
26. Conceptual / Critical Lenses
Extended MindはConceptual Lensとして利用できる。[D0-S08]
ただし、AI-specific Human OutcomeのEmpirical Evidenceの代替にはしない。
Moral Crumple Zoneも、Responsibility Allocationを考えるCritical / Conceptual Lensとして利用できる。[D0-S09]
これを普遍的Causal Lawとして扱わない。
27. Time Horizon
Claimには時間軸を明示する。
現時点（Current）
現在直接確認されているもの。
近未来（Near-Term）
現在Evidenceから比較的近い範囲で推論するもの。
長期（Long-Term）
数年・数十年の累積利用や発達影響。
未研究（Not Yet Studied）
歴史的には研究可能だが、十分研究されていない。
このSystem構成と曝露期間では歴史的にまだ直接観測不能（Not Yet Historically Possible for This System Configuration and Exposure Duration）
対象System ConfigurationとExposure Durationについて、必要な観測期間そのものがまだ存在しない。
「AI一般について歴史的に不可能」とは書かない。
28. Short-Term ≠ Long-Term
Short-term OutcomeをLong-term Outcomeへ拡張しない。
例：
一回のTask Performance改善
≠ Long-term Skill Formation
一時的Loneliness低減
≠ Long-term Social Integration
短期的Productivity Gain
≠ Long-term Career Benefit
即時的Accessibility Gain
≠ Sustained Participation
Retentionという語も、実際にDelayed Follow-upを行った研究に限定する。
29. Positive / Negative Evidence
各Domainでは肯定方向と否定方向のEvidenceを別々に確認する。
たとえば、
AIがPerformanceを改善した
というEvidenceがあっても、
AIがLearningを改善した
は別途確認する。
逆に、
AIがVerification Burdenを増加させた
ことが観察されても、
AIにはNet Benefitがない
とは言えない。
BenefitとHarmを一つのAxisへ圧縮しない。
同じSystemで、
Performance ↑
Burden ↑
Autonomy ↑
Infrastructure Dependence ↑
が同時に起こり得る。
30. Counterevidence
公開稿では中心Claimを支持するEvidenceだけでなく、
そのClaimが成立しない条件
も明示する。
Source Ledgerには最低限、
Supports
Does Not Support
を持たせる。
「何を支持するか」と同じくらい、
何を支持しないか
を記録する。
31. Alternative Explanations
観察結果には別の説明があり得る。
最低限、
選択効果（Selection）
新奇性（Novelty）
専門性（Expertise）
訓練（Training）
課題時間（Time-on-task）
インターフェース設計（Interface Design）
組織的インセンティブ（Organizational Incentive）
自己選択（Self-selection）
測定アーティファクト（Measurement Artifact）
提供者方針（Provider Policy）
環境条件（Environmental Conditions）
隠れた人間労働（Hidden Human Labor）
などを確認する。
Causal Claimでは特にAlternative Explanationを明示する。
32. Legal Claims
Legal ClaimはEmpirical Evidenceと別管理する。
最低限、
Jurisdiction（法域）
Source Type（法源種別）
Legal Effect（法的効果）
Effective Date（発効日）
を明示する。
Law、Standard、Guideline、Design Recommendationを同一に扱わない。
設計上の含意（Design Implication）
≠ 法的義務（Legal Obligation）
である。
33. Standards
Standardization Documentは、
Published Standard
Draft
Committee Draft
FDIS
Under Development
等のStatusを確認する。
2026年9月のDomain 0敵対監査時点では、ISO/IEC 42105 “Guidance for human oversight of AI systems” はFDIS / Stage 50.20 / Under Developmentであり、Published International Standardとして扱わない。[D0-S10]
Standardization TrendとEstablished Published Standardを区別する。
34. Strong-Word Rule
次の表現はEvidenceが明示的に支える場合に限定する。
必須
不可欠
常に
必ず
最重要
完全
同等
義務
確立
証明
原因
特に「原因」は、
Randomized Controlled Trial
Credible Quasi-experiment
Explicit Causal Identification
などがない限り慎重に使う。
「義務」は、
Legal Obligation
Professional Duty
Normative Recommendation
を分ける。
35. Measurement
同じ名前の測定値でも、同じConstructとは限らない。[D0-S11]
特に、
自己申告（Self-report）
行動指標（Behavioral Measure）
遂行指標（Performance Measure）
代理報告（Proxy Report）
臨床Outcome（Clinical Outcome）
組織Outcome（Organizational Outcome）
System指標（System Metric）
を分ける。
Human向けScaleの単語をAI向けに置換しただけで、
同じConstructが測定できている
とは仮定しない。[D0-S11]
必要に応じて、
Factor Structure（因子構造）
Criterion Validity（基準関連妥当性）
Test–retest（再検査信頼性）
Measurement Invariance（測定不変性）
などを確認する。[D0-S11]
36. Correlation / Prediction / Causation
次を明確に区別する。
関連（Association） ≠ 予測（Prediction）
予測（Prediction） ≠ 因果（Causation）
予測精度（Prediction Accuracy） ≠ 介入Benefit（Intervention Benefit）
検出精度（Detection Accuracy） ≠ 予防（Prevention）
高精度に未来を予測できるSystemでも、その予測を用いた介入がBenefitを生むとは限らない。
37. Accuracy ≠ Legitimacy
特にInstitution / Governanceでは、
Accuracyが高い
→ Fair
→ Legitimate
という推論をしない。
Accuracy（正確性）
Fairness（公正性）
Procedural Justice（手続的公正）
Lawfulness（適法性）
Legitimacy（正当性）
を別Outcomeとして扱う。
38. Safety ≠ Well-being
Safetyは重要だが、
Harmが観測されなかった
→ Well-beingが向上した
とは言えない。
同様に、
Safety Mechanismが存在する
→ Safe Outcomeが成立した
とも言えない。
39. Monitoring ≠ Care
Monitoringは状態を把握する機能である。
Careは、
Interpretation（解釈）
Human Response（人間による応答）
Relationship（関係）
Resource（資源）
Intervention（介入）
Continuity（継続性）
Dignity（尊厳）
Person Preference（本人の選好）
などを含み得る。
したがって、
Monitoring ≠ Care
である。
40. Responsibility Audit
Responsibilityは、事後的に「誰のせいか」だけを問わない。
事前（Ex ante）
誰がDesignしたか
誰が導入を決定したか
誰がThresholdを設定したか
誰がSystem Limitを知っていたか
利用中（During use）
誰が監督したか
誰がOverrideできたか
誰がExecutionしたか
事後（Ex post）
誰が説明するか
誰がCorrectionするか
誰がRemedyを提供するか
誰がLiabilityを負うか
を分ける。
41. Cross-Domain Boundary
同じAI Systemでも、Domainが変わればSuccess ConditionとEvidence Requirementも変わる。
Education
Human LearningがTargetならAI-off Assessmentが重要になり得る。
Accessibility
Permanent Supportを含むFunctioningが正当なOutcomeになり得る。
Mental Health
Feeling Better、Symptom Change、Clinical Benefit、Functional Recoveryを分ける。
Work
Productivity、Skill、Workload、Autonomy、Well-beingを分ける。
Safety
Detection、Intervention、Safe Outcomeを分ける。
Institution
Accuracy、Legitimacy、Contestability、Lawfulnessを分ける。
Finance
Prediction Accuracy、Consumer Outcome、Fairness、Risk Distributionを分ける。
これらを一つの「AI Benefit」へまとめない。
42. Source Ledger 共通仕様
各Domainの主要Sourceには、可能な範囲で次を記録する。
Citation
Year
Source Type
Claim Type Supported
Evidence Layer
Population
N
Design
AI / System
Comparator
Outcome
Main Result
Effect Size
Follow-up Duration
Directness
Risk of Bias / Key Limitation
Supports
Does Not Support
Evidence Status
Identified Relationship / Causal Arrow
Primary Source / DOI
すべてのSourceへ全項目を埋める必要はない。
Conceptual、Legal、Standard等ではNon-applicable項目を無理に埋めない。
特に重要なのは、
Supports
Does Not Support
Directness
Limitation
である。
43. Cross-References
本領域はDomain 1〜12すべての基準文書となる。
Domain 1：Learning・Capability Formation
Domain 2：Decision Formation・Decision Support
Domain 3：Trust・Reliance・Automation Bias
Domain 4：Communication・Mediation・Translation
Domain 5：Companion・Attachment
Domain 6：Mental Health
Domain 7：Care・Aging・Supported Decision-Making
Domain 8：Accessibility・Assistive Technology・Participation
Domain 9：Work・Organization・Algorithmic Management
Domain 10：Oversight・Safety・Control
Domain 11：Institution・Law・Governance・Responsibility
Domain 12：Finance・Consumer・Credit・Insurance
で共通して使用する。
44. 現時点で言えること / What We Can Say Now
現時点で比較的安全に言える横断事項は次である。
AI支援中のTask PerformanceとHuman-only Capabilityを同一視しない。Target ConstructとGoalに応じ、必要な場合には別Outcomeとして測定する。[D0-S11]
Immediate Learning、Delayed Retention、Transferは同一Outcomeではない。
Cognitive OffloadingだけではSkill Degradationを確立できない。[D0-S12]
AI DependenceだけではAutonomy LossもAutonomy Preservationも判断できない。[D0-S03]
Trust、Reliance、Appropriate Relianceは同義ではない。[D0-S01]
ExplanationだけではUnderstanding、Calibration、Contestabilityを保証できない。
HumanをSystem内に残すだけではEffective Oversightを保証できない。[D0-S07]
Prediction / Detection PerformanceだけではDownstream Benefitを保証できない。
PersonalizationだけではPerson-Centeredness、Inclusion、Best Interestを保証できない。
Human–AI OutcomeはIndividual Cognitionだけではなく、Organization、Provider、Institution、Infrastructureによって形成され得る。[D0-S04]
Existing Theoryが強く確立していても、新しいAI Configurationへの適用部分のEvidence Strengthは別途評価する必要がある。
Existing Automation、Human Factors、Decision Science、Disability、Relationship、Sociotechnical ResearchはCurrent Human–AI Phenomenaの相当部分と接続できるが、完全な説明を意味しない。[D0-S02][D0-S04]
Algorithm AversionとAlgorithm Appreciationは異なる条件で双方観察されており、「人はAIを一般に過信する / 信用しない」という単一方向の説明は支持されない。[D0-S05][D0-S06]
45. 現時点では言えないこと / What We Cannot Say Yet
以下のUniversal Claimは支持しない。
AIが人間のDeskillingを一般に引き起こすとは言えない。[D0-S12]
AIが人間のDeskillingを防ぐとは言えない。[D0-S12]
AIへのDependenceがAutonomy Lossを一般に引き起こすとは言えない。[D0-S03]
AIへのDependenceがAutonomyを維持すると一般化できない。[D0-S03]
AI CompanionがLonelinessを一般に解決するとは言えない。
AI Companionが必ずSocial Isolationを引き起こすとは言えない。
Human-in-the-loopだけでAIが安全になるとは言えない。[D0-S07]
Accuracyが高ければBetter Decisionが保証されるとは言えない。
PersonalizationがUser Benefitを保証するとは言えない。
ExplanationがUnderstandingを保証するとは言えない。
人間が最終承認したことだけで、人間主導のDecision Formationだったとは言えない。
AutomationがWorkloadを一般に減らすとは言えない。
AIによるProductivity GainがWorker Well-beingを意味するとは言えない。
Permanent AI SupportそのものをFailureとは言えない。[D0-S03]
Detectionが自動的にHarm Preventionへつながるとは言えない。
AIが新しいという理由だけでExisting Theoryが時代遅れになったとは言えない。[D0-S02][D0-S04]
Existing TheoryがCurrent AI Phenomenaを完全に説明するとも言えない。[D0-S02][D0-S04]
これらはAI / System、Population、Context、Outcome、Time Horizonを指定しなければ評価できない。
46. Boundary Conditions
すべてのDomainで最低限、次を確認する。
人 / 対象集団（Person / Population）
誰を対象としているか。
システム（System）
どのAI、どのVersion、どのCapabilityか。
課題（Task）
何をさせたのか。
目的（Goal）
何を成功と定義したのか。
文脈（Context）
どこで、誰と、どの制度下で使ったのか。
Outcome（結果）
実際に何を測定したのか。
Comparator（比較対象）
何と比較したのか。
Time Horizon（時間軸）
どの期間を測定したのか。
判断 / 行為構造（Decision / Action Structure）
誰が判断し、誰が実行したのか。
Infrastructure（基盤）
Provider、Platform、Organization等への依存はあるか。
47. Research Gaps
今後重要なのは、AIを使った直後のTask Performanceだけではなく、
長期的なHuman Capability、Autonomy、Participation、Relationship、Work Structure、Institutional Outcome
を測ることである。
現在のFoundation Model世代については、数年・数十年単位の継続利用結果がまだ直接観測できない領域が多い。
その場合は、
Not Yet Studied
または、
Not Yet Historically Possible for This System Configuration and Exposure Duration
と明記する。
48. Broad Exploration Closure
本シリーズの現在の研究目的に対するBroad Explorationは暫定的に終了する。
これは、
全Human–AI Domainを網羅した
重要文献がもう存在しない
理論的Gapが存在しない
全現象を説明できる
ことを意味しない。
敵対監査、Source Verification、各DomainのPublication Review等によって直接Prior Artの欠落が確認された場合には、
Targeted Literature Repair
を行う。
探索終了とは、真理が完成したという意味ではない。
49. 更新条件
公開後も、次の場合にはDomain 0を更新する。
主要Constructの定義が崩れた
Direct AI Evidenceが既存判定を反転させた
Missing Prior Artが判明した
法制度が変更された
StandardのStatusが変更された
新System Configurationに既存区分が適用できない
Evidence Statusの大幅修正が必要になった
Cross-Domain Contradictionが見つかった
目的は完成ではなく、
監査可能な安定版
を維持することである。
50. Source Ledger
[D0-S01] Lee & See (2004)
Citation
Lee, J. D., & See, K. A. (2004). Trust in Automation: Designing for Appropriate Reliance. Human Factors, 46(1), 50–80.
DOI
10.1518/hfes.46.1.50_30392
Source Type
Authoritative Review / Human Factors
Evidence Layer
Layer A
Supports
TrustとRelianceを同一視しないこと。Automationの能力・目的・Process等に対するTrustと、Appropriate Relianceの区別。
Does Not Support
Current Generative AIにおけるTrust Effectの方向を一律に予測すること。
[D0-S02] Parasuraman, Sheridan & Wickens (2000)
Citation
Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A, 30(3), 286–297.
DOI
10.1109/3468.844354
Source Type
Conceptual / Human Factors framework
Evidence Layer
Layer A
Supports
Information Acquisition、Information Analysis、Decision / Action Selection、Action Implementation等、Automation Functionを分解するPrior Art。
Does Not Support
Domain 0の5 Questionsが新しい独立5次元Theoryであること。
[D0-S03] Assistive Technology / Independence Review
Source
van Dam et al. Systematic Review on Assistive Technology, independence, choice and control.
DOI
10.1080/17483107.2022.2162614
Source Type
Systematic Review
Evidence Layer
Layer C — Adjacent Evidence
Supports
継続的External SupportとChoice、Control、Participation、Perceived Independenceが両立し得ること。
Does Not Support
AI Dependence一般がAutonomyを維持または向上させるというCausal Claim。
[D0-S04] Sociotechnical Systems Tradition
Source Type
Existing Research Tradition / Sociotechnical Systems
Evidence Layer
Layer A
Supports
TechnologyのOutcomeをTechnical Component単独へ還元せず、Human、Organization、Workflow、Institution等を含めて分析すること。
Does Not Support
すべてのHuman–AI Outcomeを一つのSociotechnical Theoryだけで完全に説明できること。
[D0-S05] Dietvorst et al. (2015)
Citation
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114–126.
Source Type
Experimental Research
Evidence Layer
Layer A / C
Supports
Algorithmic AdviceへのRelianceがError Experience等によって低下し得ること。
Does Not Support
People generally distrust AI。
[D0-S06] Logg, Minson & Moore (2019)
Citation
Logg, J. M., Minson, J. A., & Moore, D. A. (2019). Algorithm Appreciation: People Prefer Algorithmic to Human Judgment. Organizational Behavior and Human Decision Processes, 151, 90–103.
Source Type
Experimental Research
Evidence Layer
Layer A / C
Supports
一定条件ではAlgorithmic AdviceがHuman Adviceより選好される場合があること。
Does Not Support
People generally overtrust AI。
[D0-S07] Endsley & Kiris (1995)
Citation
Endsley, M. R., & Kiris, E. O. (1995). The Out-of-the-Loop Performance Problem and Level of Control in Automation. Human Factors, 37(2), 381–394.
Source Type
Human Factors / Experimental Automation Research
Evidence Layer
Layer C
Supports
AutomationによりHuman OperatorのSituation AwarenessやManual Takeover等が問題になり得ること。
Does Not Support
Human Oversight is impossible。Automation necessarily reduces safety。
[D0-S08] Clark & Chalmers (1998)
Citation
Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19.
Source Type
Conceptual / Philosophy
Evidence Layer
Conceptual Lens
Supports
CognitionとExternal Resourceの境界を考えるConceptual Comparison。
Does Not Support
AI-specific Human OutcomeのEmpirical Claim。
[D0-S09] Moral Crumple Zone
Source Type
Critical / Conceptual literature on responsibility in automated systems
Evidence Layer
Conceptual / Critical Lens
Supports
Automation Failure時にHuman OperatorへResponsibilityが不均衡に集中する可能性を分析する視点。
Does Not Support
すべてのAI事故でHumanが不当に責任を負うというUniversal Causal Claim。
[D0-S10] ISO/IEC 42105
Title
Guidance for human oversight of AI systems
Status at Domain 0 audit, September 2026
FDIS / Stage 50.20 / Under Development
Source Type
Standardization Document
Supports
Human Oversightに関する国際標準化が進行していること。
Does Not Support
2026年9月時点ですでにPublished International Standardとして確立しているという記述。
[D0-S11] AERA / APA / NCME (2014)
Source
American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. Standards for Educational and Psychological Testing.
Source Type
Authoritative Standard
Evidence Layer
Layer A
Supports
Measurement ValidityがTarget Construct、Score Interpretation、Intended Useに依存すること。
Does Not Support
単一の測定方式を全DomainへUniversal Gold Standardとして適用すること。
[D0-S12] Risko & Gilbert (2016)
Citation
Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688.
DOI
10.1016/j.tics.2016.07.002
Source Type
Review
Evidence Layer
Layer A
Supports
人間がExternal ResourceへCognitive Operationsを移すCognitive Offloadingが確立した現象であること。
Does Not Support
Offloadingが必然的にLong-term Cognitive DeclineやDeskillingを引き起こすこと。
51. Existing-Theory-First Final Judgment
Human–AI Relationsに関して、現時点で新しい包括Theoryを導入する必要性は確認できない。
最も妥当な立場は、
既存理論で部分的に十分（Existing theory partially sufficient）
— 必要な箇所ではAI-specific extension
である。
AIの、
Conversationality（対話性）
Generative Capability（生成能力）
Persistent Memory（永続的記憶）
Agentic Execution（Agentによる実行）
Rapid Updating（急速な更新）
Provider Infrastructure（提供者基盤）
などは新しい条件を加える。
しかし、それだけで新Theoryの必要性は証明されない。
New Comprehensive Theory：No
52. Final Assessment
Human–AI Relationsを監査するとき、最も危険なのはAIを過大評価することだけではない。
逆に、AIを利用しているという事実だけから、
能力が低下した
自律を失った
人間関係が壊れた
責任を放棄した
と推論することも同じように危険である。
必要なのは、
何が観測されたか
何が測定されたか
どのEvidenceが直接支持するか
何がまだ推論にすぎないか
誰が選び、誰が影響し、誰が実行し、誰が責任を負うか
を分離することである。
本シリーズでは、AIを一つの独立した原因として扱わない。
基本単位は、
Person × AI/System × Task × Goal × Context × Organization × Infrastructure × Outcome × Time Horizon
である。
その上で、
権限（Authority）
判断形成（Decision Formation）
影響（Influence）
実行（Execution）
責任（Responsibility）
という5つの非網羅的な監査質問と、
利用可能な情報（Information Available）
観測可能性（Observability）
時間（Time）
可逆性（Reversibility）
異議申立て可能性（Contestability）
というCross-domain Context Descriptorsを用いる。
この規格の目的は、
AIは良いのか悪いのか
という一つの答えを作ることではない。
より限定された問い、
どのSystemが、誰に対して、どの条件で、何を変化させ、そのEvidenceはどこまで届いているのか
を繰り返し問える状態を維持することである。
領域 0 / Domain 0は、Human–AI Relationsについての新Theoryではない。
後続する各領域を同じ誤推論から守るための、更新可能なCross-Domain Audit Protocolである。
