【Human–AI Relations 領域4】コミュニケーション・仲介・翻訳・表象 ―― AIは何を保存し、何を変え、誰の意図として届けるのか
Human–AI Relations 監査インデックス β
領域 4 / Domain 4
コミュニケーション・仲介・翻訳・表象 / Communication・Mediation・Translation・Representation
AIは単なる伝送路ではない――何を保存し、何を変え、誰の意図として届けるのか
0. Document Status
Document Type: Domain Audit / Publication Version
Domain: Communication・Mediation・Translation・Representation
Status: Publication Closure
Theory Status: 新しい包括的Human–AI Communication Theory（人間―AIコミュニケーション理論）の提案ではない
Primary Function: AIが人間間コミュニケーションへ介在するとき、何が保存され、何が変換・追加・削除され、誰の意図・価値・Framing（枠づけ）が最終Messageへ反映されるかを監査する
Parent Protocol: Domain 0 — Cross-Domain Audit Protocol
本領域では、
AIが文章を生成したかどうか
だけを問わない。
より重要なのは、
AIがCommunication Process（コミュニケーション過程）のどこへ介入し、その結果として何が変わったか
である。
1. Domain
本領域では、Human–AI Interaction（人間―AI相互作用）のうち、
Transmission（伝送）
Translation（翻訳）
Summarization（要約）
Paraphrasing（言い換え）
Framing（枠づけ）
Persuasion（説得）
Mediation（仲介）
Conflict Resolution（対立調整）
Deliberation（熟議）
Representation（表象・代理表現）
Authorship（著者性）
Voice（発言・表現）
Personalization（個別化）
Sycophancy（迎合）
Common Ground（共通基盤）
を扱う。
対象となるSystemには、
Translation AI（翻訳AI）
Writing Assistant（文章支援AI）
Summarization System（要約システム）
Conversational AI（対話型AI）
Mediation Assistant（仲介支援AI）
Deliberation System（熟議支援システム）
Communication Proxy（代理コミュニケーションシステム）
などを含む。
これらを一括して「会話AI」と扱わない。
2. Core Question
中心問いは次である。
AIが人間の発話を生成・要約・翻訳・仲介するとき、それは単なる情報伝達なのか、それとも意味形成・関係形成・判断形成へ介入しているのか。
AIは、
言い換える
短くする
強調する
丁寧にする
感情を弱める
共通点を抽出する
対立点を整理する
相手に合わせて表現を変える
ことができる。
したがって、
Message Transmission（メッセージ伝送）
≠ Meaning Preservation（意味保存）
≠ Relationship Preservation（関係維持）
である。
3. Key Distinctions
3.1 Transmission ≠ Translation
情報がAからBへ届いたことと、その意味が別言語・別文脈で適切に再構成されたことは別である。
3.2 Translation ≠ Literal Substitution
Translation（翻訳）は、単語を対応語へ置き換えるだけではない。
Context（文脈）
Register（言語使用域）
Pragmatics（語用論）
Cultural Context（文化的文脈）
Speaker Intention（発話者の意図）
Ambiguity（曖昧性）
が関与する。
3.3 Semantic Similarity ≠ Intent Fidelity
Semantic Similarity（意味的類似性）が高くても、発話者が伝えたかった目的や含意まで保存されたとは限らない。
Intent Fidelity（意図忠実性）は本稿では独立した新理論ではなく、監査用ラベルとして使用する。
3.4 Summarization ≠ Neutral Compression
Summarization（要約）は必ず、
Selection（選択）
Omission（省略）
Compression（圧縮）
Ordering（順序づけ）
を伴う。
したがって、
Compression ≠ Neutrality
である。
ただし、
Selection ≠ Manipulation
でもある。
選択があることだけで悪意ある操作を意味しない。
3.5 Framing ≠ Persuasion
Framingは、何を取り上げ、どう並べ、どの表現で提示するかという構造である。
Persuasionは、受け手の態度・信念・判断を変化させる方向へ働くProcessである。
FramingはPersuasionへ寄与し得るが、同一ではない。
3.6 Fluency ≠ Fidelity
Fluency（流暢さ）が高い文章でも、元の意味・意図・語調に忠実とは限らない。
3.7 Tone Improvement ≠ Communication Improvement
文章が丁寧になったことと、Communication全体が改善したことは別である。
怒り、緊急性、不満、権力差が薄められる場合がある。
3.8 Communication Speed ≠ Relationship Quality
AIによって返信速度が上がっても、長期的Relationship Quality（関係の質）が改善したとは限らない。
3.9 Mediation ≠ Neutrality
AIが二者の間に入って情報を整理しても、中立性は自動的には成立しない。
何を残し、何を削り、何を強調し、どの表現へ変えるかによってProcessが変化する。
3.10 Conflict Reduction ≠ Better Relationship
Conflict（対立）が減ったことと、関係が改善したことは別Outcomeである。
正当な異議や怒りが抑えられただけの可能性もある。
3.11 Common Ground ≠ Consensus
Common Ground（共通基盤）の抽出は、すべての参加者が同じ結論へ到達したことを意味しない。
3.12 Agreement ≠ Understanding
Agreement（合意）が増えたことと、Mutual Understanding（相互理解）が深まったことは別である。
3.13 Agreement ≠ Democratic Legitimacy
合意形成の効率化はDemocratic Legitimacy（民主的正当性）の成立を自動的には意味しない。
正当性には別途、
Participation（参加）
Representation（代表性）
Reason-giving（理由提示）
Minority Protection（少数者保護）
Contestability（異議申立て可能性）
Procedural Fairness（手続的公正）
等の評価が必要である。
3.14 Personalization ≠ Representation
Personalizationによって本人らしい文章を生成できても、その時点の本人の意図を正確に代理しているとは限らない。
3.15 AI-Assisted Expression ≠ AI Authorship
AIが文章作成を補助したことと、AIが実質的な著者であることは同じではない。
3.16 User Approval ≠ Full Authorship
最終送信を本人が承認していても、
主張
構成
語彙
表現
のどこまで本人が形成したかは別に確認する必要がある。
3.17 Representation ≠ Voice
AIが本人を代理して表現できることと、本人に制度的Voice（発言権）があることは別である。
3.18 Voice ≠ Formal Authority
発言できることと、Decision Authority（意思決定権限）を持つことは別である。
3.19 Persuasion ≠ Deliberation
相手のBelief（信念）を変えられたことと、相互に理由を提示・検討するDeliberationが成立したことは別である。
3.20 AI Use ≠ Perceived AI Use
実際にAIが使われたことと、受け手が「AIが使われた」と認識することは異なる。
両者は独立して対人評価へ影響し得る。
4. Existing Research Traditions
Domain 4は主として以下の既存研究へ接続する。
Computer-Mediated Communication（コンピュータ媒介コミュニケーション、CMC）
デジタル媒体を介した対人Communication。
AI-Mediated Communication（AI媒介コミュニケーション、AIMC）
AIが人間間メッセージの生成、変更、増幅等へ介入する研究。[D4-S06]
Human–Machine Communication（人間―機械コミュニケーション、HMC）
AIやロボット等をCommunication Partnerとして扱う研究。
Hyperpersonal Model（超対人的モデル）
CMCにおける選択的自己呈示や受け手による理想化を扱う。[D4-S07]
Communication Accommodation Theory（コミュニケーション適応理論、CAT）
相手に応じたStyleやLanguageの調整を扱う。
Translation Studies（翻訳学）
異なる言語・文化・Context間で意味がどのように移されるかを扱う。
Pragmatics（語用論）
発話の字面だけでなく、Context、含意、目的を扱う。
Common Ground / Grounding（共通基盤・グラウンディング）
会話参加者が共有している前提や知識の形成を扱う。
Mediation / Conflict Resolution（仲介・対立解決）
第三者が当事者間の対話・交渉へ介入するProcess。
Persuasion Research（説得研究）
MessageやSourceがAttitude / Beliefへ与える影響。
Deliberation Research（熟議研究）
理由提示、意見交換、判断形成を扱う。
5. Communication Path
AI介在Communicationを最低限、以下へ分ける。
人間同士の直接コミュニケーション（Direct Human Communication）
Human A
→ Human B
AI支援型人間コミュニケーション（AI-Assisted Human Communication）
Human A
→ AI補助
→ Human Aによる確認
→ Human B
AI媒介コミュニケーション（AI-Mediated Communication）
Human A
→ AIによる変換
→ Human B
双方向仲介（Bidirectional Mediation）
Human A
↔ AI
↔ Human B
集団仲介（Group Mediation）
Human A / B / C …
→ AIによる集約
→ 集団出力（Group Output）
どの経路かによって、
Agency（主体性）
Authorship（著者性）
Influence（影響）
Responsibility（責任）
が異なる。
6. Direct AI-Specific Evidence
6.1 AI-mediated interpersonal communication
Hohenstein et al. (2023)は、Smart Replyを利用する対人メッセージング実験において、AI支援がCommunication Speed、Emotional Language（感情的言語）、Partner Perception（相手評価）へ影響し得ることを示した。[D4-S01]
Study 1では219ペア、Study 2では291ペアが用いられた。
AI支援は、
返信速度
Positive Emotional Language（肯定的感情表現）
Perceived Cooperation（知覚された協力性）
等を変化させ得る。
同時に、
実際のAI利用（Actual AI Use） ≠ AI利用だと認識されたこと（Perceived AI Use）
であり、AI利用を疑われること自体が対人評価へ影響し得る。[D4-S01]
この研究は、
AI支援が長期的な人間関係を改善する
ことを支持しない。[D4-S01]
7. Translation / Machine Translation
機械翻訳では、Automatic Evaluation Metric（自動評価指標）だけでHuman Meaning Preservationを完全に判定できない。
Jiang et al. (2024)のPreprintでは、自動評価とHuman Evaluation（人間評価）を比較し、Formal Fidelity（形式的忠実性）とSemantic / Pragmatic Fidelity（意味的・語用論的忠実性）の間で評価の一致度が異なることが報告されている。[D4-S02]
したがって、
自動評価指標の高得点（High Automatic Metric Score）
≠ Intent Fidelity（意図忠実性）
である。
ただし、
BLEUは役に立たない
とも、
COMETが意味を完全に捉える
とも言わない。[D4-S02]
Jiang et al.はDirect AI-Specific EvidenceだがPreprintであり、Evidenceを過剰に強く扱わない。
8. Translation Studies Boundary
Translation Studiesでは、翻訳が単純なLexical Substitution（語彙置換）ではなく、
Context（文脈）
Pragmatics（語用論）
Register（言語使用域）
Audience（受け手）
Culture（文化）
Purpose（目的）
Ambiguity（曖昧性）
に関わることが長く議論されている。
これはLayer A — Existing Research Traditionである。
人間翻訳研究をLLM TranslationのDirect Evidenceとして扱わない。
9. Summarization
Summarizationは情報量を減らすため、必ずSelectionとOmissionを伴う。
したがって、
Summarization ≠ Neutral Compression
である。
一方で、
Selection ≠ Manipulation
でもある。
AIが情報を選択したという事実だけで、意図的操作を推論しない。
10. Framing
AIが、
何を含めるか
何を省くか
どの順序で提示するか
どのLabelを使うか
どのExampleを使うか
どのToneで書くか
を変えれば、受け手の理解は変化し得る。
この介入をFramingとして扱う。
ただし、
Framing ≠ Persuasion
を維持する。
11. Generative AI Persuasion
Costello et al. (2024)は、2,190名の陰謀論的信念を持つ成人を対象に、GPT-4 TurboとのPersonalized Evidence-Based Dialogue（個別化された証拠ベース対話）の効果をRandomized Controlled Trial（ランダム化比較試験、RCT）で検証した。[D4-S03]
特定の陰謀論へのConfidenceは介入後に低下し、その効果は2か月後にも観察された。[D4-S03]
したがって、
Generative AIは、実験で検証された一部条件において持続的な信念変化を生じさせ得る。
は維持できる。[D4-S03]
ただし、
AIが一般に人間の信念を変える
AIによる説得が一般に行動変化を生む
AIが政治的Outcomeを決定する
とは言えない。[D4-S03]
12. Persuasion ≠ Deliberation
Costello et al.のようなBelief ChangeはPersuasion Evidenceである。
それだけで、
理由の交換（Reason Exchange）
相互考慮（Mutual Consideration）
議論評価（Argument Evaluation）
参加上の平等（Participatory Equality）
を伴うDeliberationが成立したとは言えない。
13. Common Ground
AIは複数人の意見から重複部分を抽出し、Shared Statement（共有可能な記述）を生成できる。
ただし、
共通基盤の特定（Common Ground Identification）
≠ Consensus Creation（合意の生成）
である。
また、
Consensus（合意）
≠ Mutual Understanding（相互理解）
である。
14. AI-Mediated Deliberation
Tessler et al. (2024)は、5,734名を対象にHabermas Machineを用いた大規模実験を行った。[D4-S04]
AIは参加者の意見を基にCommon-Ground Statementを生成し、Human-generated Statementとの比較において高いEndorsement（支持）を得た。
研究条件下でAgreementも増加した。[D4-S04]
この研究から安全に言えるのは、
AI-mediated deliberationは、研究された条件下でAgreement / Endorsementを増加させ得る。
までである。[D4-S04]
15. Agreement ≠ Understanding ≠ Legitimacy
Tessler et al.はAgreementやEndorsementを測定した。[D4-S04]
しかし、
Agreementの増加
≠ Mutual Understandingの増加
である。
さらに、
Agreementの増加
≠ Democratic Legitimacyの増加
である。
Democratic LegitimacyはNormative / Institutional Evaluation（規範的・制度的評価）を別途必要とする。
Habermas Machineという名称だけでHabermasian Deliberationの成立を意味しない。
16. Habermas as Normative Lens
Jürgen Habermasの、
Reason-giving（理由提示）
Deliberation（熟議）
Public Sphere（公共圏）
Legitimacy（正当性）
は、AI-mediated deliberationを評価するNormative Lens（規範的レンズ）として使用できる。
ただしHabermasの理論はDirect AI Evidenceではない。
17. AI-Assisted Writing / Expression
AI writing assistanceは、
Drafting（下書き）
Rewriting（書き換え）
Autocomplete（自動補完）
Tone Adjustment（語調調整）
Translation（翻訳）
を行える。
評価では、
Communication Efficiency（コミュニケーション効率）
Fluency（流暢さ）
Semantic Fidelity（意味忠実性）
Intent Fidelity（意図忠実性）
Style Fidelity（文体忠実性）
Authorship（著者性）
User Control（利用者統制）
を分離する。
18. Authorship Audit
Authorshipを一つのScoreにしない。
Semantic Authorship（意味的著者性）
Messageの主張・意味・意図を誰が決めたか。
Lexical Authorship（語彙的著者性）
実際の語句・文章構造を誰が生成したか。
Selection Control（選択統制）
AI候補を自由に採用・拒否できたか。
Revision Control（修正統制）
生成内容を容易に修正できたか。
Style / Identity Fidelity（文体・アイデンティティ忠実性）
本人らしいTone、Dialect、Register等が保持されたか。
Final Authorization（最終承認）
本人が最終的に送信・公開を承認したか。
Provenance Awareness（生成由来の認識）
本人・受け手がAI関与を認識しているか。
これらはAudit Dimensions（監査次元）であり、Validated Scale（妥当化済み尺度）ではない。
19. Intent Fidelity
Intent Fidelity（意図忠実性）は、本稿ではUseful Audit Label（有用な監査用ラベル）として扱う。
独立した新しいConstructではない。
既存の、
Pragmatics（語用論）
Communicative Intent（コミュニケーション意図）
Semantic Fidelity（意味忠実性）
Agency（主体性）
Authorship（著者性）
と接続して評価する。
20. Representation
AIが本人・家族・組織等を代理する場合、
Factual Representation（事実表象）
Preference Representation（選好表象）
Identity Representation（アイデンティティ表象）
Proxy Representation（代理表現）
Political Representation（政治的代表）
を分ける。
Preference Prediction（選好予測）
≠ Authorized Representation（正式に認められた代理表現）
である。
21. Voice
Voiceという語も分解する。
Literal Speech Output（音声出力）
Communicative Expression（表現機会）
Authorship（著者性）
Opportunity to Speak（発言機会）
Institutional Voice（制度的発言権）
Political Representation（政治的代表）
AIによって文章表現が容易になっても、Institutional Voiceが増えたとは限らない。
22. Sycophancy
Sharma et al. (2024)は、人間フィードバックで調整された複数のAI AssistantにおいてSycophancy（迎合）を観察した。[D4-S05]
直接支持されるのは、
検証された条件下で、SycophancyがModel Behaviorとして観察される。
までである。[D4-S05]
以下は直接支持されない。
SycophancyがFalse Consensus（偽の合意）を引き起こす。
SycophancyがPolarization（分極化）を引き起こす。
Sycophancyが人間関係を悪化させる。
Human Outcomeへの因果関係はResearch Gapへ置く。[D4-S05]
23. Agreement ≠ Independent Validation
AIがUser Beliefへ同意したことと、そのBeliefが独立検証されたことは別である。
特にSycophancyが存在し得るSystemでは、
AIによるAgreement（同意）
≠ Independent Evidence（独立した証拠）
を維持する。
24. Tone Modification
Tone Adjustmentは、攻撃的な表現をより中立的な表現へ変えることができる。
これは特定ContextでCommunication Frictionを減らし得る。
一方で、
怒り（Anger）
緊急性（Urgency）
不満（Dissatisfaction）
権力差（Power Difference）
を弱める可能性がある。
したがって、
Politeness Improvement ≠ Communication Improvement
である。
25. Conflict Mediation
AIは、
Restatement（言い換え）
Common-ground Extraction（共通点抽出）
Conflict Mapping（対立点整理）
Option Generation（選択肢生成）
等を支援できる。
しかし、
Conflict Reduction ≠ Relationship Improvement
Agreement ≠ Fair Mediation
である。
本稿ではPublication-grade Primary Sourceが不足する弱い数値Claimは使用しない。
26. Power Asymmetry
AI mediationでは、
雇用者 / 労働者（Employer / Worker）
政府 / 市民（Government / Citizen）
医師 / 患者（Doctor / Patient）
Platform / 消費者（Platform / Consumer）
親 / 子ども（Parent / Child）
等のPower Asymmetry（権力非対称）を考慮する必要がある。
同じToneで双方を扱うことが必ずしも公平とは限らない。
Equal Treatment（同一処遇） ≠ Equitable Mediation（衡平な仲介）
である。
27. Normalization / Standardization
AI rewritingは文章を、
Standard Grammar（標準文法）
Professional Tone（専門的語調）
Majority Dialect（多数派方言）
Conventional Politeness（慣習的丁寧さ）
へ寄せる場合がある。
これはCommunication Benefitになり得る。
一方で、
Dialect（方言・変種）
Identity（アイデンティティ）
Minority Expression（少数派表現）
Neurodivergent Expression（神経多様性に基づく表現）
を弱める可能性もある。
したがって、
Standardization ≠ Better Communication
である。
28. Bourdieu as Critical Lens
Pierre Bourdieuの、
Linguistic Capital（言語資本）
Legitimate Language（正統言語）
Symbolic Power（象徴権力）
は、AI rewritingがどの言語規範を「正しい」とみなすかを考えるCritical Lens（批判的レンズ）として限定的に利用できる。
ただし、
AI rewriting = Symbolic Violence
とは一般化しない。
29. Mediation Transparency
AI Transformationでは、
Original Message（原メッセージ）
→ AI Transformation（AIによる変換）
→ Recipient Message（受信者へ届くメッセージ）
の差が重要になる。
監査対象は、
Omission（省略）
Addition（追加）
Reframing（再枠づけ）
Uncertainty Change（不確実性の変化）
Tone Change（語調変化）
Translation Choice（翻訳選択）
である。
ただし、
More Transparency ≠ Better Communication
である。
TransparencyはDesign / Normative Consideration（設計上・規範上の考慮事項）として扱う。
30. Multi-Party Mediation
AI-mediated communicationは、
Person A
↔ AI / System
↔ Person B
だけでは完結しない場合がある。
実際には、
Person A
↔ AI / System
↔ Person B
↕
Provider / Platform / Organization
というMulti-Actor Structure（多主体構造）になり得る。
Outputには、
Model Design（モデル設計）
System Instructions（システム指示）
Safety Policy（安全方針）
Training Process（訓練過程）
Provider Objectives（提供者目的）
Commercial Constraints（商業的制約）
等が影響し得る。
したがって、
AI Mediator ≠ Neutral Independent Third Party
である。
ただし、
ProviderがすべてのMessageを決定する
とも言わない。
31. Vertical Translation
Vertical Translation（垂直翻訳）は本シリーズのProject Labelである。
意味は、
General / Abstract（一般・抽象）
↕
Individual / Concrete（個別・具体）
である。
例：
Population-level Evidence（集団レベルの証拠）
→ この特定の人に何を意味するか
または、
個別経験
→ どの一般研究へ接続できるか
を指す。
これは、
Knowledge Translation（知識翻訳）
Contextualization（文脈化）
Science Communication（科学コミュニケーション）
Case Formulation（事例定式化）
Abstraction（抽象化）
と重なる。
したがって、
Useful Project Label / Explanatory Heuristic（有用なプロジェクト用ラベル / 説明的ヒューリスティック）
として残す。
独立した新理論ではない。
32. Horizontal Translation
Horizontal Translation（水平翻訳）は、
Person / Context A
↔ Person / Context B
間の変換・仲介を指す本シリーズのProject Labelである。
既存の、
Mediation
Intercultural Communication（異文化コミュニケーション）
Boundary Spanning（境界連結）
Communication Accommodation
Common Ground
等で大部分を説明できる。
したがって独立Constructとはしない。
33. Vertical × 2 = Horizontal
旧シリーズで用いられた、
Vertical Translation × 2 = Horizontal Translation
という表現は、
Intuitive Explanatory Metaphor（直感的説明メタファー）
として扱う。
数学的・理論的同一式ではない。
34. Accessibility Boundary
AAC（Augmentative and Alternative Communication：拡大・代替コミュニケーション）や言語支援では、AIがCommunication Accessを拡大し得る。
これは重要な肯定的利用である。
ただし、
より流暢な表現（More Fluent Expression）
≠ より本人らしい表現（More Authentic Expression）
である。
一方、
AI Assistance（AI支援）
≠ Loss of Authenticity（本人らしさの喪失）
でもある。
本人がAIを表現手段として選択・修正・拒否できるかを確認する。
35. Cultural Translation Boundary
AIは異文化CommunicationでContext説明や表現調整を支援できる。
ただし、
Cultural Adaptation（文化的適応）
≠ Cultural Neutrality（文化的中立性）
である。
モデルが多数派文化や標準語規範へ表現を寄せる可能性も監査する。
36. Family Boundary
家庭内ではAIが、
世代間説明
情報整理
Tone Adjustment（語調調整）
Conflict De-escalation（対立緩和）
を支援する可能性がある。
しかし、
AIによるMediation
→ Better Family Relationship（より良い家族関係）
とは一般化できない。
長期Human–Human Relationship OutcomeはResearch Gapである。
37. Workplace Boundary
職場では、
Email Drafting（メール下書き）
Meeting Summarization（会議要約）
Policy Explanation（方針説明）
Negotiation Support（交渉支援）
Cross-department Communication（部門間コミュニケーション）
等へAIを利用できる。
一方、言語の標準化によって、
Disagreement（異論）
Uncertainty（不確実性）
Local Knowledge（現場知）
Minority Opinion（少数意見）
が平滑化される可能性もある。
38. Mental Health Boundary
AIが感情や経験を言語化しても、
AIが生成した心理的Narrative（AI-generated psychological narrative）
≠ 内的な心理的事実（Internal psychological fact）
である。
Validation（受容的応答）とReality Testing（現実検討）を分離する。
39. Alternative Explanations
AI-mediated communicationでOutcomeが改善した場合、最低限以下を考慮する。
編集効果（Editing Effect）
単に文章を一度編集した効果。
遅延効果（Delay Effect）
即時反応せず考える時間が増えた効果。
丁寧さ効果（Politeness Effect）
Meaning UnderstandingではなくTone変化。
選択効果（Selection Effect）
AIを使う人の元々のCommunication Motivation。
人間レビュー（Human Review）
人間による最終修正。
メッセージ短縮効果（Reduced Message Length）
認知負荷低減。
新奇性効果（Novelty Effect）
AI利用の新奇性。
抑圧・抑制（Suppression）
Conflictが解決せず、強い意見が削除された可能性。
40. Counterevidence
AI Improves Communicationへの反例
AIは、
意図を変形する
Minority Viewを落とす
誤情報を追加する
Conflictを隠す
可能性がある。[D4-S01][D4-S02]
したがって、
Better Text ≠ Better Communication
である。
AI Damages Authenticityへの反例
AIは、
言語障害支援
外国語Communication
言語化支援
によってAgencyを拡張する可能性もある。
したがって、
AI Assistance ≠ Loss of Authenticity
である。
41. Evidence Status
Conceptual Non-entailmentにはA–Fを機械的に付与しない。
Empirical ClaimのみDomain 0規格で評価する。
A — Established within stated scope
既存Communication / Translation / Mediation研究で、十分に蓄積した範囲。
B — Direct empirical support
AI-mediated interpersonal messagingが短期的言語・対人評価を変化させ得る。[D4-S01]
Generative AIが特定条件で持続的Belief Changeを生じさせ得る。[D4-S03]
AI-mediated deliberationが研究条件下でAgreement / Endorsementを高め得る。[D4-S04]
SycophancyがModel Behaviorとして観察される。[D4-S05]
Machine Translation自動評価とHuman Evaluationが一部次元で乖離し得る。[D4-S02]
C — Indirect / theory-consistent support
Human MediationやTranslation StudiesからAIへの接続。
D — Untested inference
Provider Influenceや一部長期関係効果について、直接Evidenceが不足する推論。
E — Evidence currently insufficient / indeterminate
長期AI mediationとHuman Relationship
Persistent MemoryとHuman–Human Relationship
長期Communication Skill低下
Sycophancyと社会的Polarization
F — Contradicted
反証されたEmpirical Claimのみに使用する。
UnsupportedをFにしない。
42. 現時点で言えること / What We Can Say Now
AIを介したコミュニケーションは、研究条件によって人間同士の文章表現、通信速度、感情的語調、対人評価を変化させ得る。[D4-S01]
Translation（翻訳）を単なるLiteral Substitution（字義的置換）へ還元することはできない。
Automatic Translation Metric（自動翻訳評価指標）の高得点だけでは、Pragmatic Fidelity（語用論的忠実性）やIntent Fidelity（意図忠実性）は確立できない。[D4-S02]
Summarization（要約）はSelection（選択）とOmission（省略）を伴うが、そのことだけでManipulation（操作）を意味しない。
Framing（枠づけ）とPersuasion（説得）は区別する必要がある。
Generative AIとの個別化された対話が、特定の研究条件で持続的なBelief Change（信念変化）を生じさせたRCT Evidenceが存在する。[D4-S03]
AI-mediated deliberationは、特定の実験条件でAgreement（合意）やEndorsement（支持）を増加させ得る。[D4-S04]
Agreementの増加はMutual Understanding（相互理解）の増加を自動的には意味しない。[D4-S04]
Agreementの増加はDemocratic Legitimacy（民主的正当性）の成立を自動的には意味しない。[D4-S04]
AI-assisted writingはCommunication Efficiency（コミュニケーション効率）やFluency（流暢さ）を高め得るが、Intent FidelityやFull Authorshipを保証しない。
PersonalizationはAuthorized Representation（正式な代理表現）と同一ではない。
Sycophancyは人間フィードバックで調整されたLLMにおいてModel Behaviorとして直接観察されている。[D4-S05]
AI-Mediated Communicationは、AIを単なる受動的伝送路として扱わず、Message生成・変更・増幅を分析対象とする既存研究Traditionとして確立している。[D4-S06]
Mediated Communicationでは、媒体や自己呈示条件によって対人知覚が変化し得るという既存理論がある。[D4-S07]
43. 現時点では言えないこと / What We Cannot Say Yet
以下は一般化できない。
AIは一般に人間同士のCommunicationを改善するとは言えない。[D4-S01]
AI MediationはHuman Mediatorより公平であるとは言えない。
AIによるTone Adjustmentが長期的なConflictを減らすとは言えない。
AI仲介によるAgreementがMutual Understandingを意味するとは言えない。[D4-S04]
AI仲介によるAgreementがDemocratic Legitimacyを意味するとは言えない。[D4-S04]
AI-assisted writingが本人のAuthenticityを必ず低下させるとは言えない。
AI Translationが文化的意味を十分に保存できるとは一般化できない。[D4-S02]
AI-mediated deliberationが民主主義を一般に改善するとは言えない。[D4-S04]
Generative AI Persuasionが一般にBehavior Changeを引き起こすとは言えない。[D4-S03]
Sycophancyが必ずFalse Consensusを生むとは言えない。[D4-S05]
Sycophancyが必ず人間関係を悪化させるとは言えない。[D4-S05]
AI Mediatorが中立的な第三者であるとは言えない。
Transparencyを増やせばCommunicationが必ず改善するとは言えない。
長期的なAI仲介によってHuman Communication Skillが低下するとは言えない。
Persistent MemoryがHuman Relationshipを改善または悪化させるとは言えない。
Vertical Translation / Horizontal Translationが新しい独立Theoryとして確立しているとは言えない。
44. Boundary Conditions
研究比較では最低限以下を確認する。
一対一 / 集団（One-to-one / Group）
テキスト / 音声 / マルチモーダル（Text / Voice / Multimodal）
AI / Model
人間レビュー（Human Review）
AI生成内容の比率（Generated-content Proportion）
翻訳 / 書き換え / 仲介（Translation / Rewriting / Mediation）
関係類型（Relationship Type）
権力非対称（Power Asymmetry）
言語 / 文化（Language / Culture）
課題の重大性（Task Stakes）
個別化（Personalization）
永続的記憶（Persistent Memory）
AI利用開示（AI Disclosure）
実際のAI利用（Actual AI Use）
AI利用だと知覚されたこと（Perceived AI Use）
Outcome Measure（結果指標）
短期 / 縦断（Short-term / Longitudinal）
Provider / Platform Context（提供者・Platform文脈）
45. High-Risk Misinterpretations
Misinterpretation 1
「文章が自然になった」
→「本人の意図が正確に伝わった」
導けない。
Misinterpretation 2
「Conflictが減った」
→「Relationshipが改善した」
別Outcomeである。
Misinterpretation 3
「AIが双方を要約した」
→「中立だった」
導けない。
Misinterpretation 4
「Agreementが増えた」
→「Democratic Deliberationが改善した」
一般化できない。
Misinterpretation 5
「AIが文章を生成した」
→「本人のAgencyが低下した」
一般化できない。
Misinterpretation 6
「FluentなTranslation」
→「FaithfulなTranslation」
別概念である。
46. Cross-References
Domain 0 — Cross-Domain Audit Protocol
Authority、Formation、Influence、Execution、Responsibilityとの接続。
Domain 1 — Learning・Capability Formation
AI-generated ExplanationとHuman Understanding / Learningの分離。
Domain 2 — Decision Formation・Decision Support
Framing、Option Presentation、RecommendationによるDecision FormationへのInfluence。
Domain 3 — Trust・Reliance・Calibration
Fluency、Explanation、Agreement、SycophancyとTrust / Relianceを分離する。
Domain 5 — Intimacy・Companion・Attachment
Responsiveness、Perceived Understanding、Conflict ReductionとRelationship Outcome。
Domain 6 — Mental Health
Validation、Feeling Heard、Reality Testing、Clinical Accuracy。
Domain 7 — Care・Aging・Supported Decision-Making
Family–Care Recipient–Professional間のCommunication、Representation。
Domain 8 — Accessibility・Assistive Technology・Participation
AAC、Communication Access、Intent Fidelity、Authorship、Voice。
Domain 9 — Work・Organization
Organizational Communication、Management Framing、Worker Voice、Standardization。
Domain 11 — Institution・Law・Governance
Public Deliberation、Representation、Legitimacy、Contestability。
Domain 12 — Finance・Consumer・Credit・Insurance
Financial Framing、Personalized Persuasion、Advice Communication。
47. Source Ledger
[D4-S01] Hohenstein et al. (2023)
Full Citation
Hohenstein, J., et al. Artificial intelligence in communication impacts language and social relationships. Scientific Reports.
Year
2023
DOI
10.1038/s41598-023-30938-9
Source Type
Controlled Interpersonal Experiments
Research Tradition
AI-Mediated Communication / CMC
Claim Type
Empirical
Evidence Layer
Layer B — Direct AI-Specific Evidence
Population
Human dyads
N
Study 1: 219 pairs
Study 2: 291 pairs
AI / System
Smart Reply
Communication Task
Text-based interpersonal messaging
Outcome
Communication speed, emotional language, interpersonal perception, actual / perceived AI use
Supports
AI-mediated communication can alter message characteristics and recipient perception.
Does Not Support
Long-term relationship improvement or faithful preservation of speaker intent.
Evidence Status
B — Direct empirical support
Key Limitation
Short-term experimental interaction.
[D4-S02] Jiang et al. (2024)
Full Citation
Jiang et al. Insights from Comparing ChatGPT-Generated Translation and Human Translation Evaluation.
Year
2024
Primary Identifier
arXiv:2401.05176
Publication Status
Preprint
Source Type
Comparative Translation Evaluation
Research Tradition
Machine Translation Evaluation
Claim Type
Empirical / Methodological
Evidence Layer
Layer B
AI / System
ChatGPT and neural machine translation systems
Outcome
Automatic metric evaluation and human translation evaluation
Supports
Automatic metrics and human judgments can diverge across formal, semantic and pragmatic dimensions.
Does Not Support
Automatic metrics are useless; all pragmatic fidelity is unmeasurable.
Evidence Status
B within studied scope, with preprint limitation.
Key Limitation
Preprint and domain-limited evaluation.
[D4-S03] Costello et al. (2024)
Full Citation
Costello, T. H., et al. Durably reducing conspiracy beliefs through dialogues with AI. Science.
Year
2024
DOI
10.1126/science.adq1814
Source Type
Randomized Controlled Experiment
Research Tradition
Persuasion / Human–AI Interaction
Claim Type
Causal / Empirical
Evidence Layer
Layer B
Population
Adults endorsing conspiracy beliefs
N
2,190
AI / System
GPT-4 Turbo
Task
Personalized evidence-based dialogue
Outcome
Conspiracy belief confidence
Follow-Up
2 months
Main Result
Belief confidence decreased under studied conditions and the effect persisted at follow-up.
Supports
Generative AI can produce durable belief change under some experimentally studied conditions.
Does Not Support
Universal persuasion effectiveness, general behavioral change, political outcome, normative desirability.
Evidence Status
B — Direct empirical support
[D4-S04] Tessler et al. (2024)
Full Citation
Tessler, M. H., et al. AI can help humans find common ground in democratic deliberation. Science.
Year
2024
DOI
10.1126/science.adq2852
Source Type
Large Experimental Study
Research Tradition
Deliberative Communication / AI-Mediated Communication
Claim Type
Empirical
Evidence Layer
Layer B
Population
UK participants
N
5,734
AI / System
Habermas Machine
Task
Common-ground statement generation
Comparator
Human-generated mediation / statements
Outcome
Endorsement / Agreement
Supports
AI-generated mediation can increase endorsement and agreement under studied conditions.
Does Not Support
Deep mutual understanding, democratic legitimacy, long-term institutional outcome.
Evidence Status
B — Direct empirical support
Key Limitation
Measured agreement / endorsement does not exhaust deliberative quality.
[D4-S05] Sharma et al. (2024)
Full Citation
Sharma, M., et al. Towards Understanding Sycophancy in Language Models.
Year
2024
Publication Status
ICLR 2024
Source Type
Model Evaluation / Human Preference Analysis
Research Tradition
AI Safety / NLP
Claim Type
Empirical
Evidence Layer
Layer B
AI / System
Multiple human-feedback-trained assistants
Task
Multiple free-form tasks
Outcome
Sycophancy
Supports
Sycophantic model behavior can occur under tested conditions.
Does Not Support
Inevitable false consensus, polarization, relationship harm, downstream decision harm.
Evidence Status
B — Direct empirical support for model behavior
Key Limitation
Human downstream communication outcomes were not directly measured.
[D4-S06] Hancock, Naaman & Levy (2020)
Topic
AI-Mediated Communication definition and research agenda
Year
2020
Source Type
Conceptual / Research Agenda
Research Tradition
AI-Mediated Communication
Evidence Layer
Layer A — Existing Research Tradition
Supports
AI may modify, augment or generate messages between humans; AI-mediated communication should not be treated as a passive channel.
Does Not Support
Specific causal effect sizes for modern LLM-mediated communication.
Evidence Status
Conceptual source; no mechanical A–F assignment.
[D4-S07] Walther — Hyperpersonal Model
Source Type
Foundational Communication Theory
Research Tradition
Computer-Mediated Communication
Evidence Layer
Layer A
Supports
Mediated communication can alter self-presentation and interpersonal perception.
Does Not Support
Direct causal claims about LLM-specific mediation.
Evidence Status
Conceptual / foundational; no mechanical A–F assignment.
48. Research Gaps
Long-Term Human Relationship Outcomes
AI rewritingやmediationが数年単位のHuman–Human Relationshipへ与える影響。
Intent Fidelity Measurement
AI-assisted writingでUser Intentがどの程度保持されたかを測定する妥当な方法。
Persistent Memory
複数人の過去会話を保持するAI MediatorがHuman Relationshipへ与える長期影響。
Power Asymmetry
権力差が大きい状況でAI mediationが誰の利益・表現を強めるか。
Human Communication Skill
AI仲介の長期利用がHuman Communication Skillへ与える影響。
Human Outcome of Sycophancy
Model SycophancyがFalse Consensus、Trust、Relationship Outcomeへ実際に与える影響。
AI-to-AI Pre-Mediation
各当事者のAI同士が、人間同士の直接対話前に交渉・調整する場合の、
Transparency（透明性）
Consent（同意）
Authority（権限）
Provider Influence（提供者の影響）
Accountability（説明責任）
を検討する。
現時点では実証Evidenceが限定的である。
49. Existing-Theory-First Final Judgment
Domain 4の主要問題の多くは、
Computer-Mediated Communication
AI-Mediated Communication
Human–Machine Communication
Translation Studies
Pragmatics
Communication Accommodation
Common Ground
Mediation / Conflict Resolution
Persuasion
Deliberation
Authorship Research
によって説明できる。
Generative AIでは、
Sycophancy
Personalized Generative Persuasion
Algorithmic Consensus Generation
Persistent Personalization
Provider-mediated Output Shaping
等の新しいSystem CharacteristicやEmpirical Caseが現れている。
しかし、それらは新しい包括的Communication Theoryを必要とする証拠ではない。
したがって最終判定は、
Existing theory mostly sufficient — AI-specific extension where needed.
である。
New Comprehensive Human–AI Communication Theory：No
Vertical Translation / Horizontal Translationも新理論にはしない。
50. Final Assessment
AI-mediated communicationで重要なのは、
AIが文章を書いたか
だけではない。
重要なのは、
AIが何を保存し、何を削り、何を強調し、何を言い換え、誰に合わせ、どのOutcomeを最適化したか
である。
AIは、
Communication Friction（コミュニケーション摩擦）を減らす
Accessibility（アクセシビリティ）を広げる
Translation（翻訳）を支援する
Common Ground（共通基盤）を抽出する
表現を助ける
可能性を持つ。
同時に、
Intent（意図）の変形
Minority View（少数意見）の脱落
Conflict（対立）の平滑化
Authorship（著者性）の曖昧化
Persuasion（説得）の増幅
Representation（表象）の誤り
を生む可能性もある。
したがって、
AI mediationは良い
とも、
AI mediationは有害である
とも一般化しない。
Domain 4の監査単位は、
人（Person） × 他者（Other Person(s)） × AI/System × Communication Path（コミュニケーション経路） × Message Transformation（メッセージ変換） × Intent（意図） × Representation（表象） × Power（権力） × Provider（提供者） × Outcome × Time Horizon（時間軸）
である。
最終的に問うべきなのは、
AIが何を伝えたか
だけではない。
より重要なのは、
何が翻訳され、何が変形され、何が失われ、誰の意図として相手へ届いたのか。
である。
Domain 4の中心原則は、
Transmission ≠ Meaning Preservation
Summarization ≠ Neutral Compression
Agreement ≠ Understanding ≠ Legitimacy
Communication Speed ≠ Authorship / Intent Fidelity
Persuasion ≠ Deliberation
である。
さらに、
Mediation ≠ Neutrality
Personalization ≠ Representation
Authority ≠ Influence
を維持する。
Domain 4は、新しいCommunication Theoryではない。
AIが人間間Communicationへ入り込んだとき、伝送されたMessageだけでなく、そのMessageが形成・変換・表象された過程そのものを監査する領域である。
