AI研究

間接性を多次元で測る:語用論の評定尺度MIRS-Jの設計と検証法

「この発言は間接的だ」と言うとき、私たちは何を測っているのでしょうか。語用論や心理言語学、さらには人間–AI対話の研究でも「間接性(indirectness)」は頻繁に使われる概念ですが、その中身は一つではありません。言葉にされていない量、表現の定型性、理解に必要な推論、文脈への依存度など、性質の異なる要素が混ざっています。

本記事では、間接性を複数の次元のプロファイルとして測る多次元評定尺度の考え方を整理します。前半で理論的な根拠と尺度の構成を、後半で日本語刺激の設計、信頼性・妥当性の検証、人間–AI対話への応用を扱います。

なぜ「間接性」を一軸で測ってはいけないのか

Grice・Searleの理論が示す「間接性」の複層性

Griceの会話的含意論は「言われたこと」と「伝えられたこと」の差を推論で埋める仕組みを論じましたが、間接性という単一の心理尺度を定義したわけではありません。Searleも間接発話行為を、字義的な二次的発話内行為から非字義的な一次的発話内行為が理解される構造として分析しましたが、そこで慣習化の度合いや推論コスト、丁寧さが同じものとされているわけではありません。古典理論の段階で、間接性はすでに複数の側面をもつ概念として扱われていたと言えます。

間接性とポライトネスは一致しない(Blum-Kulkaの知見)

実証研究もこの見方を支えています。Blum-Kulka(1987)は依頼表現の評定実験で、最も間接的と評価されたヒントが最も丁寧とは限らず、むしろ慣習的な間接依頼が高く評価されたと報告しました。「間接的であるほど丁寧」という一軸モデルは、既存のデータとかみ合いません。

慣習化は推論負荷を下げうる

Gibbsの研究では、慣習的な間接依頼は非慣習的な形式より速く理解される傾向が示され、何が慣習的かは社会的・状況的文脈にも左右されるとされています。字義と意図がずれていても、慣習化していれば推論の負担は小さくなる可能性があります。「推論が多いほど間接的」という前提も、そのままでは成り立たないことになります。

多次元間接性評定尺度の構成:6つのコア次元と3つの補助次元

コア次元:E・C・D・X・G・S

元となる研究では、日本語版の提案尺度 MIRS-J(Multidimensional Indirectness Rating Scale–Japanese) として、以下の6次元をそれぞれ5段階で独立に評定する設計が示されています。

記号次元何を測るか
E明示性伝えたい行為・命題が発話にどれだけ言語化されているか
C慣習化度形式と意図の対応が言語共同体でどれだけ定着しているか
D推論距離意図にたどり着くために必要な橋渡し推論の量・複雑さ
X文脈依存性文脈を取り除いたときに解釈がどれだけ失われるか
G意図–字義乖離字義的な命題・発話行為と最終的な意図との差
S発話行為直接性文の形式が目的の発話行為を直接示しているか

似て見える次元も区別されます。たとえば「それ、お願いします」は対象が言語化されていない(Eが低い)一方で依頼であることは明示されています。「ここ寒いですね」はすべての語が明確でも、意図が「窓を閉めてほしい」ならGは大きくなります。Eは言語化の量、Gは言語化された内容と意図の関係を測る、という違いです。

補助次元:ポライトネス・曖昧性・解釈不確実性

P(ポライトネス)、A(曖昧性)、U(解釈不確実性)は、間接性の定義には含めず補助次元として並べて測ります。Pを定義に入れてしまうと、「間接性と丁寧さの関係」を検証するための外的基準を失うためです。AとUも分けて扱います。Aは刺激の側にある「競合する解釈の数」、Uは評定者の側にある「確信のなさ」で、慣習的表現では複数の解釈がありえても実際の不確実性は低い、といったずれが起こりえます。

「独立」とは無相関ではなく定義上の分離

ここでいう次元の独立性は、統計的に無相関であることではありません。一方の定義に他方を含めず、片方だけを変える例を理論上つくれることを意味します。「窓を閉めてもらえますか」は字義的には能力を尋ねる質問で、発話行為としては間接的です。それでも強く慣習化していれば推論距離は短くなります。この一例だけでも、S・C・Dが別の属性であることがわかります。

日本語の統制刺激と評定者マニュアルの設計ポイント

item familyで一つの次元を主操作する

間接表現では、形式を変えると複数の次元が同時に動きやすくなります。そのため、完全な最小対を目指すのではなく、**意図・話者関係・負担の大きさを固定した刺激群(item family)**をつくり、一つの次元を主に操作したうえで、他の次元が変わっていないかを別のサンプルで確認する方法がとられます。たとえば「窓を閉めてほしい」という意図を固定し、文はまったく同じまま、共同注視の有無など文脈だけを変えて文脈依存性を操作する、といった設計です。

日本語では敬語、省略、ゼロ照応、終助詞、前置き表現などが社会的な意味も同時に担うため、英語由来の分類をそのまま「間接度」とみなすのは危うい点にも注意が必要です。

評定の順序と教示で概念混同を防ぐ

評定者にはまず話者の「最もありそうな意図」を答えてもらい、次にコア6次元を一問ずつ、前の回答を見せずに評定してもらいます。補助次元は最後に回します。「推論距離を判断するときに丁寧さや好ましさを考えない」といった教示も重要です。また、理解にかかった時間を推論距離として直接答えさせると循環が生じるため、反応時間は定義ではなく妥当性の検証基準として使います。

文脈アブレーションで文脈依存性を測る

文脈の提示は「全文脈」「直前1ターンのみ」「発話のみ」の3条件を設け、文脈を削ったときに意図の同定精度や確信度がどれだけ下がるかで文脈依存性を推定します。主観評定と行動指標の両面から測れる点が利点です。

信頼性・妥当性の検証方法

評定者間信頼性:Krippendorffのαと ICC

各次元について、順序尺度に対応したKrippendorffのαを主に用い、副次的に二元配置変量効果モデルのICCを報告する方針が示されています。ICCはモデルや一致の種類によって意味が変わるため、指定を明記することが欠かせません。合否の基準は固定値に頼るのではなく、信頼区間を含めて事前登録することが推奨されています。

弁別妥当性:操作選択性とMTMM

弁別妥当性の中心は、次元同士の相関が低いことではなく、操作した次元の評定だけが選択的に変化するかです。評定者と刺激を交差ランダム効果とする混合効果モデルで、標的次元への効果と非標的次元への波及を比較します。さらに、人間の直接評定、反応時間などの行動指標、コーパス・専門家の符号化、LLMによる評定を別々の「方法」とみなし、MTMM(多特性多方法行列)で収束的・弁別的妥当性をまとめて検討します。一般化可能性理論や多相ラッシュモデルも、評定者や刺激に由来する誤差を分けて捉えるのに役立ちます。

一因子モデルを成立条件にしない理由

この尺度の各次元は同じ潜在因子の指標ではなく、別々の理論的属性です。そのため、単一の「間接性因子」が当てはまらなくても尺度の失敗ではなく、多次元性を支持する結果と解釈できます。総合的な「知覚された間接度」は別項目として取り、どの次元がそれを予測するかを回帰モデルで調べる位置づけになります。

人間–AI対話・文化差への応用と測定不変性

同じ表現でも、相手が人間か生成AIかによって、丁寧さ・慣習性・文脈依存性・推論距離の受け止め方が変わる可能性があります。AIが「面子をもつ相手」「共通の知識をもつ相手」としてどこまで扱われるかが、人間同士とは異なりうるからです。そのため対話相手の種類は単なる背景情報ではなく、測定不変性を確かめるべき群の要因として扱われます。

言語間の比較でも、逐語的な訳の一致より機能的な同値性が重要になります。日本語のヒントは英語より不透明になりやすいという報告もあり、各言語で慣習性や自然さを個別に評定し、実証的に対応づける手順が求められます。LLMについては、人間の尺度が固まる前に「正解」をつくらせるのではなく、人間とどう異なる誤差構造(たとえばGとDを混同する、文脈を無視して断定する)をもつかを調べる対象とするのが適切です。

まとめ:間接性を「ベクトル」として捉える

  • 間接性は単一の強度ではなく、E・C・D・X・G・Sからなるベクトルとして表現でき、P・A・Uは外部の補助プロファイルとして別に持つ
  • この枠組みなら「慣習的で理解は速いが、形式上は間接的」「丁寧だが直接的」といった現象を、概念を混ぜずに記述できる
  • 検証の柱は、操作選択性・評定者間信頼性・MTMM・測定不変性
  • 人間–AIの違いを「総得点の差」ではなく、「文脈依存性には弱いが慣習性には強い」のような仕組みのレベルで分析できる可能性がある

今後は、人間が総合的な間接性を判断するときに各次元をどう重みづけているのか、その重みが日本語と英語、人間相手とAI相手で異なるのかを確かめることが、理論的にも応用的にも重要なテーマになります。

生成AIの学習・教育の研修についてはこちら


研修について相談する

関連記事

コメント

この記事へのコメントはありません。

最近の記事
おすすめ記事
  1. 間接性を多次元で測る:語用論の評定尺度MIRS-Jの設計と検証法

  2. AIと認知科学の交差点|思考・創造性・学習はどう変わるのか

  3. 潜在クラス分析×混合効果モデルで捉える「高頻度・情緒的利用者」への介入効果の集中

  1. 対話型学習による記号接地の研究:AIの言語理解を深める新たなアプローチ

  2. 人間の言語発達とAI言語モデルの学習メカニズム比較

  3. ポストヒューマン記号論とは何か?AI・ロボット・環境が意味を共同生成する新理論

TOP