論文要約：自動抽出された言語的特徴を用いた人間執筆テキストと AI 生成テキストの識別

本論文は、人間が執筆した文章と、人工知能（AI）によって生成された文章（特に ChatGPT）との間に見られる言語的特徴の定量的な差異を調査した探索的研究である。以下に、問題意識、手法、主要な貢献、結果、および意義について詳細にまとめる。

1. 問題意識 (Problem)

近年、大規模言語モデル（LLM）の進歩により、AI は人間と区別がつかないほど流暢なテキストを生成できるようになった。しかし、AI 生成テキストと人間執筆テキストの間には、構造的・統計的な差異が存在する可能性があるにもかかわらず、これらを体系的に定量化し、比較した研究は限られている。
既存の研究では、AI 検出ツールや人間の評価に依存するケースが多く、特定の言語学的構成要素（音韻、形態、構文、語彙など）がどのように異なるのかを微細に分析した研究は不足していた。本研究は、AI が人間の執筆をどの程度模倣できているか、また、どの言語的特徴が両者を区別する鍵となるかを明らかにすることを目的としている。

2. 研究方法 (Methodology)

データ収集と前処理

• データセット: 人間執筆 5 篇、AI 生成 5 篇の計 10 篇の英文エッセイを使用。
  • 人間執筆: 専門の英語教師が作成した IELTS ライティング課題のサンプル（B2-C1 レベル）。
  • AI 生成: ChatGPT（GPT-4, 2024 年 3 月版）に、人間執筆と同じトピックと長さの条件で生成させた。
  • 制御条件: 両者の文章長、トピック、フォーマルな学術的レジスターを厳密に一致させた。
• 前処理: Unicode 正規化、空白の統一、引用符やダッシュの標準化、HTML タグの除去などを行い、元の言語構造を損なわない範囲で処理を行った。

分析ツールと特徴抽出

• ツール: 「Open Brain AI」というオンライン計算プラットフォームを使用。
• 抽出対象: 音韻、形態、構文、語彙、意味、可読性の 6 つの言語ドメインから、合計 94 の言語指標を自動抽出。
  • 音韻: 音節、母音、子音の発音部位・発音法、有声音・無声音など（スペリングから推定）。
  • 形態: 品詞（名詞、動詞、形容詞など）の出現頻度と比率。
  • 構文: 修飾語、目的語、主語、前置詞句などの構文構成要素。
  • 語彙: 語数、ハパクス・レゴメナ（1 回しか出現しない単語）、タイプ・トークン比（TTR）、難易度の高い単語など。
• 統計分析:
  • ウィルコクソンの順位和検定: 各言語特徴における人間と AI の比率の差を検定（サンプルサイズが小さいためノンパラメトリック手法を採用）。
  • LASSO 回帰: 人間と AI を識別するのに最も寄与する特徴を特定するために使用。正の係数は AI に多い特徴、負の係数は人間に多い特徴を示す。

3. 主要な結果 (Key Results)

AI 生成テキストは人間のように見えるが、複数の言語的特徴において統計的に有意な差異（大きな効果量）が確認された。

音韻的特徴 (Phonology)

• AI の傾向: 鼻音（nasals）、歯茎音（alveolars）、無声音（voiceless consonants）の使用比率が高い。
• 人間の傾向: 歯音（dentals）や唇歯音（labiodentals）の使用比率が相対的に高い。
• LASSO 分析: 「主強勢（primary stress）」は人間に強く関連する負の重みを持ち、AI 生成テキストでは相対的に少ないことが示唆された。

形態的特徴 (Morphology)

• AI の傾向: 名詞（nouns）と並列接続詞（coordinating conjunctions）の使用比率が高い。
• 人間の傾向: 代名詞（pronouns）、補助動詞（auxiliaries）、前置詞（adpositions）、形容詞（adjectives）の使用比率が高い。
• 解釈: AI は名詞中心で構造化された文章を作りやすく、人間は参照（pronouns）や文脈のつながり（auxiliaries, prepositions）を重視する傾向がある。

構文的特徴 (Syntax)

• AI の傾向: 形容詞的修飾語（adjectival modifiers）と接続詞的修飾語（conjuncts）の使用が多い。
• 人間の傾向: 前置詞修飾語（prepositional modifiers）や前置詞の目的語（object of preposition）の使用が多い。
• 解釈: AI は明示的でセグメント化された構造を好むのに対し、人間は関係性や文脈に埋め込まれたスタイルを好む。

語彙的特徴 (Lexicon)

• AI の傾向: 難易度の高い単語（difficult words）と内容語（content words）の使用が多い。
• 人間の傾向: 機能語（function words）の使用が多い。
• 可読性: AI 生成テキストは、Flesch 読了容易性指数が低く、Flesch-Kincaid 学年レベルや Gunning Fog Index が高く、より複雑で読みづらい傾向にあった。

4. 主要な貢献 (Key Contributions)

1. 言語的特徴の体系的定量化: 従来の定性的評価やブラックボックスな検出ツールに頼らず、音韻から語彙までの多層的な言語的特徴を自動抽出し、人間と AI の差異を数値的に証明した。
2. 新しい検出指標の提示: 従来の品詞バランスや語彙密度に加え、「音韻的特徴（発音部位や有声/無声）」や「主強勢」が AI 検出の有効な指標となり得ることを示した。
3. 自動評価ツールの有効性: 「Open Brain AI」のような自動抽出ツールが、教育や臨床現場において、人間と AI のテキストを効率的に分析・評価する手段として機能することを実証した。
4. AI 生成メカニズムへの洞察: AI が「情報密度の高い学術的レジスター」を模倣する際、名詞化や機能語の欠如を通じて「形式化」を達成している一方、人間は「関与的・対話的」な特徴（代名詞や補助動詞）を多用していることを明らかにした。

5. 意義と将来展望 (Significance)

• AI 開発への示唆: 現在の AI モデルは、特定の言語的特徴（例：名詞の多用、機能語の不足）において人間と異なるバイアスを持っている。これらの知見は、より人間らしい自然なテキストを生成するためのトレーニング手法の改善や、モデルの微調整（fine-tuning）に役立つ。
• 教育・臨床応用: 教育現場では、AI 生成テキストの検出や、学生の言語能力評価に自動化ツールを活用できる。臨床現場では、言語障害のスクリーニングや診断支援において、言語特徴の自動抽出が時間とコストを削減する。
• 検出技術の限界と課題: 本研究で特定された「表面的な言語的シグナル」は、モデルが進化したり、デコーディング戦略が変わったりすると変化（ドメインシフト）する可能性がある。したがって、将来的にはより大規模で多様なコーパスを用いた検証や、説明可能な AI（XAI）技術との統合が求められる。

総じて、本研究は AI 生成テキストが人間と「似ている」ように見える一方で、微細な言語的構造において本質的な差異が存在することを科学的に裏付け、AI の能力理解と適切な利用・評価の基盤を提供した。