Using AI for User Representation: An Analysis of 83 Persona Prompts

この論文は、大規模言語モデルを用いたユーザー・ペルソナ生成を目的とした 83 のプロンプトを分析し、単一ペルソナの生成や簡潔な記述への傾向、構造化フォーマットや動的変数の多用、そして複数のモデルの比較不足といった現状を明らかにし、計算機によるペルソナ利用の増加がユーザー表現に与える影響について論じている。

要約

この論文は、**「AI（特に大規模言語モデル）を使って、架空のユーザー像（ペルソナ）を作るための『指示文（プロンプト）』が、実際にはどう使われているか」**を調査した研究報告です。

27 本の学術論文から 83 個の指示文を分析した結果、面白い発見と少し心配な点が見えてきました。

これを、料理や映画制作に例えて、わかりやすく解説しますね。

---

🍳 料理で例えるなら：「AI 料理人への注文方法」の研究

この研究は、**「AI という天才料理人（LLM）に、特定の客層（ユーザー）に合わせた『架空の料理メニュー（ペルソナ）』を作らせる際、シェフにどんな注文（プロンプト）を出しているか」**を調べたものです。

1. 発見その①：「短くていいから、さっさと作って！」という注文が多い

昔からある「ペルソナ」の作り方は、まるで**「人物の伝記」**を書くようなものでした。その人がどんな人生を送り、どんな悩みを持ち、どんな夢を持っているか、深く掘り下げて描くのが一般的でした。

しかし、今回の分析では、**「短くまとめて」「簡潔に」**という注文が非常に多かったです。

• メタファー： 本来は「厚手の肉厚なステーキ（詳細な人物像）」を作ろうとしているはずなのに、注文する人が「おにぎりの具くらいでいいから、サッと作って」と言っているような状態です。
• 結果： AI は確かに短く作りますが、それではユーザーの「深み」や「人間味」が抜けてしまい、単なるデータ集のようになってしまいます。

2. 発見その②：「数字と名前」ばかりで、顔が見えない

ペルソナには、通常「顔（画像）」や「物語（テキスト）」、そして「年齢や職業などの数字」の 3 つが揃うのが理想です。

• 現状： 研究者の 96% が「テキスト（文章）」を、67% が「数字（年齢など）」を注文しました。
• 残念な点： しかし、「顔（画像）」を注文したのはたったの 7% だけでした。
• メタファー： 料理で言えば、「味（テキスト）」と「カロリー（数字）」は詳しく教えてくれるのに、「見た目の盛り付け（画像）」は誰も注文していない状態です。これでは、ユーザーがどんな表情をしているか、どんな雰囲気の人なのかが想像しにくくなります。

3. 発見その③：「1 人だけ」作らせがち

ペルソナは、ユーザーの多様性を表すために「複数のタイプ（例：忙しいお母さん、学生、高齢者など）」を作るのが本来の目的です。

• 現状： 多くの注文は**「1 人だけ作って」**というものでした。
• メタファー： 料理店が「今日のメニューは『カレー』だけ」と決めて、他の料理（多様なユーザー像）を提供しないようなものです。これでは、世の中の多様な人々を正しく代表できません。

4. 発見その④：「データ」を混ぜ込むのが流行り

面白いことに、多くの注文で**「実際のデータ（例：この会社の顧客リストなど）」を AI に読み込ませてから作らせています。**

• メタファー： 料理人が「冷蔵庫にある食材（データ）」をそのまま使って料理を作るように、AI にデータを注入してペルソナを作っています。
• メリットとリスク： これにより、より現実的な料理（ペルソナ）が作れるようになりますが、「誰がどんな食材を選んだのか（人間の判断）」が隠れてしまい、AI が勝手に偏った料理を作ってしまうリスクもあります。

5. 発見その⑤：「JSON」という特殊な箱に入れる注文が多い

研究者の半分近くが、AI に出す答えを**「JSON（コンピュータが読みやすい整ったデータ形式）」**という特殊な箱に入れてほしいと注文しています。

• メタファー： 料理を「お皿に美しく盛り付けて（物語として）」出すのではなく、**「冷凍パックに詰め込んで（データとして）」**渡すようなものです。
• 意味： これは、人間が感情移入して理解する（共感する）ためではなく、**「コンピュータが処理しやすいように」**という目的が優先されていることを示しています。

---

💡 この研究が伝えたいこと（まとめ）

この論文の著者たちは、以下のようなメッセージを伝えています。

1. AI は便利だけど、使い方を間違えると危険：
   AI に「短く」「データ重視」で指示を出しすぎると、ユーザーの「人間らしさ」や「多様性」が見えなくなってしまう可能性があります。
2. 昔の知恵を忘れないで：
   AI を使うからといって、従来の「ペルソナ作り」の良し悪し（深い物語、多様な顔、共感）を忘れてはいけません。
3. もっと慎重に：
   AI に指示を出すときは、「本当にこれでいいのかな？」「偏りはないかな？」と人間がしっかりチェックする必要があります。

結論として：
AI という「魔法の料理人」を使えば、ペルソナ作りは劇的に速くなります。でも、「短くて安価な料理」ばかり作らせてしまうと、結局は「味気ない食事」しか提供できなくなってしまいます。 研究者も、より深く、多様で、人間らしい「ペルソナ」を作るための指示の出し方を、もう一度考え直す必要がある、というのがこの論文の主張です。

技術概要

論文「Using AI for User Representation: An Analysis of 83 Persona Prompts」の技術的サマリー

本論文は、大規模言語モデル（LLM）を用いてユーザー・ペルソナ（User Personas）を生成する研究における「プロンプト（指示文）」の現状を分析したものです。27 件の学術論文から抽出された 83 のペルソナ生成プロンプトを対象に、研究者がなぜ、どのように、そしてどのようなペルソナを生成しているかを体系的に調査しました。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 問題定義 (Problem)

ユーザー・ペルソナは、実データに基づいた架空のユーザー表現であり、ユーザー中心設計（UCD）やマーケティングなどにおいて意思決定を支援する重要なツールです。近年、LLM や生成 AI（GenAI）がペルソナ作成に応用され始めていますが、以下の課題が存在します。

• ガイドラインの欠如: LLM を用いたペルソナ生成における「適切なプロンプト設計」や「ベストプラクティス」が確立されていません。
• リスクの潜在性: 技術の適用には、アルゴリズムバイアス、訓練データの偏り、ユーザー集団の多様性の欠如（中央傾向への収束）などのリスクが伴います。
• 実態の不明確さ: 研究者が具体的にどのようなプロンプトを使用し、それがどのようなペルソナ出力をもたらしているかに関する体系的な分析（マッピング）が不足していました。

2. 手法 (Methodology)

本研究は、以下の手順でシステマティック・レビュー（SLR）に基づいた分析を行いました。

• データ収集:
  • 対象：GenAI をペルソナ開発に利用する 52 件の学術論文（SLR で選定）。
  • 抽出：これらの論文から、ペルソナ生成に使用されたプロンプトを抽出。
  • 対象プロンプト数：27 の論文から合計83 個のペルソナプロンプトを抽出・分析しました。
• コーディングフレームワーク:
  • 2 名の著者が共同でプロンプトを分析し、以下の観点でコーディングを行いました。
    • プロンプトの目的（なぜ使うか）
    • プロンプトの構造と使用法（どのように使うか）
    • 生成されるペルソナの特性（どのようなペルソナか）
  • 信頼性を確保するため、相互チェックと議論を行いました。
• 分析対象: プロンプトの長さ、使用された LLM モデル、出力形式、含まれる属性（人口統計、行動、態度など）、構造化の有無など。

3. 主要な貢献 (Key Contributions)

• 初の体系的分析: LLM を用いたペルソナ生成におけるプロンプトの現状を初めて体系的にマッピングし、分析した。
• プロンプトの特性の可視化: 研究者がどのようなプロンプト設計を採用しているか（単一プロンプト vs 多段階プロンプト、構造化出力の要否など）を定量的に示した。
• 伝統との対比: 従来のペルソナ作成手法（詳細で物語的な記述）と、LLM 生成ペルソナの傾向（簡潔さ、構造化データ化）の乖離を指摘し、そのリスクと機会を議論した。
• オープンデータ: 分析対象とした 83 のプロンプトを公開し、今後の実証研究の基盤を提供した。

4. 結果 (Results)

4.1 プロンプトの使用目的 (RQ1)

• 主な用途: 81.5% が「ペルソナの生成」に使用。その他、予測（25.9%）や評価（14.8%）にも利用。
• 応用分野: 教育、マーケティング、気候変動コミュニケーション、デザインなど多岐にわたる。
• 出力形式: 51.9% が構造化出力（JSON などが主流）を要求。残りは非構造化（物語形式など）。構造化はデータ分析やシステム連携に適している。

4.2 プロンプトの使用方法 (RQ2)

• 使用モデル: 圧倒的にGPT シリーズ（76.1%）が使用されている。DALL-E などの画像生成モデルや他の LLM は少数。モデル間の比較検証は稀である。
• プロンプトの複雑さ:
  • 単一の短いプロンプトから、12 段階に及ぶ多段階プロンプト（システムパイプライン）まで多様。
  • 平均して 1 研究あたり 3.1 個のプロンプトを使用。
  • 63% の研究が複数のプロンプトを組み合わせた「マルチプロンプト戦略」を採用（例：骨格作成→詳細記述→画像生成）。
• 動的データ: 74.1% のプロンプトで、検索拡張生成（RAG）等を用いて動的なデータ変数を挿入している。
• ハイパーパラメータ: 3 分の 1 未満の論文のみがハイパーパラメータ値を明記しており、デフォルト値の無意識な使用が懸念される。

4.3 生成されるペルソナの特性 (RQ3)

• 出力フォーマット:
  • テキスト（96.3%）と数値（66.7%）が主流。
  • 画像の生成は極めて稀（7.4%）。
  • テキストと数値の組み合わせが最も一般的（55.6%）。
• ペルソナの数: 多くの場合、単一のペルソナ（1 人）の生成を指示。多様なユーザー層を代表するセット生成は少ない。
• 情報の豊かさ:
  • 平均して 5.48 個の属性が含まれるが、従来のデータ駆動型ペルソナテンプレート（平均 8.83 属性）と比較して38% 少ない。
  • 「簡潔さ」を求めた結果、詳細な物語性が削がれている傾向がある。
• 属性のカテゴリ:
  • 人口統計情報（年齢、性別、職業など）が 52.0% と最も多く含まれる。
  • 行動、態度、文脈情報も含まれるが、人口統計情報が依然として中心的な役割を果たしている。

5. 意義と示唆 (Significance)

5.1 研究への示唆

• 伝統からの逸脱: LLM 生成ペルソナは、従来の「詳細で共感的な物語」よりも「簡潔で構造化されたデータ」を重視する傾向にある。これはペルソナを「共感ツール」ではなく「データオブジェクト」として扱っている可能性を示唆する。
• 評価の難易度: 複数のプロンプトを連鎖させるシステムが増加しており、個々のプロンプトの出力だけでなく、システム全体の因果関係を評価することが極めて困難になっている。
• バイアスのリスク: 特定のモデル（GPT）への依存や、多様性を欠く単一ペルソナの生成は、ユーザー集団の偏った表現を招く恐れがある。

5.2 実践的な推奨事項

• 一次データの活用: LLM の「知識」のみではなく、実際のユーザーデータ（一次データ）をプロンプトに組み込み、データ駆動性を維持する必要がある。
• ペルソナ理論の理解: 研究者は、共感の創出や多様性の確保といったペルソナ理論の基礎を再学習し、単なる技術的なプロンプト設計だけでなく、倫理的・理論的な側面を考慮するべきである。

5.3 限界と将来展望

• 分野の進化が速いため、分析結果は陳腐化する可能性がある。
• 将来的には、プロンプト設計と出力の質の間の実証的な関係性を解明し、エビデンスに基づくガイドラインの策定が必要である。

---

結論:
本研究は、LLM を用いたペルソナ生成が急速に進化している一方で、プロンプト設計の標準化や評価基準が追いついていない現状を浮き彫りにしました。将来的には、より多様で包括的なユーザー表現を実現するために、技術的な効率性だけでなく、ペルソナの本質的な価値（共感、多様性、代表性）を損なわないプロンプト設計の確立が急務です。