Collecting health narratives at scale: A multi-study evaluation of speech-to-text in health surveys

人間はしばしば、数字やチェックリストでは決して捉えきれない、自身の健康に関する物語を抱えています。医師や研究者は症状や疾患を追跡するために標準化された質問に依拠していますが、こうした硬直した形式では、人が実際に経験している生の質感を見落としてしまう可能性があります。患者が痛みをどのように表現するかというニュアンス、日常生活の苦労について語られる予期せぬ詳細、そして症状を自身の生活と結びつける独特な方法などは、すべて自由記述形式の物語の中に存在します。しかし、こうした物語を大規模な集団から収集することは、歴史的に遅く、費用のかかるプロセスであり、通常は研究者が一人ひとりと対面してインタビューを行う必要がありました。この制約は、最も詳細な記述が収集困難であるために回収されないまま残ってしまうという、集団の健康理解における空白を生んでいます。

ある研究チームは、オンライン調査において音声文字変換ツールを使用することで、現代技術がこの溝を埋めることができるかどうかを検証するため、調査に着手しました。彼らは、人々が回答をキーボードで入力する代わりに、マイクに向かって話すことに抵抗はないのか、そして実際にそうすることで、より豊かで詳細な物語が得られるのかを知りたいと考えました。これをテストするため、彼らは非常に異なる4つのグループ、すなわち、ポストCOVID（罹患後症状）の状態にある人々、健康な成人、性風俗に従事する人々、そして高齢者から参加者を募りました。それぞれの調査において、研究者は人々に選択肢を与えました。自由記述式の質問に対し、キーボードでタイピングして回答するか、あるいは音声文字変換機能を使用して声に出して回答し、コンピュータにその言葉を書き起こさせるか、という選択です。

結果は、話すという行為が、測定可能な形で回答の性質を変化させることを示しました。人々が話すことを選んだ場合、その回答は有意に長くなりました。2つの研究においては、音声による回答はタイピングによるものよりも数百文字多くなり、あるグループでは1つの回答あたり平均で900文字近く増加しました。また、音声による言葉には、物語の核心となる意味を担う具体的な名詞や動詞といった「内容語」が多く含まれており、これは、話すことがより独特なアイデアの共有を可能にしたことを示唆しています。しかし、音声による回答は完璧に洗練されているわけではなく、フィラー（充填語）の割合が高く、タイピングによる回答と比較して語彙の多様性がわずかに低い傾向にありました。これは、音声が情報の量と具体的な詳細を引き出す一方で、会話特有の編集されていない自然な流れをもたらすことを示しています。

しかしながら、この技術の採用率は、すべてのグループで一様ではありませんでした。話すかタイピングするかを選択する割合はグループ間で劇的に異なり、1パーセント未満のグループもあれば、80パーセントに達するグループもありました。この大きな隔たりは、話すという決断が極めて個人的なものであり、置かれた状況に強く影響されることを示唆しています。このツールを利用した参加者は一般に、その利便性と即興性を高く評価しており、タイピングするよりも単に話す方が楽だと感じたと述べています。しかし、プライバシーへの懸念や、公共の場での話すことへの気恥ずかしさ、あるいは単にタイピングによって得られるコントロール感を好むといった理由から、躊躇する人々も多く存在しました。

本研究は、音声文字変換が、大規模な集団からより豊かな健康の物語を収集するための実行可能なツールであるが、万人向けの解決策ではないと結論付けています。この技術は、調査対象となる特定のグループや、回答者が置かれている環境に合わせて、実装を慎重に調整した場合に最も効果を発揮します。ある人々にとって、話すことは自らの物語を共有するための扉を開くものですが、別の人々にとっては、文脈や快適さという障壁が依然として高いままなのです。今後の進むべき道は、こうした差異を理解し、人々の健康体験を共有する際の独自のニーズや好みを尊重した調査を設計することにあります。