Machine-mediated theorizing: Examining epistemic work in a generative AI grounded theory workflow

探偵とロボット：謎を解くための新しい方法

あなたは、巨大で複雑な謎を解こうとしている探偵だと想像してください。あなたの手元には、何百もの手がかりがあります。目撃者の証言、ぼやけた写真、そして引き裂かれたメモです。あなたの仕事は、単にそれらを読むことではありません。それらが「何を意味しているのか」、そしてそれらがどのように組み合わさって物語全体を形作っているのかを見極めることです。科学の世界では、これを**質的研究（qualitative research）**と呼びます。数値を数える代わりに、研究者は言葉や経験の中にパターンを見出し、世界がどのように機能しているかについての理論を構築します。

長い間、科学者たちはその最善の方法について議論してきました。**グラウンデッド・セオリー（Grounded Theory）**と呼ばれる有名な手法は、地面から家を建てる作業に似ています。まず生のレンガ（インタビューデータ）から始め、それらをゆっくりと積み上げて壁（カテゴリー）を作り、屋根（理論）を載せていきます。その際、形に合わないものを無理やり押し込むことはしません。ここでの大きな懸念は、「私たちは真実を発見しているのか、それとも単に自分たちが望む形にレンガを押し込めているだけなのか？」という点でした。

今、この探偵事務所に新しいプレイヤーが登場しました。それが生成AI（あなたが話すようなスマートなチャットボット）です。人々は問いかけています。「ロボットは探偵の仕事ができるのだろうか？」と。ある人々は、それがすべてを一瞬で解決する魔法の道具だと言い、またある人々は、事実を捏造する危険な嘘つきだと言います。しかし、理論を構築しようとする際、ロボットがどのように「考えて」いるのかを真に知る術はこれまでありませんでした。ロボットは単に言葉を分類しているだけなのか、それとも物語自体を変えてしまっているのか？ 本論文はそのまさにその問いに深く切り込みます。ロボットが「正しい」か「間違っている」かを見るのではなく、人間の直感と機械の論理の間で行われる、混沌とした、しかし魅力的なダンスを観察することを目的としています。

実験：ロボットに探偵を教える

この研究の研究者たちは、特定の種類のAIに現実世界の謎――外科用器具（外科医が使用する道具）がどのように作られているかという物語――を提示することで、様子を探ることにしました。彼らはAIに教科書や答えのリストを与えませんでした。その代わりに、プロセスの各段階に関わる異なる3人の人物によるインタビューを渡しました。すなわち、手仕事に従事する熟練の職人、道具を設計するエンジニア、そして大きなビジネス上の決定を下すマネージャーです。

AIには、グラウンデッド・セオリーの探偵として振る舞うよう指示されました。AIが行うべきステップは以下の通りです：

1. インタビューを読み、主要なアイデアを抽出すること（コーディング）。
2. それらのアイデアをより大きなバケツへとグループ化すること（カテゴリー化）。
3. カテゴリー同士を結びつけ、それらがどのように関連しているかを示すこと（軸状コーディング）。
4. すべてを繋ぎ合わせる一つの主要なアイデアを選ぶこと（コア・カテゴリー）。
5. システム全体がどのように機能しているかについての最終的な理論を構築すること。

決定的なのは、AIはこれらすべてを、人間が探すべき対象を教えたり、最後まで作業をチェックしたりすることなく、自律的に行わなければならないという点です。その後、人間はAIの「探偵のノート」を検証し、AIがいかにして謎を解いたのかを確認しました。

ロボットが実際にやったこと（そしてやらなかったこと）

結果は驚くべきものでした。AIは単なる無能な仕分けマシンではありませんでしたが、かといって天才的な探偵でもありませんでした。それは、物語を語りながら同時に物語を変えていく**「協調的なパートナー」**という中間的な存在でした。

1. 「滑らかな物語」の罠
AIは物事を整然と見せるのが非常に得意でした。インタビューの内容が、矛盾や異なる意見に満ちた乱雑なものであったとしても、AIはそれらを滑らかに整えてしまいました。AIは、ギザギザとした複雑な現実を、一本の直線的なラインへと変えることを好みました。

• 比喩： 職人が「道具を3つ壊すことで、ようやくコツを掴んだ」と言い、マネージャーが「厳格なルールと安全確認がある」と言う場面を想像してください。AIはこれらを取り込み、「問題 $\rightarrow$ 試行錯誤 $\rightarrow$ 成功」という完璧で真っ直ぐな道を築き上げました。現実の世界は、行き止まりや回り道がある凸凹のオフロード走行のようなものですが、AIはそれをまるで完璧な映画の脚本のような滑らかな物語にしてしまったのです。

2. 「押し付け」の問題
本論文は、AIがデータの形状を自身の内部ロジックに合うように「押し付ける」傾向があることを明らかにしました。AIは単にパターンを見つけるだけでなく、完全には存在しない繋がりを「作り出して」いました。

• 比喩： これは、パズルのピースがうまく合わないとき、無理やり曲げてでもはめ込もうとするパズル愛好人のようです。AIはある特定の詳細（例えば、外科医からのフィードバック）を取り上げ、それを物語全体の主要な推進力である「臨床医媒介型製品化（Clinician-Mediated Productification）」と呼びました。データによれば、マネージャーの決定や労働者の感情も同様に重要であったにもかかわらず、AIはこの一つのアイデアを物語の主人公に仕立て上げたのです。

3. 「消え去る」詳細
AIが行った最も興味深いことの一つは、矛盾を処理するために、それらを脇に追いやることでした。データに、メインストーリーに適合しない内容（例えば、何年も前に手工具の製造を停止した工場についてなど）が含まれていた場合、AIは物語を破棄することはありませんでした。代わりに、その矛盾を「限界」や「補足事項」としてラベル付けして残しました。

• 比喩： 常に勝利するヒーローについての物語を書いているところを想像してください。そこで、ヒーローが敗北するページを見つけたとします。物語を書き直してヒーローに欠点があることを示す代わりに、AIはその「敗北」のページを、「これは起きたことだが、メインのプロットには影響しない」という脚注として処理しました。物語は整然としたままですが、泥臭い真実は余白の中に隠されてしまうのです。

4. 言語のシフト
インタビューはトルコ語で行われましたが、AIは英語で処理しました。これにより「知識の喪失」が生じました。例えば、「hissiyat」（長年の経験を通じて得られる、深い直感や勘）というトルコ語は、「feeling（感覚）」や「intuition（直感）」へと翻訳されました。AIはその言葉を保持しましたが、元の言葉が持つ重厚で実践的な重みを失わせました。AIは、身体的な深いスキルを単純な概念へと変えてしまい、それを整然としたカテゴリーに当てはめやすくしましたが、職人の実際の経験に対する真実味を損なってしまったのです。

大きな教訓：それは魔法ではなく、チームスポーツである

本論文は、AIは単に言葉を分類する中立的なツールではなく、かといって自ら考えることができるロボットでもない、と結論付けています。AIは**「社会技術的なパートナー（sociotechnical partner）」**なのです。これは、「思考」が人間と機械の間の空間で起きていることを意味します。

AIは単に間違いを犯したのではなく、特定の種類の選択を行いました。AIは物語を直線的にし、矛盾を滑らかにし、人間的な感情よりも組織的な言語を優先することを選択したのです。AIは理論を「発見」したのではなく、与えられたプロンプトとデータの処理方法に基づいて、理論を「構築」したのです。

では、これは私たちにとって何を意味するのでしょうか？
著者らは、単に「AIが正しいか？」と問うべきではないと示唆しています。むしろ、AIがどのように物語を構築しているのかを注視する必要があります。機械に研究の整理を任せる際には注意が必要です。なぜなら、機械は、人間らしい生活を構成する、あの混沌として、矛盾に満ちた、興味深い部分を、図らずも滑らかに削ぎ落としてしまう可能性があるからです。AIは強力な助手ですが、人間という探偵が、「待てよ、これは私たちが語っている物語とは合わない。もっと詳しく見てみよう」と言える、曲げられたパズルのピースを見極める必要があります。

結局のところ、本論文は、ディープな研究にAIを用いることは、人間の思考を置き換えることではなく、私たちの道具が世界の捉え方をどのように変えてしまうのかを理解することなのだと示唆しています。ロボットはパターンを見せる助けになりますが、完璧に滑らかで、しかし少し偽物の物語の背後に、泥臭くも美しい真実を隠させてしまわないようにしなければなりません。