技術要約：人間およびAI生成テキスト間の感情的差異

問題提起

人工知能（AI）は伝統的に、情報の検索と再構成に焦点を当てた認知的なツールとして概念化されており、その感情的内容は、体系的な調査対象となるべき性質というよりも、統計的なパターンマッチングの付随的な副産物として扱われることが多かった。既存の研究ではAIと人間のテキストを比較しているが、以下のような重大なギャップが残されている：

1. 方法論的な限界： ほとんどの研究は単一の指標（例：センチメントの極性）に依存しており、穏やかなポジティブさと感情的中立性の区別ができていなかったり、バレンス・アロウザル・ドミナンス（VAD）やカテゴリー的感情分析のような補完的な枠組みを欠いていたりする。
2. 範囲の制約： 先行研究は単一のデータセット、ドメイン、または言語に焦点を当てることが多く、学術、カジュアル、ビジネス、指示的コンテキストにおける知見の汎用性を制限している。
3. 言語的バイアス： 大規模言語モデル（LLM）は世界中で使用され、不平等な表現を持つ言語でトレーニングされているにもかかわらず、証拠は主に英語に基づいている。

その結果、AI生成言語が、複数の言語および感情次元にわたって、人間による執筆と区別される体系的な感情的シグネチャーを示すかどうかは依然として不明である。

方法論

本研究は、25言語と複数のドメインにわたる感情的特性を検証するために、三角測量アプローチを用いた大規模かつ体系的な比較を採用している。

データ収集：

• ソース： コーパスは、Multitude、Multisocial、ViDetect、および M4 Benchmark の4つの異なるデータセットから構築された。
• 規模と多様性： 生のコーパスには、874,325個のテキストサンプル（人間による執筆：181,870個、AI生成：692,455個）が含まれ、25言語に及ぶ。これには、高リソース言語（英語、スペイン語、中国語など）と、過小評価に対処するための低リソース言語（アイルランド語、スコットランド・ゲール語、スロバキア語、エストニア語など）が含まれる。
• バランシング： データセットのサイズの不均衡によるバイアスを防ぐため、言語ごとおよび執筆者ごとの観察数を最大1,000サンプルに制限するバランシング手順を適用した。

分析フレームワーク：
収束的な証拠を確保するため、本研究は5つの補完的な感情測定法を利用している：

1. センチメント極性： tabularisai/multilingual-sentiment-analysis（Transformerベース、5クラス）および vaderSentiment（ルールベース、3クラス）を用いて測定。
2. バレンス・アロウザル・ドミナンス（VAD）： hplisiecki/word2affect_english を使用。これは、文書ごとに平均化された単語レベルのスコアを予測するTransformerベースの回帰モデルである。
3. 基本感情分類： エクマンの6クラス分類に基づく bhadresh-savani/bert-base-uncased-emotion を使用。
4. 微細感情分類： GoEmotionsタクソノミー（28カテゴリ）に基づく fyaronskiy/ModernBERT-large-english-go-emotions を使用。

主な結果

被験者間効果の単変量テストにより、すべての7つの従属変数が、人間によるテキストとAI生成テキストの間で有意に異なっていることが明らかになった（ほとんどで $p < .001$、アロウザルについては $p = .001$）。

1. センチメントとバレンス：

• 方向性の違い： 人間による執筆は、わずかに負の平均複合センチメントスコア（$\approx -0.022$）を示したが、AI生成テキストはわずかに正であった（$\approx 0.006$）。
• バレンス： AIテキストは、人間によるテキスト（$0.500$）と比較して、高い平均バレンス（$0.515$）を示した。規模は小さいものの、この差はセンチメントの知見と方向性が一致している。

2. VAD次元：

• ドミナンス（優位性）： この次元は最大の効果量（$F(1) = 545.20$）を示した。AI生成テキストは、人間によるテキスト（$\approx 0.535$）よりも高い平均ドミナンス（$\approx 0.550$）を示し、知覚される強さや主張の強さを示唆している。
• アロウザル（喚起度）： 最も小さな効果（$F(1) = 10.67$）を示し、両グループ間でほぼ重複していた（人間 $\approx 0.428$、AI $\approx 0.430$）。これは、感情的な活性化の強さが両方のソース間で類似していることを示唆している。

3. カテゴリー的感情：

• 人間による執筆テキスト： 面白さ（57%）、怒り（54%）、不満（51%）、苛立ち（50%）、嫌悪（50%）を含む、反応的、評価的、または対立的な感情において相対的に高い表現を示した。
• AI生成テキスト： 思いやり（64%）、悔恨（63%）、楽観（62%）、称賛（62%）、喜び（62%）を含む、支持的かつ励ましを与える感情において高い相対的表現を示した。また、好奇心、愛、欲求もAIに偏っていた（57–58%）。
• ニュアンス： この区別は、AIによる単純なネガティブの回避ではない。悲しみ、失望、恐怖、悲哀といった脆弱または内向的な負の感情は、狭い範囲（人間によるシェア43–48%）に収まっており、最小限の乖離しか示さなかった。主なギャップは、「反応的な」負の感情と「支持的な」正の感情の間にある。

全体として、カテゴリー的感情の結果は、集計されたセンチメントやVADスコア単独よりも、執筆者の影響に関するより微細な解釈を提供する。人間による執筆は、怒り、嫌悪、苛立ち、不満、驚き、面白さといった反応的、批判的、および評価的な感情と相対的に強く関連している。一方、AI生成テキストは、思いやり、称賛、楽観、喜び、好奇心、愛といった支持的および励ましを与えるレジスターとより強く関連している。このパターンは、両者の感情的な区別が単なる一般的なポジティブさの違いではなく、表現される感情の種類の違いを反映していることを示している。すなわち、AI生成テキストは支持的かつ励ましを与えるレジスタとより強く結びついており、人間による執筆は評価的な感情反応の表現が多い。

主な貢献

• 体系的な感情的シグネチャー： 本研究は、AI生成テキストが、単なる情報伝達ツールではなく、高いポジティブさ、中立性、および知覚されるドミナンスを特徴とする、人間による執筆とは明確に異なる堅牢で体系的な感情プロファイルを持っていることを確立した。
• 多次元的な検証： センチメント、VAD、およびカテゴリー的フレームワークにわたる証拠を収束させることで、本研究は単一の指標による限界を超え、感情的な違いの包括的な視点を提供している。
• 言語横断的な汎用性： 知見は25言語と複数のドメインにわたって保持されており、低リソース言語や多様なコンテキストにおけるエビデンスの欠如に対処している。
• アライメントへの理論的関連： 本論文は、これらの感情パターンを、人間からのフィードバックによる強化学習（RLHF）およびアライメント・メカニズムに関連付け、この「AIポジティブ性」効果が、同意しやすい応答を生成するように設計されたトレーニングプロセスの副産物であることを示唆している。

意義と主張

本論文は、生成AIの出力が、偶発的なものではなく体系的な、測定可能な感情的シグネチャーを保持していると主張している。これには以下の具体的な含意がある：

• 検出： 感情的特徴は、AIと人間のテキストを区別するための効果的な分類器として機能し得る。
• 適用のリスク： カスタマーサービス、教育、メンタルヘルスなどの繊細な領域において、AIの感情的なトーンが言語を問わず一貫していると仮定することはリスクを伴う。英語で検証されたトーンは、他の言語（例：ウルドゥー語やベトナム語）には翻訳されない可能性があり、意図された挙動と実際のシステム挙動の間のミスマッチを引き起こす可能性がある。
• 今後の研究： 本研究は、ベースモデルとインストラクション・チューニング済みモデルを比較して、感情表現に対するアライメントの影響を分離するといった、将来の研究へのテスト可能な経路を提供している。

著者は、感情的なギャップはより広範な現象であるが、その大きさや方向は、特定の生成モデルや文脈的ドメインによって変化し得ることを指摘し、控えめな立場を維持している。