日本語の学術執筆向けAIヒューマナイザー

日本語のAI humanizerは、英語のものとは異なる問題を解決しなければならない。というのも、手がかりの多くは語彙的というより文法的だからである。日本語の学術文体は通常、冒頭の一文から結論の最終行まで、である調という単一のレジスターを保つが、混在したウェブテキストで学習したモデルは、その一貫性を常に維持できるとは限らない。さらに、汎用アシスタントが既定で使いがちな定型の書き出しや緩和表現がいくつか加わると、そこにある事実がすべて正確であっても、段落全体が生成文らしく読まれ始める。本稿では、そうした手がかりがどのように見えるのか、Turnitin や他の検出ツールが現在どのように日本語を読むのか、そして提出前に何を変える必要があるのかを扱う。

本稿は、同じシリーズにある多言語 AI humanizer ガイドと同じ位置づけにあり、そこでは同じ検出パターンを他の14言語にわたって整理している。今回の記事は日本語に特化し、急いで書かれた下書きを見分けるレジスターの混在から、その下書きが最終的に提出される大学や学術誌までを扱う。後半のデモの組は、実際の AI らしい日本語と humanized した書き換えを並べて示しており、違いは抽象的な説明ではなく、目に見える形で確認できる。以下の内容は、AI の使用を隠すことを主張するものではない。検出ツールが実際に何を測っているのかを理解し、編集の時間を文書全体への一律の処理ではなく、必要な文に向けるべきだと主張するものである。

AI生成の日本語が検出される理由

最も明確な手がかりはレジスターのずれである。論文や学術論文で期待される断定的な文体であるである調と、会話やカジュアルな文章で使われるです/ます体が、同じ箇所の中で混在している場合である。母語話者は文書全体を通して一つのレジスターを保つが、生成された下書きは、ある節をである調で始めた後、1文か2文だけです/ます体に滑り込み、その後また戻ることがある。これは、基礎となるモデルが両方の文体で学習されており、単一の文書内ではどちらか一方を強く優先するようにはなっていないためである。

2つ目の手がかりは、ほかでは無関係な論文どうしで繰り返される語彙である。定型的な書き出しである「~について考察する」(this paper will consider) は、どの単一の話題でも説明しきれないほど、既定の第1文としてより頻繁に現れ、「また」は、母語話者なら接続表現を変えるはずの段落が続く場面で、唯一のつなぎとして使われる。さらに、「~と言えるだろう」のような留保的な結びが生成された下書きのほぼすべての主張に重なり、「~の実施」や「~の活用」のような名詞的表現が、通常の時間的制約の下で人が書いた文章よりもはるかに頻繁に、平易な動詞の代わりに置かれる。このパターンは、words that give away ChatGPT で扱った英語のものに近いが、異なる定型句を通して表れている。

3つ目の手がかりは、語彙ではなく構造である。生成された日本語は、要点を述べるのに3つの明示的な段階を必要としない短い1つの段落の中でさえ、「まず〜次に〜最後に」(first, next, finally) という3段階の枠組みに頼りがちであり、節内の各段落が同じ長さと形に収束する。母語話者は、段落の始め方と終わり方を、それが何をしているかに応じて変える。すなわち、知見を要約するのか、例外を導入するのか、次の節への橋渡しをするのかによって異なる。この変化、あるいはその欠如こそが、次の節で並べて示されるものである。

AIらしく聞こえる日本語はどのように見えるか

以下の対は、教育技術に関する実際の生成段落と、同じ主張を人間らしく書き換えたものから取ったものである。どちらも同じ統計、すなわち68%の教員が参加の増加を報告したという点を保っているため、基礎となる知見自体は2つの版の間で変わらない。変わるのはレジスターである。第1版は抽象的な主張から始まり、「~と言えるだろう」という重ねられた留保で終わるのに対し、書き換え版は具体的な場面から始まり、長い文を短い文に分け、定型的な結びを完全に省いている。日本語を読まない読者のために、各版の英語の要約を第2行に示す。

AIっぽい日本語	人間らしくした後
デジタル技術の活用は現代の教育現場において重要な役割を果たすと言えるだろう。調査によれば、教員の68%が学生の参加度の向上を報告している。このことから、当該技術の導入は学習の質を高めることに貢献するだけでなく、学習者の批判的思考力の育成にも寄与すると考えられる。	デジタル技術が教室に入ってから、授業の雰囲気はかなり変わった。ある調査では、教員の68%が学生の参加度が上がったと答えている。興味深いのは成績だけでなく、学生の考え方そのものが変わった点だ。暗記に頼るのではなく、疑って確かめる姿勢が増えたという。
English gloss: デジタル技術は教育において重要な役割を果たすとされ、68%の教員が参加度の向上を報告し、批判的思考への寄与が主張されている。	English gloss: 同じ68%という数値と同じ主張を保ちながら、具体的な場面から始め、短い文に分け、定型的な結びの「~と言えるだろう」と「~に寄与すると考えられる」を削っている。

日本の大学におけるAI検出

日本の検出環境は、役割の異なる3つのツールで成り立っている。Turnitinは、日本の多くの大学で、テキスト照合とAI執筆検出の両方に用いられており、世界の多くの地域で使われているのと同じである。コピペルナー (Copy Perna) は日本製の剽窃検出ツールで、Turnitinとは独立して広く導入されており、これを利用する教員は、AIの確率そのものではなく、既存テキストとの重複を確認している。GPTZeroは個々の研究者や一部の学部で知られているが、日本では他の2つほど制度的に組み込まれていない。そのため、論文が提出時に専用のAI検出ツールに触れるよりも、TurnitinかCopy Pernaに触れる可能性のほうが高い。

日本の大学が実際に論文をどのように確認するかは、大学全体で一律の規則よりも、教員に大きく依存する。東京大学の公表された指針は、授業における生成AIツールの使用を認めるかどうか、またどのように認めるかの判断は、大学全体の方針ではなく個々の教員に委ねられていると明示しており、単一の包括的規則ではなく教員の裁量が優先されるこの傾向は、より広く見れば学術界全体に見られる。同様の制度的なばらつきはアジアの他地域にも見られる。Thai AI humanizerに関する当方のガイドでは、全国一律の基準ではなく、授業ごとの規則と国の指針が混在する同様の状況を扱っている。

生成AIに関する大学の方針

日本では、大学全体で公開されたAI方針はなお不均一であり、下の表はそれをそのまま反映していて、取り繕ってはいない。今回確認できた範囲では、大学レベルで明確に公表された立場があるのは東京大学のみである。他の5校については、中央で公表された方針は確認できなかったが、それ自体が示唆的である。というのも、それは東京大学が明言しているのと同じ教員レベルの裁量を指し示しているからである。各行は、2025-2026時点で公に確認できた内容のスナップショットとして扱うべきであり、恒久的な規則ではない。これらのページは、そこで述べられているツールと同じくらい速く変わるからである。

University	Country	Published policy stance (2025-2026)
University of Tokyo	Japan	生成AIツールを授業でどのように使用するか、また使用するかどうかの判断は、大学全体で一律の規則ではなく、各教員に委ねている。
Kyoto University	Japan	Kyoto University 自体について、中央で公開された生成AI方針は確認されていない。別の、同名の別機関である Kyoto University of Foreign Studies は、独自のガイドラインを公開している。
Osaka University	Japan	大学全体として確認できる公開のAI方針は見当たらない。日本の大学は一般に、一律の規則よりも教員レベルの裁量を重視しているように見える。
Tohoku University	Japan	確認できる公開のAI方針は見当たらない。機関から直接確認されるまでは、特定の立場は未確認として扱うべきである。
Waseda University	Japan	確認できる公開のAI方針は見当たらない。大規模な私立大学であることから、広く一律の規則ではなく、授業ごとの指針を出している可能性が高く、より広い傾向とも一致する。
Keio University	Japan	確認できる公開のAI方針は見当たらない。機関から直接確認されるまでは、特定の立場は未確認として扱うべきである。

日本における学術誌と引用文化

日本語の研究は、1つの支配的な媒体ではなく、分野ごとの学術誌に分散して掲載されている。一般言語学では言語研究, the Journal of the Linguistic Society of Japan、教育学では教育学研究, the Japanese Journal of Educational Research、心理学では心理学研究, the Japanese Journal of Psychology、社会学では社会学評論, the Japanese Sociological Review、そして応用言語学と言語教育学では日本語教育, the Journal of Japanese Language Teachingである。引用の慣行は、1つの全国標準に従うのではなく、分野ごとに異なる。SIST02, Japan Science and Technology Agency独自の標準は理系分野で一般的であり、APAは心理学と教育学でますます用いられ、Vancouver styleは医学で優勢であり、人文系ではなお、出版社が定める脚注または文末脚注の独自様式が大きく使われている。

ここでは、引用様式は見た目以上に重要である。なぜなら、言語学の学術誌向けに1つの様式で書かれた論文が、却下後に心理学系の媒体へ再投稿される場合、参考文献は書き直すのではなく、書式を整え直す必要があるからである。人間化処理によって、引用形式を静かに変更したり、脚注番号を落としたり、参考文献一覧の項目を書き換えたりすると、注意深い査読者が即座に見抜く種類の誤りが生じるが、それは周囲の文章がどれほど自然に読めるかとは無関係である。日本語原稿に用いるいかなるツールも、SIST02の参照、APAの本文中引用、または脚注番号を、著者が置いた位置に正確に残さなければならない。

TextPulseが日本語AIヒューマナイザーとしてどのように機能するか

TextPulseの多言語モードは、日本語を独立した言語として扱い、翻訳済みテキストに英語の処理系をそのまま適用することはない。これは、上で述べた手がかり、である調のずれ、重なったヘッジ表現、かさ上げされた3段構成が、日本語に固有の文法的パターンであり、英語の規則からきれいには対応しないためである。このツールは、原稿全体を通して単一で一貫した文体を保ち、自身で新たなです/ますの混在を持ち込むことはない。また、慎重な人間の編集者のように、文の長さや接続表現の選択を変え、定型句を別の定型句に置き換えるだけにはしない。

引用、専門用語、数値は、この処理中は固定される。SIST02の参照、APAの本文中引用、あるいは上のデモの組で示した68パーセントのような統計値は、入力されたとおりにそのまま出力される。これは、周囲の散文だけを書き換える場合には、それらを変更すべきではないからである。出力には、提出されたテキストに基づく推定Human Scoreが含まれるが、特定の検出器が何を報告するかについての保証ではない。検出器はそれぞれ独自の更新予定で更新され、同じ文書について互いに異なる判断を下すことがあるためである。