大項目10 AI倫理・AIガバナンス
G検定のAI倫理（大項目10）の整理｜公平性・透明性・バイアス
G検定のJDLA公式シラバス（G2024#6〜）には、大項目10「AI倫理・AIガバナンス」があります。倫理分野は、公平性（偏りをどう見つけ、どう測るか）と透明性（何が起きたかをどう説明し、来歴をどう残すか）の2つの柱で読むと、用語の混同を防げます。
このページは、AI事業者ガイドライン、Google機械学習用語集、総務省の情報通信白書の記述を読み直し、選択肢で間違えやすい違いだけを取り出しています。
公式情報の確認
試験日、料金、申込条件、試験方式など変動する情報は、公式情報を最終確認してください。 当サイトの一次情報確認日: 2026-10-02。
試験の出題範囲・実施要項は変動するため、受験前に公式情報を確認してください。
結論
- 大項目10には、AI社会原則と倫理、バイアスと信頼性、AIガバナンスの3つの中項目がある
- センシティブ属性を削除しても、代理変数などを通じて偏りは残りうる
- 公平性の指標は、人口統計学的パリティ・機会の平等・均等化オッズ・予測パリティで、見ている数字が違う
- フィルターバブルはアルゴリズムの配信が原因、エコーチェンバーはSNSで似た意見が集まることが原因
大項目10の中身
シラバスのキーワード欄を、次の3つの中項目に分けて読みます。右端は、このページで確認した要点です。
| 中項目 | キーワード欄の主な語 | 要点 |
|---|---|---|
| AI社会原則と倫理 | AI倫理、公平性、透明性、プライバシー、プライバシー・バイ・デザイン | プライバシー・バイ・デザインは、設計の段階から保護を組み込む予防的な考え方 |
| バイアスと信頼性 | アルゴリズムバイアス、サンプリングバイアス、センシティブ属性、代理変数、説明可能性、ブラックボックス、フィルターバブル、エコーチェンバー（ほかにディープフェイク、フェイクニュースなどもあるが、このページでは扱わない） | 公平性は偏りの種類と指標、透明性は説明可能性と来歴に分けて読む |
| AIガバナンス | AIガバナンス、リスクベースアプローチ | キーワード欄に載る語。このページでは、載っているという事実の確認にとどめる |
法律や契約は大項目9で別に扱われ、法律分野の整理のページにあります。10大項目全体の位置づけは出題範囲の整理のページを見てください。
公平性：バイアスと代理変数
AI事業者ガイドライン（第1.2版、総務省・経済産業省）は、公平性について、人種、性別、国籍、年齢、政治的信念、宗教などを理由とした不当で有害な偏見や差別をなくすよう努めることが重要だと述べます。回避できないバイアスがあることも認めたうえで、それが人権や多様な文化を尊重する観点から許容できるかを評価することを求めています。
Google機械学習用語集は、センシティブ属性（機密属性）を、法的、倫理的、社会的、個人的な理由で特別な配慮がなされる人間の属性と定義します。代理変数（proxy）は、その代わりに使われる属性で、個人の郵便番号が収入や人種、民族の代理になる例が挙げられています。
機密属性を明示的に削除しても、サブグループが平等に扱われるとは限りません。AI事業者ガイドラインの脚注も、センシティブ属性を取り除いたデータでも関連情報から属性が類推される場合や、複数の属性の組み合わせで生じる交差バイアスがあると述べています。
データの集め方に起因する偏りは、次の4つに分けて整理されています。
| 偏りの種類 | 用語集の説明 |
|---|---|
| サンプリングバイアス | 意図した母集団からランダムに集めず、一部の人だけを集めたことによる偏り。映画館の最前列の人にだけアンケートを配る例では、最前列の人が映画への関心が高いかもしれない |
| 無回答バイアス | 意見の強い人のほうが、任意回答のアンケートに答えやすいことによる偏り |
| 報告バイアス | 人々が行動や結果を記述する頻度が、実世界の頻度を反映していないことによる偏り |
| カバレッジバイアス | データセットが表す母集団と、モデルが予測を行う母集団が一致しないことによる偏り |
一次資料: AI事業者ガイドライン（第1.2版、令和8年3月31日）本編、Google機械学習用語集「公平性」
公平性の定義：4つの指標
Google機械学習用語集は、公平性の指標を別々に定義しています。どの指標も「公平」を測る数字ですが、見ている数字が違います。
| 指標 | 用語集の説明 |
|---|---|
| 人口統計学的パリティ | 分類結果が特定のセンシティブ属性に依存しないときに満たされる指標 |
| 機会の平等 | 望ましい結果を、センシティブ属性のすべての値で平等に予測しているかを見る。陽性クラスなら真陽性率がグループ間で同じ |
| 均等化オッズ | すべてのグループで、真陽性率と偽陽性率の両方が同じであることを求める |
| 予測パリティ | 考慮するサブグループの適合率が同等かどうかを見る |
真陽性率や適合率の意味は、混同行列のページで計算例つきで確認できます。属性と代理変数の違いはセンシティブ属性と代理変数の違いにもまとめています。
一次資料: Google機械学習用語集「公平性」（日本語版。均等化オッズの項は日本語版が「偽陰性率」と訳しているが、英語版の原文に合わせて偽陽性率と書いている）
透明性：説明可能性と来歴
AI事業者ガイドラインは、透明性の項で、検証可能性の確保、関係者への情報提供、合理的かつ誠実な対応、説明可能性・解釈可能性の向上を挙げます。情報提供は、アルゴリズムやソースコードの開示を必ずしも想定せず、プライバシーや営業秘密を尊重して社会的合理性が認められる範囲で行うとされています。
- 同ガイドラインの脚注は、NIST『AI Risk Management Framework』（2023年1月）で、透明性は何が起きたか、説明可能性はどのように決定がなされたか、解釈可能性はなぜその決定がされたかに答えられることと分類されていると紹介する
- 別添は、データの来歴を把握する手段としてデータリネージを挙げ、データが元々どこから来たか、どのように収集・管理され、時間とともに移動したかを知ることと説明する
- 別添は、ブラックボックス化の問題の例として、同じ年収の男性と女性で女性の利用限度額が低いと報告されたクレジットカードを挙げる。金融当局が調べて企業にアルゴリズムの正当性の証明を求めたが、企業は具体的な機能や動作を説明できなかった
3つの語の違いは透明性・説明可能性・解釈可能性の違いのページで比べています。説明可能AI（XAI）の技術側の手法は解釈性とXAIのページで整理しています。
一次資料: AI事業者ガイドライン（第1.2版）本編・別添（付属資料）
フィルターバブルとエコーチェンバー
総務省の情報通信白書は、二つの現象を分けて説明しています。白書の説明を整理すると、フィルターバブルはアルゴリズムによる配信の仕組み、エコーチェンバーはSNS上で似た意見の人が集まる仕組みが軸です。両者の違いはエコーチェンバーとフィルターバブルの違いにも詳しくあります。
- フィルターバブル：プラットフォーム事業者が利用者のクリック履歴などを分析（プロファイリング）して関心のありそうな情報を優先的に配信し、自分の興味のある情報にしか触れなくなる状態。存在に気づきにくい
- エコーチェンバー：自分と似た関心を持つ人が集まる場で、発信した意見に似た意見が返ってきて、特定の意見や思想が増幅していく状態。白書は、同じ意見を何度も聞くと、それが正しいと強く信じ込む傾向があるとも述べる
- 白書は、パリサー（2012）がフィルターバブルの問題として、孤立すること、目に見えないこと、その内側にいることを利用者自身が選んだわけではないことの3つを指摘したと紹介する
一次資料: 総務省『令和5年版 情報通信白書』第1部第3節、『令和元年版 情報通信白書』第1部第4節
選択肢の読み方
資料の記載から、選択肢を次のように読みます。
- 「センシティブ属性を削除すれば公平になる」は、代理変数などで偏りが残りうるという記述と合わない
- 「透明性とは、ソースコードをすべて公開すること」は、開示を必ずしも想定しないというガイドラインの記述と合わない
- 「フィルターバブルは、SNSで似た意見の人が集まって生じる」は、アルゴリズム配信が原因という説明と合わない
- 「機会の平等は、すべてのグループで偽陽性率も同じにする指標」は、均等化オッズの説明で、機会の平等は真陽性率に注目する
ここで挙げた読み方は、一次資料の記載から導いたこのページの整理で、出題を予想するものではありません。
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
よくある質問
センシティブ属性を取り除けば、公平なモデルになりますか？
なりません。Google機械学習用語集は、機密性の高い属性はデータの他の特徴と相関することがほとんどで、機密属性を明示的に削除しても、サブグループが平等に扱われるとは限らないと警告しています。AI事業者ガイドラインの脚注も、関連する情報から類推されたり、複数の属性の組み合わせでバイアスが生じたりする例を挙げています。
代理変数とは何ですか？
センシティブ属性の代わりに使われる属性です。Google機械学習用語集は、個人の郵便番号が、その個人の収入や人種、民族の代理として使われることがある、という例を挙げています。
透明性と説明可能性と解釈可能性は同じ意味ですか？
分けて整理する資料があります。AI事業者ガイドラインの脚注は、NIST『AI Risk Management Framework』（2023年1月）では、透明性は何が起きたか、説明可能性はどのように決定がなされたか、解釈可能性はなぜその決定がされたかに答えられることだと紹介しています。同ガイドライン自体は、情報開示に関する事項を広く透明性と呼ぶと述べています。
透明性のために、アルゴリズムやソースコードを開示する必要がありますか？
AI事業者ガイドラインの透明性の項は、情報提供について、アルゴリズムやソースコードの開示を必ずしも想定せず、プライバシーや営業秘密を尊重して社会的合理性が認められる範囲で行うと述べています。
フィルターバブルとエコーチェンバーはどう違いますか？
総務省の情報通信白書によると、フィルターバブルは、アルゴリズムが個人の履歴を分析して関心のありそうな情報を優先的に表示することで、自分の考え方の泡の中に孤立する状態です。エコーチェンバーは、SNSで自分と似た関心を持つ人が集まる場で、自分の意見に似た意見が返ってきて増幅していく状態です。