🤔 1. なぜ AI 倫理が必要か

AI システムは「自動化されたスケール」で意思決定を下す → 過去の不公平が拡大再生産される危険。

有名な事例

• COMPAS（米司法）：再犯予測ツールが黒人に不利な判定を出していた
• Amazon の採用 AI：女性の履歴書を不利に評価し利用中止
• Apple Card：同一世帯で夫より妻の与信枠が小さい
• Microsoft Tay：Twitter の悪意ある入力で差別的発言を学習
• 顔認証の精度差：肌の色・性別で誤認識率が大きく異なる

📋 2. 主要な AI 原則

共通する 5 原則（OECD・G7・EU・日本ガイドライン）

1. 人間中心・人権尊重
2. 公平性・無差別
3. 透明性・説明可能性
4. 頑健性・安全性
5. 責任・説明責任 (Accountability)

日本の「AI 利用ガイドライン」（2024）

総務省・経産省が共同で策定。 提供者・利用者・公開者の責務を整理。

⚖️ 3. 公平性 (Fairness)

センシティブ属性 $A$（性別・人種・年齢等）に対し、 予測 $\hat{Y}$ が不当に依存しないこと。

3.1 主な公平性指標

3.2 不可能性定理 (Chouldechova 2017)

「Demographic Parity」「Equalized Odds」「Predictive Parity」は同時には満たせない（基底率が異なる場合）。 文脈に応じてどの公平性を優先するかの選択が必要。

3.3 統計的差別

個人ではなく「グループ統計」で判断する不公平。 例：「保険料を年齢で決める」のは統計的差別の代表例。 合理性と差別性のグレーゾーン。

3.4 データに潜むバイアス

• 歴史的バイアス：過去の差別が訓練データに反映
• 表現バイアス：マイノリティがデータに少ない
• 測定バイアス：センシティブ属性で測定方法が違う
• 集約バイアス：複数群を 1 モデルで扱う
• 評価バイアス：評価データが偏っている
• 展開バイアス：訓練時と運用時で分布が違う

1
2
3
4
5
6

from fairlearn.metrics import demographic_parity_difference, equalized_odds_difference

dpd = demographic_parity_difference(y_true, y_pred, sensitive_features=A)
eod = equalized_odds_difference(y_true, y_pred, sensitive_features=A)
print(f'統計的均衡差: {dpd:.3f}')
print(f'等オッズ差: {eod:.3f}')

🔍 4. 説明可能性 (XAI)

モデルの予測理由を人間が理解できる形で示す技術群。

分類

• 本質的に解釈可能：線形回帰、 決定木、 ロジスティック回帰
• 事後説明 (post-hoc)：複雑モデルの後付け説明。 SHAP・LIME・PDP
• 大域的説明：モデル全体の振る舞い
• 局所的説明：個別予測の根拠

4.1 SHAP（Shapley Additive exPlanations）

協力ゲーム理論の Shapley 値に基づき、 各特徴量の予測寄与を公平に分解。

1
2
3
4
5

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)
shap.force_plot(explainer.expected_value, shap_values[0], X_test.iloc[0])

4.2 LIME（Local Interpretable Model-agnostic Explanations）

注目点の周辺で線形モデルを学習し、 局所的に近似説明。

4.3 PDP / ICE

Partial Dependence Plot：特徴量を動かしたときの予測平均。 ICE：個体ごとの予測。

1
2

from sklearn.inspection import PartialDependenceDisplay
PartialDependenceDisplay.from_estimator(model, X, ['一人当たり県民所得', '高齢化率'])

🔒 5. プライバシー保護

5.1 匿名化技法

• 削除：直接識別子（氏名・住所）を消す
• 仮名化：別 ID に置換
• 一般化：「26 歳」→「20代」
• 抑制：希少属性の値を非表示
• k-匿名性：同じ準識別子の組合せが k 件以上
• l-多様性：センシティブ属性に l 種類の値
• t-近接性：群内の感度属性分布が全体に近い

5.2 差分プライバシー (DP)

個人の有無で結果がほとんど変わらない保証。 Dwork ら 2006。 ノイズを加えて統計を計算。

$$P(M(D) \in S) \le e^\varepsilon P(M(D') \in S)$$

$\varepsilon$（プライバシー予算）が小さいほど強い保護。 米国 Census 2020 等で実装。

5.3 連合学習 (Federated Learning)

データを集めず、 端末上で学習しモデルの重みだけを集約。 スマホの予測変換等で実用化（Google）。

5.4 準同型暗号 / Secure Aggregation

暗号化したまま計算。 計算コスト大だが医療・金融で研究進行中。

5.5 同意とオプトイン

• 取得目的・利用範囲・第三者提供の明示
• 撤回可能な同意
• 子どもデータの特別扱い
• センシティブカテゴリ（要配慮個人情報）の同意義務

🏛 6. AI ガバナンス

• 影響評価：DPIA（データ保護影響評価）、 AI 影響評価
• 監査：第三者による独立監査
• レッドチーミング：敵対的に脆弱性を探す
• モデルカード：モデルの性能・制限を文書化（Google）
• データシート：データセットの背景・偏りを文書化
• 説明責任：誤判定時の責任主体を明確化

📜 7. 主要な規制

7.1 GDPR（EU 一般データ保護規則、 2018）

• 個人データの取扱原則：合法性・公正性・透明性
• データ主体の権利：アクセス・訂正・削除・移植・自動意思決定への異議
• 違反時の最大制裁金：全世界売上の 4% または 2,000 万ユーロ

7.2 EU AI Act（2024 採択、 2026 完全施行予定）

世界初の包括的 AI 規制。 リスクレベルで規制：

• 許容できないリスク：社会的スコアリング・操作型サブリミナル等 → 禁止
• 高リスク：採用・教育・司法・社会保障など → 厳格な義務（リスク管理・データガバナンス・透明性・人間の監督）
• 限定的リスク：チャットボット等 → 透明性義務
• 最小限のリスク：スパムフィルタ等 → 規制なし
• 汎用 AI (GPAI)：基盤モデル → 別途義務

7.3 日本：改正個人情報保護法

• 2022 改正：仮名加工情報・個人関連情報の制度化
• 2024 改正検討：AI 学習データの扱い・国外移転規制強化

7.4 米国：NIST AI Risk Management Framework

2023 公開。 任意ガイドラインだが業界標準化。 「Govern / Map / Measure / Manage」の 4 機能。

🎭 8. Deepfake と偽情報

• Deepfake：GAN・拡散モデルで作る合成映像・音声・画像
• 検出技術：周波数領域の不自然さ、 まばたき頻度等で判定
• 電子透かし：C2PA・SynthID 等で生成元を埋め込み
• 運用対策：メディアリテラシー教育、 ファクトチェック
• 法整備：日本でも生成 AI 関連の議論が進行中

⚖️ 9. 公平性と精度のトレードオフ

• 公平性を満たすほど、 全体精度は下がりうる
• 異なる公平性指標を同時に満たすのは原理的に不可能
• 「精度最大化」と「公平性最大化」のパレートフロンティアを描いて選択
• 制約付き最適化（fairlearn の Reduction Approach 等）

1
2
3

from fairlearn.reductions import ExponentiatedGradient, DemographicParity
mitigator = ExponentiatedGradient(estimator=base_clf, constraints=DemographicParity())
mitigator.fit(X, y, sensitive_features=A)

⚠️ 10. AI 倫理の落とし穴

🏋️ 11. 練習問題

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
from sklearn.linear_model import LogisticRegression
from fairlearn.metrics import demographic_parity_difference, equalized_odds_difference
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df['y'] = (df['一人当たり県民所得'] >= df['一人当たり県民所得'].median()).astype(int)
A = (df['人口密度'] >= df['人口密度'].median()).astype(int)
X = df[['世帯人員','高齢化率','就業率']]
m = LogisticRegression(max_iter=1000).fit(X, df['y'])
pred = m.predict(X)
print('DPD:', demographic_parity_difference(df['y'], pred, sensitive_features=A))
print('EOD:', equalized_odds_difference(df['y'], pred, sensitive_features=A))

1
2
3
4

import shap
explainer = shap.LinearExplainer(m, X)
sv = explainer.shap_values(X)
shap.summary_plot(sv, X)

📝 12. モデルカード・レポートの記載例

Google の Model Cards や HuggingFace の Model Card に従う：

• モデル概要：用途・想定ユーザー
• 訓練データ：出典・期間・偏り
• 評価指標：精度 + 公平性指標
• 制限事項：適用範囲外・既知のバイアス
• 倫理的配慮：公平性・プライバシー・透明性の対応
• 連絡先：問題発見時の通報先

🐍 13. ライブラリ早見表

📜 14. AI 倫理の歴史

• 1942：アシモフのロボット三原則（SF）
• 1995：EU データ保護指令
• 2016：ProPublica の COMPAS 記事 — AI 差別問題が大衆化
• 2018：GDPR 施行
• 2019：OECD AI 原則、 G20 AI 原則
• 2020：日本「人間中心の AI 社会原則」
• 2021：UNESCO AI 倫理勧告
• 2023：NIST AI RMF、 大手 LLM の安全性議論本格化
• 2024：EU AI Act 採択、 日本「AI事業者ガイドライン」公開
• 2026：EU AI Act 完全施行（予定）

💼 15. 実務での実装

• 金融：与信モデルの公平性監査
• HR：採用・人事評価 AI の差別チェック（EEOC ガイドライン）
• 医療：誤診の影響評価、 説明可能性の必須化
• 司法：再犯予測の透明性
• マーケティング：センシティブ属性のターゲティング規制
• 生成 AI：著作権・誤情報・なりすまし対策
• 政府：行政 AI の影響評価（EIA）

✅ 16. AI 倫理チェックリスト

• □ 想定ユーザーと用途を明確に書いたか？
• □ センシティブ属性を特定し、 直接利用・代理変数の利用を確認したか？
• □ 公平性指標（DPD、 EOD等）を計測したか？
• □ 誤判定時の影響（誤陽性・誤陰性のコスト）を群別に評価したか？
• □ SHAP・LIME 等で説明可能性を確保したか？
• □ 個人情報の取扱い・匿名化・同意を確認したか？
• □ モデルカード・データシートを作成したか？
• □ 運用時のモニタリング設計（ドリフト・性能・公平性）をしたか？
• □ 異議申立・修正のチャンネルを用意したか？
• □ 関連規制（GDPR・個人情報保護法・EU AI Act）の適用範囲を確認したか？

❓ 17. よくある質問

Q. 「精度が高ければ公平性は気にしなくていい」？

A. ノー。 全体精度が高くてもグループ間で偏ったエラー分布になりうる。 採用・与信・医療など、 個人の人生に影響する判断では公平性が必須。

Q. センシティブ属性を学習データから削除すれば公平？

A. ノー。 郵便番号・名前など代理変数経由でセンシティブ属性が間接的に学習される。 公平性指標で必ず検証する。

Q. すべての公平性指標を満たすにはどうすれば？

A. 原理的に不可能（Chouldechova 2017）。 文脈に応じて優先する公平性を選び、 トレードオフを明示する。

Q. 生成 AI の倫理問題は？

A. 著作権侵害（学習データ）、 ハルシネーション、 Deepfake、 マイノリティの表現バイアス、 環境負荷（CO₂排出）、 労働への影響など多岐。

📖 18. 倫理事例の深掘り

18.1 COMPAS（米国・再犯予測ツール）

2016 年 ProPublica が分析。 アフリカ系米国人に対し誤って高リスクと判定する率（誤陽性率）が白人の約 2 倍。 一方、 開発元 Northpointe は「予測値均衡（Predictive Parity）は満たしている」と反論。

これは Chouldechova の不可能性定理の代表例：基底再犯率が異なる集団間で「等オッズ」と「予測値均衡」は両立しない。 どちらの公平性を優先するかは社会的判断。

18.2 Amazon の採用 AI（2014-2017）

過去 10 年の履歴書で学習 → 「女性」を含む単語にペナルティ。 過去の採用バイアスがそのまま学習されたケース。 開発中止に。

教訓：歴史的バイアスはセンシティブ属性を削除しても代理変数経由で残る。

18.3 顔認識の精度差（Gender Shades 2018）

MIT の Joy Buolamwini らが大手 3 社の顔認識システムを評価。 「白人男性」エラー率 0.8% に対し「黒人女性」エラー率 34.7%。 訓練データの偏りが原因。

18.4 ChatGPT・大規模言語モデルの課題

• ハルシネーション（もっともらしい嘘）
• 著作権（学習データ・出力）
• マイノリティ言語・文化の過小代表
• ジェイルブレイク・プロンプトインジェクション
• 環境負荷（学習で数百トン CO₂）
• 雇用・教育への影響

🎨 19. Ethics by Design — 設計プロセスへの組み込み

1. 問題定義：誰のための・誰に影響する AI か
2. 影響評価：誤判定で誰が損するかを群別に予測
3. データ設計：偏りなくサンプリング、 センシティブ属性の取得
4. モデル設計：解釈可能性・公平性を要件として組み込み
5. 評価：精度・公平性・頑健性を多面的に
6. ガバナンス：モデルカード・通報窓口・撤回手順
7. 運用モニタリング：ドリフト・公平性の継続観測
8. 退役：いつどう停止するかをあらかじめ計画

🌐 20. 世界の AI ガバナンス比較

📖 21. AI 倫理用語集（クイックリファレンス）

📚 22. さらなる学習

• O'Neil "Weapons of Math Destruction"（数学破壊兵器）
• Barocas, Hardt, Narayanan "Fairness and Machine Learning"（無料公開）
• Mitchell ら "Model Cards for Model Reporting"（2019）
• Gebru ら "Datasheets for Datasets"（2018）
• 総務省・経産省「AI 事業者ガイドライン」（2024）
• UNESCO "Recommendation on the Ethics of AI"（2021）
• 講座：Coursera "AI For Everyone"（Andrew Ng）

📄 23. モデルカード・レポートテンプレート

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

# モデルカード

## モデル詳細
- モデル名:
- バージョン:
- 開発組織:
- ライセンス:
- 連絡先:
- 想定ユースケース:
- 想定外のユースケース:

## 訓練データ
- 出典:
- 期間:
- 件数 / 特徴:
- ライセンス:
- 偏りや代表性の制限:

## 評価データ
- 出典:
- 件数:
- 訓練データとの違い:

## 評価結果
### 全体精度
- Accuracy / F1 / AUC / MAE etc.

### グループ別精度（センシティブ属性ごと）
- 性別:
- 年齢層:
- 地域:
- その他:

### 公平性指標
- Demographic Parity Difference:
- Equalized Odds Difference:

## 倫理的配慮
- 想定リスク:
- 緩和策:
- 同意取得:
- データ最小化:

## 既知の制限
- 適用範囲外:
- 既知のバイアス:
- 失敗パターン:

## メンテナンス
- 更新頻度:
- モニタリング指標:
- 退役計画:

🔗 関連用語

• データリテラシー
• 機械学習の基礎
• アンサンブル学習 — SHAP
• 評価指標
• 分類モデル基礎
• 生成AI — 倫理課題が集中

🧮 SSDSE-B-2026 実値計算例 — 「持ち家比率」予測モデルに公平性指標を適用

SSDSE-B-2026 を「都市部 vs 非都市部」で 2 群に分け、 各群で予測誤差・予測値の平均を比較します。 これは公平性の最小例（地域属性で性能差が出ていないか）です。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
num = df.select_dtypes(include='number').dropna()
# 都市部・非都市部を人口密度で分割
median_pop = num['総人口'].median()
num['group'] = (num['総人口'] >= median_pop).map({True:'都市部', False:'非都市部'})

X = num.drop(columns=['持ち家比率', 'group'])
y = num['持ち家比率']
m = LinearRegression().fit(X, y)
num['pred'] = m.predict(X)

for g, sub in num.groupby('group'):
    mae = mean_absolute_error(sub['持ち家比率'], sub['pred'])
    print(f'{g}: pred平均={sub.pred.mean():.2f}, '
          f'実測平均={sub["持ち家比率"].mean():.2f}, MAE={mae:.2f}')

⚠️ 落とし穴（補強版 — AI 倫理実装で踏みやすい7つの罠）

🐍 Python 実装バリエーション（fairlearn / AIF360 / SHAP / DP）

🅰️ fairlearn — 公平性指標と緩和

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# pip install fairlearn
from fairlearn.metrics import demographic_parity_difference, equalized_odds_difference
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
num = df.select_dtypes(include='number').dropna()
# 持ち家比率の上位/下位を 0/1 にして 2 値分類問題を作る
y = (num['持ち家比率'] >= num['持ち家比率'].median()).astype(int)
sensitive = (num['総人口'] >= num['総人口'].median()).astype(int)
X = num.drop(columns=['持ち家比率'])

m = LogisticRegression(max_iter=2000).fit(X, y)
yhat = m.predict(X)
print('Demographic Parity Diff:', demographic_parity_difference(y, yhat, sensitive_features=sensitive))
print('Equalized Odds Diff   :', equalized_odds_difference(y, yhat, sensitive_features=sensitive))

🅱️ SHAP で説明可能性

1
2
3
4
5
6

# pip install shap
import shap
explainer = shap.LinearExplainer(m, X)
shap_values = explainer.shap_values(X)
shap.summary_plot(shap_values, X)   # 全体寄与
shap.dependence_plot('総人口', shap_values, X)  # 単一変数の依存

🅲 AIF360 — IBM のフレームワーク

1
2
3
4
5

# pip install aif360
from aif360.datasets import BinaryLabelDataset
from aif360.metrics import BinaryLabelDatasetMetric
# BinaryLabelDataset へ変換して disparate_impact() などを呼ぶ
# 詳細は AIF360 ドキュメント参照

🅳 差分プライバシー（diffprivlib）

1
2
3
4

# pip install diffprivlib
from diffprivlib.models import LogisticRegression as DPLogReg
dp = DPLogReg(epsilon=1.0, data_norm=5.0).fit(X, y)
print('DP モデル精度:', dp.score(X, y))

📦 主要ライブラリ早見表

🔗 関連用語（前提・並列・発展）

📚 前提となる用語

• 機械学習の基礎 — 何が「公平」かを語る前提
• 分類モデル基礎 — 公平性指標の多くは分類向け
• 評価指標 — Accuracy / Precision / Recall を群別に分けて計算
• データリテラシー — データ収集の社会文脈
• 交絡 — プロキシ差別の理論基盤

🔄 並列・同レベルの用語

• 公平性（fairness） — AI 倫理の中核概念
• 説明可能性（XAI） — 並列概念
• プライバシー保護 — DP, 連合学習
• アカウンタビリティ — 監査ログ, モデルカード
• 頑健性 — 敵対的攻撃に対する耐性

🚀 発展・応用

• 因果推論 — 説明性と公平性の上位枠組
• 反事実説明 — 個別判断の透明化
• 差分プライバシー — 数学的保証
• 連合学習 — データを共有せずに学習
• 生成 AI — ハルシネーション・著作権・誤情報
• AI ガバナンス — EU AI Act, NIST RMF

🎨 直感で掴む — AI 倫理

AI 倫理は「技術的に可能でも、 社会的に許されるのか」を問う領域。 採用 AI が性別で不利な判断を下す、 顔認証が特定の人種で誤検知が多い、 など実害が積み重なって体系化されてきた。 SSDSE-B-2026 のような都道府県集計値でも、 「離島を不利に扱うモデル」「過疎地の医療資源を低く評価するモデル」が無自覚に出来上がりうる。

AI 倫理 は「AIと社会」カテゴリの中核概念。 初めて触れる読者は、 まずこの「🎨 直感」セクションだけ通読し、 必要になった時点で「📐 数式」「🐍 Python」「⚠️ 落とし穴」へ戻る読み方が定着しやすいです。

📐 定義・数式 — AI 倫理

直感の次は、 厳密な定義を確認します。 数式は言語の一種で、 一度書き慣れれば「言葉より速く伝えられる」便利な道具。 慣れていない方は、 各記号が何を表すかを下の「🔬 記号読み解き」で 1 つずつ確認してください。

🔬 記号読み解き — 数式を「言葉」に翻訳

上の数式を眺めるだけでは身につかないので、 各記号がどんな役割を担っているかを言葉で押さえます。 「数式を音読する習慣」がつくと、 論文や教科書を読むスピードが体感で 2 倍ほど上がります。

左辺（結果側）

AI 倫理 で定義したい量。 解釈の対象。 単位・スケールを必ず確認する。

右辺（構成要素）

観測できる入力変数（SSDSE-B-2026 でいえば A1101・L3221 など）と推定対象パラメータ（β, σ 等）の組合せ。

添字 i, j, t

i=サンプル（県）、 j=変数、 t=時点。 SSDSE-B-2026 は i ∈ {1..47} 県、 t ∈ {2008..2023}。

和記号 Σ

「足し合わせ」を表す。 添字 i が 1 から n まで動く範囲を明示するのが習慣。

期待値 E[·]、 分散 Var[·]

「ランダム変数の平均」と「ばらつき」。 SSDSE-B-2026 のような集計値でも、 標本誤差・年次変動の文脈で使える。

🧮 実値で計算してみる — SSDSE-B-2026

数式だけでは「実感」が湧きにくいので、 実データ data/raw/SSDSE-B-2026.csv（47 都道府県 × 16 年）で 1 度手計算してみると理解が定着します。

SSDSE-B-2026 の 2023 年データで、 「都市集中度」を A1101 を使って計算すると、 上位 8 県（東京・神奈川・大阪・愛知・埼玉・千葉・兵庫・福岡）で全国人口の約 46% を占める。 もし AI が「人口の少ない県のデータを学習データから除外」する設計だと、 残り 39 県の生活実態はそもそもモデルに反映されない。 これは「データ被覆性 (Data Coverage)」の倫理問題に直結する。

上記は SSDSE-B-2026 (2023) からの抜粋。 手計算で確認した値が、 後述の Python 実装で得る値と一致することを確認すると、 「数式とコードの対応関係」がクリアに見えるようになります。

🐍 Python 実装 — AI 倫理

公的統計（SSDSE-B-2026）を題材に、 最小限の Python コードで AI 倫理 を動作させます。 まずはこのまま実行してみてください。

# AI 倫理 を SSDSE-B-2026 で実行する最小コード
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年のみ抽出
print(df.shape)  # (47, 112)
print(df[['Prefecture','A1101','A1303','L3221']].head())

# 都市集中度の計算（倫理レビュー用）
top = df.sort_values('A1101', ascending=False).head(8)
print('上位8県の人口合計:', top['A1101'].sum())
print('全国人口:', df['A1101'].sum())
print(f'集中度: {top["A1101"].sum()/df["A1101"].sum():.1%}')
# 65歳以上比率（県別）
df['aging_rate'] = df['A1303'] / df['A1101']
print('最高高齢化率:', df['aging_rate'].max())
print('最低高齢化率:', df['aging_rate'].min())

上のコードで動かない場合は、 ①必要なパッケージがインストール済みか（pip install pandas scikit-learn scipy statsmodels matplotlib）、 ②データファイルが data/raw/SSDSE-B-2026.csv に存在するか、 ③encoding='cp932' になっているかを確認してください。

⚠️ よくある落とし穴 — AI 倫理

AI 倫理 を使うときに初学者が踏みやすい失敗パターン。 1 度経験してしまえば次から避けられますが、 先に知っておくに越したことはありません。

🌐 関連手法・派生 — AI 倫理 の周辺

AI 倫理 の周辺にある、 セットで覚えておきたい関連手法を整理しました。 状況によって使い分けが必要なので、 「強みと弱み」を 1 行で言えるようにしておくと、 場面に応じた選択が可能になります。

表中の各手法は本サイト内に個別ページが用意されているか、 関連グループ教材で扱っています。 興味を持った手法は、 横展開的に読んでみると体系的な理解が早く進みます。

🔗 関連用語（前提・並列・発展）

AI 倫理 と直接つながる前後関係。 「前提」=先に知っておくと理解が早い／「並列」=同じ問題に別の角度／「発展」=応用・拡張版。 学習計画の参考にどうぞ。

• 🔗 プライバシー
• 🔗 説明責任
• 🔗 透明性
• 🔗 AI 安全性
• 🔗 信頼性
• 🔗 AI と社会
• 🔗 アルゴリズムバイアス
• 🔗 SHAP
• 🔗 AI 史

📚 関連グループ教材 — AIと社会

AI 倫理 の全体像を学ぶには、 横断的な教材から入るのが効率的：

• 📚 論文一覧 — AIと社会 の再現論文を一覧できる
• 📚 用語集トップ — AI 倫理 の周辺概念を一気に俯瞰
• 📚 概念マップ — AI 倫理 がどの位置にあるか確認