🎨 直感で掴む

AI・データの利用は社会に影響します。 公平性・透明性・プライバシーを最初から設計に組み込みましょう。

本ページでは 忘れられる権利 を、 定義・前提条件・使い方・落とし穴の順に整理して解説します。 厳密な定義より、 まず何を、 いつ、 どう使うかを理解することを優先してください。

📐 定義

個人情報の削除を求める権利（GDPR）

英語名 Right to be Forgotten。

🎯 いつ・どこで使うか

• 「倫理」分野の標準的な道具として、 多くの分析で登場します。
• 📚 AI倫理・公平性 を学ぶときに必ず通過する基本概念です。
• 論文・実務レポートで頻出する用語なので、 1 度はちゃんと理解しておくと後が楽です。

📋 前提条件・適用範囲

この用語を理解・使用するときは、 次のような前提を意識してください：

• データの性質：尺度（名義/順序/間隔/比例）と分布を確認
• サンプル数：手法によって最低限のサンプル数が異なります
• 独立性：観測が独立であるかを確認（時系列・パネル等では別の手法が必要）
• 欠損・外れ値：前処理の方針を明確に

⚠️ よくある落とし穴

🐍 Python での扱い

SSDSE-B-2026 のような公的統計データを Python で扱う際の基本パターン：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd
import numpy as np

# データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
print(df.shape)
print(df.dtypes)
print(df.describe())

# 「忘れられる権利」の文脈で扱う場合の例：
# 分野: 倫理
# 関連手法は同カテゴリの他用語を参照してください。

具体的なコードは AI倫理・公平性 を参照してください。

📝 レポートでの報告

分析結果を報告するときに含めるべき情報：

• 使ったデータ：出典・期間・サンプル数
• 適用条件の確認：前提が満たされているか
• 計算結果：数値だけでなく不確実性（CI・SE）も
• 解釈：何を意味するか、 何を意味しないか
• 限界：適用範囲外への拡張は避ける

✅ チェックリスト

• □ 「忘れられる権利」を使う場面か再確認したか
• □ データの尺度・分布・サンプル数を確認したか
• □ 前提条件を満たしているか
• □ 計算した値だけでなく不確実性も把握したか
• □ 解釈と限界を区別したか
• □ 関連グループ教材で全体像を確認したか

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 AI倫理・公平性 — このカテゴリの全体像を学ぶ

🔗 同カテゴリの他用語

🔎 忘れられる権利 ── 深掘り解説

忘れられる権利（Right to be Forgotten, RTBF） は、 古くなった／不適切な／真実でなくなった情報の削除を求める権利。 2014 年 EU 司法裁の Google Spain 判決が起点で、 GDPR 17 条が法制化しました。

🔖 キーワード索引（拡張）

💡 もう少し詳しく

• GDPR 17 条：データ主体は削除を求める権利を持つ（6 つの根拠）
• 例外：表現の自由、 公共の利益、 法的義務、 科学・歴史研究、 法的請求権の確立
• 適用範囲の議論：EU 内のみか、 全世界か — CJEU 2019 年判決で EU 域内限定が原則
• 日本：明文の権利はないが、 名誉毀損・プライバシー侵害として最高裁が削除を認めた事例あり

📐 削除請求の判断式

🧮 GDPR 17 条の 6 つの削除根拠

🐍 Python : 削除台帳

 1
 2
 3
 4
 5
 6
 7
 8
 9

# 削除要求台帳のサンプル
import pandas as pd, datetime
log = pd.DataFrame([
  {'request_id':1,'subject':'user_001','at': datetime.datetime(2026,1,5),
   'reason':'no longer necessary','status':'completed'},
  {'request_id':2,'subject':'user_018','at': datetime.datetime(2026,2,18),
   'reason':'withdrawn consent','status':'in progress'},
])
print(log)

🐍 Python : 論理削除

 1
 2
 3
 4
 5

# データベースからの論理削除
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
target = ['東京都']  # 仮の削除対象
df['active'] = ~df['Prefecture'].isin(target)
print(df[['Prefecture','active']].head(8))

🐍 Python : バックアップトレース

 1
 2
 3
 4

# バックアップからの削除トレース
backups = ['snap_2026_01.parquet','snap_2026_02.parquet']
for b in backups:
    print(f'{b} : delete user_001 → log entry')

🐍 Python : 完了証跡

 1
 2
 3
 4
 5
 6
 7
 8
 9

# 削除完了の証明（hash で改ざんチェック）
import hashlib, json
evidence = {
    'subject':'user_001',
    'completed':'2026-05-20T10:00:00',
    'records_removed':3,
}
print('evidence hash:',
      hashlib.sha256(json.dumps(evidence).encode()).hexdigest())

⚠️ 落とし穴

🔗 関連用語（拡張）

📚 補足資料 — FAQ／追加コード／背景

❓ よくある質問 (FAQ)

🧪 SSDSE-B-2026 を使った追加計算例

🐍 さらにコードを書く

削除請求の処理ステート機械

 1
 2
 3
 4
 5
 6

states = ['received','verified','processed','closed']
current = 'received'
transitions = {'received':'verified','verified':'processed','processed':'closed'}
for _ in range(3):
    current = transitions[current]
    print(current)

分散ストレージからの削除

 1
 2
 3

locations = ['primary_db','data_lake','backup_snapshot','analytics_warehouse']
for loc in locations:
    print(f'delete user_001 from {loc} — log entry created')

証跡保全（改ざん検知）

 1
 2
 3
 4

import hashlib, json
evidence = {'user':'u001','at':'2026-05-20','removed':3}
h = hashlib.sha256(json.dumps(evidence, sort_keys=True).encode()).hexdigest()
print(f'evidence hash : {h}')

💡 実務的アドバイス

• 削除請求は 30 日以内に対応（GDPR）。 延長は 2 か月可、 理由通知必須。
• 削除と忘却は別概念。 法令上は削除でも、 アーカイブが残ることがある。
• 派生分析（モデル等）から個人寄与を除く machine unlearning の研究が進行。
• 削除証跡を 監督機関監査に備えて保存。

🕰 歴史的背景・発展経緯

起源は 1995 年の EU データ保護指令にあった「削除権」の概念。 Google Spain 判決（2014）で具体的解釈が確立。

GDPR 17 条として 2018 年に明文化。 削除請求件数は EU だけで年間 100 万件を超えるとされ、 主要検索エンジンが専用フォームを設置。

日本では 2017 年最判が「忘れられる権利」という名称こそ使わなかったものの、 削除請求に関する一般的な判断枠組みを提示しました。