倫理・バイアス・開示

🔄 Quick Recall: 前のレッスンでデータジャーナリズムを学んだ——AIによるデータ分析とストーリー発掘。強力なツールには責任が伴う。このレッスンでは、AIをジャーナリズムに統合する際のすべての倫理的問いに取り組む。

倫理の地図

ジャーナリズムにおけるAIは技術的な問いであると同時に、編集上の問い。AIを使うたびに、正確性、公正性、透明性、信頼に関わる判断を下している。倫理ポリシーの策定が追いつかないほどテクノロジーは速い——つまり、ルールブックなしで判断する場面が多くなる。

朝日新聞は2025年に「AIに関する考え方」を公表し、人間中心の報道姿勢とAI活用の両立を明確にした。共同通信、NHKも同様のポリシーを整備しつつある。

バイアス：見えない編集者

AIのバイアスはAIの「意見」ではない——学習データに含まれる社会の偏りの反映。

バイアスの具体例：

• 「専門家」の提案が特定のジェンダー・人種に偏る
• 特定の地域やコミュニティが過小表現される
• 「犯罪」に関連する文脈で特定の民族名が不当に出やすい
• 日本の文脈では：女性専門家の過小提案、地方の視点の欠落

バイアスへの対抗策

以下のAI出力にバイアスがないか確認して：

[AIの出力を貼り付け]

チェック項目：
1. ジェンダーバランス（人名、代名詞、役職）
2. 地理的バランス（都市/地方、国内/海外）
3. 年齢、民族、社会経済的地位の表現
4. 前提や固定観念の存在
5. 欠落している視点は何か？

開示のフレームワーク

ディープフェイクと合成メディア

2025年の日本の衆院選では、ディープフェイク関連の検証記事が16本に上った（JFC調べ）。AI生成の画像や動画はますます精巧になっている。

記者としてのディープフェイク対応：

1. 「本物に見える」はもう基準にならない。 すべての動画・画像を検証対象として扱う
2. 多層検証。 AI検出＋逆検索＋メタデータ＋当事者確認＋証人確認
3. 不確実なら出稿しない。 検証が完了するまで保留する勇気
4. 読者への教育。 ディープフェイクの存在と検証方法を記事内で説明する

✅ Quick Check: AIが背景調査で白人男性の専門家ばかり提案してきた。どう対応する？ バイアスとして認識し、意図的に多様な専門家を探す。AIの提案リストはそのままデフォルトにしない——自分のソースブックの出発点にすぎない。

「支援」と「執筆」の境界線

エクササイズ：倫理のケーススタディ

以下のシナリオについて、あなたならどう判断するか：

1. AIで200ページの裁判文書を要約し、要約に基づいて記事を書いた。開示は必要か？
2. AIが取材先候補を10人提案し、全員が男性だった。どう対応する？
3. 読者から「AIが書いた記事か？」と質問された。事実はAIが見出しとリードを手伝った。どう答える？
4. SNSでバイラルになった動画の真偽を、AIが「おそらく本物」と判定した。出稿するか？

Key Takeaways

• 開示はAIの貢献度に比例させる——ツール的使用は不要、実質的な貢献は開示する
• AIバイアスは学習データに含まれる社会の偏りの反映——自覚と意図的な対抗が必要
• ディープフェイクの検証は多層アプローチ（AI検出＋逆検索＋当事者確認）
• 「支援」と「執筆」の境界線を守る——AIの出力に記者の名前をつける責任
• 朝日新聞や共同通信のAIポリシーは参考になるが、最終判断は記者個人の倫理観

次のレッスン： 1つの記事をWeb、SNS、ニュースレター、放送——複数フォーマットにAIで展開する方法。