【Human–AI Relations 領域8】AIとアクセシビリティ・支援技術・社会参加 ―― AIを使い続けることは、能力不足や自律喪失を意味するのか
Human–AI Relations 監査インデックス β
領域 8 / Domain 8
Accessibility・Assistive Technology・Participation
AIを使い続けることは、能力不足や自律喪失を意味するのか
0. Document Status
Document Type: Domain Audit / Publication Version
Domain: Accessibility・Assistive Technology・Participation
Status: Publication Closure
Theory Status: 新しい包括的AI Accessibility Theoryの提案ではない
Primary Function: AIによる支援について、アクセス(Access)、課題遂行(Task Performance)、参加(Participation)、自律(Autonomy)、著者性(Authorship)、包摂(Inclusion)、公平性(Equity)、技術依存(Technology Dependence)を分離して監査する
Parent Protocol: Domain 0 — Cross-Domain Audit Protocol
Primary Audit Unit: Person × AI/System × Task × Environment × Support × Participation × Outcome × Time Horizon
本領域では、
AIを使えば障害が解消される
という命題も、
AIを使い続けるなら本人は自立していない
という命題も採用しない。
問うべきなのは、
どの本人が、どのAI・システムを、どの課題・環境で利用し、どの障壁を下げ、どの参加を可能にし、その際に自律、著者性、公平性、インフラ依存がどう変化したのか
である。
1. Domain
本領域では、AIが、
視覚情報アクセス(Visual Information Access)
音声認識(Speech Recognition)
字幕・音声支援
拡大・代替コミュニケーション(Augmentative and Alternative Communication: AAC)
手話認識・生成・翻訳
認知支援(Cognitive Assistance)
移動支援(Mobility Assistance)
学習・就労上の合理的配慮
神経多様性(Neurodiversity)に関するコミュニケーション支援
公共サービスへのアクセス
等に用いられる場合を扱う。
中心的に区別するのは、
アクセス(Access)
利用可能性(Availability)
使用可能性(Usability)
実効的利用(Effective Use)
課題遂行(Task Performance)
機能的能力(Functional Ability)
参加(Participation)
包摂(Inclusion)
自律(Autonomy)
自己決定(Self-Determination)
著者性(Authorship)
意図忠実性(Intent Fidelity)
公平性(Equity)
信頼性(Reliability)
技術依存(Technology Dependence)
インフラ依存(Infrastructure Dependence)
である。
2. Core Question
中心問いは次である。
AIや支援技術(Assistive Technology: AT)を継続利用することで、本人が望む活動へ参加できるようになった場合、その支援への依存は失敗なのか。
本領域では最低限、
支援 ≠ 能力喪失
技術依存 ≠ 自律喪失
機能的自立 ≠ 支援なしでの遂行
課題遂行 ≠ 参加
参加 ≠ 包摂
アクセシビリティ ≠ 使用可能性
個別化 ≠ 構造的アクセシビリティ
を分ける。
3. Key Distinctions
3.1 支援 ≠ 能力喪失
AI支援を利用していることは、それ自体では本人の能力喪失を意味しない。
支援を含む環境の中で可能になる機能も、本人の実際の生活機能の一部になり得る。
ただし、
支援込みの機能(Support-Inclusive Functioning)
≠ 支援なしの個人内能力(Unaided Individual Capacity)
でもある。
何を測定しているかを明示する必要がある。[D8-S01][D8-S02]
3.2 技術依存 ≠ 自律喪失
車椅子、補聴器、スクリーンリーダー、AAC等と同様、継続的な技術利用は自律喪失と同義ではない。
重要なのは、
本人が支援を選べるか
支援水準を変えられるか
上書き(Override)できるか
出力を修正できるか
代替手段(Fallback)を持てるか
提供者(Provider)を変更できるか
である。[D8-S02][D8-S03]
3.3 自立 ≠ 支援の不在
自立(Independence)を、
支援を受けないこと
と定義しない。
外部支援を利用しながら本人が目的を達成し、選択を保持できる場合、
技術への依存は増える
かつ
機能的自立も高まる
という状態は両立し得る。[D8-S01][D8-S02]
3.4 課題遂行 ≠ 参加
AIを用いて一つの課題を遂行できても、
教育
就労
地域生活
公共生活
文化活動
人間関係
への参加が改善したとは限らない。[D8-S01]
3.5 参加 ≠ 包摂
社会活動へ参加できていても、
発言権
評価
昇進
表象(Representation)
差別の防止
帰属感(Belonging)
が確保されたとは限らない。
3.6 アクセシブル ≠ 実際に使える
技術仕様上アクセシブルでも、
初期設定が困難
遅延(Latency)が大きい
訓練が必要
費用が高い
信頼性が低い
維持管理が困難
であれば、実利用可能とは限らない。
3.7 使用可能 ≠ 実効的利用
操作できることと、
本人が実際の目的を達成できること
も別である。
3.8 個別化 ≠ 包摂
AIが個人の特性へ適応しても、学校、職場、公共サービス等の構造的障壁が残ることがある。
個人向け回避策(Individual Workaround)は、構造的アクセシビリティ(Structural Accessibility)の代替ではない。
3.9 自動化 ≠ エンパワーメント
課題が自動化されたことだけでは、
選択
統制
著者性
参加
が増えたとは言えない。
3.10 精度 ≠ 公平性
平均精度が高くても、特定の利用者集団で性能が大きく低い場合、アクセシビリティ上の公平性は確立しない。
3.11 代替手段の存在 ≠ 実質的選択肢
代替手段が理論上存在しても、
高価
地域で利用不能
訓練された支援者が不足
相互運用性(Interoperability)が不足
待機期間が長い
場合、実質的選択肢とは限らない。
3.12 コミュニケーション高速化 ≠ 著者性の増大
AACで文章生成が高速化しても、
本人がどこまで内容、語彙、口調、意図を決めたか
は別に評価する必要がある。
3.13 流暢さ ≠ 意図忠実性
流暢な文章が生成されても、それが本人の意図へ忠実とは限らない。
4. Existing Research Traditions
Domain 8にはAI以前から強い研究伝統が存在する。
障害学(Disability Studies)
障害を個人内部の欠損だけに還元せず、社会、制度、環境との関係で捉える。
障害の社会モデル(Social Model of Disability)
社会的・環境的障壁がDisabilityを形成する側面を重視する。
生物心理社会モデル / ICF(Biopsychosocial Model / International Classification of Functioning, Disability and Health)
WHOの国際生活機能分類(ICF)は、心身機能、活動(Activity)、参加(Participation)、環境因子(Environmental Factors)等を分けて扱う。[D8-S01]
リハビリテーション(Rehabilitation)
機能、適応、代償、参加を扱う。
支援技術(Assistive Technology)
本人、活動、環境、技術の適合を扱う。
HAATモデル(Human Activity Assistive Technology Model)
技術を単独評価せず、本人が環境内で活動を行う関係の中で評価する。[D8-S02]
本人と技術の適合モデル(Matching Person & Technology: MPT)
本人の目標、選好、心理社会的特徴、環境、技術との適合を重視する。[D8-S03]
自立生活(Independent Living)
支援を利用しながら本人が生活を統制することを重視する。
自己決定(Self-Determination)
目標、選択、統制、意思決定主体性を扱う。
意思決定支援(Supported Decision-Making)
意思形成・表明への支援と、意思決定権限を分離する。
潜在能力アプローチ(Capability Approach)
資源を保有しているかだけでなく、本人が価値ある活動を実際に選択・実現できる可能性を見る。
ユニバーサルデザイン(Universal Design)
個人向け回避策とは別に、環境を広く利用可能にする設計を扱う。
アクセシブルHCI(Accessible Human–Computer Interaction)
障害当事者を含む人間とコンピュータの相互作用を扱う。
5. Existing-Theory-First
Domain 8について、新しい包括的な「AI Accessibility Theory」は現時点で必要ない。
主要問題の多くは、
ICF
障害学
支援技術研究
HAAT
MPT
自立生活
自己決定
潜在能力アプローチ
ユニバーサルデザイン
アクセシブルHCI
AAC
ヒューマンファクター(Human Factors)
によって扱える。
AI固有の拡張(AI-specific extension)が有用なのは、
生成AIを利用したAAC
汎用LLMの支援技術的利用
大規模マルチモーダルモデルによる視覚支援
個別化音声認識
合成音声
常時・継続型AI支援
Provider管理下のAIインフラ
AIによる口調修正
AI生成表現
等である。
6. AI / System Scope
アクセシビリティAIを一括しない。
視覚支援(Vision Assistance)
画像説明、場面説明(Scene Description)、物体認識(Object Recognition)等。
移動・ナビゲーション支援(Navigation Assistance)
経路、障害物、位置情報、環境情報。
音声認識(Speech Recognition)
音声から文字への変換。
個別化ASR(Personalized Automatic Speech Recognition)
特定話者・非定型音声へ適応した自動音声認識。
字幕・聴覚支援(Captioning / Hearing Support)
字幕、音声強調(Speech Enhancement)等。
手話システム(Sign Language Systems)
認識、生成、翻訳。
AAC
予測入力、文章生成、視線入力等。
個別化音声 / Voice Banking
本人に近い音声の保存・生成。
認知支援(Cognitive Assistance)
リマインダー、計画、課題分解、記憶支援。
移動支援(Mobility Assistance)
スマート車椅子、ロボティクス、BCI等。
神経多様性に関するコミュニケーション支援
口調解釈、社会的スクリプト、計画支援等。
職場・教育上の合理的配慮
文章、読解、会議、計画等の支援。
システム種類が異なれば、Evidenceを無条件に相互転用しない。
7. Outcome Architecture
「アクセシビリティ上の利益」を一つの尺度へ統合しない。
最低限、以下を分ける。
アクセスOutcome
情報アクセス
コミュニケーションアクセス
コンテンツアクセス
課題Outcome
完了
速度
誤り率
身体操作量
認知負荷
機能Outcome
日常生活機能
コミュニケーション機能
移動機能
参加Outcome
教育
雇用
地域生活
市民参加
人間関係
文化参加
自律Outcome
選択
統制
上書き
離脱
自己決定
著者性Outcome
文言への統制
意図忠実性
選択への統制
修正への統制
本人の声
公平性Outcome
利用者集団別の性能
利用可能性
費用
言語
障害特性別性能
インフラOutcome
継続性
可搬性
ベンダー依存
切替コスト
代替手段
これらを相互代用しない。
8. Direct AI-Specific Evidence
8.1 生成AIを利用したAAC
Cai et al. (2024)は、LLMを利用した視線入力AACシステム「SpeakFaster」を評価した。[D8-S04]
オフラインシミュレーションでは、従来の予測キーボードと比べて57%多く身体操作を削減した。
19名の非AAC利用者によるPilot Studyでは操作削減が確認され、ALSを持つ視線入力AAC利用者2名の実験室・実地評価では、Baselineより29〜60%高い文字入力速度が報告された。[D8-S04]
したがって、
LLM支援AACは、特定の重度運動障害利用者において、短期的な文字入力効率と身体操作負担を改善し得る。
は維持できる。
ただし、
長期的な社会参加
著者性の維持
Identityの維持
人間同士のコミュニケーションとの同等性
は導けない。
9. SpeakFaster Evidence Boundary
Google Researchによる追加報告では、ALSを持つ視線入力利用者1名について、定型文課題では入力速度が61.3%増加し、p=0.011であった。
一方、自由対話課題では46.4%増加したが、p=0.43であり、統計的有意差は確認されていない。[D8-S04]
したがって、
自由対話でも有意に改善した
という一般化は採用しない。
また、ALS利用者2名を含む小規模評価であることをBoundary Conditionとする。
10. Personalized ASR
Müller-Eberstein et al. (2024)は、非定型音声(Atypical Speech)へ自動音声認識を個別適応させる研究で、全重みの0.03%を適応することで単語誤り率(Word Error Rate: WER)を約半減させた。
さらに、メタ学習したハイパーネットワーク(Hypernetwork)では、全パラメータ量の0.1%で75.2%の相対的WER低減を維持した。[D8-S05]
したがって、
個別化ASRは、特定の非定型音声に対する認識性能を大きく改善し得る。
はDirect AI-Specific Evidenceとして維持できる。
ただし、
WER改善
≠ 社会参加の改善
≠ 自律の改善
である。
11. Visual Assistance
大規模マルチモーダルモデル(Large Multimodal Model: LMM)や視覚言語モデル(Vision-Language Model: VLM)は、視覚障害者の画像、場面、物体情報へのアクセスを拡張し得る。
Xie et al. (2025)は、Be My AIを利用する視覚障害者14名へのInterviewと実際の画像説明を分析し、
空間情報へのアクセス
社会的文脈へのアクセス
服装や見た目等のスタイル情報へのアクセス
等の利益を報告した一方、
幻覚(Hallucination)
社会的文脈の誤解釈
年齢・性別等のIdentity誤認
利用者の意図理解不足
も確認した。[D8-S06]
したがって、
LMMによる視覚支援は、実生活上の視覚情報アクセスを拡張し得るが、文脈、Identity、利用者意図の解釈には重要な失敗が残る。
は維持できる。
12. 画像説明 ≠ 安全なナビゲーション
画像説明に成功したことから、
安全な移動・ナビゲーション
を直接推論しない。
ナビゲーションには、
移動する障害物
タイミング
距離
不確実性
環境変化
実時間遅延
利用者側の検証可能性
が関係する。
視覚情報へのアクセス ≠ 安全な移動
である。[D8-S06]
13. Rare Severe Errors
平均精度が高くても、利用者がAI出力を直接行動へ用いる場合、頻度は低くても重大な誤り(Rare but Severe Error)が重要になる。
アクセシビリティ評価では、
平均精度
だけでなく、
誤りの種類
誤りの結果
誤りを発見できるか
誤りから回復できるか
利用者に必要な検証負担
を確認する。[D8-S06]
14. Sign Language AI
手話認識・手話翻訳は、単なる音声言語の文字起こしとは異なる。
Chowdhury & Sanyal (2026)は、小型VLMを4つの多言語手話翻訳データセットでFine-tuningし、汎用VLMの手話翻訳への適用には、
微細な時空間推論
データセット不均衡
等の重要な限界があることを示した。[D8-S07]
したがって、
VLMを用いた手話翻訳は進展しているが、汎用VLMの高性能をそのまま手話アクセスへ転用できない。
とする。
15. 言語アクセス ≠ 言語的公平性
手話をTextへ変換できても、
文法
地域差
非手指標識
表情
文化的意味
少数言語への対応
が保持されたとは限らない。
翻訳可能性 ≠ 言語的公平性
である。
16. Human Interpreter Replacement
手話AIの性能改善から、
人間通訳者が不要になる
とは言えない。
課題限定型翻訳と、
複雑な相互作用
法的場面
医療場面
社会的文脈
文化的仲介
を分ける。
17. Authorship in AAC
生成AIをAACへ組み込む場合、
速度
身体操作負担
流暢さ
選択
文言
口調
意図忠実性
修正
著者性
を分ける。
SpeakFasterのEvidenceは、入力効率と身体操作負担の改善を支持するが、
著者性の維持
を直接測定したEvidenceではない。[D8-S04]
18. 発話高速化 ≠ 著者性
コミュニケーション速度が上がっても、
文言
口調
語彙選択
意図した意味
への本人Controlが減る可能性は残る。
したがって、
コミュニケーション効率 ≠ 著者性の増大
である。
これはConceptual non-entailmentであり、A–FのEvidence Statusを機械的に付与しない。
19. Authority / Decision Formation / Influence / Execution / Responsibility
AACや認知支援では、AI介入を最低限次に分解する。
権限(Authority)
目標、制約、最終的な表現方針を誰が決めるか。
意思形成(Decision Formation)
文章候補、表現、選択肢を誰が形成するか。
影響(Influence)
予測、順位付け、既定値、書き換えが本人の選択へどの程度影響するか。
実行(Execution)
誰が送信、発話、操作するか。
責任(Responsibility)
誤表現、誤認、コミュニケーション齟齬等の結果について誰が責任を負うか。
最終選択 ≠ 全面的な著者性
実行 ≠ 責任
を維持する。
20. Voice Banking / Personalized Voice
本人に近い合成音声(Synthetic Voice)は、
コミュニケーション上の快適さ
社会的認識
本人の選好
へ価値を持つ可能性がある。
ただし、
音声の類似性 ≠ 心理的Identityの保存
である。
本人がIdentity上の意味を報告することと、長期的なSelf-concept維持を実証することを分ける。
21. Cognitive Assistance
AIによる、
リマインダー
スケジュール管理
課題分解
段階的ガイダンス
記憶支援
は、一部利用者の生活機能を支援し得る。
一方、
誤ったリマインダー
古くなった記憶情報
Privacy
過度な委任
インフラ依存
を別途評価する。
認知支援 ≠ 意思決定権限
である。
22. Educationとの重要な対照
Domain 1では、
AIを外した後に能力が残るか
が重要なOutcomeになる場合がある。
しかしAccessibilityでは、
AIを外した後に同じ課題ができるか
を普遍的な成功基準(Universal Gold Standard)にすること自体が不適切な場合がある。
例えば、車椅子利用者に、
車椅子を外して歩けるか
だけを成功条件としないのと同様である。
Key Distinction
能力形成を目的とする課題(Skill Formation Goal)
≠ 支援込みの機能を目的とする課題(Support-Inclusive Function Goal)
23. Permanent Support
継続的支援(Permanent Support)そのものを失敗とみなさない。
成功条件が、
コミュニケーション
移動
参加
情報アクセス
であれば、
継続的支援
が成功形態になり得る。[D8-S01][D8-S02][D8-S03]
一方で、
継続的支援が常に自律を守る
とも言えない。
24. Technology Dependence
技術依存は、それ自体では否定的Outcomeではない。
評価すべきなのは、
信頼性
費用負担
可搬性
相互運用性
修理可能性
Data Portability
代替手段
切替可能性
ベンダー依存
である。
25. 技術依存 ≠ インフラ依存
本人が支援技術を日常的に必要とすることと、
特定のProvider、Cloud、Account、Subscriptionへ排他的に依存していること
は別である。
技術依存
≠ インフラ依存
≠ 自律喪失
とする。
26. Infrastructure Dependence
AI支援技術が、
独自モデル
Cloud
Subscription
API
Account
Vendor管理下のUpdate
へ依存する場合、
価格変更
サービス終了
Account喪失
Compatibility喪失
Model behavior変更
が支援機能を損なう可能性がある。
ただし、これらが長期的な自律喪失を引き起こす一般的な因果Evidenceは不足している。
Evidence Status:C/D
27. Embodied Assistive Technology Boundary Case
インフラ依存はCloud softwareだけの問題ではない。
Second SightのArgus retinal implantでは、企業がTechnology Supportを縮小・停止した結果、利用者が交換部品や医療上必要なCompatibility情報へアクセスできなくなった事例が報告されている。[D8-S10]
これは重要な境界事例(Boundary Case)である。
ただし、
Generative AI-specific Evidence
ではなく、
隣接する支援技術Evidence(Adjacent Assistive Technology Evidence)
として扱う。
身体統合型DeviceのService Discontinuityから、一般的LLM支援の害を直接推論しない。
28. Technology Abandonment
支援技術が導入後に利用されなくなる現象(Technology Abandonment)は長く研究されている。
しかし、
技術放棄 = 利用者の失敗
とはしない。
Ventura, Hamilton-Fletcher & Rizzo (2026)は、Blind / Low-Vision向けATの採用・放棄研究を整理し、放棄率はDevice、Population、時代、定義により大きく異なることを示している。[D8-S08]
歴史的研究では全体で約29%、Low-Vision向け光学ATで17〜50%、一部Hearing Aid研究では最大78%等の異なる値が紹介されているが、これらを単一の普遍的AT放棄率として使用しない。[D8-S08]
29. Abandonment Factors
技術放棄には、
本人と技術の不適合
使用可能性
Needsの変化
不十分なTraining
Cost
Maintenance
外観
Stigma
環境との不適合
利用者参加の不足
等が関与し得る。[D8-S03][D8-S08]
したがって、
利用中止 ≠ 否定的Outcome
でもある。
より適したTechnologyへ移行した場合もあるためである。
30. Automation ≠ Effortless Accessibility
AIシステムを利用するために、
Prompt調整
出力修正
検証
再学習
Setup
Subscription管理
Privacy設定
Troubleshooting
等の見えない作業(Invisible Work)が必要になることがある。
したがって、
自動化 ≠ 人間の労力がなくなること
である。
31. Total Burden
AIによって特定課題の身体的負担(Physical Effort)が低下しても、
認知負担(Cognitive Burden)
検証負担(Verification Burden)
金銭負担(Financial Burden)
維持管理負担(Maintenance Burden)
が増える場合がある。
課題単位の負担と総負担(Total Burden)を分ける。
32. Personalization
Accessibilityでは個別化(Personalization)が大きなBenefitを持ち得る。
非定型音声に対するASR personalizationは、その直接例である。[D8-S05]
しかし、
個別化 ≠ 本人中心性(Person-Centeredness)
個別化 ≠ 包摂
である。
33. Personalization ≠ Universal Design
個人AIがBarrierを回避できても、
accessibleでないWeb site
accessibleでない職場
accessibleでない学校
accessibleでない公共サービス
が正当化されるわけではない。
AIによる個別化はUniversal Designを補完し得るが、その代替とは限らない。
34. Structural Accessibility
Accessibility上の問題の原因が環境側にある場合、
個人側へAIを装着する
だけでは構造的問題が残る。
例えば、AIがaccessibleでないDocumentを毎回変換できても、
Document System自体がaccessibleになった
とは言えない。
35. Neurodiversity
AIは、
実行機能支援
Communication interpretation
Social scripting
Planning
Tone translation
等に利用され得る。
Ma et al. (2026)は、自閉スペクトラム当事者を自認する利用者による3,984件のSocial Media Postを分析し、ChatGPTが、
実行機能上の負担軽減
感情調整
神経典型的Communicationへの翻訳
等に利用される一方、
自動化されたMasking
Identity Erasure
への懸念も報告した。[D8-S09]
ただしPreprint / Poster-level Evidenceであり、長期的因果Outcomeを示さない。
36. Masking
AIによる口調修正やSocial Scriptは、
負担軽減
本人が選択するCode-switching
として有益な場合もあれば、
多数派Normへの適応
Masking圧力
として機能する可能性もある。[D8-S09]
しかし、
AI Tone Correctionが長期的Masking Harmを引き起こす
という因果関係は確立していない。
Evidence Status:E
37. Normalization ≠ Inclusion
多数派のCommunication Styleへ近づいたことは、
包摂
を意味しない。
本人が望んで利用する適応(Adaptation)と、制度的に求められる同調(Conformity)を分ける。
38. Employment
AI支援技術は、
文章作成
読解
発話
計画
Meeting参加
等のWork Task Accessを改善し得る。
しかし、
課題遂行
≠ 採用
≠ 雇用継続
≠ 昇進
≠ 職場での包摂
である。
長期的雇用Outcomeに関するAI-specific Evidenceは不足している。
39. Education
教育Accessibilityでは、
教材へのアクセス
表現へのアクセス
評価へのアクセス
学習
参加
を分ける。
AIで教材を読めるようになったことは、
Inclusive Education
の成立を意味しない。
40. Public Participation
公共サービスや行政情報等へのAccessをAIが改善し得る。
一方、AI利用が必須になれば、
Provider Availability
自体が新しいBarrierとなる可能性がある。
情報アクセスと市民的包摂(Civic Inclusion)を分ける。
41. Privacy
Accessibility AIは、
音声
画像
位置情報
健康情報
障害関連Data
を扱う場合がある。
個別化の向上とPrivacy CostがTrade-offになることはあり得る。
一方、一部利用者では人間介助者への情報開示を減らすことでPrivacyが増える場合もある。
したがって、
AI利用 = Privacy喪失
とはしない。
42. Technoableism
技術的健常主義(Technoableism)は、
技術によって障害を「修復」すれば問題が解決する
という前提を批判するCritical Lensとして使用できる。
ただし、
Technoableism批判
≠ 個別AI Outcomeの実証的予測
である。
Evidence Role:Critical / Conceptual Lens
43. Capability Approach
潜在能力アプローチ(Capability Approach)は、
資源や機能が存在すること
と、
本人が実際に価値ある活動を選択・実現できること
を分ける補助線になる。
AI機能が搭載されているだけでは、実質的なCapabilityが増えたとは言えない。
44. Self-Determination
本人が、
支援を選べる
出力を修正できる
支援水準を変更できる
上書きできる
Data利用を拒否できる
Providerを変更できる
かを確認する。
支援 ≠ 自己決定の喪失
である。
45. Alternative Explanations / Counterevidence
AIによるAccessibility介入後にOutcomeが改善した場合、最低限以下を検討する。
Hardware Improvement
AIではなくDevice qualityが改善した可能性。
Interface Improvement
UI改善が主要因だった可能性。
Human Training
利用者または支援者へのTrainingが効果を生んだ可能性。
Increased Attention
研究参加によって支援量が増えた可能性。
Selected Users
Technologyとの適合が良い利用者が残った可能性。
Short Evaluation
長期利用時のBreakdownが観測されていない可能性。
Structural Change
学校・職場側の合理的配慮が同時に改善した可能性。
Human Backup
AI failure時に人間支援が存在した可能性。
46. Counterevidence to “AI Restores Normal Ability”
AccessibilityのSuccessを、
障害のない人と同じ方法で行うこと
へ限定しない。
別の経路で活動へ参加できることも正当なOutcomeである。
47. Counterevidence to “Permanent Support Means Failure”
支援技術、自立生活、ICF等の既存研究から、
支援を使い続けること = リハビリテーション失敗
という一般命題は維持できない。[D8-S01][D8-S02][D8-S03]
48. Counterevidence to “AI Reduces Autonomy”
AI支援によりHuman Assistanceが減り、
時間を本人が決められる
Privacyが増える
直接的なCommunicationが可能になる
独立したParticipationが増える
場合もあり得る。
したがって、
AIへの依存 → 自律喪失
という単方向の因果は置かない。
49. Counterevidence to “Personalization Solves Accessibility”
個人AIが適応しても、
差別
accessibleでないInstitution
合理的配慮の不足
Cost barrier
は残り得る。
個別化 ≠ 構造的包摂
を維持する。
50. Legal / Standards Boundary
Accessibilityには、
障害者法制(Disability Law)
合理的配慮(Reasonable Accommodation)
Accessibility Standard
調達(Procurement)
差別禁止法(Anti-discrimination Law)
等が関係する。
実証的有効性(Empirical Effectiveness)と法的義務(Legal Obligation)を分ける。
51. Japan — 合理的配慮
日本では、改正障害者差別解消法により、2024年4月1日から事業者による合理的配慮の提供が義務化された。[D8-S11]
ただし、
合理的配慮の提供義務
≠ 特定AI Systemを導入する法的義務
である。
具体的対応は、
個別の状況
本人の意思表明
社会的Barrier
過重な負担
等を踏まえて判断される。[D8-S11]
52. 環境の整備 ≠ 合理的配慮
内閣府は、
環境の整備
主として不特定多数の障害者を対象とし、合理的配慮を的確に行えるよう事前に行う改善措置。
合理的配慮
個別の場面・状況において、個々の障害者に対して必要となる対応。
として区別している。[D8-S11]
したがって、
全利用者向けAccessible Interface
組織全体のCaptioning infrastructure
と、
個人の申出に基づくPersonalized AI Assistance
を法的・実務的に同一視しない。
53. WCAG
Web Content Accessibility Guidelines 2.2(WCAG 2.2)は、W3C RecommendationとしてWeb Content Accessibilityに関するTechnical Standardを提供する。[D8-S12]
ただし、
Technical Standard
≠ あらゆる法域・主体・場面における直接的な法的義務
である。
Legal Claimでは必ず、
法域
対象主体
法的拘束力
法令・政策への組込み状況
を確認する。
54. Evidence Status
Domain 8では、概念的な非含意(Conceptual Non-entailment)へA–Fを機械的に付けない。
以下は主としてConceptual Distinctionである。
支援 ≠ 能力喪失
技術依存 ≠ 自律喪失
自立 ≠ 支援の不在
課題遂行 ≠ 参加
参加 ≠ 包摂
個別化 ≠ 構造的Accessibility
コミュニケーション高速化 ≠ 著者性
精度 ≠ 公平性
Technical Standard ≠ Binding Law
A–Fは具体的なEmpirical / Predictive Claimへ使用する。
B — Direct empirical support
LLM-assisted AACによる身体操作量・文字入力効率の改善。[D8-S04]
個別化ASRによる非定型音声WER改善。[D8-S05]
LMM視覚支援のBenefitと実利用上のHallucination / Context Error。[D8-S06]
Small VLMによるSign Language TranslationのTask-specific評価。[D8-S07]
C — Indirect / theory-consistent support
Permanent AI Supportと長期的自律。
Infrastructure Dependenceと長期的Participation。
PersonalizationとStructural Inclusion。
Human Assistance減少とPrivacy / Autonomy。
E — Evidence currently insufficient / indeterminate
AI支援による長期的Social Inclusion。
Permanent Generative AI Supportによる長期的Self-Determination。
AI Tone Correctionによる長期的Masking Harm。
Provider Lock-Inによる一般的Autonomy Loss。
Generative AACによる長期的Authorship / Identity変化。
55. What We Can Say Now / 現時点で言えること
AI-based Assistive Systemは、特定の利用者・課題において、情報アクセス、Communication、Speech Recognition等を改善し得る。[D8-S04][D8-S05][D8-S06]
LLM-assisted AACは、ALSを持つ少数の視線入力利用者を含む研究で、身体操作負担と文字入力効率を改善した。[D8-S04]
個別化ASRは、非定型音声に対するRecognition Performanceを大きく改善し得る。[D8-S05]
LMMを用いた視覚支援は、視覚障害者の日常的な情報アクセスを拡張し得る一方、Hallucination、Context Error、Identity Misinterpretation等が実利用で観察されている。[D8-S06]
汎用VLMの能力をSign Language Translationへ無条件に転用することはできない。[D8-S07]
技術依存は、自律喪失と同義ではない。
継続的支援そのものをFailureとみなすことはできない。[D8-S01][D8-S02][D8-S03]
課題遂行とParticipationは別Outcomeである。[D8-S01]
ParticipationとInclusionは別Outcomeである。
PersonalizationはStructural Accessibilityの代替ではない。
AACでは、Speed / FluencyとAuthorship / Intent Fidelityを分けて評価する必要がある。
AI Accessibility Systemでは、本人とTechnologyだけでなく、Provider、Infrastructure、Cost、Fallbackを含めて評価する必要がある。
Technology Abandonmentは、Population、Device、Environment、Person–Technology Fitに依存し、単一の普遍的放棄率へ圧縮できない。[D8-S08]
日本では2024年4月1日から事業者による合理的配慮の提供が義務化されたが、環境の整備とは法的・実務的に区別される。[D8-S11]
WCAG等のTechnical Standardと、各法域でのBinding Legal Dutyは分ける必要がある。[D8-S12]
56. What We Cannot Say Yet / 現時点では言えないこと
AIが障害を解消するとは言えない。
AIを使わずに同じ課題ができないことを、Accessibility Failureとは言えない。
AI支援への長期依存が自律を低下させるとは一般化できない。
Permanent AI Supportが自律を必ず改善するとも言えない。
課題遂行改善から社会参加改善を直接推論できない。
社会参加からInclusion成立を直接推論できない。
AI PersonalizationがUniversal Designを代替できるとは言えない。
LLM-assisted AACの高速化から、本人のAuthorshipが維持されたとは言えない。
Personalized Synthetic Voiceが心理的Identityを保存するとは言えない。
Visual Description CapabilityからSafe Navigationを保証できない。
Sign Language TranslationのTask AccuracyからLinguistic Equityを保証できない。
AIによるCommunication NormalizationがNeurodivergent UsersのWell-beingを改善するとは言えない。
AI Tone Correctionが長期的Masking Harmを引き起こすとは確立していない。[D8-S09]
Provider Dependenceが必ずAutonomy Lossを生むとは言えない。
Technology AbandonmentをUser Failureとみなすことはできない。[D8-S08]
WCAG準拠があらゆる主体・法域で直接の法的義務であるとは言えない。[D8-S12]
57. Boundary Conditions
Accessibility研究を比較するときは最低限以下を確認する。
本人・対象集団(Person / Population)
障害・機能障害の種類
年齢
Communication Mode
Prior AT Use
Self-identified Need
疾患進行性が関係する場合はその状態
システム(System)
General-purpose LLM
VLM / LMM
AAC-specific System
Personalized ASR
Sign Language System
Cognitive Assistant
Mobility System
課題(Task)
何を実際に支援したか。
環境(Environment)
家庭
学校
職場
公共空間
医療・ケア環境
支援(Support)
Human Backup
Caregiver
Professional Support
Training
Outcome
Access
Task Performance
Function
Participation
Authorship
Autonomy
Equity
時間軸(Time Horizon)
Single Session
Days
Weeks
Months
Years
Permanent Support
Infrastructure
Cost
Subscription
Connectivity
Vendor
Portability
Fallback
Reliability
58. Source Ledger
[D8-S01] World Health Organization — ICF
Citation
World Health Organization. International Classification of Functioning, Disability and Health (ICF).
Year
2001
Source Type
International Classification / Foundational Framework
Evidence Layer
Layer A — Existing Research Tradition
Supports
FunctioningをBody Functions、Activities、Participation、Environmental Factors等に分けて扱う。
Does Not Support
AI-specific effectiveness。
Evidence Role
Foundational conceptual framework.
[D8-S02] Cook, Polgar & Encarnação — HAAT
Citation
Cook, A. M., Polgar, J. M., & Encarnação, P. Assistive Technologies: Principles & Practice, 5th ed.
Publication
Elsevier
Year
2020
Framework
Human Activity Assistive Technology Model(HAAT)
Supports
PersonがEnvironment内でActivityを行い、Technologyをその関係内で評価する。
Does Not Support
Specific Generative AI outcome。
Evidence Layer
Layer A.
[D8-S03] Scherer & Craddock (2002)
Citation
Scherer, M. J., & Craddock, G. Matching Person & Technology (MPT) assessment process.
Publication
Technology and Disability, 14(3), 125–131
DOI
10.3233/TAD-2002-14308
Source Type
Assistive Technology Assessment / Person–Technology Fit
Supports
Goal、Preference、Psychosocial Factors、Environment、Expected Technology Benefitを含むPerson-centered Technology Matching。
Does Not Support
Generative AI-specific long-term outcome。
Evidence Layer
Layer A.
[D8-S04] Cai et al. (2024)
Citation
Cai, S., Venugopalan, S., Seaver, K., et al. Using large language models to accelerate communication for eye gaze typing users with ALS.
Publication
Nature Communications, 15, 9449
DOI
10.1038/s41467-024-53873-3
Publication Status
Peer-reviewed
Source Type
System Evaluation / Pilot User Study
Population
19 non-AAC users in mobile pilot; 2 eye-gaze AAC users with ALS in lab / field testing.
System
SpeakFaster — LLM-assisted AAC.
Main Result
57% motor-action saving in offline simulation; ALS eye-gaze users showed text-entry rates 29–60% above baselines.
Important Boundary
Single ALS user scripted typing speed +61.3%, p=0.011; unscripted +46.4%, p=0.43 in supplementary reporting.
Supports
Short-term communication efficiency / motor burden improvement.
Does Not Support
Long-term participation、authorship preservation、identity preservation、population-wide effectiveness.
Evidence Status
B — Direct empirical support within narrow population / task.
[D8-S05] Müller-Eberstein et al. (2024)
Citation
Müller-Eberstein, M., Yee, D., Yang, K., Mantena, G. V., & Lea, C. Hypernetworks for Personalizing ASR to Atypical Speech.
Publication
Transactions of the Association for Computational Linguistics, 12, 1182–1196
DOI
10.1162/tacl_a_00696
Publication Status
Peer-reviewed
Source Type
ASR Model Evaluation
Main Result
0.03% of weights adapted while approximately halving WER; hypernetwork retained 75.2% relative WER reduction using 0.1% of full parameter budget.
Supports
Personalization can substantially improve ASR performance for atypical speech.
Does Not Support
Participation、Autonomy、Employment Outcome。
Evidence Status
B — Direct model / task evidence.
[D8-S06] Xie et al. (2025)
Citation
Xie, J., Yu, R., Zhang, H., Billah, S. M., Lee, S., & Carroll, J. M. Beyond Visual Perception: Insights from Smartphone Interaction of Visually Impaired Users with Large Multimodal Models.
Publication
CHI Conference on Human Factors in Computing Systems
DOI
10.1145/3706598.3714210
Publication Status
Peer-reviewed
Source Type
Qualitative Human-Subject Study
Population
14 visually impaired users familiar with Be My AI.
Supports
LMM visual assistance can increase access to spatial, social and stylistic information.
Observed Limitations
Hallucination、social-context misinterpretation、identity error、intent-understanding limitations.
Does Not Support
Safe navigation、error-free independent mobility、long-term inclusion.
Evidence Status
B — Direct human-use evidence.
[D8-S07] Chowdhury & Sanyal (2026)
Citation
Chowdhury, A. R., & Sanyal, D. K. Can Small Vision–Language Models Perform Sign Language Translation?
Publication
Findings of ACL 2026
DOI
10.18653/v1/2026.findings-acl.1609
Publication Status
Peer-reviewed conference proceedings
Source Type
Model Evaluation
Data
Four multilingual Sign Language Translation datasets.
Supports
VLM-based SLT is technically feasible under evaluated conditions.
Key Limitation
General-purpose VLMs face task-specific limitations involving spatiotemporal reasoning and dataset imbalance.
Does Not Support
Human interpreter replacement、linguistic equity、real-world accessibility outcome.
Evidence Status
B for studied model/task behavior.
[D8-S08] Ventura, Hamilton-Fletcher & Rizzo (2026)
Citation
Ventura, R. B., Hamilton-Fletcher, G., & Rizzo, J.-R. From abandonment to adoption: advancing assistive technologies for blindness and low vision in the AI era.
Publication
Frontiers in Digital Health
DOI
10.3389/fdgth.2025.1719746
Publication Status
Peer-reviewed Perspective
Source Type
Perspective / Literature Synthesis
Supports
AT abandonment varies substantially across technologies and contexts; Person–Technology Fit、Usability、Training、Design等が重要。
Does Not Support
A single universal AT abandonment rate。
Evidence Layer
Layer A/C depending claim.
Important Limitation
Perspectiveであり、新規Causal Studyではない。
[D8-S09] Ma et al. (2026)
Citation
Ma, R., Zhang, B. Z., Chen, C., et al. “I use ChatGPT to humanize my words”: Affordances and Risks of ChatGPT to Autistic Users.
Publication Status
Preprint / Poster
Source Type
Thematic Analysis of Social-Media Posts
Data
3,984 posts by self-identified autistic users.
Supports
Users report executive-function offloading、emotion regulation、communication translation等のuse casesと、automated masking / identity-erasure concerns.
Does Not Support
Long-term causal masking harm、clinical outcome、population prevalence。
Evidence Status
B for observed reported themes; E for long-term causal harm.
[D8-S10] Second Sight / Argus II Case
Source
IEEE Spectrum. Their Bionic Eyes Are Now Obsolete and Unsupported.
Year
2022
Source Type
Investigative Technical Journalism / Adjacent Case Evidence
Context
Second Sight Argus retinal implant service discontinuity.
Supports
Provider discontinuity in embodied AT can create maintenance、replacement、medical-information、continuity risks.
Does Not Support
General Generative AI harm、general Autonomy Loss。
Evidence Layer
Adjacent Evidence / Boundary Case.
[D8-S11] Japan — 障害者差別解消法
Source
内閣府
Legal Status
Binding national law / official government interpretation materials
Key Fact
2024年4月1日から事業者による合理的配慮の提供が義務化。
Key Distinction
環境の整備は主として不特定多数を対象とする事前的改善措置であり、合理的配慮とは区別される。
Does Not Support
特定AI Systemの導入義務。
Evidence Role
Legal Source.
[D8-S12] WCAG 2.2
Source
W3C Web Content Accessibility Guidelines 2.2
Status
W3C Recommendation
Supports
Web Content Accessibilityに関するTechnical Standard。
Does Not Support
あらゆる法域・主体に直接BindingするUniversal Legal Duty。
Evidence Role
Technical Standard.
59. Cross-References
Domain 0 — Cross-Domain Audit Protocol
支援、依存、自律、Evidence Statusの基本規格。
Domain 1 — Learning・Capability Formation
AIを外した後のPerformanceが重要な場面と、Permanent Supportが成功になる場面の対照。
Domain 2 — Decision Formation
意思決定支援、権限、意思形成。
Domain 3 — Trust
Assistive AIへのTrust / Reliance / Appropriate Reliance。
Domain 4 — Communication
AAC、著者性、表象、意図忠実性。
Domain 5 — Companion・Attachment
Social SupportとSocial Inclusionの区別。
Domain 6 — Mental Health
利用可能性、実効的アクセス、Clinical Capacityの区別。
Domain 7 — Care・Aging
技術依存、機能的自立、意思決定支援。
Domain 9 — Work・Organization
職場合理的配慮、Employment Inclusion、Invisible Work。
Domain 10 — Oversight・Safety・Control
Assistive AI Error、検証、Fallback、Human Backup。
Domain 11 — Institution・Law・Governance
合理的配慮、Standard、法的義務、Provider Responsibility。
60. Research Gaps
重要なResearch Gapは以下である。
長期的参加(Long-Term Participation)
AI Assistive Technologyが数年単位で教育、雇用、地域参加へ与える影響。
著者性(Authorship)
Generative AACが本人のIntent Fidelity、Voice、Authorshipへ与える影響。
継続的AI支援(Permanent AI Support)
恒常的AI支援がSelf-DeterminationやAutonomyへ与える長期影響。
インフラ依存(Infrastructure Dependence)
Cloud、Subscription、Account DependenceとService DiscontinuityがParticipationへ与える影響。
神経多様性(Neurodiversity)
AI-based Communication Supportが負担軽減となる条件と、Masking強化となる条件。
構造的代替(Structural Substitution)
Personal AI Workaroundの普及がUniversal Designや合理的配慮へ与える影響。
AIと人間支援(AI and Human Assistance)
Human Assistance減少がPrivacy、Autonomy、Isolationへ与える異なる影響。
障害集団間の公平性(Cross-Disability Equity)
複数のDisability Population間におけるAI Performance disparity。
61. Classical / Philosophical / Critical Lenses
Latour / Actor-Network Theory
人間、Technology、Environmentの関係内でAgencyを見るConceptual Lensとして限定利用可能。
Technology DependenceがAutonomyを保存する実証Evidenceにはしない。
Foucault / Normalization
Tone CorrectionやMajority NormへのAdaptationをCritical Lensとして検討できる。
Long-term Masking HarmのEmpirical Evidenceにはしない。
Gibson / Affordance
本人と環境の関係における行為可能性(Action Possibility)を考える補助線として利用可能。
障害の社会モデルの証明にはしない。
Illich / Shadow Work
Invisible Workを考えるHistorical AnalogyとしてOptional。
Domain 9のInvisible Work / Articulation Workの方が直接的である。
Technoableism
Technologyによる「修復」を唯一の成功条件にしないためのCritical Lensとして有用。
Empirical Spineには置かない。
62. Existing-Theory-First Final Judgment
Domain 8では、
ICF
Disability Studies
Assistive Technology
HAAT
MPT
Independent Living
Self-Determination
Capability Approach
Universal Design
Accessible HCI
AAC
Human Factors
によって主要問題の大部分を扱える。
AI-specific Extensionが有用なのは、
Generative AAC
General-purpose LLMのAssistive利用
LMM / VLMによる視覚支援
Personalized ASR
Synthetic Expression
Persistent AI Assistance
Provider-controlled AI Infrastructure
AI-mediated Normalization
である。
現時点で、新しい包括的AI Accessibility Theoryの必要性は確認できない。
Existing theory sufficient / AI-specific extension useful
New Comprehensive AI Accessibility Theory:No
63. Final Assessment
Domain 8で最も危険な短絡は、
AIを使わないとできない
→ 能力がない
→ 自立していない
→ 支援を外すことが成功である
というChainである。
これは成立しない。
Accessibilityでは、継続的支援を含む機能そのものが正当なOutcomeになり得る。
一方で、逆方向の、
AIを使えば課題ができた
→ Capabilityが増えた
→ Autonomyが増えた
→ Participationが増えた
→ Inclusionが達成された
というChainも成立しない。
また、
Personalization
→ Accessibility問題が解決した
とも言えない。
個人向け回避策が機能しても、構造的Barrierは残り得る。
したがってAIとAccessibilityを評価するときは、
Person × AI/System × Task × Environment × Support × Participation × Outcome × Time Horizon
を明示し、
課題遂行(Task Performance)
機能的能力(Functional Ability)
参加(Participation)
包摂(Inclusion)
自律(Autonomy)
著者性(Authorship)
公平性(Equity)
インフラ依存(Infrastructure Dependence)
を分ける必要がある。
Domain 8の中心命題は、
本人がAIなしで同じことをできるようになるかではなく、本人が望む活動へ参加するために、どの支援を継続利用でき、どこに選択、著者性、自己決定を残し、どの障壁を環境・制度側で除去する必要があるか
である。
そして、
技術依存 ≠ 自律喪失
課題遂行 ≠ 参加
参加 ≠ 包摂
個別化 ≠ 構造的アクセシビリティ
を最後まで維持する。
Publication Status: Closure
Evidence Cutoff: 2026年9月
Update Policy: 新しいLongitudinal Evidence、AI-specific Participation Evidence、Legal / Standard変更が生じた場合に更新対象とする。