メインコンテンツへスキップ

【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

    1. 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]

    2. 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]

    3. 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]

    4. 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]

    5. 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]

    6. 技術依存は、自律喪失と同義ではない。

    7. 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]

    8. 課題遂行とParticipationは別Outcomeである。[D8-S01]

    9. ParticipationとInclusionは別Outcomeである。

    10. PersonalizationはStructural Accessibilityの代替ではない。

    11. AACでは、Speed / FluencyとAuthorship / Intent Fidelityを分けて評価する必要がある。

    12. 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。

    13. 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]

    14. 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]

    15. 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

    1. AIが障害を解消するとは言えない。

    2. 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。

    3. 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。

    4. Permanent AI Supportが自律を必ず改善するとも言えない。

    5. 課題遂行改善から社会参加改善を直接推論できない。

    6. 社会参加からInclusion成立を直接推論できない。

    7. AI PersonalizationがUniversal Designを代替できるとは言えない。

    8. 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。

    9. Personalized Synthetic Voiceが心理的Identityを保存するとは言えない。

    10. Visual Description CapabilityからSafe Navigationを保証できない。

    11. Sign Language TranslationのTask AccuracyからLinguistic Equityを保証できない。

    12. AIによるCommunication NormalizationがNeurodivergent UsersのWell-beingを改善するとは言えない。

    13. 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]

    14. Provider Dependenceが必ずAutonomy Lossを生むとは言えない。

    15. Technology AbandonmentをUser Failureとみなすことはできない。[D8-S08]

    16. 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。

     
     
    特定の組織的利害から距離のある一個人として、Human–AI Relations 監査インデックス βを公開しています。 既存研究と一次資料を優先し、複数AIによる敵対監査を重ね、領域別に整理しています。 一個人が公開することにも、それなりの意義があるはず……あるといいな。

    あなたへのおすすめ