近年、人工知能技術は集団的意思決定に新たな可能性をもたらしている。従来の投票方式では参加者は固定された候補者から選ぶ必要があったが、現代のAIでは自由形式のテキストで意見を表明でき、より豊かな選好を捉えられる。自然な発想として、これらの意見をベクトル空間に埋め込めば、施設配置問題（facility location）や公平クラスタリング（fair clustering）といった古典的なアルゴリズムを適用できる。しかし、標準的なテキスト埋め込み（BERT、Sentence-BERTなど）は意味的類似性、すなわちテキストの内容上の近さを測定するのに対し、施設配置や公平クラスタリングに必要な距離は「嗜好的類似性」と呼ばれるものである。すなわち、参加者があるテキストに対してどの程度同意するかは、そのテキストとの距離に反比例するべきである。既存の埋め込みモデルは、意味的類似性と嗜好的類似性の相関を通じて大まかな選好信号を受け継ぐが、その相関が崩れた場合（例えば、文体や表現が立場と無関係な場合）、実際の選好を捉えられなくなる。
Carter Blair氏らの研究（arXiv:2605.08360、2026年5月8日提出）は、この問題を不変性（invariance）問題として定式化する。テキスト埋め込みモデルは、選好に関連する信号（立場、価値観など）と意味上のノイズ（文体、表現など）の両方を符号化しており、両者は観測上相関している。そのため、ノイズに依存した幾何学は、たとえ正しくなくとも選好に合致しているように見えうる。これを解決するため、研究者は意味と選好の統計的相関を意図的に断ち切るような合成訓練データを設計する。理論的には、この訓練により最適なスコアラーはノイズに支配されたコサイン類似度から離れ、真の選好信号を捉えるようになる。実験では11のオンライン議論データセットを用い、提案手法が従来のコサイン類似度に比べて選好予測の精度を大幅に向上させることが示された。
この研究の意義は、AIを活用したより公平で正確な集団的意思決定への道を開くことにある。例えば、世論収集、パブリックコンサルテーション、製品フィードバックなどにおいて、標準的なテキスト埋め込みを用いると、意味上のノイズによって実際の選好が歪められる可能性がある。選好を考慮した埋め込みを用いれば、グループ意見の中心（施設位置）をより適切に特定でき、異なる意見グループが公平に代表される（公平クラスタリング）ことが可能になる。本手法は既存の埋め込みモデルの本質的な限界を明らかにするとともに、実用的な訓練戦略を提供しており、民主的参加や社会的選択理論へのAI応用を促進することが期待される。