2026年5月28日にarXivに提出されたポジションペーパー（著者：Charlotte Högbergら）は、機械学習分野における「グラウンドトゥルース」の従来の捉え方に挑戦しています。論文は、モデルの訓練や評価に用いられるグラウンドトゥルースデータセットは、中立的で客観的な測定値ではなく、人間と技術の共同作業によって構築されたものであると指摘します。著者らは、これらのデータセットが特定の状況や文脈、意思決定に依存しており、普遍的ではなく偶発的であることを強調しています。
論文は、機械学習コミュニティが通常は見えにくい、または報告されない選択について明確に議論し、参照データセットの限界と依存性を認識するよう呼びかけています。グラウンドトゥルースの状況依存性を認めることで、データセットとそれが形成するモデルをいつ、どこで、どのように最適に使用できるかをよりよく理解できるようになります。著者らは、グラウンドトゥルースの「状況性」と「文脈依存性」に注目することで信頼性が向上し、データセットとそれが形成するモデルの最適な使用場所、時期、方法についてより情報に基づいた視点が得られると論じています。
信頼性を高めるために、著者らは「状況に応じた信頼性」という概念を提案しています。これは、モデルの強みと限界、およびその真理性主張の境界を明確にすることを要求します。このアプローチは、モデルの透明性を向上させるだけでなく、説明責任と学際的な協力を促進します。論文はまた、グラウンドトゥルースの構築プロセスに注目することが、責任ある人工知能開発の強固な基盤を提供すると述べています。本論文は全13ページ、図1点を含み、2026年に韓国ソウルで開催される国際機械学習会議（ICML）の proceedings（PMLR 306巻）に掲載される予定です。その見解は、現在のデータ駆動型AIパラダイムに深い反省を促し、将来のデータセット構築とモデル評価の実践に重要な影響を与える可能性があります。