現代の大規模言語モデル（LLM）は、人間の行動を模擬し、さまざまなペルソナや人口統計グループを反映したテキストを生成する能力で注目を集めている。これらの能力は分野を超えて多様な応用を可能にする一方で、モデルが対象グループをどのように表象するかを検討することが極めて重要である。なぜなら、LLMは歴史的に周縁化されたコミュニティに対する偏見や差別を永続化・増幅させる可能性があるだけでなく、バイアス除去の取り組みの結果として過剰補正し、過度に肯定的なステレオタイプを描くこともあるからだ。この過剰補償はグループを理想化し、彼らが直面する複雑さや課題を不現実的な描写で消し去ってしまう。
こうした背景のもと、Marco Bombieriらによる論文「輝く物語、隠れた苦闘：LLMの視点から障害の表象を調査する」は、ACM Transactions on Intelligent Systems and Technologyに採択され、2026年4月2日にarXiv（arXiv:2605.20191）に投稿された。研究の中心的な問いは、LLMが障害をどのように表象するかである。著者らは障害者の視点を模擬してソーシャルメディア投稿を生成し、それらを実際の障害者が書いた投稿と比較し、感情のトーン、センチメント、代表的な語彙やテーマに焦点を当てて分析した。
分析から二つの重要な発見が得られた。第一に、LLMは障害者の経験を理想化する傾向があり、過度に肯定的なステレオタイプを生み出す。これらの描写は一見前向きであっても、障害者の現実の生活を真に捉えておらず、日常的な困難や構造的障壁を理想化された物語で覆い隠している。第二に、障害の有無を模擬した投稿を比較すると、負のバイアスが明らかになった。キャリアや娯楽といった特定の話題が、非障害者に不均衡に関連付けられているのだ。これは、モデルがテキスト生成時に障害のアイデンティティを制限された非職業的な生活場面と結びつけがちであることを意味し、排除的な物語を強化し、障害コミュニティが実際に直面する課題をさらに歪めている。
これらの知見は、LLMが社会の多様な現実、特に周縁化されたグループの微妙な経験を反映するのに苦労しているという広範な懸念や継続的な研究と一致する。論文は、LLMの表象を批判的に精査する必要性を強調している。単にバイアス除去を追求することは、別の単純化に陥る危険がある。つまり、過度に肯定的なイメージで真の複雑さを置き換えることは、同様に周縁化されたグループの誤った表象となる。したがって、生活経験に忠実なモデル評価と介入の方法を構築することが、責任あるAI開発の重要な方向性となるべきである。