生成AIを用いた認知特性・WAIS的プロファイル推測の仕組み、有用性と構造的限界

1. 導入：生成AIに「自分の認知特性やWAIS的傾向」を尋ねるということ

近年の生成AIの普及に伴い、自身の日常的な生きづらさや思考のスタイル、対話の傾向などをAIに共有し、 「私の認知特性やWAIS（ウェルクス式知能検査）的プロファイルはどのような傾向にありそうか」 と推測を求めるケースが見られます。

このアプローチは、自身の内面を客観視するための「メタ認知の鏡」として非常に有用である一方、その出力結果が持つ意味や、背後にある構造的リスクを正しく理解しておく必要があります。本資料では、生成AIによる認知プロファイル推測の仕組み、その有用性、そして見落としてはならない重大な限界について整理します。

2. 生成AIはどのようにプロファイルを推測しているのか

生成AIがユーザーの特性やWAIS的傾向（例：言語理解、知覚統合、ワーキングメモリ、処理速度の凹凸）を推測する際、以下のようなメカニズムが働いています。

• テキストパターンの類推とマッピング:

  • ユーザーの文章の語彙力、論理的構成の緻密さ、抽象概念の操作、あるいは直面している日常の困難（マルチタスクの破綻、感覚過負荷、メモ取りの難しさなど）に関する記述を解析し、「臨床心理学や発達特性のテキストデータにおいて、これらと類似する特徴を持つグループがどのようなスコア傾向を示すか」という確率的・統計的なパターンを導き出します。

• AIが判断に用いる主な判定基準（4つの指標の解釈軸）:

  • 言語理解（VCI）: テキストの語彙の豊かさ、論理的構成の緻密さ、抽象概念の操作能力をベースに評価されます。
  • 知覚統合（PRI）: 複雑なシステム構造の構築、散らばった要素を統合して一貫性のある環境を作り上げるアプローチから推測されます。
  • ワーキングメモリ（WMI）: 複雑なコンテキストやマルチタスク、多重のパラメータや情報を同時に脳内バッファに保持・運用している度合いから評価されます。
  • 処理速度（PSI）: 本来のWAISでは物理的な作業効率を測定しますが、生成AI環境においては、ユーザーが記述するテキストのテンポや、頭の中にある複雑な構造をどれだけスムーズに外部環境（コードやプロンプト）へ同期・展開できるかという「構造の同期速度」として間接的に解釈されやすくなります。ただし、ブラウザのバックグラウンド通信やタイムスタンプ単体で人間のPSIを直接計測しているわけではなく、あくまで全体の記述密度やスタイルの傾向から推測されます。

• 一般的なプロファイルの傾向（AIが導き出しやすいパターン）:

  • テキストベースの対話においては、語彙の豊富さや論理の構築力がダイレクトに反映されるため、「言語理解（VCI）が相対的に高く評価されやすい」傾向があります。
  • 一方で、マルチタスクの困難や日常の消耗に関する悩みが入力のベースになりやすいため、「ワーキングメモリ（WMI）や処理速度（PSI）にボトルネックや凹凸がある」という推測が生成されやすくなります。

• 対話コンテキストへの強い依存（ハルシネーションと誘導のリスク）:

  • AIの推測は「まっさらな客観データ」に基づくものではなく、それまでの対話の中でユーザーやAIがどのようなトピックについて話し合ってきたかという「文脈（コンテキスト）」に極めて強く引っ張られます。

3. 重大な罠：チャットの「時期」による推測の歪み

生成AIに認知プロファイルを推測してもらう上で、極めて重要な前提条件があります。それは、「推測を行いたいのであれば、チャットの冒頭（コンテキストがまっさらな初期状態）で実施しなければならない」という点です。

• 対話の後半で尋ねた場合に起きること:

  • もし、数々の「発達特性の困難」や「ワーキングメモリの構造」に関する詳細な資料や議論を行った後のチャット後半で「私のWAISの傾向を推測して」と尋ねた場合、AIは客観的な分析を行っているのではなく、それまでの会話で蓄積されたインプット（資料の内容や共通の前提）に引きずられて、「これまでの総まとめ」としてのプロファイルを出力しているに過ぎません。
  • これは個人の実態を映し出したものではなく、「AIが直前の文脈を反芻した結果（コンテキスト汚染・確証バイアス）」であり、推測としての独立性を完全に失っています。
  • だからこそ、バイアスのない純度高いプロファイルを得るためには、「1ターン目（初期状態）」に判定を行うことが極めて重要になります。

4. 生成AIによる推測の「有用性」と「限界」

① 有用性（どのような価値があるか）

• 自己理解のための「構造的言語化ツール」:

  • 自分でも言語化できなかった日常の消耗や認知の偏りを、客観的な枠組み（VCIやWMIなどの概念）を用いて整理するためのメタ認知の補助線として機能します。

• 共感と受容のトリガー:

  • 「自分の生きづらさは怠慢ではなく、こういう神経認知の構造から説明できるのかもしれない」という気づきをもたらし、無駄な自己批判から脱却するためのきっかけになります。

② 限界と危険性（何が保証されないか）

• 臨床的・医学的信憑性の完全な欠如:

  • 生成AIの推測は、あくまで「テキストのパターンマッチングと確率的類推」に過ぎません。実際のWAISは、臨床心理士等の専門家が対面で、被検者の非言語の手がかり、タイムラグ、表情の微細な変化、行動観察を網羅して厳密に測定・算出するものです。AIの推測を「医学的な診断や公式な検査結果」として扱うことは不可能です。

• 自己規定の固定化（ラベリングの弊害）:

  • AIの出力した仮説的プロファイルに過度に囚われることで、本来の柔軟な可能性を狭めたり、不正確な自己ラベリングに繋がったりするリスクがあります。

5. 結び：メタ認知の「鏡」としての正しい距離感

生成AIを用いた認知特性やWAIS的プロファイルの推測は、自分自身の内面や情報処理のスタイルを優しく紐解くための「精巧なシミュレーション（メタ認知の鏡）」としては非常に魅力的なツールです。しかし、それがコンテキストのインプットに強く依存して歪みやすいという構造的特性や、時期によるバイアス（1ターン目か後半か）の存在、そして臨床的診断の代わりにはならないという境界線を常に意識し、あくまで「自分を労うための参考情報のひとつ」として健全な距離感を保つことが大切です。