提案資料に、丸と矢印の図が1枚挟まっていることがあります。丸の中に「透明性」「理解」「信頼」といった言葉が入り、丸と丸のあいだに矢印が引かれ、矢印の横に 0.63 のような数字が添えられている。説明する側は「統計的に有意な経路が確認されています」と言い、受け取る側は「数字が大きいほど効いているのだろう」と読みます。
この読み方の、どこが危ういのか。最初は「数字の読み方の問題」だと考えていました。有意かどうか、係数が何を表す単位なのか、そこを押さえれば済む話だろうと。
しかし図の作り方をたどり直すと、問題はもっと手前にありました。矢印の向きは、計算の出力ではありません。 分析を始める前に、分析者が「こちらからこちらへ」と決めて入力したものです。計算が返しているのは、その向きを仮定したうえでの関連の強さです。向きが正しいかどうかは、計算の対象になっていません。
だとすれば、矢印が太いことは「因果が強い」ことではなく、「人が決めた向きのもとでの関連が強い」ことになります。この記事の見立てはここです。
本記事は、2026年10月14日に Frontiers in Psychology で公開された論文を教材に使います。立場を先に明示します。この論文を批判するための記事ではありません。 後述する限界は、ほぼすべて著者自身が論文の限界節に書いているものです。扱うのは、そうした誠実な論文から図と数字だけが切り出されて資料に転記されていくときに何が起きるか、という問題です。
扱わないものも先に置きます。構造方程式モデリングの推定方法そのものの解説はしません。また、この論文が対象にしている「説明できるAI」の効果が実際にあるのかどうかも論じません。そちらは「説明できるAI」は判断を良くするのか｜705人の実験が示した効く条件と効かない条件に預けます。ここで扱うのは、パス図という証拠の形式をどう読むかに限定します。
30秒で要点
- 矢印の向きは分析の出力ではなく、分析前に人が決めた入力である。計算は向きを検証していない
- 矢印の数字（標準化パス係数）の単位は標準偏差であり、パーセントではない。仮定した向きのもとでの関連の強さを表す
- 個別の矢印が太くても、鎖の端から端までは細いことがある。今回の論文では個別経路が 0.631・0.600 に対し、通した効果は 0.051（論文自身が「小さい」と記述）
- 資料を受け取った側が確認できるのは4点。測り方が共通でないか／項目が隣の概念に触れていないか／概念の名前が測っていないことを先取りしていないか／端から端までを見ているか
- 今回の論文は限界をすべて自分で書いている。問題は論文ではなく、限界を落として図だけが回ることにある
教材にする論文の性格を、先に置く
参照するのは Usman Rehman 単著の「Explainability, Transparency, and Calibrated Trust in AI Decision Support: A Serial Mediation Model with AI Literacy as Moderator」です（Frontiers in Psychology, Volume 17, Article 1924913、DOI 10.3389/fpsyg.2026.1924913。受理2025年9月25日、公開2026年10月14日。2026年10月24日に本文HTMLを取得して確認）。所属は Hoseo University（韓国・ソウル）、同大学の2026年学術研究費による助成、利益相反は無いと申告されています。
設計はこうです。横断調査——つまり、ある一時点でまとめてアンケートを取る方式——のオンライン調査で、韓国のAI利用者342人から2026年5〜6月に回答を集めています。463件の回答から、不完全な回答93件と重複28件を除いて有効342件。大学・学術ネットワーク・専門職コミュニティ経由の便宜的な集め方で、対象は大学生と若手専門職です。回答者の54.1%（185人）が男性、68.1%が20〜30歳。質問票は英語で実施されました。
ここに、図を読むうえで外せない点が2つあります。
1つは、全部が自己申告であること。 透明性も理解も信頼も依存も、同じ回答者が同じ質問票に答えた値です。
もう1つは、評価対象のAIが回答者まかせであること。 各回答者は自分が使ったAIシステムを自分で1つ選んで評価しており、論文はそのシステムの種類を記録していません。つまり図の中の「AIの説明可能性」は、特定の製品の性質ではなく、回答者がそれぞれ思い浮かべた対象についての自己評価の集まりです。
矢印の向きは、どこから来たのか
この論文が検証しているのは、次のような連鎖です。説明可能性と透明性が「認知的理解」を高め、理解が「認知的信頼」を高め、信頼が「信頼の較正」につながり、較正が「人間の依存」につながる、という並びです。
矢印に添えられた値（いずれも p < 0.001）はこうなっています。
- 説明可能性 → 認知的理解：0.349
- 透明性 → 認知的理解：0.297
- 認知的理解 → 認知的信頼：0.388
- 正確だと感じていること → 認知的信頼：0.492
- 認知的信頼 → 信頼の較正：0.631
- 信頼の較正 → 依存：0.600
この数値の読み方を先に固めます。これらは標準化パス係数（記号はβ）です。片方が標準偏差1つ分動いたときに、もう片方が標準偏差何個分動く関係にあるかを表す値で、単位は標準偏差です。「0.6」は「60%向上」ではありません。
そして重要なのは、この6本の矢印がどちらを向くかは、計算が決めたのではないということです。分析者が理論に基づいて向きを設定し、その設定のもとで係数が推定されています。
論文自身が、限界節でこう書いています。横断デザインのため因果や時間的順序は確立できず、逆の順序もあり得る（信頼している人が結果として理解した気になっている、依存の経験が信頼を形づくっている、という例を著者が挙げています）。有意な間接効果が示すのは「データが提案した順序と整合することだけ」である。したがってこの知見は「説明可能性が適切に較正された依存を生む証拠として解釈されてはならない」。
著者はさらに、自己申告であるため、自己評価された「信頼の較正」は信頼がシステムの実際の能力に対応していることを立証しないとも明記しています。
これが、図だけが資料に転記されたときに最初に落ちる記述です。図には矢印と数字しか載りません。「向きは仮定である」「逆もあり得る」という2行は、図の中に描く場所がありません。
ついでに言えば、この論文の結果の中には、資料で紹介されにくい形のものもあります。AIリテラシーについて、理解への主効果は非有意（0.078、p = 0.153）で、有意だったのは説明可能性と理解の関係を強める調整効果（0.192）だけでした。主効果の表には「仮説化されていない」という注記も付いています。「リテラシーが理解を高める」ではなく「リテラシーが高い人では説明可能性と理解の結びつきが強い」という、条件つきの結果です。
資料を受け取った側が確認できる4点
ここからが実務の話です。パス図を見せられた側は、推定を自分でやり直すことはできません。しかし確認できることは4つあります。いずれも、今回の論文が自分で書いている記述に対応します。
1. 全部を同じアンケートで測っていないか
今回の論文では、連鎖のすべての概念が単一の自己申告質問票で測られています。この場合、測り方が共通であることによって関連が強く出る可能性が残ります。これを共通方法分散と呼びます。
論文はこれに手を打っています。手続きとしては匿名性の保証と「正解・不正解はない」と明示すること。統計としては全コリニアリティ評価という手法で、VIF（ある項目のばらつきが他の項目でどれだけ説明できてしまうかの指標。値が大きいほど重複が疑われる）の最大値が 2.82 で、疑いの目安とされる 3.3 を下回りました。
それでも論文はこう書いています。全コリニアリティ評価は共通方法バイアスを示さなかったが、データはすべて単一の自己申告調査から来ており、共通方法分散が構成概念間の関連を膨らませた可能性がある。
「検定で出なかった」と「存在しない」は別です。 論文はこの区別を自分で守っています。資料に転記されるときに消えるのは、たいていこちらの記述です。
2. 尺度の項目が、隣の概念に触れていないか
これは図を見ているだけでは絶対に分からない点で、質問票の文言を見ないと確認できません。
今回の論文では、「信頼の較正」を測る項目のひとつが "I rely on the system appropriately"（私はそのシステムに適切に依存している）でした。つまり、較正を測る質問の中に「依存」という語が入っています。
論文は、較正と依存の弁別妥当性——2つが別のものとして測れているかの指標——は支持された（HTMT = 0.692）としつつ、この文言が両者の関連の強さに寄与した可能性があると明記し、今後の較正尺度は依存への言及を避けるべきだと書いています。
先ほどの 0.600 という強い経路は、この注記と並べて読む必要があります。測る側の言葉が隣に触れていれば、関連は出やすくなります。
（なお、質問票の全24項目は今回確認していません。ここで挙げられるのはこの1項目だけです。）
3. 概念の名前が、測っていないことを先取りしていないか
「信頼の較正」という語は、本来「人の信頼とシステムの実際の能力の対応」を指します。論文もそう定義しています。
ところが同じ論文が、本文中でこう宣言しています。本稿で言う trust calibration は知覚された較正（perceived calibration）であり、「メタ認知的判断であって、実際の較正とは乖離し得る」。
つまり、理論上の定義と、この研究で実際に測られた中身は別のものです。測られたのは「自分の信頼は適切だと本人が感じている程度」であって、「信頼が実際の能力と合っていたこと」ではありません。
論文はこの使い分けを自分で宣言しています。 黙って語を滑らせたわけではない。問題が起きるのは、図の丸の中に「信頼の較正」という語だけが残り、宣言のほうが落ちたときです。語が持つ本来の意味で読まれれば、「信頼が能力と合っていた」という、測っていないことが伝わります。
4. 端から端までの効果を見ているか
最後が、数字の桁を見る話です。
個別経路は 0.631、0.600 と太い。しかし説明可能性から依存までを通した直列間接効果は 0.051（95%信頼区間 [0.032, 0.075]。手元のデータから繰り返し再標本を取って区間を求める方法で、5,000回分の再標本に基づく区間）で、論文自身が「有意だが小さい（small）」と書いています。
鎖の一本一本が太いことと、入口から出口まで太いことは別です。連鎖モデルでは、通した効果は各段の積のような形になるため、段を重ねるほど細くなります。資料に「0.63」と「0.60」だけが抜き出されれば、入口から出口まで強く効いているように見えます。
もう1点、落ちやすい数字があります。モデルの説明力（R²。その概念——統計では構成概念、つまり直接は測れず複数の質問の束で測る対象を指す——のばらつきのうち、モデルで説明できた割合）は、認知的理解 0.381、認知的信頼 0.543、信頼の較正 0.398、依存 0.360。モデル全体の当てはまりの指標 SRMR は 0.048（推奨される 0.08 未満）です。
ここまでなら「概ね良好」と要約できます。しかし予測の面で見ると、構成概念レベルの予測関連性は認知的信頼が最も高く（0.467）、依存が最も低い（0.102）。さらに線形モデルを基準にした比較では、依存についてのみ差が非有意（p = 0.348）でした。
モデルが最もうまく説明できていないのは、鎖の終点である「依存」です。 そして実務が知りたいのは、ふつうこの終点です。「予測力は中程度でした」という要約は、この一点を消してしまいます。
なぜ、矢印を因果として読んでしまうのか
ここまでの整理をしても、図を見れば矢印は因果に見えます。理由は図の側にあります。
矢印は、日常のあらゆる場面で因果の記号として使われています。 フローチャート、手順書、組織図の指示系統。どれも「こちらがあちらを動かす」ことを意味します。統計のパス図だけが「人が仮定した向き」を意味するという例外は、記号の形からは読み取れません。
もう1つは、情報量の非対称です。向きの仮定は図の外（本文の限界節）にあり、係数の値は図の中にあります。図は単体で持ち運べますが、限界節は持ち運べません。 資料に貼られるのは図のほうです。
そして、受け取る側の事情もあります。会議で求められているのは「で、何が効くのか」という答えです。「向きは仮定です」「終点の予測力が最も低いです」という情報は、求められている形の答えになりません。求められている形に合う部分だけが残る——この選別は、誰かが悪意でやっているわけではなく、資料が何度か転記されるあいだに自然に起きます。
パス図を受け取ったときの判断軸
正解は「パス図を信じない」ではありません。そうすると、調査に基づく情報すべてを捨てることになります。
置き場所を変えるのが判断軸です。パス図は「仮説の構造が、このデータと矛盾しなかった」ことの記録として読む。 「何が何を動かすかが分かった」記録としては読まない。
この置き場所にすると、使い道が1つ残ります。自社が立てている仮説と、その図の仮説が同じ向きかどうかを確かめるという使い道です。向きが同じなら、少なくとも「自分たちと同じ向きを仮定した分析が、データと矛盾しなかった」とは言えます。向きが違うなら、その図は自社の仮説の裏付けにはなりません。
逆に、使えない使い道も明確になります。係数の大きさを施策の優先順位に翻訳することです。0.631 の経路を 0.349 の経路より優先する、という読み方は、向きが仮定である以上成立しません。
なお、この論文が扱っている「説明の信頼」というテーマ自体は、別の角度からも検証されています。説明の内容が正しいかどうかより、もっともらしく見えるかどうかが信頼を動かすという実験は、AIの説明は「正しさ」より「もっともらしさ」で信頼される——205人の実験で扱っています。あわせて読むと、「較正」という語が測りにくいものを指していることが見えやすくなります。
手元で試せる最小の確認
次にパス図を含む資料を受け取ったら、1つだけ探してみてください。
「この図の矢印の向きは、何に基づいて決めましたか」と聞く。
答えとして返ってくるのは、おそらく「先行研究に基づいて」か「理論的に自然な順序で」です。どちらも正当な答えです。そしてどちらも、データが向きを決めたのではないことの確認になります。
答えが「データから出てきました」であれば、そこは踏み込んで聞く価値があります。向きを決めるには、時間差のあるデータか、介入を伴う実験が必要です。一時点のアンケートからは出てきません。
もう1つ、聞けることがあります。「入口から出口までを通した効果はいくらですか」。 図に載っているのは個別経路だけであることが多く、通した値は本文の表にあります。桁が1つ小さければ、図の印象と結論は変わります。
確かなことと、確かでないこと
確かなこと（2026年10月24日に本文HTMLを取得して確認した範囲）：この論文が横断・自己申告の設計であること。各係数の値と有意水準。直列間接効果が 0.051 であり論文自身が小さいと記述していること。R² と予測関連性の各値、依存が 0.102 で最も低く、線形モデルとの差が依存のみ非有意（p = 0.348）であること。全コリニアリティVIFの最大値が 2.82 で、それでも著者が共通方法分散の可能性を明記していること。較正項目に依存への言及があり著者が注記していること。本稿の trust calibration が知覚された較正であると著者が宣言していること。測定項目が本研究のために作成され、正式なパイロットテストも専門家パネルのレビューも実施されていないこと。
確かでないこと：この研究は一時点の自己申告データであり、矢印の向きの正しさは検証されていません。本記事は「逆向きのモデルも同程度に当てはまる」とは書いていません。論文が書いているのは「因果や時間的順序は確立できない」「逆の順序ももっともらしい」までであり、それ以上の主張には別の方法論文献が必要です。
この記事が適用範囲を広げていないこと：標本は韓国の大学生と若手専門職の便宜的サンプル342人です。日本の利用者や日本企業の業務判断に一般化できる結果ではありません。また、質問票の全24項目は確認していないため、項目の重なりについて挙げたのは1項目だけです。
資料の図を見るときに立ち返る問い
立ち返りたいのは、「この矢印は、誰が向きを決めたのか」という問いです。向きを決めたのが分析者であれば、図は仮説の記録です。仮説の記録は、同じ仮説を持つ人にとっては有用で、違う仮説を持つ人には何も証明しません。
もう1つは、「この連鎖の終点は、どれくらい説明できているのか」という問いです。今回の論文では、終点である依存が最も説明も予測もできていない部分でした。実務が動かしたいのはたいてい終点です。鎖の途中が太いことは、終点が動くことの保証にはなりません。
パス図を疑うことと、調査を使わないことは別です。向きは仮定であると分かったうえで読む図は、仮定を共有しているかどうかの確認に使えます。 向きがデータから出てきたものと思って読む図は、確認の道具ではなく、結論を先に決めるための装飾になります。この違いは、図の中には描かれていません。
参考資料・引用元
- Explainability, Transparency, and Calibrated Trust in AI Decision Support: A Serial Mediation Model with AI Literacy as Moderator（Usman Rehman、Frontiers in Psychology, Volume 17, Article 1924913、DOI 10.3389/fpsyg.2026.1924913。Original Research。受理2025年9月25日、公開2026年10月14日。2026年10月24日に本文HTMLを取得して確認）