#43 AIは人の性格を「なんとなく」で当てている

AIはすでに採用面接のスクリーニング、メンタルヘルスの一次診断、ゲーム内NPCの性格適応など、「人を見て性格を判断する」場面に投入されつつあります。しかし、これまでの評価方法は「ビッグファイブ（外向性・協調性・誠実性・神経症傾向・開放性）の数値スコアを当てられるか」だけを見ていました。

これだと、「笑顔→協調性が高い」のような表面的な相関で偶然当てているモデルと、本当に行動を観察して判断しているモデルを区別できません。さらに EU AI法では、性格に基づく採用判定は「高リスク」と分類され、根拠の説明が必須化されつつあります。「正しい答え」だけでなく「正しい理由」が問われる時代になったのです。

著者らは「根拠ある性格推論（Grounded Personality Reasoning, GPR）」という新タスクを提案しました。AIに対して、(1) スコアを出す、(2) 理由を説明する、(3) その根拠となった具体的な観察手がかりを答える、という3段階を要求するものです。

そのために MM-OCEAN というベンチマーク（1,104本の動画と5,320問の選択式問題）を作成。注目すべきは作り方で、4種類のAIエージェント（観察者＝行動を細かく記録、​心理学者＝性格を分析、​試験官＝問題を作成、​整合性チェッカー＝品質保証）と人間の専門家が協働するパイプラインを構築。動画の中の「眉が上がった瞬間」「11.6秒〜14.8秒の前傾姿勢」といった微細な行動を、タイムスタンプとバウンディングボックス付きで記録し、それを根拠に性格を判定させる仕組みです。

さらに4つの「失敗タイプ」も定義しました：偏見率（PR）​ ＝スコアは合ってるが根拠が間違っている、​作話率（CR）​ ＝もっともらしいが論理が破綻、​統合失敗率（IR）​ ＝根拠はわかるがスコアを外す、​全方位的根拠把握率（HR）​ ＝全部正解。

27種類の最新マルチモーダルAI（プロプライエタリ13、オープンソース14）を評価したところ、衝撃的な ​「偏見ギャップ」​ が明らかに。​正解スコアの 51% が根拠なし、つまり半分以上は「正しい答えを間違った理由で出している」状態でした。

全タスク完璧クリア率（HR）は最高でもGemini 3 Flashの 33.5% 、平均はわずか 10.4% 。LLaVA-NeXTやInternVL3-8Bに至ってはHRが 0% 。最先端のプロプライエタリモデルですら、約15%の正解は根拠を示せていません。

また、スコア予測やテキストでの説明はオープンソースもプロプライエタリにほぼ追いついている（差は3〜6%）一方、​​「行動の手がかりを実際に拾う能力」では26.6%もの差があることが判明しました。

これは「AI採用面接」「AIメンタルチェック」を導入しようとしている企業にとって、見過ごせない警告です。従来の評価方法で「人材適性判定の精度80%」と謳われていたAIも、実は半分は根拠のないラッキーパンチだった可能性があります。これは法的リスク（EU AI法は説明可能な根拠の提示を義務化）に直結します。

また、Gemini 3 FlashやGPT-5.5など「思考プロセスを明示できるモデル」が上位を独占したことから、ビジネスでAIを選ぶ際は「答えの精度」だけでなく「根拠の説明力」を見るべき時代に入ったといえます。本研究は、「賢く見えるAI」と「信頼できるAI」の見分け方を提示したともいえ、AIガバナンス、ベンダー選定、社内AI評価基準のあり方に直接的な示唆を与えます。「自信満々の早とちり屋」タイプと「慎重だがスコアは外すかも」タイプという2つの失敗パターンも特定されており、用途に応じた使い分けの参考になります。