生成AI以前と以後でエンジニアの文章はどう変わったのかという記事が面白かったので、研究者の書く論文についても調べてみました。
対象は、私の専門分野である自然言語処理の学会、言語処理学会の年次大会の予稿です。1995年以降の論文はすべて Web 上に公開されており、今回はそのうち2018〜2026年の予稿を分析しました。
余談ですが、2023年3月の言語処理学会では、GPT-4 の公開を受けて「緊急パネル：ChatGPTで自然言語処理は終わるのか？」が開かれました。黒橋先生は、旧来の自然言語処理は終わりを迎えつつあるが、新しい課題に取り組む新しい自然言語処理が生まれる、と論じていました。予稿の数を見るかぎり、学会は終わるどころか、ますます活発になっています。
分析方法
きっかけとなった Qiita の分析では、文長、箇条書き、太字が増えていたそうです。一方、予稿では、文長や表記にわかりやすい変化は見つかりませんでした。技術ブログに比べると、論文は元々スタイルが慣習的に決まっており、表記で独自性を出す余地が少ないからだと思います。
語彙については、英語論文を対象とした先行研究でも “delve” という単語の増加などが報告されており、AI の影響が表れやすいようです。そこで今回は、語彙の変化に絞って調べました。
方法は単純です。抽出した日本語文を Sudachi で単語に分け、ある単語を1回でも使った論文の割合を「出現率」とします1。そして、出現率が前年からどれだけ増減したかを年ごとに調べました。ChatGPT の公開は2022年11月ですが、論文執筆にいつ影響が出たかは分からないので、毎年の変化を追います。
出現率の増減ランキング
年ごとの増減の上位10語は次のとおりです。ChatGPT 公開前の2019年以降も比較のために載せています。
ランキングには面白い単語もあるので、少し脱線して取り上げます。
2020年には「BERT」が急増しました。GPT 以前に最も使われた事前学習済み言語モデルですね。GPT と出現率を比較してみましょう。
2022年をピークに減り、2026年には GPT に抜かれました。栄枯盛衰ですね。
また、2021年には「付録」の出現率が0%から21.6%に跳ねています。この年に投稿規定が変わり、付録を付けられるようになったためです。「詳細は付録 A に示す」のように、本文から付録を参照しているわけですね。
「付録」の出現率は、その後も年々増えています。国際会議の論文でも、付録に議論や実験結果を足して論文のディフェンス力を上げる（？）スタイルが増えている気がします。比較すべき手法やデータセットが増え、載せたい事柄が増えているというのもあるかもしれません。
2026年に急増した一般語
本題に戻ります。注目したいのは2026年です。それまでの年は「LLM」「プロンプト」のような研究トピックの語が上位に目立ちましたが、2026年は、研究分野によらず使える一般語が上位を占めています。
明示、同一、依存、設計、枠組み、単一、一貫、整合これらの単語の出現率を、年ごとに確認してみましょう。
徐々に使用が増えていたものもありますが、共通しているのは2026年に出現率が急激に増えたことです。1年で論文の書き方の慣習が変わったとは考えにくいので、LLM による校正や執筆が広まり、語の選び方が偏ったのではないでしょうか。
実際の用例も確認してみましょう。
入力プロンプトには，ノード集合とエッジ集合を明示的に与えた．
しかし，文化は多面的かつ高次の概念であり，既存研究でも明示的な定義がほとんど与えられていない．
従来のRLHF手法でこの不整合を解決するには、接頭辞ごとに応答文を評価する報酬モデルを明示的に学習する必要があるが、そのための学習データの構築は困難であった。
既存研究では，事前学習済みモデルや，出力言語が明示されない設定において一定の制御効果が確認されている．
このため，(a)正規化ルール（数字・記号・全半角）を明示した上での一致判定，(b)人手またはLLM判定器によるペア判定，(c)情報抽出型の自動評価（必要スロットの充足）など，タスクに応じた評価設計が必要である．
また介入は，介入した隠れ状態が(i)分析対象トークンと同じ式の位置にある，(ii)必要な情報が記述されている最後の式の位置にある（例：B=2+3→B=5），または(iii)関連する変数の値が明示的に記述されている最後の式の位置にある（例：B=5→A=1+5）場合にのみ成功していた．
一方で，WithReferenceはユーザ側がreferenceを用いて要件を明示するため，人間側が評価基準を設ける．
データに明示的な構造と属性タグを与えることで，質問内容の階層性や属性情報をより精密に扱うことが可能となり，検索精度の向上が期待される．
また，各手順の理由と出典が明示され実務でそのまま適用できるactionableな内容となっておりhelpfulnessも5/5と判断した．
本研究では，読者の認知プロセスを明示的に扱うことが物語や読書体験の質にどう寄与するかを検証する．
回答においてこれらを明示的に示すことは、回答の説得力を増すとともに違法行為の予防にも有用である。
スキーマ構築では，元データにあるQA特性の値の組み合わせをスキーマとして明示的に構造化する．
しかし，複数のADR機関の事例を統合した本データセットでは，補償金額が明示されていない事案も多く含まれる．
そのような主観に基づく評価関数を明示的に設計することを避ける枠組みとして，対話型進化計算（IEC）が提案されている．
しかし，本研究の結果は，検出手法の性能評価においてハルシネーションの原因を明示的に考慮する必要性を示しており，今後の評価設計や手法比較において重要な観点であると言える．
以上より，生成プロセスを段階化し，論理構造に関する制約処理を明示的に分離する設計は，少なくとも本実験で扱った複数モデルにおいて準拠を安定化させる可能性が示唆される．
個票+回答確率のように損失関数を直接最適化するアプローチも一定の効果を示したが、LLMが理解しやすい形式で分布を明示的に記述する手法ほど効果的ではなかった。
分類対象となるURLの出現位置を明示するため，本文中のURLの直後と参考文献の引用タグの直後にという文字列を追加した．
しかし、この根底にある確率的非対称性を明示的にモデル化した既存手法は存在しない。
ことから，単に注意を促すのではなく，推論誤りの種類を踏まえて，誤りが生じやすい観点に明示的に注意を向けさせることが重要であることが示唆された．
本稿の同一語彙条件は，語彙を固定したまま遷移規則だけを切り替えることで，同一の語彙表現上に異なる局所遷移構造を同時に提示する設定とみなせるため，被覆の増加が表現の再配置を促し，両規則に対するディリクレエネルギーの低下として現れた可能性がある．
演出層と受容層は排他的な二分法ではなく，同一の台本表現において異なる層で異なる強度を持ちうる連続的な性質である．
この設定では，請求項側は短い構造になりやすく，明細側は同一状況をより多くの修飾・条件・付随行為とともに表すため，請求項構造が明細構造の部分構造として現れるか，または一般化により整合し得るかが中心課題となる．
従って，同一のテキストに対して感情の数だけ，発話音声と感情に応じた異なる応答文のペアが対応付けられている．
CCNは画像とキャプションの組みからなる入力に対してWeb上から関連情報を収集し、同一および異なるモダリティ間の整合性を判定する。
各段階について、その時点で得られた処理結果が、最終的なタグ付与済みデータと同一であった文の数を示している。
また（ii）学習対象モデルと同一の評価器を用いると，学習対象の癖に沿った説明が高く評価されるなど，評価が自己循環し得る．
難解な語彙の出現や文構造の複雑さは文書の可読性に影響を与えると考えられるが，これらを同一の枠組みで分析可能な言語資源は限られており，複数の言語単位を横断して一貫した基準で難易度を付与したコーパスは存在しない．
仮説集合と擬似参照集合には，同一の集合を用いる．
訓練データは，Fine-tuningと提案手法で同一のものを使用し，テストデータについてもすべての手法の分類の際に同一のものを使用した．
また，単純な文章抽出であっても，情報量の多い栽培暦の場合には，同一語句が文書中に現れる数が多いことや，視覚的に密集していることにより誤認が生じやすい．
以下の手法について，同一の検証データを用いて評価を行う．
BizFermiは、同一サンプルに対して(A)人手によるフェルミ推定と(B) LLMによるフェルミ推定の人手評価を併せて収録するデータセットである。
本研究では，ハイパーパラメタは同一で，言語モデルのみを変えて解析器の学習を行った．
前節で見た通り，同一コーパス内で品詞別に見た場合には機能語の方が予測しやすく内容語の方が予測しづらいという結果が得られたが，コーパス間の差では全体的にこの傾向が強まっていると思われる．
同一の問題に対して複数の回答をサンプリングし，それらを意味的に等価なグループに分類した上でエントロピーを算出することで，不確実性を評価する．
トルコ語・ハンガリー語への拡張では，同一の戦略に基づき，47～50個のエキスパートを配置した．
異なるタスクの入出力例を同一プロンプトに混在させても、大規模言語モデルは文脈内学習により複数タスクを同時に扱えることが報告されている。
システムのコモングラウンドの管理能力を評価するためのタスクとして、UdagawaとAizawa (2021)は、動的に変化する時空間的環境においてタスクの参与者が同一の物体を指示することを目指すタスクを提案した。
評価用データセットには，1,000組の比較対象ペアと提示順序に依存して回答を決定しないようにするため、提示順を入れ替えた同一ペアを追加し、計2,000件の評価サンプルを構築した．
さらに，PCA whiteningや主成分除去といった操作により表現幾何を明示的に制御し，符号一貫性指標が方向の意味ではなく，表現幾何や評価設計にどの程度依存するかを分析する．
本研究は、観測事例が二件に限られており、AI検索・要約サービスとしても特定のサービスに依存している。
令和4年度は、多施設から収集した悪性乳がんおよび膵臓がん組織検体を対象にシングルセルRNA-seqおよび空間トランスクリプトミクス解析を行い、TAMの腫瘍浸潤における多様性と位置依存的機能分化の実態を解明した。
重要な点として、PIIが有する個人識別性は文脈や母集団に依存した相対的な概念であり、特定の記述のPIIへの該当性を一律のルールベースで判定することは容易ではない。
このことから，現在のLLMは農業経営の文脈に依存する指標定義や暗黙的前提を十分に扱えていないといえる．
そこで本研究では，Generatorに依存せず検索結果における正解候補の重複に基づいてQAを選別することで，質の高い学習用クエリのみをファインチューニングで利用する手法を提案する．
また，検索ログに依存せずテキスト生成モデルで質問をマイニングする手法も提案されている．
例えば，人間の主観や感情に依存した評価に基づく最適化は個人差や文脈依存性が大きく，評価関数を定義し最適化することが困難である．
StoryERはRanking/Rating/Reasoningを統合し，対人相関が高いが，学習データやカテゴリに依存があり評価の精度にもまだ課題が残る．
地域固有の自然環境や，過去の災害経験に強く依存する側面を有している．
最適な打牌は，局所的な手牌情報だけでなく，局面全体の進行状況にも依存する．
このことから，モデルの大規模化が必ずしも指示への感度を一様に高めるわけではなく，モデルの設計思想や学習手法に依存する側面が強いと言える．
ただし，代表的なトピックモデルの手法であるLatent Dirichlet Allocation (LDA)では，年次や業種といった文書属性を，モデル内で直接扱えないため，属性別の比較は推定後の集計に依存しやすい．
文脈依存の単語埋め込みの計算には日本語BERT-large 10）を，文埋め込みの計算には日本語BERT-base11）を用いた．
本研究では，MIAにおける代表的な性能指標であるAUCが，サンプル集合に対するスコアの分散に依存するという古典的な知見を再検討する（§3.1）．
第一は用語内の単語の依存関係を示す辺（type 1：依存関係辺）1），第二は冒頭と末尾の単語を結ぶ辺（type 2：用語完結関係辺）である（図1）．
学習者の習熟度と文章難易度の対応付けは，教員の主観的判断に依存して行われることが多く，その結果，教材の難易度が学習者にとって適切な水準から乖離し，十分な教育効果が得られない可能性がある．
これは，日本語において依存項が通常その支配語に先行するという性質により，当該文節が予測しやすくなるためと解釈できる。
このことから，提案手法は高度な推論能力を持つLLMに依存しないと考えられる．
一方，ℓ= 0, 23では，トークン位置に依存せずほぼ一定の値をとっている．
WebArena Modは既存のWebArenaを基に，一部の評価設定および環境仕様を修正したものであり，評価の妥当性向上を目的として設計されている．
本研究では，この問題に対処するため，訓練時と推論時を一貫して設計した離散拡散モデルを提案する．
いずれにせよ，対訳文間の意味表現が類似し，同一言語間の言語表現が類似する設計であるため，分離を実現する上ではどちらか片方の制約だけでも成立すると考えられる．
この設計により，結合比喩・換喩・提喩・文脈比喩といった異なる種類の比喩的表現が，オンラインの読解過程にどのような影響を与えるかを，同一粒度（文節）で体系的に検討できる。
以上より、字義的用例生成がすべてのMWEにおいて一様に達成可能とはいえず、むしろ言語的制約を考慮したプロンプト戦略およびタスク設計が必要性だといえる。
本手法は特定モデルに依存しない評価枠組みとして設計されており，基盤モデルが発展しても，同一のプロトコルで適用可能である．
本論文は，LLMが誤情報を受容してしまう脆弱性をより明らかにし，信頼性の高い対話型AI設計に向けた基礎的な知見を与えるものである．
今後の展望として，大域的な論理的一貫性・冗長性などの性質を反映した品質スコアの定義，評価指標の設計や，人手による評価が挙げられる．
本研究では、発話を視覚的数学要素に接続する画像ベースのアノテーションスキーマを設計し、粒度の異なる複数レベル（数式、スパン、項）で参照関係を捉える。
しかし，既存の日本語版ベンチマークの多くは英語ベンチマークの翻訳に留まっており，日本における実利用環境を想定して設計されたAIエージェント向けベンチマークは存在しない．
これらの結果は、SL-CAIにおける原則適用の段階設計が応答の安全性に与える影響を示唆している。
これらを通して，人間関係に特化した長期記憶の評価基盤を拡張し，実際の長期対話システムの設計に有効な指針を明らかにする．
以上の分析・議論を基に、違法行為に関するLLM安全性評価質問応答を以下のように設計した。
農業経営類型に含まれる表は，人間による閲覧・運用を前提として設計されている．
R6（税金準備）は77.6%で証拠不十分，R11（質問）は50.7%で不十分と，日本固有の制度知識と対話設計が共通課題である．
ここのペアリングは様々な設計が可能であるが，本研究では最大の報酬を持つ生成文を正例，最小の報酬を持つ生成文を負例とした．
選択肢数や表現の違いによりSteerabilityが変動し、測定された操作可能性が概念より選択肢設計に影響されるステアラビリティ・バイアスが示唆された。
この結果は，大規模なベンチマークを構築した後に無作為抽出を行う必要性を低減し，評価コストを抑えた実験設計の可能性を示唆している。
以上の知見は，将来のエージェントベースのフレームワーク設計に対し，複雑なマルチエージェントに依存せずとも，良い情報共有設計やマルチ出力を通じて，より単純かつ効率的に多様性を高める構造を設計する上での指針となる．
本研究の目的は，事後学習を必要とせず，内在的に解釈可能なLMアーキテクチャを設計することである．
Salimansらは，この手法を深層ニューラルネットワークの最適化に適用し，パラメータにノイズを加えた複数のモデルを用いて並列にタスクを実行することで，得られた報酬に基づいて勾配を推定するスケーラブルな枠組みを提案している．
また，DesignBenchは，マルチモーダルモデルのデザイン能力を多角的に評価する枠組みである．
先行研究が指摘するように，ハルシネーションは言語モデルの学習および評価の枠組みに起因する不可避な現象である．
提案手法は，数値埋め込みゲート機構および学習時の補助タスクを導入することにより，通常のColBERTと同様のマルチベクトルMaxSim検索の枠組みの中で検索処理を完結させる．
本研究では，ユーザビリティテストを行う利用者役エージェントと，ヒューリスティック評価を行う専門家役エージェントを組み合わせ，Web UIの操作性を自動評価する枠組みを導入する．
Lean 4の普及と，LeanDojoによる検証基盤，MiniF2F/ProofNet等のベンチ整備により評価は容易になった一方で，表記揺れに起因する偽陰性を評価パイプライン仕様として縮減する枠組みは限定的である．
計算モデルによる言語知識の獲得を，仮定された学習環境の下での学習可能性を示す証明概念として用いる立場が提案されており，この枠組みでは，人間では実施困難な因果的操作を通じた検証が可能となる．
本研究では，Sentence-BERTの枠組みを採用し，LLMが生成したスコアでBERTモデルを訓練した．
このような背景から，本研究では複数の自動文章評価指標を統合する枠組みに着目する．
この双方向性を利用して，互いの翻訳精度を高め合う枠組みとして双方向学習(Dual Learning)が知られている．
さらに，バイアス研究全体においては，バイアスの定義や対象の曖昧さといった課題も指摘されており，バイアスの種類ごとに手法を設計する枠組みも十分に確立されていない．
本枠組みに基づいて，5,306件の質問からなるベンチマークを生成し，2つの最先端LLM（GPT-5.2，Gemini 3 Flash）の性能評価を行った．
この問題意識と関係する枠組みとして，知識編集がある．
また，LLMの迎合性（Sycophancy）に関する研究は近年増加しており，SycEvalやSYCON Benchのような評価枠組みも提案されているが，その多くはユーザーの意見への同調や解答の修正といった一般的な対話タスクにおける分析に留まっている．
しかし，これらの枠組みは，人間の複雑で機微な感情を十分に捉えることは困難である．
また，コードブックの頻度計算という単純な枠組みでありながら，正例・負例ペアを事前に定義できないクロスモーダルデータにも適用可能であり，高い汎用性と再利用性を備えた手法である．
既存研究は主に画像内に閉じた意味理解を扱ってきたが，本稿で扱うような文脈依存的な意味変容を扱う枠組みは整備されていない．
さらに、LLMと進化的アルゴリズムを接続して強力なプロンプト最適化を実現する枠組みや、進化的プロンプト探索を改善するためのツールボックスも報告されている。
JWTDは編集履歴から文単位の修正前後を収集した正誤ペアであり，本研究の枠組みに適合する．
本研究では、用例間の類似度スコア分布における一貫性をモデル化することによる、意味変化検出のための統計的枠組みを提案した。
そのため，単一の比率帯が常に最良になるとは限らず，網羅性と偏りのトレードオフとして理解するのが自然である．
LECとは異なり，認知モデルはプログラムとして実装せず，全体の構成やモジュールの処理を全て自然言語で表現し，それを単一の大規模言語モデルにプロンプトとして与える．
しかしながら、これら先行研究では単一の情報提示のLLMへの影響を対象としており、マルチターンでの効果の検証がない。
さらに，著者の過去研究では，単一のADR機関で行ったモデルを検討しており，申立人文と被申立人文の対を同時に入力とする言語モデルを用い，和解に至る確率を予測する枠組みを検討する．
そのため，テキストに直接表出しやすいのは特定の出来事に結びついたSLであり，TLが単一のテキストに明示的に反映されるとは限らないと考えられる．
一方で，これらの評価指標はそれぞれ異なる観点から文章を評価しており，単一の指標のみでは人手評価を十分に再現できない場合があることが指摘されている．
表1によれば、高品質参照訳を用いた場合、英和・和英のいずれでも提案指標およびchrFは、同じ参照訳を与えたMetricX-24を上回り、参照訳が単一であっても提案手法も含めた表層マッチング型指標がモデルベース指標と同等以上の精度を達成しうることが分かる。
また，先行研究に倣って単一トークンのみの解答を用いる．
ヒンジ現象とは，言語モデルが大規模になると，頻度と語義の豊富さのプロットが単一の直線ではなく，図1の赤丸と青三角で表されるように，二つの直線をつないだヒンジ形となる現象を指す．
いくつかの研究では、数学記号は単一テキスト内であっても頻繁な再定義や文脈依存性のために非常に曖昧であることが示されている。
これらのベースラインは，DualCSEと同様に，前提と仮説をそれぞれ単一のベクトルに符号化し，それらのコサイン類似度が閾値を超えるかどうかでラベルを予測する．
LLMは単一の事例に対する絶対的な数値判断よりも，2つの事例を比較するような判断において，より安定した出力を示す傾向がある．
なお，JSON出力形式については，P1ではclaims givenとclaims revisedの2フィールドを，P2では単一のclaims（実質的にrevised相当）を要求するスキーマを採用している．
LLMからある単一の属性の予測を得るシナリオを考えた算出法である。
また，CLIPScoreなどの埋め込み類似度に基づく指標は，評価を単一のスカラー値で表現するため，長文プロンプトや要素間の関係性・構成的要素，推論を要する整合性の検証が難しい．
しかし，文書ベンチマーク上の既存評価は単一のプロンプト様式に固定されることが多く，明示的推論（CoT）の効果を，モデル規模やアーキテクチャ等の交絡要因から切り分けて理解することが難しい．
一方，Janusは，理解と生成で要求される視覚表現の粒度が異なるため，単一のエンコーダでの学習が性能低下につながり得ることを指摘している．
また，翻訳評価では，複数の翻訳を比較する相対評価だけでなく，単一評価でも，参照訳を用いた評価をはじめ，翻訳の比較を介した評価を行うことがある．
多義語は，単一の形式に関連する複数の意味が結び付いた語と定義される．
これに対し，Wangらは，単一LLM内で複数のペルソナをシミュレートするSolo Performance Prompting（SPP）を提案した．
プロプライエタリ及びオープンウェイトモデルのいずれにおいても，プロンプティング手法はVanillaと比較してスコアを低下させる場合が多かったのに対し，SoOプレフィリングは一貫してスコアを向上させた．
GanzらはQuestion-Aware Vision Transformer (QA-ViT)を提示し，質問特化の認識を視覚エンコーダ内部に直接組み込むことで，クエリに応じた動的な視覚特徴適応を可能にし，多様なマルチモーダル推論タスクにおいて一貫した性能向上を実現した。
これに対してCognitive Reward-Augmented Decoding（Cog-RAD）は逐次生成中の局所的な補正であるため，プロンプトによるスタイル誘導が出力全体に一貫して反映されにくい可能性がある．
その結果，Gen-lastはLoRAに比べて一貫した性能改善には至らなかった．
自動評価において，提案手法の選択率は情緒性価値の全5項目で93%を超え，一貫してベースラインよりも高い性能を示した．
これらの指標は，いずれも人間上級者が暗黙的に用いている判断材料を形式化したものであり，シンボリック計算機によって一貫した形で算出される．
本研究では、哲学論文に対するコメンタリ論文を、アイデア生成から原稿生成まで一貫して自動生成する手法としてAI哲学者を提案した。
具体的には，表層の文字列とJSONによる構造化意味表現の組を少数例として与え，述語の抽出，項の抽出，表層格・深層格の付与，ならびに述語概念・項概念の付与を一貫して出力させる．
これら4ケースの実験から，本アプローチにて，参照文書にもとづく根拠が提示され，判断手順・理由付け・優先度が一貫して整理されることでcorrectness・helpfulnessともに高い評価が得られた．
さらに，いずれのプロンプト設定においても，正常（Good）画像の検出精度は一貫して高い水準を維持しており，本研究で採用したプロンプト設計が過検出（false positive）の増加を招いていないことが確認された．
一方LLM-as-a-Judgeによる評価はより一貫しており，モデルサイズが大きいほど高スコアとなり参照音声が最も高いスコアを得ていることから妥当な評価であるといえる．
このことから，定義情報の付与は必ずしも一貫して性能向上をもたらすわけではなく，カテゴリに応じて有効な手がかりが異なる可能性が示される．
他方，LLMの疑似インタビュー対象者ではfew-shotの効果が一貫せず，改善が限定的または低下する場合も見られた．
本研究で観測されたのは、あくまで第三者評価における評価の方向性が一貫している状況下で、AI要約結果として人格的評価語が付与されていたという事実である。
しかし，ステップ数を増やし，反復的精錬を行なっても一貫した傾向は見られなかった．
以上より，推論トークン数の観点からは，肯定応答誘導と否定応答回避のいずれかが一貫して優れているとは言えず，少なくとも本設定においては，両者は同程度の有効性を持つと結論づけられる．
評価に用いたシステムプロンプトおよび出力形式は固定し，モデル間および学習前後で一貫した条件下で評価を行った．
表2に示すように，Neighborhood Aggregationはすべてのデータセットおよび抽出設定において一貫して最良の性能を示し，Answer RecallとEvidence Recall@10の双方で他手法を上回った．
一方で，すべてのタスクにおいて一貫した性能向上が見られたわけではなく，QASCではMPモデルがベースラインの性能を下回った．
GPT-5.1とGPT-4oを用いた実験の結果，適応的階層分割はノード・エッジのF1を一貫して向上させるのに対し，段階的統合は長距離エッジを含むER図やフローチャート図では，むしろ精度を悪化させる場合があることが分かった．
離心率に着目すると，Random Labelsでは，通常の8-shot推論より情報除去が弱く，誤ったラベルがデモの機能を弱めるという報告と整合する．
本研究は，これらの知見と整合的でありつつ，既存の研究では未だ十分に検証されていない，モダリティギャップの補正がzero-shot画像分類タスク性能に及ぼす影響をより網羅的に分析することを目指す．
これらの傾向は人手評価の結果とも整合していた（付録C参照）。
さらに抽象化モデルの統制実験から，PPT言語の有効性をチョムスキー階層と回路複雑性で整理する既存枠組みに加え，系列内の構造的標識の配置が依存同定曖昧性を低下させうることが，学習効率の差と整合的であることが示唆された．
本論文では，学習・推論の整合が取りやすいprefixを主に用いる．
こうして，無意味語の象徴素のグロスと意味句が整合する対照文（control）とそうでない処置文（treatment）のペアを最小限の差異で作成する．
R-Clarifyは過去の試行における失敗を活用し、ユーザ固有のメモを更新することで、より効果的な明確化質問を生成し、時間とともにユーザ意図に整合した行動予測を行えるようにする。
これは、高資源言語と低資源言語間の性能格差を縮める有望な道筋を示唆する：目的を絞った多方向整合データを通じて概念空間との整合性を向上させることである。
この構造により，生成される画像は与えられたテキスト条件と意味的に整合するよう制御される．
このモデル仕様は，予測変数と従属変数の粒度を整合させるものである。
コンテキスト長が拡大すると，時間更新・矛盾・誤情報を含む多数の命題が同時に参照され，整合しない情報が同一コンテキスト内に混在する．
これは前節で観測された，Instruct型モデルでCoTがR-tasksで大幅に改善という結果と整合的である．
し特にTop-Kが1の場合，2手法とも384次元の精度が向上していることから，厳しいランク整合フィルタリングは高次元側の精度向上に寄与すると言える．
一方、Day -30～-21では感度0–45%と低く、血液悪性腫瘍の臨床症状が骨髄検査の1–2週前に顕在化するという臨床知見と整合した。
さらに，この特徴量が脳優位であったことは，LMが負の情動に関する情報を脳と同程度には表現していない可能性を示唆し，LMが社会的・感情的内容の脳応答を十分に説明できないことを報告したZhouらの結果とも整合的である．
終助詞は関西圏全体で頻出である一方，なやわ等は地域差が出やすいことがあり，方言分類で頻度にもとづく特徴が有効であるという知見とも整合的である．
提案手法は，次元ごとの選好性（どちらが正例・負例かのバイナリ）から方策を学習する既存手法に比べ，実数値からなる暗黙的報酬を活用できる点，DPOの理論と整合する点，に関して優れると考える．
その結果，LLMは誤用を抑制する傾向があり，人間の選択確率分布と整合しない（相関が低い）ことを示した．
そのため、予算枯渇による探索停止と探索方針が整合せず、固定予算下で性能を最大化しにくい。
本来，実際のカウンセラー発話と提案フレームワークが生成する発話は一定程度整合していることが望ましい．
語ごとに、2026年の予稿から20文を無作為に選びました（1論文1文まで）。用例は、その論文が LLM を使ったことを意味するものではありません。
ほとんどは文法的に自然で、意味の通る使い方です。響きはやや硬く、英語の直訳のような印象を受けるものもあります。 「明示的に〇〇する」のように、「明示的に」を削っても意味がほとんど変わらない使い方も目につきました。
「設計」や「枠組み」の用例を見ていると、研究テーマの変化も混じっているようです。「設計」は「プロンプト設計」のような LLM 研究ならではの使い方が増えています。「枠組み」も、「〜を評価する枠組み」のように、評価や分析の仕組みそのものを提案する研究で使われる例が含まれます。
「整合」は、個人的にあまり馴染みのない言葉でした。出現率は2018年には1%未満で、その後少しずつ増え、2026年に一気に21%まで増えました。「実験結果が先行研究の知見と整合する／整合的である」のような使い方が多いようです。英語論文の “This finding aligns with …” や “is consistent with …” を日本語にした形なのかもしれません。
同義語との比較
この増加が、使う場面が増えたためなのか、同じ場面で選ぶ語が変わったためなのかを確かめるために、同義語の出現率と比較します。 単に、その意味の単語を使う場面が増えたのではなく、表現の選ばれ方が偏っているのであれば、同じ意味を持つ他の単語の頻度は減っているはずです。 そこで、用例を見て置き換えられると判断した同義語と比べてみました。
どちらの組も、2026年に増減がきれいに逆になっています。「同じ」と「同一」、「一つ」と「単一」は多くの場面で置き換えられる語です。使う文脈が増えたのではなく、どちらを選ぶかのバランスが LLM のクセで変わったのでしょう。
ただし、8語のうち、ほかの語では同義語がはっきりしないためか、相反する出現率のパターンは見られませんでした（たとえば「整合」と「一致」など）。
おわりに
自然言語処理分野の日本語論文を分析したところ、2026年の予稿で、LLM の使用の影響と見られる語彙選択の変化が見られました。LLM は2023年ごろから活用できる状況でしたが、論文執筆に本格的に使えるほど性能が上がったり、インターフェイスが整ったのは2025年ごろからだったという印象があります。2026年の変化は、その実感とも合います。
余力があれば、今回注目した表現が、どの LLM のクセなのかも調査したかったのですが… ChatGPT、Claude、Gemini などに、ダミーの論文を執筆させ、単語頻度を数えるという実験を考えましたが、うまい論文の生成方法や API 料金を考えて断念しました。 各種 LLM のクセに詳しい方は教えてください。
ちなみに、「AI 執筆が増えている！けしからん！」というつもりは毛頭なく、校正やレビューなどのチェック、データのまとめなどの情報処理には大いに活用すべきだと思います。
一方で、自分で文章を書く過程で「あ、この主張をするためには、この実験を追加しなきゃ」と気付いたり、研究テーマへの理解が深まったりすることもあります。個人的には、書きたい内容を好きな粒度やスタイルで殴り書きし、清書やチェックを LLM に任せるくらいが、コントロールのしやすさと時間効率のバランスが良いと感じています。
次の言語処理学会は、2027年3月@福岡です。新しい研究の知見はもちろん、論文の言葉づかいがどう変わるのかも楽しみです。
Footnotes
-
1本の論文で何回使っても1回と数えます。前年か当年に20本以上の論文で使われた語だけを対象にし、数字を含む語は除きました。ランキングの表示からは、「的」「点」のような1文字の語も除いています。表記ゆれ（「わかる」と「分かる」など）はまとめて数えています。 ↩