過去の会話から次の返答を予測する新しいAI

MITの研究者らは、数週間にわたる個人の実際の会話から繰り返し現れるパターンを学習し、次に起こりうる会話行動を予測するLLMベースのシステムを開発しました。

もしAIが本当にあなたの生活にアクセスでき、本当に長期間あるいは継続的にあなたを知ることが許可されたなら、何千時間にも及ぶあなたのやり取りから得た情報をもとに、あなたの行動や意思決定、さらには次に言いそうなことさえ予測できるでしょう。

ChatGPTやClaudeといった大規模言語モデル（LLM）を日常的に使っている私たちは、使用履歴に基づく「ニーズの先取り」傾向にすでに気付いており、記憶保持とコンテキストが重要な摩擦点となっていることに気付いています。

しかし、臨時的かつライブ配信された情報さえを営利企業が運営するAIシステムに提供することは、潜在的なプライバシー・セキュリティリスクであると言えるでしょう。サービスは確かに便利になるものの、企業がデータを共有したくなる誘惑と、恥ずかしいオンライン漏洩や情報流出のリスクが重なると、このレベルのAI／人間統合は賢明とは言えません。

もし私たちが素晴らしいものを手に入れられるとしたら…

まずは興味深い新論文に取り掛かる前に「公共サービス警告」を済ませる必要がありました。この論文は、データが安全かつ真に信頼できるサークルに閉じ込められた理想的な世界を想定しており、分析AIの真の力を個人の利益に活かすことができると示唆しています。

新しい研究は、ユーザーの許可とデータ取得に対するコントロールを前提に、装着したスマートウォッチが会話を継続的に記録し、行動パターンを抽出するシステムを提案しています：

新しいMIT論文から、提案された行動予測パイプラインの図です。数週間にわたって収集された会話から繰り返し現れる行動パターンが抽出され、ユーザーの次に起こりそうな行動を予測し、予測された行動が起こる前にスマートウォッチでリマインダーが送られます。 出典

論文のタイトルはBefore You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMsで、14名の参加者からスマートウォッチを通じて1,000時間以上の自然発話（すなわち、機会的・実世界的会話）を収集し、文字起こし・構造化された行動履歴に変換したうえでGemini 2.5 Proに行動特化プロンプトと抽出された行動規則を供給し、各ユーザーの次に起こりうる会話行動を予測させました。

(そして、なぜこの新論文がプライバシーに関する文脈を必要とするのかが明らかになるでしょう)

この新しい研究は、著者らが2026年に発表したMind Mapperという出版物*を実践に移したフィールド実験であり、学習した行動パターンがリアルタイムでユーザーの次の会話行動を予測できるかどうかを検証しています。

「我々の結果は、長期的な会話から抽出された状況特化型行動パターンが、ユーザーの言語的行動傾向の予測を実質的に改善できることを示しています。アプローチの大きな強みは、これらを人間が読めるコンテキスト条件付き行動パターンとして表現し、明示的な例外条件を付与できる点です。」

「参加者はこの透明性を評価し、推測されたパターンを読んで修正し、個人的な目標を設定できることを高く評価しました。」

「参加者は自らの行動変容戦略についても考察し、プロアクティブなシステムが注意を再配向し、代替案を提示し、目標に結びつく再構築を提示することで支援できる可能性を示唆しました。」

「これは、ユーザーが認識し、既に効果的と感じているパターンに基づく介入を行う、予測的AIへの道を開くものです。」

方法

前述のMind Mapperは新システムの基盤であり、数週間にわたってスマートウォッチで記録された会話から繰り返し現れる行動規則を学習するワークフローを提供します。直接的に将来の発話を予測しようとしたり、汎用データセットに依存したりするのではありません。Mind Mapperのワークフローでは、すべての記録会話が文字起こしされ、匿名化され、マルチステージのGPT-5 パイプライン**を通じて処理されました。

(古い論文の保護措置により、低解像度版しか公開されていないため、画像を提供できないことにご留意ください。)

新論文から、行動予測パイプラインの図です。数週間にわたって収集された会話がコンテキスト依存型の行動規則に変換され、支持的・矛盾的証拠で洗練されたうえで新たな会話に適用され、ユーザーの最も可能性の高い次の返答が予測されます。

このパイプラインは、会話状況と予測される返答を結びつける候補の‘if-then’行動規則を生成し、支持的証拠と矛盾的証拠を検索、重複規則を統合、弱い仮説を除外し、信頼度と確率推定を付与します。

対象者

14人の英語話者の成人が、7〜10日間にわたり日常生活でスマートウォッチを装着しました。デバイス内の音声活動検知器は音声が検出されたときのみ録音し、2〜3分の音声クリップをリモートサーバーへ送信しました。

参加者には100ドルが支払われ、会話が記録されることを近くにいる人に伝え、各やり取りの前に相手の同意を得ることが求められました。

文字起こしと検証

音声クリップはDeepgramのNova-3-meetingモデルで処理され、会話の文字起こしと話者の区別が行われました。その後、SpeechBrainを話者認証モデルとして使用し、参加者の声と20秒の登録サンプルを照合しました。

spaCyの固有表現認識(NER)モデルは、名前やその他の個人識別情報を匿名プレースホルダーに置き換えました。元の音声は削除され、AES-256-GCMで暗号化された文字起こしのみがスマートウォッチにローカル保存されました。

収集期間終了後、参加者はウェブインターフェースを通じて自分の文字起こしを確認し、研究に含めたくない部分を削除したり、話者ラベルや会話コンテキストを必要に応じて修正したりできました。

平均で、文字起こし全体の0.16%が削除され、2.48%のセグメントが誤分類としてフラグ付けされ、最終的に14名の参加者から合計15,066件の発話がデータセットに残りました—うち57%が装着者、43%が他の話者によるものです。平均発話長は49語でした。

(ただし、論文ではこの点には触れられていませんが、参加者は時計を装着している間、極めて個人的な口頭交換に巻き込まれないよう警戒していたと推測できます。)

文字起こしはさらに、極端に短いやり取りや「えー」や「うん」といった一般的な話し言葉の不流暢を除去し、断片化した文を完全な発話に統合することでクリーンアップされ、最終的に9,901件の発話に削減されました。

アプローチの評価のため、Gemini 2.5 Proに対話履歴だけ、要約された対話だけ、そして新しいMind Mapperの行動規則だけを入力し、各参加者の次の会話返答を予測させました。その性能は3つの入力条件で比較され、学習したパターンの寄与度が直接測定できました。

GPT-5は自動評価者として予測をスコア付けし、別途実施した人手評価でもその信頼性が確認されました。

データとテスト

テスト結果は、ベースライン手法が著者らのパターンベースアプローチに大きく劣り、会話データが蓄積されるにつれて精度が継続的に向上したことを示しています：

3つの予測アプローチを比較したテスト結果。左側は、システムが行動パターンを学習した場合にのみ会話データが増えるにつれて予測精度が着実に向上する様子を示し、ベースライン手法はほとんど変化しません。右側は、同アプローチが参加者が意図的に変えたいと特定した会話で大幅に高いスコアを達成することを示しています。

著者らは、システムが特に参加者が明示的に変えたいと望む行動を予測するのに効果的であったと主張しています。

40人の独立した人間評価者による検証研究でも自動評価が裏付けられ、パターンベース手法がテストシナリオの43%で最高評価を得、全文コンテキストが24%、ゼロショットが18%、要約が15%に次いで高評価となりました。

人間評価は、コミュニケーション意図、具体性、機能的複雑性の3指標でモデルベースのスコアと高い相関を示し、会話行動の自動評価の有効性を裏付けました。

続く2つの追跡研究では、参加者が自らの抽出パターンにどのように反応したか、そしてこれらの予測が実際に習慣変更に役立つかが検証されました。参加者はまず自分の規則を見直し、変えたい行動にフラグを付け、数か月後にその戦略と実際に役立ったアシスタントの「ナッジ」について議論しました。

参加者は合計114の習慣を変えたいとフラグし、912の会話シーンにわたって記録しました。これらのやり取りでテストした結果、パターンベース手法は標準手法を約40%上回り、著者らはシステムが特に根深い習慣、すなわち参加者が積極的に変えようと望む行動を予測する際に最も効果的であると結論付けました。

「総じて、我々の発見は、個人固有の言語行動が長期的な会話データから予測可能であるという証拠を提供します。」

「これは、将来的に文脈認識型・予測的・プロアクティブかつパーソナライズされたAIシステムの新たな可能性を切り開くものです。」

結論

高度に政府規制された医療や精神医療のような領域を除き、参加者に対する明示的または暗黙的な強制（例：保険料の割引など）がなければ、このアプローチがプライバシーや個人の神聖さを危うくしない利用シーンを想像するのは困難です。特に、記録された会話データと個人に関するデジタル情報やその他のデータを相関させ得るエージェントと結びつく場合はなおさらです。

MITの論文は、このアプローチに対して興味深くやや治療的な文脈（例：食事に関する文脈認識型リマインダーの提供）を示唆していますが、実際には広告主や保護観察・刑務所機関、保険会社、その他多数の企業や国家機関が「人々の考えていること」を知りたがる対象となりやすいでしょう。

もし本当にローカルAIを完全にユーザー所有かつリングフェンス化すべきという説得力のある議論があるとすれば、それは本研究のように重大なプライバシー侵害リスクを伴うシステムにこそ当てはまります。

しかし、近年の広告・監視技術の歴史は消費者の無関心へと向かってきたことを示しており、このような侵入的かつ遍在的なシステムに対しても同様の無関心が続く可能性があります。

* 高解像度画像が公開されていない、より厳重に保護された出版物です。ただし、いくつかの手順を踏めばテキストは読むことができます。

** 強調しすぎではありませんが、古い論文はかなり入手が困難ですので、根気強く探してください！

最初に公開されたのは2026年8月20日（木）です。