AIが導く性格診断と成熟プロセス。ゲルラッハの4類型で知る「利己から利他」への30年

便利な道具である「ＳＮＳの利用者」や「通販サイトの利用者」は、知らぬ間に自分の深層心理をネット上へさらけ出している。「何かの意見に共感する態度（いいね！）」「好きな商品やサービスの購入（通販サイト利用）」などのネット上での何気ない行動から、ＡＩを使って利用者の深層心理を読み取る技術が確立している。
本記事は、人の深層心理を分析するメカニズムを整理し、その分析から見えた現代人の成熟プロセスを考察する。

深層心理を探るデジタル・サイコメトリクス		松浦公政	2026年
対象読者	ＡＩが人間の欲求や深層心理を推し量るメカニズムに興味がある方
	「性格診断テスト」が見つけたヒトの性格や行動傾向の四大類型に興味がある方
	現代人が成熟して行くプロセスの心理分析に興味がある方

記事の音声解説付き（下のプレイボタンで解説開始）

デジタル・サイコメトリクス：知らぬ間に「心」を測定する技術
秘密の性格を見抜く「性格診断テスト」の発展
1. 心理的プロファイリング：個人の性格を類型化する５種の評価軸
2. クラスター：現代人によくある行動パターン
心理的プロファイリングの分析から見える現代人の成熟過程
デジタル・サイコメトリクスの光：丁寧な個別対応
デジタル・サイコメトリクスの闇：見えない操作と倫理の境界

デジタル・サイコメトリクス：知らぬ間に「心」を測定する技術

かつて、個人の性格や心理状態を把握する際は、心理学者が対面でカウンセリングしたり、数百の設問に答える膨大なアンケート調査（サイコメトリクス：心理統計学）をした。この方法だと被験者数や設問数を容易には増やせず、少ない調査データに基づく分析を余儀なくされるため、分析精度に限界があった。

しかし　⇩

インターネット通信を技術基盤とした「ＡＩ」と「ビッグデータ」の融合が、この調査手法に激変パラダイムシフトをもたらした。
激変した調査手法・技術は「デジタル・サイコメトリクス」という。

デジタル・サイコメトリクスは、調査の足場を「アンケート」から「足跡あしあと」へ移行させた

デジタル・サイコメトリクスの最大の特徴は、被験者が「テストを受けている」という自覚がないまま、その心理特性が測定される点。

分析対象	ＳＮＳでの「いいね」、Webサイトの閲覧履歴、タイピングのリズム、スマートフォンの持ち方、使用する形容詞の傾向などの「操作癖そうさぐせの記録」。

面談・アンケートから足跡へ

秘密の性格を見抜く「性格診断テスト」の発展

心理的プロファイリング：個人の性格を類型化する５種の評価軸

ＳＮＳの「いいね！」ボタンを押すうちに、深層心理がＡＩに丸見えになる

インターネット通販が持つ推奨リコメンド機能に、デジタル・サイコメトリクス技術への突破口があった

人間の性格を高精度で調べることは不可能だと、これまで心理学は考えていた。
	人間は自分の本性を隠したがるので、第三者が客観的に性格を測定する方法を思いつかなかった。
ところが　⇩
インターネット利用の普及で、利用者の購入履歴のビッグデータが集まった。通販サイトインターネット・モールの運営会社は、購入履歴のビッグデータを参照して利用者にもっと多くの買い物を推奨して売上を増やした。
	通販サイトやＳＮＳが持つ推奨リコメンド機能	利用者がアクセスした「履歴」を分析して、利用者ごとに提供する情報を操作する。
			通販サイトは、利用者の購入履歴から、次のおススメ商品を案内する。
			ニュースサイトは、利用者の記事購読履歴から、次のおススメ記事を案内する。
		精度高く消費性向を分析できると情報操作（購買意欲喚起）の実効性が高まるので、通販やＳＮＳの運営会社は、アクセス履歴の情報収集の精度と分析力が命運を握る。
利用者から集めたビッグデータの別の使い道に、ある心理学者が気づいた　⇩
ＳＮＳ運営会社も自サイト参加者の傾向分析を重視しており、個人がＳＮＳサイトにアクセスした履歴（足跡データ）を蓄積したビッグデータがある。心理学者ミハウ・コジンスキーは、ＳＮＳ参加者の足跡データを使えば、個人の性格を調査できそうだと思い付いた。

心理学者コジンスキーは、ＳＮＳの足跡データを使って実験し、高精度で性格を解析できることを発見した

コジンスキーは、人間の性格が５項目の要素で構成されると仮定する精神測定学に基づく性格診断テストを開発した

性格が分かれば、その人がどんなことで怒り、怖がり、やる気を起こし、寂しくなるかに基づくメッセージを容易に作成できる。
	つまり個人の性格やニーズに基づいて急所を突く広告を発信でき、「必要ない人」への広告をなくせば、広告コストを下げられる。

コジンスキーはフェイスブックが公開していた個人のプロフィールデータを使って個人の性格を診断する実験を行った

フェイスブックの個人のプロフィールデータに含まれる情報	人種、年齢、職業、居住地域などの人口統計学のデータ
フェイスブックの個人のプロフィールデータに含まれる情報	「いいね！」と回答した記事の足跡データ（続けて、どのような記事を閲覧したかなど）

コジンスキーが2013年に発表した実験結果は、どの記事に「いいね！」を押したかの履歴データが個人の性格や傾向を高精度で表現することを示した

プロフィールデータの「いいね！」の数	特定する傾向の精度
プロフィールデータの「いいね！」の数	人種	性的志向	支持政党
数十個	95%	88%	85%

「いいね！」をたくさん押すフェイスブック利用者ほど、友人、親兄弟、パートナが見た性格予測（利用者が性格診断テストにどう回答するかの予測）より精度高く予測できた

プロフィールデータの「いいね！」の数	関係			考察
プロフィールデータの「いいね！」の数	友人	親兄弟	パートナー	考察
70個	×	○	○	○は、他者（人間）の方が精度が高く予測できることを表す。「いいね！」を300か所（記事）で押した利用者は、性格が丸裸になっている。
150個	×	×	○
300個	×	×	×

ＳＮＳ利用者が押している「いいね！」ボタンは、究極の個人情報といえる『深層心理』を、知らずのうちにＳＮＳ運営会社へ提供している

コジンスキーの論文が発表されると、フェイスブックは個人のプロフィール情報の公開を停止した。
　└　一方でフェイスブック社は、コジンスキーを懐柔しようとしたり、脅迫しようとしたという。

この結果、第三者がフェイスブック利用者の性格を知る方法は閉ざされたが、当然ながらフェイスブック（おそらく他の大手ＳＮＳ会社も）社内では利用者個々の性格を把握しているだろう。

コジンスキーの性格診断テストで計測できるビッグファイブ因子の得点を使うと、個人の性格や行動傾向に一定のパターンがあることが分かった。

ビッグファイブ（Big Five personality traits）

人間の行動傾向を表す単語（例：厳しい、おとなしい、うっかり、・・・）の因子分析に基づいて、「開放性」「誠実性」「外向性」「協調性」「神経症傾向」の５要因を表の縦軸（性格の第一特性）と横軸（性格の第二特性）に配置して行動傾向の複合特性（行動パターン）を類型化したモデル。

ビッグファイブ性格特性イメージ図

性格自己診断テストで、その人間が最も適合する行動パターンを分類する。

性格自己診断テストで得られるビッグファイブ因子の得点から行動パターンを導く表

因子(Trait)	得点	傾向	行動傾向（パーソナリティ特性）
開放性	xxx／100	高／低	好奇心、創造性、新しいアイディアへの関心
誠実性	xxx／100	高／低	自己コントロール、計画性、責任感の強さ
外向性	xxx／100	高／低	社交性、活発さ、刺激を求める傾向
協調性	xxx／100	高／低	他者への共感、優しさ、協力的な姿勢
神経症傾向	xxx／100	高／低	ストレス耐性、不安や緊張の感じやすさ

上述の行動傾向のパターンを使って現代人の心理をプロファイリングした研究がある。
	ノースウェスタン大学のマーティン・ゲルラッハらによる世界中の150万人以上のビッグデータ解析に基づいた2018年の研究論文（Nature Human Behaviour掲載）

クラスター：現代人によくある行動パターン

ビッグデータを使った研究によると、現代人の行動パターンには4種の大きなクラスター（多数派マジョリティ）がある

マーティン・ゲルラッハらは、現代人の行動パターンに下図の4つの大きなクラスター（多数派）を見つけた。４大パーソナリティ特性イメージ図

4大クラスターに該当する人の行動傾向の典型得点
因子(Trait)	パーソナリティ特性の概要	アベレージ		リザーブ		ロールモデル		セルフセンター
因子(Trait)	パーソナリティ特性の概要	得点	傾向	得点	傾向	得点	傾向	得点	傾向
開放性	好奇心、創造性、新しいアイディアへの関心	45	低	40	低	75	高	30	低
誠実性	自己コントロール、計画性、責任感の強さ	55	高	65	高	85	高	25	低
外向性	社交性、活発さ、刺激を求める傾向	52	高	35	低	70	高	75	高
協調性	他者への共感、優しさ、協力的な姿勢	58	高	60	高	75	高	20	低
神経症傾向	ストレス耐性、不安や緊張の感じやすさ	48	低	30	低	80	高	35	低
クラスター住民の傾向		最もよく見られるパーソナリティ		年齢や性別の影響を受けにくい		リーダー向きで、40歳から上に多く、20代以下には少ない		若い男性に多く、15歳以上の女性には少ない

（【参考】『ビッグファイブ (心理学)』(ウィキペディア日本語版2022.04.12)）

もちろん　⇩

どのクラスターにも該当しない人も少なくないが、それでもクラスターは典型的（あるある）な行動傾向を示す

性格クラスター出現比率グラフ

研究報告は、どれかのクラスターに当てはまらない現代人の方がむしろ多いことも示している。

４つのクラスター（多数派）のどれかに当てはまる人は、全人口の25～30％に上る（グラフの水色の棒の合計部分）。

残る70％以上の人は、上表のクラスターに分類できない行動傾向（例：アベレージとリザーブの中間型、セルフセンター寄りのアベレージ　など）を持った少数派として多様に分布している。

心理的プロファイリングの分析から見える現代人の成熟過程

ＡＩを使えば、性格・行動傾向パターンの年代別構成の推移をシミュレーションできる

個人の性格・行動傾向は、生涯を通じて同じとは限らず、環境（経験）や年齢の影響を受けて変化する。
	個人のライフステージや時代背景（デジタルネイティブ世代か否かなど）の影響を受けると考えられる。
年齢に応じて性格や態度が変わると多くの人が主観的に知ってはいるが、客観的なデータに基づく証拠はなかった。

そこで　⇩

本記事では、現代人の性格・行動傾向パターンの４大クラスターの割合が年代によってどのように推移するかを、生成ＡＩ（Gemini3.0）に推定させた。
	前述のマーティン・ゲルラッハらによる2018年の研究論文に基づいて、性格が加齢とともに「自己中心的」から「模範的」へとダイナミックに変容していくプロセスを検証した。

４大クラスターの割合を年代で輪切りにすると、現代人の成熟過程が見えてくる

輪切りにした年代	年代ごとのクラスターの構成割合 ※グラフの数値は、グルラッハの論文の傾向を基に年代別にシミュレーションした推定値。	考察
10代後半		10代後半は、承認欲求を基盤として「目立とう精神」を振りかざすセルフセンターが最多となる「自我の季節」。この年代では「ロールモデル」タイプは僅少で、グラフでは例外（灰色の棒グラフ）の一種に紛れる。
20代後半		10代後半では『自我』の殻の中にいた『セルフセンター』が、社会の荒波に揉まれ、適応していく10年間で『アベレージ』や『リザーブ』へ移行する。 10代後半には、統計上は無視されていた『例外』の中から、世代をけん引するであろう『ロールモデル』が出現する。
30代後半		30代後半、多くの人に『自分をどう見せるか（セルフセンター）』から、『社会にどう貢献するか（ロールモデル）』へと、意識のパラダイムシフトが起きるらしい。グラフ上の順位の入れ替わりは、個人のポジションが『社会の中核を成すエンジンや車輪』へ位置づくことを示す。
40代後半		かつて『セルフセンター』として自己顕示に向けていたバイタリティは、40代後半では『リザーブ』としての静かな思慮や、『ロールモデル』としての社会への眼差しへと向きを変える。40代後半に『ロールモデル』が占める割合は、10代後半の『セルフセンター』の割合に近い。この方向転換は、人間が『利己』から『利他』へと軸足を移すプロセスの所要時間（約30年）を示す。
50代後半		50代後半、行動傾向が10代後半とは別物に変貌している人が多数を占める。10代が持っていた『セルフセンター』への情熱を維持できる50代後半はレアケースになる。代わって『リザーブ』の思慮深い静寂や、『ロールモデル』の灯火として、背景のポジションから社会に関わる人が多数派となる。
60代後半		10代後半のグラフでトップだった『セルフセンター』が、60代後半では少数派に転落して例外（灰色の棒グラフ）に埋没する。残るのは『ロールモデル』『アベレージ』『リザーブ』がバランスした状態だ。
80代後半のグラフを作成したら、60代後半とあまり変化はなかった。ヒトの成長は、60代後半で「ムリなく居心地がよい」と感じる生来の行動傾向に収まる完成域に入るのかもしれない。

成熟過程が見えると、企業が新商品や新サービスを企画・考案する際の道標や根拠にできる

現実の社会は各年代が共存して社会を構成するから、人の性格・行動傾向パターンがとても複雑になる。

しかし　⇩

人間の成熟プロセスの観点で、年代で輪切りにした断面を見ると、「どの年代の」「どういう人が」「何を期待している」か分かってくる。

この考察結果は　⇩

多くの企業が新商品や新サービスを企画・考案する際の道標や根拠になるだろう。

また　⇩

広告業界にとっては、利用者の人間像（ペルソナ）を想定する根拠になる。

デジタル・サイコメトリクスの光：丁寧な個別対応

デジタル・サイコメトリクス技術は、多様な個人差に適応して「個々に最適な体験」を提供できる

たとえば、次のような商品・サービスの企画を助けるだろう。

教育の最適化	学習者の理解度だけでなく、「挫折しやすい性格か」「競争を好むか」という心理特性に合わせて教材を提示する。
予防医療	デジタル上の行動パターンのわずかな変化から、うつ病や認知症の初期兆候を検知し、早期介入に繋げる。
マッチングの精度向上	表面的なスペックではなく、真に価値観が合う求職者と企業、あるいはパートナーを引き合わせる。

ＡＩが提供する「心地よさ」の正体は「潜在ニーズを満たすこと」なので、人類はＡＩの進歩を抑制できない

人がＡＩを「便利」と感じるメカニズムは、無意識下にあって自分が言語化できてない潜在的なニーズを、デジタル・サイコメトリクス技術を駆使するＡＩが心理分析を介して先回りし、潜在ニーズを満たしてくれるプロセスの提供だ。
ＡＩは、心理的なビッグデータを効果的に使いこなす強力なツールなので、ＡＩの進歩を抑制することは難しいだろう。

デジタル・サイコメトリクスの闇：見えない操作と倫理の境界

デジタル・サイコメトリクス技術は、その強力さゆえに（包丁や自動車と同様に）使い方次第で非常に危険な道具にもなり得る。
デジタル・サイコメトリクスの闇の側面を『ネット社会が持つリスクの本質　－「いいね！」ボタンは深層心理を暴露する』（開発中）で考察する。

ＡＩに関連する記事に興味がある方は、ここをクリック