打ち間違えたまま生成AIに質問すると答えは変わるのか｜入力の誤字と答えの揺れの研究

通学路の安全な場所で立ち止まり、スマートフォンに質問を打ち込む指が、送信の手前で止まります。入力欄を見返すと、聞きたかった語の途中に余計な文字が入っています。「フランスか革命」は、実際の検索にもあった打ち間違いの語です。意図した語のフランス革命は、フランスの政治や社会の仕組みを大きく変えた革命を指します。人なら前後から読み取れそうな誤字を、生成AIも補って答えてくれるのかが気になるところです。

打ち間違えたまま生成AIに質問すると答えは変わるのか｜入力の誤字と答えの揺れの研究

通学路の安全な場所で立ち止まり、スマートフォンに質問を打ち込む指が、送信の手前で止まります。入力欄を見返すと、聞きたかった語の途中に余計な文字が入っています。「フランスか革命」は、実際の検索にもあった打ち間違いの語です。意図した語のフランス革命は、フランスの政治や社会の仕組みを大きく変えた革命を指します。人なら前後から読み取れそうな誤字を、生成AIも補って答えてくれるのかが気になるところです。

打ち間違いがあっても読み取れる場合はありますが、誤字によって答えが変わったり、正答率が下がったりすることもあります。 読めたらしく見えること、元の文に直せること、質問に正しく答えることは、それぞれ別に点検する対象です。英語の研究には、文字を大きく並べ替えても元に戻せた結果と、わずかな変更で問題を解く成績が下がった結果が並びます。画面に自然な説明が返ってきたときほど、送り手が意図した質問と、実際に送った文字列の違いが見えにくくなります。入力を直す作業と答えを採用する判断を分けると、どこで食い違ったかを追いやすくなります。

要点

• 誤字の読み取り、文の復元、質問への正答は別の評価です。
• 狙って入れた誤字で成績が落ちる研究と、入力が揺れても成績が保たれる研究があります。
• 答えの言い回しの変化と、事実や結論の変化を分けて見ます。
• 聞き直すときは誤字以外の条件をそろえ、変わった箇所を残します。

「フランスか革命」を読み取れることと正答すること

誤字のある質問に自然な返事が来ると、AIが意図をくんだと感じやすくなります。しかし、その画面で見えているのは返された文章であり、質問のどの部分をどう受け取ったかの全体ではありません。聞きたかった話題に触れていても、説明の途中で別の対象が混じっていれば、学習に使うときの問題は残ります。「フランスか革命」のような語を見つけたら、まず問いたかった用語と送信した用語を分けて扱うとよいでしょう。

Cao（2023）は、英語の単語の中の文字を並べ替えた文を扱い、GPT-4が元の文をほぼ完全に復元できたと報告しました。単語内の全文字をばらばらにした条件でも、編集距離を95%減らしたという結果でした。編集距離は、ある文字列を別の文字列に直すために必要な変更の数を表す指標です。この数値が測っているのは復元した文と元の文との隔たりであり、歴史の質問に正答した割合とは別のものです。

文の復元を評価するときには、戻す先の文が比較の基準になります。一方、質問への回答では、用語を読み取った後に知識を取り出し、求められた説明を組み立てる過程も入ります。誤字を直した文章ができた時点と、内容の正しい説明ができた時点を分ければ、強さと弱さが同時に報告される理由を捉えやすくなります。読者にとっては、用語が自然な形に戻ったかを見る点検と、その用語についての説明を読む点検が必要です。

研究で使われる頑健性という言葉は、入力が少し乱れたり条件が変わったりしても、働きが保たれる性質を指します。誤字への頑健性を読むときは、何を保てたら成功としたかに注目します。復元の正確さを測った研究なら元の文との一致を、問題を解かせた研究なら答えの正誤を見ます。この区別があると、見出しにある「誤字に強い」という短い説明から、必要以上に広い安心を受け取らずに済みます。

入力が乱れても成績が保たれた研究

Joshi（2026）は、医療の課題に伏せ字、同音異義語、誤字などを加え、元の入力での成績と比べました。調べた条件のうち151/270、55.92%では、成績が変わらないか上がる結果でした。入力の乱れには程度があり、小さな変化と大きな変化を区別して評価しています。題材は英語の医療の課題で、中高生が打った宿題の質問を集めたものではありません。

この結果を読む際には、「成績が保たれた条件」と「個々の答えが正しかった割合」を区別します。成績が同じという比較には、元の入力ですでに誤っていた答えが含まれることも考えられます。また、入力の変化の種類をまとめた結果だけを見ると、文字を打ち違える場合と、語そのものが抜ける場合の違いが見えにくくなります。入力の何を変え、何を採点したかを並べることで、研究の問いがはっきりします。

先に見たCao（2023）とJoshi（2026）を、評価する対象の違いで並べると次のようになります。読み取りの強さを知るには、比較の基準も一緒に読む必要があります。表の対象欄には、それぞれが扱った課題を記しています。

入力に誤りが見つかったとき、すでに返ってきた答えを丸ごと捨てるかどうかよりも、どの部分を使う予定だったかを先に切り分けます。用語の候補を探していたのか、理由の説明を求めていたのかで、見る箇所は変わります。前者なら候補の表記、後者なら説明の対象と結論に印を付けられます。こうして利用目的を具体化すると、誤字を直して再度聞いた後に比べる範囲も定まります。

少しの誤字で成績が落ちる条件

Gan（2024）は、英語の問いの重要な語に、正答を崩しやすい誤字を選んで入れました。算数の文章題の集まりであるGSM8Kでは、Mistral-7B-Instructの正答率が、文字の変更なしの43.7%から1文字の変更で38.6%に下がりました。8文字の変更では19.2%になったという結果でした。途中の考えを順に書かせる解き方でも、入力のわずかな変化に影響されることを示しています。

Zhu（2024）のPromptRobustは、入力の乱れにどれだけ耐えられるかを比べるための評価です。文字だけでなく、単語、文、意味に関わる変更を加え、読解や翻訳、数学などの課題を調べています。結果として、モデルは敵対的な指示文に十分な頑健性を持たないと結論づけました。ここでの敵対的という言葉は、利用者が怒っているという意味ではなく、モデルが失敗しやすい入力を狙って作ることを指します。

Gan（2024）とZhu（2024）は、ふだんの入力を無作為に集めて誤字の平均的な影響を測る設計とは違います。正答を崩すのに効く変更を探して選んでいるため、日常の打ち間違いより影響が大きく出ている可能性があります。そのため、報告された低下を、そのまま自分が使う日本語の質問の失敗率にはできません。この区別を置いた上で、小さな文字の違いでも回答の成績を左右しうるという結果を受け止めます。

学習で注意したいのは、重要な条件を含む語が変わったまま、その答えを覚えてしまう場面です。対象の名前、比較する相手、求める理由などに食い違いがあれば、文章が読みやすくても宿題の問いから外れます。問う内容そのものを決める語が曖昧なときは、AIの補い方に任せて解説を増やす使い方をいったん止めます。どの語を送りたかったかを自分で決めてから、質問を作り直す順番が適しています。

誤字だけでなく書式でも答えは揺れる

Chai（2024）は、文章を語の断片に区切って扱う仕組みと、誤字への弱さを調べました。その断片はサブワードと呼ばれ、普段の読み手が意識する単語全体とは異なる単位です。モデルを大きくすると区切り方に由来する問題は和らぐものの、誤字や書式の違いによる偏りは残りました。学習の際に区切り方を変化させる方法でも問題を和らげられたという結果で、利用者が文章を読み返す操作とは別の対策です。

Alahmari（2025）は、GPT-4oやLLaMA3.3-70Bを含むモデルで、誤字や語の置き換えが生成される文章に与える影響を調べました。対象は英語の文章生成で、入力が変わると出力も揺れると報告しています。ここで見ているのは、正解を選ぶ課題だけでなく、生成された文章そのものの変化です。学習に引きつけて読むなら、返事が出るかどうかに加え、説明のどの部分が動いたかを見る視点につながります。

Sclar（2024）は、誤字ではなく、意味を変えない書式の細部を変えて成績を比べました。英語の課題で手本の例を添える条件では、LLaMA-2-13Bの正答率に最大76ポイントの差が出ました。区切り記号や改行、大文字と小文字など、読み手には小さく見える違いを扱った結果です。これは何気ない改行が毎回大きな低下を起こすという数値ではなく、調べた書式の間にあった最大の差です。

こうした研究を踏まえると、誤字を直す際にほかの部分も大きく書き換えると、変化の理由を追いにくくなります。語を直すのと同時に、説明の長さを変えたり、別の条件を足したりすると、比べる質問自体が変わるからです。また、返事の文末や順番だけが違う場合と、対象や結論が違う場合では、学習への影響も違います。比較するときには、見た目の一致より、質問に対応する中身の一致を先に見ます。

誤字を直して聞き直すときの比較手順

答えが妙に見えたら、まず送信済みの質問を読み、打つつもりだった文と違う箇所を探します。画面上の回答だけを読み続けず、入力した用語、否定を表す部分、数字や単位などに目を戻します。「フランスか革命」のように余分な文字を見つけた場合は、元の入力と回答を残してから、その文字だけを直します。ほかの条件をそろえるのは、どの変更に伴って答えが動いたかを見やすくするためです。

聞き直した後は、回答を丸ごと読んで印象で比べるより、質問の対象、説明の結論、理由の順に対応させます。対象が同じで言い回しだけが違う部分と、内容が食い違う部分を分けて印を付けます。表にするなら、左に元の質問への答え、右に修正後の答えを置き、同じ論点を同じ行に並べます。文章の長さや丁寧さは、正しさを決める基準から外しておきます。

内容が食い違った箇所は、その部分に絞って教科書や用語集の説明と照らします。片方だけが資料の説明と合う場合は、どの用語や条件で違いが生まれたかもメモに残せます。両方とも合わない場合は、AIへの聞き直しを繰り返して好みの説明を選ぶより、その答えを学習用のメモに移す作業を止めます。訂正の前後を残すのは、後から疑問の出発点をたどるためにも役立ちます。

同じ会話で聞き直す場合には、前の質問や回答も会話の一部として残ります。誤字以外の影響を意識して比べたいときは、過去のやり取りを含めるかどうかもそろえます。入力の編集や会話の扱い方は、使っているサービスの最新の説明を読んで選びます。比較の記録には使ったモデル名と質問した日も添え、どの会話で得た答えかを後からたどれる形にします。

保護者が見るのは送信前の読み返し

保護者が見るところは、子どもが送信する前に質問の文を一度読み返しているかという点です。通学路で一緒に立ち止まって質問を打つ機会があるなら、打ち終わった直後に送らず、入力欄に目を戻す時間があるかを見られます。誤字の数を数えて責めるより、書いた文を読み直す動作に注目します。急いで打った文にも見直す余地を残す、という小さな習慣の話です。

読み返したと本人が言う場合は、黙読でも、短く声に出して確かめてもかまいません。保護者が文全体を先回りして直すと、子ども自身が見返したかどうかが見えにくくなります。入力欄に目を戻した後で送信するまでを待つことで、見直す役割を本人に残せます。送信後に誤字が見つかっても、その失敗を使って質問すること自体を責める必要はありません。

文章を完璧に仕上げるまで送れないという約束にすると、質問のための作業が重くなります。ここで確かめるのは、読み返す機会を設けているかという動作です。保護者の見守りも、問いの内容をすべて管理する方向に広げず、送信前に目を戻せたかに絞れます。子どもが気づいて直したときは、修正後の見栄えより、見直してから送れたことに言葉を向けます。

通学路で浮かんだ疑問は、安全な場所で立ち止まってから入力します。送りたい文ができたら入力欄を読み返し、気づいた誤字を直して送ります。答えが不自然なら、送った質問と修正後の質問をそろえて見比べ、内容の変わった箇所を印付きで残します。調べ直す箇所が決まったところでスマートフォンをしまい、移動を再開します。

よくある質問

誤字をAIに直させてから質問してもよいですか

修正案を得るためには使えますが、修正後の文を自分の意図と照らす段階を挟みます。たとえば「誤字の候補と修正案だけを示してください」と短く頼み、採用する語は自分で選びます。知らない専門語まで別の語に置き換わった場合は、その案を保留にします。続けて解説も作らせるより、まず質問文を確定すると、訂正案と回答の中身を分けて扱えます。

答えが変わったら誤字が原因だと決めてよいですか

修正前後の答えが違うだけで、原因を誤字だけに決めるのは早計です。改行や追加の条件、以前の会話など、誤字以外に変えた部分も点検します。先に見たSclar（2024）の結果は、書式にも目を向ける理由になります。記録には元の文と直した文を並べ、変更した文字に印を付けると、入力のどこをそろえたかが残ります。

修正前と同じ答えならそのまま覚えてよいですか

同じ答えが出たことと、その答えが正しいことは別に判断します。比較で見えたのは、今回の修正の前後で内容が保たれたという点です。両方が同じ誤りを含む可能性もあるため、一致したことだけを暗記する理由にしないようにします。学習メモでは「修正前後で一致」と「内容の正誤を点検済み」を別の印にすると、終えた作業を区別できます。

この記事の限界

測定の中心は英語の文字の並べ替えや誤字、書式の変更であり、日本の中高生がふだんの宿題について打った質問や、その答えを使った学習の成果を追う研究ではありません。誤字を直して聞き直す手順が正答率をどれだけ改善するかも、ここで引いた研究では測定の対象になっていません。

研究時点のGPT-4、Mistral-7B-Instruct、GPT-4oなどの結果から、更新後のモデルが同じ入力にどう答えるかまでは確定できません。今回集めた研究では、かな漢字変換で同音の別の漢字を選んだ場合やローマ字入力を打ち違えた場合など、日本語の誤字で生成AIの答えがどう変わるかは、まだ調べられていません。

参考文献

1. Cao Q ほか. Unnatural Error Correction: GPT-4 Can Almost Perfectly Handle Unnatural Scrambled Text. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023). 2023:8898-8913.
2. Joshi S ほか. Performance of Large Language Models Under Input Variability in Health Care Applications: Dataset Development and Experimental Evaluation. JMIR AI. 2026;5:e83640.
3. Gan E ほか. Reasoning Robustness of LLMs to Adversarial Typographical Errors. Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (EMNLP 2024). 2024:10449-10459.
4. Zhu K ほか. PromptRobust: Towards Evaluating the Robustness of Large Language Models on Adversarial Prompts. Proceedings of the 1st ACM Workshop on Large AI Systems and Models with Privacy and Safety Analysis (LAMPS ’24, CCS 2024 併設). 2024:57-68.
5. Chai Y ほか. Tokenization Falling Short: On Subword Robustness in Large Language Models. Findings of the Association for Computational Linguistics: EMNLP 2024. 2024:1582-1599.
6. Alahmari SS. Large language models robustness against perturbation. Sci Rep. 2025;16(1):346.
7. Sclar M ほか. Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design or: How I learned to start worrying about prompt formatting. ICLR 2024（OpenReview 採択・poster）.

よくある質問