「本文に即して」とは何か｜生成AIの要約がずれる箇所を用語で整理するQ&A

国語の課題で生成AIに要約を作らせると、原文より読みやすい文章が返ってきます。ところが、設問には「本文の内容に即して」とあり、読みやすければ条件を満たすのか、原文の言葉を残すべきなのか、迷うことがあります。提出前に見るべきなのは、言葉の似方でしょうか、それとも内容の対応でしょうか。「本文に即して」とは、原文に支えられた内容を、意味や条件を変えずに述べることです。 要旨や要約との違いを押さえると、AIが作った文のどこへ目を戻せばよいかが見えてきます。

「本文に即して」とは何か｜生成AIの要約がずれる箇所を用語で整理するQ&A

国語の課題で生成AIに要約を作らせると、原文より読みやすい文章が返ってきます。ところが、設問には「本文の内容に即して」とあり、読みやすければ条件を満たすのか、原文の言葉を残すべきなのか、迷うことがあります。提出前に見るべきなのは、言葉の似方でしょうか、それとも内容の対応でしょうか。「本文に即して」とは、原文に支えられた内容を、意味や条件を変えずに述べることです。 要旨や要約との違いを押さえると、AIが作った文のどこへ目を戻せばよいかが見えてきます。

「即して」と「忠実さ」は同じ意味ですか

「即して」は、答えの根拠を本文に置くという指示です。研究で近い意味を表すのが、faithfulness（原文への忠実さ）です。Jiら（2023）の総説は、要約を含む文章生成で、意図しない内容が作られる問題を扱っています。学校の設問を読むときにも、要約の内容が原文から支えられるか、という見方が役立ちます。

原文に忠実であることは、原文の言葉をそのまま並べることとは違います。言い換えても、誰について何を述べているかが保たれていれば、原文との対応をたどれます。反対に、同じ単語を使っていても、筆者が否定した意見を筆者の主張として書けば、意味は逆になります。一般知識として正しい説明でも、原文の外から補ったものは、要約の根拠とは別に扱います。

「要旨」と「要約」はどう違いますか

要旨は、文章の中心となる考えや主張です。要約は、文章の大事な内容を選び、短くまとめた文章、またはその作業を指します。要旨をつかんでから、主張を支える理由や対比を必要な範囲で残すと、何を短くするのかがはっきりします。「即して」は、それらをまとめる際に守る、原文との関係を示しています。

短くするために具体例を省くことと、主張に付いた条件を消すことは区別します。たとえば「ある条件では役立つ」を「役立つ」とすると、当てはまる範囲が広がります。省いた言葉が単なる詳しさなのか、結論を成り立たせる条件なのかを、前後の文と合わせて見ます。

AIの要約はどこで本文からずれますか

ハルシネーションとは、生成AIが原文や事実にない内容をもっともらしく作ることです。Jiら（2023）とHuangら（2025）の総説を手掛かりに、要約では「原文にない内容の付け足し」と「原文との食い違い」に着目できます。説明のための例として、本文が結果だけを述べているのに、要約が原因まで断定するのは付け足しです。本文では反対している人物を賛成したことにするのは、食い違いに当たります。

Deroyら（2025）は、英国・インド最高裁の判決文と米国政府報告書の要約を調べています。原文の文を抜き出す方法に対し、内容を言い換えて作るモデルは、従来の要約評価の指標では概して良い結果でした。しかし、出力を詳しく調べると、内容の不整合やハルシネーションが見つかりました。長く硬い文章でも流れるように読めることと、原文の意味を保つことを、別々に見る必要がある結果です。

ずれた要約をそのまま覚えると、原文にない理由を筆者の考えとして受け取るおそれがあります。とくに「だから」「しかし」のつながりや、主語の入れ替わりは見直す箇所です。要約だけを読むのではなく、つながりの根拠となる段落を開いて確かめます。

人の要約と同等なら、照合は省けますか

Zhangら（2024）のニュース要約研究では、言い換え方などに違いがあっても、LLM（大量の文章から学んだ言語モデル）の要約は、人が書いた要約と同等と評価されました。比較の基準にする要約の質が低いと、人の性能を過小評価する問題も指摘されています。AIの要約を一括して誤りだらけと扱うより、何の文章を、何を基準に比べた結果かを読むことが大切です。

Malinら（2025）の総説では、忠実さを測る方法のうち、LLMを評価役に使う方法が、人の判断と最も強く対応する場合が多いとされています。ここで見ているのは、評価方法と人の判断のそろい方です。手元の要約を見直すときは、AIの「正しい」という返答に加え、原文のどこが根拠かを確かめます。

具体的には、要約の文ごとに、支えとなる原文の箇所へ線を引きます。対応先が見つかった文でも、主語、否定、条件、理由と結果の向きを比べます。対応先がない説明は、そのまま採用せず、原文を読み直して削るか書き換えます。保護者は完成した要約の滑らかさより、子どもが線のつながりを説明できるかを見ると、確認した跡をたどれます。

よくある質問

原文と同じ言葉が多ければ忠実ですか

言葉が重なっていても、誰の意見かや否定の向きが変われば、原文と食い違います。単語の一致だけで判断せず、要約の文が述べる内容全体を原文に戻して読みます。

AIに忠実さを点検させるなら、どう頼みますか

「要約の各文に対応する原文の箇所を示し、付け足しや食い違いの候補を挙げて」と短く頼めます。示された箇所を自分で開き、AIの引用と説明が実際の本文に合っているかを照合します。

生成AIの要約を使わないほうがよいのはいつですか

原文を手元に置けず、要約と照合する時間も取れない場面では、AIの文を課題の根拠にせず本文へ戻ることを優先します。提出前には根拠となる箇所に線を引き、要約の主語や条件が本文から変わっていないかを見直します。

この記事の限界

ここで扱ったのは、文章生成の総説やニュース、英国・インドの判決文、米国政府報告書の評価であり、生徒の学習を一定期間追う授業実験ではありません。日本の中高生が日本語の評論文や入試現代文を要約した際のずれを測る研究は、この根拠群では扱われておらず、現在のモデルで同じ傾向になるかも別途検証が必要です。学校の課題で認められるAIの使い方は、学校ごとの指示に沿って確かめます。

参考文献

1. Ji Z, et al. Survey of Hallucination in Natural Language Generation. ACM Computing Surveys. 2023;55(12):1-38.
2. Huang L, et al. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems. 2025;43(2):1-55.
3. Deroy A, et al. Applicability of large language models and generative models for legal case judgement summarization. Artificial Intelligence and Law. 2025;33(4):1007-1050.
4. Zhang T, et al. Benchmarking Large Language Models for News Summarization. Transactions of the Association for Computational Linguistics. 2024;12:39-57.
5. Malin B, et al. A Review of Faithfulness Metrics for Hallucination Assessment in Large Language Models. IEEE Journal of Selected Topics in Signal Processing. 2025;19(7):1362-1375.

よくある質問