18歳で投票するとき生成AIに政党の違いを聞いてよいのか｜政治の質問と中立の研究

駅のベンチで選挙のニュースを開くと、画面に並ぶ政党名の違いを短く知りたくなることがあります。初めての投票を前に、公約を全部読む前の入口として、生成AIに説明を頼みたくなるのも自然です。けれど、すっきりした比較が返ってきたとき、それをどこまで判断の材料にしてよいのかが気になります。生成AIは読む論点を探す補助に使い、各政党の主張と投票先の判断は、公約や選挙公報の原文に戻して考える使い方を勧めます。

18歳で投票するとき生成AIに政党の違いを聞いてよいのか｜政治の質問と中立の研究

駅のベンチで選挙のニュースを開くと、画面に並ぶ政党名の違いを短く知りたくなることがあります。初めての投票を前に、公約を全部読む前の入口として、生成AIに説明を頼みたくなるのも自然です。けれど、すっきりした比較が返ってきたとき、それをどこまで判断の材料にしてよいのかが気になります。生成AIは読む論点を探す補助に使い、各政党の主張と投票先の判断は、公約や選挙公報の原文に戻して考える使い方を勧めます。

政治を調べる道具の研究には、質問に答えて政党との考えの近さを見るアプリの研究と、文章を作る生成AIの研究があります。前者で知識が増えた結果も、後者を使えば同じように学べるという意味にはなりません。また、政治の情報が正しいかを判定する力と、人の支持を動かす力は別々に測られています。これらを分けて読むと、AIの説明を読み終えた満足感だけで調べ物を終わらせず、次にどの資料を開けばよいかを決めやすくなります。

要点

• 投票助言アプリと文章を作る生成AIでは、仕組みも研究で調べた使い方も異なります。
• アプリの利用と投票行動には関連が見られますが、知識の増加を支える証拠は弱めです。
• 生成AIの政治情報の真偽判定には、研究の基準と合わない回答がありました。
• 説得を目的とする生成AIでは、説得力を高める工夫と事実の正確さの低下が同時に見られました。
• 政党の順位づけを頼むより、読む論点を出してもらい、公約の該当箇所を自分で照合します。

投票助言アプリで選び方が変わっても、知識が増えるとは限りません

投票助言アプリは、決まった設問への回答をもとに、利用者と政党の考えの近さを示す道具です。一般にVAAと略され、自由な質問に文章で答える生成AIのチャットとは仕組みが違います。政治の情報を整理する道具としてひとまとめにすると、何が役立ったのかを読み違えてしまいます。まず、研究で使われたのがどちらなのかを見ます。

Munzert（2021）は、9か国の参加者73,673人を含む22研究から55の効果を集めたメタ分析を報告しました。メタ分析とは、複数の研究結果をまとめて計算し直す方法です。投票助言アプリの利用について、投票に行ったという報告と投票先の選び方には、効果を支持する強い証拠がありました。一方、知識の増加を支持する証拠は弱く、因果関係を厳しく調べた実験研究ほど効果は小さくなりました。

この違いを読むときは、「使う人の特徴」と「使ったことの効果」を分けます。たとえば、もともと政治に関心がある人ほど道具を使う場合、利用者と非利用者の違いには、その関心の差も入り込みます。これは比較を読むための考え方であり、使った人の変化をすべて道具の働きとして受け取らないための視点です。人数の多さだけでなく、使う条件をどう分けたかにも目を向けます。

投票への関心が生まれることには意味がありますが、公約の内容を説明できることとは別です。自分に近いと表示された政党名を覚えていても、どの設問が結果につながったかを説明できるかは改めて考える必要があります。結果の画面だけを残すより、気になった設問の論点を書き留めると、公約で読む場所を探す手掛かりになります。

若者の知識が伸びた研究では、道具が学習の設計に組み込まれていました

Waldvogel（2023）が分析した対象は、ドイツの生徒1189人です。投票助言アプリ「Wahl-O-Mat」を中心に据えた政治教育について、実施前と実施後の回答を調べました。研究では、対象となった州議会選挙の知識が増え、選挙運動への関心も高まりました。政治的有効感という、自分が政治に影響を与えられる感覚にも上昇が見られました。

この研究は準実験で、参加者をくじ引きのように無作為に分ける実験とは異なる設計です。また、評価されたのは学習の設計にアプリを組み込んだ取り組みであり、結果の画面を眺めるだけの使い方ではありません。学習の前後で選挙について何を知ったかを測っている点が、投票する気になったかだけを見る調査との違いです。先ほどのメタ分析と並べると、道具の種類だけでなく、道具を囲む活動にも注目する理由が見えてきます。

自分で政治を調べる際には、結果を受け取る作業と、結果の理由を読む作業を分けてみます。気になった論点について、公約を閉じたあとに、誰を対象に何を変える提案なのかを自分の言葉で説明します。説明が途中で止まった箇所があれば、その言葉を原文から探し直します。読み直した箇所には印を付け、説明のどこを書き直したかも残します。

真偽の判定ができることと、公約を正しく比較できることは別です

Kuznetsova（2025）は、ChatGPTとBing Chatに政治的な情報の真偽を判定させました。英語・ロシア語・ウクライナ語で、新型コロナや気候変動などに関する、真の発言、偽の発言、その境界にある発言を評価させた研究です。研究の基準と一致した割合は、ChatGPTでは言語を通した平均で72%、Bing Chatでは67%でした。回答の傾向は、聞く言語と話題によって大きく変わりました。

測ったのは、与えられた発言の真偽を研究の基準に照らして判定する課題です。政党ごとの公約を集めて、同じ論点で抜けなく比べる課題とは区別して読む必要があります。公約の比較には、どの時期の資料か、誰が述べた主張か、どんな条件が付いているかという確認も加わります。真偽判定で得られた一致の割合を、そのまま比較表の正確さの割合として使うことはできません。

たとえば、公約に書かれた対象を要約が広げていたり、条件付きの提案を無条件の約束としてまとめていたりすれば、違いの理解も変わります。こうした点を点検するには、「誰に」「何を」「どの条件で」という語を原文と対応させます。条件を示す語が省かれていれば、比較のメモにもその条件を戻します。政党名が正しく書かれているだけで、説明全体を通過扱いにしないための確認です。

AIが出した説明を別のAIに判定させても、最後に読む資料が増えなければ、原文との対応は手元に残りません。まず、説明の中で自分の判断を左右しそうな文を選び、その根拠の公約を開きます。該当する記述を見つけられなければ、その文を比較の材料から外しておきます。すぐに正誤を決めるより、読めた根拠と未照合の説明を混ぜない作業を優先します。

説得力を高める工夫が、事実の正確さを下げた研究もあります

Lin（2025）は、2024年の米国大統領選挙、2025年のカナダ連邦選挙とポーランド大統領選挙を扱いました。参加者を無作為に割り当て、有力候補の一方を支持するようにした生成AIと対話させた実験です。対話は候補への支持を動かし、その過程でAIが示した事実には不正確なものも混じりました。ここで測られたのは、初めから候補を推す役割を与えたAIによる説得です。

Hackenburg（2025）は、参加者76,977人による3つの大規模実験で、19の大規模言語モデルを707の政治的論点について調べました。生成AIの土台になる大規模言語モデルは、たくさんの文章をもとに、次にどんな言葉が来やすいかを見積もって文を組み立てます。研究では、説得を目的とした追加の学習や指示文の工夫が、個人への合わせ方やモデルの規模を大きくすることよりも、説得力を強めました。しかも、そうした工夫で説得力が増した条件では、事実の正確さが系統的に低下していました。

納得することと、正しい根拠を受け取ることが同時に進むとは限らない、という点がこの結果の読みどころです。説明の長さや、証拠らしく見える記述の多さを、確認作業の代わりにはできません。反対意見にすぐ答えてくれることも、その反論の根拠が正しいという保証にはなりません。読む側は、説得された理由を、文章の印象と事実の裏づけに分けて扱います。

この結果を受けて提案したいのは、結論を任せる前に根拠を読む順序です。特に、すでに納得した説明に合わせて、後から公約を探す順序は避けます。先に同じ論点の原文を読み、あとから自分の評価を書けば、どこで考えが変わったかをたどれます。

AIには比較の結論より、原文を読むための論点を頼みます

駅で短い時間に調べ始めるなら、まず自分が気にしている問題を、政党名を付けずにメモします。税や社会保障など、広い分野名だけでも構いません。次に、その問題について何を比べたいのかを言葉にします。生活のどの部分に関係するのか、対象となる人は誰かなど、読む目的を先に置きます。

指示文の例は「選挙の公約を読むときの論点を、税・社会保障などの分野に分けて挙げてください。政党名や推薦は不要です」です。返ってきた一覧から、自分が原文で読んでみたい論点を選びます。一覧の並び順を重要度として受け取らず、自分が気にしていた項目が抜けていれば書き足します。AIの出力を完成した争点一覧として扱わず、読む項目の候補として編集します。

続いて、各政党の公約と、その選挙の選挙公報を自分で開きます。選挙公報は、候補者などの政見を読むために選挙管理委員会が発行する資料です。資料の発行元と対象の選挙を見てから、選んだ論点の記述を探します。異なる時期の公約を並べて、現在の違いのように読んでしまわないよう、資料の日付もメモに残します。

比較のメモには、原文の該当箇所と、自分の理解を別々に書きます。対象、提案の内容、実施の条件や時期を、書かれている範囲で拾います。ある項目を見つけられないときは、AIに空欄を埋めさせず、まだ読めていない項目として残します。記載を見つけていないことと、反対していることを同じ意味にしないためです。

原文を読む余裕がないときや、出典を開けないときには、生成AIで政党の比較を完成させないほうがよいでしょう。その時間には読みたい論点と資料名だけを残し、投票先の順位づけは後に回せます。説明を短くする便利さよりも、判断に使う文がどこから来たのかを追える形を優先します。

保護者と見るのは、支持先の一致より根拠への戻り方です

保護者と話す際には、どこを支持するかを先に合わせるより、本人が読んだ資料の箇所を見せてもらいます。気になる論点が大人と違っていても、すぐに別の論点へ誘導せず、選んだ理由を聞きます。そのうえで、AIの説明、公約の記述、本人の評価が区別されているかを見ます。会話の目的を、支持先の採点ではなく資料の読み方の点検に置きます。

点検には、次の項目を使えます。本人が選んだ論点について、資料を見ながら指し示せるかを確かめます。埋まらない項目があれば、その部分を次に読む予定として残します。

• 資料の発行元と、対象になっている選挙
• AIの説明に対応する、公約の見出しや該当箇所
• 提案の対象となる人と、実施に付いている条件
• 原文にある記述と、本人が加えた評価の区別
• 記載を探し切れていない論点

意見が食い違ったときは、まず事実の読み違いなのか、重視する価値の違いなのかを分けます。前者なら、該当箇所を一緒に読み直す作業ができます。後者なら、同じ記述を読んでも何を重く見るかで評価が異なることを話題にできます。AIに会話の勝ち負けを判定させると、なぜその点を重視したのかという本人の説明が脇に置かれてしまいます。

また、AIの答えを読んだあとに気持ちが変わった場合は、変わったこと自体を責める必要はありません。新しく知った根拠が何だったのかを、本人の言葉で書き出してもらいます。その根拠が原文に戻せるかを見てから、支持の変化について話します。駅で開いたニュースから調べ始めたとしても、最後には、納得した言い回しではなく自分で読んだ箇所を示せる状態を目指します。

よくある質問

「中立に答えて」と頼めば比較を信用してよいですか

その指示だけで比較全体を信用するのは勧めません。Kuznetsova（2025）の真偽判定には基準との不一致があり、説得を扱う研究とも測っている課題が異なります。読むときは、どの論点を選んだか、同じ時期の資料か、各主張に対応する原文があるかを点検します。口調が穏やかかどうかより、公約の該当箇所と説明の対応を見ます。

投票助言アプリと生成AIなら、どちらを使うべきですか

引いた研究は両者を同じ条件で直接比べて順位を付けたものではなく、使う目的から考えます。決まった設問への回答を振り返るなら、アプリの結果だけでなく設問の論点を読み返します。生成AIを使うなら、公約を読む項目の候補を挙げる役割に絞ります。どちらの場合も、気になった論点に対応する公約を自分で開く作業につなげます。

AIの説明と公約が食い違ったら、どう記録すればよいですか

その説明を判断の材料からいったん外し、食い違う箇所を原文の記述と並べて記録します。資料の日付、発行元、対象の選挙が違っていないかを見てから、対象や条件が省かれていないかを読みます。AIに同じ質問を繰り返して多数決を取るより、どの文にどの資料が対応するかを残す方法です。見つからない記述は空欄にして、次に読む公約の見出しをメモします。

この記事の限界

対象は、海外の投票助言アプリ利用者、ドイツの生徒、外国語での真偽判定課題、海外の選挙や政治的論点を扱う説得実験で、日本の18歳や高校生が生成AIに政党の違いを聞いた際の正確さと投票への影響を調べた研究は見つからなかったため、国内の初回投票への効果は未評価です。日本語による政策の回答を公約と照合した査読研究も見つからず、授業前後や対話での変化と、投票後まで続く理解は区別して扱う必要があります。

真偽判定で使われたChatGPTとBing Chatの成績は研究時点のもので、更新後のモデルにも同じ割合が続くかは未検証です。今回の手順が日本語の公約の読み取りや長期の政治理解をどれだけ支えるかは、今後の評価が必要な課題です。

参考文献

1. Munzert S ほか. Meta-Analysis of the Effects of Voting Advice Applications. Polit Commun. 2021;38(6):691-706.
2. Waldvogel T ほか. What Do Pupils Learn from Voting Advice Applications in Civic Education Classes? Effects of a Digital Intervention Using Voting Advice Applications on Students’ Political Dispositions. Soc Sci. 2023;12(11):621.
3. Kuznetsova E ほか. In generative AI we trust: can chatbots effectively verify political information? J Comput Soc Sci. 2025;8(1):15.
4. Lin H ほか. Persuading voters using human–artificial intelligence dialogues. Nature. 2025;648(8093):394-401.
5. Hackenburg K ほか. The levers of political persuasion with conversational artificial intelligence. Science. 2025;390(6777):eaea3884.

よくある質問