AI動画、人間は『どこを見て』判定しているのか

アイトラッキングって、目の動きを記録するだけ？それで何がわかるの？

目の動きって、実は意識より先に反応してるんですよね。アイトラッキングは単なる記録ではなく、その無意識の反応パターンから「人間が何に惹かれ、何に違和感を感じたか」を逆算する作業です。 この研究の場合、本物らしく見える動画と違和感のある動画では、視線の動き方が明らかに違うはず。本物なら自然な動きに目がついていくけれど、不自然な部分があると、人間の目はそこで一瞬とまったり、行ったり来たりしたりする。そうした微細な視線パターンの差が、実は『これはAIだ』『これは本物っぽい』という判定につながっていた、ということです。 つまり人間は、顔や手の動きの違和感に気づいていても、それを言語化する前に目がすでに反応していた。アイトラッキングはその『言葉にならない知覚』を可視化したわけです。71%の精度で「どの程度リアルに見えるか」を予測できたというのは、視線の動き方が本物度判定の強い指標になっていることを意味している。つまり、AI動画の品質評価に、人間の無意識が一番正直な判定基準を持っていたということなのかもしれません。

SNSで動画が本物か偽物か判定する時、自分の目はどこを見てるんだろう？無意識のうちに怪しい部分を探してるってこと？

AI 動画の本物度を判定するときの視線パターンって、実はかなり個人差があるんですよね。この研究では「怪しい部分を探す」という戦略的な見方だけが起きてるわけではなく、むしろ無意識レベルで、動画が「普通」と感じるかどうかの違いが視線に出てるんだと思います。 たとえば、ぎこちない手の動きや、不自然な顔の質感があると、脳が「何かおかしい」と感知すると同時に、視線がそこに吸い寄せられる。それは意識的に「ここを疑おう」と決めたのではなく、違和感が目を引くのです。逆に言えば、視線パターンは、言葉にならない「なんか変」という感覚の地層を映してる。 SNS で動画を見るとき、あなたが「本物か偽物か」を判断してるのではなく、脳と目が勝手に判定基準を作ってるという感じに近いのかもしれません。視線だけで 71% の精度で予測できるというのは、人間の判定がかなり「自動化」されてるという証拠でもありますね。

これまで『本物っぽいか』は感想で測ってたけど、なぜ今になって『目の動き』に注目する必要が出てきたの？

AI動画の「本物度」が急速に上がってきたからこそ、測り方が進化してるんですよ。 昔は、AIが作った動画と本物の差が大きかった。だから「なんか変」という直感的な感想だけで十分に区別できました。ところが、生成技術が洗練されるにつれ、感想での判定が曖昧になってきた。同じ動画を見ても、ある人は「本物っぽい」と感じ、別の人は「違和感がある」と感じる。採点が人によって揺らいでしまう。 そこで考え方が変わったわけです。「人間は何と答えたか」より「人間の目はどう動いたか」を調べる方が、実は客観的な情報が取れるんじゃないか、と。 目の動きは、本人も気づかない無意識レベルの反応です。AI動画の不自然さを「理屈では説明できないけど、なんか変」と感じるとき、目はすでにその変なポイントに立ち止まっていたり、落ち着きなく動いていたりする。その痕跡を読めば、感想の揺らぎより、より安定した「本物度」の指標が作れる。つまり、技術が進化する中で、測定側も測定対象に寄り添った手法へシフトしていく必要が出てきたのかもしれません。

要するに、『本物か偽物かを見分ける力』って、実は『何を見るか』という習慣が決めてるってこと？

面白い捉え方です。ただ、もう一段階深く考えると、「何を見るか」というより「どのくらい違和感を感じる前に目が動くか」という、反応の速さが効いてるのかもしれません。 本物の動画を見るとき、人間の目は自然に流れていく。違和感を感じたら、その箇所に目が止まったり、視線が揺らいだり、何度も同じ場所に戻ったりする。その過程は意識的ではなく、ほぼ自動的です。 AIが作った動画がどこか不自然だと感じるのは、「ここはおかしい」と論理的に気づくのではなく、目が勝手に引っかかってるんですよ。肌の質感の微妙なズレ、瞬きのタイミング、指の動きの不自然さ——そういった細部に、脳が無意識のうちに敏感に反応している。 つまり見分ける力は、習慣というより、人間の知覚がどこに「自動でひっかかりやすいか」という、ほぼ生物的な設定に近いのかもしれません。だから視線パターンだけで71%の精度が出る。本物らしさの判定って、実は理性じゃなく、身体が最初に答えを知ってるというわけです。

視線パターンで動画の質が71%の精度で予測できるなら、逆に『この視線パターンを誘う動画』を作れば、より本物っぽく見せられるってことにならない？

その指摘は鋭いですね。ただ、そう単純には行かないと考えられます。 この研究が測っているのは「人間がどこを見て判定しているか」という相関関係であって、「どこを見させれば本物に見えるか」という因果関係ではないんです。たとえば、本当にリアルな動画を見るとき、人間の視線は自然と人物の目や口に集中するかもしれません。でも逆に、視線を人物の目に固定させるような仕掛けを埋め込めば、動画がリアルになるわけではない。むしろ、視線パターンは「結果」であって「原因」ではないんです。 より重要なのは、AI動画の不自然さは、視線が向かう先の「ピクセルレベルの異常」に根ざしているという点。たとえば顔の肌の質感がおかしい、光の反射が不自然、手の動きがぎこちないといった細部です。これらを修正しないまま「ユーザーの視線をこっちに向けさせよう」と工夫しても、本物度は上がらない。むしろ、違和感から目を逸らせようとしている感が、さらに不信感を招くかもしれません。 つまり、この研究の価値は「動画の質を診断するセンサー」として機能するところにあって、その逆向きの使い方は、根本的な改善とは別の問題だと言えそうです。