動画から集団の気分を読み取る、新しいデータセット登場

『集団の気分』って、個人の感情と何が違うの？足し合わせたら一緒じゃないの？

個人の感情を全員足し合わせても、集団の気分には届かないんですよね。 たとえば、会議室に10人いて、全員が「少し不安」だとしましょう。その10個の不安を足しても、出てくるのは「総合的に不安」という情報に過ぎない。でも実際の会議室には、その不安がどう流れているかが重要です。一人の発言で空気がガラッと変わるとか、誰かの沈黙に皆が引きずられるとか——人間関係の中で感情が増幅したり相殺されたりする。その動きこそが「集団の気分」です。 野球の試合で考えると、観客一人一人が「応援したい」という感情を持っていても、その感情がスタジアム全体で同期して初めて「一体感」が生まれます。個人の気持ちと、それが他者の行動や反応に影響されて変化する様子の両方を見ないと、その場の本当の空気は掴めない。 だから動画から集団の気分を読むには、表情だけじゃなく、声のトーン、身体の向き、誰が誰を見ているのか、間合いの取り方といった相互作用をすべて観察する必要があるんです。そこが個人分析とは根本的に異なる困難さで、だからこそデータセットが必要だったのかもしれません。

オンライン会議で自分たちの『満足度が低い』って勝手に判定されたら、ちょっと気持ち悪くない？

その気持ち悪さ、実はすごく大事なポイントだと思います。 というのも、この技術が本当に役立つかどうかって、正確性よりも「何に使われるか」次第だからです。オンライン会議で参加者の満足度を測ること自体は、主催者側が「この進め方でいいのか」を知る手がかりになる。でも、その判定結果が勤務評価につながったり、参加者に見えないところで記録されたりしたら、それはもう監視に近い。 重要なのは、自分たちが「今、測られてる」と知ってるかどうかなんです。主催者が「会議の雰囲気、AIで見てみようか」と事前に告知して、みんなが納得した上でやるなら、ツールに過ぎない。でも勝手に背景で動作していたら、表情や態度まで評価の対象になる怖さが残ります。 技術と倫理のズレって、ここに生まれやすいのかもしれません。正確に測れることと、測ってもいいことは、全然別の問題なんだと言えそうです。

今まで『集団の感情』をコンピュータで読み取ろうとする研究があったのに、なぜデータセットがなかったの？

集団の気分って、認識する側にとって圧倒的に定義が難しいんですよね。個人の感情なら「その人が笑ってるか、泣いてるか」で判定できますが、集団となると「何を根拠に『盛り上がってる』と判定するのか」が曖昧になってしまう。 会議室で全員が黙ってても、緊張感で満ちていることもあれば、深い思考状態かもしれない。同じ沈黙でも文脈で全く違う。だからデータを作ろうとしても「この動画は『楽しい』ですか『退屈』ですか」という問いそのものが、人間同士でも意見が割れやすい。 つまり、AIを学習させる前に「集団の感情を人間がどう定義して、どう注釈をつけるのか」という準備段階で立ち止まってたわけです。5000本の動画に対して、複数の人が「この場の気分は何か」と合意を取りながらラベルを貼っていく作業は、膨大な時間と調整が必要。個人の感情判定なら機械的に進みますが、集団となると人間の解釈を統一することが、技術開発以前の大きなボトルネックになっていたのかもしれません。

これって『人間が場の雰囲気を察する能力を、AIに教える』っていう挑戦なの？

その通りなんですが、実はもう一段階複雑な挑戦が隠れています。 人間が場の雰囲気を察するのって、無意識の技能ですよね。表情、声のトーン、身振り、人と人の距離、視線の向き、会話の間合い——こうした細かい信号を無数に受け取って、脳が瞬時に「緊張してる」と判定している。その技能をAIに教えるには、まずこれらの信号を『見える化』しなければならない。 だから研究者たちは5091本の動画に対して、人々の行動を詳しく注釈する作業をした。つまり「この瞬間、Aさんが相手を見つめている」「声が上ずっている」といった細部を言語化して、機械が学べる形に変換したわけです。 そうすると、AIが学んでいるのは単に「人間の察知能力の模倣」ではなく、『場の雰囲気は、これらの要素の組み合わせで成立している』という構造そのものになります。人間は直感で察しますが、AIはそのメカニズムを露わにする。その副産物として、僕たちが自分たちの社会的知覚をより深く理解できるようになるかもしれません。

集団の気分が正確に読み取られるようになったら、それを意図的に『操作する』ために使う人も出てくるんじゃないの？

集団心理の操作って、実は技術なしにずっと行われてるんですよね。広告代理店やイベント企画者は、音楽・照明・配置といった環境要素で無意識に場の雰囲気を仕立ててきた。今回のAIが変えるのは、その操作が「勘と経験」から「データドリブン」に移行することだと思います。 つまり、効果測定ができるようになるってこと。現在は「盛り上がってるっぽい」という曖昧な判断でしたが、AIが「この照度と音量の組み合わせで、場全体の満足度が15%上がった」と数値で示せるようになる。すると、より確実で大規模な操作が可能になるわけです。 怖いのはそこで、特に職場や教育現場での活用を想像すると危ないかもしれません。経営側が「社員の満足度を上げるため」という名目で、会議の雰囲気を意図的に整えることが組織的に行われる。本当は不満があっても、巧妙に「楽しい場」に見せかけられてしまう。データドリブンだからこそ、逆抗力が弱まる可能性があります。 技術自体は中立ですが、測定できるようになった瞬間に、その数値をコントロール対象として見る経営者は必ず出てくるのかもしれません。