2025-11-19

デジタル民主主義の社会実装

技術の現在地とボトルネック

資料 Slide

講演内容

このスライド全体は、「デジタル民主主義を社会実装するとき、どこにボトルネックがあるか」を

①合意形成の技術　②新しい視点の発見（ブロードリスニング）の技術

という二本立てで整理している話です。

1. 合意形成の技術（青山パート）

問題設定

現実の政策は、経済・環境・地域感情・将来世代など、変数とステークホルダーが絡み合い、人間の認知限界を超える「複雑性の罠」にハマりやすい。

その結果、世界を「敵／味方」に単純化してしまい、議論が噛み合わない。

事例1：台湾 Uber規制 × Polis

タクシー協会・Uber・政府の間で「統治の空白」があり、誰も本気でオーナーシップを取れず、膠着状態だった。

Polis で約2000人が発言＋賛否投票し、「Uber追放派」「Uber擁護派」の2グループに深い分断があることが可視化される。

アルゴリズムで「自分の反対グループも賛成している意見」を目立つ位置に出すことで、参加者が「包括的提案」を書きたくなる設計にしている。

その結果、「Uber禁止／自由化」ではなく

政府はタクシー業界にも評価システム等を導入し、Uber と同等の品質向上を促す

といった 95% 合意のステートメントが出てくる。

さらに、この「80%以上の合意リスト」がそのまま政府主催会議のアジェンダになり、大臣・Uber・タクシー協会がライブ配信の場でコミットし、具体的な法改正に至る。

→ キーワード：Polis × オンライン合意形成 × 政治プロセスへの直結

事例2：イスラエル・パレスチナ × Remesh

戦争後、物理的な対面も、ヘブライ語／アラビア語をまたぐ対話もほぼ不可能な状況。

AI対話プラットフォーム Remesh で、イスラエル系ユダヤ人／西岸・ガザのパレスチナ人／イスラエル国籍のパレスチナ人の 138 名が参加。

まず「単独国籍フェーズ（Uninational Phase）」で、それぞれのグループ内で AI 翻訳・要約を使いながら自分たちのレッドラインやビジョンを言語化し、その後 Joint Phase に進む設計。

AI は Bridging-based Ranking で、双方が支持するステートメントをスコアリング。

「10/7攻撃の正当化は許さない」「ガザ戦争の正当化は許さない」という“鏡像的なライン”が抽出され、

説明（Explanation）と

道徳的な正当化（Justification）

を区別していることが AI 分析で見えてくる。

「即時停戦＋全人質解放」「双方のトラウマを認める」といった文言に 90％超の合意。Equal Power Metrics で「3グループの中で最も支持率が低いグループ」を基準にすることで、多数決ではなく“3者の合意”を定義している。

このパートの結論と限界

Polis や Remesh のような技術は、Sensemaking（意味形成） を助ける：

単純集計ではなく、「何が論点で、どこに合意がありうるか」を可視化し、参加者自身の内面的変容を促す。

しかし AI は「平和は大事」など抽象的な“無難な正論”の合意には強いが、国境線や具体的トレードオフを含む“痛みのある合意”には弱い、という限界（具体性のジレンマ）がある。

また、市民側の議論と、政治家／行政側の意思決定の場をつなぐ「接続設計（どこで誰がどう介入するか）」がまだボトルネック。

2. 新しい視点の発見の技術＝ブロードリスニング（西尾パート）

Scatter 可視化は「ブロードリスニングの一部」にすぎない

2024年衆院選などで、Talk to the City を使って人々の意見を LLM でステートメント化 → embedding → UMAP → クラスタリング → LLM によるクラスタ名・解説生成、というパイプラインで散布図を作っている。

ただし、スライドでも強調しているように、

「意見の散布図の可視化 ＝ ブロードリスニング」ではない

散布図は目立つので有名になったが、本質は「多くの声を受け取ってもパンクしないこと」。

3種類のステークホルダーごとの価値

1. 市民

分析がブラックボックスだと「意見が捨てられたのでは？」と感じる。

自分の意見が点になって散布図に現れたり、AI のまとめを見たりすることで、「受け止められた感」が生まれる。

2. データ分析者

LLM によって「文章 → 高次元ベクトル → クラスタリング」が現実的になり、大量の自由記述を扱えるようになった。

その結果、「共通のものをまとめる負担が減る → 少数意見に注意を向ける余裕が生まれる → 新しい視点を発見しやすくなる」。

3. 意思決定者

UMAP/散布図は全体像のラフ把握には使えるが、「大きいクラスタが偉い」と誤読しがちで、実は小さなクラスタのほうが“見落としていた重要なアジェンダ”になりうる。

さらに、LLM 化された分析プロセスにより、意思決定者の日本語の質問をそのまま分析プロセスへの指示に変換する方向性が見えている。

3. 事例：2050東京戦略・BG2050・しゃべれるマニフェスト

2050東京戦略 × Talk to the City

Googleフォーム、X、YouTube コメント、メール、郵送、街頭インタビューなど複数チャネルから約3万件弱の意見を集め、Talk to the City を使ってクラスタリング・要約を行った。

既存の「未来の東京」戦略の分類項目に市民意見を当てはめ、

既存分類に入らない意見から新しい項目を新設

あまり意見が来ない項目は統合

量が多くて中身が違うところは細分化

といった形で政策体系を再構築している。

BG2050（ケンタッキー州ボーリンググリーン）

人口 75,000 人の都市で、Polis と Sensemaker を使って「What Could BG Be?」というオンライン対話を1カ月実施。約8000人が参加し、3〜4000件の意見と100万件の投票を集めたと言われている。

可視化はデザイナが描いたバブルチャートだが、背後には Sensemaker による2階層ツリー分類があり、本来はそこを drill-down して見ていく設計。

しゃべれるマニフェスト（チームみらい）

参院選で使われたシステム。市民は AIチャット と対話し、そのログを元に AI がマニフェストの変更提案を生成し、GitHub 上の manifest にプルリク的に反映する。

提案 8,559 件のうち 254 件がマニフェスト改善として採用されており、「かなり細かいイシューを拾う → 少数の人に深く刺さる戦略」としてブロードリスニングを使っている。

4. すでにできていることと、これから目指すこと

すでにできていること

1. (1) 大量の自然言語の意見を LLM で分析し、分析者の負担を減らす（embedding／クラスタリング／要約）。

2. (2) Polis や AIデプスインタビュー（しゃべれるマニフェスト型の AI Interview）で、市民からの言語化を促す。

3. (3) 分析者と AI エージェントが自然言語で対話して、分析プロセスを一緒に回す。

近未来にやりたいこと

決定者 ↔ 分析者 のフィードバックループを効率化し、決定者の質問をそのまま AI＋既存データで答えられるようにする。

決定者 ↔ 市民 のフィードバックループを効率化し、決定者が自然言語で「何を聞きたいか」を書くと、AI インタビュアーが数百人規模に質問し、まとめて返すような仕組みをつくる。

5. 全体のまとめのメッセージ

マスメディアによる ブロードキャスト（少数の意見を多数に伝える技術）はすでにある。

LLM によって、多数の市民の声を集めて意味づけする ブロードリスニング（多数の意見を受け止める技術）が現実的になってきた。

Polis／Remesh／Sensemaker／Talk to the City／広聴AI／しゃべれるマニフェスト といったツール群は、

合意形成の場を支える

新しい視点を発見する

市民・分析者・意思決定者の間のフィードバックループを回す

ためのピースであり、今後はこれらをつなぐ「インターフェイス設計」がボトルネックになっていく──というのがスライド全体の骨格です。