AIエージェント能力アトラス › 仕事ごとの一覧 › 研究・問題解決 › 社会科学・経済・政策分析
言説分析・世論分析(政治テキストの大規模アノテーション)
Discourse & Political Opinion Analysis
2030年（予測）: 5/5 専門家超え
0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。
専門家と比べて
GPT-4級モデルは短文(ツイート等)の政治的立場・感情・イデオロギーの分類で高い精度を示し、文脈情報を与えたスタンス検出では+17.5〜38.5ポイントの精度向上(最大74%)を達成しており、定義が明確なコーディングタスクでは人間コーダーに匹敵する精度を人間には不可能な速度・規模で発揮する。
できること
多言語にわたる大量テキストの感情・イデオロギー・スタンス分類を人間には不可能な速度で実行、危機的事象をまたぐ言説監査。
まだできないこと
皮肉・強い文脈依存の曖昧な発言を確実に解決できない。説得力最適化と事実精度の間にトレードオフがあり(説得力を上げると事実精度が下がる)、係争的なイデオロギー的フレーミングの解釈で人間の判断を完全には代替できない。
なぜそうなのか
スタンス・感情分類はパターン認識に近くLLMが得意な領域だが、説得-精度トレードオフやLLM-人間アノテーターの主観的次元での乖離は、データ不足ではなく解釈上の本質的限界を示す。
これからの予測の根拠
2023-2026年にかけて構造化アノテーションタスクの精度が急速に向上しており、定義が明確なコーディングタスクでは2028-2030年に人間を超える速度調整済みパフォーマンスに到達すると予測される一方、開放的な解釈分析は低いレベルにとどまる。
いま使える主な道具
GPT-5.x、Claude Fable 5.1、Gemini 3
根拠
- Comparing large Language models and human annotators in latent content analysis of sentiment, political leaning, emotional intensity and sarcasm 2025-2026
LLMは短文の政治的テキスト分類で高精度だが皮肉検出などで人間との乖離 - Exploiting contextual information to improve stance detection in informal political discourse with LLMs 2026-02
文脈プロンプトでスタンス検出精度が+17.5〜38.5pt向上 - The levers of political persuasion with conversational artificial intelligence 2026
説得力最適化が事実精度を犠牲にするトレードオフを実証
同じ分野のほかの仕事（社会科学・経済・政策分析）
- 経済予測・計量経済分析
- 政策シミュレーション・エージェントベースモデリング
- 社会調査・世論調査の被験者代理(シリコンサンプリング)
- 歴史・人文学研究支援
- 政策提言・報告書のエビデンス統合
- 因果推論・政策効果測定(プログラム評価)
AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。