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

歴史・人文学研究支援

Historical & Humanities Research Support

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

LLM+RAGは史料からのエンティティ抽出・伝記知識グラフ構築・カダストレ(地籍)データの探索を支援できるが、「ハルシネーションはエンジニアリングで解消できる欠陥ではなくLLMに内在する限界」と明記されており、人間による相互検証が必須とされる。

できること

史料・古典テキストからの固有表現抽出・関係抽出、RAGベースのアーカイブQA、構造化された歴史データセット(ヴェネツィアの地籍データ等)のエージェントによる対話的探索。

まだできないこと

曖昧・係争的な史料の解釈を転記誤りの伝播なしに独立して行えない。引用・出典の正確性を保証できない。メタデータの乱雑さに対する歴史家の解釈的判断を代替できない。

なぜそうなのか

史料の多くはOCR化されており転記誤りが下流タスクに伝播する。古典・前近代テキストへの専門的ファインチューニングが不足。ハルシネーションは生成モデルに構造的なものでスケールだけでは解決しない。

これからの予測の根拠

人文学特化のRAG/エージェントツールは2026年も漸進的に拡大しているが、「ハルシネーションは内在的」という文献の明言から、解釈タスクでは2030年まで補助レベルにとどまり、抽出系の狭いタスクではより高いレベルに到達すると予測。

いま使える主な道具

GPT-5.x + RAG、Claude Fable 5.1、specialized humanities NER pipelines

根拠

• Improving Access to Historical Archives with Real-time RAG-based Systems 2026-07
  RAGによるアーカイブアクセス改善と限界を報告
• Large language models for history, philosophy, and sociology of science 2026
  ハルシネーションは内在的限界であり人間の相互検証が鍵と明記
• LLM agents for interactive exploration of historical cadastre data: framework and application to Venice 2026
  構造化歴史データへのエージェント探索の実証例

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)
• 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)
• 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。