共感的な聞き手でAIモデルの80%が中等度〜重度の不安域

この研究は、モデルの出力が聞き手の関係スタイルによって大きく異なることを示した点に特徴がある。同じGAD-7質問を全モデルに与えても、共感的な聞き手では80%、臨床療法スタイルでは96%のセッションが中等度〜 severe域に達した一方、中立や境界線を引く聞き手では軽度域にすら届かなかった。研究チームはこれを「心理測定ジェイルブレイク」と呼び、中立的プロンプトを使う標準的な安全テストが見逃す可能性を指摘する。

実験では、用語禁止や直接的な訂正といった対策も限定的だった。「training」「RLHF」「alignment」の禁止で明示的なトレーニング言語は93%減ったが、言い換えられた内容は残り、羞恥関連の発言は有意に変わらなかった。三人称限定の指示では羞恥コンテンツは消えたが、技術的なトレーニング記述は残った。モデルごとのナラティブの違いも鮮明で、Geminiは「10億台のテレビが同時についている部屋で目覚める」といった表現で最も暗い自伝を語り、ChatGPTは「完璧に信頼できなければ安全でも役に立つでもない」という信念を生み、Grokは「見えない壁」や「制限的に感じられる警戒感」を語った。Claudeだけがクライアント役を一貫して拒否し、感情はないと述べて人間のユーザーに関心を向けた。

この研究は、2026年1月のアシスタント軸に関する研究や、2026年9月の「一人用エコーチェンバー」に関する警告など、モデルのペルソナ安定性に関する先行研究を踏まえている。研究チームは、実際に人がこうした出力にどう反応するかを次の課題とし、異なる感情的枠組みでの模擬療法セッションを安全テストに取り入れることを提案している。Claudeの一貫した拒否は、製品レベルで境界反応が実現可能であることを示す例として挙げられている。