トピックス

「数理・データサイエンス・AIと大学」インタビュー

第26回　お茶の水女子大学 文理融合AI・データサイエンスセンター
伊藤 貴之 教授 大切な、女性からの「公平性」の視点
多様性社会の実現に貢献できる人材に

お茶の水女子大学は、2019年に「文理融合AI・データサイエンスセンター」を設立し、全学部学生を対象としたカリキュラムを構築。21年にリテラシーレベル、24年に応用基礎レベルの認定を文部科学省から受けている。文系学生の比率が高い女子大学において、なぜAI・データサイエンス教育に力を入れるのか、伊藤貴之センター長に聞いた。

文学作品を題材としたオリジナルの授業も

─お茶の水女子大学のデータサイエンス教育の特徴を教えてください。

全学部の学生を対象に、データサイエンスに関連する科目群を提供しており、文系の学生も理系の学生も同じクラスで受講します。「共通テスト」で全員が数学を受験しており、一定レベルの数学の知識があることを前提としています。

本学は文系の学生が55％を占めます。特に人文科学系の学生が全体の3〜4割を占めていることから、文学作品を題材にした授業なども行っています。文学作品ごとに「単語の出現割合から執筆年代を推定する」といった課題を通じて、データサイエンスの基礎的な方法論を学んでいきます。これは本学オリジナルの授業です。

リテラシーレベルでは、コアとなる全学科目の他に、各学科の専門科目の中にも例えば「統計学」や「実験分析法」など関連科目があり、選択して履修できます。一定の科目数を履修した学生には、「ブロンズ」「シルバー」「ゴールド」の認定証明書が授与されます。

応用基礎レベルに関しては、本学内に「情報」を冠する学科として「情報科学科」と「文化情報工学科」があり、それらの学科の専門科目からカリキュラムを構成しています。

さらに、きめ細やかなデータサイエンス教育を実施するために「データサイエンス相談室」を設置して学生の悩みや質問に答えています。

─センター名に「文理融合」とありますが、なぜAI・データサイエンス教育に文理融合の体制で取り組んでいるのでしょうか。

これからは文系と理系が共に何かを創り上げていく場面が増えると考えています。文学や言語学などの人文科学を学んでいる学生もデータに基づく客観的な分析力が必要になります。AIやデータサイエンスはそれらの分野に新しい知見をもたらす強力なツールとなるはずです。

逆に理系の人がAIやデータサイエンスを正しく運用するためには、どのような法整備、あるいは倫理的な配慮が必要なのか、といった社会や文化への理解が欠かせません。

幸い本学は文系・理系の学生、そして教職員も同一のキャンパス内で学問に接しており、各学術分野の専門家が一体となってAIやデータサイエンスの教育研究を進める絶好の環境にあると考えています。

データの偏りに気づき公正さに配慮する力を

─女子大学ということもあり、データサイエンス教育においてもジェンダーバランスやフェアネス（公平性）の問題に力を入れているそうですね。

ユーザーが用意した訓練データの中身が偏っていれば、AIの動作も偏ってしまうことがあります。AIやデータサイエンスを運用する場合にも、フェアネスは非常に重要な課題となります。そこで、大学公式のカリキュラム科目とは別に、任意参加のセミナーを定期的に開催し、企業の採用人事における男女差の問題や、商品の色彩がもたらす消費行動の男女差などを分析しています。面白いのは、学生全員が女性だからこその率直な議論ができる点です。例えば、採用において合格点に男女差を設けることについてどう考えるのか、というテーマで議論すると、忌憚のない意見が飛び交います。一方で、世の中には男性が不利なデータもあるはずです。人は自分に不利なデータには気づきやすいのですが、有利なデータには気づきにくい。たとえば、同性に不利なデータがあったときに同性の人々はこのデータを重要視し、異性の人々はデータの信頼性を疑う傾向がある、という研究事例もあります。その意味では、男性が不利なデータについても分析できなければいけない。そうしたメッセージも教育の現場で発信していかなくてはと思っています。

そのほか、同じキャンパス内にある附属高校との連携にも力を入れています。附属高校は「スーパーサイエンスハイスクール」指定校になっており、本学の教員が出前授業に行ったり、理系の自由研究の相談に応じたりしています。高校生のうちからデータに触れることは非常に大切で、キャリア選択などに大きく影響を及ぼすと考えています。

高まる「女性データサイエンティスト」のニーズ

─産学連携の取り組みについても教えてください。

センター主導の産学連携はあまり多くありませんが、企業から相談があった際に、適切な専門の教員を紹介するケースはあります。私自身、インターネット広告の効果分析などで個別に企業との共同研究を行っています。どんな分野の広告がクリックされやすいか、商談につながりやすいか。あるいは同じ広告を繰り返し見せると徐々にスルーされる「広告疲労」という現象がありますが、時間が経ってもスルーされにくい広告の特徴は何かといった研究を行っています。

そのほかデータサイエンスのセミナー開催を希望する企業を学生に紹介することもあります。また企業から「自社のソフトウェアやデータを提供したい」というユニークな申し出もありました。

─企業側としても何らかの形で学生と接点を持ちたいのでしょうね。

聞くところによるとデータサイエンス業界における女性の比率は3割に満たない。女性を増やしたい企業からは、本学に多くコンタクトがあります。ITやデータサイエンスの分野は自宅でも比較的仕事がしやすく、ライフワークバランスの観点でも女性に人気がありますね。

加えてデータを重んじる業界には女性がメインカスタマーな業界も多い。化粧品業界や旅行代理店、ファッションECサイトなどは明らかに女性データサイエンティストを求めているはずです。データ分析を生成AIに丸投げする企業があったとしても、データサイエンスが解っていなければ、AIが出してきた結果が妥当かどうか、そこから何を結論として導くかを正しく判断できません。データ分析にはAIに任せきれない側面があります。だからこそ、女子学生がデータサイエンスの素養をしっかりと身につけておくことは、将来大きな強みになると考えています。

分析したデータを意思決定に繋げる「可視化技術」

─伊藤先生ご自身はどのような研究をされているのですか。

現在はAI（主に機械学習）の運用を支援する「可視化技術」が専門の一つです。前述したようにデータを分析して、何が多い・少ないかが分かったとしても、それだけでは意思決定やアクションにつながらないことが多くあります。データをどう扱うかを人が理解した上でアクションに繋げる、その橋渡しをするのが可視化です。ゆえにAIの時代になればなるほど、可視化の重要性はむしろ増すと考えています。

─具体的な研究事例を紹介していただけますか。

学内の有機化学の研究室との共同研究では、実験回数を減らすために、まだ行っていない実験の結果を予測し、良い結果が出そうな実験方法や薬品の量などの組み合わせを散布図で可視化するという取り組みを行いました。数百通り、あるいは千通りにも及ぶ未実施の実験パターンと、その実験結果の予測を可視化しておき、あとは研究者が確度の高いとされる実験の中から勘を頼りに試していく。これにより従来より少ない実験回数で良い結果にたどり着けるようになります。

また、企業から音源データの提供を受け、J-POP約1300曲の発売年と音の特徴の関係を分析したこともあります。この研究は附属高校の授業でも取り上げました。楽曲の音そのものをAIに入力して数値化し、高い音と低い音の割合や音量の時間的変化などによる「音の新しさ」を軸に散布図化したのです。

図の左上の方が音が古い、アナログ的な音の曲。右下に行くほどデジタル的な音になっていきます。実際の曲の発売年は色で見ます。青が1980年代、赤が2010年代なのですが、左上の古い音の中にまれに赤が混じっていますよね。その理由を高校生に実習で探らせました。例えば氷川きよしさんなどの演歌は発売年が新しくても古い音だったりします。

逆に新しい音の中にも発売年が古い80年代の青が混じっています。その1つはTMネットワークの楽曲で、未来的な音を80年代、90年代に出していたことが分かります。新しい音楽は音量に強弱がなく平坦で、高い音がキンキン響くなどの特徴があります。屋外で聞いた時に、騒音に負けないような音作りになっているのですね。

「可視化」の面白いところは、このようにさまざまな分野のデータに使えるところです。文学、ビジネス、科学技術、あらゆる分野にデータ分析のニーズはあります。非常に幅広い分野とコラボレーションでき、人脈も広がります。言ってみれば「雑学博士」になれる。そこに魅力を感じています。

データサイエンスが「当たり前の教養」になる未来へ

─学生の生成AIとの付き合い方に関して、教育の現場で意識していることはありますか。

すでに生成AIを使いこなしている学生は多くいます。そのような学生には、こちらで型にはめるようなことはせずに自由に使ってほしい。一方で、生成AIを使うことに腰が重い学生もいるので、授業の中で必ず生成AIを使わせて、何をどのように質問したのかプロセスをレポートに書かせるようにしています。

─今、生成AIへの「問い立て力」の養成が盛んに言われていますが、教えることはできるのでしょうか。

生成AIへの理解を深めるためにはまず、ガイドラインなどを読むこと。たとえばChatGPTの開発元であるOpenAIの公開ガイドラインなどに目を通すといいでしょう。そして、問う経験を積んでもらうこと、その2つです。実は私も『生成AIを活用したレポート・論文の書き方』（慶應義塾大学出版会）という本を書いているので、参考にしてみてください。企業の人はよく「リーダーシップの取れる人材がほしい」と言いますが、生成AIを使いこなせる人はリーダーシップもあると私は見ています。AIから良い答えを引き出すためには、的確な指示が必要だからです。これはリーダーシップの一部だと思うのですね。

─AIやデータサイエンスを学んだ学生が卒業後にどのように活躍してほしいですか。

理想を言えば、本学の学生の大半が当たり前のようにデータサイエンスのカリキュラムを修了して認定を取得するような時代になればいいですね。そうして地方公務員や学芸員など、データサイエンスを専門としない職業の人もデータを駆使するようになっていってほしい。文部科学省が掲げる最終目標も、まさにそこにあるはずです。

もう一つは、ダイバーシティに敏感な本学で学んだ視点を大切にしてほしい。多様性社会の実現のためにも、データ活用の重要性は増しています。フェアネスの視点から、手にしたデータの偏りに気づける社会人になってほしいですね。

Profile　伊藤貴之

1992年、早稲田大学大学院理工学研究科電気工学専攻修士課程修了後、日本アイ・ビー・エム（株）に入社、東京基礎研究所配属。1997年早稲田大学にて博士（工学）。米国カーネギーメロン大学客員研究員や、京都大学大学院情報学研究科COE研究員を経て、2005年、お茶の水女子大学理学部情報科学科助教授。2011年、同学科教授。2019年より「文理融合AI・データサイエンスセンター」のセンター長を務める。同大学「ジェンダード・イノベーション研究所」の研究員を兼任。趣味で友人たちとユニットを組み、自作曲を演奏している。