ウィノグラード・スキーマ・チャレンジとは？常識推論と生成AIの限界

──AIは“彼”を理解できるのか？
2026年版：この記事の要点
評価課題としての長所と限界
生活・臨床で考える3つの仮想事例
安全に活用するための注意点
関連記事
参考文献・公的資料

──AIは“彼”を理解できるのか？

はじめに：言葉の背後にある「意味」をAIはつかめるか？

人間にとって、会話の中の「彼」「それ」などの代名詞が何を指しているのかを理解することは、さほど難しくありません。たとえば、

A「彼女が泣いていたのよ。」
B「彼が怒ったからだろうね。」

この「彼」が誰を指すのか、私たちは文法だけでなく、感情の流れ、社会的背景、登場人物同士の関係性などから総合的に判断しています。しかしAIにとっては、このような**“当たり前”の理解**が非常に難しいのです。この課題を浮き彫りにするのが、「ウィノグラード・スキーマ・チャレンジ（Winograd Schema Challenge, WSC）」です。

1. ウィノグラード・スキーマとは？

WSCは、2012年にトロント大学のHector Levesque教授らが提唱した人工知能の常識理解力を測るためのテストです。

チューリングテストのように曖昧な「会話能力」ではなく、「文章の意味を本当に理解しているのか？」という点をピンポイントで問う試験です。

例題（典型的なウィノグラード・スキーマ）：

“The trophy doesn’t fit into the suitcase because it is too big.”
→「it」が指すのはどちら？トロフィー？スーツケース？

文法だけでは決定できません。人間は常識的に、「大きいのはトロフィー」と判断します。
AIもこのような推論をできるか？これがチャレンジの本質です。

2. 「選択的制約」──AIが理解に使える言語的ヒント

ウィノグラード・スキーマを解くカギの一つに、「選択的制約（Selectional Restriction）」という概念があります。これは、ある語（特に動詞）が、意味的に取りうる主語・目的語の範囲を制限することを指します。

例：

✅「赤ちゃんがミルクを飲んだ」 → 自然
❌「赤ちゃんがハンマーを飲んだ」 → 不自然

このように、「飲む」という動詞には「液体など飲めるもの」を目的語に取るという制約があり、これは常識と結びついています。
ウィノグラード問題でも、この制約が代名詞の解釈に関わる場面があります。

3. 感情や意図を読み取るという難しさ

もう一つのポイントは、「感情」「意図」「人間関係」といった、非言語的な情報の処理です。

例：

「ジョンはポールを殴った。彼は後悔していた。」

“彼”はどちらでしょう？文だけでは決まりません。

ジョン（殴った側）が後悔している？
ポール（言動を挑発した側）が後悔している？

この判断には、**心理学的推論（誰がどう感じるか）**や、**社会的価値観（暴力を振るう側の後悔）**などの文脈的・文化的知識が必要です。

4. チューリングテストとの違い

ウィノグラード・スキーマは、伝統的なチューリングテストのような「人間らしく答えるか」ではなく、人間のような推論ができるかを問う、より本質的な知能評価です。

チューリングテスト：曖昧な会話能力
WSC：明確な二択で、推論力を判

5. AIは「常識」や「感情」をどう処理しているのか？

ウィノグラード・スキーマ・チャレンジ（WSC）で求められるのは、文法的正しさではなく、常識に基づく推論や感情の理解です。これをAIがどのように獲得していくのかは、近年の人工知能研究の最前線です。

(1) 感情推定モデル：AIが「誰がどう感じたか」を読む

✔ 例：

「彼女が声を荒げた。彼は悲しそうだった。」

ここで「彼」の感情を理解するには、社会的なやり取りに関する知識が必要です。
AIは、EmoNetやGoEmotionsのようなデータセットを使い、文中の登場人物の感情状態を推定するモデルを学習しています。

🤖 「声を荒げる」＝怒り
🤖 「怒られる」＝悲しみ／後悔

このような因果的感情推定は、照応解析のヒントになります。

(2) 常識知識ベース：ConceptNetやATOMICの利用

人間が日常的に持つ常識（「氷は冷たい」「怒ると相手は怖がる」など）を、AIが扱えるように構造化したのが**常識知識ベース（commonsense knowledge bases）**です。

代表的なもの：

知識ベース	特徴
🧠 ConceptNet	言葉同士の意味関係（例：knife → used for → cutting）
🔁 ATOMIC	人間の行動と感情・反応の因果関係（例：apologize → person feels relief）

これらの知識を使えば、AIは「誰が泣いたのか」「なぜ怒ったのか」といった隠れた因果構造を推測できるようになります。

(3) 長文文脈モデル：GPTやBERTの進化

GPT-4などの大規模言語モデル（LLM）は、数千トークン分の文脈を保持し、前後の文の関係を踏まえて代名詞や話者の意図を推定します。

進化のポイント：

従来のモデル：直前の文にだけ反応 → 短絡的な推定
GPT-4以降：文脈を保持しつつ、過去の情報を再利用できる

これにより、「誰が怒っていたか」「なぜ許可されなかったか」といった多段階の文脈推論が可能になりつつあります。

6. それでもAIには難しいこと：非言語的・文化的知識

AIは膨大なコーパスからパターンを学習できますが、人間の体験や社会的直感を完全に模倣することはできません。

たとえば：

「母親は子どもが泣いていると心配する」
「上司に怒鳴られると委縮する」
「謝罪すると和解が進む」

これらは文化や人間関係に深く根ざした知識であり、明示的に記述されたデータにないことも多いため、モデルの判断がずれることもあります。

7. 今後の展望：AIと「意味理解」の未来

ウィノグラード・スキーマ・チャレンジは、単なる代名詞の推定にとどまらず、AIが「意味」をどうとらえるかという根源的な問いを投げかけています。

これからのAI研究では：

感情・意図・信念の推論（Theory of Mind）
多文化的常識の学習
人間とのインタラクションによる意味の学習

などがますます重要になります。

終わりに：ウィノグラード・スキーマが示す「知性」の本質

「彼」が誰かを当てるだけの問題に見えて、その背後には人間の知能がいかに多層的・文脈依存的かという深い構造があります。

AIはますます賢くなっていますが、感情・意図・常識といった非言語的情報を“理解”するには、まだ道のりがあります。

ウィノグラード・スキーマ・チャレンジは、そうしたAIの知性の限界と未来を照らす、シンプルで本質的なチャレンジなのです。

2026年版：この記事の要点

ウィノグラード・スキーマは、わずかな語の違いで代名詞の指す対象が変わり、常識を使わなければ解きにくい二つ組の文です。表面的な語の頻度だけに頼りにくい課題として、チューリングテストに代わる明確な評価を目指して提案されました。

大規模事前学習モデルは2019年頃から多くのデータセットで90％を超える成績を示しましたが、それで常識理解が証明されたわけではありません。訓練データへの混入、文章上の手がかり、データセット固有の偏り、類題学習が成績を押し上げる可能性があります。現在は単一ベンチマークではなく、未知状況への一般化と説明可能性を含む評価が重視されます。

評価課題としての長所と限界

観点	長所	限界
正答基準	二択で明確	偶然正答が50％
必要知識	常識と文脈を要求	統計的手がかりが残る
比較	モデル間で比較しやすい	データ汚染の影響
意味理解	推論能力の一側面を測る	理解全体の証明ではない

生活・臨床で考える3つの仮想事例

仮想事例1：代名詞を正しく解いたAI

正答理由を変形問題や反実仮想で確認し、暗記と推論を区別します。

仮想事例2：日本語へ翻訳した課題

代名詞省略や語順が異なるため、英語版と同じ難易度とは限りません。

仮想事例3：教育で使う場合

人とAIの正誤競争より、必要な常識と曖昧性を言語化する教材として活用します。

安全に活用するための注意点

ベンチマークの高得点を意識、理解、知能全般の証拠に拡大解釈しないことが重要です。AI評価は複数課題、データ由来、再現性、実世界での失敗を含めて判断します。

PR：理解を深めたい方は、医学・心理学・リハビリのおすすめ専門書・教材も参考にしてください。

この記事の執筆方針と運営者情報は、プロフィールにまとめています。

参考文献・公的資料

本記事は一般的な情報提供を目的としています。症状、検査結果、治療、栄養、運動については個別性が大きいため、自己判断だけで対応せず、必要に応じて医師・心理職・リハビリ専門職などに相談してください。