10代のポルノ利用予測、親の統制はほとんど説明できなかった
スペインの3万3,000人のデータと、ゼタ・クラックをめぐる論議を併せて読みます
社会同じ時期、韓国ではゼタ・クラック・ベイビーチャットのようなAIキャラクターチャットの青少年保護が韓国の国政監査で取り上げられました。二つの話を並べて読んでみます。
スペインの10代3万3,543人の調査から見えた結果
スペインのロビラ・イ・ビルジリ大学（URV）の研究チームが、2026年8月に学術誌『Computation』に論文を1本発表しました。問いはシンプルです。過去30日間にポルノを見た、あるいは利用したと答えた10代には、どのような特徴が一緒に現れるのでしょうか。
データは、スペイン政府が2年ごとに中等教育の生徒を対象に実施する薬物使用調査ESTUDES1の2023年版です。元の標本は4万2,208人で、必要な設問すべてに回答した3万3,543人が分析対象となりました。大半は15〜18歳です。このうち42.6%（1万4,287人）が、過去30日以内にポルノを見たと答えました。
研究チームは、この回答を予測するモデルを4種類作成しました。統計学で長く使われてきたロジスティック回帰2が1つ、XGBoost・LightGBM・CatBoostという勾配ブースティング3モデルが3つです。その後、SHAP4という説明手法を使って、どの変数が予測をどれだけ動かしたかを調べました。モデルに投入した変数は、性別と年齢、父親・母親との関係、家族間の葛藤、家の内外での親の統制、タバコ・酒・大麻の使用、一部の性経験、不安発作のような心理的苦痛、そして問題のあるインターネット利用です。
この研究がやっていないことも、最初に押さえておきます。ある一時点でしか尋ねない横断調査5なので、何が何の原因かは言えません。結果変数も「過去30日に見たか見ていないか」の二択だけなので、どれくらいの頻度で見ているのか、その利用が問題になる水準なのかは区別できません。研究チームも、このモデルを特定の生徒の診断やレッテル貼りに使ってはならず、教育や予防政策を設計するために使うべきだと明確に記しています。
性別の次に重い変数は、やめられないインターネット利用
予測において圧倒的に大きな変数は性別でした。ロジスティック回帰基準で、女子生徒が過去30日以内にポルノを見たオッズ6は、男子生徒より92.8%低くなりました。年齢も関連はありましたが、SHAPで見た予測への寄与は主要な変数よりもはるかに小さいものでした。
性別の次が問題のあるインターネット利用です。研究チームは14の設問でこの指数を作りました。接続をやめられない、インターネットのせいで睡眠時間を削る、やるべきことを後回しにする、心配事や嫌な気分から逃れるために接続する、といった内容です。研究チームは、この指数が臨床的なインターネット依存の診断と同じ意味ではないと念押ししています。ロジスティック回帰では、この指数が最低から最高まで上がると、ポルノ利用のオッズは約5.3倍になりました。
その次が飲酒と大麻、そして家族間の対立です。飲酒については、一度も飲んだことがない生徒と、週末だけでも飲んだことがある生徒の間で予測が最も大きく動きました。大麻も、経験の有無が最大の分かれ目でした。コンドームなしの性交渉、翌日後悔した性交渉といった性的リスク行動も予測に寄与しましたが、その大きさは小さいものでした。
逆に、ほとんど何も説明できなかった変数もあります。家の中での親の統制と、家の外での親の統制です。他の変数と一緒にモデルに入れたとき、この二つの変数のSHAP値はほとんどの生徒で0近辺でした。研究チームは、親の監督が露出を減らすという既存研究があることを認めつつも、個人・行動・家族の要因を併せて考慮すると、親の統制を主要な予測変数とみなすのは難しいとまとめています。
男女を分けて見ると、順序が少し変わります。性別を除いた残りの変数のうち、男子生徒では飲酒が、女子生徒では問題のあるインターネット利用が最も大きな予測変数でした。家族間の対立、不安発作、親との関係は、女子生徒側で予測への寄与が目立って大きいものでした。年齢層による差は小さいものでした。
問題のあるインターネット利用は、単独でのみ作動するわけでもありませんでした。モデル内で最も強い相互作用10個のうち6個にこの変数が含まれており、年齢・大麻・飲酒・父親との関係と絡み合いながら効果の大きさが変化しました。性別は最も強い単一変数でしたが、上位の相互作用には一度も入りませんでした。研究チームの解釈に従えば、性別は単独で大きく押す変数であり、問題のあるインターネット利用は他の条件と重なったときに大きくなる変数です。
複雑なモデルがほとんど勝てなかったことも結果です
論文のタイトルに入った機械学習モデル3つは、ロジスティック回帰をごくわずかにしか上回りませんでした。学習用データの中で交差検証を10回繰り返したとき、分類性能を0.5〜1の間で示すAUC7は、ロジスティック回帰が0.817、ブースティング系モデル3つが0.822前後でした。別途取り分けておいた試験データでも、差は0.005〜0.006程度でした。統計的には有意だったものの、研究チーム自身がその大きさは小さいと評価しており、ブースティング系モデル同士では差がありませんでした。
どのモデルが優れているかという問いへの答えは、どのような誤りを避けたいかによって変わりました。0.5を基準値に分けた場合、ロジスティック回帰は実際の利用者をより多く見つけ出した一方で（感度8は約0.76）、利用していない生徒の約4分の1を利用者と分類してしまいました。ブースティング系モデルはそうした誤分類が約5分の1と少なかったものの、実際の利用者をより多く見逃しました。研究チームは、できるだけ多くの利用者を見つけ出すことが目的であればロジスティック回帰が、誤って拾い上げた生徒に面談やカウンセリングといった資源が投入される状況であればブースティング系モデルの方が適しているかもしれないと書いています。そして、いずれの場合も個々の生徒を選び出すために使ってはならないという注意書きを改めて付け加えています。
限界についても研究チーム自身が記しています。学校に通う生徒のみを調査対象としており、回答はすべて自己申告です。欠損のある回答者を除外する過程で、危険行動の多い生徒がやや少なめに含まれた可能性があります。標本の重み付けや調査設計を反映していないため、スペインの青少年全体に広げて読む際にも注意が必要であり、他国に当てはめる際にはさらに注意が必要です。
韓国では同じ時期、AIキャラクターチャットが国政監査の俎上に
この論文が扱ったのは、ポルノという既存メディアです。AIチャットボットは変数に入っていません。けれども今、韓国で10代のデジタル利用をめぐって最も熱い論争になっているのは、AIキャラクターチャットです。
AIと愛・友情を分かち合う「中毒」…急成長するキャラクターチャット、10代保護装置を導入AIキャラクターと会話するキャラクターチャットサービスが、青少年保護のために1日の利用時間3時間、月決済10万ウォンの制限措置を導入します。これは、青少年の過度没入と有害な会話の問題が国政監査で指摘されたことへの対応です。業界は安全フィルターの強化とあわせ、青少年のための安全なサービス環境づくりを進めています。2026年10月12日、国会科学技術情報放送通信委員会傘下の放送メディア通信委員会の国政監査で、スキャッターラボの「ゼタ」、Wrtnの「クラック」、そして「ベイビーチャット」が並んで取り上げられました。イ・ジュヒ議員は、ゼタの月間利用時間が約1億1,000万時間とChatGPTの2倍を超え、利用者10人中9人が10〜20代だと指摘しました。報道によれば、9月末時点のゼタの月間アクティブユーザーは148万人で、このうち19歳以下が25.7%を占めています。
議員室による点検結果も公開されました。キム・ソンミン議員室は、成人認証なしで青少年向けセーフモードをオンにした状態でも、自傷・自殺を描写する会話が生成されたと明らかにしました。ファン・ジョンア議員室は、成人認証なしで未成年キャラクターが登場する性搾取シナリオが生成され、ブロックされた後にはAI自らフィルターを回避する表現を提示することもあったと明らかにしました。AIキャラクターチャット関連の審議申告119件のうち76件がいまだ処理中であり、ベイビーチャット関連の申告の1件は494日目になっても結論が出ていないという指摘も出ました。
政府省庁も動きました。韓国の性平等家族部は10月15日、一部キャラクターチャットボットの応答を点検した結果、性的描写、暴力、自傷・自殺と犯罪助長の応答が確認されたと発表しました。青少年に不適切なキャラクターは成人認証の有無に応じて検索・推薦・会話の範囲を調整し、自傷・自殺を扇動したり犯罪を助けたりする応答は利用者の年齢にかかわらず生成されないようにせよと事業者に要請しました。放送メディア通信審議委員会は10月21日、AIチャット事業者15社と面談し、入力・出力双方での有害コンテンツ検知を強化するよう求め、11月から本格的な審議に入ります。
事業者側の回答は似通っているようです。スキャッターラボは、正常な表現まで遮断しないよう検知基準をあえて緩めに設定しており、会話全体の文脈ではなく応答一つひとつをフィルタリングしてきたと説明しました。そのうえで、間接的な表現まで捕捉できるよう検知を強化し、文脈ベースの検知モデルを配備し、青少年の1日あたりの基本利用時間3時間と月決済上限10万ウォンを設けるとしました。Wrtnの「クラック」も9月に、青少年は1日最大3時間、月10万ウォンの上限を発表しており、上限を超える場合は保護者認証と同意を経て追加利用を認める計画です。強化された方針は2027年初めから適用されます。
二つの話を重ねてみると
まず線を引いておきますね。スペインの論文の結果を、韓国のキャラクターチャット利用者にそのまま当てはめることはできません。国も時点も媒体も違います。キャラクターチャットの利用を、ポルノ利用と同じ行動として見ることもできません。アメリカの調査では、10代のチャットボット利用の相当数が遊びや創作に近いという結果が出ていて、その話は第79号で扱いました。それでも二つの話を重ねてみると、いくつかの問いがはっきり見えてきます。
出力物だけを見るか、使い方も見るか
今の韓国の対応は、ほとんどが出力物を狙っています。どんな対話が生成されてはいけないか、どんなキャラクターが青少年に推薦されてはいけないか、という点です。これは必ず必要です。未成年キャラクターの性的搾取シナリオや自傷を煽る応答は、どの利用者にも出てきてはならないからです。
ところがスペインのデータで大きく動いた変数の一つは、コンテンツではなく使い方のほうでした。 やめにくく、睡眠を削り、感情から逃げるために接続するパターンです。事業者側が打ち出した1日3時間の上限は、この部分を狙った装置です。ただし、3時間という基本値をどんな根拠で決めたのかは、これまでの報道には出てきません。韓国インターネット自律政策機構（KISO）の自律規制ガイドライン案も、1日の利用時間は事業者の裁量に委ねています。
システムを試すことと、子どもたちを理解すること
国政監査と省庁の点検は、このシステムが何を生み出しうるかを確認しました。レッドチーム9方式の試験です。スペインの研究は、どんな学生がどんな条件下でその行動を取るのかを見ました。二つの問いは、それぞれ異なるデータを要求します。前者は事業者と規制機関がシステムを叩いてみれば確認できますが、後者は、利用実態と睡眠、家族関係、その他の危険行動を同じ学生に対してまとめて尋ねる調査がなければ分かりません。
消す投稿がないコンテンツ
韓国の女性家族部は、キャラクターチャットの対話が外部に公開されないため個別の削除要請が難しいとして、事業者の自主的な改善を要請したと説明しています。投稿を見つけて削除するという既存の方式が、一対一でその都度生成される対話にはうまく合わないという意味です。ポルノサイトであれば接続遮断や投稿削除という手段がありますが、キャラクターチャットでの問題は、同じキャラクターが利用者の入力に応じて毎回異なる対話を作り出す点にあります。
Oswarldの視点
この論文で最も居心地悪く読める一文は、親の統制についてです。家の中でも外でも、親がどれだけ統制しているかは、他の要因と合わせて見ると10代のポルノ利用をほとんど説明できませんでした。一方で、家族間の葛藤があるかどうか、父親・母親との関係がどうかは、特に女子生徒側でより大きな部分を占めていました。統制の量よりも関係の状態のほうが多くを物語る、という読み方ができます。もちろん横断データなので因果関係と断定することはできません。
だからこそ、キャラクターチャット対策で保護者同意が組み込まれている点が気にかかります。上限を超える際に保護者が認証し同意する仕組みは必要です。しかし、その同意手続きが親と子の間の対話の代わりになるわけではありません。すでに葛藤がある家庭では、同意の要請がまた一つの揉め事になることもあり得ます。
基本値についても触れておくべきだと思います。第200号でスマホのインターネット遮断実験を扱った際、行動を変えるのは決意ではなく決意が要らない環境だと書きました。1日3時間というのは事業者が定めた基本値です。この数字が子どもたちの睡眠や生活を基準に定められたのか、それとも利用時間や売上指標を大きく損なわない範囲で定められたのかによって、同じ仕組みでも機能の仕方は変わってきます。自主規制が利用時間を事業者の裁量に委ねるのであれば、少なくともその基本値をどのようなデータで定めたのかは公開するよう求められると考えます。
最後はモデルの話です。年齢を推定したり、危険な利用者を選別したりするモデルを導入しようという話が出てくるかもしれません。この論文は、3万人を超える良質なデータを使っても、モデルが利用者4人に1人を見逃したり、利用していない生徒4人に1人を利用者だと誤判定したりし得ることを示しています。どちらの誤りを減らすかは技術選択のように見えて、実際には政策選択です。第116号で、発表された数字が何を測定したものなのかをまず問うべきだと書いたのと同じ問いを、今回はモデルの誤り率に向けなければなりません。
おわりに
スペインの研究は、10代のポルノ利用が問題的インターネット使用、飲酒と大麻、家族間の対立とセットになって現れることを示しました。韓国のキャラクターチャット論争は、今は「何が生成されてはいけないか」に集中しています。その問いはどうしても必要ですが、その隣に「どんな子どもたちがどんな状態でそのチャット画面を開いているのか」を問うデータが揃ってこそ、対策は空回りしにくくなるはずです。
💬 読者さんは、身近な10代のデジタル利用が心配になったとき、「何を見ているか」と「どう使っているか」のどちらを先に見てしまいますか？
📨 お子さんや生徒のキャラクターチャット利用について悩んでいる方に、この記事を届けてください。
参考資料と関連リンク
主要出典
- De Andrés-Sánchez, J., Belzunegui-Eraso, Á., Pastor-Gosálbez, I., & Sánchez-Aragón, A. (2026). “Predicting Pornography Use Among Adolescents in Spain: Findings from Ensemble Tree Models and Explainable Machine Learning.” Computation, 14(8), 177. 論文を見る ……オープンアクセスです。性別ごとに分けたSHAP順位表（表8）と5章の限界の部分を先にご覧になることをおすすめします。
- デジタルトゥデイ、「[国政監査2026] 「保護モードをオンにしても自傷・性搾取の会話……AIキャラクターチャット、青少年保護が不十分」」、2026.10.12. 記事を見る ……議員室別の点検結果と申告処理の遅延数値の出典です。
- AIタイムズ、「国政監査で「AIキャラクターチャットボット、青少年保護に穴」との指摘……規制が急進展か」、2026.10. 記事を見る ……ゼータの月間利用者数と、スキャッターラボの釈明・改善計画がまとめられています。
- ZDNet Korea、「[AIは今] 韓国のキャラクターチャット二強、青少年利用に安全装置」、2026.10.12. 記事を見る ……ゼータとクラックの利用時間・決済上限を比較できます。
- アジア経済、「性平等部「AIキャラクターチャットボット、犯罪・違法行為の助長を確認……青少年保護を強化」」、2026.10.15. 記事を見る ……韓国の性平等家族部の点検方法と要請事項の出典です。
- ZDNet Korea、「AIチャットで性的な会話・扇情的なキャラクターが拡散……11月に審議」、2026.10.21. 記事を見る ……韓国の放送メディア通信審議委員会の事業者懇談会と審議日程についてです。
背景知識
- マネートゥデイ、「青少年が好んで使うAIチャットアプリ、扇情性に関する苦情が殺到しているのに……政府調査は「0件」」、2026.8.21. 記事を見る ……国政監査の2か月前、生成AI利用者保護ガイドラインがどのような状態だったかを示しています。
合わせて読みたい過去号
- 第79号 アメリカの10代はAIチャットボットをどう使っているか ……10代のチャットボット利用が実際どのような姿なのか、遊びと危険の間の隙間を扱いました。
- 第116号 オーストラリアの青少年SNS制限、アカウント数の次に確認すべきこと ……禁止政策の成果指標が何を測定していたのかを検証した号です。
- 第200号 スマホをやめると言った467人、続いたのは119人 ……意志よりも環境設計が利用行動を変えるという実験を扱いました。
📝 用語解説
각주
-
ESTUDES：スペインの薬物・依存症観測所（OEDA）が2年ごとに14〜18歳の中等学生を対象に実施する全国調査です。本来は薬物使用を見る調査ですが、インターネット使用のような行動嗜癖に関する項目も一緒に尋ねています。 ↩
-
ロジスティック回帰：結果が「はい・いいえ」のどちらか一方である場合に、各変数がその確率をどれだけ上げたり下げたりするかを推定する統計モデルです。計算過程が透明で解釈しやすいのが利点です。 ↩
-
勾配ブースティング：小さな決定木を何本も順に積み重ねながら、前の木が間違えた部分を次の木が補うようにする機械学習の手法です。変数間の複雑な関係をうまく捉えられる一方で、結果をそのまま解釈するのは難しくなります。 ↩
-
SHAP（Shapley Additive Explanations）：モデルの予測一つひとつについて、各変数がその予測をどれだけ上または下に押し上げたかを分解して計算する説明手法です。予測への寄与を示すだけで、原因を証明するものではありません。 ↩
-
横断調査：同じ人々を一時点で一度だけ調査する方式です。二つの特徴が同時に現れるかどうかは見られますが、どちらが先でどちらが原因なのかはわかりません。 ↩
-
オッズ（odds）：ある出来事が起こる確率を、起こらない確率で割った値です。確率と似ているようで同じではないため、オッズが92.8%低いという表現を、確率が92.8ポイント低いという意味に読み替えてはいけません。 ↩
-
AUC：モデルが利用者と非利用者をどれだけうまく区別できるかを0.5〜1の範囲で表す指標です。0.5ならコイン投げと同程度で、1に近いほどうまく区別できます。 ↩
-
感度・特異度：感度は実際の利用者のうちモデルが利用者と正しく判定した割合、特異度は実際の非利用者のうち非利用者と正しく判定した割合です。基準線をどこに置くかによって、一方を上げればもう一方が下がる関係にあります。 ↩
-
レッドチーム：攻撃者の立場からシステムをあえて突いて弱点を見つける点検方式です。AIサービスにおいては、有害な応答を引き出そうとさまざまな入力を試みる作業を指します。 ↩
あなたの視点が次の号をつくります
この号で最も共感した点、あるいは違う経験をした点はどこですか。