学習分析の説明可能性：納得できないスコアはコーチングにならない

月曜の朝、ある社員が社内学習ポータルを開く。画面には「スキルリスク：高」と三つの推奨講座が表示されている。前四半期は「中」だったのに、なぜ変わったのか。どの行動が根拠になり、未登録のプロジェクト経験はどう扱われたのか。本人には分からない。一方、上司は別の画面で同じスコアを見て1on1を設定する。社員は学習支援を勧められたのか、低評価者として扱われたのかさえ判断できない。

ここで必要なのは、スコア横のヘルプアイコンではない。学習分析の説明可能性とは、本人、上司、人材育成部門が、分析結果の目的、データ根拠、計算範囲、不確実性、利用上の限界、次の行動を理解し、誤りを訂正し、人による再審査を求められるようにする設計である。技術者向けにモデル内部を解説するだけでは足りない。結果を受け取った本人が「なぜ自分にこの結果が出たのか、何を変えられるのか、誤りならどこで直せるのか」に答えられなければならない。

人材育成部門が先に決めるべきことは明確だ。納得できないスコアはコーチングではなく通知であり、訂正できない説明は監視の解説にすぎない。 学習推薦・支援に使う分析と、配置・職能資格・人事評価に影響する分析を分け、本人向けの画面から逆算してデータと運用を設計する必要がある。

問い1　スコアを見せても説明したことにならないのはなぜか

結果の開示と説明は別物である。「リスク78点」は結果を見せただけだ。「直近90日の必須研修未完了と、職務基準上の空白によって上昇した」と添えれば根拠は増える。しかし、データが正しいのか、なぜその基準なのか、本人が何をできるのかは分からない。「職務基準は6か月前の版で、新規プロジェクトは未反映である。本人は実務証拠を追加し、人による確認を依頼できる」まで示して、初めて運用可能な説明になる。ここでの78点、90日、6か月は説明構造を示す仮例であり、研究結果ではない。

説明には少なくとも三つの層がある。

ソースコードや数式をすべて公開しても、この三層の代わりにはならない。複雑な係数表は正確でも本人の疑問に答えないことがある。反対に短い文章でも、目的、根拠、限界、行動、救済手続を正確につなげれば役に立つ。説明可能性は情報量ではなく、その役割の人が適切な判断を下せるかで評価する。

問い2　本人向け画面から逆算すると何を設計すべきか

最初の画面で、結果の性格を一文で明示する。「このスコアは来月の学習支援を優先するための推薦で、人事評価には利用しない」と、「このスコアは職能資格の配置審査で参考にし、指定審査者が最終判断する」は別のシステムである。目的と実際の影響経路が違えば、説明の深さ、審査者、保存期間、異議申立ての期限も変わる。

次に、役割ごとに必要な説明を分ける。

2023年ECISの先行研究で使われた刺激画面は、この差をよく示している。本人画面には自分の集中時間、会議、感情の自己確認などが表示される。一方、チームリーダー画面には、時間外活動や職種別の行動比較が表示される。同じシステムでも、管理職が本人より広い行動情報を持つ構造である。

ECIS 2023先行会議論文のFigure 2。左が従業員画面、右がチームリーダー画面である。2026年の最終誌面と同一の画面・標本であることを意味しない。本稿では情報アクセスの非対称を示す先行刺激資料としてのみ用いる。

本人に管理職画面をそのまま複製すれば解決するわけではない。何をなぜ収集し、どの判断に入り、本人がどのように文脈を追加できるかまで説明する。管理職の可視性を広げるなら、本人のアクセス、訂正、相談の権限も同じ速さで広げられたかを確認する。

問い3　一枚のスキルスコアカードに何を載せるべきか

スコアカードは、数字より先にデータ契約を見せる。最低限、次の九項目が必要である。

1. 目的：推薦、支援、資格確認、リスク検知のどれか。
2. 影響：修了、配置、評価、報酬、懲戒に使うか、使わないか。
3. 観察期間：いつからいつまでのデータか。
4. データ源：LMS、課題、現場アプリ、上司観察、本人申告のどれか。
5. 主要根拠：結果に大きく作用した、確認可能な出来事は何か。
6. 基準と比較集団：職種、等級、地域、雇用形態のどれと比べたか。
7. 不確実性と欠測：データ不足、古い基準、標本不足、適用範囲外はないか。
8. 次の行動：学習、実務課題、1on1、証拠追加のどれを選べるか。
9. 訂正と異議申立て：担当者、必要な証拠、処理期限、結果通知、復旧はどう進むか。

主要根拠を、原因の説明へすり替えてはならない。「研修未完了がスコアを12点下げた」と表示すると、その研修を終えれば実際の能力が12点上がるように読める。モデル内の計算上の寄与なのか、観察された行動なのか、人が承認した判断なのかを分ける。「現在のモデルでは実務課題の証拠がないためリスク信号として扱った」と、「課題をしていないから能力が低い」は違う主張である。

比較集団も見えない設計になりやすい。同じ職種名でも、新入社員と熟練者、本社と現場、正社員と短時間勤務者では学習機会が異なる。スコアは本人の属性のように見えるが、基準集団を誰にしたかの結果でもある。本人が自分の職種・等級マッピングを確認し、誤りを直せるようにする。

問い4　透明にすれば組織への信頼は高まるのか

自動的には高まらない。2026年のInformation & Management論文は、ドイツで働く人を対象にしたシナリオ調査で、People Analyticsの分析能力が記述、予測、処方のいずれであっても、理論モデル上の認識は変わらなかったと報告する。重要だったのは、管理職が社員行動について本人以上の情報を持つ情報非対称である。プライバシー懸念は組織への信頼低下と結びつき、リスク認識は有用性の認識を上回った。情報非対称に気づかなかった参加者の反応は比較的否定的ではなかった。透明性はリスクと便益を判断させたが、その判断に基づいて行動する選択肢は与えなかった。

これは「説明しない方がよい」という意味ではない。隠れた非対称は信頼ではなく、知らされていない状態である。非対称を明らかにしたなら、アクセス権、目的制限、訂正、選択、異議申立て、人による審査も同時に変える必要がある。「会社は多くを知っている」と知らせながら本人には何の権限も与えなければ、説明は監視範囲を確認させるだけになる。

最終論文の先行版に当たるECIS 2023研究は、最初の参加者551人のうち、注意・理解確認を通過したドイツの就業者338人を分析した。構造モデルでは、プライバシーリスクから組織への信頼へのパス係数が−.575、組織への信頼から離職意向への係数が−.596で、離職意向の調整済みR²は56.1%だった。これはシナリオ調査における構造的関連であり、実際の離職の因果効果ではない。2026年の最終論文と標本・係数が同一とも仮定しない。

ECIS 2023先行版のFigure 3とTable 2。プライバシーリスク、信頼、有用性、離職意向の構造的関連を示すが、学習分析スコアが実際の離職を引き起こすという因果証拠ではない。最終誌面の数値として引用しない。

問い5　個別結果の説明で断定してはいけないことは何か

第一に、相関を原因に変えない。「参加頻度の低さがリスクスコアに寄与した」というモデル説明と、「参加が少ないため能力が低下した」という因果主張は異なる。研修参加と成果は、業務量、上司支援、プロジェクト機会、システムへのアクセスにも左右される。

第二に、データ不足を本人の欠点に変えない。LMS記録がないことは、学んでいないことを意味しない。OJT、顧客対応、同僚支援、文書作成といった経験が別システムにあるか、記録されていない可能性がある。反対に、クリック数や滞在時間が多くても熟達とは限らない。「未観察」「未完了」「低い遂行」を別の状態として表示する。

第三に、説明を行動操作に使わない。社員がスコアを上げるため、ログイン時間、クリック、受講数を増やすようになれば、データは改善しても実務能力は変わらない。次の行動は指標を攻略する方法ではなく、実務課題、フィードバック、1on1、証拠追加につなげる。

第四に、不確実性を注記へ追いやらない。標本が少ない、職務基準が古い、新しい役割へモデルを転用したという条件では、スコアより警告を先に見せる。閾値付近では「高／低」と断定せず、範囲と人による確認の必要性を示す。ベンダーが信頼区間を出さなくても、データの完全性、鮮度、適用範囲、検証集団の不足は組織が説明できる。

問い6　異議申立てを問い合わせ窓口で終わらせてよいか

異議申立ては、エラー報告フォームではなく、結果を再判断する学習運用である。

スコア通知
  → 根拠・限界の確認
    → データ訂正または文脈証拠の提出
      → 指定された人の独立審査
        → 維持・修正・取消しと理由の通知
          → 推薦・配置・評価など派生結果の復旧
            → データ・モデル・運用ルールの改善

受付番号だけを発行し、同じモデルが自動再計算するだけなら、人による審査ではない。審査者はスコア作成チームや直接の人事利害関係者と役割を分け、原データ、基準、モデル版、本人の証拠を一緒に確認できる必要がある。判断は維持、修正、取消しのいずれかとして記録し、理由と影響を受けた後続システムを通知する。

訂正範囲は一画面では終わらない。誤った職務コードが、推奨研修、スキルプロファイル、タレントプール、上司レポートへ伝播したなら、すべての派生結果を見つけて復旧する。処理中に不利益な判断を保留する条件も決める。安全資格の期限など事業継続に関わる場合は、暫定的な人の評価と代替学習経路を用意する。

異議申立ての記録はモデル品質の重要な証拠になる。ただし、申立てが少ないから正確だとは言えない。手続が知られていない、不利益を恐れている、説明を理解できない可能性がある。職種、年齢、性別、雇用形態別の申立て率、修正率、処理時間、反復原因を見る一方、少数集団を再識別しない集計基準を設ける。

問い7　AIリテラシー研修をすれば説明責任は終わるのか

AIリテラシーは、社員にモデルを信じる方法を教える研修ではない。どのシステムを何のために使い、結果をどう解釈し、どのようなリスク・限界・権利・人の監督があるかを判断する力である。研修を受けた人だけがスコアを理解できる設計なら、インターフェースが失敗している。本人向け画面は別研修なしでも核心を理解でき、研修は役割別の判断と監督を補うべきだ。

EU AI Officeの公式Q&Aは、AIリテラシーを、組織がproviderかdeployerか、システムのリスク、職員の技術知識・経験・教育の差、利用文脈、影響を受ける人に合わせるよう説明している。最低内容には、一般的なAI理解に加え、組織で使うシステム、リスクと軽減策、法的・倫理的側面が含まれる。一律のeラーニングと修了証だけで十分とはしていない。

EU AI Office Q&AにあるArticle 4関連の最低内容。この画面は、すべての学習分析スコアに同じ法的義務や一般的な説明請求権が生じる証拠ではない。2026年Digital Omnibusの最終公布・発効と、個別システムの適用範囲は別途確認する。

EU AI ActのArticle 86も範囲を限定して読む必要がある。一定のAnnex III高リスクAIシステムの出力に基づく決定が、本人に法的効果または同様に重大な不利益を与える場合、AIの役割と決定の主要要素について明確で意味のある説明を受ける構造である。すべての学習ダッシュボード、推薦、自己啓発スコアへ自動適用される一般条項ではない。教育・職業訓練、雇用・労働者管理の高リスク類型に該当するか、実際の決定と影響は何か、EU法・国内法の他の権利がどう適用されるかは、所管の専門家が確認する。

法の適用にかかわらず、人材育成の運用基準は明快にできる。本人にスコアを見せる、またはスコアによって支援・機会を変えるなら、目的、根拠、限界、次の行動、訂正、人による再審査を用意する。説明を法務注記ではなく学習品質の一部として扱う。

問い8　コーチング用と人事判断用のスコアをどこで分けるか

同じモデルを「参考情報」と呼び、二つの用途に使ってはいけない。コーチングは本人がよりよく学び、仕事を遂行できるよう支援する活動である。本人が目標を理解し、証拠を追加し、別の経路を選び、失敗を安全に示せる必要がある。配置、職能資格、人事評価は機会や処遇に影響する。妥当性、承認、記録、独立した再審査をより厳しく設計する。

用途変更は新規導入として扱う。自己啓発の推薦スコアを、選抜や配置へつなぐなら、以前の周知をそのまま使わない。目的、データ、妥当性、公平性、個人情報、労務、説明、異議申立てを再承認する。管理職画面のCSV出力や手作業の転記も実際の影響経路である。正式なAPIでなくても、人事資料に入れば用途変更になる。

日本企業では、人材育成、People Analytics、個人情報保護、労務、情報セキュリティ、現場責任者が、稟議で禁止用途まで決める。「研修推薦以外には利用しない」と書くだけでなく、人材会議、昇格、低業績者管理、採用、懲戒の資料に含まれないかを権限とログで検証する。法的判断は処理目的と雇用関係に応じて別途行う。

問い9　説明可能性をどのKPIで運用するか

説明画面を実装したという完了率では足りない。三種類の指標を見る。

理解の質では、本人がスコアの目的、主要根拠、禁止用途、次の行動、訂正方法を自分の言葉で説明できるかを確認する。「読んだ」ボタンではなく、短い理解確認とユーザーインタビューを使い、職種、言語、アクセシビリティ条件ごとの差を見る。

手続の質では、説明提供率、データ源表示率、異議申立てから初回応答・終結までの時間、修正・取消し率、派生結果の復旧率、同じ原因の再発率を見る。修正率が高いから直ちにモデルが悪いとは言わず、どのデータ、職務、基準で繰り返すかを調べる。修正率がゼロなら、完全性より手続へのアクセスと独立性を先に疑う。

学習価値では、説明後に適切な学習、1on1、実務証拠の追加を選べたか、実際の遂行証拠が改善したか、助けを求める行動や対話が増えたかを見る。スコアを上げる行動と実務の改善を分ける。受講が増えても、必要な人にレッテルを貼り、質問を減らしたなら成功ではない。

パイロットは、影響の低い推薦一つから始める。一職種、二、三種類のデータ源、一つの観察期間に固定する。スコアを出さず根拠と推薦だけを示す画面と、スコア・根拠を共に示す画面を比較できる。ただし本人に不利益な決定を実験せず、説明理解と行動選択が属性・職種で異ならないかを見る。4〜6週間、訂正と異議申立てを開き、モデル精度より説明失敗の型を分類する。

本番移行の条件は具体的にする。

• 目的と禁止用途が最初の画面で区別される。
• 各個人の結果を確認可能なデータイベントまで追跡できる。
• 欠測、古い基準、適用範囲外が警告として表示される。
• 本人が証拠を追加し、人による再審査を依頼できる。
• 上司がスコアを意欲、態度、潜在力へ拡張解釈しないよう訓練される。
• 訂正が推薦、プロファイル、管理職レポートまで反映される。
• モデル、基準、データ変更時に説明も回帰テストする。
• 停止後もスコアなしで1on1と学習支援を続けられる。

問い10　良い説明は結局、何を変えるのか

良い説明は、スコアをもっともらしくする装飾ではない。本人には自分のデータと文脈を取り戻す権限を、上司には数字の代わりに確かめる問いを、人材育成部門には分析が責任を持てる範囲を与える。「あなたは高リスクだ」を、「現時点で観察された証拠はこれで、欠けている情報はこれ、選べる次の行動と訂正手続はここにある」へ変える。

学習分析は、人を完成した数値へ分類する技術ではない。不完全な証拠を使い、よりよい支援判断を行う運用である。そのため説明可能性の最後の項目は数式ではなく、本人が行動できることになる。理解し、問い、直し、選べないなら、精密なスコアほど強い一方的通知になる。コーチングはスコアを伝えた瞬間ではなく、根拠を共に解釈し、次の行動へ合意した瞬間に始まる。

あわせて読みたい記事

• 研修効果測定の自己報告バイアス：「役立った」を成果と誤認しない
• cmi5学習データ設計：LMS外の業務経験まで証拠としてつなぐ
• 学習データ匿名化の限界：氏名を消しても再識別される理由

出典

1. Miriam Klöpper, Frantz Rowe, People analytics, trust erosion and intention to leave: the role of information asymmetry, Information & Management 63(4), Article 104346, 2026. https://doi.org/10.1016/j.im.2026.104346
2. Miriam Klöpper, Every Break You Take, Every Click You Make — Empirical Insights on Employees’ Perception of People Analytics, ECIS 2023 Research Papers 356. https://aisel.aisnet.org/ecis2023_rp/356/
3. European Commission AI Office, AI Literacy — Questions & Answers, 2025年11月19日最終更新. https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers
4. European Union, Regulation (EU) 2024/1689 — Artificial Intelligence Act. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32024R1689
5. European Commission, AI Act — Shaping Europe’s digital future, 2026年7月20日更新を確認. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

2026年の最終論文はシナリオ調査に基づく認識研究であり、実際の組織導入や離職の因果効果を推定したフィールド実験ではない。ECIS 2023資料は最終論文の先行会議版であり、標本と係数を最終版と同一視しなかった。EU資料は規則の範囲と現時点の立法状況により適用が変わるため、本稿は法的助言ではなく、人材育成運用の基準を提案する。