生成検索の受容構造に関する先行研究レビュー― 供給側LLM-IRと需要側行動の統合による Algorithmic Legitimacy Shift（ALS）の定義 ―

kanna qed
1月23日
読了時間: 10分

1. エグゼクティブ・シンセシス：供給と需要の統合視点

本レポート（第2回）は、生成検索の「需要側（ユーザーの行動・受容メカニズム）」に焦点を当てた体系的な文献レビューである。前回報告した**「生成検索／LLM-IRに関する文献レビューと構造的限界（供給側）」**が、検索システムの技術的変容（Neural IRからLLM-IRへ）を扱ったのに対し、本稿ではその技術がユーザーの認知と行動をどのように変容させているかを分析する。

「供給側の仕様」と「需要側の観測」を統合することで、Algorithmic Legitimacy Shift (ALS) を以下の2つの層（行動層と理論層）で定義する。

定義1：ALS-B（行動変容 / 観測事実） ブラウジングログ等のデータにおいて観測される、検索受容行動の構造的変化。具体的には、生成要約の提示が、外部情報源への検証行動（外部サイトへのクリック等）の低下および早期のセッション終了率の上昇と関連している現象を指す。定義2：ALS-T（正統性の移転 / 仮説メカニズム） ALS-Bを説明する理論的メカニズム。ユーザーの認識論的信頼（Epistemic Trust）が「情報源に基づく検証」から「生成された回答の完結性・流暢性・説得力」へと移転（Legitimacy Transfer）する現象。この移転は、経済的インセンティブ（合理的無知）と認知的バイアスの双方によって、検証行動を抑制する。

1.1 方法論 (Methodology)

厳密性を担保するため、本レビューは計算機科学、認知心理学、情報システム学を横断する構造的統合アプローチを採用した。

データソース: ACM Digital Library, ACL Anthology, Google Scholar, および信頼できる業界レポート（Pew Research Center等）。システム仕様については検索プロバイダ（Google Search Central, Perplexity Help）の公式文書を使用。
調査期間: 2019年～2026年（LLM時代に焦点）、ただし基礎理論（自動化バイアスや合理的選択理論など1950年代～1990年代）については例外とする。
キーワード: "generative search", "AI Overviews click", "zero-click", "automation bias", "processing fluency truth", "LLM persuasiveness", "hallucination acceptance".
エビデンス分類 (Claim Taxonomy): 各セクションの証拠レベルを区別するため、以下の分類を適用する：
- [公式文書/Documented]: 公式仕様書またはポリシー文書（例：Google AI機能）。
- [観測データ/Observed]: 行動ログまたは定量的測定（例：Pewデータ）。
- [査読研究/Peer-Reviewed]: 査読付き会議・ジャーナルでの知見（例：ICLR, NHB, MISQ）。
- [仮説/Hypothesis]: 著者らによって提案された理論的メカニズム（例：ALS-T）。
- [解釈/Interpretation]: 観測事実を理論に接続する論理的推論（因果関係は断定しない）。

2. 生成検索とGEO：回答エンジンへの移行

Claim Type: 公式文書 (Official Specs) & 観測データ (Behavioral Data)

2.1 インターフェースの移行：ナビゲーションから消費へ

[公式文書] 主要な検索プロバイダは、検索結果ページ（SERP）の構造を物理的に変更している。Googleは「AI Overviews」を導入し、「AI-only」検索モードのテストを行っており、これらは従来の検索結果の上部に統合された回答を提示する [1][2][3]。同時に、Perplexityのような独立型回答エンジンは、対話型インターフェースを通じて引用付きの回答を提供する [4]。 [解釈] 「10本の青いリンク」をナビゲートさせる従来のインターフェースとは異なり、これらの機能はSERP上で情報ニーズを直接充足させるよう設計されている。この構造変化は、デフォルトのインタラクション経路を「リンク・ナビゲーション」から「サマリー消費」へと変化させる。 (C1)

2.2 検証行動の減少（観測）

[観測データ] Pew Research Centerによるブラウジングログ分析（2025年3月、米国、n=900）は、ALS-Bの実証的証拠を提供している。Google検索結果ページへの訪問において、外部ウェブサイトへのクリック（Outbound clicks）が発生する割合は、AI要約が表示されていない場合の 15% に対し、表示されている場合は 8% に留まる。さらに、AI要約内の引用リンクへのクリックは、そのような訪問のわずか 1% でしか発生しない。結果として、検索ページ上でブラウジングセッションを終了する割合は、AI要約がある場合 26% に上昇する（なしの場合は16%） [5]。（注：「セッション終了」は、SERP訪問後のブラウザ終了または5秒以上の非アクティブ状態と定義される。クリック分類は、従来のオーガニックリンクとAI要約内の引用を区別している。）

[解釈] これらの観測結果は、**「検証コストの構造的増大」**という仮説と整合する。UIは検索の認知的労力を低減させる一方で、一次情報を検証するために必要なフリクション（手間）を相対的に高めており、その結果「満足化（Satisficing）」が経済合理的に支配的な戦略となる。※観測された相関は因果関係を特定するものではないが、ALS-Bと整合する行動的証拠として扱う。 (C2)

リサーチ・ギャップ:先行研究の限界: 「生成エンジン最適化（GEO）」の研究 [6] は、生成出力における可視性（引用される確率）を高めるコンテンツ特徴に焦点を当てているが、ユーザーが実際にそれらの引用をどう利用するかは測定していない。未測定の変数: 引用リンクが存在するという条件下での、実際の検証確率： $P(verify \mid ui\_friction, perceived\_completeness)$ 。

3. HCIと認知科学：自動化バイアスと流暢性

Claim Type: 査読研究 (Foundational/Cognitive) & プレプリント (Emerging)

3.1 自動化バイアスと真実性の錯覚

[査読研究] 「自動化バイアス（Automation Bias）」とは、自動化された支援システムを過度に信頼する傾向として定義される [7]。生成AIの文脈において、このバイアスは**処理流暢性（Processing Fluency）**によって強化される。認知心理学の研究は「真実性の錯覚（Illusory Truth Effect）」を確認しており、処理が容易な（流暢で一貫性のある）情報は、その正確性とは独立して、真実であると判断されやすい [8][9]。 [解釈] ALS-Tは、LLMの言語的流暢性が妥当性のヒューリスティックな手がかりとして機能し、検証への認知的トリガーを抑制すると措定する。 (C3)

3.2 認知的オフローディングと批判的思考

[プレプリント/示唆] Kos'mynaら（2025）のような萌芽的研究は、AI支援タスクにおいて、生成物に対する自己報告による当事者意識（Ownership）の低下や、神経マーカー（EEG）の変化が見られることを示唆している [10]。 [解釈] この証拠は予備的（未査読）であるが、批判的評価がシステムに外部委託される「認知的オフローディング」の概念と整合する。注：本稿ではこれを補助的な示唆的証拠として扱う。

3.3 ELIZA効果と社会的受容

[査読研究] 「ELIZA効果」 [11] は、ユーザーが単純なコンピュータプログラムに対して人間的な理解能力を帰属させる現象を指す。 [仮説] 現代のLLMは、対話的なトーンによって懐疑心を低下させる**「社会的自動化バイアス（Social Automation Bias）」**として、この効果を再活性化させていると仮説立てる。

4. IRとNLP評価：事実性と説得力の乖離

Claim Type: 査読研究 (Evaluation Metrics & Psychology)

4.1 独立した目的関数としての説得性

[査読研究] ICLR 2025 [12] および Nature Human Behaviour [13] に採択された研究は、「説得性（Persuasiveness）」が「事実性（Factuality）」とは異なる特性であることを示している。形式的には、LLMの最適化目的関数は説得スコア $S_{persuasion}(response, user)$ を最大化するものとしてモデル化でき、これは事実性スコア $S_{factuality}(response, ground\_truth)$ によって制約されない。 [結果] Salviら（2025）は、GPT-4が制御されたディベート環境において、特に論点が個別化（パーソナライズ）された場合、人間よりも高い会話的説得力を達成するという実証的証拠を提供している [13]。 (C4)

4.2 「危険地帯」（リスク臨界領域）

[提案フレームワーク] 我々は、**「低事実性 × 高説得力」の象限を「危険地帯（Danger Zone / Risk-Critical Region）」**と定義する。

	低・説得力 (Low Persuasiveness)	高・説得力 (High Persuasiveness)
高・事実性	安全だがドライ	理想的状態
低・事実性	エラーとして検知可能	危険地帯 (ALSリスク)

G-Eval [14] のような既存指標は出力品質を評価するが、この危険地帯内におけるユーザーの**騙されやすさ（Gullibility）**をモデル化していない。

5. 経済理論：合理的無知と停止ルール

Claim Type: 理論適用 (Classical Theory)

5.1 生成環境における停止ルール

[査読研究] Browneら（2007）は、情報探索を終了するための「停止ルール（Stopping Rules）」を確立した [15]。情報採餌理論（Information Foraging Theory） [16] の下では、ユーザーは単位コストあたりの価値獲得率を最大化する。 [理論適用] 検証の知覚コスト（新しいタブを開く等）が期待される利益を上回る場合、ユーザーは合理的に**「合理的無知（Rational Ignorance）」（Downs, 1957 [17]）を選択し、検証を行わずに探索を終える「満足化（Satisficing）」**（Simon, 1955 [18]）を採用する。 (C5)

6. 実験デザイン提案（リサーチ・ギャップへの対処）

ALSを検証するため、以下の具体的な実験デザインを提案する。

実験1：視覚的完結性が検証行動に与える影響（ALS-Bの検証）

独立変数 (IV): AI要約の視覚的完結性（低：短いテキスト / 高：構造化され、リッチなフォーマットを持つ長いテキスト）。
従属変数 (DV): 外部クリック率（Outbound CTR）、セッション終了までの時間（Pew定義）。
識別: ライブトラフィックでのランダム化A/Bテスト。
仮説: 視覚的完結性が高いほど、外部CTRは低下する（負の相関）。

実験2：危険地帯における説得性と事実性（ALS-Tの検証）

IV: 事実性（真/偽） $\times$ 説得力（低/高：トーンや長さで操作）。
DV: ユーザー受容率（誤情報の検知失敗率）。
識別: $2 \times 2$ 要因配置による制御されたユーザー実験。
分析: ユーザーレベルで標準誤差をクラスタリングしたロジットモデル。

7. ALS（アルゴリズム的正統性移転）の全体像と結論

Claim Type: 概念的統合 (The Unified Model)

本レビューは、供給側の仕様と需要側の観測を統合し、ALSモデルを確立した。

確立された事実 [観測/公式文書]: 生成回答へのインターフェース移行は、検証クリックの測定可能な低下および早期のセッション終了と関連している（Pew; C1, C2）。
支持された知見 [査読研究]: LLMは事実性とは独立して説得力を最適化可能であり、言語的流暢性は真実性の判断を強化する（ICLR, NHB, Psych; C3, C4）。
仮説 [ALS-T]: これらの要因は、危険地帯において「合理的無知」と「流暢性ヒューリスティック」が検証を抑制する、正統性の移転（Legitimacy Transfer）を促進する（C5）。

結論: ALSは単なる技術的な更新ではなく、正統性がどのように構築され消費されるかという社会技術的なシフトである。今後の介入は、合理的無知に対抗するために、UI内での「検証の経済性」を再設計することに焦点を当てなければならない。

参考文献

[公式文書 / Documented]

Google. (2024). "Generative AI in Search: Let Google do the searching for you." Google The Keyword Blog.
Google. (2024). "AI Overviews: About AI features in Search." Google Search Central.
Google. (2025). "AI Mode in Search: Experiments and Details." Google Search Help.
Perplexity. (2025). "Citations and Sources." Perplexity Help Center.

[観測データ / Observed] 5. Pew Research Center. (2025). "About 1 in 5 Google search queries now lead to AI Overviews." Pew Short Reads. (Methodology: Log-based analysis, March 2025).

[査読研究 / 古典理論] 6. Aggarwal, P., et al. (2024). "GEO: Generative Engine Optimization." Proceedings of KDD '24. https://doi.org/10.1145/3637528.3671900 7. Parasuraman, R., & Riley, V. (1997). "Humans and Automation." Human Factors. 8. Reber, R., & Schwarz, N. (1999). "Effects of Perceptual Fluency on Judgments of Truth." Consciousness and Cognition. 9. Unkelbach, C. (2007). "The unintuitive origin of fluent truth." Journal of Experimental Psychology. 10. Kos'myna, N., et al. (2025). "Your Brain on ChatGPT." Project Website / arXiv Preprint. (Note: Suggestive evidence). 11. Weizenbaum, J. (1966). "ELIZA." Communications of the ACM. 12. Singh, S., et al. (2025). "Measuring and Improving Persuasiveness of Large Language Models." ICLR 2025. 13. Salvi, F., Horta Ribeiro, M., Gallotti, R., & West, R. (2025). "On the conversational persuasiveness of GPT-4." Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02194-6 14. Liu, Y., et al. (2023). "G-Eval." EMNLP 2023. 15. Browne, G. J., et al. (2007). "Cognitive Stopping Rules." MIS Quarterly. 16. Pirolli, P., & Card, S. (1999). "Information Foraging." Psychological Review. 17. Downs, A. (1957). An Economic Theory of Democracy. Harper. 18. Simon, H. A. (1955). "A Behavioral Model of Rational Choice." The Quarterly Journal of Economics.

付録A: エビデンス・マトリクス (査読対応グレード)

Claim ID	主張 (Atomic)	分類 (Class)	情報源	従属変数 (DV)	このデータが示さないこと
C1	消費型へのインターフェース移行	公式文書	[1][2][3]	N/A (UI仕様)	ユーザーの選好 (Preference)
C2	要約は低いクリック率と関連	観測データ	[5]	訪問内シェア, 終了率	因果的な「なぜ」(満足 vs 諦め)
C3	流暢性は真実判断を高める	査読研究	[8][9]	真実性評価 (Rating)	LLM生成テキスト特有の効果
C4	LLMは説得力で最適化される	査読研究	[12][13]	ディベート勝率	特に「誤情報」の受容率
C5	合理的な非検証行動	理論	[17][18]	N/A (モデル)	検証コストの実証的閾値