Topic 14 — データ倫理 | CDMP 学習ガイド

データ倫理とは

定義: データの収集・管理・利用に関わる行為の倫理的な側面と正しい行動規範を定める領域。

個人・組織・社会全体に関わる問題であり、技術だけでなく法律・文化・哲学にも関連する。

データ倫理の6原則

プライバシーの尊重

Privacy

個人データを適切に保護する

透明性

Transparency

データの収集・利用目的を明示する

公正性

Fairness

アルゴリズム・データの偏見・差別を防ぐ

説明責任

Accountability

データの利用に対する責任を持つ

害の防止

Non-maleficence

データ利用が個人・社会に害を与えない

利益

Beneficence

データ利用が価値・利益をもたらす

アルゴリズムバイアス（Algorithmic Bias）

学習データの偏り
設計の問題

→

不公平な結果
差別・除外

→

公正性（Fairness）
の確保が必要

具体例

採用AIが特定の性別・人種を不当に除外するケース。学習データに含まれる歴史的偏見がモデルに反映される。

例: 過去の採用データに男性が多い場合、AIが女性応募者を低評価する

データプライバシーの主要課題

課題	説明	対策
同意なし収集	個人の同意なしのデータ収集・共有	インフォームドコンセントの取得
目的外利用	収集目的と異なる用途への流用	利用目的の明示・限定（透明性）
再識別化リスク	匿名化したはずのデータから個人が特定される	差分プライバシー・k-匿名化など

インフォームドコンセント

インフォームドコンセント（Informed Consent）

データ主体（個人）が、自分のデータがどのように収集・利用されるかを理解した上で同意する権利。

GDPRでも「自由に与えられた、特定の、十分な情報に基づく同意」を要求している。

再識別化リスク（Re-identification Risk）

匿名化処理を施したデータであっても、複数のデータを組み合わせることで個人が特定されるリスク。匿名化 ≠ 完全な匿名性。

組織の倫理的責任

データ倫理ポリシーの策定
組織全体に適用される倫理規定・行動基準を文書化する

倫理審査委員会の設置
データ利用の倫理的側面を専門的に審査する委員会・担当者を置く

データ倫理教育・研修の実施
従業員に対してデータ倫理の重要性を継続的に教育する

プライバシー・バイアスの継続的監視
AIモデルやデータ処理のバイアス・プライバシー問題を定期的に監査する

⚡ 試験ポイント（必ず押さえる）

データ倫理の6原則: プライバシー / 透明性 / 公正性(Fairness) / 説明責任(Accountability) / 非加害(Non-maleficence) / 利益(Beneficence)
アルゴリズムバイアス = 学習データや設計の偏りによる不公平な結果。公正性の確保が必要
インフォームドコンセント = 理解した上での同意（データ主体の権利）
再識別化リスク = 匿名化データから個人が特定されるリスク
データ倫理は個人・組織・社会全体に関わる問題
公正性（Fairness）が特に重要な場面 = AIモデルが人間の意思決定に影響を与える場合

6つの倫理原則一覧

#	原則（日本語）	英語	ポイント	重要度
1	プライバシーの尊重	Privacy	個人データの適切な保護	最重要
2	透明性	Transparency	収集・利用目的の明示	重要
3	公正性	Fairness	バイアス・差別の防止 ★AI倫理の核心	最重要
4	説明責任	Accountability	データ利用に対する責任	重要
5	害の防止	Non-maleficence	個人・社会への害を与えない	重要
6	利益	Beneficence	データ利用が価値・利益をもたらす	基本

重要キーワード定義

用語	定義
アルゴリズムバイアス	学習データの偏りによる不公平な結果
インフォームドコンセント	理解した上での同意（データ主体の権利）
再識別化リスク	匿名化データから個人が特定されるリスク

組織の倫理的責任（4つ）

1 データ倫理ポリシーの策定

2 倫理審査委員会の設置

3 データ倫理教育・研修の実施

4 プライバシー・バイアスの継続的監視

重要キーワード

プライバシーの尊重透明性公正性（Fairness）説明責任（Accountability） Non-maleficence Beneficence アルゴリズムバイアスインフォームドコンセント再識別化リスク GDPR

よく出る対応関係

シナリオ	関連する原則・概念
採用AIが特定の属性を不当に低評価する	公正性（Fairness）アルゴリズムバイアス
データ収集前に目的を説明し同意を得る	インフォームドコンセント透明性
匿名化データを組み合わせて個人が特定される	再識別化リスクプライバシー
AIモデルが融資審査に影響する場面での倫理問題	公正性説明責任

スコア

0 / 3

Q1. 採用AIが学習データの偏りにより、特定の属性を持つ応募者を不当に低評価するという問題を何と呼ぶか？

正解: B) アルゴリズムバイアス
学習データや設計の偏りから生じる不公平な結果。AI倫理の中核問題であり、「公正性（Fairness）」の確保が求められる。データプライバシー侵害（A）は無断収集・漏洩の問題、データ品質問題（C）は精度・完全性の問題。

Q2. データ主体（個人）が自分のデータがどのように収集・利用されるかを理解した上で同意する権利を何と呼ぶか？

正解: B) インフォームドコンセント
理解した上での同意。GDPRでも「自由に与えられた、特定の、十分な情報に基づく同意」を要求している。データポータビリティ（A）はデータを別サービスに移転する権利、削除権（C）は「忘れられる権利」のこと。

Q3. データ倫理の原則「公正性（Fairness）」が特に重要な場面はどれか？

正解: C) AIモデルが人間の意思決定に影響する場面
採用・融資審査・医療診断などAIが人間の判断に影響する場面で「公正性（Fairness）」が重大な倫理問題になる。バックアップ設計（A）・メタデータ登録（B）・ETLスケジューリング（D）は技術的オペレーション業務であり、倫理的公正性が主題になる場面ではない。