社会的影響：モデルと言語を横断するClaudeの価値観

社会的影響 Claudeの価値観：モデルと言語を横断して 2026年7月13日 Claudeが、普遍的な正解のない質問――例えば、新しい仕事を受けるべきか、友人との対立をどう処理すべきか――をされたとき、Claudeの応答は必然的に特定の価値観を反映します。Claudeに反映させたい価値観は、Claudeの憲法で大まかに概説されていますが、Claude.aiで毎日行われる何百万もの会話に現れる可能性のあるあらゆる価値観を、一つの文書で予測することはできません。代わりに、私たちはClaudeの応答に「文脈に応じて適用できる、優れた判断力と健全な価値観」を育むことを目指しています。 Claudeが表現する価値観、そしてそれらが異なる文脈でどのように変化するかを、具体的にどのように研究するのでしょうか？以前の研究では、70万件の匿名化されたClaude.aiの会話を分析し、Claudeの応答に3,000以上の distinct な価値観と、それらがどれくらいの頻度で表現されたかを特定しました。しかし、これほど多くの価値観のリストは、理解するのが困難です。この研究では、これらの数千の価値観を、Claudeの応答における主要なパターンを捉える少数の軸に圧縮することで、研究を扱いやすいものにします。各軸は、例えば、感情的な温かさに関連する価値観と、厳密さに関連する価値観という2つの価値観のグループ間の数直線であり、Claudeがその線上のどこに位置するかは、Claudeがどの価値観に傾いているかを示します。 このアプローチを適用して、Claudeが表現する価値観が2つの要因によってどのように変化するかを測定しました。第一に、モデル間でClaudeが表現する価値観がどのように変化するかを比較しました。各Claudeモデルは、キャラクターのトレーニングにおけるわずかに異なるアプローチと、他の多くのファインチューニングの決定を反映しています。私たちの価値軸アプローチは、モデル間の違いを定量化するため、最終的にはClaudeが表現する価値観のばらつきを異なるトレーニング決定に結びつけることができるかもしれません。 第二に、人々がClaudeと話す多くの言語を横断するユーザーの経験がどのように比較されるかを理解したいと考えています。以前の研究では、Claudeは異なる言語でやや異なるように振る舞うことが示されています。私たちは、Claude.aiで最も一般的な20言語におけるClaudeが表現する価値観がどのように変化するかを理解するために、私たちの価値軸アプローチを適用します。 図1：Claudeが表現する価値観は、Opus 4.6とOpus 4.7の間、および英語とアラビア語の間で異なります。Opus 4.6は、配慮、厳密さ、簡潔さ、実行に関連する価値観を表現する傾向があり、Opus 4.7は、慎重さ、厳密さ、深さ、率直さに関連する価値観を表現する傾向があります。英語では、Claudeは慎重さ、厳密さ、深さ、率直さに関連する価値観を表現する傾向がありますが、アラビア語では配慮、温かさ、簡潔さ、実行に関連する価値観を表現する傾向があります。 私たちは以下を発見しました： 4つの主要な軸が、Claudeの価値観の15%のばらつきを捉えます： 配慮対慎重：Claudeが相手の要望に応じることに傾くか、潜在的なリスクや危害を防ぐことに傾くか。 温かさ対厳密さ：Claudeが相手への肯定的な感情や配慮を表現することに傾くか、正確性と精度を強調することに傾くか。 深さ対簡潔さ：Claudeが詳細に説明することに傾くか、求められたことだけを行うことに傾くか。 率直さ対実行：Claudeが自身の不確実性を前面に出すことに傾くか、より洗練された自信のある回答を生成することに傾くか。 これらの軸における価値観のプロファイルは、モデルの性格の認識と一致します。Sonnet 4.6は特に温かいと認識されており、Opus 4.7は厳密さで知られています。各モデルの価値観プロファイルは、これらの主観的な評価を反映していることがわかりました。Sonnet 4.6はユーザーへの配慮と感情的な温かさをより多く表現する傾向があり、Opus 4.7は正確性と精度への集中、および誤用に対する防御に焦点を当てる傾向があります。 Claudeが表現する価値観は、言語によって異なります。Claudeが英語で話すとき、ポルトガル語、インドネシア語、または中国語で話すときとは異なる価値観を強調します。最も大きなばらつきは、温かさ対厳密さの軸に見られ、Claudeはアラビア語とヒンディー語で最も温かさに関連する価値観を表現する傾向があり、英語とロシア語で最も厳密さに関連する価値観を表現する傾向があります。 このアプローチにより、なぜモデルや言語によって価値観がシフトするのかを問い始め、行動トレーニングや文化的文脈などの要因がClaudeが表現する価値観にどのように影響するかをより良くテストできるようになります。 価値観の巨大な空間をどのように解釈するか？ 最終的な目標は、Claudeが表現する価値観と、それらが文脈によってどのように変化するかを経験的に理解する方法を持つことです。この研究では、モデルと言語の間で価値観がどのように変化するか、特に焦点を当てています。しかし、以前の研究「Values in the Wild」では、Claudeによって表現された3,000以上の価値観を特定しました。これらの数千の価値観を一つずつ比較することは扱いにくく、より広範な傾向を不明瞭にしてしまうでしょう。 価値観の比較を容易にするために、私たちは価値軸を構築しました。これは、どの価値観が実際の会話で一緒に現れる傾向があるかに基づいて、それらの数千の価値観をいくつかの根本的な次元に削減します。例えば、「温かい」と特徴づけられるClaudeの応答は、しばしば「励ます」や「肯定的」とも特徴づけられます。これらの「温かい」応答は、「厳密」や「正確」とはあまり特徴づけられません。温かさから厳密さへの軸を構築することで、これらの関連価値観のグループ――一方の側に温かさ関連の価値観、もう一方の側に厳密さ関連の価値観――を整理することができ、Claudeが会話でどのように相手と対話するかという重要な側面を捉えます。もしClaudeが会話で厳密さ関連の価値観よりも温かさ関連の価値観を多く表現する場合、その会話はこの軸の温かさ側に位置し、逆もまた同様です。これは、両端の価値観グループが相互排他的であることを意味するものではありません――Claudeは同じ会話で温かさと厳密さを表現することができます。しかし実際には、Claudeが軸の一方の側の価値観を多く表現するほど、他方の側の価値観を表現する傾向は少なくなります。これらの軸により、数千の個別の価値観の変化を追跡することなく、Claudeが表現する最も顕著な価値観グループを比較することができます。 価値軸を構築するために、私たちは「Values in the Wild」で特定された3,307の価値観から始め、意味が似ているものを手動でクラスタリングし、339の高レベルな価値観の短いリストを作成しました。次に、プライバシー保護分析ツールを使用して、ユーザーがClaudeに主観的なタスクを与えた309,815件のClaude.ai会話をサンプリングしました。私たちのサンプルは、3つのモデル（Sonnet 4.6、Opus 4.6、Opus 4.7）とClaude.aiで最も一般的に使用される20言語から均等に抽出され、モデルと言語のペアごとに約5,000件の会話が得られました。各会話について、ツールはClaudeを使用して339の高レベルな価値観のそれぞれが存在するかしないかをラベル付けしました。ユーザーが表現した価値観、および会話のタスクとトピックを特定するためにも同じプロセスに従いました。その後、次元削減を適用しました。これは、ラベル付けされた価値観を、Claudeが一緒に表現する傾向があるものに基づいて軸に圧縮する技術です。方法の詳細、プロンプト、追加分析、および制限については、付録を参照してください。 これにより、Claudeが表現する価値観が会話ごとにシフトする主要な方法を表す4つの軸が残りました： 配慮対慎重の軸は、受容や好意の尊重といった価値観と、責任あるガイダンスや危害軽減といった価値観を対比させます。 温かさ対厳密さの軸は、肯定的なフレーミングや励ましといった価値観と、正確性や透明性といった価値観を対比させます。 深さ対簡潔さの軸は、ニュアンスや批判的思考といった価値観と、簡潔さやコンプライアンスといった価値観を対比させます。 率直さ対実行の軸は、誠実さや透明性といった価値観と、結果志向や最適化といった価値観を対比させます。 ユーザーが尋ねている内容や尋ね方による違いではなく、Claudeが表現する価値観を測定していることを確認するために、各会話のタスク、トピック、およびユーザーが表現した価値観を制御しました。 図2：Claudeが表現する価値観の最も大きなばらつきを表す4つの価値軸。各軸は2つの価値観グループ間の数直線です。各価値観は、平均価値観の共起よりもどれだけ多く軸に寄与するかによって、各軸上の位置が決まります。