エグゼクティブサマリー
10年分の日記が手元にあるなら、それは単なる「思い出の束」ではありません。書いた日付、話題、言葉づかい、感情表現、登場人物、行動の記述などが時間に沿って積み上がった、かなり珍しい縦断データです。日記研究や生態学的瞬間評価(EMA)の研究では、日常生活の中で繰り返し記録されたデータは、「その人の平均的な特徴」だけでなく、「その人の中で何がどう変動するか」を調べるのに向いていると考えられてきました(Bolger et al., 2003; Shiffman et al., 2008)。
そしてAIや自然言語処理(NLP)を使えば、日記から、感情語の増減、仕事・人間関係・健康といった話題の移り変わり、週単位・季節単位の周期、文章量や語彙の変化、ある出来事の前後での言語変化などを抽出することは十分可能です。実際、日記やブログの縦断データから心理状態と関連する言語特徴を抽出した研究、長期の個人記録からイベントや変化点を検出した研究、LLMで日記テキストから抑うつリスクを分類した研究などがすでに存在します。
ただし、ここには大事な線引きがあります。AIが見つけやすいのは、「残された文章の中で観察できる規則性」です。「雨の日には仕事の愚痴が増える」「繁忙期には睡眠について書く頻度が上がる」「ある友人と会った翌日はポジティブな表現が増える」といったパターンなら検証できます。一方で、「本当はこの人が嫌いだった」「無意識に承認欲求が強かった」といった内面まで、日記だけから断定することはできません。言葉と心理には関連があり得ても、それは同一ではないからです。ブログの結論を先に言えば、AIは“自分を言い当てる占い師”ではなく、自分の記録に潜む反復・変化・例外を見つける探索装置として使うと、とても面白いのです。
なお、今回想定する10年分の日記について、規模・フォーマットは未指定です。毎日数百字なのか週1回数千字なのか、紙をOCRしたものなのかテキストファイルなのかでも、適切な分析方法は変わります。
日記は「自分についての研究データ」になり得る
日記の最大の強みは、あとから一度に思い出した記憶ではなく、「その時々に近い状態で書かれている」可能性が高いことです。心理学では、半年後に「あの頃はどうでしたか」と尋ねるような回顧的質問は、現在の気分や印象的な出来事に引っ張られることが知られています。EMAは、こうした回想バイアスを減らすため、日常生活の中で現在の経験を繰り返し記録する方法として発展しました(Stone & Shiffman, 2002; Shiffman et al., 2008)。
もちろん、普通の日記は研究用EMAと同じではありません。決められた時間に回答するわけでも、同じ質問に毎回答えるわけでもないからです。それでも、「いつ」「何について」「どんな言葉で」「どれくらい書いたか」が何年も積み上がっていれば、本人内の変化を調べる縦断資料として価値があります。20年以上に及ぶオンライン日記を定量・定性的に分析した研究でも、日記は単なる出来事の記録ではなく、過去や未来について意味づけを行う場として機能していました。
ここで面白いのは、日記では「内容」だけでなく「書き方」そのものもデータになることです。たとえば同じ「仕事が忙しい」という時期でも、ある年には短文が増え、別の年には長い説明が増えるかもしれません。人名が減って「自分」「私」の語が増える時期があるかもしれません。語彙の幅、過去形・未来表現、感情語、疑問形、断定表現なども数値化できます。LIWCのような辞書型テキスト分析は、こうした心理・社会・感情に関係する語の出現率を数える代表的な手法です(Tausczik & Pennebaker, 2010)。
ただし、「単語が増えた=心理状態が変わった」と短絡してはいけません。ある英語ブログの36週間縦断研究では、参加者間で見ると「ためらい表現」など一部の言語特徴が抑うつ・不安症状と関連した一方、同じ人の症状が時間とともに変わるのを、言語特徴が頑健に追跡できたわけではありませんでした。グループ平均で見える法則が、個人の変化には通用しない場合があるのです(O’Dea et al., 2021)。
AIは日記の何を見ているのか
最も直感的なのが感情分析です。「うれしい」「楽しい」「最悪」「不安だ」といった語から、ポジティブ・ネガティブ、あるいは喜び・怒り・恐怖・悲しみなどの強度を推定します。辞書方式なら仕組みが分かりやすく、長期間を同じ物差しで測りやすいのが利点です。一方、皮肉や否定、「悪くはなかった」のような複雑な表現は苦手です。TransformerやBERT系モデルなら文脈を扱いやすくなりますが、学習データと日記の文体が違うと精度が落ち得ます。日本語のWRIMEは17,000件のSNS文に「書き手自身の感情」と「読み手が受け取った感情」の両方を付与したデータセットで、ここからも、文章から読める感情と本人が実際に感じている感情は別物だと分かります(Kajiwara et al., 2021)。
日本語の感情分析では、表記ゆれも意外に大きな問題です。「つらい」「辛い」「ツライ」「しんど…」「無理w」のように同じような状態を多様に書くためです。2025年の日本語SNS研究では、6,000件の文章を対象に33種類の正規化操作を設計し、表記を整えることでBERT系感情分類の性能が有意に改善しました。つまり、日記分析では「最新AIを使うか」より前に、文字コード、旧字体、絵文字、顔文字、表記ゆれ、誤字をどう扱うかが重要です。
話題の変化を見るにはトピックモデルがあります。代表的なLDAは、一つの文章が複数の「潜在トピック」の混合でできていると仮定し、それぞれのトピックに特徴的な単語を推定する確率モデルです(Blei et al., 2003)。たとえば「会議・上司・締切」のまとまり、「旅行・ホテル・飛行機」のまとまり、「病院・頭痛・薬」のまとまりが自動的に浮かび上がり、各月にどの話題がどれくらい強かったかを追えます。ただし、LDAが吐き出すトピックには自動的に「仕事」「健康」という意味ラベルが付くわけではなく、人間が語群を見て解釈する必要があります。トピック数の決め方でも結果が変わるため、複数設定で再現性を確認すべきです。
さらに面白いのが時系列分析です。感情スコアや「仕事語の割合」を日付順に並べれば、曜日周期、季節性、長期トレンド、変化点を調べられます。日記研究では曜日周期を無視すると、本来ないはずの関連が統計的に有意に見えてしまうことさえあります。Liu & Westの研究では、ストレスと飲酒のデータについて週周期を無視した分析では有意な本人内関連が示されたのに、周期をモデルに入れるとその関係が消えました。
イベント検出では、「転職」「引っ越し」「別れ」「病気」のような生活イベントを明示語や意味表現から抽出し、その前後で文章がどう変わったかを見ることができます。個人ナラティブから生活イベントと関係人物を抽出し、時間とともに更新される「個人的イベントのグラフ」を構築する研究もあります。
クラスタリングを使えば、「仕事中心で短文の日」「人との交流が多く感情語も多い日」「疲労・健康の記述が集中する日」といった“日記の日型”を自動的にまとめることもできます。ただし、クラスタは発見された自然法則ではありません。使った特徴量やクラスタ数によって境界が変わるので、「これは私の3種類の人格だ」のような解釈はしない方が安全です。
言語特徴量も侮れません。文章量、文の長さ、語彙の多様性、一人称の頻度、過去・未来表現などを時系列化できます。単純な語彙多様性指標Type-Token Ratioは文章が長くなるほど低下しやすいので、長さの影響を受けにくいMTLDなどを使う方が比較には向きます。McCarthy & Jarvisの検証では、MTLDは評価した指標の中でテキスト長による変動が見られなかったと報告されています。
日本語では、さらに「どこまでを一語と数えるか」が問題になります。英語のように空白で単語が区切られていないため、MeCabやSudachiなどの形態素解析器を使います。Sudachiは複数粒度で単語分割でき、表記正規化も備えているため、日本語の長期テキスト比較には便利です。分割方式や辞書を途中で変えると10年間の語数が人工的に変わってしまうため、分析全期間で同じ設定を使うことが重要です。
実際の研究では、どこまで見つかっているのか
ここからは仮想例ではなく、実証研究です。
イギリスの大学生を対象にした9週間の電子ウェルビーイング日記研究では、149人から1,124件、計約23.6万語の日記が集まり、LIWCが全単語の92%を辞書にマッチさせました。感情トーンは週ごとに一定ではなく、感謝について書いた週と自分の強みについて書いた週では、1週目に比べてそれぞれ23.90ポイント、26.62ポイント高く、いずれもP<.001でした。ただし、これは介入内容と日記の書き方が同時に変わっている研究なので、「感謝そのものが感情を改善した」と断定する結果ではありません。
同じ研究では、社会に関する語の割合が1ポイント増えると感情トーンが0.74高く(95%CI 0.21–1.27, P=.006)、余暇語は3.56高く(95%CI 2.28–4.85, P<.001)、健康語は1.96低い方向(95%CI −3.70–−0.22, P=.027)でした。これは「余暇を増やせば幸福になる」という因果証拠ではなく、「その日記内で余暇語が多いこととポジティブな語調が同時に現れた」という関連です。
2024年には、91人の参加者が書いた428件の日記から、LLMで抑うつリスクを判定する研究も報告されました。GPT-3.5をファインチューニングした条件ではaccuracy 0.902、specificity 0.955、別条件ではbalanced accuracy 0.844、recall 0.929が得られています(Shin et al., 2024)。一見かなり高い数字ですが、対象は2週間の日記であり、91人という比較的小規模な標本です。また著者の一部は関連企業と利益相反を持っていました。2025年に訂正が出ていますが、訂正箇所は研究費番号で、性能値の訂正ではありません。したがって「日記をLLMに渡せば9割の精度でうつ病が分かる」と一般化するのは不適切です。
日本語でも感情推定の実例があります。WRIMEを使ってBERTを微調整し、COVID-19ワクチン関連の日本語ツイート20,254件を解析した研究では、感情強度推定のMSEが0.356と報告されました。そこで抽出された感情とワクチン接種指標の間には一部弱い相関も観察されましたが、SNSの集団データから得たモデルを、そのまま個人の日記に当てたときの精度は別問題です。
興味深い反例もあります。O’Deaらのブログ研究は、153人が同意したものの、必要な症状測定とブログデータを十分に提供した最終解析対象は38人でした。参加者間では一部の言語特徴と抑うつ・不安に有意な関連がありましたが、本人内の症状変化との頑健な関連は確認されませんでした。これは「他人同士の違いを当てるAI」と「一人の人間の変化を追うAI」は別物だという、とても大事な教訓です。
さらに2026年の縦断NLP研究では、238人・約17,000件の日次日記とPTSD症状を使い、ランダムな文書分割のような一般的評価法では、個人情報が訓練・評価側に漏れてモデル性能が過大評価され得ることが示されました。時系列順に未来を予測する評価へ変えると、モデル間の結論が逆転する場合さえありました。これはプレプリント段階の研究ですが、10年日記を分析するならかなり重要な方法論上の注意です。
もし10年分の日記を本当に分析するなら
ここから先は仮想の分析例です。以下の発見例は研究結果ではなく、「こういう分析をすると何が見つかり得るか」を示すための想定です。
最初にするべきことは、AIに全部投入することではありません。まず日記を「1日1行のデータ」に整えます。最低限、日付、本文、元ファイル名を対応づけます。午前・午後で複数回書いているなら、同日の複数エントリとして保持してもかまいません。紙の日記ならOCR後に原本との照合が必要です。誤認識が感情語や人名に集中すると後の分析を歪めるからです。
次に、原本を保存したまま、分析用コピーを作ります。人名、会社名、住所、メールアドレス、電話番号などは置換し、「友人A」「会社X」のような一貫した仮名にします。単純に全部消すよりも、「誰との交流の後に文章がどう変わるか」を調べたい場合は同じ人物に同じ仮名を振った方が役立ちます。
その次に日本語の前処理を固定します。Unicode正規化、全角半角、改行、絵文字、表記ゆれをどう扱うかを決め、SudachiやMeCabなど一つの形態素解析系に統一します。古い日記だけ旧字体や独自略語が多い場合は、正規化前と正規化後の両方を残しておくと、モデルの都合で「自分の言葉」が消えてしまうのを防げます。日本語感情分析では正規化が性能に影響するという実証もあります。
続いて、一度に高度なAIを使うのではなく、まず「壊れにくい特徴」を作ります。1日あたり文字数、文章数、登場人物数、疑問符・感嘆符、仕事・健康・家族・余暇に関する語の割合、ポジティブ・ネガティブ感情強度、語彙多様性などです。こうした特徴なら、なぜ数値が上がったかを原文まで戻って確認できます。
次にトピック分析を行います。月単位または週単位で文章をまとめ、LDAなどで複数の話題を抽出します。ここで仮に「仕事」「家族」「運動」「創作」「旅行」のような群が出てきたとします。各トピック比率を10年分並べれば、「転職半年前から仕事トピックが急増している」「冬だけ健康トピックが増える」といった仮説が生まれます。ただし、自動生成されたトピック名は人間が50〜100件程度の原文を読んで妥当性を確認します。
さらに時系列へ進みます。曜日、月、季節、祝日、年末年始などを説明変数に入れます。仮に「日曜夜のネガティブ感情スコアが高い」という結果が出ても、月曜の仕事への不安なのか、単に日曜夜に長文を書く習慣なのかはまだ分かりません。そのため文字数、仕事語、睡眠語などを一緒にモデルへ入れて比較します。週周期を統制しないと偽の関連が出る場合があるため、この工程は意外に重要です。
イベント分析では、転職、引っ越し、交際開始、別れ、病気、旅行などの出来事を人間が数十件ラベル付けし、その後AIで残りの候補を抽出します。そしてイベントの30日前と30日後で、感情語、文章量、人間関係語、未来表現などが変わるかを確認します。ここで「転職後はネガティブ語が減った」からといって、転職が原因とは言えません。同じ時期に住環境や人間関係も変わっていたかもしれないからです。
もう一段面白いのが遅延分析です。「運動を書いた翌日の感情トーン」「飲酒を書いた翌々日の睡眠記述」「人と会った翌日の文章量」などを調べます。ただし、“前日にX、翌日にY”という順序が分かっても因果関係は証明されません。体調が良かったから運動もし、翌日も気分が良かった可能性があります。因果推論には介入や外部測定が必要です。
最後に、発見したパターンを必ず原文で検証します。AIが「2021年夏は孤立語が増えた」と示したら、その時期の日記を20〜30件読む。「確かにそうだ」と感じるか、「たまたま在宅勤務という単語が増えただけ」なのかを確認します。AI分析の価値は、原文を読まなくて済むことではなく、10年分の中から“読むべき場所”を教えてくれることにあります。
「へえ、面白い!」の前に知っておきたい落とし穴
最大の落とし穴は、日記が人生そのものではないことです。人は毎日起きたことを均等に書きません。嫌なことだけ書く人もいれば、良い日だけ筆が進む人もいます。忙しい日はそもそも書かないかもしれません。これは選択的記述です。したがって「旅行について書いていない=旅行しなかった」ではありません。
欠測も情報です。日記が途切れた期間を単に捨てず、「書かなかった日」を変数にする価値があります。ただし、書かなかった理由が不明なら解釈は慎重にします。研究用の日記でも回答率は週ごとに変動し、ウェルビーイング日記研究では完遂度の高い参加者ほどベースラインのウェルビーイングが高い傾向がありました。つまり、残っている文章だけを分析すると、書き続けやすい時期・状態が過大代表される可能性があります。
記録そのものが行動を変える「測定反応性」もあります。毎日飲酒を記録すれば飲酒を意識するようになるかもしれません。研究によって反応性が見つかる場合と見つからない場合があり、少なくとも「日記は完全に中立な観察装置」とは限りません。性行動・物質使用に関する日記研究の系統レビューでは、反応性を調べた研究の多くで何らかの行動変化が報告されていますが、睡眠日記では反応性を認めなかった研究もあります。
自己記述バイアスを評価する一番現実的な方法は、日記以外のデータと突き合わせることです。カレンダー、歩数、睡眠記録、写真、家計簿などがあれば、「書いた行動」と「観測された行動」の一致度を見られます。研究用EMAでも、自己報告に生理・センサー指標を組み合わせる方法が推奨されてきました。
統計的有意性にも注意が必要です。10年間の日記なら試せる仮説が非常に多く、「月曜日」「雨」「仕事」「睡眠」「感情」など数百の組み合わせを片っ端から検定すれば、偶然P<.05になる関係が出てきます。事前に主要仮説を決める、探索分析と確認分析を分ける、多重比較補正を行う、翌年のデータで再現する、といった工夫が必要です。O’Deaらの研究でも204比較に対して10,000回の置換検定を使い、家族内誤差率を調整しています。
何より重要なのは、「AIが高い確率でそう言った」ことと、「本人の内面がそうである」ことを混同しないことです。Virginia Woolfの日記を使ったケース研究では言語特徴から心理状態を86.9%で分類したと報告されていますが、単一人物の文学的日記と伝記情報を使った事後的ケース研究であり、一般人口にその精度をそのまま適用できません。
日記をAIに読ませる前に、プライバシーを最優先する
10年分の日記は、普通のテキストファイルよりはるかに機微性が高いデータです。本人の健康、恋愛、家族、仕事、住所、第三者の秘密まで混じり得ます。分析性能より先に、「このデータをどこに出すのか」を決めるべきです。
安全性を優先するなら、原文はローカル端末に保存し、可能な処理はローカルで行い、クラウドAIへ送る場合は匿名化した断片だけにするのが現実的です。個人情報保護委員会のガイドラインは、個人データを扱う情報システムについて、アクセス制御、通信経路の暗号化、不正アクセス対策などの技術的安全管理措置を求めています。外国のクラウドへ個人データを保存する場合には、その国の制度を把握した上で必要な安全管理措置を講じる必要があるケースもあります。
「匿名化」と「名前を消すこと」も同義ではありません。たとえば「2024年4月、○○大学の研究室で唯一の女性教授と会った」という文章は、氏名がなくても特定できるかもしれません。日本の個人情報保護法ガイドラインでも、仮名加工情報は他情報と照合しない限り識別できないよう加工した情報、匿名加工情報は識別・復元できないよう一定の基準で加工した情報として区別されています。
差分プライバシーは、集計結果を外部共有する場合に検討できる技術です。個々人のデータが集計に入っているかどうかによる出力差を一定範囲に抑える考え方で、NISTは2025年に差分プライバシー保証の評価ガイドラインを公開しました。ただし、一人の日記を本人が分析するだけなら、差分プライバシーを無理に導入するメリットは小さく、むしろ研究データを多数人で共有・公開する場面で意味が大きい技術です。
自分の日記だけを趣味で分析する場合と、研究として他人の日記を集める場合では倫理上の扱いが違います。他人の日記を研究利用するなら、本人同意、利用目的、保存期間、公開方法、第三者への提供、撤回方法を事前に決める必要があります。日本学術振興会の人文・社会科学データ共有ガイドもインフォームド・コンセントを重視しています。生命・医学系の研究に該当する場合は、文部科学省・厚生労働省・経済産業省の倫理指針の適用も確認する必要があります。
ここは日付にも注意が必要です。2026年11月17日現在、生命・医学系研究の指針については2026年8月27日に改正告示が出ていますが、新版の施行日は2026年12月1日です。そのため研究を実施する時点の施行版を確認する必要があります。
自分で試すなら、チェックリストは意外と短くできます。原本をバックアップする、分析用コピーを作る、第三者名を仮名化する、日付と本文をそろえる、日本語の分かち書き方式を固定する、まず文字数・話題・感情・人物頻度だけを見る、曜日と季節を統制する、見つかった傾向を原文で確認する、AIの心理診断は採用しない、クラウドへ送る前に利用規約と保存・学習利用条件を確認する。この順番なら、高価なシステムがなくてもかなり面白い分析ができます。
そして、10年日記で最も価値のある発見は、派手な「性格診断」ではないかもしれません。むしろ「毎年2月になると未来のことを書かなくなる」「人と会った翌日は文章が長い」「忙しくなる直前には“時間がない”という語ではなく“まあいいか”が増える」といった、小さな反復でしょう。そういうパターンは、当時の自分には点にしか見えなかった出来事を、10年後に線として見せてくれます。AIが新しく作り出す自己像ではなく、自分がすでに残していた痕跡を、別の角度から読み直すこと。日記分析のいちばん面白いところは、そこにあります。
参照文献
Bolger, N., Davis, A., & Rafaeli, E. (2003). Diary Methods: Capturing Life as It Is Lived. Annual Review of Psychology, 54, 579–616. https://doi.org/10.1146/annurev.psych.54.101601.145030
Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological Momentary Assessment. Annual Review of Clinical Psychology, 4, 1–32. https://doi.org/10.1146/annurev.clinpsy.3.022806.091415
Stone, A. A., & Shiffman, S. (2002). Capturing Momentary, Self-Report Data: A Proposal for Reporting Guidelines. Annals of Behavioral Medicine, 24, 236–243. https://pubmed.ncbi.nlm.nih.gov/12173681/
Tausczik, Y. R., & Pennebaker, J. W. (2010). The Psychological Meaning of Words: LIWC and Computerized Text Analysis Methods. Journal of Language and Social Psychology, 29(1), 24–54. https://doi.org/10.1177/0261927X09351676
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022. https://www.jmlr.org/papers/v3/blei03a.html
McCarthy, P. M., & Jarvis, S. (2010). MTLD, vocd-D, and HD-D: A Validation Study of Sophisticated Approaches to Lexical Diversity Assessment. Behavior Research Methods, 42, 381–392. https://pubmed.ncbi.nlm.nih.gov/20479170/
Kajiwara, T., Chu, C., Takemura, N., Nakashima, Y., & Nagahara, H. (2021). WRIME: A New Dataset for Emotional Intensity Estimation with Subjective and Objective Annotations. Proceedings of NAACL-HLT 2021. https://doi.org/10.18653/v1/2021.naacl-main.169
Kondo, R., Teramen, A., Kajikawa, R., et al. (2025). Text Normalization for Sentiment Analysis in Japanese Social Media. Proceedings of W-NUT 2025. https://doi.org/10.18653/v1/2025.wnut-1.16
Takaoka, K., Hisamoto, A., Kawahara, N., Sakamoto, M., Uchida, Y., & Matsumoto, Y. (2018). Sudachi: a Japanese Tokenizer for Business. Proceedings of LREC 2018. https://aclanthology.org/L18-1355/
O’Dea, B., Boonstra, T. W., Larsen, M. E., Nguyen, T., Venkatesh, S., & Christensen, H. (2021). The Relationship Between Linguistic Expression in Blog Content and Symptoms of Depression, Anxiety, and Suicidal Thoughts: A Longitudinal Study. PLOS ONE, 16(5), e0251787. https://doi.org/10.1371/journal.pone.0251787
Shin, D., Kim, H., Lee, S., Cho, Y., & Jung, W. (2024). Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening: Instrument Validation Study. Journal of Medical Internet Research, 26, e54617. https://doi.org/10.2196/54617
Shin, D., Kim, H., Lee, S., Cho, Y., & Jung, W. (2025). Correction: Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening. Journal of Medical Internet Research, 27, e79198. https://doi.org/10.2196/79198
Du, X. (2022). Linguistic Features and Psychological States: The Case of Virginia Woolf. Frontiers in Psychology, 13, 823313. https://doi.org/10.3389/fpsyg.2022.823313
Liu, Y., & West, S. G. (2016). Weekly Cycles in Daily Report Data: An Overlooked Issue. Journal of Personality, 84(5), 560–579. https://doi.org/10.1111/jopy.12182
Tsakalidis, A., Chim, J., Bilal, I. M., et al. (2022). Overview of the CLPsych 2022 Shared Task: Capturing Moments of Change in Longitudinal User Posts. Proceedings of the Eighth Workshop on Computational Linguistics and Clinical Psychology, 184–198. https://doi.org/10.18653/v1/2022.clpsych-1.16
Mousavi, S. M., Negro, R., & Riccardi, G. (2021). An Unsupervised Approach to Extract Life-Events from Personal Narratives in the Mental Health Domain. CLiC-it 2021. https://aclanthology.org/2021.clicit-1.59/
個人情報保護委員会(2026)『個人情報の保護に関する法律についてのガイドライン(通則編)』https://www.ppc.go.jp/personalinfo/legal/guidelines_tsusoku/
個人情報保護委員会(2026)『個人情報の保護に関する法律についてのガイドライン(仮名加工情報・匿名加工情報編)』https://www.ppc.go.jp/personalinfo/legal/guidelines_anonymous/
個人情報保護委員会(2026)『個人情報の保護に関する法律についてのガイドライン(外国にある第三者への提供編)』https://www.ppc.go.jp/personalinfo/legal/guidelines_offshore/
National Institute of Standards and Technology. (2025). Guidelines for Evaluating Differential Privacy Guarantees, NIST SP 800-226. https://doi.org/10.6028/NIST.SP.800-226
文部科学省(2026)『人を対象とする生命科学・医学系研究』https://www.mext.go.jp/a_menu/lifescience/bioethics/seimeikagaku_igaku.html
日本学術振興会(2021)『人文学・社会科学におけるデータ共有のための手引き』https://www.jsps.go.jp/file/storage/e-di/guide/A_Guide_to_Data_Sharing_in_the_Humanities_and_Social_Sciences.pdf

コメント