煩悩埋め込みと詐欺検知メカニズム ── テキストを心理的脆弱性のベクトル空間に写像する

Bonnō Embedding and the Scam-Detection Mechanism: Mapping Text into a Vector Space of Psychological Vulnerability

公開
改訂
バージョン
v0.1
原典
構想記録 §14
ライセンス
CC BY 4.0

English version

要約

私は、テキストを 108 次元の煩悩刺激ベクトルに写像する関数 f を中核に据えた、詐欺検知メカニズムを提案する。詐欺テキストには、正規広告には現れない 3 つのシグネチャ ── 特定煩悩への集中刺激、警戒煩悩の抑制、論理的に両立しない訴求の共存 ── が観察される。これに法令ベースの出典明示性チェックを組み合わせることで、過剰検出を最小化しつつ抽象レベルで詐欺の不変構造を捉える検知システムが構築できる。本論考は Affective Computing 研究者と詐欺検出実務者の双方に届けるべく、煩悩埋め込みの定義、詐欺シグネチャ、複合判定、過剰検出対策、倫理的論点までを整理する。

はじめに

この文章は、私がマインドシード研究所で進めている研究プログラム「煩悩 × 詐欺ウイルス マッピング統合データベース」（構想記録）の §14 を、独立した論考として書き直したものだ。構想記録の他の章を読んでいなくても、この一本だけで筋が通るように書いてある。

私の主張はひとつである。詐欺テキストは、人間の心理的脆弱性 ── 仏教の用語で言えば「煩悩」── を狙うベクトル空間上のシグネチャを持つ。テキストを 108 次元の煩悩刺激ベクトルに写像する関数 f を構築し、(a) 詐欺特有のベクトル形状と、(b) 法令に基づく出典明示性とを複合的に判定することで、表層的な禁止語マッチでは捉えられない詐欺を、抽象レベルで安定して検知できる。 これは Affective Computing 研究の応用であり、同時に消費者保護・詐欺検出実務にとって即座に有用な技術的枠組みである、と私は考えている。

About the author1: 私は和歌山市在住の独立研究者で、マインドシード研究所を個人事業として営んでいる。40 年以上の基盤系エンジニア経験（関西電力、サムスン SDS）を経て、いまは煩悩 × AI を軸とする 20 年スパンの研究プログラムに取り組んでいる。詳細は About ページ を参照されたい。

1. 煩悩埋め込み空間の定義

私は煩悩埋め込みを、次のように 3 項関係として定義する：

f: (T, C, U) → V = (w₁, w₂, ..., w₁₀₈),  wᵢ ∈ [0, 1]

  T: 任意のテキスト
  C: 状況・文脈（時間帯、媒体、関係性、累積行動など）
  U: 個人の煩悩感受性プロファイル
  V: 108 次元の煩悩刺激ベクトル

ここで wᵢ は 「テキスト T が、状況 C のもとで、個人 U の煩悩ᵢ をどれだけ刺激するか」 の強度を表す。値域は [0, 1] に正規化する。

この定式化は、Word2Vec、BERT、CLIP などで展開されてきた 埋め込み表現学習 の系譜に位置づけられる。だが私が独自だと考えているのは、埋め込み空間の意味が「人間の心理的脆弱性」と直接対応している点である。従来の埋め込みは「単語の意味的類似性」や「画像とテキストの対応」を学習するが、ここで私が学習したいのは 「人間の感情への作用」 である。

なぜ 108 次元なのか ── 仏教典籍において経験的に到達した分割の細かさである、というのが私の答えだ。詳しくは姉妹論考 仏教を座標系として採用する を参照されたい。実装の出発点としては、構想記録 §0.4.5 / §4.3.0 に書いた「三毒 × 各 3 小分類 = 9 次元のミニマムモデル」から始める。

2. 詐欺判定の操作的定義

任意のテキスト T に対して、詐欺確率 P(scam|T) を、煩悩ベクトル V を介してこう分解する：

P(scam|T, C, U) = g(V(T, C, U), C(T), S(T))

  V(T, C, U): 煩悩刺激ベクトル
  C(T):       テキストの文脈情報（媒体、状況、相手）
  S(T):       出典・発信源情報
  g:          これらを統合する判定関数

この分解により、詐欺判定はベクトル空間上のパターン認識問題に還元される、というのが私の中核の主張である。あとは V, C, S それぞれをどう特徴化するかが具体的問題になる。次節では V について、§4 では S について論じる。

3. 詐欺ベクトルの 3 つのシグネチャ

実証的観察と理論的考察から、私は詐欺テキストの煩悩ベクトルに 3 つの共通特徴があると見ている。これらが、正規テキストと詐欺テキストを分離する手がかりになる。

シグネチャ 1: 特定煩悩への集中刺激

正規テキストは複数の煩悩を穏やかに刺激する。詐欺テキストは 特定の煩悩を強烈に刺激する：

正規テキストのベクトル例:
  煩悩 A: 0.3, 煩悩 B: 0.2, 煩悩 C: 0.4, ...  全体的に低～中

詐欺テキストのベクトル例:
  煩悩 A（貪欲）  : 0.92  ★★★
  煩悩 B（孤独）  : 0.78  ★★★
  煩悩 C（緊急性）: 0.85  ★★★
  煩悩 X（その他）: 0.05〜0.10

ベクトルの 標準偏差 を計算すると、詐欺は明らかに高い。シンプルだが、実装にも乗せやすい特徴量である。

シグネチャ 2: 警戒煩悩の抑制パターン

詐欺は刺激と同時に、警戒に関連する煩悩を抑制 する設計を持つ：

煩悩 抑制（負の刺激）の典型例:
  - 疑念    : 「私を信じて」「秘密にして」
  - 慎重    : 「今すぐ決めないと終わる」
  - 確認衝動: 「家族に相談しない方がいい」

これは正規広告には見られない 「抑制構造」 である。私はこれを詐欺の決定的特徴と見ている。検知側は単純な刺激強度だけでなく、刺激と抑制の 共起パターン を学習する必要がある。

シグネチャ 3: 矛盾する訴求の共存

「楽して稼げる」（貪欲刺激）+ 「リスクなし」（恐怖抑制）+ 「特別に教える」（社会性刺激）── 詐欺ではこのように 論理的に両立しない訴求が同時に提示される。正規の経済活動なら成立しない組合せが、詐欺では頻繁に観察される。

これら 3 つのシグネチャは、それぞれ単独では正規広告との完全分離はできない。複合的に組み合わせることで初めて、表層的な禁止語マッチでは届かない領域に手が届く、というのが私の見立てである。

4. 出典明示性の原則 ── 法令ベースの複合判定軸

煩悩ベクトル単独で詐欺と正規広告を完全分離するのは難しい。正規広告も煩悩を刺激するからである ── 化粧品は美への執着を、ダイエットは身体への不安を、投資商品は貪欲を、それぞれ正当な範囲で刺激する。

ここで私が組み合わせたいのが、出典明示性 という法令ベースの判定軸である。

日本国内では：

  • 景品表示法: 広告主の明示義務
  • 特定商取引法: 事業者情報の表示義務
  • 令和 5 年改正のステルスマーケティング規制: 広告である旨の明示義務

つまり 正規の広告は、法的に発信源を明示することが義務付けられている。逆に言えば、こうなる：

[発信源が明示されている] + [強い煩悩刺激] → 合法的広告
[発信源が不明確]         + [強い煩悩刺激] → 詐欺の可能性が極めて高い

これは煩悩ベクトル単独より遥かに強力な判別軸だ、というのが私の中核の見立てである。具体的な出典確認項目はこうなる：

項目詐欺の特徴
会社名なし、または架空
法人登記番号なし
所在地なし、または海外（米国／英国／香港装い）
連絡先LINE / Telegram のみ、電話番号なし
金融庁登録番号なし、または捏造
ウェブサイト仮設置、運営者情報なし
プライバシーポリシーなし、または機械翻訳
特商法表記なし

これらの欠落は 法令違反でもある ため、検出ロジックは法的根拠を持つ。「検出された詐欺の特徴」を後から立件・行政指導につなげる際にも、出典欠落の証拠が役に立つ。私の研究プログラムは、煩悩刺激分析と出典分析を同時に行うことで、過剰検出を回避しつつ、検出根拠を法的に説明可能にする 設計を採用する。

5. 抽象レベルでの優位性 ── 手口の変化に強い検知

煩悩ベクトル化アプローチの戦略的優位性は、抽象レベルの一段上で戦う 点にあると私は考えている：

[具体レベル] 詐欺師は手口を毎月変える
  ↓
[中間レベル] 言い換え・新名称・新プラットフォーム
  ↓
[抽象レベル ← このアプローチ] 狙う煩悩は変えられない

具体的な詐欺手口がどう進化しても、最終的に人間の脆弱性を利用するという構造そのものは不変 である。この不変性を捉えることで、未知の手口にも対応できる検出システムが構築できる、というのが私の見立てだ。

これは、私が現役時代に身につけた 「枯れたロジック同士の組合せ」 の典型例である：

  • 仏教煩悩論（2,500 年）
  • 法令上の発信源明示義務（数十年）
  • パターン認識工学（70 年）

3 つの枯れたロジックを統合することで、新しい問題（SNS 型投資詐欺）に対抗する。サムスン SDS 時代に学んだ「枯れた技術が安全第一」の哲学とも、まっすぐ整合する位置取りである。

姉妹論考 §15「精密の経済」 で論じたとおり、大手 AI は規模の経済ゆえに表層的な禁止語マッチに留まる。私はその対極の、抽象レベルでの深い解析に立つ ── これが私の「精密の経済」の技術的実装である。

6. 過剰検出のリスクと対策

煩悩ベクトル化が強力すぎる場合、正規の経済活動・コミュニケーションが詐欺と誤判定される リスクが現実的に存在する。これは消費者保護システムが負うべき最も重い責任のひとつであり、私は以下の複層防御で対処したい：

対策説明
出典明示性の確認（§4）法的に登録された発信源は除外
文脈フィルタ公開広告と 1 対 1 DM の区別
累積行動分析単発ではなく一連の行動で判定
透明な誤判定報告ユーザーが「誤判定」をフィードバック可能にする
閾値の段階調整強い警告 / 注意 / 情報提供 の 3 段階
説明の徹底なぜ警告したかを必ず提示

私が設計の原則として固く守りたいのは、判定が「ブロック」ではなく「警告」である ということだ。最終判断はユーザーに委ねる ── これが倫理的にも実務的にも望ましい。詳しくは姉妹論考 §13 External Prefrontal Cortex（ExPFC） を参照されたい。ExPFC が「吟味」モジュールを代行する装置である以上、最終判断者はあくまでユーザー本人である。

7. 倫理的論点 ── 6 つの問い

ここまで読んでいただいた方には、煩悩ベクトル化技術が両刃の剣であることが伝わっていると思う。検出に使えるなら、攻撃にも使える。私が継続的に検討すべきだと考えている倫理論点は、6 つある：

  1. 悪用可能性: テキストの煩悩刺激構造を理解する技術は、より巧妙な詐欺を作る道具 にもなる。Defender’s dilemma そのものである
  2. マニピュレーション検出 vs 表現の自由: どこまでが「詐欺」で、どこからが「強い意見」か。境界線は文脈依存であり、機械的判定だけでは決められない
  3. 文化的バイアス: 仏教的煩悩分類が、非仏教文化圏で適切に機能するか。座標系の文化的妥当性は、私の研究プログラム全体に関わる問いである
  4. 個人のプライバシー: 個人の発言を煩悩分析することの倫理。誰の発言を、誰のために、どこまで分析してよいか
  5. AI による価値判断: 「あなたは貪欲を刺激されている」と AI が告げることの是非。価値判断を AI に委ねることの哲学的含意
  6. 依存リスク: ユーザーが自分の判断力を放棄しないか。これは姉妹論考 §13 ExPFC でも論じた論点と同型である

これらは継続的な検討事項であり、私は開発と並行して倫理ガイドラインを整備していく。本論考は問いの提示までであり、答えは協力者との対話を通じて精度を上げていく。なお本節は、構想記録 §10.3（一般的・横断的倫理論点）および §13.11（ExPFC 固有の倫理論点）と相互に関連しており、最終的にはひとつの倫理ガイドラインに統合する予定である。

8. 結論

私の主張をもう一度、自分の言葉でまとめておきたい。

詐欺テキストは、人間の心理的脆弱性 ── 煩悩 ── を狙うベクトル空間上のシグネチャを持つ。テキストを 108 次元の煩悩刺激ベクトルに写像する関数 f を構築し、(a) 詐欺特有のベクトル形状（特定煩悩への集中刺激 + 警戒煩悩の抑制 + 矛盾する訴求の共存）と、(b) 法令に基づく出典明示性とを複合的に判定することで、表層的な禁止語マッチでは届かない領域に、抽象レベルで安定して手が届く。 これが私の検知メカニズムの中核である。

抽象レベルでの戦いという位置取りは、姉妹論考 §15「精密の経済」 の戦略と一体である。そしてこの検知メカニズムは、姉妹論考 §13 External Prefrontal Cortex（ExPFC） で論じた装置の 具体的実装機構 として位置付けられる：

「テキストを煩悩ベクトルに写像し、その形状から心理的脆弱性への作用を可視化し、ユーザーの吟味モジュール（前頭葉機能）の代行を行う」

これが私の研究プログラムの中核技術である。Affective Computing 研究者にとっては、人間の感情への作用を学習する新しい埋め込み空間の提案として読んでいただきたい。詐欺検出実務者にとっては、抽象レベルで安定して動く検知メカニズムの設計指針として読んでいただきたい。両者は、私の中ではひとつの問いに帰着する ── 人間の心理的脆弱性を、機械にどこまで「見える」形で記述できるか。

大手 AI は禁止語で詐欺を弾く。 私は煩悩ベクトルで詐欺の構造を捉える。 表層を見るのではない。心理的脆弱性そのものを見る。 それが、私が目指す詐欺検知の中核である。

関連資料

連絡先

ここで書いたことに何か感じてくださった研究者・批判者・後継候補の方からの連絡を、私は歓迎します。Affective Computing・AI Safety・詐欺被害対策・消費者保護・法学・仏教学、いずれの分野からの建設的な批判や共同研究の提案を、いつでも 連絡先ページ からお受けします。日本語でも英語でも構いません。

References

  1. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21), 610–623.
  2. Carroll, M., Chan, A., Ashton, H., & Krueger, D. (2023). Characterizing manipulation from AI systems. Proceedings of the 3rd ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (EAAMO ‘23).
  3. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. NAACL-HLT 2019, 4171–4186.
  4. Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon.
  5. Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems, 26.
  6. National Police Agency of Japan. (2025). SNS 型投資・ロマンス詐欺被害統計（2023〜2025）.
  7. Park, P. S., Goldstein, S., O’Gara, A., Chen, M., & Hendrycks, D. (2024). AI deception: A survey of examples, risks, and potential solutions. Patterns, 5(5), 100988.
  8. Picard, R. W. (1997). Affective Computing. MIT Press.
  9. Radford, A., et al. (2021). Learning transferable visual models from natural language supervision. Proceedings of the 38th International Conference on Machine Learning, 8748–8763.
  10. Whitty, M. T. (2013). The scammers persuasive techniques model: Development of a stage model to explain the online dating romance scam. British Journal of Criminology, 53(4), 665–684.

Footnotes

  1. 上記の About ページを参照。 ↩

引用情報

BibTeX 
@misc{matsuura2026bonnoEmbedding,
  author       = {Toshinobu Matsuura},
  title        = {Bonnō Embedding and the Scam-Detection Mechanism: Mapping Text into a Vector Space of Psychological Vulnerability},
  howpublished = {Mindseed Research},
  year         = {2026},
  month        = {May},
  url          = {https://research.pyol.net/essays/bonno-embedding/}
}
APA 
Matsuura, T. (2026, May 18). Bonnō Embedding and the Scam-Detection Mechanism: Mapping Text into a Vector Space of Psychological Vulnerability. Mindseed Research. https://research.pyol.net/essays/bonno-embedding/
Chicago 
Matsuura, Toshinobu. "Bonnō Embedding and the Scam-Detection Mechanism: Mapping Text into a Vector Space of Psychological Vulnerability." Mindseed Research, May 18, 2026. https://research.pyol.net/essays/bonno-embedding/.