0010: 私的資料のLLM投入は「学習利用の有無」で判断する

  • 日付: 2026-07-10
  • 状態: 採用
  • 関連: 0008（接地原則）

背景

私的資料（自分史・障害年金書類等）の取扱いは当初 「外部LLMへ投入しない」だったが、執筆支援・抽出も外部LLM（Fable 5、 Codex等）で行っている以上、「外部か否か」は基準として一貫しない。

決定

  1. 判断基準を「そのログ・入力が事業者の学習に使われるか」「保持期間」に置く。 「外部LLMだから禁止」ではなく、経路ごとに学習利用ポリシーを確認して判定する。

  2. 判定表（確認状況とともに更新する）:

    経路 学習利用 判定
    bge-m3（自前vLLM） なし（ローカル） 無条件可
    Fable 5（Claude Code） なし（学習利用トグルをオフに設定済みと本人確認、2026-07-10） 可
    Codex（ChatGPT OAuth） なし（Data Controlsで学習利用オフと本人確認、2026-07-10） 可
    OpenCode Go（DeepTutor既定LLM） なし（ゼロ保持・学習不使用と事業者が明記。opencode.ai/docs/go Privacy節、2026-07-10原文確認。ホスティングはUS/EU/Singapore） 匿名化済み資料は可（決定3の匿名化ゲートは維持）

  3. 匿名化が先、LLMは後。 私的資料は、役割語・仮名化＋日付の粗視化を 辞書ベースの機械的置換（LLM不使用）で行い、本人が目視承認した匿名版のみ をパイプラインに投入できる。原本はいかなる経路にも投入しない。

  4. 私的資料の研究データ化を正式なスコープとする。 障害年金書類は 法制度×精神医学×生活記録が一枚の様式上で衝突する一次資料であり、 匿名化後にresearch/hypothesis_hypergraphで抽出して研究グラフに接続する （単一事例研究・制度の理念と実装の乖離）。agave_project（本人著作の AIガバナンス規範）も同様に一次資料として扱い、研究知見をAgave側へ 還流させる双方向ループとする。

却下した代替案

  • 「外部LLM一律禁止」の維持: Fable 5での執筆支援と矛盾し、基準として 機能しない。却下。
  • 匿名化をLLMに任せる: 匿名化前の原本がLLMを通過してしまい本末転倒。 機械的置換＋人間承認のみとする。

未決定事項

  • Fable 5・Codexの学習利用トグルの確認結果の反映（ユーザー確認待ち）。
  • OpenCode Goの「ゼロ保持」は事業者の表明であり監査手段はない。表明ベースの 判定であることを認識した上で、匿名化ゲート（決定3）を防御の二重化として 恒久維持する。
  • 匿名化置換辞書の管理場所（リポジトリ外、~/knowledge/personal/配下を想定）。

追記: R2の認証分離（2026-07-13）

personal/（自分史・障害年金・匿名化辞書等、最高機微）を専用バケット personal-archive＋専用トークン（rclone remote [r2personal]）へ分離した。 従来はpaper-civic-kitバケット（研究資料・翻訳データ等と共有トークン）に 同居しており、機微度の低いデータ（旧translation-ft）を先に分離していたのに 最高機微のpersonal/が未分離という、リスクの向きが逆転した状態だった。 分離テスト済み（personal-archive用トークンはpaper-civic-kitバケットに 403で届かないことを確認）。移行元は空を確認済み。

追記: Bonsai-27Bの判定表追加（2026-07-20）

anonymize-residual-scan系（辞書置換後の残存識別情報スキャン、決定3の副の 安全網）で使うBonsai-27B（自前llama.cpp、ガレリア/RTX3080またはMac mini、 tailnet内のみ）を判定表に追加する。

経路 学習利用 判定
Bonsai-27B（自前llama.cpp） なし（ローカル） 無条件可

bge-m3と同じ「自前・ローカル・学習利用なし」に該当する。加えて、仮に 将来anonymize.py適用後の匿名化済みテキストが大学の学習文脈で使われる としても、対象は本人の過去の経験（自分史）に限られ、他者の識別情報を 含まない——決定3の匿名化ゲート（辞書置換→人間承認）を経ている前提は 崩さない。

追記: 匿名化ゲート通過後のデータはpaper-civic-kit-lawdataへ（2026-07-22）

決定4（私的資料の研究データ化を正式なスコープとする）を、R2 Data Catalog （Iceberg、icd11-cron/law-fulltext-cron/estat-cronが使うpaper-civic-kit-lawdata バケット）へのカタログ化という形で実装する。

分離が要る対象を明確にする（2026-07-13の追記が対象を曖昧にしていたため）:

  • 原本（自分史・障害年金の生データ）: personal-archiveバケットに置いたまま。 paper-civic-kit-lawdata側には絶対に置かない。
  • 匿名化置換辞書そのもの（仮名⇔実名の対応表）: 最高機微のまま personal-archiveに留める。辞書が漏れれば匿名化そのものが無効化される ため、成果物とは別次元で保護する。
  • 匿名化ゲート（決定3の辞書置換＋人間承認＋Bonsai-27Bの残存識別情報 スキャン）を通過した最終テキスト: これは分離原則が保護しようとしている 「個人情報」ではなくなっている。paper-civic-kit-lawdataのR2 Data Catalogへ、他の研究データ（法令・ICD-11・政府統計）と同じ形でカタログ化 してよい。0010の分離原則の目的は「個人情報を混ぜない」ことであり、 ゲートを厳格に通した成果物を永続的に隔離し続けることではない。

運用上の要件: 取り込みは無人cronにしない。ゲート通過（辞書置換→人間の 目視承認→残存識別情報スキャン）を経た記録だけを、都度人間が確認しながら 取り込む。取り込み先の名前空間は他の研究データと区別する （例: paper-civic-kit-lawdataバケット内にpersonal_anonymized.*のような 専用namespaceを切る）。