テストの公正性とバイアス — 誰にとっても等価な測定をどう実現するか

公正性とバイアスの概念

教育評価における公正性は、すべての受験者に対して測定が等価に機能することを意味します。重要なのは、集団間の平均得点の差そのものはバイアスを意味しないという点です。得点差は現実の学習機会の差を反映している可能性があり、バイアスは『同等の能力をもつ受験者が、所属集団ゆえに異なる得点を得る』場合に生じます。この区別は、公正性議論の出発点であり、しばしば混同されることで誤った結論を招きます。

バイアスの源泉には、構成概念無関連分散（特定集団に不利な背景知識・言語表現・文化的文脈・図表の読み取り負荷）や、特定集団に不適切な採点・実施条件などがあります。たとえば数学の文章題が、数学能力とは無関係に特定の言語的背景を持つ受験者に余分な負荷を課すなら、それはバイアスの源です。公正性の検討は、これらの構成概念無関連な要因を同定し除去する作業です。測定不変性（measurement invariance）の検証は、集団間で同じ構成概念を同じ尺度で測れているかを統計的に確認する手法です。

差異項目機能（DIF）の検出

差異項目機能（DIF）は、能力が同等の異なる集団（参照群と焦点群）で、ある項目の正答確率が異なる現象です。能力をマッチさせたうえで集団間の反応差を比較する点が、単なる得点差（影響、impact）との違いです。代表的な検出法には、能力層ごとに分割表を作るMantel-Haenszel法、能力をマッチさせて集団効果を検定するロジスティック回帰法、項目特性曲線の差を評価するIRTベースの方法などがあります。

DIFには、一様DIF（全能力帯で一方の集団が一貫して不利）と非一様DIF（能力帯によって有利・不利が入れ替わる）があります。DIFが検出された項目は、必ずしも削除されるわけではなく、内容専門家がその差が構成概念に本質的か（妥当なDIF）、無関連な要因によるか（バイアス）を判断します。統計的検出と専門家判断の両輪で公正性を担保するのが標準的手続きであり、統計だけでも判断だけでも不十分です。

影響とバイアスの区別

公正性の議論では、得点差（影響）とバイアスを混同しないことが決定的に重要です。両者を取り違えると、現実の格差を測定の欠陥と誤認したり、逆に測定の欠陥を現実の格差と正当化したりする危険があります。

• 影響（impact）：集団間の観測得点差。現実の機会格差を反映しうる。
• バイアス（bias）：能力が同等でも生じる体系的な測定の不等価。
• DIF分析は能力をマッチさせることで、影響からバイアスを切り分けようとする。
• DIFの存在は必ずしもバイアスを意味せず、内容的に本質的な差のこともある。

配慮・アクセシビリティ・ユニバーサルデザイン

障害のある受験者などに対する配慮（accommodation）は、測定したい構成概念を変えずに、構成概念無関連な障壁（視覚・運動・言語など）を取り除くことを目的とします。時間延長、拡大文字、代替フォーマット、別室受験などが例です。配慮が構成概念そのものを変えてしまう（例：読解力テストで問題文を読み上げると、もはや読む力を測っていない）と妥当性が損なわれるため、配慮と構成概念の関係を慎重に検討する必要があります。これは『相互作用仮説』として、配慮が対象集団にのみ便益をもたらすかを検証する観点で研究されています。

近年は、設計段階からアクセシビリティを組み込む『評価のユニバーサルデザイン』が重視されています。事後的な配慮に頼るより、初めから多様な受験者が公平にアクセスできるよう設計する方が、公正性と妥当性の両面で優れるという考え方です。明確な指示文、不要な言語的複雑さの排除、多様な提示形式の許容などが、設計段階で組み込まれます。これは、誰か特定の集団のためでなく、すべての受験者の測定精度を高める効果も期待されます。

エビデンスの現在地（確実性: 中程度）

DIF検出法の統計的妥当性は確立しており、大規模テストでの項目スクリーニングに標準的に用いられています。この技術的側面の確実性は強いといえます。一方で、検出されたDIFの原因解釈、配慮が構成概念を変えるか否かの判断、どこまでを許容するかの基準は専門家判断と規範的価値判断を含み、一義的な正解がありません。配慮が対象集団にのみ有効かという相互作用仮説の検証結果も、配慮の種類や対象によってまちまちです。したがって公正性確保の全体像としての確実性は中程度であり、技術と倫理の両面からの継続的検討が必要です。

論点と限界

第一の論点は、影響とバイアスの境界です。集団間の得点差をどこまで測定の問題（バイアス）とし、どこから社会の機会格差の問題とみなすかは、統計だけでは決められず価値判断を伴います。DIF分析の『能力のマッチング』に用いる総得点自体がバイアスを含んでいる可能性（マッチング基準の汚染）もあり、技術的にも完全ではありません。

第二に、DIFの原因が常に明らかになるとは限らず、統計的に検出されても解釈不能なケースが残ります。第三に、配慮の妥当性問題です。配慮が構成概念無関連な障壁のみを取り除いているのか、構成概念そのものを変えて不当に有利にしているのかの判断は難しく、過少配慮（不公正）と過剰配慮（妥当性低下）の間で緊張が生じます。公正性は、技術で解ける部分と価値判断に委ねられる部分が不可分に絡み合う領域であり、純粋に技術的な解決はありえません。

現場・臨床応用

現場で評価を行う際も、公正性の発想は重要です。評価課題や指示が、特定の背景・言語・身体条件をもつ学習者に無関連な不利を与えていないかを点検することは、対人指導の公平性を高めます。たとえば運動評価で、測定したい能力と無関係な前提条件（特定の用具への習熟、特定の文化に固有の動作様式など)が結果を左右していないかを問うことが、無関連分散の除去に当たります。

健康・身体領域では、評価が多様な身体特性・年齢・文化的背景の人々に等価に機能するよう配慮することが、倫理的にも実践的にも重要です。評価結果を集団間で比較する際は、その差が能力差なのか測定の不等価なのかを安易に断定せず、慎重に解釈する姿勢が求められます。ユニバーサルデザインの発想を借りれば、最初から多様な対象者がアクセスしやすい評価を設計することが、事後的な調整より望ましい方向です。

主要な参考文献・ガイドライン

本記事は、以下の学会ガイドライン・ポジションステートメント・標準的な専門書などの公開情報に基づいて整理しています。具体的な数値や適用は原典・最新版をご確認ください。

• AERA・APA・NCME『Standards for Educational and Psychological Testing』（公正性の章）
• 差異項目機能（DIF）検出法に関する計量心理学の標準的解説
• 評価のユニバーサルデザインおよびアクセシビリティに関するガイドライン
• Educational Testing Service（ETS）の公正性レビュー基準資料

よくある質問

関連記事・関連する学問