情報公開請求の対象文書から、個人情報など不開示にあたる箇所の黒塗り候補を出す

処理の起点を決める

各課が請求番号のフォルダに対象文書を保存したことを起点にします。 請求の受付のときではありません。対象文書を集めるのは各課で、集め終わるまで何日かかかるからです。フォルダの名前に請求番号を付け、受付台帳と結び付けます。

1ファイルずつ処理し、処理が終わったファイルには結果のファイルを横に置きます。 候補の一覧と強調表示のPDFが並んでいれば処理済み、並んでいなければ未処理です。同じフォルダに後から文書が足されても、その文書だけが処理されます。

処理の順は、決定の期限の近い請求からにします。受付台帳から期限を引き、同じ日に複数の請求の文書が保存されたときは、期限の近いほうを先に処理します。

入力データを集める

質を決めるのは、文書の種類ごとの要点です。 条例の条文だけを渡すと、生成AIは「個人に関する情報」を広く取り、職員の氏名も、業者の代表者の氏名も、同じ扱いで候補に挙げます。 候補が多すぎると、人の判断の時間が減りません。過去の決定の例から、種類ごとに「この文書のこの欄は塗る」「この欄は塗らない」を書き出した要点を渡します。

要点は、決めつけではなく候補の優先度として使います。 要点で「塗らない」とされる欄でも、特殊な事情がありうる記載は候補に残し、確信度を下げて返させます。判断を人に残すための情報として渡すということです。

データの取得方法を決める

PDFは、Claude API にそのまま渡します。 対象文書のページ数が多いときは、中継プログラムがページの範囲で分けて送ります。同じ文書を何度も送る場合は、Files API に上げて file_id で参照する方法もドキュメントで案内されています。

各ページのテキストは、中継プログラムの側でも取り出します。 AIに渡すためではなく、AIが返した文字列を照合する相手として持っておくためです。スキャンのPDFは、複合機の文字認識で付いたテキストを使います。

文書の種類は、AIに最初に判定させます。 種類によって渡す要点が変わるので、1回目の呼び出しで種類を判定し、2回目で種類に合った要点を付けて抜き出しをさせます。1つのPDFに複数の種類の文書が綴じられていることも多いので、種類はページの範囲ごとに返させます。

AIへ渡す前に整形する

1. パスワードと暗号化の確認 … パスワード付きのPDFは受け付けられません。所管課に解除を依頼します
2. 容量とページ数の確認 … 1回の要求の上限を超えるものは、ページの範囲で分けます。細かい文字の多い文書は、上限より少ないページ数で分けます
3. テキストの有無の確認 … テキストが取り出せないページは、照合ができないページとして印を付けます
4. 規則による検出 … 電話番号、メールアドレス、口座番号らしい数字の並び、郵便番号と番地の組み合わせを正規表現で拾います
5. ページ番号の付与 … PDFのページ番号と、文書に印刷されたページ番号がずれている場合があるため、PDFのページ番号で統一します
6. 文書の種類の判定 … 1回目の呼び出しで、ページの範囲ごとの種類を判定します

4番目は、AIの抜き出しと並べて使います。 形式の決まった情報は、規則のほうが確実に拾えます。規則とAIのどちらか一方が拾えば候補にすることで、見落としの側を減らします。

3番目で印を付けたページは、人の流し読みを精読に切り替えます。 テキストが無いページは、AIが画像として読んでいても照合ができません。照合のできないページの候補は、すべて確信度を下げて扱います。

AIに処理させる

させるのは、不開示にあたりうる箇所を原文のまま抜き出し、類型と理由を付けることです。 類型は、情報公開の制度で定められている不開示情報の区分に合わせます。総務省の説明では、国の制度の不開示情報として次の6つが挙げられています。地方公共団体は各団体の条例によるため、区分は自団体の条例に合わせて置き換えます。

右端の列は、どれも「候補に残す」の側に倒しています。 迷った箇所を落とすと、その箇所は人の目に触れないまま開示されるおそれがあります。迷った箇所は確信度を下げて残し、落とすかどうかは人が決めます。

2行目が、照合の前提です。 「山田太郎」を「申請者の氏名」と言い換えて返すと、どこを塗ればよいかが分かりません。文字列はPDFの表記そのまま、全角・半角も変えずに写させます。

指示内容を固定する

あなたは市役所で、情報公開請求の対象文書から、不開示情報に
あたりうる箇所の候補を洗い出す職員を補助します。
あなたが挙げた候補は、所管課と文書法制課の職員が1件ずつ判断します。
開示するか、不開示にするかをあなたが決めることはありません。

【作業】
渡したPDFの各ページを読み、【不開示情報の類型】にあたりうる箇所を
すべて挙げてください。本文だけでなく、表の中、欄外、押印の周り、
添付資料、図の中の文字も読んでください。

【厳守事項】
- text には、PDFに書かれている文字列をそのまま写してください。
  言い換え、要約、全角と半角の変換、空白の削除をしないでください。
- page には、PDFの何ページ目か（1から数える）を入れてください。
  文書に印刷されているページ番号ではありません。
- 迷った箇所は、候補から外さずに confidence を low にしてください。
  候補を減らすことより、見落としを減らすことを優先してください。
- 【文書の種類の要点】で「塗らない例」とされている欄でも、
  特別な事情が書かれている場合は、confidence を low にして挙げてください。
- 同じ氏名が何度も出てくる場合は、出てくるたびに1件ずつ挙げてください。
- reason には、なぜその類型にあたりうるのかを、文書の中の根拠
  （どの欄か、誰の情報か）とともに1文で書いてください。
- 開示すべきか、不開示にすべきかの意見を書かないでください。
- 画像の中の文字で読み取れないものは、unreadable に
  ページと場所を書いてください。推測で文字を補わないでください。

【文書の種類】{doc_type}（{page_range}ページ）
【文書の種類の要点】{doc_rules}
【不開示情報の類型】{categories}

「出てくるたびに1件ずつ」を書いているのは、黒塗りの処理が箇所の単位だからです。 同じ氏名を1件にまとめて返すと、2回目以降の出現が塗られずに残ります。 1つの報告書に同じ申請者の氏名が十数回出てくることは珍しくありません。

「印刷されているページ番号ではない」も、実際によく起きる食い違いです。 表紙や目次が付いた文書では、印刷されたページ番号とPDFのページ番号が数ページずれます。ずれたまま照合すると、正しい候補がすべて照合に失敗します。

出力形式を固定する

次の形のJSONで受け取ります。

{
  "request_no": "",
  "file": "",
  "candidates": [
    {
      "page": 0,
      "text": "",
      "category": "personal | corporate | national_security | public_safety | deliberation | administration",
      "reason": "",
      "confidence": "high | low"
    }
  ],
  "unreadable": [
    { "page": 0, "location": "" }
  ]
}

1つ目の理由は、page と text の組で照合できることです。 中継プログラムは、候補ごとに「そのページのテキストに、text がそのまま含まれるか」を調べます。含まれれば verified、含まれなければ not_found を付けます。 not_found は、言い換えが起きたか、ページがずれたか、画像の中の文字かのどれかで、人が必ず見ます。

2つ目は、category を列挙で限れることです。 類型は6つに限ってスキーマに入れます。条例に合わせて類型を置き換えるときは、スキーマの列挙だけを直せば済みます。 Claude の構造化出力は enum に対応し、すべてのオブジェクトで additionalProperties を false にする必要があるとされています。

3つ目は、unreadable を分けて持てることです。 読めなかった箇所を候補と混ぜると、「候補が無い」のか「読めなかった」のかが区別できません。 読めなかった場所は、人が画像で確かめる一覧として別に返させます。

中継プログラムは、このJSONを規則の検出の結果と合わせて、次のような一覧にします。

「判断」の列は、人が埋める列です。 塗る・塗らない・保留のどれかを入れ、塗らないときは理由も書きます。

システムへ連携する

強調表示のPDFは、閲覧用です。黒塗りの処理には使いません。 候補に色を付けたPDFを作るのは、担当者が一覧と原本を行き来せずに判断できるようにするためです。黒塗りの処理は、人が判断した後に、PDFの編集ソフトの墨消しの機能で行います。 中継プログラムに黒塗りまでさせると、判断の前に塗られた文書ができます。

受付台帳には書き込みません。 期限を引くだけにします。処理の状況は、請求番号のフォルダの中の結果のファイルで分かります。

人が確認する

この業務では、すべての候補を人が判断します。 開示した情報は取り消せないため、確信度が高い候補でも、自動で塗る・塗らないを決めることはしません。

1. not_found と unreadable を先に見る … 照合できなかった候補と読めなかった場所です。多くは画像の中の文字か、ページのずれです
2. 候補を1件ずつ判断する … 塗る・塗らない・保留を決めます。塗らないときは理由を書きます
3. 候補の無いページを流し読みする … 手書きの書き込み、図の中の文字、写真に写った人の顔を確かめます
4. 文書法制課が判断を確かめる … 審査基準と違う判断が無いかを見ます。保留は文書法制課が決めます
5. 黒塗りの処理後に、文字が消えているかを確かめる … 処理後のPDFからテキストを取り出し、塗った文字列を検索します

3番目を省かないでください。 AIが読めるのは、PDFの中で読める形になっているものまでです。写真に写り込んだ人の顔や、図面の中の手書きの名前は、候補に挙がらないことがあります。 流し読みは、それを拾うための手順です。

5番目は、中継プログラムで機械的に行えます。 塗ると決めた文字列の一覧を持っているので、処理後のPDFのテキストにそれが残っていないかを照合します。 残っていれば、図形を重ねただけの処理です。

目標は、600ページをならして1ページ1.5分です。 候補の判断に1分、流し読みと処理後の確認に0.5分という想定です。候補が1ページに何件も出る文書は時間がかかり、候補の無いページは数十秒で済みます。

例外に対処する

下から2行目は、名簿の類で必ず起きます。 参加者名簿のような文書では、候補が数百件になります。1件ずつ判断するのではなく、「氏名の列は塗る、所属の列は塗らない」のように列の単位で決めるほうが早く、ぶれもありません。

記録を残す

• 対象文書の原本と、請求番号・所管課
• Claude に渡したページの範囲と、返ってきたJSONの全文
• 規則の検出の結果と、照合の結果（verified ／ not_found）
• 候補ごとの人の判断と、塗らないとした理由
• 文書法制課が判断を変えた箇所と、その理由
• 黒塗り処理後のPDFと、処理後の文字の残りの確認結果

4つ目と5つ目が、次の判断を速くします。 同じ種類の文書で「この欄は塗らない」という判断がたまると、それは文書の種類ごとの要点に足すべき例です。文書法制課の審査基準が、判断の記録から育っていきます。

6つ目は、開示の後に問い合わせや審査請求があったときの記録です。 どの箇所を、どの理由で塗ったかが、候補の段階から残っていれば、なぜその判断をしたかを後から説明できます。