AIがAmazon偽レビューを93%検出｜星と感情のズレを見抜く新技術

監修者伊東雄歩

株式会社ウォーカー CEO。東北大学卒。MENSA会員、JDLA認定講師、健全AI教育協会理事。生成AI×教育・学習科学を専門とし、2億円超のシステム開発プロジェクトを統括。

イギリスのイースト・ロンドン大学が、Amazonで93%・Yelpで91%の精度で偽レビューを検出するAIを開発
軽量モデル「DistilBERT」と、星評価・文章の長さ・感情傾向などのメタデータを組み合わせる手法
「最悪だった」と書きながら星5など、感情と評価のズレを文脈ごと見抜けるのが強み
日本のEC市場は約26兆円規模で、サクラレビュー対策はますます重要なテーマに
消費者・出品者・プラットフォームのそれぞれにとって、信頼回復の追い風となる研究

「このレビュー、本当に書いた人がいるの？」と疑ったことはありませんか。Amazonで買い物をすれば、ほとんどの商品に何百件もの星評価が並びます。便利な反面、サクラレビューに振り回されて買い物に失敗した経験を持つ人も多いはずです。そこに2026年5月、ひとつの大きな研究成果が飛び込んできました。

イースト・ロンドン大学が発表した偽レビュー検出AI

93%という具体的な数字の意味

2026年5月25日、イギリスのイースト・ロンドン大学の研究チームが、偽レビューを高精度で検出する新しいAIモデルを発表しました。

論文によると、検出精度はAmazonで93%、Yelpで91%。共著者にはヒシャム・アブーグラード氏とフィザ・リアズ氏らが名を連ねます。

93%という数字は、AIがレビューを100件チェックすれば、そのうち93件は「これは本物」「これは偽物」と正しく判定できるという意味です。

これまでの偽レビュー検出は、特定のキーワードや単純な文章パターンに頼ることが多く、巧妙に書かれた偽レビューを見逃してしまうのが課題でした。

採用されたのは「軽量版BERT」

使われたのはDistilBERT（ディスティルバート）という言語モデル。Googleが2018年に発表したBERT（人間に近い形で文章の意味を理解できるAI）を、知識蒸留という手法で軽くしたものです。

DistilBERTは、BERTの言語理解能力の97%を保ちながら、サイズを40%削減し、処理速度を60%高速化しています。

大規模なAIではなく、あえて軽いモデルを選んだのがポイントです。サーバー負荷を抑えられるため、ECサイト全体の何百万件ものレビューを継続的に監視するような実装にも向きます。

「感情と星評価のズレ」を見抜くしくみ

文章だけで判断しない「ハイブリッド融合モデル」

今回のAIの最大の特徴は、レビュー本文だけを読むのではない点にあります。

研究チームは、DistilBERTが文章から抽出する意味の特徴に、星評価・文章の長さ・感情傾向といったメタデータを組み合わせました。これを「ハイブリッド融合モデル」と呼びます。

たとえば、商品の不満を強い言葉で書きながら星5をつけているレビューは、人間が読めば「ちぐはぐだな」と感じます。AIはそのちぐはぐさを、文脈と数値の両面から定量的に評価できます。

具体的な「あやしさ」のパターン

研究で重視された手がかりは大きく分けて次の3つです。

感情と評価の不一致：「最悪だった」と書きつつ星5、または絶賛しているのに星1
不自然な文章の長さ：短すぎる感想だらけ、または逆に妙に長く詳細すぎる商品紹介
感情の偏り：ネガティブ要素がまったく出てこない、極端にポジティブな単語の連続

こうした要素を1つずつ点で見るのではなく、文脈と組み合わせて「線」として捉えるのがポイントです。

読者にも当てはまる「あるある」

たとえば、家電製品のレビューで「とにかく最高」「文句なし」「買って後悔ゼロ」とだけ繰り返されると、なんとなく違和感を覚えたことはないでしょうか。

ある主婦が、ロボット掃除機の口コミを読み比べて1台に絞り込んだ場面を想像してみてください。星4.7、レビュー件数3,000件超。しかし届いた商品は、絨毯にすぐ引っかかり、稼働音もうるさい。返品の手続きをしながら「あのレビューは何だったのか」と疲弊する——こうした経験は珍しくありません。

今回のAIは、そんな「人間が直感で感じる違和感」を数式に落とし込んだ仕組みだと言えます。

従来手法・Amazon純正対策との比較

従来のAI検出との違い

偽レビュー検出の研究自体は新しいものではありません。BERTやその派生モデル（RoBERTa、ALBERTなど）を使った先行研究も多数あります。

しかし、それらの多くは「文章だけ」を入力にしていました。今回のモデルは、テキストとメタデータを統合する設計を採ることで、文章を巧妙に書きさえすれば素通りできた従来の弱点を埋めようとしています。

Amazon自身の取り組みと比べて

Amazonは以前から、機械学習モデル・大規模言語モデル（LLM）・ディープグラフ・ニューラル・ネットワーク（GNN）などを組み合わせて偽レビューを摘発してきました。2022年だけでも、世界で2億件を超える不正の疑いのあるレビューを公開前にブロックしたとされます。

今回のイースト・ロンドン大学の研究は、Amazonに置き換わるものではなく、第三者が独立に検証できる学術モデルとして価値があります。プラットフォームの内部対策と、外部の研究成果が両輪で進むことで、検出精度の底上げにつながります。

3つのアプローチを整理

キーワード方式（旧来）：特定の単語や定型句に頼るシンプルな方式。回避が容易
言語モデル単独方式：BERTなどで文章の意味を理解。文脈に強いが、メタデータを使いきれない
ハイブリッド融合方式（今回）：文章＋星評価＋長さ＋感情傾向を統合。バランスが良い

日本の消費者・EC事業者にとっての意味

26兆円市場を支える「信頼」

経済産業省が2025年8月に公表した「令和6年度電子商取引に関する市場調査」によると、2024年の国内BtoC-EC市場規模は約26兆1,225億円に達しています。Amazonジャパンの売上高も、2024年に初めて4兆円を超えました。

これだけ巨大な市場を動かしているのは、最終的には消費者の「信頼」です。レビューが汚染されれば、買い物の意思決定そのものが揺らぎ、優良な事業者まで損をします。

日本の消費者への影響

日本のAmazonでも、サクラレビューは長らく問題視されてきました。Amazon自身、不正レビューの投稿が日本・米国・英国・ドイツ・フランス・イタリア・スペインで確認されていると公表しています。

今回の研究のような高精度な検出技術が広がれば、消費者にとっては次のような変化が期待できます。

外れ商品をつかむ確率の低下：星評価とレビューの中身の信ぴょう性が上がる
レビュー閲覧体験の向上：「サクラ判定済み」表示などUIの進化が進む余地
サードパーティツールの精度向上：日本国内の「サクラチェッカー」系サービスの分析精度も底上げ

出品者・EC事業者への影響

真っ当に商品をつくっている事業者にとっても、これは追い風です。サクラレビューで嵩上げされた競合と同じ土俵で戦わずに済むため、商品力で選ばれる正攻法に戻りやすくなります。

一方で、レビュー獲得を「金銭で買う」形のマーケティング手法は、ますます通用しにくくなります。広告費の使い道や、顧客フォローのあり方を見直すタイミングと言えるでしょう。

残された課題と次の論点

ChatGPT世代の偽レビュー

近年は、ChatGPTのような生成AIを使って自然な文章の偽レビューを大量生成するケースが増えています。実は、同じ研究チームによる別の論文「ChatGPTによる書き換え偽レビューの検出」では、生成AIによるリライト後の偽レビューにも対応する研究が進められています。

つまり、検出する側と作る側は「いたちごっこ」の構造にあります。今回の93%という数字も、攻撃側の進化に合わせて常に磨き直されていく前提で見る必要があります。

「説明できるAI」の重要性

偽レビューと判定されたレビューを削除する場合、プラットフォームには「なぜ削除したのか」を説明する責任が生まれます。透明性を保つために、AIの判断理由を可視化する「説明可能AI（XAI）」の枠組みも今後ますます重要になります。

よくある質問（FAQ）

Q1. 今回のAIは、誰でもすぐ使える形で公開されているのですか？

研究論文として公開されており、誰でも参照できますが、現時点で「ボタン1つで使える消費者向けアプリ」が同時公開されているわけではありません。今後、サードパーティのレビュー判定サービスや、Amazon・楽天などのプラットフォーム側の改善に取り込まれていく流れが想定されます。

Q2. 残り7%の見逃しがあるなら、結局信用できないのでは？

人間が手作業でレビュー1件ずつチェックする場合と比べれば、93%は十分高い精度です。重要なのは、AIが疑わしいレビューを優先的にピックアップし、人間や別のチェック工程に回せること。完全な無謬性ではなく、「効率的にあやしいものを絞り込める」点に価値があります。

Q3. このAIは日本語のレビューでも同じ精度を出せますか？

今回の研究自体は、英語のAmazon・Yelpデータが対象です。日本語に適用するには、日本語版BERTやLINE DistilBERTなどの日本語モデルでの再学習が必要になります。日本市場向けの応用は、研究や実装の余地が大きい領域です。

Q4. 消費者として、いまから自分で偽レビューを見抜くコツは？

AIの考え方を真似ると、（1）感情の強さと星評価が一致しているか、（2）レビュアーの他の投稿内容が極端に偏っていないか、（3）短すぎる「最高でした」だけのレビューが大量に並んでいないか、を見るだけでも精度が上がります。低評価レビューを優先して読むのも、現実を把握するうえで有効です。

まとめ

イースト・ロンドン大学が、Amazon 93%・Yelp 91%の精度で偽レビューを検出するAIを発表
軽量モデルDistilBERTに、星評価・文章の長さ・感情傾向を組み合わせたハイブリッド融合モデルが鍵
「感情と星評価のズレ」を文脈で捉えられる点が、従来のキーワード方式や言語モデル単独方式との大きな違い
26兆円規模の日本のEC市場でも、消費者・事業者・プラットフォーム全員にとっての追い風
生成AIによる偽レビューの巧妙化が進むなか、検出技術の継続的な進化と「説明可能AI」の整備がカギになる

次にAmazonで買い物をするときは、星評価の数字だけでなく、レビュー本文の温度感と星の数が噛み合っているかを意識して読んでみてください。AIが今、注目している視点を一足先に体感できるはずです。

参考文献

こんな時代だから遊んで学びたい

AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。

毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。

「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？

一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！

今すぐAIフレンズに参加して、未来への第一歩を踏み出そう！！