会議で交わされる話の大半は、参加者の全員がすでに知っていることです。誰か一人しか持っていない決定的な情報は、議論の場に出てこないまま消えていきます。この現象を認知科学は「ヒドゥンプロファイル（hidden profile）」と呼びます。1985年の原典実験では、全員が完全な情報を持つ集団の83%が最良の選択肢を選んだのに対し、情報が分散した集団では18%しか選べませんでした。本記事では、40年分の実験とメタ分析をもとに、なぜ会議が「みんなが知っている話」で終わるのか、そして何が実際に効くのかを整理します。経営会議・プロジェクト会議・審査会など、複数人で意思決定する立場の方に向けた内容です。
ヒドゥンプロファイルとは？──「全員の知識を足せば正解が出るのに、出ない」状況
ヒドゥンプロファイルとは、集団のメンバー全員の情報を合算すれば最良の選択肢がわかるのに、各人が持つ情報は断片的で、しかもその断片だけを見ると別の選択肢が良く見えてしまう情報構造のことです。「隠された正解」が、参加者の頭の中にバラバラに散らばっている状態を指します。
この構造がやっかいなのは、誰も嘘をついていないし、誰も隠していない点にあります。全員が誠実に「自分が知っていること」を語っても、最良の答えにたどり着けない。問題は人ではなく、情報の分布と会話のメカニズムにあります。
用語整理：共有情報と非共有情報
- 共有情報（shared information）：参加者の全員（または大半）が議論の前からすでに知っている情報。
- 非共有情報（unshared / unique information）：ただ一人だけが持っている情報。専門性・現場感覚・顧客の生の声などがここに入る。
- 共有情報バイアス（shared information bias）：議論が共有情報に偏り、非共有情報が語られにくくなる傾向。「共通知識効果（common knowledge effect）」とも呼ばれる。
会議に多様なメンバーを集める目的は、本来この「非共有情報」を持ち寄ることにあります。ところが実験が示すのは、その非共有情報こそが最も語られにくいという皮肉な事実です。
なぜ会議は「みんなが知っている情報」ばかり話すのか？
理由は2つ。確率の問題と、選好の問題です。Garold StasserとWilliam Titusが提唱した「偏りのある情報サンプリングモデル（biased sampling model）」は、この2つで説明します。
理由1：知っている人が多い情報ほど、口に出される確率が高い
4人の会議で、全員が知っている事実Xと、1人だけが知っている事実Yがあるとします。Xは「4人のうち誰か1人が言い出せば」場に出ます。Yは「その1人が言い出さなければ」永久に出ません。単純な確率として、共有情報は非共有情報の何倍も議題に上がりやすい。集団が大きくなるほど、この差は開きます。
しかも共有情報は、誰かが口にすると他の全員が「そうそう」と反応します。この社会的な承認が、共有情報をさらに会話の中心に押し上げます。
理由2：人は自分の結論を支える情報を優先的に思い出す
もう一つは選好バイアスです。断片的な情報から仮の結論を持った人は、その結論を支持する情報を思い出しやすく、また「主張を擁護する」という社会的規範に従って、支持情報を優先的に発言します。結果として議論は、参加者が会議室に持ち込んだ偏りを修正せず、むしろ増幅する装置として働きます。
この構造は、少数意見が沈黙しやすい組織ほど深刻になります。発言の心理的コストについては心理的安全性とは？「ぬるい職場」との決定的な違いを、エドモンドソンの原典研究から解くで詳しく扱っています。
原典実験では何が起きたのか？（Stasser & Titus, 1985）
情報が分散しただけで、最良の選択肢を選べた集団は83%から18%に落ちました。これがヒドゥンプロファイル研究の出発点です。
Garold Stasser（マイアミ大学）とWilliam Titus（ブライアクリフ大学）は1985年、『Journal of Personality and Social Psychology』誌に「Pooling of Unshared Information in Group Decision Making」を発表しました（原論文PDF）。参加者は大学生228名、4人1組で「学生自治会長候補3名（A・B・C）から最適な人物を選ぶ」という模擬コーカスを行いました。
実験デザイン
候補者Aのプロフィールには好ましい属性が8項目、中立4項目、否定的4項目。候補BとCは好ましい属性が4項目ずつ。つまり全情報を見ればAが客観的に最良です。条件は3つ:
- 共有条件：全員が全情報を読む。
- 非共有／合意条件：Aの長所とBの短所を「1人にだけ」配り、初期選好をBへ誘導。
- 非共有／対立条件：同様の操作をBとC両方に行い、初期選好を割れさせる。
重要なのは、どの条件でも4人分の情報を合算すればAが最良だとわかるように設計されていた点です。参加者には「他のメンバーは自分と違う情報を持っているかもしれない」と事前に伝えられてもいました。
結果：議論は偏りを直さず、増幅した
| 条件 | 議論前にAを支持 | 議論後にAを支持 | 集団としてAを選択 |
|---|---|---|---|
| 共有（全情報） | 67% | 85% | 83%（18集団中） |
| 非共有／合意 | 25% | 20% | 24%（21集団中） |
| 非共有／対立 | 21% | 17% | 12%（17集団中） |
非共有条件の38集団のうち、最良候補Aを選んだのはわずか18%でした。さらに衝撃的なのは議論後にAの支持がむしろ減っていることです（25%→20%、21%→17%）。話し合えば情報が持ち寄られて修正されるはず、という期待は裏切られました。
議論前後の自由再生課題を分析すると、非共有条件では「勝った候補の長所」の想起率だけが有意に上昇していました。議論は新情報を流通させるのではなく、すでに全員が知っている情報の顕在性を高める働きをしていたのです。
Stasserらは集団の決定を「初期に最多数派が支持した候補が勝つ（plurality-supported wins）」というルールでほぼ説明できたと報告しています。議論は、最初の勢力図をめったに覆さない。この点は【行動経済学で読み解く】「現状維持」が奪う日本の未来：同調圧力と極端な損失回避がライフイベントと組織に与える罠で扱った同調圧力の議論とも重なります。
この効果はどれくらい強く、どれくらい再現されているのか？
65研究・3,189集団を統合したメタ分析によれば、ヒドゥンプロファイル状況の集団が最適解に到達する確率は、全情報を持つ集団の約8分の1でした。
Li Lu、Y. Connie Yuan、Poppy L. McLeodは2012年、『Personality and Social Psychology Review』誌に25年分の研究を統合したメタ分析を発表しました（Lu, Yuan & McLeod, 2012）。65研究・101の独立効果量・3,189集団が対象です。主な結論:
- 集団が議論で言及する共有情報の量は、非共有情報より約2標準偏差多い。
- ヒドゥンプロファイル条件の集団が最適解を見つける確率は、完全情報条件の約8分の1。
- 非共有情報が議論に出た割合が高いほど、決定の質は上がる（正の相関）。
- コミュニケーション媒体（対面かオンラインか）は、非共有情報の共有量にも決定の質にも有意な影響を与えなかった。
最後の点は実務的に重要です。「オンライン会議だから情報が出ない」のではなく、対面でも同じことが起きているということです。集団サイズ、情報総量、非共有情報の比率、課題の論証可能性（demonstrability）が調整変数として同定されています。
効果の強さの序列で言えば、この現象は単発の実験ではなくメタ分析レベルで支持されている部類に入ります。ただし後述する外的妥当性の批判は残ります。
学生だけの話ではないのか？──医師チームでも同じことが起きた
専門教育を受けたプロフェッショナルのチームでも、共有情報バイアスは観察されます。
James R. Larson Jr.らは1998年、3人1組の医師チームに2件の仮想症例を診断させました（Larson, Christensen, Franz & Abbott, 1998, JPSP 75(1), 93–108）。症例情報の一部は全員に、残りは分割して配布。結果、共有情報は非共有情報より議論に出やすく、かつ早い段階で出る傾向が確認されました。
興味深いのはリーダーの役割です。チームリーダーは他のメンバーより一貫して質問を多く発し、共有情報を繰り返す傾向がありました。ただし議論が進むにつれ、非共有情報を繰り返す役割も引き受けるようになることが観察されています。つまり、議長の振る舞い次第で情報の流れは変えられる余地がある、ということです。
この「専門家ほど自分の持つ情報を言語化しない」という問題は、なぜ一流の専門家ほど「自分のノウハウ」を言語化できないのか？――失われる70%の暗黙知を掘り起こす「認知的タスク分析」の科学で扱った暗黙知の問題とも地続きです。
何をすれば非共有情報は出てくるのか？──検証済みの5つの介入
介入1：議論を始める前に「意見が割れていること」を可視化する
事前の意見不一致（dissent）があるだけで、ヒドゥンプロファイルの解決率は有意に上がります。しかも、誰も正解を支持していなくても効きます。
Stefan Schulz-Hardtらは2006年の『JPSP』論文で、議論前の選好が全員一致で「間違った選択肢」に揃っていた集団は、ヒドゥンプロファイルをほとんど解けなかったのに対し、議論前に意見が割れていた集団は解決率が有意に高かったと報告しています（Schulz-Hardt, Brodbeck, Mojzisch, Kerschreiter & Frey, 2006, JPSP 91(6), 1080–1093）。正解を支持する人が一人でもいればさらに解決率は上がりましたが、誰も正解を持っていない不一致でも効果があった点が重要です。
媒介変数の分析では、効果の大半は「議論の密度（discussion intensity）が上がったこと」で説明されました。不一致が、単純に議論を長く・深くしたのです。なお不一致の「大きさ」（少数派の異論か、全員バラバラか）は決定の質に影響しませんでした。
実務への含意はシンプルです。会議の冒頭で全員の暫定意見を無記名で出させ、割れていることを見える化する。関連して異論が言える組織ほど、なぜ伝達品質が高いのか：心理的安全性と“反対意見設計”もあわせてどうぞ。
介入2：「判断」ではなく「解くべき問題」として枠づける
「答えがある問題を解く」と伝えられた集団のほうが、非共有情報を持ち寄る率が上がります。
Stasser & Stewart（1992）は、参加者に殺人ミステリーを読ませ、集団で犯人を特定させました（Stasser & Stewart, 1992, JPSP 63(3), 426–434）。「正解が存在する（solving a problem）」と教示された集団は、「各自の判断で決める（making a judgment）」と教示された集団より、非共有情報の共有と正答率が高くなりました。
解釈はこうです。「正解を探す」と定義されると、人は情報を集める動機を持つ。「好ましい案を選ぶ」と定義されると、人は合意形成を急ぐ。会議のアジェンダの書き方ひとつで、参加者のモードが変わるということです。
介入3：誰が何を知っているかを、議論の前に宣言する
「この人はこの領域の担当だ」と全員が認識していると、その人の固有情報は議論に出やすくなり、重く扱われます。
Stasser、Vaughan、Stewart（2000, Organizational Behavior and Human Decision Processes 82(1), 102–116）は、専門役割の割り当てが非共有情報の共有を促進することを示しました（論文情報）。ポイントは、本人だけでなく他のメンバーもその専門性を認識していること。専門性が「本人しか知らない」状態では効果が薄いと報告されています。
実務では、会議の冒頭に「今日は◯◯さんが顧客接点、△△さんが技術実現性、□□さんが財務の観点を代表します」と明示するだけで条件が整います。
介入4：議論そのものを構造化する
72研究・4,795集団のメタ分析によれば、情報共有はチームのパフォーマンス・凝集性・意思決定満足度・知識統合をすべて予測し、その効果は「議論の構造化」「課題の論証可能性」「協力的な関係」によって増幅されます。
Jessica Mesmer-MagnusとLeslie DeChurchの2009年『Journal of Applied Psychology』メタ分析（Mesmer-Magnus & DeChurch, 2009, JAP 94(2), 535–546、総N=17,279）は、情報共有の2側面を区別しています。
- ユニークネス（uniqueness）：どれだけ固有の情報が場に出たか。
- オープンネス（openness）：どれだけ率直に情報を出し合える関係があったか。
両者は別物であり、「風通しがよい」だけでは固有情報は出てきません。議題を項目ごとに区切って一つずつ潰す、担当領域ごとに発言を割り当てるといった手続きの設計が必要になります。会議の設計論は「決まらない会議」は脳への暴力である：会議の科学、認知的足場、そして引き算のデザインがもたらす生産性革命で詳述しています。
介入5：AIファシリテーターは効くのか？──2025年の大規模実験
LLMによるファシリテーションは「発言量の底上げ」には成功しましたが、最終的な決定の質を有意に改善しませんでした。人間のファシリテーターでも同様です。
Mohammed Alsobayら（マイクロソフト・リサーチ／MIT）は、参加者1,475名・281集団を対象とした事前登録済みランダム化実験を実施しました（Alsobay, Rothschild, Hofman & Goldstein, arXiv:2508.08242, ACM CSCW 2026採択）。課題は「架空のスポーツイベントの開催都市を選ぶ」というヒドゥンプロファイル課題。条件は4つ──ファシリテーションなし／情報共有を促す一度きりのメッセージ／人間のファシリテーター／GPT-4oによるファシリテーター。
結果、LLMファシリテーションは議論内で共有される情報量を増やしました。そのメカニズムは、参加者の「最低関与レベル」の引き上げ、つまり黙っていた人を喋らせたことでした。参加者の課題・集団・ファシリテーターへの態度もほとんど悪化しませんでした。
一方で、人間・AIのいずれのファシリテーションも、最終決定の質には有意な効果を持ちませんでした。著者らは「部分的な情報共有の増加では、ヒドゥンプロファイル効果を克服するには不十分だった」と結論づけています。
これは冷静に受け止めるべき結果です。「議事録AIを入れたから会議の質が上がる」という発想は、少なくともこの実験では支持されていません。
この研究の限界と、批判されている点
ヒドゥンプロファイル研究は再現性の高い現象ですが、実験パラダイム自体の外的妥当性には長年の批判があります。誠実に整理しておきます。
批判1：実験室の課題は「協力的な情報共有」を前提にしすぎている
Gwen Wittenbaum、Andrea Hollingshead、Isabel Boteroは2004年、『Communication Monographs』誌でこのパラダイムを批判しました（Wittenbaum, Hollingshead & Botero, 2004, 71(3), 286–310）。彼らの主張は、実験参加者は「全員が正解を求めて協力する」という前提で扱われているが、現実の組織では情報共有は個人的な目標と集団的な目標の両方に動機づけられているというものです。
現実の会議では、情報を出すこと自体に政治的コストがあります。「自分の部門に不利な数字を出す」「上司の案を否定する材料を出す」といった行動には、実験室にはないリスクが伴う。この点で、実験結果は現実の下限（もっとも条件のよいケース）を示している可能性があります。
批判2：ヒドゥンプロファイルの「強さ」は人工的に操作されたもの
実験では、最良の選択肢に不利になるよう情報が意図的に分配されています。Lu, Yuan & McLeod（2012）自身も「ヒドゥンプロファイルの強さ」を調整変数として同定しており、現実の会議で情報がこれほど極端に偏って分布しているとは限りません。現実には、共有情報だけで正解にたどり着けるケースも多いはずです。
批判3：「非共有情報を出せば正解が出る」わけではない
Alsobayら（2025）の実験が示したように、情報共有量を増やしても決定の質は改善しませんでした。情報が場に出ることと、その情報が適切に重みづけされることは別問題です。出てきた情報が「一人しか言っていない」という理由で軽視される（信頼性の割引）現象も報告されています。
したがって、本記事の推奨は「非共有情報を出せば必ず正解が出る」ではなく、「非共有情報が出ない構造をまず自覚する」という段階にとどめるのが誠実です。
明日から使える：会議設計を変える5つのアクション
実験で効果が確認された介入を、実務に落とし込むとこうなります。
| アクション | やること | 根拠 |
|---|---|---|
| ① 議論前サイレント投票 | アジェンダ提示直後、全員が暫定意見と理由を無記名で紙／チャットに書き、集計を全員に見せてから議論を始める | Schulz-Hardt et al. (2006)：事前の不一致が議論密度を上げ、解決率を高める |
| ② アジェンダを「問い」で書く | 「新製品の方向性について」ではなく「最も解約率を下げる施策はどれか」と、正解が存在する形式で書く | Stasser & Stewart (1992)：問題解決枠づけが非共有情報の共有を促進 |
| ③ 冒頭30秒の「担当領域宣言」 | 「今日は誰が何の観点を代表するか」を口頭で明示する | Stasser, Vaughan & Stewart (2000)：専門性の相互認識が固有情報の重みを上げる |
| ④ 一巡ラウンド方式 | 自由討議の前に「まだ場に出ていない情報を一人ずつ1つ」と指名して回す | Mesmer-Magnus & DeChurch (2009)：議論構造化が情報共有—成果関係を調整 |
| ⑤ 反証の当番を置く | 「この結論が間違っているとしたら理由は何か」を担当する役を毎回1名決める | Schulz-Hardt et al. (2006)：異論の存在が議論を深める |
いずれも道具は要りません。変えるのは順番だけです。「自由討議 → 結論」を「暫定意見の可視化 → 一巡ラウンド → 自由討議 → 結論」に組み替える。それだけで、共有情報が場を占める前に固有情報が滑り込む余地が生まれます。
なお⑤の反証当番は、なぜ「デメリットも言う人」ほど信じられるのか？ 説得力を上げる「両面提示」の科学で扱った両面提示と相性がよく、対外的な提案の説得力を高める副次効果もあります。
よくある質問（FAQ）
ヒドゥンプロファイルと集団思考（groupthink）は何が違いますか？
別の現象です。集団思考は「凝集性の高い集団が異論を抑圧し、合意を優先してしまう」という動機づけの問題を扱います。ヒドゥンプロファイルは、誰も異論を抑圧していなくても、情報の分布と会話の確率構造だけで最適解を逃すという、より基礎的な情報処理の問題です。両者は重なることも多く、集団思考が加われば事態はさらに悪化します。
会議の人数を増やせば、情報が集まって解決しますか？
逆効果になりうる、というのが研究の示唆です。集団サイズはメタ分析で調整変数として同定されており、人数が増えると共有情報が言及される確率だけが上がり、一人しか持たない情報の相対的な埋没度は増します。人数より、①誰が何を知っているかの明示と、②発言順の設計のほうが効きます。
オンライン会議のほうが情報が出にくいのでは？
Lu, Yuan & McLeod（2012）のメタ分析では、コミュニケーション媒体は非共有情報の共有量にも決定の質にも有意な影響を与えませんでした。対面かオンラインかは、この現象の主因ではありません。ただしチャットや事前ドキュメントのような非同期の手段は「発言順を待つ」制約を外すため、一巡ラウンドの実装手段としては有効です。
AIに議事録や要約を任せれば改善しますか？
現時点のエビデンスは慎重です。Alsobayら（2025）の1,475名実験では、GPT-4oのファシリテーションは共有される情報量を増やしましたが、最終決定の質は有意に改善しませんでした（人間のファシリテーターでも同様）。AIは「黙っている人を喋らせる」効果は持ちうるが、それだけで正解に届くわけではない、と理解するのが妥当です。
この現象は日本の組織で特に強く出ますか？
日本の組織を対象にした直接的な比較データを、本記事の調査範囲では確認できませんでした。したがって「日本では特に強い」と断定はできません。ただし発言の心理的コストが高い環境ほど非共有情報が出にくくなるという理屈は成立するため、同調圧力の強い場では悪化する可能性が高いと考えられます。
まとめ：会議の質は「何を話したか」より「何を話さなかったか」で決まる
要点を再確認します。
- ヒドゥンプロファイルとは、全員の情報を合算すれば最良の答えが出るのに、各人の断片だけでは別の答えが良く見える情報構造のこと。
- Stasser & Titus（1985）の原典実験では、最良の選択肢を選べた集団の割合が83%から18%へ落ちた。しかも議論は偏りを修正せず、増幅した。
- 65研究・3,189集団のメタ分析（Lu et al., 2012）では、ヒドゥンプロファイル集団が最適解に到達する確率は完全情報集団の約8分の1。媒体（対面／オンライン）の影響は有意でなかった。
- 効果が確認された介入は、①事前の意見不一致の可視化、②問題解決としての枠づけ、③専門役割の相互認識、④議論の構造化。
- LLMファシリテーターは情報共有量を増やしたが、決定の質は改善しなかった（Alsobay et al., 2025）。技術で自動的に解ける問題ではない。
次の一歩：次回の会議で一つだけ試すなら、「議論を始める前に、全員の暫定意見を無記名で集めて全員に見せる」を実装してください。所要3分、道具はチャット1本。意見が割れていると分かった瞬間から、議論の密度は変わります。
意思決定の構造そのものを設計し直したい経営者の方は、社外CSO（Chief Storytelling Officer）の枠組みもご覧ください。
出典
- Stasser, G., & Titus, W. (1985). Pooling of unshared information in group decision making: Biased information sampling during discussion. Journal of Personality and Social Psychology, 48(6), 1467–1478. 原論文PDF
- Lu, L., Yuan, Y. C., & McLeod, P. L. (2012). Twenty-five years of hidden profiles in group decision making: A meta-analysis. Personality and Social Psychology Review, 16(1), 54–75. SAGE Journals
- Larson, J. R., Jr., Christensen, C., Franz, T. M., & Abbott, A. S. (1998). Diagnosing groups: The pooling, management, and impact of shared and unshared case information in team-based medical decision making. Journal of Personality and Social Psychology, 75(1), 93–108. PubMed
- Schulz-Hardt, S., Brodbeck, F. C., Mojzisch, A., Kerschreiter, R., & Frey, D. (2006). Group decision making in hidden profile situations: Dissent as a facilitator for decision quality. Journal of Personality and Social Psychology, 91(6), 1080–1093. DOI
- Stasser, G., & Stewart, D. (1992). Discovery of hidden profiles by decision-making groups: Solving a problem versus making a judgment. Journal of Personality and Social Psychology, 63(3), 426–434. 書誌情報
- Stasser, G., Vaughan, S. I., & Stewart, D. D. (2000). Pooling unshared information: The benefits of knowing how access to information is distributed among group members. Organizational Behavior and Human Decision Processes, 82(1), 102–116. Semantic Scholar
- Mesmer-Magnus, J. R., & DeChurch, L. A. (2009). Information sharing and team performance: A meta-analysis. Journal of Applied Psychology, 94(2), 535–546. PubMed
- Wittenbaum, G. M., Hollingshead, A. B., & Botero, I. C. (2004). From cooperative to motivated information sharing in groups: Moving beyond the hidden profile paradigm. Communication Monographs, 71(3), 286–310. Taylor & Francis
- Alsobay, M., Rothschild, D. M., Hofman, J. M., & Goldstein, D. G. (2025). Bringing everyone to the table: An experimental study of LLM-facilitated group decision making. arXiv:2508.08242（ACM CSCW 2026採択）. arXiv
＼ LINE登録で無料プレゼント ／
『9つの伝わる型 図解ハンドブック 完全版』
PDF・57ページ／35の研究にもとづく「なぜ効くのか」まで解説
60秒診断・伝え方ミニ講座もLINEでお届けします
📱 友だち追加して特典を受け取る登録は無料・配信はいつでも解除できます