記事一覧へ
私たちは、会話の中の悪用の可能性を Claude が知らせるように学習させました。この手法を self-assessment（自己評価）と呼んでいます。Claude は応答した直後に、その会話について予備的な安全性評価を行います。
6 月に self-assessment を使い始めて以来、他のセーフガードが検出するようには設計されていなかった悪用を、これによって見つけ出すことができています。
Claude はすでにその会話を読んでいるため、self-assessment は非常に効率的です。また、特定の限られた種類の害を対象とする分類器（classifier）とは異なり、Claude 自身の判断に基づいているため、モデルが向上するにつれて精度も高まります。
詳しくは、新しい Safeguards ブログをご覧ください:
https://safeguards.anthropic.com/2026/self-assessment/
Claude安全性Safeguardssecurity
Claude が自ら会話の悪用を検知する「self-assessment」を導入
出典: Anthropic（@AnthropicAI）さんの X の投稿を、日本語に翻訳して紹介しています。 原文はこちら ↗
5,2574582,5323,311,969
原文を表示 / Show original
We’ve trained Claude to flag potential misuse in conversations, a technique we call self-assessment. Right after it responds, Claude gives a preliminary safety assessment of the conversation.
Since we began using self-assessment in June, it has surfaced misuse that our other safeguards weren’t designed to catch.
Because Claude has already read the conversation, self-assessment is very efficient. And unlike classifiers, which target a discrete set of harms, it draws on Claude’s own judgment, so it gets more accurate as our models improve.
Read more on our new Safeguards blog:
https://safeguards.anthropic.com/2026/self-assessment/