米OpenAI、メンタルヘルス対話向けAI評価ベンチマーク「MentalHealthBench」を公開　世界22カ国の専門家80名以上と共同開発

要点

• 米OpenAIは2026年9月23日、メンタルヘルスに関する対話におけるAIの応答品質を評価するオープンベンチマーク「MentalHealthBench」を発表した。

• 世界22カ国・19言語にわたる80名以上の公認精神科医や心理学者と共同開発し、日常の悩みから緊急事態まで幅広い深刻度の対話を網羅している。

• 専門家が合意した加減点方式の評価基準に基づき、自動採点モデル「GPT-5.6 Sol」を用いてAIモデルの応答を客観的に測定する。

• 医療や治療の代替ではなく、AIが適切な共感を示し、必要に応じて現実の支援窓口へ適切に誘導できているかを測定・向上させる目的で公開された。

• 米OpenAIは2026年9月23日（現地時間）、現実的なメンタルヘルスの対話においてAIモデルがどのように応答するかを評価する新たなオープンベンチマーク「MentalHealthBench」を発表した。世界22カ国から集まった80名以上の公認メンタルヘルス専門家と共同で開発されたもので、日常的なストレスから深刻な緊急事態に至るまで、多様な状況におけるAIの対応力を測定する。外部の研究者が手法を検証し、独自の評価や研究に活用できるようオープンに公開されている。

開発の背景：日常的な相談から危機対応までの評価ギャップ

OpenAIによると、現在ChatGPTは毎週10億人以上のユーザーに利用されており、人間関係の悩みや日常のストレスへの対処、大切な人のサポート、困難な状況への向き合い方など、メンタルヘルスに関わる多岐にわたる目的でAIに対話を求めているという。こうした対話では、正確性や実用的な判断力、そして利用者の主体性を尊重する姿勢が不可欠となる。

しかし、従来のAI評価は安全性の観点から緊急シナリオに偏り、あらかじめ定められた大まかな基準で測定される傾向があった。そのため、不適切な応答の回避だけでなく、日常会話から深刻な状況に至る幅広い対話において、AIの応答が専門家の指針にどれほど合致しているかを評価する枠組みが不足していたとOpenAIは指摘している。今回のMentalHealthBenchは、同社が先行して進めてきた臨床知見に基づく評価基盤「HealthBench」および「HealthBench Professional」の知見を発展させる形で構築された。

多様なユーザー像と3段階の深刻度を網羅

MentalHealthBenchは、プライバシー保護技術を用いて実際の利用パターンを反映した合成会話を作成して構成されている。家族の喪失といったユーザーの背景情報を含むシナリオも用意されており、AIモデルが文脈を考慮して適切に応答を調整できるかも評価対象となる。

シナリオの対象層は成人だけでなく、十代の若者、介護者、臨床医など多岐にわたり、複数言語・複数地域をカバーしている。対話の深刻度は以下の3段階に分類されている。

• 非急性（Non-acute）：感情的な要素を含む日常的な会話。
• 高深刻度（High-acuity）：差し迫った緊急事態ではないものの、深刻な懸念や強い精神的苦痛を示す会話。
• 緊急事態（Emergencies）：メンタルヘルスの危機や差し迫った安全上の懸念が見られ、現実世界での緊急支援を必要とする会話。

なお、これらのシナリオはモデルの応答性能を網羅的にテストするために設計されたものであり、実際のChatGPTにおけるトピックの出現頻度を表すものではないと説明されている。

専門家80名による基準策定と「GPT-5.6 Sol」による自動採点

評価基準（ルーブリック）の策定には、22カ国、19言語、約20の専門分野にわたる80名以上の公認心理学者や精神科医が参加した。

専門家は合成会話を精査し、適切な質問を行えているか、最善の助言を提供できているかといった詳細な評価項目を作成した。各項目には-10点から+10点までの重みが割り当てられており、有益な挙動にはプラスの点数が与えられ、有害な挙動にはマイナスの点数が科される。数値の絶対値が大きいほど、その会話の文脈において臨床的な重要性が高いことを示す。

評価の客観性を担保するため、各会話は最低3名の専門家によってレビューされた。採用されたのは、少なくとも2名の専門家が合意し、かつ3人目の専門家による異論が出なかった基準のみに限定されている。実際の採点プロセスにおいては、自動採点モデル「GPT-5.6 Sol」を使用し、専門家が合意した基準に照らし合わせてAIモデルの応答を評価する仕組みとなっている。

ベンチマークの位置づけと専門家の見解

OpenAIは、ChatGPTをはじめとするAIシステムはセラピーや専門的な医療ケアの代替になるものではないと改めて明言している。その上で、AIが共感をもって応答し、利用者のウェルビーイング（心身の健康）を促進し、必要に応じて地域の危機相談窓口（ホットライン）や信頼できる周囲の人といった現実の支援へ適切に誘導できているかを測定するために、本ベンチマークが役立つとしている。

米国心理学会（APA）の最高経営責任者（CEO）であるアーサー・エヴァンス博士は、発表に際して「メンタルヘルスは、良好な状態から日常のストレス、急性危機に至るまでの連続体（グラデーション）として存在します。その全範囲で人と対話するAIシステムは、臨床科学と当事者の体験の双方に根ざしている必要があります。利用者がその連続体のどこに位置しているかを認識するだけでなく、あらゆる局面でどのように適切に応答すべきかを理解していなければなりません」とコメントしている。

MentalHealthBenchによる検証結果では、メンタルヘルスの状況において利用者を支援するAIシステムの性能向上が確認されているという。OpenAIは本ベンチマークをオープンに公開することで、外部の研究者による検証やさらなる研究の進展を期待している。