同意とデータ取得｜データ利用・法律・権利の読み方

このページはプロモーション（広告）を含みます。

データ利用・法律・権利の読み方（初級・読む30分＋演習30分）

この授業のゴール

• データの取得経路（本人から直接、利用ログ、他社からの提供、Webからの収集、購入）ごとに、確認すべき点を挙げられる
• 同意が必要になりやすい場面と、利用目的の通知・公表で足りる場面を区別し、「何でも同意が必要」「同意があれば何でもよい」の両方の誤解を説明できる
• 同意の記録（誰が・いつ・どの版の文面に・どの項目に同意し、撤回したか）から、ある時点で利用できる対象者を正しく抽出できる
• 同意取得の文面の不足（目的が曖昧、事前チェック済み、撤回方法がない等）を指摘し、改善案を書ける

仕事でどう使うか

データの利用可否は、どうやって手に入れたかで大きく変わります。同じ購入履歴でも、自社サービスの利用に伴って記録したものと、他社から買ったものでは、確認すべきことが違います。そして、取得時に何を本人に伝え、何に同意してもらったかが、後の分析・学習・共有の範囲を決めます。

同意は「取ったら終わり」ではなく、版と撤回を管理し続けるデータです。

前提

• 法律・契約・組織規程の3層 → 法律・契約・組織規程
• 個人情報、要配慮個人情報、利用目的、第三者提供 → 個人情報と利用目的
• 著作権とライセンス、利用規約 → 著作権とライセンス
• 欠損（空欄・NULL・NaN）と0の違い → 数値・カテゴリ・日時・欠損

この授業の位置づけ：法律・ガイドラインの説明は、執筆時点（2026年）の一般的な説明です。法令・ガイドラインは改正され、管轄（国・地域）や個別の事実で結論が変わります。この授業は法的助言ではありません。実際の案件では、最新の公式情報を確認し、社内の法務・知財・個人情報保護の担当者や弁護士などの専門家に相談してください。教材の自己採点で「合格」しても、それは法的な承認ではありません。

身近な状況：「同意は取ってあります」の中身

架空の動画配信アプリで、ML担当の中村さんが「視聴履歴の分析によるおすすめ表示」を作ることになりました。企画書には「利用者の同意は取得済み」と書かれています。

ところが、同意の記録を調べると次のことが分かりました。

• 2025年11月までの登録者は、旧版（v1）の文面に同意している。v1 には「視聴履歴の分析によるおすすめ表示」の記載がない。
• 2026年から登録画面に「おすすめ表示のための分析に同意する」という項目が加わった（v2以降）。この項目に「いいえ」と答えた人もいる。
• 同意を撤回した人がいる。
• データ移行で同意欄が空欄になった人がいる。

「同意は取ってあります」の中に、少なくとも4種類の状態が混ざっていました。全員のデータで学習すれば、同意していない人・撤回した人のデータを使うことになります。

この授業では、取得経路ごとの確認点と、同意の記録の読み方を学びます。

直感的な説明：同意は「何に」「いつ」「どの約束に」したかの記録

同意を「はい／いいえ」だけで考えると失敗します。同意は次の4つがそろって意味を持ちます。

1. 何に：どの利用目的・どの提供先についての同意か（項目）
2. いつ：同意した日時。そして撤回した日時
3. どの約束に：どの版の説明文に同意したか（文面の版）
4. どうやって：本人が自分の意思で明確に示したか

同意は範囲付きの許可証のようなもので、本人は返却（撤回）できます。新しい使い方には新しい許可証が必要になることがあります。

一方で、すべての利用に同意が必要なわけではありません。日本の個人情報保護法の一般的な説明では、利用目的を特定して通知・公表し、その範囲内で使う場合には、利用そのものに改めて同意を得る必要は原則としてないとされます。同意が問題になりやすいのは、次のような場面です。

「同意を取れば何でもできる」も誤りです。同意があっても安全管理などの義務はなくならず、本人が予想できない使い方は信頼を損ないます。

正確な定義：取得経路ごとの確認点と、有効な同意の要素

取得経路ごとの確認点

Cookie やアプリの利用者情報を外部に送信する場合については、電気通信事業法に、利用者への通知・公表などを求めるルール（いわゆる外部送信規律）が設けられています。対象となる事業者や求められる内容は、総務省の公式資料で確認してください。

有効な同意の要素（実務で確認する点）：同意の有効性の判断は事案によりますが、実務では次の点を確認します。

• 具体的：目的・提供先・データの種類が、本人に分かる程度に示されている
• 明確な行為：本人がチェックを入れる、ボタンを押すなど、自分で意思を示している（あらかじめチェックが入った箱は避ける）
• 分けて示す：性質の違う項目（サービス提供に必要なもの／任意の分析・広告）を一括にしない
• 撤回できる：撤回の方法が示され、撤回が実際に反映される
• 記録がある：誰が・いつ・どの版の文面で・どの項目に同意したかを後から証明できる

同意の記録の基本形：1行＝「1人×1項目×1回の同意」とし、次の列を持たせます。

ある日に利用できる対象者は、「対象の目的を含む版 かつ consent が yes かつ その日までに撤回していない」人です。

段階付き例題：今日の時点で利用できる対象者を数える

冒頭の動画アプリの同意記録（項目「視聴履歴の分析によるおすすめ表示」）の一部です。今日（2026年10月11日）、おすすめ表示の対象者を抽出します。v1 の文面にはこの目的の記載がなく、v2 以降に記載があります。

ステップ1：版で絞る。v1 の u02 は、この目的についての同意とは読めないので除外。残り9人。

ステップ2：回答で絞る。consent が yes の人だけ残す。u03（no）と u08（空欄）を除外。空欄を yes とみなさないことが重要です。残り7人。

ステップ3：撤回で絞る。今日までに撤回した u04（8月15日）と u07（10月3日）を除外。残り5人。

ステップ4：結果。対象者は u01、u05、u06、u09、u10 の 5人（10人中50%）。

ステップ5：意味を書く。

対象は10人中5人。v1 の同意者（u02）に新しい版で同意を求めるかを担当部署と検討。未回答（u08）は対象外とし、空欄の原因を調査する。

同じ処理をコードで書くと、次のようになります（pandas の read_csv で表を読み、条件を &（かつ）でつなぎます）。

import io
import pandas as pd

csv = '''user_id,version,consent,granted_on,withdrawn_on
u01,v2,yes,2026-03-01,
u02,v1,yes,2025-11-10,
u03,v2,no,2026-04-02,
u04,v2,yes,2026-05-20,2026-08-15
u05,v3,yes,2026-07-01,
u06,v3,yes,2026-10-05,
u07,v2,yes,2026-02-14,2026-10-03
u08,v3,,,
u09,v2,yes,2026-06-30,
u10,v3,yes,2026-09-01,'''
df = pd.read_csv(io.StringIO(csv), dtype=str)   # すべて文字列として読む（空欄は NaN）
today = '2026-10-11'
version_ok = df['version'].isin(['v2', 'v3'])
said_yes = df['consent'] == 'yes'                 # NaN（空欄）は False になる
not_withdrawn = df['withdrawn_on'].isna() | (df['withdrawn_on'] > today)
eligible = df[version_ok & said_yes & not_withdrawn]
print(eligible['user_id'].tolist())
print('対象者数:', len(eligible), '/', len(df))

日付は 'YYYY-MM-DD' 形式の文字列なので、大小比較で前後を判定できます（形式がそろっている前提）。

操作して理解する：条件を変えると対象者はどう変わるか

前の例題のコードで、条件を1つずつ変えて結果を予想してから確かめてください。

import io
import pandas as pd

csv = '''user_id,version,consent,granted_on,withdrawn_on
u01,v2,yes,2026-03-01,
u02,v1,yes,2025-11-10,
u03,v2,no,2026-04-02,
u04,v2,yes,2026-05-20,2026-08-15
u05,v3,yes,2026-07-01,
u06,v3,yes,2026-10-05,
u07,v2,yes,2026-02-14,2026-10-03
u08,v3,,,
u09,v2,yes,2026-06-30,
u10,v3,yes,2026-09-01,'''
df = pd.read_csv(io.StringIO(csv), dtype=str)

def eligible_ids(df, today, versions):
    ok = (df['version'].isin(versions)
          & (df['consent'] == 'yes')
          & (df['withdrawn_on'].isna() | (df['withdrawn_on'] > today)))
    return df.loc[ok, 'user_id'].tolist()

print('(1) 今日・v2以降  :', eligible_ids(df, '2026-10-11', ['v2', 'v3']))
print('(2) 9月30日時点   :', eligible_ids(df, '2026-09-30', ['v2', 'v3']))
print('(3) v3のみ        :', eligible_ids(df, '2026-10-11', ['v3']))

関数 eligible_ids(df, today, versions) は、表 df、基準日 today（文字列）、対象とする版のリスト versions を受け取り、条件を満たす user_id のリストを返します。

予想と答え：

• (2) 9月30日時点では、u07 はまだ撤回していないので対象。一方 u06 は10月5日に同意したので、本来は同意前です。このコードは同意日を見ていないため、u06 が入ってしまいます。過去の時点で抽出するなら granted_on <= today の条件も必要です。
• (3) v3 のみなら u05、u06、u10 の3人。v2 の文面に不足が見つかった場合などの絞り込みです。

考える問い：10月1日に作った配信リストに、10月3日に撤回した u07 が残っていたら？ → 撤回を反映したリストに作り直します。撤回の反映範囲は担当部署と決めて記録します。

発展：Webからの収集と研究データの取得

Webからの収集では、①利用規約とAPIの規約（契約の層）、②robots.txt（法律そのものではないが運営者の意思表示として尊重する）、③アクセス頻度による相手サーバーへの負荷、④中身の権利（投稿文・画像の著作権、投稿者の個人情報）を確認します。公開されている個人情報でも個人情報保護法上の扱いがなくなるわけではなく、偽りその他不正の手段による取得は禁じられていると説明されています。先に公式API・データ提供契約・公開データセットといった代替手段を探します。

研究データ：人を対象とする研究では、研究倫理の指針（医学系の研究には国の倫理指針があります）や所属機関の規程に基づき、倫理審査とインフォームド・コンセントの手続きが求められるのが一般的です。既存データの二次利用の手続きが定められていることもあります。

限界：収集の適否は、規約・取得方法・データの内容・用途の組み合わせで変わります。始める前に取得計画（対象・頻度・保存・用途）を書いて担当部署に確認するのが安全です。

よくある失敗

失敗1：「公開されているから同意も確認も不要」と考える

誤った例：

「SNSの公開投稿を5万件スクレイピングして、投稿者名付きのまま社内で分析し、データセットとして取引先にも共有します。公開情報なので問題ありません。」

なぜ誤りか：少なくとも4つの論点を見落としています。

直し方：公式APIや規約の範囲を確認し、取得計画を担当部署に相談します。分析に投稿者名が不要なら取得しない（最小化）、共有は集計結果にとどめる、などの設計にします。

失敗2：あらかじめチェック済みの「すべてに同意」で同意を取ったことにする

誤った例：登録画面に次の1つだけのチェックボックスを置き、最初からチェックを入れておいた。

☑ 利用規約、プライバシーポリシー、マーケティング情報の受け取り、提携企業への情報提供、すべてに同意する

なぜ誤りか：

• 本人が自分でチェックを入れていないので、明確な意思表示と言いにくい。
• サービス提供に必要な項目と、任意の項目（広告・提携企業への提供）が一括になっており、本人が選べない。
• 提携企業がどこか、何の情報を渡すかが分からない。

直し方：項目を分け、任意の項目は初期状態をチェックなしにします。提供先と提供する情報を具体的に書き、撤回方法（設定画面のどこから撤回できるか）を示します。文面の版を記録し、変更したら版を上げます。

失敗3：空欄（未回答）を同意とみなしてしまう

同意記録で「no ではない人」を抽出すると、空欄の人まで同意者に含まれます。

import pandas as pd

df = pd.DataFrame({'user_id': ['a', 'b', 'c'],
                   'consent': ['yes', 'no', None]})   # c は未回答（欠損）
wrong = df[df['consent'] != 'no']      # 誤り：None も「no ではない」に入る
right = df[df['consent'] == 'yes']     # 正しい：yes と明示した人だけ
print('誤り:', wrong['user_id'].tolist())
print('正しい:', right['user_id'].tolist())

出力は「誤り: ['a', 'c']」「正しい: ['a']」です。未回答の c は、同意したかどうか分からない人です。

なぜ誤りか：欠損は「不明」であり、yes でも no でもありません。同意のように本人の意思を示す列では、不明を同意として扱うと、同意していない人のデータを使う危険があります。

直し方：抽出条件は「yes と等しい」と肯定形で書きます。空欄の件数を別に数えて報告し、空欄が生じた原因（データ移行、画面の不具合）を調べます。

まとめ

• データの利用可否は取得経路で変わる。本人から直接・ログ・他社提供・Web収集・購入ごとに確認点がある。
• すべての利用に同意が必要なわけではない。目的外利用・第三者提供・要配慮個人情報の取得などで同意が問題になりやすい。同意があれば何でもよいわけでもない。
• 有効な同意の要素：具体的・明確な行為・分けて示す・撤回できる・記録がある。
• 対象者の抽出は「目的を含む版 かつ yes かつ 撤回していない（過去時点なら同意日も確認）」。空欄（未回答）を同意とみなさない。
• 公開されているWebの情報も、規約・個人情報・著作権・負荷を確認してから取得する。

用語

同意（consent）

本人が、示された内容での個人情報の取り扱いを認める意思表示。項目・版・日時・撤回とセットで記録する。

撤回（withdrawal）

本人が、以前に行った同意を取り消すこと。撤回後の処理への反映方法を決めて記録する。

インフォームド・コンセント（informed consent）

研究や医療などで、目的・方法・リスク・任意性などの説明を受け、理解したうえで本人が行う同意。

スクレイピング（web scraping）

プログラムでWebページから情報を自動的に収集すること。利用規約・robots.txt・負荷・中身の権利を確認する。

robots.txt（robots.txt）

Webサイトが、クローラー（自動収集プログラム）にアクセスしてよい範囲を示すファイル。運営者の意思表示として尊重するのが一般的な作法。

よくある質問

なぜ同意の「版」まで記録する必要があるのですか？

同意の範囲は、本人が読んだ文面で決まるからです。文面は改定されるので、版を記録していないと、ある人が新しい目的に同意しているのかどうか判断できません。例題の u02 のように、古い版の同意者を誤って対象に含める失敗を防げます。

同意と、利用目的の通知・公表は何が違いますか？

通知・公表は、事業者が利用目的を本人に知らせることです。同意は、本人が特定の取り扱いを認める意思表示です。利用目的の範囲内の利用は通知・公表で足りるのが原則で、目的外の利用や第三者提供などでは原則として同意が問題になります。

撤回された人のデータは、すぐに全部消さなければいけませんか？

撤回の対象（どの項目の同意か）と、法律・契約・社内規程で定められた保存の必要性によって変わります。例えば、配信の同意を撤回した人を配信リストから外すことと、取引記録そのものを削除することは別の話です。撤回をどの処理・データにいつ反映するかを、担当部署と決めて記録します。

研究で使うアンケートの同意と、会社のサービスの同意は同じですか？

考え方は似ていますが、研究では研究倫理の指針や所属機関の規程に基づき、研究目的・方法・リスク・参加の任意性・撤回などを説明する手続きが定められていることが多く、倫理審査も必要になるのが一般的です。所属機関の倫理審査委員会の手続きに従ってください。

同意率が低いと分析に偏りが出ませんか？

出ます。同意した人だけのデータは、同意しない人と性質が違う可能性があります（選択バイアス）。分析結果を報告するときは、対象が同意者に限られることと、同意者の構成（年代・利用頻度など）を書き添えます。偏りを理由に同意していない人のデータを使うことはできません。

仕事で「同意は取ってあります」と言われたら、何を聞けばよいですか？

①どの項目への同意か、②どの版の文面か、③同意の記録はどこにあり、撤回はどう反映されているか、④未回答の人はどう扱われているか、の4点です。この4つに答えられれば、抽出条件を正しく書けます。

確認問題

次に学ぶこと

次は 共有・保存・削除 で、取得したデータを共有・保存・削除するときの確認点を学びます。撤回や保存期限の管理もここで扱います。

関連：収集方法とバイアスは 収集方法とバイアス、データの最小化と匿名化は 「最小化と匿名化」（有料版）、研究の倫理と計画は研究モジュール（研究の問い・新規性・検証 など）で扱います。