Mündigkeit

試験を受ける方ご本人はもちろん、統合コースや職業ドイツ語コースの講師、移民相談員、ソーシャルワーカー、自治体や図書館の職員、ジャーナリスト、移民・教育・法分野の研究者の方を想定して書いています。

制度の隙間にある「言葉の壁」

ドイツの帰化試験は、全国共通の300問 と 各州固有の10問 をあわせた310問のプールから出題されます。本試験ではそのうち33問（州問3問＋全国問30問）が出され、17問以上正解で合格です。これらの問題と解答は、著作権法第5条により 「公文書」 として保護の対象外で、誰でも自由に複製・翻訳・再配布できます。つまり、教材そのものは制度上「みんなのもの」です。

ところが現実には、この教材は 言葉の壁 で閉じられています。

• BAMFの公式練習サイトはドイツ語のみ。
• 市販の対策本もほとんどがドイツ語で、英語が一部、それ以外の言語でまとまったものはほぼ存在しません。
• 公費の統合コースを受けられない人 ―― EU市民、第三国出身の長期滞在者、家族呼び寄せで来た人など ―― は、独学か有料サービスに頼るしかありません。

法律は教材を開放しているのに、言語のほうで閉じてしまっている。Mündigkeit はこの隙間に対して、50言語の翻訳・対訳表示・原文音声という形で答えを出します。

国籍法 §10(1) ―― 第6号と第7号のねじれ

ドイツ国籍法（StAG）の 第10条第1項 には、帰化の要件として次の二つが並んでいます。

• 第6号 ―― 十分なドイツ語能力（実務上はCEFRのB1相当）。これは 手段 です。
• 第7号 ―― ドイツの法秩序・社会秩序・生活事情に関する知識。帰化試験で確認されます。これが本来の 目的、つまりシビック・リテラシーです。

法律の条文上、この二つは並列の要件です。ところが運用では、第7号の教材がドイツ語でしか提供されていません。結果として、第6号（ドイツ語）を一定レベルまで身につけないと、第7号（社会の知識）を勉強できない という奇妙な順序ができあがっています。手段がいつのまにか目的の前提条件になり、本来並行して進められるはずの市民知識の習得が、語学に追いつくまで足止めされてしまうわけです。

しかし、憲法や三権分立、歴史的責任、社会制度といったテーマは、学習者が一番慣れている言語で読むのが一番たしかに理解できる ―― これは教育の常識です。問われているのは語彙ではなく、意味の内容だからです。Mündigkeit は、この二つの要件を意図的に切り離します。市民知識は母語で先に届ける。その隣に、試験会場や役所で実際に出会うドイツ語の語彙と音を置く。語学はそのプロセスのなかで自然と上積みされていく ―― これが私たちの取り方です。

制度の谷間にいる EU市民

EU市民は EU機能条約 第21条 と EU市民自由移動法（FreizügG/EU） によって、滞在許可なしで・語学証明なしで・統合コース受講義務なしで、ドイツに住み、働き、社会保障を受け、家族を呼び寄せることができます。この強力な移動の自由の裏返しとして、EU市民には 統合コースの受講義務がなく、公費での受講枠もほぼありません。「すでに滞在の権利がある人には、追加の公的サポートは要らないだろう」という発想です。

でも、実際の生活ではそこに谷間ができます。

• 何年、何十年とドイツに住みながら、政治制度や歴史や基本法をちゃんと通して読んだことがないままの EU市民。
• ドイツ国籍がないと参加できない選挙（連邦議会・州議会）。
• 学校・役所・近所づきあいで、市民生活の語彙が足りないと感じる場面。
• 「あなたはすでに権利を持っているから」という理由で、公的支援の対象からそっと外されている現実。

そのうえ近年は、ドイツへの帰化を真剣に考える EU市民が増えています。連邦選挙の投票権、ヨーロッパ域外での領事保護、2024年のStAG改正で原則容認された複数国籍、そしてこの国との長年のつながり ―― 理由はさまざまですが、彼らも当然、帰化試験を受け、第10条第1項第6号と第7号を満たさなければなりません。ところが、彼らに見合った準備のための公的インフラは、ほとんど用意されていません。

Mündigkeit は、この谷間にいるすべての人に同じ扉を開きます。統合コースの外にいる EU市民、帰化を考えはじめた EU市民、第三国出身の長期滞在者、家族呼び寄せで来た方、別の経路でドイツに来た保護対象者 ―― 誰でも同じように使えます。

市民知識は、帰化希望者だけのものではない

憲法、歴史、社会制度を知ることは、帰化の手続きをする人だけに必要な知識ではありません。たとえば次のような方にも関係があります。

• ドイツで生まれた移民2世・3世で、家庭の言語が他にある方
• 帰化の予定はないが、長く住むつもりの方
• 留学生、研究者、専門職などで期間限定で滞在している方
• 移民コミュニティに関わる教員やソーシャルワーカーの方
• そして単純に、自分が住んでいる国がどう動いているかを知りたい方

こうした方にとって、310問は試験というより 民主社会への入口 です。受験対策は、市民教育のついでに片付くものになります。

Mündigkeit でできること

3つの学習モード

• 学習モード ―― 自分のペースで一問ずつ解いていく形式。回答するとすぐに、母語訳・ドイツ語原文・短い法的な補足が表示されます。
• 本番形式 ―― 本試験と同じ「33問・60分・17問正解で合格」。テーマ領域別の正答率も出ます。
• 州別テスト ―― 選んだ州の10問だけを練習します。MVP-Aではまずニーダーザクセン州から、フェーズ2で全16州に拡張します。

3つの領域・17のカテゴリー

カテゴリー分けは、BAMFの公式カリキュラムが定める3領域に揃えています。

• I. 民主主義のなかで暮らす（9カテゴリー）―― 基本法、選挙制度、政党、連邦制、司法、メディア、市民の権利、信教の自由、男女平等。
• II. 歴史と責任（4カテゴリー）―― ヴァイマル共和国、ナチズム、戦後と東西分断、再統一。
• III. 人と社会（4カテゴリー）―― 教育、社会保障、労働、家族と多様性。

カテゴリーはタグとして使えるので、苦手なテーマだけ集中的に復習できます。

原文と訳文を同時に表示

各問題は、ドイツ語原文と母語訳が同じ画面に並びます。原文は大きく上に、訳文はその下に補助として置く、という配置です。法律用語や行政用語が出てきたら、その場で両方を見比べられます。継承言語（heritage language）研究では、まさにこの「二つの言語のあいだで意味を行き来させる作業」が記憶の定着につながると指摘されています（Polinsky、Montrul ほか）。

原文音声 ―― Neural TTS による朗読

すべての問題のドイツ語原文には、音声がついています。使っているのは Azure Neural TTS の de-DE-KatjaNeural です。母語訳はあえて音声化していません。「文字 → 音 → 意味」の流れをドイツ語のなかで完結させて、試験会場や役所窓口で実際に耳に入る言い回しに慣れてもらうためです。視覚に頼りにくい方やディスレクシアの方にとっても、音声は重要なアクセス手段になります。

51言語と qualityTier 表示 予定

完成版では 51言語（ドイツ語原文＋50言語の訳文）に対応し、EU公用語24言語をすべて完全カバーします。各言語には、次の4段階の品質ラベルを付けます。

• verified ―― ネイティブによる確認済み。
• pro-dict ―― 高性能モデル＋専門用語辞書による訳。ネイティブ確認はまだ。
• best-effort ―― 高性能モデルだけの訳。専門用語に揺れが残る可能性あり。
• lazy ―― 軽量モデルによる訳。あくまで参考としてご利用ください。

読み手が、自分が今読んでいる訳の信頼度を知っていること。これはリスク管理ではなく、教育デザインの一部です。

Athene ―― 黄昏にあらわれる学習パートナー β

ヘーゲルが『法の哲学』序文（1820）で書いた有名な一節があります ―― 「ミネルヴァの梟は、たそがれが訪れてはじめて飛び立つ」。社会のあり方への反省は、行為のあとに来る。起こったことが、起こったあとで理解される ―― そういう趣旨です。ローマ神話のミネルヴァは、ギリシア神話の アテーナー（Athene）。古代から、その肩には知恵の鳥である梟が寄り添ってきました。Mündigkeit は、このイメージを借りて、オプションの学習パートナーを Athene と名づけました。Athene は白い梟の姿で現れ、学習者が問題を読み、答え、考えたあとに、はじめて姿を見せます。先回りはせず、課題の黄昏どきに、そっと隣に来る存在です。

1問につき3つの関連トピック ―― AIが関わるのはここから先

Athene は、310問それぞれに対して 3つの関連トピック を、短い解説とともに表示します。これらは、各問題にあらかじめ静的に紐づけられた 約15,000文の事前準備コーパス から引いてきます。この段階では、外部の生成AIは一切使っていません。関連トピックの文章は人が編集したもので、検証可能です。生成モデルというより、多言語の解説辞典に近い設計です。

AIが登場するのは、用意されたトピックを読んだ学習者が、それでも自分で追加の質問をしたくなったときです。1問につき 追加質問は最大3回 まで。それを超えると Athene はその問題についての会話を閉じます。この制限は、対話を本来の学習対象に集中させるためと、無料公開のサービスとして外部AIの利用量を持続可能な範囲に保つため、両方の理由からです。

なぜ「今は」外部モデルを使うのか

Mündigkeit は 完全無料 で、広告も課金もデータ販売もありません。この前提のもとでは、自前で言語モデルをホストする費用は現状ではまかなえません。そのため追加質問への応答だけは、EUリージョン上の外部API を経由して取得しています。学習効果が確かめられ、それに見合う助成が得られたら、EU域内で完結する自前のモデル基盤に移行する ―― これは展望ではなく、明文化された開発目標です。

ここでも「データを集めない」が原則

ミネルヴァの梟は、先回りしない。日が傾いてからやってくる。そして、理解が育ってきたあかつきには、自分の翼で飛ぶようになる ―― このプロジェクトもまた、そういう順序で進めるつもりです。

Mündigkeit が「そうではない」もの

ソフトウェア開発者、教育工学・移民研究・法学などの研究者、助成プログラムの評価者、情報系の素養を持つ教員、そしてオープンソースに関心のある方を想定しています。
サーバーレス。DBなし。51言語をひとつのエンジンで。Word Catch と並んで、同じ Lernitem-Engine の上に Civic Variant が乗っている構造です。

4層構成のアーキテクチャ

Mündigkeit は、姉妹プロジェクトの Word Catch（多言語の小学生語彙、184言語対応）と同じ Lernitem-Engine ―― コンテンツに依存しない学習アイテム処理コア ―― の上に乗っています。

Layer 3 — UIシェル        HTML/CSS/JS、国際化
─────────────────────────────────────────────────────────────────
Layer 2 — Variant         Civic Variant
                          姉妹: Catch Variant（Word Catch）
─────────────────────────────────────────────────────────────────
Layer 1 — エンジンコア    Item Loader · Scheduler · Scorer
─────────────────────────────────────────────────────────────────
Layer 0 — コンテンツ      Civic アイテム集（310問、多言語Face、
                          画像との対応づけ、タグ）

ここで言う Face とは、1つのアイテムが持つ言語別の表示バリエーションを指します。アイテムは内部に複数のFace（de, ja, en, fr, ar ほか）を持ち、UIは現在の表示言語にあわせてFaceを読み出し、ドイツ語原文と組み合わせて表示します。同じ仕組みが Word Catch では多言語の基礎語彙を、Mündigkeit では4択の市民テスト問題（画像問題を含む）を担います。各言語が独立したFaceとして管理されているので、ある言語の訳文を改訂しても、他の言語やドイツ語の原本には影響しません。

なぜここまで層を分けるのか。新しいVariant ―― たとえば穴埋め形式、リスニング形式、別ジャンル（職業指導、交通安全 など）―― を追加するときに、エンジンコアにも他のVariantにも一切手を入れずに済むようにするためです。コンテンツは出題形式を知らず、Variantは表示言語を知らず、UIはVariantの標準イベントだけを購読する。この切り分けが拡張性を支えています。

専門用語辞書を組み込んだハイブリッド翻訳パイプライン

市民テストの文章には、法律・行政の専門用語（連邦憲法裁判所、基本法、連邦大統領、連邦参議院、州議会、連邦制、補完性原理、社会国家原理 など）が密に出てきます。生成AIだけに任せると、用語の訳語にぶれが出ます。試験対策の文脈では、このぶれは許容できません。そこで Mündigkeit は 2段階のパイプライン を採用しています。

1. 専門用語辞書レイヤー ―― 整備済みの用語データベースが、法律・行政ドイツ語の語をターゲット言語の定訳に置き換えます（例：Grundgesetz → en Basic Law、fr Loi fondamentale、es Ley Fundamental、ja 基本法）。
2. 文脈レイヤー（高性能AIモデル） ―― 残りの文章をPro級の言語モデルで、バッチ非同期で訳します。コストと遅延の両方を見ながらチューニングしています。

翻訳の本体はAIで生成しています。AI自体の品質向上にともなって、翻訳精度も上がっていきます。qualityTier の表示は、この2レイヤーをどう通ってきたかから自動的に決まります。🟢 verified への昇格だけは、ネイティブによる確認を経た場合に限り、手作業で行います。

多言語のFaceは、一度きりの機械翻訳ではなく、複数段階のAI支援ワークフロー のなかで生まれます。常に基準になるのはドイツ語版で、これが 各言語が照合される「正本」 です。AIは段階ごとに役割を持ちます ―― 用語管理、翻訳、アイテム間の整合チェック、別モデルを使った サンプリングによる相互照合、そして 怪しい箇所だけのピンポイント修正。狙いはAIに責任を肩代わりさせることではなく、人手だけではまず実現できない規模の多言語QAを、現実的に運用可能な形にすることです。気になる箇所が見つかったときは、その箇所だけ手を入れます。言語まるごと訳し直すことはしません。

qualityTier は宣伝文句ではなく、利用者への情報

機械翻訳の出力を「ネイティブ品質」とラベル付けしたい誘惑は、業界全体に共通してあります。Mündigkeit はそれを2つの理由で避けます。

• 実証的な理由。51言語のすべての問題をネイティブが確認するのは、評者のネットワークと数年単位の時間を必要とする仕事です。それが完了するまでは、品質について語るときは「どう生成されたか」と結びつけて語るのが誠実だと考えます。
• 教育的な理由。二言語のあいだを行き来して学ぶ人にとって、「この文の信頼度はどれくらいか」を見極められることそのものが、深い学習につながります。Tier表示は危険警告ではなく、認識のための情報です。

したがって Tier は 透明性のシグナル であって、品質の保証ではありません。各言語が現時点で通ってきたレビュー経路と、その時点での確度を示しています。保証ではなく、追跡可能な情報 として提示します。利用者は、目の前の文章が純粋な機械翻訳なのか、複数モデルでの整合チェックを通ったのか、すでにネイティブ確認済みなのかを判別できます。この区分は固定ではなく、モデルの進化、レビュー体制の成熟、追加のネイティブ確認によって、言語ごとに 段階的に 上のTierへ動いていきます。

Civic Audio ―― Azure Neural TTS による原文読み上げ

• 音声： de-DE-KatjaNeural。複数のドイツ語Azure音声を、聞き取りやすさ・話速・市民テーマにふさわしい落ち着き、という観点で比較した結果採用したものです。
• 生成： 内部の事前生成スクリプトが、各問題ごとに2つの音声スニペット（設問文と解説）を合成します。画像問題はこれに加えて、各選択肢ごとのスニペットも生成します。
• 保存： Vercel Blob に保存し、EUのCDNエッジから配信します。
• 再生UI： 設問・選択肢の横に、16×16のインラインSVGスピーカーボタンを置きます。🔊 絵文字はあえて使いません。タイポグラフィの静けさを保つためです。
• 遅延生成： 利用頻度の低い州問題の音声は、初回アクセス時に生成してキャッシュします。生成パイプライン自体は翻訳パイプラインと同じです。

Privacy by Design ―― アカウントを作らない GDPR 準拠

• アカウントなし、セッションなし、Cookieなし、外部スクリプトなし。
• 学習履歴と言語設定はブラウザの localStorage にだけ存在し、サーバー側には保存しません。
• 翻訳APIとTTS APIに渡るのは、処理対象の問題文だけです。利用ログや個人情報は送りません。
• 外部のAIサービスにアクセスするのは常にサーバー側からで、クライアント側で識別子を生成することはありません。
• GDPRの 第5条（データ最小化）、第6条1項(b)（契約履行を根拠とする）、第13条（情報提供義務）に準拠します。

オプションのβ機能 Athene も同じ原則に従います。追加質問の入力は、サーバー側からのみEUリージョン上の外部モデルに送られます。永続的なログは取りません。レート制限のため、IPアドレスはHMAC-SHA256で擬名化したトークンに変換して扱います。さらに送信前のフィルタが、明らかな個人情報（メール、電話、IBAN、生年月日）を取り除きます。法的な拘束力のある記述は、プライバシーポリシー をご覧ください。

サーバーレスでの配信

いわゆるバックエンドサーバーはありません。外部のAIサービス（翻訳・音声合成）は、安全なサーバーレス関数経由でのみ呼び出します。状態はすべてクライアント側に持たせています。静的コンテンツと音声スニペットはCDNエッジから配信します。利用者が増えても、運用コストはほぼ上がりません。プラットフォームとモデルの無料枠の範囲で恒常的に動かせるよう設計しています。

更新は git push によって Vercel に自動デプロイされます。Civic Variant ではあえてサービスワーカーを使わず、利用者が常に最新版を見られるようにしています。

Item / Face スキーマ

1つのアイテムは、ドイツ語原文と、言語別のFaceを持ちます。

{
  "id": "lid-001",
  "nr": 1,
  "teil": "bund",
  "kategorie": ["grundgesetz", "meinungsfreiheit"],
  "bildfrage": null,
  "faces": {
    "de": {
      "frage": "In Deutschland dürfen Menschen offen etwas gegen die Regierung sagen, weil …",
      "a": "hier Religionsfreiheit gilt.",
      "b": "die Menschen Steuern zahlen.",
      "c": "hier Meinungsfreiheit gilt.",
      "d": "die Menschen das Wahlrecht haben.",
      "loesung": "c",
      "notiz": "Art. 5 GG — Meinungsfreiheit."
    },
    "ja": {
      "frage": "ドイツでは、政府に対して公然と反対の意見を述べてよいことになっています。それはなぜですか？",
      "a": "信教の自由が認められているから。",
      "b": "人々が税金を払っているから。",
      "c": "表現の自由が認められているから。",
      "d": "人々に選挙権があるから。",
      "loesung": "c",
      "notiz": "基本法第5条 — 表現の自由。"
    }
  }
}

画像問題（310問中11問）はさらに bild_dateiname（設問画像）または bild_dateinamen.{a,b,c,d}（選択肢画像）と、bildfrage_kind ∈ { "stem", "options" } を持ちます。州問題は bundesland 属性を持ちます。

Mündigkeit と Word Catch ―― 同じエンジン、別のVariant

Mündigkeit と Word Catch は、同じ Lernitem-Engine 上で動き、翻訳パイプライン、音声パイプライン、デザイントークン（design-tokens.css）を共有しています。違いはVariant、データモデル、対象、デザインの語彙にあります。

他ツールとの位置づけ

多言語対応、qualityTierによる品質の透明化、ドイツ語原文の音声、徹底したデータ最小化 ―― この4つを同時に備えたシステムは、私たちが調べたかぎりほかに見当たりません。