技術的概要：内的物語は情動状態をパラメータ化する

問題提起

内的物語（言語化された思考や感情）と、特にうつ病の文脈における潜在的な情動状態との間の対応関係は、依然として十分に理解されていない。心理学的評価は精神状態を測定するために言語記述に大きく依存しているが、これらの物語と情動障害の潜在的幾何学との間の構造的かつ動的な関係は、十分に定量化されていない。先行研究では、情動状態が注意、記憶、言語使用にバイアスをかけることが示されており、気持ちは行動を制約する計算状態と見なせることが示されている。しかし、内的物語の構造によってパラメータ化可能な計算的実体として情動状態を扱う枠組みは欠如している。本論文は以下の問いに答える：文脈一貫性のあるトークン予測を最大化することで機能する大規模言語モデル（LLM）は、人間の情動状態の潜在的構造と動態を定量化し予測するための計算的代理として機能し得るか？

手法

著者らは、うつ症状の自由記述と大規模言語モデルの表現を用いて 3 つの仮説を検証する 2 つの大規模研究（総計 $N=1257$）を実施した。

研究 1：構造的パラメータ化

• 参加者： うつ病の重症度が異なる流暢な英語話者 $N=704$ 名。
• 手順： 参加者は、特定のうつ症状（気分、エネルギー、睡眠など）に関する PHQ-9（患者健康質問票）に由来する 8 つの自由記述質問に回答した。その後、標準的な多肢選択式質問票（PHQ-9、GAD-7（不安）、SDS（自己評価うつ尺度））を完了した。
• LLM 分析：
  • 予測： 著者らは参加者の自由記述回答を含むプロンプトを構築し、各種 LLM（Gemma2 2B/9B、Llama-3.1/3.2、Mistral-7B）に、対数尤度サンプリングを通じて対応する多肢選択ラベル（A-D）を予測させた。
  • 潜在構造： LLM が症状の共分散（潜在的幾何学）を捉えているかを検証するため、著者らは、真の質問票のペアワイズ項目相関と、自由記述入力に基づいて LLM が予測した相関を比較した。
  • スパースオートエンコーダ（sSAE）： 自由記述回答全体で平均化された LLM の隠れ状態を用いて、z スコア化された PHQ-9 得点を予測する教師ありスパースオートエンコーダを訓練した。これにより、「うつ症状部分空間」を抽出することが可能になった。
  • 摂動： 著者らは特定の方向（症状重症度の増加または減少）に潜在 sSAE 表現を摂動させ、LLM がサンプリングした多肢選択回答における生じるシフトを観察し、感度を検証した。

研究 2：時間的動態と文脈感受性

• 参加者： 参加者 $N=553$ 名。
• 手順： 参加者は、感情的に喚起的な「日記エントリ」（高または低の気分の極端な状態を表す）を用いた気分誘発プロトコルを受けた。
  • 課題： 参加者はこれらの日記エントリを聴き、再構成した後、新しい続きを書いた。一部（自伝的）には類似の人生出来事を思い出すよう求められ、他方（非自伝的）にはキャラクターを演じるよう求められた。
  • 測定： ベースラインおよびフォローアップ評価には、瞬間的な気分（視覚的アナログ尺度）、感情語の想起（センチメント分析）、および気分/エネルギーの自由記述による再評価が含まれた。
• 分析： 著者らは研究 1 で訓練された sSAE モデルを用いて、参加者の続きの日記における「落ち込み、うつ、または絶望感」症状の重症度を定量化した。これらの内的物語の変化が自己申告の情動指標の変化とどのように相関するかを分析した。

主要な結果

1. 自己申告得点の予測

LLM は、自由記述の言語化のみに基づいて標準的な多肢選択式うつ病得点を成功裡に予測した。

• 相関： 最良のパフォーマンスを示したモデル（Gemma2 9B）は、すべての 8 つの症状項目において、予測得点と真の得点の間に中程度から高い相関（$r = 0.56 - 0.78$）を示した。この性能は、PHQ-9 自体の再テスト信頼性と同等である。
• バイアス： 自由記述テキストにおける明示的な否定の欠如に起因すると考えられる、無症状の回答では重症度を過大評価し、高重症度の回答では過小評価するという体系的なバイアスが観察された。

2. 潜在症状構造の回復

本研究は、LLM の表現がうつ病の潜在的共分散構造を捉えていることを示した。

• 相関行列： 自由記述入力から LLM によって予測されたペアワイズ項目相関は、PHQ-9、GAD-7、および SDS の真の相関行列と密接に一致した。
• 構造的類似性： 特異値分解（SVD）基底や射影測定を含む指標は、LLM 由来の構造が真の潜在幾何学と整合していることを確認した。性能の低いモデルはこの構造を捉えられなかったことから、共分散パターンを捉えることが構成妥当性にとって不可欠であることが示唆される。

3. 潜在摂動と感度

sSAE 潜在空間は特定の摂動に対して敏感であることが証明された。

• ステアリング： 特定の症状の方向（例：「絶望感」の増加）に隠れ状態表現を摂動させることで、著者らは LLM のサンプリングされた回答をより高いまたは低い重症度得点へと成功裡に誘導した。
• 効果量： ほとんどの項目で統計的に有意なコーエンの $d$ 効果量が観察され、潜在空間には意味のある操作可能な症状重症度の表現が含まれていることが確認された。

4. 動態と文脈感受性

研究 2 は、情動状態が文脈変化に敏感であり、これらの変化が内的物語に反映されることを確認した。

• 誘発の成功： 気分誘発は、瞬間的な気分、語の想起のセンチメント、および自己申告の症状重症度を成功裡に変化させた。
• 物語の追跡： sSAE によって定量化された続きの日記の重症度は、情動変化の大きさを予測した。
• 遵守： 介入の感情的トーンへの参加者の遵守度（介入された状態とのテキストの類似性）は、気分変化の程度を予測した。
• ベースライン予測： 参加者の内的物語のベースライン重症度は、その後の情動変化の大きさを予測し、情動状態が可能な思考の空間を制約するという仮説を支持した。

意義と主張

本論文は、情動の機能とトランスフォーマーベースの LLM のメカニズムとの間の類似性を引き出すことで、人間の情動状態を理解するための計算的枠組みを提供すると主張している。

1. 計算的制約としての情動状態： 著者らは、情動状態が時間的および文脈的一貫性を最大化し、可能な言語応答の空間を制約する機能を持つと論じている。これは、LLM が文脈に基づいて次のトークン予測を最大化する方法と整合する。
2. 潜在幾何学の定量化： 本研究は、LLM 表現を通じて定量化された内的物語が、うつ病の潜在幾何学を捉えることを示している。これは、障害の「構造」が単に質問票の統計的アーティファクトではなく、個人が経験を言語化する際の意味的関係に埋め込まれていることを示唆する。
3. 治療的含意： 情動状態とその動態を定量化する能力は、以下のための潜在的なツールを提供する：
   • 評価： 任意の自由テキストソースからうつ病の重症度を測定する。
   • 療法モニタリング： 言語的に豊かな心理療法の過程と結果を追跡する。
   • 精密精神医学： 心理的変化の個別構成要素を特定し、ターゲットを絞った介入を設計する。
4. メタ学習の類似性： 本論文は、膨大な人間のテキストで訓練された LLM が、人間の情動状態の入力 - 出力依存関係（例：絶望感に先行する低自己評価など）をメタ学習したと仮定している。この出現的な類似性により、LLM は人間のメタ推論と「何について考えるかを決める」という扱いにくい問題に対するプローブとして機能し得る。

著者らは、うつ病（PHQ-9）への特定の焦点、自由記述回答の質の潜在的な変動、および多様な集団や他の精神健康症候群における検証の必要性などの限界を指摘し、控えめな姿勢を維持している。彼らは臨床診断を代替するものではなく、むしろ情動状態の動態をパラメータ化し理解するためのスケーラブルな計算手法を提供するものとして主張している。