Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior

技術的概要：自然主義的計算認知科学

問題提起
認知科学は、自然な状況と行動の全範囲にわたる一般化可能な理論を構築する上で、持続的な課題に直面している。従来のアプローチは、結合主義、ベイズ推論、認知アーキテクチャなどの一般化可能なモデルを追求してきたが、現在の理論が十分に制約されているか、あるいは単純化された実験パラダイムを超えて一般化できるかについては、実質的な論争が存在する。著者らは、単純化された刺激や課題への依存が、自然知能によって駆動される計算メカニズムを捉えきれない理論をもたらす可能性があると主張する。さらに、この分野には、広範な自然主義的条件にわたってモデルを体系的にテストするためのインフラが欠如しており、統合を拒絶する断片的な知見が生まれている。

方法論と研究戦略
本論文は、「自然主義的計算認知科学」と呼ばれる研究戦略を提案する。このアプローチは、単純化された実験を放棄することを提唱するのではなく、実験的統制を維持しつつ生態学的妥当性を高めることでそれらを拡張することを目的としている。この方法論は、以下の 3 つの中核的柱を中心に構成されている。

1. 実験パラダイムの拡張：著者らは、自然分布の範囲をよりよくカバーするために実験パラメータを拡大することを提案する。これには以下が含まれる。

   • 既存パラメータの拡張：例えば、物体分類におけるカテゴリセットを日常生活の物体を含むように拡大する。
   • 生態学的動機付けパラメータの追加：例えば、口頭と書面の両方のモダリティにわたる言語的判断をテストする、あるいは社会的エージェントと部分的に観測可能な環境を導入する。
   • 自然主義的データのパラメトリック操作：生成 AI や仮想環境（例：2D マインクラフト、VR）を用いて、自然な変異を保持しつつ特定の機能（例：自然画像における形状とテクスチャの分離）を統制的にパラメトリック操作できる刺激を作成し、仮説をテストする。

2. 一般化可能なタスク遂行モデルの開発：機械学習（ML）のエンジニアリング実践に倣い、著者らは以下を提唱する。

   • 動的メタベンチマーク：静的なデータセットを超え、研究者が継続的に拡張する「生きているコレクション」としてのベンチマークへ移行する。これらのベンチマークは、認知能力の特定の側面（例：形状依存対テクスチャ依存）をテストし、新しい仮説や自然主義的変異を含めるように進化させるべきである。
   • 反復的開発：過学習を避けるために、モデル設計と課題設計を分離する。モデルは単純化された課題で開発されるべきだが、より自然主義的な設定で厳密に検証されるべきである。
   • 摩擦のない再現性：標準化された評価プロトコル、単一行コードでのデータアクセス（例：Hugging Face 経由）、および「シングルファイル」コード哲学を採用し、研究成果物の迅速な集合的反復と再利用を可能にする。

3. 還元による理論構築：著者らは、二重構成要素の理論構造を提案する。

   • 構成要素 1：広範な自然主義的刺激とパラダイムにわたって人間の行動を再現する、タスク遂行（予測）モデル。
   • 構成要素 2：これらの複雑なモデルを、より単純なメカニズム、データ特性、または形式的理論（例：合理的分析、ベイズモデル）に結びつける還元的解释。これには、メカニズム分析（例：分散アライメント検索）やデータ特性分析を用いて、モデルがなぜそのように振る舞うのかについての規範的説明を導き出すことが含まれる。

主要な知見とレビューされた証拠
本論文は、神経科学、認知科学、AI からの証拠を統合し、自然主義的アプローチの必要性を実証する。

• 計算メカニズムの転移：自然主義的設定は、異なる計算課題を露呈させる。例えば、キャンパスを移動するなど、大規模で遅延帰結を伴う環境における帰属付け（credit assignment）は、小規模なグリッドワールド課題では明らかにならない「マルチタスク・プレプレイ」のようなメカニズムを必要とする。同様に、特異性課題における側頭葉（MTL）の役割は、視覚皮質が刺激を解像できるかどうかによって依存し、これは複雑な自然主義的刺激をテストした場合にのみ明確になる区別である。
• 質的な行動の違い：自然主義的設定では行動が質的に変化する。例としては以下がある。
  • 記憶：偶発的な視覚探索は、明示的な暗記よりも優れた想起と空間的精度をもたらす。
  • 学習効率：マウスは、2AFC 課題と比較して、自然主義的な迷路探索において 1000 倍速く学習する。
  • 道徳的推論：仮想現実（VR）における道徳的行為は、テキストの vignette（例：橋のジレンマ）における道徳的判断とは著しく乖離する。
• 神経符号化の違い：神経系は自然主義的条件下で異なって作動する。例えば、上丘は頭部固定設定では通常、眼球運動制御のみで研究されるが、頭部自由設定では身体制御のための多感覚手がかりを統合する。能動的視覚は、受動的視覚と比較して視覚反応のタイミング（P100/M100）をシフトさせる。
• AI における自然主義的データの利点：自然主義的データでのトレーニングは、質的に異なる一般化パターンをもたらす。
  • 一般化：3D 環境と相互作用するエージェントは、スクリーンショットでトレーニングされた画像分類器よりも優れた構成的一般化を示す。
  • 創発的機能：広大な自然主義的データでトレーニングされたモデル（例：大規模言語モデル、強化学習エージェント）は、明示的なトレーニング信号なしに、異なるタスク（例：算術、ビデオゲームプレイ）のためのメカニズムを発達させる。
  • 知識の起源：自然主義的データは、認知知識の起源を探ることを可能にする。例えば、顔の専門化が自然主義的分布でトレーニングされたドメイン一般モデルから創発し得ることを示すことは、厳格な先天的仮説に挑戦する。

主要な貢献

1. 概念的枠組み：本論文は、「自然主義的計算認知科学」を、単純化されたパラダイムの限界を超え、より自然主義的な設定にわたる行動を予測する理論を構築する戦略として定義する。
2. エンジニアリングロードマップ：動的メタベンチマーク、摩擦のない再現性、標準化されたインターフェースといった ML エンジニアリングの実践を、集合的かつ体系的な進歩を促進するための認知科学への実行可能な提言へと翻訳する。
3. 方法論的統合：自然主義的データのパラメトリック生成による統制的実験操作と、複雑なタスク遂行モデルを組み合わせる方法を概説し、理論的対立（例：MTL 特異性論争）を解決する。
4. 理論的統合：予測的タスク遂行モデルと還元的・機械論的説明を結合する、具体的な理論構築アーキテクチャを提案し、理論が経験的基盤を持ちつつも理論的に解釈可能であることを保証する。

意義と主張
著者らは、実験設定とモデルの自然主義性を高めることが、完全かつ一般化可能な認知理論を構築するために必要不可欠であり、単に有益であるだけではないと主張する。彼らの主張は以下の通りである。

• 単純化された設定は、自然知能に必要な計算課題とメカニズム（例：帰属付け、長期的計画）の全範囲を捉えきれないことが多い。
• 現在の理論は、狭い分布でテストされるため制約が不十分であることが多く、自然主義的パラダイムとメタベンチマークを通じたテスト範囲の拡大は、堅牢で一般化可能な原則を特定するために不可欠である。
• AI の進歩（モデルエンジニアリングとデータ規模）と認知科学（理論と実験設計）の統合は、認知および神経現象の「根源」を理解するための道筋を提供する。
• これらの実践を採用することで、この分野は、還元的・機械論的理解を提供する能力を保持しつつ、自然行動の全範囲を説明する理論へと移行できる。

本論文は、自然主義的実験と一般化可能なモデルに関する増大する文献を統合し、認知理論の一般化可能性と科学モデルの過少決定性に関する長年の論争を解決する道筋を提供すると結論付けている。