Conditional GLMMs for reaction times in choice tasks

脳内の秘密のレーストラック

あなたがレースを見ていると想像してください。ただし、トラックを走っているのはランナーではなく、あなたの脳内を駆け巡る思考の小さな火花です。サインを見たり、音を聞いたり、何かに触れたりするたびに、脳は次に何をすべきかを判断しなければなりません。その決定にはどれくらいの時間がかかるのでしょうか？刺激を見てからボタンを押すまでの、あの瞬間のわずかな間合いを「反応時間」と呼びます。1世紀以上にわたり、科学者たちはこの微細な遅延に夢中になってきました。なぜなら、それは心の仕組みを覗き見るための窓のようなものだからです。私たちがどれほど速く、あるいは遅く反応するかを測定することで、研究者は私たちの頭の中で回転している目に見えない歯車を理解しようとしているのです。

これらの反応時間を理解するために、科学者は通常、2つの異なるツールキットを使用します。最初のツールキットは物理シミュレーションのようなものです。それは、脳を丘を転がり落ちるボールのように想像し、壁にぶつかるまで加速していく様子を描きます。この「衝突時間」こそが、あなたが選択を下す瞬間です。2つ目のツールキットは、一般化線形混合モデル（GLMM）と呼ばれる統計的な地図です。これは、乱雑なデータを整理し、反応時間のどれくらいがタスクそのものによるものか、そしてどれくらいがあなたという独自の個性（癖）によるものかを切り分けることができる、非常に賢いスプレッドシートのようなものです。大きな疑問は常にこうでした。「統計的な地図を使って、物理シミュレーションを逆設計（リバースエンジニアリング）できるのだろうか？ つまり、乱雑な数字を見て、『あぁ！脳はこれくらいの速度で転がっていたのだ！』と言えるのだろうか？」と。

点をつなぐ：スプレッドシートから脳の回転へ

Mauricio Tejo、Cristian Meza、および Fernando Marmolejo-Ramos によるこの論文は、2つの異なる言語を同時に話そうとする翻訳者のようです。著者たちは、脳がどのように意思決定を行うかという「物理学」と、私たちがそれらの意思決定をどのように測定するかという「統計学」を結びつけたいと考えました。彼らは、特定の種類のメンタル・レース、つまり顔が「悲しい」のか「幸せ」なのかを選ぶような選択タスクに焦点を当てました。

ここで彼らが使った巧妙なトリックがあります。すべての反応時間を混ぜて見るのではなく、データを「悲しい」を選んだ時の時間と「幸せ」を選んだ時の時間の2つの山に分けました。そして、それぞれの山に対して特別な種類の統計モデル（GLMM）を適用しました。彼らは、これらの山に対して特定の数学的な形状、具体的には**逆ガウス分布（Inverse Gaussian）とガンマ分布（Gamma）**を使用すれば、魔法のようなことができることを発見しました。これらの形状は単なる数学的なトリックではありません。これらは、実際にボールが丘を転がり落ちて壁に当たる時に生じる形状と一致しているのです。

これらの特定の形状を実際の人間データに適合させることで、著者たちは逆算することができました。彼らは統計モデルから得られた数値を用いて、脳の意思決定プロセスの「隠された映画」を再構成しました。彼らは、「ドリフト率（情報がどのように集まっていたか）」や「開始点（メンタル・レースがどこから始まったか）」といった要素を推定することができたのです。この手法が機能することを証明するために、彼らはコンピュータ・シミュレーションを行いました。彼らは、まさにこれらの数学的ルールに従う偽のデータを作成し、そのデータに対してモデルを実行し、投入した元の「物理学」を無事に復元することに成功しました。それは、設計図から家を建て、その後、完成した家を使って元の設計図を完璧に描き直すようなものでした。

実世界のテスト：微笑む顔とペンのトリック

この手法が実世界で機能するかどうかを確認するために、著者たちは116人が顔を見つめる有名な実験にこの方法を適用しました。顔は「超悲しい」から「超幸せ」まで、多くのグレーの階調を含んでいました。参加者は、その顔が悲しいのか幸せなのかを素早く答えなければなりませんでした。中には、その動作中に歯にペンを挟んでいなければならない人もいました（これは笑顔や不機嫌な顔を強制するための奇妙なトリックです）。一方で、ペンを持っていない人もいました。

結果は非常に興味深いものでした。顔が非常に明確なとき（超悲しい顔、または超幸せな顔）、「ドリフト率」は高くなりました。これは、脳が証拠を迅速かつ決定的に集めたことを意味し、結果として反応時間は速くなりました。しかし、顔が曖昧なとき（両方の性質を持っているように見えるとき）、ドリフト率は低下しました。脳は、壁に当たるまでボールをずっと長く転がさなければならず、その結果、反応時間は遅くなり、ばらつきも大きくなりました。

興味深いことに、著者たちは「ペンを噛む」トリックが、脳の意思決定プロセスの根本的な速度には影響を与えていないようだと発見しました。ペンによって人の「感じ方」が変わった可能性はありますが、情報の処理速度という核心的な「物理学」を変化させたようには見えませんでした。統計モデルは、脳の意思決定速度は、ペンを口に含んでいるかどうかではなく、顔の明瞭さにほぼ完全に左右されていることを示しました。

これが意味すること（そして意味しないこと）

著者たちは、これが「モーメントに基づく近似（moment-based approximation）」であると慎重に述べています。これを次のように考えてみてください。彼らは、レースのレイアウトを推測するために、平均速度と平均的な広がりを見ているのです。これは非常に優れた推測であり、彼らのシミュレーションはその有効性を示していますが、個々の思考をピクセル単位で完璧に再構成するものではありません。また、彼らのモデルは「非決定時間（顔を見てから指を動かすまでの、思考が始まる前の時間）」をゼロであると仮定しています。実際にはそのような時間は存在しますが、彼らのモデルはプロセス全体を一つの滑らかな転がりとして扱っています。

彼らはまた、2つの異なる数学的形状（ガンマ分布と逆ガウス分布）を比較し、ガンマ分布の方が逆ガウス分布よりも実際のデータにわずかに良く適合することを発見しました。これは、このような感情的な顔のタスクにおいては、ガンマ分布の形状が脳の意思決定プロセスの最も正確な「設計図」である可能性を示唆しています。

結局のところ、この論文は人間の心の謎を解明したと主張しているわけではありません。代わりに、強力な新しい架け橋を提示しています。標準的な統計ツール（すでに多くのコンピュータプログラムに組み込まれているもの）を使用して、カーテンの裏側を覗き込み、私たちの選択を駆動している隠れた認知プロセスを見ることができるということを示しています。それは、乱雑な反応時間の山を、私たちの脳がいかに速く決定へと転がっていくかという明確な物語へと変えてくれるのです。