Complex networks map test anxiety and wellbeing levels in students and ChatGPT

この論文は、行動的形態ネットワーク（BFMNs）を用いて、STEM 分野の学生における「試験」や「成績」への否定的な感情の定量化と、それらが AI シミュレーション（ChatGPT）の表現と構造的にどう異なるかを分析し、人間のテスト不安とウェルビーイングの枠組みを解明する新しい手法を提示しています。

要約

この論文は、**「テストや成績に対する学生の心の状態」を、まるで「心の地図」**を描くようにして分析した面白い研究です。

研究者たちは、単に「テストが怖い」とアンケートで聞くのではなく、学生たちが頭の中で**「テスト」という言葉をどう捉え、どんな言葉と結びつけているか**を、複雑なネットワーク（つながりの図）として可視化しました。さらに、その結果を最新の AI（チャットボット）の思考と比較して、「人間と AI は、同じ『テスト』をどう違うふうに感じているか」を突き止めました。

以下に、難しい専門用語を使わず、身近な例え話で解説します。

---

1. 研究の舞台：「心の庭」と「AI の図書館」

この研究では、2 つの異なる「心の世界」を比較しました。

• 人間（学生たち）の心：
  彼らの心は**「生きた庭」**のようなものです。経験、感情、過去の失敗や成功が、植物のように根を張って絡み合っています。「テスト」という言葉は、庭の特定の場所にあり、その周りには「不安」「失敗」「親の期待」といった棘（トゲ）のある植物や、暗い影が茂っています。
• AI（GPT）の心：
  AI の心は**「巨大で整然とした図書館」**のようなものです。そこには「テスト」や「不安」という本が大量に並んでいますが、それらは「人間が実際に体験した感情」ではなく、「本に書いてある定義」や「一般的な知識」として整理されています。

研究者は、この 2 つの「庭」と「図書館」を比較するために、**「BFMN（行動的な心のネットワーク）」**という新しい地図の描き方を使いました。これは、学生に「テスト」という言葉を聞いたときに、頭に浮かぶ最初の 3 つの言葉を答えてもらい、その言葉が「嬉しい」か「悲しい」かを評価させることで、心のつながりを可視化するものです。

2. 発見された「心の地図」の 3 つの特徴

① 「テスト」と「成績」は、学生にとって「重たい荷物」

人間学生たちの心の地図を見ると、「テスト（Exam）」や「成績（Grade）」という場所の周りは、**「失敗」「不安」「プレッシャー」**という暗い雲に覆われていました。

• 例え話： 学生にとって「テスト」は、単なる勉強のチェックではなく、**「自分の価値をジャッジされる恐ろしい裁判」**のように感じられています。
• 意外な発見： 一方で、**「専門家（研究者や熟練者）」の地図では、この「テスト」の周りは「中立で、具体的な道具」**のように描かれていました。彼らにとってテストは、もう「恐怖」ではなく、「仕事の一部」や「手順」として見えているのです。経験が、恐怖を「具体的なタスク」に変えるようです。

② 「不安」の正体：人間は「具体的な出来事」に、AI は「診断名」に結びつく

ここがこの研究の一番の見どころです。

• 人間の学生： 「不安（Anxiety）」という言葉を聞くと、**「学校」「試験」「成績」「時間制限」といった、「実際に経験した具体的な出来事」**と強く結びつけていました。
  • 例え話： 人間の学生にとっての不安は、**「明日の数学のテストが怖くて眠れない」という、「具体的なシチュエーション」**です。
• AI（チャットボット）： 一方、AI が「不安」を語ると、**「パニック」「ストレス」「精神疾患」といった、「抽象的な診断名や医学用語」**に結びついていました。
  • 例え話： AI にとっての不安は、**「辞書に載っている『不安』の定義」であり、「誰かの体験談」**ではありません。

重要な違い：
人間の学生は、「テスト」と「不安」が**「3 倍も強く結びついている」のに対し、AI ではほとんど結びついていませんでした。つまり、AI は「テストが怖い」という「言葉の知識」は持っていますが、それが「心の中でどう絡み合っているか」という「体験の構造」**は理解していないことが分かりました。

③ 「幸せ（ウェルビーイング）」の捉え方

• 人間： 「幸せ」は**「健康的な食事」「十分な睡眠」「友達との時間」といった、「日々の具体的な行動」**と結びついていました。
• AI： 「幸せ」は**「心理療法」「治療」「メンタルヘルス」といった、「医療や専門的な概念」**と結びついていました。
  • 例え話： 人間は「幸せ」を**「生活の質」として感じているのに対し、AI はそれを「専門家の領域」**として捉えているのです。

3. なぜこの違いが重要なのか？

この研究は、**「AI は人間の心を完全に模倣できない」**ことを示しています。

AI は、人間が「テストは怖い」と言う**「表面的な言葉」は学べますが、それが「なぜ怖いのか」「どんな具体的な経験から来ているのか」という「心の奥深い構造」**までは理解できません。AI は「知識の図書館」を持っているだけで、「生きた感情の庭」を持っていないからです。

また、**「成績」や「テスト」が、学生にとっていかに「抽象的でコントロールできないもの」**として感じられているかも分かりました。

• 解決策のヒント： 学生が「テスト」を「抽象的な恐怖」ではなく、「具体的な手順やタスク」として捉えられるように支援すれば（例えば、評価基準を明確にするなど）、不安を減らせるかもしれません。

まとめ

この論文は、**「テスト不安」という問題を、単なる「気分の問題」ではなく、「頭の中の言葉のつながり方（ネットワーク）」**として解き明かしました。

• 人間： テスト＝具体的な恐怖体験（庭のトゲ）。
• AI： テスト＝一般的な知識（図書館の辞書）。

AI は素晴らしいツールですが、人間の「生々しい感情」や「体験に基づく不安」を完全に理解するには、まだ「体験」という土台が足りていない、というのがこの研究が教えてくれる大切なメッセージです。

技術概要

論文概要

タイトル: Complex networks map test anxiety and wellbeing levels in students and ChatGPT
著者: Emma Franchino, Francesco Gariboldi, Alessandro Grecucci, Gianluca Lattanzi, Massimo Stella
所属: トレント大学（心理学・認知科学、物理学）、バーリ大学（心理学・コミュニケーション）

---

1. 研究の背景と課題 (Problem)

• 課題: STEM（科学・技術・工学・数学）分野の学術評価は学生に不安を引き起こすことが知られているが、従来の成績評価やテストスコアは、学生が試験やウェルビーイングをどのように「意味的（セマンティック）に枠組み化（framing）」しているか、またその感情的側面を捉えきれていない。
• 既存手法の限界: 標準的な心理測定質問紙は不安の次元を定量化できるが、学生が不安の源や対象をどのように連想し、枠組み化しているかという「認知的構造」を完全に解明することはできない。
• AI との比較: 大規模言語モデル（LLM）が人間の認知的・感情的枠組みをどの程度模倣できるか、特に「試験不安」という文脈において、人間と AI の表現構造にどのような違いがあるかが不明であった。

2. 研究方法 (Methodology)

本研究は、行動的「メンタル・フォーム」ネットワーク（Behavioural Forma Mentis Networks: BFMNs） という手法を用いて、人間の学生と AI（GPT-oss 20B）の認知構造を比較分析した。

2.1 参加者データ

• 人間サンプル (N=597):
  • STEM 専門家 (N=59)
  • イタリア南部の高校生 (N=159)
  • 物理学学部生 (N=10)
  • 心理学学部生 (N=301)：数学不安尺度（MAS-IT）に基づき、高不安群と低不安群に分類。
• AI シミュレーション (N=497):
  • GPT-oss 20B を使用。人間サンプルの属性（年齢、性別、教育レベル、社会経済状況、不安レベル）をプロンプトに埋め込み、「デジタルツイン（模擬学生）」として振る舞わせた。
• 総サンプル数: 994 名（人間＋AI）。

2.2 実験手順

1. 自由連想タスク: 「試験 (exam)」「成績 (grade)」「不安 (anxiety)」「ウェルビーイング (wellbeing)」などのキュー語に対して、参加者は最大 3 つの連想語を即座に回答。
2. 感情評価タスク: 各キュー語と生成された連想語に対して、5 段階リッカート尺度（1:非常にネガティブ〜5:非常にポジティブ）で感情価（Valence）を評価。
3. ネットワーク構築:
   • BFMN: 概念（ノード）と自由連想（エッジ）を基に構築。各ノードに感情価と具体性（Concreteness）の規範値を付与。
   • セマンティック・フレーム: 特定の目標語（例：exam）に直接接続する概念の集合を抽出。
   • 感情の花（Emotional Flower）: プルチキの感情モデルに基づき、ネットワーク内の感情分布（恐怖、期待、信頼など）を可視化。

2.3 分析指標

• ネットワーク特性: ノード数、エッジ数、クラスタリング係数、平均最短経路長、ハブ（中心性が高いノード）。
• 感情オーラ（Valence Aura）: 特定の概念を取り巻く隣接ノードの感情傾向（ネガティブ/ポジティブ/ニュートラル）。
• 具体性分析: 概念が具体的（知覚可能）か抽象的かを、Brysbaert et al. (2024) の規範値と照らし合わせ、Z スコアで評価。
• Jaccard 指数: 「不安」と「試験」のセマンティック・フレームの重なり度を測定。

3. 主要な結果 (Key Results)

3.1 試験 (Exam) と成績 (Grade) の枠組み

• 人間全体でのネガティブ化: 学生グループ（高校生、学部生）において、「試験」と「成績」はネガティブに知覚され、失敗、不安、プレッシャーなどのネガティブな記憶と強く結びついていた。
• 専門家との対比: STEM 専門家グループでは、「試験」はニュートラルかつ具体的（タスク、手順、成果物として）に枠組み化されており、試験不安の痕跡はほとんど見られなかった。
• AI との比較: AI（GPT）は人間と同様にネガティブな枠組みを示したが、人間が示す「努力」「知識」といったポジティブな連想が少なく、より強いネガティブバイアスを示した。

3.2 不安 (Anxiety) の表現構造

• 人間 vs AI の決定的な違い:
  • 人間: 不安は「学校」「試験」「成績」「時間制限」など、具体的な学術的トリガーと強く結びついていた。特に高不安群では、「不安」と「試験」のセマンティック・フレームの重なり（Jaccard 指数）が AI の 3〜4 倍大きかった。
  • AI: 不安は「パニック」「感情」「ストレス」「精神病理学」など、抽象的・診断的な用語で表現され、具体的な学術的文脈との結びつきが弱かった。
• 具体性の違い: 人間のフレームは具体的（状況に根ざした）であったのに対し、AI のフレームは統計的に有意に抽象的であった。

3.3 ウェルビーイング (Wellbeing) の表現

• 人間: 食事、睡眠、運動など、具体的な日常生活習慣と結びついていた。
• AI: 心理療法、精神病理、ストレス管理など、臨床的・診断的な概念と結びついていた。

4. 主要な貢献と発見 (Key Contributions)

1. BFMN による試験不安の定量化: 従来のスコアリングではなく、概念間のネットワーク構造（特に「不安」と「試験」の構造的結合）を通じて、試験不安を「構造的に埋め込まれたメンタルモデル」として捉える新たな枠組みを提供した。
2. 人間と AI の認知的乖離の解明:
   • LLM は人間が「言うこと（discursive level）」（例：試験は怖い）を学習して再現できるが、人間が「経験としてどう認知しているか（experiential grounding）」（例：試験＝特定の教室、教授、時間制限）を模倣できないことを示した。
   • AI は不安を「臨床的カテゴリ」として処理するが、人間はそれを「生活文脈」に埋め込んで処理する。
3. 具体性と不安の関連性: 高不安を持つ学生は、評価概念をより「抽象的」に捉える傾向があり、これが制御感の低下（perceived uncontrollability）や心理的距離の拡大につながっている可能性を示唆した。一方、専門家（経験豊富）は概念を「具体的」に捉え、感情的な負荷が軽減されていた。

5. 意義と結論 (Significance)

• 学術的意義: 複雑系科学と認知ネットワーク科学を組み合わせることで、学術的評価が学生に与える感情的・認知的影響を、従来の質問紙では捉えきれない微細な構造で可視化できた。
• AI 研究への示唆: 現在の LLM は社会的な「物語（ナラティブ）」を学習できるが、人間の「経験に根ざした感情の枠組み」を完全に再現することはできない。教育やメンタルヘルス分野での AI 利用においては、この限界（コンテキストの欠如）を認識する必要がある。
• 教育的介入への示唆: 評価概念を「具体的で行動可能なもの（透明な基準、形成的フィードバック）」として再枠組み化することで、学生の不安を軽減できる可能性が示唆された。

結論:
試験不安は単なる態度ではなく、学術的評価との相互作用によって構造的に形成された「経験依存的なメンタルモデル」である。人間はこのモデルを具体的な生活文脈に根ざして構築するが、現在の AI はそれを抽象的な診断的カテゴリとして処理するに留まる。この違いは、AI を人間の心理的状態の代理として使用する際の注意点を示している。