🧬 biology

Using Theory of Mind to Arbitrate between Social and Non-social Learning

本論文は、人間は他者を観察することと直接的な探索を行うことの効用を推定することにより、社会的学習と非社会的学習の間を合理的に裁定するために心の理論を用いていることを示す、「合理的メンタライジング」モデルを提案し、検証するものである。

原著者： Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

公開日 2026-07-31

📖 1 分で読めます☕ さくっと読める

原著者： Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

あなたは賑やかな街の交差点に立っており、最高のタコス屋台を探そうとしているところだと想像してみてください。あなたには二つの選択肢があります。一つは、自分自身で路地裏をすべてチェックして歩き回ること（これには時間とエネルギーがかかります）、もう一つは、通りを歩いている見知らぬ人を観察することです。もしその人が特定の角に向かって歩いているのを見たら、その人が良い場所を知っていると仮定して、その人に付いていくことに決めるかもしれません。しかし、ここに落とし穴があります。もしその見知らぬ人が、実はタコスではなくピザ屋を探しているとしたらどうでしょう？もしあなたが盲目的に付いていけば、空腹と混乱に陥ることになります。この日常的なジレンマ――いつ他人のことから学び、いつ自分で解決すべきかを判断するかという問題――は、認知科学の分野における中心的なパズルです。科学者たちは人間や動物がどのように情報を収集するかを研究していますが、重要な疑問が残っています。それは、「いつ観察をやめて行動を開始すべきか」を私たちはどうやって知るのか、という点です。これに答えるために、研究者たちは「社会的学習」（他者から学ぶこと）や「心の理論」（他者の目標や知識など、相手が何を考えているかを推測する能力）といった概念を利用します。私たちはこうしたことを行っていることは分かっていますが、観察のコストと学習の利益をどのように天秤にかけているのか、その正確な「メンタル・マス（精神的な計算）」を解明することは、非常に困難な課題でした。

この論文において、ハーバード大学とMITの研究者たちは、「合理的メンタライジング（Rational Mentalizing）」モデルと呼ぶ新しい理解手法を提案しています。このモデルを、単に他人が何をしているかを見るだけでなく、なぜそうしているのかを理解しようとする「超スマートな内部計算機」だと考えてください。著者たちは、プレイヤー（あなた）がグリッドマップ上の赤いキャラクターを操作するゲームのコンピュータ・シミュレーションを作成しました。目標は宝箱を見つけることですが、その道は色のついた障壁によって塞がれており、それらはいくつかの魔法使いが持っている一致する「アミュレット（お守り）」を見つけなければ開けることができません。ひねりは、どの魔法使いが本物のアミュレットを持っているのかが分からないことです。あなたは自分のキャラクターを動かして魔法使い自身を確認することもできますが（これには時間と労力がかかります）、あるいは一時停止して、NPC（ノンプレイヤーキャラクター）が周囲を動き回るのを観察することもできます。観察する場合、NPCは一歩動く一方であなたは静止したままとなり、アミュレットがどこにあるかについてのヒントが得られます。

研究チームは、人間がどのように振る舞うかを見るために、4つの異なるバージョンのこのゲームを実施しました。あるバージョンでは、NPCが一人で目標も一つでしたが、他のバージョンでは、異なる目標を持つ複数のNPCが登場したり、マップを熟知していない「初心者」のNPCが登場したりしました。彼らは、人間がこのトレードオフに関して驚くほど賢いことを発見しました。私たちはただ誰かを模倣するわけでも、誰も無視するわけでもありません。その代わりに、私たちは無意識のうちに次のようなメンタル・シミュレーションを行っています。「あと数ステップこの人を見続ければ、盲目的に歩き回ることから逃れるのに十分な情報を得られるだろうか？」もし答えが「イエス」なら、私たちは観察します。もし答えが「ノー」（例えば、その人が自分の求めているものとは別の宝箱を探している場合など）であれば、私たちは観察をやめて、自分自身の動きを開始します。

これを証明するために、チームは実際の人間プレイヤーを、3つの異なるコンピュータ・モデルと比較しました。第一のモデルである「素朴な観察者（Naive Observer）」は、ただ盲目的に全員を観察するだけです。第二のモデルである「合理的な観察者（Rational Observer）」は、コスト・ベネフィット分析を行いますが、他者の思考を理解しようとはしません。第三のモデルである「メンタライジング観察者（Mentalizing Observer）」は、他者の目標を推測しようとしますが、観察のコストについては考慮しません。これらの単純なモデルでは、人間の行動を完全には説明できませんでした。しかし、他者の望みを知ろうとすることと、観察に時間をかける価値があるかを計算することの両方を組み合わせた「合理的メンタライジング」モデルは、人間の行動とほぼ完璧に一致しました。実際、そのモデルの予測精度は、二人の異なる人間同士の行動が似ているのと同じくらい、人間の行動に近いものでした。

この研究は、私たちの脳が常にこのような複雑な計算を行っていることを示唆しています。私たちは単に成功している人をコピーしているのではなく、その行動が自分にとって有用なことを教えてくれるかどうかを判断するために、相手の隠された目標や信念を能動的に推論しているのです。もし、誰かが自分が関心のないものを探している、あるいは誰かが自分と同じように混乱していると気づけば、私たちは観察をやめて自分の道を進みます。研究者たちは、人々がこれらのメンタル計算を無視した場合（つまり、コストを考えずに観察しすぎたり、他者の目標を理解せずに観察したりした場合）、意思決定の質が低下することを発見しました。この研究は、私たちの社会的知性の秘密は、単に「人の心を読み取る能力」にあるのではなく、「その心の読み取りを、いかに自分の時間とエネルギーを節約するために使うか」という能力にあることを示唆しています。優れた学習者であるということは、単に注意深くあることではなく、まさに「いつ目を離すべきか」を知っていることなのです。

テクニカル・サマリー：社会的学習と非社会的学習の間の裁定における心の理論の活用

問題提起

社会的学習により、エージェントは他者から情報を獲得できるが、人間はそれを無差別に頼るわけではない。人間は、観察による情報の獲得ポテンシャルと、観察に伴う認知的・時間的コストのバランスを考慮しながら、「いつ」「誰を」「どのくらいの時間」観察すべきかを決定しなければならない。既存の社会的学習の計算モデルは、概ね以下の2つのカテゴリーに分類される：

ヒューリスティック的説明： これらは固定されたルール（例：「多数派を模倣する」や「権威ある者を模倣する」）に依存しており、観察された行動を重み付けされるべき信号として扱い、その行動を生み出した生成的な精神状態（目標や信念）を無視する。
強化学習（RL）的説明： これらはソースの信頼性（揮発性）に基づいて社会的情報の重みを調整するが、同様に、行動を潜在的な精神状態の証拠としてではなく、ノイズを含む信号として扱う。

両アプローチとも、疎で間接的な観察からの効率的な学習において困難に直面している。なぜなら、そこでの重要な推論は「エージェントが何をしたか」ではなく、「なぜそれを行ったか」（すなわち、彼らの目標と信念）であるからである。さらに、能動的な情報探索の文献は、非社会的クエリのコスト・ベネフィットのトレードオフを扱っているが、これを社会的ソースに拡張することは複雑である。なぜなら、観察の有益性は、観察されたエージェントの潜在的な目標や信念に依存し、それらは観察者のものとは異なる可能性があるからである。

方法論

実験パラダイム

著者らは、社会的学習と非社会的学習の間の制御可能なトレードオフを生み出すために、新しいグリッドワールド・ゲーム（12x11）を導入した。

設定： 人間が操作する「レッド・エージェント」は、特定の宝箱を回収しなければならない。経路は色の付いた障壁によって遮られており、それには特定のウィザード（デコイを含む）が保持する対応するアミュレットが必要である。
メカニクス： 各タイムステップにおいて、エージェントは「行動する」（1ステップ移動し、3ポイントのコストが発生）か、「選択したNPCを観察する」（1ステップあたり1ポイントのコストが発生し、その間はNPCのみが移動する）かのいずれかを選択できる。
変数： 研究では以下の変数を変化させた：
- 目標の不確実性： 単一の宝箱 vs 複数の宝箱（実験1 vs 実験2）。
- エージェントの可用性： 単一のNPC vs 複数のNPC（実験3）。
- エージェントの専門性： エキスパート（アミュレットの位置を知っている） vs 初心者（知らない）（実験4）。
コスト構造： 移動コストは3ポイント、ウィザードとの相互作用は5ポイント、観察コストは1ポイントである。参加者は総コストを最小化するようにインセンティブを与えられた。

合理的メンタライジング・モデル

著者らは、ベイズ的「心の理論（ToM）」と合理的なコスト・ベネフィット分析を統合した**合理的メンタライジング（Rational Mentalizing）**モデルを提案している。このモデルは、即座に行動することと、観察することの期待効用を比較することで機能する。

観察されたエージェントの生成モデル： 観察者は、NPCを部分観測環境における準最適なプランナーとしてモデル化する。観察者は、パーティクルフィルタ（逐次逆計画探索、SIPS）を用いて、NPCの潜在的な目標 ( $g$ ) と信念 ( $b$ ) に関する事後分布を維持する。
シミュレーションと予測： 各仮説 $\theta = (g, b)$ $θ = (g, b)$ に対して、観察者はボルツマン方策を用いてNPCの将来の軌跡をシミュレートする。そして以下を予測する：
- $T^i$ ：NPCの軌跡によって、観察者の候補となるウィザードの集合が一つに絞り込まれる（あるいは仮説が棄却される）までに必要な観察ステップ数。
- $C^i_{plan}$ ：この情報を獲得した後に観察者が直面することになる残留探索コスト。
効用の裁定： モデルはエージェント $j$ $j$ を観察することによる期待コストを算出する：
$Q^j_{obs}(t) = \sum_i p^i_t [c_{obs} T^i + C^i_{plan}]$
ここで、 $p^i_t$ $p_{t}^{i}$ は仮説 $i$ $i$ の事後重みである。
観察者は、これと即座に行動することのコスト $C_{self}(b_t)$ $C_{se l f} (b_{t})$ （貪欲なプランナーを介して推定）を比較する。
- もし $Q^j_{obs}(t) < C_{self}(b_t)$ であれば、モデルはエージェント $j$ を観察する。
- そうでなければ、行動する。
- マルチエージェント設定では、モデルは $Q^j_{obs}(t)$ を最小化するエージェント $j^*$ を選択する。

アブレーション研究

特定の構成要素の寄与を分離するために、著者らはフルモデルを以下の3つのアブレーションと比較した：

合理的観察者（Rational Observer）： コスト・ベネフィット分析を行うが、ToMを欠いている（目標や信念を推論しない）。
メンタライジング観察者（Mentalizing Observer）： 目標や信念を推論するが、効用推定を欠いている（観察コストと探索コストを比較検討しない）。
ナイーブな観察者（Naive Observer）： 固定されたルール（例：最初のウィザードとの相互作用まで見る）に基づき、無差別に観察を行う（推論もコスト推論も行わない）。

主な結果

定量的適合性

複雑さが増していく4つの実験を通じて、合理的メンタリング・モデルは人間の観察行動の高精度な再現を実現した：

相関： 実験ごとのピアソン相関係数は $r = 0.90$ から $0.95$ の範囲であった。
一致性： プールされたリンの合致相関係数（CCC）は 0.89 (95% CI [0.84, 0.92]) であり、人間の参加者間の信頼性の上限 ( $r_{SB} = 0.83-0.92$ ) に迫る数値であった。
比較： すべてのアブレーションモデルは、有意に低いパフォーマンスを示した (CCC $\leq 0.21$ )。

定性的パターンとアブレーションからの洞察

目標の不確実性 (Exp 2)： NPCの目標が曖昧な場合、人間とフルモデルは、曖昧さを解消するために長く観察した。メンタライジング観察者は、目標については推論できるものの、観察コストと利益を天秤にかけることができなかったため、過剰に観察を行った。合理的観察者は、NPCの軌跡が情報的であることを予見できなかったため、過小に観察を行った。
エージェントの選択 (Exp 3)： 二人のエキスパートが存在する場合、人間とフルモデルは、自身の特定の目標にとって最も情報的である可能性が高い軌跡を持つエージェントを選択的に観察した。ナイーブおよび合理的観察者は、エージェントを区別できなかった。一方、メンタライジング観察者は、方向性としては情報的なエージェントを特定できたが、観察時間を効率的に割り当てることができなかった。
専門性の較正 (Exp 4)： エキスパートと初心者がいる場合、人間とフルモデルは環境に応じて動的に観察対象を切り替えた（例：ウィザードのマップが疎な場合、初心者の経路の方が診断的であれば初心者を観察する）。メンタライジング観察者は、情報獲得がコストを正当化しない場合でも、初心者を過剰に観察した。合理的観察者は、デフォルトでエキスパートを選択し、初心者からのカウンターファクチュアル（反事実的）な信号を利用できなかった。
観察と実行： フルモデルは、人間で見られる「観察ステップと実行ステップの正の結合」（観察が多いほど実行ステップも多い）を正しく再現した。メンタライジングおよびナイーブな観察者はこの関係を逆転させ（負の傾き）、合理的観察者は弱い正の傾き（信頼区間にゼロを含む）を示した。

意義と主張

本論文は、選択的な社会的学習は、効用最大化に奉仕する「心の理論」によって導かれると主張している。

ToMと効用の統合： 本研究は、ToM単独でも、またコスト・ベネフィット分析単独でも不十分であることを示している。人間（およびモデル）には、両方が必要である。すなわち、情報の有益性を予測するための「他者の生成的な精神状態」を推論する能力と、この潜在的な利得を観察コストに対して「裁定」する能力の両方が必要である。
信号の信頼性を超えて： ソースの信頼性（揮発性）に基づいて裁定を行うRL的説明とは異なり、本モデルは、裁定がソースの「推論された目標」に依存することを示している。エージェントの行動は、観察者の目的と一致するか、あるいは意味のある相互作用を持つ場合にのみ、情報的となる。
行動の生成的な視点： 結果は、観察された行動を、固定された信号としてではなく、それを生み出した目標や信念に関する証拠として扱うべきであるという見解を支持している。これにより、エージェントが異なる目的を持つ場合でも、疎で間接的なデータからの効率的な学習が可能となる。
選択的信頼の統一的メカニズム： 本論文は、「選択的信頼（エキスパートを好むこと）」と「選択的観察（誰を見るか選ぶこと）」が、個別の認知システムではなく、エージェントモデルに対する統一されたベイズ推論の産物である可能性を示唆している。

著者らは、限界についても述べている。これには、観察を唯一の社会的チャネルとして扱っていること（コミュニケーションや教育的側面を無視している）、および、エージェント固有の事前分布を蓄積することなく独立した試行を想定していることなどが含まれる。また、モデルは人間が行う絶対的な観察量を系統的に過小評価しており、これは厳格な効用最大化を超えた、内発的な好奇心や保守的な証拠収集の役割を示唆している。しかし、モデルは複雑な社会的学習環境における人間の意思決定の相対的なパターンを捉えることに成功している。