テクニカル・サマリー：マルチモーダルな人間センシングから心理学的トランスダイアグノスティック（通底的）次元へのエビデンスに基づいたマッピング

問題提起

モバイルおよびウェアラブルデバイスにより、人間の行動（睡眠、移動性、社会的相互作用など）の長期的な観察が可能になったが、これらの受動的な信号を、意味のある臨床的に検証可能なメンタルヘルス構成概念へと翻訳することは依然として大きな課題である。既存のデジタルフェノタイピング研究は、単一の疾患予測や離散的な診断カテゴリに限定されることが多く、精神病理学の重複的かつ多次元的な性質を捉えきれていない。さらに、階層的精神病理学分類（HiTOP）はトランスダイアグノスティックな枠組みを提供しているが、受動的センシングデータにこれを適用することは困難である。その理由は以下の通りである：

1. グラウンドトゥルース（正解）の欠如： GLOBEMのような大規模なデータセットの多くは、観測された項目レベルのHiTOP回答を欠いており、従来の診断精度指標を用いることが不可能である。
2. モダリティの不一致： 受動的な行動信号は間接的で異質であるが、臨床的構成概念は具体的である。
3. 評価のギャップ： 大規模言語モデル（LLM）が、偽の診断精度を主張することなく、マルチモーダルなデータから「エビデンスに基づいた」仮説を生成できるかどうかを評価するためのフレームワークが必要である。

メソドロジー

著者らは、マルチモーダルなエビデンスを簡略化された階層的精神病理学分類（B-HiTOP）にマッピングする能力を評価するために設計された、臨床医がループに入る（clinician-in-the-loop）ベンチマークを導入する。

データセットと構築

• ソース： 数年間にわたる受動的センシング、生態学的瞬間アセスメント（EMA）、および質問票尺度で構成される、Generalization of Longitudinal Behavior Modeling (GLOBEM) データセット。
• インスタンス： 日次の受動的センシング特徴量と、同週内のEMAおよび事前調査の質問票データを照合することにより、14,592の参加者日（participant-day）インスタンスを構築した。
• ターゲット： 5つのスペクトラム（Internalizing, Somatoform, Detachment, Disinhibition, Thought Disorder）にわたる29項目のB-HiTOP項目。項目は、利用可能なエビデンスが臨床的に弁護可能な推論の根拠を提供する場合にのみ保持された（直接的に支持されるものが8項目、部分的に支持されるものが21項目）。
• 評価指標： 観測されたB-HiTOPの回答が得られないため、本研究では**エビデンス適合性（Evidence Compatibility, $C$）**を評価する。これは、グラウンドトゥルースのラベルとの一致ではなく、利用可能なエビデンスに対して予測されたスコアがいかに妥当であるかを測定する指標である。
  • 妥当（Reasonable）： エビデンスがスコアの方向性と強度を支持している。
  • 不当（Unreasonable）： エビデンスがスコアと矛盾している、あるいはエビデンスがないにもかかわらず非最小スコア（2〜4）が割り当てられている。
  • 棄権（Abstention）： 関連するエビデンスが存在せず、モデルがスコア1（「全くない」）を予測した場合に割り当てられる。これらは、$C$ の計算から除外され、「症状がない」ことと「証拠不十分」であることを区別する。

実験デザイン

本研究では、3つのエビデンス設定（受動的センシングのみ、EMA/質問票のみ、および組み合わせ）にわたって、2つの予測パイプラインを比較する。

1. ダイレクト・パイプライン（Direct Pipeline）： LLMは生のエビデンスブロックを受け取り、単一の推論コールで全29項目に直接スコアを割り当てる。
2. 2段階パイプライン（Two-Stage Pipeline）：
   • ステージ1： LLMは、エビデンスのみに基づいて、構造化された心理学的抽象化（psychological abstraction）（5つのスペクトラムの要約および全体的な要約）を生成する。
   • ステージ2： LLMは、元の生の（詳細な）エビデンスにアクセスすることなく、ステージ1の抽象化のみに基づいて項目スコアを割り当てる。

モデルと評価

• モデル： 7つのLLM（DeepSeek V4 Pro, Grok 4.3, Kimi K2.6, Llama 4, Mistral Large 3, GPT 5.5, Lingshu 32B）を評価した。
• AI評価者： 固定されたGPT 5.4モデルが、元のエビデンスに対する予測の妥当性を評価した。
• 人間による検証： 3名の免許を持つ臨床医が、AIによる判断の層化サンプル300件を検証し、評価フレームワークが臨床的に弁護可能であることを確認した。

主要な結果

1. セマンティック抽象化のモダリティ依存的パフォーマンス

2段階パイプライン（セマンティック抽象化）の有効性は、入力されるモダリティに強く依存していた。

• EMAおよび質問票のエビデンス： 2段階パイプラインは、エビデンス適合性を大幅に向上させた。
  • 平均 $C$： 7.6%（ダイレクト）から 53.4%（2段階）へ増加。
  • メカニズム： 抽象化によって、異質な自己報告信号（感情、ストレス、不安など）が、項目レベルのスコアリングに適した一貫性のある表現へと整理された。
• 受動的センシングのエビデンス： 2段階パイプラインは、エビデンス適合性を大幅に低下させた。
  • 平均 $C$： 80.6%（ダイレクト）から 21.8%（2段階）へ減少。
  • メカニズム： 生の行動特徴（例：睡眠時間、移動性）を心理学的抽象化へと変換することが情報ボトルネックとして機能し、正確なスコアリングに必要な特徴量の大きさ、欠損パターン、微細な行動の変化といった重要な詳細を破棄してしまった。
• 組み合わせたエビデンス： 2段階パイプラインは適合性を低下させた（77.8% $\to$ 58.2%）。これは、自己報告の整理によるメリットよりも、生の行動詳細の喪失によるデメリットが上回ったことを示唆している。

2. スコア分布のシフト

2段階パイプラインは、すべてのモデルおよびスペクトラムにおいて、より保守的なスコア分布を生み出した。

• 特にThought Disorder（思考障害）のスペクトラムにおいて、スコア1（「全くない」）への顕著なシフトが見られた。
• これは、抽象化プロセスが、より高い重症度を特定するために必要な信号をフィルタリングしてしまったことにより、重症度の差別化能力および予測範囲が減少したことを示している。

3. モデルおよびウェーブ間の整合性

• 自己報告の改善とセンシングの低下という傾向は、すべての7つのLLMおよび4つの研究ウェーブにおいて一貫しており、この効果が特定のモデルアーキテクチャではなく、表現戦略に起因することを示唆している。

主な貢献

1. 臨床医が検証したベンチマーク： GLOBEMのマルチモーダルなエビデンスを29項目の臨床検証済みB-HiTOP項目に整合させた14,592インスタンスのベンチマークを構築し、グラウンドトゥルースの診断が存在しない状況における、エビデンスに基づいた評価の標準を確立した。
2. エビデンス適合性フレームワーク： 実質的な予測と棄権を区別する指標（$C$）を導入し、観測された臨床ラベルを必要とせずに、モデルの妥当性を評価することを可能にした。
3. 抽象化に関する実証的知見： セマンティック抽象化はモダリティ依存的な表現の選択であることを示した。それは自己報告のエビデンスを臨床的構成概念へと翻訳するための有用な足場となるが、間接的な行動センシング信号に対しては情報ボトルネックとして機能する。

意義と主張

本論文は、中間的な心理学的抽象化が、メンタルヘルス・プロファイリングにおいて普遍的に優れた戦略ではないと主張している。むしろ、表現の選択は、利用可能なデータのモダリティ、特異性、およびエビデンスの強さに一致させる必要がある。

• 自己報告データについては、抽象化は断片的な信号を整理するのに役立つ。
• 受動的センシングデータについては、生の行動特徴への直接的なアクセスが不可ンドであり、抽象化は臨床的に重要なニュアンスを失うリスクがある。

本研究は、将来のLLMベースのメンタルヘルスシステムは、モダリティ固有の戦略を用いて設計されるべきであり、「一律の（one-size-fits-all）」抽象化アプローチを避けるべきであると結論付けている。なぜなら、そのアプローチは行動センシングの文脈において症状の検出を意図せず抑制してしまう可能性があるからである。本研究は、グラウンドトゥルースが存在しない場合でも、AIが生成した仮説が臨床的に弁護可能であることを保証するために、臨床医がループに入る検証の必要性を強調している。