How Occam's razor guides human decision-making

日常の混沌とした現実の中で、私たちは目にするものを説明するために、競合する物語の中から常に選択を迫られています。車が始動しないとき、バッテリー切れ、オルタネーターの故障、あるいはエンジンの中に幽霊がいるせいだと考えるかもしれません。私たちの脳は、非常に少ない情報しか持たない状態で、これらの可能性を精査し、どの説明が最も真実である可能性が高いかを判断しなければなりません。何世紀もの間、哲学者や科学者たちは、このプロセスを導くルールとして知られる「オッカムの剃刀」を提唱してきました。この原理は、2つの説明が事実に対して等しく適合する場合、より単純なものの方が通常は優れた選択であると示唆しています。それは、動きの多い要素が少なく、仮定が少なく、誤差の余地が少ない物語を好む精神的なショートカットです。しかし、この考えは長らく思想家たちの寵児でありながら、人間の脳が理論が予測するような精密かつ数学的な方法で実際にこれを用いているのか、それとも単に複雑さが少ないと感じるものに対して漠然とした好みを抱いているだけなのかについては、不明なまま残されてきました。

研究チームは今、一連の入念に設計された実験を用いて、人間が正確さと単純さをどのように天秤にかけているかを正確に測定することで、この問いを哲学の領域から実験室へと移しました。彼らは、人間の意思決定が、確かに特定の、定量化可能な形式のオッカムの剃倒に従っていることを発見しました。ノイズが多く不確定的（アンサーブル）なデータに直面したとき、人々は自然に単純な説明を好みます。それは単にそう感じるからではなく、人間の脳が、ランダムな偶然によって騙されるのを避けるために、あらゆる可能な物語のバージョンを平均化するという、複雑な統計的計算を行っているように見えるからです。この単純さへの嗜好は非常に深く根付いており、たとえ人々がそれを無視して単一の最良の適合にのみ集中するように明示的に指示されたとしても、依然として持続します。対照的に、同じ問題を解くように訓練されたコンピュータプログラムは、この単純化バイアスを明示的にプログラミングされたときにのみ採用したため、人間の単純な説明を好む傾向は、単に学習された戦略ではなく、私たちの認知の根本的な特徴であることを示唆しています。

研究者たちは、参加者が探偵として振る舞う視覚的なゲームを作成することで、これをテストしようと試みました。コンピュータ画面上に、中心点の周囲にややランダムに散らばった10個の赤い点の雲が現れます。これらの点は、データの「ソース（源泉）」となる、直線または曲線の弧のいずれか一方の隠された図形によって生成されました。参加者の仕事は、どの図形が点を作成したのかを推測することでした。図形は黒色で描かれ、点は赤色であったため、明確な視覚的パズルとなりました。科学的な厳密さを期すために、研究者は4つの異なるバージョンのゲームを設計しました。それぞれのバージョンでは、特定の数学的な複雑さの特徴を孤立させる方法で、2つの図形を戦わせました。あるバージョンでは、単一の点と長い線を比較し、変数の数をどう扱うかをテストしました。別のバージョンでは、長さの異なる2本の線を比較し、図形がカバーできる可能性のある領域の大きさをテストしました。3番目のバージョンでは、データに対する図形の位置関係を調べ、4番目のバージョンでは、図形がデータからどのように曲がって離れていくかを調べました。

これらの実験において、研究者たちはすべての試行に対して数学的に完璧な答えを算出することができました。ベイズ統計の厳格なルールに従う完璧な観測者は、単に図形が点に最も近いものを見るだけではありません。代わりに、この理想的な観測者は、図形が取り得たあらゆる可能な位置を考慮し、それらを平均化します。このプロセスは、あまりにも柔軟すぎる、あるいは大きすぎる図形に対して自然にペナルティを与えます。なぜなら、それらはその「説明能力」を画面上に広範囲に分散させてしまい、特定のドットの集まりの真のソースである可能性を低くしてしまうからです。研究者たちは、もし人間がこのような統計的推論を用いているのであれば、彼らの選択は複雑な図形から離れ、単純な図形へとシフトすると予測しました。たとえ複雑な図形の方が技術的には点に近い場合であってもです。

結果は、人間がまさにこれを行っていることを裏付けました。データが曖昧なとき、つまり点が両方の図形からほぼ等距離にあるとき、参加者は一貫してより単純な選択肢を選びました。しかし、研究は単に一般的な好みを提示するにとどまりませんでした。彼らは、その好みの強さを極めて高い精度で測定しました。200人以上の参加者による数千の選択を分析することで、チームは、人々が図形の4つの明確な幾何学的特徴、すなわち次元性（パラメータの数）、境界（端の部分）、体積（占める空間の大きさ）、およびロバスト性（曲がり具合）に対して敏感であることを発見しました。参加者の選択は、定量的に数学的モデルの予測と一致していました。彼らは単に「単純な」ものを漠然と好んでいたのではなく、あらゆる可能な原因を統合するという理論的な理想に密接に一致する方法で、これらの特定の幾何学的要因に重み付けを行っていたのです。

これが学習された行動なのか、それとももっと根本的なものなのかを理解するために、研究者は人間の参加者を、脳を模倣するように設計された一種のコンピュータプログラムである人工ニューラルネットワークと比較しました。彼らはこれらのネットワークに、同じドットと図形のパズルを解くように訓練しました。ネットワークが、単純化バイアスを使用する必要がある数学的に完璧な「生成的（ジェネレーティブ）」な解を見つけるように訓練されたとき、それらは人間よりも上手く学習し、より高いパフォーマンスを発揮しました。しかし、研究者が指示を変更し、ネットワークに対して「最大尤度（さいゆうど）」の解を見つけること（つまり、複雑さを無視して単に点に最も近い図形を選ぶこと）を命じたとき、ネットワークは即座に適応しました。彼らは単純さへの嗜好を示さなくなり、新しいタスクに対して完璧に機能しました。

しかし、人間の参加者はそれほど簡単には変わりませんでした。たとえ複雑さを無視して最も近い図形を選ぶようにという同じ指示を与えられたとしても、彼らは引き続きより単純な選択肢を好みました。彼らの脳は、あらゆる可能性を統合するメカニズムをオフにすることができないようでした。このことは、人間が単純さを好む傾向は、賢くあろうとする際に採用する柔軟な戦略ではなく、情報の処理方法における核心的な部分であることを示唆しています。私たちは、物語が真実となり得る多くの方法を自然に平均化することで、ノイズに対して過学習することを防いでいますが、機械は明示的にその能力を組み込まれない限り、そのようなことは行いません。

この研究はまた、人間は非常に優れているものの、完璧ではないことも明らかにしました。どのように「単純さのルール」を適用するかについては、個人の間に幅広い差異がありました。一部の参加者は数学的な理想に非常に近く、他の参加者は、図形の大きさや曲がり具合といった特定の要素に対する感度が低い傾向にありました。興味深いことに、理想から遠い人々はより多くの間違いを犯す傾向があり、これは、この内部的な「単純化フィルター」を調整することが、ノップのある世界で正確な意思決定を行う上で極めて重要であることを示唆しています。研究者たちは、人々が異なる特徴に対して異なる重み付けをしているように見えると指摘しました。おそらく、いくつかの特徴は他のものよりも計算しやすいからです。例えば、図形の変数の数を数えることは、図形がカバーする全体的な体積を計算することよりも脳にとって単純である可能性があり、それがルールを適用する際の自然な不均衡につながっているのかもしれません。

結局のところ、この研究は、人間の思考の背後に隠された仕組みに対する、稀有で定量的な洞察を提供しています。それは、私たちの脳が単に最も近い適合を探すパターンマッチングマシンではないことを示しています。むしろ、私たちの脳は、「他にどのような起こり方があっただろうか？」と絶えず問いかけ、その答えを用いて選択を導く、洗練された統計学者として機能しているのです。あらゆる可能な説明を統合することによって、私たちは、単に偶然現在のデータに適合したという理由だけで、複雑で柔軟な物語を信じてしまうという罠を回避しているのです。この研究は、オッカムの剃刀が、私たちがどのように考えるべきかについての哲学的な提案ではなく、私たちが実際にどのように考えているかについての記述であり、不確実性とノイズに満ちた世界をナビゲートするのに役立つ、人間の認知に組み込まれた機能であることを裏付けています。