Predicting continuous outcomes: Some new tests of associative approaches to contingency learning.

完璧なステーキの焼き方を学ぼうとしている自分を想像してみてください。長い間、学習の仕組みを研究する科学者たちは、このプロセスを説明するために、非常に単純な「オン／オフ」のスイッチを使用してきました。古いモデルでは、ステーキに塩を振る（手がかり）か、振らないか、そしてステーキが「焼けている」か「焼けていない」か、という風に考えます。それはまるで電灯のスイッチのようなものです。上にあるか、下にあるかのどちらかです。

この「ライトスイッチ」的なアプローチは、ラットがレバーを押して餌をもらうといった、基本的な学習を理解するには非常に優れていました。しかし、現実の世界は白黒はっきりしているわけではありません。時にはステーキが少し生焼けだったり、完璧だったり、あるいは真っ黒に焦げていたりします。古いモデルは、このグレーゾーンを扱うことができませんでした。それらは「平均的な結果」を推測すること（例えば、「平均すると、このステーキはミディアムレアである」と言うこと）しかできず、その変化の具体的な詳細を記憶することができなかったのです。それらは、全体的な形だけを示す、ぼやけた写真のようなものでした。細部はすべて見落とされていました。

この論文で、研究者たちは**「分散モデル（Distributed Model）」**と呼ばれる新しい考え方を導入しています。

古いモデルを、あらゆる雨を受け止める一つの重いバケツだと考えてみましょう。雨が少し降っても大量に降っても、バケツはただ濡れるだけで、どのくらい濡れたのかまでは教えてくれません。新しい「分散モデル」は、より多くの色の線がついた雨量計のようなものです。一つの大きなバケツではなく、一連のセンサーを備えています。雨が降ると、単に「雨が降った」と言うのではなく、それぞれの特定の線にどれだけの水が当たったかを正確に記録するのです。

この研究において、研究者たちは、結果の大きさや深刻さが変化するもの（例えば、患者が単に「病気」か「健康」かではなく、どの程度重症になるかなど）を人々が予測するという4つの実験を用いて、この新しい「雨量計」のアプローチを古い「バケツ」のアプローチと比較検証しました。

結果は明白でした。

• 古い「バケツ」モデルは、人々の実際の行動と一致させるのに苦労しました。
• 新しい「雨量計」モデル（分散モデル）は、テストされたほぼすべての個人に対して、データにほぼ完璧に適合しました。

結論：
この論文は、私たちの脳は古い「ライトスイッチ」理論が示唆していたよりも賢いのだと主張しています。私たちが現実世界の因果関係について学ぶとき、単に平均値を暗記しているわけではありません。むしろ、私たちは可能性の全範囲を把握し、小さな違いも大きな違いも記憶するような、精神的なシステムを持っているようです。私たちは、単なる「イエスかノーか」の単純なバージョンではなく、現実世界の出来事が持つ連続的で流動的な性質を符号化しているのです。