はじめに
なぜ人はそのような選択をするのか？この根本的な問いは、心理学、経済学、神経科学の研究者を長い間魅了してきた。従来のアプローチは、制御された実験での選択を観察し、数理モデルを通じて根底にある意思決定プロセスを推測することに依存することが多かった。しかし、これらの方法は人が何をするかは捉えられても、なぜそうするのかは捉えられない。現在、ドレスデン工科大学SynoSys、マックス・プランク人間発達研究所、バーゼル大学の研究チームが、観察された選択と参加者自身による意思決定プロセスの説明を組み合わせた新しいアプローチを開発した。大規模言語モデル（LLM）を活用することで、自由記述の説明を体系的に分析し、人間の意思決定の背後にある理由を前例のない詳細さで明らかにすることができる。その研究成果は米国科学アカデミー紀要に掲載された。
説明をデータに変える
主著者であるSynoSysの研究者、Kamil Fuławka博士は次のように説明する：「人間の行動（意思決定を含む）に対する理解は、人々に自分の思考プロセスを詳しく説明してもらうことで深めることができる。しかし、そのような自由記述データの体系的な分析には、スケーラブルで厳密な分析枠組みが必要であり、これは現在LLMによって支援できる取り組みである。」実験では、参加者はギャンブル課題に取り組み、各決定を自分の言葉で説明するよう求められた。これらの説明を分析するために、研究者らは既存の意思決定理論とモデルを基に、可能な意思決定理由の大規模なセット（例えば、最良の結果に焦点を当てる、大きな損失を避けるなど）を開発した。大規模言語モデルは、参加者の自由記述説明にこれらの理由のどれが現れているかを特定し、人々の選択の数理モデリングが検証を提供した。
研究の仕組み
この研究では、参加者がリスクのある選択肢間で一連の決定を行う、制御されたギャンブル実験が行われた。各選択の後、参加者は自分の推論の簡単な説明を入力した。研究者らは、確立された意思決定理論に基づいて潜在的な意思決定理由の包括的なリストを作成した。これには以下が含まれる：
- 期待値の最大化
- 潜在的な損失の最小化
- 可能な限り高い報酬を求める
- 最悪の結果を避ける
- 「勝つ確率が高い選択肢を選ぶ」といった単純なヒューリスティックに従う
大規模言語モデルを使用して、各自由記述回答を自動的に分類し、どの理由が存在するかを判定した。精度を確保するため、LLMの分類は人間の評価者と相互検証され、特定された理由に基づいて選択を予測する数理モデルと比較された。このマルチメソッドアプローチにより、チームは人々が挙げる理由を発見すると同時に、それらの理由が実際に彼らの決定を駆動していることを検証することができた。
意思決定理由は状況に応じて変化する
口頭報告、LLM、厳密な数理モデリングの組み合わせにより、人々自身の洞察が貴重なデータ源であることが明確に示された。また、人々が依拠する理由は固定されておらず、意思決定問題の構造に応じて体系的に変化することも示された。例えば、潜在的な損失が大きい場合、参加者は損失回避に言及する可能性が高く、潜在的な利得が大きい場合、利得の最大化に焦点を当てた。この状況依存性は、安定した選好や固定された意思決定戦略を仮定する従来のモデルに挑戦するものである。
「金融投資から医療選択に至るまで、多くの重要な決定にはリスクと利益の比較検討が伴う」とFuławka博士は言う。「我々の方法は、人々が特定の状況に適応して推論することを明らかにしており、これは行動予測や介入設計に影響を与える。」
行動科学への影響
この研究は、人間の行動を研究する新たな道を開く。自由記述データとLLMを統合することで、科学者は事前に定義された調査質問の制約なしに、参加者が自然に提供する豊かな質的情報にアクセスできるようになった。このアプローチはスケーラブルであり、数千の回答を迅速かつ一貫して分析できる。さらに、質的手法と量的手法の橋渡しを提供し、意思決定のより完全な全体像を提供する。
この研究は、行動研究のツールとしてのLLMの可能性も強調している。LLMは真の理解を欠くと批判されることが多いが、ここではテキスト内の意思決定理由を確実に検出できる強力なパターンマッチングエンジンとして機能している。研究者らは、LLMの分類が人間の判断と数理モデルによって検証され、信頼性が確保されていることを強調している。
今後の展望
チームは、この方法を消費者選択、政治的意思決定、健康行動などの他の領域に適用する計画である。また、意思決定理由のセットを洗練し、個人差（年齢、認知能力など）が人々の使用する理由にどのように影響するかを探求することを目指している。最終的に、この研究は行動データと自己報告による推論の両方を組み込んだ、より正確な人間の選択モデルにつながる可能性がある。
LLMが改善され続けるにつれて、複雑な人間の言語を分析する能力はさらに向上するだろう。この研究は、人間の内省の豊かさを尊重しつつ、科学的厳密性を維持する実用的な応用を示している。我々の選択の背後にある隠れた理由は、もはやそれほど隠れてはいないかもしれない。
この記事はPhys.orgの報道に基づいています。原文を読む。
Originally published on phys.org
