境界検出を動的グラフ×階層ベイズで捉える｜メタ認知が境界事後確率とエントロピーに与える影響

はじめに：境界推定は「どこが境目か」だけでは終わらない

動画のシーンの切れ目、文章の意味段落、行動系列の切り替え、ネットワーク構造の変化。これらはいずれも「境界」と呼ばれるが、その判断は観察者ごとに揺れる。同じ刺激を見ても、境界だと感じる位置も、その判断への自信も人によって異なる。

ここで見落とされやすいのが、境界推定の出力は「境界か否か」ではなく「境界である確率と、その確率がどれだけ不確かか」であるべきという点である。さらに、その不確かさの一部は観察者のメタ認知特性、すなわち自分の判断の正しさをどれだけ正確に評価できるかという能力に由来している可能性がある。

本記事では、境界候補を動的グラフ上のノードとして表現し、メタ認知パラメータが境界事後確率とシャノンエントロピーに与える影響を階層ベイズで推定する方法論を整理する。動的確率ブロックモデル、ベイズ変化点検出、認知的イベント分節、meta-d′によるメタ認知測定という成熟した研究系列を、ひとつの生成モデルに統合する設計思想を扱う。

境界候補を動的グラフで表現する意義

なぜ「点」ではなく「ノード」なのか

従来の変化点検出は、時系列上の各時点を独立に評価しがちである。しかし現実の境界は、隣接時点、複数の時間スケール、複数のモダリティにまたがって相互に依存している。

そこで境界候補を、単なる時点ではなく「時刻・時間スケール・モダリティ・候補特徴」の組としてノード化する。グラフ $G_t=(V_t,E_t,W_t)$Gt​=(Vt​,Et​,Wt​) の各ノードが境界候補であり、重み付きエッジが候補間の依存を表す。エッジには時間的近接性だけでなく、意味的類似性、同一対象の継続性、異なる時間スケール間の対応、モダリティ間の整合性を持たせられる。

この設計の根拠は動的ネットワーク研究にある。Matias & Miele の動的SBMはノード群の所属をマルコフ連鎖で表現し、Xu & Hero はブロック間結合確率を状態空間モデル化し、Sewell & Chen はノードを潜在ユークリッド空間内の軌跡として扱う。いずれも「グラフ構造は固定された背景ではなく、時間とともに変動する潜在過程である」という立場を共有している。

候補生成そのものがバイアス源になる

実装上の重要な判断が、候補集合をどう作るかである。「境界らしい点」だけを閾値で残してからベイズ推定を行うと、候補に選ばれたこと自体が情報を持つため、境界確率やメタ認知効果に選択バイアスが混入する可能性がある。

原則としては全候補、あるいは非常に再現率の高いソフトな候補提案を保持する。計算上どうしても枝刈りが必要な場合は、候補包含過程自体を確率モデルとして同時に扱うほうが安全である。時間解像度が定まらない段階では、細かい境界と粗いイベント境界を別ノードとして持つマルチスケール表現を採用し、解像度そのものを感度分析の要因に含めるのが望ましい。

メタ認知パラメータを階層ベイズで扱う理由

meta-d′は「確信度の高さ」ではない

メタ認知を単一の「自信スコア」で代表させるのは適切ではない。Maniscalco & Lau の meta-d′ は、一次課題の感度 d′ と区別してメタ認知感度を信号検出理論の枠組みで推定する指標である。Fleming の HMeta-d は、メタ認知効率 $M_s=\log(\mathrm{meta}\text{-}d’_s/d’_s)$Ms​=log(meta-ds′​/ds′​) を階層ベイズで推定し、個人あたりの試行数が少ない場合でも被験者間の部分プーリングと推定不確実性を活用できる。

ここで避けるべきは、meta-d′をまず点推定し、それを第二段階の回帰に説明変数として投入する二段階手続きである。測定誤差が下流の効果推定に伝播せず、効果量が歪む可能性がある。メタ認知の測定モデルと境界モデルを同一の階層ベイズモデルに統合し、meta-d′の事後不確実性を最終的な結論まで伝播させる設計が中心となる。

メタ認知は二つの経路で境界判断に効く

提案する枠組みの核は、メタ認知の作用を分離することにある。境界事後確率の対数オッズは次のように分解できる。$$\operatorname{logit} p_{si} = \underbrace{\operatorname{logit}\pi_{si}}_{\text{事前・判断基準}} + \underbrace{\log BF_{si}}_{\text{証拠のベイズ因子}}$$logitpsi​=事前・判断基準logitπsi​​​+証拠のベイズ因子logBFsi​​​

第一の経路は、メタ認知特性が境界を採択しやすさ、すなわち事前オッズや判断基準を動かす基準・事前経路である。第二は、同じ証拠をどれだけ精密に利用できるかという尤度・精度経路であり、証拠分布の精度パラメータを通じて働く。

この分離は、Fleming & Daw がメタ認知を一次意思決定系と結合しつつも異なる「second-order inference」として定式化した考え方と整合する。メタ認知は真の境界そのものを変えるのではなく、境界に関する証拠の評価と基準を変える変数として位置づけられる。

境界事後確率とエントロピーの関係

「高メタ認知＝低エントロピー」とは限らない

境界事後確率 $\bar p_{si}$pˉ​si​ から二値シャノンエントロピー $H_{si}=h_2(\bar p_{si})$Hsi​=h2​(pˉ​si​) を計算すれば、「境界か否かについてどれだけ不確実か」を定量化できる。ただしここに重要な非直感的性質がある。

メタ認知パラメータでの微分は次の形になる。$$\frac{\partial H}{\partial m_j} = p(1-p)\log\frac{1-p}{p}\cdot\frac{\partial\eta}{\partial m_j}$$∂mj​∂H​=p(1−p)logp1−p​⋅∂mj​∂η​

符号は現在の事後確率 $p$p と証拠の向きの双方に依存する。$p\approx0.5$p≈0.5 付近で境界判断を0か1へ押す方向に働けばエントロピーは下がるが、すでに $p\approx0.9$p≈0.9 の候補に対して反証的な証拠を精密に取り込めば、$p$p は0.5へ近づきエントロピーはむしろ上がりうる。

したがって「メタ認知能力が高いほど不確実性が減る」という単純な回帰仮説を立てるより、基準効果・証拠精度効果・メタ認知×証拠強度の相互作用を分離することが方法論的に重要になる。低エントロピーだが誤っている「confidently wrong」状態が存在するため、エントロピーは必ずキャリブレーション指標やBrierスコア、対数スコアと併記すべきである。

曖昧さの出どころを二種類に分ける

もうひとつ区別すべきは、周辺エントロピーと条件付きエントロピーである。パラメータの事後分布で平均してからエントロピーを取るか、各ドローでエントロピーを取ってから平均するかで値は異なり、その差は境界状態とパラメータ不確実性の条件付き相互情報量に等しい。$$H_{\mathrm{marginal}} = H_{\mathrm{conditional}} + I(B;\Theta\mid D)$$Hmarginal​=Hconditional​+I(B;Θ∣D)

この分解により、「境界そのものが本質的に曖昧」なのか「モデルパラメータがまだ推定できていない」のかを切り分けられる。結果報告では最低でも事後確率、周辺エントロピー、条件付きエントロピーの三つを併記することを推奨する。

推定と計算設計における実務的な要点

離散潜在変数の周辺化

境界状態は二値の潜在変数だが、混合尤度として周辺化すれば連続パラメータのみをサンプリングできる。StanのUser’s Guideでも、離散潜在パラメータを周辺化して実装する形式が示されている。参照推定にはNUTS、大規模化にはADVIや構造化変分推論、真のオンライン用途にはBOCPD型のフィルタというように、目的別に使い分ける。

階層パラメータは非中心化パラメータ化を基本とし、相関行列にはLKJ事前、標準偏差には半正規事前といった弱情報事前を置く。説明変数を標準化したうえでロジットスケール上の極端な効果を最初から大量に許さない設定が出発点になる。

識別性と診断は後回しにできない

最大の識別性問題は、基準経路のパラメータと精度経路のパラメータの交絡である。限られた観測条件では、両者が似た事後確率を生成しうる。対策として、独立したmeta-d′校正課題、複数の証拠強度条件、確信度基準の直接観測、刺激難易度のランダム化を組み合わせる。

グラフ潜在場と時系列特徴が同じ滑らかな構造を説明してしまう交絡もあるため、センタリング制約や事前収縮を用いる。収束判定は古い単一の$\hat R$R^ではなく、ランク正規化$\hat R$R^、bulk/tail ESS、モンテカルロ誤差、ランクプロットに基づける。実装ミスの検出には、実データ解析前のシミュレーションベースキャリブレーション（SBC）を必須工程とすべきである。

検証計画：合成データから実データへ

検証は三段階が現実的である。第一に、真値が完全に既知の合成データでパラメータ回復とSBCを行う。被験者数、時系列長、境界の希少度、証拠分離度、候補枝刈りの強度、グラフ誤設定などを段階的にストレステストする。

第二に、既存の自然刺激データセットで境界表現の妥当性を確認する。Baldassano らのHMM型イベント分節研究とその関連データは、この段階の技術検証に利用できる。ただし個人のメタ認知パラメータを検証するには、同一参加者から確信度とmeta-d′校正課題のデータを取得する新規実験が必要になる。

第三に、因果的主張を目標とする場合は、単なる「高メタ認知群 vs 低メタ認知群」の比較では足りない。少なくとも証拠信頼度をランダム化してメタ認知との交互作用を識別し、可能であればメタ認知校正フィードバックなどの介入を独立にランダム化する。横断的な個人差から得られた効果は、原則として因果効果ではなく構造的関連として報告するのが適切である。

まとめ：出力すべきは確率だけではない

本記事で整理した枠組みの要点は次の通りである。

• 境界候補を動的グラフのノードとして表現することで、時間・スケール・モダリティをまたぐ依存を明示的に扱える
• メタ認知は「基準・事前経路」と「尤度・精度経路」に分離してモデル化する必要がある
• meta-d′は点推定して投入するのではなく、階層ベイズの測定モデルとして境界モデルに統合する
• エントロピーはメタ認知に対して単調には減少せず、事後確率の位置と証拠の向きに依存する
• 周辺エントロピーと条件付きエントロピーを区別すれば、曖昧さの出どころを切り分けられる
• 候補生成・グラフ設計・時間解像度は、すべて感度分析の対象として扱う

望ましい最終出力は、各候補についての事後確率だけではない。事後確率、エントロピー、パラメータ由来の不確実性、メタ認知を変化させた場合の$\Delta p$Δpと$\Delta H$ΔH、そして各効果パラメータが正である事後確率までを一括して提示することで、「どこが境界らしいか」「どこが曖昧か」「その曖昧さはデータ不足なのか観察者のメタ認知状態なのか」を単一のベイズ枠組みで記述できるようになる。

研究の進め方としては、最初からすべてを可変にせず、固定グラフ＋単一メタ認知指標の簡約版でSBCとパラメータ回復を完成させ、次に動的グラフ場を導入し、その後にメタ認知測定モデルを統合し、最後に介入データによる因果推定へ進む段階設計が合理的である。モデルが失敗したとき、その原因がグラフ設計なのか測定モデルなのか推論アルゴリズムなのか因果仮定なのかを切り分けられるようにしておくことが、この種の統合モデルでは決定的に重要になる。