はじめに
人間の記憶は、質問の仕方や文脈によって想起される内容が変わるという興味深い特性を持っています。この文脈依存性は、従来の古典的確率論では説明が困難な現象として知られてきました。近年、量子力学の確率則を認知過程に適用する量子確率モデルが注目を集めており、記憶研究においても従来の古典ベイズモデルとの比較検証が進んでいます。本記事では、記憶課題における両モデルの予測性能と汎化能力について、情報量規準を用いた評価を中心に解説します。
量子確率モデルとは：記憶状態の重ね合わせ表現
量子確率モデルは、認知過程を量子力学の確率則で記述するアプローチです。記憶状態をヒルベルト空間内のベクトルで表現し、詳細記憶（verbatim）や要旨記憶（gist）といった事象を射影演算子として定義します。
このモデルの最大の特徴は、古典論理の加法則（OR則）の違反を理論的に扱える点にあります。例えば、排他的な事象AとBについて、古典確率論ではP(A)+P(B)=P(AまたはB)が成立するはずですが、記憶課題では質問の順序や形式によってこの等式が系統的に破れることが100件以上の実験で報告されています。量子モデルはこうした非加法的な確率を自然に表現できます。
代表的なモデルとして、Brainerdらが2013年に提案した量子エピソード記憶モデル（QEM）や、Trueblood & Hemmerによる一般化量子エピソード記憶モデル（GQEM）があります。これらは記憶の重ね合わせ状態という概念を導入し、アイテムが提示された後テストされるまで複数のエピソード状態に重ね合わされているという発想に基づいています。
古典ベイズモデル：過剰分配モデルによる文脈効果の説明
一方、古典ベイズモデルは従来の確率論やベイズ推論に基づき、記憶の想起を条件付き確率として記述します。典型例として信号検出理論（SDT）やデュアルプロセスモデルがありますが、標準的なSDTモデルでは文脈効果を十分に説明できません。
そこで古典モデル側の代表として用いられるのが、Brainerd & Reynaが提唱した**過剰分配モデル（ODモデル）**です。このモデルはファジートレース理論に基づき、記憶痕跡を「詳細（逐語）痕跡」と「要旨痕跡」の二種類で並行的に保持します。想起時には、詳細痕跡による再認、失敗した場合は要旨痕跡によるなじみ感、どちらも失敗した場合は当て推量という確率的過程で応答を生成します。
ODモデルは文脈ごとに応答バイアスや基準をパラメータとして導入することで、古典確率の加法に従わない現象を再現しようとします。階層ベイズ推定によるパラメータ適合も可能であり、実際のモデル比較では両モデルが同じ枠組みで評価されています。
実験課題：過剰分配効果と部分加法性違反の検出
モデル比較には、記憶の文脈依存性を明確に捉えられる特殊な課題が用いられました。
アイテム記憶課題における過剰分配効果
Trueblood & Hemmer（2016）の新規実験では、被験者に単語リストを学習させた後、3種類の質問条件をブロックごとに提示しました。「学習リストに実際に含まれた単語か？（逐語条件）」「リストにはなかったが意味的に関連する単語か？（要旨条件）」「リストにあった単語または関連語か？（逐語または要旨の選択的判断条件）」の三つです。
テスト項目にはターゲット単語、意味的に関連する誤誘導語（関連新項目）、無関係な新項目が含まれました。重要なのは、被験者は「関連語はリストにない」という事前知識があり、逐語と要旨のカテゴリーが相互に排他的だと認識している点です。
ところが、この課題では典型的に過剰分配効果が観察されます。つまり、「ターゲットと関連語を別々に問われたときに”はい”と答える確率の和」が、「”ターゲットまたは関連語”と一度に問われたときの確率」を上回るのです。この加法則の破れは、記憶の検索文脈によって回答確率が変わることを示しており、古典モデルでは単純には説明できません。
ソース記憶課題における部分加法性の崩れ
Kellen, Singmann, & Klauer（2014）のデータでは、被験者は2つのリスト（例：リスト1は赤色の単語群、リスト2は青色の単語群）を学習し、テストで「この単語はリスト1にあったか？」「リスト2にあったか？」「新出か？」とそれぞれ個別に尋ねられました。
理論上、リスト1・リスト2・新出という排他的かつ網羅的なカテゴリーでは、各カテゴリー個別に”はい”と応答する確率の和は1になることが期待されます。しかし実際には、Brainerdらの報告（2015）によればこの和が1を超える部分加法性の崩れが系統的に見られました。個別にリスト帰属を問うことで記憶エラーが累積し、各条件での”はい”回答率の合計が過大になる現象です。
AIC・BICによる過剰適合リスクの評価
モデル比較には主に情報量規準が用いられ、モデルの予測力と複雑さのバランスが評価されました。具体的には、対数尤度にモデルのパラメータ数ペナルティを加えた赤池情報量規準（AIC）やベイズ情報量規準（BIC）が使用されています。
Trueblood & Hemmer（2016）の研究では、個人差を考慮した階層ベイズモデリングによって両モデルのパラメータ推定を行い、階層モデル版AICといえる**開発情報量規準（DIC）**を算出してモデル比較をしています。DIC/AICはいずれも「モデル適合の良さ」と「パラメータ数（複雑さ）」のトレードオフを評価する指標であり、値が小さいモデルほどデータに対して汎化性能が高いとみなされます。
量子モデルの有意な優位性
新規のアイテム記憶課題データについて量子モデル（GQEM）と古典モデル（OD）を適合させたところ、量子モデルの方が対数尤度が高くデータに良くフィットしました。しかし単純に尤度が高いだけではパラメータ過剰によるオーバーフィットの可能性があります。
そこでDICで比較した結果、GQEMのDICの方がODモデルよりも約16ポイント低いことが示されました。一般にDIC差が10を超えると十分有意な優劣と見なせるため、この結果は量子モデルの方が複雑さを考慮しても有意に優れた適合を示すことを意味します。これは、量子モデルの予測性能向上が単なるパラメータ増による過剰適合ではないことを示唆しています。
ソース記憶課題での同等性
一方、Kellenら（2014）のソース記憶課題に関しては、DIC値は古典モデルの方がわずかに低く、量子モデルよりも約6ポイント優勢という結果も報告されています。この差は統計的に大きくはないため両モデルの性能はほぼ同等と解釈され、量子モデルが極端な過剰適合を起こしている兆候は見られませんでした。
情報量規準以外にも交差検証による汎化誤差の直接評価やベイズ因子によるモデル比較などが考えられますが、上述の研究では主にDICやAIC/BICによる分析が中心であり、階層ベイズモデリングと情報量規準によって十分にモデルの汎化性能が評価されています。
予測性能と汎化能力の総合評価
総合すると、記憶課題における量子確率モデルは古典ベイズモデルと同等以上の予測性能・汎化性能を示しました。特に、逐語 vs 要旨といった測定文脈が結果に影響を与える課題では、量子モデルが古典モデルでは説明困難な確率のパターン（加法則の系統的な違反）を捉えることで高い予測精度を発揮しています。
Trueblood & Hemmer（2016）のアイテム記憶実験では量子モデル（GQEM）が古典モデル（OD）を情報量規準で有意に上回り、より良い汎化適合を示しました。一方、ソース記憶データでは両モデルの適合度は僅差で、古典モデルがわずかに有利でしたがほぼ同等といえる結果でした。
このことから、量子モデルはモデル複雑性に見合うだけの予測力向上を達成しており、過剰適合の懸念は小さいと評価できます。実際、量子モデルは古典モデルに比べパラメータを増やさずとも（あるいはごく少数の追加で）従来モデルの盲点だった現象を説明できており、AICやBICでペナルティを課した比較においても十分競争力を持つことが確認されています。
研究分野を主導する研究者たち
この研究分野を主導する研究者としては、量子認知モデルの提唱者であるJerome BusemeyerやEmmanuel Pothos、Zheng Wangらが挙げられます。記憶分野ではCharles BrainerdとValerie Reynaがファジートレース理論とODモデルを提唱し、それに対抗する形で量子モデル（QEM）の適用を試みました。
最新の成果であるTrueblood & Hemmer（2016）は、これら先行研究を踏まえて量子モデルを改良し、古典モデルとの予測性能の差異を統計的に検証したものです。過去の比較では古典モデルが量子モデルより適合が良いと報告されていましたが、この研究によって初めて量子モデルが古典モデルを上回る証拠が得られたとされています。
まとめ：文脈依存的な記憶現象を捉える新たなアプローチ
記憶課題におけるモデル比較では、量子確率モデルが古典的ベイズモデルと比べて遜色ない、場合によっては上回る汎化性能を示すことが明らかになってきています。これは、記憶における文脈依存的な確率現象を捉えるには量子確率論に基づくアプローチが有望であることを示唆する知見と言えるでしょう。
特に重要なのは、量子モデルが単なる数学的な記述の置き換えではなく、記憶の重ね合わせ状態という新しい概念的枠組みを提供している点です。質問の仕方や文脈によって記憶の想起が変わるという現象は、古典的な記憶理論では説明が困難でしたが、量子確率論の枠組みでは自然に扱えます。
今後は、より多様な記憶課題への適用や、神経科学的な裏付けの探索、実用的な応用の可能性など、さらなる研究の発展が期待されます。記憶研究における量子アプローチは、人間の認知過程の理解を深める新たな視点を提供し続けるでしょう。
コメント