9 分で読了
1 views

概念的パブロフ嫌悪条件付けにおける嫌悪感感受性が瞳孔反応に与える影響

(Pupillary reactions depend on disgust sensitivity in conceptual pavlovian disgust conditioning)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から『嫌悪条件付け』を使った研究が注目されていると聞きまして、正直何がどう重要なのか掴めておりません。要点を教えていただけますか。

AIメンター拓海

素晴らしい着眼点ですね!簡潔に言うと、この研究は『嫌悪感の強さ(感受性)が、人の瞳孔反応という生理指標に影響を与え、学習と消去(学び直し)の仕方が変わる』と示したんですよ。大丈夫、一緒に整理していけるんです。

田中専務

嫌悪感の強さというのは社内のリスク許容度みたいなものですか。具体的にどう測るんですか。

AIメンター拓海

いい質問です。ここで使う専門用語をまず整理します。Pavlovian conditioning(Pavlovian conditioning; 古典的パブロフ条件付け)は“ある刺激と出来事を結び付けて反応を学ぶ”プロセスです。unconditioned stimulus (US; 無条件刺激)は元から反応を引き起こす刺激で、conditioned stimulus (CS; 条件刺激)は後から結び付いて反応を起こす刺激です。ビジネスに置き換えれば、ある“触れ合い”が社員の習性を作るようなものですね。

田中専務

なるほど。で、これを瞳孔で見るとどう違うんですか。これって要するに嫌悪感の強さで反応が変わるということ?

AIメンター拓海

その通りです!研究ではpupillometry(pupillometry; 瞳孔計測)で学習中と消去(extinction; 条件付けの消失)中の瞳孔変化を見ています。ポイントは三つで、1)高い嫌悪感感受性は主観的な嫌悪評価とUSの予期を強める、2)そうした人は学習の対象をカテゴリー全体に一般化しやすい、3)瞳孔反応は感受性の違いを反映しており、低感受性の方が学習時により大きく瞳孔が開いた、という点です。

田中専務

要するに、嫌悪感が強い人は“より長く期待する”、そして“瞳孔があまり開かない”ということですか。これをどう解釈すれば現場の改善につながるんでしょう。

AIメンター拓海

良い観点です。ここも要点は三つです。1)瞳孔反応は“注意や覚醒”の指標になるので、反応が小さい人は学習中の注意配分が違う可能性がある。2)期待が長く残る人には、単一の刺激でのトレーニングより、カテゴリー全体を扱う包括的な介入が有効である可能性がある。3)実務的には、トレーニング効果の評価を主観評価だけで行うのは危うく、生理指標を補助的に見ることで投資対効果を高められるかもしれない、という点です。

田中専務

生理指標というのは、現場で測れますか。うちの現場がそんな高度な機器を入れなければならないとしたらコストが気になります。

AIメンター拓海

そこは現実主義的な発想が役立ちます。まずは小規模なプロトタイプでeye tracking(eye tracking; 眼球運動計測)をレンタルや外注で試験し、効果が見えれば段階的導入を検討すればよいんです。投資対効果の観点では、三つの評価軸を用意する。学習効果(主観評価)、生理指標の変化、現場パフォーマンスの変化です。それで効果が出るなら導入価値が明確になりますよ。

田中専務

わかりました。これをまとめると、嫌悪感が強い人には“より広い対象での再学習”が必要で、生理反応を補助的に見れば投資判断がしやすくなると。これって要するに、評価の幅を広げて確度を上げるということですね。

AIメンター拓海

その理解で正しいです。大丈夫、実務への落とし込みは段階的に一緒に設計できますよ。要点は、1)嫌悪感感受性を考慮する、2)主観と生理を組み合わせる、3)カテゴリー単位での介入を検討する、の三つです。

田中専務

拓海先生、よく整理できました。自分の言葉で言い直すと、『嫌悪感が強い人は生理的にも違いが出るから、訓練や評価は一ヶ所に絞らず、主観と生理を見て、カテゴリー全体を扱う方向で投資判断する』ということで間違いないですか。

AIメンター拓海

素晴らしい要約です!その理解でまったく問題ありません。一緒にプロトタイプを作りましょう、必ずできますよ。

1.概要と位置づけ

結論から述べる。本研究は、個人の嫌悪感感受性が瞳孔反応という生理学的指標に影響を与え、古典的条件付け(Pavlovian conditioning; 古典的パブロフ条件付け)における学習と消去の過程が感受性に応じて異なることを示した点で重要である。具体的には、高い嫌悪感感受性の被験者は主観的嫌悪評価と無条件刺激(unconditioned stimulus; US; 無条件刺激)の予期が強く、カテゴリー単位での一般化が起きやすく、かつ瞳孔反応が小さくなるという観察が得られた。これは、心理臨床の分野、特に汚染関連強迫症(contamination-based OCD)における治療設計を考えるうえで示唆的である。臨床応用を念頭に置けば、主観評価だけでなく生理指標を組み合わせることが、治療効果の予測および評価の精度向上につながる可能性がある。

2.先行研究との差別化ポイント

先行研究は恐怖条件付け(fear conditioning)を中心に瞳孔反応などの生理学的指標を調査してきたが、嫌悪(disgust)条件付けは相対的に未踏の領域であった。本研究はカテゴリー的条件付け(categorical conditioning)を採用し、CS+(条件刺激陽性; conditioned stimulus positive; 条件刺激+)が単一刺激ではなく動物や道具といったカテゴリー全体に拡張される点が新しい。さらに瞳孔計測(pupillometry; 瞳孔計測)と眼球運動計測(eye tracking; 眼球運動計測)を併用することで、主観評価と生理反応の対応関係をより精密に検討した。結果として、嫌悪感感受性の高低が学習過程の早期段階から生理的差異を生じさせることを示し、恐怖条件付け研究で得られた知見より踏み込んだ臨床的含意を提示している。

3.中核となる技術的要素

本研究の技術的中核は三点に集約される。第一に、カテゴリーを単位とするPavlovian conditioning(Pavlovian conditioning; 古典的パブロフ条件付け)デザインにより、刺激の一般化を意図的に評価できる点である。第二に、瞳孔計測と眼球追跡を同時取得することで、注視(fixation)・瞳孔拡張(pupil dilation)と主観的期待(US expectancy)の時間的連関を解析した点である。第三に、嫌悪感感受性(disgust sensitivity; 嫌悪感感受性)を個人差として組み込み、その影響を行動報告と生理学的データ双方で検証した点である。これらを組み合わせることで、単なる自己申告では捉えきれない「学習中の注意配分」や「消去の進み方」の差異を可視化している。

4.有効性の検証方法と成果

方法としては、被験者群に分類課題(categorization)と獲得期(acquisition)、消去期(extinction)を行い、その間に主観的嫌悪評価、US期待度、眼球行動、瞳孔径を測定した。主要な成果は三点ある。第一に、CS+に対する主観的嫌悪評価とUS期待度は獲得期に上昇し、特に高感受性群でより強く、また長く残存した。第二に、瞳孔反応は獲得期と消去期でCS+とCS-に差を示したが、感受性が高い群では瞳孔拡張が制限される傾向が見られた。第三に、これらの結果は、瞳孔反応がUS期待度に最も近い生理指標であることを支持しており、瞳孔データが学習の効率や消去の速度を示す可能性を示唆している。

5.研究を巡る議論と課題

議論点は明確である。まず、嫌悪感感受性が生理反応にどう結びつくかの因果メカニズムは未解明で、瞳孔の収縮が注意の分散や情動抑制を示すのかを精査する必要がある。次に、カテゴリー一般化の度合いが臨床症状の再発リスクにどの程度関与するかは、縦断的データに基づく評価が必要である。さらに、実務での利用を目指すなら、低コストで簡便な生理計測手法の標準化と、個別性を捉える評価指標群の開発が課題となる。最後に、本研究の被験者数や刺激素材の一般性を拡張することで、外的妥当性を高める必要がある。

6.今後の調査・学習の方向性

今後は、まず瞳孔反応と注意配分の関係を実験的に解きほぐす研究が望まれる。次に、カテゴリー処理を介した一般化を阻止または修正する介入法の設計と評価が重要である。第三に、臨床導入の観点では、汚染関連強迫症をはじめとする嫌悪に関係する病態に対して、生理指標と行動介入を組み合わせた試験を行うべきである。最後に、実務応用のための技術的課題として、簡便な瞳孔計測の信頼性確保と、導入時の投資対効果(ROI)評価基準の整備が必要である。検索に使えるキーワードは次の通りである。”Pavlovian conditioning”, “disgust conditioning”, “pupillometry”, “extinction”, “categorical conditioning”。

会議で使えるフレーズ集

「本研究は、嫌悪感感受性が学習と消去に影響することを示していますので、主観評価に加えて生理指標を評価軸に入れて検証すべきです。」; 「カテゴリー全体への一般化が観察されているため、単一刺激に依存したトレーニングは有効性が限定される可能性があります。」; 「まずは小規模プロトタイプで瞳孔計測をレンタルして効果を検証し、投資対効果が明確になれば段階的導入を検討しましょう。」

L. O. M. Rothkegel and J. Fink-Lamotte, “Pupillary reactions depend on disgust sensitivity in conceptual pavlovian disgust conditioning,” arXiv preprint arXiv:2503.20601v1, 2025.

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
インスタンス認識型プロンプトによる視覚-言語モデルの継続学習改善
(IAP: Improving Continual Learning of Vision-Language Models via Instance-Aware Prompting)
次の記事
二乗可積分表現の分岐則
(BRANCHING LAWS FOR SQUARE INTEGRABLE REPRESENTATIONS)
関連記事
アンダーフィッティングがなければコールドポスター効果は起きない
(IF THERE IS NO UNDERFITTING, THERE IS NO COLD POSTERIOR EFFECT)
位置マップデータからの軽量3D密集顔ランドマーク推定モデル
(A lightweight 3D dense facial landmark estimation model from position map data)
座標上昇変分推論の収束について
(On the Convergence of Coordinate Ascent Variational Inference)
Training of CC4 Neural Network with Spread Unary Coding
(CC4ニューラルネットワークの学習におけるスプレッドユニary符号化)
リーマン予想のブラウン運動による短い証明
(A short Brownian motion proof of the Riemann hypothesis)
ニューラルオペレータの統計学習理論 — Statistical Learning Theory for Neural Operators
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む