感情粒度とメンタルヘルス

心理ネットワークと能動的推論モデルによるシミュレーションから

専修大学大学院文学研究科心理学専攻修士課程2年
大水 拓海

2025-12-06

スライドリンク

※数式などの補足資料が含まれている本スライドのリンクです

トピック

  • 感情粒度について

  • ネットワークによる感情粒度の定量化

  • 感情粒度と適応行動の計算論モデル

感情粒度について

感情粒度

  • 個人が多様な文脈に特化した感情を生み出す能力　(Barrett 2004)

例）楽しみにしていた親友とのランチの予定を当日の朝にドタキャンされた

感情粒度とメンタルヘルス

保護因子として

適応的な行動として

ネットワークによる感情粒度の定量化

感情粒度の定量化：ICCによる定量化

感情粒度の定量化：ICCによる定量化

Hoemann et al. (2020)　では従来のICCによる定量化の限界点が指摘されている。

  • 単一推定値であるため全体的に高いか低いかの情報しか得られない

  • 個人内変動を含め，時点をまたいだ感情間の関係性がわからない

  • 特定の感情間の関係などの異なる次元の情報が失われている

→臨床的に関心があるのは単一推定値ではなく個人特有の差？

ネットワークによる定量化(日心2025ポスター)

  • (Rowland and Wenzel 2020)の感情のESMデータを二次解析

  • 従来指標とネットワーク構造を個人レベルと集団レベルで比較

ネットワークによる定量化：個人レベル

  • 学部生125名，0~100のVASによる測定

  • 1日6回，40日間のESM

  • 2名のネットワーク構造を比較

  • EGが高い個人が低い個人よりも疎なネットワーク

ネットワークによる定量化：集団レベル

  • 全参加者のネットワーク密度と従来指標の関係性の相関分析

  • EGが高いほど密度は低下する傾向がある

感情粒度と適応行動の計算論モデル

なぜ感情粒度と適応的な行動は結びつくか？

  • 感情粒度の高さは感情を制御するための方略の レパートリーが多い(Barrett et al. 2001)

  • 状況に応じて多様な戦略を用いて行動する能力が高く，「制御の柔軟性が高い」可能性

  • 外部状況に合わせて適切に信念を更新し，行動に移す？

    →感情粒度が柔軟性に影響する計算論モデルを使って考える

ネットワークモデル×計算論モデル

  • 探索的な検討や経験知をデータと照合するネットワークアプローチの強みと，数理モデルのシミュレーションは相性がよさそう

  • 様々な可能性について考察するための参考になる

  • 統計的制約が多いことによるリアルデータの適用の難しさ

  • シミュレーションの際の駆動原理の不在

→計算論モデルと組み合わせてパラメータの構造や動的な関係を扱うシミュレーションアプローチ

能動的推論モデル

  • エージェントは内部の生成モデル(信念)と観測を用いて世界の状態を推論する

  • 期待自由エネルギーGは，実利的価値(利用)と認識的価値(探索)という2つの相反する動機を統合した目的関数

  • エージェントは期待自由エネルギーを最小化する行動を選択することで，不確実性を減らしながら目標(選好)を達成する

モデルの詳細は補足資料

環境モデル(エージェントのタスク)

下位層

上位層

感情ネットワークの推定

  • Ising modelとノードワイズのロジスティック回帰は数理的に等価(Waldorp, Marsman, and Maris 2018)

  • 上位層の感情時系列データに疑似的なIsingVARを適用し，ネットワーク構造を推定

  • 1-密度でγを計算し，下位層にフィードバック

モデル全体図

モデルの詳細は補足資料

シミュレーション

モデルの種類

  • 固定\(\gamma\)モデル→感情粒度パラメータ\(\gamma\)が固定値(0.1, 0.5, 0.9, 1.0)

  • 変動\(\gamma\)モデル→上位層の感情ネットワークの変動に伴って\(\gamma\)が時間変動(50試行，100試行，200試行)

環境の不確実性：報酬確率P(正解，不正解)

  • 低不確実性→\(P(0.9, 0.1)\)

  • 高不確実性→\(P(0.6, 0.4)\)

環境変動の不安定性：環境の逆転頻度

  • 不安定→100試行ごとに反転

  • 安定→250試行ごとに反転

固定モデルの挙動

1. 低不確実性：固定モデル(\(\gamma=0.1\))

  • ルール反転後も信念が更新されにくい

  • 正規化による信念更新の抵抗

  • 環境の情報の軽視/環境変動に対する柔軟性の低さ

2. 低不確実性：固定モデル (\(\gamma=1.0\))

  • 通常のベイズ更新によって最初の文脈で正解に素早くたどり着く

  • 信念が正解に強固に張り付くと切り替えられない(尤度のせいもありそう)

3. 低不確実性：固定モデル (\(\gamma=0.9\))

  • 環境変化に応じて適切に探索ー利用のバランスを保って信念を更新

  • 正答率も信念更新の精度の高さに伴って上昇

変動モデルの挙動

低不確実性：変動\(\gamma\) モデルの挙動(100更新)

  • 感情更新によって信念と行動の結果から動的に精度を調整

  • 実際の観測を受けて精度を変化させるため柔軟な行動選択につながる

パフォーマンス比較 (Unstable条件)

Model \(\gamma\) Value Accuracy (Low Unc) Accuracy (High Unc) 特徴
Fixed 0.1 56.5% 51.6% 学習の弱さ
Fixed 0.9 85.6% 63.0% 固定では高精度
Fixed 1.0 49.1% 48.3% 柔軟性の弱さ
Dynamic Variable 86.7% 63.1% 環境への適応
  • Low Uncertainty: 変動モデルは Fixed 0.9 を上回り最高精度

考察・結論

感情粒度の機能的意義

シミュレーション結果から:

  1. 固定的な高粒度 (\(\gamma = 1\)) は最適解ではない可能性
    • ノイズへの過剰適応を招く (不安・神経症傾向など？)
    • 感情粒度が高すぎることのデメリット的側面？
  2. 感情粒度の変動も適応につながる可能性
    • 環境の不確実性や変動性(補足結果)に応じて、学習率(\(\gamma\))を動的に制御することが適応力の正体？
    • 環境が変動しない場合には粒度は最適なところで安定した方が適応的，環境が変動する環境では細かく変動させる方が適応的？
    • 感情粒度の高さだけではなく柔軟性も重要なのでは

まとめ

ネットワークによる感情粒度の再解釈

  • 実データの解析から，感情粒度をネットワークとして捉えることで，構造的・動的な特徴を捉えることが可能

計算論モデルによるメカニズムの考察

  • 感情ネットワークが認知的な柔軟性を調整するモデルから，感情粒度と適応行動についての関係を考察

  • 感情粒度の高さと適応行動の間の計算論的な説明を試みた

  • 尤度など細かいモデル設定はこれから要検討

  • 感情粒度 \(\neq\) 単なる繊細さ

  • 感情粒度 \(=\) 認知パラメータ(\(\gamma\))の自律調整機能

補足結果

固定γモデル

不安定，高不確実性，γ=0.1

安定，高不確実性，γ=0.1

不安定，高不確実性，γ=0.5

安定，高不確実性，γ=0.5

不安定，高不確実性，γ=0.9

安定，高不確実性，γ=0.9

不安定，高不確実性，γ=1.0

安定，高不確実性，γ=1.0

不安定，低不確実性，γ=0.1

安定，低不確実性，γ=0.1

不安定，低不確実性，γ=0.5

安定，低不確実性，γ=0.5

不安定，低不確実性，γ=0.9

安定，低不確実性，γ=0.9

不安定，低不確実性，γ=1.0

安定，低不確実性，γ=1.0

変動γモデル

不安定，高不確実性，50更新

安定，高不確実性，50更新

不安定，高不確実性，100更新

安定，高不確実性，100更新

不安定，高不確実性，200更新

安定，高不確実性，200更新

不安定，低不確実性，50更新

安定，低不確実性，50更新

不安定，低不確実性，100更新

安定，低不確実性，100更新

不安定，低不確実性，200更新

安定，低不確実性，200更新

結果

低不確実性\(P(0.9, 0.1)\)

model fixed 0.1 fixed 0.5 fixed 0.9 fixed 1.0 dym 50 dym 100 dym 200
unstable 56.5 72.4 85.6 49.1 86.4 86.7 66.3
stable 62.0 92.0 96.6 51.4 84.7 79.0 74.8

高不確実性\(P(0.6, 0.4)\)

model fixed 0.1 fixed 0.5 fixed 0.9 fixed 1.0 dym 50 dym 100 dym 200
unstable 51.6 53.2 63.0 48.3 62.2 63.1 52.0
stable 50.7 51.3 62.0 50.4 59.4 53.7 52.1

(fixed:固定\(\gamma\)モデル，　dym：変動\(\gamma\)モデル)

引用文献

Anand, Deepika, Yun Chen, Kristen A. Lindquist, and Stacey B. Daughters. 2017. “Emotion Differentiation Predicts Likelihood of Initial Lapse Following Substance Use Treatment.” Drug and Alcohol Dependence 180 (November): 439–44. https://doi.org/10.1016/j.drugalcdep.2017.09.007.
Barrett, Lisa Feldman. 2004. “Feelings or Words? Understanding the Content in Self-Report Ratings of Experienced Emotion.” Journal of Personality and Social Psychology 87 (2): 266–81. https://doi.org/10.1037/0022-3514.87.2.266.
Barrett, Lisa Feldman, James Gross, Tamlin Conner Christensen, and Michael Benvenuto. 2001. “Knowing What You’re Feeling and Knowing What to Do about It: Mapping the Relation Between Emotion Differentiation and Emotion Regulation.” Cognition & Emotion 15 (6): 713–24. https://doi.org/10.1080/02699930143000239.
Dixon-Gordon, Katherine L., Alexander L. Chapman, Nicole H. Weiss, and M. Zachary Rosenthal. 2014. “A Preliminary Examination of the Role of Emotion Differentiation in the Relationship Between Borderline Personality and Urges for Maladaptive Behaviors.” Journal of Psychopathology and Behavioral Assessment 36 (4): 616–25. https://doi.org/10.1007/s10862-014-9423-4.
Erbas, Yasemin, Eva Ceulemans, Madeline Lee Pe, Peter Koval, and Peter Kuppens. 2014. “Negative Emotion Differentiation: Its Personality and Well-Being Correlates and a Comparison of Different Assessment Methods.” Cognition and Emotion 28 (7): 1196–1213. https://doi.org/10.1080/02699931.2013.875890.
Hoemann, Katie, Miaolin Fan, Haakon Engen, Chun-An Chou, Karen Quigley, Maria Gendron, and Lisa Feldman Barrett. 2020. “A Network Analytic Approach to Measuring Emotional Granularity.” http://dx.doi.org/10.31234/osf.io/yt9cv.
Kalokerinos, Elise K., Yasemin Erbas, Eva Ceulemans, and Peter Kuppens. 2019. “Differentiate to Regulate: Low Negative Emotion Differentiation Is Associated With Ineffective Use but Not Selection of Emotion-Regulation Strategies.” Psychological Science 30 (6): 863–79. https://doi.org/10.1177/0956797619838763.
Kashdan, Todd B., Patty Ferssizidis, R. Lorraine Collins, and Mark Muraven. 2010. “Emotion Differentiation as Resilience Against Excessive Alcohol Use.” Psychological Science 21 (9): 1341–47. https://doi.org/10.1177/0956797610379863.
Pond, Richard S., Todd B. Kashdan, C. Nathan DeWall, Antonina Savostyanova, Nathaniel M. Lambert, and Frank D. Fincham. 2012. “Emotion Differentiation Moderates Aggressive Tendencies in Angry People: A Daily Diary Analysis.” Emotion 12 (2): 326–37. https://doi.org/10.1037/a0025762.
Rowland, Zarah, and Mario Wenzel. 2020. “Mindfulness and Affect-Network Density: Does Mindfulness Facilitate Disengagement from Affective Experiences in Daily Life?” Mindfulness 11 (5): 1253–66. https://doi.org/10.1007/s12671-020-01335-4.
Seah, T. H. Stanley, Pallavi Aurora, and Karin G. Coifman. 2020. “Emotion Differentiation as a Protective Factor Against the Behavioral Consequences of Rumination: A Conceptual Replication and Extension in the Context of Social Anxiety.” Behavior Therapy 51 (1): 135–48. https://doi.org/10.1016/j.beth.2019.05.011.
Waldorp, Lourens, Maarten Marsman, and Gunter Maris. 2018. “Logistic Regression and Ising Networks: Prediction and Estimation When Violating Lasso Assumptions.” Behaviormetrika 46 (1): 49–72. https://doi.org/10.1007/s41237-018-0061-0.
Willroth, Emily C., Jayde A. M. Flett, and Iris B. Mauss. 2019. “Depressive Symptoms and Deficits in Stress-Reactive Negative, Positive, and Within-Emotion-Category Differentiation: A Daily Diary Study.” Journal of Personality 88 (2): 174–84. https://doi.org/10.1111/jopy.12475.