titleimage

あの人はなぜ避けてくれないのか──「他者が存在しない」世界の予測処理

Powered by VOICEVOX（四国めたん）

歩道でよく見かける光景があります。

正面から向かってくる二人。片方は早めにコースを変え、もう片方は一直線で歩いてくる。結果として「避けた側」と「避けなかった側」が生まれる。この非対称性を前にして、多くの人は「マナーが悪い」「自己中心的だ」と感じます。

でも、ちょっと待ってください。

「マナー」という説明は行動を記述しているだけで、なぜその行動が生まれるかを説明していません。意地悪だから避けない、というのは一つの解釈ですが、それでは何も分かったことにならない。もっと根本的な問いがあります。

「避けなかった側」の認知システムにとって、対向者はそもそも存在していたか。

これが本稿の出発点です。「避けることを選ばなかった」のではなく、「避ける対象が計算上、存在しなかった」可能性を、認知科学の枠組みで検討します。そして、この問いはすれ違いの話に留まりません。組織の意思決定から政策の失敗まで、驚くほど同じ構造が現れます。

TruResearch™

🧠 第1章：世界モデルにおける他者の表象

環境入力はすべて平等に処理されない

脳は受動的なカメラではありません。視野に入った情報がすべて等しく処理されるわけではなく、認知システムは絶えず「どの入力を行動関連情報として処理するか」を選別しています。

この選別のメカニズムとして、予測処理（predictive processing）の枠組みが有力です。Friston の自由エネルギー原理によれば、脳は世界についての生成モデルを持ち、感覚入力から予測誤差（予測と入力のズレ）を計算することで知覚と行動を駆動します [1:nature.com]。重要なのは、この枠組みにおいて 注意 は「予測誤差の精度（precision）を重み付けする」処理として定義されることです——Hohwy（2013）によれば、注意は精度期待の最適化そのものです [2:link.springer.com]。

つまり、注意が向かないとは「予測誤差の精度重みが低い」こと。対向者の存在が精度の低い入力として処理された場合、その存在は世界モデルの中で行動調整変数として機能しません。

「避けない」のではなく「存在しない」

ここが重要です。「避けることを選ばなかった」という記述は、選択の主体が対向者を認識した上で無視したことを含意します。しかし予測処理の観点では別の記述が可能です——対向者の存在が、行動に関連する予測誤差を生成しなかった。

Clark（2013）は予測処理を「脳は常に次の感覚入力を予測し、その誤差だけを処理する」システムとして定式化しています [3:cambridge.org]。このとき、対向者という刺激が既存の世界モデルと十分に整合的（誤差が小さい）として処理されるか、あるいはそもそも行動関連の予測系に接続されていなければ、回避行動のトリガーは発火しません。

歩道の区分線についても同様です。線の知覚入力はある。しかしそれが「自分の行動軌道を調整すべき情報」として処理されないなら、行動上は存在しないに等しい。

👁️ 第2章：視線検出と他者モデルの起動

視線検出システムの生得性と高感度性

人間の視線検出システムは生得的かつ高感度です。Senju & Johnson（2009）によれば、直接視線（direct gaze）は認知処理を自動的に加速し、新生児にも認められる発達的優先性があります [4:doi.org]。この処理は意識的な判断に先行します——「あ、見られた」と思うより前に、神経系は視線の到来を検知している。

Itier & Batty（2009）は、視線処理の神経基盤として上側頭溝（STS）が中心的役割を果たすことを示しました [5:doi.org]。視線は単なる目の向きの情報ではなく、「相手が何に注意を向けているか」、延いては「相手が私をどう処理しているか」を推定するための社会的信号として機能します。

「自分は相手の計算に含まれているか」——メタモデリングの多段推論

視線情報から導かれる計算はかなり複雑です。

相手の視線が私を捉えていない → 私は相手の世界モデルに存在しない → 相手の行動軌道は私を変数として含まない → 相手の軌道は変化しない → 私が軌道を変更すべきだ

これは、他者の予測モデルについてのモデル、すなわち メタモデリング の多段推論です。Stephenson et al.（2021）は、共同注意（shared attention）システムが「相手が何を見ているか・何を気にしているか」の推論を支えることを示しています [6:doi.org]。

注目すべきは、この処理が自動化されている個体とそうでない個体の差です。Baron-Cohen（1995）が提示した視線方向検出器（EDD）とマインドリーディングシステムの発達論的枠組みは、こうした処理の個人差に神経発達的な基盤があることを示唆します [7:direct.mit.edu]。

この処理の自動化には個人差がある

自動化されている個体は、視線の方向から「相手は私を計算に入れていない」と即座に推定し、先回りして軌道を調整します。自動化されていない個体はこの多段推論が走らず、結果として調整が起きない。これはどちらが「良い人間か」という話ではなく、情報処理の構造の話です——ちょっと覚えておいてください。この区別が後の章で重要になります。

👥 第3章：集団帰属と自己モデルの境界変動

集団帰属によって自己モデルの境界は拡張される

人は特定の集団（組織、民族、性別、役職）に帰属していると認知すると、自己モデルの境界が個体レベルから集団レベルへ拡張されます。Turner et al.（1987）の自己カテゴリ化理論（SCT）は、この拡張のメカニズムを社会的同一性の観点から定式化しました [8:journals.uchicago.edu]。

重要なのは、この境界拡張が情報処理の方式を変えることです。

視線処理の変化——「私へ」から「集団へ」への再割り当て

集団帰属が成立すると、環境から到来する視線や注意のシグナルが「自分個体」ではなく「自分が帰属する集団」に向けられたものとして処理されます。

つまり、他者の視線が自分に向いていても、それが「集団を見ている」という解釈フレームに割り当てられると、個体レベルでのアラート信号は減衰します。「私が見られた」から「うちの会社が見られた」へ——この再割り当ては、第2章で述べたメタモデリングの精度重みを個体レベルで下げる効果を持ちます。

没個性化論の限界と認知科学的再記述

従来の集団心理学は、この現象を「没個性化（deindividuation）」として記述してきました。Reicher et al.（1995）の社会的アイデンティティ脱個人化効果モデル（ESIM）は一歩進んで、没個性化を「規範の消失」ではなく「集団規範への準拠」として再記述しました [9:doi.org]。これは重要な前進です。

でも、まだ行動記述の水準に留まっています。問うべきは「どの規範に従ったか」ではなく、「個体の認知システム内で、注意資源の配分と自己モデルの境界がどう変動したか」です。予測処理の枠組みはこの問いに答える言語を提供します——自己モデルの境界変動は、精度重みの再配分として記述できます。

🚶♂️ 第4章：物理的単独と認知的集合体

一人で歩いていても「集団として」処理されている

ここで少し奇妙な状況を考えてみましょう。物理的には一人で歩いている人が、認知的には集合体の一部として行動しているケースです。

例えば、企業の役員が一人で歩いているとき。その人の自己モデルは「個人」ではなく「組織の代表者」として構成されているかもしれない。あるいは、特定のイデオロギー集団に強く同一化している人が一人でいるとき。自己カテゴリ化はすでに「集団」レベルで起動しています。

自己カテゴリ化が注意フィルタリングの上流で作用する

Postmes & Spears（1998）のメタ分析は、集団帰属が行動を規定する効果の大きさを実証しました [10:doi.org]。本稿が注目するのは、この効果が 注意フィルタリングの上流 で作用している可能性です。

どういうことか。自己カテゴリ化が「集団の一部」として成立すると、入力処理の優先度の設定自体が変わります。個体レベルの視線検出やメタモデリングの処理が、集団帰属時と同様に抑制される。結果として、物理的に単独でいても、対向者回避の計算が起動しにくい状態が生じます。

単独行動者の行動がなぜ集団行動者と同じに見えるか——これはその人が「単独だが認知的に集合体に帰属している」からかもしれません。

⚖️ 第5章：予測誤差の処理方略——モデル更新と入力棄却

予測誤差が生じたとき、脳は二択に直面する

環境から、自分の予測モデルと矛盾する情報が入ってきたとします。このとき、認知システムには基本的に二つの選択肢があります。

  1. モデルを更新する——「世界が違った。自分の予測を修正しよう」
  2. 入力を棄却する——「この情報はおかしい。無視しよう」

Friston & Kiebel（2009）の予測符号化モデルでは、この選択は精度重み付けの問題として定式化されます [11:fil.ion.ucl.ac.uk]。入力の精度が高く評価されれば予測誤差は強いボトムアップ信号として処理され、モデル更新が促進されます。逆に入力の精度が低く評価されれば、誤差信号は抑制され、入力が実質的に棄却されます。

強い事前分布が生む「入力棄却バイアス」

問題は、事前分布（prior）が強い場合です。

予測モデルの事前分布が強いということは、「世界はこう動くはずだ」という信念が高い確信度を持っているということです。Hohwy（2013）が指摘するように、精度の高い事前予測は感覚入力を抑制します [2:link.springer.com]。事前分布が強いモデルを持つ個体は、予測誤差に対して「モデルを修正する」よりも「入力がおかしい」という判断を優先しやすくなります。

クレーム行動は入力棄却処理の一形態

ここで「クレーム」行動について考えてみましょう。

予測に反することが起きた。普通なら「自分の予測が間違っていたかもしれない」とモデルを修正します。しかし事前分布が強い個体は、「自分の予測は正しい、だからこの現実がおかしい」という方向に処理します。相手に怒りをぶつけたり、クレームを入れたりする行動は、入力（現実）を棄却しようとする試みの外部化として記述できます。

これは「クレームを入れる人は性格が悪い」という話ではありません。そのシステムが「入力棄却を優先する」という設定になっているというだけです——ただし、なぜそういう設定になっているかは次の章で問います。

🌱 第6章：事前分布の形成——初期環境と観測データ

事前分布はどこから来るか

事前分布は空から降ってくるわけではありません。個体が初期環境から蓄積した観測データによって形成されます。これはベイズ推定の枠組みで明快に記述できます——過去の観測から事後分布を計算し、それが次の推定の事前分布になる。

Wilkinson et al.（2017）は、心理的トラウマを予測処理の観点から再記述し、逆境的経験が事前分布に影響を与えて予測誤差処理に変化をもたらすことを示しました [12:doi.org]。

安定環境が生む強い事前分布

安全で安定した環境から得られたデータは、「世界は予測通りに動く」という高確信度の事前分布を生成します。この事前分布は、以降の更新幅を制約します。世界が自分の期待通りに動き続けてきた個体は、「予測通りだった」という観測を大量に積み上げてきた。それはモデルを強固にし、予測誤差に対する更新閾値を上げます。

不安定環境が生む広い事前分布

逆に、不安定な環境から得られたデータは不確実性を内包した広い事前分布を生成します。「世界は予測不能に動くことがある」という情報が事前分布に組み込まれるため、新たな予測誤差への感度が高くなり、モデル更新の閾値が相対的に低い。

「愛着が安定しているか」「トラウマがあるか」という発達心理学的な語彙は、こうした事前分布の幅と更新特性を別の言語で記述しているものとして読み替えることができます。どちらが正しいというより、記述の粒度と適用範囲の問題です。

🏭 第7章：事前分布の社会的量産 ※本稿の仮説

特定の社会構造が「予測通り」データを大量供給する

第6章では、事前分布が初期環境の観測データによって形成されることを確認しました。ここから一歩進んで、仮説的な問いを立てます。

特定の社会構造は、「世界が自分の予測モデルに適合する」という観測データを、個人の気質とは独立に、構造的に大量供給するのではないか。

年功序列的組織では、年数を経るだけで発言権が上がり、意見が通りやすくなります。固定的な性別役割分業では、特定の役割に置かれた個体が「世界は自分のために動く」という観測を繰り返し得ます。地位の自動的上昇構造では、自分の判断が検証される前に実績として蓄積されます。

予測誤差の発生自体が構造的に抑制される

さらに問題があります。こうした構造は単に「予測通りデータ」を供給するだけでなく、予測誤差の発生自体を抑制 します。

組織内でNo.2やNo.3が「部長の判断は間違っています」と指摘すれば、指摘した側が不利益を受ける。会議で異論を唱えれば「空気が読めない」と評価される。構造そのものが誤差信号の生成を抑制するフィルタとして機能しています。

構造推定：この結果として、当該社会構造を長く経験した個体の予測モデルは、狭い許容誤差（精度の高い強い事前分布）を持つモデルとして形成される。これは個人の性格や能力の問題ではなく、環境が供給したデータの問題です。

🔌 第8章：エラー信号の吸収とフィードバック遮断 ※本稿の仮説

エラー信号の帰還が修正を駆動する——通常の学習回路

予測モデルが修正されるためには、予測誤差がエラー信号として当該システムに帰還する必要があります。Friston の自由エネルギー原理では、エラー信号は上位の生成モデルにフィードバックされ、モデルパラメータを更新します [1:nature.com]。これが通常の学習回路です。

エラーを別の部分が吸収する構造——信号の消去

ところが、エラー信号を系の別の部分が吸収してしまう構造が存在する場合、信号は発生源に帰還しません。

公共空間の例で言えば：対向者を回避しなかった個体の予測モデルは誤差を生成していますが、その誤差コスト（足が止まる、体が当たる、謝罪する等）は 回避した側 が吸収しています。直進した個体のモデルにエラー信号は帰還しない。

公共空間から政策領域まで——相似形で現れる吸収構造

この構造は驚くほど広い領域で相似形をなしています。

政策の誤りによるコストは国民が吸収し、政策立案者の予測モデルに修正信号が到達しない。経営の誤りによるコストは現場従業員が吸収し、経営者のモデルに帰還しない。

構造推定：この「エラー吸収の非対称性」は、予測モデルの更新機会を持つ者と持たない者を、社会的地位に沿って分離する。

「修正しないことが報酬される」インセンティブ構造

さらに深刻なのは、修正の試みそのものにペナルティが課されるケースです。

モデルの更新を試みた人が「前言撤回」「ブレている」と評価され、モデルを維持した人が「信念が強い」「ぶれない」と称賛される。このインセンティブ構造が加わると、モデルの硬直が能動的に強化される最適解 になります。これはもはや認知の問題だけでなく、インセンティブ設計の問題です。

🧩 第9章：エラー吸収者の分散と集合行動の不成立 ※本稿の仮説

更新能力が高い個体は個別適応で問題を解消する

ここで皮肉な二重構造が現れます。

予測モデルの更新能力が高い個体——つまり、予測誤差をエラーとして受け取ってモデルを修正できる個体——は、個別に環境へ適応することで問題を解消します。すれ違いで言えば「自分が避ければいい」。組織で言えば「適応できる別の職場を探す」。問題を個人レベルで解決するため、是正を求める集団的な閾値に達しません。

更新能力が低い個体は乖離を認知しない

一方、更新能力が低い個体は、現状の予測モデルと環境の間の乖離をそもそも認知しません。強い事前分布によって入力が棄却されているか、エラー信号が帰還していないかのどちらかです。乖離を認知していなければ、是正を求める動機は生まれません。

二重構造が集合行動の条件を構造的に阻害する

Olson（1965）は、集合財の供給において個人が合理的にフリーライドを選択するため、集合行動は自然には成立しないと論じました [13:jstor.org]。

本稿はこれを認知科学的に再記述します。

Olson の「合理的フリーライド」は、エラー信号の非帰還構造においてより深刻に成立します。更新能力の高い個体は個別適応でコストを回収し、是正に向けた集合行動へのインセンティブを失う。更新能力の低い個体は問題を認知しないため、そもそも集合行動の主体になれない。これは「誰もが合理的に動いた結果、誰も是正しない状態に収束する」というオルソン的帰結の認知科学版です。

構造推定：この二重構造により、フィードバック遮断の是正を目的とした集合行動が成立する認知的・構造的条件が、体系的に阻害される。

🔄 結論：予測モデルの修正コストの非対称性

「誰の世界に誰が存在しているか」——問いの総括

本稿を貫く問いに戻りましょう。あなたの世界に、私は行動調整の変数として存在しているか。

予測処理の枠組みで言えば、これは「あなたの生成モデルに、私の存在が精度の高い予測誤差源として登録されているか」という問いです [1:nature.com] [11:fil.ion.ucl.ac.uk]。登録されていなければ、私がどれだけ物理的に存在しても、あなたの行動は変わらない。

すれ違いから政策決定まで走る非対称性の相似形

本稿が提示した構造は、スケールを問わず相似形で現れます。

いずれも「モデルを更新する個体がコストを負担し、更新しない個体がそれにフリーライドする」非対称性です。

そして「更新しないことが最適解になる」インセンティブ構造が加わると、この非対称性は自己強化します。

エラー信号の帰還経路の再設計——介入の可能性

ではどうすればいいか。

本稿が示す論理から導かれる介入の方向性は一つです。エラー信号を、そのコストを生み出した予測モデルに帰還させる経路を設計すること。

回避コストを回避しなかった側が引き受ける仕組み。是正コストを是正されるべき判断をした側が負う構造。フィードバックを遮断した方が不利益を受けるインセンティブ。

これは「マナーを教育する」とも「意識を変える」とも違います。認知システムに対して、適切な入力が届くように経路を整備する——それが構造的な介入の出発点です。

「誰の世界に誰が存在しているか」は、道徳の問いではなく、設計の問いです。

📚 参考文献

🔍 反証可能性

本稿の各主張に対して、以下の反証可能性を明示する。

1. 予測処理枠組みの適用範囲について
本稿は予測処理・自由エネルギー原理を歩行回避行動や社会構造分析に適用しているが、これらの応用は本稿の仮説的提案であり、当該論文自体が直接証拠を提供しているわけではない。自由エネルギー原理の説明力については科学哲学的な反論も存在する（反証可能性の低さの指摘：Colombo & Series, 2012; Gershman, 2019）。

2. 「視線を捉えていない＝世界モデルに存在しない」の飛躍
視線検出の自動性（Senju & Johnson, 2009）は実験室研究に基づくが、日常の歩行場面でのモデリングへの直接的な外的妥当性は検証されていない。歩行中の回避行動は末梢視野処理によっても起動し得るため、「視線を向けていない＝相手を知覚していない」とは必ずしも言えない。

3. ESIM（Reicher et al., 1995）の適用範囲
ESIMの実証的支持は主にオンライン・CMC場面に集中しており、単独個体への集団帰属適用効果については追加的な実証が必要。

4. 事前分布の「社会的量産」仮説（第7章）
本稿が提唱する「特定の社会構造が強い事前分布を量産する」メカニズムは仮説的提案であり、直接的な実験的・縦断的エビデンスは現時点では引用されていない。代替仮説（個人の認知スタイル差・遺伝的要因の寄与）が排除されていない。

5. エラー吸収構造の普遍性（第8・9章）
「エラーが別の主体に吸収される」構造は比喩的に説得力があるが、政策・組織行動への一般化には当該領域固有の実証研究（例：組織行動論、政策評価研究）による検証が別途必要。

#コラム #社会 #認知科学 #予測処理 #社会心理学 #フィードバック #意思決定