急激な環境変化に対応する集団の認知・行動メカニズムを解明：AI時代の意思決定デザインに示唆

現代社会における集団意思決定の課題
2つの社会学習アルゴリズムの解明
集団シミュレーションで明らかになった特性
多様なアルゴリズムの共存がもたらす高いパフォーマンス
AI時代の優れた集団意思決定デザインへ
論文情報
研究助成
用語解説

現代社会における集団意思決定の課題

情報技術やAIの急速な進展により、現代社会の情報環境は日々激しく変化しています。数ヶ月前には最適だった選択が、現在の環境では「時代遅れの不適切な選択」となることも少なくありません。このような「急激に変化する不確実な環境」において、人々が互いの行動を参照しあう社会学習のプロセスが、集団での意思決定を改善するのか、あるいは劣化させるのかという点が重要な課題となっています。

2つの社会学習アルゴリズムの解明

本研究では、人々が他者の行動を参照する際の仕組み、すなわち「社会学習のアルゴリズム」に注目し、質的に異なる2つの学習タイプが集団に共存することで、効率的かつ柔軟な意思決定が実現できることを明らかにしました。

認知神経科学では、社会学習のメカニズムとして「価値形成（value shaping; VS）型」と「決定バイアス（decision biasing; DB）型」という対照的な2つの仕組みが提案されています。

価値形成（VS）型: 他者の行動を、選択肢の価値を評価するための「擬似的な報酬」として利用します。例えば、人気のレストランの料理をそのまま美味しいと評価するような仕組みです。
決定バイアス（DB）型: 他者と同じ選択を取りやすくなる一方で、選択肢の価値は自分の実際の経験だけに基づいて評価します。人気のレストランに行く一方で、料理の味は「自分の味覚」で独立に判断するような評価の仕方です。

AI Workstyle Lab編集部解説：
この2つのアルゴリズムは、AIの学習モデルを考える上でも示唆に富んでいます。VS型は、集団の意見や流行を直接的に価値判断に組み込むため、安定した環境下では素早い収束を可能にします。一方、DB型は、集団の動向に影響されつつも、最終的な価値判断は個別の経験に委ねるため、変化への柔軟性が高いと言えるでしょう。ビジネスにおけるAIの導入においては、このどちらかの学習タイプに偏るのではなく、状況に応じて適切なバランスを見極めることが重要です。

図1 2つの社会学習アルゴリズムの違い

集団シミュレーションで明らかになった特性

研究グループは、エージェントベースシミュレーション（注2）を用いて、これら2つの社会学習アルゴリズムに従うエージェント（行為者）からなる集団の意思決定パフォーマンスを調査しました。

シミュレーションの結果、VS型の人々からなる集団は、安定した環境において優れた選択肢に迅速に収束する反面、急速な環境変動に対しては「時代遅れの選択肢」にいつまでも囚われてしまうことが明らかになりました。特に、多数派による社会的影響が強い状況では、VS型集団が環境の変化にうまく対応できない可能性が浮き彫りになっています。

一方、DB型の人々からなる集団は、安定した環境での効率性は下がるものの、急激な変動に対しても柔軟に対処できる（過去に囚われない）という特性を持つことが示されました。

図2 社会学習アルゴリズムが生み出す集団レベルの帰結

AI Workstyle Lab編集部解説：
この結果は、現代のネット空間に特徴的な大規模な相互作用場面において、多くの人々が採用しがちなVS型の社会学習の仕方が、特に急激な環境変化に対しては脆弱である可能性を示唆しています。AIが生成する情報やレコメンデーションシステムが普及する中で、ユーザーが多数派の意見に流されやすくなる傾向は、ビジネス判断においても注意が必要です。多様な視点や独立した評価を促す仕組みの設計が求められます。

多様なアルゴリズムの共存がもたらす高いパフォーマンス

本研究の重要なポイントは、VS型とDB型の2つのタイプが集団の中で安定して共存でき（「進化的安定性」）、それぞれが互いの短所を補いあうことで、急速に変動する環境においても、集団全体としてより高いパフォーマンスを達成しうることを示した点です。

進化ダイナミクス（注3）の可視化により、両者が集団内で安定的に共存しうる状態が広い範囲で実現することが明らかになりました。単独では環境変動に対して脆弱なVS型のエージェントが、より柔軟なDB型と組み合わされることによって、集団全体の意思決定パフォーマンスが向上するのです。

図3 進化ダイナミクスの可視化

AI Workstyle Lab編集部解説：
この知見は、集団内の多様性が意思決定の効率性と柔軟性を両立する上で重要な役割を果たすことを示唆しています。AIを活用したチームビルディングや組織運営においても、異なる思考パターンや学習スタイルを持つメンバーを組み合わせることで、より強靭で適応性の高い組織を構築できる可能性があります。AIが大量のデータからパターンを学習する際も、多様な学習アルゴリズムを組み合わせることで、より堅牢なモデルが構築できるかもしれません。

AI時代の優れた集団意思決定デザインへ

本研究の知見は、個体レベルのアルゴリズムの違いが集団レベルで異なる帰結を生み出すメカニズムや、個々の多様性が集団内に維持される理由を理論的に明らかにしました。

人間とAIが共存する現代・近未来の情報空間において、優れた集団での意思決定をどのようにデザインできるのかという工学的問題に対して、本研究は重要な基礎的知見を提供します。災害やパンデミックなどの不確実な状況で見られる同調圧力の過剰な高まりや誤情報の拡散、陰謀論信念の普及といった社会問題に対するアプローチを考える上でも、この理学的知見は役立つでしょう。

論文情報

雑誌名: Proceedings of the National Academy of Sciences of the United States of America
題名: How social learning enhances-or undermines-efficiency and flexibility in collective decision-making under uncertainty
著者名: Hidezo Suganuma, Kentaro Katahira, Hisashi Ohtsuki, and Tatsuya Kameda (責任著者)
DOI: 10.1073/pnas.2516827122

研究助成

本研究は「JST次世代研究者挑戦的研究プログラム(課題番号：JPMJSP2108)」、「科研費基盤研究(A)(課題番号：JP23H00074)」、「科研費基盤研究(C)(課題番号：JP24K15121)」の支援により実施されました。

用語解説

注1 強化学習（reinforcement learning）
エージェントが環境から与えられる報酬を最大化することを通じて適切な行動を学習する機械学習の手法です。心理学・行動科学の領域においてヒトやその他の動物の知性を理解するための基礎理論となっているほか、近年ではロボットの制御や言語モデルをはじめとする人工知能（AI）の開発にも幅広く応用されています。
注2 エージェントベースシミュレーション（agent-based simulation）
個々の主体（エージェント）がシンプルな学習・行動規則に従って動く様子をコンピュータ上で再現することにより、集団全体の振る舞いを調べる研究手法のことです。
注3 進化ダイナミクス（evolutionary dynamics）
ここでは、集団内で相対的にパフォーマンスが高かった戦略（社会学習アルゴリズムのタイプ）が、その数を増やしていくプロセスのことです。