大学院生募集

私たちのプロジェクトでは、深層学習が心理学研究に大きな変革をもたらすという予想のもと、新しい心理学の構築を目標とした研究を行っています。

生物を取り囲む世界、あるいは人間が生活する文化的な世界は、無数の要素が相互作用を起こす、複雑なものです。またそうした環境の複雑性は、生物・文化進化のプロセスを通して、生物・人間の側にも反映されていきます。人間の心もまた、そうした複雑な現象のひとつです。

従来の心理学は、こうした複雑さを持つ心を、比較的少数の要因の組み合わせで写し取れないかと考え、様々な努力を続けてきました。しかしその方法論には、原理的な無理があるのではないかという指摘は以前からなされており (Gergen, 1994; Meehl, 1967)、近年も神経科学で、同様の議論がなされています (e.g. Dyer & Kording, 2023; 神谷, 2023)。

私たち「深層学習心理学」研究プロジェクトのメンバーは、こうした心の複雑性に対して、深層学習、特に近年の基盤モデル (foundation models) が、効果的な解決策を与えてくれるのではないか、と考えています。深層学習は、言語 (岡﨑 et al., 2022) や画像 (岡谷, 2022) といった複雑な対象について、その個別的で詳細なレベルの情報を保持しつつも、大域的なパターン認識を行うことを可能にしました。私たちは、この深層学習の特性を心的現象に応用することで、高い予測精度と効果的な介入を可能とする、新しい心理学を創り出そうと考えています (池田 et al., 2023a; 池田 et al., 2025)。

私たちの研究プロジェクトは、サーベイ実験を用いた実験的検証を行う部門と、深層学習心理学の理論化を行う部門によって構成されています。

まず実験的検証部門では、社会心理学で伝統的に行われてきた説得 (persuasion) あるいは態度変容 (attitude change) 研究を、研究テーマとして取り上げます (e.g. 今井, 2018; チャルディーニ, 2023)。例えば「実はアポロ宇宙船は月へ行っていない」などの、根拠の不確かな流説のことを「陰謀論」と呼びますが、こうした陰謀論を信じる人々の信念を変えるのは大変難しいことが、これまでの社会心理学研究で報告されています (O’Mahony et al., 2023)。ところが 2024 年に入り、GPT などの大規模言語モデル (Large Language Models; LLM) を用いて、個々のトピックと個々人の信念内容に応じて個別的にテイラーメイドされた説得文を生成・提示すれば、陰謀論信者に対しても、効果的な説得が可能だという報告が出てきました (e.g. Costello et al., 2024; 齋藤, 2025)。いわば「説得 AI」研究です。仮にこの効果が本当に頑健で、かつ幅広い文脈に応用できるのだとしたら、臨床・商業・政治など、様々な場面におけるマイクロターゲティングに広く応用される可能性があり、その社会的インパクトは極めて大きいと思われます (Burtell & Woodside, 2023)。私たちは、そうした社会問題への取り組みも含めて、多角的な視点から、「説得 AI」 研究を推進していきます。

さらに私たちは、深層学習が、なぜ心を含む生物的・文化的に複雑な世界を効果的にモデル化できるのかの理由を、非線形物理学・進化生物学を中心とした、自然科学の視点から検討していきます (池田 et al., 2023a, 2023b, 2025)。

具体的には、力学系の自己組織化理論 (e.g. ニコリス & プリゴジン, 2017)、ネットワーク科学の諸知見 (e.g. Barabási, 2019)、生物物理学の自己触媒反応セット仮説 (e.g. カウフマン、2008)、進化生物学の適応度地形理論 (e.g. Gavrilets, 2004) などを取り上げ、それらと深層学習が持つ諸特性に関する理論的考察や経験データ (e.g. Bengio et al. 2013; Cai et al., 2020; Mao et al. 2024) とを、比較・検討し、深層学習が、複雑な生物・文化現象に対する適切かつ一般的な自然科学モデルであるという仮説を提案します。さらにこのアイデアを、例えば、企業活動や技術革新に関する進化生物学的仮説 (e.g. Koppl et al. 2023; ネルソン & ウィンター, 2007)、文化現象のネットワークモデル (Rosvall & Bergstrom, 2008)、そして上記の「説得 AI」研究データなどに適用することで、心的現象を含む人間の諸活動に対しても、深層学習が適切な自然科学モデルであることを、実証していきます。

私たちの研究プロジェクトでは、以上のような研究アイデアに関心を持ち、修士課程の大学院生として、共に研究を進めてくれる仲間を募集しています。応募に当たっては、次の注意事項をご確認ください (博士課程からのご参加については、別途個別にご相談ください)。

まず、進学時点で必要な背景知識・技術についてです。大学院進学以前に、(1) 心理学全般と社会心理学の概要と、(2) 解析学・線形代数・確率統計の初歩 (大学理系初年度レベル)、(3) 物理学のうち力学の初歩、(4) 高校レベルの生物学、などを勉強して おいていただきたいと思います。

それらを前提として、進学後には、実験的検証部門、理論的検証部門のいずれに参加されたいかを決めていただき、各研究に必要な知識・技術を、適宜学んでいただくプログラムを用意します。例えば、実験検証部門であれば、深層学習の基礎知識、オンライン調査スキル、LLM を用いたサーベイ実験の実施方法、社会問題への応用スキル、統計分析の基礎などが学べます。

以下の大学院から、ご自身に適切な進学先を選んでいただき、ご連絡ください。入試時点で要求される具体的な知識・技術、また経済的支援制度の内容についても、下記連絡先にご相談ください。

みなさまからのご連絡をお待ちしております。

英語

• Bengio, Y., Courville, A., & Vincent, P. (2013). Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798–1828.

• Burtell, M., & Woodside, T. (2023). Artificial Influence: An Analysis Of AI-Driven Persuasion. Arxiv. 

• Cai, X., Huang, J., Bian, Y., & Church, K. (2020, October 2). Isotropy in the Contextual Embedding Space: Clusters and Manifolds. International Conference on Learning Representations. 

• Costello, T. H., Pennycook, G., & Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science, 385(6714), eadq1814. 

• Dyer, E. L., & Kording, K. (2023). Why the simplest explanation isn’t always the best. Proceedings of the National Academy of Sciences, 120(52), e2319169120. 

• Gavrilets, S. (2004). Fitness Landscapes and the Origin of Species. Princeton University Press. 

• Gergen, K. J. (1994). Toward Transformation in Social Knowledge. SAGE Publications. 

• Koppl, R., Gatti, R. C., Devereaux, A., Fath, B. D., Herriot, J., Hordijk, W., Kauffman, S., Ulanowicz, R. E., & Valverde, S. (2023). Explaining Technology. Cambridge University Press. 

• Mao, J., Griniasty, I., Teoh, H. K., Ramesh, R., Yang, R., Transtrum, M. K., Sethna, J. P., & Chaudhari, P. (2024). The training process of many deep networks explores the same low-dimensional manifold. Proceedings of the National Academy of Sciences, 121(12), e2310002121. 

• Meehl, P. E. (1967). Theory-Testing in Psychology and Physics: A Methodological Paradox. Philosophy of Science, 34(2), 103–115. 

• O’Mahony, C., Brassil, M., Murphy, G., & Linehan, C. (2023). The efficacy of interventions in reducing belief in conspiracy theories: A systematic review. PLOS ONE, 18(4), e0280902.

• Rosvall, M., & Bergstrom, C. T. (2008). Maps of random walks on complex networks reveal community structure. Proceedings of the National Academy of Sciences, 105(4), 1118–1123.

日本語

• 池田功毅, 山田祐樹, & 平石界. (2023a, November 6). 深層学習と新しい心理学. 金子書房 note. 

• 池田功毅, 山田祐樹, & 平石界. (2023b, December 2). 深層学習と新しい進化心理学. 日本人間行動進化学会 2023 大会, 大阪公立大学. 

• 池田功毅, 平石界, & 山田祐樹. (2025, January 24). 適応としての心と深層学習心理学. 金子書房 note. 

• 今井芳昭. (2018). 説得力：社会心理学からのアプローチ. 新世社. 

• 岡谷貴之. (2022). 深層学習 (改訂第 2 版). 講談社.

• 岡﨑直観, 荒瀬由紀, 鈴木潤, 鶴岡慶雅, & 宮尾祐介. (2022). 自然言語処理の基礎. オーム社. 

• スチュアート・カウフマン. (2008). 自己組織化と進化の論理 ― 宇宙を貫く複雑系の法則 (米沢富美子, Trans.). 筑摩書房.

• 神谷之康. (2023, March 17). 脳と心の科学の「ミッドライフクライシス」. 金子書房 note. 

• 齋藤慈子. (2025, September 7). LLMによる説得研究、再現してみました. 日本心理学会第 89 回大会：公募シンポジウム「深層学習と心理学３：説得 AI 研究の展開」. 

• ロバート・Ｂ・チャルディーニ. (2023). 影響力の武器：人を動かす七つの原理 (社会行動研究会, Trans.; 新版). 誠信書房. 

• グレゴワール・ニコリス, & イリヤ・プリゴジン. (2017). 複雑性の探究 (安孫子誠也 & 北原和夫, Trans.). みすず書房. 

• リチャード・R・ネルソン & シドニー・G.・ウィンター (2007). 経済変動の進化理論 (角南篤, 田中辰雄, & 後藤晃, Trans.). 慶應義塾大学出版会.

• Barabási, A.-L. (2019). ネットワーク科学：ひと・もの・ことの関係性をデータから解き明かす新しいアプローチ (池田裕一, 井上寛康, 谷澤俊弘, & 京都大学ネットワーク社会研究会, Trans.). 共立出版.