井出草平の研究ノート

読書時間、テレビとの距離、書くときの姿勢、ペンの持ち方、蛍光灯の卓上ライトが近視に関係しているかもしれない

ネット・ゲーム依存 眼科

中国の平均年齢12.7歳の小学7年生1770名を対象にした近視とニアワーク（近業）についての研究である。

pubmed.ncbi.nlm.nih.gov

  • Li SM. Li SY. Kang MT et al., 2015, Near Work Related Parameters and Myopia in Chinese Children: the Anyang Childhood Eye Study. PLoS One. 10 :01 34514.

結果

  • 連続読書（45分以上） オッズ比=1.4(95%CI: 1.1-1.8)
  • テレビ視聴距離の近さ（3m以下） オッズ比=1.7(95%CI: 1.2-2.3)
  • 書くときの頭の傾き オッズ比=1.3(95%CI: 1.1-1.7)
  • 蛍光灯のデスクランプの使用 オッズ比=1.5(95%CI: 1.2-2.0)

年齢、性別、身長、近視の親の数を調整した後も、これらの因子は有意な関連があった。 書くときの頭の傾きとは下を見ながら書くということである。

f:id:iDES:20200728140756p:plain

読書

読書の長い子どもは近視になりやすいようだ。中国は読書を国策と掲げて推進しているが、大丈夫なのだろうか。

テレビとの距離

3m以下だと1.7倍近視になりやすい。テレビからはなるべく離れた方がよいようだ。

書くときの姿勢

書くとき、つまり勉強をしている時の姿勢のことである。頭の傾きとはのぞき込むような姿勢だと1.3倍近視になりやすいようだ。紙を使った今の勉強のスタイルでは無理かもしれないが、書くときも読むときも、下をのぞき込まず、まっすぐ前を向く方が良いのかもしれない。

ペンの持ち方

ペン先から指先までの距離と近視の有無との間には境界的な有意性があった（P = 0.07）。ペン先と指先の距離が近いと報告された子どもは、筆記時に頭が傾く確率が有意に高かった（43.5% vs. 36.7%、χ2 = 0.02）。ペンや鉛筆を持つときにペン先を持つスタイルだと、上からのぞき込むような姿勢になり、良くないようである。この研究を信じるならば、鉛筆の正しい持ち方の訓練は視力にも関係してくるということになる。

蛍光灯の卓上ライト

蛍光灯をつけて勉強をしていると、目には良さそうな感じがするが、そうでもないようである。白熱灯よりも、蛍光灯を卓上ライトに使用しているグループは近視が多い。蛍光灯を使用している子どもは、親が近視であることが多かった（χ2 = 0.001）という結果なので、親が近視だとできるだけ明るい環境で勉強をさせようとしているのではないかと推測できるが、逆効果になっている可能性がある。

蛍光灯に関しては、確かな結果だとは言えないようにも思うが、動物実験等での傍証を筆者らはあげているが、引用されている文献が撤回されていたりするので、怪しさのあるトピックである。

これはマウスで近視を誘発する可能性があることが報告されている。

低照度や蛍光灯の光スペクトルの狭さも影響している可能性がある。

この研究、および、以下の先行研究共に、夜間照明の使用と近視との関連は認められなかった。

撤回されている文献。

ネット依存と併存するのはADHD、うつ病、統合失調症、強迫性障害

ネット・ゲーム依存 精神障害

pubmed.ncbi.nlm.nih.gov

  • Ha JH, Yoo HJ, Cho IH, Chin B, Shin D, Kim JH. Psychiatric comorbidity assessed in Korean children and adolescents who screen positive for Internet addiction. J Clin Psychiatry 2006;67(5):821-6.

概要

構造化面接を用いて、小児および青年のネット依存の併存症を調査した。

方法

研究は2段階に分けて実施。455人の小児（平均+/-SD年齢=11.0 +/- 0.9歳）および836人の青年（平均+/-SD年齢=15.8 +/- 0.8歳）を対象に、Young's Internet Addiction Scaleを用いてインターネット中毒の有無をスクリーニングした。依存/非依存の比較のために、精神病理の尺度も記入した。

63人の小児（13.8％）と170人の青年（20.3％）がネット依存ののスクリーニングで該当し、このうち、12人の小児（男性、N=9、女性、N=3）と12人の青年（男性、N=11、女性、N=1）を無作為に選び、現在状態の精神医学的診断の評価をした。構造化面接は、子どもにはK-SADS-PL-K、青年にはSCID-IVを用いた。

結果

小児群では7名が注意欠陥・多動性障害（ADHD）と診断。ADHD-RSのスコアの平均は6人の被験者では韓国の子どもの平均値より20％以上高かった。思春期群では、3人が大うつ病性障害、1人が統合失調症、1人が強迫性障害であった。

結論

臨床家はインターネット中毒の症例では年齢に特異的な併存精神疾患の可能性を考慮しなければならない。

ADHD-RS

ADHD-RSは有名な尺度。このあたりを参照のこと。

  • DuPaul, G.J., Power, T.J., Anastopoulos, A.D., and Reid, R. 1998. ADHD Rating Scale-IV. Checklists, norms, and clinical interpretation. Guilford Press, New York, SA

ci.nii.ac.jp

ci.nii.ac.jp

佐藤昌宏『EdTechが変える教育の未来』

テクノロジー 教育

EdTechが変える教育の未来

EdTechが変える教育の未来

エドテックの入門書として最適な一冊だと思う。

アメリカでエドテックが始まったのは２０００年代初頭と言われています。一方で、教育分野においてもっともインパクトを与えた最初の出来事は、２０１６年にサルマル・カーンによって設立されたオンラインの講義動画サービス「Khan Academy（カーンアカデミー）」でした。カーン氏は遠方に住む親戚の子の家庭教師をしていましたが、数学の解説動画をユーチューブにアップして教えたところ、動画で分かりやすいこと、何度も見直して自分のペースで学べることなどが評判となり、やがては本格的なオンライン学習サイトへと発展していきました。
カーンアカデミーの面白いところは、子どもたちだけではなく、教師も授業の予習動画として使い始めたことです。カーンアカデミーよりも前に、教師らは生徒たちに対して、基礎的な知識は自宅で動画を見ながら予習し、学校ではその内容をもとに話し合いや協働学習を行う「Flipped Learning（反転授業）」と呼ばれる授業スタイルを実践していました。この予習動画にカーンアカデミーを採用する教師が増えたのです。

やはりエドテックには反転授業なのかもしれない。

クローズアップ現代＋でエドテックが取り上げられた時も、反転授業は投じようしていた。成績不振の児童対策としてエドテックが採用されているクリントンデール高校では、家で勉強をして、学校に来てわからないところを先生に質問をするというスタイルをとっているらしい。

www.nhk.or.jp

「プログラミング教育」でよいのか

しかし、「高度ＩＴ人材」はプログラマーだけを指すものではありません。デザイン、映像編集、３Ｄの作画などさまざまな職種が含まれており、コンピューターやネットワークに精通する人材の総称であるといえます。にもかかわらず「プログラミング教育」が必修化されたため、プログラミングという言葉のみが独り歩きをしています。
　他国では「プログラミング教育（Programming Education）」という名称で必修化されている国はなく、「コンピューター・サイエンス（computer science）」や「コンピューティング（computing）」というさらに上位の概念で必修化されています。プログラミングという言葉は、専用の言語である「プログラミング言語」を用いてコードを記述する「コーディング」を想起させる部分があり、教育現場での誤解を招いています。

まったくその通りだと思う。コーディングは現代文や数学といったロジックを学ぶ科目とやっていることが重なるため、あまり意味がないように思う。
コンピューターやICT技術はコーディングだけではない。インターネットの使い方というコーディングよりも教えるべきことが扱われていなかったり、勉強にICT技術を取り入れる授業なのども効果的であろう。もう少し難しいことであれば、通信の仕組みやサーバーの知識などコーディングとは別の知識を学ぶ必要もあるかもしれない。プログラミングに限定せずにをコンピュータとその周辺の知識が学べる包括的な科目にすべきであろう。

sem関数とlavaan関数[R]

R 構造方程式モデリング lavaan 計量

sem関数が自働的にコードを補ってくれるため、基本的な分析には適しているが、細かいところまでコードを書き込む場合には、lavaan関数の方が向いていることもある。

sem関数での推定

PoliticalDemocracyを使って簡単なSEMを作成してみる。以下のようなSEMである。

f:id:iDES:20200726003103p:plain

x1 1960年の一人当たり国民総生産(GNP)
x2 1960年の一人当たりの無生物エネルギー消費量
x3 1960年の産業界における労働力の割合

y1 1960年の報道の自由に関する専門家の評価
y2 1960年の政治的反対運動の自由
y3 1960年の選挙の公平性
y4 1960年の選出立法府の有効性

library(lavaan)
## model
model <- '
  # measurement model
    ind60 =~ x1 + x2 + x3
    dem60 =~ y1 + y2 + y3 + y4
    
  # regressions
    dem60 ~ ind60 '
fit <- sem(model=model, data=PoliticalDemocracy)
summary(fit, standardized=TRUE)

自働で設定されている項目

sem関数はすべてを書かなくてもコードは走るようになっている。自働的にコードを補ってくれているからである。このことを確認するのはparTable関数を使う。

parTable(fit)
   id   lhs op   rhs user block group free ustart exo label plabel start   est
1   1 ind60 =~    x1    1     1     1    0      1   0         .p1. 1.000 1.000
2   2 ind60 =~    x2    1     1     1    1     NA   0         .p2. 2.193 2.180
3   3 ind60 =~    x3    1     1     1    2     NA   0         .p3. 1.824 1.818
4   4 dem60 =~    y1    1     1     1    0      1   0         .p4. 1.000 1.000
5   5 dem60 =~    y2    1     1     1    3     NA   0         .p5. 1.296 1.419
6   6 dem60 =~    y3    1     1     1    4     NA   0         .p6. 1.055 1.095
7   7 dem60 =~    y4    1     1     1    5     NA   0         .p7. 1.294 1.428
8   8 dem60  ~ ind60    1     1     1    6     NA   0         .p8. 0.000 1.439
9   9    x1 ~~    x1    0     1     1    7     NA   0         .p9. 0.265 0.081
10 10    x2 ~~    x2    0     1     1    8     NA   0        .p10. 1.126 0.120
11 11    x3 ~~    x3    0     1     1    9     NA   0        .p11. 0.975 0.467
12 12    y1 ~~    y1    0     1     1   10     NA   0        .p12. 3.393 2.404
13 13    y2 ~~    y2    0     1     1   11     NA   0        .p13. 7.686 6.552
14 14    y3 ~~    y3    0     1     1   12     NA   0        .p14. 5.310 5.363
15 15    y4 ~~    y4    0     1     1   13     NA   0        .p15. 5.535 2.137
16 16 ind60 ~~ ind60    0     1     1   14     NA   0        .p16. 0.050 0.449
17 17 dem60 ~~ dem60    0     1     1   15     NA   0        .p17. 0.050 3.453

freeの項目で0がふられているのは固定母数である。freeが0だとustart列で1の値となっている。 1～8行目はモデルに書き込んだものだが、9～17行目は自働で補足された部分である。

lavaan関数

sem関数で自働的に書かれたコードをフルで書くのがlavaan関数である。利点は細かいところまで設定できるところである。
さて、さきほどのsem関数に入れたモデルをlavaan関数で走らせるには以下のように書く。

## model
model2 <- '
  # measurement model
    ind60 =~ 1*x1 + x2 + x3
    dem60 =~ 1*y1 + y2 + y3 + y4
    
  # regressions
    dem60 ~ ind60

  # Variances
    x1 ~~ x1
    x2 ~~ x2
    x3 ~~ x3
    y1 ~~ y1
    y2 ~~ y2
    y3 ~~ y3
    y4 ~~ y4
    ind60 ~~ ind60
    dem60 ~~ dem60 '

freeの項目で0が降られたところに1*を足して固定母数を表現する。あとは分散を書き入れれば、このモデルは完成である。

fit2 <- lavaan(model=model2, data=PoliticalDemocracy)
summary(fit2, standardized=TRUE)

lavaan関数を利用すると、例えば固定母数を変更することができる。

sem関数とlavaan関数の違いは下記の5点である。

  • 観測変数の誤差分散と潜在変数の分散を推定する。(auto.var)
  • 外生的な潜在変数聞の共分散を推定する。(auto.cov.lv.x)
  • 観測変数と潜在変数両者の内生的な変数聞の共分散を推定する。(auto.cov.y)
  • 最初の指標の因子負荷を1に固定する（std.lv=TRUEではないとき）。(auto.fix.first)
  • 指標が1つのときに誤差分散を0に固定する。(auto.fix.single)

lavaan関数でもこの5つのオプションをTRUEにすると、sem関数と同じになる。

semPlot

library(semPlot)
semPaths(fit, layout = "tree", shapeLat="ellipse", whatLabels  = "stand", 
         nDigits=3, shapeMan="square", sizeMan =8, 
         sizeLat =8, sizeLat2 =8, style = "lisrel",
         residScale=12, curve=2.5, optimizeLatRes=T,edge.color="black",
         rotation = 2, edge.label.cex=1)

ネット依存の予測因子はADHD、抑うつ、社会恐怖、敵対心

ネット・ゲーム依存 うつ 不安症 ADHD

ネット依存のリスクを調べるために2年間の追跡調査を行った研究。

pubmed.ncbi.nlm.nih.gov

この研究の目的は(1)青年期におけるインターネット嗜癖の発生を予測する精神症状を明らかにする、(2)その性差を明らかにすることである。

対象

台湾の研究。台湾南部の10の中学校に通う7年生2,293人（男子1,179人、女子1,114人）を対象。

尺度

  • ADHDはThe Attention-Deficit/Hyperactivity Disorder Self-rated Scale(ADHDS)。
  • うつ病はthe Center forEpidemiological Studies Depression Scale (CES-D)を使用。
  • 恐怖はThe Brief Version of the FNE (BV-FNE)を利用。Fear of Negative Evaluation Scaleの短縮バージョンである。
  • 敵意はBuss-Durkee Hostility Inventory–Chinese Version–ShortForm (BDHIC-SF) 20-item。

結果

全参加者のうち、233人（10.8％）がネット依存と分類。

予測因子は下記のようになっている。 f:id:iDES:20200725171734p:plain

2年間の追跡調査では、うつ病、ADHD、社会恐怖症、敵意がインターネット中毒の発生を予測していたが、うつ病と社会恐怖症は女性の青年のみの間でインターネット中毒を予測していたという。さらに、男性青年と女性青年のインターネット中毒の最も有意な予測因子は、それぞれ敵意とADHDであった。

f:id:iDES:20200725171747p:plain

議論

ゲーム内の暴力が物理的な暴力を増加させる研究がある(Huesmann 2007)。また、ネット嗜癖は青少年の暴力的行動と関連も指摘されている(Ko et al. 2009)。もともと暴力性がある群がネット依存になっているだけではなく、暴力の悪循環が生じている可能性があり、縦断的な研究が必要であると書かれている。

  • Huesmann LR. The impact of electronic media violence: scientific theory and research. J Adolesc Health. 2007;41(6)(suppl 1):S6-S13.
  • Ko CH, Yen JY, Liu SC, Huang CF, Yen CF. The associations between aggressive behaviors and Internet addiction and online activities in adolescents. J Adolesc Health. 2009;44(6):598-605.

女性青年が、現実世界の感情的な困難から逃れるために代替的な承認を仮想世界が提供しているので、うつ病の女性の思春期の若者がインターネットを利用してうつ病を軽減する行動は合理的だと考えられる、と筆者らは書いている。

感想

この論文は非常に興味深い。病理の本質的な部分がテーマとなっている。
男性はADHDが予測因子ではなく、敵意が予測因子になっているというのは、ADHDと暴力・犯罪の研究と同じ結果である。おそらく、単なるADHDは関連はないが、ADHDと併存率の高い反抗挑戦性障害や素行障害が関連するというモデルである。
女性青年が抑うつと不安症を持っている場合には、B群パーソナリティ障害を併存することが多いが、この研究では計測していないので、パーソナリティー障害があるのかはわからない。ただ、著者らは明らかにパーソナリティー障害を織り込んだ記述をしている。また、女性青年の場合は、ADHDがネット依存の予測因子になるということだが、境界性パーソナリティ障害はADHDを併存するという研究(参照, Anckarsäter et al., 2006)もある。境界性パーソナリティ障害とADHDの関連は最近はあまり議論されていないが、このあたりの概念整理と、発達精神病理学的メカニズムを明らかにしていく必要があるだろう。

Science News

www.sciencedaily.com

歪度と尖度[R]

R 計量

最尤推定は多変量正規分布に従っているという仮定が置かれているため、最尤推定をするには変数が正規分布に従っているか否かを調べる必要がある。

歪度 skewness

歪度とは、分布がどの程度非対称なのかという指標である。 データPoliticalDemocracyの歪度を計算してみる。

library(lavaan)
library(semTools)
data <- PoliticalDemocracy
lapply(data, skew)

P値も出力され、5%有意であれば、正規分布に従っていないとされる。 y6が有意なので、y6の結果を示す。

hist(data$y6)
skew(data$y6)

歪度は以下。

  skew (g1)          se           z           p 
0.929838580 0.282842712 3.287475827 0.001010899

f:id:iDES:20200724234402p:plain

歪度の計算はいくつかのパッケージできる。e1071が有名なのではないかと思う。

library(e1071)
skewness(data$y6, type=2)

e1071パッケージでは有意差は出力されないが、3つのタイプの歪度が出力できる。

f:id:iDES:20200724234448p:plain

semToolsパッケージの歪度と一致するのは、type=2で、SASやSPSSで出力される値と同じである。

尖度 kurtosis

正規分布と比べて、尖度が大きければ鋭いピークと長く太い裾をもった分布となる。こちらのページにわかりやすい図があった(参照)

f:id:iDES:20200724234550j:plain

lapply(data,semTools::kurtosis)

こちらも検定結果が有意だと正規分布からの遠くなる。 PoliticalDemocracyデータには有意になるものがないが、y1が比較的P値が少ないためy1を例にとろう。

semTools::kurtosis(data$y1)
hist(data$y1)

尖度は-1.09709367でP値は0.05245193である。

Excess Kur (g2)              se               z               p 
    -1.09709367      0.56568542     -1.93940594      0.05245193

f:id:iDES:20200724234625p:plain

ヒストグラムをみると、分布は比較的なだらかな感じなので、正規分布から離れた分布だと言えよう。

e1071パッケージでも尖度は計算できる。

library(e1071)
e1071::kurtosis(data$y1, type=2)

semToolsパッケージで計算されるのは、e1071パッケージのType2である。これは歪度と同じである。

f:id:iDES:20200724234638p:plain

シミュレーション・データ

分布が正規分布に近いと歪度は0に近づく。 試しに正規分布の乱数を作り、歪度を出してみる。

set.seed(123) 
data2 <- rnorm(10000, mean = 10, sd = 4)
hist(data2)
skew(data2)
semTools::kurtosis(data2)

歪度は0.008200425(P=0.737790343)、尖度は0.01194660(P=0.80734003)となった。
ヒストグラムは正規分布の乱数のシミュレーション・データなので、当然ながら、正規分布に近い形をしている。

f:id:iDES:20200724235004p:plain