井出草平の研究ノート

ワシントンポストによるGPS批判

日本ではGPSを批判することはあまりないと思うが、英語圏では時々見かける論点である。ワシントンポストでも以下のような意見記事が書かれている。海外のクオリティ・ペーパーと呼ばれる新聞はこの程度のものだし、もしかしたら話題のワシントンタイムズとたいした違いはないのかもしれない。

www.washingtonpost.com

Opinion GPSを捨てよう。あなたの脳をダメにする By M.R. O'Connor

M.R.オコナーは、科学、テクノロジー、倫理について執筆するジャーナリストで、最近の著書に「Wayfinding: The Science and Mystery of How Humans Navigate the World "の著者。

車に乗り、スマートフォンに目的地を入力し、GPSデータを利用したアルゴリズムに道を案内させるというのは、最も自然な行為になった。GPS搭載の個人向け端末が一般に普及したのはここ15年ほどのことであるが、今や数億人の人々がGPSなしで移動することはほとんどない。このガジェットは非常に強力で、人々は常に自分の位置を把握し、知らない場所を探索し、迷子になるのを避けることができる。

しかし、それらは知覚や判断にも影響を及ぼす。曲がるべき道を教えられた人は、自分で道を作り、それを記憶する必要性から解放さ れる。そのため、周囲の環境に注意を払うことが少なくなる。そして今、神経科学者たちは、人が曲がり角の指示に頼っているときに脳の行動が変化していることを確認することができる。

2017年にNature Communicationsに掲載された研究では、研究者は被験者にロンドンのソーホー地区の仮想シミュレーションをナビゲートしてもらい、脳の活動、特に空間ナビゲーションに不可欠な海馬の活動をモニターした。道案内をされた人は、デバイスなしでナビゲートした参加者に比べて、脳のこの部分の活動が低下していた。この研究の著者の一人であるAmir-Homayoun Javadi氏は、「海馬は、環境の内部マップを作成し、このマップは、GPSを使用せず、ナビゲーションに従事しているときにのみアクティブになります」と教えてくれた。

海馬は、日常生活のさまざまな場面で重要な役割を担っている。海馬は、認知マップを作成することによって、空間の方向を定め、自分がどこにいるのかを知ることができる。また、エピソード記憶として知られているように、過去の出来事を思い出すことも可能です。そして驚くべきことに、海馬は、未来の自分を想像する能力を与えてくれると神経科学者が信じている脳の部分なの だ。

海馬は経験の影響を非常に受けやすいことが、長年にわたる研究で明らかになっています。(ロンドンのタクシー運転手は、迷路のような道を記憶した結果、海馬の灰白質容積が大きくなったことで有名である)。一方、海馬の萎縮は、心的外傷後ストレス障害アルツハイマー病など、破壊的な疾患と関連している。ストレスやうつ病は、海馬回路の神経新生(新しいニューロンの成長)を抑制することが分かっている。

しかし、GPSを長期間にわたって毎日使用した場合の海馬の機能への影響については、まだわかっていない。Javadi氏は、最近の研究から得られた結論として、「GPSなどのツールを使用すると、ナビゲーションへの関与が少なくなる傾向がある。したがって、ナビゲーションを担当する脳領域はあまり使われず、その結果、ナビゲーションに関わる脳領域は縮小する傾向にある」 と述べている。

人がどのようにナビゲートするかは、年齢とともに自然に変化する。ナビゲーションの適性は19歳ごろにピークを迎え、それ以降は、ほとんどの人が徐々に空間記憶戦略を使って道を探すことをやめ、代わりに習慣に頼るようになるようだ。しかし、神経科学者のヴェロニク・ボーボットは、ナビゲーションのために空間記憶戦略を用いることは、年齢に関係なく海馬の灰白質が増加することと相関していることを発見した。海馬を鍛えることで空間記憶を向上させ、環境中の場所の空間的関係に注意を払うようにすれば、加齢に伴う認知機能障害や神経変性疾患さえも相殺できるかもしれない、と彼女は考えている。

「環境に注意を払っていれば、海馬が刺激さ れるので、海馬が大きくなれば、アルツハイマー病の予防になるようだ」と、EメールでBohbotが教えてくれた。「迷子になると、海馬が活性化され、習慣モードが完全に解除される。迷子になることは良いことです!」。 安全に行うには、迷子になることは良いことかもしれません。

バイスに囲まれた現代の子供たちは、記憶や紙の地図によるナビゲーションを、丸暗記やタイプライターのような時代錯誤なものと考えるようになるかもしれない。しかし、海馬の機能を向上させる空間的知識を身につけるためには、特に子供たちにとって、自立したナビゲーションと自由に探索することが不可欠なの だ。GPSを切って、ナビゲーションのスキルを教えることは、後々、非常に大きな認知的利益をもたらす可能性がある。

神経科学以外にも、GPSを使わないことを検討すべき説得力のある理由がある。

過去4年間、私はさまざまな文化圏の航海術の達人たちと話をしてきた。彼らは、航海術を実践することが、環境との関わりを深める強力な方法であり、さらなる責任感を鼓舞することができることを教えてくれた。知覚、経験的観察、問題解決能力を駆使して自力で道を切り開くことは、私たち自身を世界に同調させることにつながる。そして、私たちを支え、結びつける物理的な風景に目を向けることで、場所に対する愛着や愛情という「トポフィリア」を育むことができる。近道を教えてくれる衛星を待っていても、それは得られない。

潜在クラス因果分析 Latent Class Causal Analysis (LCCA)パッケージの解説 [R]

scholarsphere.psu.edu

説明

本パッケージは、潜在クラス因果分析(LCCA)、潜在クラス分析(LCA)、共変量付きLCAを実行するために、Methodology Centerによって開発されたRパッケージである。LCAは、観測されないカテゴリ変数が与えられたとき、それらが条件付きで独立であると仮定することによって、カテゴリ変数のセット間の関係を記述する。lcca.rパッケージは、正規分布の結果変数に対する潜在暴露(すなわち潜在クラス)の平均因果効果を推定するために、帰属推定方程式を使用する。LCCAは潜在クラス分析とRubinの因果モデル(Rubin, 1974; 2005)の側面を組み合わせたものである。

イメージ図

ライセンス

Copyright (c) 2020, The Pennsylvania State University.

このプログラムはフリーソフトウェアであり、以下の条件のもとで再配布や改変が可能だ。

保証について

このソフトウェアは「現状のまま」提供され、商品性および特定目的への適合性の黙示保証を含むがこれに限定されない、いかなる明示または黙示の保証も明示的に放棄される。いかなる場合においても、ペンシルベニア州立大学またはその職員は、本ソフトウェアの使用から何らかの形で生じた直接的、間接的、偶発的、特別、例示的、または結果的損害(代替品またはサービスの調達コスト、使用、データまたは利益の損失、または事業の中断を含むが、これに限定しない)について、たとえその損害発生の可能性について事前通知を受けていたとしても、契約、厳格責任、または(過失またはその他の)不法行為を問わず、その責任理論にかかわらず責任を負うことはないものとする。

出版物

本ソフトウェアが使用された査読付き出版物には、参考文献の欄に本ソフトウェアの引用が含まれる。APA形式のサンプル引用は、本ソフトウェアのサポートがある限り、方法論センターのウェブサイトで利用可能です。

再配布

本ソフトウェアの再配布および使用は、変更の有無にかかわらず、以下の条件を満たしている場合に限り許可されます。

  1. 本ソフトウェアは、以下の条件を満たす場合に限り、改変の有無にかかわらず、再配布および使用することができる。

  2. 再配布する場合は、「この製品にはペンシルバニア州立大学メソドロジーセンターが開発したソフトウェアが含まれています」という表示を関連文書および可能な限り再配布されるソフトウェアに含めなければならない。

  3. 「Penn State」、「Penn State University」、「The Pennsylvania State University」という名称は、The Pennsylvania State Universityの商標であり、The Pennsylvania State Universityから事前に書面による明示的な合意を得ない限り、これらの資料を基にした製品を含むいかなる商品またはサービスに関連付けて使用することを禁じる。

その他の条件

本ソフトウェアをダウンロードすることにより、あなたはここに記載された条件に従うことに同意したものとみなされる。ダウンロードすることにより、あなたはこれらの条件に従ってこれらの資料を使用するための非独占的なライセンスを取得することになる。ここに記載されているいかなる内容も、ペンシルバニア州立大学によるこれらの資料に関するいかなる権利の放棄ともみなされないものとする。

README

Latent Class Causal Analysis (LCCA) パッケージ for R

概要

本パッケージは、潜在クラス因果分析(LCCA)、潜在クラス分析(LCA)、共変量付きLCAを実行するために、Methodology Centerによって開発されたものである。LCAは、観測されないカテゴリ変数が与えられたとき、それらが条件付きで独立であると仮定することによって、カテゴリ変数のセット間の関係を記述する。lcca.Rパッケージは、正規分布の結果変数に対する潜在暴露latent exposure(すなわち潜在クラス)の平均因果効果を推定するために、帰属推定方程式を使用する。 LCCAは潜在クラス分析とRubinの因果モデル(Rubin, 1974; 2005)を組み合わせたものである。

LCCAパッケージには3つの主要な関数が含まれている。

  • lca: 従来のLCAモデルを適用する
  • lcacov: 共変量を伴ったLCAモデルの適合
  • lcca: LCCAモデルの適用

ダウンロード

  • lcca パッケージ | lcca_1.1.0.zip | Developers.IO

特徴

Icca.JPG を参照

X = 交絡因子のベクトル

C = 潜在クラス変数

Y(C) = 潜在的なdistal outcomesのベクトル

U1...Uj = データセットから観測された項目

インストール

  1. このウェブページからzipファイルをダウンロードする。
  2. Rを起動する。
  3. R の "Packages" メニューから "Install pacakge(s) from local Zip files..." を選択する。
  4. ダウンロードしたZIPファイルを選択する。
  5. インストールが成功すると、R Consoleに "package 'lcca' successfully unpacked and MD5 sums checked. "というメッセージが表示される。

推奨する引用文献

Schafer, J. L., & Kang, J. (2013). LCCA package for R users' guide (Version 1.1.0). University Park: The Methodology Center, Penn State. methodology.psu.eduから入手可能

ライセンス

LICENSE.txt を参照。

追記

インストールしてもライブラリの読み込みでエラーがでる。

library(lcca)
Error: package or namespace load failed for ‘lcca’:
package ‘lcca’ was installed before R 4.0.0: please re-install it
``
条件をいろいろ変えたり、アクセス権限を変えたりしてやってみたが、今のところ読み込みができない。  
このあたり(https://stackoverflow.com/questions/63390194/package-xxx-was-installed-before-r-4-0-0-please-re-install-it)もやってみたが、成功していない。

自分たちは「コロナ世代」 弱みは対面の会話 高校生意識調査(朝日新聞)

article.auone.jp

次いで「Z世代」(8・8%)、「ネット・ネット依存・デジタル世代」(6・9%)の順に多かった 同総研の小林浩所長は「高校生はデジタルツールを使いこなすが、『ネット依存』であることも自覚している。コロナ禍で対面コミュニケーションが制限されたこともあり、会話が苦手と認識している」とコメントした。

ゲーム依存症の末…「殺してやる!」父親の頭めがけて水筒振り下ろした少年(神戸新聞)

www.kobe-np.co.jp

ネットやゲーム依存に詳しい「幸地クリニック」(神戸市中央区)の医師、中元康雄は「ゲーム依存は脳が覚えた習慣の病気。一度身についた行動のくせは数カ月という単位では修正できない。一度改善しても、薬物やアルコール依存と同じように何かのきっかけでまた元に戻ることもある。地道に長い時間をかけて治していくしかない」とゲーム依存の複雑さを明かす。

中学生、政治に関心を 鬼北町議会の模擬議会見学会(愛媛新聞)

www.ehime-np.co.jp

生徒はインターネットやゲームの依存症に関する議題について議場でのやりとりを傍聴し、議員の役割や、議会が審議し意思決定する「議決」の流れを学んだ。
 条例案について議員は「ルール作りは家庭内でするもので、条例制定はいきすぎ」「ゲーム障害の問題は深刻で早めに対策を講じるべきだ」などと本番さながらの質疑や討論を披露。採決には代表生徒10人も参加し、条例案は否決された。

自己回帰モデル Autoregressive model [R]

以下のエントリではStataで行ったが、今回はRのlavaanパッケージで行う。

ides.hatenablog.com

データ

github.com

こちらのnes3wave.dtaを使用する。

データ読み込み

library(rio)
nes3wave <-import("nes3wave.dta")

今回のパス図を先に表示しておこう。

library(lavaan)
AR_model<-
  '
  pid2002 ~ pid2000
  pid2004 ~ pid2002
'

実行・結果表示

推定法はデフォルトの最尤法を用いている。

fit_AR<- sem(AR_model, data=nes3wave)
summary(fit_AR, standardized=TRUE)

結果

Regressions:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  pid2002 ~                                                             
    pid2000           0.878    0.017   50.608    0.000    0.878    0.872
  pid2004 ~                                                             
    pid2002           0.941    0.018   52.954    0.000    0.941    0.881

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .pid2002           1.141    0.057   20.125    0.000    1.141    0.240
   .pid2004           1.215    0.060   20.125    0.000    1.215    0.224

パス図

library(semPlot)
semPaths(fit_AR, layout = "tree", shapeLat="ellipse", whatLabels  = "est", 
         nDigits=3, shapeMan="square", sizeMan =6, sizeMan2= 10,
         style = "lisrel",rotation = 2,residScale=12, curve=2.5, 
         edge.color="black", edge.label.cex=1)