- Kambeitz, J., Schiffman, J., Kambeitz-Ilankovic, L., et al. (2025). The empirical structure of psychopathology is represented in large language models. Nature Mental Health, 3, 1482–1492. https://doi.org/10.1038/s44220-025-00527-y
研究の背景と目的
精神医学では、抑うつ、不安、幻覚などの精神症状を質問紙によって測定することが多い。質問紙は精神症状を文章として記述したものであり、回答者はその文章を解釈し、自らの体験に照らして回答する。
こうして得られた回答の相関構造は、因子分析などを通じて、精神症状の潜在的な構造を理解するために利用されてきた。
一方、近年の大規模言語モデル（LLM）は、文章の意味的な特徴を高次元のベクトル（embedding）として表現できる。意味の近い文章はベクトル空間でも近接する傾向があり、文章どうしの意味的な類似性を数量的に評価できる。
Kambeitzら（2025）は、こうしたLLMの特性を利用し、精神症状を記述した質問項目の意味的な類似性から、実際の回答データにおける項目間の相関構造をどの程度再現できるのかを検討した。
研究方法
研究では、以下の4種類の心理尺度と、その回答データが使用された。
| 尺度 | 測定内容 | 対象者数 |
|---|---|---|
| DASS | 抑うつ・不安・ストレス | 1,099 |
| AQ | 自閉スペクトラム特性 | 11,807 |
| O-LIFE | 統合失調型特性 | 39,755 |
| PQB | 精神病リスクに関連する体験 | 1,555 |
| 合計 | 54,216 |
言語モデルによる質問項目の数値化
研究では、各尺度の質問項目を言語モデルのRoBERTaに入力し、その文章が持つ特徴を数値ベクトルに変換した。使用されたのは、英語とドイツ語に対応するよう調整されたRoBERTaのsentence-transformerモデルである。
RoBERTaはTransformerと呼ばれるニューラルネットワークの構造を持ち、大量の文章を用いた事前学習によって、単語や文章の意味的な関係を数値的に表現することができる。本研究では、この性質を利用して、質問項目の意味的特徴を表すsemantic embeddingと、感情的特徴を表すsentiment embeddingという二種類の表現を作成した。
Semantic embedding（意味埋め込み）
Semantic embeddingは、質問項目の文章全体を768次元のベクトルとして表現したものである。
例えば、「気分が落ち込んでいた」という文章と「悲しい気持ちになることが多かった」という文章は、表現が異なっていても意味的には近い。一方、「人混みに出かけるのが好きだ」という文章とは意味的に離れていると考えられる。
言語モデルは、こうした文章の特徴をそれぞれ768個の数値によって表現する。そして、二つの文章に対応するベクトルのコサイン類似度を計算することで、文章間の意味的な近さを数量化する。
ただし、768個の数値がそれぞれ「抑うつ」「不安」「疲労」といった特定の心理学的概念に対応しているわけではない。各次元はモデルの学習によって形成された特徴であり、その意味を個別に解釈できるとは限らない。
本研究では、各質問項目のembeddingから項目間の類似度行列を作成した。例えば、42項目から構成されるDASSであれば、異なる2項目の組み合わせは861組となる。各組み合わせについて意味的な類似性を算出し、同じ861組について実際の回答データから得られた相関係数と比較した。
つまり、質問項目の文章だけから得られた類似性と、多数の人間による回答の相関が、どの程度対応しているのかを調べたのである。
Sentiment embedding（感情埋め込み）
もう一つのsentiment embeddingは、文章全体の意味的特徴ではなく、文章がどのような感情概念と関連しているかに着目したものである。
研究者らは、先行研究に基づいて27種類の感情を表す単語を選択した。これらには、sadness（悲しみ）、fear（恐怖）、anger（怒り）、anxiety（不安）、joy（喜び）、boredom（退屈）、interest（興味）、satisfaction（満足）などが含まれている。
まず、27種類の感情語それぞれについて、質問項目と同じRoBERTaを用いて768次元のembeddingを作成した。
次に、一つの質問項目と27種類の感情語との間で、それぞれコサイン類似度を計算した。これによって、一つの質問項目につき27個の数値が得られる。
例えば、「気分が落ち込んでいた」という項目であれば、sadnessとの類似度が高く、joyとの類似度は相対的に低くなることが予想される。また、「理由もなく怖くなった」という項目であれば、fearやanxietyとの類似度が高くなることが期待される。
この27個の数値を一つのベクトルとしたものが、本研究でいうsentiment embeddingである。
そして、各項目の27次元のベクトルどうしのコサイン類似度を計算し、感情的な特徴に基づく項目間の類似性を求めた。
ここで注意が必要なのは、sentiment embeddingが、人間の実際の感情を直接測定したものではないという点である。これは、質問項目の文章が27種類の感情語と意味空間上でどの程度関連しているかを表したものである。
また、semantic embeddingとsentiment embeddingは、異なる言語モデルによって独立に得られたものではない。どちらも同じRoBERTaのembeddingを基礎としており、後者は感情語との類似性を用いて情報を27次元に要約した表現である。
したがって、この二つの比較は、文章の意味と感情を完全に分離した比較というよりも、文章全体の意味的特徴と、感情概念に関連する特徴のどちらが、実際の回答構造と強く対応するのかを検討したものと理解するのが適切である。
実際の回答データとの比較
研究では、以上の二つの方法によって得られた項目間の類似性を、実際の調査対象者の回答から算出した項目間相関と比較した。
例えば、ある二つの質問項目のsemantic embeddingが近い場合、その二つの項目に対する実際の回答にも強い相関が認められるのかを調べた。
最初の分析では、各項目ペアについて、embeddingから得られた類似度と回答データから得られた相関係数の対応を検討した。
さらに、embeddingを説明変数、実際の項目間相関を予測対象とするランダムフォレスト回帰も実施した。この分析では、5分割の外側・内側交差検証を組み合わせ、モデルのハイパーパラメータを調整したうえで予測性能を評価している。
また、回答データとembeddingのそれぞれについてk-meansクラスタリングを実施し、どの項目が同じグループに分類されるかを比較した。クラスタリングの一致度には、偶然による一致を補正したAdjusted Rand Indexを用いている。
これらの分析によって、単に二つの項目が意味的に似ているかどうかだけでなく、質問紙を構成する項目全体の関係が、文章のembeddingからどの程度再現できるのかを検討した。
これらのembeddingから得られる項目間の類似性を、実際の回答データから算出した項目間相関と比較した。
さらに、ランダムフォレスト回帰による項目間相関の予測と、クラスタリングによる下位尺度構造の再現を検討した。
主要な結果
第一に、質問項目の意味的な類似性と、実際の回答における項目間相関との間に、有意な関連が認められた。相関係数はr = 0.18～0.57であり、特にDASSにおいて比較的強い関連が認められた。
第二に、embeddingを説明変数とするランダムフォレスト回帰では、項目間相関の予測値と実測値との相関がr = 0.33～0.81となった。ただし、この分析では回答データから得られた項目間相関を教師データとして利用しているため、embeddingの類似度だけで得られた結果とは区別する必要がある。
第三に、semantic embeddingによる質問項目のクラスタリングは、実際の回答データから得られたクラスタリングや、既存の下位尺度構造と一定程度一致していた。一方、PQBでは一致度が相対的に低く、尺度によって結果に違いが認められた。
全体として、sentiment embeddingよりもsemantic embeddingの方が、経験的な構造をよく再現する傾向があった。
この研究から何がわかったのか
本研究が示したのは、精神症状を記述した質問項目の意味的な類似性と、実際の回答データから得られる項目間の相関構造との間に、一定の対応関係が存在するということである。
従来、心理尺度の項目間相関は、多数の人間に質問紙を実施して初めて得られる情報であった。例えば、抑うつ尺度において「気分が落ち込む」という項目と「何事にも興味が持てない」という項目がどの程度相関するかは、実際の回答データを収集して検討されてきた。
ところが、本研究では、質問項目の文章を言語モデルに入力し、その意味的な類似性を算出するだけでも、実際の回答における項目間相関を一定程度予測できることが示された。
特にDASSでは、semantic embeddingによる項目間類似性と、実際の回答データによる項目間相関との間にr = 0.57の相関が認められた。この値を単純に二乗すれば約32%に相当するが、これは項目ペア単位で見た線形関係についての値であり、個人の抑うつや不安の変動を32%説明したという意味ではない。
また、embeddingを説明変数としてランダムフォレスト回帰を実施すると、予測値と実測された項目間相関との対応がさらに高くなった。これは、embeddingが持つ情報と実際の項目間相関との関係が、単純なコサイン類似度だけでは十分に表現されない可能性を示している。
一方、項目のクラスタリングについても、文章の意味的特徴を用いることで、回答データから得られた項目群や、既存の下位尺度の構造をある程度再現できた。すなわち、個々の項目間相関だけでなく、質問紙全体のまとまりについても、文章の意味的特徴が一定の情報を含んでいることが示された。
では、この結果は何を意味するのだろうか。
第一に、心理尺度の項目間相関は、項目の内容と無関係に形成されるものではないということである。
心理尺度は、測定しようとする構成概念に基づいて作成される。例えば、抑うつ尺度では、気分の落ち込み、興味の減退、疲労感、睡眠障害など、抑うつに関連すると考えられる症状が質問項目として選ばれる。
したがって、質問項目の間には、実際の回答データを収集する以前から、研究者が想定した概念的な関係が存在している。
従来の尺度開発でも、こうした項目内容の関係は、内容妥当性の検討や専門家による項目選定の段階で考慮されてきた。
本研究の新しさは、項目の意味的な関係が重要であることを初めて指摘した点にあるのではない。これまで研究者が概念的に判断してきた項目間の意味的な関係を、言語モデルによって数量化し、それが実際の回答データとどの程度対応するかを検証した点にある。
第二に、この結果は、従来の潜在変数モデルとは異なる視点から心理尺度の構造を検討できることを示している。
因子分析などの潜在変数モデルでは、多数の回答者から得られた項目間の共分散を、共通の潜在因子によって説明する。
例えば、抑うつに関する複数の項目が相関する場合、それらに共通する潜在変数として抑うつを想定することができる。
一方、embeddingによる分析は、回答者のデータから潜在変数を推定するものではない。質問項目の文章自体を分析し、意味的な類似性から項目間の関係を数量化する。
つまり、両者は分析の出発点が異なっている。
潜在変数モデルが実際の回答に基づく共変動の構造を捉えるのに対し、embeddingは質問項目の言語的な構造を捉える。本研究は、この異なる二つの構造の間に一定の対応関係があることを示したのである。
ただし、両者が一致することは、必ずしも驚くべきことではない。質問紙は、研究者があらかじめ想定した構成概念に基づいて作成されるため、項目の意味的な構造と回答の相関構造が似ていることは十分に予想される。
重要なのは、その対応がどの程度強いのかを、実際のデータによって検証した点にある。
第三に、言語モデルが再現したのは、精神症状そのものの構造ではなく、質問紙によって測定された回答の構造である。
ここでは、精神症状という現象と、それを言語によって記述した質問項目を区別する必要がある。
例えば、不安という体験には、身体的な緊張、自律神経系の反応、注意の変化、主観的な恐怖感など、さまざまな側面がある。これらの現象が、すべて言語によって十分に表現できるとは限らない。
質問紙は、このような複雑な現象の一部を文章として記述し、回答者がその文章を自らの体験と照合して回答する測定手段である。
そのため、質問紙への回答から得られた相関構造は、精神症状そのものの構造を直接表したものではない。質問項目がどのように作成され、回答者がそれをどのように解釈したかという過程を経て得られたものである。
本研究で比較された二つの構造も、いずれも質問紙という言語的な測定手段を出発点としている。
一方は質問項目の文章から得られたembeddingの類似構造であり、もう一方は同じ質問項目への回答から得られた相関構造である。
したがって、両者が一致したとしても、それによって精神症状そのものが言語によって規定されていることが示されたわけではない。
逆に、言語モデルが精神症状について何も理解していないと結論することもできない。言語モデルは、大量の文章を通じて、抑うつと睡眠障害、不安と身体的緊張など、精神症状間の関連についての知識を獲得している可能性がある。
しかし、本研究の分析では、言語モデルが単に文章の意味的な類似性を捉えているのか、精神症状間の経験的な関連についての知識まで捉えているのかを、十分に区別することはできない。
第四に、今回の結果は、心理尺度の開発方法を変える可能性を示している。
従来、心理尺度の開発では、研究者が構成概念を定義し、それに基づいて多数の質問項目を作成したうえで、実際の回答データを収集して項目分析や因子分析を行ってきた。
本研究の結果は、その前段階で、質問項目の文章だけを使って、項目間の意味的な重複や構造を検討できる可能性を示している。
例えば、新しい尺度の候補項目を100項目作成した場合、embeddingによって意味的に近い項目を抽出し、特定の内容が過剰に含まれていないかを検討することができる。
また、複数の既存尺度を共通の意味空間で分析すれば、異なる尺度がどのような内容を共通して測定しているのか、反対にどのような内容が一方の尺度にしか含まれていないのかを検討することも考えられる。
さらに、言語間で意味を共有する多言語embeddingを利用すれば、英語原版の意味的な特徴を保持した日本語の質問項目を生成する方法にも発展する可能性がある。
ただし、こうした尺度の新規生成や言語間移植における有効性は、本研究で直接検証されたものではない。実際に生成された尺度が、従来の方法で作成された尺度と同等の測定特性を示すかどうかについては、今後の実証研究が必要である。
以上をまとめると、Kambeitzらの研究は、精神病理の構造を言語モデルが解明した研究というよりも、精神症状を記述する質問項目の意味的な構造が、実際の回答の相関構造と一定程度対応していることを、大規模なデータによって示した研究である。
その意義は、精神病理の新しい理論を提示したことではなく、心理尺度に含まれる言語的な情報を数量化し、尺度の構造分析や開発に活用できる可能性を示したことにある。
研究の意義
この研究の意義は、従来、実際の回答データを収集して検討していた質問項目間の関係を、文章のembeddingによって事前に分析できる可能性を示した点にある。
心理尺度の開発では、研究者が測定したい構成概念を定義し、それに対応する質問項目を作成する。その後、予備調査や因子分析などによって項目の選定を行う。
LLMによるembeddingを利用すれば、こうした調査を実施する前に、質問項目どうしの意味的な重複、項目内容の偏り、想定した下位尺度との対応を数量的に検討できる。
さらに、複数の尺度に含まれる質問項目を共通の意味空間に配置することで、尺度間の内容的な重複を評価することも考えられる。
著者らは、このような方法が、質問紙開発の効率化、冗長項目の削減、尺度間比較、異文化間研究などに応用できる可能性を指摘している。
今後の研究への示唆
本研究は既存尺度の項目間構造を分析したものであり、embeddingを利用して新しい尺度を生成し、その測定特性を実証的に検証した研究ではない。
しかし、質問項目の意味的な特徴をembeddingで数量化できることは、尺度の新規作成だけでなく、異なる言語への移植にも応用できる可能性がある。
例えば、英語で開発された心理尺度を多言語embeddingモデルで表現し、その意味を保持するように日本語項目を生成する方法が考えられる。
この方法で生成した日本語版が、従来の方法で妥当性検証された日本語版と同等の測定結果を示すのであれば、英語で公表された心理尺度を迅速に日本語化するための新しい方法論につながる。
ただし、こうした言語間での生成と測定同等性は、本論文では直接検証されていない。今後の実証研究によって検討すべき課題である。
まとめ
Kambeitzらの研究は、精神病理の質問項目における意味的な構造と、回答データの経験的な相関構造との対応を示した。
その結果は、LLMが精神病理を理解していることの証明というよりも、質問紙を構成する文章の意味的な特徴が、実際の回答構造に関する情報を含んでいることを示す知見として評価できる。
この知見は、心理尺度の項目作成や選定、尺度間の内容比較、さらには言語間での尺度生成へと発展する可能性を持っている。
