AI：実際の知性！

※翻訳ソフトを使用しています。

ヘルムホルツ・ミュンヘンの研究者たちによって作られた「ケンタウルス」と呼ばれるこのモデルは、人間の思考を模倣し、「驚くべき精度」で意思決定を予測すると主張している。¹.

この投稿はそのモデルのレビューではないが、このアルゴリズムが使用するトレーニング・データを考えると、実に印象的である。Psych-101"と呼ばれるデータセットで、160の行動実験において60,092人の参加者から収集された1,000万以上の決定を含んでいる。

しかし、ここでちょっと立ち止まって考えてみてほしい。 心理学の研究論文を読んだことのある人なら誰でも、学術研究の参加者の大半が心理学を専攻する学生であることを知っているだろう。

なぜそれが重要なのか？

簡単に言えば、そして世界で最高の意志を持ってしても、心理学の学生は一般大衆をそれほど代表していないのだ²これは、多くの研究室ベースの研究が、実社会はおろか、異なる研究室でさえ再現性に苦労する理由の一つである。 —多くの心理学研究の結果は、参加者とその研究に用いられた正確な条件に直接結びついている。

メディア、買い物客、道案内、人間のパフォーマンス、アプリケーション／インターフェイスの最適化など、注意力研究の世界では、ChatGPTバージョン1.0が世に放たれてから3年間、必然的にAI予測モデルの人気は、生活の他のほとんどすべての側面と同じように高まってきました。実際、注意の予測モデルはそれよりもずっと昔から存在しており、特にItti &^Koch 3によって最初に提案されたようなVisual Salienceモデルは、2001年以来その人気と数を伸ばしています。興味深いことに、これらは実際には眼球運動を予測することを意図したものではなく、この点については後で触れるが、注意の配分の可能性を予測するものであり、現在もそうである。

正直に言うと、これらの初期のモデルの多くは、視聴開始から1～2秒間の不随意的注意のマッピングはうまくできても、随意的注意のマッピングやそれに関連する視線移動のマッピングには惨めに失敗する傾向があった。 眼球運動何十年も前からわかっていたことだが、注意は刺激主導型というより、むしろ課題主導型である³。 アイトラッキング様々な生体マーカーや行動マーカーを用いた膨大なデータセットで訓練されたAIアルゴリズムのおかげで、洗練されたレベルが著しく向上している。

さて、前置きが長くなったが、この記事の本題に入ろう。

良いこと

まず、私は特定のモデルやアルゴリズムを特定するつもりはない。 この記事のための調査の一環として、私は多くの主要なアルゴでプレーし、いくつかの主要な商業プレーヤーの代表者と話をした。 代わりに、私はそれらが一般的に優れていることについて議論するつもりだ。

すべての人工知能がそうであるように、アルゴリズムは、それらが訓練されたデータとしてのみ優れています。 データに偏りがある場合、それはほぼ確実にアルゴリズムからの結果に反映されますので、あなたが投資する前に、任意のプロバイダにこの質問をする価値があることは確かです。

とはいえ、これらのアルゴリズムは一般に、予測に非常に優れている。平均「つまり、特定の参加者のセグメンテーションや特定のタスクがない場合のアテンションです。 そのため、デザインの初期段階のテストやツールとして使用するのに最適です。私は純粋に、すべてのデザイナーがクライアントにオプションを提示する前に、このツールでコンセプトをテストするべきだと考えています。 基本的に、このツールは競争の場を平準化し、あなた自身や他の人のデザインを"常識「しかし、私のような人間は安くはないし、いつでも使えるわけでもない。つまり、AIはスタートアップ企業にとって、大手のFMCG企業が行うような事前テストの機会を提供してくれるのだ。

しかし、ここに問題がある。

悪いこと

...いや、実際にはいくつかの問題がある。

• 現在のAIモデルは、すでに知られていることをベースにしているため、あなたのデザインに衝撃的な洞察を与える可能性は極めて低い。 このような洞察は、通常、革新的な研究パラダイム、適切な参加者、そしてほぼ間違いなく、アイトラッキングや脳波のような客観的な方法論だけでなく、定性的な要素からしか得られない。

• その"すでに知られていること注意の予測モデルは、参加者のデータに基づいて訓練されるため、あなたに関連するためには、その参加者があなたのユーザーベースまたはターゲットオーディエンスに一致する必要があることを覚えておいてください。 これは、例えば、あなたが製品のリブランドを立ち上げていて、あなたの質問が「既存の顧客を疎外することなく顧客ベースを拡大するにはどうすればよいか」である場合、達成するのが難しいことがあります。「このような質問には、一般的に市場調査でセルと呼ばれる特定の参加者グループに対してテストを行い、その結果を比較する必要があります。 現在のところ、これはAIモデルにはできないことであり、実際には、顧客ベースに基づいてローカルに訓練されたバージョンのモデルが必要でしょう。

• 冒頭で述べたように、予測的注意アルゴリズムは視覚的サリエンスモデルをルーツとしている。視覚的サリエンスモデルは、不随意的注意を予測するのに非常に優れていた。– 。つまり、目立つものや、予想外のものであるために目立つものによって自動的に引き寄せられる注意のことである。そのため、明るさ、色、動き、さらには音声刺激のラウドネスやピッチからの影響も、これらのモデルによって典型的によく予測されていた³残念ながら、これらのモデルの多くは、自発的注意の役割を軽視している。自発的注意は、キックインにやや時間がかかるが、通常、長期的（つまり2秒前後後）に注意の配分を支配し、課題目標、意図、報酬、嗜好、欲求などの高レベルの認知プロセスによって導かれる。つまり、一般化された参加者の集合に基づいた、タスクに関する知識のない単純な予測は、実際にはそれほど多くを語れないということです！

• 最後に、しかし実は非常に重要なことですが、前にも述べたように、予測的注意モデルは決して眼球運動を予測することを意図したものではありませんし、正直なところ、現在でもそうではありません。 つまり、実際の眼球運動（例えば、固視の順序、その持続時間、テキスト処理の場合の関心領域への回帰や後退）であれば、これらのモデルは役に立ちません。 アイトラッカーしかし、アイトラッキングとアテンションがしばしば同列に語られるのは、上で述べたような測定が、デザインのどこに曖昧さや混乱といった問題があるのかを理解するために不可欠であることが多いからです。 人間のパフォーマンス研究において、初心者と熟練者の違いを表すことができるのは、多くの場合、非意識的な眼球運動の自動化された使用です。

チャンス

冒頭で述べたように、私が数年前にこれらのモデルを研究し始めたとき、私の答えは「ノー」であっただろう。 これらのアルゴリズムのいくつかは、過去5年間でほとんど認識できないほど改善されたが、私が上記で述べた限界は依然として頻繁に適用される。 ショッパー・インテリジェンスのロジャー・ジャクソンとの共著である新しい本の中で、タイトルは "The Nursery Rhyme Conundrum⁴では、どうすればこれらのアルゴリズムが提供する最高のものを活用し、競争力を高めることができるのだろうか？

1. アルゴリズムはそこにある.つまり、競合他社はあなたの製品について知るためにアルゴリズムを使うことができるということだ。あなた自身がそれを使わないのであれば、なぜ競合にその優位性を与えるのでしょうか？一般的な注目度」の観点から、あなたのデザインが競合他社に対してどのような位置づけにあるかを見てみましょう。 —そこから得られる洞察は、特に市場のダイナミズムを考えると、非常に重要である。 競合が競合他社が製品デザインを変更するたびに、あなたはこの比較を再実行する必要があります。

2. そこで立ち止まってはいけない.顧客にアピールする最善の方法のひとつは、次のことをどれだけ知っているかを示すことだ。 顧客をを示すことである。一般的な参加者を対象としたテストや、特に心理学の学生を対象にしたモデルでは、あなたのユニークな顧客層を対象としたアテンションテストから得られる洞察のレベルを得ることはできません。 例えば、アテンション分布は年齢、性別、国籍によって異なることが分かっており、このレベルのセグメンテーションがなければ、すでに問題になっています。 あなたの顧客を知っていることを示す唯一の方法は、あなたの顧客を対象としたテストです。

3. ベストであること.もしあなたが高級ブランドなら、一般的であるだけでは不十分だ。 他と違うことが必要だ。 AIアルゴリズムに基づいた広告、インターフェイス、パッケージのリデザイン案を示すリンクトインの投稿が後を絶たないのを見れば、それらが次のように見えることが確認できるだろう。 まったくAIによって生成されたものであり、デザイナーによって作られたものではないことがわかるだろう。もちろん、皮肉を込めているのでない限り、高級ブランドが避けなければならないのはまさにこれだ。AIが研究の参加者の役割を果たすという提案を目にする機会が増えているが、こうした「参加者」が高級ブランドの顧客を代表することはないだろう。

4. 予想外の問題.誰もが良い視線追跡ヒートマップが好きであり、予測的注意アルゴリズムが同じような見た目の出力を生成するのは偶然ではない。私は長い間、アイトラッキングの誤用を批判してきたので、ここで明らかに彼らが抱える重要な問題を強調しようと思う。アイトラッキング研究における外れ値は、一般的にヒートマップから除外される。それは、表象を歪める可能性があるためだが、明白ではない洞察に関しては、最も有益なものの一部であることが多い。 私が博士課程の初期に遭遇した典型的な例は、私の"無意識的嗜好検出「このアルゴリズムは、出力として最適なデザインを提供するはずだった。それを私のパートナーでテストしたところ、2つの同じようなデザインが出力された。彼はもちろん赤と緑の色盲なので、2つのデザインは実際には同じ1つの結果であり、私のアルゴリズムのまったく新しい可能性を明らかにした！外れ値の実際のアイトラッキング結果がなければ、彼らが存在する可能性を知ることはできませんし、さらに重要なのは、なぜ彼らがそのような行動をとったのか、ということです。 一般的な母集団に基づく予測的注意アルゴリズムに全面的に依存すると、外れ値の行動から学習する可能性がなくなってしまいます。 UXそして ヒューマンパフォーマンスこれは特にUXやヒューマンパフォーマンスの研究に関連する。

端的に言えば、今現在、実際の人間が実際のタスクをこなし、実際のデザインをテストすることに取って代わるものはない。 これは人工知能ではなく、実際のものだ。 実際の知能なのだ。

参考文献

1. Binz, M., Akata, E., Bethge, M.他人間の認知を予測し捉えるための基礎モデル.ネイチャー(2025).

2. Hanel, P. H., & Vione, K. C. (2016). 学生サンプルは一般大衆の正確な推定を提供するか？PloS one, 11(12), e0168354.

3. イッティ、L.、コッホ、C. 視覚的注意の計算モデリング.Nat Rev Neurosci 2, 194–203 (2001).

4. Jackson, R., & Holmes, T. (2025). The Nursery Rhyme Conundrum.Pantheon Publishers.