概念の階層構造を生成する再帰的結合能力の起源と進化に関する研究
| Project/Area Number |
20K20146
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 90030:Cognitive science-related
|
|---|
| Research Institution | Teikyo University (2022)
The University of Tokyo (2020-2021) |
|---|
Principal Investigator |
外谷 弦太 帝京大学, 先端総合研究機構, 研究員 (70847772)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2022: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2021: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2020: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
|
|---|
| Keywords | 言語進化 / 再帰的結合 / ニッチ構築 / 物体操作 / 道具製作 / 表象操作 / 運動制御の進化 / 大脳基底核ループ / 手続き的知識 / 宣言的知識 / 大脳－基底核ループ |
|---|
| Outline of Research at the Start |
ヒトは他の動物に見られない、概念を再帰的に結合する能力（以下、再帰的結合能力）を持つ。この再帰的結合能力は物体操作という他の動物と共通する能力に起源をもつとする「運動制御起源説」が有力視されている。本仮説を検証するには、外的な物体操作と内的な概念操作を繋ぐ具体的な進化シナリオを提示する必要がある。
本研究の目的は、計算機シミュレーションを用い、再帰的結合能力の適用対象が外的実体から内的表象へと進化するプロセスと環境条件を解明することである。
本研究は、ヒトに特異な能力に進化的連続性をもつ説明を与えるという特色をもち、その進化シナリオの解明を通して、ヒトの創造性に関する示唆を得るという意義をもつ。
|
| Outline of Annual Research Achievements |
ヒトは他の動物に見られない、概念を再帰的に結合し階層構造を生成する能力（以下、再帰的結合能力）を持つ。概念の係り受け関係はヒトの思考やコミュニケーションに特異的に見られるため、この再帰的結合能力の進化を問うことでヒトという生物種の本性に迫ることができる。再帰的結合能力の進化に関しては、物体操作という他の動物と共通する能力に起源をもつとする「運動制御起源説」が有力視されている。本仮説を検証するには、外的な物体操作と内的な概念操作を繋ぐ 具体的な進化シナリオを提示する必要がある。
本研究は、（１）計算機シミュレーションによる、再帰的結合能力のモデル構築と、（２）動物や人の物体操作・道具製作の分析に基づくモデルの妥当性検討という、2種類のプロセスから構成される。本年度は（１）に関して、物体操作・道具製作におけるどのような環境的要素が再帰的結合能力の進化を引き起こすか計算モデルを構築して確かめた。道具製作は状態遷移空間の探索行動としてモデル化され、エージェントには時間差分型の強化学習アルゴリズムを組み込んだ。この時、状態遷移規則を階層的に学習する場合が再帰的結合の振る舞いとなる。シミュレーションの結果、探索空間が広く、道具製作にかけられる時間が長いほど再帰的結合が進化することがわかった。結果は国際会議Joint Conference on Language Evolutionにて発表し、議論を行なった。
（２）動物や人の物体操作・道具製作の分析に関しては、深層学習を用いたマーカーレス運動追跡技術であるDeepLabCut (Mathis et al., 2018)を習得し、推定された位置情報を補正するプログラムを作成した。動物追跡の技術に関しては動物心理学会のDeepLabCutワークショップで発表を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
進化シミュレーションと強化学習アルゴリズムを用いた物体操作モデルの研究に関してはモデル構築・分析ともに概ね順調に進んでいる。深層学習を用いた動物行動の追跡に関しては、撮影環境の整備が追跡精度を向上させるために必須であることがわかったため、当初既に録画されたビデオデータを対象に行うはずだった分析を諦め、実験計画を後ろ倒ししている。
|
| Strategy for Future Research Activity |
物体操作の計算モデルに関しては論文投稿に向けた準備を進めている。ヒトの物体操作・道具製作行動の追跡に関しては実際の行動撮影あるいは仮想空間内での離散的操作を対象として分析する方向で進めていく。物体操作や道具製作における組み合わせ行動に限定すれば、連続的な運動軌道を定量する必要はないため、より状態遷移として記述しやすい後者の仮想空間内における行動を分析するほうが容易と考えている。非ヒト霊長類との行動比較をする場合は、連続的な運動のの計画的な組み合わせを分析するには現実の物体操作や道具製作のマーカーレス追跡を行うのが妥当である。
|
Report
(3 results)
Research Products
(7 results)
