JPA2026_NetworkSymposium_Omizu

日本心理学会第90回大会の公募シンポジウム「心理ネットワークアプローチの最前線：研究手法と領域の広がり，心の個別性・複雑性理解への道筋」のスライド資料です。大水 拓海 先生 (専修大学) に話題提供していただきました。

Transcript

1. 日本心理学会第90回大会 シンポジウム 心理ネットワークアプローチの最前線 ―研究手法と領域の広がり，心の個別性・複雑性理解への道筋 数理シミュレーションで探る心理ネットワークのダイナミクス 専修大学大学院 博士後期課程 大水拓海
2. 自己紹介 大水 拓海 専修大学大学院文学研究科心理学専攻 博士後期課程1年 計算論的臨床心理学研究室 研究キーワード ・心理ネットワーク ・数理シミュレーション ・計算論的精神医学/臨床心理学
3. 心理ネットワークにおけるシミュレーション研究 統計・研究法の開発 真のモデル データ生成 作用機序・仮説生成 推定性能評価 必要サンプルサイズの計算 ・GVARの例数設計(Mansueto et al., 2025) ・GGMの例数設計(Constantin et al., 2026) 新しい推定方法の提案 ・EGAの提案(Golino & Epskamp, 2017) モデルの推定 仮想介入 システムの応答 ネットワークシミュレーション ・治療ノードを含めた介入(Omizu & Kunisato, 2025) ・微分方程式による症状変化(Park et al., 2026) ・因果グラフを用いた治療方針の検証(Waldorp et al.,2026)
4. 心理ネットワークにおけるシミュレーション研究 統計・研究法の開発 真のモデル データ生成 作用機序・仮説生成 推定性能評価 必要サンプルサイズの計算 ・GVARの例数設計(Mansueto et al., 2025) ・GGMの例数設計(Constantin et al., 2026) 新しい推定方法の提案 ・EGAの提案(Golino & Epskamp, 2017) モデルの推定 仮想介入 システムの応答 ネットワークシミュレーション ・治療ノードを含めた介入(Omizu & Kunisato, 2025) ・微分方程式による症状変化(Park et al., 2026) ・因果グラフを用いた治療方針の検証(Waldorp et al.,2026)
5. 研究例1：うつ症状の接続と症状増悪のシミュレーション ・ネットワークの接続の強さが症状の増悪を説明する(Cramer et al., 2016) Omizu & Kunisato (2025). より抜粋
6. 研究例1：うつ症状の接続と症状増悪のシミュレーション ・ネットワークの接続の強さが症状の増悪を説明する(Cramer et al., 2016) ・実際の介入でネットワークの密度が変わらない，上昇する(Höller et al, 2022) ・どの症状への介入が有効か？ ・症状以外の要因の影響は？ ↓ 治療的なノードを含めたシミュレーション Omizu & Kunisato (2025). より抜粋
7. 研究例2：治療的要因を含めた介入シミュレーション ・横断データかつ静的なうつ症状ネットワークに治療コンポーネントを導入 ・Cramer et al (2016)を拡張し症状ネットワークの強弱以外で症状の改善を示した Omizu & Kunisato (2025). Figure 3より抜粋
8. 研究例2：治療的要因を含めた介入シミュレーション ・複数症状への介入の組み 合わせも含めて検討 ・中心性などを基にしたノー ド選択だけではなく組み合 わせが重要な可能性 Omizu & Kunisato (2025). Figure 7より抜粋
9. 研究例3：確率微分方程式モデルによる症状の記述 ・症状の連続時間上のダイナミクスをモデル化(Park et al., 2026, MBR) ・中心性などの特定のノードではなく，フィードバックループの存在によって症状の持続 が起こることをシミュレーションで示した(Park et al., 2026, SciRep) Park et al. (2026), MBR. Figure 6より抜粋
10. 研究例3の拡張例：SDEに治療的な要因を入れてみる ・時間経過に伴って介入効果が変わる など，治療自体のダイナミクスを検討可 能 ・複雑なモデル自体を0から作れなくて も発想があればシミュレーションから自 由に考察できる
11. 研究例4: 安定性ランドスケープによるダイナミクスの記述 安定性ランドスケープ (stability landscape) ・あるネットワークが長期的にどの状態に落ち着きやすいかを地形として表現したもの (Hoekstra et al., 2026) ・エネルギー関数を用いて推定したネットワークモデルがどのようなダイナミクスをとりう るかを検討(ネットワークモデルによって解釈は異なる) ボール：現在の状態 ランドスケープの横方向の位置：そのシステ ムがとり得る状態 ランドスケープの形：その状態にどの程度留 まりやすいかを示す安定性 Hoekstra et al. (2026), Figure 1より抜粋
12. 研究例5：シミュレーションと臨床実践の接続 Causal Dynamical Framework(Waldorp et al., 2026) 動的モデルへの変換 シミュレーション ESM / EMA 非線形ダイナミクスの再現 ・各症状への仮想介入シミュ レーションを反復 ・データの反復測定 ・ネットワークの基盤の推定 ・因果グラフをマルコフ過程に変 換 FCI / IDA ・ハイパボリックタンジェント (tanh)による変換 ・因果推論アルゴリズム ・必要に応じて患者の主観を ネットワークに反映 ・双安定性，相転移，フィード バックループ 因果モデルの構築 ・介入の有無の軌跡の比較 全体を改善させる症状の特 定
13. 心理ネットワーク×数理シミュレーションで悩む点 信頼できる研究結果を得るために ・再現可能性を高める工夫(コードと出力がまとまった形での実行) ・網羅的なシミュレーション設定(反復回数、設定する条件など) →すべての研究で共通だが，数値計算の結果が圧倒的に多くなる 現実との対応について ・実際に現実の介入でシミュレーション通りの結果になるかは難しい ・そもそも現実でできないからシミュレーションを行う側面もある →最近のアプローチは少しこの辺を解決するかも？
14. 心理ネットワーク×数理シミュレーションを試すには？ 公開コードがある場合 ・そのまま動かして挙動を理解する(遊び感覚) →簡単なネットワークシミュレーションが試せるRパッケージpsynetsimを作成しています！ GitHubからインストールできます。 公開コードがない場合 ・数式は公開されている ・生成AIを使いながら論文のシミュレーションを再現し，要素を追加・変更
15. 心理ネットワーク×数理シミュレーションのこれから 時空間的な拡張 ・安定性ランドスケープなどの空間的拡張 ・確率微分方程式などの時間的拡張 臨床をはじめとするリアルワールドとの接続 ・集団データから単一事例に合わせたシミュレーションモデル ・クライエントの語りから推定するネットワークの登場 →統計的制約と有用性の間の意思決定
16. まとめ ・シミュレーションは新たな仮説生成のための方法である ・数学的なハードルは見かけ以上に高くない(生成AIがあるので…) ・効果的な介入方法を検討する基礎的な側面もあれば、実際に主観的な世界がどう発 展していくかを伝えるコミュニケーションツールになるかもしれない
17. 引用文献 Constantin, M. A., Schuurman, N. K., & Vermunt, J. K. (2026). A general Monte Carlo method for sample size analysis in the context of network models. Psychological Methods, 31(3), 385–405. https://doi.org/10.1037/met0000555 Cramer, A. O. J., van Borkulo, C. D., Giltay, E. J., van der Maas, H. L. J., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major depression as a complex dynamic system. PLOS ONE, 11(12), e0167490. https://doi.org/10.1371/journal.pone.0167490 Golino, H. F., & Epskamp, S. (2017). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. PLOS ONE, 12(6), e0174035. https://doi.org/10.1371/journal.pone.0174035 Hoekstra, R. H. A., de Ron, J., Epskamp, S., Robinaugh, D. J., & Borsboom, D. (2026). Mapping the dynamics of idiographic network models to the network theory of psychopathology. Behavior Research Methods, 58, 130.https://doi.org/10.3758/s13428-026-03009-w Höller, I., Schreiber, D., Bos, F., Forkmann, T., Teismann, T., & Margraf, J. (2022). The mereology of depression—Networks of depressive symptoms during the course of psychotherapy. International Journal of Environmental Research and Public Health, 19(12), 7131. https://doi.org/10.3390/ijerph19127131 Mansueto, A. C., Wiers, R. W., van Weert, J. C. M., Schouten, B. C., & Epskamp, S. (2023). Investigating the feasibility of idiographic network models. Psychological Methods, 28(5), 1052–1068. https://doi.org/10.1037/met0000466
18. 引用文献 Omizu, T., & Kunisato, Y. (2025). Exploring effective intervention strategies for depression as a complex system: Targeted interventions through network simulations. Japanese Psychological Research, 67(2), 147–161. https://doi.org/10.1111/jpr.12553 Park, K., Li, X., Waldorp, L. J., Lees, M., & Vasconcelos, V. V. (2026). The role of feedback loops in dynamical symptom networks. Scientific Reports, 16, 11273. https://doi.org/10.1038/s41598-026-38747-6 Park, K., Waldorp, L. J., & Vasconcelos, V. V. (2026). A mechanistic model of symptom dynamics: Implications for statistical network analyses. Multivariate Behavioral Research. Advance online publication. https://doi.org/10.1080/00273171.2026.2710730 Waldorp, L., Mürtz, T., Jansen, A., & Haslbeck, J. (2026). Towards personalised intervention: A causal-dynamical framework to determine psychological treatment trajectories [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2606.09283