レジュメ：集団の認知科学を前進させるLLMの活用
Sucholutsky, I., Collins, K. M., Jacoby, N., Thompson, B. D., & Hawkins, R. D. (2025). Using LLMs to Advance the Cognitive Science of Collectives. arXiv preprint arXiv:2506.00052.
Abstract
近年、大規模言語モデル（LLM）は個人の認知研究において既に革新をもたらしているが、集団的認知への応用はまだ十分に探究されていない。本論文では、LLMが集団的認知の研究で直面する複雑性を克服する可能性を論じ、同時に新たなリスクや課題についても警鐘を鳴らしている。
Introduction
LLMは人間の個人認知のモデルとして活用されているが、本論文では「集団的認知（collective cognition）」への応用可能性に注目する。例えば、研究者のグループがビデオ会議で新しいプロジェクトを議論する状況では、各参加者の関心、文化、過去の経験などが相互に作用し、予測困難な創発的展開が生じる。このような集団的相互作用は、人間の認知と文化を形づくる基盤であるにもかかわらず、従来の認知科学ではスケールさせた研究が困難であった。
著者らはこの問題を三つの「複雑性の軸」で整理する：
- 構造的複雑性（structural complexity）：多様で大規模な社会ネットワーク構造。
- 相互作用的複雑性（interactional complexity）：継続的かつ動的な相互作用。
- 個体的複雑性（individual complexity）：文化的・個人的な多様性。
LLMの5つの役割
LLMは以下のような多様な役割を担うことで、これらの複雑性に対応できる：
| 役割 | 説明 | 例 |
|---|---|---|
| 参加者（Participant） | 人間や他のAIと直接やり取りする | Marjieh et al. (2024) |
| インタビュアー（Interviewer） | 質問を通じて人間からデータ収集 | Park et al. (2024) |
| 環境（Environment） | 相互作用可能な世界をシミュレート | Gallotta et al. (2024) |
| ルーター（Router） | 複数人の意見を要約・仲介 | Tessler et al. (2024) |
| データ分析者（Analyst） | 大規模な行動データを自動解析 | Rathje et al. (2024) |
LLMによる集団行動研究の事例
- Tessler et al. (2024)：LLMが複数人の意見を要約し、合意形成を促進。相互作用的・個体的複雑性のスケーリングに貢献。
- Shiiku et al. (2025)：625人（人間とLLM）が社会ネットワーク内で物語を改変し合う実験。構造的複雑性の高いネットワーク設計が特徴。
未解決の課題とリスク
- 解釈性と整合性：LLMを認知モデルとして用いるには、人間との表現整合性と内部の可視性が必要。
- 文化的表現の偏り：LLMは主に西洋の文化に基づいており、多文化的研究には限界がある。
- 多様性の均質化：LLMは個体差を再現しきれず、創発現象の研究に支障。
- 再現性の欠如：モデルの非公開・更新により研究の持続性が脅かされる。
- 計算コスト：大規模な集団モデルでは指数的に計算コストが増大し、研究格差を拡大させる懸念。
今後の展望
LLMは認知科学における方法論と理論の両面で革新を起こしつつある。今後は以下のスケーリングが求められる：
- 構造的複雑性：ツール（dallinger, PsyNet）を活用し、大規模な実験を設計。
- 相互作用的複雑性：LLMを“思考のパートナー”として活用。
- 個体的複雑性：文化・個人の多様性を反映したモデル開発と評価基準の再構築。
■ 図表解説
Table 1: 認知科学における3つの複雑性の軸と対応する研究例
この表は、集団的認知を研究するうえで重要となる「3つの複雑性の軸」と、それぞれに関連する先行研究を整理している。
| 複雑性の軸 | 説明 | 研究例 |
|---|---|---|
| 構造的複雑性（Structural Complexity） | 大規模かつ多様な社会ネットワーク構造により創発される行動を扱う。つまり、ネットワーク全体のトポロジー（構造）に関連。 | Brinkmann et al. (2023)：人間とLLMの複雑な社会ネットワークにおける行動を研究。 |
| 相互作用的複雑性（Interactional Complexity） | 相互作用の媒体（音声・映像・ジェスチャー）やインタラクションの精緻化（人間中心の反復計算など）に着目。 | Collins et al. (2024)：LLMが「思考のパートナー」として人間の状態や目標を推定しながら対話。 |
| 個体的複雑性（Individual Complexity） | エージェント（人間またはAI）の文化的・個人的多様性。言語・文化の違いや個人性を含む。 | Marjieh et al. (2024), Park et al. (2024)：多言語でのLLM評価や個性のある振る舞いの模倣。 |
Figure 1: 認知科学における複雑性の軸とLLMの役割
この図は2つのパネルに分かれている。
- 左側：先述の3つの複雑性（ネットワーク構造、エッジ（関係）、ノード（個体）のレベル）を示しており、それぞれが集団的認知の研究で注目すべきレイヤーであることを図示。
- 右側：LLMが果たす5つの役割（参加者、インタビュアー、環境、ルーター、分析者）を視覚的に示しており、それぞれが集団認知の研究における機能的ポジションを担っている。
Table 2: LLMが果たし得る5つの機能と対応する研究例
この表は、LLMが集団的認知の研究で担うことができる5つの具体的な機能を整理している。
| 機能 | 説明 | 研究例 |
|---|---|---|
| 参加者（Participant） | 他の人間やAIとともに社会ネットワークの一部として直接的にタスクに参加。 | Marjieh et al. (2024) |
| インタビュアー（Interviewer） | 質問を行い、テキストデータを対話的に収集。 | Park et al. (2024) |
| 環境（Environment） | インタラクティブな世界をシミュレート（例：テキストアドベンチャーでのゲームマスター）。 | Gallotta et al. (2024) |
| ルーター（Router） | 複数人の発言や意見を要約し、最適に配信して合意形成を支援。 | Tessler et al. (2024) |
| データ分析者（Analyst） | 大規模な社会ネットワークデータを自動で注釈・分析。 | Rathje et al. (2024) |
Figure 2: 複雑性の統合的研究に向けた今後の展望
この図では、今後の研究が3つの複雑性の軸をどのように統合して扱えるかを示唆している。例えば：
- 文化的知識の伝播や、
- 人間のコミュニケーション規範の変化の追跡、
- 政策ディベートから大規模な選挙キャンペーンまでのスケールの違い
といった問題を、LLMを活用することで大規模かつ多次元的に研究できる可能性を示している。