逆相関法

逆相関法は、主に心理学や神経生理学の研究で用いられるデータ駆動型の研究方法です。^[1]この方法は、白色ノイズ刺激と散発的に発生するニューロンスパイク間の相互相関を、スパイクに先行するセグメントのみを計算することでより速く計算できることから、神経生理学でその名が付けられました。^{[1] [2] [3]}

この用語はそれ以来、通常は時間的次元を分析せず、人間の参加者にノイズも提示する心理学実験で採用されてきた。本来の意味とは対照的に、この用語は、参加者に定義されたカテゴリの刺激を提示するという標準的な心理学的実践が「逆転」していることを反映していると考えられている。代わりに、参加者のカテゴリの精神的表現は、提示されたノイズと行動反応の相互作用から推定される。^[4]

これは、個人や集団の様々な項目（例えば、顔、^[5]、身体、^[6]、自己^{[7] ）の精神的表象から、項目の特徴（例えば、信頼性[8]}、自己身体イメージ^[9] ）を描写した合成画像を作成するために使用されます。この手法は、精神疾患のある人とない人の精神的表象を評価するのに役立ちます。^[10]

この手法は、スパイクトリガー平均を利用して、画像内の信号とノイズのどの領域が特定の研究質問にとって価値があるかを説明します。信号は、私たちの周りの世界を説明し、結びつけるのに役立つ価値のあるオブジェクトを生成するために使用される情報です。^[11]ノイズは、信号が提示しようとしている情報を不明瞭にする不要な信号として一般的に呼ばれています。^[12]逆相関研究にとって最も重要なのは、ノイズがランダムに変化する情報であるということです。逆相関を使用して重要な領域を決定するには、ベース画像にノイズを適用し、観察者が評価します。

ベース画像とは、研究の質問に関連するノイズのない画像です。ノイズが重ねられたベース画像は、参加者に提示され、評価される刺激です。^[4]参加者に新しい刺激セットが提示されるたびに、これを試行と呼びます。参加者が数百から数千の試行に応答した後、研究者は分類画像を作成する準備が整います。

分類画像（一部の研究では「CI」と略される）は、参加者が選択した画像の平均ノイズパターンを表す単一の画像です。^[4]分類画像は、個人の分類画像を平均化することで、グループに対して計算することもできます。^[4]これらの分類画像は、研究者がデータを解釈して結論を​​導くために使用します。全体として、逆相関法は、精神的表現を推定および解釈するために使用できる合成画像（個人またはグループから）を生成するプロセスです。

逆相関法は、通常、ラボ内のコンピュータ実験として実行されます。この方法は、大きく分けて 4 つのステップで実行されます。以下の各ステップについて、さらに詳しく説明します。

研究の質問を作成し、その質問に答えるには逆相関法が最も適した手法であると判断した後、研究者は (1) ランダムに変化する刺激を設計する必要があります。^[4]刺激が準備された後、研究者は (2) 約 300 - 1,000 回の試行を見て反応する参加者からデータを収集する必要があります。^{[4] [13]}各試行は、同じベース画像から生成された 1 枚または 2 枚の画像 (並べて表示) で構成され、その上にノイズが重ねられます。参加者の反応は選択した研究設計によって異なります。研究者が一度に 1 枚の画像のみを提示する場合、参加者は 4 ポイント スケールで画像を評価しますが、2 枚の画像が示された場合は、参加者は指定されたカテゴリに最も一致するものを選択するように求められます (たとえば、最も攻撃的に見える画像を選択します)。^[4]

すべてのデータが収集されると、研究者は（3）各参加者の分類画像を計算し、それらの画像を使用してグループ分類画像を計算します。^[4]最後に、分類画像が利用可能になったら、研究者は（4）画像を評価し、結果についての結論を導き出します。^[4]

逆相関研究のための刺激を設計する際に考慮すべき2つの主な要素は、(1) ベース画像と (2) 使用されるノイズです。^[4]すべてのベースが画像そのものではありません。しかし、大部分は画像であるため、ベースは通常ベース画像と呼ばれます。ベース画像は、研究の質問が扱っているものを表す必要があります。たとえば、中国人に対する人々の精神的表現に興味がある場合、スペイン人やコーカサス人のベース画像を使用するのは意味がありません。また、男性の発声パターンの精神的表現に興味がある場合、男性によって発声されたベース発声パターンを使用するのが最も理にかなっています。^[4]

ベースイメージを持つことは、参加者が作業する際の一種のアンカーとなるため重要です。ベースイメージがない場合、必要な試行回数が大幅に増加し、データ収集が難しくなります。^[4]ベースイメージを除外した研究もありますが（例：S研究^[14]）、より精巧で微妙な研究課題の場合、参加者が分類するように求められているものを公平に表すベースイメージを持つことが重要です。顔写真は通常、最も人気のあるベースイメージです。

逆相関法は幅広い研究テーマを調査することができますが、この方法の最も一般的な応用は、単一の特徴に基づいて顔を評価することです。顔の評価を扱う逆相関研究は、顔空間逆相関モデル（FSRCM）と呼ばれることもあります。^[15]ありがたいことに、ベース画像として十分に機能する、さまざまな人口統計や感情の顔画像のデータベースが既に存在します。

逆相関法は、研究者が画像のどの部分（例えば顔の部分）に診断価値があるかを特定するのにも役立ちます。^[15]これらの価値ある部分を特定するために、研究者は参加者が情報を引き出すことができるスペースを最小限に抑えることから始めます。画像に「マスク」をかける（例えば、画像をぼかしながらランダムな部分をぼかさない）ことで、個人が見る可能性のある情報が減り、特定の部分に集中するようになります。^[15]そして、参加者が特徴を持つ画像を繰り返し正しく識別できれば、どの部分に診断価値があるかについて結論を導き出すことができます。^[15]

顔と視覚刺激が最も人気がありますが、逆相関研究で使用できる刺激はこれだけではありません。この方法はもともと聴覚刺激用に設計されたもので、研究者は知覚者が聴覚情報をどのように解釈し、さまざまな音のパターンに対する特性ベースの帰属を作成するかを調べることができます。^[15]たとえば、1つの単語の音声録音（合計音声時間426ミリ秒）を6つのセグメント（各71ミリ秒）に分割し、ガウス分布を使用して各セグメントのピッチを変化させることで、研究者は人々が特定の特性と関連付ける音声パターンを明らかにすることができました。^[16]具体的には、この研究では、リスナーが「really」という単語のサウンドクリップをより疑問形としてどのように評価したかを調査しました（つまり、より一般的な逆相関研究と同様に、この研究では参加者に試行ごとに2つのサウンドクリップを聞かせ、カテゴリに最も適合するものを選択し、ピッチコンターの平均を作成しました）。^[16]顔や聴覚の知覚を超えて、逆相関法を利用した研究は、ノイズのある（信号はない）画像の中で人が3次元物体をどのように見るかを調べるために拡大しました。^{[17] [18]}

ベース画像を選択したら、その画像が何であれ、画像内のノイズを滑らかにするためにガウスぼかしを適用すると便利です。ノイズは後で適用しますが、選択したノイズを適用する前に写真内の既存のノイズを減らすと役立ちます。 ^[4]ノイズに関しては、ホワイトノイズ、正弦波ノイズ、ガボールノイズの3つの主要な選択肢があります。^[4]後者の2つはノイズがとることができる構成を制限するため、通常はホワイトノイズが最も一般的に使用されます。^[4]選択したノイズの種類に関係なく、ノイズがランダムに変化することが重要です。^[4]

研究のための刺激が開発されると、研究者は実際にデータを収集する前にいくつかの決定を下す必要があります。研究者は、一度に提示される刺激の数と、参加者が見る試行の数について結論を出さなければなりません。

刺激の提示に関しては、研究者は 2 画像強制選択 (2IFC) または 4 択強制選択 (4AFC) のいずれかを選択できます。2IFC では、一度に 2 つの画像 (並べて) が表示され、参加者は指定されたカテゴリ (たとえば、どの画像が最も男性に似ているか) で 2 つの画像から選択する必要があります。^[4]通常、左の画像のノイズは、右の画像のノイズの数学的逆数です。この方法は、4AFC 法では完全に回答できなかった質問に適切に回答するために開発されました。2IFC と比較すると、4AFC では参加者に 1 回の試行につき 1 つの画像のみが表示され、4 段階スケール ((1) おそらく X、(2) おそらく X、(3) おそらく Y、(4) おそらく Y) で画像を評価するように求められます。^[4]たとえば、ここでは X は男性を表し、Y は女性を表す可能性があります。通常、データ分析中は、「おそらく」カテゴリとして選択された画像のみが含まれます。^[4]

前述のように、2IFCは4AFCでは簡単に答えられない質問に対処するために設計されました。4AFCでは、参加者が「おそらく」カテゴリを選択しない可能性があり、その場合、分類画像を計算することはできません。^[4]たとえば、ベース画像が参加者に報告するように求められた心的表現に似ていない場合、参加者は自信を持って選択せず、画像を「おそらく」カテゴリに分類しない可能性があります。^[4]これは4AFCの欠陥ですが、この方法とスケール構造の利点の1つは、研究者が参加者の分類決定に関する確実性の判断を確認できることです（たとえば、「おそらくX」ラベルは、「おそらくX」ラベルよりも決定に対する自信が高いことを示唆します）。^[4]

試行回数の選択に関しては、一般的に逆相関研究を実施する研究者は参加者に300～1,000回の試行を提示する。^[13]

繰り返しますが、分類画像は、選択されたすべての画像（刺激）の計算された平均ノイズです。分類画像は、個人またはグループに対して生成できます。個人とグループの分類画像の計算は少し異なります。^[4]個人の分類画像を計算するために、研究者は、まず、選択されたすべての画像のノイズの平均を作成し、そのパターンをベース画像に重ね合わせます。ノイズを重ね合わせる前に、ベース画像に合うようにスケーリングします（つまり、最小および最大のピクセル強度がベース画像のピクセルに一致します）。^[4]グループの分類画像を生成するために、研究者は、個々の分類画像を個別に処理するか（ピクセルを個別にスケーリングすることを確認する）、従属スケーリングを適用します。従属スケーリングと呼ばれるのは、すべての分類画像に適用されるスケーリングが、ピクセルの範囲が最も広い画像に依存するためです。^[4]この単一の画像とそのピクセル範囲を使用して、研究者は分類画像のピクセルをベース画像のピクセルに一致させます。この画像に使用されたスケーリング係数は、残りの分類画像に適用されます。^[4]これら2つのアプローチのどちらかを選択する場合、信号の少ない分類画像では、独立スケーリングの方が従属スケーリングよりも信号とノイズを増幅することに留意してください。^[4]研究者が信号の強さに興味がある場合は、従属スケーリングを使用することをお勧めします。^[4]

分類画像を計算する際には、外部ノイズが信号対雑音比（SNR）にどのような影響を与えるかを考慮することが重要です。SNRは、必要な入力（信号など）と不要な情報（ノイズなど）の比です。^{[19]高いSNRを生成する1つの}方法（_{観察者に偏りが}ない場合）は、次の式を使用することです。C =（NAA + NBA）-（_NAB + _NBB）。^{[19]これら}の研究者は_{、高いSNRをもたらすさまざまな研究デザインに最適な実験パラメータを}発見しました。

個々の参加者および/またはグループの分類画像を計算した後、研究者はこれらの画像を使用して研究上の疑問について結論を導きます。ただし、常にそうであるとは限りませんが、最初の分類画像セットが生成された後に、研究者がこれらの画像を新しい参加者のサンプルに提示し、その後の関心要素に基づいて画像を評価するように依頼することがあります。このプロセスは、2 段階逆相関と呼ばれます。^[4]たとえば、参加者に警察官に最も似ている画像を選択するように依頼した後に分類画像が計算された場合、生成された分類画像を新しいサンプルに提示して、顔の攻撃性について画像を評価させることができます。このプロセスにより、データから結論を導きやすくなります。このステップにより結論を導きやすくなりますが、第 2 段階で参加者を集めすぎないように注意する必要があります。参加者の数が多いと、ごくわずかな違いも重要に見え、タイプ 1 エラーが発生するためです。^[13]

逆相関は通常、単一の特性の視覚的表現を作成するために使用されますが、この方法は、1つの画像で複数の特性の視覚的表現を作成する機能を備えています。^[20]同じベース画像とノイズを使用して、特性1の分類画像と特性2の分類画像を作成し、次に2つの分類画像の集約写真を作成します（これにより、2つの社会的特性を組み込んだ新しい分類画像が作成されます）。^[20]

さらに、研究者たちは、意思決定プロセスが逆相関法にどのように影響し、反映されるかを調査し、両者の間には有意な関係があることを発見しました。したがって、逆相関法を使用して結果を解釈する場合、研究者は意思決定プロセスがデータにどのような影響を与えるかを無視しないように注意する必要があります。^[21]

分類画像内の信号を読み取るのは難しい場合があります。信号を解釈しようとする場合、研究者は、最近開発された「infoVal」と呼ばれる指標を使用するのがベストプラクティスであると提案しています。^[22]「InfoVal」は、計算された分類画像の情報値をランダム分布と比較します。^[22]「infoVal」指標の解釈は、Zスコアの解釈に似ています。^[22]

• スパイクトリガー平均
• ガウスぼかし
• ホワイトノイズ
• ガボールノイズ