AIが視覚と心の関係を解読

人がいま目の前で見ているもの。それが心の状態にどう響くのかは、長らく研究の世界でも測れない問いでした。

ところが画像理解AIの進化により、日常の視界を端から定量化できる時代に入りつつあります。ある研究チームがその枠組みを使い、私たちの風景と気分・ストレスの関係を大規模に検証した結果、誰もが薄々感じていたことを裏付ける発見と、それを大きく超える広がりが見えてきました。

日常の何が、どれくらい心に効いているのか。逆に、何があるとストレスを引き上げているのか。本記事ではその全貌をたどります。

「どこにいるか」では測れなかったもの

人を取り巻く環境の総体は「環境エクスポソーム」と呼ばれ、健康への影響因子として長年研究されてきました。中でも、目から入ってくる情報の集合を指す「視覚エクスポソーム」は、心の状態を作る最も身近な要素であるはずなのに、これまで定量的に測る手立てがありませんでした。

代わりに使われてきたのが、GPSや衛星画像です。住んでいるエリアの緑被率や、公園までの距離といった指標で環境を近似してきました。ただ、緑豊かな住宅街に住んでいても通勤中はずっと地下鉄とオフィスにいる人もいれば、無機質なビル街でも窓際で観葉植物に囲まれて働く人もいます。「住所」と「実際に視界に入っているもの」は別物で、研究チームはこの溝を「不確実な地理的文脈問題（uncertain geographic context problem）」と呼んでいます。

この壁を越える可能性をもたらしたのが、画像を見てその内容を言語で説明・評価できる人工知能、Vision Language Model（VLM）の進化です。一人称視点で撮られた写真をVLMに直接見せれば、その人が今この瞬間に何を見ているかを定量化できます。

今回紹介する研究はこの可能性を二段構えで検証していきます。まず既知の関連（緑が心に良いという通説）をVLMで再現できるかを確かめ、続いて方法論を1000個近い視覚要素にまで拡張して、心に影響しうる視覚情報の全体像を探りに行きます。

7日間、毎日7回のアラームと2,674枚の写真

研究の枠組みはとてもシンプルです。オーストリアの大学生を中心に募集された106人の参加者（うち男性28人、平均年齢24.9歳）に、専用スマートフォンアプリ「esmira」をインストールしてもらいます。

朝9時から夜8時までの間にランダムなタイミングで1日7回、アラームが鳴ります。アラームが来たら、その瞬間に自分が見ている景色を撮影し、同時に「いま自分はどんな気分か」「ここはどれくらい緑が多いと感じるか」を回答します。これを7日間続けてもらった結果、2,674枚の写真と、それに紐づく感情の自己評価データが集まりました。

写真には、机の上のコーヒーカップ、電車の窓、深夜のキッチン、散歩中の公園など、参加者の生活がそのまま記録されています。これを今度はLLaMA 4というオープンウェイトのVLMに渡し、緑の量、植物の有無、自然光の入り具合、屋内か屋外かといった項目について1〜10のスケールで評価させていきました。

AIの評価は人間の感覚と一致した

最初の問いは「そもそもVLMは、人間が感じる『緑の多さ』をちゃんと再現できるのか」でした。

結果は明快でした。参加者本人が「ここは緑が多い」と感じた瞬間ほど、VLMも同じ写真を「緑が多い」と判定していたのです。統計的には、自己評価と機械評価の関連はきわめて強く（係数1.26、p < 0.001）、植物の存在や自然光の量についても同じ傾向が見られました。

異なるアーキテクチャのモデルでも同じ結果が出るかを確認するため、研究チームはQwen3 VLという別のVLMでも同じ画像を評価し直しています。緑度、自然度スコア、植物の存在については相関係数0.83〜0.89と非常に高く、モデルを変えても結果がほぼ揺らがないことが示されました。

緑が多い景色を見ている人ほど、気分がよくストレスは低い

人間の感覚との一致が確認できたところで、本題に入ります。VLMが計測した「緑度」は、参加者の心の状態とどう関係していたのでしょうか。瞬間的な気分、長期的な気分、慢性的なストレスの3つの軸で結果が出ています。

瞬間的な気分は緑度の高い景色で上がる

撮った写真の緑度が高いほど、その瞬間に自己申告されるポジティブ感情が高い傾向がありました（係数0.20、p = 0.008）。緑のある場所にいる時、人は実際に少し気分がよくなっているということです。屋内・屋外の区別、自然光の量、植物の存在についても、同じ方向の関連が認められています。

長期的な気分が良い人ほど、撮る写真も緑が多い

研究期間全体で平均的にポジティブ感情が高かった人は、撮影された写真の緑度や自然度スコアも全体的に高い傾向がありました（係数0.62前後、p < 0.05）。逆にネガティブ感情が高かった人は、緑度の低い写真が多く（係数 -1.07、p = 0.010）、生活の中で目にしている景色そのものに違いがあったことが示唆されています。

慢性ストレスは緑度の低い人ほど高い

慢性的なストレス尺度との関係も同方向で、緑度が高い景色を多く見ている人ほどストレスが低い、という相関が確認されました（相関係数 -0.21、p = 0.031）。自然度スコアでもほぼ同じ傾向で、相関係数 -0.23、p = 0.019となっています。

注意したいのは、この研究はあくまで関連を示しているだけで、「緑を見ればストレスが下がる」という因果関係を証明したわけではないことです。気分がいい時にこそ緑のある場所へ足を運ぶ、という逆の方向もあり得ます。研究チーム自身、この点を明確に限界として認めています。

700万本の論文から、心に影響する「日常の見え方」1,000個を抽出する

研究の野心が本格的に発揮されるのはここからです。緑度のような「過去の研究で散々調べられた要素」だけを扱っていたら、VLM時代らしい仕事とは言えません。研究チームは、心に影響を及ぼす環境要素を網羅的に洗い出すべく、巨大なAI主導のパイプラインを組みました。

工程はおおよそこうです。まず、欧州の医学・心理学論文データベース「Europe PMC」から、約700万本の全文公開論文を入口にします。キーワード検索で64,597本に絞り込んだ後、GPT-OSS-120Bという大規模言語モデルに本文を読ませ、「気分やストレスと関連する文脈要素」を抽出させていきます。抽出された生データから、AIで重複統合・カテゴリ化を繰り返し、最終的に「3本以上の独立した研究で関連が報告されている」項目だけを残した結果、997個のユニークな視覚要素が手元に残ったというわけです。

この997個には、空のオブジェクト、雑然とした机、ペット、料理中のコンロ、図書館、満員電車、瞑想スペース、夕暮れの街並みなど、ありとあらゆる日常風景の構成要素が含まれています。

約3割の視覚要素が感情と有意に関係していた

この997個のリストを使って、もう一度2,674枚の写真をVLMに評価させ、参加者の感情データと突き合わせた結果、瞬間的な感情について最大33%の要素が有意な関連を示しました。長期的な感情についても最大12%の要素が関連していたことが分かっています。

5%水準で偶然出る相関の期待値はその名の通り5%なので、33%という数字は明らかに偶然では説明できないレベルです。心の状態は、私たちが思っている以上に「日常の視覚的な細部」によって作られている可能性がある、という仮説が示されたわけです。

逆に言えば、これまで研究の俎上に乗っていなかった視覚要素の中にも、メンタルヘルスを左右しているものが多数眠っている可能性があります。研究チームはこれを「視覚的微小曝露の密なネットワーク（dense network of visual micro-exposures）」と表現し、視覚エクスポソーム研究の出発点として位置づけています。

ポイント

環境設計を主観アンケートに頼らず客観評価できる

これまでオフィスや店舗の「働きやすさ」や「居心地」は、本人へのアンケートで測られてきました。回答には個人差や状況依存の歪みがあり、何を改善すれば実際に効くのかが見えにくい指標です。VLMを使えば、社員や顧客が一日のうちに実際にどんな視界で過ごしているかを定量化し、その中の何が気分やストレスを左右しているかを後から分析できる可能性があります。プライバシー配慮は当然必須ですが、本人の主観回答に頼らずに環境の質を測れるという点は大きな転換です。

メンタルヘルステックの新しいデータ取得手法になる

スマートフォンのカメラとオープンウェイトのVLMがあれば、専用センサーを装着しなくてもユーザーの日常を観察できます。心拍や活動量などの生体データと組み合わせれば、「ストレスが上がった瞬間に視界に何があったか」を後から特定する分析も視野に入ります。今回の研究で使われたLLaMA 4やQwen3はいずれも公開モデルで、自社環境での運用も難しくありません。ヘルスケア領域での個人化サービス開発において、現実的なデータソースが一つ増えたと言えます。

非構造化データへのVLM活用が現実的な段階に入った

LLaMA 4とQwen3という別々のVLMで結果がほぼ一致したことは、特定モデルへの依存なく視覚情報の意味抽出ができる段階に来たことを示しています。社内の業務文書、プレゼン資料、現場の写真、顧客とのやり取りに含まれる画像など、これまで手が回らなかった非構造化データに対して、VLMによる大規模な意味抽出が実用的な選択肢になってきています。視覚情報の自動分析は、今後さまざまな業務領域で前提技術になっていくと考えられます。