「悲しいか嬉しいか」を当てるのではない。感情を生む ストック・フロー・流動性 を勘定化し、観測可能なデータから状態・リスク・介入可能性を推定する。
Not guessing "happy or sad." Instead, accounting for the stock, flow, and liquidity that produce emotion — estimating state, risk, and intervention potential from observable data.
「感情を数式で説明したい」という問いから始まり、二つの壁に当たり、財務分析の構造を借りることで突破した。
Starting from "can we write an equation for emotion?" — hitting two walls, then breaking through by borrowing the architecture of financial analysis.
感情を当てるのではなく、なぜその感情が生まれるのかを理解したかった。既存の感情AIは「この表情パターン＝悲しみ」と当てるだけで、「なぜ」も「どう介入すべきか」も答えられなかった。
The goal wasn't to guess emotion labels, but to understand why emotions arise. Existing emotion AI could match patterns to labels, but couldn't answer "why" or "what should we do about it."
感情を個人ごとに完全再現することは、個人ごとのLLMをゼロから復元するのと同等の計算量を要する。非現実的だと気づいた。
Fully reconstructing emotion for each individual would require the equivalent of rebuilding each person's LLM from scratch — computationally unrealistic.
観測パターンを当てるだけのモデルはブラックボックスのまま。「なぜ今日は崩れたのか」「どう介入すべきか」が説明できず、臨床用途には使えない。
A pure pattern-detection model remains a black box. It can't explain why someone deteriorated today, or what kind of intervention would help. Clinically, it's insufficient.
財務アナリストは会社の「真の本質」を知らなくても、BS・PL・CFという構造で「今この会社は安定しているか」を読める。感情も同じことができるのではないか——感情にもストック（蓄積）・フロー（期間損益）・流動性（回復可能性）という三層がある。
A financial analyst doesn't need to know a company's "true essence" — they can assess its health through BS, P&L, and CF structure. Emotions have the same three layers: stock (accumulated capital), flow (period gains/losses), and liquidity (recovery capacity).
感情ラベルを測定の入力にするのではなく、感情を生む構成要素——資産・負債・収益・費用・フロー——を先に定義する。Happy/Sadは最終出力であり、最初に測るものではない。
Instead of using emotion labels as inputs, define the components that produce emotion — assets, liabilities, gains, costs, flows — first. Happy/Sad are outputs, not measurements.
E-BS（土台）・E-PL（損益）・E-CF（流動性）の三表が導かれた。その後、論理検証によって設計上の6つの穴が発見され修正された。これにより「思想」から「仕様書」へと変わった。
E-BS (foundation), E-PL (period P&L), and E-CF (liquidity) were derived. Logical due diligence then found 6 design flaws and corrected them — transforming the framework from philosophy into specification.
既存の手法が埋められない空白を、EFSFは構造的に埋める。
EFSF structurally fills a gap that existing approaches cannot.
| アプローチApproach | 「なぜ」がわかるかExplains "Why" | 介入設計ができるかIntervention-Ready | 継続的に機能するかWorks Continuously | スケールするかScalable |
|---|---|---|---|---|
| 感情認識AI（表情・声）Emotion recognition AI | ✗ | ✗ | ✓ | ✓ |
| 自己申告アンケートSelf-report questionnaires | △ | △ | ✗ | ✗ |
| 臨床診断（専門家）Clinical diagnosis (expert) | ✓ | ✓ | ✗ | ✗ |
| ウェルネスアプリWellness apps | ✗ | ✗ | ✓ | ✓ |
| EFSF | ✓ | ✓ | ✓ | ✓ |
感情ラベルには介入の論理がない。「悲しい」とわかっても「なぜ」「何をすべきか」が導けない。EFSFは感情を構造として扱うことで、観測→勘定→三表→介入という論理的な経路を初めて作る。
Emotion labels carry no intervention logic. Knowing someone is "sad" doesn't tell you why or what to do. EFSF treats emotion as a structure, creating for the first time a logical path from observation → account → statement → intervention.
臨床研究者・心理士（早期悪化検知）、プロダクト開発者（感情対応アーキテクチャ）、HR担当者（バーンアウト予防）、個人ユーザー（自己パターンの理解）、研究機関（標準測定フレーム）、政策立案者（スケーラブルな精神保健モニタリング）。
Clinical researchers & therapists (early deterioration detection), product builders (emotion-aware architecture), HR teams (burnout prevention), individuals (understanding their own patterns), research institutions (standardized measurement), policymakers (scalable mental health monitoring).
臨床施設（精神科・心療内科）、職場（HR・チームマネジメント）、コンシューマーアプリ（ウェルネス・生産性）、研究機関、マーケティング分析、カップルカウンセリング、教育現場。
Clinical settings (psychiatry, therapy), workplaces (HR, team management), consumer apps (wellness, productivity), research institutions, marketing analytics, relationship counseling, educational settings.
危機の前（早期検知・予防）、変化の最中（転職・別離・医療イベント）、出来事の後（回復モニタリング）、継続的に（長期的な感情健康の追跡）。「何かが起きてから」ではなく「起きる前に」が最大の価値。
Before crisis (early detection, prevention), during change (career transition, loss, medical events), after events (recovery monitoring), and continuously (longitudinal emotional health tracking). Maximum value lies in detection before crisis, not after.
感情的崩壊の前の早期介入、感情状態の客観的測定（今まで存在しなかった）、一人ひとりに合った介入設計、「なんとなく辛い」から「どこで何が詰まっているか」への翻訳。
Early intervention before emotional collapse, objective measurement of emotional state (previously unavailable), personalized intervention design, translating "I feel bad" into "which account is depleted, and where is the flow blocked."
神経科学（複雑すぎて実装不可）とポップ心理学（単純すぎて臨床不可）の間に、構造解釈可能で介入設計可能なフレームワークが存在しなかった。EFSFはその空白を埋める唯一の構造モデル。
Between neuroscience (too complex to operationalize) and pop psychology (too simple for clinical use), no structurally interpretable, intervention-ready framework existed. EFSF fills that gap as the only structural model that bridges both.
悪化兆候の早期検知。自己申告に頼らない継続モニタリング。研究での標準測定フレームワーク。
Early deterioration detection. Continuous monitoring without self-report. Standardized measurement for research.
感情対応アプリのアーキテクチャ。ブラックボックスを脱した説明可能な感情エンジン。
Architecture for emotion-aware applications. An explainable emotion engine beyond black-box pattern matching.
バーンアウト・離職の前兆を数週間前に検知。チーム安全性の定量評価。
Detect burnout and attrition signals weeks in advance. Quantify psychological safety at team level.
「なぜ今日は辛いのか」の構造的な理解。感情ラベルではなく状態スコアによる自己認識。
Structural understanding of "why today is hard." Self-awareness through state scores, not emotion labels.
アンケートなしで顧客の信頼・関心・離脱兆候をリアルタイムで把握。
Real-time trust, engagement, and churn signals without surveys.
学習者の認知負荷と情動状態の定量評価。スケーラブルな精神保健政策の設計基盤。
Quantify learner cognitive load and emotional state. Scalable foundation for mental health policy design.
企業の財務状態を「BS・PL・CF」で読むように、人の感情状態も同じ論理で分解できる。
Just as a company's financial health is read through BS, P&L, and CF — emotional state can be decomposed with the same logic.
感情ラベル（Happy / Sad / Angry）は最終出力であり、測定の入力ではない。財務も「この会社は良いか悪いか」ではなく、BS・PL・CFの数値から読む。
Emotion labels (Happy / Sad / Angry) are final outputs, not measurement inputs. Just as finance reads BS, P&L, and CF numbers — not "is this company good or bad?"
3つの書表で、感情状態の「体力・損益・流れ」を立体的に把握する。
Three statements capture the "foundation, period performance, and flow" of emotional state in 3D.
何を持っているか / 何に弱いか
ストックを見る。同じ出来事が来た時に崩れる人と耐える人の違いを説明する。
What they have / What they're vulnerable to
Measures stock. Explains why the same event breaks one person but not another.
何が増やし / 何が削ったか
期間損益を見る。今日・今週・このイベントで感情的に何が起きたかを示す。
What added / What depleted
Measures period P&L. Shows what happened emotionally today, this week, or during this event.
回復の流れが詰まっていないか
「今この人は回復可能か」「支援を入れれば持ち直すのか」を判断する。
Is the recovery flow blocked?
Judges "can this person recover now?" and "will they bounce back if support is provided?"
フレームワークを仕様書として使うには論理的整合性が必要だ。検証の結果、6つの穴が見つかり、すべて修正された。
A framework only becomes a specification when it's logically consistent. Due diligence found 6 flaws — all corrected.
感情資産・感情負債・Core Self Stabilityが独立に測定されるように見えた。財務BSの恒等式（資産＝負債＋純資産）に相当する拘束条件がなく、三者が矛盾した値を持てる状態だった。
Emotional Assets, Liabilities, and Core Self Stability appeared to be independently measured. No constraint equivalent to the accounting identity (Assets = Liabilities + Equity), so the three could hold contradictory values.
Core Self Stabilityを「定義上の派生値」（Assets − Liabilities）として位置づけた。独立測定ではなく、資産・負債から算出される値。これで三者の矛盾は構造上起きない。
Core Self Stability is now defined as a derived value (Assets − Liabilities), not an independently measured variable. Structural contradiction is impossible by design.
HRVが「Body State」にも「Regulation Capacity」にもフルウェイト1.0で割り当てられていた。リスクスコア計算時に同じ信号が2倍効き、実効ウェイトが意図せず増幅する。
HRV was assigned with full weight 1.0 to both "Body State" and "Regulation Capacity." The same signal counts twice in risk scoring, unintentionally amplifying its effective weight.
各指標にPrimary勘定（係数1.0）を1つだけ定め、副次的な寄与には係数α＜1を明示する。例：HRV → Body State（1.0）、Recovery Reserve（×0.8）。
Each indicator has exactly one Primary account (coefficient 1.0). Secondary contributions get explicit coefficients α<1. Example: HRV → Body State (1.0), Recovery Reserve (×0.8).
すべての推定がΔ＝（Observed−Baseline）/Personal Variabilityに依存する。新規ユーザーはベースラインが存在しないため、初日からΔを計算しようとすると分母が消える。
All estimates depend on Δ = (Observed − Baseline) / Personal Variability. New users have no baseline, so computing Δ from day one means the denominator doesn't exist.
Phase 0（7〜14日）を設け、人口統計別Population Prior（年齢・性別・文化圏の集団平均）で補完しながら、個人データ蓄積とともにベースラインへ移行。血糖持続測定器（CGM）と同じ手法。
Phase 0 (7–14 days) bridges the gap using demographic Population Priors, gradually transitioning to a personal baseline as individual data accumulates. Same approach as CGM (continuous glucose monitors).
E-PLは「期間の損益」を扱うとされていたが、「期間とは何か」が定義されていなかった。日次・週次・月次で同じ人でも結果が大きく変わり、数値の比較可能性がなかった。
E-PL addressed "period P&L" but "period" was never defined. Values differ dramatically between daily, weekly, and monthly scopes for the same person — no comparability.
セッション・日・週・月の4粒度を明示。各書表の出力に必ずスコープタグを付与する仕様にした（例：E-PL@週次）。財務諸表が四半期・年次を必ず明記するのと同じ論理。
Four granularities defined: session, daily, weekly, monthly. All outputs must include a scope tag (e.g., E-PL@weekly). Same logic as financial statements always specifying Q1, annual, etc.
State_i(t) = f(N_i(t), Δ_i(t), …) において、N（純感情資産）とΔ（偏差）が同じ観測値から計算されるため情報が重複する。合算すると同じ信号が2倍効く。
In State_i(t) = f(N_i(t), Δ_i(t), …), both N (net emotional assets) and Δ (deviation) are computed from the same observations — overlapping information that doubles the signal when summed.
役割を分離：N(t)は「構造的蓄積（長期の体力残高）」、Δ_acute(t)は「急性逸脱（直近72時間の急変）」。合算ではなく交互作用項として扱う。低N×高Δの積が最も危険な状態を示す。
Roles separated: N(t) = "structural accumulation (long-term reserve)," Δ_acute(t) = "acute deviation (last 72-hour spike)." Treated as interaction term, not sum. Low N × high Δ indicates maximum danger.
ブラックボックス型との対比で「原因を説明できる」と主張していた。しかし指標→勘定科目の矢印は依然として相関に基づく仮定であり、機序的因果ではない。
Claimed "can explain causes" in contrast to black-box approaches. But the arrows from indicator to account are still correlation-based assumptions — not mechanistic causation.
「因果（causal）」をやめ、「構造解釈可能（structurally interpretable）」に統一した。「なぜを説明できる」ではなく「どの勘定が動いているかを見ながら推定できる」という正確な立場。
Replaced "causal" with "structurally interpretable" throughout. Not "can explain why" but "can estimate while seeing which accounts are moving." An accurate epistemic position.
感情の「体力の残高表」。資産が多く負債が少ないほど、外からの衝撃に強い。
The "emotional reserve ledger." The more assets and fewer liabilities, the more resilient to external shocks.
BSが体力表なら、PLは期間の勝敗表。今日・今週で感情的に何が増えて何が削れたか。
If BS is the reserve ledger, P&L is the period scoreboard — what added and what depleted emotionally today or this week.
E-PLは「セッション / 日 / 週 / 月」のいずれかのスコープを必ず指定する。同じ人でも日次と週次では値が大きく異なる。
E-PL must always specify scope: session / daily / weekly / monthly. Values differ significantly between granularities for the same person.
人は資産があっても流動性が詰まれば崩れる。「今回復できるか」を判断する最重要書表。
Even rich assets can't save you if liquidity is blocked. The most critical statement for judging "can they recover now?"
正 → 介入なしで回復可能。 負 + E-BS純資産も低 → 外部介入が必要。 臨床介入判断の主要入力。
Positive → can recover without intervention. Negative + low E-BS equity → external intervention required. Primary input for clinical intervention decisions.
センサーで取れる「生の数値」が、どう勘定科目を通じて三表に変換されるか。
How raw sensor data flows through accounts into the three statements.
各指標はPrimary勘定に係数1.0、Secondary勘定には係数α＜1を付与する。同じ信号が複数の勘定にフルウェイトで入ると、リスクスコア算出時に重複増幅が起きる。
Each indicator gets coefficient 1.0 for its Primary account and α<1 for Secondary accounts. Full-weight assignment to multiple accounts causes unintended signal amplification in risk scoring.
コアフレームワークは共通。目的によって「何を検出するか」が変わる。
The core framework is universal. What you're detecting changes by purpose.
悪化兆候の早期検知が目的。「幸福か悲しみか」より「崩れる前に拾えるか」。
Goal: early deterioration detection. "Happy or sad?" matters less than "can we catch it before collapse?"
ユーザーが離脱する前に「信頼・期待・関心」の変化を捉える。
Capture changes in trust, expectation, and interest before users churn.
信頼が崩れる前に「安心・警戒・修復可能性」の変化を読む。
Read changes in safety, guardedness, and repairability before trust breaks down.
バーンアウトや離職が起きる前に「疲弊・孤立・安全性低下」を早期に検知する。
Detect exhaustion, isolation, and psychological safety decline before burnout or attrition occurs.
感情名より先に「構造的な差分」を計算する。
Compute structural differences before assigning emotion labels.
このループを回すことで、一発判定ではなく継続学習型の推定システムになる。
Cycling through this loop transforms one-shot detection into a continuously learning estimation system.
臨床・マーケ・教育・人間関係等、何の意思決定を支援するかを決める。
Decide what decision you're supporting: clinical, marketing, education, relationships.
その目的において「検出すべき変化点」を表にする。
Tabulate the change points worth detecting for that purpose.
全勘定を毎回使う必要はない。目的に必要な最小セットを選ぶ。
Not all accounts are needed every time. Select the minimum set for the purpose.
Primary / Secondary 分類と係数を明示する。修正②の実装。
Explicitly assign Primary/Secondary classification and coefficients. Implements Fix #2.
7〜14日。Population Priorから開始し個人化。修正③の実装。
7–14 days. Start from Population Prior, personalize over time. Implements Fix #3.
E-BS・E-PL・E-CFをスコープ指定で更新。修正④の実装。
Update E-BS, E-PL, E-CF with scope specified. Implements Fix #4.
E-RIから目的別の主要比率を計算する。
Calculate key ratios from E-RI for the specific purpose.
Risk / Opportunity / Intervention Need を計算する。
Calculate Risk, Opportunity, and Intervention Need scores.
スコアに基づいたアクション出力。感情名ではなく「状態スコア」で提示。
Action outputs based on scores. Present as state scores, not emotion labels.
介入後の変化を三表に戻してモデルを更新。このループが継続精度の源泉。
Feed post-intervention changes back into the three statements. This loop is the source of sustained accuracy.