答えを覚えるより、問いを作り続けていた
AIを学習に使う、と聞くと、
わからないことをAIに聞き、答えを教えてもらう
という姿を想像しやすいものです。
しかし、実際には使い方によって認知活動がかなり違います。
ある使い方では、
教えて
↓
回答を読む
↓
終了
になります。
別の使い方では、
これ何？
↓
なんで？
↓
つまり何？
↓
前に見た現象と同じ？
↓
でもこのケースは違わない？
↓
研究ではどう説明する？
↓
反証は？
↓
じゃあ結局どう整理する？
と続きます。
後者では、AIが文章を出している一方で、次の問いを作っているのは人間側です。
ここが重要です。
「これ何？」はSelf-explanationに近い
学習研究には、self-explanation（自己説明）という考え方があります。
自分が読んだ情報について、
- これは何を意味しているのか
- なぜそうなるのか
- 自分がすでに知っていることとどうつながるのか
を自分なりに説明する行為です。
Chiらの研究では、自己説明を促すことで、新しい情報を既存知識へ統合し、理解を深められることが示されています。[1]
ポイントは、単に文章をもう一度読むことではありません。
入力された情報を、自分が扱える意味構造へ変換する
ことです。
日常会話で何か起きるたびに、
「これって何？」
と問い直しているなら、そのたびに小さな自己説明課題が発生しています。
「なんで？」はElaborative Interrogationに近い
さらに、
なんで？
を繰り返す行為は、学習研究でいうelaborative interrogation（精緻化質問）に近いものがあります。
これは、
なぜこの事実が成り立つのか
を説明しようとする学習法です。
Dunloskyらの大規模レビューでは、elaborative interrogationとself-explanationはいずれも有望な学習技法として整理されています。ただし、retrieval practiceや分散学習ほど幅広い条件でエビデンスが確立しているわけではなく、適用範囲には注意が必要だとも評価されています。[2]
つまり、
「なんで？」を聞けば万能に頭がよくなる
という単純な話ではありません。
それでも、
受け取った事実をそのまま保存せず、原因や理由のネットワークへ入れる
処理になることは重要です。
「前のあれと一緒？」で知識がバラバラではなくなる
さらに壁打ちを続けていると、
これ、同じ構造じゃない？
という問いが増えます。
ここから、個別の出来事が単独の記憶ではなくなります。
たとえば表面上は違う、
- 教育
- 書類
- 会議
- トラブル対応
- 人間関係
- 転職
- 投資判断
でも、
目的
↓
現状
↓
判断基準
↓
実行
↓
結果確認
という形では同じかもしれません。
こうして複数の出来事が一つの「型」に入ると、次に初めて見るものが出てきても、
初めて見る情報
ではなく、
知っている構造の新しい事例
として扱えるようになります。
熟達者は「表面」より「深い構造」で見る
この説明とかなり近いのが、Chi、Feltovich、Glaserによる古典的な熟達研究です。
物理の問題を分類させた研究では、初心者と熟達者で、問題のまとめ方に違いが見られました。
初心者は、問題文の表面に見える特徴へ引っ張られやすい。
一方で熟達者は、問題を解くために必要な原理など、より深い構造に基づいて分類する傾向を示しました。[3]
これを仕事にそのまま一対一で当てはめることはできません。
しかし、
書類の名称
項目数
見た目
区分名
より、
誰が
何を判断するために
何を受け取り
どう処理し
どこへ渡すのか
を見るようになる、という変化はよく似ています。
「全部違う」から「大きく見れば3工程」へ
初学者にとっては、
Aの区分
Bの区分
Cの区分
Dの区分
Eの区分
がすべて別物に見えます。
しかし、経験が蓄積して構造が見えるようになると、
細部は違う。
でも基本の流れはAからE。
さらに大きくまとめれば3工程。
のような圧縮が起きます。
この圧縮によって、頭の中で扱わなければならない「独立したもの」の数が減ります。
認知負荷理論では、ワーキングメモリには限界があり、長期記憶に形成された知識構造を利用できるかどうかが複雑な課題処理に大きく関係します。[4]
つまり、
10個を10個として持つ
より、
10個を「3つのまとまり」として扱う
方が処理しやすくなります。
思考版「感謝の正拳突き」
ここまでを少し雑に言えば、
「これ何？」「なんで？」「結局何？」の反復練習
です。
漫画的に言えば、思考版の「感謝の正拳突き」に近い。
毎日同じ答えを暗記しているわけではありません。
むしろ題材は毎回違います。
しかし、毎回使っている認知動作は似ています。
- 違和感を拾う
- 意味を問う
- 原因を問う
- 既存知識とつなぐ
- 共通項を抜く
- 例外を探す
- 一言で圧縮する
題材が変わっても、この型だけは何度も繰り返されます。
その結果、以前は意識的に時間をかけていた処理が、少しずつ速くなる。
これは十分あり得る仮説です。
ただし「記事をAIに書かせること」が主訓練とは限らない
ここは区別が必要です。
壁打ちの最後に、
ここまで記事にして
とAIへ依頼し、完成した記事そのものをほとんど読み返していない場合、
記事を書く行為そのものを本人が練習しているとは言いにくいでしょう。
AIが、
- 構成
- 見出し
- 推敲
- 英訳
- Markdown化
を担当しているなら、その部分はかなり外部化されています。
したがって、能力変化を考えるとき、
AIで大量の記事を書いたから説明力が上がった
とするのは雑です。
むしろ重要なのは、記事化する前に何十分、何時間と続く、
これ何？
なんで？
それ本当に？
じゃあこれは？
前の話とつながらない？
反証すると？
という対話部分です。
最近の生成AI研究でも、AIが即答装置になると、学習者が深い自己調整や推論を飛ばす可能性が報告されています。一方で、AIとの対話を問い、検証、自己説明の足場として設計する研究も進んでいます。[5][6]
要するに、
AIを使ったか、使わなかったか
ではなく、
AIとの間で、人間側がどんな認知処理をしていたか
を見る必要があります。
研究で言えることと、この事例から推測していること
研究で比較的強く言えること
- self-explanationは理解を促すことがある
- retrieval practiceは長期的な学習に強い効果を持つ
- 熟達者は表面的特徴より深い構造で課題を表象しやすい
- 既存知識が組織化されると、新しい問題を効率よく扱いやすくなる
この事例についての推測
- 日常的なAI壁打ちが、構造抽出の速度向上に寄与した
- 「これ何？」「なんで？」の反復が、仕事中のリアルタイム理解へ転移した
- 最近「急にできるようになった」と感じるのは、徐々に蓄積した処理が自動化域へ入ったため
ここは実験で測ったわけではありません。
ただし、観察されている行動とはかなり整合します。
