AI・信頼性・評価

AIと学習：認知負荷理論で分ける、任せてよい負荷と任せられない努力

2026/8/14 （更新: 2026/10/13）

🤖 AIを使用して執筆

内在的負荷では、学ぶ前の見積もりを初めてツールが助ける

枠組みを短く再掲する。認知負荷理論は、学習中の作動記憶にかかる負荷を、学ぶ内容の複雑さと学習者の知識の兼ね合いで決まる内在的負荷と、提示や手続きの無駄が生む外在的負荷に区別し、外在的負荷を削って空いた容量を学習へ向かう処理（学習関連負荷）に配り直せ、と説く¹。ここで先に断っておくと、原典の設計指針は一手で終わらない。外在的負荷を削るのが第一歩で、原典はそのうえで空いた容量を学習へ向かわせる手立てを積むところまでを設計の仕事に数える¹。この三つの置き場所ごとに、従来の手段とAIを並べていく。

内在的負荷は、提示を工夫しても消えない側の負荷だ。だがここで大事なのは、それが課題だけの性質ではないことだ。原典は、内在的負荷は情報の複雑さと処理する人の知識の両方で決まるとし、知識を無視して複雑さを判定する尺度はほぼ無意味だ、とまで書く¹。認知負荷理論は、専門性の実体を領域の構造の記憶、つまりスキーマだと見立てる²。この見立てのもとでは、初学者に複数の絡み合う要素として立ちはだかる課題も、スキーマを持つ熟達者にはひとかたまりに見える¹。負荷は課題と学習者のあいだに生じる量であり、だから学習が進むこと自体が、同じ課題の内在的負荷を下げていく。

このことは、学習の設計に一つ手前の層があることを意味する。学ぶかどうか、どこまで学ぶかの見積もりだ。この分野は自分にとってどれだけ重いか。どう刻めば扱える幅に収まるか。学び終えたらどれだけ軽くなるか。投資判断に要るこの見積もりは、当の初学者には原理的に立てにくい。何を知らないかを知らないからだ。従来、ここを補えるのは経験者の助言だけで、助言者が近くにいるかどうかは運だった。本は目次でおおまかな地図を示すが、読者ごとの重さまでは測ってくれない。

AIは、この意思決定の層に届く最初のツールだ。分野の全体像を訊き、自分の現在地を伝え、刻み方の候補を出させる。出てきた分解が正しいかは、学習者が自分で確かめる。それでも、見積もりの叩き台が誰にでも手に入ること自体が、従来は無かった条件だ。

外在的負荷では、本の較正ずれを個人チューニングが消す

外在的負荷の側は、AIの最も強い土俵だ。理由は、従来の主力だった本の構造的な限界にある。

本は、著者が一度書いたら変わらない固定の提示だ。著者は想定読者を一つ決めて書くほかなく、実際の読者はその想定から必ずどちらかにずれる。ある読者には前提の説明が足りず、別の読者には冗長すぎる。この較正のずれが、外在的負荷そのものだ。足りない側の読者では行間を埋める処理が容量を食い、冗長な側の読者では既知の説明を読み飛ばす処理が容量を食う。しかもこれは印刷の都合ではなく理論的な限界で、認知負荷理論の側にも名前がある。初学者を助ける丁寧な提示が、熟達が上がるにつれて逆効果になりうる。これを熟達逆転効果と呼ぶ¹。一つに固定した提示は、すべての読者に最適化できない。

AIは、この固定を外す。同じ内容を、読者の現在地に合わせて厚くも薄くも語り直せる。分からなかった一点だけを掘り下げさせ、既知の部分は飛ばさせる。これは講義や本への上乗せ機能ではなく、固定した提示という媒体の限界そのものへの回答であり、三負荷のうちAIが直接良くできる場所は、ここだ。進度の較正については実測もある。後で見る学部物理の実験では、教室の進度を速すぎると答えた3.8%の学生は全員がAIのレッスンに中央値（49分）より長くかけ、遅すぎると答えた2.2%は全員が中央値より短く終えた³。

学習関連負荷では、努力は任せられないが足場は作れる

では三つ目、学習へ向かう処理はどうか。ここが今回の議論の要で、答えは一つではなく二段になる。配り直しそのものを、AIが学習者に代わって行うことはできない。だが配り直しが起きやすい条件を作ることは、できる。

理論の側から言うと、学習関連負荷は独立に足せる第三の負荷ではない。原典は1998年版で三つのカテゴリを立てたが、この再定義の結果、基本カテゴリは内在的負荷と外在的負荷の二つになったと書いている¹。本稿が三つと数えているのは、負荷がどこにかかるかを見る観点の数である。2019年のレビューは、これを「総量に足すのではなく、作動記憶の資源を外在的な活動から学習に直結する活動へ配り直す」再配分として整理し直している¹。つまり外在的負荷を消して空いた容量は、自動では学習に流れない。配り直すのは学習者の選択であり、いまの想起のしやすさを学習の定着と読み違えると、その選択はより悪い学習条件のほうへ傾きやすい⁴。それでも配り直すなら、その選択は、思い出す努力や自分で説明を組む努力を自分ですることを意味する。これらは目先の成績を下げながら長期の学習を高める「望ましい困難」だ⁴。ただし原典は「望ましい」の語を強調する。学習者にそれへ応じるだけの下地が無ければ、同じ困難はただの障害に変わる⁴。ツールがどれだけ良くなっても、この努力だけはツールに任せられない。移した瞬間に、それは学習ではなくなる。

ツールに任せられないのは努力そのものであって、その努力を支える道具立てまで任せられないわけではない。同じレビューは、外在的負荷を削る設計について、そこで空いた容量を学習へ向かわせる方向へさらに踏み込めるとし、その目的で立てた効果を新しく数え上げている。ただし総負荷が容量の内に収まる限りで、という条件つきだ¹。挙がっている手立ては具体的で、しかも小さい。解法例が一つしか手元に無いときは、自己説明を促す問いを差し込む。例が複数あるなら課題の条件を振って、学習者に見比べさせる。そして原典は、学習者が自分の理解を測るのに使う手がかりの話をする。解くのに苦労したことを学んだ証拠と読むのは妥当でない手がかりで、いま出した解法を隣の学習者に説明できるかどうかのほうがよほど妥当だ。だから教師の側は、そう問い返す問いを出すとよい、と¹。

この一覧は、そのままAIにできることの一覧でもある。自己説明を促す問いを出すこと、条件を振った練習を並べること、説明の相手役になること。どれも、AIが人間の教師より安く、いつでも供給できる側の仕事だ。相手役については、Bjorkらも独立に同じ処方を挙げている⁴。教科書を読み返して理解を判定する力は著しく限られるが、仲間の質問に答えてみれば何を学べていないかが分かる、と⁴。Bjorkらが並べる望ましい困難も、見れば同じ性質を持っている。条件を一定に保たず振ること、話題をまとめずに交互に出すこと、詰め込まずに間隔を空けること、提示ではなくテストを学習の機会に使うこと⁴。どれも学習の条件の組み方であって、学習者の頭の中で起きる出来事そのものではない。組み方なら、外から用意できる。

しかも足場には、AIに固有の優位が一つある。望ましい困難が望ましくなくなる境目は、さきに引いた限定のとおり、学習者に応じるだけの下地があるかどうかだった。つまり同じ困難が足場になるか障害になるかは学習者の現在地で決まり、その現在地に合わせて提示を作り直すことは、前節で見たとおりAIが本に構造的に勝つ場所だ。同じことを、レビューは手立ての一つについて Paas と van Merriënboer の1994年の実験を引いて示している¹。練習条件を振るのは負荷の低い場面では学習と転移を助け、負荷が既に高い場面では損なうと予測され、その予測どおりの交互作用が出た¹。外在的負荷での強みは、学習関連負荷の側で足場を効かせるための条件でもある。 原典が自己説明の問いと条件の変動に、総負荷が作動記憶の容量を超えない範囲で、という同じ但し書きを付けているのも、この繋がりと同じ向きだ¹。空きを作る仕事と、空きを使わせる仕事は、続いている。

ただし足場が作れることは、足場が学習を保証することではない。同じレビューは、自分の学習を自分で調整する能力そのものを、領域によらない手続きとして教えられるという証拠は現状ほとんど無い、と書いている¹。原典が証拠を欠くとしているのは、そう教えて、学んだ場面から遠い課題での成績（far transfer）まで高める形に限られる¹。個別の調整の手続きなら、少なくとも部分的には教えられうる、と同じ段落は述べている¹。足場は問いを出せる。その問いに答えようとするかどうかは、やはり学習者の側にある。

危険の機構は、この分業から生まれる。AIは、頼まれた負荷を種類で区別しない。 書式合わせを消すのと同じ手つきで、「思い出そうとする」「自分の言葉で繋ぐ」という学習が実際に起きる場所の負荷まで、頼めば消してくれる。本は調整が利かないがゆえに、読者の苦労を偶然守っていた。AIのチューニング可能性は、その偶然の防壁を外す。しかも快適向けの調整と学習向けの調整は、その瞬間の手応えでは学習者には区別がつかない。学習者は自分の主観的印象に欺かれる、と原典は書く⁴。後で見る千人規模の実験は、この見分けのつかなさを両方向で測っている⁵。素の型の群は成績を落としながら、落ちたとも学びが減ったとも思わず、チューター型の群は試験の出来が上がっていないのに上がったと感じていた⁵。認知負荷理論の側も同じ手がかりの誤用を挙げており、文章がすらすら読めたことを理解の証拠と読む学習者は、理解も将来の成績も高く見積もる¹。加えて日常の試行錯誤では、学習者としての自分の正確なメンタルモデルは育たない⁴。だから既定のツールのもとでは、分岐を決めるのは使う側のメンタルモデルになる。AIを生産性のツールとだけ捉える人は、消せる負荷を全部消す。学習のツールでもあると捉える人だけが、消してはいけない負荷を守る。そして同じ勾配は、足場の側にも効いている。自己説明を促す問いも、条件を振った練習も、説明の相手役も、頼まなければ出てこない。既定のAIは答えを返す方へ倒れ、問いを返す方へは倒れないからだ。守るべき負荷を守ることと、足場を立てることは、だから別々の努力ではない。同じ一つの要求から出る。この分岐が下り坂の側でどう転がるか、すなわち破綻の機構そのものは、本稿では扱わない。

家庭教師に比べてAIに欠けている二つは、設計で埋める構成物

残る比較相手は、従来の学習手段の最上位である人間の家庭教師だ。優れた家庭教師は説明を生徒に合わせて語り直す。この較正の芸当は、AIが並びうることを外在的負荷の節で見た。足場を立てる仕事も、前節で見たとおり手立ては小さい。それでもなお、現状のAIには家庭教師が持つ二つのものが既定では欠けている。この二つは、足場のうち最も高くつく部分にあたる。

一つ目は、持続する学習者モデルだ。家庭教師は数ヶ月にわたって、この生徒がどこでつまずき、何を積み上げたかの地図を保持し、その地図の上にカリキュラムを組む。AIの生徒理解は、既定では対話のコンテキストと共に消える。だから既定のままでは、学習者が自分のカリキュラム責任者を兼ねるしかない。これは自分の理解の地図を自分で言語化して持ち歩くという、それ自体が軽くない技能要求だ。

二つ目は、困難を課す意志だ。良い家庭教師は答えを言わずに思い出させ、生徒が水準に達するまで引かない。前節の言葉で言えば、望ましい困難を外から課し続ける主体である。AIの既定の勾配は、前節で見たとおり逆を向く。

大事なのは、どちらの欠けも原理的ではなく、設計で埋められることだ。学習者モデルは記録を外部化すれば持続させられるし、困難を課す振る舞いも、答えを直接言わない部分なら指示で組める。自分から問いを出して取り組ませる部分は、後で見る実測では指示だけでは届いていない。前節の一覧が「頼めば出る小さな足場」だったのに対して、この二つは「作って持ち歩かないと出ない大きな足場」だ、という違いでしかない。ただし裏返せば、「超優秀な家庭教師」は箱から出てくる既定の製品ではない。学習者が構築し、維持する構成物だ。ただしこの構築は、学習者だけの仕事ではなくなりつつある。OpenAI は2025年7月に、答えを直接返さず問いとヒントで導く振る舞いを、教育の専門家と共同で書いたシステムプロンプトで実装した「study mode」として、対話中に切り替えられる形で提供し始めた⁶。同じ向きのモードは、それより前の2025年4月に Anthropic が大学向けの Claude で、同年8月に Google が Gemini で出しており、答えだけを返すのでなく問いで導く点で揃っている⁷⁸。一社の試みではない。

実測では、同じモデルに二つのプロンプトを与えた

この整理には、モデルを固定してシステムプロンプトを振った実測がある。Bastaniら（2025年・PNAS、当時のGPT-4）は、トルコの高校との共同で約千人の生徒を対象にした無作為化比較試験を行い、数学の練習セッションに同じGPT-4を二通りの設定で与えた⁵。素のChatGPT型（GPT Base）と、答えを直接言わずにヒントを出すよう組んだチューター型（GPT Tutor）だ。チャットのインターフェースは両群で同一で、違うのはシステムプロンプトと、チューター型にだけ付く歓迎メッセージ（能力の説明と推奨プロンプト3本）である⁵。 素の型のプロンプトにも、GPT-4 に家庭教師として生徒を助けよという指示は入っている⁵。チューター型は、そこに「答えを直接与えるな」という安全装置を上乗せした側だ⁵。 チューター型のプロンプトには、問題ごとの正解・典型的な誤り・対応するヒントを、Bastaniらが雇った数学教師2名が書き込んでいる。

結果は、この設定の違いで割れた。練習中の成績は、素の型が48%、チューター型が127%それぞれ向上した。ところがAIを取り上げた後の試験では、素の型を使っていた群は、一度もAIを使わなかった対照群を17%下回った。原典は二つの説明を立てて検定している。素の型の誤答が生徒を誤らせた、という説明と、生徒が素の型を「松葉杖」にして自分で取り組まなくなった、という説明だ⁵。誤答は練習中の成績を下げたが、対応する試験問題へ波及したという証拠は見つからなかった⁵。原典は松葉杖のほうを主たる機構だと見ている⁵。一方チューター型の群では、この悪化はほぼ消えた。試験成績は対照群と統計的に区別がつかなかった⁵。練習では大きく伸びたのに試験では並みという落差の一部を、原典はチューター型が練習中に答え合わせに使えたことで説明している⁵。この実験では、同じモデルを与えられて、プロンプトと歓迎メッセージの設計が、害の出ない装置と空洞化装置のどちらを買ったかを決めている。付け加えるなら、チューター型の側の足場を、Bastaniらは数学教師2名の有償の作業として調達している⁵。足場が既定では出てこないことの、値札のついた実例だ。

付記すべき限界もある。チューター型ですら、試験成績は対照群並みであって、上ではない。原典自身が「正の効果は観測していない」と明記する⁵。同じ論考は、正の方向へ進めるにはまだ多くの作業が要るとし、チューター型は問われれば応じるが自分から生徒を教材に取り組ませることはできず、受け身のままだったと総括している⁵。つまりこの実験が実証したのは「設計すれば害を消しつつ練習中の生産性を得られる」ことまでだ。対象は1校の数学で、配備は生成AIがまだ新しかった2023年秋であり、原典は他の設計や文脈への一般化には追加の研究が要ると断っている⁵。測っているのも短期の学習である。試験は同じ90分セッションの第3部で、練習問題と概念的にほぼ同じ問題が出る近転移の評価であり、原典自身が長期学習ではなく短期学習を扱うと断っている。もっとも原典は、機構が「松葉杖」である以上、長期の側も同じ向きに損なわれるだろうと付言している⁵。ただし原典は、その付言と同じ一文で、短期と長期は大きく異なりうるとも断っている⁵。

上り坂の側の実測は別にある。Harvard の学部物理の授業で行われた無作為化比較試験では、認知負荷の管理などを指針に組み込んだAIチューターで学んだ群が、同じ内容を教室の能動学習で学んだ群より、短い時間で有意に多く学んだ³。ただしその設計はプロンプトだけでは足りなかった。著者らは、システムプロンプトでは多段の問題の足場を安定して組めず、各問題の段を順に進ませる仕組みをプラットフォームの側に作ったと書く³。問題ごとのプロンプトも内容に通じた教員が書き、段ごとの解答を入れて説明の精度を支えており、成果がこうした条件に依存しうることも原典は断っている³。測ったのは各レッスンの後の事後テストで、これも短期の学習であり、原典も構造化したAIチューターが常に勝つとは見ていない³。上り坂を過大に売らないことも、較正のうちだ。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。