学習とは、何が変わることなのか1――カタ・反復・問い・探究・AIを「一列に並べず」同じ地図に置く
ダブってしまいました。どちらが好みですか?ｗ
学習とは、何が変わることなのか
――カタ・反復・問い・探究・AIを「一列に並べず」同じ地図に置く
「学習した」とは、何が起きたことなのだろう。
問題が解けた。
昨日より速くできた。
漢字を覚えた。
自転車に乗れるようになった。
型を覚えた。
犬が合図に反応するようになった。
研究者が問いの立て方を変えた。
生成AIが、プロンプトに与えられた例に応じて答え方を変えた。
私たちは、かなり違う現象を「学習」という一語で呼んでいる。
しかも学校教育に慣れていると、
教わる
→ できるようになる
→ 学習した
という一本の線を想像しやすい。
だが、これはかなり危うい。
その場でできたことと、学習したことは同じではない。
長く覚えていることと、別の問題へ使えることも同じではない。
技能が上達することと、何を問題とするかが変わることも同じではない。
AIとの共同作業で成果物がよくなることと、人間自身の能力が変わることも同じではない。
では、いったい何を「学習」と呼べばよいのか。
今回は教育する側をいったん外して、
経験した側では、何が、どの時間尺度で、どこまで変わったのか
というところから考えてみたい。
1 「できた」と「学習した」は同じではない
まず最初に切っておきたい。
performance、つまりその場の遂行成績
と
learning、つまり学習
は同じではない。
練習中にはうまくできた。
しかし翌日にはできなかった。
逆に、練習中には失敗が多かったのに、数日後にはよくできた。
こうしたことは普通に起こる。
運動学習で有名なのがcontextual interference、文脈干渉の研究である。
同じ課題をまとめて反復するblocked practiceに対し、複数の課題を頻繁に切り替えるrandom practiceでは、練習中の成績が悪くなることがある。
ところが遅延後の保持では、random practiceが有利になる場合がある。
ただし、ここで早合点してはいけない。
2024年のメタ分析では、こうした利益は実験室課題では比較的明確だったが、実際のスポーツなど応用場面ではかなり小さく、若年者でもはっきりしなかった。
しかもcontextual interferenceをめぐっては、研究の質、出版バイアス、応用場面への一般化をめぐる方法論論争が続いている。
つまり、
「ランダム練習が正解だ」
という新しい教育処方を作る話ではない。
重要なのはもっと手前である。
練習中の成功率だけでは、何が学習されたかは分からない。
AIでも同じである。
AIを使えばレポートが完成した。
プログラムが動いた。
英訳ができた。
それは系としての遂行性能を示す。
しかし、
AIを外したあと、本人の将来の遂行可能性が何か変わったのか
は別問題である。
2 学習の最小定義を弱く置く
ここで、いきなり「内部モデルが更新された」と定義するのはやめたい。
学習をどう説明するかについては、
連合、
記憶痕跡、
内部モデル、
予測誤差、
強化学習、
生態学的・エナクティブな説明
など、複数の理論がある。
そこでまず、理論への賭けをできるだけ減らしておく。
本稿では学習を、ひとまず、
経験履歴によって、将来の遂行可能性に比較的持続する変化が生じること
とする。
ここで「遂行可能性」としたのは、実際に毎回成功するという意味ではない。
状況が悪ければ失敗する。
疲れていればできない。
思い出せないこともある。
それでも経験前と比べ、
何ができる可能性を持つか
が変わっている。
そこを学習の最小条件としておく。
そのうえで本稿では、その変化を説明する一つのモデルとして、
予測・注意・表象・行為・選択を生む比較的持続的な構造が更新される
と考えてみる。
これは定義ではない。
モデル仮説である。
3 学習を一列の段階に並べるのをやめる
以前、私は学習を、
一時状態
→ 局所適応
→ 保持
→ 汎化
→ 問いの更新
と一列に並べようとした。
しかし、これはよくない。
違う種類の変数を同じ階段に置いているからである。
たとえば、
「一週間残ったか」
は時間の問題である。
「別問題にも使えたか」
は汎化範囲の問題である。
「問いそのものが変わったか」
は何が更新されたかという問題である。
この三つに上下関係はない。
そこで、学習を少なくとも四つの軸で見る。
4 第一の軸――どれだけ残るのか
まず持続性。
仮にT軸と呼ぶ。
T0 一時的状態変化
疲労。
覚醒。
緊張。
一時的注意。
その場では行動を変えるが、経験による持続的変化とは限らない。
T1 文脈内での適応
ある対話中。
あるゲーム中。
ある問題を解いている最中。
その文脈では振る舞いが変わる。
しかし文脈が消えると元へ戻るかもしれない。
T2 文脈を越えて残る変化
翌日。
一週間後。
別のセッション。
同じ課題へ戻ったとき。
何らかの変化が残っている。
ここで重要なのは、
長く残れば高度
なのではないことだ。
長期間残る単純な条件づけもある。
高度な問い直しが一晩で消えることもある。
Tはただの時間特性である。
5 保持は一種類でもない
手続技能についてTatelとAckermanが2025年にまとめた大規模メタ分析では、457報告、1,344効果量が統合されている。
非使用期間が長くなると技能は減衰した。
平均的には、非使用1か月あたり、
精度課題で約0.08標準偏差、
速度や混合課題で約0.06標準偏差
の低下が推定された。
初期の獲得利得の半分が失われるまでの推定期間も、課題の種類によってかなり違う。
つまり、
「覚えた／忘れた」ではなく、変化には減衰曲線がある。
しかも保持と再学習は同じではない。
一見元の水準まで忘れていても、再び練習すると以前より速く戻ることがある。
これはsavings、再学習節約として知られる。
したがって、
保持されていた量
と
再学習しやすさ
は別々に見る必要がある。
6 第二の軸――どこまで使えるのか
次は汎化範囲。
G軸と呼ぼう。
G0 条件特異的
習った条件ではできる。
しかし条件を変えると崩れる。
G1 近接汎化
似た問題。
似た相手。
少し違う速度。
少し違う文脈。
そこまでは使える。
G2 遠隔転移
かなり異なる条件でも関係を持ち出せる。
ここでも、
G2の方が「偉い」
とは限らない。
極度に専門化した技能では、狭い条件に非常に高精度で適応すること自体が価値になる。
重要なのは、
何を学習したかと、どこまで使えるかを分ける
ことである。
7 変動は「学習内容を暴く」のではなくprobeになる
ここで練習条件の変動が意味を持つ。
相手を変える。
距離を変える。
速度を変える。
問題文を変える。
数字を変える。
文脈を変える。
すると、同じ技能が使えるかどうかを見ることができる。
以前私は、
「変動は何を学習していたのかを暴く」
と書いた。
少し強すぎる。
条件を変えて失敗しても、
学習されていなかったとは限らない。
検索手掛かりが足りなかった。
負荷が大きすぎた。
緊張した。
新しい身体制約が加わった。
という可能性もある。
したがって変動条件は、
何がどこまで保持・汎化されているかを調べるprobe
くらいに考えた方がよい。
しかもcontextual interferenceの転移効果も、保持と同様に条件依存である。
2024年の別のメタ分析では全体では転移利益が報告されたが、応用場面や若年者では明確な利益が確認されていない。
つまり、
変動を増やせば必ずよく学ぶ
という一般則は作れない。
8 第三の軸――何が変わったのか
次は、更新対象。
M軸と呼ぶ。
M1 応答・技能
ボールを投げる。
単語を思い出す。
音を区別する。
特定の刺激へ反応する。
M2 方略・表象
何を見るか。
どう問題を分類するか。
どの特徴を重要とみなすか。
どう解法を選ぶか。
M3 問い・目標・評価基準
そもそも何を問題とするか。
何を目標とするか。
何を成功とみなすか。
ここでもM3を「上級学習」とは呼ばない。
M1で完成度の高い技能が成立することもある。
一方、問いを派手に変えたが、何一つ保持されていないこともある。
9 熟達すると「答え」より先に、問題の見え方が変わる
熟達研究には、M2の変化をかなり直接的に示す古典研究がある。
Chi、Feltovich、Glaserは1981年、物理問題を初心者と熟達者に分類させた。
初心者は、
斜面がある。
バネがある。
円運動だ。
といった問題の表面的特徴で分類しやすかった。
熟達者は、
ニュートンの第二法則。
エネルギー保存。
運動量保存。
といった背後の物理原理によって分類した。
つまり熟達者は、
答えをたくさん覚えているだけではない。
何を「同じ種類の問題」として見るか自体が違う。
学習によって世界から取り出される構造が変化している。
10 第四の軸――「誰が学習した」と言っているのか
AI時代には、もう一つ軸が必要になる。
系境界である。
K軸と呼んでみよう。
K1 個体
人間一人。
動物一個体。
モデル単体。
K2 個体＋外部記憶
ノート。
検索履歴。
道具。
データベース。
K3 複合系
人間＋AI。
チーム＋共有記録。
人間＋AI＋長期記憶。
同じ出来事でも、どこに境界を引くかで、
「学習したのは誰か」
の答えが変わる。
だからこれは自然科学的に一意に決まる問題ではない部分もある。
分析目的によって境界を決める必要がある。
11 これで学習は「一列」ではなく座標になる
たとえば、
長期間残る条件づけ
T2
G0
M1
熟達した身体技能
T2
G1〜2
M1〜2
研究上の探究
Tは可変
Gも可変
M3が重要
AIとの一回限りの対話
人間側、AI側、複合系で別々に記述する必要がある。
こうすれば、
「これはL2かL3か」
という型当てゲームをしなくて済む。
問うべきは、
どれだけ残ったか。
どこまで使えるか。
何が変わったか。
どこを系としているか。
である。
12 では「カタ」とは何をしているのか
ここへカタを置いてみる。
武術。
舞踊。
書道。
楽器。
料理。
職人技能。
数学。
プログラミング。
さまざまな領域に、実質的な「型」がある。
初心者へ、
「自由にやってください」
と言っても、自由にはならない。
選択肢が多すぎる。
足をどこへ置くか。
何を見るか。
どこへ力を入れるか。
どの順に処理するか。
何を誤りとみなすか。
すべてをゼロから探索するのは難しい。
そこで私は、カタの一つの機能を、
探索空間へ制約を与えること
としてモデル化したい。
「これだけが正しい」
ではない。
まず、この近傍を探してみろ。
という探索上のpriorのように働く。
13 学習はそもそも無制約な探索ではない
ここで統計的学習とつながる。
人間は明示的な問いを立てなくても、環境中の規則性を学習する。
音の並び。
刺激の共起。
出来事の遷移。
しかしAslinとSaffranが2025年のレビューで強調するように、統計的学習も完全に無制約な入力処理ではない。
有効・効率的に働くには、
進化的に形成されたbiasや、
過去の学習によって形成されたbias
による制約が必要になる。
これは興味深い。
学習は、
何でも平等に探索しているわけではない。
最初から何らかの偏りを持っている。
すると、
進化的bias
＝生得的・発達的に形成された探索制約
過去学習
＝経験によって形成された探索制約
カタ
＝文化的・社会的に伝達された探索制約の一種
と、機能的には同じ地図へ置ける。
もちろん同じ機構だと言っているわけではない。
共通するのは、
探索空間を何らかの形で制約する
という機能である。
14 カタは便利だが、牢獄にもなりうる
探索を狭めることには利点がある。
しかし狭めすぎれば問題になる。
型通りにはできる。
しかし少し条件が変わると崩れる。
別解を見なくなる。
型に存在しない問題を問題として認識できなくなる。
最適化の比喩を借りれば、早すぎる局所解への収束に似ている。
ただし、これは現段階では比喩である。
武術や書道の型習得が数理最適化と同じ機構だという実証があるわけではない。
したがって、
カタはどの条件で探索を助ける足場となり、どの条件で探索を固定する制約へ変わるのか。
これは本稿の検証すべき競合仮説として残しておく。
15 模倣は技能のコピーではない
カタを学ぶとき、まず見本を見ることが多い。
では他人の動作を見れば、同じ技能が自分へコピーされるのか。
少なくとも単純な運動適応では、そうではない。
Rudischらが2024年にまとめた18研究は、すべてvisuomotor rotationまたはforce-field perturbationを使った到達運動の適応課題だった。
観察だけでも適応は生じた。
しかし身体的練習より効果は小さく、観察条件ではaftereffectが認められなかった。
つまり、
他者を見ること
と
自分の身体で実行すること
では、少なくともこの実験系では同じ更新が起きていない。
ただし注意が必要である。
これは武術、舞踊、書道、楽器など複雑技能の研究ではない。
したがって、
「型稽古一般も同じ機構だ」
とは言えない。
言えるのは、
単純な運動適応研究でも、観察＝完全な技能コピーとはならない。この知見は、複雑技能でも模倣後に身体―環境相互作用による再構成が必要なのではないか、という仮説と整合する。
くらいである。
16 反復とは「同じものを繰り返す」ことではない
型を何度もやる。
同じ問題を解く。
同じ曲を弾く。
しかし、一回目と十回目は同じ経験ではない。
学習者自身が変わっているからである。
一回目には手の位置しか見えなかった。
五回目には重心が見える。
十回目には相手との距離が気になる。
同じ外形を反復していても、
何を比較し、何を誤差として拾うかが変わる。
だから反復は、
同じ刺激を何度も刻印する行為というより、
更新された系が、似た条件へ繰り返し再入場すること
と考えた方がよい。
17 守破離を、一方通行にしない
この話は、伝統的な「守破離」を思わせる。
守る。
破る。
離れる。
しかし、これを発達階段にすると少し違う。
実際の熟達者は、離れたあと二度と型へ戻らないわけではない。
むしろ何度も戻る。
最初には見えなかった意味が見える。
以前は形だけだった動作が、別の条件で失敗したあとでは違って理解される。
だから、
守 → 破 → 離
より、
カタ
→ 試行
→ 変動
→ 失敗
→ 再解釈
→ カタへ戻る
↺
とした方がよい。
直線ではなく循環である。
戻った場所は同じでも、戻った側が違う。
18 では「問い」はどこへ入るのか
ここで問いが出てくる。
ただし、
問いがなければ学習できない
とは言わない。
統計的学習。
条件づけ。
暗黙学習。
運動適応。
明示的な疑問文がなくても学習は成立する。
だから問いを学習の必要条件にはしない。
問いの役割は別にある。
19 問いは探索の境界を動かす
学習には何らかの制約がある。
何を見るか。
何を無視するか。
何を成功とみなすか。
どの範囲を探索するか。
問いは、この制約そのものを動かすことがある。
たとえば、
「この技をどう成功させるか」
という問いなら、現在の問題設定の中で探索する。
しかし、
「なぜこれを成功と呼んでいるのか」
となれば、評価基準まで動く。
さらに、
「そもそも、この問題を解く必要があるのか」
となれば問題空間そのものが変わる。
したがって問いは、
学習を開始する魔法のスイッチ
ではない。
むしろ、
注意・探索・問題表象・目標・評価基準を動かし、現在の探索制約の境界を変更する装置
と考えた方がよい。
20 カタと問いは反対ではない
するとカタと問いの関係も変わる。
カタは、
探索へ制約を与える。
問いは、
その制約の境界を動かす。
したがって、
カタ
→ 圧縮された探索
→ 試行
→ 誤差
→ 変動
→ 「なぜ？」
→ 問い
→ 制約の組み替え
→ 新しい探索
→ カタ再解釈
↺
になる。
カタだけでは固着するかもしれない。
問いだけでは探索範囲が広すぎるかもしれない。
両者は、
圧縮と再開放
として相補的に働きうる。
21 学習と探究は違う
ここでもう一度区別する。
学習
経験履歴によって将来の遂行可能性に比較的持続する変化が生じること。
探究
学習結果を、次の問い・目標・問題表象・評価基準の変更へ再投入する再帰的な学習活動。
探究では、
答えを得て終わらない。
答えによって次の問いが変わる。
Qₜ
→ 探索
→ 経験
→ 学習
→ 世界の見え方が変わる
→ Qₜ₊₁
↺
となる。
以前「問いのブラックホール」と呼んできたものは、学習一般ではなかった。
より狭く、
問いが自分の後継問いを生成し続ける探究系
とした方がよい。
22 主体性も段階ではなく「何を決められるか」で見る
ここで主体性を、
低い
→ 中くらい
→ 高い
と階段にするのもやめたい。
主体性について問うべきなのは、
どの変数の決定権を持っているか
である。
遂行選択権
どう実行するか。
方法選択権
どう学習するか。
問題設定権
何を問題とするか。
評価基準設定権
何を成功とみなすか。
問題設定権がある人の方が「高級な主体」なのではない。
仕事、教育、研究、スポーツでは、それぞれ必要な決定権配置が違う。
これも一列の発達階段ではなく、制御権の構造である。
23 ここでAIを入れる
AIにも「学習」という言葉を使う。
しかし注意がいる。
LLMのin-context learning、ICLでは、プロンプト内の例に応じて出力が変わる。
通常、その推論のたびにモデルパラメータ自体が更新されているわけではない。
だから、
ICL＝学習の第一段階
とは言わない方がよい。
観測できるのは、
文脈に応じて遂行が変化した
ということ。
その内部で、
その場で新しい方略が形成されたのか、
事前学習済み構造が呼び出されたのか、
両者の混合なのか。
それは機構仮説の問題になる。
24 AIにも同じ診断文法を使う
人間とAIを同じものとは言わない。
しかし同じ問いを投げることはできる。
持続性T
その変化はセッション後にも残るか。
汎化G
別の問題へ使えるか。
更新対象M
出力だけが変わったのか。
パラメータが変わったのか。
適応規則そのものが変わったのか。
系境界K
モデル単体を見ているのか。
外部メモリまで含むのか。
人間との複合系なのか。
この意味で、
人間・動物・AIは同じではないが、同じ診断文法を適用できる。
25 fine-tuningも「L2」と一言で済ませない
fine-tuningではモデルパラメータが持続的に変化する。
だからT軸では、ICLより持続的更新に近い。
しかし、
どこまで新しい条件へ汎化するか
はG軸の別問題である。
meta-learningも同じ。
「学び方を学ぶ」と言われるが、
それが人間の探究でいう「問いを変える」と同じではない。
機械学習のmeta-learningは、
適応規則自体を更新する
というM軸上の特徴を持つ。
人間のM3にある、
価値、
問題設定、
成功基準
まで同じだという意味ではない。
26 人間＋AIでは「誰が学んだか」を分ける
固定されたLLMと人間が対話したとする。
AI側にはセッションを越える持続更新がない。
しかし人間側は、
問いの立て方を覚えた。
反証の探し方を覚えた。
資料の比較方法を変えた。
なら、
人間側には学習が生じた可能性がある。
一方、人間＋AI系としてはその場の成果性能が上がった。
ここで重要なのは、
相互作用した
≠
双方が学習した
≠
複合系が持続的に学習した
ことである。
添付査読でも、この三者を明示的に切り分ける必要が指摘されている。
27 外部記憶があれば複合系は学習したのか
これも単純ではない。
チャットログが保存された。
ノートが残った。
それだけでは、記録が置いてあるだけかもしれない。
しかし次回、
その履歴が自動的または意図的に再投入され、
過去の相互作用履歴
→
次回の応答方略
を持続的に変えるなら、複合系レベルで「学習」と呼ぶ理由は強くなる。
さらにAI側にも継続学習があり、
人間もAIも、
相互履歴によって次の振る舞いを持続的に変えるなら、
より強い相互学習系になる。
ここではじめて、
「人間＋AIが一緒に学んだ」
という表現に実質が出てくる。
28 AIは答え装置にも、問いの撹乱装置にもなる
AI利用には二つの極端がある。
一つは、
問い
→ AI
→ 答え
→ 終了
である。
これは非常に効率がよい。
しかし人間側のT、G、Mが何も変わっていなければ、
支援による遂行改善
に留まる。
もう一つは、
問いを出す。
複数仮説を出させる。
反対仮説を作らせる。
原典を見る。
矛盾する。
問いを変更する。
別分野へ行く。
戻る。
という使い方である。
この場合AIは、
答えを出す装置
だけでなく、
現在の探索制約を撹乱し、次の問いを発生させる外部認知装置
にもなる。
29 「支援」と「育成」も分ける
AIによって成果物がよくなった。
これは重要な成果である。
しかしそれだけで、
本人が育ったとは言えない。
支援
外部装置が存在することで、その場の遂行性能が上がる。
育成
経験後、本人側の将来の遂行可能性に比較的持続する変化が残る。
ただし、
「AIを外してできるか」
だけを唯一の判定法にする必要もない。
現代人は電卓も辞書も検索も使う。
重要なのは、
どの機能が本人側へ残ったのか
どの機能が外部装置に依存しているのか
を分けることである。
支援と育成は敵ではない。
外部支援を使い続けながら、本人側も学習することはある。
30 オフローディングは退化とも学習とも限らない
人間は昔から認知を外部化してきた。
紙。
文字。
計算機。
辞書。
ナビゲーション。
AI。
外部化したから、自動的に能力が衰えるとは言えない。
逆に、便利だから自動的に学習するわけでもない。
AIが全部の予測、探索、誤差修正を肩代わりしてしまえば、人間側の更新機会が減る可能性はある。
しかし外部化によって認知資源が空き、
より高次の比較や問題設定へ回る可能性もある。
したがって、
offloading＝悪
でも、
AI利用＝育成
でもない。
T、G、M、Kを実際に測る必要がある。
31 暗黙学習と明示学習も一箱ではない
Liu、Forest、Duncan、Finnの2023年研究では、統計的学習によって形成された暗黙的痕跡と明示的痕跡が、24時間後まで同じ時間発展をしないことが示されている。
つまり、
「保持された学習」
と一つの箱に入れても、その内部に違う時間特性がある。
これは多軸化の必要性をさらに強くする。
何かを学習したか。
ではなく、
何が変わったのか。
どのくらい残ったのか。
どの測定では見えるのか。
を分けなければならない。
32 学習状態は直接一個の数字で読めない
「内部の変化は見えない」と言うと、現在では少し強すぎる。
私たちは、
行動、
反応時間、
視線、
身体運動、
生理指標、
EEG、
fMRI、
神経活動
など、さまざまなものを測定できる。
しかし、それでも、
「学習状態そのもの」を完全に直接読んでいるわけではない。
異なる測定が、異なる側面を捉える。
だから内部変化は、
保持、
転移、
再学習、
行動、
神経・生理指標
など複数の観測から推定することになる。
33 数式は最小限だけ残す
学習を一つのθで表すのは危険である。
記憶。
技能。
注意。
概念構造。
身体制御。
方略。
全部をθに押し込めれば、θは「何か変わったもの全部」というゴミ箱になる。
だから記号を使うなら、
θは一個の実体ではなく、
比較的持続する複数状態の束
と明記した方がよい。
そして探究ではさらに、
Q：問い
G：目標
C：成功・評価基準
も独立して変化しうる。
重要なのは数式そのものではない。
学習には、
一時状態
比較的持続する技能・表象
問い・目標・評価基準
という異なる時間尺度の変数がある、という点である。
34 この地図自体も「学習段階表」にしてはいけない
ここで自己批判を入れておく。
T、G、M、K。
これもまた表にできる。
チェックリストにできる。
教育研修に持ち込めば、
「T2になりましたか」
「G2まで行きましたか」
という新しい段階表になるかもしれない。
それでは元に戻る。
この座標は、
全員が通過すべき発達段階ではない。
診断のための座標である。
何を知りたいかによって使う軸も違う。
必要なら軸そのものを追加・削除すればよい。
35 何が起きたら、このモデルを捨てるのか
作業仮説なら、廃棄条件も必要である。
たとえば、
持続性と汎化が実際には独立した診断軸にならず、
常に同じ変数によって同じように変化するなら、
TとGを分ける意味は薄くなる。
応答技能、表象、問いの更新に経験的に区別できる時間特性も機構差も見つからないなら、
M軸を分ける意味も弱くなる。
人間＋AI系についても、
系境界の置き方を変えても何の予測差も生まれないなら、
K軸は単なる言葉遊びになる。
そうなれば削ればよい。
理論は守るものではなく、
比較するための道具である。
結論 学習とは「一段上へ進むこと」ではない
最初の問いへ戻ろう。
学習とは、何が変わることなのか。
暫定的な答えは、
経験履歴によって、将来の遂行可能性に比較的持続する変化が生じること
である。
だが、それだけでは粗い。
だから次に問う。
どれだけ残ったのか。
どこまで使えるのか。
何が変わったのか。
どの系について言っているのか。
学習とは一つの階段ではない。
条件づけと探究を同じ階段に置く必要もない。
技能と問いを上下関係にする必要もない。
人間とAIを同じものにする必要もない。
同じ診断文法で、
違いを見ることができればよい。
そしてこの地図の中で、カタ、反復、変動、問い、AIもようやく同じ場所へ置ける。
カタは、探索を制約する。
模倣は、探索候補を与える。
身体的反復は、予測と結果を繰り返し突き合わせる。
変動は、形成されたものの汎化範囲をprobeする。
問いは、注意・探索・目標・評価基準を動かし、ときに探索制約の境界そのものを組み替える。
探究は、その学習結果を次の問いへ戻す。
AIは、そのどの回路にも外部から入りうる。
答えを代行することもできる。
探索を狭めることもできる。
反対仮説を増やすこともできる。
問いを撹乱することもできる。
人間側の学習を促すことも、逆にほとんど何も残さず成果だけを改善することもありうる。
だから、
AIを使ったか、使わなかったか
だけでは学習は測れない。
何が、どの時間尺度で、どの条件を越えて変わったのか。
を見る必要がある。
熟達も同じである。
答えを大量に持っていることだけではない。
何を見るかが変わる。
何を同じ問題とみなすかが変わる。
どこで型へ戻るべきかが変わる。
何を固定し、何を変動させるかが変わる。
ときには、
何を問題とするかそのものが変わる。
学習する前と後では、
世界そのものが変わったわけではない。
しかし、
同じ世界から何を取り出せるかが少し違っている。
学習とは、おそらくその変化のことである。
主要参考文献
Soderstrom, N. C. & Bjork, R. A. (2015). “Learning Versus Performance: An Integrative Review.” Perspectives on Psychological Science.
Czyż, S. H. et al. (2024). “High contextual interference improves retention in motor learning: systematic review and meta-analysis.” Scientific Reports, 14, 15974.
Czyż, S. H. et al. (2024). Contextual interference and transferに関するsystematic review / meta-analysis. Frontiers in Psychology, 15, 1377122.
Ammar, A. & Schöllhorn, W. I. ほか。Contextual interference研究の方法論・応用可能性をめぐる2023–2025年の一連の批判・応答。
Rudisch, J. et al. (2024). “A systematic review of observational practice for adaptation of reaching movements.” npj Science of Learning, 9, 61.
Tatel, C. E. & Ackerman, P. L. (2025). “Procedural skill retention and decay: A meta-analytic review.” Psychological Bulletin, 151(6), 696–736.
Aslin, R. N. & Saffran, J. R. (2025). “Statistical learning: A core mechanism in a developmental hierarchy.” Current Opinion in Neurobiology, 95, 103124.
Liu, H., Forest, T. A., Duncan, K., & Finn, A. S. (2023). “What sticks after statistical learning: The persistence of implicit versus explicit memory traces.” Cognition, 236, 105439.
Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). “Categorization and Representation of Physics Problems by Experts and Novices.” Cognitive Science, 5(2), 121–152.
Wibisono, K. C. & Wang, Y. (2024). “From Unstructured Data to In-Context Learning: Exploring What Tasks Can Be Learned and When.” NeurIPS 2024.
石部統久・ChatGPT5.６
査読：ChatGPT5.６・Claude Opus5・Grok・Gemini3.7（Parcae Protocol）
