学習とは、何が変わることなのか2――人間・機械学習・記憶するAIを、同じ問いで考える

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

――人間・機械学習・記憶するAIを、同じ問いで考える

石部統久・ChatGPT６Pro
査読：ChatGPT６Astra・Claude Opus5・Grok・Gemini3.８（Parcae Protocol）

要旨

良い答案や完成品が得られたことと、人間やAIが学習したことは同じではない。本稿では、学習を、経験した情報や関係が保持・更新され、後の応答可能性を変える過程として捉える。そのうえで、何を一つの系として調べるかを明示し、持続性、汎化・転移、更新対象を比較する。会話履歴、外部記憶、モデルのパラメータ更新を区別しながら、経験が形成された時点と、その結果が利用される時点を分けて検証する。人間とAIの相互学習についても、共に変化したことだけでなく、その変化を生んだ経路を問う。

キーワード： 学習と遂行、記憶、系境界、文脈内学習、人間とAIの相互学習

1．答えが出た。その人は学んだのか

数学の問題を解いている人がいる。

解説を読みながら計算した。正解だった。次はAIに聞き、さらに難しい問題にも答えられた。

では、この人は何を学んだのだろうか。

解き方を覚えたのかもしれない。問題の条件を見分けられるようになったのかもしれない。AIへの質問がうまくなったのかもしれない。あるいは、正しい答えを受け取っただけで、自分の判断の仕方はほとんど変わっていないのかもしれない。

完成した答案だけでは、この違いは分からない。

学習研究では、その場の遂行と、経験によって後に残る変化を区別する。SoderstromとBjorkのレビューは、練習中の成績がよくても保持や転移が十分でない場合と、練習中には見えにくかった学習が後の検査で確認される場合を整理している。(Bjork Learning Lab)

AIについても、この区別が必要になる。

Bastaniらの高校数学の実験では、制約の少ないAI支援を利用した群は、支援中の成績が向上した一方、練習に続く支援なし試験では、非利用群より低い成績になった。学習を支えるように設計された別のAI支援では、この不利益が大きく緩和された。授業は既習内容の復習であり、各回の復習・練習・試験は連続して行われた。(Hamsa Sridhar Bastani)

したがって、この実験だけから長期間の技能衰退を認定することはできない。比較対象より学習が進まなかったことと、以前持っていた能力が失われたことは、別の主張である。

また、完成品を得ることが目的なら、自力で解けなかったからといって、その仕事に価値がなかったことにはならない。

まず問うべきなのは、AIを使ったかどうかではない。

2．学習一般論は、何を共通に扱うのか

漢字を覚えること、自転車に乗れるようになること、失敗した作業の手順を変えること。これらは違う。

それでも、共通の問いを立てられる。

経験する前と後で、何を見分けられるか、何を思い出せるか、どう判断し、どう行動できるかが変わったのではないか。

こうした分野横断的な学習の捉え方は、すでに研究されている。Barronらは、経験から得られた情報の処理によって系の性質が更新されるという包括的な見方と、分野ごとの定義の実用性を両立させようとした。De HouwerとHughesは、環境の規則性によって、ある刺激への系の応答の仕方が変わるという機能的定義を提案している。(UNL Institutional Repository)

本稿は、これらを踏まえ、次の作業定義を置く。

これは、あらゆる学習の仕組みを説明し終えた理論ではない。異なる対象について、何を比較すればよいかを定める出発点である。

「経験」には、説明を聞くこと、例を見ること、試して結果を受け取ること、身体を動かすことなどを含める。一度の出来事を覚える場合も、定義から排除しない。なお、De Houwerらのいう「規則性」も反復だけではなく、一度に生じた複数の刺激の共起を含んでいる。(ゲント大学学術文献データベース)

一方、経験の後に起きた変化を、何でも学習とは呼ばない。

練習後に疲れて動けなくなったことと、間違った手順を覚えてしまったことでは、変化の経路が違う。前者については身体的負荷、後者については取り込まれた手順の内容を調べる必要がある。

例えば、作業量をできるだけ揃えて経験内容を変える。休息を挟む。以前と同じ課題と、条件を変えた課題を比較する。こうして、負荷による変調、損傷、情報や関係の獲得を切り分ける。

一つの試験ですべてを識別できるとは限らない。学習と疲労が同時に起きる場合もあり、区別できない部分は未決として残す。

また、学習が生じたことと、それを観察できたことも別である。 記憶された記録は保持の手掛かりになるが、それだけで利用可能性は証明されない。逆に、ある検査で発揮されなかったことだけで、学習の不在を認定することもできない。(Bjork Learning Lab)

3．「覚えただけ」を、どこに置くか

ある作業で失敗したとしよう。

原因を調べると、部品を取り付ける順番が間違っていた。正しい順番を記録し、次の作業ではその記録を使って成功した。

この場合、「記憶しただけだから学習ではない」と切り捨てる必要はない。記憶が、経験の影響を後へ運んでいるからである。

ただし、何が残ったかを分けたい。

残り方例それだけでは分からないこと出来事の記録作業記録、会話履歴、成功例と失敗例必要な記録を選び、今回の判断に使えるか加工された記録要約、注意点、振り返り、作業方針大切な条件を落としていないか処理の仕組みへの反映モデルのパラメータ変更などどの範囲で利用でき、誤りを取り消せるか

これは高度になる順番ではない。詳しい記録が役に立つ場面も、要点だけの記録が役に立つ場面もある。要約すれば、必ず理解が深まるわけではない。

会話履歴も、経験そのものではなく、経験を残した記録である。後からモデルへ渡せば、モデル単体にとっては情報の再提示になる。同時に、保存装置を含む系については、過去の経験に由来する記録が残っていたと言える。二つの説明は両立する。

本稿の広い定義を最小限まで適用すれば、単純な記録・再生装置にも、記録内容に限られた記憶の獲得を認めることになる。この広さは、定義の代償として明示しておく。そこから概念理解や問題解決能力の獲得まで認定することはできない。

だから、「学習した」という一語で終わらせず、何が記録され、何が利用でき、何はまだできないのかを併記する。

さらに、保存と参照は区別できても、常に切り離された過程とは限らない。RoedigerとKarpickeの実験では、文章を思い出す練習が、後日の保持を改善する条件が示された。人間では、取り出す行為自体が、その後の記憶を変えることがある。(ガーヴェン)

したがって、調べるべき過程は、単純な「保存→利用」で終わらない。

このどこで何が変わるかを、対象ごとに調べる。

4．最初に「誰の変化か」を定める

同じ出来事でも、調べる対象によって結論は変わる。

モデルの重みだけを見るのか。モデルと会話履歴を合わせるのか。さらに外部記憶や検索を含めるのか。人間まで含む共同作業を調べるのか。

この範囲を、本稿では系境界と呼ぶ。

まず境界を明示し、その条件で次の三つを調べる。

記述項目問い持続性どれだけ後まで、どのような介在経験を経ても変化が残るか汎化・転移経験したものと違う状況へ、どこまで使えるか更新対象事実の記憶、技能、判断方略、問題の見方など、何が変わったか

系境界を加えた四項目は、学習を下から上へ並べる階段ではない。また、互いに完全に独立した四軸だと実証されたわけでも、これで必要事項を尽くしたわけでもない。

採用する理由は、それぞれが違う混同を防ぐからである。

持続性は、その場限りの成功との混同を防ぐ。転移は、同じ事例の再生と別の場面への対応を分ける。更新対象は、事実を覚えたことと判断方法を変えたことを分ける。系境界は、共同成果を人間単体やモデル単体の能力へ読み替えることを防ぐ。

そのうえで、経験の与え方、誰が記録を更新したか、時間や計算資源などを必要に応じて加える。

評価は、さらに別に置く。

何かが変わったか。何が変わったか。その変化は正確か、有用か、望ましいか。

誤った手順を覚えた場合にも、経験による変化は起きている。本稿では、改善を学習の必要条件にはしない。

5．機械学習の「学習」と「推論」をどう分けるか

機械学習では、データや経験を利用して、分類、予測、行動選択などの働きを改善する方法を研究する。Mitchellの教科書も、経験によって改善するアルゴリズムを中心に据えている。(CMU School of Computer Science)

ここには、本稿の一般的な作業定義との違いがある。

本稿は経験による変化を広く扱い、Mitchell型の定式化では、指定した課題と性能指標における改善を学習の条件にする。 用語の範囲が違うのであって、どちらかをもう一方へ無条件に置き換えるわけではない。

例えば、製品の画像から不良品を見分ける仕組みを考える。

多数の画像を使い、計算に使う数値を調整する方法がある。ニューラルネットワークでは、この数値の代表が「重み」と呼ばれる。

一方、過去の製品と判定結果を保存し、新しい製品が来たら似た事例を利用する方法もある。Ahaらの「事例に基づく学習」は、具体的な事例の保持と利用を機械学習として扱っている。(スプリンガーラーニング)

後者では、事例を参照する手順が同じでも、事例の蓄積によって判断が変わり得る。したがって、処理手順そのものが変わらなければ学習ではないという条件は強すぎる。

もう一つ、学習と推論を区別する意味は残しておきたい。

経験を取り込んでモデルや記憶を更新する処理と、現在利用できるモデルや記憶で今回の答えを計算する処理は、実装上分けて記述できる。しかし、今回の推論中に例を読み、状況への対応を変える仕組みもあり得る。

そのため、実装上は「推論時の計算」であり、機能上は「文脈からの適応」であるという二つの記述は両立する。

文脈内学習を勾配降下に対応づける研究もあるが、特定のモデル構成や課題で示された対応を、すべての会話AIが実際に基盤モデルの重みを更新しているという主張へ広げてはいけない。(arXiv)

6．指示を覚えることと、事例から規則を得ること

AIへ、次のように伝えたとしよう。

「出典が書かれているだけで『確認済み』としないでください。原資料と主張の対応まで確かめた場合に、その表示を使ってください」

その後、AIがこの区別を使うようになった。

ここには、少なくとも別の可能性がある。

その場の指示に従っただけかもしれない。指示を記憶して後にも使えるようになったのかもしれない。具体例から、適用すべき条件を捉え直したのかもしれない。

そこで、経験の与え方を分ける。

規則を説明する。正しい例と誤った例を示す。試行後に正誤だけ返す。処理の結果を観察させる。

これらは同じ学習課題ではない。

Panらは、文脈内学習について、例から既存の課題を認識する働きと、新しい入力・出力の対応を獲得する働きを分けて検討した。調べられたモデルと課題では、その両方を区別する必要があることが示されている。(arXiv)

また、外部から処理プログラムを直接交換した場合と、稼働中の系が説明や結果を取り込んだ場合も区別したい。

前者を、そのまま変更された装置自身の学習とは呼ばない。誰が経験を受け取り、誰がどこを変更したかを記述する。反対に、説明を与えられたことだけを理由に学習から除外すると、教示による学習まで落としてしまう。

AIの具体的な仕組みとしては、Shinnらの「Reflexion」がある。課題の結果から言語的な振り返りを作り、記憶し、後の試行へ利用する。重みの更新ではなく、記憶されたフィードバックを介して対応を変える設計である。(arXiv)

ここでも、振り返りの文章が作られたことと、次の行動が変わったことは別に測る。

先ほどの例なら、「確認済みという言葉の定義を復唱できたか」だけでは足りない。本当に資料を確認したか、確認できないときに表示を控えたかまで調べる。

7．同じチャットの再開は、何を保持しているのか

前日の対話で説明を訂正した。翌日、同じチャットを開くと、その訂正を前提に話を続けられたとする。

この場合、本稿では、会話履歴を含むAIシステムに、経験の影響が保持されていた可能性を考える。

ただし、チャットを再開したこと自体が、新しい学習とは限らない。 前日に形成された記録を利用し、モデルがその場で再処理しているのかもしれない。

ここで第3節の区別を使う。

何が保存されたか。再開時に何が取り出されたか。それが回答へどう使われたか。その間に記録が書き換えられたか。

最後の項目も重要である。

例えば、Parkらの「Generative Agents」では、記憶の内容だけでなく、最後にアクセスされた時刻が検索の優先度に関わる。読むことが、次の検索条件を変える仕組みになっている。これは人間の想起と同じ機構だという意味ではなく、参照が更新を伴うかどうかも、実装ごとに調べる必要があるという例である。(arXiv)

製品でも、記憶を固定された保存項目だけと考えることはできない。OpenAIは2026年6月4日、メモリーを自動的に更新する仕組みの導入を告知している。現在の公式説明も、会話などに由来する文脈の利用と、記憶要約の更新を説明している。個々の利用環境への適用状況や、内部での処理時点まで、この説明だけで分かるわけではない。〔製品情報確認：2026年9月17日〕(OpenAI Help Center)

また、一か月後にも利用できた場合と、その一か月の間に多数の対話や訂正が入っても利用できた場合は違う。

持続性を報告するときは、暦時間だけでなく、介在した経験、保存・削除の方針、書き換え、検索条件も記録する。

8．外部記憶を、どこまで系に含めるか

人間がノートや道具を使って考えることは、AI以前から研究されてきた。ClarkとChalmersの「拡張された心」は、必要な情報が安定して利用でき、行動に組み込まれている外部資源をどう扱うか、という問題を提起している。(Consciousness.Net)

本稿は、この問題をAIが初めて生んだとは考えない。また、外部資源が役に立つことから、それが意識や人格の一部であると結論するものでもない。

ここでは、仕事の仕組みを調べるために境界を置く。

その際には、誰が何を書き込み、いつ読み出され、判断へどう結びつき、誰が訂正できるかを明示する。さらに、その経路を遮断したり、内容を置き換えたりできるかを調べる。

世界中の本を便宜的に系へ入れるのではない。具体的な保存・検索・利用の経路を対象にする。

では、記憶を外すと、以前の失敗が再び起きたらどうか。

これは、その記憶経路が現在の遂行を支えていたという手掛かりになる。学習がなかった証拠というより、何に依存していたかを調べる証拠として扱える。

反対に、記憶を外しても成績が変わらなかった場合には、いくつかの説明が残る。

別の記憶経路が同じ情報を持っていたのかもしれない。すでに別の場所へ取り込まれていたのかもしれない。その課題では記憶が不要だったのかもしれない。

したがって、遮断試験だけで、変化の唯一の所在や系の「本当の境界」が一意に決まるわけではない。介入した条件のもとで、その経路がどんな役割を果たしていたかを調べる試験である。

人間が記録を書いた場合も、AIが自動的に作った場合も、書き手と利用者を分けて記述する。自分で書いた記憶だけが学習になる、という条件は置かない。

9．「履歴が役立った」を、もう一段調べる

先ほどの「確認済み」の例を使おう。

経験後に表示が適切になったとしても、履歴全体が役に立ったのか、その中の一つの訂正が効いたのか、保存された短い規則で十分なのかは分からない。

そこで、経験の与え方と、検査する能力を組み合わせる。

比較する条件再生・保持の検査適用・更新の検査経験なし／経験あり教えた区別を利用できるか新しい資料にも区別を使えるか規則の説明／事例のみ／正誤フィードバックのみ何を取り込んだか規則を直接教えなくても対応が変わるか訂正前／訂正後／訂正箇所だけ除去新旧の扱いを区別できるか古い誤りを再び採用しないか対話全体／要約／抽出した規則何が残り、何が失われたか条件変更や例外に対応できるか関連履歴／同量の無関係な履歴内容に依存する効果か単なる入力増加では説明できないか時間経過／別情報の介在／記憶経路の遮断保持とアクセスがどう変わるか干渉や経路変更にどう対応するか

規則を説明できることと、実際に従えることも分ける。「原資料を確認する」と答えながら、確認せずに表示を付けるなら、言葉の再生と行動は一致していない。

事前知識で正解できる可能性を減らすには、実験用の資料や新しい分類規則を用いる。情報不足の問題も入れ、答えを保留できるかを調べる。

LongMemEvalは、情報の取り出しだけでなく、複数会話にまたがる推論、時間関係、知識の更新、回答を控える能力を分けて評価している。本稿の比較も、このような既存の評価課題へ接続できる。(arXiv)

モデルの版、道具、追加指示、メモリー設定、採点方法はできるだけ揃える。画面に見える履歴が同じでも、モデルが実際に受け取る情報まで同じとは限らない。

一般の利用画面で内部条件を確認できない場合は、結論を「この利用環境では、この履歴の提示により、この応答が変わった」という範囲にとどめる。

これらの比較は、定義を実験で証明するためではない。採用した定義のもとで、どの変化が、どの経験と経路に依存していたかを確かめるためである。

10．双方が変わったことと、相互に学んだこと

人間とAIの共同作業では、次の三つを分ける。

人間が単独でできること。AIや資料を選び、問い、比較し、訂正することでできること。そして、人間とAIと資料を合わせた系としてできること。

共同成果がよくなっても、その三つが同時に改善したとは限らない。

さらに、双方が変化していても、互いから学んだとは限らない。同じ課題に別々に慣れたのかもしれない。モデルが更新されたのかもしれない。うまく利用できた人だけが対話を続けた結果なのかもしれない。

本稿で相互浸透の候補とするのは、相対的な独立を保つ双方が、相手との履歴を自分の持続的な理解や対応方略へ取り込み、その変化を次の相互作用に持ち越す場合である。

例えば、人間がAIの誤りを受け、問いの立て方や確認方法を変える。AIシステムも、その人との訂正履歴を利用し、資料の選び方や回答の組み立て方を持続的に変える。その結果が、さらに人間の次の問いを変える。

記憶を誰が書いたかは、この経路の一要素である。人間が書いたから自動的に不成立、AIが要約したから自動的に成立、とはしない。保存項目の増加と、持続して働く対応方略の変化を分けて測る。

また、双方の評価基準や学び方そのものが変わることを、必要条件にはしない。それが起きれば、より深い再編として別に調べられる。

検証では、学習の形成中と、形成後を分ける。

形成中には、相手の履歴を取り込める条件と取り込めない条件、同じ課題を別々に行う条件、別の組の履歴を受け取る条件などを比較する。形成後には、履歴を外したり交換したりして、現在の対応が何に依存するかを調べる。

ここで重要な注意がある。

一方、形成中の履歴の取り込み方を変えても、十分な精度の比較で対応する違いが確認されず、共通課題への独立した適応で説明できるなら、その事例について相互浸透を主張する根拠は弱くなる。

仮説は、こうした結果に応じて修正する。

11．量の増加と、働き方の再編をどう区別するか

百件の記録が千件になった。答えられる質問が増えた。

それだけなら、利用できる情報量が増えたという説明で足りるかもしれない。

一方、記録を比較するなかで、以前は別々に扱っていた事例を共通の条件で分類し直すようになったとする。さらに、その分類に応じて検索、確認、人間への問い返しを使い分けるようになったとする。

この場合には、情報量だけでなく、働き方の組織化が変わった可能性がある。

ここで、第4節の記述項目と、変化の過程を調べる枠組みを分けたい。

持続性・転移・更新対象は、各時点で何が変わったかを比較するために使う。弁証法的な見方は、どのような関係と履歴を通って、その変化が生じ、次の変化の条件になったかを問うために使う。

「量質転化」を用いるなら、量を増やしたときに何が再編されたかを検証する仮説とする。

記憶が増えた時期に設計者が検索方法も変更していたなら、成績の変化を記憶量だけに帰すことはできない。ただし、検索方法の変更自体は、検索を含む系にとって構造的な変更であり得る。問題は、それがどの過程で生じたかである。

また、急な成績上昇は、採点方法によって生まれることもある。Schaefferらは、調べたモデルと課題について、不連続な評価指標が能力の急な出現という見かけを作り得ることを示した。(arXiv)

連続的な採点へ変えると飛躍が消えたなら、少なくとも、その飛躍だけを根拠に内部の転換点を主張することはできない。だからといって、別の証拠で確認された方略の再編まで否定されるわけではない。

「否定の否定」も、決まった三段階ではなく、変化を調べるための見取り図として扱う。

例えば、自分ですべて調べようとしていた人が、多くをAIへ委任する。その経験から、任せられる部分と、任せたままでは確かめられない部分が分かってくる。そこで、自分の判断、AIの探索、資料の検証を組み直す。

これは、単純に元へ戻ったのではない。以前の働きを一部残しながら、役割と関係を再編したと読める。

調べるべきなのは、その順序を通ったかという型合わせではない。

何が保存され、何が失われ、どの依存が増え、どの確認経路が新しくできたか。同じ情報量でも、経験の順番によって違う関係が形成されるか。

ここに、時間発展として学習を見る問いがある。

12．学んだことを、何によって調べ直すか

最初の答案へ戻ろう。

答えは出た。しかし、そこから本人が何を学んだかは分からなかった。

AIとの長い対話でも同じである。

こちらの言葉を使う。好みに合う。過去の議論を覚えている。そのことと、説明の正しさは別である。

例えば、ユーザーの仮説を記憶し、次回から確定事実として扱うAIを考える。相手への適応は進んでいても、事実認識は悪くなっているかもしれない。

そこで、本稿では学習と探究を区別する。

学習は、経験によって何が変わるかという過程である。探究は、問いを立て、得られた説明や判断の根拠を調べ、その結果を次の問いへ戻す営みである。探究の途中に学習が起こり、学習が次の探究を変える。

何を確かめるかは、問いの種類によって違う。

事実主張なら、資料、観測、実験との対応を調べる。作品の解釈なら、表現や文脈との整合、別の読みが説明できることを比べる。創作や設計なら、意図、受け手の反応、実現条件、失敗の仕方を調べる。価値判断なら、何を重視し、誰にどの負担を求め、別の選択肢をなぜ退けるかを明らかにする。

これは、すべてを一つの正答へ収束させることではない。反対に、何でも主観だから検討できないということでもない。事実、解釈、目的、価値、実装を分け、問いに合う確かめ方を選ぶ。

その際、「以前こう言った」だけでなく、「後に撤回した」「この条件でだけ使う」「ここから先は未確認」という履歴も残す。

複数のAIが一致しても、同じ情報や推論経路に依存しているなら、独立した確証が増えたことにはならない。合意の数よりも、根拠と検査の独立性を問う。

この学習論が提供するのは、すべての学習を予測する完成済みの法則ではない。

誰の、どの部分に、どの経験の影響が残り、どんな条件で再び働き、どう訂正されるかを、人間と機械に共通して尋ねるための枠組みである。

人間とAIの共進を考えるなら、さらに問う。

記憶の量だけでも、完成品の出来だけでも、その答えは分からない。

形成された過程へ戻り、次の場面で使い、条件を変えて比較し、必要なら記憶も説明も関係も組み直す。学習論は、その往復を調べるところから進められる。

参考文献・資料

学習の定義・保持・遂行

Soderstrom, N. C., & Bjork, R. A.（2015） “Learning Versus Performance: An Integrative Review.” Perspectives on Psychological Science, 10(2), 176–199. (Bjork Learning Lab)

Bastani, H., et al.（2025） “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. 本文の実験手続は著者公開版とも照合。(PubMed)

Barron, A. B., et al.（2015） “Embracing Multiple Definitions of Learning.” Trends in Neurosciences, 38(7), 405–407. (UNL Institutional Repository)

De Houwer, J., & Hughes, S.（2023） “Learning in Individual Organisms, Genes, Machines, and Groups: A New Way of Defining and Relating Learning in Different Systems.” Perspectives on Psychological Science, 18(3), 649–663. (ゲント大学学術文献データベース)

Roediger, H. L., III, & Karpicke, J. D.（2006） “Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention.” Psychological Science, 17(3), 249–255. (ガーヴェン)

機械学習・文脈・記憶

Mitchell, T. M.（1997） Machine Learning. McGraw-Hill. (CMU School of Computer Science)

Aha, D. W., Kibler, D., & Albert, M. K.（1991） “Instance-Based Learning Algorithms.” Machine Learning, 6, 37–66. (スプリンガーラーニング)

Pan, J., Gao, T., Chen, H., & Chen, D.（2023） “What In-Context Learning ‘Learns’ In-Context: Disentangling Task Recognition and Task Learning.” Findings of ACL 2023, 8298–8319. (ACLアンサンブル)

von Oswald, J., et al.（2023） “Transformers Learn In-Context by Gradient Descent.” arXiv:2212.07677、改訂版。(arXiv)

Shinn, N., et al.（2023） “Reflexion: Language Agents with Verbal Reinforcement Learning.” arXiv:2303.11366. (arXiv)

Park, J. S., et al.（2023） “Generative Agents: Interactive Simulacra of Human Behavior.” arXiv:2304.03442. (arXiv)

Wu, D., et al.（2025） “LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory.” ICLR 2025、arXiv:2410.10813. (arXiv)

Schaeffer, R., Miranda, B., & Koyejo, S.（2023） “Are Emergent Abilities of Large Language Models a Mirage?” arXiv:2304.15004. (arXiv)

系境界・製品資料

Clark, A., & Chalmers, D. J.（1998） “The Extended Mind.” Analysis, 58(1), 7–19. (Consciousness.Net)

OpenAI（2026） “Memory FAQ”および“ChatGPT — Release Notes”の2026年6月4日項目。確認日：2026年9月17日。製品仕様の資料であり、学習一般の定義を正当化する根拠とは区別した。(OpenAI Help Center)

資料上の留保： 追加候補のLövdén・Hansson・Voits（2026）“Learning: One definition to rule them all?”は著者の業績一覧で書誌を確認したが、今回の取得では本文を十分に照合できなかったため、定義の根拠には採用していない。(lovdenlab.org)