AIと一緒に問題を解けたとき、私たちは何を獲得しているのでしょうか。
正しい答えを手に入れたことは確かかもしれません。しかし、それによって自分の理解が深まったのか、次に似た問題に出会ったときにも判断できるのかは、別の問いとして残ります。
例えば、AIが説明した技術を使い、動くプログラムを完成させたとします。成果物は確かに存在しています。けれども、なぜ動くのか、どの条件で壊れるのか、別の方法を選ぶべき場面はどこなのか。それらについて、自分がどこまで理解しているかは、完成したプログラムを眺めているだけでは分かりません。
だからといって、すべてを自力で書くべきだと言いたいわけではありません。問いたいのは、AIを使うことの是非ではなく、AIを使っている自分を、どう理解するかということです。
知性を、知識の量や答えを出す速さだけで捉えないために、私は次のように考えます。
知性とは、知っている量だけではなく、自分の知識の境界を知っていることでもあります。
ただし、その境界は、自分の内側を見つめていれば正確に分かるものではありません。何かを説明し、実際に試し、他者から問い返されます。その往復のなかで、初めて見えてくる部分があります。
AI時代の学びを考えるうえで重要なのは、この往復をどう残すかということなのだと思います。
成果が上がることと、学ぶことは同じではない
Daniela Fernandesらが、2026年の『Computers in Human Behavior』に発表した研究は、この問題を考える出発点になります。研究では、AIを使って論理推論課題に取り組んだ参加者は、AIを使わない標準データの集団より高い成績を示す一方、その成績を過大評価していました。また、AIリテラシーを測る尺度の得点が高いことは、自己評価の正確さを保証せず、むしろ低い正確さと相関していました。[1]
ここで注意したいのは、研究が主に測定したのが「AIと一緒に取り組んだ課題の成績を、本人がどれくらい正確に見積もれるか」だという点です。これだけで、AIが人間の能力を長期的に低下させたとも、参加者がAIの能力をすべて自分の能力だと思い込んだとも言えません。[1]
それでも、この結果は重要な区別を突きつけています。
AIと一緒に、どれだけ良い結果を出せたか。そこで何を学び、後の場面でも使えるようになったか。そして、その二つを自分がどれだけ正確に把握しているか。課題の成果、学習、自己評価は、分けて考えなければなりません。
学習については、別の実験からも示唆が得られます。Hamsa Bastaniらが2025年に発表した高校数学の研究では、通常のチャット型AIに近い支援を使った生徒は、練習中の成績が改善した一方、AIを使えない試験では、AIを使わずに練習した集団より成績が低くなりました。しかし、学習を守るための設計を加えたAIでは、この悪影響が大きく緩和されました。[2]
この研究も、「AIを使えば学べなくなる」という一般法則を示したわけではありません。むしろ、どのような支援を与え、学習者にどのような思考を残すかが重要だと読めます。
完成した成果物だけを見れば、学習の有無は見えにくいのです。だからこそ、成果を評価する仕組みとは別に、自分に何が残ったかを確かめる仕組みが必要になります。
「分かった」という感覚を、どう校正するか
自分の確信と実際の成績との対応を考えるとき、鍵になるのがメタ認知のキャリブレーションです。自分の判断をどれほど信頼しているかと、その判断が実際にどれほど正しいかを照らし合わせる、という問題です。[1]
例えば、「八割くらい正しいと思う」と判断した事例を数多く集めたとき、実際にもおよそ八割が正しいなら、その確信はよく校正されていると言えます。ほとんど間違っているのに確信だけが強ければ過信であり、ほとんど正しいのに常に自分を疑っているなら過小評価です。
大切なのは、自信を失うことではありません。根拠に応じて、自信を上げたり下げたりできることです。
そもそも人間は、AIが登場する前から、自分の理解を正確に把握できていたわけではありません。Leonid RozenblitとFrank Keilは、2002年の研究で、人が物事の仕組みを実際以上に深く理解していると感じる「説明深度の錯覚」を示しました。詳しく説明しようとする過程で、それまで気づかなかった理解の不足が現れます。[3]
分かりやすい説明に出会うことと、自分で説明を組み立てられることは違います。
AIについて私が警戒するのは、この違いが見えにくくなる可能性です。説明に詰まるたびに、その続きをAIが埋めてくれるとします。会話は滞りなく進み、理解も進んだように感じられます。しかし、どこで自分の理解が止まっていたかを確かめる機会は、そのまま通り過ぎてしまうかもしれません。
もちろん、補ってもらった説明から本当に学ぶこともできます。問題は、補助を受けたかどうかではなく、補助を受けた後で、自分の理解を確かめたかどうかです。
キャリブレーションとは、「私はまだ何も分かっていない」と繰り返す謙遜ではありません。何ができて、何ができず、何についてはまだ判断材料が足りないのかを、具体的な証拠に照らして更新する作業です。
出力は、理解を確かめるだけでなく、理解をつくる
では、自分に何が残っているかを、どう確かめればよいのでしょうか。
一つの方法は、いったん答えから離れ、自分で取り出してみることです。
Norman SlameckaとPeter Grafによる1978年の研究では、提示された単語を読む場合より、手がかりに基づいて自分で単語を生成する場合のほうが、後の記憶成績が高くなりました。これは「生成効果」と呼ばれます。ここで調べられたのは単語の記憶であり、あらゆる創作や学習にそのまま一般化することはできません。それでも、同じ情報に接していても、何をしたかによって、その後に残るものが異なることを示しています。[4]
理解を対象にした研究もあります。Michelene Chiらは、人間の循環器系についての文章を読む際に、自分自身に説明するよう促された生徒が、文章を繰り返し読む比較群より大きな学習の改善を示したと報告しています。[5]
さらに、Henry RoedigerとJeffrey Karpickeの研究では、文章を繰り返し読むことより、内容を思い出そうとするテストを経験することのほうが、時間を置いた後の記憶保持に有効でした。興味深いのは、繰り返し読んだ参加者のほうが、覚えていられるという自信を強めていたことです。学習している感覚と、後に残る学習の成果は、ここでも一致していません。[6]
これらの研究は、それぞれ異なる課題を扱っています。「とにかく自分で考えればよい」という一つの標語にまとめるべきではありません。しかし、情報を受け取ることだけでなく、生成し、思い出し、説明する過程にも学習上の役割があることは読み取れます。
ここから、私は出力を二つの意味で捉えます。
出力は、自分の理解を外に出して確かめる機会になります。同時に、出そうとする過程そのものが、理解をつくり直す機会にもなります。
ただし、出力は文章を書くことだけではありません。プログラムを実装すること、条件を変えて挙動を予測すること、実験すること、演奏することも、その候補になります。言葉ではうまく説明できなくても、実践のなかで示せる理解はあります。逆に、流暢に説明できても、実際には扱えない知識もあるでしょう。
何を理解したいのかに応じて、その理解が試される出力を選ぶ必要があります。
そして、出力しただけでは、まだキャリブレーションは終わりません。予想した結果と実際の結果が違ったとき、その違いを受け取って修正するところまでが必要になります。
教えることで、自分の理解を他者にさらす
この意味で、教えることには独特の役割があります。
教わっているときには、説明の順序も、何を重要とするかも、ある程度は相手に委ねられます。しかし、自分が教える側になると、その構造を引き受けなければなりません。どこから話せばよいのか。相手は何を知っているのか。何を省略すると誤解されるのか。
Aloysius Kohらの2018年の実験では、ノートに頼らず教材を教えた集団と、教材を思い出す練習をした集団が、一週間後の理解テストで、ノートを使って教えた集団や対照群より高い成績を示しました。教えることの学習効果には、記憶から内容を取り出す過程が寄与している可能性があります。[7]
つまり、教える立場になれば自動的に理解が深まるわけではありません。用意された説明を読み上げることと、自分の理解から説明を組み立てることは区別したほうがよいと思います。
さらに私が重視したいのは、相手が自分の予定どおりには理解してくれない、という点です。
「なぜ、その方法を選ぶのか」
「この条件が変わっても、同じことが言えるのか」
「いまの説明と、さっきの説明は矛盾しないのか」
こうした問いを受けたとき、自分では滑らかにつながっていた説明の途中に、飛躍があったと気づくことがあります。
そこで「まだ説明できない」と認め、調べ直します。教えていたはずの自分が、再び教わる側になります。
私が考える入力と出力のバランスは、このようなものです。教える時間と教わる時間を同じ長さにすることではありません。出力したものへの応答が、次の入力を変えていきます。その循環が途切れないことです。
知性は、自分の内側だけでは完結しない
ここまで自分の理解を確かめることを強調してきましたが、それは、知性を一人の頭の中へ閉じ込めるためではありません。
認知科学者Edwin Hutchinsは、航空機の操縦室を分析し、記憶や判断を個人の内部だけでなく、複数の操縦士、計器、手順などからなるシステムの働きとして捉えました。システム全体の認知的な性質は、その中にいる個々人の性質だけでは説明できないという視点です。[8]
この視点に立てば、道具や他者を使ってできることを、すべて「本当の能力ではない」と切り捨てる必要はありません。何を誰に任せ、どの情報をつなぎ、どこを検証するか。それもまた、能力として考えるべきでしょう。
ただし、協働によって達成できることと、自分一人でできることは同じではありません。さらに、協働の結果が正しいかを確かめられることも、別の能力です。
目指したいのは、これらを無理に一つへまとめることではなく、違いを把握したうえで使い分けられる状態です。
「自分はこの部分を理解している」
「ここは道具や専門家に依存している」
「この結果は、まだ独立した方法では確かめていない」
そのように言えることは、能力の不足を告白するだけの行為ではありません。自分が参加している知的なシステムの構造を把握することでもあります。
そして、自分の理解を評価する基準も、自分の内側だけからは得られません。
自分では説明できたと思っていても、相手には伝わっていないかもしれません。理屈は通っていても、実装すると動かないかもしれません。実験が予想を裏切ることもあります。
私は、こうした自分の外から返ってくるものを、知性にとっての邪魔ではなく、知性を成立させる条件として考えます。自分の考えが自分にとって納得できることと、その考えが世界に対して十分であることは、同じではないからです。
ゲーデルの定理が示す限界と、そこから考えること
自己完結した正しさという問題を考えるとき、数学には非常に厳密な結果があります。ゲーデルの不完全性定理です。
第一不完全性定理を、後のロッサーによる強化も含めて述べると、自然数の算術を十分に表現でき、公理を機械的に列挙できる無矛盾な形式体系には、その体系の公理と推論規則だけでは証明も反証もできない命題が存在します。[9][10]
さらに第二不完全性定理は、証明について必要な算術的議論ができるほど十分に強い無矛盾な体系が、標準的な仕方で形式化された自分自身の無矛盾性を、その体系の内部だけでは証明できないことを示します。[9][10]
ここでは、単に「まだ証明が見つかっていない」のではありません。条件を明確にしたうえで、その体系では証明できないことが、数学的に示されています。
しかし、この定理をそのまま人間の心理へ移し、「人間は自分を理解できないことが証明された」と言うことはできません。形式体系の証明可能性と、人間の自己認識は別の問題です。人間の心や大規模言語モデルを、そのまま一つの無矛盾な形式体系として扱ってよいわけでもありません。
ゲーデルの定理は、人間がAIより優れていることの証明でも、AIが思考できないことの証明でもありません。
それでも、私がこの定理から考えたいことはあります。ただし、それは定理そのものの帰結ではなく、そこから出発する哲学的な考察です。
私たちは、「十分に賢くなれば、自分の判断の正しさを、最終的には自分だけで保証できる」という理想を持っていないでしょうか。知識を増やし、思考を精密にし、自己分析を重ねれば、いつか自分の理解を完全に見渡せるようになる、と。
数学の不完全性と、日常の理解の不完全さを同一視することはできません。それでも、自己完結した保証を当然の到達点としてよいのか、という問いは残ります。
また、ある体系の外へ出れば、あらゆる問題が解決するわけでもありません。より強い形式体系を採用しても、それが同じ条件を満たす限り、不完全性の問題は再び生じます。[9][10]
だから、私が考える「知識の境界を知ること」は、自分の限界を完全に把握していると宣言することではありません。
むしろ、現在の自分には見えていない限界があることを認め、それが現れたときに、理解を更新できるようにしておくことです。
知性の輪郭は、一度描けば完成するものではありません。自分の外にあるものとの接触によって、何度も描き直されます。
AIを、答えを出す役だけに固定しない
この考えをAIとの関係に戻すと、使い方も少し変わります。
例えば、知らないことについて最初に説明を求めるのは自然な使い方です。何の手がかりもない分野で、無理に自分だけで考え続ける必要はありません。
ただし、自分の能力として身につけたい内容なら、説明を受け取った後に役割を入れ替えてみます。
「私が理解したことを説明するので、前提の抜けや矛盾を指摘してほしい」
「この方法が使えない条件について、私に質問してほしい」
「答えはまだ示さず、どこまで自分で考えられているか確認したい」
このようなやり取りなら、AIは説明を与える役だけでなく、自分の理解を外へ出すための相手にもなります。
ただし、AIに高く評価されたからといって、それを理解の証明にしてはいけません。AIによる評価も検証の対象として扱う必要があります。何をもって正しいと判断したのか。その根拠は確かか。自分の説明の誤りを、評価する側も共有していないか。
プログラムなら実際のテストへ、科学的な主張なら論文や測定結果へ、専門的な判断なら独立した専門家の検討へと戻します。別のAIが同意したという事実だけで、検証を終えません。
また、自分のキャリブレーションを確かめたいなら、結果を知る前の予想を残しておくとよいと思います。
どこまで説明できそうか。どの部分には確信があり、どこには不安があるか。その後、資料を閉じて説明したり、条件を変えた問題に取り組んだりして、予想と実際を比べます。
一度できなかっただけで、自分の能力全体を否定する必要はありません。反対に、一度うまくいっただけで、身についたと決めつける必要もありません。複数の場面を通じて、見積もりを少しずつ調整していきます。
これは、AIの利用を減らすための手順ではありません。どこまで任せてよいのか、どこを自分で学びたいのかを、より正確に決めるための手順です。
すべての仕事を学習の場にする必要もありません。成果を早く得ることが目的の作業と、自分の理解を育てることが目的の作業では、適切な使い方が違ってよいのです。重要なのは、その違いを自分で選ぶことです。
教わり続けるために、教えてみる
入力と出力のバランスというと、読む量と書く量、聞く時間と話す時間の配分を思い浮かべるかもしれません。しかし、私が残したいのは、量を均等にするという話ではありません。
入力によって、自分の知らなかったものに出会います。出力によって、それを自分がどう受け取ったのかを形にします。そして、他者の質問や実際の結果に照らして、受け取り方を修正します。
教わることと教えることも、その循環の中にあります。
教えるために、完全に理解し終えている必要はありません。ただし、理解していない部分まで知っているように振る舞う必要もありません。どこまで分かっているかを示し、問い返されたところから、もう一度学び直せばよいのです。
反対に、教わったときには、納得した感覚だけで終えず、ときどき答えを閉じてみます。自分の言葉や行為で、何を取り出せるのかを確かめます。
出てこなかった部分は、隠すべき失敗ではありません。次に何を学ぶべきかを知らせる情報になります。
AIによって多くのことができるようになるとしても、自分が何を理解しているかという問いまで、なくなるわけではありません。むしろ、成果を得ることが容易になるほど、その問いを意識的に残す必要があるのだと思います。
知性とは、知っている量だけではなく、自分の知識の境界を知っていることでもあります。
そして、その境界は、自分一人では確かめきれません。
教わることで理解を広げ、教えることで理解を差し出します。返ってきた問いによって、もう一度、教わる側に戻ります。
AI時代に保ちたいのは、何でも一人でできるという感覚ではありません。その往復のなかで、自分が何を知り、何に支えられ、何をまだ学ぶ必要があるのかを、測り直し続ける感覚なのです。
参考資料
本文中の番号は、以下の資料に対応しています。原題と書誌情報を併記しています。
- AI makes you smarter but none the wiser: The disconnect between performance and metacognition邦題（本稿訳）：AIはあなたを賢くするが、賢明にはしない：課題成績とメタ認知の乖離。 AI利用時の論理推論の成績と、その成績に対する自己評価を調べた研究です。
本文へ戻る ↑ - Generative AI without guardrails can harm learning: Evidence from high school mathematics邦題（本稿訳）：ガードレールのない生成AIは学習を損なう可能性がある：高校数学からの証拠。 高校数学の練習と、AIを使わない試験を区別し、支援の設計が学習に及ぼす影響を調べています。
本文へ戻る ↑ - The misunderstood limits of folk science: an illusion of explanatory depth邦題（本稿訳）：素朴科学の限界についての誤解：説明深度の錯覚。 物事の仕組みを実際以上に深く理解していると感じる「説明深度の錯覚」を扱います。
本文へ戻る ↑ - The generation effect: Delineation of a phenomenon邦題（本稿訳）：生成効果：ある現象の輪郭。 単語を読む場合と、手がかりから自分で生成する場合の記憶を比較した研究です。
本文へ戻る ↑ - Eliciting Self-Explanations Improves Understanding邦題（本稿訳）：自己説明を促すことは理解を改善する。 循環器系を説明する文章を対象に、自己説明が理解に与える効果を調べています。
本文へ戻る ↑ - Test-enhanced learning: taking memory tests improves long-term retention邦題（本稿訳）：テストによる学習促進：記憶テストを受けることは長期保持を改善する。 繰り返し読むことと、思い出すテストを受けることの効果を、時間を置いて比較しています。
本文へ戻る ↑ - The learning benefits of teaching: A retrieval practice hypothesis邦題（本稿訳）：教えることによる学習上の利益：想起練習仮説。 教えることの学習効果に、記憶から内容を取り出す過程が寄与する可能性を調べています。
本文へ戻る ↑ - How a Cockpit Remembers Its Speeds邦題（本稿訳）：操縦室はいかにして速度を記憶するか。 操縦士、計器、手順を含むシステム全体から認知を捉える論文です。
本文へ戻る ↑ - Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I邦題（本稿訳）：『プリンキピア・マテマティカ』および関連する体系の形式的に決定不能な命題について I。 不完全性定理の原論文です。形式体系についての定理と、本文での哲学的な考察は区別しています。
本文へ戻る ↑ - Extensions of some theorems of Gödel and Church邦題（本稿訳）：ゲーデルとチャーチのいくつかの定理の拡張。 第一不完全性定理の無矛盾性に関する仮定を弱めた、ロッサーによる拡張です。
本文へ戻る ↑