ノート

AI とデザインの調査、実験、考察を、つくる過程もあわせて公開しています。

公開ノート 217 件。LLM Wiki 方式で作っています。 仕組みを見る → ノートに聞く → 引用ネットワーク（ノートと文献のつながり）を見る →

2026年11月

• 仕事と練習の量は腕を上げるのか：繰り返しの回数、症例数、経験年数、練習の配り方、労働時間、職場の経験の学術文献から

  2026-11-13

  「量をこなせば上手くなる」を、日常の仕事と練習について、量の種類（繰り返しの回数、症例数、経験年数、練習の時間とその配り方、労働時間、職場の経験）ごとに、学術文献 46 件と報告 1 件で確かめた。繰り返しは最初の時期に強く効く。窓ガラスの取り付けでは、1 人あたりの産出が入社 1 年で 53% 増え（Shaw と Lazear 2008）、自動車の組立工場では 1 台あたりの欠陥が生産開始から 8 週で 8 割以上減った（Levitt ら 2013）。ただし伸びは逓減し、工場の伸びは個々の作業者でなく組織に蓄えられ、生産を止めると経験は目減りした。手術では、症例数の多い外科医ほど患者の死亡率が低く（Birkmeyer ら 2003）、病院の症例数が死亡率を下げる因果も操作変数法で示された（Hentschker と Mennicken 2018）。前立腺の手術の再発率は、術者の経験が約 250 例に達するまで下がり続けた（Vickers ら 2007）。一方、心臓外科医の成績は、同じ病院での症例数で上がり、ほかの病院での症例数では上がらなかった（Huckman と Pisano 2006）。経験年数は量の粗い代理である。仕事の経験と成績の相関は .27 で、年数より回数で測ると .43 に上がった（Quiñones ら 1995）。医師では、診療年数が長いほど質が下がると報告した評価が 62 件中 32 件あり（Choudhry ら 2005）、高齢の内科医の患者は死亡率が高かったが、患者を多く診る医師では年齢との関連が消えた（Tsugawa ら 2017）。日本の自動車の営業担当者では、経験年数と販売業績の相関は 3〜9 年の群で有意で、10 年以上の群では有意でなかった（松尾ら 1999）。練習は、同じ量でも配り方で残り方が変わる。間隔をあけた練習は詰め込んだ練習より成績が高く（Donovan と Radosevich 1999、効果量 0.46）、数学の問題を 3 問から 9 問に増やしても 1〜4 週後の成績は変わらず、同じ 10 問を 1 週あけて 2 回に分けると 4 週後の成績が大きく上がった（Rohrer と Taylor 2006）。「1 万時間」は、Ericsson ら（1993）の研究を Gladwell（2008）が「魔法の数字」と呼んだもので、Ericsson 本人は魔法の数字の証拠はないと書いた。長時間労働は、時間あたりの産出を下げる。第一次大戦の軍需工場では、週 49 時間までは産出が時間に比例し、それを超えると伸びが鈍り、約 63 時間で頭打ちになった（Pencavel 2015）。24 時間以上の当直を含む勤務の研修医は、重大な医療過誤が 35.9% 多かった（Landrigan ら 2004）。ただし研修医の勤務時間を縮めても教育の成果は改善せず、手術の経験の減少と申し送りの増加が報告された（Ahmed ら 2014）。長く働くほど型が身につくことを直接測った研究は見つからなかった。職場の経験では、挑戦の大きさの効果は逓減し、フィードバックがあると逓減が抑えられた（DeRue と Wellman 2009）。「学びの 70% は仕事の経験から」という規則には証拠の基盤が弱い（Clardy 2018）。文献が量を腕に変える条件として繰り返し示したのは、成果がすぐ分かる環境、同じ組織と同じ種類の仕事の中での積み重ね、間隔をあけた繰り返し、振り返りと他者の支援だった。

• 量が質を作るのか：傑作の数と傑作率、アイデアの数と最良案、試作の比べ方、練習の時間、陶芸クラスの逸話の出所の学術文献から

  2026-11-12

  「量が質を作る」という言い習わしを、量の種類（作品の数、アイデアの数、試作の反復、練習の時間）ごとに分けて、学術文献 35 件と逸話の出所の資料 5 件で確かめた。作品を多く作る人ほど当たりの数は多い。発明者約 150 万人、心理学者 1,742 人、科学者 20,296 人のデータで、総数と総被引用の相関は .59〜.77 だった。一方で、総数と一本あたりの平均被引用の相関は −.0004〜.07 で、数が多い人ほど一つずつが良いとは言えなかった（Forthmann ら 2020）。最も評価された作品はキャリアの中のランダムな位置に出て（Sinatra ら 2016、Janosov ら 2020）、当たりが固まる時期にも生産数の変化は見つからなかった（Liu ら 2018）。ただし上位 1% に入る論文の割合で測ると、論文数の多い研究者ほど割合が高く、若いコホートでは逓減した（Larivière と Costas 2016、2,800 万人）。アイデア出しでは、量を目標にすると良い案の数も増え（Paulus ら 2011）、後に出た案ほど独創的だった（Beaty と Silvia 2012）。しかし人は出した案から独創的な案を選びにくく（Rietzschel ら 2010）、最良案の質は数のほかに平均、ばらつき、見分ける力で決まる（Girotra ら 2010）。デザインの試作では、作る数を両条件で 5 案にそろえても、まとめて講評を受ける並列の群が 1 案ずつの群を上回った（Dow ら 2010）。練習の時間は成績の分散の 14%（2018 年の訂正後）を説明し、分野で 1〜24% と開き、スポーツのエリートでは 1% だった（Macnamara ら 2014、2016）。意図的練習を唱えた Ericsson 自身は、量ではなく教師が設計した練習を基準にした。陶芸クラスの逸話は、写真家 Jerry Uelsmann の写真の初級クラスでの手法を、著者の一人 Orland が本人から聞き、陶芸に置き換えた話だった（Orland のメール、Clear の記事の脚注）。成績の記録や比べた資料は見つからない。逸話の本は量の群が失敗から学んだと書くが、Uelsmann 本人は、十分な数を撮ってから良いものへ絞り込む、と選別の言葉で語っていた。学術文献が強く支える形は「多く作ると当たりの数が増える」であり、「量をこなすと一つずつが良くなる」は、分野、測り方、練習の中身によって結果が分かれる。

• 新規事業のゲート設計：止めるべき案を止め、育つ案を止めないために

  2026-11-11

  新規事業に投資を続けるかを段階ごとに決めるゲートについて、公的機関の制度と評価 11 件、調査会社とコンサルの資料 5 件、ゲートを作り運用する実務家の一次資料 20 件、学術の文献 14 本を読み、本文で照合した。ゲートの失敗は三つの型に分かれる。止めるべき案が止まらない、育つ案を早く止めてしまう、ゲートが承認の儀式になる。一つめには機構の研究がそろっている。経営者は失敗中の新製品を続ける強い偏りを持ち、自分で決めた事前の判断規則はあまり効かず、外から与えた規則か判断者の交代が相対的に効いた（Boulding ら 1997）。新しい製品ほど止めにくく（Schmidt と Calantone 1998）、チームでは恐れより希望が続行に強く結びついた（Huang ら 2019、66 チーム）。実務の対策は、判断する人を案の当事者から分け（サイバーエージェントの他部署による審議、英国の Gateway Review の独立した審査者）、資金を検証の段階ごとに出す（McGrath、Ries、リクルートの 4 段階）ことである。ただし、日本の大企業の新規事業の関与者 888 人の調査では、明文化した撤退基準の 28.5% が守られず、事業開始前に決めた基準は 38.1% が守られなかった（開始後に決めた基準は 17.2%、支援会社の調査で関連のみ）。基準は決めるだけでなく、誰がいつ見直すかまで決める必要がある。二つめと三つめにも証拠がある。厳しく客観的なゲート基準の反復は案件を硬直させ、新奇な製品の成果を下げた（Sethi と Iqbal 2008、120 件）。米国 SBIR の移行率の基準は探索的な研究を制約しうると評価された（全米アカデミーズ 2026）。2022 年以降は、新事業の損益分岐までの平均投資が約 1.25 億ドルから約 7,700 万ドルに下がり、資金の手綱が短くなった（McKinsey 2025）。Stage-Gate の考案者 Cooper は、ゲートの目的を投資判断の最適化から学習の速さへ移し、有望な案を早く止める誤りを避けるよう提案している（Cooper と Zhao 2026、提案で実証ではない）。

• 新規事業の受容性調査は何を証拠にするか：言葉から行動へ、そして生成 AI

  2026-11-11

  新規事業の受容性調査（顧客がその事業を受け入れるかを、事業にする前に確かめる調査）について、公的機関の制度 6 件、調査会社とコンサルの調査 5 件、手法を作った実務家の一次資料 16 件、学術の文献 14 本を読み、本文で照合した。実務のベストプラクティスは、顧客が言うことより、することを強い証拠とみなす方向にそろっている。面接と質問紙は弱く、疑似的な販売や公開後の利用は強い（Osterwalder 2017、Gilad 2017）。言葉の弱さには測った根拠がある。仮想の質問で測った支払意思額は、実際より平均 21% 高い（Schmidt と Bijmolt 2020、77 研究のメタ分析）。米国の公的制度は検証の行為を義務にし（NSF I-Corps は 7 週間で潜在顧客への面接 100 件）、市場がないという結論も成功に数える。日本の NEDO と EU の EIC は、市場の説明を審査の書類として求める。仮説を立てて試すやり方の効果を無作為化実験で測ると、規模の大きい二つの実験で共通して出たのは、見込みのない案を早く打ち切ることだった（Camuffo ら 2024、759 社。Bailey ら 2026、553 社、査読前）。日本の大企業では、投資回収まで届いた案件を持つ企業は約 2 割で（PwC 2025）、失敗の予感を顧客の声として上に伝えても 23.6% は受け入れられなかった（イノベーション総研 2026、支援会社の調査）。生成 AI が広まってからの変化は二つある。生成 AI で試作品がすぐ作れるようになり、動く試作品は需要の証拠にならなくなった（Blank 2026）。AI の合成回答者が調査に入り、市場調査担当者の 69% が過去 1 年に使った（Qualtrics 2024、販売者の調査）。合成回答は平均を近づけても分布を外し、快楽財の支払意思額を過大に出した（Oetzel と Maiberger 2026）。合成回答は、言葉の証拠のさらに下に置くのが妥当である。

• 日本語の文章術の名著は何を説いたか：九冊の主張を手順とチェックリストに直す

  2026-11-10

  日本語の文章の書き方で名著とされる九冊（谷崎潤一郎 1934、三島由紀夫 1959、井上ひさし 1987 の文章読本、清水幾太郎 1959、岩淵悦太郎編 1960、本多勝一 1976、木下是雄 1981、戸田山和久 2022 の作文技術書、文章読本というジャンルを批評した斎藤美奈子 2002）が何を説いたかを本ごとにまとめ、書く工程の手順とチェックリストに直した。本文を読めたのは著作権の保護期間が終わった谷崎だけで、ほかは目次、出版社の紹介、本文を引く大学の講義資料の範囲で書いた。作家の文章読本は感覚と鑑賞の訓練を説き、作文技術書は読み手の理解を目的に置いて点検できる規則を立てる。両者は言葉を惜しむ点で一致し、はっきり言い切るかどうかで割れる。谷崎は品格の条件に「余りはつきりさせようとせぬこと」を挙げ、木下は「はっきり言い切る姿勢」に一章を充てる。ただし谷崎は専門の学術的な文章を扱わないと断っており、二人の指示がぶつかるのは手紙のような一般の実用文の範囲に限られる。

• 認知的降伏：AI に判断を明け渡す現象の系譜、生成 AI による変化、対策の現在

  2026-11-06

  認知的降伏（cognitive surrender）は、AI の出力を吟味せずに自分の判断として採り、考えること自体をやめてしまう傾向を指す。Shaw と Nave（2026、査読前）が名づけ、AI が誤ると、相談した試行の 79.8% で人は誤答に従い、正答率は AI なしの 45.8% から 31.5% に下がり、確信はかえって上がった。同じ現象は 1970 年代の航空の事故報告から、自動化への慢心（complacency）と自動化バイアス（automation bias）として研究されてきた。生成 AI は、この問題を専門職の狭い警報から、誰もが使う流暢な言葉の助言へ広げ、誤りに従うだけでなく、学ぶ機会と技能そのものを減らす形に変えた（AI を外した試験で 17% 低下、AI 導入後に AI なしの腺腫検出率が 28.4% から 22.4%）。研究の中心も、人間工学から HCI、学習科学、認知心理学へ移った。対策の証拠は、説明を足すことと一般的な警告が弱く、誤りやすい箇所の局所的な表示、出典と不整合の提示、一人称の不確実性の表明、結果のフィードバックと誘因、AI なしで測る評価が条件つきで効くことを示す。人が先に判断を置く手順は正しい AI への依存まで減らし、AI が反論を返す設計は証拠がまだ少ない。効く設計ほど好まれにくく、考える意欲の高い人に偏って効くという代償が、どの対策にも残っている。

• ユーザーヒアリングのチェックリスト：準備するもの、聞くこと、発注者への報告まで

  2026-11-03

  使う人や買う人へのユーザーヒアリングを、計画から募集、同意、謝礼、質問ガイドと試し聞き、当日の記録、データの保管、分析、発注者への報告まで 9 段階に分け、段階ごとに用意するものと確かめることをチェックリストにした。根拠は、学術の文献 28 本と、公的機関の手引き、法令の手引き、調査倫理の業界規範 27 件、調査会社とコンサルの資料 26 件、実務家の一次証言 18 件で、本文が取れたものは本文で照合した。準備の欠けは、聞く前にも聞いたあとにも調査を壊す。SNS で募集した調査では 7 時間で 271 件の回答が届き、94.5% が不正と判定された（Pozzar ら 2020）。電話とメールで確かめると、回答を揃えた 91 人のうち使えたのは 8 人だった（Jean Louis と Thompson 2025）。スクリーナーには見破るための偽の選択肢を混ぜ、職業は開いた質問で聞き、予備の参加者を見込む。最も多い謝礼額（時給 60 ドル）の非モデレート調査では無断欠席が約 30% あった（User Interviews 2025）。謝礼は開始時に渡すと、答え方と謝礼を切り離せる（GOV.UK）。同意は記録を残し、録音や観察は募集時と開始時の両方で知らせる。録音は既定ではあるが、熟練した聞き手が直後に書いたメモは逐語録と同程度に詳しく、録音しない方がよい場面もある（Rutakumwa ら 2020）。自動の文字起こしは約 1% に実在しない文を作った（Koenecke ら 2024）。報告では、事実、意見、解釈を分け、提言はその導き方とともに示す（MRS、JMRA）。参加者を特定できるデータは、本人の同意なしにクライアントへ渡さない（ICC/ESOMAR、JMRA）。画面操作の確認を加えるなら、試作の応答、ダミーデータとテスト用アカウント、答えを教えない課題、思考発話の説明、画面録画の同意と映り込みのぼかし、遠隔の技術確認、重大度の付け方を足す。評価者 2 人が見つけた問題の一致は平均 5〜65% にとどまる（Hertzum と Jacobsen 2001）。

• グループインタビューのチェックリスト：準備するもの、聞くこと、発注者への報告まで

  2026-11-03

  使う人や買う人を数人ずつ集めるグループインタビュー（フォーカスグループ、座談会）を、計画から募集、参加者どうしの守秘、謝礼、進行と司会、会場と観察者、記録、分析と報告まで段階に分け、1 対 1 のヒアリングに加えて用意するものと確かめることをチェックリストにした。画面操作の確認を加えるときに足すものも最後にまとめた。根拠は学術の文献 18 本、公的機関と標準と業界規範 16 件、調査会社と業界誌 24 件、実務家の一次証言 9 件で、本文が取れたものは本文で照合した。グループで生まれるデータは参加者どうしのやりとりで、350 人の無作為割付の比較では、一人あたりの項目の幅は 1 対 1 が広かったが、機微な打ち明けのいくつかはグループの方が起きやすかった（Guest ら 2017）。40 グループの分析では主題の 80% 超が 2〜3 グループで出た（Guest ら 2017）。層ごとに 2 グループで論点の理解が深まり、それ以上はほとんど増えなかった（Hennink ら 2019）。ところが保健の研究 220 本のうちグループ数の理由を書こうとしたのは 17% だった（Carlsen と Glenton 2011）。参加者は互いに知り合いでないようにし（JMRA）、直近 6 か月の参加者を除く（カナダ政府の標準）。聞き手は参加者どうしの守秘を保証できないことを同意書と冒頭の説明で伝える（UC Berkeley）。観察はグループの半分まで、観察者は 1 人が理想とされ（MRS）、口をはさまない観察者でも参加者の生理的ストレスと一部の成績に影響した（Sonderegger と Sauer 2009）。報告には割合を載せない（カナダ政府の標準）。グループでは画面の使いやすさは確かめられないので、操作の確認は 1 対 1 で別に組むか、操作の形を変え、試作、ダミーデータ、課題、思考発話、画面録画と映り込み、遠隔の技術確認、重大度の付け方を準備する。

• AI とデザイン 週次ウォッチ（2026-10-26〜11-02）

  2026-11-02

  直近7日間の「AIとデザイン」動向をT1vベンダー一次、T2公的機関と調査、T3専門家私見の3ティアで収集した統合要約。Figmaは自社の編集モデルの学習手法を公開し、動画・画像生成の場Figma Weaveの解説とMCP経由の利用、Google Drive接続を出した。FramerはAssetsパネルを刷新した。OpenAIはGPT-6.1 Terraを、AnthropicはOpus 4.8のfast modeの廃止予告を出した。T2では公的機関と調査会社に採用できる項目が0件だった。T3ではNielsenがクリエイター市場の調査の引用とAI研究の紹介を、Willisonがゲーム開発の転換点を、Wroblewskiが技術の限界は一時的だという論を書いた。

• AI とデザイン 月次学術ウォッチ（2026年10月〜11月）

  2026-11-02

  2026年10月6日から11月2日までを窓に、AIとデザインの交差領域の査読論文とプレプリント12件を収集した月次学術ウォッチ第5弾。148チームの実験は、同じ15分のAI利用でも探索段階に置くか選択段階に置くかで専門家評価の創造性が変わると報告した。協働では、2人1組と異分野の創作者のあいだにAIが入る場面が2件の質的研究で扱われた。教育では、自己効力との日々の往復、メタ認知プロンプトの効果、学生自身の「補助と置き換え」の線引きが並んだ。

• 初めの小さな偶然は、なぜ後で大きく効くのか：累積有利と同じ構造の理論を、経済学、政治学、統計物理、化学、生物学、発達研究、言語学から比べる

  2026-11-01

  累積有利（最初の有利がその後の有利を呼ぶ過程）と同じく、初期の小さな偶然の影響が時間とともに大きくなるとする理論を、経済学、政治学、統計物理とネットワーク科学、化学、宇宙論、生物学、発達研究、言語学の学術文献 43 件で比べた。同じ構造と呼べるのは、偶然の出来事、いまの状態に応じて強まる自己強化、過去を忘れない過程（非エルゴード性）の三つがそろうものである。収穫逓増の技術競争（Arthur 1989）、政治の経路依存（Pierson 2000）、経済地理の中心と周辺（Krugman 1991）、優先的選択（Barabási と Albert 1999）、情報カスケード（Bikhchandani ら 1992）、鏡像異性体の偏りの自己触媒による増幅（Frank 1953、Soai ら 1995）、群集の優先効果（Fukami 2015）、ランナウェイ性選択（Lande 1981）がこれに当たる。Pólya の壺では、強化が線形なら割合は偶然で決まる値に落ち着き、規模に対して逓増なら序盤のゆらぎで一方の独占に固定され（Pemantle 2007）、逓減なら偶然は平均されて消える（Arthur 1989）。撹拌した塩素酸ナトリウムの結晶は 99.7% が同じ向きにそろい、向きは実験ごとに偶然で決まった（Kondepudi ら 1990）。音楽市場の実験では、他人の選択が見えると成功の不平等と予測不能性が増した（Salganik ら 2006、14,341 人）。一方、似て見えて機構が違うものもある。初期値鋭敏性（Lorenz 1963）は解の不安定性で、強化も固定もない。比例成長（Gibrat）は対数で見ると各時点の衝撃を同じ重みで足し合わせる。失業のヒステリシス（Blanchard と Summers 1986）は衝撃の持続であって増幅ではない。凍結された偶然（Crick 1968）は変える費用による固定で、敏感期（Knudsen 2004）と胎児期起源説（Gluckman ら 2008）は時期によって効き方が違うことによる。宇宙の構造形成は偶然の種を重力が決定論的に育て、統計の性質は予測できる（Springel ら 2006）。同じ構造の主張には反証もある。日本の都市は戦災の後ほぼ 15 年で元の相対的な大きさに戻り（Davis と Weinstein 2002）、QWERTY の非効率の証拠は弱く（Liebowitz と Margolis 1990）、大腸菌の 12 集団の適応度は似た値に収束した（Travisano ら 1995）。偶然が後で効くかは、偶然が入る時点、自己強化の強さ、固定された状態の固さ、地力や適応度による相殺の四つで決まる、という整理を書く。

• 非認知能力の研究は、どこへ動いたか：呼び名、賃金の上乗せ、育て方、測り方の潮流（2015〜2026）

  2026-11-01

  非認知能力（社会情動的スキル）の研究が 2015 年からの 10 年あまりに何を問い、どこへ重心を移したかを、査読論文を中心とする 47 件と、語の件数の数えで整理した。英語の論文では、題名か要旨に「非認知」の語を含む論文は「skills」を含む論文 1 万本あたり 2017 年の 21.1 本から 2025 年の 9.0 本に減り、「社会情動」の語は 25.9 本から 56.4 本に増えた（OpenAlex）。日本語の論文では、「非認知能力」の語が 2014 年の 6 件から 2025 年の 108 件に増え、2025 年でも「社会情動的スキル」（37 件）の約 3 倍ある（CiNii Research）。このノートが読んだ範囲では、語の入れ替わりの背後で、研究は三つの向きに動いた。一つめは、認知でない残りを一括りにする呼び名をやめ、性格特性（しがちなこと）とスキル（できること）を分ける枠組みへの移行で（Soto ら 2022 の BESSI）、スキルは特性を超えて説明を足したが（平均 ΔR² = .06、Soto ら 2024）、どちらも自己報告で測られている。二つめは、価値の相関から因果の推定への移行である。社会的スキルへの賃金の上乗せは米国、スウェーデン、フィンランドで上がったと報告され（Deming 2017、Edin ら 2022 はほぼ倍、Izadi と Tuhkuri 2026 は外向性が引く）、スイスの小学校の無作為化実験では、効果が標準化テストではなく成績と進学に 10 年以上残った（Sorrenti ら 2025）。教師と学校は試験の点とは別の成果を動かし、その効果は試験への効果と弱くしか相関しない（Jackson 2018 の WP で r = 0.22）。学校の SEL のメタ分析の効果は、2011 年の Durlak らより 2023 年の Cipriano ら（審査中の版で全体 g = 0.194、学業 0.109）で小さく、日本の 85 研究には無作為化で偏りの危険が低い研究がなかった（Takizawa ら 2023）。三つめは、自己報告の比較への疑いである。学力の高い学校の生徒ほど自己調整を低く答える参照バイアス（N = 229,685、Lira ら 2022）が見つかり、質問紙への回答の努力や試験中の成績の低下のような、行動から測る工夫が増えた。生成 AI の時代に社会的スキルの需要が増えるかは、査読前の前刷りの版で結論の向きが入れ替わっていて、決まっていない（Gulati ら 2025）。

• このサイトの持ち主が最も多く調べてきた 5 つの主題と、それぞれの研究の主流

  2026-11-01

  このサイトの日本語のノート 233 本（2026-11-01 の時点、非公開を含む）を、定期収集のウォッチとサイト自体を扱うノートを除いて slug の規則で主題に分けると、多い順に、デザイナーの職能と実務（40 本）、生成 AI の道具と仕組み（32 本）、能力と評価（26 本）、研究の方法と新規性（26 本）、デザインの理論と来歴（23 本）になった。各主題の研究分野でいま最も主流の流れを、系統的レビューの記述、代表文献の被引用、近年の論文数で確かめた。職能では、人と AI の協働による補完（Figoli と Rampino 2026 の 48 本のレビュー、Shi ら 2023 の 93 本のレビュー）が主流で、題名か要旨に協働の語を含む論文は代替の語を含む論文の約 5 倍ある。対抗は需要の減少の実証（Demirci ら 2025 で画像制作の求人が 17% 減）と均質化の実証（Doshi と Hauser 2024）、協働という言い方への批判である。道具では、LLM を制御の中心に記憶、計画、道具の使用を足したエージェント（Wang ら 2024、年ごとの被引用は 2023 年の 9 から 2026 年の 1,045）が主流で、対抗は人が主導権を持つ混合主導の HCI と、人との差（WebArena で 14.41% 対 78.24%）と評価の偏りを示す批判である。能力と評価では、得点の解釈と用途の妥当性を問う心理測定の枠組み（AERA、APA、NCME の Standards 2014）と、それに立つ個人差の研究（双生児研究の遺伝率 49%）が主流で、対抗は累積有利と能力主義の批判と、能力を状況に置く見方である。方法と新規性では、文献の空白を見つけて問いを立てる gap-spotting（Sandberg と Alvesson 2011 の 52 本で最も多い方法）が主流で、対抗は前提を問い直す problematization と、新規性を引用の組み合わせで測る科学計量である。理論では、デザインに固有の知の型を、行為の中の省察と問題と解の共進化に見る Cross、Schön、Dorst の流れが主流で、プロトコル研究のレビュー（Hay ら 2017）もこの流れと Simon の問題解決を二つのパラダイムとする。ただし年あたりの被引用は、2024 年から多元世界やデザインの正義の代表作が上回った。五つの主題のどれでも、持ち主のノートは主流に乗って書くより、主流の前提や範囲を問う側に多く立っている。

• 生成 AI が実用になってからの HCI の研究潮流（2023〜2026）：作る研究の多さと、人の側に残る確かめる仕事

  2026-11-01

  ChatGPT の公開（2022 年 11 月）からの 3 年あまりに、HCI（人とコンピュータの相互作用）の研究が生成 AI について何を問うてきたかを、CHI を中心とする査読論文と主要なプレプリント 43 本と、CHI の論文数の数えで整理した。題名か要旨に LLM や生成 AI の語を含む CHI の論文の割合は、OpenAlex の数えで 2023 年の 1.9% から 2024 年の 13.2%、2026 年の 23.0% へ増えた。2020〜2024 年の CHI の LLM 論文 153 本の系統的レビュー（Pang ら 2025）では、62.74% が LLM をシステムの部品として使い、90.85% が研究の妥当性に関わる限界を認め、84.98% が閉じた GPT 系のモデルを使っていた。量の主流は、生成 AI を部品にしたシステムを作る研究である。HCI が新しく知ったことは、使う人の側に何が起きるかを測る研究に多く書かれている。素材としての難しさ（非専門家のプロンプトの失敗、構想の溝）、頼りすぎと適切な信頼、エージェントへの委任と監督、個人の出来と集団の均質化、学習への害、障害のある人への表象の害と確かめる負担、迎合と長期の使用の心理的影響、参加者の代わりとしての LLM の妥当性である。これらに共通して、人の仕事は作ることから確かめ、統合し、監督することへ移ると報告され（Lee ら 2025、Sarkar と Drosos 2025）、使っているあいだの成績や好みと、外したあとの学び、集団の多様性、人のためになることがずれる（Bastani ら 2025、Doshi と Hauser 2024、Cheng ら 2026）。ずれを縮める設計は、使う人に好まれにくい（Buçinca ら 2021、Cheng ら 2026）。害が出ない条件を示す研究もある（Kazemitabaar ら 2023、Bastani ら 2025 の学習用の安全策、Kim ら 2024 の一人称の不確かさの表明）。

• プレイングマネージャーとは何か：任命される側と任命する側の損得を、学術界と産業界の資料で比べる

  2026-11-01

  部下を持ちながら自分も実務の成果を負う管理職（プレイングマネージャー、英語では player-coach）について、学術の文献 28 本と、公的機関と国際標準の資料 11 件、調査会社と研究所の調査 14 件、経営者と実務家の一次の発言と報道 16 件を読み、本文が取れたものは本文で照合した。学術にはこの語の研究がほとんどなく、第一線の管理職、専門職と管理職を兼ねる hybrid、専門性の高い上司、役割の過負荷の研究に分かれている。日本の調査では課長の 98.5〜99.5% が何らかの実務を兼ね、業務のほぼ半分（加重平均 49.1〜50.1%）が実務で、その割合は 2010 年から 2019 年の調査で変わっていない。近年の流行は二つの別の動きである。日本では長く続く状態に名前が付き、米国のテック企業では 2023 年以降、管理職の層を減らす経営の方針として player-coach が掲げられた（Coinbase の「No pure managers」など）。任命される側の利点は、実務への関わりを続けられること、部下の尊敬を得る根拠になること、賃金である。欠点は、時間不足（課長の 59% がマネジメントに支障ありと答える）、役割の過負荷と葛藤、自分の数字を優先してしまうこと、兼務でも技能は衰えること、学ぶ時間がないこと、昇進の得が負担に見合わないことである。任命する側の利点は、一人で二つの能力を得ること、層の削減、専門性の高い上司が部下の満足を高めること（Artz ら 2017）である。欠点は、部下が育たないこと（課長の悩みの 1 位）、実務の比率が高いとチームの成果と管理職自身のエンゲージメントが下がること（自己評価の成果は 20〜30% で最も高く 80% 以上で最も低い、Gallup は 40% を境に差）、優秀なプレイヤーを昇進させる費用（Benson ら 2019）である。学術と産業は、兼務が時間と注意を取り合い、管理の仕事が先に削られる点で一致し、産業は時間の比率と本人の負担感を測り、学術は役割の構造と部下や組織への帰結を測る点で分かれる。比率と成果の関係を査読研究で確かめたものは見つからなかった。

• ユーザーヒアリングの進め方：学術界と産業界は何を共有し、どこで分かれるか

  2026-11-01

  デザイン成果物（UI から、サービス、事業まで）をつくるためのユーザーヒアリングについて、学術の文献 32 本と、公的機関の手引きと調査倫理の規範 14 件、調査会社とコンサルの資料 12 件、実務家の一次証言 13 件を読み、本文が取れたものは本文で照合した。聞き方の作法は両者でほぼ一致する。意見や将来の予測ではなく過去の具体的な出来事を聞き、誘導せず、黙って聞き、言葉を観察と合わせて読む。学術は自己報告の限界と、聞き手が答えを動かす大きさを測った（Dell ら 2012 では、聞き手が作ったと思った方を選ぶ傾向が約 2.5 倍、通訳つきの外国人の聞き手では 5 倍）。産業は同じことを手引きと業界規範の規則にしている。分かれるのは聞いたあとである。止め時を、学術は飽和や information power という知識の十分さで決め（飽和は面接 9〜17 件、Hennink と Kaiser 2022）、産業は 1 ラウンド 4〜8 人を繰り返し、設計の判断に確信が持てるかで決める。分析を、学術は逐語の記録と体系的な手順で残し、産業は記憶が新しいうちに付箋でまとめ、調査 2 時間に分析 1 時間を当てる。人類学とデザインの学生を同じ場で比べた研究では、技法は同じで、違いは調査の目的と参加者の声の扱いに出た（Segelström 2013）。誰が聞くかは、産業では研究者以外へ広がり（実務家調査では研究を行う人としてプロダクトデザイナーが 61%）、倫理を確かめるのは、学術では所属機関の審査、産業では組織の手引きと業界規範である。事業の層では、学術が顧客発見の方法そのものを無作為化実験で確かめている（Camuffo ら 2020）。生成 AI については、合成ユーザーを人の代わりにしない点で両者が一致する。AI を聞き手にすることは、構造化した聞き取りでは人と同程度の質が報告され、探索的な面接では人が要るという評価が多い。