# 生成AIの早期利用は思考の醸成を阻害するか：cognitive offloading と学習の文献地図 - 著者：小川 修一郎（デザイン研究者／デザインコンサルタント）https://jamjet-iqbal.com/ - 初出：2026-08-07、更新：2026-08-08 - 正規の URL（HTML）：https://jamjet-iqbal.com/notes/ai-cognitive-offloading-learning/ - 英語版：https://jamjet-iqbal.com/en/notes/ai-cognitive-offloading-learning/（Markdown：https://jamjet-iqbal.com/en/notes/ai-cognitive-offloading-learning.md） - 言語：ja - キーワード：generative-ai, cognitive-offloading, cognitive-debt, metacognitive-laziness, assistance-dilemma, critical-thinking, learning-sciences, literature, ai-education > 「生成AIの早期活用が、学習者自身から本来出てくるはずだった思考の醸成を阻害する」という主張の学術的証拠を、害の実験報告7件、相関・自己報告2件、理論的先行枠組み3件、反対・条件付け証拠3件（＋撤回1件の記録）の16文献で整理した。害は (1) 答え提供型のガードレールなしAI、(2) 初学者・苦戦中の学習者、(3) 即時成績と定着・転移の乖離、の3条件に集中し、肯定的メタ分析との見かけの矛盾は測定対象の違いで説明できる。主張は「ガードレールなしの答え提供型AIの早期利用」に限定して実証的に支持される ## スコープと方法 本ノートの問いは、「生成 AI を学習の早期から使うと、AI の介入が学習者自身から本来出てきたはずの次の思考の醸成を阻害する」という主張は、学術的にどこまで支持されるか、である。 この主張は、[意図的な失敗の学習設計：期待の失敗から productive failure、産業実装まで](https://jamjet-iqbal.com/notes/failure-driven-learning/) で整理した「失敗と困難が学習を駆動する」系譜の裏面にあたる。 AI が答えを先回りして与えることは、期待の失敗（expectation failure）や望ましい困難が生じるはずだった場面を消すことだからである。 収集は mode: academic で、害の実験報告（A 群 7 件）、相関・自己報告（B 群 2 件）、理論的先行枠組み（C 群 3 件）、反対・条件付け証拠（D 群 3 件）に、撤回された肯定的メタ分析 1 件の記録を加えた 16 文献（`source/review/ai-cognitive-offloading-learning/papers.md`）。 preprint には flag: non-peer を付し、効果の主張は各論文の報告として記述する。 ## 理論的先行枠組み：この主張は新しくない 生成 AI 固有に見えるこの主張は、3 つの確立した枠組みの新しい事例である。 **Assistance dilemma**（Koedinger & Aleven 2007）は、知的チュータリングシステムの研究で「支援が多すぎると浅い学習と自律的意欲の喪失、少なすぎると無駄な苦労」というジレンマを定式化した。 「AI がどこまで教えてよいか」という現在の問いは、このジレンマの生成 AI 版である。 **Cognitive offloading**（Risko & Gilbert 2016）は、外部の道具に認知処理を委ねることの効率と、学習への帰結（委ねた処理は内化されない）を整理した。 その実証的先行例が **Google 効果**（Sparrow ら 2011）で、情報に外部からアクセスできると期待するだけで内容の記憶符号化が低下し、人は「どこにあるか」を覚えるようになる。 生成 AI は、検索が「情報の所在」を代行したのに対し、**思考の生成そのもの**を代行する点で、offloading の対象を一段深くした道具として位置づけられる。 なお、テクノロジーの教育害の主張全般（Google 効果を含む）とその査読済み反証の頑健性判定は [テクノロジーが教育に害を与えるパターンと、その反証：25文献の頑健性判定](https://jamjet-iqbal.com/notes/technology-education-harm-patterns/) が扱う。 ## 実験的証拠：害はどこで出るか 主張を最も直接に検証したのは、Bastani らのフィールド RCT（PNAS 2025。トルコの高校数学、約 1,000 名）である。 素の GPT-4 を使える生徒は練習成績が 48% 向上したが、AI へのアクセスを外した試験では対照群より 17% 低い成績になった。 練習中の成績向上が学習の錯覚であり、AI が肩代わりした思考が生徒に残らなかったことを示す。 同じ実験のもう一つの条件が重要で、答えを直接出さず問いかけと足場かけを行うよう設計された GPT Tutor 条件では、練習成績が 127% 向上した上で、試験成績の有意な低下は出なかった。 この「AI があるときは良く見え、外すと残っていない」というパターンは、独立した複数の実験で再現されている。 Darvishi ら（2024。10 コース 1,625 名）は、学生が AI 支援から学ぶのではなく AI に依存する傾向を報告し、支援を外すと成績が低下して独立した能力が残らないことを示した。 Fan ら（2025）は、ChatGPT 群がエッセイの点数では他群を上回る一方、知識獲得と転移では差がないことを示し、AI 依存でメタ認知的な評価と方向づけが抑制される状態を **metacognitive laziness** と名づけた。 Stadler ら（2024）は、ChatGPT 群が Web 検索群より認知負荷が低いのに、推論と正当化の質が有意に劣ることを報告した（認知的な楽と引き換えに深さが失われる）。 初学者プログラミング教育では、害が学習者の層で分岐することが示されている。 Kazemitabaar ら（CHI 2023。初学者 69 名）では、Codex 群はコード作成の得点が 1.8 倍だったが、続く修正課題では差がなく、しかも AI をコピペで受動的に使った学習者と、検証しながら能動的に使った学習者で結果が分かれた。 Prather ら（ICER 2024）は、苦戦する初学者に**能力の錯覚**（客観的な出来に反する過大な自己評価）が生じることを観察し、AI 利用に固有のメタ認知的困難の出現が成績と負に相関する（r = −0.503）ことを報告した。 高パフォーマンス層は AI を加速に使い、低パフォーマンス層は依存して理解不足を隠すという「格差の拡大」がタイトルの主張である。 神経生理の予備的証拠として、MIT Media Lab の Kosmyna ら（2025、preprint、査読未了）は、エッセイ執筆を 4 ヶ月 EEG で追跡し、LLM 群の脳内ネットワーク連結性が最も弱いことを **cognitive debt** と概念化した。 ただしこの研究には標本規模と解析の再現性を指摘する批判コメンタリーが出ており、査読を経ていない現状では傍証にとどめるのが妥当である。 ## 相関・自己報告の証拠 横断調査は同じ方向を指すが、因果は確定しない。 Gerlich（2025。666 名）は AI 利用頻度と批判的思考スコアの負の相関を報告し、cognitive offloading がそれを媒介するとした（若年層ほど依存が強い）。 Lee ら（CHI 2025。知識労働者 319 名、936 事例）は、生成 AI への信頼が高いほど批判的思考の努力が減り、自己効力感が高いほど増えること、批判的思考の中身が「自分で考える」ことから「AI の出力を検証し統合する」ことへ移ることを報告した。 いずれも自己報告と横断デザインの限界を持ち、「AI を使うから思考が衰える」のか「考えない人が AI に頼る」のかを分離できない。 ## 反対・条件付け証拠：肯定的メタ分析との整合 この主張への最有力の反対証拠は、ChatGPT の学習効果を扱った肯定的なメタ分析である。 Deng ら（2025。69 研究）は学業成績への大きな正の効果（g = 0.712）と高次思考の向上を報告し、Wu ら（2026。35 研究 4,193 名）も中程度の正の効果（g = 0.670）を報告した。 Kestin ら（2025）の Harvard 物理の RCT では、コース特化設計の AI tutor が対面アクティブラーニングを上回った。 見かけの矛盾は、測定対象を見ると解ける。 肯定的メタ分析が集計しているのは主に **AI を使っている最中・直後のパフォーマンス**であり、Bastani らや Darvishi らが検出した害は **AI を外した後に何が残るか**に現れる。 練習成績を 48% 上げた同じ介入が試験成績を 17% 下げた Bastani らの結果は、この2つの測定が逆の結論を出しうることの実例である。 これは [意図的な失敗の学習設計をめぐる論争：4系譜と認知負荷理論の論点整理](https://jamjet-iqbal.com/notes/failure-driven-learning-debate/) の論点3（学習と成績の解離。Soderstrom & Bjork）と同じ構造であり、desirable difficulties の系譜が「訓練中の成績は学習を誤導する」と警告してきたことが、生成 AI で再演されている。 なお、この領域の過熱を示す記録として、肯定的メタ分析の一つ（Wang & Fan 2025）が数値の不整合で撤回されており、コーパスに撤回記録として保持した。 ## 総合：主張はどこまで支持されるか 現在の証拠で、冒頭の主張は次のように条件づけて支持される。 「生成 AI の早期活用が思考の醸成を阻害する」は、**(1) AI が答えの提供者として働く設定（ガードレールなし、受動的使用）で、(2) 正準知識やメタ認知の弱い初学者に対し、(3) 効果を AI なしの定着・転移で測るとき**、複数の独立した RCT と準実験で支持される。 逆に、答えを出さず問いかけと足場かけに徹する設計（GPT Tutor、コース特化 tutor）では害が検出されておらず、むしろ学習が向上した報告がある。 つまり実証が支持しているのは「生成 AI は有害」でも「無害」でもなく、assistance dilemma の古い教訓である。 支援の害は支援の量と設計の関数であり、思考の肩代わりをする AI は思考を残さず、思考を要求する AI は残す。 これは [意図的な失敗の学習設計：期待の失敗から productive failure、産業実装まで](https://jamjet-iqbal.com/notes/failure-driven-learning/) が産業サービスに見た「失敗後の統合の欠如」と同型の設計問題として読める。 AI 時代のデザイン教育のカリキュラム側の検討は [デザイン教育のAI適応 — カリキュラム改革の現在地と構造的課題](https://jamjet-iqbal.com/notes/design-education-ai-adaptation/) が扱っている。 ## 空白（未充足の論点） - 効果の長期縦断（学期を超えた追跡）はほぼなく、Kosmyna ら（4 ヶ月）が最長級だが査読未了である。 - 「早期」の操作的定義（学習のどの段階から AI を許すと害が出るかの段階的検証）を直接扱った研究は見つからなかった。現状の証拠は初学者対非初学者の粗い対比にとどまる。 - 害の緩和設計（ガードレール）の設計変数を分解した研究（何を制限すると効果があるのか）は Bastani らの 2 条件比較にとどまる。 - デザイン教育、システム設計教育など、正解が一意でない領域での検証は見つからなかった。実証は数学、物理、プログラミング、エッセイに集中している。 - 日本語圏の実証は今回の探索では確認できなかった。 ## 未検証事項 - Stadler ら（2024）と Gerlich（2025）の効果量の具体的統計値（フルテキスト未到達） - Kazemitabaar ら（CHI 2023）の DOI の最終確認（.3580919 と .3580950 の混在） - Kosmyna ら（2025）の査読採択の最新状況と、批判コメンタリー（arXiv:2601.00856）の全著者名 --- ## 参照文献 すべて 2026-08-08 アクセス。台帳の詳細は `source/review/ai-cognitive-offloading-learning/papers.md` を参照。 ### 実験・準実験による害の報告 - Bastani, H., Bastani, O., Sungu, A., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. *PNAS*, 122(26). https://doi.org/10.1073/pnas.2422633122 - Fan, Y., Tang, L., et al. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. *British Journal of Educational Technology*, 56(2), 489–530. https://doi.org/10.1111/bjet.13544 - Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. *Computers in Human Behavior*, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386 - Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. *Computers & Education*, 210, 104967. https://doi.org/10.1016/j.compedu.2023.104967 - Kazemitabaar, M., et al. (2023). Studying the effect of AI Code Generators on Supporting Novice Learners in Introductory Programming. *CHI 2023*. https://doi.org/10.1145/3544548.3580919 - Prather, J., et al. (2024). The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers. *ICER 2024*, 469–486. https://doi.org/10.1145/3632620.3671116 - Kosmyna, N., et al. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872. https://arxiv.org/abs/2506.08872 （preprint、non-peer） ### 相関・自己報告 - Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. *Societies*, 15(1), 6. https://doi.org/10.3390/soc15010006 - Lee, H.-P., et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. *CHI 2025*. https://doi.org/10.1145/3706598.3713778 ### 理論的先行枠組み - Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. *Trends in Cognitive Sciences*, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002 - Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. *Science*, 333(6043), 776–778. https://doi.org/10.1126/science.1207745 - Koedinger, K. R., & Aleven, V. (2007). Exploring the Assistance Dilemma in Experiments with Cognitive Tutors. *Educational Psychology Review*, 19(3), 239–264. https://doi.org/10.1007/s10648-007-9049-0 ### 反対・条件付け証拠 - Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT's impact on student learning outcomes: a meta-analysis of 35 experimental studies. *Humanities and Social Sciences Communications*, 13(1). https://doi.org/10.1057/s41599-026-07019-z - Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT Enhance Student Learning? A Systematic Review and Meta-Analysis of Experimental Studies. *Computers & Education*, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224 - Kestin, G., Miller, K., Klales, A., et al. (2025). AI tutoring outperforms in-class active learning. *Scientific Reports*, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6 - Wang, J., & Fan, W. (2025). The effect of ChatGPT on students' learning performance... *Humanities and Social Sciences Communications*, 12, 621. **撤回済み**（撤回通知: https://www.nature.com/articles/s41599-026-07310-z）