Shuichiro Ogawa
English

ノート · updated 2026-09-26

いま新規性を生む人に何が要るのか：資質、態度、姿勢、能力、スキルを分けて確かめる

LLM の研究アイデアは新規性の評点で専門家を上回ったが、実装すると評価を落として順位が逆転し（Si ら）、AI を使う科学者は論文と引用を大きく伸ばす一方で科学全体の話題は縮んだ（Hao ら、Nature 2026）。新しく見えるアイデアが希少でなくなったいま、新規性を生む人に何が要るのかを、求められるものを資質、態度、姿勢、能力、スキル、経歴に分けて確かめた。

目次（16）
  1. 新しいアイデアは、もう足りているのか
  2. 五つの語は、それぞれ何を指すのか
  3. 開放性と好奇心は、どのくらい効くのか
  4. 思いつく力と、選ぶ力は別のものか
  5. 問題を見つける力は、測られてきたか
  6. 知識と経歴は、新規性とどう結びつくか
  7. デザインの研究は、能力をどう描いてきたか
  8. 何なら育てられるのか
  9. 生成 AI は、何を安くして何を高くしたか
  10. AI を作る側は、人間に何を残しているか
  11. 公的機関と調査は、何を求め始めたか
  12. 実践者は、何を taste と呼んでいるか
  13. 層を並べると、どこが動いたか
  14. いま鍛えるなら、どこから手をつけるか
  15. 収集の空白
  16. Footnotes

新しいアイデアは、もう足りているのか

2024年、Si、Yang、Hashimoto は100名を超える NLP 研究者に、LLM が出した研究アイデアと専門家が書いた研究アイデアを、書き手を伏せて評価させた。 LLM のアイデアは、新規性の評点で専門家を上回った。 翌年、同じ著者らは43名の研究者に、割り当てたアイデアを一人100時間以上かけて実装させ、4ページの論文にまとめさせた。 実装後の盲検の評価では、LLM のアイデアの評点が新規性を含むすべての指標で専門家のアイデアより大きく下がり、多くの指標で順位が逆転した。

同じころ、Hao、Xu、Li、Evans は自然科学の論文4,130万本を分析した。 AI を使った研究をする科学者は、使わない科学者より論文を3.02倍多く出し、4.84倍多く引用され、研究の責任者になるのが1.37年早かった。 一方で、AI の採用は科学全体が扱う話題の量を4.63%縮め、科学者どうしの関わりを22%減らしていた。 AI を使った研究は、データが豊富な領域に集まっていた。

新しく見えるアイデアを出すことは、もう希少ではない。 個人の業績が伸びることと、科学が扱う範囲が広がることも、同じではなかった。 では、いま新規性を生む人には何が要るのか。

AI 研究や数学の第一線にいる人たちは、この問いにそろって taste（何が良く、何を選ぶべきかを見分ける目）と答えている。 ところが今回の収集では、research taste を測定して新規性との関係を調べた実証研究は見つからなかった。 実践者が一語で呼んでいるものを、研究が測ってきた単位に分けて確かめ直すことになる。

姉妹ノートは、新規性の側から問いを立ててきた。 新規性のある問いはどこから来るのか：四つの座とその組合せの学術的検討 は新規性が論文のどこに宿るかを、新規性はどう作られ、どう名乗られるか：確立戦略の類型 は新規性をどう作りどう名乗るかを、新規性の芽はどこで見つかるのか：驚き、読み直し、見かけだけの新規性 は芽をどこで見つけるかを、新規性の主張はどう確かめ、どう守り、どう書くか：投稿前の確認から論文の束まで は見つけた新規性をどう確かめて書くかを扱った。 このノートでは人の側に移り、求められるものを資質、態度、姿勢、能力、スキルに分けて、それぞれの証拠の強さと、生成 AI の普及で何が動いたかを確かめる。

五つの語は、それぞれ何を指すのか

求人や教育目標で並べて書かれる五つの語は、心理学と教育学では別々のものを指し、測り方も違う。

  • 資質：比較的長く続く個人差。性格特性と知能がここに入る。主に自己報告の尺度と検査で測られてきた。
  • 態度：ある対象（曖昧さ、失敗、リスク、新しいアイデア、AI）への評価の向き。状況や制度で動く。
  • 姿勢：研究や制作の進め方として選ぶ構え。問題を先に固めない、見慣れたものを問い直す、作りながら考える、などである。デザイン研究と質的研究が記述してきた。
  • 能力：課題で測れる認知の働き。発散的思考、連想、アイデアの評価、問題の発見がここに入る。
  • スキル：訓練で伸ばせる手続き。創造性訓練の技法、固着を外す手順、先行研究の確かめ方がここに入る。

五つとは別に、知識の深さと経歴上の選択（どこで探索し、いつ焦点を絞り、どれだけ遠くへ移るか）がある。 科学計量学が大規模なデータで最も多く調べてきたのは、この経歴の側である。

層を分けるのは、層ごとに証拠の型が違うからだ。 資質の証拠は自己報告の相関が中心で、能力は検査の成績、スキルは介入の効果量、姿勢はプロトコル分析と尺度開発、経歴は論文と引用の計量である。 効果量を横に並べて比べると、測り方の違いまで一緒に比べてしまう。 構えを固定的な所有物でなく、人と状況の組み合わせで生じる傾向として測る議論は、構えはいつ測られているのか：条件付き傾向としての測定と、共起としての測定 に整理した。

開放性と好奇心は、どのくらい効くのか

性格と創造的達成を結んだ最初のメタ分析は、Feist が1998年に出した。 Feist は、科学者と非科学者、創造的な科学者とそうでない科学者、芸術家と非芸術家の三つの比較で、性格特性の効果量を Big Five の次元に整理した。 創造的な人は、新しい経験に開かれ、慣習にとらわれず、誠実性が低く、自信があり、野心的で、衝動的だった。 効果量が最も大きかったのは、開放性、誠実性（低い向き）、自己受容、敵意、衝動性である。

開放性の中身は一様ではない。 Kaufman らは4つの標本（計1,035人）で、知覚、空想、美、感情への関わりを表す Openness と、抽象的な情報を推論で扱う Intellect を分けて調べた。 芸術での創造的達成を予測したのは Openness で、科学での創造的達成を予測したのは Intellect だった。 Intellect と科学での達成の結びつきは、少なくとも一部が一般的な認知能力と発散的思考で説明された。

効果の大きさは、7つのメタ分析を統合した da Costa らの二次メタ分析で見渡せる。 創造性との相関は、情動知能で .31、発散的思考で .27、開放性で .22、創造的パーソナリティで .21、内発的動機で .20 だった。 年齢、知能（.17）、外向性、自己効力感（.13）、外発的動機は、革新（innovation）と中程度に結びついていた。 リスクを好む態度（.08）と女性であること（.07）は、創造性と弱くしか結びついていなかった。

好奇心は、開放性より強く見える。 Schutte と Malouff は10研究（2,692人）を統合し、好奇心と創造性の相関を r = .41 と報告した。 ただし、この値は測り方で大きく動く。 好奇心の自己報告と創造性の自己報告の相関は .52 だったが、他者が評定した創造性との相関は .16 にとどまった。 創造的自己効力感でも同じことが起きる。 Haase らの60効果量（17,226人）のメタ分析では、自己効力感と自己評定の創造性の相関は .53 だったが、発散的思考の検査との相関は .23、図形の課題との相関は .19 だった。 「自分は好奇心が強く創造的だ」という自己像は、他人が作品を見て下す評価ほどには創造性を予測しない。

粘り強さは、どの粘りかで向きが変わる。 Lin らは成人522人で、grit の二つの次元を分けて創造的達成との関係を調べた。 努力を続ける次元は創造的達成を正に予測し、興味を一つに保ち続ける次元は負に予測した。 好奇心の5つの次元は、grit を超えて創造的達成を予測し、スリルを求める次元は芸術と科学の両方で予測力を持った。 grit を一つの高次の特性とする見方がメタ分析で支持されなかったことは、新規性の芽はどこで見つかるのか：驚き、読み直し、見かけだけの新規性 で見た。

資質は、状況を通して効く。 Hasan と Koning はスタートアップの研修で現場実験を行い、開放性の高い参加者は外向的な相手と話すと良いアイデアを出し、内向的な相手と話すとかえって悪いアイデアを出すことを示した。 開放性の低い参加者は、誰と話しても平凡なアイデアにとどまった。 開放性と好奇心は新規性の条件の一つだが、どれだけ効くかは、何で測るかと、どんな相手や場面に置かれるかで変わる。

思いつく力と、選ぶ力は別のものか

アイデアをたくさん出す力は、創造性研究で最も多く測られてきた。 それでも、その力が現実の創造的達成を予測する程度は小さい。 Kim は、発散的思考の検査と創造的達成の相関を27研究（47,197人）で、IQ と創造的達成の相関を17研究（5,544人）で統合した。 発散的思考は r = .216、IQ は r = .167 で、どちらも有意だが小さかった。

知能は、ある水準までは要る。 Jauk らは297人のデータに区分回帰を当て、知能と創造性の関係に閾値があるかを調べた。 閾値が見つかったのは創造的な潜在力の指標だけで、創造的達成には見つからなかった。 アイデアの数（流暢性）では IQ 85 前後、独創的なアイデアを二つ出す基準では 100 前後、多くの独創的なアイデアを出す厳しい基準では 120 前後に閾値があった。

独創性に至る道は一つではない。 Nijstad らの 二経路モデル は、独創性が柔軟性と粘りのどちらからでも生じることを示した。 多くの内容の範疇を渡り歩く柔軟性は独創性に直結するが、少ない範疇を深く掘り進める粘りでも独創性は生じる。 肯定的な気分は柔軟性を通して、否定的な気分は粘りを通して、創造性を高めうる。 Beaty と Kenett は、連想が創造性の中心にあることを、意味記憶の計算モデルと脳の研究から整理した。 意味の空間をどう探索するかという方略が、創造性と結びついている。

出したアイデアから良いものを選ぶ力は、生む力とは別に測られてきた。 Silvia は大学生226人に4つの発散的思考の課題を解かせ、自分の最も創造的な回答を選ばせたうえで、評定者に全回答を評価させた。 人々の選択は評定者の評価と強く一致し、全体として人は自分の良いアイデアを見分けていた。 見分ける力には個人差があり、開放性の高い人ほど評定者との一致が強かった。 創造的な人は、良いアイデアを生む力と選ぶ力の両方を持っていた。

一方で、選ぶ場面には偏りがかかる。 Rietzschel、Nijstad、Stroebe は、人がアイデアを選ぶとき、独創性を犠牲にして実行可能で望ましいアイデアを選ぶ強い傾向を見出した。 Mueller、Melwani、Goncalo は、不確実さを減らしたい動機が働くと、創造的なアイデアへの負の偏りが生じ、創造的なアイデアを見分ける力そのものが損なわれることを示した。 Berg は、サーカス芸術の専門家339名と観客13,248名のデータで、新しい演目の成否の予測を比べた。 作り手は、他者の新しいアイデアについては管理者より正確に予測したが、自分のアイデアについては優位がなかった。

実践者が taste と呼ぶものに研究の側で最も近いのは、アイデアを評価し、選び、他人の案の行方を予測する力である。 この力は測れるし、個人差もある。 そして、不確実さを嫌う場面と、自分の案を前にした場面で鈍る。

問題を見つける力は、測られてきたか

選ぶより前に、何を問題にするかを決める段階がある。 Csikszentmihalyi と Getzels は、美術学校の上級生31人が静物画を描く過程を観察した。 描く対象の配置を始めてから描き終えるまでの「発見志向」の行動が多い学生ほど、専門家が評価した作品の独創性が高かった。 技巧の評価とは関係がなかった。 二人は1976年に、美術学生の問題発見を追った縦断研究を書籍にまとめている。

その後の研究は、問題発見を発散的思考と並ぶ能力として測ってきた。 Abdulla Alabbasi、Reiter-Palmon、Acar は24研究（4,207人、138効果量）を統合し、問題発見と発散的思考の相関を r = .29 と報告した。 両者は関係するが、同じものではない。 独創性を比べると、問題を見つける課題のほうが発散的思考の課題より独創的な回答を引き出し、その差は g = 0.887 と大きかった。

デザインの研究は、問題を見つける段を、解を探す段と切り離さずに描いてきた。 Dorst と Cross は、熟練の工業デザイナー9名の設計過程をプロトコル分析し、作品の質と創造性の評価と突き合わせた。 創造性に関わっていたのは、設計の問題をどう定式化するかと、独創性をどう捉えるかだった。 二人は、創造的な設計を、問題の空間と解の空間がともに動いて形を整えていく 共進化 として捉えるモデルが当てはまることを確かめた。 問題そのものを立て直す手法（フレーム創造、アブダクション2、C-K 理論）は 問題を立て直す手法の学術地図：アブダクション2から問題構造化まで に整理した。

知識と経歴は、新規性とどう結びつくか

知識が積み上がると、新しいものを生む前に学ぶべきことが増える。 Jones は発明者の大規模なデータで、最初の発明をする年齢、専門の狭さ、チームで働く割合がいずれも時代とともに増えていることを示した。 彼はこの仕組みを 知識の重荷（burden of knowledge）と呼び、教育期間を延ばし専門を狭めて補うと、その代償として個人の革新の力が下がると論じた。 Jones と Weinberg はノーベル賞受賞者のデータで、偉大な業績を上げる年齢が分野の違いより時代の違いで大きく変わり、その変化が分野ごとの訓練の型と理論的な貢献の割合の変化に沿っていることを示した。 若い研究者の論文ほど新しいアイデアの上に築かれ、若い筆頭著者と経験のある最終著者の組合せが最も多く新しいアイデアを試している（Packalen と Bhattacharya、新規性の芽はどこで見つかるのか：驚き、読み直し、見かけだけの新規性）。

経歴の中で、良い仕事は固まって現れる。 Liu らは、芸術家、映画監督、科学者のおよそ3万人の経歴を調べ、影響の大きい仕事が hot streak（ある時期に続けて現れる影響の大きい仕事の連なり）として集中することを示した。 hot streak は経歴の中の偶然の位置に現れ、生産量の変化とは結びついていなかった。 続く研究で Liu らは、hot streak の前には多様な様式や題材を探索し、始まった後には焦点が絞られることを見出した。 hot streak と結びついていたのは探索だけでも活用だけでもなく、探索の後に活用が来るという順序だった。

では、遠くへ探索するほど良いのか。 Hill らは数百万本の論文と特許で、研究者が以前の仕事からどれだけ離れたかを測った。 離れるほど新しい研究の影響は急に下がり、この pivot penalty は科学と特許のほぼ全域に見られ、過去50年で大きくなっていた。 大きく移った研究ほど、確立した知識の組合せとの関わりが弱く、出版に至る率も低かった。 Liu らの探索は一人の経歴の中での様式や題材の幅を、Hill らの移動は過去の仕事からの距離を測っていて、同じ量ではない。 二つを合わせると、探索の幅を持ちながら、手持ちの知識と混ぜられる距離で移る経歴が新しい成果につながりやすい、と読める。

挫折と師との関係も、経歴の選択に入る。 Wang、Jones、Wang は、NIH の R01 研究費の採択の境目のすぐ下で落ちた若手と、すぐ上で通った若手を比べた。 落ちたことは NIH の制度から永久に姿を消す確率を10%を超えて押し上げたが、残った人は長期的に通った側を上回った。 著者らは、この差がもともと強い人が残ったという選別だけでは説明しきれず、挫折が粘った人の成績を上げたと解釈している。 Ma、Mukherjee、Uzzi は、1960年から2017年までに論文を出した約4万人の科学者の師弟関係のデータで、師弟関係が弟子の受賞、米国科学アカデミー会員への選出、突出した業績の確率の2倍から4倍の上昇と結びついていることを示した。 ただし弟子が最も成功したのは、師の題材を追ったときではなく、独自の題材を研究し、師との共著を一部にとどめたときだった。

リスクへの態度は、個人だけでは決まらない。 Azoulay らは、長期で失敗に寛容な研究費が、短期の評価で更新される研究費より新規性の高い成果を生むことを示した（新規性はどう作られ、どう名乗られるか：確立戦略の類型）。 Franzoni と Stephan は、研究計画の査読でリスクを扱うとき、成否の確率を見積もれる高リスクの研究と、評価そのものに曖昧さや根本的な不確実性がかかる研究を分けるべきだと論じた。 新規性の高い研究に踏み出す態度は、それを許す資金と評価の仕組みの上でしか続かない。

デザインの研究は、能力をどう描いてきたか

デザインの研究は、能力を性格の特性としてより、進め方の型として描いてきた。 Lavrsen、Carbon、Daalhuizen は工学系の修士学生473人で、デザインの構え（design mindset）を測る尺度を作った。 尺度は、状況との対話、反復、問題と解の共進化、想像の四つの因子からなる。 構え全体は曖昧さへの耐性（b = 0.198）と自己効力感（b = 0.114）に正に関係した。 刺激を求める傾向は構え全体とは関係しなかったが、反復とは負に、想像とは正に関係した。 前の節で見た共進化が、ここでは測れる構えの一部として扱われている。

作ることで考えるという姿勢も、観察できる過程として記述されている。 Goldschmidt は、建築家が設計の初めに速いフリーハンドのスケッチを重ねる過程を分析した。 スケッチは頭の中の像を写すのではなく、設計しているものの像を誘い出す視覚的な表示を作っていた。 その過程では、形の図像的な側面を読む議論と非図像的な側面を読む議論が規則的に入れ替わり、設計者が十分なまとまりに達したと判断したところで終わった。

固着を扱えることも、デザインの能力として論じられてきた。 Youmans と Arciszewski は、既存の設計の影響に無意識に従う固着、変更への意識的な抵抗、新しいアイデアへの意図的な拒否の三つを分け、既知の設計概念への固着と、問題に固有の知識への固着を区別した。 Crilly と Cardoso は国際ワークショップの報告で、固着と創造性の関係が分析の水準によって変わることを指摘し、固着の研究がデザインの道具と訓練を形づくるべきだと提案した。 生成 AI の画像生成器を使ったアイデア出しでは、使わない条件より固着が強まり、出す案の数、多様性、独創性がいずれも下がった（Wadinambiarachchi ら、AIスロップ：質の低さではなく、検証の外部化として読む）。

何なら育てられるのか

創造性は訓練で伸びる、という結果は積み上がっている。 Scott、Leritz、Mumford は70研究のメタ分析で、よく設計された創造性訓練が成績を上げ、その効果が評価基準、場面、対象者をまたいで一般化することを示した。 効果の大きい訓練は、認知的なスキルと、それを適用するためのヒューリスティクスに焦点を当て、その領域に即した現実的な演習を使っていた。

Haase、Hanel、Gronau は332の効果量を12の方法に分けて統合し、平均の効果を Hedges の g = 0.53 と報告した。 複合的な訓練、瞑想、文化への接触が最も効き（g = 0.66）、認知を操作する薬は効かなかった（g = 0.10）。 収束的思考を伸ばす方法は、発散的思考を伸ばす方法より効果が大きかった。 研究間のばらつきは大きく、逆向きの効果が出る研究もありうると著者ら自身が書いている。

好奇心も伸ばせる。 Schutte と Malouff は41の無作為化比較試験（4,496人）を統合し、好奇心を高める介入の効果を g = 0.57 と報告した。 特定の領域に向けた好奇心より一般的な好奇心を狙う介入のほうが効き、謎や遊びを組み込んだ介入の効果が特に大きかった。

デザイン思考の授業にも効果が報告されている。 Yu、Yu、Lin の25論文のメタ分析では、デザイン思考は学習に正の効果を持ち（r = .436）、3か月以上続けたとき、30人以下のクラスで効果が大きかった。 Muneer らは STEM 教育のくだけた形のデザイン思考について18論文（11か国、1,600人超）を統合し、創造性への効果を d = 0.876 と報告した。 ただしこの値は評価の方法で大きく変わり、統合した研究の数も少ない。

訓練の結果が示すのは、スキルの層と好奇心には中程度の効果で手が届くということだ。 評価と選択を含む収束的な側を訓練に入れると効果が大きいという Haase らの結果は、前の節で見た選ぶ力の重さと向きがそろっている。

生成 AI は、何を安くして何を高くしたか

冒頭の二つの研究は、アイデアを出す段と、それを実装して確かめる段とで、AI の効き方が違うことを示していた。 創造性の実験も同じ向きを示す。 Doshi と Hauser は、LLM のアイデアに触れた書き手の短編が創造性で高く評価される一方、AI の支援を受けた作品どうしが互いに似ていき、集団としての新規性が下がることを示した。 Moon、Green、Kushlev の分析では、人間のエッセイを1本足したときに増えるアイデアの新規性は、GPT-4 のエッセイ1本が増やす量の2倍から8倍だった（AIスロップ：質の低さではなく、検証の外部化として読む）。

熟練の度合いで、効き方が分かれる。 Hou らは学生の実験室実験と職業デザイナーの実地の試験で、生成 AI がアイデア出しの段ではすべての利用者の創造性を高めることを示した。 実装の段では、初心者は引き続き恩恵を受けたが、熟練のデザイナーは時間を多く使うだけで創造性が上がらなかった。 生成 AI のやり方が、熟練者の確立した手順とぶつかったためである。

確かめる側の負荷は、減るのではなく形を変える。 Lee らは知識労働者319人から、仕事で生成 AI を使った936の事例を集めた。 生成 AI への信頼が高い人ほど批判的思考を働かせず、その作業での自分の力への自信が高い人ほど批判的思考を働かせていた。 批判的思考の中身は、情報の検証、応答の統合、作業全体の管理へと移っていた。 Tankelevitch らは、生成 AI が利用者に、自分の考えを監視し制御する メタ認知 の高い水準を要求すると論じた。 何を頼み、出てきたものをどう評価し、どこまで頼るかを、利用者がその都度決めなければならないからである。

AI の出したアイデアの新しさを確かめる力も、人の側に残る。 Gupta と Pruthi が専門家13名に LLM の研究文書50件を読ませたところ、24%が既存研究の言い換えか大幅な借用で、組み込みの剽窃チェックを通過していた（新規性の主張はどう確かめ、どう守り、どう書くか：投稿前の確認から論文の束まで）。

生成 AI が安くしたのは、アイデアの生成と初期の発散である。 高くなったのは、実装に耐えるアイデアを選ぶこと、出力を検証すること、自分の領域の力に根ざした自信、そして集団の多様性を削らない方向を選ぶことだ。 AI への頼り方が早い段階の学習をどう変えるかは、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 に整理した。

AI を作る側は、人間に何を残しているか

ここからは、査読研究ではない最新の事例を、発信者の種類ごとに分けて見る。 最初は、AI の提供者が自社の研究エージェントについて公式に書いた一次資料である。 自社の優位を方法論なしに述べた部分は除き、人間に残す役割と、自社が認めた限界だけを拾う。

Google DeepMind の AlphaEvolve は、候補のプログラムを自動の評価指標で検証し、実行し、採点する。 対象は、解をアルゴリズムとして書けて、自動で検証できる問題に限られる。 50を超える未解決の数学問題では、約75%で既知の最良解を再発見し、約20%で改善した。 問題を自動で検証できる形に書けることが、使う前提になっている。

Google の AI co-scientist では、研究者が自然言語で研究目標を与え、出てきた仮説を見直す。 告知のページは、これが研究のパートナーであって科学や臨床の専門性の代わりではなく、出力を使った判断の責任は利用者にあると明記している。

Sakana AI の AI Scientist-v2 は、仮説から論文の執筆までを自律で実行した。 人間が担ったのは、大まかな題材の指定と、生成された論文から投稿する3本を選ぶことだった。 3本のうち1本が ICLR 2025 のワークショップで採択の水準（平均 6.33）に達したが、Sakana 自身の内部の基準では、3本とも本会議の水準に届かないと判定された。

Edison Scientific の Kosmos は、1回の実行で約1,500本の論文を読み、約42,000行の分析コードを走らせる。 同社の報告では、Kosmos の結論の79.4%が正確だった。 同社は、統計的には有意だが科学的には無関係な発見を追いかける傾向も、自ら挙げている。 OpenAI が外部の研究者と出した GPT-5 の科学研究の事例集は、GPT-5 が自信をもって誤り、それを強く擁護し、その過程で自分と人間を混乱させうると書いた。 DeepMind の政策文書 Conjecture Machines は、仮説を出す速さに対して、反証は物理的で制度的なもの、したがって費用がかかり遅いものにとどまると書いている。

四社の資料が人間に残しているものは共通している。 研究の目標と題材を決めること、問題を自動で検証できる形に書くこと、出てきたものを選ぶこと、そして現実と照らして確かめることである。 学術研究が示した、生成より選択と検証へという向きと重なる。 ただし、これらは提供者の自己記述であり、成果に人間がどの程度関わったかを第三者が測った資料ではない。

公的機関と調査は、何を求め始めたか

次は、公的機関と調査会社の資料である。

研究資金の配分機関は、判断を AI に委ねない方向で規則を書き始めた。 NIH は2025年7月の通知（NOT-OD-25-132）で、AI で実質的に作成された申請を申請者の独自のアイデアとみなさないとし、研究責任者一人あたりの年間の申請を6件までに制限した。 ERC は2026年3月の審査員向けの指針で、提案書を読まずに済ませるための要約も、提案の価値のどんな評価も AI にさせないこと（評価の非委任）と、提案書を外部の AI に上げないこと（機密）を原則に置いた。 UKRI も、審査員が言語の調整を除いて評価に生成 AI を使うことを認めていない。 アイデアを出す作業の一部は AI に任せられても、「独自のアイデア」と「評価の判断」は人に帰属させる、という線引きである。

教育の側では、創造性の定義に評価が入っている。 OECD は PISA 2022 で初めて生徒の創造的思考を測り、それを、独創的で有効な解、知識の前進、想像力の豊かな表現を生むためにアイデアを生成し、評価し、改善する力と定義した。 64の国と地域が認知テストを実施し、平均は60点満点で33点、最も高いシンガポールは41点だった。 OECD 平均では、創造的思考で優れた生徒のおよそ半数は、数学、読解、科学では優れていなかった。 創造的思考の得点は、好奇心、知性への開放性、粘り強さといった態度と関連していた。 日本と米国は、この認知テストを実施した国の一覧に入っていない。 日本の手がかりは、OECD の社会情動的スキル調査の群馬の結果にある。 社会経済的に不利な生徒は、好奇心や創造性を含む開かれた心のスキルが低く、好奇心の格差は参加地域の平均より大きかった。 群馬の15歳では女子が男子より低い好奇心を報告し、参加地域の平均ではこの性差は見られなかった。 日本政府は2025年12月に閣議決定した人工知能基本計画で、「創造力、思考力、判断力、適応力、コミュニケーション力などを含む『人間力』」の向上を掲げている。

企業が求めるものも、同じ向きを示す。 世界経済フォーラムの Future of Jobs Report 2025 は、1,000社を超える雇用主（労働者1,400万人超、55の経済）への調査から、各スキルを中核とみなす雇用主の割合を示した。 分析的思考が69%で最も高く、創造的思考は57%で4位、好奇心と生涯学習は50%で8位だった。 2030年に向けて最も速く伸びるのは AI とビッグデータのスキルで、創造的思考と、好奇心と生涯学習も重要性が上がると見込まれている。

研究者の側では、AI の利用が急に広がり、同時に不信も増えた。 Wiley の研究者調査（2,430人、2025年8月）では、AI を使う研究者の割合が1年で57%から84%に増え、不正確さや幻覚への懸念も51%から64%に増えた。 デザインの職場では、Figma の調査（2,500人）で、AI の道具に満足している割合が開発者の82%に対してデザイナーは69%、仕事の質が上がったと答えた割合は68%に対して54%だった。 第三者の評価でも、AI の限界は残っている。 Stanford HAI の AI Index 2026 によれば、論文規模の再現実験（ReplicationBench）で最前線のモデルは20%に届かず、PaperArena では最良の AI エージェントの38.8%に対して、博士号をもつ専門家は83.5%だった。

実践者は、何を taste と呼んでいるか

最後は、権威が確認できる個人の私見である。 検証された事実ではなく、第一線の実践者がいまどう見ているかの記録として読む。

Google DeepMind の CEO でノーベル化学賞を受けた Demis Hassabis は、2025年7月のインタビューで、正しい問いを選ぶことが科学で最も難しく、正しい仮説を立てることも難しいと述べた。 フィールズ賞を受けた Terence Tao は、AI が証明を量産する時代には、何が本当に良い数学の著作かについて、はるかに洗練された taste が要ると書いている。 Andrej Karpathy は2026年4月の講演録で、エージェントはいまはインターンのようなもので、美意識、判断、taste、監督は人間が担い続けなければならないと述べた。 Ethan Mollick は2026年9月に、希少な資源は、自分の taste で多くのものの中から選ぶ力だと書いた。 数学者の Daniel Litt は、誰も私たちの代わりに数学を理解してはくれない、その仕事は自分でするしかないと書いた。 同じくフィールズ賞を受けた Timothy Gowers は2026年5月に、自分で難しい問題を解いたことのある人は、AI の助けを借りて問題を解くのもかなりうまい可能性が高いと書いている。

彼らの言う taste は、三つの部品に分けられる。 問いを選ぶこと（Hassabis）は、前半で見た問題発見に当たる。 良し悪しを見分けること（Tao、Karpathy）と、多くの中から選ぶこと（Mollick）は、アイデアの評価と選択に当たる。 理解を自分で引き受けること（Litt）と、自分で難問を解いた経験（Gowers）は、自分の中に領域の力を持つことに当たる。 最初の二つには実証がある。 三つめについては、その作業での自分の力への自信が高いほど批判的思考を働かせるという Lee らの結果が近い。 ただし、自分で解いた経験が AI の使い方を良くするという因果を直接測った研究は、今回の収集にはなかった。

層を並べると、どこが動いたか

層例主な証拠の型代表的な値生成 AI の普及で動いたこと
資質開放性、好奇心、創造的自己効力感相関のメタ分析（自己報告が中心）開放性 .22、好奇心 .41（他者評定との相関は .16）資質そのものの変化は測られていない
態度リスク、挫折、不確実さ、AI への信頼二次メタ分析、準実験、調査リスク志向 .08。挫折の後に残った人が上回るAI への信頼が高いと批判的思考が減る（Lee ら）。資金配分機関は評価の非委任を規則にした
姿勢問題を先に固めない、作りながら考える、固着を扱うプロトコル分析、尺度開発構えと曖昧さ耐性 b = 0.198AI の例に固着しやすくなる（Wadinambiarachchi ら）
能力発散的思考、問題発見、評価と選択検査のメタ分析、実験発散と達成 .216、問題発見と発散 .29生成は安くなり、実装後に残る案を選ぶ力が差になる（Si ら）
スキル創造性訓練、好奇心の介入、デザイン思考介入のメタ分析訓練 g = 0.53、好奇心 g = 0.57批判的思考の中身が検証、統合、管理へ移る（Lee ら）
経歴探索の後の集中、移る距離、師からの独立大規模計量pivot penalty は50年で拡大AI を使う個人は伸び、科学の話題は4.63%縮む（Hao ら）

表を縦に読むと、証拠が厚いのは能力と経歴の層で、姿勢の層には効果量がほとんどない。 資質の層の値は、自己報告どうしで測ると大きく、他者の評定や検査で測ると小さくなる。 求人や教育目標で最初に挙がる「好奇心」「創造性」は、この測り方の差を最も受けやすい層にある。

横に読むと、生成 AI の普及で比重が移った先は、生成から、選ぶこと、確かめること、どの方向へ進むかを決めることである。 提供者の資料も、資金配分機関の規則も、第一線の研究者の私見も、同じ場所を人に残している。

一つ、解けていない緊張がある。 AI を使ってデータの多い領域に進むことは、個人の業績としては合理的で、実際に報われている（Hao ら）。 科学全体の多様性を保つには、AI が寄せる方向と別の方向を選ぶ人が要る。 しかし以前の仕事から遠くへ移ると影響は下がり（Hill ら）、新しすぎる案は選ぶ段で退けられやすい（Rietzschel ら、Mueller ら）。 個人がこの代償を負わずに集団の多様性を保てる条件は、今回集めた研究からは見つからなかった。

いま鍛えるなら、どこから手をつけるか

冒頭の実装の実験に戻ると、アイデアの段で新しく見えたものの多くは、100時間の実装を経て評価を落とした。 差がついたのは、どのアイデアが実装に耐えるかを前もって見分け、確かめる段である。 そこから逆算すると、手をつける順は次のようになる。

  1. 自己評価を当てにしない：好奇心や創造性の自己報告は、他者の評定とは弱くしか結びつかない。作ったものを他人に評価させ、その結果で自分の力を測る。12
  2. 問題を見つける段を独立に取る：解き始める前に、問題の立て方と設定を複数試す。問題を見つける課題は、発散の課題より独創的な回答を引き出す。345
  3. 選ぶ練習をする：自分の案から良いものを選び、他人の案の行方を予測し、実際の結果と照合する。他人の案の予測では、作り手の目が管理者より当たる。67
  4. 不確実さを嫌う場面で選ばない：実行しやすさと安心を求める状況では、創造的な案が退けられやすい。選ぶ基準を先に書き、独創性の項目を落とさない。89
  5. 探索の後に焦点を絞り、近くから移る：様式や題材を広く試した後に焦点を絞る。移るときは、手持ちの知識と混ぜられる距離にとどめる。1011
  6. 師や既存の流れから題材を独立させる：師の題材を追うより、独自の題材を選び、共著を一部にとどめる。12
  7. AI には生成と探索を任せ、評価の基準と検証は自分で持つ：自動で検証できる形に問題を書き、出力は出典に遡って確かめる。自信の置き場所を AI ではなく自分の領域の力に置く。131415
  8. AI が寄せる方向と別の方向を一つ持つ：データの多い領域へ集まる流れと違う題材を、少なくとも一つ手元に置く。1617
  9. 訓練は現実の課題で、収束の側も含めて組む：領域に即した演習で、発散だけでなく評価と選択を練習する。1819

research taste を測って新規性との関係を確かめた研究は、まだない。 選ぶ力と問いを見つける力は測られてきたが、それを一人の研究者の中で束ねたものが実装に耐える新規性をどこまで予測するのかは、開いたままである。

収集の空白

  • research taste の測定：research taste を測定の対象として新規性や業績との関係を調べた実証研究は、見つからなかった。
  • 知的謙虚さと創造的達成：知的謙虚さが創造的達成と結びつくことを、相関と標本の大きさを示して検証した研究は、特定できなかった。
  • 生成 AI と問題発見：生成 AI の利用が問題を見つける力をどう変えるかを直接測った研究は、見つからなかった。
  • デザイン職の縦断比較：同じデザイナーの集団を2023年の前後で追い、スキルの変化を比べた研究は、見つからなかった。横断の調査が中心である。
  • 日本の創造的思考のデータ：日本は PISA 2022 の創造的思考の認知テストを実施していない。国内の比較可能なデータは、OECD の社会情動的スキル調査の群馬の結果にとどまる。
  • 自分で解いた経験と AI の使い方：自分で難問を解いた経験が AI を使った問題解決を良くするという見解（Gowers）を、因果として測った研究は見つからなかった。

関連ノート

未検証事項

本文の主要主張は、要旨か一次資料の該当箇所で確かめた範囲で書いた。 次の項目は確認が届かなかったため、本文では使わないか、範囲を狭めて書いた。

  • NIH の NOT-OD-25-132 は、grants.nih.gov が自動取得を拒否したため、ユタ大学の研究支援部門の要約で内容を確かめた。本文は通知の番号と要点の範囲で書いた。
  • Google の AI co-scientist の告知ページは2026年5月19日の表示で、2025年2月の初出時点の文面は確認できていない。
  • DeepMind の Conjecture Machines は、一次ページに発行日の表記がなく、日付を書いていない。
  • Terence Tao のページは継続して更新される形式で、引用の文面が最初に書かれた時点は確認できていない。
  • Wiley の研究者調査の数値は、Wiley の一次ページに到達できず、複数の報道記事で一致を確かめた。
  • Lavrsen らの係数は、論文ページの要約を経由して確かめたもので、表は照合していない。
  • PISA 2022 で日本と米国が創造的思考の認知テストを実施していないことは、OECD の報告の国一覧に入っていないことからの判断で、不参加を明記した一文ではない。
  • Feist (1998) の開放性の効果量の値（収集段階で d = .40 と報告された）は要旨になく本文に到達できなかったため、書いていない。
  • Said-Metwaly ら (2024) の発散的思考と創造的達成の更新メタ分析、Abdulla ら (2020) の問題発見と創造性のメタ分析、Grajzel ら (2023)、Karwowski ら (2016)、Cross (2004) は、要旨を取得できず（PsycNet、ScienceDirect、Open University のリポジトリがいずれも自動取得を拒否）、本文では使っていない。
  • Getzels と Csikszentmihalyi (1976) の書籍は書誌のみ確かめた。追跡の結果の中身は書いていない。
  • コーパスにだけ記録し本文で使っていない文献（Stoycheva 2025、Watts と Steele 2017、Intasao と Hao 2018、Silk ら 2021、Acar ら 2023、Zeng ら 2019、Hwang と Wu 2025、Zhang ら 2026、Wang ら 2025 など）の未確認事項は、コーパスの ## 未検証事項 に一覧がある。

参照文献

資質と態度

  • Feist, G. J. (1998). A meta-analysis of personality in scientific and artistic creativity. Personality and Social Psychology Review 2(4):290–309. https://doi.org/10.1207/s15327957pspr0204_5
  • Kaufman, S. B., Quilty, L. C., Grazioplene, R. G., Hirsh, J. B., Gray, J. R., Peterson, J. B., DeYoung, C. G. (2016). Openness to experience and intellect differentially predict creative achievement in the arts and sciences. Journal of Personality 84(2):248–258. https://doi.org/10.1111/jopy.12156
  • da Costa, S., Páez, D., Sánchez, F., Garaigordobil, M., Gondim, S. (2015). Personal factors of creativity: a second order meta-analysis. Journal of Work and Organizational Psychology 31(3):165–173. https://doi.org/10.1016/j.rpto.2015.06.002
  • Schutte, N. S. & Malouff, J. M. (2020). A meta-analysis of the relationship between curiosity and creativity. The Journal of Creative Behavior 54(4):940–947. https://doi.org/10.1002/jocb.421
  • Haase, J., Hoff, E. V., Hanel, P. H. P., Innes-Ker, Å. (2018). A meta-analysis of the relation between creative self-efficacy and different creativity measurements. Creativity Research Journal 30(1):1–16. https://doi.org/10.1080/10400419.2018.1411436
  • Lin, S., Ivčević, Z., Kashdan, T. B., Kaufman, S. B. (2025). Curious and persistent, but not consistent: self-regulation traits and creativity. The Journal of Creative Behavior 59(1). https://doi.org/10.1002/jocb.638
  • Credé, M., Tynan, M. C., Harms, P. D. (2017). Much ado about grit: a meta-analytic synthesis of the grit literature. Journal of Personality and Social Psychology 113(3):492–511. https://doi.org/10.1037/pspp0000102
  • Hasan, S. & Koning, R. (2019). Conversations and idea generation: evidence from a field experiment. Research Policy 48(9):103811. https://doi.org/10.1016/j.respol.2019.103811

能力と問題発見

  • Kim, K. H. (2008). Meta-analyses of the relationship of creative achievement to both IQ and divergent thinking test scores. The Journal of Creative Behavior 42(2):106–130. https://doi.org/10.1002/j.2162-6057.2008.tb01290.x
  • Jauk, E., Benedek, M., Dunst, B., Neubauer, A. C. (2013). The relationship between intelligence and creativity: new support for the threshold hypothesis by means of empirical breakpoint detection. Intelligence 41(4):212–221. https://doi.org/10.1016/j.intell.2013.03.003
  • Nijstad, B. A., De Dreu, C. K. W., Rietzschel, E. F., Baas, M. (2010). The dual pathway to creativity model: creative ideation as a function of flexibility and persistence. European Review of Social Psychology 21(1):34–77. https://doi.org/10.1080/10463281003765323
  • Beaty, R. E. & Kenett, Y. N. (2023). Associative thinking at the core of creativity. Trends in Cognitive Sciences 27(7):671–683. https://doi.org/10.1016/j.tics.2023.04.004
  • Silvia, P. J. (2008). Discernment and creativity: how well can people identify their most creative ideas? Psychology of Aesthetics, Creativity, and the Arts 2(3):139–146. https://doi.org/10.1037/1931-3896.2.3.139
  • Rietzschel, E. F., Nijstad, B. A., Stroebe, W. (2010). The selection of creative ideas after individual idea generation: choosing between creativity and impact. British Journal of Psychology 101(1):47–68. https://doi.org/10.1348/000712609X414204
  • Mueller, J. S., Melwani, S., Goncalo, J. A. (2012). The bias against creativity: why people desire but reject creative ideas. Psychological Science 23(1):13–17. https://doi.org/10.1177/0956797611421018
  • Berg, J. M. (2016). Balancing on the creative highwire: forecasting the success of novel ideas in organizations. Administrative Science Quarterly 61(3):433–468. https://doi.org/10.1177/0001839216642211
  • Csikszentmihalyi, M. & Getzels, J. W. (1971). Discovery-oriented behavior and the originality of creative products: a study with artists. Journal of Personality and Social Psychology 19(1):47–52. https://doi.org/10.1037/h0031106
  • Getzels, J. W. & Csikszentmihalyi, M. (1976). The Creative Vision: A Longitudinal Study of Problem Finding in Art. Wiley. https://archive.org/details/creativevisionlo0000getz
  • Abdulla Alabbasi, A. M., Reiter-Palmon, R., Acar, S. (2025). Problem finding and divergent thinking: a multivariate meta-analysis. Psychology of Aesthetics, Creativity, and the Arts 19(6):1423–1434. https://doi.org/10.1037/aca0000640

知識と経歴

デザインの能力論

育成

  • Scott, G., Leritz, L. E., Mumford, M. D. (2004). The effectiveness of creativity training: a quantitative review. Creativity Research Journal 16(4):361–388. https://doi.org/10.1080/10400410409534549
  • Haase, J., Hanel, P. H. P., Gronau, N. (2023). Creativity enhancement methods for adults: a meta-analysis. Psychology of Aesthetics, Creativity, and the Arts 19(4):708–736. https://doi.org/10.1037/aca0000557
  • Schutte, N. S. & Malouff, J. M. (2022). A meta-analytic investigation of the impact of curiosity-enhancing interventions. Current Psychology 42(24):20374–20384. https://doi.org/10.1007/s12144-022-03107-w
  • Yu, Q., Yu, K., Lin, R. (2024). A meta-analysis of the effects of design thinking on student learning. Humanities and Social Sciences Communications 11:742. https://doi.org/10.1057/s41599-024-03237-5
  • Muneer, S., Santhosh, M. E., Parangusan, H., Bhadra, J. (2025). A meta-analysis to explore the role of design thinking in enhancing creativity as learning outcomes in STEM education. International Journal of Technology and Design Education 36(2):919–949. https://doi.org/10.1007/s10798-025-10005-2

生成 AI と研究

  • Si, C., Yang, D., Hashimoto, T. (2025). Can LLMs generate novel research ideas? A large-scale human study with 100+ NLP researchers. ICLR 2025. https://arxiv.org/abs/2409.04109
  • Si, C., Hashimoto, T., Yang, D. (2025). The ideation-execution gap: execution outcomes of LLM-generated versus human research ideas. arXiv:2506.20803. https://arxiv.org/abs/2506.20803
  • Hao, Q., Xu, F., Li, Y., Evans, J. A. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature 649(8099):1237–1243. https://doi.org/10.1038/s41586-025-09922-y
  • Doshi, A. R. & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28). https://doi.org/10.1126/sciadv.adn5290
  • Moon, K., Green, A. E., Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity: an empirical comparison of human and ChatGPT writing. Computers in Human Behavior: Artificial Humans 6:100207. https://doi.org/10.1016/j.chbah.2025.100207
  • Hou, J., Wang, L., Wang, G., Wang, H. J., Yang, S. (2025). The double-edged roles of generative AI in the creative process: experiments on design work. Information Systems Research. https://doi.org/10.1287/isre.2024.0937
  • Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., Wilson, N. (2025). The impact of generative AI on critical thinking: self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proc. CHI 2025, 1–22. https://doi.org/10.1145/3706598.3713778
  • Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., Rintel, S. (2024). The metacognitive demands and opportunities of generative AI. Proc. CHI 2024, 1–24. https://doi.org/10.1145/3613904.3642902
  • Gupta, T. & Pruthi, D. (2025). All that glitters is not novel: plagiarism in AI generated research. Proc. ACL 2025 (Volume 1: Long Papers), 25721–25738. https://doi.org/10.18653/v1/2025.acl-long.1249

AI 提供者の一次資料（アクセスはすべて 2026-09-26）

公的機関と調査（アクセスはすべて 2026-09-26）

個人の見解（アクセスはすべて 2026-09-26）

Footnotes

  1. Schutte, N. S. & Malouff, J. M. (2020). A meta-analysis of the relationship between curiosity and creativity. The Journal of Creative Behavior 54(4):940–947. https://doi.org/10.1002/jocb.421 ↩

  2. Haase, J., Hoff, E. V., Hanel, P. H. P., Innes-Ker, Å. (2018). A meta-analysis of the relation between creative self-efficacy and different creativity measurements. Creativity Research Journal 30(1):1–16. https://doi.org/10.1080/10400419.2018.1411436 ↩

  3. Csikszentmihalyi, M. & Getzels, J. W. (1971). Discovery-oriented behavior and the originality of creative products: a study with artists. Journal of Personality and Social Psychology 19(1):47–52. https://doi.org/10.1037/h0031106 ↩

  4. Abdulla Alabbasi, A. M., Reiter-Palmon, R., Acar, S. (2025). Problem finding and divergent thinking: a multivariate meta-analysis. Psychology of Aesthetics, Creativity, and the Arts 19(6):1423–1434. https://doi.org/10.1037/aca0000640 ↩

  5. Dorst, K. & Cross, N. (2001). Creativity in the design process: co-evolution of problem–solution. Design Studies 22(5):425–437. https://doi.org/10.1016/S0142-694X(01)00009-6 ↩

  6. Silvia, P. J. (2008). Discernment and creativity: how well can people identify their most creative ideas? Psychology of Aesthetics, Creativity, and the Arts 2(3):139–146. https://doi.org/10.1037/1931-3896.2.3.139 ↩

  7. Berg, J. M. (2016). Balancing on the creative highwire: forecasting the success of novel ideas in organizations. Administrative Science Quarterly 61(3):433–468. https://doi.org/10.1177/0001839216642211 ↩

  8. Rietzschel, E. F., Nijstad, B. A., Stroebe, W. (2010). The selection of creative ideas after individual idea generation: choosing between creativity and impact. British Journal of Psychology 101(1):47–68. https://doi.org/10.1348/000712609X414204 ↩

  9. Mueller, J. S., Melwani, S., Goncalo, J. A. (2012). The bias against creativity: why people desire but reject creative ideas. Psychological Science 23(1):13–17. https://doi.org/10.1177/0956797611421018 ↩

  10. Liu, L., Dehmamy, N., Chown, J., Giles, C. L., Wang, D. (2021). Understanding the onset of hot streaks across artistic, cultural, and scientific careers. Nature Communications 12:5392. https://doi.org/10.1038/s41467-021-25477-8 ↩

  11. Hill, R., Yin, Y., Stein, C., Wang, X., Wang, D., Jones, B. F. (2025). The pivot penalty in research. Nature 642(8069):999–1006. https://doi.org/10.1038/s41586-025-09048-1 ↩

  12. Ma, Y., Mukherjee, S., Uzzi, B. (2020). Mentorship and protégé success in STEM fields. PNAS 117(25):14077–14083. https://doi.org/10.1073/pnas.1915516117 ↩

  13. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., Wilson, N. (2025). The impact of generative AI on critical thinking: self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proc. CHI 2025, 1–22. https://doi.org/10.1145/3706598.3713778 ↩

  14. Gupta, T. & Pruthi, D. (2025). All that glitters is not novel: plagiarism in AI generated research. Proc. ACL 2025 (Volume 1: Long Papers), 25721–25738. https://doi.org/10.18653/v1/2025.acl-long.1249 ↩

  15. Edison Scientific (2025-11-05). Kosmos: an AI scientist for autonomous discovery. https://edisonscientific.com/news/announcing-kosmos （アクセス 2026-09-26） ↩

  16. Hao, Q., Xu, F., Li, Y., Evans, J. A. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature 649(8099):1237–1243. https://doi.org/10.1038/s41586-025-09922-y ↩

  17. Doshi, A. R. & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28). https://doi.org/10.1126/sciadv.adn5290 ↩

  18. Scott, G., Leritz, L. E., Mumford, M. D. (2004). The effectiveness of creativity training: a quantitative review. Creativity Research Journal 16(4):361–388. https://doi.org/10.1080/10400410409534549 ↩

  19. Haase, J., Hanel, P. H. P., Gronau, N. (2023). Creativity enhancement methods for adults: a meta-analysis. Psychology of Aesthetics, Creativity, and the Arts 19(4):708–736. https://doi.org/10.1037/aca0000557 ↩

書いた人：小川 修一郎（Design Researcher / Consultant） 経歴を見る →