はじめに：外在的認知負荷の低減はなぜ創造性研究に重要なのか
学習設計において「わかりやすさ」を追求することと、「創造的な統合力」を育てることは、必ずしも同じ方向を向いているとは限りません。本記事では、認知負荷理論（CLT）とマルチメディア学習認知理論（CTML）が示す負荷低減の原理、生成的学習が描く理解から転移へのプロセス、ホワイトヘッドの哲学的な創造性概念、そして近年急速に蓄積されているAI共創研究の知見を整理し、それらを統合する「ECL–CIモデル」という仮説枠組みを紹介します。さらに、創造的統合をどのように測定し、どのような実験設計で検証できるかについても具体的に触れていきます。
認知負荷理論(CLT)とCTMLが示す「わかりやすさ」の条件
CLTが扱う負荷の整理
認知負荷理論は、人間の作業記憶には限りがあるという前提のもと、学習課題そのものに内在する負荷（内在的負荷）と、提示方法や設計の不備によって生じる不要な負荷（外在的負荷）を区別してきました。学習を最適化するためには、課題の本質と関係のない負荷、つまり外在的認知負荷を減らすことが重要だとされています。近年の研究動向では、学習に向けられた努力そのものを指す「学習関連負荷」を独立した負荷種として扱う考え方は弱まりつつあり、負荷の分類を内在的・外在的の二軸で整理する流れが強まっている点も押さえておく必要があります。
CTMLによる具体的な設計原理
CTMLは、言語情報と視覚情報を別々の処理チャネルで扱うという前提のもとに、学習者の能動的な処理を支える設計原理を提示してきました。情報を一貫性のある形でまとめる、重要な部分への注意を促す、関連する情報同士を近接して配置する、内容を適切な単位に分割する、といった原理は、外在的認知負荷を具体的に下げるための実践的な指針として機能します。これらの原理に関するレビュー研究では、特に注意を促す手がかりの効果が、記憶の保持にはやや強く、知識の転移にはやや弱めに現れる傾向があることが報告されており、効果の大きさが学習成果の種類によって異なる可能性が示されています。
生成的学習理論が描く「理解から創造への橋」
CLTやCTMLが「理解しやすい状態をどう作るか」に焦点を当てるのに対し、生成的学習の理論的系譜は「学習者自身が情報を選び、組織化し、既存の知識と統合する活動」こそが理解や転移を深めるという立場を取ります。説明する、図示する、身体を使って表現するといった生成的な活動は、単に教材をわかりやすくするだけでは得られない深い理解を支えると考えられています。この視点は、外在的認知負荷の低減が直接創造性を高めるのではなく、負荷が下がることで生成的な活動に資源を割けるようになり、その活動の質が創造的統合を支えるという媒介的な見方につながります。
ホワイトヘッドの創造性概念を教育研究に取り入れる視点
哲学者ホワイトヘッドは、創造性を心理測定可能な個人特性としてではなく、複数の要素が一つのまとまりへと統合され、そこに新しさが付け加わる過程として描いています。この発想は、学習者が複数の表象や複数の案を一つの新しい説明や提案へまとめあげる行為を理解するための上位的な概念枠組みとして有用です。ただし、ホワイトヘッドの議論はあくまで概念的・哲学的な語彙であり、実証的な因果仮説の根拠として直接扱うことには注意が必要です。教育研究への応用は、創造的統合という現象の「定義づけ」に役割を限定することが望ましいと考えられます。
AIとの共創研究が示す支援強度のジレンマ
近年のAI共創研究では、支援が弱すぎると比較や反証のための足場が不足し統合が浅くなりやすい一方、支援が強すぎると学習者の所有感が下がったり、生成される作品が似通ってしまう均質化が起こりうることが示されています。段落単位での下書き提示のような強い足場かけは、文章の質や生産性を高める可能性がある一方で、自分のアイデアだと感じにくくなるという副作用も指摘されています。また、AIの出力過程を分解して見せ、比較や選択の余地を残す設計は、透明性や制御可能性、協働している感覚を高めると考えられています。これらの知見は、AI支援の効果を「量」ではなく「役割」や「強度」として捉える必要性を示しています。
ECL–CIモデル：認知負荷低減と創造的統合をつなぐ仮説
モデルの基本構造
ここまでの整理を踏まえ、外在的認知負荷の低減と創造的統合の関係を説明する仮説枠組みとして「ECL–CIモデル」を提案します。このモデルでは、低い外在的負荷の教材設計が注意の散逸や表象間の分断を減らし、学習者が説明・比較・反証・再表象といった生成的活動に資源を振り向けられるようにすると考えます。そこに中程度のAI支援が加わると、代替ではなく比較や批判のための足場として機能し、創造的統合が高まりやすくなる一方、AI支援が強すぎる場合には生成的活動の一部がAIに肩代わりされ、所有感の低下や作品の均質化を通じて創造的統合がむしろ下がる可能性があるとみています。
検証すべき仮説
このモデルから導かれる仮説は、低い外在的負荷の教材は高い負荷の教材よりも創造的統合を高めやすいこと、その効果の一部は負荷の低下と生成的活動の質を介して生じること、AI支援の強度と創造的統合の関係は単純な直線ではなく逆U字型に近い可能性があること、そして事前知識による効果の調整方向は一様ではない可能性があるため前提を置かずに実測すべきことの四点です。
創造的統合をどう測るか：測定設計の三層構造
創造的統合を適切に検証するためには、過程・成果・経験という三層で測定設計を組むことが有効だと考えられます。過程層では外在的負荷そのものと生成的活動の質を、成果層では知識の転移と創造的統合の産物を、経験層では所有感や創造支援に対する主観的な感覚を捉えます。これにより、「わかりやすかったから創造的だった」のか、「わかりやすさが説明や比較といった活動を引き出し、その結果として創造的統合が高まった」のかを区別しやすくなります。
外在的負荷の測定には、認知負荷の種類を区別できる多項目尺度や、短いタスクごとに繰り返し使える簡便な努力評定尺度などを組み合わせることが考えられます。創造的成果の評価には、専門評価者による新規性・有用性の評定に加えて、作品同士の類似度を数値化する手法を併用すると、平均的な質の向上だけでは見えにくい「条件内での作品の似通いやすさ」も捉えやすくなります。創造的統合の評価そのものについては、統合の広さ・深さ・新規性・有用性・根拠の明示性・独自性保持といった複数の次元でルーブリックを組むことで、単なる「面白いアイデア」と学習内容を踏まえた統合的な成果を区別できると考えられます。
また、成果指標は学習直後の近い転移課題と創造的統合課題を分けて実施し、可能であれば一定期間後に遅延転移や再統合の課題を追加することが望ましいと考えられます。これにより、「その場でAIに助けられた」という一時的な効果と、「自分の知識構造に組み込まれた」という持続的な効果を分離しやすくなります。
実験設計のポイント：ECL水準×AI支援強度の要因計画
実証研究としては、教材設計の外在的負荷水準とAI支援の強度を組み合わせた要因計画が有力な選択肢になります。教材側は冗長な情報や表象の分断を含む高負荷条件と、一貫性・signaling・近接性・分割を満たす低負荷条件を用意し、AI支援側は問いかけや観点提示にとどまる弱い支援から、複数案の比較を促す中程度の支援、下書きの提示まで含む強い支援まで段階的に設計します。
教材自体に欠陥がある状態でAI支援を強めても、「AIが教材の欠陥を補ったのか」「AIが創造的統合そのものを助けたのか」が分離しにくくなります。そのため、まずは負荷の低い教材条件のもとでAI支援の強度を段階的に変化させ、支援強度と創造的統合の関係を精密に観察する設計が理にかなっていると考えられます。課題自体も、複数の表象や事例を統合しなければ解けず、統合後には新しい提案や説明を生み出せるような、適度に複雑で開放的な性質を持つものが望ましいでしょう。
媒介関係を検証するためには、負荷や生成的活動の指標を、創造的な成果を測る前の時点で時間差をつけて取得することが重要になります。条件→負荷→生成的活動の質→創造的統合という時間順序を保ったうえで、階層構造を考慮した媒介分析を行うことが望ましいと考えられます。逆U字の関係を検証する際には、単純な二次項の検定だけでなく、より頑健性の高い手法を組み合わせることが望ましいと考えられます。さらに、作品を複数の評定者が採点する場合は、評定者間の一致度も別途確認しておく必要があります。
AI支援設計とログ取得、研究倫理・再現性への配慮
AI支援を組み込む実験では、AIにその場で答えを出させる設計ではなく、比較させ、説明させ、選び直させる設計が望ましいと考えられます。中間結果を見せる、複数の候補を提示する、採用や破棄の理由を記録させるといった工夫は、AIの恩恵を残しながら学習者自身による再統合の過程を捉えやすくします。あわせて、プロンプトの内容やAIの出力履歴、改稿の過程などを記録するログ設計、個人情報や作品データの外部送信に関する配慮、評価の公正性への注意、そして事前登録や手続きの公開といった再現性への取り組みも、この種の研究では欠かせない要素だと考えられます。
まとめと今後の研究課題
本記事では、外在的認知負荷の低減が創造的統合に与える影響について、CLT・CTML・生成的学習・ホワイトヘッドの創造性概念・AI共創研究という複数の理論的系譜を整理し、それらを統合する仮説枠組みとして「ECL–CIモデル」を紹介しました。低い外在的負荷が生成的活動を通じて創造的統合を支える可能性がある一方、AI支援の強度によってはその効果が反転しうるという点は、学習設計とAI活用の両方を考える上で重要な視点だと考えられます。
今後さらに掘り下げるべき研究テーマとしては、以下のような方向性が考えられます。
- 教材設計の外在的負荷水準とAI支援強度を組み合わせた要因実験による、ECL–CIモデルの実証的検証
- 創造的統合ルーブリックと埋め込み類似度などの定量指標を組み合わせた、評価手法そのものの妥当性検証
- 年齢層や学習領域を変えた場合の、生成的活動とAI支援の最適な組み合わせの違いの検討
- AI支援の透明性・制御可能性を高める具体的なインターフェース設計と、所有感・均質化への影響の関係
- 個人レベルの創造的成果と、集団・条件内での多様性という二つの指標が、長期的にどのように関連していくかの追跡的検討
コメント