Why the best learners talk to themselves | Tania Lombrozo

ラバーダッキング――新情報なしで学べる謎

ソフトウェアエンジニアには「ラバーダッキング」という習慣がある。コードに行き詰まったとき、机の上のゴム製のアヒルに向かって問題をステップごと・行ごとに説明するのだ。アヒルは何も答えない。プログラマーは自分自身に説明しているだけで、新しい情報は一切入ってこない。それでも、このプロセスが学びを助ける。認知科学者のタニア・ロンブロゾはこれを「考えることで学ぶ（learning by thinking）」と呼び、25年以上この現象を研究してきた。

情報過多の時代における逆説

インターネット・SNS・AIの普及で、私たちはかつてないほど多くの情報に即座にアクセスできる。しかしロンブロゾは「情報が増えれば増えるほど、学習はかえって難しくなる」と指摘する。外から情報を追加するだけでは「情報過負荷（information overwhelm）」が悪化するだけだ。代わりに、すでに自分の頭の中にある知識を起点にすべきだという。人間の記憶・スキルには気づかれていない膨大な知識が眠っている。「自宅の正面に窓がいくつあるか」という問いに即答できなくても、視覚的な記憶を使えば数えられる。「アルファベットの5番目の文字は？」も、頭の中で読み上げれば分かる。「Zはキーボードの左右どちらか？」は指の運動記憶で分かる。これらがlearning by thinkingの実例だ。

自己説明効果――1980年代から積み上がった証拠

1980年代後半、研究者たちは「最も成功している学生」の共通行動を探った。同じ教科書・同じ試験問題を使っていても学習成果には大きな差が生まれる。差の源は外部情報ではなく、情報に対してどう向き合うかにあった。優秀な学生の多くは、学習中に自分自身に説明し、自ら問いを立て、答えを導こうとしていた。「自分自身のラバーダック」になっていたのだ。その後の研究でも、自己説明は子どもでも大人でも学習効果を劇的に高め、学んだ内容をより広く応用できるようになることが繰り返し確認されている。これが「自己説明効果（self-explanation effect）」だ。

5歳児が大人の思考パターンを獲得した実験

ロンブロゾ自身の研究から、具体的な実験が紹介された。「2羽のアヒルが描かれたカード」を基準に、「2匹のカエル」か「1羽のアヒルと1匹のキツネ」のどちらを選ぶか問う課題だ。大人は通常「同じ種類どうし」という抽象的な規則で2匹のカエルを選ぶ。しかし5〜6歳の子どもは、基準カードに1羽でもアヒルがいる「1羽のアヒルと1匹のキツネ」を選びやすい。正解例を繰り返し見せるだけでは子どもの選択は変わらなかった。しかし「なぜそのカードが合うか」を自分で説明させると、フィードバックも新情報もなしに、子どもは大人と同じパターンで答えるようになった。説明するだけで情報の表現の仕方が変わったのだ。

「説明の深さの錯覚」と情報ショッピングリスト

自己説明のもう一つの力が「説明の深さの錯覚（illusion of explanatory depth）」を打ち破ることだ。ロンブロゾの友人ロクサナは大学で気候・自然災害の授業を受けており、竜巻の発生メカニズムを説明できると思っていた。ところが実際に説明しようとすると、気圧差は分かるが、低気圧がどうやって渦を生み出すかが言葉にできなかった。「自分は何も知らなかったと気づいた」とロクサナは語った。説明を試みることで知識の穴が浮き彫りになる。これは料理で「手持ちの食材を確認してから買い物リストを作る」のと同じだ。足りないものが分かって初めて、何を探すべきかが決まる。AIや検索に最初から頼ると、この変換・統合のプロセスを外注することになり、何が分かっていて何が分かっていないかの境界が曖昧になる。ロンブロゾはこう締めくくった。「まず外の情報から始めないでください。最初に内側を見てください。自問し、自分に説明してください。自分自身のラバーダックになってください」。