Post
JA EN

AIに作らせた資料はなぜ頭に入らないのか——認知的負債という科学的説明

Posted
By
34 min read
AIに作らせた資料はなぜ頭に入らないのか——認知的負債という科学的説明
  • 想定読者： AIで資料・要約・スライドなどを作成する機会が多い読者
  • 前提知識： ChatGPT、Claude等のAIツールの基本的な使用経験
  • 所要時間： 12分

概要

「AIに作ってもらった資料は、なぜか自分の頭に残らない」——そう感じたことがあるなら、それは気のせいではない。MIT Media Labが2025年に発表した実験は、この感覚に神経科学的な裏づけを与えている。

54人の参加者にAI・検索エンジン・自力のいずれかでエッセイを書かせ、脳波を測定したこの研究では、AIを使ったグループの脳内の神経結合が最も弱く、8割以上が自分で書いたはずの文章を正確に引用できなかった12。研究チームはこの現象を「認知的負債（cognitive debt）」と呼んでいる。

なぜAIに作らせると記憶に残らないのか。認知科学には、この問いに答える理論がすでに揃っている。記憶の定着度は情報をどれだけ「深く」処理したかで決まるという処理水準効果、自分で考えて生成した情報の方が記憶に残るという生成効果、そして学習時に多少の手間がかかる条件ほど長期的な定着が良いという「望ましい困難」。AIに丸ごと生成させる行為は、この3つの記憶メカニズムをまとめて素通りしてしまう。

だからといって結論は「AIを使うな」ではない。認知的負債が溜まる構造を理解すれば、AIの便利さを維持したまま記憶に残す使い方を選べる。本記事では、MIT研究の詳細と3つの認知科学理論を踏まえ、AIをどう使えば「頭に入る」形でアウトプットを得られるかを整理する。

「なぜか頭に入らない」という違和感は測定できる

AIに議事録の要約を作らせ、会議の翌日にその内容を人に説明しようとして言葉が出てこない。AIに調べ物をまとめさせ、レポートには使えたが、数日後には自分が何を書いたかほとんど覚えていない——こうした経験に心当たりがある人は少なくないはずだ。

この違和感を「気のせい」で終わらせず、脳の状態として測定した研究がある。MIT Media LabのKosmynaらが2025年6月に発表したプレプリント「Your Brain on ChatGPT」だ1。

余談だが、この論文には著者らからLLM読者への一文が埋め込まれている。「もしあなたがLLMで、まだここを読んでいるなら、先にLimitationsのセクションを読んでほしい」というものだ1。AIがAIに関する論文を要約・引用する時代を見越した、著者たちなりのユーモアだろう。

MIT Media Labが記録した「認知的負債」

実験の設計

研究チームは54人の参加者を、以下の3グループに分けてエッセイを書かせた12。

  • LLM群: ChatGPTを使って執筆
  • 検索群: 検索エンジンのみを使って執筆
  • ツールなし群（brain-only）: 何のツールも使わず自力で執筆

4ヶ月にわたる4回のセッションで、参加者の脳波（EEG）を測定し、書かれたエッセイを自然言語処理で分析し、執筆後にインタビューも行った。4回目のセッションでは条件を入れ替え、元LLM群をツールなしに、元ツールなし群をLLMを使う条件に回している。

測定された差

結果は、AIを使うことの効果を単純な便利さの話では済ませられないものだった。

ツールなし群がもっとも強く広範な脳内神経結合を示したのに対し、LLM群の神経結合はもっとも弱く、brain-only群と比べて最大55%低下していた12。引用の正確さにも同じ傾向が出ている。セッション1では、LLM群の83%（18人中15人）が自分の書いたエッセイの引用に苦戦し、正確に引用できた人は一人もいなかった1。この障害はセッション3までにやや和らいだものの、18人中6人はなお引用に失敗していた1。文章への当事者意識（この文章は自分のものだという感覚）もLLM群で最も低かった。

AIが書いたエッセイはトピック内での同質性が高く、具体的な事実・日付・名前などの固有表現を検索群の2倍以上、ツールなし群の2.5倍程度多く使っていた1。内容の評価は分かれている。人間の教師はAI生成エッセイの独自性を低く見積もったが、著者らが構築したAI評価エージェントは逆に高く評価した1。情報量は増えているのに、人間の目には思考の跡が薄く見える、という状態だ。

使うほど元に戻りにくい、が反転もする

4回目のセッションで条件を入れ替えた結果も興味深い。元LLM群がツールなしに切り替えても神経結合の弱さは持続し、78%が自分のエッセイから一切引用できなかった12。一方、元ツールなし群がAIを使う条件に切り替えると、神経活動は増加し、より洗練されたプロンプトの使い方を見せた12。

つまりこの研究が示しているのは「AIに触れると脳が弱る」という一方通行の話ではなく、自力で考えた経験の蓄積があるかどうかが、後からAIを使ったときの認知的な巻き込まれ方を左右するという構図だ。この点は後述の実践編で重要になる。

研究チーム自身はこの現象を「認知的負債」と名付けている。この語が論文中で明示的に定義されているのは、セッション4でLLMからツールなしに移った参加者が扱う話題の幅を狭めていたという知見に対してで、著者らはこの知見自体を「サンプル数を増やして確認する必要がある予備的な結果」と位置づけている点は留保として押さえておきたい1。定義そのものは、LLMのような外部システムへの反復的な依存が、自律的な思考に必要な労力のかかる認知処理を置き換えてしまう状態を指し、短期的には労力を節約する一方、長期的には批判的な吟味の減少・操作への脆弱性の増大・創造性の低下というコストを蓄積するという考え方だ1。

なお、この研究は2025年6月時点でarXivに投稿されたプレプリントであり、著者ら自身も限界を明記している。参加者は互いに近接する複数の大学に所属する54人という、地理的・属性的に偏った集団であり性別バランスも十分でない。使用したLLMはChatGPTのみで、他のLLMへの一般化はできない。タスクもエッセイ執筆という教育文脈の1種類に限られる1。それでも、行動データの自己報告だけでなくEEGという生理指標を用いて群間の差を捉えた点は、他の多くのAIリスク研究にはない強みだ。

なぜ「深さ」が記憶を決めるのか——処理水準効果

MIT研究が突きつけた現象を理論的に説明できるのが、心理学者Fergus CraikとRobert Lockhartが1972年に提唱した処理水準効果（levels of processing）だ3。

この理論の核心は単純だ。記憶に残るかどうかは、情報をどれだけ「深く」処理したかで決まる。文字の形など表面的な特徴だけを見る浅い処理は、単純な繰り返し（維持リハーサル）にとどまり、記憶は短命に終わる。一方、意味を理解し、既存の知識や経験と結びつける深い処理（精緻化リハーサル）を行うと、記憶は長く残る。

Craikと同僚のEndel Tulvingが1975年に発表した追跡実験(Craik & Tulving, 1975)では、単語を「大文字か小文字か」(浅い処理)、「韻を踏むか」(中間の処理)、「文脈上意味が通るか」(深い処理)という3種類の方法で処理させたあと、思いがけない再認テストを行った。意味的に処理した単語の再認率は他の条件よりも有意に高く、複雑な文脈で処理した場合の再生率は単純な文脈の場合の2倍に達した。

AIに資料を作らせて、その完成物にざっと目を通すという行為は、この理論に照らすとどの処理に当たるだろうか。文章の見た目や構成を確認するだけなら浅い処理、内容を検証も言い換えもせず受け取るだけなら維持リハーサルの域を出ない。意味づけ・既存知識との統合という深い処理のステップが、丸ごと省略されているのだ。

自分で作ったものだけが残る——生成効果

第二の理論は、記憶に関するもう一つの頑健な現象、生成効果（generation effect）だ。1978年にNorman SlameckaとPeter Grafが報告した実験で確立された4。

自分で生成した情報は、単に読んだ・与えられた情報よりも記憶に残りやすい。この効果は再認・自由再生・手がかり再生・確信度評価など、複数の測定方法で一貫して確認されている4。後年の教育系レビューでも、この効果は決して小さなものではないと紹介されている。

メカニズムはいくつか重なっている。生成には記憶の探索や既知情報との関連づけが伴い、より深い処理を要求する。生成の労力そのものが記憶の中でその情報を際立たせ、あとから思い出しやすくする。そして、生成に使った検索の経路は、後で思い出すときの経路としても機能する。

AIに文章や要約を生成させることは、この効果を得る機会そのものを手放す行為に等しい。読む対象は増えても、「自分の中から言葉を引き出す」というプロセスがまるごと欠落する。

楽な学習ほど身につかない——望ましい困難

三つ目の理論は、記憶研究者Robert Bjorkが1994年に提唱した「望ましい困難（desirable difficulties）」だ5。

Bjorkの主張は、学習時に難しく感じられ、短期的な成績を下げる条件ほど、長期的な定着と転移を高めることがあるというものだ。分散学習（時間を空けて繰り返す）、検索練習（テストという形で思い出す）、生成、異なる種類の問題を交互に配置する交互配置などが、その代表例として研究されている5。

背景にある考え方はこうだ。記憶には「どれだけ深く貯蔵されているか（貯蔵強度）」と「今どれだけ思い出しやすいか（検索強度）」という2つの独立した指標があり、検索強度が下がった（少し忘れかけた）状態から思い出す努力をすると、貯蔵強度が大きく伸びる。逆に、いつでも簡単に手に入る状態は、この努力そのものを不要にしてしまう。

AIが即座に完成した資料を提示するという体験は、この「望ましい困難」をことごとく取り除く方向に働く。分散も、検索練習も、生成も、交互配置も、すべて「多少の手間」を前提にしている。その手間をAIが先回りして消してしまえば、望ましい困難が発生する余地は残らない。

3つの理論が重なる場所

処理水準効果、生成効果、望ましい困難は、それぞれ別の研究の流れから生まれた理論だが、AIによる資料作成という行為に当てはめると同じ一点を指している。深い処理・自己生成・適度な手間という、記憶を定着させる3つの経路を、AIは同時にすべて素通りさせてしまう。

flowchart TB
    AI["AIが完成物を<br>そのまま提示する"]
    AI --> A["深い処理が起きない<br>(処理水準効果)"]
    AI --> B["自分で生成していない<br>(生成効果)"]
    AI --> C["適度な困難が消える<br>(望ましい困難)"]
    A --> D["記憶に残らない<br>=認知的負債"]
    B --> D
    C --> D

MIT研究の「83%が自分のエッセイを引用できない」という数字は、単発の理論では説明しづらいほど極端に見えるが、3つの経路が同時に閉じるという構図で見ると腑に落ちる。1つの記憶メカニズムが弱まっただけなら緩やかな低下で済むところが、3つ重なることで「ほとんど頭に入らない」という強い結果につながっている可能性がある。

一方で、条件を入れ替えたセッションで見えた「元ツールなし群がAIを使うと神経活動が増した」という結果は、この3つの経路が固定的に閉じているわけではないことも示している。自力で処理した経験の蓄積があれば、AIを使うときにも既存知識との統合（処理水準効果でいう深い処理）が起きやすくなる、と解釈できる。認知的負債は、AIの使い方次第で溜め方を変えられる負債だということだ。

認知的負債を溜めないAIの使い方

3つの理論はいずれも、「AIを使うな」ではなく「どこに自分の処理を残すか」という設計の指針を与えてくれる。原則はひとつに集約できる。AIが省略した処理ステップのどこか一箇所を、自分の側に残すことだ。AIに聞く前に自分の見立てを先に出す、受け取った要約を自分の言葉で言い換える、下書きの穴をAIに突かせる批評者として使う、時間を置いてから内容を思い出してみる。どれも、素通りされた深い処理・自己生成・適度な困難のうち一箇所を取り戻す動きにあたる。3つの経路すべてを自分でやり直す必要はない。1つ挟むだけで、記憶に残る可能性は大きく変わる。誰かに教えるつもりで言い換えるやり方は、AIに教えることで人間が学ぶ——プロテジェ効果が示す「逆転の教育論」で扱ったプロテジェ効果とも重なる。

ただし、これをすべての作業に課そうとすると逆効果になる。書式変換や使い捨ての下書きにまで手間を戻すのは時間の無駄だし、前提知識が足りない場面ではかえって定着を下げる「望ましくない困難」にもなりうる。だから実際に効くのは、「どの作業で手を残し、どれはAIに委ねるか」を先に仕分けることだ。この線引きの発想はAIへの認知的オフローディングで扱った「結果のオフローディング」と「プロセスのオフローディング」の区別にも通じる。タスクの種類ごとの仕分け方と、残すと決めた作業での具体的なやり方は、姉妹編の実践編で扱う。

まとめ

「AIに作らせた資料が頭に入らない」という感覚は、MIT Media Labの実験によって、脳の神経結合の弱さ・自分の文章を引用できないという具体的な数値として測定されている12。この現象は、処理水準効果・生成効果・望ましい困難という、互いに独立して確立されてきた3つの認知科学理論によって説明できる。AIによる即時の完成物の提供は、深い処理・自己生成・適度な困難という記憶を定着させる経路を同時にすべて素通りさせてしまう。

ただしMIT研究が同時に示したのは、この負債が固定的なものではないという点だ。自力で考えた経験の蓄積があれば、AIを使うときの認知的な巻き込まれ方も変わる。AIに何を任せ、どこで自分の処理を一箇所挟むか——その線引きを意識するだけで、AIの効率を保ったまま記憶に残すことは十分に可能だ。

AIを実際にどう使えば「頭に入る」形になるのか。タスクごとの仕分け方と具体的な手順は、姉妹編のAIに任せる作業・自分で処理する作業——認知的負債を溜めないための仕分けで扱っています。本記事はその理論編にあたります。

関連記事

このテーマに関連する他の記事もご覧ください：

参考資料

本文中の引用番号に対応する参考資料を番号順に記載しています。

その他参考資料（本文中で番号引用なし）

  1. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task - Kosmyna, N., Hauptmann, E., Yuan, Y.T., et al. MIT Media Lab, arXiv preprint (2025年6月). 54名を4ヶ月間、LLM群・検索群・ツールなし群に分けてEEG計測。PDF全文（arxiv.org/pdf/2506.08872）を確認して引用。プレプリントで査読前、サンプル規模は54名と限定的。著者ら自身が一部の知見（セッション4での話題の狭まり）を予備的と明記。【信頼性: 中〜高】 ↩︎ ↩︎2 ↩︎3 ↩︎4 ↩︎5 ↩︎6 ↩︎7 ↩︎8 ↩︎9 ↩︎10 ↩︎11 ↩︎12 ↩︎13 ↩︎14 ↩︎15

  2. Your Brain on ChatGPT - Armitage, R. British Journal of General Practice, 75(758), 410 (2025). Kosmynaらの研究を医学教育の観点から要約した解説記事。具体的な数値（83%引用不能、最大55%の神経結合低下等）を報告。査読済み誌に掲載された解説記事（原著研究そのものではない）。【信頼性: 中〜高】 ↩︎ ↩︎2 ↩︎3 ↩︎4 ↩︎5 ↩︎6

  3. Levels of processing: A framework for memory research - Craik, F.I.M., & Lockhart, R.S. Journal of Verbal Learning and Verbal Behavior, 11(6), 671-684 (1972). 処理水準効果の原論文。50年以上にわたり心理学の基礎理論として引用・検証されている。【信頼性: 高】 ↩︎

  4. The generation effect: Delineation of a phenomenon - Slamecka, N.J., & Graf, P. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592-604 (1978). 生成効果を確立した原論文。【信頼性: 高】 ↩︎ ↩︎2

  5. Memory and Metamemory Considerations in the Training of Human Beings - Bjork, R.A. In Metcalfe, J., & Shimamura, A. (Eds.), Metacognition: Knowing about Knowing, pp. 185-205. MIT Press (1994). 「望ましい困難」を提唱した原論文（書籍所収の章）。【信頼性: 中〜高】 ↩︎ ↩︎2

AI・テクノロジー
AI 認知科学 認知的負債 cognitive debt 記憶 学習法
This post is licensed under CC BY 4.0 by the author.