分散認知

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

分散認知——認知は個人の心に閉じ込められたものではなく、人、ツール、道具、環境にわたって分散されているとする理論的視点です。研究の文脈では、この枠組みは人間とAIの協働を理解する上で中心的なものとなっています。すなわち、AIをそれ自体で自己完結した学習者を支える中立的なツールと見るのではなく、分散認知は思考を、学習者、AI システム、仲間、そして共有された文脈の相互作用から生じるものとして扱います。これは行為主体性、責任、学習成果の問題を、認知的作業が人間とAIからなるシステムの内部でどのように配分されるかという観点から捉え直します。

検討すべき問い

分散認知は、思考が単一の心に閉じ込められたものではなく、人、ツール、環境にわたって広がっていると述べます。電卓、ノートアプリ、AI アシスタントを使うとき、「考える」ことは実際にどこで起こっているのでしょうか。
認知が人間とAIに分散しているとすれば、結果が誤っていたときに責任を負うのは誰でしょうか——そして学習について説明責任を負うのは誰でしょうか。
ある枠組みは、AIの「機能的行為主体性」（結果に影響を与えうる）と「道徳的責任」（人間に残る）を区別しています。この区別は実際に成り立つでしょうか。それとも、人間がシステムが何をしたかを理解できないとき、責任は曖昧になるでしょうか。
推論を最も効率的に分散する人間とAIのシステムは、最も高いタスク成績を生み出す一方で、自己調整学習は最も乏しい傾向にあります。なぜシステムを集団レベルで「賢くする」ことが、個人の学習者を弱くするのでしょうか。
「認知コモンズ」の議論は、分散された熟達は内在化された専門性に依存すると主張します。深く理解していない AI システムを効果的に監督することはできないのです。これは、AI が学習の骨の折れる作業を省かせてくれるという考えにどう挑むでしょうか。

はじめに

これは知識ベースの学習理論ストランドの中の学習理論の概念であり、身体性に基づく学習、状況学習、認知的オフローディングと密接に関連しています。分散認知（DCog）は、エドウィン・ハッチンズとその同僚たちの研究に端を発し、記憶、推論、問題解決といった認知的プロセスが、単一の頭脳に宿るのではなく、複数のエージェントと物的システムにわたって広がっている様子を記述します。AI教育においてこれが重要なのは、AI システムが思考の負荷の一部を担う真の認知的パートナーとしてますます機能するようになり、学習が実際にどこで起こり、誰が責任を負うのかという問題が生じるからです。

AI はどのように認知の分散を移し替えるか

生成的・対話的な AI システムは、それ以前のツールではなかった仕方で認知的作業を再配分します。知識ベースはこの移し替えのいくつかの次元を記録しています。

認知的パートナーおよび共同調整者としてのAI。 AI は足場、メタ認知的支援、外部記憶システム、そして思考と学習の共同調整における意思決定パートナーとして機能できます。(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) これは認知を、個人によって管理されるものではなく、学習者とシステムの間で共同調整されるものとして位置づけます。
行為主体性と責任の再配分。 アンサンブル認知のような枠組みは、思考を動的な人間とAIの相互作用から生じるものとして再概念化し、AIの機能的行為主体性（意識なしに結果に影響を与える能力）と道徳的責任（人間に残る）を区別します。(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) 分散認知はこのようにして、学習について誰が説明責任を負うかを捉え直します。
効率と調整の緊張関係。 実証研究はトレードオフを示しています。推論を最も効率的に分散する人間とAIのシステム（例えば委任された推論によって）は、より高いタスク成績を達成する一方で、学習者の自己調整的な関与を低下させる可能性があります。(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) これは、知識ベースが記録する認知的オフローディングおよび過度の依存のリスクの実証的な顔です。
協働における媒介。 AI は*教育学的媒介者*として、協調学習において相互作用、認識論的な意味づくり、調整プロセスを組織し、行為主体性、権威、責任を人間と非人間のアクターにわたって再配分することができます。(Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning)
アクセス構成は集団内部の認知を分散させる。 Xu ら（2026）は、チームが生成AIをどう共有するかが認知の分散を決定することを示しています。単一の共有インターフェース上の同期作業は共通の認知モデル（集合的なプロンプト、共有された外部記憶）を維持しますが、非同期の私的な利用はそれを分断し、出力は共有前に選択的に再ラベル付けされます。生成AIはそれによって、分散された認知的参与者であると同時に、その透過性が設計されなければならない相互作用的な協働空間としても機能します（共有された文脈は流入するが、私的な洞察は自動的には逆流しない）。
教師もまた AI 優位か補完的かの分散を経験する。 同じ効率と調整の論理は、授業設計の教師側にも当てはまります。Choi ら（2026）は、新任教師が教授設計の認知的負荷の大部分を AI システムに委任し（AI 優位の分散で、ほぼ応答を受け入れる）、一方、経験豊富で AI に習熟した教師は、教育学的専門性と AI の計算的支援が相互に補強し合う補完的な分散に達することを見出しました。そして生成AIが情報を単に蓄積するのではなく生成し共同構築するため、彼らはこれを単なるツール利用ではなく参加的な共有認知として捉えています。
単位は成果ではなく相互作用のタイプ。 Willcox, Lane & Arikan（2026）は、自己主導的な ChatGPT 利用の53件のログから認知分散フレームワークを構築しました。すなわち、5つの相互作用タイプ（拡張、外部化、整合、変容、脱結合）と4つの利用者役割であり、同じ学生が一つのやり取りでは外部化し、次のやり取りでは共同思考できるのです。

分散認知と関連する視点

知識ベースは分散認知を、重なり合うが同一ではない隣接する理論的伝統と並べて扱っています。

**状況づけられた学習／状況づけられた認知**は、認知と学習が、それが起こる真正な文脈と実践の共同体から切り離せないことを強調します。これは、DCog がシステムにわたる認知的分散に焦点を当てることの補完です。
**身体化された認知**は、身体と感覚運動的相互作用の役割を重視し、思考は抽象的な記号操作ではなく身体的な関与に基づいていると論じます。
**認知的オフローディング**は、認知的作業が外部システム（AI を含む）に引き渡される実践的なメカニズムであり、DCog の記述的説明の対になるリスクを孕んだものです。
拡張認知／拡張された心のテーゼ（ポストヒューマニズムの研究で用いられます）は、外部の道具が単なる道具ではなく認知的システムの構成的一部になりうると主張します。これは、AI が学習者の心そのものの一部であるというより強い主張です。(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)

AI 設計と評価にとってなぜ重要なか

分散認知は設計のレンズであると同時に評価のレンズでもあります。設計については、人間の学習者のメタ認知と自己調整を損なわずに（保ちながら）学習者と AI の間で認知的作業をどう配分するかを問います。評価については、成功指標を捉え直します。すなわち「成績は向上したか」とだけ問う代わりに、DCog は認知の分散が持続的な学習、認識論的行為主体性、教育的公正を支えるかどうかを問います。これは知識ベースのAI教育の評価（AI Ed Evaluation）と学習理論の問題につながる視点です。

Fowlin ら（2026）は、その配分を2段階の順序として具体化しています。まず AI なしで中核的な能力を築き、次に AI を認知的パートナーとして導入し、その提案を学生が批判的に評価するようにします。これにより自動化に関連する技能の喪失を防ぎます（Fowlin ら（2026））。

内在化された熟達と分散された熟達。 認知コモンズの枠組み（Lovett 2026）は、内在化された熟達（個人の心にある深い領域知識）と分散された熟達（人間とAIからなるシステムの統括）を区別し、後者が「検証の係留」を通じて前者に依存すると論じます。すなわち、分散された／AI システムの効果的な監督には、それらのシステムが損ないかねない内在化された専門性が前提となります。これは DCog の設計問題を鋭くします——認知の分散は、それを検証する専門性を犠牲にしてはなりません。

メタデータ

学習と教授	分散認知, 身体性に基づく学習, 学習理論, メタ認知, 状況学習
教育におけるAIの基礎	学習者の主体性, 認知的オフローディング, 人間とAIの協働

Source History Edit Chat

検討すべき問い

はじめに

AI はどのように認知の分散を移し替えるか

分散認知と関連する視点

AI 設計と評価にとってなぜ重要なか

関連する概念

関連する論文

メタデータ

このページを埋め込む