1. 認知負荷理論の基礎とAI学習支援への適用

1.1 認知負荷理論とは

認知負荷理論（Cognitive Load Theory: CLT）は、1988年にJohn Swellerによって提唱された教育心理学の理論である[1]。この理論は、人間の作業記憶（ワーキングメモリ）には容量制限があり、効果的な学習のためには認知負荷を適切に管理する必要があるという前提に立つ。

CLTでは、学習時に経験する認知負荷を3つのタイプに分類している。

1.2 AI学習支援への理論的適用

LLMを活用した学習支援は、認知負荷理論の観点から以下のように分析できる[2][3]。

2025年にFrontiers in Psychologyに発表された論文「The cognitive paradox of AI in education」は、この二面性を「認知的パラドックス」と呼んでいる[4]。AIは外在的負荷を削減する可能性がある一方で、過度な依存は深い学習と高次思考スキルの発達に必要な本質的負荷を減少させる可能性があるという指摘である。

1.3 スキャフォールディングと代替の区別

2025年の研究では、AI学習支援を「スキャフォールディング（足場かけ）」と「代替」の観点から区別することの重要性が指摘されている[5]。

この区別は、同じAIツールでも設計哲学、統合の文脈、使用パターンによってスキャフォールディングにも代替にもなりうることを示唆している。

2. 実証研究が示すLLMの認知負荷への影響

2.1 認知負荷軽減の実証：肯定的知見

複数の実証研究が、LLM使用による認知負荷軽減を報告している。

2.1.1 歯科医学教育におけるRCT（2025年）

Journal of Medical Internet Researchに発表された無作為化比較試験では、192名の歯学部生を対象に、ChatGPTを活用した臨床スキル教育の効果を検証した[6]。アイトラッキング技術を用いて認知負荷を客観的に測定した結果、以下の知見が得られた。

特筆すべきは、空間認知能力の低い学習者がChatGPTからより大きな恩恵を受けたという交互作用効果である。これは、AIが認知的弱点を補償する可能性を示唆している。

2.1.2 現象学的アプローチによる質的研究（2025年）

ScienceDirectに発表された研究では、学生がChatGPTを学術支援に使用した経験を現象学的に分析した[7]。結果として、ChatGPTは詳細な回答と効率的な情報検索により、内在的負荷と外在的負荷の両方を軽減することが示された。学生は、ChatGPTが理解を深め、エンゲージメントを高め、批判的思考を促進するツールであると認識していた。

2.1.3 縦断的研究（2025年）

Interactive Learning Environmentsに発表された1年間の縦断研究では、ChatGPTが「パーソナライズされたサポート、認知負荷の軽減、人間らしい会話的インタラクション」を通じて学習体験を豊かにすることが報告された[8]。

2.2 認知負荷軽減の代償：批判的思考への影響

しかし、認知負荷の軽減には代償が伴うことを示す研究も蓄積されている。

2.2.1 Stadlerらの実験研究（2024年）

91名の大学生を対象とした実験では、ChatGPT使用群とGoogle検索使用群を比較した[9]。

研究者らは次のように結論づけている。「ChatGPTは認知的負担を軽減するが、それ自体では質の高い学習に必要な内容への深い関与を促進しない可能性がある」[9]。

2.2.2 MIT Media Labの脳波研究（2025年）

MIT Media Labは、脳波（EEG）を用いてエッセイ執筆時の認知負荷を直接測定する画期的な研究を発表した[10]。

研究の核心的発見は「認知的負債（Cognitive Debt）」の概念である。LLMを使用すると即時的な認知負荷は軽減されるが、LLMなしで同様のタスクを遂行する際に困難を経験するという形で「負債」が蓄積される。また、LLM支援で作成したテキストに対する記憶・所有感が、検索支援や無支援の場合と比較して低下することも報告された。

2.2.3 プレテストの効果（2024年）

ペンシルベニア大学の研究では、73名の情報科学専攻学生を対象に、AI使用前のプレテストの効果を検証した[4]。結果として、プレテストを行ってからAIを使用した群は記憶保持とエンゲージメントが向上したが、長時間のAI曝露は記憶の低下につながることが示された。

2.3 メタ分析による統合的知見

2025年のメタ分析研究は、ChatGPTの学習効果について以下の統合的知見を報告している[11]。

ただし、研究者らは「サンプルの選定には注意が必要であり、単にChatGPTを翻訳などの一般ツールとして使用した研究は、学習への影響を示すエビデンスとしては不適切」と指摘している。

2.4 神経科学的アプローチ

2025年のシステマティックレビューでは、EEGとfNIRSを用いた認知負荷の神経科学的測定とAI適応学習システムの統合が報告されている[12]。

特に、前頭前皮質（PFC）の活性化パターンが認知負荷の各タイプに対応する神経シグネチャを示すことが明らかになり、AI学習システムの適応的調整に活用できる可能性が示された。

3. AIの認知的パラドックスと教育実践への示唆

3.1 認知的パラドックスの構造

研究を総合すると、AI学習支援には「認知的パラドックス」が存在することが明らかになる[4]。

「AIは認知的増幅器にも認知的抑制器にもなりうるという、パラドキシカルな性質を持つ」— Jose et al., 2025

3.2 ブルームのタキソノミーから見た分析

ブルームの認知領域タキソノミーに基づくと、AIの役割は認知レベルによって異なる[4]。

研究は、AIが低次の認知スキル（記憶、理解）では効果的に機能する一方、高次の判断・分析スキルについてはAIが抑制的に作用するリスクがあることを示唆している。

3.3 AI-Learner Working-Memory Co-Regulation Framework

2025年に提案された「AI-学習者作業記憶共調整フレームワーク」は、認知負荷理論と認知的オフローディングを統合した新しい理論的枠組みである[13]。

3.4 教育実践への具体的提言

研究知見を総合すると、以下の実践的ガイドラインが導出される。

3.5 年齢・発達段階による考慮

研究は、認知的オフローディング戦略に発達段階による差があることを示唆している[13]。若い学習者は最適な外部化を十分に活用できない可能性がある一方、青年期の学習者はリマインダーに過度に依存する傾向がある。これは、年齢に応じたメタ認知的指導の必要性を示している。

3.6 結論：認知負荷理論から見たAI学習支援の展望

認知負荷理論の観点からLLM学習支援を分析すると、以下の結論が導かれる。

第一に、LLMは確かに外在的負荷を軽減する能力を持つ。情報検索の効率化、明確な説明の提供、学習者のレベルへの適応は、実証的に支持されている。

第二に、しかしこの認知負荷軽減には代償が伴う。批判的思考の質の低下、記憶・所有感の減少、「認知的負債」の蓄積といった問題が報告されている。

第三に、AIがスキャフォールディングとして機能するか代替として機能するかは、設計と使用法に依存する。適切に設計されたAI（段階的ヒント、フェーディング、メタ認知促進）は学習を支援するが、無制限の即答提供は学習を阻害しうる。

第四に、認知負荷の管理は目的ではなく手段である。外在的負荷を最小化しつつ本質的負荷を維持・最大化することが、深い学習につながる。AIによる認知負荷軽減が、本質的負荷までも軽減してしまわないよう注意が必要である。

「AIは認知的イネーブラー（可能にするもの）であるべきであり、知識の受動的な貯蔵庫ではない」— Jose et al., 2025