「法の支配」と「立憲主義」の違いは生成AIの説明を読むより自分で説明し直すほうが残るのか｜自己説明の研究

図書館の閲覧席には、公民の本と、調べた内容を書き留めるノートがあります。生成AIの整った説明を読むと、似た用語の区別もすぐについたように感じられます。「法の支配 立憲主義 違い」という検索語が指すのは、権力を法で縛る考え方の共通点と違いです。どちらも権力の行使に歯止めをかける考え方ですが、成り立ちや強調点が異なり、立憲主義は憲法によって権力を制限する点を重視します。

「法の支配」と「立憲主義」の違いは生成AIの説明を読むより自分で説明し直すほうが残るのか｜自己説明の研究

図書館の閲覧席には、公民の本と、調べた内容を書き留めるノートがあります。生成AIの整った説明を読むと、似た用語の区別もすぐについたように感じられます。「法の支配 立憲主義 違い」という検索語が指すのは、権力を法で縛る考え方の共通点と違いです。どちらも権力の行使に歯止めをかける考え方ですが、成り立ちや強調点が異なり、立憲主義は憲法によって権力を制限する点を重視します。

説明が読みやすかったことと、閉じた後にも違いを説明できることとの間には、確かめたい隔たりがあります。宿題の調べ物を終えようとするとき、AIの説明を読み返すか、自分の言葉で説明し直すかで、後に残るものが違うのかが気になるところです。自己説明には学習を助ける研究上の裏づけがありますが、初めて学ぶ内容では説明を読む助けも必要で、後まで残すには思い出す練習も候補になります。自己説明とは、学んだ内容がなぜそうなるか、知っていることとどうつながるかを、自分に向けて説明する活動です。説明の文章を短く写すだけでなく、言葉の関係を自分で組み立てるところに特徴があります。

要点

• 自己説明を促す研究では、促しのない条件より学習成果が高くなっています。
• 読みやすい説明が付くと、自分で説明する活動が減る場合があります。
• 予備知識が少ない段階では、解答例を読むほうが理解を助ける研究もあります。
• 画面を閉じて説明を書き、内容を点検した後、後日また思い出す方法を試せます。

「法の支配 立憲主義 違い」を読むときに自己説明が加えるもの

文章を目で追うときは、用語の定義も、文と文のつながりも、すでに目の前に置かれています。自己説明をするときは、どの内容が大事かを選び、つながりを自分で補う必要があります。自分の説明が途中で止まれば、用語を知らないのか、用語どうしの関係を言えないのかを分けて考えるきっかけになります。流暢な言い換えを作ることより、説明の中で何を結び付けようとしたかに目を向ける活動です。

Bisra（2018）は、自己説明を促す働きかけについて、64本の研究報告から69の効果量を集めたメタ分析を行いました。メタ分析は、複数の研究の結果をまとめて計算し直す方法です。全体の効果量はg = 0.55で、自己説明を促すことが学習成果を高める方向の結果でした。効果量は、差の大きさをばらつきを物差しにして表した値であり、得点がその割合だけ増えるという意味ではありません。

この分析が比べたのは、主に自分で説明する促しを入れる場合と、入れない場合です。問題を解く、解いた例を読む、文章を読むといった学習の条件を扱い、生成AI自体は使っていません。したがって、読む活動の途中にも、自分で理由を説明する働きかけを組み込むという読み方が適しています。AIの文章を読む時間をすべて削るよりも、説明を受け取った後に自分でつなぎ直す活動を置く、という学習の組み立てに関わる結果です。

わかりやすい説明が、自分で説明する活動を減らす場合

Schworm（2006）は、ドイツの教員養成課程の学生を対象に、コンピュータ上の例を使った学習を調べました。自己説明を促すかどうかと、教える側の説明を付けるかどうかを変え、参加者をくじ引きのように無作為に条件へ割り当てた実験です。自己説明の促しは学習成果を助ける一方、教える側の説明は学生の自己説明を減らし、その分だけ成果を下げる場合がありました。学生自身は、説明だけを付けた教材で最もよく学べたと感じていました。

ここで説明を用意したのは、人が作った教材です。注目したいのは、説明の読みやすさを高く評価した学生の感じ方と、実際に行った自己説明や学習成果の関係です。用語を見れば意味が思い浮かぶ状態では、文章に助けられて思い出している部分が隠れます。説明が画面にある間の納得だけで終わらせず、画面を外した状態の反応を見る理由がここにあります。

生成AIに何度も別の説明を求めるときも、自分がどこで詰まったのかを書かないまま、説明を受け取る時間だけが続くことがあります。図書館のノートには、理解したつもりの内容を完成した文章にする前に、つながらない語や理由の空欄を残せます。空欄があることを失敗と扱う必要はなく、次に読む箇所を選ぶ手掛かりとして使えます。文章全体をAIに書き直してもらうと、その空欄まで埋まり、自分のつまずきが見えにくくなります。

初めて学ぶ段階では、読むことが支えになります

Leppink（2012）が統計学を学ぶ学生で調べたのは、予備知識によって学び方の向き不向きが変わるかという点です。予備知識とは、新しい内容を学ぶ前から持っている知識のことです。概念の理解では、予備知識の少ない学生は出来上がった解答例を読む方法で最もよく学び、予備知識の多い学生は自分で論拠を書く方法で最もよく学びました。同じように説明を求めても、説明を組み立てる材料があるかどうかで結果が変わっています。

Kuhn（2009）は、小学生がデータから原因と結果を考える学習を調べました。学んだことを別の課題に使う転移の課題では、仕組みの説明を求められなかった群のほうが、原因と結果を推し量る成績が良くなりました。著者は、説明を強調することが、データを読む技能の発達を妨げる可能性を論じています。自分の言葉で理由を述べる活動と、目の前の証拠を丁寧に読む活動とは、いつも同じ方向に働くわけではないという結果です。

これらを踏まえると、用語自体にまだなじみがないときは、説明を閉じて長文を書くよう自分に課すより、まず基本の説明を読む進め方が考えられます。読んだ文の中の知らない語に印を付け、その語を含む短い範囲から学び始めます。逆に、語の意味を知っていても関係が曖昧なときは、理由や違いを説明する活動を選べます。AIからさらに難しい例や比喩を集めるより、手元の本で扱っている語を使って、説明の材料をそろえる段階です。

AIを使った記憶の研究は、受け身で読むこととは別に見ます

Padmavathi（2026）は、インドの医学部の学生が、ある単元を従来の自習で、別の単元をAIの助けを借りた自習で学んだ結果を報告しました。1か月後の記憶の成績は、AIの助けを借りた条件が61.4%、従来の条件が35.9%でした。ただし、学ぶ単元が異なり、条件への割り当ても無作為ではないため、この差をAIが生んだとする因果関係は示していません。AIを使った単元の成績が高かったという関連を、学び方を検討する材料にする研究です。

この研究での学生の受け止めには、個別の説明や対話への積極的な参加が、記憶の良さと結びついている様子がありました。一方、AIの答えに受け身で頼ることは、考える手間を外へ任せる認知のオフロードと結びついていました。同じAI利用でも、説明を受けて考えを返す活動と、出てきた答えをそのまま受け取る活動を区別しています。自分の説明を作る前にAIに完成文を頼むか、作った説明の不足に気づくために使うかは、読者側で選べる部分です。

AIを使わず、自分で思い出す時間を設ける場面もあります。何を覚えているかを調べたいときに、横にAIの説明を出しておくと、画面から得た内容と記憶から出した内容を分けにくくなります。生成AIへ問いを送るなら、「答えは書かず、私の説明で理由が抜けている箇所を質問してください」と短く頼む方法が考えられます。この依頼は考えるきっかけを求めるもので、返答を正解の採点として扱う使い方ではありません。

図書館で説明を閉じ、ノートに残してから点検する手順

「法の支配 立憲主義 違い」を調べて説明を読んだら、いったん画面を閉じ、違いを短く書きます。書く枠としては、共通する点、異なる点、その区別をする理由をそれぞれ置く3文が使えます。これは書き始めるための目安で、研究で決まった最適な長さではありません。言葉が出てこない箇所は空けたままにし、AIの文を覚えている部分と、自分で関係を組み立てた部分を見分けます。

書いた後で教科書の定義と見比べ、語の意味や関係がずれた箇所を直します。修正は最初の説明を消して書き換えるより、横に追記すると、どの点で説明が変わったかを見返せます。AIの短い説明が共通点だけを強調していたり、たとえの印象が定義に置き換わっていたりする可能性にも、この段階で注意を向けます。文章の整い方を直す前に、区別に必要な意味が残っているかを点検する順番です。

学習中のノートには、何を見ながら取り組んだかも添えておきます。後日、また図書館で同じ用語を扱うときには、前に書いた説明も閉じてから書き出します。下の表のように、行った活動と残った記録を対応させると、読んで納得した段階から、支えなしで取り出す段階までを区別できます。

保護者が見る短い説明と、長く残すための練習

保護者が見るところは、子どもが画面を見ないで用語の違いを自分の言葉で言えるか、という点に絞れます。図書館で調べた内容を聞く機会には、長い発表を求めず、違いを短く言い表す言葉を待ちます。途中で止まっても大人がすぐ完成させず、本人が選ぶ語や言い直しに耳を傾けます。すらすら話した長さより、画面の文章を追わずに関係を言葉にしようとした部分を見る聞き方です。

時間がたってからの学習成果については、直後の理解と分けて研究を読む必要があります。Rittle-Johnson（2017）の数学のメタ分析では、自己説明の促しによって、直後に測った手順の知識、概念の知識、別の問題で手順を使う力に小〜中程度の上積みがありました。一方、実際の授業の環境や、時間を置いた知識の保持についての証拠は限られていました。説明の練習や答えの型など、質のよい説明を支える手助けも検討されているため、自力で長く話し続けることだけを目標にしない読み方になります。

長期の記憶を扱ったLarsen（2013）は、医学部の初年次の学生47人で、読む活動や自己説明に加え、テストで思い出す活動を比較しました。自己説明しながら読む条件をSE、読むだけをSとすると、後の成績は原文の表記でSE = 29% > S = 20%でした。テストに自分の説明を付ける条件をTEとした比較では、TE = 40% > SE = 29%で、説明を作ることに加えて、記憶から答えを取り出す活動が優位でした。図書館のノートを閉じて後日また答える意味を考えるとき、読むだけと自己説明の差に加え、同研究でテストだけの条件をTとした比較も手掛かりになり、その結果はT = 36% > SE = 29%でした。

よくある質問

自分の説明は、長く書くほどよいですか

長くすること自体を目標にせず、説明する関係を絞って書きます。用語の意味を並べた段階で止まっているなら、共通点か違いのどちらをまだ書けていないかを見ます。言い換えや例を大量に付け足す前に、説明の中で使う語を自分が理解しているかを点検します。ノートの空欄に印を残せば、次に取り組む対象を、文章全体の書き直しより小さくできます。

図書館では声に出せませんが、書いてもよいですか

静かに使う場所では、ノートに書いて説明し直す方法を選べます。自己説明の中心は、学んだ関係や理由を自分で組み立てることであり、他の人に聞かせる発表だけを指すものではありません。取り組む際は、本や画面の文を見たまま写す時間と、閉じて自分の文を書く時間を分けます。途中で説明を開いた場合は、開く前に書けた箇所へ印を付けておくと、支えを使った境目が残ります。

AIにはどこまで説明を頼めばよいですか

学び始めは基本の説明を求め、自分で説明する段階に進んだら、完成文を受け取るより不足への問いかけを求める使い方が候補です。前者では知らない語を減らし、後者では説明のつながりを作るために使います。利用するサービスの機能や利用条件は、学習に取り入れる前にそのサービスの最新の説明を読みます。記憶を試す回にはAIとのやり取りを止め、用語名だけからノートに書き始めます。

この記事の限界

対象となった課題は数学、統計学、原因と結果の推論、医学などで、社会科の用語についてAIの説明を読む群と自己説明する群を比べた研究は、今回集めた範囲にはありませんでした。Kuhn・Leppink・Padmavathiの抄録には効果量がなく、示された差の大きさを共通の物差しで比較する材料も限られています。

生成AIを扱うPadmavathiの研究はインドの医学生の単元別の比較で、使用したAIの名前が抄録に記されておらず、現在のモデルを使う条件への検証も及んでいません。日本の中高生が公民の用語を日本語で学び、読む方法と説明し直す方法を比べた結果は無く、引いた研究の多くは大学生と医学生の結果にとどまります。

参考文献

1. Bisra K ほか. Inducing Self-Explanation: a Meta-Analysis. Educ Psychol Rev 2018;30(3):703-725.
2. Rittle-Johnson B ほか. Promoting self-explanation to improve mathematics learning: A meta-analysis and instructional design principles. ZDM Math Educ 2017;49(4):599-611.
3. Schworm S ほか. Computer-supported example-based learning: When instructional explanations reduce self-explanations. Comput Educ 2006;46(4):426-445.
4. Kuhn D ほか. Are self-explanations always beneficial? J Exp Child Psychol 2009;103(3):386-394.
5. Leppink J ほか. Self-explanation in the domain of statistics: an expertise reversal effect. High Educ 2012;63(6):771-785.
6. Larsen DP ほか. Comparative effects of test-enhanced learning and self-explanation on long-term retention. Med Educ 2013;47(7):674-682.
7. Padmavathi T ほか. Artificial Intelligence-Assisted Versus Traditional Learning and Long-Term Knowledge Retention Among Undergraduate Medical Students: A Sequential, Explanatory Mixed-Methods Study. Cureus 2026;18(8):e114362.

よくある質問