目次から探す

AIを使えば勉強が効率化するという話がある一方、「自分で考えなくなる」「理解が浅くなる」という心配もあります。実際の研究はどちらの結論を示しているのでしょうか。

2025年の複数のメタ分析は平均的にプラスの学習成果を報告しました。ただし2026年のSTEM教育メタ分析では、通常の統計モデルで見られたプラスの平均効果が、出版バイアスを考慮した分析では確認できなくなりました。生成AIが学習に必ず役立つ、あるいは必ず害になると断定できる段階ではありません。

特に2026年のSTEM教育に関するメタ分析は、平均的なプラスの効果を示しつつも研究間のばらつきが非常に大きく、個別の利用場面では効果がマイナスからプラスまで広がり得ることを報告しています[1]。

この記事では、AIの賛否を先に決めず、何が測定された研究なのかを整理します。

結論：平均効果よりも、学習課題と測定方法が重要

生成AIの研究では、AIを利用した学生と利用しない学生の成績などを比較します。ただし、学習期間、学生の事前知識、使用するAIの機能、授業の設計、評価時にAIを使えたかは研究によって違います。

平均的な効果量がプラスでも、明日の独学で同じ改善が起こるとは限りません。何を学び、AIを何に使い、最終的に何を自力で行う必要があるかを決めることが出発点です。

AIを使う学習の判断

今日の目標は、AIを使って成果物を作ること？ それとも自分の能力として覚えること？

01成果物がほしい

AIで案を作り、根拠と出力の品質を自分で評価する。

02能力を身につけたい

解答を先に見ず、ヒント・誤答指摘・確認問題を使う。

支援を受けた成果と、支援なしでできることを分けて測る。

2026年のSTEMメタ分析：補正前のプラスと補正後の不確実性

Boolzenら（2026）は、STEM領域で学習者が生成AIとやりとりする研究を体系的に集め、対照群を持つ85研究を対象にレビューしました。そのうち49研究・59効果量をメタ分析しています[1]。主な対象は高等教育で、文章型の生成AIを扱う研究が多いと報告しています。

通常のランダム効果メタ分析ではプラスの平均効果が認められましたが、研究間の異質性を示す I²は96.32％ と非常に高く、予測区間は Hedges' g = −1.52〜3.20 でした。さらに著者らが出版バイアスを補正するロバスト・ベイズメタ分析（RoBMA）を行うと、推定平均効果は μ = 0.076 ± 0.254 となり、全体として明確なプラスの効果は支持されませんでした[1]。一方、知識の習得を測るか技能を測るか、またAIが学習者の認知活動を補強したか代替したかという違いは、効果のばらつきの一部を説明しました。研究の結論は、現時点で一般的な学習改善効果を確実に認めることはできず、学習設計と測定条件が重要だという慎重なものです。

つまり、補正前の平均を見て「AIなら必ず成績が上がる」と結論するのは誤りです。バイアス補正後の結果と大きな研究間差までセットで説明する必要があります。

出版バイアスを補正すると、なぜ結果が変わるのか

従来のランダム効果モデルでは、Boolzenらの統合推定は Hedges' g = 0.839（95％信頼区間0.53〜1.15）でした[1]。しかし、研究結果が発表されやすいかどうかの偏りを統計的に考慮したRoBMAでは、推定平均は μ = 0.076 ± 0.254、効果がないという仮説を相対的に支持する結果でした。これは「AIの効果がゼロだと証明した」という意味ではなく、現在の研究から一律の有益性を断定できないという結論です。

著者らは含まれた研究におけるバイアスリスクも評価し、どの研究も「低リスク」とは評価されなかったと報告しています[1]。研究件数が多いことだけで、結果の信頼性が十分だとは限りません。研究の目的、評価課題、対照条件、脱落や測定上の偏りを見る必要があります。

対象者と測定方法は限られる

STEM領域の高等教育の研究が多いため、日本の全社会人の学び直しに直接当てはまる数字ではありません。また学習中の成績と、一定期間後にAIを使わず解答できるかという記憶保持は別の評価です。

2025年メタ分析との比較：測っている結果が違う

MaとZhong（2025）は、生成AIを使った34件の実験・準実験研究を統合しました。全体の学習成果について効果量0.68（p < 0.001）を報告し、認知的成果や技能などでも効果を示しました[2]。

ChenとCheung（2025）は、高等教育の57研究・97推定値を統合し、大学生の学習成果に対して全体的な効果量 g = 0.804 を報告しました。その一方で、メタ認知の改善については統計的に有意な効果が認められませんでした（g = 0.078）[3]。

研究対象・研究数主な知見解釈上の注意
Ma & Zhong（2025）34件の実験・準実験研究学習成果の平均効果0.68科目・授業設計・指標が異なる
Chen & Cheung（2025）大学生対象57研究・97推定値全体 g = 0.804、メタ認知 g = 0.078大学生以外へ直ちに一般化できない
Boolzenら（2026）STEMの49研究・59効果量通常の推定はプラス、バイアス補正後は効果が消失I² = 96.32％、予測区間はマイナスからプラスまで

出典：各研究の原著[1][2][3]。研究対象と統計モデルが異なるため、効果量の大小だけで研究やAIツールの優劣を順位づけることはできません。

メタ認知とは、何がわかることなのか

メタ認知とは、自分がどこまで理解したか、何が不確かなのかを監視し調整する働きです。AIがもっともらしい説明を返したとき、理解したように感じても、自力で説明できるとは限りません。

ただし、Chenらのメタ認知の結果が統計的に有意ではなかったことは「AIを使うとメタ認知が低下する」という意味でもありません。改善を確認できなかったことと悪化を証明したことは異なります。

2026年の理論レビュー：AIへの認知的オフロードをどう捉えるか

Nakamura（2026）は生成AIを使ったSTEM学習について、認知的オフロードを「学習を助ける外部化」と「学習者の処理を代替してしまうこと」の両面から整理した統合的レビューを発表しています[4]。

これはシステマティックレビューではなく、理論を統合する論考です。すべての関連論文を網羅的に集計した結果と読み替えてはいけません。新しい研究の解釈を助ける枠組みとして扱うのが適切です。

学習中の成果と学習後の能力は分ける

AIの支援を受ければ、課題を素早く解けるかもしれません。しかし後日、支援なしで同じ判断を再現できるかは別です。Nakamuraの論考も、支援ありの成績と学習者本人に残った能力を分けて評価する重要性を指摘しています[4]。

独学に使える4つの確認

ここからは実験で確立された単一のAI学習プロトコルではなく、研究結果を参考にした編集部の実践提案です。

AIを学習補助にする3段階
  1. 01最初は自分で

    テーマについて知っていることを書き出す。

  2. 02AIからヒント

    答えの前に不足点・反例・確認問題を得る。

  3. 03支援なしで検証

    画面を閉じて説明し、後日に再び試す。

学習評価と認知的オフロードの議論を踏まえた編集部の実践案。

1. 最初の答えを自分で書く

理解度を確認する前にAIの説明を読むと、何をもともと知っていたのかが曖昧になります。短い文章で構わないので、まず自分の仮説を記録します。

2. 解答ではなくヒントを求める

「正解はまだ言わず、私の答えの不足点を質問形式で示してください」といった使い方ができます。答えが必要な場合には提供してもらい、その出典と根拠は別に検証しましょう。

3. 自分で思い出す

AIとの対話後に資料を閉じ、何を学んだかを説明します。解説は読めたけれど再現できない場合、学習内容を狭めて復習します。

4. 別の日にもう一度試す

同じ問いを少し変え、AIなしで解けるかを確認します。特定の数日間隔が誰にとっても最適だというわけではありません。

AIを使った学習を続けるなら、どの記事を読む？

AIと記憶の関係については、AIで勉強すると記憶に残らない？が関連します。学習の目的が仕事での活用なら、GoogleのAI講座比較や生成AIの目的別講座ガイドも参考にできます。

復習の根拠を深く知りたい人には、2025年メタ分析から見る検索練習とフィードバックもおすすめです。

まとめ：AI学習の研究は、平均より条件を見る

生成AIを用いた学習について、2025年のレビューにはプラスの平均効果を報告するものがある一方、2026年のSTEMレビューは出版バイアス補正後に明確な効果を認めませんでした[1]。結果の食い違いを隠さず、研究間のばらつきと評価方法の違いを踏まえる必要があります。AIを使った状態の成果と、その人に定着した能力も同じではありません。

LEARN SHIFTとしては、AIを使う・使わないの二者択一よりも、何をAIへ任せ、何を自分の力として残したいのかを決めたうえで効果を確かめることを勧めます。これは研究の慎重な解釈をもとにした編集部の判断であって、あらゆる学習環境で有効性が実験で確認された方法というわけではありません。

参考文献・出典

査読付き原著の研究対象・評価項目・出版年を確認したうえで引用しています。特にBoolzenらの2026年論文は、2026年4月の初期プレプリントとは分析に含まれた研究数と結論が異なります。ここでは2026年8月25日公開の査読済み掲載版を参照しました。統合レビューと統計的メタ分析は研究方法が異なります。

  1. Boolzen, C., et al. (2026). Evidence of impact and interpretational limits of generative AI in STEM education: A systematic review and meta-analysis on cognitive learning outcomes. Artificial Intelligence Review, 59, 223. DOI
  2. Ma, N., & Zhong, Z. (2025). A meta-analysis of the impact of generative artificial intelligence on learning outcomes. Journal of Computer Assisted Learning, 41(5), e70117. DOI
  3. Chen, S., & Cheung, A. C. K. (2025). Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysis. Educational Research Review. DOI
  4. Nakamura, D. (2026). Augmentation or erosion? Regulating cognitive offloading in generative AI-supported STEM learning. Educational Psychology Review, 38, 124. DOI