第1回では、AIと議論や反論を日常的に重ねる人はわずか8%であり、多くの人が「消費型」に陥って格差が拡大している実態を見た。この差を生むのが「知識ベース」であり、その拡大には「対話」が不可欠だと述べた。
では、なぜ「対話」なのか。第2回では、この問いに学術的な観点から答えていく。
旧ソビエトの心理学者ヴィゴツキーのZPD（Zone of Proximal Development：発達の最近接領域）理論モデルは、自分より知識のある他者との対話が認知領域を拡張するとしている。認知科学のICAPフレームワークは、Interactive（対話的）な学習が最も効果が高いことを示している。これら2つの理論から、AIとの対話が知識ベースを拡大するメカニズムを解き明かす。
目次
「対話」が引き出す学習効果
なぜ「対話」なのか。なぜAIとのやりとりを5回、10回と重ねることが重要なのか。「対話」が学習効果を飛躍的に高めるメカニズムについて、社会構成主義や認知科学の研究成果に基づいて解き明かしたい。筆者の意見では、「対話」の本質を理解することなしに、真にAIをレバレッジすることはできない。第1回で見た格差は、単なるAI操作スキルの差ではない。それは「対話」という人間の最も根源的な学習行為を、AIという新たな相手とどう実践できるかの差なのである。
思考力とは何か
「対話」による学習効果を説明する前に、改めて知識ベースが拡大することの効用についてまとめたい。「認知的オフローディング」によって低下する思考力。この思考力とは、図1の要素がまとまったものである。
まず、知識そのものだ。第1回で見たように、広く深く構造化された知識ベースを持てば、Known Unknowns（自分が知らないと分かっていること）を的確に把握できる。次に、十分な知識があればそれらをつなぎ合わせるロジカルシンキング（論理的思考）が可能になる。さらに、妥当性を検証するクリティカルシンキング（批判的思考）ができるようになる。最後に、知識とロジカルシンキング、クリティカルシンキングを総合して仮説を構築する。この仮説を検証することが「良い問い」なのである。これらを総合したものを、筆者は思考力と定義している。
不確実性が高く正解が存在しない時代、この総合力としての思考力の向上が、ビジネスパーソンとして生き抜く上で最も重要なスキルの一つだ。この重要な思考力の基礎が、広範な知識そのものである。知識量では人間をすでに超えているだろうAI時代だからこそ、自身の知識ベースがより重要になる。
ヴィゴツキーの「社会構成主義」とZPD理論モデル
知識ベースの拡大が重要であることはご理解いただけたと思う。いよいよ本題に移りたい。「対話」がいかに知識ベース拡大に貢献するかという点について、学術的な観点からその効果を見ていく。
旧ソビエトの心理学者レフ・ヴィゴツキーの理論が源流である「社会構成主義」では、他者との協力的な対話を通じて知識が形成されるとされている。[1]その中でヴィゴツキーは、「私たちの最も高度なスキルや推論能力は、自分より知識のある他者との交流によってのみ発達する」と主張した。つまり、他者との「対話」の重要性を明確に述べているのだ。このメカニズムを解説するのが、「ZPD」の理論的モデルである。まず、学習者の領域には3つの分類がある。
- 自力でできる領域
- 他者の適切な支援があればできる領域（ZPD）
- 支援があってもできない領域
ZPDは、他者の適切な支援があればできるようになる領域だ。この支援のことを、専門的には「足場かけ（Scaffolding）」と呼ぶ。学習者がZPD内の課題をこなせるように一時的に提供される支援のことである。そして、学習者が自立するにつれてこの足場を徐々に外していくこと（フェイディング）が、社会構成主義的な理想のアプローチとされている。
この理想のアプローチを実現するには、自分より知識のある他者が必要だ。だが、我々は幸いなことに史上最高の環境を手にしている。24時間365日、嫌な顔ひとつせずに、淡々と膨大な知識で応えてくれる最高の対話相手が目の前にいる。そう、AIを対話相手に使うのである。
AIが自分より知識のある他者として足場かけをしてくれる。AIは正解を教える教師である必要はない。思考の偏りを指摘し、別の視点を投げかけ、認知領域を広げる足場を組むためのパートナーであればよい。学習状況に応じて適切な足場を提供し、より高度なZPD領域へと踏み込んでいくことで、知識ベースは広がっていく。
つまり、AIとの「対話」こそが、ZPD理論が示す理想的な学習環境を実現する鍵なのだ。一度の指示で終わらせず、何度もやりとりを重ねることで、AIは我々の認知領域を段階的に拡張してくれる。第一部で見た「やりとりを1～2回で止める人」と「5回以上続ける人」の格差は、まさにこのZPD理論が説明している。対話を重ねる人だけが、自分より知識のある他者との交流による成長を手にしているのである。
ICAPフレームワーク：対話的学習の効果
次に社会構成主義とは別の観点から、「対話」の効果を見ていく。認知科学分野で学習効果について、ミシェリン・チー氏らが提唱したものに「ICAPフレームワーク」がある。[2]これは、学習者の関わり方が深くなるほど学習効果が高まることを説明したものだ。その姿勢についての頭文字を取って、ICAPと名付けられている。
I: Interactive（対話的）: 他者と共同で知識を創出する
C: Constructive（構成的）: 獲得した知識を自身の言葉で再解釈する
A: Active（能動的）: 提示された情報に反応する
P: Passive（受動的）: 情報を受け取るだけ
これほど「対話」の学習効果を直接的に説明するフレームワークもないだろう。AIの出力をただ受け取り、コピペするだけでは学習効果が低く、Active（能動的）やPassive（受動的）の状態に留まる。一方、AIに自身の言葉で説明したり、仮説を当てたり、議論しながら新たな問いを生むInteractive（対話的）やConstructive（構成的）の活用を行えば、学習効果は非常に高いのである。
実際にAIのDeep Research機能を使っている方も多いはずだ。そのAIからのレポートで覚えていることはあるだろうか。覚えている方は、おそらく自身の言葉で要約したり、コピペせずに資料化したりしたはずだ。これがConstructive（構成的）であり、このフレームワークが説明している学習効果について、一定の納得感が得られるだろう。
昨今、プロンプトエンジニアリングという言葉もビジネスの現場で一定程度市民権を得ていると思う。AIから精度の高い、良い回答を引き出すために、入力文（プロンプト）を最適化・構造化する技術のことだ。SNSなどでは活用術として無数のプロンプトが紹介されている。これらはAIの効果的活用という面ではスマートで合理的であることは間違いないが、実はこれこそが「消費型」に陥るリスクとなる。
なぜなら、そもそも誰かが設計したプロンプト自体をコピペして、必要箇所だけ記入し、AIに指示する。まずこの指示にも思考のプロセスが入っていない。そして指示が的確なので、ある程度精度の高い出力を得られてしまい、そのまま受け入れる。完全なる「消費型」のAI活用であり、「認知的オフローディング」である。ICAPフレームワークで言えばPassive（受動的）であり、これを繰り返していても一向に知識ベースは拡大しない。それどころか、思考の筋肉が落ちる負のループに陥り、格差はますます拡大する。
プロンプトエンジニアリングは効果的な手法だ。しかし、その効果を真に得るには、得られた精度の高い出力をもとに、Interactive（対話的）やConstructive（構成的）することである。こうすることで、知識ベースの拡大につながる。
つまり、重要なのはプロンプトの「質」ではなく、その後の「対話」なのだ。完璧なプロンプトで一度の指示を終えるよりも、不完全なプロンプトから始めて何度もやりとりを重ねる方が、ICAPフレームワークが示すように学習効果という面では圧倒的に高い。第1回でみたトップランナーたちはAIと議論し、反論し、対話を重ねることで、Interactive（対話的）とConstructive（構成的）の領域に踏み込んでいる。一方、多くの人は完璧なプロンプトで満足し、Passive（受動的）にとどまり続けているのである。
おわりに：第1回・第2回のまとめ 「対話型」AI活用への転換
社会構成主義、認知科学という学術的な観点から、「対話」がいかに知識ベースの拡大において重要な要素であるかご理解いただけたと思う。そして、その「対話」相手としてAIという24時間365日働かせることのできるパートナーを得ている我々は、非常に恵まれた環境にいる。「消費型」から「対話型」への転換で、「認知的オフローディング」から始まる負のトライアングルからの脱却が図れる。そして、負のトライアングルとは逆の「正のトライアングル」（図5）が実現可能になるのだ。
正のトライアングルとは何か。AIと「対話」することで、自身の知識を整理し、それをもとにロジカルシンキング、クリティカルシンキングを行い、仮説を立案する。その仮説を検証するための良い問いから得られたものが、知識ベースの拡大につながる。総合的な思考力の基礎である知識ベースが拡大すれば、さらなる良い仮説、それを検証するための良い問いへとつながる。つまり、①対話による知識整理、②思考力の向上、③良い問いの創出、この3つが相互に強化し合う循環である。この正のトライアングルが回り続けることで、知識と思考力は複利的に拡大していく。
AIは、残酷なまでに使う者の力量が出てしまう。思考力のある者はAIを使ってさらに思考力を高め、思考力のない者はAIに依存して思考力を失う。負のトライアングルと正のトライアングル、どちらのループに入るかが、AI格差の分水嶺となる。
ここまで、第1回、第2回は理論編として、「消費型」AI活用と「認知的オフローディング」の関係、およびその危険性について述べた。そして、負のトライアングルを脱却し正のトライアングルを実現するために必要な知識ベースの拡大、その方法論としての「対話」の重要性について学術的な裏付けを行いながら解説した。
続く第3回、第4回では実践編として、AIとの対話による知識創造メソッドのフレームワークを提示したうえで、「対話型」AI活用の具体的な方法論を解説していく。正のトライアングルを回し続け、知識を創造し、持続的に成長するための実践的な指針である。
参考文献
[1]SimplyPsychology（2025）, “Vygotsky’s Theory of Cognitive Development”, https://www.simplypsychology.org/vygotsky.html（参照2026年2月9日）
[2]Taylor & Francis（2014）, “The ICAP Framework: Linking Cognitive Engagement to Active Learning Outcomes”, https://www.tandfonline.com/doi/abs/10.1080/00461520.2014.965823（参照2026年2月9日）
