ワークト・イグザンプル効果:先に解答例を学んでもっと速く学ぶ

解答例、自己説明、フェーディングを使って問題先行の練習より速くスキルを構築する方法

なぜワークト・イグザンプル(完全な解答例)は学習を速めるのか?

ワークト・イグザンプル効果は教育科学におけるよく再現された発見だ:初心者の学習者は、独力で問題解決に取り組む前に完全に解かれた例を学ぶことで、より速く、より深くスキルを習得する。そのメカニズムは認知負荷だ——初心者による支援なしの問題解決は、理解ではなく探索に作業記憶を消費してしまい、スキーマ形成がほとんど起こらない。ワークト・イグザンプルはその容量を学習へ振り向け直す。

ほとんどの教育文化は問題解決を学習の主要なモードとして扱うが、エビデンスはより繊細なことを語る:初心者にとっては、問題に取り組む前に例を通して学ぶ方が確実に効率的だ。スウェラーのワークト・イグザンプル研究——彼のより広い認知負荷理論の一部——は、未知の問題を解くという認知的作業と、そうした問題を解くための心的スキーマを構築するという認知的作業が競合していることを示す。ワークト・イグザンプルは、最初の作業をテーブルから取り除くことでその競合を解消する。以下の実践は、この効果を学習の文脈全体でどう使うかを扱う。

実践法

IX Coach でこれを実践する

IX Coach で実践する

Frequently asked questions

なぜワークト・イグザンプル(完全な解答例)は学習を速めるのか?

「新しいタイプの問題に取り組む前に完全な解答例を学ぶ」はどのように機能するのか

例なしで未知の問題に取り組む初心者は、作業記憶のほとんどを「手段-目的分析」——候補となる手を試し、後戻りし、目標への進捗を推定すること——に費やす。これはスキーマ構築が始まる前に容量を使い果たしてしまう。ワークト・イグザンプルは解答経路を可視化したままにするので、利用可能な作業記憶のすべてが、なぜ各ステップが論理的に続くのかを理解すること——使えるスキーマを構築するまさにそのプロセス——に向けられる。

「例に取り組みながら各ステップを自己説明する」はどのように機能するのか

自己説明は、例の受動的な読解を能動的なスキーマ構築に変換するメカニズムだ。学習者が自分自身にステップを説明するとき、そのステップを既存の知識と統合し、どんなルールや原則をそれが体現しているかを特定し、自分自身の理解のギャップを検出しなければならない。チーらの研究は、自己説明を多くする人が、学習時間を制御してもなお、自己説明を少ししかしない人よりも同じ例からはるかに多くを学ぶことを示した。

「完全な例から独力の問題解決へと段階的にフェードさせる」はどのように機能するのか

例のサポートを急に取り除くことは、スキーマが定着する前に手段-目的の探索を作業記憶へ押し戻し、部分的に成果を逆転させる。フェーディング——徐々に完成度の低い例を提供すること——は各段階で内的負荷を作業記憶の限界内に保ちながら、段階的にスキーマの適用をより多く要求する。学習者は、残りの部分にはまだサポートがある状態で、欠けているステップを生成する練習をし、それが依存と独立したパフォーマンスの間のギャップを橋渡しする。

「一般化する前に同じ原理の複数の異なる例を学ぶ」はどのように機能するのか

単一のワークト・イグザンプルは、その特定の例の表面的な特徴に過剰適合しているかもしれないスキーマを構築する——機械学習における過剰適合に類似した形だ。文脈、数字、表面的な提示は異なるが同じ根底にある原理を共有する複数の例を比較することは、学習者に文脈から原理を抽出することを強い、それが転移可能なスキーマを生み出す。例の間での類推形成がメカニズムだ:多様な表面を横断する共有された深層構造が不変の原理を明らかにする。

「例を続ける前に初心者段階を超えたかどうかを確認する」はどのように機能するのか

専門知識逆転効果は認知負荷理論においてよく確立されている:初心者を助ける指導的サポートは、上級の学習者を積極的に妨げる。なぜなら、サポートが構築するよう設計されたスキーマはすでに存在しており、サポートは無視されるのではなく処理されなければならない冗長な情報を加えるからだ。関連するスキーマを獲得した学習者は、より多くの例を学ぶよりも独力で問題を解くことからより多くを得る。なぜなら独力での解決が今や、例がもはや提供しない追加の流暢さと柔軟性を構築するからだ。

「2つの例を並べて比較し根底にある原理を抽出する」はどのように機能するのか

構造的アラインメント——2つのケースを比較してそれらの深い関係的な一致を見つけること——は、スキーマの抽象化が起こる主要なメカニズムだ。2つの例が同時に比較されるとき、脳は不変の構造を強調し表面的なノイズを抑制するマッピング操作を行う。ゲントナーの類推的符号化に関する研究は、このプロセスが明示的な比較なしで例を順次学ぶよりもはるかに効果的であることを示している。