認知的オフローディング（Cognitive Offloading）とは・意味、由来・研究

最終確認日：2026年10月26日

認知的オフローディングとは？

認知的オフローディングとは、頭を使う負担を減らすために体の動きや外の道具を使って、課題に必要な情報の処理を変えること。英語では Cognitive Offloading という。

カナダのウォータールー大学の Evan F. Risko 氏と英国のユニバーシティ・カレッジ・ロンドンの Sam J. Gilbert 氏は2016年の総説で、傾いた画像を見るときに首を傾けることや予定を忘れないようにスマートフォンに通知を設定することを例に挙げた（※1）。総説は、ある分野の研究をまとめて論じる論文だ。

総説はほかにも、覚えることを書き留める、計算を電卓に任せる、道順をGPSに任せるといった例に触れている。Risko 氏と Gilbert 氏は、首を傾けるなど体に任せるものとメモや機器など外の世界に任せるものに、こうした行動を分けて論じている（※1）。

生成AIの研究でも、この語が使われている。ミュンヘン大学の研究者らは、行動や外の道具を使って課題の処理の仕方を変え、頭を使う負担を減らすことを認知的オフローディングと呼び、AIの助手にどこまで助けを求めるかの判断を、その一つの例として調べた（※3）。

認知的オフローディングの由来と広まった背景

Risko 氏と Gilbert 氏は総説の中で、認知的オフローディングという語は認知科学者の間で以前から使われてきたと書いている。指で数える、そろばんを使う、結び目で記憶を残すといった行動そのものも、古くからあるという。ただし、オフローディングそのものを対象にした実験の研究は少なかったと、2人は指摘している（※1）。

題にこの語を入れた研究には、Risko 氏らが2013年9月24日に学術誌 Cognitive Science のオンライン版で公開した論文がある。文字を傾けて見せたときに首を傾ける行動を調べ、首を傾けることを認知的オフローディングの一つと位置づけた（※2）。

2016年の総説は、首を傾ける研究、予定を思い出すための目印の研究、コンピューターや検索エンジンに情報を任せたときの記憶の研究をまとめ、オフローディングを選ぶ仕組みとその結果を論じた（※1）。

総説は、研究が増え始めたきっかけに、体や道具まで含めて人の認知を捉える考え方への、認知科学者の関心の高まりを挙げている。総説は、技術に考える作業を任せる機会がかつてなく増え、起こりうる良い影響と悪い影響の両方が一般の人にも気づかれている時期に、認知的オフローディングへの関心が高まりつつあるとも書いている（※1）。

2026年には、生成AIを使って学ぶときに考える作業のどこまでをAIに任せるかを調べた研究が、題にこの語を入れて発表されている（※3、※4）。

認知的オフローディングに関する研究

道具に頼る判断は負担と自信に左右され、繰り返されるという総説

Risko 氏と Gilbert 氏の総説がまとめたのは、生成AIが広まる前の研究で、AIの研究ではない。総説によると、頭の中で処理する負担が大きいほど、人はオフローディングをしやすい。画面の課題で予定を覚えておく実験では、あとでするつもりのことを覚える量が増えたときや途中で作業を中断されたときに、人は目印を作りやすくなった（※1）。

人が道具に頼る判断は、自分の力についての見積もりにも左右される。自分の記憶に自信のない人ほど、実際の記憶の力の差を除いても、自分から目印を作りやすかった。覚える項目が2つだけで、メモがなくても成績がすでに上限に達する条件でも、参加者は約40%の場面で項目を書き留めていた。参加者は、この条件でも書き留めれば成績が上がると誤って判断していた（※1）。

頼った結果が、記憶や自信に表れた研究もまとめられている。覚える文をコンピューターに入力した実験では、入力した内容が消されると思っていた人のほうが、保存されると思っていた人よりよく思い出せた。情報そのものより、情報の置き場所を覚えるようになることもあるという。検索エンジンを使って問題に答えた人が、次の問題では検索なしでもより良い成績を取れると予想した研究もある（※1）。

総説は、こうした結果をもとに、道具に頼る判断が繰り返される流れを予測として示した（※1）。

AIの使い方を本人に知らせると答えを求める割合が減るという実験も

ミュンヘン大学の研究者らは、2026年9月17日に査読前の論文として、英国に住む18〜80歳の704人のオンライン実験の結果を公開した。参加者は分数の計算を練習し、そのあとAIを使わずに6問のテストを受けた。AIの助手には、OpenAI のオープンウェイトのモデル gpt-oss-120b を使った。

オープンウェイトは一般に、学習済みのモデルの中身の数値が公開されていることを指す。助手は、ふだんは解き方の手がかりだけを示し、完全な答えは参加者がはっきり求めたときだけ出した（※3）。

参加者は、AIを使わないグループ、AIを使えるが工夫のないグループ、AIの使い方についてのフィードバックを受けるグループ、求めた助けが少ないほど多くの点がもらえるグループ、その両方を受けるグループに分けられた。フィードバックは問題ごとに、参加者がAIをどう使ったか、それが自分の練習にとって何を意味するか、次の問題で自分の理解に目を向けることを短く伝えるものだった（※3）。

AIの助けで技能が育たなかったり、すでにある技能が衰えたりするおそれは、一般に deskilling と呼ばれる。研究者は、そのおそれを左右するのはAIを使えること自体より、学習者がどれだけの作業をAIに任せるかだと見ている。主な結果を挙げる（※3）。

• AIを使えたこと自体は、AIなしのテストの成績を統計的にはっきりと下げなかった。平均の正答率は、AIを使わないグループが65%、AIを使えるが工夫のないグループが62%だった。
• フィードバックを受けたグループでは、完全な答えを求めた問題の割合が平均13%で、AIを使えるが工夫のないグループの18%より少なかった。テストの平均の正答率は67%で、AIを使わないグループの65%をわずかに上回った。研究者は、事前に決めた片側の検定にもとづき、フィードバックが答えを求める割合を減らし、テストの成績を上げたとしている。ただし効果の大きさの推定の幅（両側の95%信頼区間）を見ると、答えを求める割合では上の端が「効果なし」の値と重なり、テストの成績では「効果なし」の値もわずかに含んでいる。研究者は、AIを使わない場合を上回るまで成績を伸ばすことは、さらに先の課題だとしている。
• 事前に決めた検定では、点を与える工夫に、答えを求める割合とテストの成績へのはっきりした効果は見られなかった。事前に決めた検証の外の分析では、AIに何らかの助けを求めた問題の数を減らしていた。
• 完全な答えを求めた割合が高い人ほど、テストで正しく答える見込みが低かった。ただし、この分析は事前に決めた検証ではない探索的なもので、原因と結果の関係までは示していない。

研究者は限界として、テストが短い練習の直後に行われ、身についた力が長く続くかは分からないことを挙げている。助手は求められたときだけ答えを出す設定だったので、求められなくても完全な答えを出すAIには、結果がそのまま当てはまらない可能性があるとも書いている（※3）。

研究者らは、答えを直接出さないようにAIを制限するやり方には欠点もあるとする先行研究を紹介している。その欠点は、習熟の度合いが低い学習者の意欲を下げてAIへの依存を強めることや、利用者が完全な答えを得るために制限をすり抜けることだ（※3）。

AIなしで書くと、使い方を限ったクラスが自由なクラスを上回る傾向

中国の井岡山大学の研究者は2026年8月28日に、英語で学術的な文章を書く授業での8週間の研究を、査読のある学術誌 Frontiers in Psychology で発表した。参加した大学生は180人で、最後までそろった168人を分析した。

授業の6クラスは2クラスずつ、AIを使わない条件、AIの使い方を限る条件、AIと自由に協働する条件に割り当てた。AIは、ChatGPT の GPT-5.3 を使った（※4）。

AIの使い方を限る条件では、問いかけや構成の案、弱い点の指摘などは頼めたが、完成した段落や論の組み立て全体、反論そのものを書かせることは禁じられた。AIの提案が関わった変更のたびに、学生はその提案を受け入れたか・手を加えたか・退けたか・考えるきっかけにだけ使ったかを、理由とともに記録した。自由に協働する条件では、下書きや論の組み立て、全体の書き直しにもAIを使えた（※4）。

授業の課題でAIを使える間は、自由に協働した条件の文章の質の平均がいちばん高かった。ただし、使い方を限った条件との差は、統計では確かとまではいえなかった（※4）。

8週目に、学生はAIを使わずに、同じ授業の同じ種類の文章を書いた。使い方を限った条件の学生は、自由に協働した条件の学生より、文章の質や高い次元の思考、論の深さなどの評価が高かった。ただし、統計の確からしさを示す値は、一般に使われる目安の境目に近かった。研究者は、結果を確かな因果の効果ではなく、クラス単位で見られた関係として解釈するとしている。

AIを使った112人の中では、文章の考えの中身や根拠づけ・反論などの論証をAIに任せる度合いが、自由に協働した条件の学生のほうで大きかった。探索的な分析では、AIに任せる度合いが全体として大きいほど、8週目の高い次元の思考の評価が低い関係が見られた。この分析も、原因と結果の道筋を示すものではないと断っている（※4）。

研究者は限界として、条件をクラス単位で割り当てたので、クラスや時間割の違いと条件の効果を切り分けられないことを挙げている。研究者は、使い方を限る条件が任せる範囲の制限と理由の記録を組み合わせていたので、どちらが結果の差につながったかも切り分けられないとしている。対象は1つの大学の中国語を母語とする学生で、8週目の課題は学んだものに近い課題だけだった（※4）。

認知的オフローディングの英語での言い方

認知的オフローディングは悪いことなのか

認知的オフローディングは、それ自体が悪いものとは扱われていない。Risko 氏と Gilbert 氏の総説は、オフローディングが人の能力の限界を補い、成績を上げることもあるとしている。そのうえで、学ぶ場面で利点が得られるには、任せた負担が学びの目標にとって要らないものであることが条件になるとした（※1）。

井岡山大学の研究者も、メモや辞書、アウトライン、フィードバックは周辺の負担を減らし、より大切な考えに力を回せるとしている。問題になるのは、力が育つための作業そのものを道具が受け持つときだという（※4）。

生成AIを使って学ぶ場面を調べた2つの研究は、「AIを使うと考える力が落ちる」と一般に示したものではない。ミュンヘン大学の実験では、AIを使えたこと自体はテストの成績をはっきりとは下げなかった（※3）。井岡山大学の研究は、1つの大学の6クラスを比べた研究だ（※4）。どちらも、限られた期間に特定の課題で得た結果だ。

AIの使い方を自分で振り返ることは、手がかりになりうる。研究の節で見たように、道具に頼るかどうかの判断は、自分の力についての誤った見積もりに左右されることもある（※1）。学ぶためにAIを使うときは、答えそのものを求めたのか、解き方の手がかりを求めたのかを意識しておくと良いだろう。

認知的オフローディングに関連する用語

• 理解の負債：AIが作ったコードがチームの理解より速く積み上がり、あとでそのコードを直したり変えたりするときにまず理解するための手間として返ってくる状態のこと。
• オープンウェイト：学習を終えたAIモデルの重み（weights）が公開され、手に入る状態のこと。

認知的オフローディングに関する出典

※1 Evan F. Risko, Sam J. Gilbert「Cognitive Offloading」（Trends in Cognitive Sciences 第20巻第9号、2016年9月）
※2 Evan F. Risko ほか「Rotating With Rotated Text: A Natural Behavior Approach to Investigating Cognitive Offloading」（Cognitive Science、2013年9月24日オンライン公開）
※3 Sebastian Maier ほか「Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants」（arXiv、2026年9月17日、査読前）
※4 Xinran Chen「Layer-sensitive cognitive offloading in generative AI-assisted writing: supported performance and independent no-AI outcomes」（Frontiers in Psychology、2026年8月28日）

認知的オフローディングに関連する記事

• 生成AIを使うと考える力が落ちる？AI研究を踏まえた、AIのより良い使い方や学べる講座も（2026.10.13）