まずどんな問題も解けるようになってから、速く解く方法を学ぼう
学校教育は、学習者の主な任務が「できるだけ多くの正しい解法を暗記すること」であるかのように組み立てられていることが多い。
対象の種類ごとに独自の名称が導入される。性質の組み合わせごとに個別の特徴が与えられる。頻出のケースごとに特殊な公式が用意される。
学習者は次のようなことを暗記する：
- 長方形の面積の求め方
- 二次方程式の解き方
- 等速運動の計算方法
- 電流の強さの求め方
- 特定のタイプの化学反応の係数を合わせる方法
問題が教科書の例題に似ているうちは、このシステムは機能する。しかし、条件を少し変えたり、おなじみの名称を取り除いたり、余計なデータを加えたりするだけで、学習者はどの公式を適用すべきかわからなくなってしまう。
多くの解法を知ってはいるが、解を構築する一般的な方法を身につけていないのだ。
個別ケースの知識は普遍性の錯覚を生む
子供が長方形、三角形、平行四辺形、ひし形、台形の面積の公式を知っているとしよう。
これにより、多角形の面積を求めることができるという感覚が生まれる。しかし、正しくない七角形が目の前に現れたとき、見慣れたシステムは機能しなくなる。
その図形は学習したどのテンプレートにも似ていない。適切な名前もない。記憶の中に対応する特別な公式も見つからない。
それでも、普遍的な方法を使えば面積を求めることはできる：
- 図形を三角形に分割する
- 頂点の座標を指定して靴紐の公式（ガウスの面積公式）を適用する
- 領域を既知の部分に分割し、その面積を足したり引いたりする
特殊な公式が無益だったわけではない。それらは個別の問題を素早く解くことを可能にした。しかし、学習者は、それらの最適化が短縮している「土台」を学ぶ前に、最適化を教えられてしまったのだ。
その結果、見慣れた問題を素早く解くことはできても、見慣れない問題をゆっくり解くことができない人間ができあがる。
まずは「ほとんど常に機能する方法」が必要である
効果的な学習は、最小限の普遍的なツールキットから始めるべきである。
そのようなツールキットは、最も速いとは限らない。より多くの手順、計算、時間を要するかもしれない。しかしそれは、学習者自身が最大限に幅広いクラスの問題に自力で取り組むことを可能にするものでなければならない。
多角形の場合、そのようなコアとなり得るのは次のようなものである：
- 頂点の順序による図形の表現。
- 点と点との間の距離の測定。
- 角度と方向の決定。
- 一致、平行、垂直の確認。
- 複雑な図形を単純な部分に分割すること。
- 辺の長さの和としての周囲の計算。
- 任意の輪郭の面積の計算。
- 他の利用可能な方法による結果の検証。
このセットを持っていれば、子供は三角形や四角形、あるいは二十角形について、その名称をこれまで一度も聞いたことがなかったとしても、調査することができる。
その解法は長く、非効率的であるかもしれない。しかし、解法は「存在する」。
これは、教科書が事前に用意した形の、まさにその問題だけを瞬時に解く能力よりも、本質的に重要である。
最適化は、すでに理解された解法を短縮すべきである
普遍的な方法が身につくと、学習者は繰り返される性質に気づき始める。
例えば、どんな長方形の面積も、三角形に分割するか座標の公式を適用するという普遍的な方法で見つけることができる。しかし、長方形の辺が互いに垂直であり、長さが a と b であるならば、すべての計算を次のように短縮できる：
S = ab
今や、この公式は暗記すべき独立したルールとしては見えない。
学習者は次を理解している：
- どの性質のセットに対してそれが機能するのか
- どの一般的な方法からそれが導き出されるのか
- それがどの計算を短縮しているのか
- なぜそれを無条件に任意の四角形に適用してはならないのか
- 公式を忘れた場合にどうすべきか
短い公式は、理解の土台ではなく、すでに知られている解法の最適化となる。
この順序の方がより堅固である：
普遍的な方法 → 繰り返される性質 → 規則性 → 短い公式
おなじみの順序の代わりに：
対象の名称 → 既製の公式 → 典型的な問題
名称とは、圧縮された条件のセットである
用語もこれと似た役割を果たしている。
「長方形」という言葉は、特別な幾何学的対象を作り出すわけではない。それは一連の制約をコンパクトに伝えている：
- 私たちの目の前にあるのは四角形である
- そのすべての角が直角である
これらの条件から、対辺の平行と等しさ、対角線の等しさ、面積の計算方法といった他の性質を導き出すことができる。
同時に、長方形は追加の性質を持っているかもしれない。すべての辺が等しければ、それは同時に正方形であり、ひし形であり、平行四辺形であり、四角形でもある。
名称は必ずしも対象を完全に描写しているわけではない。それは特定のレベルの推論に必要な保証のみを伝えている。
この意味で、用語は圧縮された記録に似ている：
四角形 ＋ ４つの直角 ＝ 長方形
しかし学校教育は、この依存関係をしばしば逆転させる。
まず子供に特徴的な絵を見せ、その名称を教える。次に、それに関連する性質を暗記するように求める。このため、図形が長方形、ひし形、台形であるのは「そういう見た目をしているからだ」という誤った認識が生まれてしまう。
もっと自然な道筋は次のようになる：
- 対象についてのデータを取得する。
- その性質を測定または計算する。
- 特定の条件が満たされているか確認する。
- 発見された性質から結論を導き出す。
- 必要に応じて、対応するクラスの名称を見つける。
その時、用語は暗記した公式へのアクセスのためのパスワードではなく、研究の結果であり、情報を伝えるための便利な方法となる。
すべての有用な知識を記憶に留めておく必要はない
教育課程では、あらゆる知識がほぼ同じように扱われがちである。用語や公式が教科書に含まれていれば、学習者はそれを学び、暗記すべきだと想定される。
しかし、異なる知識は異なる機能を果たしている。
それらを少なくとも３つのレベルに分けて考えることは有益である：
| レベル | 目的 |
|---|---|
| 普遍的なコア | 適用条件が既知である場合において、最大限に幅広いクラスの対象を調査することを可能にする |
| 最適化 | 頻出または構造化されたケースの解決を加速する |
| リファレンス | 稀な名称、特徴、公式、専門的な手法を保存する |
普遍的なコアは必須でなければならない。それがなければ、人は事前に知っているテンプレートに依存したままになってしまう。
最適化は、それに対する明確な必要性が生じた後に学ぶべきである。そうすれば、学習者は公式そのものだけでなく、それが存在する理由も理解できるようになる。
リファレンス資料は、常に頭の中に留めておく必要はない。以下を知っていれば十分である：
- そのような方法が存在すること
- それがどの問題を解決するのか
- どこで見つかるのか
- どのような制限があるのか
- 適用が正しいかどうかの確認方法
稀な知識を素早く復元したり見つけ出したりする能力は、それを数年間使わずに記憶し続ける能力よりも役立つことが多い。
すべての必須知識は、そのコストを正当化しなければならない
いかなる新しい用語や手法も時間を要求する。
それらは次のような必要がある：
- 初めて理解すること
- すでに知られているアイデアと結びつけること
- 正しく適用できるようになること
- 似たような手法と区別すること
- 記憶の中に維持すること
- 定期的に復習すること
したがって、ある知識がそれ自体で正しい、あるいは面白いと言うだけでは十分ではない。それを必須の学習コアに含めるためには、それがどのような機能を果たしているかを理解する必要がある。
新しい用語、公式、または手法は、次のうち少なくとも１つをもたらさなければならない：
- 解決可能な問題のクラスを広げること
- 計算の量を減らすこと
- エラーの確率を下げること
- 精度を高めること
- 本質的な性質をコンパクトに伝えること
- 正確性の証明を可能にすること
- 使用しているツールの理解や制御を助けること
教材がこれらのどれももたらさない場合、完全に排除する必要はないかもしれない。しかしおそらく、その正しい居場所は必須の記憶の中ではなく、リファレンス層にある。
知識の有用性は、それを習得するコストと比較されなければならない。
見つけるのが簡単で、新しい手法を開拓しない稀な用語は、教育的価値が低いかもしれない。一方、数十の異なる分野に応用できるシンプルな普遍的原則は、非常に高い価値を持つ。
この原則は幾何学だけに当てはまるわけではない
代数において、普遍的なコアとなり得るのは次のようなものである：
- 変数と等式の概念
- 許容される変形
- 制約のシステム
- 関数
- 代入による解の検証
二次方程式の解の公式は、魔法のような記号の列ではなく、特定の構造を持つ式のための特殊化されたアルゴリズムとなる。
物理学における基礎となり得るのは：
- 物理量と単位
- 対象の状態
- 変化
- 相互作用
- 保存則
- 基準系
- 誤差
このようなアプローチにおける s = vt という公式は、あらゆる運動の普遍的な法則としてではなく、速度が一定である特殊なケースのための短縮形として即座に捉えられる。
情報科学におけるコアを構成するのは：
- データ
- 状態
- 条件
- シーケンス
- ループ
- 関数
- アルゴリズム
- 正確性
- 計算複雑性
特定の言語、ライブラリ、プログラミングインターフェースは、この土台の上の交換可能なツールとなる。
同一のアーキテクチャが異なる分野で繰り返される：
普遍的なモデル → 一般的な方法 → 適用条件 → 個別の最適化 → 自動化 → 検証
コンピュータとAIはこのアプローチをさらに重要にする
かつて、多くの特殊な公式を覚える必要があることは、「人間が自分で計算を行わなければならなかった」ということで正当化できた。
今日では、計算のかなりの部分をプログラムやAIに任せることができる。知的システムは、対象を認識し、アルゴリズムを選び、何千もの操作を実行し、複数の解決策のオプションを検証することができる。
だからといって理解が不要になるわけではない。しかし、その目的が変わる。
人間は、手計算の速度でコンピュータと競い合う必要性がますます薄れていく。それよりもるかに重要なのは、以下を理解することである：
- 今まさに何が計算されているのか
- どのようなデータが使用されたのか
- どのような前提が置かれているのか
- 選択された方法は適用可能か
- 結果はどれほど正確か
- それは元の問題と矛盾していないか
普遍的なコアは、これらの疑問を投げかけることを可能にする。一般的な理解を伴わない特殊な公式では、それはできない。
もし人が既製のテンプレートしか知らなければ、新しい問題が古い例題と一致するかどうか依存することになる。もし一般的なモデルを理解していれば、見慣れない状況を自力で調査することも、外部のツールを意味を持って利用することもできる。
学習者は「ゆっくりであること」ができなければならない
次のようなものである：
人はまず、見慣れない問題をゆっくり解くことを学ばなければならない。その上で初めて、見慣れた問題を素早く解くことを教える意味が生まれる。
ゆっくりとした普遍的な方法は、テンプレートからの独立性をもたらす。
学習者は図形の名称、公式、または特別な特徴を忘れてしまったとしても、依然として次のようなことができる：
- 既知の要素を通じて対象を表現する。
- 利用可能なデータを特定する。
- 基本的な操作を適用する。
- 必要な性質を得る。
- 解を見つける。
- 結果を検証する。
そのような土台が存在するとき、専門的な知識は真に有用なものとなる。それらは作業を加速させるが、推論能力の代わりにはならない。
この土台がなければ、教育は「事前に用意された無数の質問には正しい答えを出せるが、質問が別の形に言い換えられた途端に行動できなくなる人間」を生み出してしまう。
学習の目的は、知識の最大量ではない
教育の効果は、学んだ用語、公式、トピックの数だけで測定することはできない。
多くの教材が、必ずしも多くの機会を生み出すわけではない。時にはそれは記憶への負担を増やすだけであり、多数の個別名称の下に少数の一般的な規則性を隠してしまう。
学習のより合理的な目的は、人が次のようなことを行えるシステムを形成することである：
- 見慣れない対象を調査する
- そのモデルを構築する
- 普遍的な方法を適用する
- 繰り返される性質に気づく
- そこからより短い解法を導き出す
- 必要に応じて稀な知識を見つけ出す
- 計算を適切なツールに委譲する
- 得られた結果を検証する
そのとき、知識は既製の答えのコレクションではなくなる。
それは拡張可能なシステムとなる：
理解 → 解決 → 規則性 → 最適化 → 新たな理解のレベル
まさにこのようなシステムこそが、人間に対して、すでに学んだことを再現するだけでなく、誰も事前に教えてくれなかったことを習得することを可能にするのである。
