Decomposing Agency, Isolating Answerability: Cultivating What Cannot Be Delegated in AI-Assisted Learning（Tomita, 2026）のプレプリントを平易な言葉で解説します。
プレプリント: [https://osf.io/preprints/edarxiv/hvbfe](https://osf.io/preprints/edarxiv/hvbfe)
（日本語解説: [https://researchmap.jp/ketomy/others/54141521](https://researchmap.jp/ketomy/others/54141521)）
システムがエッセイを計画し、下書きし、修正し、要求に応じて自身の推論を説明できるようになると、かつては修辞的な質問だったものが避けられなくなります。AI がその作業を実行できるのであれば、学習者自身が生み出すべきものは何か？
これまで教育機関は主に 2 つの方法で回答してきました。つまり、能力を保護するためにツールを禁止するか、ツールを受け入れて能力が存続することを期待するかです。どちらの対応も、主体性を AI が脅かすか脅かさないかの単一の量として扱っています。本稿では、これが問題に対する誤った捉え方であると主張します。主体性は単一のものではありません。適切な切り口で分解すると、その大部分はトレーニング可能、サポート可能、あるいは人間と AI のシステム全体に分散可能であることが判明し、そして、わずかながらも正確な残りの部分は、そもそも能力ではないことが明らかになります。
異なる切り口：心理学的特性ではなく、委任可能性による分類
主体性を分解する古典的な方法は、心理学的機能（Bandura, 2001）または時間的志向性（Emirbayer & Mische, 1998）によって分類します。どちらも、それぞれの問いに対しては有効です。しかし、いずれも AI が今まさに突きつけている問いのために設計されたものではありません。そこで本稿では、「委任可能性」という異なる軸で分類します。これは、各部分を委任しようとしたときに何が起こるか？という単一のテストによって定義されます。
3 つの構成要素に分類されます。
- 方向性 — 学習者が何に向かっているのか：ある問題を単に割り当てられたものではなく、自分のものにする評価的コミットメント。
- 推進力、2 つの層からなる — 一般的推進力（特性のようなエネルギーと活動レベル）と動機的推進力（特定の対象に向かう状態のような力）。
- モード — その推進力が学習者の気質を通じて動く特徴的なパターン：その人が典型的に創造、結合、批評、または維持のいずれを行うか。目の前に出された草稿を磨くことはできても、自らは何も生み出さない学習者は、主体性が低いのではなく、単一のモードで動作しているに過ぎません。
これらは、新しい心理学ではなく、委任可能性分析のための分類枠です。重要なのは、それぞれをテストにかけたときに何が起こるかです。
大部分は明確に分類される
表 1. 委任可能性の軸による学習者の主体性
テストを実行すると、主体性の大部分は分類されます。一般的推進力は選択可能かつサポート可能です。モードはトレーニング可能かつサポート可能であり、AI は弱いモードを直接的に補完できます（批評家が対象を持てるように草稿を作成し、結合家が材料を持てるように構造化する）。これにより、モードは最も議論の余地の少ない構成要素となります。動機的推進力は、一般的推進力から変換可能です。
方向性だけは抵抗します — しかし、その正確な意味が重要です。抵抗するのは、候補となる方向性の供給ではありません。提案は容易です。教師は 10 個を提案でき、AI は要求に応じて 50 個を生成でき、どちらも学習者が遭遇する可能性を広げるという正当な役割を持っています。委任できないものは、所有権です。提案された方向性は、提案者が制御できないプロセスを通じて、学習者自身のものになるか、あるいはならないかのいずれかです。インストールされた方向性と所有された方向性の違いは、行動的に観察可能です。コンプライアンスは監督者の注意を追跡しますが、コミットメントはそうではありません。 自己決定理論は、この区別に対して別の角度からの収束的な支持を提供しています。つまり、外部から提案された目標は、情報的であると同時に関係的である条件のもとでのみ、単に従順になるのではなく、統合されるのです（Ryan & Deci, 2000）。
現在の分解によれば、これは、以下の要素について 主体性の分散的見解（Cukurova, 2026）を正当化するものです。計画の足場作り、一般的推進力のサポート、モードを広げるツール、既存の動機を維持するアーキテクチャ — これらはすべて、人間と AI の構成に真に分散されます。本稿は、分散主体性を否定するものではありません。それは、分散が説明できる範囲に対する制限です。分散説は、何が分散されるかについては正しく述べていますが、何が分散されないかについては沈黙しています。
決して構成要素ではなかった残りの部分
図 1. 一方は構成要素を持ち、もう一方は応答責任の中に立つ。
分類が終了すると、リストに決して載っていなかった何かが残ります — それは 4 つ目の構成要素ではありません。それは関係です。応答責任、つまり、質問する権利を持つ誰かに対して、ある判断について説明する責任を負うという、譲渡不可能な立場です。（教育学において、応答責任はバフチン派の系譜も持っていますが、ここで使用される意味はより狭く、ダーウォル派の意味です — 質問する権利を持つ人に対して答える立場。）
本稿は、これを二人称的に基礎付けます。この借用は正確にマークされる必要があります。ダーウォル（2006）からは、二人称的呼びかけの構造を借用しています。つまり、主張と要求は人から人へと行われ、応答責任を負うとは、答えるよう求められる立場にあることです。借用されているのは、この呼びかけ構造です。ここで独創的なのは、その拡張です — すなわち、行動（ダーウォル自身の主題）から、判断の正当化へと拡張している点です。評価的判断は、行動と同様に、呼びかけられ、異議を唱えられ、答えなければならない保持者を必要とします。
ダーウォルの説明における 1 つの非対称性は、ここで決定的なものとして解釈されます。主張する側は、明示的に代理を許容します — 受託者は他人に代わって要求でき、第三者は被害者のために憤慨できます。しかし、応答する側には同様の代理は現れません。罪悪感の自然な表現は、告白、謝罪、そして自己への非難です。本稿は、この非対称性を議論の要とみなします。応答することは、学習者に代わって行うことはできません。
2 つの区別により、これが類似の概念と混同されることを防ぎます。
- アカウンタビリティ vs. 応答責任。アカウンタビリティは制度的に割り当て可能です。分散、監査、再割り当てが可能です。応答責任は関係的かつ人物に紐づいています。判断の正当化は、答えなければならない特定の行為者に固定されたままです（Tomita, 2026b）。
- 権威 vs. 立場。この立場は、Xing et al.（2026）によって検討された AI エージェントの権威とは逆の方向に作用します。現在の説明では、権威は学習者によって付与され、認識された能力を追跡します。一方、立場は判断する者によって保持され、応答責任を追跡します。エージェントは、立場を獲得することなく、より多くの権威を付与される可能性があります。
なぜ AI はその立場に立てないのか — そして、なぜこれは能力の主張ではないのか
熟練した詐欺師は豊富な方向性を持ち、誰にも答えません — 答えさせられるまでは。 この条件こそが要点です。人間の詐欺師は答えさせられ得るのです。まさにその感受性 — 呼びかけられ、異議を唱えられ、拘束されること — が、二人称的能力の働きなのです。現在の AI システムの出力は、この意味で答えさせられ得ません。そこから何かを奪い取ることはできず、自身のコミットメントが危機にさらされることもなく、スクリプト化された自己非難は空回りするでしょう。その違いは、どの構成要素の次元における程度の差ではありません。それは、関係を拒否することと、関係の中に立つことができないことの違いです。
2 つの誤読は排除されるべきです。
- これはタスク能力の主張ではありません。計画、起草、説明、自己監視能力のいかなる蓄積も、それ自体では二人称的立場を確立しません。ダーウォルの二人称的概念（権威、有効な主張、二人称的理由、責任）は、外部からは侵入できない相互定義可能な循環を形成します。関連する問いは、システムが呼びかけと応答の関係に入ることができるかどうかであり、どれだけ多くのタスクを実行できるかではありません。本稿は、将来のシステムが二人称的能力を獲得できるかどうかを判断するものではありません。能力だけでは近道にならないと断言するものです。境界線は、基盤（基質）ではなく、能力に従います。
- これはエリート主義ではありません。応答責任は、才能ある少数の人だけが保持するものではありません。インターンは、資格取得初日から答える立場を持ちます。学生は、自分の名前で課題を提出した瞬間からその立場を持ちます。トレーニングが構築するのは、立場そのものではなく、それをうまく占める能力です。
また、別の方向への実用的なエッジもあります。批判のない委任は、学習者側に影響を及ぼさないわけではありません。過度な依存は、計画、監視、評価への関与を弱める可能性があります（Fan et al., 2025）。そのため、処方箋は委任を単に許可するだけでなく、形成すべきものとして扱います。
方向性はどこから来るのか
もし方向性をインストールできないのであれば、それはどこから来るのでしょうか？本稿は、3 つの動きからなる簡素なメカニズムを提案します。問題を抱える人との身体的な出会いが、評価的コミットメントの結晶化を促進します。結晶化された方向性は、その後、一般的推進力を動機的推進力に変換します。それぞれの動きは、条件を指定するものであり、保証ではありません。
医学は、この設計を 1 世紀にわたって実行してきました。臨床実習は、ケアへの方向性は講義室でインストールされるものではなく、病床で形成されるという明確な前提のもとで、学生を患者に導きます。このモデルは、カリキュラムが問題を抱える人々との持続的で早期の身体的な接触を創出できる場所であればどこでも、設計のヒューリスティックとして役立ちます。
2 段階の処方箋
2 層構造は、2 段階からなる処方箋を導き出します。これらの段階を混同してはなりません。
第一段階 — 分解が配置できるすべてのものに対して。
- 診断用コンパス。OECD ラーニング・コンパス 2030 は、主体性を、学習者が不確実な世界をナビゲートする方法の中心に据えました。しかし、それは進むべき方向を示すものであり、教育者が読み取れる部分に方向性を分解するものではありません（OECD, 2019）。この段階では、2 番目の種類のコンパスを提供します。つまり、学習者の方向性、一般的推進力、動機的推進力、モードを、委任可能性による分類に照らして別々に読み取り、単一の「適性」に合計しないことです。新しい心理測定学は必要なく、既存の測定器を異なる方法で読み取るだけです。1 つの留保は、警告ではなく、構成上のものです。コンパスは、外在化できるものだけを読み取ります。応答責任はいかなる針にも現れません。そして、それをスコア化できると主張するコンパスは、本稿が診断するまさにその混同を再び持ち込むことになるでしょう。具体例。ある学習者が「やる気がない」と提示されたとします。コンパスはこれを分解します。一般的推進力は高い（同じ学生が他の場所では活発である）、方向性は欠如している、モードは主に批評的である。これは動機の欠如ではなく、結晶化前の状態です — 対象のない強力なエンジンであり、てこは激励ではなく、出会いへの曝露です。コンパスはまた、自分の目的を見つけよ（ほとんどを麻痺させる二者択一的な要求）を、自分自身の勾配を観察せよ（結晶化前の学習者が実際に行えること）に置き換えます。
- 出会いの設計。もし出会いが方向性を促進するなら、カリキュラムは出会いの密度のために設計できます。つまり、従来なら能力がそれを「正当化」する前の、早期かつ身体的な、問題を抱える人々との構造化された接触です。
- AI ガードレール。委任が障壁を取り除き、学習者に取って代わらないように AI を設定します。ただし、その限界に注意してください。いかにうまく設定されても、AI との対話は応答責任を育成しません。システムはコミットメントを引き出すことはできますが、学習者が対して答える相手にはなり得ません。ガードレールは第一段階に役立ちます。それらは第二段階に取って代わるものではありません。
第二段階 — 第一段階では到達できないものに対して。
応答責任は、二人称的交流の内部でのみ成長します。つまり、質問され、答え、その答えを自分のものとすることです。教育者の代替不可能な機能 — ツールのいかなる構成も吸収できない機能 — は、もう一人の人間であることです。つまり、学習者にあなたの評価は何ですか？と尋ね、彼らが言ったことに責任を持たせることです。臨床指導は常にこのように機能してきました。研修医は、質問する権利を持つ誰かに対して、事例ごとに答えます。そして、それが、最初からあった立場の上に、答える能力を構築する方法なのです。
これは、構造的に根拠付けられており、ノスタルジックなものではありません。野中・竹内の SECI モデル（1995）を用いて、Tomita（2026b）は、AI が知識の表出化と結合化を加速するとき、実効的な律速プロセスは共同化と内面化へとシフトし、そして、評価的コミットメントが人の間で争われ修正される共同化こそが、まさに二人称的な場であると主張します。自己決定理論が内面化に必要と見出した関係的条件も、同じ方向を指しています（Ryan & Deci, 2000）。ハイブリッドな人間-AI 構成は適切な器であり、第一段階はそれを満たします。しかし、いかなる構成においても、答える当事者は構成ではなく、その中にいる人間です。
結論
したがって、学習者に何が残されるのかに対する答えは、2 種類あり、それらを区別し続けることが本稿の中心的な規範です。
- 方向性 — インストールには抵抗するが出会いには屈する構成要素。
- 応答責任 — 構成要素ではなく、学習者が誰かに対して判断について答える立場。
AI は、その関係の周りにあるすべての経済性を変え、教育と学習の両方から表出化の負担を取り除きます。しかし、AI が変えないのは、関係そのものです。誰が答えなければならないのか、そして誰に対してか。 教育者の立場は、これによって明確化されるのであり、軽減されるのではありません。すなわち、出会いを設計し、ツールを設定し、コンパスを読み取り、そして、学習者が答える相手となることです。
AI は教育の表出化の負担を取り除くが、取り除けないのはもう一人の人間である。
AI 時代の教育とは、自動化に対する人間のタスクの防衛ではありません。それは、決してタスクではなかったものを育成することです。
より大きな枠組みへの位置づけ
これは、AI が圧縮するものと圧縮しないものに関する一連の研究における 3 番目の作品です。最初の作品は、表出化コスト（AI が取り除くもの）を、スペシフィケーション（AI 支援がそれ自体では供給しない、フレームワークの対象領域におけるドメイン判断）から分離しました（Tomita, 2026a）。2 番目の作品は、スペシフィケーションを事実型（Sein）と価値負荷型（Sollen）の構成要素に分解し、委任の正当性の境界 — AI が出力を生成しても、その正当性の源泉にはなれない線 — を特定しました（Tomita, 2026b）。この作品は、それらの論文が一定に保っていた変数 — 学習者 — を開き、人間の限界において、量ではなく関係を見出します。操作子は一定であり、論争される概念が変化します。
参考文献（重要なもの；完全なリストはプレプリントにあり）
プレプリントでは、反循環論法、メカニズムモデルの証拠的限界、およびこの短い説明から省略された制度的資格について詳述しています。
- Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26.
- Cathcart, S., Priestley, M., Priestley, A., & Rushton, E. A. C. (2026). Unravelling agency. Review of Education, 14(1), e70131.
- Cukurova, M. (2026). Agency as a system property in human–AI interaction in education. British Journal of Educational Technology, 57(4), 1065–1070.
- Darwall, S. (2006). The second-person standpoint: Morality, respect, and accountability. Harvard University Press.
- Emirbayer, M., & Mische, A. (1998). What is agency? American Journal of Sociology, 103(4), 962–1023.
- Fan, Y., et al. (2025). Beware of metacognitive laziness. British Journal of Educational Technology, 56(2), 489–530.
- Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company. Oxford University Press.
- OECD. (2019). OECD Learning Compass 2030: A conceptual learning framework.
- Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation. American Psychologist, 55(1), 68–78.
- Tomita, K. (2026a). Domain-native development: A Mekiki framework for AI-assisted knowledge work [Preprint]. SocArXiv.
- Tomita, K. (2026b). Philosophy as cognitive assay [Preprint]. SocArXiv.
- Xing, W., et al. (2026). Unveiling interaction patterns between students and a generative AI teachable agent. British Journal of Educational Technology, 57(4), 896–923.
- Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In Handbook of self-regulation (pp. 13–39). Academic Press.
追伸：この解説は密度が高く、その背後にある論文はさらに密度が高いです。お気軽に AI にどちらかを読んでもらい、要約、翻訳、解説を依頼してください。それはまさに、AI があなたの代わりに行うべき種類の表出化です。AI はまた、議論をテストすることもできます。論理をチェックし、反例を挙げ、証拠を評価することができます。しかし、AI ができないことは、あなたに代わって、その議論を受け入れるかどうかを決定することです。議論を正当化されたものとして受け入れ、その背後に立つことは、あなた自身の役割として残ります。
