プロテジェ効果: 教えて学ぶことのエビデンス

プロテジェ効果とは何か

プロテジェ効果（「protégé effect」とも綴ります）とは、ある教材を自分のためだけに勉強するよりも、誰かに教える準備をしたほうが、その教材をより徹底的に学べるという知見です。この用語は2009年に Catherine Chase、Doris Chin、Marily Oppezzo、Daniel Schwartz が作ったもので、彼らは学生が "make greater effort to learn for their TAs than they do for themselves"（自分自身のためよりも、担当するエージェントのためのほうが学ぶ努力を惜しまない）と書いています。数十件の実験にわたって統合すると伸びは中程度で、どの統合研究を読むかによっておよそ g = 0.17 から 0.56 の範囲に収まります。そしてその大きさは、自分が教えることになると事前に知っているかどうかに強く依存します。

メカニズムは不可解なものではありません。自分の説明に誰かが頼ると分かっていると、勉強の仕方が変わります。より注意深く構造を組み立て、抜け漏れを探しにいきます。読み手がどこで混乱するかを先読みしなければならないからです。受動的な読書がそのレベルに到達することは、めったにありません。

ほとんどの人は直感的にこれを感じ取っています。同僚に概念を説明したときのことを思い出してみてください。説明するという行為が、自分自身の理解の曖昧な部分と向き合うことを強いたはずです。その居心地の悪さこそ、プロテジェ効果が働いている証拠です。

他の学習戦略と区別されるのは、その社会的な側面です。単に知識を再構成するだけではありません。知識の再構成だけなら、むしろファインマン・テクニックのほうが近いものです。プロテジェ効果は、知識を誰か他の人のために再構成することです。その社会的な層が、再構成を超えて何かを付け加えているのかどうかは、この分野に残る本当に未解決の問いの一つで、正直な答えは後述の「限界」の節にあります。

---

研究が示すこと: 個別研究とメタ分析

Chase et al.（2009）: 最初の「教えられるエージェント」研究

Chase らは「Teachable Agents and the Protege Effect: Increasing the Effort Towards Learning」を Journal of Science Education and Technology に発表しました。この研究では Betty's Brain というシステムが使われ、生徒は科学のテーマについて概念マップを構築することで仮想エージェントに教えました。

Betty に教えていると信じていた生徒たちは、同じシステムを自分のために使った生徒たちよりも学習活動に多くの時間を費やし、テストの得点も高くなりました。設計について知っておくべきことがあります。第1研究では両群が同じソフトウェアを動かしており、違いは何を告げられたかだけで、標本は8年生62人でした。第2研究は5年生24人で課題従事時間の効果を再現し、思考発話プロトコルでその理由を探っています。土台の小さい本物の知見であって、確定した数量ではありません。

Nestojko et al.（2014）: 予期だけで十分なこともある

John Nestojko、Dung Bui、Nate Kornell、Elizabeth Bjork は、教えることへの予期（teaching expectancy）という変数を切り分けました。一方のグループはテストがあると予期して文章を学習し、もう一方は教えると予期しました。実際には誰も教えていません。

実験1では、教えると予期したグループのほうが文章をより多く想起し（d = 0.56）、より効率的に想起し（d = 0.79）、想起の順序が文章自身の段落構造に近く（d = 0.65）、短答式テストの得点も高くなりました。通常は省かれるのが実験2です。そこでは予期の主効果は有意ではなく（p = .389）、文章の要点についての優位も限界的にとどまりました（p = .083）。影響力のある実験が1つ、それをおおむね再現できなかった実験が1つ、同じ論文の中にあるということです。

Kobayashi（2019, 2024）: どれくらい効くのか

個別の研究は方向を示し、メタ分析は大きさを教えてくれます。Keiichi Kobayashi の2019年の統合研究（Japanese Psychological Research）は28件の研究をまとめ、教える準備をする条件で g = 0.35、準備したうえで実際に教える条件で g = 0.56 を得ました。いずれも、教える予期なしに勉強した条件との比較です。

2024年のメタ分析（Educational Psychology Review）は39件をまとめて全体で g = 0.27 と報告し、そしてこの記事で最も重要な調整変数を見つけています。事前に教える予期を持って勉強した後に教えた場合は g = 0.48。その予期を持たずに勉強した後に教えた場合は g = -0.02 で、統計的にゼロと区別がつきませんでした。効いているのは本番ではなく準備なのです。

同じ2019年に Frontiers in Psychology に出た別の論文はインタラクティブ性を検討し、対面で教える形式と、録画講義や文章による説明といった間接的な形式を比較しました。対面で教えると予期する条件は g = 0.50、間接的な条件は g = 0.27 に統合され、実際に最後まで行った場合は直接的な教えで g = 0.84、間接的な形式で g = 0.48 に達しました。ただし 0.84 は慎重に扱ってください。これは4組の群間比較に基づくもので、Kobayashi 自身が証拠を "still inadequate and subject to some exceptions"（いまだ不十分で、いくつかの例外を伴う）と述べています。

Ribosa and Duran（2022）: 最も低く、最も保守的な推定値

Jesus Ribosa と David Duran は Educational Research Review で23件の研究と62の比較をまとめ、g = 0.17 に着地しました。出版バイアスは検出されていません。ただし、2つの留保が重要です。第一に、対象となった研究で学び手が行ったのは教材の作成でした。動画講義、テスト問題、教示テキストといったものを作ることであって、人に教えることではありません。Kobayashi はこれを、重なりつつも別のカテゴリだと述べています。第二に、恩恵が現れるのは、効果を期待されていない介入と比較した場合です。効果を期待された他の介入と比較したのではありません。本当に能動的な対照条件と比べると、優位は統計的に有意ではなくなります。

Koh, Lee, and Lim（2018）: 効いているのは想起である

Aloysius Koh、Sze Chi Lee、Stephen Lim は、教えることのどの部分が恩恵を生んでいるのかを Applied Cognitive Psychology で検証しました。比較したのは4群です。記憶から教える群、用意したノートを読みながら教える群、教えずに教材を想起する群、そして計算課題の対照群です。

1週間後の理解テストでは、記憶から教えた群と純粋な想起練習の群がともに他の2群を上回り、手元にノートを置いて教えた群は対照群と変わりませんでした。本を閉じてから説明しましょう。出典を開いたまま教えると想起を飛ばすことになり、恩恵を手放します。この結果のもう半分にも注意してください。教えることがまったくない単なる想起練習が、同じだけの成績を出したのです。

証拠の一覧

---

限界と調整変数: 教えることが効かないとき

この分野を誠実にレビューするなら、失敗した研究も報告しなければなりません。そしてその数は、この手法の使い方を変えるのに十分あります。

教える予期は、時間をおくと確実には生き残りません。 Fiorella and Mayer（2013）は大学生にドップラー効果を教えました。教える準備をした学生は直後の理解テストで対照群を上回りましたが、1週間後の遅延テストでは、教える予期による恩恵は対照群に対して見られませんでした。2014年の後続研究では、遅延時に最も成績が良かったのは実際に教えた学生でした。

Renkl（1995）は、確率の例題を教える準備をすることに恩恵をまったく見出していません。反対側で最も強い論文は Guerrero and Wiley（2021）で、実験ごとに約210人の参加者を集めていますが、効果は小さく（いずれも偏イータ二乗が .02）、遅延に関する主張は有意でない交互作用に依拠しています。Lachner らは2022年に Educational Psychology Review でこの領域をレビューし、最近のいくつかの研究がなぜ "did not replicate this effect"（この効果を再現しなかった）のかという問いから書き起こしています。

実在の聴衆が想像上の聴衆より明らかに優れている、とは言えません。 これは直感的な説明に逆らう結果です。Wang, Lin, and Chen（2021）は中等教育の生徒597人を対象に、教える予期と、ピアへの教授・想像上の教授・教えない条件を組み合わせました。想像上の教授は直後と遅延の両方の理解を向上させ、ピアへの教授は直後しか向上させませんでした。著者たちは、どちらの方向にも慎重であるよう促しています。Kobayashi のインタラクティブ性の分析は逆を指しています。この論点は未決着であり、「実在の聴衆が必要だ」と断言する人がいれば、その人は証拠を追い越しているということです。

きちんと実施された研究のいくつかは、何も見つけていません。 Jacob, Lachner, and Scheiter（2021）は、声に出して説明する条件、エディタに書く条件、メッセンジャーのチャットに書く条件、そして想起の対照条件を、参加者137人で比較しました。学習に差はありません。差が出たところが示唆的です。説明することは、想起することよりも努力を要し、楽しく、興味深いと評価されながら、結果は同じだったのです。努力と楽しさは学習の証拠になりません。Lachner, Jacob, and Hoogerheide（2021）は、ある実験（N = 147）では説明の効果をまったく見出せず、別の実験（N = 51）では自己説明が架空の生徒への説明を上回りました。

初心者の教え手は、説明するのではなく告げる傾向があります。 Roscoe and Chi（2007）は Review of Educational Research で、彼らが「知識を告げるバイアス（knowledge-telling bias）」と呼んだものを記録しました。チューターは "simply revealed answers, summarized facts, or described procedures with little elaboration"（単に答えを明かし、事実を要約し、手順を述べるだけで、ほとんど精緻化しなかった）のであり、しかも初心者のチューターは、自分が教える内容をどれだけ理解しているかの判断が苦手です。認知的な恩恵は精緻化から生まれるのに、既定の振る舞いはそれを飛ばしてしまいます。

運動スキルについては、害が1件記録されています。 Daou ら（2019）は、教えることを予期する条件とテストを予期する条件で、ゴルフのパッティングを学ばせました。教える群は低プレッシャー下では良い成績を出しましたが、高プレッシャー下ではテスト群と同じ水準まで落ちました。参加者156人の事前登録報告による追試でも確認されています。プレッシャーのもとで実行しなければならないことを学んでいるなら、教える準備をすることは中立ではないかもしれません。

効いていないように見えるもの: 学び手の年齢と教科です。Ribosa and Duran は、この効果が教育段階や内容領域を越えて安定して見えると述べており、Chang et al.（2025）は32件の異年齢間チュータリング研究で、セッション数、チューターの種類、教科による調整効果を見出しませんでした。

つまり、擁護できる主張は世間で語られるものより狭いということです。何かを説明すると事前に約束し、そのうえで記憶から説明するのは、勉強時間の良い使い方です。しかしそれは、単に自分でテストするより確実に優れているわけではなく、社会的な要素が果たしている役割も、物語が示唆するほど大きくはありません。

---

教えることが効く理由: 認知メカニズム

教えることは複数のプロセスを同時に活性化させ、そのそれぞれが独立して学習を向上させます。実際にどれが効いているのかは、いまも議論の的です。

想起練習

Koh, Lee, and Lim は想起練習仮説を提唱しました。教えることが役立つのは記憶から教材を引き出すことを強いるからであり、教えること自体が付け加えるものはわずかだ、という主張です。彼らの「ノートを手元に置く」条件は、想起を取り除いて教えることだけを残すクリーンな検証であり、そこでは恩恵が出ませんでした。

ただし、どこまで強く言うかには注意が必要です。Kobayashi は2022年に Frontiers in Psychology でこの仮説を評価し、"the currently available evidence is inadequate to assess the hypothesis"（現時点で利用可能な証拠では、この仮説を評価するには不十分である）と結論づけています。Lachner らの2022年のレビューも、想起を確立された答えではなく、複数ある候補メカニズムの一つとして扱っています。

メタ認知的モニタリング

教えることは、自分自身の理解をリアルタイムで評価することを強います。説明しながら、その説明が筋として成立しているかを確かめ続けることになります。この種の自己モニタリングは、自己調整学習の中核です（Dunlosky and Metcalfe, 2009）。

自分のために勉強するときは、曖昧な理解をごまかして通り過ぎることができます。教えるために勉強するときは、その曖昧さが解決しなければならない問題になります。

精緻化を伴う想起

教える準備をすると、事実を思い出すだけでなく、論理を再構築し、例を生成し、たとえを作り出すことになります。Fiorella and Mayer（2016）が生成的学習としてまとめた一連の活動です。ここでよく引かれる証拠には一つ注意があります。Karpicke and Blunt（2011）は Science で、想起練習が概念マップを用いた精緻化学習を上回ることを示しており、彼ら自身の結論は精緻化という枠組みに逆らって、その伸びを "retrieval-specific mechanisms rather than by elaborative study processes"（精緻化的な学習プロセスではなく、想起に特有のメカニズム）に帰しています。

責任、ただし留保つき

世間での説明は、他者が自分に依存することで賭け金が変わるのだと言います。Biswas、Leelawong、Schwartz、Vye、およびヴァンダービルト大学の Teachable Agents Group（2005）は、責任を教えられるエージェントの設計原理として扱いました。ここには誠実な留保が2つあります。「責任効果（responsibility effect）」という語句はその論文に登場せず、この分野で確立した用語でもありません。そして Chase らは、生徒がエージェントに対して責任感を抱くようになったという観察を逸話的な証拠として引用しており、それがこの説明が文献に入ってきた経路です。

測定に基づく版の主張はもっと弱く、そしてもっと興味深いものです。Kobayashi のインタラクティブ性の分析は実在の聴衆が役立つことと整合的で、Wang, Lin, and Chen の597人の実験は逆を指しています。責任は、もっともらしいメカニズムであって、実証されたメカニズムではないと考えてください。

構造化処理

何かを教えるには、何を最初に持ってくるか、何が何に依存しているか、何を省略できるかを決めなければなりません。Nestojko らはその一種を観察しています。教えると予期した参加者は、テストを予期した群よりも、文章の段落構造に近い順序で想起したのです。ただし、これが何であって何でないかに注意してください。これは出典の構成に寄せた再構造化の証拠であって、より深い階層を構築した証拠ではありません。しかも、同じ実験の別の構造化指標では差が出ていません。

---

ラーニングピラミッド: 90%という数字が神話である理由

あなたはおそらくラーニングピラミッドを見たことがあるでしょう。各活動に保持率のパーセンテージを割り当てたきれいな三角形で、「人に教える」が 90% で頂点に君臨し、読書は 10% に置かれています。通常、メイン州ベセルの National Training Laboratories の功績とされています。出回っているのは次のような版です。

これらの数字は本物ではありません。Kåre Letrud と Sigbjørn Hernes は Cogent Education（2018）でこのピラミッドの来歴をたどり、その各種の版が160年以上にわたって教育をめぐる議論の中を循環してきたことを突き止め、これらのモデルは "did not originate from empirical research"（実証研究から生まれたものではない）と結論づけました。数値について直接問われた NTL は、"Yes, we believe it to be accurate, but no, we no longer have, nor can we find, the original research that supports the numbers"（はい、正確だと信じています。しかし、その数字を裏づける元の研究はもう手元になく、見つけることもできません）と回答しています（Lalley and Miller, 2007 に引用）。主張の精確な中身に注意してください。NTL が言ったのは研究が見つけられないということであって、一度も行われなかったということではありません。いずれにせよ、確かめられるものは何もありません。

疑わしいほど丸く、等間隔に並んだ数値がその証拠です。本物の記憶データが 10、20、30、50 のようにきれいに揃うことは決してありません。

ではなぜピラミッドを取り上げるのでしょうか。それは、それが示唆する順位づけ、つまり能動的な生産が受動的な消費に勝るという点が、パーセンテージが作り話であってもおおむね支持されているからです（Dunlosky et al., 2013; Karpicke and Blunt, 2011）。恩恵を述べるときは、90% ではなく、おおむね 0.17 から 0.56 の効果量として述べましょう。ピラミッドが確固たるデータとして引用されているのを見たら、それはその出典についてのシグナルだと考えてください。

---

自分のために学ぶ vs 教えるために学ぶ: 直接比較

「自分のためにこれを勉強している」から「誰かに教えるためにこれを勉強している」に切り替えると、何が変わるのでしょうか。

教えるために学ぶマインドセットは、より多くの時間を要求しません。要求するのは、読み始める前に形成された異なる意図です。この順序は好みの問題ではありません。Kobayashi の2024年のデータにおける g = 0.48 と g = -0.02 の差そのものです。

---

プロテジェ効果 vs ファインマン・テクニック

ファインマン・テクニックとプロテジェ効果は関連していますが別物であり、その比較は通常語られるほど一方的ではありません。

ファインマン・テクニックは、初心者に教えるかのように概念を平易な言葉で説明することを求めます。概念を選び、平易に説明し、抜け漏れを見つけ、もう一度単純化する、という手順です。通常実践される形では単独の演習であり、その結果に依存する実在の人物はいません。

プロテジェ効果は社会的な層を加えます。しかし、通常の序列を和らげるべき知見があります。単独の親戚である自己説明は、69の効果量にわたって g = 0.55 に統合されており（Bisra et al., 2018）、これは教えて学ぶことの推定値の上端にあたり、その大半の推定値を上回ります。聴衆が付け加えているものは、枠組みが示唆するより小さいのかもしれません。

実務的な読み方はこうです。両方やりましょう。そして、効いているのが聴衆だと決めつけないことです。両方の手法が共有している2つのもの、つまり記憶からの想起と、強制された精緻化こそが、最も強い支持のある部分です。実在の聴衆は、コミットメント装置として理解するのが最も適切です。これは小さなことではありません。パブリックに学ぶことが、実際に説明をやり遂げさせてくれるからです。

---

生徒が AI でもプロテジェ効果は働くのか

最初の教えられるエージェントは台本で動いていたので、大規模言語モデルのほうが良いプロテジェになるのではないか、という問いが自然に出てきます。2024年から2026年の証拠が示す答えは「まだ働かない」であり、その理由は具体的です。

最もクリーンな検証は帰無結果です。 Xu, Zhang, Tang, and Lee（2026）は96人の参加者を4条件にランダムに割り付けました。生徒役を演じる LLM に説明する条件、同輩役、挑戦者役、そしてほぼ受動的な対照条件です。事後テストでは、どの条件も対照群を上回りませんでした（F(3,91) = 1.54, p = .21）。努力ははっきり増えています。生徒役の群は平均353.8語を書き、対照群は121.3語でした。ただ、それが知識に転換しなかったのです。生徒役の群はまた、3つのエージェント役の中で最も強いプレッシャーを報告しており、4.02 に対して同輩役が 2.49、挑戦者役が 2.93、そして受動的な対照条件の 4.06 と比べても改善していません。これは Chase ら（2009）が述べた、エージェントに教えることで間違いの痛みから学び手を守るという自我保護の緩衝作用とは正反対です。

広く引用されるある論文は、この欠陥に名前を与えながら、学習を一度も測っていません。 Jin, Lee, Shin, and Kim（CHI 2024）は TeachYou と、その LLM 生徒役 AlgoBo を構築し、"LLMs' expansive knowledge as tutees discourages learners from teaching"（生徒役としての LLM が持つ広大な知識は、学び手が教える意欲をそぐ）と報告しました。彼らがこの失敗様式に与えた名前が under-teaching（教え不足）です。エージェントがすでに知っているので、学び手が努力をやめてしまうのです。同論文は、事前事後テストを実施しなかったことを限界として挙げており、メタ認知の介入にも有意な向上はありませんでした。

肯定的な結果も存在しますが、それぞれに注意点があります。 Chen, Wei, Le, and Zhang（2025）は、ChatGPT エージェントに教えた学生のプログラミング知識テストの得点が高かったことを見出しました（n = 41）が、コードの正確さには有意差がなく、著者自身の説明が示唆的です。ChatGPT は正しいコードを出しがちで、それがデバッグの練習機会を奪ってしまうのです。最大規模の実装は Wang らによる EPFL での1学期にわたる研究（2026）で、分析対象453人、3,809件の対話を扱い、教える群は読むだけのベースラインよりクイズの試行回数が約4.9%少なくて済んだと報告しました。アウトカムが何かに注意してください。クイズの試行回数であって知識テストではなく、しかも作業時間は 3.4 分に対して 14.4 分かかっています。対話の約4分の1には外部から貼り付けられた内容が含まれており、それは成績の悪化を予測しました。

信じられるかどうかは障害ではありません。 Rogers ら（2025）は119人の学生を4つの実験にかけ、そのうち1つでは LLM の生徒役と、初心者のふりをする人間のサクラを比較しました。知覚された知性に有意差はありません。学生はその演技を信じます。

モデルは初心者のままでいてくれません。 これが本当の障壁です。Song, Guo, and Lin（2026）は端的にこう述べています。初心者のように振る舞うよう指示しても、LLM は "can still produce expert-level explanations"（それでも専門家レベルの説明を生成しうる）のであり、意図した知識水準から逸れていきます。さらに悪いことに、モデルは迎合します。Do, Sonkar, and Sachan（2026、プレプリント）は、シミュレートされた学生が誤概念を手放す頻度を測定し、テストした中で最小のモデル Qwen3-4B が、「あなたは間違っています」としか言わないフィードバックに対して 92% の頻度で答えを翻したことを示しました。何を言っても同意する生徒役は、あなたの説明が失敗したことを示してくれません。そして、その失敗のシグナルこそが要点なのです。

この分野には、引用できる穴もあります。元の責任操作を LLM の生徒役で再現した研究が、まだ誰からも出ていないのです。LLM を用いた教えられるエージェントの論文群は、メカニズムについて Chase らに寄りかかったまま、それを検証していません。

ではどうするか。 LLM はプロテジェではなく、リハーサルの相手として使いましょう。出典を閉じて記憶から説明する。これが最も証拠のある部分です。そのうえで、話した内容の抜け漏れを探してもらいます。こちらが本当に訂正するまでは誤った立場を保つよう指示し、あっさり同意してきたら演習が機能していないサインだと考えてください。本来のプロテジェ効果が欲しいなら、証拠はいまのところ人間を指しています。

---

教師でなくても「教える」5つの方法

プロテジェ効果を活性化させるのに、教室も生徒も必要ありません。ここまでの内容から必要なのは、読む前に「これを誰かに説明する」と決めること、そして何も見ずに説明することです。

1. ハイライトを公開する

Glasp のウェブハイライターで一節をハイライトし、それがなぜ重要なのかを説明するメモを加えるとき、あなたはマイクロな教える行為を実践しています。ハイライトは公開プロフィールに表示され、そこで他の学び手が見つけられます。その可視性が、処理の仕方を「これは自分にとって興味深い」から「これは誰か他の人にとって十分に明確でなければならない」へと変えます。

ツールよりも順序のほうが重要です。記事を読み終えてからではなく、読み始める前に「読者のために注釈をつける」と決めましょう。やがてそのコレクションは教える資源になります。他者が辿れる、文脈つきの厳選された読書リストです。

2. ブログ記事や要約を書く

聴衆に向けて要約を書くことは、正式に教えるときと同じ構造化と精緻化の作業を強います。何が本質的かを決め、論理的な流れを組み立て、自分の言葉でアイデアを表現しなければなりません。聴衆は大きくある必要はありません。

YouTube Summaryを使って講義やトークから要点を抜き出せば、素材が手に入ります。学びが起きるのは、それを閉じて自分で説明を書くときです。

3. 勉強会に参加する、または作る

教える役割の交代を取り入れた勉強会は、体系的にこの効果を活性化させます。全員が黙って読むだけの会はそうなりません。各メンバーが数日前から自分の担当を自覚できるよう、特定の概念を事前に割り当てましょう。各人はノートを見ずに教え、他の人が質問をします。質問は本当に仕事をします。教える人に、暗唱ではなく精緻化を強いるからです。

4. 現実的な期待のもとで AI に説明する練習をする

Glasp の AI チャットを使えば、人間を呼び出さずに説明のリハーサルができます。これで何が手に入るのかは冷静に見ておきましょう。前の節で述べたとおり、LLM の生徒役に教えることについてのランダム化された証拠は現時点では帰無であり、確実に得られる価値は想起と抜け漏れの発見であって、社会的なメカニズムではありません。

なので、そのように使いましょう。出典を閉じ、記憶から概念を説明し、それから、抜けていたこと、間違っていたこと、混乱した読者ならまだ聞くであろうことを AI に挙げてもらいます。あっさり同意してきたら押し返してください。これは生徒ではなく、試験官として使っているのです。

5. コミュニティプラットフォームで共有する

コミュニティフィードに自分の学びを投稿すると、あなたの理解が実在の人々の前に置かれます。誰かがコメントし、質問し、別の読み方を提示してくれると、単独学習では得られないフィードバックが手に入ります。実在の聴衆が、説明という行為そのものを超えて何かを加えるかどうかは、限界の節で述べたとおり未決着です。確実に得られるのは、やり遂げさせてくれることです。

---

パブリックに学ぶ: スケールするプロテジェ効果

パブリックに学ぶことは、プロテジェ効果を学習実践全体に適用したものです。私的に勉強してときどき教えるのではなく、読んだものを当たり前に共有するようになります。そうすると予期は、思い出して呼び出すものではなく、読み方そのものに常に組み込まれた条件になります。

それがこの実践の最も強い論拠です。この分野で最もよく支持されている唯一の調整変数は、勉強する前に聴衆を想定していることであり、共有が習慣になっていれば、聴衆なしで勉強することがなくなります。

Glasp はこれを中心に作られました。ハイライトをエクスポートしてブログ記事にしたり、共有したり、プロフィールに見えるように残したりするとき、その注釈はその場にいなかった誰かにとって意味が通らなければなりません。これをアクティブリコールと組み合わせれば、最も証拠のある2つのメカニズムを働かせることになります。

恩恵は個人の保持にとどまりません。あなたの公開された学びは集合知への貢献になります。他者があなたのハイライトの上に築き、あなたは彼らのハイライトを通じて新しい視点を見つけます。

---

よくある質問

プロテジェ効果を簡単に言うと何ですか

プロテジェ効果とは、教材を自分のためだけに勉強するよりも、誰か他の人に教える準備をしたほうがよく学べるという知見です。教える準備をすると、教材を構造化し、自分の抜け漏れに気づき、記憶から引き出すことを迫られます。Nestojko et al.（2014）は、一度も教えなくても、教えると予期するだけで想起が向上することを、ある実験で示しました。ただし同じ論文の第2実験では、全体としての効果は見つかっていません。

人に教えると学習はどれくらい向上しますか

誠実な答えはパーセンテージではなく、効果量の幅です。Kobayashi の2019年のメタ分析（28件）では、教える準備で g = 0.35、準備して教えると g = 0.56 でした。2024年のメタ分析（39件）では全体で g = 0.27 です。最も保守的な統合研究である Ribosa and Duran（2022）は g = 0.17 で、能動的な対照条件に対する有意な優位は見つかりませんでした。ラーニングピラミッド由来の「保持率90%」という数字は無視してください。Letrud and Hernes（2018）が、それに実証的な出典がないことを示しています。

効くかどうかを最も左右するのは何ですか

決め手は、自分が教えることになると事前に知っていたかどうかです。Kobayashi の2024年のメタ分析では、事前の教える予期を持って勉強した後に教えた場合が g = 0.48、その予期なしに勉強した後に教えた場合が g = -0.02 でした。教材を開いた後ではなく、開く前に決めてください。

教えることは、ただ自分でテストするより優れていますか

そうでないことが多く、それがこの分野で最も報じられていない結果です。Koh, Lee, and Lim（2018）は、1週間後の理解テストで純粋な想起練習が記憶から教えることと同等であり、どちらもノートを手元に置いて教えることを上回ることを見出しました。自己説明は g = 0.55 に統合されており（Bisra et al., 2018）、これは教えて学ぶことのほとんどの推定値より高い値です。目的が保持だけなら、アクティブリコールのほうが安上がりな道です。教えることが加えるのは、動機づけ、聴衆、そしてやり遂げる理由です。

プロテジェ効果はファインマン・テクニックとどう違いますか

ファインマン・テクニックは、知識の抜け漏れを見つけるために概念を平易な言葉で説明することで、通常は一人で行います。プロテジェ効果は、実在するあるいは想定された聴衆を加えます。両者が共有するメカニズム、つまり想起と精緻化に最も強い証拠があり、聴衆そのものがどれだけ寄与しているかにはまだ議論があります。Wang, Lin, and Chen（2021）では、想像上の教授が遅延後の理解を向上させた一方、実際のピアへの教授は向上させませんでした。

AI に教えてもプロテジェ効果は働きますか

現時点の証拠では、確実には働きません。最もクリーンなランダム化比較（Xu et al., 2026, N = 96）では、生徒役の LLM に説明しても、ほぼ受動的な対照条件と比べて学習上の優位は見つかりませんでした。参加者が明らかに多く働いたにもかかわらずです。主な理由は、言語モデルが初心者のままでいてくれないことです。専門家レベルの説明へと逸れていき、こちらが差し出す訂正を何でも受け入れます。AI は、教える生徒としてではなく、記憶から行った説明について自分を試問させる相手として使いましょう。証拠があるのはそちらです。

人に教えることで恩恵を受けるには専門家である必要がありますか

いいえ。ただし、逆方向に本当のリスクがあります。Chase et al.（2009）は、何の専門家でもない中学生に学習の向上を見出しました。しかし Roscoe and Chi（2007）は、初心者のチューターが既定では知識を告げるだけになり、ほとんど精緻化せずに事実を暗唱し、自分の理解を正しく判断できないことを記録しています。恩恵は精緻化に宿るので、何をだけでなくなぜを説明するよう、自分を押してください。

プロテジェ効果はアクティブリコールとどう関係しますか

記憶から教えることはアクティブリコールの一形態です。想起し、精緻化し、自分の正確さをモニターします。この重なりが、おそらく効果の大部分です。Koh, Lee, and Lim の想起練習仮説はそれを明示していますが、Kobayashi の2022年のレビューは、決着させるにはまだ証拠が十分でないと結論づけています。

---

結論: 証拠が実際に支持していること

教えて学ぶことは機能します。ただし、世間版が主張するほど神秘的でない理由によってです。良質な研究を統合すると、伸びは控えめから中程度で、g = 0.17 から 0.56 のどこかに収まります。そしてそのほとんどは、「これを誰かに説明しなければならない」と事前に決めているかどうかに依存します。ノートを見ながら教えても、何も得られません。勉強し終えた後で教えるように言われても、何も得られません。先に約束し、それから記憶から説明する。そうすれば、単なる想起練習と大きく重なる本物の効果が得られます。

これは「人に教えると保持率90%」よりも狭い主張であり、そしてより有用です。どの部分を残すべきかを正確に教えてくれるからです。

実践版は短いものです。何かを読む前に、誰に説明するのかを決めましょう。その人のために注釈をつけるつもりでGlasp のウェブハイライターでハイライトしましょう。タブを閉じて記憶から説明しましょう。相手は勉強会でも、ブログの読者でも、コミュニティフィードでもかまいません。Glasp の AI チャットは、すでに答えを知っている生徒に教えるためではなく、いま行った説明を問い詰めるために使いましょう。YouTube Summaryは書き起こしにせず、自分自身の論へと書き直しましょう。

まず約束することです。研究が支持していることはすべて、そこから始まります。

---

参考文献

Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., and Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30, 703-725. doi:10.1007/s10648-018-9434-x

Biswas, G., Leelawong, K., Schwartz, D., Vye, N., and The Teachable Agents Group at Vanderbilt (2005). Learning by teaching: A new agent paradigm for educational software. Applied Artificial Intelligence, 19(3-4), 363-392. doi:10.1080/08839510590910200

Chang, A., Mauer, E., Wanzek, J., Kim, S., Scammacca, N., and Swanson, E. (2025). Examining the academic effects of cross-age tutoring: A meta-analysis. Educational Psychology Review, 37. doi:10.1007/s10648-025-09997-z

Chase, C. C., Chin, D. B., Oppezzo, M. A., and Schwartz, D. L. (2009). Teachable agents and the protege effect: Increasing the effort towards learning. Journal of Science Education and Technology, 18(4), 334-352. doi:10.1007/s10956-009-9180-4

Chen, A., Wei, Y., Le, H., and Zhang, Y. (2025). Learning by teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. British Journal of Educational Technology, 57(1), 163-184. doi:10.1111/bjet.70001

Cabral, D. A. R., Daou, M., Bacelar, M. F. B., Parma, J. O., and Miller, M. W. (2023). Does learning a skill with the expectation of teaching it impair the skill's execution under psychological pressure if the skill is learned with analogy instructions? Psychology of Sport and Exercise, 66, 102323. doi:10.1016/j.psychsport.2022.102323

Daou, M., Hutchison, Z. J., Bacelar, M. F. B., Rhoads, J. A., Lohse, K. R., and Miller, M. W. (2019). Learning a skill with the expectation of teaching it impairs the skill's execution under psychological pressure. Journal of Experimental Psychology: Applied, 25(2), 219-229. doi:10.1037/xap0000191

Do, H., Sonkar, S., and Sachan, M. (2026). Simulating students or sycophantic problem solving? On misconception faithfulness of LLM simulators. arXiv:2605.12748 [preprint].

Dunlosky, J., and Metcalfe, J. (2009). Metacognition. Thousand Oaks, CA: SAGE Publications.

Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., and Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266

Fiorella, L., and Mayer, R. E. (2013). The relative benefits of learning by teaching and teaching expectancy. Contemporary Educational Psychology, 38(4), 281-288. doi:10.1016/j.cedpsych.2013.06.001

Fiorella, L., and Mayer, R. E. (2014). Role of expectations and explanations in learning by teaching. Contemporary Educational Psychology, 39(2), 75-85. doi:10.1016/j.cedpsych.2014.01.001

Fiorella, L., and Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717-741. doi:10.1007/s10648-015-9348-9

Guerrero, T. A., and Wiley, J. (2021). Expecting to teach affects learning during study of expository texts. Journal of Educational Psychology. doi:10.1037/edu0000657

Jacob, L., Lachner, A., and Scheiter, K. (2021). Does increasing social presence enhance the effectiveness of writing explanations? PLOS ONE, 16(4), e0250406. doi:10.1371/journal.pone.0250406

Jin, H., Lee, S., Shin, H., and Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. Proceedings of CHI 2024. doi:10.1145/3613904.3642349

Karpicke, J. D., and Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327

Kobayashi, K. (2019). Interactivity: A potential determinant of learning by preparing to teach and teaching. Frontiers in Psychology, 9, 2755. doi:10.3389/fpsyg.2018.02755

Kobayashi, K. (2019). Learning by preparing-to-teach and teaching: A meta-analysis. Japanese Psychological Research, 61(3), 192-203. doi:10.1111/jpr.12221

Kobayashi, K. (2022). The retrieval practice hypothesis in research on learning by teaching: Current status and challenges. Frontiers in Psychology, 13, 842668. doi:10.3389/fpsyg.2022.842668

Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching: A meta-analytic approach. Educational Psychology Review, 36(1), Article 26. doi:10.1007/s10648-024-09871-4

Koh, A. W. L., Lee, S. C., and Lim, S. W. H. (2018). The learning benefits of teaching: A retrieval practice hypothesis. Applied Cognitive Psychology, 32(3), 401-410. doi:10.1002/acp.3410

Lachner, A., Hoogerheide, V., van Gog, T., and Renkl, A. (2022). Learning-by-teaching without audience presence or interaction: When and why does it work? Educational Psychology Review, 34(2), 575-607. doi:10.1007/s10648-021-09643-4

Lachner, A., Jacob, L., and Hoogerheide, V. (2021). Learning by writing explanations: Is explaining to a fictitious student more effective than self-explaining? Learning and Instruction, 74, 101438. doi:10.1016/j.learninstruc.2020.101438

Lalley, J. P., and Miller, R. H. (2007). The learning pyramid: Does it point teachers in the right direction? Education, 128(1), 64-79.

Letrud, K., and Hernes, S. (2018). Excavating the origins of the learning pyramid myths. Cogent Education, 5(1), 1518638. doi:10.1080/2331186X.2018.1518638

Nestojko, J. F., Bui, D. C., Kornell, N., and Bjork, E. L. (2014). Expecting to teach enhances learning and organization of knowledge in free recall of text passages. Memory and Cognition, 42(7), 1038-1048. doi:10.3758/s13421-014-0416-z

Renkl, A. (1995). Learning for later teaching: An exploration of mediational links between teaching expectancy and learning results. Learning and Instruction, 5(1), 21-36. doi:10.1016/0959-4752(94)00015-H

Ribosa, J., and Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475. doi:10.1016/j.edurev.2022.100475

Rogers, K., Davis, M., Maharana, M., Etheredge, P., and Chernova, S. (2025). Playing dumb to get smart: Creating and evaluating an LLM-based teachable agent within university computer science classes. Proceedings of CHI 2025. doi:10.1145/3706598.3713644

Roscoe, R. D., and Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors' explanations and questions. Review of Educational Research, 77(4), 534-574. doi:10.3102/0034654307309920

Song, J., Guo, Z., and Lin, J. (2026). Simulating novice students using machine unlearning and relearning in large language models. Proceedings of AIED 2026, Lecture Notes in Computer Science. doi:10.1007/978-3-032-29744-0_42

Wang, Y., Lin, L., and Chen, O. (2021). The benefits of teaching on comprehension, motivation, and perceived difficulty: Empirical evidence of teaching expectancy and the interactivity of teaching. British Journal of Educational Psychology, 91(4), 1275-1290. doi:10.1111/bjep.12416

Wang, C., Petrie, C., Stouras, M., Ettlin, N., George, A., Mejia-Domenzain, P., Swamy, V., Kaeser, T., and Svensson, O. (2026). Turning 500+ students into teachers: A semester-long study of an AI teachable agent in an undergraduate algorithms course. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 350-360. doi:10.1145/3774398.3811623

Xu, Z., Zhang, J., Tang, A., and Lee, Y.-C. (2026). Who you explain to matters: Learning by explaining to conversational agents with different pedagogical roles. Proceedings of CHI 2026. doi:10.1145/3772318.3790298