知らないライブラリをAIと学んで腕を落とさない：4週間の計画

新しいライブラリや言語を学んでいる人、とくに学生や新人向けです。研究や統計の知識は不要で、専門用語には短い説明をつけています。

このテーマの根拠はまだ少なく、新しいもので、ほとんどが小規模で短期間の研究です。4週間の計画は私の提案であり、まだ誰も検証していません。自分自身で行う実験として扱ってください。

---

先にまとめ#

• AIを使うかどうかより、どう使うかが大事かもしれません。 Anthropicの小さな実験では、AIに任せきりにした班は理解が低く、質問して理解するために使った班は点数を保ちました。
• 速いことが、学びが多いことだとは限りません。 AI班が速かったのは数分だけで、その差は結論を出せるほどではありませんでした。
• 感覚は測定ではありません。 別の研究（METR）では、AIを使った人は19%長くかかったのに、速くなったと思っていました。
• 4週間の計画： AIオンの回、AIオフの回、毎週金曜の10点満点の自己テスト。
• 4つのルール： 聞く前に予想する、コードだけでなく説明も頼む、記憶から書き直す、AIオフの回を残す。
• AIに先にやらせてもよい場面もあります。 どんなときかは記事の中で示します。

---

むずかしい言葉をやさしく#

---

1. たとえ話：料理を見ることと、ナビに従うこと#

料理の学び方を2つ思い浮かべてください。1つ目は、シェフが一皿作り終えるのを横で見る方法です。食べられますが、翌日に自分で作れるとは限りません。2つ目は、自分で作り、隣にいる助手が間違いを指摘して理由を説明してくれる方法です。完成は遅くなっても、手が覚えます。

道案内も同じです。ナビに従えば早く着きますが、電源を切ると迷います。地図を覚えるのは最初は遅くても、電波がなくても自分で道を探せます。

イメージとして、AIはシェフでもありナビでもあると考えられます。代わりにやってくれることが、強みであり、リスクでもあります。この記事の問いは、いつ任せ、いつ切って自分の手に覚えさせるかです。

一般的な注意：AIの内部を完全に理解している人はおらず、AIと学ぶことの研究はまだ数年の歴史しかありません。記事内の図はイメージの助けです。

---

2. 根拠は何を示しているか#

数字はAnthropicの研究ページとarXivの論文によります。両者は丸め方が少し違うため（片方は50%と67%、もう片方は27点中4.15点の差）、「約」と書いています。AI班は数分速かったものの、要約ごとに数字が少し違い、いずれも統計的に有意ではありません。

Anthropicの実験にあった6つの使い方#

研究チームは画面録画を見直し、AIを使った人を6つの型に分けました。

前の3つは学びが少なく、後の3つは学びが保たれました。後の3つに共通するのは、自分で考え続けていることです。理解のために聞くか、エラーを自分で処理しています。ただし各グループは2〜7人で、記述的な分析なので、法則ではなく使い方のヒントとして読んでください。

「先に予想する」「記憶から書き直す」に理由がある訳#

MITのTeaching and Learning Labの指導ガイドは、情報を自分で思い出すことは、読み返すよりも長期の記憶によいと述べ、Roediger and Karpicke（2006年）を引いています。同じページは、予想が外れても説明つきの正解を見れば学びが深まるとし、その苦労を学習者に「望ましい困難」（Bjork 1994）と伝えることを勧めています。アリゾナ大学のガイドは、定義を言わせるだけの問いより、予想や比較をさせる問いのほうが役立つと付け加えています。

これは教室一般についての根拠です。AIを使ったこの計画そのものを検証した研究はありません。 ルールを設計する合理的な理由として使っていますが、計画が効くことの証明ではありません。

---

3. 例（想定）：同じ課題、2通りの学び方#

これは数字を仮に置いた例であり、実在の人物ではありません。

学習者が、新しいライブラリでデータ取得の部分を書いています。

やり方A：全部任せる

やり方B：先に予想し、そのあと理由を聞く

やり方Bは25引く10で、15分遅くなります。その代わり、11:30には自分で直せます。ここでの時刻は例のための仮の数字で、測定値ではありません。

この例を裏づけているのは例そのものではなく、第2節の根拠です。Anthropicの実験では、任せきりのグループの点数が低くなりました。

---

4. 4つのルール#

1. 聞く前に予想する。 「結果は〜になると思う」と1行書きます。そのあと実行するか聞くかして、比べます。外れても構いません。そのズレこそ、これから学ぶところです。
2. コードだけでなく説明も頼む。 なぜこう書くのか、どんなときに間違うのか、別の方法はあるかを聞きます。Anthropicの研究では、コードと説明を一緒に頼んだ班に近い使い方です。
3. 記憶から書き直す。 理解できたら、AIのタブと資料を閉じて打ち直します。詰まった所に印をつけ、開き直し、もう一度打ちます。
4. AIオフの回を残す。 毎週、公式ドキュメントとマシンのエラーメッセージだけで進める時間を作ります。手がまだ覚えているかを確かめる時間です。

補足のルールが2つあります。AIからコードを受け取ったら、他人のコードのようにレビューすること。そして、AIはとても自信のある口調で間違うことがあることを忘れないことです。

---

5. 4週間の計画#

毎週60分を4回（月曜から木曜）と、金曜に30分の自己テスト（テスト15分、見直し15分）を想定します。測れるように、ライブラリか言語を1つだけ選びます。

計算#

• 毎週4回、1回60分、4週間で、4×4×60＝960分の学習です。
• 金曜は4×30＝120分。計画全体は960＋120＝1,080分、つまり18時間です。
• AIオフの分数：第1週と第4週は各180分、第2週と第3週は各120分で、合計600分。金曜の120分（AIなし）を足すと720分。
• AIオフの割合：720÷1,080＝66.7%。AIオンは360分です。

この割合は私の選択で、正しい数字を示す研究はありません。締め切りに追われているなら、少なくとも第1週の回と金曜のテストは残してください。

---

6. 毎週金曜の自己テスト#

AIなし、資料なしで、15分、10点満点です。

そのあと資料を開いて採点し直し、間違った所をノートに書きます。間違いが、来週の宿題です。

ある学習者の仮の例： 第1週は10点中4点（40%）、第2週は5点（50%）、第3週は7点（70%）、第4週は8点（80%）。第1週から第4週で4点、つまり40パーセントポイント上がりました。数字は作り話で、自己採点には誤差があります。他の人ではなく、自分の傾向を見てください。

自分を比べる方法の1つ：毎週、AIオンで学んだ概念を2つ、AIオフで学んだ概念を2つ選び、金曜にどちらをよく覚えているかを見ます。4つでは極めて少ないので、自分を知る目安にとどめてください。

---

7. AIに先にやらせてもよい場面#

Anthropicは、以前の自社研究では、すでに習熟した作業でAIが生産性を高めたと述べており、2つの結果は矛盾しないかもしれないと注記しています。

---

8. バランスのとれた見方#

• 実験は約1時間だけでした。 数か月後に差が縮むのか、そのままなのかは分かりません。
• 少人数、1つのライブラリ、1回のテストです。 著者もこれらの限界を述べており、別の実験なら違う結果になるかもしれません。
• AI企業による実施です。 結果はAIの利用にやや不利ですが、それでも原文を読み、独立した資料と見比べてください。
• 実験で使われたのはチャットです。 プロジェクト全体を書く自動化ツールでは違うかもしれず、著者もそう述べています。
• 人から学ぶ場合との比較はありません。 AIと良い指導者のどちらがよいかは分かりません。
• PNASの数学の研究は高校生が対象です。 大人がプログラミングを学ぶ場合にそのまま当てはまるとは限りません。
• MicrosoftとCMUの調査は自己申告で、相関のみです。
• この計画は多くの人で試されていません。 遅すぎる、厳しすぎると感じたら、金曜のテストを残したまま、AIオフの割合を調整してください。

---

9. 結論#

問いは「AIで学ぶべきか」ではなく、自分の手が覚えているようにどう使うかです。今ある根拠は薄いものの、同じ方向を指しています。考え続け、理由を聞き、打ち直す人は、学びを保てます。先に予想し、説明を頼み、記憶から書き直し、AIオフの回を残し、金曜のテストで測りましょう。

今日から始めるなら、ライブラリを1つ選び、最初の予想をノートに書き、最初の金曜のテストを予定に入れてください。

基礎がまだなら、新人向け12か月の計画を見てください。面接が近いなら、2週間の計画をどうぞ。この話を2人の会話で聞きたい方は、新人と先輩の対話があります。

---

参考資料#

引用する前に原文を開いて確認してください。数字は更新されることがあります。

• Shen and Tamkin、"How AI Impacts Skill Formation"、arXiv 2601.20245（2026年1月）
• Anthropic、研究紹介ページ "How AI assistance impacts the formation of coding skills"
• Bastani and colleagues、"Generative AI without guardrails can harm learning"、PNAS 2025
• Wharton、Bastani and colleaguesの研究の要約記事
• METR、"Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity"（2025年7月）
• Lee and colleagues、"The Impact of Generative AI on Critical Thinking"、CHI 2025（著者公開のPDF）
• MIT Teaching + Learning Lab、"Help Students Retain, Organize and Integrate Knowledge"
• Roediger and Karpicke、"Test-enhanced learning"、Psychological Science（2006年）
• アリゾナ大学、"L2L Strategy: Retrieval Practice"
• このブログの関連記事：AI時代の新人：12か月計画、AI時代の面接：2週間の計画、新人と先輩の対話、AIが書いたコードのレビュー、AIを鵜呑みにしてはいけない理由