手書きはキーボードに勝るのか——追試の10年と「再現性の危機」から読み解く

会議室でノートパソコンを開くとき、かすかな後ろめたさを感じることがある。手書きのほうが頭に入る、とどこかで聞いたことがあるからだ。相手への礼儀の話ではなく、記憶の話として。

その「どこか」には、かなりの確率で一つの出典がある。2014年、心理学の一流誌Psychological Scienceに載ったPam A. MuellerとDaniel M. Oppenheimerの論文「The pen is mightier than the keyboard（ペンはキーボードよりも強し）」である。The Washington Postは「ノートパソコンはしまって、ペンを持ちなさい。研究者いわく、そのほうがノートには良い」と書き、NPRやScientific Americanが続いた。論文は2021年初頭までに1,100回以上引用され、研究の注目度を測るAltmetricでは、追跡対象1,600万件超の上位5%に入る。大学の「講義中のノートPC禁止」を巡る議論でも、根拠として繰り返し持ち出されてきた。

この研究には後日談がある。2019年と2021年、独立した研究チームが同じ手続きで実験をやり直した。手書きの優位は、どちらでも確認できなかった。

なら話は簡単だ、俗説が一つ死んだだけ——そう整理したくなる。ところが2024年、24研究を束ねたメタ分析が、小さいながら有意な手書き優位を報告した。追試で消えたはずの効果が、集計の仕方を変えると生き返る。どういうことか。

10年分の検証を時系列で追うと、この混乱には構造があることがわかる。そしてその構造は、「手書きかキーボードか」という最初の問いより、ずっと面白い。

5本のTEDトークと65人の学生

そもそも元の実験は、何をどう測っていたのか。流通してきたのは結論の一行だが、のちの追試が向き合ったのは手続きのほうだ。

Muellerらの第1実験の参加者は、プリンストン大学の学生65人。「面白いが、よく知られてはいない」（元論文の表現）題材を扱う約15分のTEDトーク5本のうち1本を視聴し、無作為に割り当てられた道具——ノートパソコンか、ペンと紙——で普段どおりノートを取る。30分ほどの別課題を挟んだあと、予告なしのテストを受ける。設問は2種類に分かれる。「話者によれば、コルチゾール値を最も確実に上げるのはどんな種類のストレス課題か」のような事実を問う設問と、「話者が挙げる負の帰結（社会問題、平均寿命など）は、なぜ国内の経済格差とは相関するのに、国家間の比較では相関しないのか」のような概念の応用を問う設問である（この事実／概念という区分自体がどこまで妥当かは不明瞭だと、のちの追試チームは注記しているのだが、それは先の話だ）。

結果、事実問題では差がなかった。概念問題では手書き群が上回った。そしてここからが、この論文の本体である。ノートパソコン群のノートは語数が多く、講義の書き起こしと3語の連なり（トライグラム）が一致する「逐語率」も高かった——第1実験で14.6%対8.8%。そして逐語率が高い人ほど、成績が悪い傾向があった。タイピングは速すぎるがゆえに、聞こえた言葉をそのまま流し込む書き写しになりやすく、自分の言葉に変換する処理が起きない、という解釈だ。第2実験では、ノートパソコン群に「逐語で書き写さないように」とあらかじめ指示までしてみせた。それでも逐語率は下がらなかった。第3実験は1週間後にテストを行い、手書きの優位が出たのは、事前に自分のノートを復習した群だけだった。

機序の候補（逐語率）を測定し、介入（指示）まで試す。実験としてよくできた設計だと思う。ただ、数字の側には心細いところがある。概念問題の効果は、訂正後データ（2018年に元論文のデータファイルに訂正が出ている）に基づく元の手法の解析でp = .046——有意水準の5%をぎりぎり下回る値で、参加者は1条件あたり30人余り。のちに追試チームが標準化得点から計算し直した効果量はHedges's g = 0.34、95%信頼区間は−0.16から0.83まで広がり、ゼロをまたぐ。

ちなみにこのOppenheimerは、難解な語彙を使うほど書き手の知性評価がかえって下がることを実験で示した、あの処理流暢性の研究者と同一人物である。機知の効いたタイトルと、直感に反して面白い結論。研究が有名になる条件を知り尽くした書き手だったことは、この後の展開と無関係ではないと思う。

追試は二度行われた

「追試」という言葉の地味さに反して、直接追試は執念のいる作業である。同じ講義素材を取り寄せ、同じ設問を使い、採点者間の一致率を確かめ、元研究の統計手法をそのまま再実行する。それを2つのチームが独立にやった。

2019年、ケント州立大学のKayla Morehead、John Dunlosky、Katherine A. Rawsonは、同じTEDトークと設問で実験を再現し、さらに2つの条件を足した（Educational Psychology Review誌）。ひとつは電子ペーパー端末（eWriter）で手書きする群——通知もタブもない画面に手で書かせることで、「書く運動」と「デジタル機器の誘惑」を切り分けるための条件である。もうひとつは、そもそもノートを取らない群。手書き対キーボードの二択で議論している限り、「ノートを取ること自体に効果はあるのか」という一段下の問いが見えなくなるからだ。結果は、どの群間にも一貫した有意差なし。ノートを取らなかった群すら、一貫して劣りはしなかった。ノートを復習させると、群間の差はさらに縮んだ。ちなみに同時期のノートテイキング研究のレビュー（Jansen et al. 2017）は、ノートの効果が「講義の提示のされ方、ノートの取り方、認知能力の個人差」に依存すると整理している。単純な主効果を期待するほうが、そもそも分の悪い賭けだったのかもしれない。

2021年のタフツ大学の追試（Psychological Science誌）は、さらに徹底している。Heather Urryらは実験計画を2017年3月に事前登録——どう分析するかを、データを見る前に公開で宣言——したうえで、142人を対象に第1実験を再現した。この論文の著者は88人いる。学部の実験心理学の授業として実施され、データ収集を担った約80人の学部生が著者に名を連ねているからだ。追試という営みを教育に組み込む試みとしても知られる論文である。

結果は、きれいに二層に割れた。ノートの中身は、元研究の主張どおりに再現された。ノートパソコン群の語数は平均230.7語対136.2語で多く（g = −0.90）、逐語率も12.97%対8.13%で高い（g = −0.85）。再現されなかったのは成績のほうである。概念問題の差はg = −0.13と、むしろ逆方向に振れて有意でなく、等価性検定——差がないことを積極的に示すための検定——では「効果はゼロと等価」と判定された。

Urryらは仕上げに、同じ設計の類似8研究（元論文の第1・第2実験、Moreheadらの2実験、自分たちの追試、他チームの単発追試3件）を束ねるミニメタ分析まで行った。成績全体でg = 0.04、概念問題に限ってもg = 0.14で、信頼区間はゼロをまたぐ。一方、語数はg = −0.91、逐語率はg = −0.78で、どの研究でも同じ向きに出る。

道具がノートの中身を変えることは全研究で再現され、その中身の差が成績を変えるという肝心の主張だけが、再現されなかった。 Urry論文の結論の一文は明快である。「結果は、手書きのノートテイキングが情報の符号化の改善を通じて成績を高めるという考えを支持しなかった」。

もっとも、この論文を「元研究の否定」とだけ読むのは正確でない。原著者のMuellerは追試チームに元実験の課題材料を提供しているし、Urryらは、元研究と追試が食い違うときの解釈は3通りある——追試に問題がある、元研究に問題がある、現象がそもそも普遍的でない——と整理したうえで、「実のところ、3つすべてが当てはまる」と書いている。追試側の問題としては、約80人の学生が学内のさまざまな場所でデータを取ったせいでセッションの統制にむらがあったことを自ら開示している。元研究側の問題は、先に見た小さなサンプルと際どいp値。そして普遍性の問題の傍証が、参加者への聞き取りに出ている。2013年前後のプリンストンの参加者は普段のノートがキーボード派多数だったのに対し、2017年のタフツの参加者は手書き派が多数——同じ「アメリカの難関大学の学部生」でも、道具との付き合い方が数年で入れ替わっていた。かりに元の効果が実在したとしても、それが2020年代の学生や社会人にそのまま当てはまる保証は、最初からどこにもなかったことになる。対立を煽る要約からは、この階調がいちばん先に削ぎ落とされる。

消えたのはこの研究だけではない

p = .046、n = 65、信頼区間はゼロすれすれ。この数字の並びに既視感を覚えるとしたら、2010年代の心理学に何が起きたかを知っているからだと思う。

2011年は心理学の悪夢の年と呼ばれる。まずJournal of Personality and Social Psychology誌に、Daryl Bemの「Feeling the Future」が載った。9つの実験・のべ1,000人超で「人は未来の出来事をわずかに予知できる」ことを、当時の標準的な手法と統計で示した論文である。予知能力が標準的な手法で「証明」できるなら、疑うべきは予知ではなく手法のほうだ——という不安が現実になったのは翌年で、3件の追試がすべて失敗し、しかも掲載誌は当初その追試論文の受理を拒んだ（追試は結局PLOS ONE誌に載った）。同じ2011年にはオランダでDiederik Stapelの大規模なデータ捏造が発覚し、撤回論文は最終的に58本に達した。

そして同年、Joseph Simmonsらが「偽陽性心理学」と題した論文で、とどめの実演をやってみせた。ペンシルベニア大学の学生20人にビートルズの「When I'm Sixty-Four」か対照曲を聴かせ、父親の年齢を共変量に入れた共分散分析にかけると、曲を聴いた学生は実年齢が1歳半近く「若返って」いた（補正後平均20.1歳対21.5歳、p = .040）。もちろん若返るはずがない。どの共変量を使うか、データ収集をどこで打ち切るか、どの条件を報告するか——分析上の選択肢を柔軟に使えば、ありえない仮説でも5%水準の有意にできるという証明である。彼らはこの選択肢を「研究者の自由度」と呼んだ。不正のつもりなど誰にもないまま、偽陽性が量産される仕組みが、そこにあった。

Urryらの追試が採用していた事前登録は、この実演への直接の処方箋である。どのデータをどう分析するかをデータ収集前に公開文書で固定してしまえば、自由度は行使しようがない。逆に言えば、事前登録が標準でなかった時代のp = .046は、額面どおりのp = .046かどうかを外から確かめる術がない。個々の研究の誠実さの問題ではなく、装置の較正の問題である。

疑いは体系的な検証に変わった。2015年、270人以上の共同プロジェクトが心理学の有名誌から100研究を選んで追試したところ、有意な結果を再現できたのは約36%、効果量は平均でほぼ半減した（Open Science Collaboration、Science誌）。2018年にはNatureとScienceに載った社会科学実験21本が平均5倍のサンプルで追試され、再現されたのは13本・62%、効果量はやはり約半分だった。薄気味悪いのはその先で、どの研究が再現されるかを研究者たちに賭けさせる「予測市場」は、複数の検証プロジェクト104研究をプールした分析で73%の的中率を出している。サンプルが小さい、pが5%すれすれ、結論が直感に反して面白い——そういう研究が危ないことを、研究者たちはうすうす知っていたのである。

手書き研究と同じ経路——面白い一行、TEDや報道、教科書入り——で有名になった研究が、次々に検証で倒れた。意志力は使うと減るという「自我消耗」は23ラボ・2,141人の事前登録追試でd = 0.04。堂々としたポーズがホルモンを変える「パワーポーズ」は、200人の追試で主観的な感覚以外が再現されず、2016年には原論文の筆頭著者Dana Carney自身が「私はパワーポーズの効果が実在するとは考えていない」と公表した。

それでも有名さは死なない。2021年のScience Advances誌の分析（Serra-Garcia & Gneezy）によれば、追試に失敗した論文は、追試に成功した論文よりも多く引用され続けている。失敗の公表後も引用のペースは落ちず、失敗後の引用のうち追試の失敗に触れているものは12%しかない。面白い結論は流通し、検証の後日談は流通しない。手書き研究はその教科書的な例で、追試が出揃った現在も「科学が証明した手書きの力」として引用され続けている。

念のために言えば、Muellerらの研究は捏造でも不正の告発対象でもない。当時の標準的な作法で行われ、データは公開され、原著者は追試に協力した。問題は個々の研究者ではなく、n = 65でp = .046の結果が「確定した事実」として1,000回引用される流通の仕組みのほうにある。

そして、その仕組みの側は変わり始めている。奇しくも元論文が載った2014年は、Psychological Science誌がオープンデータ・オープンマテリアル・事前登録の「バッジ」制度を主要誌として最初期に導入した年でもあった。7年後、同じ誌面に載った追試論文の1ページ目には、その3種のバッジが並んでいる。同じ雑誌の同じテーマの2本の論文が、研究の作法の10年分の距離を挟んで向かい合っている格好である。

それでも「小さな優位」は消え残る

ここで話が終われば、きれいな教訓譚だった。ところがメタ分析の世界は、もう一段ねじれている。

2020年、14研究・3,075人を統合したメタ分析は、電子機器でのノートテイキングが手書きに比べて成績をわずかに下げると報告した（Allen et al.、平均r = −.142）。2024年にはFlanigan、Kiewraらが24研究・約3,000人のメタ分析を発表し、手書きでノートを取って復習した学生の成績はg = 0.248だけ高い、と結論した（Educational Psychology Review誌）。今度は有意である。著者らの換算では「手書きの学生は9.5%がA評価を取り、タイプの学生では6%」程度の差にあたる。

追試では消え、メタ分析では出る。矛盾に見えるが、集計している母集団が違う。Urryらのミニメタ分析は「同じ日にテスト・講義ビデオ・復習なし」という実験室的な直接追試8本に絞った。Flaniganらは教室での準実験や、復習を挟む研究まで広く含む。そして彼らのモデレータ分析では、ノートを復習する機会があるときに手書き優位が強まっていた。元研究の第3実験に立ち返ると、あそこでも差が出たのは復習した群だけだった。

つまりこう読める。「書く行為そのものが記憶を強くする」という符号化の機序は、追試を生き延びなかった。生き延びているとすれば、「あとで読み返す素材としてのノートの質」という別の機序である。手書きのノートは語数が少なく、要約されている。効くのは書いた瞬間ではなく、読み返すときかもしれない。

ただし、この読みにも留保がいる。教室研究は実験室研究より統制が甘く、有意な結果ほど論文になりやすい出版バイアスの影響も評価しきれていない。Urryらは自分たちのミニメタ分析も含めて「予備的な推定と見なすべきだ」と明記している。効果があるとしてもg = 0.2前後——先の予測市場が「死にやすい」と嗅ぎ分けるのと同じサイズの話を、世界はまだ決着させられていないのである。

「ノートパソコンは学習に悪い」の本当の犯人

手書き対キーボードに決着がつかない一方で、隣の問いには因果のはっきりした答えが出ている。そして皮肉なことに、そちらの犯人は筆記用具ではない。

2013年のSanaらの実験では、講義中にノートPCで別作業をした学生は理解テストの得点が11%低く、その画面が視界に入る席に座っていただけの学生は17%低かった。2017年には米陸軍士官学校で、経済学入門の教室を「PC・タブレット許可」と「禁止」に無作為に割り付ける実験が行われ、許可された教室の期末成績は0.18標準偏差低かった。こちらは相関ではなく無作為化実験である。教室でノートPCが成績を下げるとき、下げているのはタイピングという運動ではなく、通知とタブと隣人の画面——注意の奪い合いである可能性が高い。「ノートパソコンは学習に悪い」という通説は、おそらく半分正しい。ただし、理由が違う。理由が違えば処方も違う。運動としての手書きが本質なら道具を替えるしかないが、犯人が注意の奪い合いなら、通知を切る・全画面にする・そもそも記録の仕事を減らすという、別の選択肢が開ける。ついでに言えば、この種の研究から「教室のPC全面禁止」へ一足飛びするのも危うい。障害のある学生にとってPCは学習参加の前提条件であり得るし、2024年のメタ分析の著者らも、障害のある学生への影響についての証拠がそもそも存在しないことを明記している。

2024年には、この論争に脳画像が合流した。ノルウェーのチームが36人の学生に256電極の脳波計を装着し、提示された単語をデジタルペンの筆記体で書く条件とキーボードで打つ条件を比較したところ、手書き時にシータ波・アルファ波帯域の結合が広範に強かった、という研究である（van der Weel & van der Meer）。「教室への示唆」を題名に掲げたこの論文は世界中で報道された。だが翌年に公刊されたコメンタリー（Pinet & Longcamp）の指摘は率直で、この実験は学習も記憶も一切測っていない。参加者はよく知った単語を書き写しただけで、結合の強さが学習の良さを意味する保証はなく——手書きが遅いぶんワーキングメモリの負荷が高かっただけかもしれない——しかもタイプ条件は人差し指1本に制限されていた。測られてもいない「学習」が、脳の語彙を経由して見出しに再登場する。無関係な脳科学の一文が説明の納得度を底上げする現象は実験で示されているが、その現象の実演を、報道の側が引き受けた格好である。

記録を手放すことと、理解を手放すこと

ノートには2つの機能がある、と最初に整理したのは1972年のDi VestaとGrayである。書く行為そのものが学習になる「符号化」機能と、あとで読み返すために外に残す「外部記憶」機能。10年分の検証が削ったのは前者への確信であり、残したのは後者と、もう一つ——「逐語筆記は処理の身代わりにならない」という元研究の中間仮説である。逐語率の群間差は全研究で再現され、逐語率の高さと成績の悪さの相関は元研究と追試の双方で観測されている（追試では頑健とまでは言えなかったが、向きは同じだった）。

そして書き取りには、測定可能なコストがある。Piolatらのレビューによれば、講義の話し言葉は毎秒2〜3語で流れ、手書きはそれに遠く及ばない。二重課題法で測ると、ノートテイキング中の認知負荷は読書や暗記より高い。書き取っているあいだ、理解に回るはずの資源は現に削られている。メモが追いつかないという誰もが知る現象は、この速度差の必然である。

この2機能の整理は、記録をAIに任せるかどうかの判断に、そのまま流用できる。会議を録音してメモリスのようなアプリに渡すと、録音が終わったあとにAIが処理して、数分で議事録ができる。10年の検証史から引き出せる示唆は、宣伝文句より少しねじれている。第一に、逐語の記録が理解を生まないことは、人間が書き写す場合ですら確認済みである。逐語という仕事に人間の注意を張り付けておく理由は、もともと乏しい。第二に、「書く行為が記憶を作る」効果が追試で確認できない以上、記録を手放すことの損失も、通説が示唆するより小さい可能性が高い。浮いた注意をその場の処理——問い返す、要約し直す、反論を考える——に使うかどうかのほうが、道具の選択より効きそうだというのが、逐語率研究の含意だった。第三に、これが一番忘れられやすいが、外部記憶は読み返されて初めて機能する。メタ分析で手書き優位を増幅していたのは復習だった。議事録を読み返す習慣がなければ、手書きだろうがAIだろうが、外部記憶の価値はゼロに近づく。

読み返し方にも、検証に耐えた知見を流用できる。追試を行った当のDunloskyとRawsonは、2013年に学習技法10種の有効性を検証した大規模レビューの著者でもあり、そこで「有用性が高い」と評価されたのは、ハイライトでも再読でもなく、想起練習（自分でテストすること）と分散学習の2つだけだった。筆記用具の効果が10年かけて信頼区間の中に沈んでいくあいだ、思い出すという行為の効果は検証のたびに立ち続けた。議事録を開く前に、決まったこと・自分のToDo・揉めた論点を先に思い出してみる。それだけで、読み返しは受動的な再読から想起練習に変わる。

会議室でノートパソコンを開くことに、記憶の科学からの有罪判決は出ていない。出ているのは別の判決である——何で書くかの差はあっても小さく、書き写しに逃げるか処理するか、あとで読み返すかどうかで差がつく。そして白状しておくと、この記事に並べた研究のどれが10年後まで生き残っているか、確信を持って言えるものは実のところ一つもない。確かめられているのは、結論の一行だけ聞いて安心するのが一番危ない、ということくらいだ。それは、この記事の一行要約についても変わらない。

あわせて読みたい：

• 根拠がなくても「論理的」に聞こえるのはなぜか——6つの実験の中身から読み解く
• ブレインストーミングが機能しにくい科学的な理由
• 人間の認知バグはAIにも遺伝するのか——迎合・繰り返し・後付けの理屈をLLM研究で読む