Claude 学習
カリキュラム

記憶の定着と教材構造の科学 — 自習用技術教材への実装レポート

PEDAGOGY.md の付録。リサーチエージェントによる調査（2026-07-12、WebSearch 複数回 + 一次資料の WebFetch: APA 論文 PDF 全文、FSRS 公式ベンチマーク等）。2020年代の文献（メタ分析・大規模ベンチマーク）を優先して確認。

前提とする成果物: レベル別 Markdown カリキュラム + ローカル HTML 学習サイト（JS 可・サーバ不可・localStorage のみ・クイズと進捗トラッカー内蔵）。

エビデンス強度の凡例: ★★★ = 複数のメタ分析または大規模実地研究で頑健 / ★★ = 実験的裏付けは強いが境界条件あり、または実地検証が限定的 / ★ = 有望だが証拠が混在・限定的。

総括（先に結論）

優先度 施策 根拠の強さ
最優先 クイズを想起（recall）形式にし、FSRS-6 で間隔反復スケジュール ★★★
最優先 successive relearning（正解するまで再出題 × 別日に 3 セッション）をマスター判定に ★★★
高 各章冒頭に事前テスト（prequestions） ★★
高 演習を worked example → 穴埋め（completion）→ 自力の足場外し系列に ★★★（プログラミングでは Parsons 問題が実証済）
高 コードリーディング/トレース先行（PRIMM 型）+ 実行モデル（notional machine）の明示 ★★
中 具体例は複数提示し concrete → abstract へフェード ★★
中 本文は生成・自己参照・物語構造を使い、無関係な面白話（seductive details）は削る ★★（seductive details の害は★★★寄り）
限定 ニーモニックは恣意的な対応関係（コマンド名等）のみに限定使用 ★（汎用性低の判定が確立）

1. 間隔反復スケジューリング: SM-2 系 vs Leitner vs FSRS

エビデンス強度: 間隔効果そのものは ★★★（Cepeda, Pashler, Vul, Wixted & Rohrer 2006 の定量的総説。Dunlosky et al. 2013 で「高効用」判定）。アルゴリズム間比較は大規模ログデータのベンチマークが主で、対人 RCT ではない点に注意（★★）。

主要文献:

比較の結論:

実装推奨（localStorage + 静的サイトの最小構成）

アルゴリズム: FSRS-6（ts-fsrs を UMD 単一ファイルで同梱）、パラメータ最適化なしのデフォルト値で運用。

// 最小フロー(ts-fsrs)
const f = fsrs({ request_retention: 0.9, maximum_interval: 180, enable_fuzz: true });
let card = load(id) ?? createEmptyCard();
card = f.next(card, new Date(), ok ? Rating.Good : Rating.Again).card;
save(id, card);

2. ICAP フレームワーク（Chi & Wylie 2014）

エビデンス強度: ★★（枠組みとして有用・支持研究多数だが、階層の厳密な検証には批判もある）

要点: 最大の学習ゲインは Active → Constructive の境界（選ぶ・なぞる → 自分で生成する）で生じるとされる。「初学者にいきなり構成的活動」は逆効果になりうる → 足場（§5）と組み合わせる。

実装案: 選択式で終わらせず「なぜこの出力になるか説明を書いてから答え合わせ」「自分の言葉で要約」「自分のプロジェクトならどう使うか」（Constructive）。「まず問い → 説明を書かせる → 本文解説」の順に組む。

3. Successive Relearning（Rawson & Dunlosky）

エビデンス強度: ★★★（実コースでの実験、非監督条件でも再現）

実装パラメータ:

  1. セッション内: 正解するまで再出題（初回学習は「3 回正解」基準が原研究。1 回に緩めても効果は維持されたとの記述あり）
  2. セッション間: 全項目を別日に再学習。合計 3〜4 セッションが推奨
  3. マスター判定 = 「異なる日に 3 回正解」。到達で「習得済み」バッジ。ただし復習キューからは外さない
  4. クイズは再認（選択式）より再生（記述・穴埋め）を優先（Carpenter & DeLosh 2006; Glover 1989）。「頭の中で答える→クリックで解答表示→自己採点」フローは原研究の flashcard 手続きと同型
  5. フィードバックには理由の説明を付ける（Butler, Godbole & Marsh 2013: 説明フィードバックは転移を改善）

4. 事前テスト効果（pretesting / prequestions）

エビデンス強度: ★★（頑健に再現されるが、効果はテスト済み内容に偏り、フィードバック必須）

実装案: 各章冒頭に「まだ習っていないけど予想してみよう」2〜4 問。間違えて当然と明示し、不正解ペナルティなし（進捗率に不算入）。本文学習後に必ず正解へ到達させる（章末で同一概念を再出題）。章の核心概念だけを出す。

5. Worked examples → completion problems → 自力（足場外し）

エビデンス強度: ★★★（認知負荷理論で最も再現されている効果群）

実装案: ①完全な worked example（各行に「なぜ」）→ ②completion（核心 1〜2 行を空欄化）→ ③Parsons 問題 → ④白紙から自力。空欄化するのはその章の学習目標に当たるステップ。入門レベルは①②を厚く、上級は①を折りたたみにして④中心へ。

6. 具体例の複数提示と抽象化（concreteness fading）

エビデンス強度: ★★

実装案: 新概念は「具体（実務の生例）→ 半抽象（図式・簡略コード）→ 抽象（一般形）」の 3 ステップ。表面が異なる複数例を出し共通構造を最後に抽象化して命名。クイズでは学習時と違う表面の新規例で転移を測る。

7. 記憶に残る符号化: 生成・自己参照・物語・感情

8. プログラミング/CS 教育特有の知見

8a. Parsons 問題 — ★★★

8b. コードリーディング先行 — ★★

8c. Notional machine（実行モデルの心的モデル） — ★★

統合実装ロードマップ（最小 → 充実）

フェーズ 1（コア、効果/工数比最大）

  1. 章末クイズを再生形式中心にし、FSRS-6（ts-fsrs 同梱, retention 0.9, fuzz on）+ localStorage で「今日の復習」キュー
  2. マスター判定を「別日 3 セッション正解」（successive relearning）に。JSON エクスポート
  3. 各章冒頭に prequestion 2〜4 問（ペナルティなし、章末で再出題）

フェーズ 2（演習の構造化）

  1. 演習を worked example → completion → Parsons → 自力の 4 段テンプレートに統一
  2. コード例に Predict ボタンとトレース表演習。第 0 章に notional machine

フェーズ 3（文章とビジュアルの改稿）

  1. 執筆規約: 複数の具体例 → 抽象化 / 二人称・ミニ物語で導入 / 「自分ならどう使うか」プロンプト / 無関係トリビアの削除
  2. フィードバック文には必ず「なぜ」の説明

主な出典

調査上の注記: (1) FSRS の優位性はログデータ・ベンチマーク由来で対人 RCT ではない。(2) 一部メタ分析（St. Hilaire 2023、Bertsch 2007、Sundararajan & Adesope 2020、Symons & Johnson 1997）は全体効果量の数値が未確認（結論の方向のみ確認）。

Claude 学習サイト — 完全ローカル静的サイト（build.py で生成）。進捗はこのブラウザの localStorage に保存されます。