productive-failure-desirable-difficulty-designer

生産的な失敗と望ましい困難のデザイナー

このスキルでできること

授業の流れを再設計し、生産的な失敗（Kapur, 2008, 2016）と望ましい困難（Bjork, 1994; Bjork & Bjork, 2011）を取り入れます。標準的な「教えてから練習する」モデルを、より深く、長く続く学習を生み出す「まず苦労し、その後に定着させる」モデルに置き換えます。ここにある核心的な逆説は、最初に苦労して失敗する学生は、最初に明確な指導を受けてすぐに成功する学生よりも、長期的にはより多くを学ぶということです。レッスン中は、よりつらく感じられるにもかかわらずです。Kapur（2016）は、生産的な失敗が有効なのは、生成段階（学生が教わる前に問題に取り組む段階）によって、既有知識が活性化され、その知識の限界が明らかになり、その後の指導をより有意義にする「知識のギャップ」が生まれるためだと示しました。Bjork（1994）は「望ましい困難」という概念を提唱しました。これは、短期的には学習を難しくする一方で、長期的には学習をより持続させる条件です。これには、間隔を空けた学習、インターリービング、生成、検索練習が含まれます。このスキルは、AI を活用した学習環境で特に重要です。AI ツールは、課題を簡単にしたり、すぐに答えを出したりして、深い学習を促す生産的な苦労を減らし、意図せず望ましい困難を取り除いてしまうことがあるためです。出力には、生産的な失敗を取り入れた完全な学習シーケンス（生成段階＋定着段階）、課題に組み込まれた具体的な望ましい困難、生産的な失敗を破壊的な失敗にしないための安全策、そして AI による認知的な外部委託を防ぐための指針が含まれます。

エビデンスの基盤

Kapur（2008, 2016）は、数学の教室で行った一連の研究を通じて、生産的な失敗のフレームワークを発展させました。代表的なデザインでは、指導を受ける前に、複雑で初見の問題を学生に提示します。学生が解けないことを想定した問題です。学生は少人数のグループで、複数の解法を考案しますが、どれも完全には正しくありません。その後、教師が標準的な解法を教え、学生が考案した解法と明示的に比較します。Kapur（2016）は、生産的な失敗を取り入れた条件の学生は、概念的理解と転移の指標において、最初に直接指導を受けた学生を大きく上回ることを示しました。ただし、即時の手続き的なテストでは、直接指導を受けた学生の成績のほうが優れていました。重要な発見は、学習を生み出すのは失敗ではなく、生成であるということです。たとえ誤っていても、アイデアを生み出す学生は、問題空間についてより豊かな表象を形成し、その結果、その後の指導がより有意義になります。Bjork（1994）および Bjork & Bjork（2011）は、望ましい困難という、より広範な原則を明確にしました。これは、学習中の成績を低下させる一方で、長期的な保持と転移を高める条件です。彼らは、望ましい困難として次の4つを挙げました。（1）間隔を空けた学習 — 練習を一度にまとめて行わず、時間を空けて分散させること。（2）インターリービング — 問題の種類ごとにまとめて練習せず、異なる種類を混ぜて練習すること。（3）生成 — 答えを読むのではなく、自分で答えを生み出すこと。（4）検索練習 — 学び直すのではなく、自分をテストすること。この4つには共通のメカニズムがあります。学習体験をより難しく、流暢さに欠けるように感じさせ、それによって逆説的に、より強い記憶痕跡と深い理解を生み出します。Soderstrom & Bjork（2015）は、学習と成績の重要な違いを示しました。成績とは、今この瞬間にできることです。目に見え、その場で測定できます。学習とは、知識やスキルにおける長期的な変化です。レッスン中には目に見えず、後になって初めて測定できます。望ましい困難は成績を下げます（学生はレッスン中に間違えることが増えます）が、学習を高めます（数週間後には、より多くを覚え、より良く転移できます）。この違いは非常に重要です。教師も AI システムも、学習（後になっても覚えていて転移できるようにすること）ではなく、成績（学生が今すぐ成功できるようにすること）の最適化に傾きがちだからです。

入力スキーマ

教師が指定する項目：

• 目標概念： 生徒が学ぶ必要のあること。例：「標準偏差の概念。ただ計算するだけでなく、その意味と使う場面を理解すること」／「第一次世界大戦の原因。ただ列挙するだけでなく、それらがどのように作用し合って戦争を引き起こしたのかを理解すること」／「説得力のある文章を書く技法。ただ名前を挙げるだけでなく、特定の読み手や目的に合った技法を選ぶこと」
• 現在の指導方法： 現在どのように教えているか。例：「公式を教え、例題を解いてから、練習問題を出します。生徒は標準偏差を計算できますが、データについて何が分かるのかを理解していません」／「年表を示し、それぞれの原因を説明します。生徒は試験で原因を列挙できますが、それらがどのように結びついていたかを説明できません」／「技法を一つずつ例とともに教えます。生徒は技法を見分けられますが、自力で使うのに苦労します」

任意項目（利用可能な場合はコンテキストエンジンによって追加）：

• 生徒のレベル： 学年と習熟度
• 教科： カリキュラム上の教科
• 利用可能な時間： 授業に使える時間
• 前提知識： 生徒がすでに知っていること
• リスク許容度： 生徒が苦戦することに対する教師の許容度

プロンプト

You are an expert in productive failure and desirable difficulties, with deep knowledge of Kapur's (2008, 2016) productive failure framework, Bjork's (1994) desirable difficulties research, Bjork & Bjork's (2011) applied desirable difficulties, and Soderstrom & Bjork's (2015) distinction between learning and performance. You understand the core paradox: making learning HARDER (in the right way) makes it BETTER — but it feels worse for both students and teachers. You also understand the specific risk that AI tools pose to desirable difficulties: by making tasks easier and providing immediate support, AI can remove the productive struggle that drives deep learning.

CRITICAL PRINCIPLES:
- **Generation before instruction.** The productive failure sequence MUST start with students attempting the task BEFORE receiving instruction. This is non-negotiable. The generation phase activates prior knowledge, reveals gaps, and creates the conditions for meaningful consolidation. If you teach first, you lose the generative benefit.
- **Failure must be PRODUCTIVE, not UNPRODUCTIVE.** Kapur (2016) distinguishes four conditions: productive failure (struggle → learning), unproductive failure (struggle → no learning), productive success (succeed → learning), and unproductive success (succeed → no learning). Productive failure requires: (a) the task is challenging but not impossible, (b) students have enough prior knowledge to generate partial solutions, (c) the consolidation phase explicitly connects student-generated ideas to the canonical solution, and (d) the classroom culture supports struggle without shame.
- **Design the consolidation phase as carefully as the generation phase.** Many teachers try productive failure and conclude "it didn't work" because they skip or rush the consolidation. The consolidation is where learning happens: the teacher explicitly compares the students' generated approaches with the correct approach, highlights what was right, what was wrong, and WHY the canonical approach works. Without this, students just experienced confusion.
- **Desirable difficulties feel undesirable.** Students will report that they "didn't learn anything" during the generation phase. They will rate the lesson lower on satisfaction surveys. They will perform worse on immediate post-tests. This is EXPECTED. The benefits appear later — on delayed tests, transfer tasks, and conceptual understanding measures. Warn teachers about this.
- **AI-enabled cognitive offloading is the enemy of desirable difficulty.** If students can ask an AI for the answer during the generation phase, the productive failure is destroyed. The design must include explicit guidance on when and how AI tools should be restricted to preserve the learning benefit.

Your task is to redesign this teaching sequence for productive failure:

**Target concept:** {{target_concept}}
**Current approach:** {{current_approach}}

The following optional context may or may not be provided. Use whatever is available; ignore any fields marked "not provided."

**Student level:** {{student_level}} — if not provided, design for a general secondary school context.
**Subject area:** {{subject_area}} — if not provided, infer from the content.
**Time available:** {{time_available}} — if not provided, design for a double lesson (approximately 90 minutes).
**Prerequisite knowledge:** {{prerequisite_knowledge}} — if not provided, identify the likely prerequisites based on the target concept.
**Risk tolerance:** {{risk_tolerance}} — if not provided, design for a teacher who is willing to try but nervous about student frustration.

Return your output in this exact format:

## Productive Failure Sequence: [Target Concept]

**Target concept:** [What students need to learn]
**Current approach:** [How it's currently taught]
**Redesigned approach:** [One-sentence summary of the productive failure version]

### Phase 1: Generation (Productive Failure)

[The task students will attempt BEFORE instruction. Include the specific problem, the expected student responses (both correct and incorrect approaches they are likely to generate), and the teacher's role during this phase (circulating, NOT helping, noting student approaches for use in Phase 2).]

**The task:**
[Exact task students receive]

**Expected student responses:**
[What students will likely try — including the specific partial solutions and incorrect approaches]

**Teacher role during generation:**
[What the teacher does — observe, collect approaches, resist the urge to help]

### Phase 2: Consolidation

[How the teacher transitions from generation to instruction. This must explicitly connect student-generated approaches to the canonical solution. Include the specific comparisons the teacher should make and the key insights that emerge from the comparison.]

### Desirable Difficulties Embedded

[List each desirable difficulty in the sequence and explain why it enhances learning]

| Difficulty | What It Does | Why It Helps |
|---|---|---|
| [Difficulty] | [Mechanism] | [Learning benefit] |

### Failure Safeguards

[How to ensure failure is PRODUCTIVE — the conditions that must be in place and what to do if students become frustrated or disengaged]

### Cognitive Offloading Risks

[How AI tools might undermine the desirable difficulties and specific recommendations for managing this]

### Teacher Preparation Notes

[What the teacher needs to know and do before attempting this sequence — including how to manage student frustration and their own discomfort with watching students struggle]

**Self-check before returning output:** Verify that (a) generation comes before instruction, (b) the task is challenging but not impossible, (c) the consolidation explicitly connects student approaches to the canonical solution, (d) desirable difficulties are identified and justified, and (e) cognitive offloading risks are addressed.

出力例

シナリオ： 目標概念：「標準偏差の概念。ただ計算するだけでなく、その意味（データの散らばりや変動の度合いを示す尺度）と使う場面（ばらつきの比較、外れ値の特定、予測）を理解すること」／現在の指導方法：「公式を教え、板書で例題を2問解いてから、練習問題を10問出します。生徒は標準偏差を小数第2位まで計算できますが、『この標準偏差からデータについて何が分かりますか？』と尋ねると答えられません。概念ではなく、手順として捉えています」／生徒のレベル：「10年生、GCSE Higher tier、平均値と範囲には慣れている」／教科：「数学 — 統計」／利用可能な時間：「60分の授業1回」

---

生産的失敗のシーケンス：標準偏差

目標概念： 標準偏差の意味（データが平均値からどれほど散らばっているかを示す尺度）と、使う場面（数値を計算するだけでなく、ばらつきを比較する）を理解すること 現在の指導方法： 公式を教える → 例題を解く → 練習問題（概念の理解を伴わない手続き的な習熟をもたらす） 再設計した指導方法： 標準偏差の公式を教える前に、生徒がデータから「散らばり」を測る方法を考案しようと試みます。自分たちの方法を考え、比較することで、直接指導では得られない概念的理解が深まります

フェーズ 1：生成（生産的な失敗）

所要時間： 20～25 分

課題：

これを板書するか、配布資料として提示します。

フットボールマネージャーの問題

あなたは、2 人のストライカーのどちらを選ぶか決めるフットボールマネージャーです。2 人とも、直近 10 試合で 1 試合あたり平均 1.5 ゴールを記録しました。しかし、試合ごとの記録は大きく異なります。

選手 A： 2, 1, 2, 1, 2, 1, 2, 1, 2, 1 選手 B： 5, 0, 0, 4, 0, 0, 6, 0, 0, 0

2 人とも、1 試合あたりの平均得点は 1.5 ゴールです。しかし、明らかに大きく異なる選手です。

課題（ペアで取り組みます）：

1. 2 人の選手はどのように違いますか？その違いを言葉で説明してください。
2. この違いを表す数値を考案してください。得点のばらつきが大きい選手ほど大きく、より安定している選手ほど小さくなる数値にしてください。どのような数学的演算を使ってもかまいません。
3. その数値を両方の選手について計算してください。選手 B のほうが選手 A よりも「ばらつきが大きい」ことを正しく示していますか？
4. 時間があれば：この数値は、この 2 つのデータセットだけでなく、どのような 2 つのデータセットにも使えるでしょうか？

生徒から予想される回答：

生徒はいくつかの方法を考え出しますが、その多くは部分的に正しいものです。

• 範囲を使う方法（最もよく見られる）： 選手 A の範囲 = 2 - 1 = 1。選手 B の範囲 = 6 - 0 = 6。この方法は機能しますが、脆弱です。2 つのデータしか使わず、その間の値をすべて無視するからです。ペアの約 60～70％が、まずこの方法を試します。

• 「平均からの距離」を使う方法（あまり多くありませんが、有望）： 平均値（1.5）から各得点がどれくらい離れているかを計算し、その距離を組み合わせようとする生徒もいます。おそらく距離を足し合わせ、選手ごとに異なる合計値を出すでしょう。これは標準偏差の概念的な基礎に近い方法です。ペアの約 20～30％です。

• 「ゼロの数を数える」または「極端な値の数を数える」方法： 数学的ではない方法を試す生徒もいます。選手が 0 点を何回取ったか、または「大きな」得点の試合が何回あったかを数えます。この方法は直感を捉えていますが、一般化できません。約 10～20％です。

• 行き詰まる／混乱する： 言葉による説明（「選手 B のほうが安定していない」）から数値による尺度へ移るのに苦労するペアもあります。これは想定内です。教師は手助けしてはいけません。苦労することがこの活動の目的です。

生徒が考え出さないこと：

• 偏差を二乗すること（標準偏差における重要な工夫）。生徒はおそらく、平均からの偏差をそのまま足すか平均するでしょう。役立つ数値は得られますが、絶対値を取るか二乗しない限り、正の偏差と負の偏差が打ち消し合うという数学的な限界があります。

生成中の教師の役割：

• 教室を回って観察します。 教えたり、ヒントを出したり、訂正したりしてはいけません。フェーズ 2 で使うために、生徒の考えた方法を集めるのが役割です。
• 各ペアが使った方法を記録します。 まとめの活動では、対照的な方法を 3～4 種類使う必要があります。
• 10 分たっても生徒が行き詰まっている場合： 次のヒントを 1 つだけ出してもかまいません。「各得点が平均からどれくらい離れているかを調べることから始めたらどうでしょう？」答えを教えずに、考える方向を変えるヒントです。
• 生徒が不満を感じている場合： 難しいことを認めます。「これは本当に難しい問題です。数学者たちは何世紀にもわたって議論してきました。『正しい』答えを出す必要はありません。あなたたちの考え方を見たいのです。」
• 時間を守ります。 生成フェーズは 20～25 分間です。生徒がまだ終わっていなくても、時間になったら止めます。生成が未完了でも問題ありません。まとめの活動で、生徒が考え出したものを土台にします。

Phase 2: 統合

所要時間： 30～35分

Step 1: 共有して比較する（10分）。 3人の生徒のアプローチを選びます（理想的には、範囲、平均からの距離、その他1つ）。それぞれをボードに書きます。各アプローチについて、クラスに次のように問いかけます。「この数値は、Player Bのほうがばらつきが大きいことを正しく示していますか？このアプローチの長所と短所は何ですか？」次の重要な限界に目を向けるよう、議論を進めます。

• 範囲：簡単ですが、使うデータ点は2つだけです。外れ値が1つあると、結果が大きく歪みます。
• 平均からの距離の合計：よりよい方法ですが、データ点がもっと多い場合はどうでしょうか？データが多いというだけで合計が大きくなります。距離の平均を取る必要があります。
• 平均からの距離の平均：よい方法です！ただし、問題があります。距離には正のものと負のものがあり、互いに相殺されます。（実演：Player Aの場合、1.5からの偏差は+0.5、-0.5、+0.5、-0.5…となり、合計するとゼロになります。）

Step 2: 標準的な解決方法を紹介する（10分）。 「数学者は、偏差をそれぞれ二乗して（すべて正の値にして）から、その二乗値の平均を取り、最後に平方根を求めて元の単位に戻すことで、相殺の問題を解決しました。これを標準偏差といいます。」Player AとPlayer Bのデータを使って公式を順に説明し、生徒たちが考えたアプローチと各段階を明確につなげます。「この段階は、グループ2がやったこと、つまり平均からの距離を求めることと同じだとわかりますか？新しいのは、二乗する段階だけです。」

Step 3: 最初の問いに立ち返る（10分）。 両方の選手の標準偏差を計算します。Player A：SD ≈ 0.5。Player B：SD ≈ 2.3。「Player Bの標準偏差は、Player Aの約4.5倍です。これはサッカーマネージャーにとって、どういう意味がありますか？」解釈を促します。標準偏差は単なる数値ではなく、選手の予測可能性を示します。「毎週安定して得点する選手が必要なら、Player Aを選びましょう。試合を決める選手がどうしても必要で、無得点の試合があっても許容できるなら、Player Bはリスクを取る価値があるかもしれません。」

Step 4: 理解を重視した短い練習（5分）。 もう1つデータセットを提示します。生徒に、（a）標準偏差を計算し、（b）文脈に沿ってその意味を解釈するよう求めます。評価の対象は計算ではなく、解釈です。

組み込まれた望ましい困難

困難	役割	役立つ理由
生成（説明の前に取り組む）	既有知識を活用し、ばらつきを測定する問題に取り組むよう生徒に促します	「知識の空白」が生まれ、公式を導入したときにその意味が明確になります。生徒は各段階がなぜ必要なのかを理解します
生産的失敗（生徒が正解にたどり着かない）	認知的葛藤を生み、生徒は自分たちのアプローチに限界があることを認識します	解決すべき問題を実際に経験しているため、標準的な解決方法を学ぶ意欲が高まります
交互配置（1つの課題内で言語表現 → 数値 → 解釈を行う）	同じ概念の異なる表現の間を行き来する必要があります	手順を固定的に覚えるのではなく、柔軟な理解を育みます
指導の遅延（苦労した後に教え、先に教えない）	理解せずに手順だけをなぞることを防ぎます	公式は恣意的な手順ではなく、生徒が経験した問題を解決する方法として紹介されます

失敗を防ぐための対策

条件 1：課題は難しくても、不可能であってはいけません。 Football Manager の問題は、慎重に難易度が調整されています。Year 10 の生徒は平均と範囲を計算でき、データのばらつきについて言葉で説明できます。部分的な解答を導き出すのに十分な既習知識もあります。平均を計算できない生徒にとって、この課題は難しすぎます。その場合、生徒は実りのない失敗を経験することになります。

条件 2：教室の雰囲気が、試行錯誤を受け入れるものでなければなりません。 発想を生み出す段階に入る前に、次のようにはっきり伝えます。「これから、完璧に解くことを期待していない問題を出します。大切なのは、試行錯誤することです。見たいのは皆さんの考え方であって、正解ではありません。」こうすることで、失敗を当たり前のこととして捉えられるようにし、不安を和らげます。

条件 3：生徒の不満に注意を払います。 10 分後に、クラスの半数以上が行き詰まり、いら立っているように見える場合は、唯一のヒントを提示します（「各スコアが平均からどれだけ離れているかを調べるところから始めたらどうでしょう？」）。これにより、失敗が実りのないものになるのを防げます。15 分後もいら立ちが続く場合は、フェーズ 2 を早めに始めます。生徒の考え方を検討する材料は十分に集まっています。

条件 4：まとめの時間を十分に確保します。 時間が足りなくなった場合は、練習問題（ステップ 4）を削り、まとめ（ステップ 1～3）は絶対に削らないでください。まとめのない生産的な失敗の学習プロセスは、混乱を招く授業にすぎません。

認知的な外部委託のリスク

リスク 1：生徒が Google で「ばらつきの測定方法」を検索します。 生徒がインターネットにアクセスできる場合、30 秒以内に「標準偏差」を見つけ、発想を生み出す段階全体を飛ばしてしまいます。対策： この課題ではデバイスを使いません。電卓は使ってよいですが、スマートフォンやノートパソコンは使いません。理由も説明します。「皆さん自身でこれを考えてほしいのです。それが、この課題の目的です。」

リスク 2：生徒が AI チャットボットに助けを求めます。 AI ツールが使える学校では、生徒が「データのばらつきはどうやって測るの？」と入力し、標準偏差について明確な説明を得る可能性があります。対策： フェーズ 1 では AI ツールを使わないよう、明確に指示します。前向きに伝えましょう。「皆さんは、AI にできないことをしています。自分なりの数学的な方法を考え出すのです。AI はすでに公式を知っています。でも今、皆さんに公式は必要ありません。必要なのは考えることです。」

リスク 3：成績上位の生徒が試行錯誤を飛ばしてしまいます。 標準偏差をすでに知っていたり、教科書で答えを見つけたりする生徒もいるでしょう。対策： この課題で求めているのは、尺度を「見つける」ことではなく、「考案する」ことです。生徒が「これって標準偏差のことではありませんか？」と言った場合は、こう答えます。「そうかもしれません。でも、標準偏差がなぜ機能するのか説明できますか？なぜ偏差の絶対値を取るのではなく、二乗するのでしょうか？そこを考えてほしいのです。」

教師向け準備メモ

不快に感じることを想定してください。 生徒が苦戦しているのに手を差し伸べないことは、教師にとって最も難しいことの一つです。説明したり、ヒントを出したり、助けたりしたくなるでしょう。その気持ちを抑えてください。苦戦すること自体が学びの成果であり、解決すべき問題ではありません。Kapurの研究によると、生成段階で最も苦戦した生徒ほど、統合段階で多くを学ぶことがよくあります。

生徒から不満が出ることを想定してください。 生徒は「どうして公式を教えてくれなかったの？」や「分かりにくかった」と言うかもしれません。これはよくあることで、授業が失敗したという意味ではありません。SoderstromとBjork（2015）は、生徒が主観的に感じる学習の実感は、実際の学習を予測する指標としては乏しいことを示しました。生徒は明確な説明から多くを学んだと感じますが、実際には、建設的失敗からのほうが多くを記憶し、応用できます。

統合段階を事前に準備してください。 どのような生徒のアプローチを探すのか（範囲、平均値からの距離など）を把握しておきましょう。生徒のアプローチと並べて提示できるよう、標準的な標準偏差の計算方法も用意してください。統合段階は即興では進められません。綿密な計画が必要です。

代替案を用意してください。 生成段階でアプローチが一つしか出なかった場合（全員が範囲を求めるなど）は、統合の進め方を調整します。「皆さんの多くが範囲を求めようとしました。よい出発点です。別のクラスのペアが試した方法を紹介しましょう……」と述べ、自分で平均値からの距離を使うアプローチを提示してください。

---

既知の制約

1. 建設的失敗は、すべての内容に適しているわけではありません。 その効果が最も高いのは、概念的な理解、つまり単にやり方を理解するだけでなく、なぜうまくいくのかを理解することです。純粋に手続き的なスキル（筆算の割り算、方程式のバランスを取ることなど）では、直接指導の後に練習するほうが効率的なことがよくあります。現在のアプローチによって、概念的な理解を伴わない手続きの流暢さが生じている場合、建設的失敗の価値は最も高くなります。

2. 他の分野よりも、数学と科学で得られたエビデンスのほうが強固です。 Kapur（2008、2016）の研究は、主に数学の授業で実施されました。指導の前に生成を行うという原則は他の分野でも研究されていますが、建設的失敗の具体的な設計（試行 → 失敗 → 統合）については、STEM以外でのエビデンスが比較的少ないです。根底にある仕組み（生成によって学習が促進されること）は分野を問わず当てはまりますが、具体的な課題設計には調整が必要な場合があります。

3. 教師のスキルが制約要因になります。 統合段階では、生徒が生み出したアプローチを標準的な解法に即座に結び付けられる熟練した教師が必要です。これは、準備した講義を行うよりも大幅に難しいことです。建設的失敗を初めて試みる教師は、まず深く理解しているトピックから始めてください。

4. パフォーマンスと学習の区別が、評価上の問題を生みます。 建設的失敗を行った生徒は、授業直後のテストでは成績が低くなりますが、遅延テストや転移テストでは成績が高くなります（SoderstromとBjork、2015）。教師が授業直後に学習を評価すると、建設的失敗は失敗したように見えるでしょう。本当の効果が現れるのは、数日後、あるいは数週間後です。