🎓

生成AI時代のエンジニア・データサイエンティストの勉強法を考える。

に公開
勉強法
エンジニア
インプット
データサイエンティスト
生成 AI
idea

はじめに

エンジニアやデータサイエンティストにとって、日々の学習は仕事そのものと言ってもいいくらい大事なものです。
いまは生成AIのおかげで、知りたいことを聞けば数秒でそれっぽい答えが返ってきます。

一方で、「このままLLM（大規模言語モデル）に全部任せて本当に力がつくのか？」という不安もあるのではないでしょうか。

この記事では、

  • LLM vs 従来のWeb検索の学習効果を比較した論文
  • 『スタンフォード大学オンラインハイスクール教授が教える　脳が一生忘れないインプット術』

この2つをベースに、生成AI時代の「ちゃんと身につく」学習法を整理してみます。

LLMは「楽だけど浅くなる」ことが実験で示された

きっかけになったのが
「Experimental Evidence of the Effects of Large Language Models versus Web Search on Depth of Learning（大規模言語モデルとウェブ検索が学習の深さに与える影響）」
という論文です。

ざっくりいうと、こんなことを検証した大規模な実験レポート（n=10,462）です。

  • LLM（ChatGPTのようなもの）で要約をもらって学ぶ人
  • 従来どおり検索エンジン＋Webリンクを自分で読んで学ぶ人

この2つのパターンで学んだときに、知識の深さ・アウトプットの質がどう変わるかを比較しています。

結果はかなりはっきりしていて、

LLM要約から学んだ人は

  • 少ない努力でそれっぽい回答を作れるが
  • 書かれたアドバイスはシンプルすぎて独自性が低い

そのアドバイスを第三者が読むと
役に立たない・浅いと評価される
という傾向が見られたそうです。

著者たちは、

「LLMが情報を要約してくれることで、“自分の手で情報を探し・選び・統合する”能動的な学習プロセスが失われる」

と指摘しています。
つまり、LLMは「リサーチの重労働」を肩代わりしてくれるけれど、そのぶん学びが浅くなりやすいということです。

とはいえ、いまさらGoogle検索だけの世界には戻れませんよね。
だからこそ、「LLMとうまく付き合いながら、深い学びを確保する方法」を考える必要があります。

本が教えてくれる「脳が忘れないインプット」の条件

ここで、最近読んだ
『スタンフォード大学オンラインハイスクール教授が教える　脳が一生忘れないインプット術』
の内容が、LLM時代の学習スタイルにかなりフィットしていると感じました。

今回のテーマに関係するポイントをピックアップすると、ざっくり以下のような感じです。

  • 生成AIから得た知識は、脳が咀嚼する時間が短くなり、理解が定着しにくい

  • 手書きメモで

    • キーワードの定義、説明
    • 自分の考え
    • 疑問点
      を書き出すと定着しやすい

  • インプットしたら、何も見ずに内容を思い出してみることが大事

  • 動画で学ぶのは、「見る＋聞く」を同時に使えるので効果的

  • 動画を見る前に、生成AIによる要約を先に読むと理解の質が上がる

  • 後日、インプットした単語を見かけたときも

    • 何も見ずに内容を思い出す
    • 思い出せなければ当時のメモを読む
    • その後、もう一度何も見ずに思い出せたらOK

論文 × 本 から導ける「LLM時代の最適な学び方」

論文と本の内容を合わせると、LLM時代の学習で意識したいポイントはこんな感じになります。

  • 「LLMに丸投げインプット」だけだと浅くなる

  • でも、LLMを「下ごしらえ」として使うのはかなり有効

  • 本当に大事なのは

    • 自分の手で元情報（公式ドキュメント・技術書・コード）を読み
    • 手書きやコードで手を動かし
    • 後から何も見ずに思い出す

という、古典的だけど強い学びのプロセスです。

これを踏まえて、エンジニア／データサイエンティスト向けに、もう少し具体的なワークフローを3つ考えてみました。

ワークフロー①：LLM＋公式ドキュメントで「能動的インプット」にする

ただLLMの回答を読むのではなく、

LLMで全体像をつかんだあと、必ず一次情報を読む

という流れにするだけでも、学習の質はかなり変わります。

ステップ

  1. LLMに要約＋地図を作ってもらう

    • 例）

      TypeScriptの型システムについて学びたいです。
初学者が理解すべき概念を、レベル別のロードマップと一緒に整理してください。
それぞれ、「なぜ必要か」も短く書いてください。

  2. 要約で「何が重要か」をつかむ

    • ざっと眺めて、今日どこまでやるか決める
    • 「ここは公式ドキュメントでちゃんと読みたい」というポイントに印をつける

  3. 公式ドキュメント・技術書・論文で深掘りする

    • LLMの説明を信じきらず、必ず自分でも一次情報を読む
    • 分からないところだけ、ピンポイントでLLMに聞く
      →「LLMに“先生”ではなく、“家庭教師＋辞書”役をさせる」イメージです

  4. 手書きメモで自分の言葉に落とし込む

    • 用語の定義
    • 自分の理解
    • 気になった例・疑問点
      をざっと書き出します。
      ※私はiPadでGoodnoteでメモすることで、PCやスマホでも見れるようにしています。

ワークフロー②：YouTube / Udemy × 生成AI × iPad手書き

動画学習と生成AIを組み合わせると、かなり効率のよいインプットループが作れます。

ステップ

  1. 動画のスクリプト or 字幕を生成AIに投げて要約してもらう

    • Udemyならスクリプト、YouTubeなら字幕データを取得し、LLMに渡します。

    • 例）

      以下はAWSのVPC入門動画のスクリプトです。
初学者向けに、全体の構成と重要用語、ネットワーク構成の全体像が分かるように要約してください。
そのあとに、「この動画を見ながらメモするときのチェックリスト」も作ってください。

      ※YouTubeなら「YouTube Summary」というChromeの拡張機能を使うと楽です。

  2. 要約を先に読む（＝予習）

    • 何が出てくるのか事前に頭に入れておくことで、動画視聴中の理解度が上がります。

  3. iPadやノートに手書きメモを取りながら動画を見る

    • 「定義」「図」「自分のことばでの説明」「疑問」を中心に書き出す
    • ネットワーク系やアーキテクチャ系なら、図を描くのが特におすすめです

  4. 見終わったら、何も見ずに「今日学んだこと」を1ページにまとめる

    • これが「脳の咀嚼タイム」になります

NotebookLMで「動画がない情報を動画化する」

  • 公式ドキュメントや長いWebページしかない場合でも、NotebookLMのようなツールで内容を読み込ませて生成動画を生成し、それをもとにインプットする、というアプローチも使えます。

ワークフロー③：スマホだけで「能動的学習ループ」を回す

出先でPCもiPadもないときでも、スマホ＋生成AIだけで“ちゃんとした学習”は可能です。

ポイントは、

必ず「自分の解釈」を挟んでから、LLMに確認する

ことです。

スマホ学習の流れ

  1. まず生成AIに聞く

    • 例）
      「XGBoostとランダムフォレストの違いを、実務の観点から教えてください」

  2. 生成AIの内容を見ずに、自分なりの言葉で解釈する

    • スマホのメモアプリなどに、

      • 「自分が理解したXGBoost」
      • 「ランダムフォレストとの違い」
        を、自分の言葉で箇条書きします。

  3. その解釈を生成AIに投げて、間違いや抜けを指摘してもらう

    さきほど教えてもらった内容をもとに、自分なりに要点を整理しました。
以下の理解の中で、誤りや重要な抜けがあれば教えてください。
また、よりよい表現に直してもらえるとうれしいです。
（ここに自分のメモを貼る）

  4. 修正された内容を、もう一度何も見ずに説明してみる

    • 頭の中で友人に説明しているつもりで話してみる、などでもOKです。

このサイクルだと、

  • 能動的な学習（自分で考える）
  • 脳が咀嚼する時間
  • すぐにフィードバックを受け取れる効率性

が全部スマホだけで確保できます。
アプリを行ったり来たりするのが面倒なら、生成AIアプリ＋メモアプリの2つだけに絞ると続けやすいと思います。

学びを「わかる」で終わらせず、「できる」まで落とし込む

どれだけインプットを工夫しても、アウトプットしなければ知識はすぐに抜けていきます。

エンジニアやデータサイエンティストなら、アウトプットしやすい環境はすでに手元にあるはずです。

具体的なアウトプット例

  • AWSを学んだなら
    → 実際にそのサービスを立ち上げて、手を動かしてみる
  • 新しいアルゴリズムを学んだなら
    → 小さなデータセットで実装して、挙動を確かめる
  • 新しいライブラリを知ったなら
    → チュートリアルを一通り写経するだけでなく、少しだけ仕様を変えてみる 
# 例：AWS SDKの新しいクライアントを触ってみる（疑似コード）
pip install boto3

python
>>> import boto3
>>> s3 = boto3.client("s3")
>>> for bucket in s3.list_buckets()["Buckets"]:
...     print(bucket["Name"])

アウトプットしてみると、

  • 「分かったつもりだったのに、実際書けない」
  • 「このパラメータの意味、ちゃんと理解してなかった」

といった「抜け落ちていた観点」が一気に浮き彫りになります。

まさに、

「わかる」と「できる」は違う

という、よく言われれる話だけど本質的な話です。
生成AI時代でも、ここだけは変わらないではないでしょうか。

学習フローの全体像

このループを回し続けることで、

  • LLMの便利さ
  • 人間の脳が得意な「意味づけ」「試行錯誤」

の両方を活かした学習ができるようになります。

まとめ：生成AI時代の勉強法のポイント

最後に、この記事のエッセンスをもう一度まとめます。

  • LLMの要約は楽だが、そのままだと浅い理解になりがち

  • 一方で、LLMを「下ごしらえ」として使うと、学習のスタートダッシュにはとても便利

  • 深い学びのためには、

    • 自分で情報を探し・読み・統合する「能動的インプット」
    • 手書きメモやコードで「手を動かす」こと
    • 時間をおいて「何も見ずに思い出す」こと
      が重要

  • スマホだけでも、

    • 「LLMに聞く → 自分で解釈を書く → 解釈をLLMにレビューしてもらう」
      というループで、十分深い学習が可能

  • 最終的には、「わかる」から「できる」に到達するアウトプット（実装・構築）が必須

参考

  1. Experimental Evidence of the Effects of Large Language Models versus Web Search on Depth of Learning(2025)
    https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5104064
  2. スタンフォード大学オンラインハイスクール教授が教える　脳が一生忘れないインプット術
    https://amzn.to/43z8Yel

プロフィール

営業職からデータサイエンティストにキャリアチェンジ。筋トレで鍛えた継続力を、データ学習にも応用中。日々の記録と分析を通して、成果を積み上げるプロセスに魅力を感じています。
このサイトはAmazonアソシエイトプログラムに参加しています

Discussion