本文へスキップ
メモハック

分散学習が効きにくいのはどんなときか——直前期と未学習範囲での判断基準

公開: 約12分メモハック開発者

目次

分散学習は正しい。ただし、試験3日前に、前日やったばかりの範囲をわざと空けて放置し、直前の演習で点を落とした経験はないだろうか。分散の効果は無条件ではなく、テストまでの期間が短いとき、対象がまだ未学習のとき、間隔が長すぎるときには縮むか、観測されなくなる。Rawson & Kintsch (2005) は、即時テストでは集中的な再読が1回読みを上回った一方、分散した再読は1回読みを有意には上回らなかったと報告している（https://doi.org/10.1037/0022-0663.97.1.70）。この記事では、分散が効きにくい3つの条件と、集中へ切り替える判断基準を、原論文の条件つきで整理する。

分散学習が効きにくいのはどんなときか

効きにくい条件は主に3つある。テストまでの期間が短いとき、対象がまだ理解できていない未学習範囲のとき、そして間隔が長すぎて手がかりを失うときだ。いずれも分散という方法が悪いのではなく、分散が前提としている条件のほうが崩れている。順に原論文の条件つきで確認する。

次の表は、分散が効きにくくなる3条件と、それぞれで実際に観測されたことを示す。

条件観測されたこと根拠となる研究
テストまでの期間が短い即時テストでは集中的な再読のほうが1回読みを上回ったRawson & Kintsch (2005)
反復しない未学習の教材分散に集中を上回る利得が見られなかったGreving & Richter (2021)
間隔が長すぎる成績がいったん上がった後にゆるやかに下がったCepeda et al. (2008)

この3つは独立ではなく、直前期には「期間が短い」と「未学習範囲が残っている」が同時に起きやすい。だから直前期の判断がいちばん難しくなる。

直前期に分散を優先すると損をするのか

損をしうる。Rawson & Kintsch (2005) の2つの実験では、423名の大学生が文章を1回読む、集中して2回読む、または1週間空けて2回読むのいずれかを行った。即時テストでは集中再読が1回読みを上回った一方、分散再読は1回読みを有意には上回らなかった（https://doi.org/10.1037/0022-0663.97.1.70）。

重要なのは、この優劣がテスト時期で入れ替わる点だ。同じ研究の遅延テストでは、分散再読が1回読みを上回り、集中再読と1回読みの差はもはや有意ではなくなった。つまり集中の利得は即時に現れて早く消え、分散の利得は遅れて現れる。試験日が近いほど、前者の取り分が相対的に大きくなる。

一方で、期間が長ければ結果は逆になる。Rohrer & Taylor (2006) では、216名の大学生が数学の手続きを学び、1週間後または4週間後にテストを受けた。4週間後のテストでは、同じ10問を1回のセッションに集中させた場合より、2回のセッションに分散させた場合の成績が高かった（https://doi.org/10.1002/acp.1266）。残り期間が判断を分ける。

未学習の範囲にも分散は効くのか

効くとは限らない。分散学習の証拠の多くは、同じ教材を繰り返す状況で得られている。Greving & Richter (2021) が反復しない相補的なテキスト教材で検証したところ、分散学習に集中学習を上回る利得は見られなかった（https://doi.org/10.3389/fpsyg.2021.685245）。

この研究では、77名（実験1）と130名（実験2）の7年生が2つの文章を集中または分散して読んだ。両実験とも、学習直後は集中のほうが成績が高く、1週間後には集中の成績が下がった。分散ではその低下が起きず、結果として1週間後は同等になった。著者らは分散が時間経過による低下を抑える可能性に触れているが、上乗せの利得は確認していない。

実務的な含意は単純だ。まだ1回も通していない範囲に復習間隔を設定しても、間隔を空ける対象がない。未学習範囲では、初回を通し切ることが分散の前段階になる。順序の考え方は資格試験の学習順序でも扱っている。

間隔を空けすぎると何が起きるのか

成績は下がる。Cepeda et al. (2008) は1,350名以上を対象に、テスト遅延を一定にしたまま学習間ギャップを広げると、最終テストの成績がいったん上がり、その後ゆるやかに下がることを示した（https://doi.org/10.1111/j.1467-9280.2008.02209.x）。間隔は長いほど良いのではなく、山がある。

次の表は、同じ研究が報告した、テストまでの遅延と最適な学習間ギャップの関係である。

テストまでの遅延最適ギャップ（遅延に対する割合）
1週間後約20〜40%
1年後約5〜10%

よく紹介される「テストまでの期間の10〜20%」は、この幅を丸めた目安であり、原論文がそのまま報告した値ではない。最適な割合は遅延が延びるほど小さくなり、個人差・教材差もある。Cepeda et al. (2006) も、317の実験を統合した総括として、最大の保持をもたらす学習間間隔は保持期間が延びるほど長くなると述べている（https://doi.org/10.1037/0033-2909.132.3.354）。目安は出発点にすぎず、自分の教材での想起結果で調整する必要がある。詳しい間隔の決め方は復習タイミングの設計で扱っている。

集中と分散をどう切り替えるか

判断軸は2つ。試験日までの残り期間と、その範囲の初回学習が終わっているかだ。残りが短い範囲と未学習の範囲は集中寄りに、残りが長く一度通した範囲は分散寄りに置く。境目は固定値ではなく、直近で想起できたかどうかで動かす。

次の表は、残り期間と学習状態から、集中寄り・分散寄りのどちらに寄せるかの判断を示す。

状況寄せる先理由
初回学習が終わっていない集中間隔を空ける対象がまだ存在しない
試験まで1週間程度集中寄り即時テストで分散再読の優位は確認されていない
試験まで1か月以上・通し済み分散遅延テストで分散条件の成績が高かった
直近で想起に失敗した範囲間隔を詰める手がかりを失うと再学習の負担が増える

この切り替えには、範囲ごとの初回完了と直近の想起結果という記録が要る。手作業の管理は直前期にいちばん先に崩れるため、メモハック（MemoryHack AI）は教材をスキャンして問題を作り、カードごとの復習日と正誤を保持する形にしている。

今日の勉強から変える手順

まず出題範囲を「未学習」「1回通した」「反復中」の3つに仕分ける。次に試験日までの残り日数を確認し、未学習の範囲と残りが短い範囲を集中扱いにする。残りが長く反復中の範囲だけを分散に載せる。最後に、想起できなかったカードは間隔を詰め直す。仕分けは1回15分程度で終わる。

  • 範囲を3つに仕分ける（未学習／1回通した／反復中）。仕分けができない範囲は、実質的に未学習として扱う。
  • 未学習の範囲は、間隔を設定せずに通し切ることを優先する。
  • 反復中の範囲だけに間隔を割り当て、テストまでの遅延に応じて短めから始める。
  • 直前期に入ったら、新しく間隔を延ばすのをやめ、既に延びているカードを回収する。
  • 想起に失敗したカードは、次回の間隔を延ばさずに詰め直す。

直前1か月の具体的な組み方は社労士の直前期にまとめている。

よくある質問

試験1週間前でも分散学習を続けるべきですか

続けるかどうかは範囲ごとに分けて決めます。Rawson and Kintsch (2005) では、即時テストで分散した再読が1回読みを有意には上回りませんでした。試験が目前で、その知識を試験当日に使うことが目的なら、間隔を新たに延ばすのはやめ、既に延びているカードを回収する側に時間を使うほうが整合的です。ただし試験後も使う知識については、期間に余裕ができた段階で分散へ戻すことを想定しておいてください。

未学習の範囲は集中学習だけでよいのですか

初回を通し切るまでは、間隔を空ける対象がないため集中的に進めるのが自然です。Greving and Richter (2021) は反復しないテキスト教材で分散の利得を確認できませんでした。ただし1回通し終えた時点からは反復中の範囲に変わるので、そこから間隔を設定します。集中と分散はどちらかを選ぶものではなく、範囲の状態によって切り替わるものだと考えてください。

復習の間隔はどのくらいが適切ですか

Cepeda et al. (2008) は、最適な学習間ギャップが1週間後テストで遅延の約20〜40%、1年後テストで約5〜10%だったと報告しています。よく紹介される10から20パーセントという数字は、この幅を丸めた目安です。遅延が長いほど割合は小さくなり、教材や個人によっても変わります。目安から始めて、想起できたかどうかの記録で調整してください。最新の出題基準や試験日程は、必ず試験実施団体の公式発表で確認してください。

分散学習を試したのに効果を感じません。やり方が間違っていたのでしょうか

やり方の問題とは限りません。テストまでの期間が短い、対象が未学習である、間隔が長すぎるという3条件のいずれかに当たっていた可能性があります。特に間隔については、Cepeda et al. (2008) が、ギャップを広げすぎると成績が下がる方向に転じることを示しています。まず自分がどの条件に当たっていたかを確認し、条件を変えてから方法の是非を判断してください。

参考文献

あわせて読みたい