← AI時代における「集中」の再定義 / 参考資料

認知科学・脳科学から見たAI協働作業

AI協働作業における認知科学・脳科学的な制約と特性について調査した資料。タスクスイッチングコスト、注意の残留、フロー状態、ワーキングメモリ、意思決定疲労、デフォルトモードネットワーク（DMN）に関する研究知見をまとめている。

主要な発見

1. タスクスイッチングコスト

ミリ秒レベルのスイッチコスト

タスク切り替え1回あたりのコストは数百ミリ秒（100〜500ms程度）だが、累積すると生産時間の最大40%を失う（出典: Rubinstein, Meyer & Evans, 2001, “Executive Control of Cognitive Processes in Task Switching”, Journal of Experimental Psychology: Human Perception and Performance, 27, 763-797; https://pubmed.ncbi.nlm.nih.gov/11518143/）
Monsell (2003) のレビューによると、準備時間を与えてもスイッチコストは完全には消えず、約600msの準備後も「残留コスト」が存在する（出典: Monsell, 2003, “Task switching”, Trends in Cognitive Sciences; https://pubmed.ncbi.nlm.nih.gov/12639695/）
タスクの複雑さが増すほどスイッチコストは増大し、不慣れなタスクほどコストが大きい（出典: Rubinstein et al., 2001）

実務レベルの回復コスト

Gloria Mark（UC Irvine）の研究: 中断後、元のタスクに戻るまで平均23分15秒かかる。中断後すぐに元のタスクに戻るわけではなく、平均2.3個の別タスクを介してから戻る（出典: Mark, Gonzalez & Harris, 2005, “No Task Left Behind? Examining the Nature of Fragmented Work”, CHI 2005; https://ics.uci.edu/~gmark/CHI2005.pdf）
Mark (2008) の実験: 中断された人は中断されなかった人より速く作業を終えたが、ストレス・フラストレーション・時間圧迫感が有意に高かった（出典: Mark, Gudith & Klocke, 2008, “The Cost of Interrupted Work: More Speed and Stress”, CHI 2008; https://ics.uci.edu/~gmark/chi08-mark.pdf）
Jackson et al. (2001): メール中断後の作業再開に平均64秒、1日あたり約96回の中断で1.5時間の生産性損失（出典: https://productivityreport.org/2025/04/11/how-much-time-do-we-lose-task-switching/）
5秒間の中断でも、複雑な認知作業のエラー率が3倍になる（出典: Altmann, Trafton & Hambrick, 2014に基づく報告）

Gloria Markの最新研究（2023年書籍）

2004年時点では1つの画面への平均集中時間は2.5分だったが、現在は平均47秒、中央値40秒にまで低下（出典: Mark, G., 2023, “Attention Span: A Groundbreaking Way to Restore Balance, Happiness and Productivity”; https://gloriamark.com/attention-span/）
自己中断（自分で気を散らす）が全中断の49%を占める（出典: 同上）

AI協働への示唆

AIの作業（5〜30分）が完了するたびにレビュー・判断が必要 = 1日に何十回もの強制的なタスクスイッチが発生する
各スイッチごとに「ゴールシフティング」と「ルール活性化」の2段階の認知的再構成が必要（Rubinstein et al., 2001）
スイッチングコストはタスク間の類似度が低いほど大きい。AIの出力レビュー（受動的・評価的）と自分の創造的作業（能動的・生成的）は認知的に異質であり、高コストのスイッチとなる

2. 注意の残留（Attention Residue）

Sophie Leroyの基礎研究（2009）

「注意の残留」の定義: Task Aの作業を中断してTask Bに移っても、Task Aについての認知活動が持続する現象（出典: Leroy, S., 2009, “Why is it so hard to do my work? The challenge of attention residue when switching between work tasks”, Organizational Behavior and Human Decision Processes, 109(2), 168-181; https://www.sciencedirect.com/science/article/abs/pii/S0749597809000399）
実験デザイン: 参加者がワードパズル（Task A）に取り組み、完了/未完了の条件で履歴書レビュー（Task B）に切り替え。その間に語彙判断課題で注意の残留を測定
主要発見: Task Aが未完了のまま切り替えた場合、注意の残留が強く、Task Bのパフォーマンスが有意に低下。完了後でもTime Pressureなしで切り替えた場合は残留が発生
時間圧迫下でTask Aを完了させた場合が、最も残留が少なく、次のタスクのパフォーマンスが最高だった

Leroy & Glomb (2018) - Ready-to-Resume Plan

「再開計画」介入: 中断前に「どこまでやったか」「戻った時に何をするか」を簡潔にメモする
効果: Ready-to-Resume Planを作成した群は、作成しなかった群より79%高い確率で意思決定タスク（最適な候補者の選択）に正解した（出典: Leroy, S. & Glomb, T.M., 2018, “Tasks Interrupted: How Anticipating Time Pressure on Resumption of an Interrupted Task Causes Attention Residue and Low Performance on Interrupting Tasks and How a ‘Ready-to-Resume’ Plan Mitigates the Effects”, Organization Science, 29(3), 380-397; https://pubsonline.informs.org/doi/10.1287/orsc.2017.1184）

Altmann & Traftonのゴール活性化モデル（2002）

中断後のタスク再開には、メモリ内のゴール表現を再活性化する時間（resumption lag）が必要（出典: Altmann, E.M. & Trafton, J.G., 2002, “Memory for goals: An activation-based model”, Cognitive Science, 26, 39-83; https://onlinelibrary.wiley.com/doi/abs/10.1207/s15516709cog2601_2）
中断直前に短い準備時間（interruption lag）を設けると、中断されたゴールの記憶符号化が改善され、再開が速くなる

AI協働への示唆

AI作業中に別タスクに移ると、AI作業のコンテキスト（何を指示したか、何を期待しているか）が注意の残留として次のタスクに干渉する
AI成果物のレビュー中は、直前に自分がやっていた作業の残留が判断を鈍らせる可能性がある
Ready-to-Resume Planは、AI作業の待機時に極めて有効な対策になりうる: AIに投げる前に「戻った時に確認すべきポイント」をメモしておくことで、残留を軽減できる

3. フロー状態と中断

フロー状態の基本特性

Csikszentmihalyiのフロー理論: 明確な目標、即時フィードバック、スキルと課題の適切なバランスの3条件が揃うと没入状態に入る（出典: Csikszentmihalyi, M., 1990, “Flow: The Psychology of Optimal Experience”）
フロー状態に入るまでに15〜25分の途切れない集中が必要（出典: https://super-productivity.com/blog/flow-state-for-developers/; https://fullscale.io/blog/developer-flow-state/）
プログラマーの場合、中断後にフルコンテキストを再構築するのに30〜45分かかる（出典: 同上）

フローと生産性

McKinsey/Kotlerによる調査: フロー状態にある時の生産性は通常の500%（5倍）との報告があるが、原典のMcKinsey研究は直接確認できず、Steven Kotler（Flow Genome Project）による引用が主な流通経路。注意して扱うべきデータ（出典: Kotler, S., “The Rise of Superman”; https://www.flowresearchcollective.com/）
フロー状態の時間を20%増やすだけで、職場の生産性が2倍になるとの推計もある（出典: 同上）
日本の報告: 1日のうち15%でもフロー状態に入れば生産性が通常の2倍に上がる（出典: https://studyhacker.net/columns/seisan-flow）

フローの神経基盤

フロー中は背外側前頭前皮質（DLPFC）の活動パターンが変化し、左前頭活動の低下と前頭アルファ波の増加が見られる（出典: Weber et al., 2020, “A Review on the Role of the Neuroscience of Flow States in the Modern World”, PMC; https://pmc.ncbi.nlm.nih.gov/articles/PMC7551835/）
線条体ドーパミンの増加がフロー体験と関連（出典: 同上）
ワーキングメモリ容量は4±1アイテムに制限される（出典: 同上）

AI協働への示唆

AI協働ではフロー状態がほぼ不可能: AIの作業完了（5〜30分ごと）が不可避の中断となり、フロー状態に必要な15〜25分の連続集中が確保できない
ある日本の開発者の分析: 「AIが5分動く → 確認・指示 → AIが5分動く…の繰り返しでは疲弊する」「偶有的複雑性をAIで高速化しても、確認・判断の連打で認知負荷が増大し、『速くなったのに疲れる』という逆説が起きる」（出典: https://hirokidaichi.github.io/presentation/devsummit.html）
Amdahlの法則のアナロジー: 並列化できない部分（人間の判断・レビュー）が全体を支配する。本質的複雑性が30〜50%の場合、AIが10倍速くなっても全体は1.8〜2.7倍にしかならない（出典: 同上）
代替戦略: フロー前提の作業設計を捨て、「微小フロー」（micro-flow）や「監督型作業フロー」を設計する必要がある

4. ワーキングメモリと認知負荷

ワーキングメモリの容量限界

Miller (1956): 短期記憶の容量は「7±2チャンク」。ただしこれは修辞的な概算であり、真の容量限界ではない（出典: Miller, G.A., 1956, “The Magical Number Seven, Plus or Minus Two”, Psychological Review）
Cowan (2001): より厳密な実験条件下では、中央記憶容量は**3〜5アイテム（平均約4チャンク）**に制限される（出典: Cowan, N., 2001, “The magical number 4 in short-term memory: A reconsideration of mental storage capacity”, Behavioral and Brain Sciences, 24, 87-185; https://pubmed.ncbi.nlm.nih.gov/11515286/）
Cowan (2010): さまざまな問題解決の数理モデルでワーキングメモリ項目数を自由パラメータとすると、最適値は約4に収束する（出典: Cowan, N., 2010, “The Magical Mystery Four: How is Working Memory Capacity Limited, and Why?”, Current Directions in Psychological Science; https://pmc.ncbi.nlm.nih.gov/articles/PMC2864034/）
ワーキングメモリの保持時間は最大約20秒、同時処理は2〜4チャンクが限界（出典: Sweller, 2011）

Swellerの認知負荷理論

3種類の認知負荷（出典: Sweller, J., 2011, “Cognitive Load Theory”, in Psychology of Learning and Motivation, Vol. 55; https://www.emrahakman.com/wp-content/uploads/2024/10/Cognitive-Load-Sweller-2011.pdf）:
- 内在的負荷（Intrinsic Load）: タスク固有の難易度。要素間の相互作用が多いほど高い
- 外在的負荷（Extraneous Load）: 情報の提示方法に由来する負荷。インターフェースの設計次第で削減可能
- 関連的負荷（Germane Load）: スキーマ構築に使われる有益な負荷
3種の負荷の合計がワーキングメモリ容量を超えるとパフォーマンスが崩壊する

Wickensの多重資源理論

2つのタスクが同じ処理資源（知覚段階・感覚モダリティ・コード・視覚チャネル）を共有するほど干渉が大きい（出典: Wickens, C.D., 2002, “Multiple resources and performance prediction”, Theoretical Issues in Ergonomics Science, 3(2), 159-177; https://www.tandfonline.com/doi/abs/10.1080/14639220210123806）
異なるモダリティ（例: 視覚情報の処理 + 聴覚情報の処理）を使うデュアルタスクは、同一モダリティよりも効率的に遂行できる

複数エージェント監督の認知負荷

複数のUAV（無人航空機）を監督する研究: 4機が最適パフォーマンスを達成し、それ以上ではワークロードが過負荷に。13機で完全な過負荷（出典: Cummings & Bruni, MIT; https://dspace.mit.edu/bitstream/handle/1721.1/90285/CummingsBruni.pdf）
エージェントの行動が予測可能であるほど、タスクパフォーマンスと信頼が向上し、認知的ワークロードが低下する（出典: Frontiers in Robotics and AI, 2021; https://www.frontiersin.org/articles/10.3389/frobt.2021.642201/full）
再計画（replanning）が頻繁すぎると、ワークロードが増加しパフォーマンスが低下する（出典: 同上の関連研究）

AI協働への示唆

4チャンクの壁: 同時に監督できるAIタスクの上限は、ワーキングメモリの4±1チャンクの制約を受ける。各タスクの状態（何を指示したか、何を期待しているか、どの段階か）を保持する必要がある
UAV監督の知見から、同時並行で監督するAIエージェントは4つ程度が最適で、それ以上は状況認識の低下とワークロードの過負荷を招く
AIの出力が予測可能（テンプレート化・標準化）であるほど、監督の認知負荷が低下する
AI協働のインターフェース設計は、外在的負荷（extraneous load）の最小化が鍵。成果物の提示方法、差分表示、要約情報などが重要

5. 意思決定疲労（Decision Fatigue）

Baumeisterの自我消耗理論（元の主張）

自己制御（意思決定を含む）は有限の資源を消費し、使うと一時的に枯渇する（出典: Baumeister, R.F. et al., 1998, “Ego Depletion: Is the Active Self a Limited Resource?”, Journal of Personality and Social Psychology）
有名な実例: Danziger et al. (2011) のイスラエルの裁判官研究。仮釈放許可率はセッション開始時に約65%だが、セッション終了時にはほぼ0%に低下。食事休憩後にリセットされ約65%に回復（出典: Danziger, Levav & Avnaim-Pesso, 2011, “Extraneous factors in judicial decisions”, PNAS; 1,112件の判決、8人の裁判官、10か月間）

再現性危機と大規模追試

Carter & McCullough (2014): メタ分析で出版バイアスを補正すると、自我消耗効果は「統計的にゼロと区別できない」（出典: Carter, E.C. & McCullough, M.E., 2014, Frontiers in Psychology）
2016年 23研究室の大規模追試: 2,141名の参加者、事前登録された方法論。結果: 自我消耗効果の信頼できる証拠は見つからなかった（出典: Hagger et al., 2016, “A Multilab Preregistered Replication of the Ego-Depletion Effect”, Perspectives on Psychological Science）
36研究室の追試（Vohs主導）: 3,531名の参加者。これも自我消耗効果を確認できず（出典: https://journals.sagepub.com/doi/10.1177/18344909251386084）
ブドウ糖モデル（意志力の源はブドウ糖）: 近年の理論論文ではほぼ放棄されている（出典: https://www.sciencedirect.com/science/article/pii/S2352250X24000952）

代替モデル

Inzlicht & Schmeichel (2012) のプロセスモデル: 自我消耗は資源の枯渇ではなく、動機づけと注意の一時的なシフト。Time 1で自己制御を行うと、(a) 動機づけが「制御」から「衝動的行動」にシフトし、(b) 注意が対応して変化する（出典: Inzlicht, M. & Schmeichel, B.J., 2012, “What Is Ego Depletion?”, Perspectives on Psychological Science; https://journals.sagepub.com/doi/abs/10.1177/1745691612454134）
Carol Dweckの知見: 意志力が有限だと信じている人だけが消耗する。無限だと信じている人は消耗しない（出典: Job, Dweck & Walton, 2010）
Baumeisterの2024年の反論: 消耗は「枯渇」ではなく「温存」であり、より長時間（4〜5時間）の操作で効果が出ると主張。しかし「最も再現性の高い知見の一つ」との主張は大規模追試の結果と矛盾する（出典: Baumeister, 2024, Current Opinion in Psychology; https://www.sciencedirect.com/science/article/pii/S2352250X24000952）

意思決定疲労の実証データ（メカニズムとは別に）

医師の抗生物質処方: シフト4時間目に不必要な抗生物質を処方する確率が26%上昇（出典: gc-bs.orgの報告; https://gc-bs.org/articles/the-depleted-mind-the-science-of-decision-fatigue-and-ego-depletion/）
外科医の手術予定: 1日の遅い時間帯に診察された患者は手術予定が組まれる確率が33%低下（出典: 同上）
人間は1日に約35,000回の決断を行い、うち意識的な決断は約5%（出典: Sahakian & Labuzetta; https://studyhacker.net/decision-fatigue）
「有限資源」モデルが正しいかはまだ決着していないが、意思決定を繰り返すとパフォーマンスが低下する現象自体は広く観察されている

AI協働への示唆

AIの成果物を繰り返しレビュー・承認する作業は、典型的な意思決定の連続。メカニズムが「資源枯渇」か「動機づけシフト」かに関わらず、判断の質は時間とともに低下する可能性が高い
対策: (1) 重要な判断を1日の早い時間帯に行う、(2) 判断のバッチ処理（類似の判断をまとめて行う）、(3) 判断基準の明確化・チェックリスト化で認知負荷を軽減、(4) 適切な休憩の挿入
ひろき大一氏の指摘: AIが「How（実装）」を担うと、人間は「What/Why（設計・要件）」の判断に集中することになり、回復の余地がないまま判断密度が上がる（出典: https://hirokidaichi.github.io/presentation/devsummit.html）

6. デフォルトモードネットワーク（DMN）と待ち時間の創造的活用

DMNの基本機能

DMN: 外部タスクに集中していないときに活性化する脳ネットワーク。自己参照、将来の計画、過去の記憶の想起、社会的感情処理に関与（出典: Immordino-Yang, Christodoulou & Singh, 2012, “Rest Is Not Idleness: Implications of the Brain’s Default Mode for Human Development and Education”, Perspectives on Psychological Science, 7(4), 352-364; https://journals.sagepub.com/doi/abs/10.1177/1745691612447308）
「休息は怠惰ではない」: DMNの活動は、内的に方向付けられた重要な心理社会的処理（道徳的感情、自伝的記憶、将来のシミュレーション）を支える（出典: 同上）

DMNと創造性

高い創造性を持つ人は、左下前頭回とDMN全体の機能的結合が強い（出典: Beaty et al., 2014, “Creativity and the default network: A functional connectivity analysis of the creative brain at rest”, Neuropsychologia; https://pmc.ncbi.nlm.nih.gov/articles/PMC4410786/）
直接的な皮質刺激でDMNを妨害すると、独創的・拡散的反応が制限された（出典: University of Utah研究; https://medicine.utah.edu/neurosurgery/news/2025/01/mapping-creativity-role-of-default-mode-network）
創造性はDMN（自発的思考）とECN（実行制御ネットワーク）の間のスイッチング頻度で予測できる（出典: https://www.nature.com/articles/s42003-025-07470-9）
創造的インキュベーション（孵化）の成功は、DMNとフロントパリエタルネットワーク（FPN）の統合を伴う（出典: https://www.sciencedirect.com/science/article/pii/S1053811925000217）

インキュベーション効果のエビデンス

Sio & Ormerod (2009) のメタ分析: 117研究を統合。インキュベーション効果は全体的に正の効果（平均効果量 d = 0.29、低〜中程度）。拡散的思考課題が最も恩恵を受ける（出典: Sio, U.N. & Ormerod, T.C., 2009, “Does incubation enhance problem solving? A meta-analytic review”, Psychological Bulletin, 135, 94-120; https://pubmed.ncbi.nlm.nih.gov/19210055/）
- 重要な知見: 認知的に負荷の低い活動で孵化期間を埋めた場合が最も効果が高く、負荷の高い活動や何もしない場合より良い
- 準備期間が長いほどインキュベーション効果が大きい
Baird et al. (2012): Unusual Uses Task（UUT）で4条件を比較。認知的に負荷の低いタスク中の孵化が、負荷の高いタスク・休息・休憩なしの全てより有意に高い創造的パフォーマンスをもたらした。改善は増加したマインドワンダリングと相関したが、UUTについての意識的な思考では媒介されなかった（出典: Baird et al., 2012, “Inspired by Distraction: Mind Wandering Facilitates Creative Incubation”, Psychological Science, 23(10), 1117-1122; https://pubmed.ncbi.nlm.nih.gov/22941876/）
Dijksterhuis & Nordgren (2006) の無意識的思考理論: 複雑な意思決定では、意識的に4分間考えるより、4分間気を紛らわせた後に判断した方が良い結果を出した。ただし後続の再現研究では結果が混在（出典: Dijksterhuis, A. & Nordgren, L.F., 2006, “A Theory of Unconscious Thought”, Perspectives on Psychological Science; https://journals.sagepub.com/doi/10.1111/j.1745-6916.2006.00007.x）

マイクロブレイクの効果

22研究のメタ分析（2,335名）: マイクロブレイクは活力向上（d = 0.36）と疲労軽減（d = 0.35）に有意な効果。ただしパフォーマンス全体への効果は非有意（d = 0.16）（出典: Albulescu et al., 2022, PLOS ONE; https://pmc.ncbi.nlm.nih.gov/articles/PMC9432722/）
- タスク別: 創造的タスクには効果あり（d = 0.38）、認知的タスクには効果なし（d = -0.09）、事務的タスクには中程度の効果（d = 0.56）
- 休憩が長いほどパフォーマンスへの効果が大きい（b = .07, p = .006）
- 10分未満の休憩は活力を回復するが、認知的に要求の高いタスクに必要な資源を完全に回復するには不十分

AI協働への示唆

AIの待ち時間（5〜30分）はDMN活性化のゴールデンタイムになりうる: 低負荷の活動（散歩、ぼんやりする、窓の外を見る）で過ごすと、創造的インキュベーションが促進される
ただし、スマートフォンの操作やメール確認など認知的に負荷の高い活動で待ち時間を埋めると、インキュベーション効果が損なわれる（Sio & Ormerod, 2009）
意図的な「ぼんやり」の設計: 待ち時間を「無駄な時間」ではなく「創造的インキュベーション時間」として意図的に位置づけることが重要
AI待ち時間は、レビュー対象の問題を頭の片隅に置きながら低負荷活動をするのが最適。これはBaird et al. (2012) の知見と完全に一致する

意外な発見・注目すべき点

1. 「速くなったのに疲れる」パラドックス

ひろき大一氏のDevSummit発表は、AI協働の認知科学的問題を最も明確に言語化している。Faros AIの10,000人以上の開発者分析で、チームレベルの成果（タスク完了+21%、マージPR+98%）が組織レベルではゼロの改善にしかならなかったというデータは極めて示唆的。「空いた時間は低価値作業に吸収される」という知見は、AI協働の仕事術設計において最も重要な課題の一つ。

2. Ready-to-Resume Planの即応性

Leroy & Glomb (2018) のReady-to-Resume Planは、AI協働のための最も直接的に応用可能な認知科学的ツール。AIに指示を出す時点で「戻った時に確認すべきこと」を書き留めるだけで、注意の残留を大幅に軽減できる。79%の正答率改善は実務的に非常に大きい。

3. 自我消耗理論の劇的な転換

Baumeisterの自我消耗理論が再現性危機で大きく揺らいでいる一方、意思決定疲労の現象自体は医療現場などで頑健に観察されている。メカニズムが「資源の枯渇」ではなく「動機づけと注意のシフト」である可能性は、対策の設計に重要な含意を持つ。意志力を「回復」するのではなく、「動機づけを再調整」するアプローチが有効かもしれない。

4. 4チャンクの壁とUAV研究の直接的類推

UAV監督研究で「4機が最適」という知見は、Cowanの「4±1チャンク」と驚くほど一致する。AI協働で同時に走らせるタスク数の上限を設定する際の、科学的根拠となりうる。

5. マイクロブレイクの意外な限界

マイクロブレイクは創造的タスクには効果があるが、認知的に要求の高いタスクには効果がないという発見は重要。AI成果物のレビュー（認知的に要求が高い）の合間のマイクロブレイクは、活力回復には役立つが、認知的パフォーマンスの回復には10分以上の休憩が必要かもしれない。

情報の信頼性に関する注記

McKinseyのフロー生産性500%: 原典の研究にアクセスできず、Steven Kotlerによる二次引用のみ。数値の信頼性は低い。「フローが生産性を大きく向上させる」という定性的知見は妥当だが、5倍という具体的数値は慎重に扱うべき。
自我消耗（Ego Depletion）理論: 現在、心理学で最も論争的なテーマの一つ。大規模追試で効果が確認されていないが、Baumeisterは2024年にも擁護論文を発表しており、科学的決着はついていない。意思決定疲労の現象自体は観察されるが、そのメカニズム（資源枯渇 vs 動機づけシフト）は未解明。
Dijksterhuis & Nordgren (2006) の無意識的思考理論: 後続の再現研究で480名の参加者を用いたテストが理論の予測を支持しなかった。「無意識的思考が常に優れている」という強い主張は支持されないが、インキュベーション効果自体はSio & Ormerod (2009) のメタ分析で確認されている。
Ophir, Nass & Wagner (2009) のメディアマルチタスカー研究: 後続の追試で結果が一貫しておらず、メディアマルチタスキングと注意制御の関係は初期の報告ほど明確ではない可能性がある。
Danziger et al. (2011) の裁判官研究: 自我消耗の解釈に対して、「現状維持バイアス」や「事件の順序効果」など代替説明が提起されている。

未解明・追加調査候補

AI協働特有のタスクスイッチングの実証研究: 「AIの出力レビュー → 自分の作業 → AIの出力レビュー」というサイクル特有の認知コストを直接測定した研究は見つからなかった。今後のHCI研究で重要なテーマになる。
最適なAI待ち時間の長さ: 待ち時間が短すぎれば何もできず、長すぎれば別タスクに没入して注意の残留が発生する。「インキュベーションに最適な待ち時間の長さ」の実証データが欲しい。
認知負荷理論のAI協働への正式な拡張: Springerの研究提案（Generative AI-Assistance Impacts Cognitive Load During Knowledge Work）が見つかったが、詳細にアクセスできなかった。この領域は急速に発展中。
「コンテキストエンジニアリング」の認知科学的基盤: AIに十分なコンテキストを与えて1〜2時間自律実行させる（人間の介入頻度を下げる）アプローチの認知科学的な効果の実証。
チーム内でのAI監督分担: 1人が複数AIを監督するのではなく、チーム内でAI監督を分担する場合の認知負荷の分散効果。Swellerの「協調的認知負荷理論（Collaborative Cognitive Load Theory）」との接点。
Yerkes-Dodsonの法則とAI協働の覚醒レベル: AI待ち時間中の覚醒レベル低下と、レビュー時の覚醒レベル上昇のサイクルが、Yerkes-Dodsonの法則でどう位置づけられるか。複雑なタスクには低〜中程度の覚醒が最適だが、AI協働の断続的な作業パターンは覚醒レベルを不安定にする可能性がある。