← AI時代における「集中」の再定義  / 参考資料

待ち時間の認知心理学とマイクロブレイク

AI待機時間（数分から30分程度）が人間の認知・感情に与える影響について調査した資料。待ち時間の心理学、マイクロブレイクの科学的効果、タスクスイッチのコストとAI待機時間の特殊性に関する研究知見をまとめている。

主要な発見

1. 待ち時間の認知心理学

1-1. David Maisterの待ち行列心理学 8原則

David Maister（ハーバード・ビジネススクール）が1985年に提唱した「The Psychology of Waiting Lines」は、待ち時間の主観的体験を支配する8つの命題を示した。（出典: Maister, D.H. (1985). “The Psychology of Waiting Lines.” Harvard Business School. http://www.columbia.edu/~ww2040/4615S13/Psychology_of_Waiting_Lines.pdf）

  1. 何もしていない時間は、何かしている時間より長く感じる（Unoccupied time feels longer than occupied time）
  2. プロセス開始前の待ちは、開始後の待ちより長く感じる（Pre-process waits feel longer than in-process waits）
  3. 不安は待ちを長く感じさせる（Anxiety makes waits feel longer）
  4. 不確実な待ちは、確実な待ちより長く感じる（Uncertain waits seem longer than certain waits）
  5. 理由が説明されない待ちは長く感じる（Unexplained waits seem longer than explained waits）
  6. 不公平な待ちは長く感じる（Unfair waits seem longer than equitable waits）
  7. サービスの価値が高いほど長く待てる（More valuable the service, the longer people will wait）
  8. 一人で待つ時間は、集団で待つより長く感じる（Solo waiting feels longer than group waiting）

根底にある公式は 「満足度 = 知覚された品質 - 事前の期待」 であり、実際の待ち時間よりも知覚された待ち時間が満足度を決定する。（出典: https://scanqueue.com/blog/customer-queue-psychology ）

AI待機時間への適用: AI処理中にプログレスバーや処理状況を表示すること（原則4, 5の適用）、処理開始直後に中間成果を見せること（原則2の適用）、AIの成果物の価値を高めること（原則7の適用）が、待ち時間の主観的短縮に効果的である。

1-2. 期待不一致モデル（Expectation Disconfirmation Theory）

Oliver (1980) が体系化した期待不一致理論によれば、満足度は「期待」と「知覚されたパフォーマンス」の差分で決まる。AIの処理時間が予想より短ければ正の不一致（satisfaction）、予想より長ければ負の不一致（dissatisfaction）が生じる。40年以上にわたり消費者満足研究の支配的パラダイムとなっている。（出典: https://en.wikipedia.org/wiki/Expectation_confirmation_theory）

AI待機時間への適用: AIの処理時間を正確に（またはやや長めに）予告し、実際の完了が予告より早くなるように設計すれば、正の不一致による満足感が生まれる。Google研究（Jaspan & Green）でも「ビルド時間が予測可能であること」が開発者の行動改善に最も重要と結論している。（出典: https://newsletter.getdx.com/p/build-times-and-developer-productivity）

1-3. 内部時計モデル（Scalar Expectancy Theory）

Gibbon (1977), Treisman (1963) らによるペースメーカー・アキュムレータモデルでは、脳内の「ペースメーカー」がパルスを発し、「アキュムレータ」がパルスを蓄積することで時間を測る。注意が時間経過に向けられるほどパルスの蓄積が増え、時間が長く感じられる。覚醒度が高いとペースメーカーの速度が上がる。（出典: https://en.wikipedia.org/wiki/Scalar_expectancy）

重要な含意: 待っている人の注意を時間経過「以外」のことに向けさせれば、パルス蓄積が減り、主観的時間が短縮される。

1-4. 感情と時間知覚の関係

Frontiers in Psychology のレビュー（2022）によれば、感情の覚醒度（arousal）と感情価（valence）の相互作用が時間知覚に影響する。（出典: https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2022.848154/full）

  • 退屈: 注意資源が時間監視に向かい、時間が長く感じられる
  • 不安: 注意が分散し、現在の瞬間への注意が減少、時間を過小評価する傾向
  • 恐怖: 刺激持続時間を過大評価する（危機対応の適応的反応）
  • 楽しい活動: 時間が早く過ぎる知覚（覚醒度が高く正の感情価）
  • 高覚醒×負の感情価: 時間の過大評価が最も顕著

1-5. UIにおける待ち時間のしきい値

Jakob Nielsen（1993）が確立し広く引用される3つのしきい値。（出典: https://www.nngroup.com/articles/response-times-3-important-limits/）

しきい値意味
0.1秒システムが即座に反応したと感じる限界
1秒ユーザーの思考の流れが中断されない限界
10秒ユーザーの注意をタスクに留めておける限界。これ以上は進捗インジケータが必要

10秒を超えると、ユーザーは他のタスクを行いたくなる。AI処理の数分〜30分は、このしきい値をはるかに超えており、人間は必然的にタスクスイッチを行う（または行うべき）状況に置かれる。

1-6. プログレスバーの心理効果

Harrison & Yeo (CHI 2010) の研究では、プログレスバーのデザインが知覚される処理時間を最大11%短縮できることを示した。減速する逆方向リブアニメーションが最も効果的だった。（出典: https://www.chrisharrison.net/projects/progressbars2/ProgressBarsHarrison.pdf）

Scientific Reports (2022) の研究では、動的アニメーションは注意を時間経過から逸らし知覚時間を短縮するが、静的表示は逆に時間への注意を高めてしまうことを確認。（出典: https://www.nature.com/articles/s41598-022-14649-1）

1-7. シチズン時計「待ち時間」意識調査（2023年）

日本のビジネスパーソン（2023年4月調査）の待ち時間許容度。2018年比で全般的に「気長傾向」が見られた。（出典: https://www.citizen.co.jp/research/20230531/index.html）

シーンイライラし始める時間備考
病院45分まで（60.4%）2018年とほぼ同等
ATM5分まで（56.3%）2018年比で気長に
電車遅延10分まで（62.6%）2018年比ほぼ同等
役所15分が最多（28.0%）30分以上の許容が増加

気長傾向の3要因: (1) コロナ禍での時間意識の変化、(2) DXによる予約・モバイルオーダーの普及で見通しが立つように、(3) スマートフォンでの動画・ゲーム等コンテンツの充実で待ち時間を有効活用。

1-8. ツァイガルニク効果とAI待機時間

Bluma Zeigarnik (1927) の発見: 未完了タスクは完了タスクより記憶に残りやすい。未完了タスクは認知的緊張（task-specific tension）を生み、ワーキングメモリに保持され続ける。（出典: https://en.wikipedia.org/wiki/Zeigarnik_effect）

ただし2025年のメタ分析では記憶面の効果は普遍的ではないとの結論も出ている。一方、「タスク再開傾向」（Ovsiankina効果）は確認されている。（出典: https://www.nature.com/articles/s41599-025-05000-w）

AI待機への含意: AIに投げたタスクは「未完了」状態であり、人間の脳はその結果を気にし続ける可能性がある。ただし、Masicampo & Baumeister (2011) の研究では、具体的な完了計画を立てるだけで未完了タスクの認知的干渉が消失することが示されている。つまり「AIが完了したら通知で確認し、レビューする」という計画を明確にしておけば、待ち時間中に別タスクに集中できる。（出典: https://hbr.org/2020/10/why-your-brain-dwells-on-unfinished-tasks）

1-9. コンパイル待ちと開発者行動（AI待機の先行事例）

Google研究者 Jaspan & Green の研究は、ビルド待ち時間における開発者の行動を調査した。（出典: https://newsletter.getdx.com/p/build-times-and-developer-productivity）

主要な発見:

  • 「魔法のしきい値」は存在しない: ビルド速度のあらゆる改善が、開発者のタスク継続に貢献する
  • 開発者は実際のビルド時間ではなく「予想される時間」に基づいてタスクスイッチを判断する: 60分かかると思えば昼食に行き、数分と思えばコードレビューをする
  • 予測の不正確さが最大の問題: ビルド時間そのものよりも、予測と現実のズレがワークフローを乱す
  • 3ヶ月の盲検実験: マシン改善により数秒の高速化 → 3ヶ月目以降に週1回の追加ビルドと週24行の追加コード提出、小〜中規模変更が実時間で14%、作業時間で11%高速化
  • 結論: 「速くできないなら、せめて予測可能にせよ」

2. マイクロブレイクの科学

2-1. マイクロブレイクのメタ分析（Albulescu et al., 2022）

PLOS ONE に掲載された22独立サンプル（19論文、計2,335名）のシステマティックレビュー・メタ分析。マイクロブレイクは10分以下の休憩と定義。（出典: https://pmc.ncbi.nlm.nih.gov/articles/PMC9432722/）

効果量（Cohen’s d）:

指標効果量 d有意性サンプル
活力の向上d = 0.36p < .0019研究, n=913
疲労の軽減d = 0.35p < .0019研究, n=803
パフォーマンス全体d = 0.16p = .116（非有意）15研究, n=1,132

タスクタイプによるパフォーマンス効果の違い:

タスクタイプ効果量 d備考
認知タスクd = -0.09非有意、異質性あり
創造的タスクd = 0.38有意
事務的タスクd = 0.56有意（ただしデータ限定的）

休憩時間の長さとパフォーマンス: メタ回帰分析で b = .07, p = .006, R^2 = .34。休憩が長いほどパフォーマンスへの効果が大きい。ただし「高度に消耗する認知タスクからの回復には10分以上の休憩が必要」と結論。

AI待機への含意: AI処理の5〜30分の待ち時間は、メタ分析で示された「10分以下の休憩では認知タスクのパフォーマンス回復に不十分」という知見と照合すると、むしろ十分な回復時間を提供する可能性がある。特に創造的タスクには効果的。

2-2. 40秒のグリーンビュー実験（Lee et al., 2015）

メルボルン大学 Kate Lee らの研究。150名の大学生を対象に、40秒間の屋上緑地ビュー vs コンクリート屋上ビューが持続的注意に与える影響を比較。（出典: Lee, K.E. et al. (2015). “40-second green roof views sustain attention.” Journal of Environmental Psychology, 42, 182-189. https://www.sciencedirect.com/science/article/abs/pii/S0272494415000328）

  • コンクリートビュー群: 集中力が8%低下、パフォーマンスの一貫性も低下
  • グリーンビュー群: 集中力が6%上昇、パフォーマンスの一貫性を維持
  • わずか40秒の自然ビューで、省略エラー（omission error）が有意に減少

AI待機への含意: AI処理を待つ40秒〜数分の間に窓の外の緑を見るだけで、注意回復効果が得られる。

2-3. 注意回復理論（Attention Restoration Theory, Kaplan 1989, 1995）

Rachel & Stephen Kaplan が提唱。能動的注意（directed attention）は有限のリソースであり、使い続けると「directed attention fatigue」が生じる。自然環境は以下の4特性により注意を回復させる。（出典: https://en.wikipedia.org/wiki/Attention_restoration_theory）

  1. Being Away（離れること）: 日常的要求からの心理的・物理的距離
  2. Extent（広がり）: 探索を誘う十分な範囲と一貫性
  3. Compatibility（適合性）: 環境が提供するものと個人の目的の適合
  4. Fascination（魅了）: 努力なしの興味（soft fascination）

回復に必要な時間: 30分以上の自然への曝露で最も一貫した効果。週200〜300分で効果が頭打ち。

主に回復する認知機能: 実行的注意とワーキングメモリに最も大きく一貫した効果。単純な覚醒やアラートネスへの効果は限定的。

批判点: 「自然」の定義の不一致、運動や社会的交流との交絡、出版バイアスなど方法論的課題がある。

2-4. 注意力低下のタイミング（Vigilance Decrement）

Mackworth (1948) の古典的研究: 持続的注意は30分後に信号検出精度が10〜15%低下。しかし近年の研究では高負荷タスクでは5分以内に測定可能な低下が起きること、10分で持続的注意が低下し始め、マインドワンダリングが増加することが示されている。（出典: https://pmc.ncbi.nlm.nih.gov/articles/PMC3627747/, https://pmc.ncbi.nlm.nih.gov/articles/PMC6721323/）

2-5. Ariga & Lleras (2011) の「短い逸脱」実験

Cognition 誌掲載。84名の被験者が50分間の反復課題を行う実験。（出典: Ariga, A. & Lleras, A. (2011). “Brief and rare mental ‘breaks’ keep you focused.” Cognition, 118(3), 439-443. https://pubmed.ncbi.nlm.nih.gov/21211793/）

  • 対照群: 50分間の連続作業 → 時間とともに成績が急落（vigilance decrement）
  • スイッチ群: 散発的に短い別タスク（数字の確認）を挟む → 注意力低下が完全に防止された

理論的説明: 注意力低下は「資源の枯渇」ではなく「目標の馴化（goal habituation）」が原因。短いタスク切替で目標を一時的に非活性化→再活性化すれば、馴化が防止される。

AI待機への含意: AIタスクの投入→結果確認のサイクルは、まさにこの「短い目標の非活性化→再活性化」パターンに合致する。AIに指示を出す（目標A非活性化）→別の作業をする→AI結果を確認する（目標A再活性化）は、注意力低下を防ぐ理想的なリズムになりうる。

2-6. 覚醒時安静による記憶固定（Wakeful Rest Consolidation）

複数の研究が、学習後の短い安静（目を閉じて静かにしている）が記憶固定を促進することを示している。（出典: https://pmc.ncbi.nlm.nih.gov/articles/PMC7024394/, https://pmc.ncbi.nlm.nih.gov/articles/PMC4198139/）

  • 10〜60分の覚醒時安静の後、感覚刺激を受けた場合と比較して、新しく学んだ言語材料の想起が有意に向上
  • この効果は7日間持続
  • 意図的なリハーサル（復習）は不要。固定（consolidation）自体が十分
  • 高齢者のほうが若年者より大きな恩恵を受ける

2-7. 10秒のマイクロオフラインゲイン（Bönstrup et al., 2019）

Current Biology 掲載のNIH研究。運動技能学習において、10秒間の練習と10秒間の休憩を交互に繰り返す実験。（出典: https://pmc.ncbi.nlm.nih.gov/articles/PMC6482074/）

  • 休憩中の学習ゲイン: 平均 2.69 ± 0.63 キープレス/秒（有意）
  • 練習中の学習ゲイン: 平均 -0.32 ± 0.75 キープレス/秒（ほぼゼロ）
  • つまり、初期学習のほぼ全てが練習中ではなく休憩中に起きていた
  • 休憩中のゲインは一晩の睡眠による改善の4倍
  • 神経メカニズム: 休憩中のベータ帯域（16-22Hz）活動が低いほど学習ゲインが大きい

AI待機への含意: 短い休憩中にも脳は能動的に情報を処理・固定している。AIの処理待ちの間、直前に学んだ知識やレビューした内容の記憶固定が進行している可能性がある。

2-8. インキュベーション効果（潜伏効果）と創造性

Sio & Ormerod のメタ分析（117研究のレビュー）で「正のインキュベーション効果」が確認されている。（出典: https://pmc.ncbi.nlm.nih.gov/articles/PMC3990058/）

  • 最も効果的な中断タスク: 認知負荷の低い（undemanding）タスク
  • タスクの異質性が重要: 空間的なメインタスクの休憩には言語的活動、その逆も効果的
  • 最適なインキュベーション時間は約3分（短すぎても長すぎてもダメな場合も）
  • 理論: 単に意識的思考がない状態ではなく、無意識的処理が能動的に創造的思考に貢献している
  • Baird et al. (2012) の研究: マインドワンダリング状態に入った被験者は、創造性テストで41%の改善を示した

AI待機への含意: AIに複雑な問題を投げ、結果を待つ間に認知負荷の低い別活動をすれば、元の問題に対する無意識的処理（インキュベーション）が進む可能性がある。

2-9. デフォルトモードネットワーク（DMN）と建設的マインドワンダリング

DMNは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。人は覚醒時間の**30〜50%**をマインドワンダリングに費やしている。（出典: https://www.psychologytoday.com/us/basics/default-mode-network）

  • DMN活性化中、海馬が異なる記憶の断片を引き出し、角回が新しい形で結合する（連合的再結合: associative recombination）
  • 建設的マインドワンダリング（未来志向、ゆるい構造、比較的ポジティブな感情トーン）は創造性と心理的ウェルビーイングに関連
  • 注意: DMNの過活性化は反すう思考（rumination）にも関連するため、マインドワンダリングの「質」が重要

2-10. スマートフォン休憩は逆効果

Ward et al. (2017) の「Brain Drain」研究: スマートフォンが存在するだけで、たとえ電源オフ・裏返しでも、利用可能な認知容量が低下する。（出典: https://www.journals.uchicago.edu/doi/full/10.1086/691462）

PNAS Nexus (2025) のRCT: モバイルインターネットのブロックにより、持続的注意、メンタルヘルス、主観的ウェルビーイングが改善。その改善は対面での社交、運動、自然との接触の増加によって部分的に説明される。（出典: https://academic.oup.com/pnasnexus/article/4/2/pgaf017/8016017）

AI待機への含意: AI処理を待つ間にスマートフォンでSNSを見ることは、休憩として逆効果である可能性が高い。より回復効果の高い活動（自然ビュー、ストレッチ、閉眼安静）を選ぶべき。

2-11. 効果的なマイクロブレイク活動の優先順位

各種研究の統合から、AI待機時間中の活動を効果の高い順に整理する:

順位活動根拠推奨時間
1閉眼安静・NSDR覚醒時安静による記憶固定、前頭前野の脳血流上昇1〜10分
2窓の外の緑を見る40秒で6%の集中力向上（Lee et al., 2015）40秒〜5分
3ストレッチ・軽い運動ポジティブ感情の促進、疲労の軽減1〜5分
4認知負荷の低い別タスクインキュベーション効果を促進3〜10分
5深呼吸自律神経の調整、覚醒度の適正化1〜3分
6SNS・スマートフォン閲覧非推奨: Brain Drain効果、認知疲労の悪化-

2-12. DeskTimeの52/17研究と最新75/33データ

DeskTime社が生産性追跡ソフトのデータ分析で発見。（出典: https://desktime.com/blog/52-17-updated, https://desktime.com/blog/post-pandemic-productivity）

  • 最初の発見（2014年頃）: 最も生産性の高い上位10%のユーザーは52分作業・17分休憩のパターン
  • パンデミック後の更新データ: 最適パターンが75分作業・33分休憩に変化
  • 共通する特徴: 作業時間を「スプリント」として集中し、休憩を質の高いものにする
  • 8時間フル稼働ではなく、集中と休憩のリズムが重要

2-13. 閉眼安静の脳血流研究（日本）

国際医療福祉大学の今泉敦美氏らの研究。22歳前後の健康な成人9名を対象に、光トポグラフィETG4000で脳活性化状態を計測。（出典: https://studyhacker.net/columns/koukateki-nouhiroutoru）

  • 各種リラクゼーション活動の中で、前頭前野の脳血流を最も上昇させたのが「閉眼安静」（目を閉じて静かにしているだけ）
  • たった1分でも大脳皮質を休ませられる
  • 目を閉じると自然に呼吸が深くなり、酸素供給も改善

3. タスクスイッチのコストとAI待機時間の特殊性

3-1. コンテキストスイッチのコスト

Mark et al. (2008, UC Irvine): 中断後に元のタスクに完全に再集中するまで平均23分15秒。（出典: https://www.apa.org/topics/research/multitasking）

フロー状態への再突入にはさらに15〜25分が必要。（出典: https://stackoverflow.blog/2018/09/10/developer-flow-state-and-its-impact-on-productivity/）

3-2. 計画された中断 vs 予期しない中断

Hodgetts & Jones (2006): 事前にコンテキスト手がかりと準備の機会がある中断は、タスク再開が容易で認知負荷が少ない。Feldman & Greenway (2020): 適切なタイミングの計画された中断は、ポジティブな感情価を高め、タスク再開を支援する。（出典: https://www.tandfonline.com/doi/full/10.1080/20445911.2024.2381611）

一方で、自己開始型の中断（self-interruption）は外部中断よりも破壊的という逆説的な知見もある。（出典: https://www.sciencedirect.com/science/article/abs/pii/S0747563216304654）

AI待機への含意: AI処理の待ち時間は**「予測可能で計画された中断」**に分類できる。人間が自ら「AIに投げる」という意思決定をしたタイミングで中断が起きるため、事前準備（次に何をするかの計画）が可能。これは「予期しない電話」「同僚の割り込み」とは質的に異なり、認知コストが低い。

3-3. ウルトラディアンリズム（90分周期）

Kleitman が提唱したBRAC（Basic Rest-Activity Cycle）: 約90分（80〜120分）の覚醒度の変動周期。（出典: https://en.wikipedia.org/wiki/Basic_rest%E2%80%93activity_cycle）

  • 脳は60〜90分のピーク集中を維持した後、自然に回復フェーズに入る（15〜20分）
  • ただし90分周期の認知パフォーマンスへの影響には反証もある（Monk & Leng, 1986: 保守的な統計手法では90分周期が確認されず）
  • 最近のメタ分析では、覚醒時のウルトラディアンサイクルの証拠は圧倒的だが、夜間のREM-NONREMサイクルとは異なるメカニズムで動作すると結論

意外な発見・注目すべき点

  1. マイクロブレイクは「認知タスク」の即時パフォーマンスには効果が乏しい（d = -0.09）が、「創造的タスク」には明確な効果がある（d = 0.38）。AIとの協働では、レビュー・判断・要件検討といった創造的要素を含む作業が多いため、マイクロブレイクの恩恵を受けやすい可能性がある。

  2. 学習は休憩中に起きる: Bönstrupらの研究で、運動技能学習のほぼ全てが10秒の休憩中に起きていたという発見は衝撃的。AI成果物のレビューで得た知見の記憶固定が、次のAI処理待ちの間に進行する可能性がある。

  3. Ariga & Llerasの「目標馴化」理論はAI協働に最適: 注意力低下の原因が「資源枯渇」ではなく「目標への馴化」であるなら、AIタスクの投入→結果確認のサイクルは目標の非活性化→再活性化を自然に繰り返し、注意力低下を防ぐ理想的な構造。

  4. スマートフォン休憩は有害: Brain Drain効果により、AI待ち時間にSNSを見ることは休息にならず、むしろ認知資源を消費する。これは多くの人が直感的に行う行動と矛盾する。

  5. 「予測可能性」が最も重要: Maisterの原則、Google開発者研究、Nielsen のUI原則、すべてが「待ち時間がどれくらいかわかること」の重要性を指摘している。AI処理の残り時間表示は、主観的待ち時間の短縮に直結する。

  6. コロナ禍で日本人の待ち時間耐性が向上: シチズン調査（2023）で、ATMの5分待ちなど日常的な待ち時間への許容度が上昇。DXとスマホコンテンツの充実が要因。AI待機時間への耐性も同様に高まっている可能性。

  7. AI待機は「計画された中断」であり認知コストが低い: 自分で「AIに投げる」タイミングを決めるため、突発的な割り込みとは質的に異なる。事前に次の行動を計画できるため、23分のコンテキストスイッチコストを回避できる。

情報の信頼性に関する注記

  • Maisterの8原則: 1985年の観察ベースの命題であり、全てが実験的に検証されているわけではない。一部は後続研究で支持、一部は反証されている
  • DeskTimeの52/17研究: 特定のソフトウェアユーザーのデータに基づく相関研究であり、因果関係の証明ではない。最新データでは75/33に変化しており、普遍的な「最適値」ではない
  • マイクロブレイクのメタ分析（Albulescu et al., 2022）: 22研究と比較的少数だが、PLOS ONE掲載の査読済み論文。認知タスクへの効果が非有意という点は重要な限界
  • Bönstrupらの10秒休憩研究: 運動技能学習に限定された知見であり、知的作業への直接的外挿には注意が必要
  • NSDR・閉眼安静の効果: Hubermanが引用する「ドーパミン60%上昇」はヨガニードラの研究に基づくが、詳細な実験条件の確認が必要。今泉氏の日本の研究はサンプル数が9名と小規模
  • 23分15秒のコンテキストスイッチコスト: 広く引用されるがオフィス環境での観察研究であり、全ての中断タイプに等しく適用されるわけではない
  • ツァイガルニク効果: 2025年メタ分析で普遍性に疑問。効果の有無は文脈依存

未解明・追加調査候補

  1. AI処理の最適な進捗表示デザイン: 数分〜30分の処理におけるプログレス表示の最適パターン（段階的中間成果表示 vs パーセント表示 vs 残り時間表示）
  2. AI待機時間中の最適活動の実験的検証: 閉眼安静、自然ビュー、軽い運動、別の知的タスクのどれがAI協働文脈で最も効果的か
  3. 複数AI並列実行時の認知負荷: 3〜5個のAIタスクを並列で走らせ、結果確認を次々に行う場合のコンテキストスイッチコスト
  4. AI待機時間のインキュベーション効果の実証: 複雑な設計問題をAIに投げ、待ち時間中に別活動をした場合と連続作業した場合の創造的問題解決能力の比較
  5. 個人差要因: マインドワンダリング傾向、不安特性、マルチタスキング能力が、AI待機時間の活用効率にどう影響するか
  6. 適応的待ち時間管理: AIの処理時間予測に基づいて、自動的に適切なマイクロブレイク活動を提案するシステムの可能性
← AI時代における「集中」の再定義 に戻る