Examining Psychological Antecedents of Rapid Guessing Behavior in Low-Stakes Assessments: The Roles of Cognitive Load, Self-Efficacy, and Test-Taking Motivation

教室に座り、多肢選択式のテストをじっと見つめている自分を想像してみてください。いくつかの問題の答えは分かっていますが、他の問題は混乱を招く記号の壁のように感じられます。突然、脳がタブを開きすぎたコンピューターのように感じられ、動作が重くなり、フリーズし始め、最終的には、どれか一つでも機能することを願って、ただランダムにボタンをクリックし始めるのです。これは単に「やる気がない」とか「意欲が低い」といった問題ではありません。これは、あなたの脳がプレッシャーをどのように処理するかという問題なのです。教育心理学の世界では、科学者たちがなぜこのようなことが起こるのかを研究しています。彼らは主に3つの要素に着目しています。それは、認知負荷（精神的な作業がいかに重く感じられるか）、自己効力感（自分ならできるという自信）、そしてテストへのモチベーション（結果をどれほど重視するか）です。通常、人は、もしやる気がなかったり自信がなかったりすれば、ただ勘で答えるのだと考えています。しかし、もし真の犯人が、単にそのテストが、その瞬間のあなたの脳が運ぶには重すぎるということだとしたらどうでしょうか？

この論文は、まさにその謎を追求しています。研究者たちは、インドネシアの高校生がいつ「ラピッド・ゲッシング（急速な推測）」、つまり、考えもせず、ただ狂ったように答えをクリックし始めるのか、それとも実際に問題を解こうとするのかを予測できるかどうかを調べたいと考えました。彼らは、学生が諦めてしまう主な理由が、モチベーションの欠如や自信のなさなのか、それとも問題の純粋な精神的重圧（認知負荷）こそが真の支配者なのかを検証するために、複雑な数学的モデルを構築しました。彼らは297人の学生からデータを収集し、強力な統計手法である構造方程式モデリング（SEM）を使用して、どの要因が実際に糸を引いているのかを調べました。

結果は、予想外の展開を見せました。研究によると、認知負荷こそがここでの「スーパースター的な悪役」であることが判明しました。問題を読み解き理解するために必要な精神的努力が高まると、学生は有意にラピッド・ゲッシングを開始する傾向がありました。実際、この研究は、認知負荷がこの行動の強力な正の予測因子であり、統計値は β = 1.051、p値は 0.008 であることを示しました。これは、テストの精神的な「重み」が増すにつれて、推測したいという衝動が急増することを意味します。モデルの精度は非常に高く、学生がなぜ素早く推測を始めてしまうのかという理由の 80.1% を説明することができました。

しかし、論文は他の2つの容疑者を明確に退けています。私たちの予想に反して、テストへのモチベーションと自己効力感（自分のスキルに対する自信）は、学生が推測するか問題を解くかに有意な影響を与えませんでした。たとえ学生が非常に意欲的であったり、非常に自信を持っていたとしても、問題が精神的に過酷すぎれば、結局は推測に走ってしまうのです。研究者たちは、脳がオーバーロード状態になると、モチベーションや自信を効果的に活用するために必要な「高次レベル」の思考がシャットダウンしてしまうのだと示唆しています。それは、フェラーリのエンジン（高いモチベーション）を持っているのに、沼地（高い認知負荷）の中を走ろうとしているようなものです。ホイールが回らなければ、エンジンは何の意味も持ちません。

興味深いことに、この研究は「解決行動（問題を正しく解こうと実際に試みること）」についても調査しました。モデルはこの部分の説明には苦戦し、分散の 14.2% しか説明できませんでした。これは、人々がなぜ「諦める」のか（精神的負荷が大きすぎるため）については理解できても、モチベーションや自信を見るだけでは、何が人々を「成功」させるのかを完全には理解できていないことを示唆しています。著者らは、正しい答えに到達するためには、「一生懸命やる」ことよりも、事前の知識や具体的な問題解決スキルの方がはるかに大きな役割を果たしているのではないかと提案しています。

結局のところ、この研究は、学生の勘による推測を止めるためには、単に彼らを鼓舞したり自信を高めたりするだけでは不十分であることを示唆しています。むしろ、テスト自体が、学生の集中力を壊してしまうほど精神的に消耗させるものであってはならないのです。精神的な負荷が重すぎれば、最も意欲的な学生であっても、ただ推測を始めてしまいます。論文は、私たちのワーキングメモリの限界を尊重したアセスメント（評価）を設計することが、正直で正確な結果を得るための鍵であると結論付けています。