ぶらり、散歩に読書　ミチクサノオト

シン読解力　新井紀子　東洋経済

整理し、主題・重要ポイント・背景・意義をまとめた要約 を示します。

 『シン読解力』（新井紀子）の総合要約

 1. 本書の主題：シン読解力とは何か

「シン読解力」とは、国語的な読書力ではなく、
“教科書を正確に読み解く力” を指す。

これは以下の特徴を持つスキル：

• 誰が読んでも意味が一意に決まる文章を正確に理解する力
• 文構造（主語・述語・助詞・指示語）を正しく把握する力
• 背景や文脈を踏まえた論理的理解
• 情報の真偽を見抜く批判的思考

著者はこれを「AI時代に必須の基礎スキル」と位置づける。

 2. RST（リーディングスキルテスト）50万人のデータからわかったこと

• 子どもだけでなく大人も教科書や新聞を正確に読めていない
• シン読解力と学力には強い相関がある
• 読解力が低いとビジネス・資格試験・キャリアにも影響
• 学校教育ではこの力は教えていない
• 国語の読書量とはほぼ無関係
• 年齢に関係なくトレーニングで伸ばせる

実際に、RSTを導入した自治体では
国語・算数の全国学力テストが大幅に改善した例も紹介されている。

 3. AI時代に「シン読解力」が必須である理由

生成AI（ChatGPTなど）は：

• 流暢さを優先するため 平然と誤情報を出す
• 著作権侵害や事実誤認を含むことがある
• 使い手の能力を超えることはできない

したがって、AIを使いこなすには：

 AIの出力を検証し、誤りを見抜き、修正しながら使う力＝シン読解力が不可欠

この力がある人は、AIを使って生産性を2〜3倍にできるが、
ない人はAIに振り回され、誤情報を信じてしまう危険がある。

 4. 読解力の欠如を示す象徴的な例

●「船に26匹の羊と10匹の山羊がいます。船長は何歳？」

→ 正解は「答えられない」。
しかし 9割の子どもが“36歳”と答えた。

●「移民30％、そのうちアジア系10％」

→ 何を指す10％かを正しく選べない大人が多い。

これらは、
文章の構造を理解できず、数字や語を機械的に結びつけてしまう
という問題を示している。

🛠 5. シン読解力を鍛える具体的な方法

🔹基礎トレーニング

• 音読：文の構造をつかむ
• 視写：文節の関係を理解する

🔹構造を意識した精読

• 接続詞・指示語の対応を確認
• 助詞の穴埋め
• 図解化（関係図に整理）

🔹アウトプット

• 要約（見出し語を使って1文で）
• 言い換え（内容を変えずに説明）

🔹日常習慣

• 語彙の拡充
• 家族とのニュース対話
• メディアリテラシー（複数情報の比較）

🧩 6. 読者の感想に含まれる重要ポイント

• 読解力不足は「才能の問題」ではなく、
  教科書を読むためのトレーニング法が確立されていなかっただけ
• 語彙力の重要性（語がわからないとワーキングメモリが圧迫される）
• RSTは有用だが、個人で受けるのはやや面倒
• 「差が開く理由」も理解できた（読解力は放置すると伸びない）

 7. 本文後半：AI（ニューラルネットワーク）の仕組み解説

著者はAIの仕組みを数学者として丁寧に説明：

• ニューラルネットワークは「重み」を調整する巨大な最適化モデル
• 学習には膨大な教師データと計算資源が必要
• Transformerの登場で学習が並列化され、AIが一気に進化
• GPTシリーズはパラメータ数が桁違いに増加
• GPU（NVIDIA）がAI発展の鍵となった

この技術背景を理解することで、
AIがなぜ“流暢に嘘をつく”のか が腑に落ちる構成になっている。

 総合まとめ

『シン読解力』は、AI時代に必要な「論理的・構造的読解力」を体系的に示した本。

• 教科書を正確に読む力は、多くの子ども・大人に欠けている
• 読解力は学力・キャリア・人生に直結する
• AIを使いこなすには、AIの誤りを見抜く読解力が必須
• 読解力は年齢に関係なく鍛えられる
• 音読・視写・精読・要約などの具体的トレーニングが効果的
• AIの仕組みを理解することで、AIとの共存が可能になる

ニューラルネットワークの仕組み

「ニューラルネットワーク」は、脳の神経細胞（ニューロン）が作るネットワーク状の情報伝達のモデルです。

ニューラルネットワークは「事実」というより、あくまで「こうなっているんじゃないか」という説です。

それは、下図のような形をしています。

図中の〇は脳の中のニューロンを模しています。

「ニューラルネットワークモデル」

 

 

ニューロン同士は軸索と勘状突起というもので結ばれています。

樹状突起でほかの神経細胞から情報を受け取り、ニューロン内で情報処理してから、軸索でほかのニューロンに情報を伝達すると考えられています。

ひとつのニューロンは単純な電気備号を出すと考えます。

信号が出ているときは1、出ていないときは0です。

ちょうど電気のスイッチと同じです。そのスイッチを入れる役割をするのが、そのニューロンにつながっているほかのニューロンたちです。

スイッチが切れているときは、値は0ですから何の号も出しません。

けれども、スイッチがオンになると、信号を送ってきます。

送られてくる号を足したもの（和）が「ある数値（閾値）」を超えると、ニューロンのスイッチはオンになる、と考えるのがニューラルネットワークモデルです。

ところで、この図では、どの線も太さが同じですね。また、どのニューロンも等しくつながっているように見えます。

そんなはずはありません。

あるニューロンとあるニューロンは密接につながっていて、また、別のニューロンとはまったくつながっていないことでしょう。

ニューラルネットワークでは、この「つながり方」を数値で表します。

数値が大きくなるとより強くつながっている、と考えます。

この数値を「重み」と呼びます。そして、つながっているニューロンからの信号にその重みをかけることで、つながりの強さを表すのです。

たとえば、信号が1で重みが0.5ならば、1✕0.5=05とします。

ここで使われるのはかけ算です。

そして、ニューロンに入ってくる、重みつきの信号の和を計算します。

足し算ですね。

それがあ数値を超えると、そのニューロンは「発火」して電気備号を出す、と考えるのです。

そして、「ニューラルネットワークモデルを作る」というのは、この理論に基づき、適当な数のニューロンを設定し、それらにつながっている線に重みをつけていくことを言います。

ディープラーニング（深層学習）という言葉もよく耳にすることでしょう。

先ほどの図ではニューロンの縦の列が4つならんでいました。

これを4層のネットワークと呼びます。

さらに多くの層を持つモデルを学習させることを「ディープラーニング」と言います。

深いほど、より複雑なモデルを作ることができます。

これがニューラルネットワークとディープラーニングの基本の「キ」です。

「こんなに簡単な仕組みなのか」と拍子抜けしたかもしれません。

でも、これがすべてです。

そして、実現したい目標のために、適切なニューラルネットワークモデルとその重みを、なるべくコストをかけずに当てるゲームが、現在の人工知能研究のほぼすべてだと言っていいでしょう。

ニューラルネットワークの図をご覧いただければおわかりのように、当てなければいけない重みは膨大にあります。

それを「当てる」ためには、それを上回る教師データが必要です。最近のトレンドでは、重みの数の20倍程度の教師データを用意することが多いようです。

首尾よくよい「ペアになっている教師データ」が揃ったとしましょう。

その教師データを使って「重み」を調整していきます。

その過程を「学習」と呼びます。

膨大な教師データからさまざまな計算テクニックを駆使して重みを調整するには、巨大な計算資源が必要になります。

2018年に、「グーグルのTransformerによって、人工知能は新たな時代を迎えた」というニュースが駆け巡りました。

Transformer が画期的だったのは、それまでは直列的に行ってきたAIの学習を並列化することに成功したことです。

Transformer以前は、学習は直列的にしか行えませんでした。

世界最強のスパコンでも何百年かかる学習では、意味がありません。

学習し終える頃には、開発者もそれに資金を出している企業もこの世にはありません。

でも、並列処理できるなら話は別です。

資金力に物を言わせて、たくさんのスパコンを並べて学習させれば、数ヶ月で学習が終わる可能性が生まれます。これが、AIの進化の分水嶺になりました。GPTの「T」は、まさTransformerのTを表わしています。

オープンAIはGPT 3までのパラメータ数を公開していますが、最初に公開されたGPTのパラメータ数は1億1700万です。

それが、GPT-2では15億、GPT-3では1750億に増加しています。

GPT-2のリリース時、競合する大規模言語モデルのパラメータ数は数億程度でしたから、GPTは文字通り桁違いの言語モデルだったのです。

オープンAIのような新興勢力であっても、資金調達にさえ成功すれば、何十兆もの教師データを使って、何千億もの「重み」がある巨大なニューラルネットワークの学習をやり遂げる環境が整ったのです。

エヌビディアの株価が高騰したのも、元々ゲームなどのグラフィック処理に使われていた同社のGPU （グラフィック・プロセッシング・ユニット）がAIの学習速度を上げるのに必須になったためです。

複雑なタスクを処理するには、規模の大きなニューラルネットワークモデルが必要となり、それにつれて、当てなければならない「重み」が増え、必要となる教師データ量が増えます。

そうなると、もう大学の研究者で

• ポスト

• 前の記事：地方自治体の公会計改革
• 次の記事：『学びとは何か ― 探究人になるために』（今井むつみ）要約