Zhao ら: 人はパズルを解きながら「自分専用の部品」を作る — Fukai が読む

一段落要約

今日読んだのは、パズルを解いている人が「自分専用の部品」を作る瞬間を、正面から観察した論文である。舞台は 10×10 のマス目に絵を作る課題だ。参加者は途中で作った形をボタン一つで保存でき、次の問題ではそれを1手として置ける。つまり遊びながら自分の道具箱を育てられる。作った仕掛けを保存して使い回す楽しさは、『Opus Magnum』のような組み立て系のパズルで遊んだ人には馴染みがあるだろう。『Opus Magnum』(Zachtronics、2017年。Steam ストアページより)

結果はこうだ。解いた手のうち部品を使った割合は、1問目の 21% から 14問目の 87% まで上がった。後半では9割前後の参加者が同じ形を保存した。そして設計者にとって一番おいしい発見はここだ。人がかけた時間と手数についてきたのは、最短の手順の長さではなく「答えに至るまでに調べた候補の数」だった(相関 r=.82 と r=.79)。最短の手順の長さは、時間も手数も当てられなかった(r=-.20、p>.05)。同じ絵でも、部品を作ると手数が減る(概念図・AI作成)

はじめに — 誰が書いた論文か

論文名は「Online library learning in human visual puzzle solving」。著者は Pinzhe Zhao(エディンバラ大学)、Emanuele Sansone(MIT CSAIL / ルーヴェン・カトリック大学)、Marta Kryven(ダルハウジー大学)、Bonan Zhao(エディンバラ大学)の4人だ。Kryven と Bonan Zhao は同じだけ貢献した、と本文に明記されている。arXiv:2603.23244v1 として公開されており、ID の先頭から投稿は 2026年3月と分かる。ライセンスは CC BY 4.0 である。今日読んだ論文の書誌情報(概念図・AI作成)

なぜ今日これを選んだか。私たちは毎日パズルを出す側にいて、「難しさをどう測るか」に毎日つまずいている。この論文は、その物差しを別の場所に置き直そうと提案している。ただし前提は正直に書く。これは査読前の preprint である。参加者は 30 人、条件は1つだけの探索的な研究だ。事前登録(実験の前に手順と除外基準を公開しておくこと)はされているが、追試はまだ無い。この論文を読むときの前提(概念図・AI作成)

背景 — 何が空いていたのか

人が難しい仕事を、部品に切って片づけることは昔から知られている。Gobet ら(2001)は、学習を「かたまり化」として整理した。Lake ら(2015)は、人が概念を「描くための手続き」として学ぶことを示した。機械の側では Ellis ら(2023)の DreamCoder が、解いた問題から部品の辞書を自分で育てる仕組みを見せている。この研究が立っている場所(概念図・AI作成)

空いていたのは、その手前だ。人はいつ、どの部品を作ることに決めるのか。この判断がやさしくないのは、未来が見えないからである。次にどんな問題が来るかを知らないまま、いま何を取っておくかを選ぶ。著者たちはこの状況を「オンラインの辞書づくり」と呼ぶ。解きながら、辞書を書き足していくという意味だ。部品を選ぶとき、未来は見えていない(概念図・AI作成)

部品づくりは、いつも得ではない。作るには時間と手数がかかり、覚えておく負担も増える。一度しか使わない形を保存すれば、手間だけが残る。著者たちは、この釣り合いを観察するのが難しい理由を3つ挙げている。部品の候補が開きすぎていること、表現力と効率が引っぱり合うこと、そして課題が豊かでありながら構造も持っていなければならないことだ。部品づくりは、いつも得なわけではない(概念図・AI作成)

どんな課題を作ったのか

課題の名前は Pattern Builder Task。画面は3つに分かれている。左に目標の形と現在の点数、中央に作業用の 10×10 の盤、右に自分の手順が1行ずつ並ぶ。参加者は目標と同じ絵を、盤の上で組み上げる。問題は 14 問、全員が同じ順番で解き、後ろほど難しくなる。Pattern Builder の画面(模式図・AI作成)

使える道具は 12 個だけだ。形が5つ(横線、縦線、斜線、枠、三角)。2つを混ぜる操作が3つ(足す、引く、重なりだけ残す)。1つを変える操作が4つ(白黒反転、左右反転、上下反転、斜め反転)。この 12 個だけで、14 問すべてが作れるように設計されている。数式は出てこない。手で押せる操作だけだ。使える道具は 12 個だけ(概念図・AI作成)

肝は「+」ボタンである。作業の途中の形を押すだけで保存でき、それが部品(論文の言葉では helper)になる。部品はサムネイルとして棚に並び、自分で消すまで次の問題にも残る。そして次の問題では、その部品を丸ごと1手として置ける。14 問のあとには、目標のない自由時間が5分以上用意されている。「部品」はボタン一つで生まれる(概念図・AI作成)

著者たちは、この課題を機械の側からも解かせている。手順を短いものから順に総当たりで並べ、振る舞いが同じ手順は間引く(同じ絵になる手順は1本だけ残す、という意味だ)。そこに辞書の仕組みを足した版では、解けたパターンをそのまま新しい部品として登録する。比べたのは4つの変種で、鍵になる量は「答えに行き着くまでに調べた候補の数」である。論文のモデルが数えているもの(概念図・AI作成)

分かったこと

まず、ほぼ全員が解けている。30 人 × 14 問 = 420 試行で、正答率は 92.4%(標準偏差 14.3%、95% 信頼区間 87.3〜97.5%)だった。作られた部品は合計 470 個、1人あたり平均 15.7 個で、個人差は 0 個から 35 個まで開いた。部品を作ったのは 30 人中 28 人である。1問にかけた時間は平均 84 秒(中央値 44.1 秒、標準偏差 136.1 秒)、手数は中央値 3.0(平均 3.8、標準偏差 3.2)だった。まず、ほぼ全員が解けている(数値は論文 Results のまま)

次が本題だ。解いた手のうち保存した部品を使った割合は、1問目で 21%、9問目で 80%、14問目で 87% まで上がった。1問あたり平均 +3.54% の傾きで、相関は r=.79、p<.001 である。また、目標そのものの手順が長い問題ほど部品が使われた(r=.77、p=.001)。難しい問題が来ると、人は道具を作る側に回ったと読める。解いた手のうち、部品を使った割合(数値は論文のまま。線の形は概念図)

部品の選び方は、ばらばらにはならなかった。前半の7問では、いちばん人気の形を保存したのは 53〜64% にとどまる。ところが後半では、8問目で 81%、9問目で 94%、10問目で 82%、12問目で 93% が同じ形を保存した。目標の絵をそのまま部品として保存した割合も、前半 50.8% から後半 78.5% に上がっている(1問あたり +3.25%)。後半では、ほぼ全員が同じ部品を保存した(数値は論文 Results のまま)

そして、難しさの物差しの話になる。モデルが調べた候補の数は、参加者の平均解答時間と r=.82(p<.001)、平均手数と r=.79(p<.001)で結びついた。参加者ごとのばらつきを織り込んだモデルでも向きは変わらない(手数 β=0.86、z=6.73、時間 β=0.41、z=9.94、いずれも p<.0001)。一方、最短の手順の長さは時間も手数も当てられず(r=-.20、p>.05)、成功率とだけ負の相関を示した(r=-.67、p<.01)。難しさを当てたのは、どちらの物差しか(点の配置は概念図。値は論文 Figure 6A)

作る側は、これをどう使えるか

ひとつ目。デイリーパズルに「部品の棚」を持たせる案だ。今日の盤で見つけた手筋を保存でき、明日の盤ではそれを1手として置ける。棚は自分で消せる。使わない部品を抱え込むと、選ぶ手間だけが増えるからだ。論文の観察では、問題が難しくなるほど部品の使用率が上がった(21%→87%)。棚は難所の前に効く、と設計の側に置き換えられる。使いどころ①: 部品が持ち越せるデイリー(設計案・AI作成)

ふたつ目。難易度の表示を取り替える案だ。いまよくある「最短5手」「星3つ」は、盤の側の性質しか語っていない。この論文が示した物差しに寄せるなら、「答えに至るまでに調べる候補の広さ」を自分のソルバーで数えて出すことになる。論文ではこの量が時間と r=.82、手数と r=.79 で人の苦労についてきた。手数だけを見て易しいと決めていた問題が、並べ替わる可能性がある。使いどころ②: 難易度の物差しを取り替える(設計案・AI作成)

みっつ目。既にある名作を、この目で読み直す案だ。『The Witness』(Thekla, Inc.、2016年)は 500 を超えるパズルを島に置き、記号の意味を1つずつ足していく。プレイヤーは覚えた解き方を頭の中で使い回すが、盤の上に保存はできない。この論文の課題は、その「頭の中の棚」を画面に出して見えるようにしたものだと読める。逆に言えば、棚を画面に出す設計は、まだ空いている。『The Witness』(Thekla, Inc.、2016年。Steam ストアページより)

よっつ目。作った部品に名前を付けさせる案だ。自由時間の観察が、その根拠になる。平均 6.32 分のあいだに 30 人中 27 人が作品を提出し、80 個の作品のうち 64 個(80.0%)に自分で名前が付いていた。「Fireflower」「city sky line」といった名前である。さらに 30 人中 17 人(56.7%)が、目標のない時間にも新しい部品を作った。課題中に部品を多く作った人ほど、自由時間でも作りやすかった(β=0.29、p=.005)。使いどころ③: 部品に名前を付けさせる(数値は論文 Results のまま)

限界 — 著者が認めている点と、私が気になった点

著者自身が2つ挙げている。ひとつは、観察したのが一人で解く場面だけだということ。部品が人から人へ渡る場面、名前を付けて教え合う場面は、この研究の外にある。もうひとつはモデルの側だ。著者たちのモデルは、解き終わった形をまるごと部品にすることしかできない。しかし人は、途中の一部を「後で使えそうだ」と取っておいていた。著者たちは、この部分的な抽象を扱えるように広げたいと書いている。著者が認めている限界(概念図・AI作成)

Fukai がここで指摘するのは、問題の順番である。14 問は全員が同じ順番で、後ろほど難しい。すると、部品の使用率が上がった理由が2つに割れる。参加者が上手くなったからか、問題が部品を要求するようになったからか。順番を入れ替えた条件がないので、この2つはこの設計では切り分けられない。著者は「参加者は全体の課題空間を見ていない」と強調しているが、順序効果そのものへの手当てはされていない。Fukai が気になった点: 順番が固定されている(概念図・AI作成)

もう一点。相関 r=.82 の点の数は 14 である。問題ごとの平均を並べた相関で、参加者ごとの点ではない。少ない点で高い相関は出やすい、という当たり前の留保は必要だ。参加者は 30 人、募集は Prolific(報酬は1時間 7.27 ポンド)、条件は1つだけ。査読前で追試もまだ無い。そして「調べた候補の数」は著者たちのモデルが吐く量で、モデルを取り替えれば値も変わる。数字の読み方に、もう一段の留保を(出典: 論文 Experiment / Results)

Fukai の読み

ここから先は、論文が書いていることではなく私の解釈である。私はこの研究を、「難しさは盤面の側にある」という前提を崩す流れの中に置きたい。同じ盤でも、手元にどんな部品が溜まっているかで、調べるべき候補の広さは変わる。だとすれば難易度は問題の属性ではなく、問題とその人の道具箱の関係だと読める。デイリーパズルを毎日出す立場から言えば、これは「盤を易しくする」以外の調整つまみが1本増えたという話だ。ここから先は Fukai の解釈(概念図・AI作成)

おわりに

もっと深く知りたい人は、機械の側と人の側を往復して読むと地図が見える。機械の側は Ellis ら(2023)の DreamCoder。人の側は Zhao ら(2024、Nature Human Behaviour)の概念の芽生えの研究と、Rule ら(2024、Nature Communications)の記号的な探索の研究だ。同じ arXiv には「Prospective Compression in Human Abstraction Learning」(arXiv:2605.09985)という、先読みしながら圧縮する話も並んでいる。私はまだ読んでいないので、内容の紹介はしない。次に読むと地図が見える論文(概念図・AI作成)

この記事の持ち帰りは4つだ。部品を作れる場所を盤の中に用意すること。難しさを探索の広さで測ってみること。作った部品に名前を付けさせること。そして4つ目は研究の側への宿題で、順番の効果と上達の効果を分けて測ることである。論文が案内しているデモは今も公開されている。自分の手で 14 問を解いてみると、部品を保存したくなる瞬間が体でわかる。明日から試せる4つ(概念図・AI作成)

参考文献

本記事で参照した論文と関連資料:

・Online library learning in human visual puzzle solving (Pinzhe Zhao, Emanuele Sansone, Marta Kryven, Bonan Zhao, 2026, arXiv preprint arXiv:2603.23244)

・同論文の HTML 全文(課題の作り、14 問の目標、Results の数値、Figure 6 の散布図を含む)

・著者による事前登録(AsPredicted)

・論文が案内している Pattern Builder のデモ(自分で 14 問を解ける)

・本稿が下敷きにしている先行研究: Ellis et al. (2023) の DreamCoder、Lake et al. (2015, Science) の概念学習、Gobet et al. (2001) のかたまり化、Zhao et al. (2024, Nature Human Behaviour) の概念の芽生え、Rule et al. (2024, Nature Communications) の記号的探索。いずれも本記事では論文の引用として名前を挙げただけで、原典は読み直していない。

・関連(未読): Prospective Compression in Human Abstraction Learning (arXiv:2605.09985)

・記事内のゲーム画像の出典: Opus Magnum (Zachtronics, 2017) の Steam ストアページ、The Witness (Thekla, Inc., 2016) の Steam ストアページ。それ以外の図はすべて筆者の自作(AI 作成の概念図)で、論文の図の転載ではない。