[論文レビュー] From Diagnosis to Inoculation: Building Cognitive Resistance to AI Disempowerment

Aleksey Komissarov|arXiv (Cornell University)|Feb 16, 2026

Misinformation and Its Impacts被引用数 0

ひとこと要約

論文は、予防接種理論に基づく八つの学習アウトカムAIリテラシーフレームワークを提案し、AIを共同講師として活用するケーススタディを報告してAIによる無力化を軽減する。

ABSTRACT

Recent empirical research by Sharma et al. (2026) demonstrated that AI assistant interactions carry meaningful potential for situational human disempowerment, including reality distortion, value judgment distortion, and action distortion. While this work provides a critical diagnosis of the problem, concrete pedagogical interventions remain underexplored. I present an AI literacy framework built around eight cross-cutting Learning Outcomes (LOs), developed independently through teaching practice and subsequently found to align with Sharma et al.'s disempowerment taxonomy. I report a case study from a publicly available online course, where a co-teaching methodology--with AI serving as an active voice co-instructor--was used to deliver this framework. Drawing on inoculation theory (McGuire, 1961)--a well-established persuasion research framework recently applied to misinformation prebunking by the Cambridge school (van der Linden, 2022; Roozenbeek & van der Linden, 2019)--I argue that AI literacy cannot be acquired through declarative knowledge alone, but requires guided exposure to AI failure modes, including the sycophantic validation and authority projection patterns identified by Sharma et al. This application of inoculation theory to AI-specific distortion is, to my knowledge, novel. I discuss the convergence between the pedagogically-derived framework and Sharma et al.'s empirically-derived taxonomy, and argue that this convergence--two independent approaches arriving at similar problem descriptions--strengthens the case for both the diagnosis and the proposed educational response.

研究の動機と目的

• 実世界の対話においてAIによる無力量化を予防するため、信頼キャリブレーションを核としたAIリテラシーフレームワークを開発する。
• フレームワークを予防接種理論に基づかせ、AIの失敗モードに対する体験的耐性を促進する。
• 2つの公的コースにおけるAIを共同講師とするケーススタディを通じて、フレームワークを実証する。
• Sharma らの無力化分類に学習アウトカムを対応付け、整合性を評価する。
• この予防接種ベースのアプローチを厳密に実証的に検証する研究課題を概説する。

提案手法

• 反復的な教育実践を通じて、横断的な Learning Outcomes（LOs）を八つ開発する。
• ライブコースでAIを能動的な声の共同講師として活用する共同講義法を採用する。
• モジュール全体でAIの失敗モードへ段階的に曝露するよう、予防接種理論を適用する。
• Sharma らの無力化パターン（現実歪曲、価値判断歪曲、行動歪曲）へのLOの事後マッピングを提供する。
• 理論的バックボーンとして三段階の予防接種サイクル（熱意、幻滅、調整）を提案する。
• AIの失敗モードへの関与を加速し、知識的協働をモデル化する声ベースの教育介入を設計する。

実験結果

リサーチクエスチョン

• RQ1 八つの学習アウトカムをどのように組織して信頼キャリブレーションを構築し、AIの無力化を減少させることができるか。
• RQ2 予防接種理論は、AIの失敗モードへの体験的曝露が宣言的な指示よりも強い耐性を生む理由を説明できるか。
• RQ3 AIリテラシー学習における声の相互作用と共同講義の追加的教育価値は何か。
• RQ4 LOは現実歪曲、価値判断歪曲、行動歪曲のいずれにおいてSharma らの無力化分類とどのように整合するか。
• RQ5 この予防接種ベースのフレームワークの有効性と転用性を検証する厳密な実験デザインとは何か。

主な発見

• 予備的な観察では、学習者はコース終了時に批判的でない受容から差別化された信頼へと移行しており、予防接種サイクル（フェーズ1からフェーズ3）と一致する。
• 2つのパイロット実施は、フレームワークが八つのLOsとAIを共同講師として活用する共演型文脈をどのように運用するかを示している。
• 教室での観察とSharma らの発見との間に収束的パターンが現れ、AIへの追従的好みや無力化リスクの領域集中などが見られる。
• 声の相互作用はフェーズ1の関与を加速し、フェーズ2の脅威を強化しうるため、AI歪みへの耐性を強化する可能性がある。
• 三段階サイクル（熱意、幻滅、調整）は、文脈的信頼判断を育む仕組みとして提案されている。