批判的思考とは ― 主張・根拠・前提を吟味し、判断の質を高める

批判的思考（Critical Thinking）とは、情報や主張を無条件に受け入れるのではなく、その意味、根拠、前提、推論、適用条件などを検討し、何を信じ、どのように判断・行動するべきかを合理的に考えることです。

ここでいう「批判」は、否定や反対を意味するものではありません。ある主張に対して、賛成する理由と反対する理由の両方を検討し、利用できる情報から、どの程度の確信を持てるかを判断する活動です。

例えば、企業で次のような提案が行われたとします。

「生成AIを導入すれば、従業員の生産性を大幅に向上させることができる」

この主張を聞いたとき、すぐに賛成することも、根拠が不明だからといって直ちに否定することも、十分な検討とはいえません。

まず、「生産性」とは何を意味しているのでしょうか。作業時間の短縮なのか、一定時間内に処理できる仕事量なのか、それとも成果物の品質も考慮した指標なのでしょうか。

また、どのような業務で効果が確認されたのでしょうか。その効果は、他の部署や企業でも期待できるのでしょうか。AIによる成果物の確認や修正に必要な時間は考慮されているのでしょうか。

さらに、AIを導入しなくても、業務手順の改善や既存ソフトウェアの活用によって、同じような効果が得られる可能性はないのでしょうか。

批判的思考では、このような問いを通じて、主張の意味と、それを支持する理由を明確にします。そのうえで、何が確認されていて、何がまだ不確かなのかを区別し、判断を改善します。

ただし、あらゆる問題について、すべての疑問が解消されるまで判断を保留することが適切なわけではありません。実際の意思決定では、不完全な情報の下で行動しなければならないこともあります。

批判的思考の目的は、結論を出さないことでも、相手の間違いを発見することでもありません。自分自身の判断も含めて根拠と限界を明らかにし、必要に応じて考えを修正できるようにすることです。

批判的思考の歴史と理論的背景

批判的思考という言葉が広く利用されるようになったのは近代以降ですが、その背景には、古代ギリシャ以来の哲学的な問答や論理学の伝統があります。

ソクラテスの問答法では、ある主張に対して質問を重ねることで、その意味や前提、内部の矛盾などを明らかにしようとしました。

近代以降は、認識論、科学的方法、論理学などの発展とともに、人間の知識や判断がどのような根拠によって正当化されるかが検討されてきました。

20世紀には、ジョン・デューイ（John Dewey）が1910年の著書『How We Think』において、反省的思考（Reflective Thinking）の重要性を論じました。デューイは、思いついたことや受け入れた信念をそのまま保持するのではなく、それを支える根拠や、そこから生じる帰結について慎重に考えることを重視しました。

その後、教育や哲学の分野では、批判的思考をどのような能力として定義し、教育・評価するかについて多くの研究が行われました。

ロバート・エニス（Robert H. Ennis）は、批判的思考を、何を信じ何を行うかの判断に向けられた合理的で反省的な思考として捉えました。

また、ピーター・ファシオーネ（Peter A. Facione）らによる1990年のデルファイ調査では、46人の専門家の議論を通じて、批判的思考に関係する認知的な能力と態度が整理されました。

ただし、批判的思考について、研究者の間に完全に統一された定義が存在するわけではありません。思考のどの部分を重視するか、判断の目的をどこまで含めるかなどには違いがあります。

研究者・研究領域	主な考え方
ソクラテスの問答法	質問によって主張の前提や矛盾を吟味する
John Dewey	根拠と帰結を慎重に考える反省的思考
Robert H. Ennis	何を信じ、何を行うかについて合理的に判断する
Peter A. Facione	解釈、分析、評価、推論、説明、自己調整などの能力
Richard Paul・Linda Elder	自分の思考を分析・評価し、改善する
認知心理学	判断に影響する認知バイアスや思考過程を研究

これらの立場に共通する重要な考え方は、批判的思考が、他人の主張だけでなく、自分自身の考え方を検討する活動でもあるということです。

批判的思考を構成する六つの能力

1990年のデルファイ報告書では、批判的思考に関係する中心的な認知能力として、解釈、分析、評価、推論、説明、自己調整の六つが整理されています。

能力	英語	主な内容
解釈	Interpretation	情報や主張が何を意味しているかを理解する
分析	Analysis	主張、理由、前提などの関係を明らかにする
評価	Evaluation	根拠や推論の信頼性・適切さを判断する
推論	Inference	利用できる情報から結論や仮説を導く
説明	Explanation	判断の理由や根拠を明確に示す
自己調整	Self-Regulation	自分の思考を点検し、必要に応じて修正する

これらの能力は、単に文章を理解して正誤を判断することにとどまりません。

例えば、ある技術が有望であるという報告書を読む場合、まず「有望」という言葉が何を意味するかを解釈します。

次に、その判断がどのような根拠に基づいているかを分析します。

そして、根拠となる研究結果や市場情報が信頼できるかを評価します。

さらに、その情報からどこまで結論を導けるかを考え、必要なら新しい仮説を形成します。

最後に、自分の判断がどのような理由によって支持されているかを説明し、新しい情報が得られた場合には判断を修正します。

特に重要なのが自己調整です。

批判的思考は、一度正しい結論を出したら終了する活動ではありません。新しい情報や反論によって、以前の判断を見直すことも含まれます。

思考能力と知的態度

批判的思考には、分析や推論を行う能力だけでなく、それらの能力を実際に利用しようとする態度も関係します。

例えば、論理的な推論能力を持っている人であっても、自分に都合の悪い情報を無視するなら、適切な判断にはつながらないかもしれません。

また、十分な専門知識を持っていても、自分が誤っている可能性を考えようとしなければ、新しい証拠に対応できない場合があります。

批判的思考に関係する態度として、次のようなものが挙げられます。

知的態度	内容
知的好奇心	不明な点や説明できない事象を調べようとする
開かれた態度（Open-mindedness）	自分と異なる説明や立場を検討する
知的謙虚さ	自分の知識や理解には限界があると認識する
公正さ	賛成・反対の立場に同じ評価基準を適用する
判断の慎重さ	証拠が不十分な場合には結論の強さを調整する
自己修正への意欲	新しい根拠によって考えを変更する
探究への持続性	複雑な問題について必要な検討を続ける

これらは理想とされる態度であり、すべての人が常に実践できるわけではありません。

特に、自分が長年取り組んできた専門領域や、自分自身が提案したアイデアについては、客観的な評価が難しくなる可能性があります。

批判的思考では、専門知識を持つことと、その知識の限界を認識することの両方が重要です。

何が主張されているのかを明確にする

批判的思考を実践する際に、最初に行うべき作業の一つが、主張の意味を明確にすることです。

例えば、次の文章を考えます。

「AIの導入によって研究開発の生産性が向上する」

一見すると明確な主張に見えますが、複数の解釈が可能です。

研究開発の生産性とは、研究者が読む論文数でしょうか。実験計画の作成時間でしょうか。新しい研究テーマの数でしょうか。それとも、事業化に成功した研究テーマの数でしょうか。

また、AIの導入といっても、文書の要約、プログラム作成、実験データ分析、仮説生成など、利用方法によって期待される効果が異なります。

したがって、この主張を検討するには、例えば次のように具体化する必要があります。

「文献調査にLLMを利用することで、研究者が一定の品質基準を満たす調査報告書を作成するために必要な時間を短縮できるか」

ここまで具体化すれば、作業時間、調査品質、検証工数などを比較することができます。

批判的思考では、曖昧な言葉をそのまま使用して議論を続けないことが重要です。

ただし、あらゆる概念を最初から完全に定義する必要はありません。調査や議論を進める中で、重要な概念の意味が明確になる場合もあります。

事実・解釈・推論・価値判断を区別する

文章や議論には、事実の報告、事実についての解釈、推論、価値判断、行動の提案などが混在しています。

例えば、次のような説明を考えます。

「ある企業でAI導入後に処理件数が20％増加した。したがって、AIは業務効率化に有効であり、当社でも導入するべきだ」

この説明には、異なる種類の内容が含まれています。

種類	内容
観察・報告	ある企業で処理件数が20％増加した
解釈	処理件数の増加は業務効率化を意味する
因果推論	処理件数の増加はAI導入によって生じた
一般化	同じような効果が他社でも期待できる
価値判断	処理件数の増加は望ましい
行動の提案	当社でもAIを導入するべきである

最初の観察結果が正しいとしても、それ以降の解釈や推論が自動的に正しくなるわけではありません。

例えば、処理件数が増えた理由は、AIの導入以外にもあるかもしれません。

また、処理件数が増えていても、品質が低下している可能性があります。

さらに、業務効率化が確認されたとしても、導入費用や情報管理上の制約によって、別の判断が適切になる場合があります。

このように、異なる種類の判断を区別することによって、どこに追加の根拠が必要かを明確にできます。

情報源の信頼性をどう評価するか

批判的思考では、主張の内容だけでなく、その根拠となる情報源を評価することも重要です。

例えば、ある技術の性能についての情報が、メーカーの宣伝資料に記載されている場合と、第三者の比較試験で報告されている場合では、情報の性質が異なります。

ただし、メーカーの資料だから誤りであるとも、第三者の報告だから必ず正しいとも限りません。

重要なのは、どのような根拠に基づき、どの条件で確認された情報なのかを調べることです。

評価の観点	主な問い
出所	誰が情報を発表したか
専門性	発表者は対象について適切な専門知識を持つか
一次情報	元の実験、統計、発言、資料へ遡れるか
方法	どのような調査・実験・分析によって得られたか
独立性	別の情報源によって確認できるか
利害関係	発表内容に影響する可能性のある利害はあるか
適用範囲	情報が成立する条件は明確か
更新性	現在の状況にも当てはまる情報か

例えば、同じ調査結果を引用した記事が多数存在しても、それらは独立した証拠とは限りません。

反対に、異なる方法で行われた複数の研究が同じ結論を支持している場合には、その結論の信頼性を高める可能性があります。

ただし、研究結果が一致していても、共通する測定上の問題や選択バイアスが存在する場合があります。

情報源の数だけでなく、情報がどのように作られたかを調べる必要があります。

インターネット情報の検証 ― ラテラルリーディング

インターネット上の情報を評価する場合には、掲載されているページの内容を詳しく読むだけでなく、別の情報源から確認する方法が有用です。

このような方法は、ラテラルリーディング（Lateral Reading：横方向の読み方）と呼ばれます。

スタンフォード大学のSam WineburgとSarah McGrewらの研究では、専門的なファクトチェッカーがウェブサイトの信頼性を調べる際、対象サイトの中だけを読み続けるのではなく、別のサイトや検索結果から情報源の背景を確認する傾向が観察されました。

これは、ウェブサイトの外観や、掲載されている肩書・ロゴなどだけでは、信頼性を判断しにくいことを示しています。

Mike Caulfieldが提案したSIFTという方法も、オンライン情報の検証に利用できます。

手順	英語	内容
S	Stop	すぐに信用・共有せず、情報の性質を確認する
I	Investigate the Source	情報源の背景や信頼性を調べる
F	Find Better Coverage	より適切な報道・資料・専門情報を探す
T	Trace Claims to the Original Context	主張や引用を元の資料へ遡る

例えば、「ある研究によってAIの生産性向上が証明された」という記事を見つけた場合、元の研究論文を確認することが考えられます。

その研究が実際に測定しているのは、作業時間なのか、正答率なのか、成果物の品質なのかを確認する必要があります。

また、実験参加者、対象業務、比較条件などによって、結果の適用範囲が変わります。

ただし、元の論文を読めば必ず正しい判断ができるわけではありません。研究方法や統計的な評価については専門知識が必要になる場合もあります。

主張と根拠の関係を検討する

信頼できる情報が提示されていたとしても、そこから導かれた結論が適切とは限りません。

例えば、次のような論証を考えます。

「A社ではAIを導入した後に売上が増加した。したがって、AIを導入すれば売上を増加させることができる」

この場合、A社の売上が増加したという事実と、AI導入が売上増加の原因であるという主張は区別する必要があります。

さらに、A社における結果が、他の企業にも適用できるとは限りません。

批判的思考では、前提と結論の関係を検討します。

この活動を詳しく扱う方法が、論証分析（Argument Analysis）です。

論証分析では、主張、根拠、論拠、暗黙の前提、反論などを識別し、どのような推論によって結論が導かれているかを調べます。

ただし、批判的思考は論証分析よりも広い活動です。

情報源の評価、自分自身の認知バイアスの点検、不確実性の扱い、行動の判断なども含まれます。

因果関係と相関関係を区別する

批判的思考で重要な問題の一つが、相関関係と因果関係の区別です。

例えば、ある企業で従業員のAI利用率と業務生産性が正の相関を示したとします。

しかし、その結果から、AI利用によって生産性が向上したと直ちに結論することはできません。

もともと生産性の高い従業員ほどAIを積極的に利用している可能性があります。

また、管理職の支援や業務環境など、別の要因がAI利用と生産性の両方に影響している可能性もあります。

考えられる関係	説明
AI利用 → 生産性	AIによって業務効率が向上する
生産性 → AI利用	生産性の高い人ほどAIを使う
第三の要因 → 両方	教育、能力、業務環境などが双方に影響する
複数の関係が共存	AI利用と生産性が互いに影響する可能性がある

これらを区別するには、単なる相関分析だけでは不十分な場合があります。

研究設計、比較群の設定、実験、準実験など、目的に応じた方法が必要になります。

また、因果関係が確認された場合でも、効果の大きさや成立条件が重要です。

批判的思考は、こうした検討の必要性を認識するために役立ちます。

ただし、具体的な因果関係の検証そのものは、統計学や実験計画法などの専門的な方法を必要とする場合があります。

反対の可能性を検討する

批判的思考では、自分の主張を支持する根拠だけでなく、反対の可能性を検討することが重要です。

例えば、ある研究者が「新しい材料の性能が既存材料より優れている」という仮説を持っているとします。

その場合、仮説を支持する実験結果だけを探すのではなく、どのような条件で性能が低下するか、既存材料が優れている条件はないかを調べる必要があります。

また、実験結果が仮説に一致した場合にも、測定方法や実験条件が結果に影響していないかを確認することが重要です。

批判的思考で有用な問いの一つは、次のものです。

「どのような証拠が得られたら、自分はこの考えを変更するだろうか」

この問いは、自分が持つ仮説や信念を、検討可能なものとして扱うために役立ちます。

ただし、科学哲学における反証可能性と、一般的な批判的思考は同じ概念ではありません。

科学的な理論についての検証と、経営判断における選択肢の比較では、判断の目的や必要な証拠が異なります。

また、反証を試みることだけで、仮説の妥当性が自動的に決定されるわけではありません。

代替仮説を考える

ある事象について一つの説明を思いつくと、それを支持する情報へ注意が向きやすくなります。

しかし、最初に思いついた説明が最も適切とは限りません。

例えば、製造工程で不良率が上昇した場合を考えます。

設備温度が上昇していたため、温度上昇を原因と考えたとします。

しかし、他にも次のような可能性があります。

仮説	内容
仮説A	設備温度の上昇が不良率を高めた
仮説B	材料ロットの変更が不良率を高めた
仮説C	設備温度と不良率の両方が別の要因に影響された
仮説D	測定や検査条件の変更によって、不良率が上昇したように見えている

これらの仮説は、必ずしも互いに排他的ではありません。

複数の要因が同時に影響している可能性もあります。

重要なのは、一つの説明を採用する前に、別の説明によって同じ事実を理解できないかを考えることです。

さらに、それぞれの仮説から異なる予測を導き、観測や実験によって比較することが考えられます。

このような活動は、アブダクションや科学的方法とも深く関係しています。

認知バイアスと批判的思考

人間の判断には、さまざまな認知バイアスが影響することがあります。

認知バイアスとは、特定の条件の下で、判断や情報処理に体系的な偏りが生じる傾向を指します。

例えば、自分の考えを支持する情報へ注意を向けやすい傾向は、確証バイアス（Confirmation Bias）として研究されています。

Raymond S. Nickersonは、1998年の論文「Confirmation Bias: A Ubiquitous Phenomenon in Many Guises」において、確証バイアスのさまざまな形態を整理しました。

ただし、認知バイアスの名称を知っているだけで、実際の判断の偏りを回避できるとは限りません。

認知バイアス・判断上の問題	典型的な状況
確証バイアス	自分の仮説に都合のよい情報だけを集める
アンカリング	最初に示された数値や情報が判断へ強く影響する
利用可能性ヒューリスティック	思い出しやすい事例を過大評価する
生存者バイアス	成功した事例だけを見て失敗例を見落とす
基準率の無視	個別事例に注目し、全体の発生割合を十分に考慮しない
動機づけられた推論	自分に望ましい結論を支持する方向へ情報を解釈する

例えば、ある技術の導入に成功した企業の事例ばかりを集めると、その技術の効果を過大評価する可能性があります。

しかし、成功事例しか公開されていない場合、失敗例を調査すること自体が難しいこともあります。

そのため、批判的思考では、利用できる情報の中身だけでなく、どのような情報が観察されずに残っているかにも注意を向ける必要があります。

ただし、すべての判断の誤りを認知バイアスという言葉だけで説明するべきではありません。

情報不足、測定上の問題、専門知識の不足、組織的な制約など、別の原因によって誤った判断が生じる場合もあります。

自分自身の思考を点検する ― メタ認知

批判的思考の重要な特徴は、自分自身の思考を対象として検討することです。

このような、自分の認知活動を認識し、必要に応じて調整する働きは、メタ認知（Metacognition）と関係しています。

例えば、ある新技術について否定的な印象を持った場合、その理由を考えてみます。

技術の原理や実験結果に問題があるからでしょうか。

それとも、その技術が自分の専門領域や既存の知識体系と異なるため、理解しにくいことが影響しているのでしょうか。

逆に、自分が提案した技術について高く評価している場合にも、同じ問いを向ける必要があります。

その技術の有効性は、どのようなデータによって確認されているのでしょうか。

他の技術との比較は十分でしょうか。

自分の期待によって、都合のよい結果を過大評価していないでしょうか。

このように、自分自身の判断を検討対象とすることが、批判的思考を単なる他者批判から区別する重要な要素です。

ただし、人間が自分自身の思考を完全に客観視できるわけではありません。

そのため、記録、比較、第三者の検討などによって、判断の根拠を外部化することが役立つ場合があります。

専門知識と批判的思考

批判的思考は、専門知識がなくても実践できる一般的な思考能力として紹介されることがあります。

しかし、実際の問題を適切に評価するには、対象分野についての知識が必要になる場合があります。

例えば、新しい材料の耐久性を評価するには、材料の特性、試験方法、使用環境などについての知識が必要です。

また、統計的な分析結果を評価するには、標本抽出、測定、推定、検定などについての理解が必要になる場合があります。

一方、専門知識が豊富であっても、専門領域の外側について十分な理解があるとは限りません。

特定の技術に詳しいことと、事業化の可能性、市場需要、組織の適応能力などを適切に判断できることは別です。

したがって、批判的思考では、一般的な推論能力と専門知識の両方が必要になることがあります。

また、自分が判断できる範囲と、追加の調査や専門家の協力が必要な範囲を区別することも重要です。

批判的思考は、専門知識の代わりになるものではありません。

むしろ、専門知識をどの範囲で利用できるかを考え、その限界を認識するためにも必要なものです。

批判的思考と創造的思考の関係

批判的思考は、しばしば創造的思考（Creative Thinking）と対立するものとして捉えられます。

例えば、アイデアを自由に発想する段階では批判を避け、後からアイデアを評価するという方法があります。

ブレインストーミングなどでは、このような考え方が利用されます。

しかし、批判的思考と創造的思考は、必ずしも対立するものではありません。

新しい仮説を考える際には、既存の説明が十分でないことに気づく必要がある場合があります。

また、既存の技術や方法に含まれる前提を疑うことによって、新しい発想につながる可能性もあります。

例えば、ある製造工程で「高速化するには設備を大型化する必要がある」という前提が存在したとします。

この前提について、「設備を大型化しなくても高速化できる仕組みはないか」と問い直すことで、別の技術的な可能性を検討できます。

この意味では、批判的思考は新しいアイデアの生成にも関係します。

一方、発想したアイデアについて、実現可能性や根拠を評価する段階でも批判的思考が役立ちます。

活動	創造的思考	批判的思考
問題の発見	新しい見方を考える	既存の問題設定や前提を検討する
仮説の生成	複数の説明や解決策を考える	どの可能性が見落とされているかを考える
仮説の評価	アイデアを改良する	根拠、矛盾、成立条件を検討する
実行と改善	別の方法を試す	結果に応じて判断を修正する

創造的思考が可能性を広げる働きを持つとすれば、批判的思考は、その可能性を検討可能なものにする働きを持つと考えられます。

ただし、実際の思考過程では両者が明確に分離されるとは限りません。

実践例1 ― AI導入による生産性向上の主張

ある企業の経営会議で、次のような提案が行われたとします。

「生成AIを導入した企業では生産性が30％向上したという報告がある。当社でも全社員へ生成AIを導入するべきだ」

この主張を批判的思考によって検討してみます。

検討する観点	主な質問
主張の意味	生産性30％向上とは、具体的に何を測定した結果か
根拠の確認	元の調査や研究を確認できるか
研究条件	どのような業務、参加者、AIシステムで効果が確認されたか
因果関係	生産性向上はAIによって生じたと判断できるか
一般化	当社の業務にも同じ効果が期待できるか
費用	利用料、教育、確認・修正作業などを考慮しているか
リスク	誤回答、情報漏洩、品質低下などの問題はないか
代替案	AI以外の業務改善でも同じ成果を得られないか

この分析の結果、AI導入が有効である可能性は否定されないかもしれません。

しかし、全社員への一斉導入を正当化するには、十分な根拠がないと判断される可能性があります。

その場合、次のような提案が考えられます。

「AIによって改善が見込める業務を選定し、導入前後の作業時間、品質、確認工数、費用を比較する試行を行う。その結果に基づいて対象業務を拡大するか判断する」

批判的思考によって、単純な賛否の対立を、検証可能な意思決定へ変えることができます。

実践例2 ― R&Dテーマ探索の方法を見直す

企業の研究開発部門で、次のような問題が指摘されたとします。

「論文や特許を大量に調査しているが、有望な新規研究テーマが十分に発見されていない」

この問題に対して、「情報収集が不足しているので、さらに調査量を増やすべきだ」という提案が考えられます。

しかし、ここには「情報収集量を増やせば、新しい研究テーマの発見が増える」という前提があります。

この前提が正しいかを検討する必要があります。

例えば、研究テーマが不足している原因として、次のような仮説を考えられます。

仮説	検討内容
情報不足	必要な論文・特許・技術情報が収集されていない
分析方法の問題	収集した情報から新しい仮説を形成できていない
探索範囲の制約	既存の専門分野や技術分類に探索が限定されている
評価基準の問題	新規性の高いテーマが評価段階で除外されている
組織的な制約	発見したテーマを実行する資源や体制が不足している

これらの仮説は相互に排他的とは限りません。

また、情報収集量が不足している場合もあり得ます。

重要なのは、最初に思いついた原因だけを前提に対策を決めないことです。

さらに、「研究テーマが不足している」という判断についても、有望なテーマの定義や評価基準を明確にする必要があります。

そのうえで、情報収集の拡大、異分野探索、評価方法の改善など、複数の対策を比較できます。

ここでは、批判的思考が既存の方法を否定するためではなく、問題そのものを捉え直すために利用されています。

実践例3 ― 研究論文の結論を評価する

新しい技術について、ある論文が従来技術より優れた性能を報告しているとします。

研究論文に掲載された結果であることは、情報の信頼性を考える際の重要な手がかりになります。

しかし、論文に記載されているというだけで、あらゆる条件で優れていると結論できるわけではありません。

例えば、次の点を検討する必要があります。

観点	確認する内容
比較対象	どの既存技術と比較しているか
評価指標	何を性能として測定しているか
試験条件	温度、負荷、材料、環境などは適切か
再現性	同じ条件で結果を再現できるか
統計的不確実性	測定のばらつきや標本数は考慮されているか
一般化	実験室での結果を実用条件へ適用できるか
別の性能	性能向上と引き換えに悪化する特性はないか

例えば、材料の強度が向上していても、耐久性、加工性、費用などに問題がある可能性があります。

また、論文が対象としていない用途まで、その結論を拡張してはいけません。

批判的思考では、研究成果を否定するのではなく、何が確認され、何がまだ確認されていないかを明確にします。

批判的思考の実践手順

批判的思考に、あらゆる状況へ適用できる唯一の手順が存在するわけではありません。

しかし、具体的な判断を改善するために、次のような作業を行うことが考えられます。

段階	作業	主な問い
1. 問題の設定	検討する主張や判断を明確にする	何について判断しようとしているか
2. 意味の確認	重要な用語と評価基準を明確にする	主張は何を意味するか
3. 根拠の抽出	主張を支持する情報を整理する	どのような事実やデータがあるか
4. 情報源の評価	根拠の信頼性を調べる	その情報はどのように得られたか
5. 推論の分析	根拠から結論への関係を検討する	結論への飛躍はないか
6. 代替説明の検討	別の仮説や反論を考える	他の説明は成立しないか
7. 不確実性の整理	確認済みの事項と未確認事項を分ける	どこまで結論できるか
8. 判断・行動	利用できる根拠に応じた判断を行う	今、何をするべきか
9. 再評価	新しい情報に応じて判断を修正する	どの証拠があれば考えを変えるか

この手順は、批判的思考の一つの実践的な整理であり、すべての問題で順番どおりに進める必要はありません。

例えば、専門的な研究論文を読む場合には、実験方法や測定結果の確認が先になるかもしれません。

また、時間的な余裕がない意思決定では、重要なリスクと不確実性だけを優先して検討することもあります。

批判的思考では、検討そのものの費用や時間も考慮する必要があります。

何を根拠に判断を終了するか

批判的思考を実践するうえで難しい問題の一つが、どの程度の根拠が得られた時点で判断するかということです。

十分な根拠が得られるまで調査を続けることが望ましい場合もあります。

しかし、すべての不確実性を解消することはできません。

また、調査に時間をかけることで、機会を失う可能性もあります。

例えば、小規模な業務改善を試行する場合と、多額の資金を投入して新工場を建設する場合では、必要な検証の水準が異なります。

判断の条件	検討の考え方
影響が小さく、やり直しが容易	限定的な試行で判断できる場合がある
影響が大きく、やり直しが困難	より慎重な調査や検証が必要
不確実性が高い	複数のシナリオや段階的な実施を検討する
情報収集の費用が大きい	追加情報によって判断がどれだけ改善するかを考える
決定を急ぐ必要がある	重要な不確実性とリスクを優先して確認する

批判的思考は、常に確実な結論を得ることを目指すのではありません。

不確実性を認識したうえで、合理的に判断することも含まれます。

また、判断を確定させず、試行や追加調査によって段階的に進める方法もあります。

批判的思考とロジカルシンキングの違い

批判的思考とロジカルシンキングは、共通する部分が多いものの、同じ概念ではありません。

ロジカルシンキングは、情報を整理し、推論を構成し、論理的に結論を導くための広い考え方です。

一方、批判的思考では、そもそも何を問題とし、どの前提を採用し、どの根拠を信頼するべきかについても検討します。

例えば、ロジックツリーを利用して問題をMECEに分解したとしても、その分解の観点が適切であるとは限りません。

市場を既存の製品分類に沿って分解することはできますが、その分類が新しい市場機会を発見するうえで適切とは限らないからです。

批判的思考では、こうした分類や分析の枠組み自体も検討対象になります。

観点	ロジカルシンキング	批判的思考
主な目的	論理的に考え、整理し、説明する	判断の根拠と前提を吟味する
主な対象	情報の構造、推論、問題の分解	主張、根拠、情報源、前提、不確実性
代表的な方法	MECE、ロジックツリー、ピラミッド原則	根拠の評価、代替仮説、反証の検討、自己修正
特徴	一貫した説明を構成する	説明や判断そのものを点検する

ただし、批判的思考に論理的な推論が不要という意味ではありません。

両者は相互に補完するものです。

批判的思考と論証分析の違い

論証分析（Argument Analysis）は、文章や発言から主張、根拠、論拠、前提、反論などを抽出し、その関係を分析する方法です。

例えば、ある提案書に「Aという理由によってBを実行するべきだ」と書かれている場合、論証分析では、AがどのようにBを支持しているかを検討します。

批判的思考では、さらに、その提案の目的や価値基準、利用できる情報の偏り、別の選択肢などを考えることがあります。

論証分析は、批判的思考を具体的な作業へ展開するための有用な方法の一つです。

ただし、論証分析そのものが事実の検証を完了するわけではありません。

論証構造が適切でも、根拠となる情報が誤っている場合があります。

批判的思考と科学的方法の関係

批判的思考は、科学的方法と深く関係しています。

科学的な研究では、仮説を形成し、その仮説から予測を導き、観測や実験によって検証することがあります。

この過程では、研究者自身の前提や推論を吟味する必要があります。

例えば、ある実験結果が仮説と一致した場合でも、測定方法や代替説明を検討する必要があります。

しかし、批判的思考と科学的方法は同じものではありません。

批判的思考は、日常生活、政策、経営、教育など、実験による検証が難しい問題にも利用されます。

また、倫理的な判断や価値判断には、観測データだけでは決定できない要素があります。

科学的方法が経験的な知識の形成・検証に関わるのに対し、批判的思考は、より広い判断や行動の問題を扱います。

批判的思考は教育によって改善できるか

批判的思考を教育によって改善できるかどうかについても、多くの研究が行われています。

Philip C. Abramiらは、2008年および2015年に、批判的思考の教育方法についてメタ分析を行いました。

2015年の論文「Strategies for Teaching Students to Think Critically: A Meta-Analysis」では、批判的思考を明示的な学習目標とし、対話や具体的な問題への取り組みなどを組み合わせる教育方法が検討されています。

これらの研究は、批判的思考を単に知識として説明するだけでなく、実際に使う機会を設けることの重要性を示唆しています。

ただし、教育による効果は、対象者、教育方法、評価指標などによって異なります。

また、ある授業で批判的思考の能力が向上したとしても、その能力が自動的にすべての専門領域へ転移するとは限りません。

例えば、論理的な文章を分析する能力が向上しても、統計的な研究結果や工学的な技術評価を適切に行うには、追加の専門知識が必要になる場合があります。

したがって、批判的思考は、抽象的な原則を学ぶだけでなく、具体的な問題へ適用することで育成することが重要だと考えられます。

LLMによる批判的思考の支援

LLMは、批判的思考の一部を支援することができます。

例えば、ある提案書を入力し、その中の主張、根拠、暗黙の前提、反論の候補を抽出することが考えられます。

また、同じ問題について複数の説明を生成したり、検証すべき質問を提示したりすることもできます。

支援機能	AIが行う処理の例
主張の抽出	文章の結論や提案を明確にする
前提の抽出	明示されていない仮定を提案する
根拠の整理	主張と引用資料・データを対応づける
反論の生成	別の立場からの疑問を提案する
代替仮説の生成	同じ事象を説明する別の可能性を考える
検証課題の提示	追加調査が必要な点を明らかにする
論証マップの作成	主張、支持、反論の関係を整理する
判断の再評価	新しい情報を加えて結論を再検討する

ただし、AIが生成した反論が適切であるとは限りません。

LLMは、もっともらしい説明や根拠を生成できても、存在しない事実や出典を含めてしまう可能性があります。

また、利用者が特定の結論を支持するように質問すれば、その結論に沿った説明が生成される場合もあります。

反対に、「この主張の誤りを探して」と質問すると、無理に欠点を探そうとする可能性もあります。

したがって、AIを批判的思考に利用する場合には、賛成する根拠と反対する根拠を公平に検討し、どちらも元の資料で確認することが重要です。

AIの回答を批判的に評価する

AIの回答を評価する場合には、特有の注意点があります。

第一に、文章が流暢であることと、内容が正しいことは別です。

第二に、出典が示されていても、その出典が実際に主張を支持しているとは限りません。

第三に、AIが複数の出典を示していても、それらが同じ元情報を引用している可能性があります。

第四に、AIが推論によって作成した説明と、実際の資料に記載された内容を区別する必要があります。

第五に、AIの回答が利用者の問題設定に強く依存している場合、そもそも質問の前提を見直す必要があります。

例えば、次のような質問を考えます。

「この新技術が成功する理由を説明してください」

この質問では、技術が成功することを前提とした説明が生成される可能性があります。

一方、次のような質問であれば、より幅広い検討が期待できます。

「この技術が成功する条件と失敗する条件を整理し、現在確認されている根拠と未確認の仮説を区別してください」

さらに、比較対象となる既存技術や代替案を提示することも有用です。

ただし、質問を工夫するだけでAIの回答が正しくなるわけではありません。

重要な事実や判断については、元の資料やデータを確認する必要があります。

AIに批判的思考を任せられるか

LLMは、論理的な説明の矛盾を指摘したり、反論を生成したりすることができます。

しかし、それをもって、AIが人間と同じ意味で批判的思考を行っていると結論することはできません。

批判的思考には、何を問題とするか、どの根拠を重視するか、どの程度の不確実性を許容するかなどの判断も含まれます。

これらの判断には、目的や価値基準、専門知識、現実の状況に関する理解が必要になります。

AIは、その判断に必要な情報を整理し、複数の可能性を提示することができます。

しかし、実際の意思決定の責任や、根拠の最終的な確認まで自動的に引き受けられるとは限りません。

特に、生成された反論の質と量を、そのまま批判的思考の質と見なすべきではありません。

多くの反論を列挙することよりも、判断に重要な問題を適切に識別することが必要です。

批判的思考を構造化して記録する

批判的思考を継続的に利用する場合には、検討した内容を構造化して記録することが考えられます。

例えば、次のような項目を設けることができます。

項目	内容
検討する主張	何を判断するのか
主張の定義	重要な用語や評価指標
支持する根拠	主張を支持する事実やデータ
反対する根拠	主張に疑問を生じさせる情報
暗黙の前提	推論に必要な仮定
代替仮説	別の説明や選択肢
不確実性	未確認事項や結果の変動要因
現時点の判断	利用できる情報に基づく結論
判断の条件	結論が成立する範囲
再評価の条件	どのような新情報によって結論を見直すか

こうして記録しておけば、ある時点で何を根拠に判断したかを、後から確認できます。

また、新しい証拠が得られた際に、どの部分を修正する必要があるかを特定しやすくなります。

例えば、ある技術について「現時点では実現可能性が低い」と判断した場合、その理由を記録しておきます。

その後、新しい材料や製造方法が開発された場合には、以前の判断の根拠が変化していないかを再検討できます。

このような仕組みは、単発の批判的思考だけでなく、組織としての継続的な学習にも役立つ可能性があります。

批判的思考の限界1 ― 疑うだけでは前進しない

批判的思考は、何でも疑う態度と混同されることがあります。

しかし、すべての主張について誤りの可能性を探し続けていても、適切な判断につながるとは限りません。

例えば、新しい事業アイデアについて、技術的な不確実性、市場の不確実性、競争上の問題などを次々に指摘することはできます。

しかし、それだけでは、どのような条件が整えば事業が成立するかは明らかになりません。

批判的思考では、問題を指摘するだけでなく、その問題をどのように確認し、解決できるかを考えることが必要です。

場合によっては、限定的な試行を行い、結果を確認する方が有用なこともあります。

批判的思考の限界2 ― すべての問題に同じ証拠水準は必要ない

ある判断について十分な根拠があるかどうかは、問題の性質によって変わります。

例えば、簡単に変更できるウェブページの改善と、多額の設備投資では、必要な検証の水準が異なります。

また、研究開発の初期段階では、まだ十分な根拠がない仮説を検討すること自体に意味があります。

その段階で、確実に成立するものしか採用しないという態度を取れば、新しい可能性の探索が難しくなるでしょう。

一方、実際に製品を市場へ投入する段階では、より厳密な性能・安全性の確認が必要になる場合があります。

批判的思考では、仮説の生成段階と、実行・採用の判断段階を区別することが重要です。

批判的思考の限界3 ― 一般的な論理だけでは専門的な問題を評価できない

ある主張の論理構造が適切であっても、その根拠となる専門的な情報が誤っている可能性があります。

例えば、統計的な分析について正しい評価を行うには、標本抽出や測定方法についての知識が必要になる場合があります。

また、材料や装置の性能を評価するには、物理的・化学的な仕組みを理解する必要があります。

したがって、批判的思考の一般的な原則を学ぶだけで、あらゆる分野について正しい判断ができるわけではありません。

必要に応じて、専門家の知識や追加の調査を利用することが重要です。

批判的思考の限界4 ― 価値判断を自動的に決定できない

批判的思考は、ある判断にどのような根拠があるかを明らかにすることができます。

しかし、何を望ましい結果と考えるかについては、別の問題が残ります。

例えば、新しい生産設備を導入するかどうかについて、生産性、費用、安全性、従業員の負担、環境への影響など、複数の評価基準が存在する場合があります。

これらの基準の重要性については、立場によって意見が異なるかもしれません。

批判的思考は、それぞれの判断がどのような価値基準に基づいているかを明らかにするために役立ちます。

しかし、どの価値基準を優先するべきかを、論理だけで必ず決定できるわけではありません。

ThinkNaviでの位置づけ

ThinkNaviでは、批判的思考を、情報の理解、問題設定、仮説形成、意思決定などに共通して必要となる基本的な思考能力として位置づけます。

ロジカルシンキングでは、情報や推論を整理する方法を学びます。

論証分析では、主張、根拠、前提、反論などの関係を明らかにします。

科学的方法では、仮説を検証するための観測や実験を扱います。

批判的思考は、これらの活動を通じて、何を根拠に判断するか、自分の前提を見直す必要がないかを検討するための考え方です。

ThinkNavi Freeでは、ある主張について、根拠、反対意見、代替仮説、不確実性、判断の条件などを手入力で整理するワークシートが考えられます。

また、複数の選択肢について、それぞれの根拠や問題点を整理する機能も考えられます。

LLM活用版では、文章から主張や前提を抽出したり、反論や代替仮説を生成したり、追加調査が必要な事項を提示したりする支援機能が考えられます。

ただし、AIが生成した分析結果をそのまま信頼するのではなく、元の資料と照合し、根拠と推測を区別する必要があります。

さらに、ConceptMiner R&Dのような異分野の技術情報から仮説を生成するシステムでは、批判的思考の考え方を、生成された仮説の評価や検証に利用することが考えられます。

例えば、技術要素から異分野の応用仮説が生成された場合、その仮説について、既存の研究によって確認されている部分と、新しい推論に基づく部分を区別します。

そのうえで、成立条件、反対の証拠、技術的な制約、代替案、必要な実験などを整理できます。

また、仮説を生成した時点での根拠と、その後に追加された検証結果を対応づければ、判断がどのように変化したかを追跡できる可能性があります。

ただし、仮説について多数の評価項目を作成したからといって、その仮説の価値が自動的に判断できるわけではありません。

探索段階では、現時点で根拠が不足していても、新しい可能性として検討する価値がある仮説が存在します。

一方、実際の研究開発投資や製品化の判断では、より厳密な検証が必要になる場合があります。

このように、仮説を生み出すことと、仮説を採用することを区別しながら、必要な根拠を段階的に確認するという考え方が重要です。

これらは将来の開発可能性を示すものであり、現在すべての機能が提供されていることを意味しません。

批判的思考は、既存の知識や専門家の判断を無条件に疑うためのものではありません。

また、批判的思考によって、すべての問題について確実な答えが得られるわけでもありません。

その重要な役割は、自分が何を知っていて、何を知らず、どのような前提に基づいて判断しているかを明らかにすることです。

既存の知識や判断を検討することは、誤りを防ぐためだけでなく、これまで気づかなかった問題や可能性を発見することにもつながります。

批判的思考は、他人の主張を否定する技術ではなく、自分自身の考えを含めて、よりよい理解と判断へ近づくための方法です。主張を支持する根拠と反対する可能性をともに検討し、新しい情報に応じて判断を修正することが、その中心にあります。

参考文献・関連資料

批判的思考の理論

Stanford Encyclopedia of Philosophy — Critical Thinking
John Dewey, How We Think, D. C. Heath & Co., 1910.
Robert H. Ennis, “A Concept of Critical Thinking,” Harvard Educational Review, 32(1), 1962, pp. 81–111.
Robert H. Ennis, “A Taxonomy of Critical Thinking Dispositions and Abilities,” in Teaching Thinking Skills: Theory and Practice, edited by Joan Boykoff Baron and Robert J. Sternberg, W. H. Freeman, 1987.
Robert H. Ennis, “A Long Definition of Critical Thinking,” CriticalThinking.NET.
Peter A. Facione, Critical Thinking: A Statement of Expert Consensus for Purposes of Educational Assessment and Instruction, American Philosophical Association Delphi Report, 1990.
Richard Paul and Linda Elder, The Miniature Guide to Critical Thinking: Concepts and Tools, Foundation for Critical Thinking.

認知・情報評価

Raymond S. Nickerson, “Confirmation Bias: A Ubiquitous Phenomenon in Many Guises,” Review of General Psychology, 2(2), 1998, pp. 175–220.
Daniel Kahneman, Thinking, Fast and Slow, Farrar, Straus and Giroux, 2011.
Sam Wineburg and Sarah McGrew, “Lateral Reading: Reading Less and Learning More When Evaluating Digital Information,” Teachers College Record, 121, 2019.
University of Chicago Library — The SIFT Method
Stanford Graduate School of Education — How Experts Evaluate Online Information

教育と実践

Philip C. Abrami et al., “Instructional Interventions Affecting Critical Thinking Skills and Dispositions: A Stage 1 Meta-Analysis,” Review of Educational Research, 78(4), 2008, pp. 1102–1134.
Philip C. Abrami et al., “Strategies for Teaching Students to Think Critically: A Meta-Analysis,” Review of Educational Research, 85(2), 2015, pp. 275–314.
Diane F. Halpern, Thought and Knowledge: An Introduction to Critical Thinking, 5th ed., Psychology Press, 2014.
Alec Fisher, Critical Thinking: An Introduction, Cambridge University Press, 2011.
The University of Hong Kong — Critical Thinking Web