【人工知能に学ぶ育児】子供は本当に褒めるだけで良いのか?
パパ塾挑戦中、ウクレレ大好きレレパパです。
自己肯定感を高めるために子供を褒めるべきっていうよね。
※本記事の作成時点:長女(小3)、次女(年長)
昨今、子供の自己肯定感が育児・教育のキーワードになっています。
「『いかに子供の自己肯定感を高めるか』こそが育児・教育の最重要課題だ」という論調さえ見受けられます。
自己肯定感を高めるために
そして、その自己肯定感を高めるためには、「とにかく子供を褒めて育てるべし!」と言われます。
子供の悪いところを見つけて叱るのではなく、良いところを見つけて褒めてあげる。
そうすれば、子供は自己肯定感を高めることができる、ということ。
それは、確かにその通りだと思います。
でも、褒めるだけでよいのか?
ですが、本当に褒めるだけでよいのでしょうか?
これについて、人工知能(AI)を参考にして考えてみました。
ニューラルネットワーク
人工知能には色々なものがありますが、ここでは一般的な教師あり学習のニューラルネットワークを想定します。
このような人工知能では、「入力値」を「複雑な関数」に代入して、出てきた計算結果を「出力値」とします。
例えば……
「動物の絵を表す数値データ」を「入力値」とします。
この「入力値」を「複雑な関数」に代入して、その計算結果が「猫」を表す数値なら、その動物を「猫」と推定します。
一方、その計算結果が「犬」を表す数値なら、その動物を「犬」と推定します。
この「複雑な関数」に含まれる係数(など)を上手に決めてあげたものが人工知能です。
この「複雑な関数」はニューラルネットワークとも呼ばれ、人間の脳の仕組みを参考にして考えられたと言われています。
教師あり学習
この「複雑な関数」に含まれる係数(など)を上手に設定するために用いられるのが、たくさんの「教師データ」。
「教師データ」とは、「サンプル」と「その答え」がセットになったデータです。
上記の例で言えば、次のような教師データを使います。
◆ サンプル:三毛猫の絵を表す数値データ
答え :猫
◆ サンプル:ラグドールの絵を表す数値データ
答え :猫
◆ サンプル:アメリカンショートヘアーの絵を表す数値データ
答え :猫
◆ サンプル:柴犬の絵を表す数値データ
答え :犬
◆ サンプル:ミニチュアダックスフントの絵を表す数値データ
答え :犬
◆ サンプル:ドーベルマンの絵を表す数値データ
答え :犬
これらの各サンプルの数値データを「入力値」として「複雑な関数」に代入します。
そして、その「出力値」が「答え」と一致するように、「複雑な関数」の係数(など)を調整します。
こういったプロセスを「学習」と呼び、学習をした「複雑な関数」を「学習済みモデル」などと呼んだりします。
答えが分かっている教師データを使って一度「学習済みモデル」を作ってしまえば、次からは答えが分からないサンプルであっても「学習済みモデル」を使って答えを推定することができます。
教師データには、正解と不正解が必要
ここで重要なのが、猫かどうかを推定する人工知能(学習済みモデル)を作るためには、猫の画像(正解)だけでなく、犬などの画像(不正解)も必要になるという点。
そうしないと、正解と不正解の境界線がわからないのです。
育児の場合は……
育児の場合も同じなのではないか?と思うのです。
褒めるだけの育児では、子供は「正解」の教師データしか与えられないことになります。
ですが、「正解」の教師データだけでは、「不正解」の情報が得られません。
子供は、やったら褒められる行動は学びますが、やったら叱られる行動を学ぶことができません。
つまり、褒めるだけの育児では、子供は正解と不正解の境界線がわからないのではないか?と思うのです。
要するに、子供が悪いことをしたら𠮟るべき、という当たり前の結論です。
ただし、自己肯定感とは別の話
ただし、これは子どもに「やってよいこと」と「やってはいけないこと」の境界線を教えるために叱ることが必要、という話。
自己肯定感を高めることとは全く別の話です。
突然まじめだなw
にほんブログ村
ブログランキングに参加しています!
一日一回、バナーを押して清き一票、応援お願いします!
※にほんブログ村のサイトに飛びます。