本論文は、予測型人工知能システムが人間の認知プロセスに与える影響を、幾何学的力学系の枠組みを用いて分析した研究である。従来の認知理論では、問題解決は構造化された問題空間における探索的サーチとして説明され、繰り返しの相互作用を通じて探索が効率的な表現構造へと圧縮されていくとされている。しかし、予測型AIシステムの登場により、この従来のプロセスが根本的に変わる可能性が生じている。本研究が指摘する重要な点は、予測支援が内部生成的な探索が十分に展開する前に解決策と意思決定軌跡を提供してしまい、探索的多様化が起こる前に安定化が生じるという新たな体制を創出するということである。 著者らが開発した理論的枠組みでは、注意が安定化ドリフト、内生的探索摂動、応答性制御学習によって形成される戦略ランドスケープ上で進化するプロセスをモデル化している。予測支援は、自己生成的な探索が戦略空間の到達可能領域を拡大する前に軌跡を安定化させる外生的探索圧縮プロセスとして扱われている。 この理論的分析は、三つの重要な発見をもたらしている。第一に、持続的な予測支援は、探索的変動性が存在していても、内在的摂動の有効な影響を減弱させることで探索応答性を低下させる。第二に、曲率は非対称的に蓄積・弛緩し、支援撤回後に履歴と遅延回復現象を生み出す。第三に、発達的成果は安定化のタイミングに大きく依存し、幅広い表現的多様化が起こる前の早期介入は、将来の探索的移行を制限してしまうというものである。本研究の枠組みは、探索的エントロピー、時期尚早な収束、予測安定化後の遅延回復に関する経験的に検証可能な予測を生成しており、予測システムが探索的認知そのものの幾何学的構造を再形成する可能性があることを示唆している。