Column

タイピングの「乱れ」が認知負荷を語る——キーストローク動態でLLMツールの「使いにくさ」を可視化する

36名の実験で、LLMへのプロンプト入力中のキーストローク動態が認知的負荷の受動的指標になることが確認された。社内LLMツールの利用ログを認知負荷センサとして活用するワークプレース分析の実装提案を解説する。

2026 / 07 / 01 5 分で読める English version →

こんにちは。Affectosphere Group の三浦です。

「社内LLMツール、使ってますか？」と聞けば多くのビジネスパーソンが「使っています」と答えます。

でも「それで仕事が楽になっていますか？」という問いには、意外と「うーん……」という反応が返ってきます。

問題の一つは、AIツールの「使いにくさ」が見えないことです。使っているかどうかはログでわかる。でも、使っているときにどれだけ苦労しているかは、従来ログには残りません。

2026年6月にarXivで公開された研究（Schütz et al., arXiv:2606.28090）は、そのギャップを埋めるヒントを提供しています。プロンプトを入力するときの「タイピングの仕方」が、認知的負荷のセンサになるという実験結果です。

今日の3点

LLMへのプロンプト入力中のキーストローク動態（入力速度・ポーズ頻度・バックスペース回数等）が認知的負荷の受動的指標となることが、36名の被験者実験で確認された。
困難なタスクでは有意に多いキーストローク・遅い入力速度・長い休止が観察され、主観的ワークロード評価とも整合した。
ただしキーストロークメトリクスはLLMの回答の有用性を予測しない。ツールの品質評価とは独立した「ユーザー側の負担」の指標であることが示された。

① キーストローク動態とは何か

キーストローク動態（keystroke dynamics）とは、タイピングの時間的パターンを指します。

キーを押してから次のキーを押すまでの時間（キーインターバル）、入力の途中で手が止まる時間（ポーズ）、バックスペースを押す回数、総入力速度——これらを連続的に記録したものです。

パスワード認証などのセキュリティ分野では以前から研究されてきた指標ですが、この研究は「認知負荷の受動的センサ」として使えることを、LLM対話という新しい文脈で確認しています。

「受動的」というのが重要です。アンケートや思考発話プロトコルのように、ユーザーに何か余分な行動を求めない。タイピングしている限り、勝手にデータが得られる。

② 実験の設計

研究では36名の被験者に対して、難易度の異なるタスクに取り組んでもらいながらLLMへのプロンプトを入力させました。

タスクは「認知的負荷が低い条件」と「高い条件」に分けられています。高負荷条件では、複雑な問題設定を理解しながらプロンプトを組み立てる必要があり、何を書けばよいかを考えながら入力する状況が作られました。

測定したキーストロークメトリクスは複数あります。総キーストローク数、平均入力速度（1分あたりの文字数）、ポーズの頻度と長さ、バックスペース使用率、そして入力開始から送信までの総所要時間などです。

主観的ワークロード評価（NASA-TLX等の類似指標）との照合も行われています。

③ 困難なタスクではタイピングが「乱れる」

結果として、認知負荷が高いタスクでは一貫したキーストローク変化が観察されました。

キーストローク数は増えます。考えながら書き直すため、余分な入力が増える。入力速度は落ちます。思考が間に入るからです。ポーズが長く・頻繁になります。「次に何を書こう」と手が止まる場面が増える。

これらは主観的ワークロード評価のスコアとも有意に対応していました。「難しかった」と感じた人は、実際にキーストロークデータでも「乱れ」が見られた。

一方で重要な発見があります。これらのメトリクスは、LLMが返した回答の有用性を予測しませんでした。ユーザーが苦労してプロンプトを作っても、良い回答が来ることもあれば、楽に書いたプロンプトでも悪い回答が来ることもある。

これは「ユーザーの負担」と「ツールのパフォーマンス」が独立した次元であることを意味します。

なぜこれがワークプレース分析に使えるのか

今、多くの企業がMicrosoft Copilotや社内LLMチャットツールを全社展開しています。

「使われているか」はログで計測できます。「どのくらいの頻度で使われているか」もわかります。でも「使うときにどれだけ苦労しているか」は見えない。

そこにキーストローク動態が入ってきます。

プロンプト入力時のキーストロークメタデータを分析すれば、「どの業務カテゴリでユーザーが最も苦労しているか」「どの部署・役職層でAI活用の認知負荷が高いか」が推定できます。

これは研修の優先度設定に直結します。キーストロークデータで認知負荷の高い業務を特定し、そこにプロンプト研修や業務フロー改善を集中投資する。

企業への実装提案：キーストローク認知負荷モニタリング基盤

想定ユースケースは、社内LLMツール（Copilot等）を展開している企業のIT/UX部門または人事部門です。

第一に、ブラウザまたはアプリレイヤーでキーストロークメタデータのログ取得を導入すること。プロンプトのテキスト内容は取得する必要はなく、時間的パターン（インターバル・ポーズ・バックスペース率）だけで十分です。プライバシーへの配慮も相対的にシンプルになります。

第二に、業務カテゴリ別・部署別の「認知負荷指数」を月次で算出すること。同じLLMツールを使っていても、業務の性質によって認知負荷は大きく異なります。どこが「使いにくい」状態にあるかを部署×業務カテゴリのマトリクスで可視化する。

第三に、認知負荷が高いセグメントに対してプロンプト研修・テンプレート整備を集中投入すること。KPIは「平均入力速度の改善」と「ポーズ頻度の低下」で測定できます。研修効果を定量的に確認できるのが、この枠組みの利点です。

大企業であれば、この分析を四半期ごとに回すだけで、AI活用推進の優先地図が明確になる可能性があります。

「使っている」と「使えている」の間の距離

AI導入の成果が見えにくい理由の一つは、「使用量」だけを計測しているからかもしれません。

使用量は伸びている。でも認知負荷も高いまま。結果として「AIを使うたびに疲れる業務」が社内に積み上がっていく。

キーストローク動態は、この「使えているか」の問いに答えるための、現実的で低コストな手がかりを提供します。

今日の研究は36名という小規模実験ですが、方向性は明確です。今後、企業のAI活用ログに認知負荷の次元を加えることは、プロダクトマネージャーや人事部門にとって実装価値がある取り組みになると思います。

では！

参考論文

Schütz, Laura, Cherif, Yousri, Sayffaerth, Clara, Weber, Thomas, & Chiossi, Francesco (2026). Typing Behavior in Human-LLM Interaction: Keystroke Dynamics Reveal Cognitive Effort During Prompting. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。