マーク・A・グアダニョーリとティモシー・D・リー（2004）によって考案されたチャレンジポイント・フレームワークは、運動学習における様々な練習条件の効果を概念化するための理論的根拠を提供します。このフレームワークは、練習変数を個人のスキルレベル、課題の難易度、そして情報理論の概念に関連付けます。基本的な考え方は、「運動課題は、能力の異なる実行者にとって異なる課題を提示する」というものです（グアダニョーリとリー、2004年、p212）。どのような課題でも、個人にはある程度のチャレンジが提示されます。しかし、この課題の難易度レベルから得られる学習ポテンシャルは、以下の要因によって異なります。
- 演奏者のスキルレベル
- タスクの複雑さ
- タスク環境
重要なのは、課題の難易度が上昇すると学習の可能性が高まる可能性がある一方で、パフォーマンスが低下する可能性もあるということです。したがって、学習が最大化され、実践におけるパフォーマンスへの悪影響が最小限に抑えられる時が、最適なチャレンジポイントとなります。
重要性と応用
運動技能遂行能力の「比較的永続的な」向上には、練習が最も重要な要素であると提唱されてきた (Adams 1964; Annett 1969; Fitts 1964; Magill 2001; Marteniuk 1976; Newell 1981; Salmoni et al. 1984; Schmidt and Lee 1999; Guadagnoli and Lee 2004)。他のすべての変数を一定とすれば、技能は練習によって向上する (Guadagnoli and Lee 2004)。しかし、練習時間をより効率的に活用するには、練習条件を慎重に検討する必要がある。チャレンジポイント・フレームワークは、練習中の学習ポテンシャルを調節する上で、実行者のレベル、課題の複雑さ、そして環境が果たす役割について考察するための理論的視点を提示する。運動学習を強化するためにこれらの要素を調整することは、リハビリテーション (Descarreaux et al. 2010、Onla-or & Winstein 2008) やシミュレーション ベースの医療専門家教育 (Gofton 2006) など、さまざまな状況に適用できます。
歴史
チャレンジポイント・フレームワークは、情報理論、通信理論、情報処理理論（Lintern and Gopher 1978; Martenuik 1976; KM Newell et al. 1991; Wulf and Shea 2002）といった様々な研究分野から生まれた概念を包含しています。この理論的枠組みを理解する上で重要な、先行研究から借用した具体的な概念には、以下のものがあります。
- 学習は問題解決のプロセスであり、行動の目標は解決すべき問題を表し、動作構成の進化は実行者が問題を解決しようとする試みを表します (Miller et al. 1960、Guadagnoli and Lee 2004 による引用)。
- 問題を解決しようとする各試みの最中および試みの後に利用可能な情報源は記憶され、学習の基礎を形成します。学習は、練習の結果として得られる比較的永続的なスキルの向上として定義されます (Guthrie 1952、Guadagnoli および Lee 2004 による引用)。
- 学習には 2 つの情報源が重要です。
- 行動計画とは、意図を呼び起こし、最終的に特定のパフォーマンスにおける特定の動作構成をもたらす構成です（Miller et al. 1960、Guadagnoli and Lee 2004による引用）。「運動制御」を参照。
- フィードバックは、個人に固有のもの（視覚など）である場合もあれば、外部の拡張ソース（口頭による指示など）を介して利用できる場合もあります。
- 情報は不確実性が低減された場合にのみ伝達されます (Shannon and Weaver 1949; Fitts 1954; Fitts and Posner 1967; Legge and Barber 1967; Martenuik 1976; Miller 1956、Guadagnoli and Lee 2004 による引用)。
コンポーネント
チャレンジポイントフレームワークの説明から次のことがわかります。
- 情報なしで学ぶことは不可能である
- 不十分な情報や過剰な情報を提示されると学習が阻害される
- 学習は、個人のスキルと課題の難易度に応じて最適な量の情報によって促進されます。
利用可能な情報とタスクの難易度
学習は基本的に問題解決のプロセスです。練習を重ねるごとに、参加者の期待がより高まるため、利用可能な情報は減少すると考えられています（すなわち、練習＝冗長性、したがって不確実性は減少する；Marteniuk 1976）。しかし、機能的課題の難易度が上昇すると、行動計画の成功予測とフィードバックの性質に関する確実性は低下します。機能的課題の難易度が低い場合、利用可能な潜在的情報は、あらゆるスキルレベルの実行者にとって低いものです。機能的課題の難易度が上昇するにつれて、利用可能な潜在的情報は初心者では指数関数的に増加しますが、中級者および熟練者ではその増加速度は緩やかです。熟練者の場合、利用可能な潜在的情報は、機能的課題の難易度が最も高い場合にのみ増加します。
タスクの難易度とスキル
課題の難易度は、先行研究においてかなりの注目を集めてきました（Fleighman and Quaintance 1984; Gentile 1998）。チャレンジポイントの枠組みにおいて重要なのは、課題の難易度が明確に定義されていないことです。代わりに、これらの要素は2つの大まかなカテゴリーにまとめることができます。
- 名目上のタスク難易度
- 課題の特性のみに起因する難しさであり、課題の難しさの一定量を反映します (例: 投げる対象が近いか遠いか)。これには、知覚および運動パフォーマンスの要件が含まれます (Swinnen 他、1992 年)。
- 機能的課題の難易度
- 課題を実行する人物と環境に起因する難しさ (例: メジャーリーグのピッチャーと経験の浅いボール投げの 2 人が、晴れた日と風の強い日の 2 日間、一塁までできるだけ速く野球ボールを投げるように求められます)。
名目難易度が低いタスクのパフォーマンスは、すべての実行者グループ（つまり、すべてのスキルレベル）において高いことが期待されます。ただし、初心者のパフォーマンスは名目難易度が上昇するにつれて急速に低下することが期待されますが、中級者および熟練者のパフォーマンスはそれほど急激には低下せず、熟練者のパフォーマンスは名目難易度が最も高いレベルにおいてのみ低下することが期待されます。
「エキスパート」のスキルレベルはこのフレームワークを説明する上で有用ですが、エキスパートはあらゆる名目上のタスク難易度において高い予測成功率を持つべきだと主張する人もいるかもしれません。専門知識を習得すれば、これらの個人は進行中のタスクの結果を予測し、適切な結果に到達するために進行中のプロセスを修正できるようになる可能性があります（例：外科医）。
最適なチャレンジポイント
最適チャレンジポイントとは、特定のスキルレベルの個人が学習を最適化するために必要な機能的な課題の難易度を表すものです（Guadagnoli and Lee 2004）。しかし、この学習は解釈可能な情報量に依存します。したがって、課題の難易度が上昇すると学習の可能性は高まりますが、解釈可能な情報量には限界があり、課題のパフォーマンスは低下することが予想されます。したがって、最適チャレンジポイントは、学習が最大化され、実践におけるパフォーマンスへの悪影響が最小限に抑えられたときに存在します。練習が増えるにつれて、個人の情報処理能力は向上すると想定されています（Marteniuk 1976）。したがって、最適チャレンジポイントは個人の情報利用能力が変化するにつれて変化し、学習を促進するためには課題の機能的な難易度をさらに変化させる必要があります（Guadagnoli and Lee 2004）。
変数とフレームワークの予測を実践する
コンテキスト干渉（CI）と行動計画
CIに関するチャレンジポイントフレームワークからの予測（運動学習を参照; Guadagnoli and Lee 2004, p 219）：
- 「名目上の難易度が異なるタスクの場合、学習におけるランダム練習（ブロック練習に対して）の利点は、名目上の難易度が最も低いタスクで最大となり、名目上の難易度が最も高いタスクで最小となります。」
- 「スキル レベルの異なる個人の場合、初心者のスキル レベルには低い CI レベルの方が適しており、より高度なスキルを持つ個人には高い CI レベルの方が適しています。」
結果に関する知識（KR）とフィードバック情報
KRに関するチャレンジポイントフレームワークからの予測（運動学習を参照; Guadagnoli and Lee 2004、p221）：
- 「名目上の難易度が高いタスクの場合、KRをより頻繁に、または即座に提示するか、あるいはその両方を行うことで、最大の学習効果が得られます。名目上の難易度が低いタスクの場合、KRをより頻繁に、または即座に提示するか、あるいはその両方を行うことで、最大の学習効果が得られます。」
- 複数の情報源から拡張情報を提供できるタスクの場合、情報の提示スケジュールが学習に影響を与える。名目上の難易度が低いタスクでは、拡張フィードバックの提示をランダムスケジュールで行う方が、ブロックされた提示よりも学習を促進する。名目上の難易度が高いタスクでは、ブロックされた提示の方がランダムスケジュールよりも学習効果が高い。
