人工知能の文脈において、「Chain of Thought（思考の連鎖）」とは、LLMに対して最終的な回答に到達する前に中間的な推論ステップを生成させるプロンプト技術を指します。これにより、内部の隠れた状態を反復処理できない構造的な制限を持つモデルであっても、論理の軌跡として機能するトークンを出力することで、再帰的な処理をシミュレートすることが可能になります。しかし、近年の観察では、人間も複雑なタスクを実行する際に自分の思考プロセスを言語化することで、同様の認知的利点を得られる可能性が示唆されています。
ある開発者は、常識的には発話は沈黙した思考よりも遅いものの、アイデアを声に出して明確にすることは一種の「ラバーダック・デバッグ」として機能すると指摘しました。文字通りのラバーダックにコードを説明するのと同様に、自分自身に話しかけることで、脳は明文化されていない前提を評価し、優先順位を線形に整理し、明確な抽象概念を特定することを強制されます。高難度のパズルやエンジニアリングの問題において、この実践は、潜在意識的な直感だけに頼るのではなく、形式的なルールに必要な遅く慎重な精神的処理である「システムII思考」を関与させるのに役立ちます。また、これはバックトラッキングのメカニズムも提供します。選択肢が発生するたびに名前を付けることで、任意の経路が行き止まりに達したことを認識しやすくなるのです。
論理的な構造化を超えて、発声による推論には生理学的および心理的な要因も関わっています。行動をナレーションすることは、残響記憶（echoic memory）を活用してワーキングメモリの容量をわずかに拡張し、連続的なステップを保持しやすくすることができます。さらに、自己監視下での行動がパフォーマンスの向上につながる「ホーソン効果」を指し示す証拠もあります。発声が高度な創造性や深い直感的な飛躍を妨げる可能性があると主張する者もいれば、圧倒的な目標を管理可能な些細な一連の音声ステップに分解することで、「着手への不安」を軽減するのに特に効果的であると考える者もいます。このアプローチは、学生に思考を話すことを促すことで教材への能動的な精神的関与を確実にする「ガイド付き探究」のような教育戦略とも共通しています。