「カード作りが面倒すぎる」問題をAIで解決したら、資格勉強が続くようになった

Posted at 2026-03-10

「カード作りが面倒すぎる」問題をAIで解決したら、資格勉強が続くようになった

はじめに：エンジニアの「積ん読あるある」

AWS Solutions Architect、情報処理技術者試験、LPIC、TOEIC……

エンジニアなら一度は「今年こそ取る」と決意した経験はないだろうか。参考書を買い、最初の数日は順調に進む。でも気づいたら積ん読になっている。

私も何度もこのループを繰り返してきた。でもあるとき気づいた。問題は「やる気がない」ことではなく、勉強を始めるまでの摩擦が大きすぎることだった。

この記事では、その摩擦の正体と、AIフラッシュカードアプリ（個人開発）で解決した話を、技術的な実装も含めて書いていく。

続かない本当の理由＝「暗記カード作成コスト」

スペーシング復習（間隔反復）が効果的なのは知っていた。AnkiやQuizletも試した。

だが毎回こうなる：

テキストを読む
重要な部分を抜き出す
問題文と答えを考える
ツールに入力する

ステップ2〜4が、勉強そのものより時間がかかる。

AWS SAA を例にすると、IAM・VPC・S3・RDS・Lambda……カバーすべきサービスだけでも数十ある。各サービスの概念・ベストプラクティス・料金体系まで含めると、必要なカードは数百枚規模になる。

私のケースでは、1枚のカードを手動で作るのに平均2〜3分かかっていた。100枚作ろうとすると約4時間。これではカードを作り終える前に心が折れる。

インプットではなくカード作りに時間を使っている、という本末転倒な状態だった。

既存ツールで感じた壁

ツール	良い点	壁になった点
Anki	SRSアルゴリズムが強力、自由度が高い	標準機能でのカード作成は手動のみ、UIに学習コストがある
Quizlet	UIが洗練されている、共有しやすい	日本語でのAI生成精度にムラがある、無料プランの制限が大きい

特に課題だったのは以下の2点だ:

日本語テキスト・画像からのカード自動生成に対応していない(AWSの公式ドキュメントも情報処理試験の参考書も日本語)
学習内容から文脈を理解して四択を生成する機能がない(情報処理試験のような選択問題の練習には不十分)

「じゃあ、AIにカード作成を丸ごと任せるアプリを作ればいいのでは?」というのが出発点だった。

作ったもの：Cobo Memo

Flutter + AWS Amplify Gen2 + Google Gemini API で構成したフラッシュカードアプリだ。Flutterを選択したのは、iOS, Android, Webサービスを一体で作りたかったから。Amplifyを選定したのは、Claude Codeや、Cursorを使ってAIエージェントにフロントエンド＋バックエンド一気通貫で開発を進めたかったから。Google Gemini Flush Lite APIを選択したのは、精度とコストパフォーマンスの効率が最高だったからだ。

全体アーキテクチャ

┌─────────────────────────────────────────────────┐
│  Flutter App (iOS / Android)                    │
│  ├── SQLite（ローカルストア）                     │
│  └── Amplify DataStore ⇄ DynamoDB（クラウド同期） │
└──────────┬──────────────────────────────────────┘
           │ REST API (API Gateway)
           ▼
┌─────────────────────────────────────┐
│  AWS Lambda (Python)                │
│  └── Gemini API 呼び出し            │
│      ├── テキスト → カード生成       │
│      └── 画像/動画 → カード生成      │
└─────────────────────────────────────┘
           ▲
           │ REST API (API Gateway)
┌──────────┴──────────────────────────────────────┐
│  Webコンソール（ブラウザ）                         │
│  └── カード作成・編集・デッキ管理                   │
└─────────────────────────────────────────────────┘

コア機能

機能	概要
AIカード生成	テキスト or 画像入力 → 問題・答え・補足・四択選択肢を自動生成
ChatGPT出力の取り込み	ChatGPTの回答をそのまま貼り付けてカード化
Webコンソール	PCブラウザからカード作成・管理。業務中のデスクでも使える
スペーシング復習	忘却曲線に基づく復習スケジュールの自動管理
オフライン対応	SQLiteをプライマリストア、DynamoDBと双方向同期
共有デッキ	ロールベースの権限管理（オーナー・編集者・閲覧者）

技術的な話：AIカード生成の実装

ここからは実装の詳細に踏み込む。

Gemini API でのカード生成

Lambda（Python）から Gemini API を呼び出して、構造化されたカードデータを生成している。

ポイントはプロンプトでJSON形式を強制することだ。自然言語で返されるとパースが面倒になるので、出力フォーマットをプロンプト側で厳密に指定する。

import json
import google.generativeai as genai

def generate_cards(text: str, num_cards: int = 5) -> list[dict]:
    """テキストからフラッシュカードを生成する"""

    prompt = f"""
以下のテキストから、学習用フラッシュカードを{num_cards}枚生成してください。

## 出力形式
以下のJSON配列のみを出力してください。説明文やMarkdownのコードブロック記法は不要です。

[
  {{
    "question": "問題文",
    "answer": "正解",
    "supplement": "補足説明（なぜその答えになるかの解説）",
    "select1": "誤りの選択肢1",
    "select2": "誤りの選択肢2",
    "select3": "誤りの選択肢3"
  }}
]

## ルール
- 問題文は具体的に。「〜とは何か」だけでなく「〜の場合、どのサービスを使うべきか」のような実践的な問いも含める
- 誤りの選択肢は、もっともらしいが明確に間違っているものにする
- 補足説明には、正解の根拠と誤りの選択肢がなぜ違うかを含める

## テキスト
{text}
"""

    model = genai.GenerativeModel("gemini-2.0-flash-lite")
    response = model.generate_content(prompt)

    # レスポンスからJSON部分を抽出してパース
    raw = response.text.strip()
    # Geminiが```json ... ``` で囲むケースに対応
    if raw.startswith("```"):
        raw = raw.split("\n", 1)[1].rsplit("```", 1)[0]

    cards = json.loads(raw)
    return cards

画像からのカード生成

参考書のページを撮影してカードを生成する機能もある。Gemini のマルチモーダル入力を使い、画像を直接渡す。

import base64

def generate_cards_from_image(image_bytes: bytes, mime_type: str = "image/jpeg") -> list[dict]:
    """画像からフラッシュカードを生成する"""

    prompt = """
この画像に含まれる学習内容から、フラッシュカードを生成してください。
（出力形式・ルールは上記と同様）
"""

    model = genai.GenerativeModel("gemini-2.0-flash-lite")
    response = model.generate_content([
        {
            "mime_type": mime_type,
            "data": base64.b64encode(image_bytes).decode("utf-8")
        },
        prompt
    ])

    raw = response.text.strip()
    if raw.startswith("```"):
        raw = raw.split("\n", 1)[1].rsplit("```", 1)[0]

    return json.loads(raw)

プロンプト設計で苦労したこと

開発中、いくつかの課題にぶつかった：

出力が安定しない: JSONの前後に余計なテキストが入ることがある → ```json の除去処理で対応
「もっともらしい誤答」の品質: 最初は明らかに違う選択肢ばかり生成された → プロンプトに「同じカテゴリの類似サービス名を使う」と指示を追加して改善
日本語特有の問題: 英語に比べて1トークンあたりの情報量が少ない → カード枚数の上限とテキスト量のバランス調整が必要だった

ChatGPTの出力をそのまま貼り付けてカード化する

ここまではアプリ内蔵のAI（Gemini）によるカード生成の話だったが、実はすでに手元にあるChatGPTの出力を活用するワークフローの方が、実務では使う場面が多い。

エンジニアなら、業務中にChatGPTで技術的な概念を調べたり、コードの仕組みを聞いたりする場面があると思う。そのとき得た知識を「あとで復習したい」と思っても、別途カードを作るのは面倒でやらない——というのがよくあるパターンだ。

Cobo Memo では、ChatGPTの回答をそのままテキスト入力欄に貼り付けるだけでカード化できる。

実際のワークフロー

ステップ1: ChatGPTに聞く

たとえば、AWSのサービスについて整理したいとき、ChatGPTにこんなプロンプトを投げる：

AWSのストレージサービス（S3、EBS、EFS、FSx）の違いを、
以下の観点で整理してください：
- ユースケース
- 料金体系の特徴
- パフォーマンス特性
- 選択時の判断基準

ステップ2: 出力をCobo Memoに貼り付ける

ChatGPTが返してきた回答を、Cobo Memoのテキスト入力にそのままコピー＆ペーストする。

ステップ3: AIがカードを自動生成

貼り付けたテキストをもとに、Gemini APIが問題文・答え・補足・四択選択肢を生成する。たとえばこんなカードができる：

Q: 大容量の非構造化データを低コストで保存し、静的Webサイトのホスティングにも使えるAWSサービスはどれか？
A: Amazon S3
補足: S3はオブジェクトストレージで、99.999999999%（イレブンナイン）の耐久性を持つ。EBSはEC2にアタッチするブロックストレージ、EFSは共有ファイルシステムで用途が異なる。

ChatGPTで「理解する」→ Cobo Memoで「定着させる」、という2段構えの学習ループが作れる。

応用：ChatGPTにカード形式で出力させる

さらに効率を上げたいなら、ChatGPTへのプロンプト自体を工夫する方法もある：

AWSのS3ストレージクラスの違いについて、
フラッシュカード形式で5問作ってください。

各カードは以下の形式で出力してください：
- 問題文（実務的なシナリオベース）
- 正解
- 補足説明
- 誤りの選択肢3つ（もっともらしいもの）

この出力をそのまま貼り付ければ、AIがさらに整形・補完してくれる。

Webコンソール：スマホアプリだけじゃない

Cobo Memo はスマホアプリだけでなく、PCブラウザから使えるWebコンソールも用意している。

これが意味するのは、業務中のデスクでもそのまま使えるということだ。

「勉強ツール」から「仕事のナレッジ管理」へ

フラッシュカードというと通勤時間にスマホでポチポチ、というイメージがあるかもしれない。だがWebコンソールがあることで使い方が変わる：

業務中に調べた技術知識をその場でカード化 — ChatGPTやドキュメントで調べた内容を、ブラウザのタブを切り替えてすぐにカードにできる
PCのキーボードで大量のカードを効率的に作成・編集 — スマホでの入力よりはるかに速い
チームのナレッジベースとして運用 — 共有デッキと組み合わせれば、チームの技術知識を体系的に管理・復習できる

スマホアプリは「復習」、Webコンソールは「作成・管理」と使い分けることで、学習のサイクルが回りやすくなる。

技術的な話：スペーシング復習の仕組み

各カードは以下の状態を持っている：

enum CardState {
  unlearned,  // 未学習
  learning,   // 学習中（短い間隔で復習）
  learned,    // 習得済み（間隔を広げて復習）
}

class CardProgress {
  DateTime nextReviewDate;  // 次回復習日
  double progressRate;      // 習熟度（0.0 〜 1.0）
  CardState state;          // 学習状態
  int consecutiveCorrect;   // 連続正答数
}

回答の正誤に応じて次の復習間隔を決定する。ロジックの概要は以下の通りだ：

正解 → progressRate を上げ、次の復習間隔を延長（1日→3日→7日→14日→30日…）
不正解 → progressRate をリセットし、短い間隔（当日〜翌日）で再出題

エビングハウスの忘却曲線に基づき、「覚えたばかりのカードは頻繁に、定着したカードは間隔を空けて」復習する。これにより、アプリを開くだけで「今日やるべきカード」が自動で出てくる。

実際の効果

AWS SAA の勉強で約2ヶ月使ってみた結果を書く。

指標	Before（手動カード作成）	After（COBO MEMO）
カード作成時間（100枚）	約4時間	約30分（AI生成＋確認・編集）
1日の勉強時間	30〜60分（大半がカード作成）	30分（ほぼ復習に集中）
作成したカード総数	約80枚で挫折	約350枚
継続日数	最長2週間	2ヶ月以上継続中

最も大きかった変化は勉強の意思決定コストが下がったこと。「何を覚えるか」「どうカード化するか」を考える負担がなくなり、純粋にインプットと復習に集中できるようになった。

まとめ

資格勉強が続かない最大の理由は「やる気」ではなく「摩擦」だと私は思っている。

暗記カードを作る手間という摩擦を AI で取り除くことで、勉強そのものに集中できるようになる。同じ壁にぶつかっている方がいれば、ぜひ試してみてほしい。

Cobo Memo（iOS / Android / Web 対応・無料で利用可能）

App Store（iOS）
Google Play（Android）
Webコンソール（PCブラウザからのカード作成・管理。まずはiOSまたはAndroidでアカウント作成）

AWS・情報処理試験・TOEIC・プログラミング言語の文法など、暗記が必要な学習全般に使えるように設計している。

技術的な質問や「こういう機能がほしい」というリクエストがあれば、コメントで気軽に聞いてください。

技術スタック: Flutter / AWS Amplify Gen2 / DynamoDB / Lambda (Python) / Google Gemini API

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up