バイブコーディングの上手さを決めるのは「CS知識」と「文章力」だった｜CHI 2026論文解説
はじめに
2025年にAndrej Karpathyが提唱したバイブコーディング（Vibe Coding）——自然言語でプログラムを指示し、ソースコードを直接編集せずに動作するソフトウェアを作る手法が注目を集めています。
「コードを書けなくても、AIに指示すればアプリが作れる時代」と言われますが、本当に誰でも同じようにできるのでしょうか？
この疑問に正面から答えたのが、チューリッヒ工科大学のThorgeirssonらによるCHI 2026採択論文 “Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency” です。
研究の概要
研究の問い
バイブコーディングの成績を予測するスキルは何か？具体的には以下の3つの因子を検証しています。
- CS（コンピュータサイエンス）の学業成績
- 執筆スキル（ライティング能力）
- 領域一般的な認知スキル（IQ的な能力）
参加者
- 大学生100名（女性56名、平均年齢25.0歳）
- 事前登録済みの横断的研究
バイブコーディング環境
研究チームは、統制された評価のために専用のバイブコーディング環境を構築しました。
- LLMには Claude Sonnet 4 を使用
- 左パネルにチャット＋タスク説明＋タイマー、右パネルにアプリプレビュー
- コードは完全に非表示——参加者は純粋に自然言語だけでアプリを作る
- ロールバック機能あり（気に入らない変更を戻せる）
タスク
8名の専門家によるデルファイ法で選定された3つのタスク（各15分制限）：
- 試験スケジューラー：試験日程を管理するアプリ
- 食事プランナー：食事計画を立てるアプリ
- 非文脈化タスク：意図的に曖昧な仕様のタスク（対処力を測定）
結果：CS成績と文章力が有意な予測因子
相関分析
| 予測因子 | バイブコーディング成績との相関（r） | p値 |
|---|---|---|
| CS成績 | 0.39 | < 0.001 |
| 執筆スキル | 0.29 | 0.003 |
| 認知スキル | 0.22 | 0.028 |
回帰分析のポイント
最終的な回帰モデルでは、CS成績と執筆スキルの両方が独立した予測因子として有意でした。
- CS成績：β = 0.356（p < 0.001）
- 執筆スキル：β = 0.244（p = 0.009）
重要なのは、認知スキル（IQ的な能力）を統制した後でも、CS成績は有意な予測因子であり続けたという点です。つまり、「頭が良いからバイブコーディングができる」のではなく、CS教育で培われた構造化思考が効いているということです。
CS成績は執筆スキルの約2倍の説明力
階層的回帰分析の結果、CS成績はバイブコーディング成績の分散の約**12.5%を独立して説明し、執筆スキルは約5.9%**を説明しました。CS成績の方が約2倍の説明力を持っています。
なぜ文章力が効くのか
研究チームは仲介分析も実施しました。その結果、プロンプトの品質が、執筆スキルとバイブコーディング成績の関連の約52%を説明することがわかりました。
つまり、文章力が高い人は：
- 構造的なプロンプトを書ける——要件を漏れなく、曖昧さなく伝える
- 反復的な改善が上手い——LLMの出力を評価し、的確なフィードバックを返せる
- 「規約に従う執筆」ができる——フォーマットや制約に沿った記述が得意
これは直感的にも納得できます。プロンプトは結局「文章」であり、良いプロンプトを書くには良い文章を書くスキルが必要なのです。
なぜCS知識が効くのか
「コードを書かないのにCS知識が必要なの？」という疑問は当然ですが、研究結果は明確に「必要」と示しています。
CS教育で身につく能力：
- 問題の分解：大きな要件を小さなステップに分解する力
- 抽象化：「何を作るか」を構造的に整理する力
- デバッグ的思考：期待通りに動かないとき、原因を推定して修正指示を出す力
- 技術的な語彙：LLMが理解しやすい用語で指示を出せる
バイブコーディングは「コードを書かない」だけであって、ソフトウェアの構造を理解する力は依然として重要ということです。
実務への示唆
バイブコーディングは「誰でもできる」わけではない
この研究は、バイブコーディングが万人にとって平等なツールではないことを示しています。CS知識と文章力という訓練可能なスキルが成績を左右します。
プロンプト力を上げるには
研究結果から逆算すると、バイブコーディングの腕を上げるには：
- CSの基礎を学ぶ：プログラミング経験がなくても、アルゴリズム的思考やソフトウェア設計の基礎は役立つ
- 構造的な文章を書く練習をする：要件定義書やバグレポートのように、曖昧さを排除した文章を書く訓練
- 実践で反復する：LLMとの対話を繰り返し、どんなプロンプトが効果的かを体で覚える
Claude Codeとの関連
本研究ではClaude Sonnet 4を使用していますが、Claude Codeのようなターミナルベースのツールでも同じ原則が当てはまります。自然言語で的確に指示を出す力は、どのAIコーディングツールを使う場合でも成果に直結します。
研究の限界
- GUIアプリ中心のタスク：アルゴリズム中心の課題では結果が異なる可能性
- 大学生サンプル：プロのエンジニアや完全な非技術者での検証は未実施
- 横断研究：因果関係は証明できない（CS教育がバイブコーディング力を向上させるとは断言できない）
- 使用LLMの限定：Claude Sonnet 4のみ。他のモデルでは結果が異なる可能性
まとめ
| ポイント | 内容 |
|---|---|
| 最強の予測因子 | CS成績（r = 0.39） |
| 2番目の予測因子 | 執筆スキル（r = 0.29） |
| IQの効果 | 統制すると小さい——学習で獲得した知識が重要 |
| プロンプト品質 | 執筆スキルの効果の52%を仲介 |
バイブコーディングの時代でも、CS知識と文章力は武器になる。この研究は、「AIがあればスキルは不要」という楽観論に対する、データに基づいた反論と言えるでしょう。
論文の全文は arXiv:2603.14133 で公開されています。