IB物理 IA 完全ガイド｜実験設計・不確かさ分析・高得点の型
IB物理のIAは「自分で問いを立て、定量的に検証する」プロセスそのものが評価される。実験設計の精度と不確かさ分析の深さが、他の受験生と差をつける鍵だ。
IB物理 IA とは何か？ 評価で本当に見られていること
IB物理の Internal Assessment(IA) は、自分で設計した実験を通じて科学的探究の力を示すレポートだ。試験で測れない「実験者としての思考プロセス」を評価するのが目的であり、点数の一部を内部評価として担う重要なコンポーネントである。
物理 IA で高得点を取る核心は、「測定可能な問い」と「物理的根拠のある設計」の組み合わせにある。 曖昧なリサーチクエスチョン(Research Question)のまま実験を進めると、その後のデータ処理・分析がどれほど丁寧でも評価基準の根幹で減点される。最初の設計段階に最も時間をかけるべき理由はここにある。
IA 全体の流れと評価の仕組みについては IB Internal Assessment (IA) の書き方｜高得点を取る型と進め方 でも整理しているので、物理以外の IA との比較に役立ててほしい。
リサーチクエスチョンはどうつくるべきか？
「測定可能性」と「物理的根拠」の2軸で判断する
リサーチクエスチョン(Research Question / RQ) は IA の設計図だ。評価者が最初に読む部分でもあり、この質の良し悪しがレポート全体の印象を左右する。
良い RQ の条件は次の2点に集約される。
- 独立変数と従属変数がともに定量的に測定できる
- 両変数の間に、授業で学んだ物理法則・理論が介在している
たとえば「ペンデュラムの長さと周期の関係」は古典的すぎるが、条件を絞ること（振り子の素材・初期振れ角・媒質の粘性など追加要素を導入する）で独自性が生まれる。一方「音楽を聴くと集中力が上がるか」は物理 IA としては測定設計が難しく、物理的根拠も薄い。
RQ の形式
良い RQ の形式の目安は「〜を変化させたとき、〜はどのように変化するか」という対応関係が明確な問いだ。さらにそこに仮説(Hypothesis)として物理的予測（例：周期は長さの平方根に比例する）を添えると、後のデータ処理・線形化との論理的つながりが生まれる。
仮説は単なる予想ではなく、どの物理法則・方程式から導かれるのかを明記する。この「理論的背景(Background Theory)」が薄いと、分析セクションで「なぜこの計算をするのか」の根拠が失われる。
実験設計（Exploration）セクションをどう書くか？
変数の定義と制御方法
Exploration（探究）セクションでは、独立変数(Independent Variable)・従属変数(Dependent Variable)・制御変数(Controlled Variables)を明確に定義し、制御方法を物理的根拠とともに説明する。
| 変数の種類 | 定義 | 記述するべき内容 |
|---|---|---|
| 独立変数 | 自分が意図的に変化させる変数 | 変化の範囲・ステップ数・なぜその範囲を選んだか |
| 従属変数 | 独立変数の変化に応じて測定する変数 | 測定方法・使用器具・精度(最小目盛り) |
| 制御変数 | 実験中一定に保つ変数 | 制御方法・なぜその変数が結果に影響するか（物理的説明） |
制御変数の記述で多くの生徒が失敗するのは、「温度を一定に保つ」と書くだけで終わるケースだ。評価者が見ているのは「なぜ温度が実験結果に影響するのか」という物理的説明の有無だ。たとえば抵抗値を測定する実験なら「温度が上がると金属の抵抗率が増加するため、一定の室温で実験を行った」という説明が必要になる。
器具リストと安全上の配慮
器具リスト(Apparatus List)には各機器の精度・型番（可能であれば）を記載する。デジタル器具の場合は最小表示桁、アナログ器具の場合は最小目盛りの半分が読み取り誤差の目安になるが、これはあくまで目安であり機器によって異なる。
安全上の配慮(Safety Considerations)は形式的に1行書けばよいわけではない。高電圧・高温・レーザー・落下物など、実験に固有のリスクを物理的に説明し、対策を示す。評価者はこの記述から実験者が実際に実験を理解しているかどうかを読み取る。
データ収集の計画：反復測定とランダム誤差の低減
測定回数について「何回繰り返せば十分か」は条件によって異なる。ただし共通して言えるのは、少なくとも各条件で複数回反復測定し、平均と標準偏差またはレンジを求めることが定量的な誤差分析の前提になるということだ。
独立変数の値は等間隔（または対数スケールで等間隔）に複数段階設定する。グラフで傾向を見るには最低でも5点以上のデータポイントを確保したい。
不確かさ分析はどこまで書くべきか？
ランダム誤差と系統誤差の区別
不確かさ(Uncertainty)の分析は、物理 IA で評価者が特に注目するポイントだ。多くの生徒が「誤差」を曖昧に書いて終わるが、高得点レポートではランダム誤差(Random Error)と系統誤差(Systematic Error)を明確に区別したうえで、それぞれの対処法を示している。
| 誤差の種類 | 原因の例 | 対処法 |
|---|---|---|
| ランダム誤差 | 読み取りのばらつき、環境の微小な変動 | 反復測定→平均を取る、標準偏差を求める |
| 系統誤差 | 器具のキャリブレーションずれ、零点誤差 | 校正、補正計算、グラフのy切片の考察 |
ランダム誤差は反復測定で「見える化」できる。一方、系統誤差は実験方法や器具そのものに起因するため、反復しても消えない。グラフで理論値から一方向にズレが生じているなら系統誤差を疑う。
誤差伝播（Error Propagation）の計算
測定した量から計算量を求める場合、不確かさも伝播する。評価者が見ているのは「計算結果の不確かさを数式で示したか」だ。
基本ルールの目安は次のとおり。ただしカリキュラム・年度によって要求される計算方法が異なる場合があるため、Subject Guide と担当教員に確認すること。
加算・減算の場合（絶対不確かさを足し合わせる） $$z = x + y \Rightarrow \Delta z = \Delta x + \Delta y$$
乗算・除算・べき乗の場合（相対不確かさを足し合わせる） $$z = \frac{x \cdot y}{w} \Rightarrow \frac{\Delta z}{z} = \frac{\Delta x}{x} + \frac{\Delta y}{y} + \frac{\Delta w}{w}$$
これを用いて、たとえば「速度 = 距離 / 時間」で求めた速度の不確かさを計算し、最終的なグラフのエラーバー(Error Bars)に反映させる。エラーバーなしのグラフは、不確かさ分析の欠如として評価に影響する。
グラフ処理と線形化はどう進めるか？
なぜ線形化が重要か
物理 IA の分析で最も点差がつくのがグラフ処理と線形化(Linearisation)だ。多くの物理現象は $y \propto x^n$ や $y \propto e^{kx}$ などの非線形関係を示す。これをそのままグラフにすると曲線になり、傾きから物理定数を正確に求めることができない。
線形化とは、変数変換によってグラフを直線（$Y = mX + c$ の形）に変換することだ。直線のグラフであれば傾き・切片から物理定数を導出でき、最大傾き線・最小傾き線による不確かさ評価も直観的になる。
線形化の具体的手順
例：$T^2 = \frac{4\pi^2}{g} \cdot L$（単振り子）の場合
- 元の関係: $T$ と $L$ は $T \propto \sqrt{L}$ （非線形）
- 両辺を2乗: $T^2 = \frac{4\pi^2}{g} \cdot L$
- $Y = T^2$、$X = L$ とおけば $Y = mX$ の直線になる
- 傾き $m = \frac{4\pi^2}{g}$ から $g = \frac{4\pi^2}{m}$ を計算できる
線形化のパターン別まとめ：
| 元の関係式 | 変換方法 | グラフの軸 | 傾きが示すもの |
|---|---|---|---|
| $y = ax^2$ | そのまま $y$ vs $x^2$ | $y$ vs $x^2$ | $a$ |
| $y = ax^n$ | 両辺 $\log$ をとる | $\log y$ vs $\log x$ | $n$（傾き）、$\log a$（切片） |
| $y = ae^{bx}$ | 両辺 $\ln$ をとる | $\ln y$ vs $x$ | $b$（傾き）、$\ln a$（切片） |
| $y = \frac{a}{x}$ | $y$ vs $\frac{1}{x}$ | $y$ vs $\frac{1}{x}$ | $a$ |
グラフから物理定数を導出するときの注意点
傾きから計算した物理定数（例：重力加速度 $g$、プランク定数 $h$ など）は、文献値と比較して百分率誤差(Percentage Error)を求める。
$$\% \text{誤差} = \frac{|\text{実験値} - \text{文献値}|}{\text{文献値}} \times 100\%$$
ただし、この比較はあくまで参考であり、「文献値に近いから良い実験」ではないことを理解しておく必要がある。評価で見られているのは方法の妥当性・誤差の説明の質であり、結果の正確さそのものではない。
評価(Evaluation)セクションをどう書くか？
「考察」で終わらせない：限界と改善案を物理的に議論する
Evaluation（評価）セクションは、実験の限界(Limitations)と改善案(Improvements/Extensions)を議論する場だ。「もっと正確な器具を使えば良かった」という表面的な記述では評価されない。
高得点の評価セクションに共通するのは次の構造だ。
- 限界の特定：「何が」限界だったか（誤差の原因）
- 物理的説明：「なぜ」それが結果に影響したか（物理原理で説明）
- 影響の大きさ：「どの程度」影響したか（定量的または定性的に）
- 改善策の具体性：「どうすれば」改善できるか（実現可能な具体的方法）
たとえば空気抵抗が無視できない実験で「空気抵抗の影響」を限界として挙げる場合、「空気抵抗力は速度の2乗に比例するため（Stokes の法則参照）、高速域では誤差が拡大する。これを真空チャンバー内での実験で排除できる」という具合に展開する。
Extension（発展）の提案
評価セクションの末尾に、自然な流れで「今後の探究の方向性」を提案すると完成度が上がる。「独立変数を別の量に変えた場合の調査」「より複雑な系への応用」などが典型だ。
レポートの構成と文章の書き方
論理的なレポート構造
物理 IA のレポートは科学論文の形式に準じる。一般的な構成は次のとおりだ。
| セクション | 主な内容 |
|---|---|
| 序論・背景理論 | RQ の文脈・関連する物理法則・仮説 |
| Exploration（実験設計） | 変数定義・器具・手順・安全配慮 |
| データ収集と処理 | 生データ表・不確かさ・グラフ |
| 分析と計算 | 線形化・物理定数の導出・誤差伝播 |
| Evaluation（評価） | 限界・改善案・Extension |
| 結論 | RQ への回答・仮説との比較 |
語数・ページ数の制限は Subject Guide に明記されているが年度によって改定されることがある。必ず最新の公式 Subject Guide と担当教員に確認してから執筆を開始すること。
文章スタイルのポイント
- 受動態・三人称で書く（「私は計測した」ではなく「計測された」）
- グラフ・表にはすべてタイトルと軸ラベル（単位付き）を付ける
- 数式は分母・分子が明確になるよう適切なフォーマットで記述する
- 専門用語は定義してから使う（特に日本語環境で英語 IA を書く場合は混乱しやすい）
実験トピックの選び方と避けるべきテーマ
良いトピックの条件
物理 IA のトピック選びは RQ の質に直結する。良いトピックには次の特徴がある。
- 授業内容と接続している：理論的背景を自分で書けるテーマ
- 測定環境が整っている：学校の実験室で再現できる
- 線形化の余地がある：グラフ処理でデータ分析を深められる
- 変数の制御が現実的：制御できない変数が多すぎない
避けるべきテーマの特徴
| 問題のあるテーマの特徴 | 理由 |
|---|---|
| 「最適な〜を求める」 | 最適化は独立変数と従属変数の関係が単調でなく、物理的予測が立てにくい |
| 非常に短い時間スケールの現象 | 精度の高いセンサーなしに測定誤差が制御できない |
| 生物・心理的要因が絡む | 物理的根拠の記述が難しく、変数制御が困難 |
| すでに確立された実験の単純な再現 | 独自性(Originality)の観点から評価が下がる可能性がある |
よく選ばれる分野の例として、波動・光学（回折・干渉）、電気回路（抵抗・コンデンサ）、力学（振動・落下・斜面）、熱力学（熱伝導・冷却）がある。いずれも理論が明確で測定が実験室内で完結しやすい。
IB物理の学習全体の構造については IB物理 HL 完全ガイド｜難易度・勉強法・点の取り方 を参照すると、授業内容と IA トピックの接続イメージがつかみやすい。
時間配分と進め方のスケジュール
IA は「一発書き」ではない
多くの生徒が犯す最大のミスは、「実験をしてから書き始める」ことだ。IA は設計→実験→分析→執筆→見直しのサイクルで進めるべきであり、特に設計段階のフィードバックを教員から受けることが重要だ。
IB の規定では教員が IA に対して一定のフィードバックを提供できるが、その回数・範囲には制限がある。この点も学校のポリシーと Subject Guide で確認してほしい。
時間配分の目安（あくまで参考）：
| フェーズ | 目安の期間 | 主なタスク |
|---|---|---|
| トピック・RQ 確定 | 2〜3週間 | 仮RQの検討→教員フィードバック→確定 |
| 背景理論・実験設計 | 2〜3週間 | 理論調査・器具リスト・手順書作成 |
| 実験実施・データ収集 | 1〜2週間 | 反復測定・生データ記録 |
| データ処理・グラフ作成 | 2〜3週間 | 線形化・誤差伝播・グラフ作成 |
| 執筆・Evaluation | 2〜3週間 | 全セクション執筆・教員フィードバック |
| 最終見直し・提出 | 1週間 | 形式確認・誤字チェック・提出 |
全体で2〜3ヶ月を想定しておくとよい。試験・EE・TOK との並行は時間管理が鍵になる。IA・EE・CAS の並行管理については IB Diploma の時間管理術｜IA・EE・試験を両立する計画術 が参考になる。
まとめ：物理 IA で高得点を取る型
物理 IA は「良い実験をした証拠」を残すレポートではなく、「科学的思考プロセスを示す」ドキュメントだ。最終的な物理定数の精度ではなく、設計・分析・評価の各段階での論理的一貫性が評価を左右する。
上記の5点を意識して設計から逆算すれば、どのトピックでも質の高いレポートを組み立てることができる。自分の IA の方向性に悩んでいる場合や、不確かさ分析・グラフ処理のフィードバックが欲しい場合は、IB経験者の個別指導を持つ Quick IB に相談してみてほしい。実験設計の段階から一緒に考えることで、レポートの論理的な一貫性を高めることができる。