皆さん、こんにちは。

研究生のチョです。この記事では、今回の英語文献ゼミで読んだ論文とその感想について紹介します。

論文タイトル：Taking adaptive learning in educational settings to the next level: leveraging natural language processing for improved personalization

ジャーナル: Educational technology research and development

出版年: 2024

著者名: Mathias Mejeh & Martin Rehm

自己調整学習（Self-Regulated Learning, SRL）は非常に複雑なプロセスであり、また、各学生に個別化された学習を提供することもまた非常に複雑なプロセスです。この二つの複雑なプロセスをどのようにして「点と点を結ぶ」ように結びつけ、理論を技術に通じてより良く実現することができるのでしょうか？この論文では、自然言語処理（NLP）の技術を活用することで、いくつかの洞察を提供しています。

学生が自ら学びを管理する力である「自己調整学習」をサポートするために、「適応型学習技術（Adaptive Learning Technology, ALT）」は、個々の学生に合った学習方法を提供することができるため注目されています。ALTを使うと、学生一人ひとりに応じた教材や学習戦略を提供し、目標を達成するための道筋を示すことができます。しかし、ALTを効果的に活用して学生の学びを支えることは簡単ではなく、まだ多くの課題が残っています。本研究では、ALTに自然言語処理（Natural Language Processing, NLP）という技術を組み合わせ、リアルタイムで個々の学習状況に応じた支援を行い、学生の学びをより良くする方法を探りました。

自己調整学習（SRL）とは？

SRLとは、学生が自分の学習を計画し、実行し、結果を振り返りながら調整するプロセスのことです。たとえば、「どの科目をどれくらい勉強するか」を考えたり、実際に勉強しながら「進み具合」を確認したりするのもSRLの一部です。これらは学習者が主体的に行う必要があり、学校や教育技術がこれをサポートすることで、学びがより効果的になります。

ALT（適応型学習技術）とは？

ALTは、人工知能（AI）や機械学習を活用して、学生の進捗や苦手なポイントを把握し、それに合わせた教材やアドバイスを提供する技術です。たとえば、数学が得意な学生には難しい問題を出題し、苦手な学生には基礎的な問題を多く出すなど、それぞれに適した学習方法を提供します。また、進捗を可視化したり、目標達成までのステップを示したりすることで、学生が自信を持って学べる環境を作ります。

自然言語処理（NLP）でALTをさらに強化

NLPは、コンピュータが文章や言葉を理解して処理する技術です。本研究では、このNLPをALTに組み込むことで、学生に合わせたリアルタイムの支援を実現しました。たとえば、学生がオンラインで書いた感想や回答を分析し、「今つまずいているポイント」や「次に学ぶべき内容」を特定し、個別のアドバイスを提供できます。さらに、学生の感情も分析することで、「学習に対するやる気が下がっている」といった変化にも対応できます。

実際にどのように行ったのか？

本研究では、スイスの高校生69人を対象に、「studybuddy」というデジタルツールを使った実験を行いました。　「studybuddy」では、学習者の動機、感情、認知、メタ認知およびリソース管理に関するデータを、7段階のリッカート尺度を用いたアンケートで収集し、SRLを支援している。アンケートはデジタル学習環境に統合されており、毎日の短い調査が行われ、学生の自己効力感反応に基づいて個別の調整戦略が提供される。このツールは、学生に対して学習状況に応じたアドバイスや計画を提案するもので、以下のような機能を備えています：

自動提示システム：学習中に役立つアドバイスや通知を送ります。

学習ダッシュボード：学生の進捗状況をわかりやすく表示します。

個別化された戦略：学生ごとの学習スタイルやニーズに応じたアプローチを提案します。

計画ツール：カレンダーやメモ機能で学習計画をサポートします。

これらの機能を使い、学生は自分の学習状況を把握しやすくなり、効率的に学べるようになりました。

システムは学習分析（LA）と統合して、学習者ごとに適切な個別フィードバックを提供する。これらの戦略は、動機づけ、感情調節、認知、タスク管理などに関する支援をカバーし、ドイツ語版の学習および学習戦略清単（LASSI）を利用してカスタマイズされている。自動フィードバックシステムと戦略の提供形態は、学習者が学習プロセスを振り返り、調整するのを支援することを目的としている。共創デザインプロセスでは、適応性、戦略の伝達、およびユーザーインターフェースの改善に重点を置いており、学習者の個別のニーズに応えることを目指している。

研究の結果

研究の初期段階では、学生がどのように自己調整学習を行っているかをデータから分析しました。その結果、学生によって学び方や進捗が大きく異なることがわかり、ALTを活用することで個別に適したサポートが可能であることが確認されました。また、NLPを用いた分析により、学生が学習中に使う言葉や感情表現から、そのときの学習状態を把握することができました。たとえば、「難しい」「わからない」といった言葉が多く使われた場合、その学生により基礎的な教材を提案する、といった具体的な対応が可能になりました。

自分の考え

この論文の方法は非常に参考になるもので、特に個別最適ソフトウェアにおけるメタ認知を分析する際に用いられた、意見マイニング、品詞タグ付け、感情分析といった手法は非常に興味深い方法を提供しています。ただし、この論文は現場でのニーズ分析に限定されており、ユーザー行動ログなどのデータが欠如しているため、定量分析の部分がやや弱い印象を受けました。

この研究にはいくつかの課題があります。現時点では、まだ自動プロンプトシステム、デジタルダッシュボード、個別化された戦略や計画ツールが含まれていません。特に、自動プロンプトシステムが自己調整学習（SRL）においてどのような役割を果たすのかがまだ明確ではありません。また、先行研究では自然言語学習について言及されていますが、設計されたソフトウェアが自然言語学習を通じて具体的にどのような機能やソフトウェアを利用するのかが明らかにしていません。私は、この部分がインタビューの質問を分析するためのものだと思っていましたが、実際にはそうではないようです。