みなさん、こんにちは。博士1年の田中です。この記事では、先日の英語文献ゼミで読んだ論文を紹介します。

論文タイトル: Decoding GenAI-assisted Academic Writing Processes: Insights from Lag Sequential and Epistemic Network
(生成AIを活用したアカデミックライティングプロセスの解明:ラグシーケンシャルとエピステミック・ネットワーク分析から得られる知見)
著者: Belle Dang, Andy Nguyen, and Yvonne Hong
発表年: 2024 年
掲載誌: Pacific-Asia Conference on Information Systems (PACIS 2024), Ho Chi Minh City 2024.

1. 概要
この研究では、高等教育(博士課程)における生成AI支援下のアカデミック・ライティングを学習プロセスデータ(10名・計626アクション)から分析し、高成績者と低成績者を分ける行動の連鎖と認知的つながりを検証しています。両群ともに生成AIを使用しましたが、高成績者は生成内容の吟味や文献の読解・執筆を結びつける一方、低成績者は生成文の貼り付けと軽微な言い換えに偏る傾向が示されたとされています。教育的示唆として、生成AIとの対話を深めるスキャフォルディング・プロンプトの統合が提案されています。

2. 背景と理論的枠組み
• 生成AIは従来の校正支援ツールと異なり、対話的に生成・修正を支援できる一方で、独創性や学術的誠実性、批判的思考の育成を損なう懸念もあります。また、先行研究は生成AIへの認識などに関する議論が多く、「生成AIが実際の執筆プロセスにどのように組み込まれているか」については十分に解明されていない、というギャップが提示されています。
• この研究では、量的エスノグラフィの枠組みで、学習者の行動を「結果」ではなくプロセスとして捉えています。研究課題は、(1) 行動の順序的な連鎖を調べる ラグシーケンシャル分析（LSA）と、(2) 活動同士のまとまりを可視化する エピステミック・ネットワーク分析（ENA）を通して、生成AIが執筆過程にどのように組み込まれるかを検証しています。
• 理論的背景として、まず、 Flower & Hayes（1981）の認知プロセスモデルが参照され、ライティングを計画→翻訳→レビューが反復する過程として捉えます。次に、認知負荷理論の観点から、生成AIは外在的負荷を下げ得る一方、思考や内省まで代替すると依存を招く可能性があると述べられています。さらに、アフォーダンス理論（Gibson, 1977）に基づき、即時フィードバックなどの機能は、学習者の知覚と利用の仕方によって効果が変わるため、「何ができるか」だけでなく「どう使われたか」をプロセスとして分析する必要がある、と述べられています。

3. 研究の方法
フィンランドおよびニュージーランドの大学に所属する博士課程学生10名が、Zoom上で30分・約500語の小論文（テーマ：教育におけるAI活用）を執筆しました。ChatGPTやGoogle Scholar等の利用を許可し、画面録画から執筆中の行為の系列を取得しています。成績は大学教員が5つの観点（内容・分析・構成・文章品質・語数＆APA参照）で採点し、中央値で高成績群／低成績群に分類されました。

4. 分析（LSAとENA）
• LSA（ラグシーケンシャル分析）では、行動が「どの順番で起きやすいか」を検討します。lag1（直後遷移）とlag2（1行動を挟む遷移）を区別し、遷移の有意性は z ≥ 1.96 を基準にされています。
• ENA（エピステミック・ネットワーク分析）では、複数の活動コードがどのように「まとまり」として結びつくかをネットワークとして可視化します。ユニットは「参加者×成績群」、移動窓は4行（当該行＋直前3行）で共起を扱い、群差はマン・ホイットニー検定で確認されました。

5. 結果
記述統計の差
結果では、高成績群は系列が長く、生成内容レビュー、論文読解、引用が相対的に多く、低成績群は生成内容の貼付が多く、生成内容レビューが少ないと報告されています。高成績群は「プロンプト→レビュー→統合的に執筆」という反復的・内省的利用、低成績群は「生成物の直接的な適用」に寄った利用が示唆される、と整理されています。

LSA（行動連鎖）の差
• 高成績群では、プロンプトの反復や、課題要件の確認からプロンプトへの遷移が有意に見られ、課題に沿って対話を調整する様子が見られました。
また、lag2の例として、生成内容レビューと執筆を往復させながら統合する反復パターンが示され、生成物を点検しつつ自分の文章へ統合している可能性が述べられています。
• 低成績群では、貼付とパラフレーズの往復が中心であり、生成内容レビューなどに関連する有意な遷移が見られにくいとされています。結果として、成績差は「生成物を評価して統合する」か「生成物を直接適用する」か。という利用方略の違いとして表れています。

ENA（活動のまとまり）の差
ENAでは、高成績群は、論文読解・プロンプト・生成物レビュー・執筆を中心とした活動のまとまりを示す一方、低成績群は「読解・レビュー」と「適用（執筆）」の接続が相対的に弱く、断片化が大きいと説明されています。
結びつきの違いとして、高成績群では、評価を経て執筆へ統合している一方、低成績群では「生成→貼付の近道」として用いる傾向が示されています。

6. 示唆と限界
LSA（順序）とENA（関係性）を組み合わせ、生成AIとの相互作用を両面から示した点が方法論的貢献であるとして位置づけられています。また、学習者を生成AIとの相互作用へより深く関与させるために、ドラフト生成の前後で「より多くの読解」や「内容の批判的評価」を促すようなスキャフォルディング・プロンプトの統合の必要性が示唆されています。さらに、個別化された支援調整の必要性も述べられています。
限界点としては、サンプルの小ささや、事前のライティング技能・AIリテラシー差の影響の可能性が挙げられています。今後はより大規模な研究に発展させることや、質的研究の追加、分野・教育段階での比較、縦断的研究などが求められると整理されています。

感想
今後、自身の研究でENAをした研究を取り入れたいと考えており、研究テーマでもある生成AI支援下の英語ライティングプロセスを検証している本論文を選定しました。成績差によって生成AIの活用方法が異なる執筆プロセスを可視化している点が、大変参考になりました。
この研究では、低成績群において表層的な生成AIの活用が示されており、深い思考を伴わない執筆が常態化すると、学習の停滞を招く負のスパイラルを引き起こすことが懸念されます。こうした表層的なプロセスを誘発しないためには、生成AIのアフォーダンスを最適化する足場掛けを、授業設計やシステムに統合することが重要であると考えられます。具体的には、成績が低い学習者に対しては生成内容のレビューや根拠の確認を促す支援を手厚くし、成績が高い学習者には論証の精緻化など、より高次の提案を提示するなど、学習者の習熟度などに応じて個別最適化された「スキャフォルディング・プロンプト」を統合する必要があると考えます。
この研究は30分間の単回タスクを分析対象としていますが、今後はより大規模なサンプルを対象に、LSA×ENAなどによって、長期的な学習プロセスの変化を追う縦断的研究を進めて参りたいと思います。