皆さん、こんにちは。修士２年の尾﨑です。

今回の記事では、近年教育現場で急速に普及が進む「生成AI」と、学習者の行動を捉える画像認識技術を組み合わせた、探究学習支援システムに関する論文を紹介します。

探究学習（Inquiry-Based Learning）は、生徒自身が問いを立て、解決に向けて自律的に学ぶ手法ですが「生徒が途中で諦めてしまう」「一人ひとりに適切なアドバイスをするのが難しい」といった場面もよく見られます。今回の論文は、こうした課題に対しAIが「画像認識とChatGPT」を使って、生徒一人ひとりに最適なタイミングで声をかけるシステムを開発・検証したものになります。

 

論文情報

タイトル: Improving inquiry-based learning through automated ChatGPT-based inquiry prompt and behavioral image recognition

（ChatGPTベースの自動探究プロンプトと行動画像認識による探究学習の促進）

著者: Pin-Hui Li, Ting-Ting Wu, Yueh-Min Huang

掲載誌: Education and Information Technologies, 30(17), 25543-25575

出版年: 2025年

 

導入・背景

探究学習は、学習者中心のアプローチとして、深い理解や問題解決能力を育むために非常に有効です。しかし、その「自律性」が求められる性質により、学習者にとっては大きな負担となることもあります。十分な好奇心や自己効力感を持てない学生は、活動の途中で混乱したり、挫折してしまったりするリスクがあります。

本来であれば、教師が一人ひとりの様子を見守り、適切なタイミングで足場かけを行うことが理想です。一方で、大人数のクラスで教師がすべての生徒の状況をリアルタイムに把握し、個別に指導することは物理的に困難でもあります。

これまでもテクノロジーを用いた支援システムはありましたが、「学習者が今、何をしているか」というリアルタイムな行動監視が不十分であり、あらかじめ決められた定型文しか返せないなど、柔軟性に欠ける課題もありました。

そこでこの研究では、画像認識技術で学生の行動を見守り、ChatGPTを用いて文脈に合ったアドバイスを生成するシステム「AIPS（Automated Inquiry Prompt System）」を開発しました。

 

AIPSの仕組み

このAIPSというシステムは、大きく分けて2つの機能を持っています。

YOLObileによる「行動認識」

まず、軽量な画像認識モデルであるYOLObileを用いて、学生が今どのような行動をしているかをリアルタイムで検知します。具体的には、Webカメラを通じて以下の要素を認識します。

・顔、手

・キーボード、マウスなど

さらに、学生の手がオブジェクトに重なっているか（操作しているか）、隣の学生と顔を向け合っているか（議論しているか）といった状況を判断し、「アクティブに探究しているか」「停滞しているか」を3分ごとに判定します。

ChatGPTによる「動的プロンプト生成」

行動認識の結果に基づき、ChatGPTが学習の進捗に合わせた最適なプロンプトを生成して学習者に提示します。この研究では、探究プロセスを「予測・観察・説明・評価」の4段階（POEEモデル）に分け、さらに認知負荷理論 (Cognitive Load Theory: CLT)や自己決定理論 (Self-Determination Theory: SDT)に基づいて以下の4種類のプロンプトを使い分けています。

・構成的プロンプト: 手順を具体的に示し、迷っている学生の不安を取り除く（「まずは〜をしてみよう」）。

・協力的プロンプト: 他の学生との対話を促す（「隣の人と意見を交換してみよう」）。

・創造的プロンプト: 自由な発想や探索を促す（「もし〜だったらどうなると思う？」）。

・批判的プロンプト: 自分の考えを深く振り返らせる（「その結果になった理由は説明できる？」）。

例えば、POEEモデルの「予測」段階で学生の手が止まっていれば、優しく手順を示す「構成的プロンプト」を出し、逆にどんどんタイピングして進んでいれば、より深い思考を促す「創造的プロンプト」を出す、といった柔軟な対応が可能になります。

 

研究方法

このシステムの有効性を検証するため、台湾の大学で工学系の講義を受ける学生74名を対象に、プログラミングに関する講義において実験を行いました。学生をランダムに「実験群（AIPSを使用）」と「統制群（AIPS使用なし）」に分け、4週間にわたって探究活動を行いました。

評価には、以下の指標を用いました。

・好奇心: 5次元好奇心尺度（楽しい探究、欠乏への敏感さ、ストレス耐性など）

・自己効力感: 課題をやり遂げる自信

・探究スキル: 課題設定、実験、分析、説明のスキル

・知識構築: 事後テストによる専門知識の習得度

 

結果と考察

実験の結果、AIによる支援を受けたグループは、そうでないグループに比べて、すべての指標において有意に高い成果を示しました。

① 好奇心と自己効力感の向上

特に「楽しい探究」や「欠乏への敏感さ（知りたいという欲求）」が大きく向上しました。これは、AIが適切なタイミングでヒントを出したことで、学生が「わからない」というストレスに押しつぶされることなく、「もっと知りたい」というポジティブな気持ちを維持できたためと考えられます。また、困難な場面でもAIがタスクを分解して提示してくれたことで、「自分にもできる」という自己効力感が高まったと考えられます。

② 探究スキルの劇的な改善

最も顕著な差が出たのは「実験スキル」でした。これは、具体的な手順に対するAIのフィードバックが直接的に効いた結果です。一方で、「課題設定スキル」の向上幅は比較的小さかったようです。質の高い「問い」を立てる能力は、短期間の介入だけでは育成が難しく、より長期的な支援が必要であることが示唆されました。

③ 知識構築への相乗効果

分析の結果、好奇心や自己効力感、探究スキルが高まることが、最終的な知識構築に直接つながっていることが証明されました。特に、「わからないことを解決したい」という意欲と、それを論理的に言葉にする「説明スキル」が、知識を自分のものにする上で中心的な役割を果たしていることがわかりました。

 

結論と限界

この研究では、画像認識と生成AIを組み合わせることで、従来の画一的な指導から脱却し、個々の学生の状況に合わせた「適応的な指導」が可能であることを示しました。

ただし、限界もあります。今回のシステムは「実験」や「観察」といった明確な行動を伴う理系科目の探究には適していますが、頭の中でじっくり考えるような人文学的な探究や、明確な正解のない活動においては、行動認識だけでは限界があると考えられます。今後は、学生の発話内容やチャットの履歴など、言葉のデータも組み合わせたマルチモーダルな分析が求められると筆者は述べています。

 

選んだ理由と感想

選定理由：

私自身、探究学習をどのように支援し、その効果をどう測定するかについて関心を持っており、この論文を選びました。特に、AIを用いた探究学習プロセスの支援が、単に知識を増やすだけでなく、学習者の「好奇心」や「探究スキル」といった汎用的な能力まで相乗的に高めるという可能性を示した点は、非常に参考になりました。

感想：

この論文を読んで最も考えさせられたのは、知識構築以外の目的におけるAIの可能性です。今回の研究では、最終的なゴールとして「専門知識の習得」が置かれていましたが、日本の教育現場、特に「総合的な探究の時間」や「キャリア教育」の文脈では、必ずしも知識の量だけがゴールではありません。「自己の在り方・生き方」を深く見つめ直したり、将来のキャリアについて意思決定したりするプロセスそのものが重要視されます。そうした正解のない、より抽象度の高い探究プロセスにおいてAIによるプロンプトや、学習者の行動分析がどのように機能するのか。またその先に学習者の「実際の行動変容」や「意識の変容」にどう結びつくのか。この点はまだ解明されていない部分が多く、私自身がこれから追究していきたいテーマでもあります。

探究学習では、主体性や好奇心にポジティブな影響があることが期待されています。一方でその学習プロセスは複雑で負荷が高く、そもそも主体性や好奇心を備えていないと自律的に学習を続けることが難しいという点もこの論文でも指摘されています。大人数かつ探究学習に対する意欲や能力にばらつきのある学習者に対して、どのような支援を設計することで個別最適化された学習が実現できるかという点について、今後より深く考察していきたいです。

文責：尾崎 康平