みなさん、こんにちは。博士課程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: GPTalk: LLM-based virtual companions for metacognitive growth in self-regulated e-learning（自己調整型eラーニングにおけるメタ認知的成長のためのLLM活用型仮想コンパニオン）
•著者: In-Taek Jung, ChungHa Lee, In-Chang Baek, Dongik Oh, Youjin Choi, Kyung Joong Kim, Duk-Jo Kong, Jin-Hyuk Hong
•掲載誌: International Journal of Human-Computer Studies, Volume 210 (2026年)

この論文は、Jungら（2026）による“GPTalk”という学習支援システムを活用した研究です。この研究では、LLMを活用した仮想の「教師」と「仲間（ピア）」を用いて、eラーニングにおける学習者のメタ認知を支援する仕組みが提案・評価されています。

1. 研究の背景
録画授業を中心としたeラーニングでは、学習者が一人で学ぶ時間が長くなりやすく、理解度の確認や学習方略の調整を自力で行う必要があります。しかし、実際には、動画を見ているだけで学習が進んでしまい、「理解したつもり」のまま終わってしまうことが課題として挙げられています。この研究では、こうした課題に対して、LLMを搭載した仮想エージェントとの対話を通して、学習者のメタ認知的活動を引き出す可能性が示されています。

2. 学習支援システム―GPTalk
GPTalkは、仮想教師と仮想ピアが学習の各段階で対話的に関わるシステムとして設計されています。講義資料に基づいた正確な応答を行うために、RAG（検索拡張生成）も組み込まれています。

システム設計のための予備調査
この研究では、システム設計のためにまず高校生10名と教員8名への半構造化インタビューを実施し、教育現場のニーズを整理しています。そこから、以下のような6つのデザイン要件が導かれたとされています。
1. 目標設定・計画の支援
2. セルフモニタリングの促進
3. 学習方略の調整支援
4. 学習後の要約・自己反省
5. モチベーション維持
6. ピアとのやり取りを通したメタ認知の刺激

学習フェーズごとの支援
•講義前: 仮想教師が講義のポイントを示し、学習目標を言語化させます。
•講義中: 動画の途中で理解確認の質問やクイズを提示します。さらに仮想ピアが「ここがわからない」と発言し、学習者が説明する場面を作ることで、理解の再構成を促します。
•講義後: 仮想ピアとの対話で内容を振り返り、必要に応じて仮想教師が介入して誤解の修正を促します。
このように、単なるQ&Aではなく、目標設定→モニタリング→振り返り という自己調整学習の流れに沿ったシステムが設計されています。

3. 研究の方法
参加者は韓国の高校生32名で、経済学の講義受講において、GPTalkを使う群と、LLMを用いた単純なQ&Aチャットのみを使う群が比較されています。評価は、学習成果、自己評価の正確さ、学習経験を下記の方法により行われています。
•学習成果: 事前・事後テストにより学習内容の理解度を測定。
•メタ認知的モニタリング精度: KMA（Knowledge Monitoring Accuracy）。自分の回答が正しいかどうかを、どの程度正確に見積もれるか（＝メタ認知的モニタリングの正確さ）を測る指標
•学習経験: UEQ（User Experience Questionnaire）。システムの使いやすさ、わかりやすさ、満足感などのユーザー体験を評価する質問紙

4. 結果
1) 学習成果（テストスコア）
GPTalkを使った条件のほうが高いスコア傾向は見られたものの、統計的な有意差には至らなかったと報告されています。ただし、短時間・単発の学習セッションであることを考えると、学習を阻害せず、むしろ促進する方向の傾向が見られた点には意味があると解釈されています。

2) メタ認知的モニタリング精度（KMA）
この研究で特に重要なのは、「わかったつもり」の抑制に関する結果です。
•ベースライン群（GPTalkを使用していない群）では、誤答であるのに「自信がある状態」が増える傾向がありました。一方、GPTalk群では、その増加が抑えられました。
•また、GPTalk群では、理解していないことを「正しく認識する状態」の精度が向上しました。
つまり、GPTalkを使うことで、学習者が「何を理解していて、何を理解していないか」をより正確に把握しやすくなった可能性が示されています。これは、知識そのものの量だけでなく、自己評価の正確さ（キャリブレーション） を高める支援として注目できる結果とされています。

3) 学習経験: ユーザー体験・定性的評価（UEQ）
UEQでは、GPTalkは複数項目で有意に高い評価を得たとされています。特に以下の点が特徴的でした。
•社会的プレゼンス
仮想ピアの存在により、「一人で学んでいる感じ」が弱まり、学習継続の支えになった。
•教えることによる学習
仮想ピアの誤りを学習者が訂正する過程が、最もメタ認知を刺激したと報告された。
この結果から、LLMを使った支援は「答えを教える」だけでなく、学習者に説明させたり考えさせたりする設計が重要であると述べられています。

5. 考察
LLMベースのコンパニオンとメタ認知
この研究では、GPTalkが学習者に目標設定や要約を言語化させることでメタ認知を促す仕組みとなっており、また、LLMは学習者の入力に応じて文脈に合った応答を返せるため、より自然で柔軟なスキャフォールディングが可能になっているとされています。教育的インパクトとしては、受動的になりやすい録画講義において、仮想教師・ピアとの対話を通して、学習者が考えたり説明したりする能動的な学習に変えられる可能性が示されています。特に、eラーニングにおける孤立感を和らげる点でも意義があるとされています。

限界点
限界点としては、参加者が韓国の高校1年生、教科が経済学に限定されているため、他の年齢層や教科への一般化には慎重さが必要であること、また、単発セッションの結果であるため、長期的利用で効果が続くかは今後の課題であると述べられています。さらに、LLMとの対話が学習内容から脱線するリスクもあり、それらを制御するための工夫が必要だとされています。

6. 結論
この研究では、LLMを活用した仮想教師・仮想ピアとの対話が、自己調整型eラーニングにおけるメタ認知的成長を支える可能性が示されました。テストの成績だけでなく、自己評価の正確さ（メタ認知的モニタリング）に着目しています。主な貢献は、①インタビューに基づく6つのデザイン要件の整理、②GPT-4o＋RAGによるGPTalkの実装、③メタ認知的モニタリング向上の可能性の実証の3点であるとされています。今後の課題としては、学習履歴や理解度に応じたパーソナライズ機能を強化し、より多様な学習環境で長期的に活用できる形への発展であると述べられています。

感想
この研究は、事前インタビューを通して学習者の課題を丁寧に抽出し、それらの課題を反映したシステム設計を行っており、現場に根ざした実践的な研究だと感じました。RAGの活用やプロンプト設計など、システムの実装についても大変参考になりました。LLMを活用した学習支援を学習成果だけでなく、メタ認知モニタリングやキャリブレーション能力、学習経験といった多様な側面から複数の測定方法を用いて分析しており、学習の質的側面まで掘り下げて検討している点に意義があると考えます。
一方で、この研究では30分という比較的短時間の利用に基づいて評価が行われているため、長期的な利用によってどのような効果が生じるのかを検証する必要があると考えます。また、動画を視聴しながらリアルタイムでチャットに応答する形式は、学習者によっては認知的負荷が高くなる可能性もあるのではないかと感じました。
バーチャル教師やピア役の発話の精度の検証も必要であると考えます。限界点としても言及されていましたが、学習者の学習履歴や事前理解度に応じて質問の内容や難易度が調整されると、より適応的なシステムへと発展していく可能性があると考えました。本研究で示されている自己調整学習に基づいた段階的学習支援やプロンプト設計などに関する知見を、自身の研究にも活かしていきたいと思います。