みなさんこんにちは。修士2年の尾﨑です。
今回の記事では、生徒自らが問いを立て、答えを探していく「探究学習」において、仲間との「生産的な対話」を維持させるために開発された協調型チャットボットの設計と実施、評価についての論文を紹介します。
著者:Adelson de Araujo, Pantelis M. Papadopoulos, Susan McKenney, Ton de Jong (2024).
タイトル: A learning analytics-based collaborative conversational agent to foster productive dialogue in inquiry learning
出版:Journal of computer assisted learning
巻号・ページ:40(6), 2700-2714.
出版年:2024年
1. 背景と目的
現代の教育において、協調は21世紀を生き抜くための不可欠なスキルとして注目されています。特に探究学習においては、仲間との対話を通じて考えを深め、科学的な推論スキルを育むことが期待されています。しかし、実際の教室現場で「生産的な対話」を維持させるのは簡単ではありません。オンライン学習ではなおさら、生徒同士で思考を共有したり、互いの意見に深く踏み込んだりすることを促すのは難しい課題です。また、多くのグループが同時に活動する中で、先生がすべての対話にリアルタイムで介入し、サポートすることには限界があります。
そこでこの研究では、学習者同士の対話を促進するためのチャットボット「Clair」を設計し、このチャットボットがどのように生産的な対話を促すことができたかを評価することを目的としています。
2. 協調学習エージェント「Clair」とは？
この研究で開発・導入されたのは、Clair（Collaborative Learning Agent for Interactive Reasoning）というエージェントです。Clairは、生徒たちのチャットログをリアルタイムで分析し、適切なタイミングで「対話を促す一言」を投げかけます。
Clairの声かけ設計
Clairの介入戦略は、「アカウンタブル・トーク（Accountable Talk）」という教育理論に基づいています。これは、互いを尊重し、根拠に基づいて論理的に話し合うための対話フレームワークです。Clairは、以下のような8つの「トーク・ムーブ（声かけ）」を使い分けます。
リキャッピング：これまでの議論の要約を促す（例：「これまでの話を短くまとめてくれる？」）。
アドオン：他者の意見に新しい情報を付け加えるよう促す。
言い換え：相手の意見を自分の言葉で説明し、理解を確認させる。
同意、反対：自分の立場を明確にさせる。
貢献のリンク：個々のアイデアをメインテーマに結びつける。
既有知識との関連付け・例示：具体例の提示を求める 。
推論の拡大：「なぜそう思うのか？」と理由の説明を求める。
Clairの対話中の判断設計
Clairは、生徒の発話が「学習内容に関係しているか（ドメイン）」「雑談かどうか（オフタスク）」「理由を説明しているか（論理的）」など、12の指標を使って対話の状態を把握します。このデータを「ファジー・エキスパート・システム」という仕組みで処理します。これは「もし生徒が学習に集中しているが、特定のキーワードをあまり使っていないなら、アドオンを促す」といった、人間の判断に近い柔軟なルールで介入を決定する仕組みです。
3. 研究の方法：ブラジルとオランダでの実践
Clairの効果を確かめるため、ブラジル（中学2年生相当、19ペア）とオランダ（中学3年生相当、28ペア）の2つの教育現場で実験を行いました。
実験のデザイン：実験は2つのフェーズに分けて行われました。
フェーズ1 全グループがエージェントなしで活動（ベースラインの測定）。
フェーズ2 エージェントが介入する「実験群」と、介入しない「対照群」に分けて活動。
教材は、光合成や消化器官に関する探究学習プログラムが使用されました。
評価の指標
対話がどれだけ「生産的」になったかを、以下の2つの側面から評価しました。
① シーケンシャルパターンマイニング（Sequential Pattern Mining）：チャットのテキストから行動パターンを抽出し、「自分の考えの共有」「傾聴と方向付け」「推論の深化」「他者の推論への関与」などの4つの目標（FGPDs）に合致するパターンがどれだけ出現したかをカウントしました。
② 主観的評価：生徒自身が「自分たちの対話は生産的だったか」をどう感じたか等について、アンケート調査を行いました。
4. 分析結果
見えてきた効果と限界客観的な対話パターンの変容分析の結果、Clairの存在がFGPDsの目標に即した対話行動に明確な影響を与えていることがわかりました。
「思考の共有」の促進について、両方の研究においてClairがいるグループでは、フェーズ1からフェーズ2にかけて、自分の考えを共有する行動が有意に増加しました。一方で、Clairがいないグループではこのような変化は見られませんでした。
また「他者の推論への関与」の向上についてはオランダの研究において、Clairの介入によって他者の意見に対して反論や問いかけを行う行動が増加しました。
次に「深い推論」への影響については、自分自身の推論をさらに深めていく行動については、Clairの有無による明確な差は見られませんでした。
最後に、生徒の主観的な認識に関しては意外なことに、アンケート結果（対話の生産性）では、Clairの有無による有意な差は見られませんでした。生徒たちは、AIがいてもいなくても「自分たちは十分に協力して取り組んだ」と感じていたようです。
5. なぜ「深い推論」には届かなかったのか？
本研究の結果から、Clairは「まず発言してみる」「相手に反応する」といった対話の入り口を広げるのには非常に有効でしたが、内容を深めるレベルには課題があることが浮き彫りになりました。その要因として、以下の点が考えられます。
・内容に依存しない介入の限界：今回のClairは、発話の「意図」は読み取りますが、具体的な「中身（科学的な正誤など）」までは踏み込みません。そのため、特定の概念の誤解を解いたり、さらに深い専門的な問いを投げかけたりするには、今の汎用的なプロンプトだけでは不十分でした。
・介入のタイミング：マニュアルでのログ点検の結果、システムが不適切なタイミングで介入した際に、生徒がそれを「余計な負荷」と感じて無視するケースが見られました。
・システムへの動機づけと責任感：人間（先生や仲間）からのフィードバックに比べ、感情を持たないシステムからの呼びかけでは、生徒のモチベーションや責任感に火をつける力が限定的であった可能性があります。
6. 結論とこれからの展望
生成AI（LLM）の可能性本研究は、ラーニングアナリティクスを用いたチャットボットが、探究学習における「対話の足場かけ（スキャフォールディング）」として一定の成果を収めることを示しました。特に、自分たちの考えを外に出す（思考の共有）という、協調学習の第一歩を後押しする力は一貫して確認されました。今後は、以下のような改善が「深い探究」を実現する鍵となります。
・LLM（大規模言語モデル）の活用：ChatGPTのようなLLMを統合することで、学習内容に深く踏み込んだ「内容依存型」の介入が可能になります。
・人間味の付加：エージェントに称賛や自然なフォローアップの機能を持たせ、生徒がより親しみや責任を感じられる設計にすることが望まれます。
・先生との連携：AIがすべてを代替するのではなく、AIが集めた分析データを先生に提供し、先生がより高度な介入に集中できるような「ハイブリッド型」の支援体制を築くことも考慮する必要があります。
探究学習は、答えのない問いに立ち向かうプロセスです。テクノロジーがその対話を支えることで、より多くの生徒が深い学びを享受できる未来が近づくと、この論文では主張されています。
感想
以下は、私の感想になります。
自分の研究において有望な「探究学習」という手法において、学習者の思考を深めた
り、学習プロセスの足場かけをしたりするための方法を知りたいと思い、この論文を
選びました。チャットを使用する際の設計に、適切に理論を統合したり、そのパターンをもって評価に活用したりといった手法について、大変参考になりました。
一方で、システムを用いた授業を通した学習成果について、どのように発展させていく
かについてはこれから考えていく余地があると考えています。今回の目標のうちの１つである「推論の深化」という点については、深い探究学習において重要な点になると考えられますが、この研究では有意差が出ていなかったという点が特に興味深いものでした。LLMsを活用することで探究学習の内容に踏み込むことにより、深い推論に繋げられる可能性をこの論文中では示唆していますが、システム外での授業全体のコンポーネントの考案も含めて、どのように探究学習プロセスを促進することで、深い推論などの重要な学習効果が得られるかということについて、今後より深く学んでいきたいと思います。
文責：尾﨑康平
