みなさん、こんにちは。博士課程の田中です。この記事では、先日の英語文献ゼミで読んだ論文を紹介させていただきます。

論文タイトル: How does AI match students’ proficiency levels to provide support? Student-driven AI-mediated scaffolding in EFL writing instruction
（AIはどのように学生の習熟度に合わせて支援を提供するのか？EFLライティング指導における学習者主導型のAIを介したスキャフォールディング）
著者: Zhiwei Qi, Yuqing Liu, Wenlin Liu, Wei Xu
掲載誌: System, Volume 142（2026年）

1. 背景と先行研究
EFL（外国語としての英語）ライティングの学習において、生成AIは個別化された支援を可能にする一方、完成文を直接提示するような使用は、学習者の主体的な思考を妨げ、AIへの過度な依存を招く可能性が指摘されています。こうした課題に対し、学習者の理解状況に応じて適切な支援を提供する「スキャフォールディング（足場かけ）」が重要となります。この研究ではヴィゴツキーの社会文化理論を基盤としています。この理論における「最近接発達領域（Zone of Proximal Development: ZPD）」とは、学習者が独力で達成できる水準と、他者の支援を受けて達成できる水準の間を指します。また、Aljaafreh and Lantolf（1994）は、スキャフォールディングの原則として、以下の3点を示しています。
• 段階的支援（Graduated assistance）： 暗黙的なヒントから明示的な説明へと段階的に移行します。
• 随伴的支援（Contingent assistance）： 学習者が必要とするときに支援を提供し、自力で解決できれば減らします。
• 対話的活動（Dialogic activity）： 対話を通じて学習者の理解状況を把握し、適切な支援を提供します。
これらの理論的枠組みに基づき、著者らは学習者自身が必要な支援を判断し、AIによる支援の程度を調整できるAI-mediated scaffolding model（AI-MSM）を開発しました。この研究では、このモデルがライティング能力、学習者エンゲージメント、モチベーションに与える効果を検証しています。

リサーチ・クエスチョン
この研究では、以下の4つの研究課題（RQ）を設定しています。
• RQ1: AI-MSMはライティングパフォーマンスを向上させるか？
• RQ2: AI-MSMは学習者エンゲージメントを向上させるか？
• RQ3: AI-MSMは学習モチベーションに影響を与えるか？
• RQ4: 学習者はAI-MSMの有効性をどのように認識しているか？

2. 研究の方法
AI-MSMの開発:
この研究で開発されたAI-MSMは、指導目標や学習者の過去の作文、誤りの傾向などを分析し、ライティング活動に応じた個別化支援を提供するモデルです。執筆段階では、アイデアの発想やアウトラインの作成などを支援し、推敲段階では、語彙・文構造・文法の改善を支援します。本モデルの特徴は、学習者が必要に応じて、暗黙的支援（Implicit）から明示的支援（Explicit）へと移行できる点です。例えば、学習者が英文の修正に困った場合、まずAIからヒントや問いかけを受け、それでも解決できない場合に具体的な文法説明や修正例を要求できます。
また、教員は学習者とChatGPTの対話ログをリアルタイムで確認し、AIの不適切な回答や学習者の停滞が見られた場合に介入する「Humans-in-the-Loop」の仕組みを採用しています。

実験の手続き:
中国の外国語大学で英語を専攻する学部生80名を対象に、5週間（全10セッション）の実験が行われました。参加者は無作為に、実験群（40名：AI-MSM使用）と対照群（40名：従来型指導）に割り当てられました。
第1週は実験群のみChatGPTの操作方法を学び、第2週は両群がライティングの基本構造を学習しました。第3〜5週には4本の英文を作成し、実験群はAI-MSM、対照群は従来型指導（個別執筆と教員添削）を受けました。

測定方法:
• ライティング能力: IELTS Writing Task 2の改変版（200語・30分）による事前・事後テスト
• エンゲージメント: 行動的・感情的・認知的エンゲージメント（9項目）
• モチベーション: 内発的動機・自己効力感・テスト不安（7項目）
• インタビュー: 実験群13名を対象とした半構造化インタビュー

分析方法:
定量分析には、事前スコアを統制した多変量共分散分析（MANCOVA）を用い、多重検定を考慮してBenjamini–Hochberg法によるFDR補正を適用しました。また、インタビューデータには質的分析を実施しました。

3. 結果と考察
• ライティングパフォーマンス（RQ1）:
事前テストでは両群に有意差は認められませんでしたが、事後テストではライティング能力全体に有意な群間差が確認されました（p < 0.001）。特に、タスク達成度、一貫性と結束性、文法の範囲と正確さの3項目で実験群が有意に高い結果を示しました。一方、語彙力では有意差が認められませんでした（p = 0.084）。
著者らは、文章構成や文法は比較的規則性が明確である一方、語彙習得には文脈やニュアンスへの深い理解が必要であり、教員による補完的な指導が重要であると考察しています。

• 学習者エンゲージメント（RQ2）:
行動的・感情的・認知的エンゲージメントのすべてにおいて実験群が有意に高い結果を示しました。特に、認知的エンゲージメントで最も大きな効果が確認されました（partial η² = 0.139）。著者らは、学習者がAIの提案を自ら吟味し、必要な支援を要求しながら修正するプロセスが、メタ認知や自己調整を促したと考察しています。

• 学習モチベーション（RQ3）:
モチベーション全体では有意な群間差が確認されましたが（p = 0.042）、FDR補正後は、内発的動機、自己効力感、テスト不安のいずれも有意差が認められませんでした。著者らは、その要因の一つとして、AIの回答の正確性や信頼性に対する学習者の不安を挙げています。

• 学習者へのインタビュー（RQ4）:
13名へのインタビューから、以下の5つのカテゴリーが抽出されました。
1. 創造性と認知の促進: AIが新たな視点を提示し、アイデアの発展や批判的思考を促しました。
2. 適応的学習と段階的支援: 必要に応じたヒントや説明が、自立的な問題解決を支援しました。
3. スキルの自立とAI依存の葛藤: 学習者がAI依存を懸念し、使用方法を自ら調整する様子が見られました。
4. ツールへの改善要求: 不自然な英語表現や文脈に適さない表現の検出精度について改善が求められました。
5. 技術的限界と信頼性リスク: AIによる誤解や不確かな情報の提示が報告されました。

Humans-in-the-Loopの役割:
この研究では、教員がAIとの対話ログをリアルタイムで確認し、必要に応じて介入しました。著者らは、こうした教員の支援がAIの技術的限界を補い、学習者の適切な問題解決を支えたと述べています。

4. 結論と限界点
• 結論: AI-MSMは、EFL学習者のライティング能力（特に文章構成や文法）および学習者エンゲージメントの向上に有効であることが示されました。特に、学習者自身が支援の程度を調整する仕組みが、認知的エンゲージメントを促進した可能性が示唆されています。一方、語彙力やモチベーションへの効果は限定的でした。
• 限界点: 対象者が中国の英語専攻学生80名に限定されていること、介入期間が5週間と短いこと、実験群の教員のみがAI研修を受けたことなどが挙げられています。また、一部の測定尺度の信頼性が比較的低く、結果の解釈には注意が必要であると筆者らは述べています。

感想
この論文では、学習者が自らの習熟度などに応じて生成AIに求める支援の程度を判断・調整するという教育的アプローチが提案されており、その有効性を検証している点に関心を持ち、ゼミで紹介する文献として選定しました。学習者が困難を認識し、必要に応じて支援を求めるというこの研究のシステム設計は、自身の研究テーマである「自己調整学習」にも関連すると考えます。
この研究では、「Humans-in-the-Loop」の重要性が強調されており、教員がリアルタイムで学習者のシステム利用状況を確認し、必要に応じて介入していました。しかし、授業外学習など、学習者のより自律的な学習への適用は可能なのか、また、教員の介入がなくなったときにも、学習者の自律的な学習が継続されるのかといった点についても、検証する必要があると考えました。
また、生成AIを活用した支援による学習成果において、「語彙」のスコアには有意な向上が認められなかったという結果が示されていましたが、これは自身の研究における課題でもあります。語彙力の向上に向けて、生成AIを活用したライティング学習支援をどのように改善できるか、今後の授業実践、研究設計において検討していきたいと考えています。