Investigating Self-regulated Learning Sequences within a Generative AI-based Intelligent Tutoring System

技術要約：生成AIベースのインテリジェント・チュータリング・システムにおける自己調整学習シーケンスの調査

問題提起
生成人工知能（GenAI）は、適応的なコンテンツやフィードバックを提供するために教育環境への統合が進んでいるが、その存在自体が学術的な成功を保証するわけではない。GenAIを活用した学習の有効性は、学生がいかにテクノロジーとの相互作用を調整するかに大きく依存している。自己調整学習（SRL）はこの文脈において極めて重要であると認識されているが、既存の研究では、学生の相互作用の「時間的ダイナミクス」を捉えるための粒度が不足していることが多い。具体的には、GenAIを活用したインテリジェント・チュータリング・システム（ITS）内で展開される、SRL行動（例：計画、モニタリング、リフレクション）の逐次的なパターンが、リアルタイムでどのように展開されるのか、またそれらのシーケンスが学習パフォーマンスやAI使用の具体的な目的とどのように相関しているのかを理解することには、まだ空白が存在する。

手法
本研究では、制御された学習環境内でのトレースデータ分析を用い、定量的かつプロセス指向のアプローチを採用した。

• 参加者およびコンテキスト: 本研究には、栄養リテラシーの向上を目的としたITSである「Healthy Choice」と対話した110名の大学生（募集された114名のうち）が参加した。このシステムは、「Ask AI」機能を通じてChatGPTを統合し、足場架け（スキャフォールディング）を提供している。参加者は、特定のシナリオに基づいて最適な栄養素を選択するという問題解決タスクを完了した。
• データ抽出およびコーディング:
  • SRLシーケンス: プラットフォームからのトレースデータを、Zimmermanの3フェーズSRLモデル（予期、遂行、リフレクション）に基づいてコーディングした。マイクロレベルの行動には、目標設定（GS）、実行（EX）、評価（EV）、モニタリング（MO）、精緻化（EL）、およびリフレクション（RE）が含まれる。
  • GenAI使用の目的: 「Ask AI」機能で使用されたプロンプトを、情報処理理論に基づき、「情報の獲得」（未知の用語や事実の理解を求めること）と「情報の変容」（評価、確認、または認知的な葛藤の解決）の2つのカテゴリーに分類した。
• 分析手法:
  • 逐次的クラスタリング: コーディングされた行動から得られた状態シーケンスに対して階層的クラスタリングアルゴリズムを適用し、SRLの遷移パターンに基づいた学習者の明確なグループを特定した。
  • 遷移分析: 特定の行動シーケンス（例：$EV \to EX$、$Ask\ AI \to EV$）の頻度を可視化し、クラスター間で比較するために、遷移率ヒートマップを作成した。
  • 統計分析: GenAIの使用目的の普及率を分析するためにウィルソンの信頼区間を用い、クラスター間のパフォーマンスの違いを検討した。

主な結果

• 2つの明確なクラスターの特定: 分析の結果、「Ask AI」機能を使用した62名の参加者を、そのSRLシーケンスに基づき、以下の2つの異なるグループに分類することに成功した。
  • クラスター1 (n=18): 特定のシーケンス、特に $Ask\ AI \to EV$（評価の前にAIを用いて明確化する）および $EV \to EX$（評価から実行へと戻る）において高い遷移率を示すことが特徴である。これらの学生は、連続的な目標設定と実行活動を多く行ったが、情報を統合するよりも、個々の情報片を分析することに多くの時間を費やしていた。
  • クラスター2 (n=44): 自己リフレクション（$RE \to RE$）および目標設定（$GS \to GS$）を含む繰り返しのシーケンスを示した。特筆すべきは、このグループはGenAIとの複数回の対話を行っており、より深い相互作用が行われていたことを示唆している。
• GenAIの使用パターン:
  • 頻度: クラスター1の学生は、クラスター2（平均2回）と比較して、有意に高い頻度（平均5回）で「Ask AI」機能を使用していた。
  • 目的: 全参加者を通じて、GenAIは「情報の変容」（46.4%）よりも「情報の獲得」（53.6%）のために頻繁に使用されていた。
• パフォーマンスとの相関: 本研究では、GenAIの使用目的（獲得 vs 変容）と学習パフォーマンスとの間の相関は、統計的に有意ではなかった。しかし、論文では、クラスクター1の「一貫した統合を伴わない孤立した情報の分析」というパターンが、パフォーマンスの低下に寄与した可能性があると述べている。ただし、これは観察された行動パターンに基づく推論であり、結果セクションにおける直接的な因果関係の統計的主張ではない。

主な貢献

1. SRLの時間的ダイナミクス: 本研究は、SRLの静的な測定を超えて、GenAI環境における学生の行動の「逐次的な展開」をマッピングしており、遷移の順序と頻度（例：AIとの相互作用から評価への遷移）が学習者グループ間で大きく異なることを示した。
2. AI使用目的の差別化: 情報の獲得と変容を区別することで、本研究は、学生が高度な認知処理（評価や統合）よりも、事実の検索にGenAIを使用する傾向が強いことを浮き彫りにした。
3. 行動クラスタリング: ITSのトレースデータに対する逐的クラスタリングの適用により、明確な行動プロファイルが特定された。これにより、AIの使用頻度が高い学習者が必ずしも低頻度の学習者と同じ規制パターンを示すわけではないこと、また、特定の遷移パターン（繰り返されるリフレクションなど）が観察可能であることが明らかになった。

意義および主張
著者らは、彼らの知見が、教育設計およびGenAI支援型学習環境の開発の両方に重要な洞察を与えるものであると主張している。

• 教育学的含意: 結果は、専門性の発達のための戦略としての自己リフレクションの重要性を強調している。著者らは、学生が目標、行動、および結果を統合できるように、反復的なリフレクションのサイクルを明示的に足場架けするためのインストラクショナルデザインが必要であると示唆している。
• 設計への含意: 本研究は、AIとの相互作用の「深さ」と「シーケンス」が学習に影響を与えることを示している。より深い多段階の対話を行ったクラスター2のパターンに関する観察は、適応型AIツールが、単なるクエリと応答のループではなく、SRL戦略に沿った持続的で構造化された相互作用をサポートするように設計されるべきであることを示唆している。
• 介入の必要性: 本研究の結果は、孤立した情報の分析に依存しがちな学生（クラスター1のパターン）に対する、ターゲットを絞った介入の必要性を浮き彫りにしている。著者らは、将来のシステムがリアルタイムの学習分析を活用し、学生をより効果的なSRL戦略へと導くパーソナライズされたガイダンスを提供できる可能性を提案している。

本論文は、本研究はこれらのパターンを特定したものの、リアルタイム分析をGenAI支援環境においてどのように効果的に運用可能な形にするかを決定するには、今後の研究が必要であると謙虚に結論づけている。