A Semi-Automated System for Generating Dialogue-Based TTS Lessons Using Large Language Models: An Exploratory Study of Educational Potential

技術要約：LLMを用いた対話型TTS教材の半自動生成

問題提起
高品質な教育コンテンツ、特に反転学習モデルのためのコンテンツ制作には、教育者に多大な時間と専門的なスキルを要求し、導入への障壁を高めている。生成AIとテキスト読み上げ（TTS）を用いた完全自動のコンテンツ生成が進んでいる一方で、これらのソリューションは、教育的なニュアンス、事実の正確性、および「聞き取りやすさ（listenability）」への最適化に欠けることが多い。さらに、LLMが生成するコンテンツにはハルシネーション（幻覚）のリスクがあるため、人間の監視が必要となる。既存の自動化システムは、技術的な評価や単純な朗読に焦点を当てることが多く、実際の教室環境における教育的有効性の検証や、対話形式の指導におけるTTS独自の能力の活用には至っていない。

手法
本研究は、教育者を代替するのではなく、教育者を拡張することを目的とした、人間が介在する（human-in-the-loop）半自動システムを提案し、その妥当性を検証する。システムは以下の3段階のワークフローで動作する。

1. 構造化スライド生成： 非構造化テキスト（教科書など）をLLM（Claude 3.5 Sonnet）で処理し、Marp形式のスライドを生成する。教育者は、事実確認、教育的な流れ、および視覚的な洗練のためにこれらをレビューする。
2. TTS最適化ナレーション生成： LLMは、TTSの「聞き取りやすさ」に最適化されたナレーション・スクリプトを生成する。本研究では、認知的な徒弟制（cognitive apprenticeship）理論に着想を得た、新しい**「エキスパート×初心者」の対話形式**を導入している。このモードでは、LLMが「エキスパート」が知識を提供し、「初心者」が質問、概念の言い換え、理解の確認を行うスクリプトを作成する。この構造は、学習を足場かけ（scaffolding）し、自己説明効果を誘発するように設計されている。教育者は、正確性と明快さのためにこれらのスクリプトをレビューする。
3. 音声合成と統合： Gemini TTS APIを使用して、スクリプトの音声を合成する。シングルスピーカー（教師風）と対話（エキスパートと初心者の声）の2つのモードをサポートしている。音声は、Seleniumによってレンダリングされたスライド画像と同期され、MoviePyを使用して最終的なビデオファイルに統合される。

実証的検証
システムの教育的可能性を、日本の高校1年生245名を対象とした準実験を通じて評価した。参加者は、以下の3つのレッスン形式を順次体験した。

1. インストラクターの声によるビデオ（コントロール群）。
2. シングルスピーカーのTTSレッスン。
3. 対話型TTSレッスン（エキスパート×初心者）。

注：固定された順序とコンテンツの変化があるため、本研究では、フォーマットの効果とコンテンツおよび順序の効果を分離することの制約を認めている。

データ収集には、事後的な被験者内比較（3つのフォーマットすべてを比較）と、繰り返しの横断的なグループ間比較（シングルTTS vs 対話型TTS）が含まれる。評価指標は、ARCSモデル（動機付け）、認知負荷理論（外的な負荷 vs ゲルマン負荷）、および学習エンゲージメント理論に基づいている。

主な結果

• RQ1：TTSは学習体験を低下させるか？
  中核となる指標（理解度、集中力、総合評価）の被験者内分析の結果、インストラクターの声、シングルTTS、対話型TTSの間で有意な差は見られなかった。TOST等価性検定（境界 $\Delta = \pm 0.5$）により、すべての指標が等価性の範囲内に収まっていることが確認された。これは、TTSによる音声が、人間の声と比較して基礎的な学習体験を損なうことはないことを示唆している。

• RQ2：対話形式は教育的に優れているか？
  シングルTTSと対話型TTSを比較したところ、以下のトレードオフが明らかになった：

  • 対話型TTSの利点： 理解度（$p=.006$）および認知的エンゲージメント（$p=.019$）において有意に高いスコアを示した。学習者は、コンテンツを他者に説明できる能力に対してより高い自信を感じた。事前知識の不均衡によるものではないことを確認するため、比例オッズモデルを用いた補足分析（事前知識を制御）を行った結果、これらの利点が事前知識のみに起因しないことが確認された。
  • シングルTTSの利点： 音声の自然さ（$p < .001$）において有意に高いスコアを示した。対話形式は、スピーカー間やページ間の音声品質の差異により、外的な認知負荷を高める傾向があった。
  • 嗜好： 参加者の**66.9%**が、対話型TTSを「最も楽しく学べる形式」として選択し、他のフォーマットを有意に上回った。

主な貢献

1. システムアーキテクチャ： LLMによる自動化と教育者による品質管理のバランスを取り、TTSに最適化されたスクリプトを生成するために特別に設計された、実用的な3段階のヒューマン・イン・ザ・ループ・ワークフロー。
2. 新しい手法： TTSの聞き取りやすさに合わせ、認知的な徒弟制理論に着想を得て構築された、自動化された**「エキスパート×初心者」の対話生成**手法。
3. 実証的エビデンス： LLMの自動化、TTS音声の受容性、および対話形式のデザインを、実際の学習者を対象とした準実験的設定で統合した初の研究。対話ベースのTTSは、音声品質のトレードオフがあるものの、理解度とエンゲージメントを向上させ得るという証拠を提示している。

意義と主張
本論文は、TTS音声の教育的許容性と、TTSレッスン形式の具体的な設計原則に関する理論的および実証的な基礎を提供することを主張している。

• TTS音声は、コンテンツ制作の障壁を下げる上で、人間の声と比較して学習を本質的に低下させないことを示している。
• TTSの柔軟性を活用して対話型のレッスンを作成することで、音声品質のトレードオフを管理できれば、自己評価による理解度と認知的エンゲージメントを向上させられることを示唆している。
• 著者らは、これらの知見が固定順序および変動コンテンツの制約を持つ準実験に基づいていることを明示している。したがって、レッスン形式のみによる決定的な因果関係を主張するのではなく、観察された設計上の示唆とパターンを提示している。将来の研究では、因果関係を確認するために、ランダム化クロスオーバーデザインと客観的な学習テストが必要であると強調している。