テクニカルサマリー：ゲーミフィケーションが学生の感情に及ぼす影響

問題提起

ゲーミフィケーションは、エンゲージメントや学習成果を高めるために教育システムに広く採用されているが、学習者の感情状態に対する具体的な影響については、未だ十分に解明されていない。既存の文献は主に認知および行動の成果に焦点を当てており、ゲーミフィケーション環境が基本感情（喜び、悲しみ、怒り、驚き、恐怖、嫌悪）にどのように影響するかについての理解には空白がある。さらに、従来の評価法は、客観的なリアルタイムの測定よりも、静的な自己報告に依存することが多い。本研究は、学習管理システム（LMS）との相互作用における学生の基本感情の持続時間、頻度、および連続的な遷移に、ゲーミフィケーションが影響を与えるかどうかを調査する必要性に取り組むものである。

研究手法

本研究では、タンペレ大学から募集された19カ国からの平均年齢25歳の大学生62名を対象とした、被験者間対照実験デザインを採用した。

• 実験デザイン: 参加者は、実験群（ゲーミフィケーション化されたLMSを使用）または対照群（同一のLMSの非ゲーミフィケーション版を使用）のいずれかにランダムに割り当てられた。
• システム: 本研究では「Eagle-edu」プラットフォームを利用した。実験版には、学習タスクを中心としたメタゲーム的な相互作用を生み出すように設計された10の特定のゲーミフィケーション要素（承認、チャンス、競争、経済、強制された選択、レベル、目標、ポイント、進行状況、統計）が組み込まれている。対照版は、これらの要素なしに同一の教育タスクを提示する。
• 手順: 参加者は、ユーザビリティ・ラボラトリーにおいて少なくとも30分間、システムと相互作用した。
• データ収集: 感情反応は、自動顔表情認識ソフトウェア（Noldus FaceReader）を使用してリアルタイムでキャプチャされ、Noldus Observer XTを介してログに記録された。6つの基本感情が分析された。
• データ分析:
  • 記述統計: 感情の持続時間と頻度について算出。
  • 推論統計: 正規分布したデータ（中立）にはStudentのt検定を、非正規分布したデータには、グループ間の持続時間と頻度を比較するためにMann-Whitney U検定を使用した。効果量（Cohen's d または r）も算出した。
  • 遷移分析: 分析の探索的な性質とサンプルサイズの制限から、感情の遷移については記述的な検討を行った（例：怒りから喜びへの遷移）。

主要な結果

1. 感情の持続時間と頻度（RQ1およびRQ2）

統計分析の結果、ゲーミフィケーション群と非ゲーミフィケーション群の間で、6つの基本感情のいずれについても、総持続時間または頻度に有意な差は認められなかった。

• 支配的な感情: 両方の条件において、怒りが最も頻繁に観察された感情であった。
• 最も表現されなかった感情: 両方の条件において、恐怖が最も表現されにくい感情であった。
• 統計的有意性: 持続時間と頻度の比較におけるすべてのp値は非有意であった（例：怒りの持続時間 p = .91、喜びの頻度 p = .345）。
• 効果量: すべての感情において関連する効果量は小さく（r = .03 から r = .27 の範囲）、この文脈における特定のゲーミフィケーション設計が基本的な表情の表現に与える実質的な影響は限定的であることを示唆している。

2. 感情の遷移（RQ3）

静的な測定では差は見られなかったが、感情の遷移に関する記述的分析により、2つの条件間で異なるパターンが明らかになった。

• ゲーミフィケーション条件（実験群）: 最も頻繁な遷移は、怒りから喜びへの遷移（19回）であった。また、怒りから驚きへの遷移も頻繁に見られた（14回）。
• 非ゲーミフィケーション条件（対照群）: 最も頻繁な遷移は、嫌悪から怒りへの遷移（28回）であった。
• 一般的なパターン: 両グループとも、怒りと喜びの間で双方向のシフトを示した。しかし、負から負への遷移（例：嫌悪から怒り）は、非ゲーミフィケーション条件においてより顕著に現れた。「恐れ」という感情は、どちらのグループにおいても有意な遷移を示さなかった。

主な貢献

1. 客観的な測定: 本研究は、主観的な自己報告ではなく、自動化された客観的な顔表情認識を用いて、ゲーミフィケーション学習における感情に関する実証的な証拠を提供し、LMSとの相互作用中の感情状態の高解像度なマップを提供した。
2. ダイナミクスへの焦点: 感情の持続時間や頻度とともに感情の遷移を分析することで、本研究は学生の感情の時系列的なダイナミクスを浮き彫りにし、たとえ頻度や持続時間が異ならなくても、感情の「順序」が異なる可能性を示唆している。
3. 文脈的証拠: 本研究の結果は、特定のゲーミフィケーション設計（ポイントやバッジなどのメタゲーム要素）が、基本感情の表現に対して、非ゲーミフィケーションのインターフェースと比較して検出可能な変化をもたらさなかったことを示すことで、ゲーミフィケーションが本質的に情動状態を変化させるという仮定に疑問を投げかけ、文献に貢献している。

意義と主張

著者らは、彼らの知見は、使用された特定のゲーミフィケーション設計が基本感情の表現（持続時間／頻度）を大きく変えることはなかったが、感情のダイナミクス（遷移）には影響を与えた可能性があることを示唆していると主張している。

• 無効な結果に対する控えめな主張: 論文では、統計的に有意な差がないことは、ゲーミフィケーションに感情的効果がないことを決定的に証明するものと解釈すべきではないと明記している。むしろ、これは特定の条件下（タスクの種類、期間、特定の要素）において、大きな感情的差異が検出されなかったことを示している。本研究は、小さな、あるいは中程度の効果を検出するためのパワーが不足している可能性があることを認めている。
• 「怒り」の解釈: 著者らは、「怒り」の高い出現率が必ずしもフラストレーションのみを指すのではなく、認知的な努力、集中、または問題解決に関連する顔の構成を反映している可能性があるという点に注意を促している。これは、自動顔認識における既知の限界である。
• 理論的含意: 結果は、核となる学習内容が学生の感情の主要な要因であり、ゲーミフィケーション要素はその影響が比較的小さいという見解を支持している。本研究は、ゲーミフィケーションが感情に影響を与えるために効果的であるためには、それが外的な報酬レイヤーではなく、学習メカニクスに「内在的」である必要があるかもしれないことを示唆している。
• 実務的含意: 設計者は、ポジティブな感情を育むために、認知負荷とタスクの意味合いに焦点を当てるよう推奨される。ゲーミフィケーション要素だけでは十分ではない可能性があるためである。さらに、特定された遷移パターン（例：怒りから喜びへの遷移）は、「感情を認識する」スマート学習システムにおける適応型介入のアルゴリズム的なトリガーとして活用できる可能性がある。

本論文は、これらの知見を検証し、感情の遷移のニュアンスを探求するために、より大きなサンプル、多様な文化的背景、および代替的な感情検出方法（例：自己報告、生理学的センサー）を用いた将来の研究を呼びかけて締めくくられている。