The field grew, the programme did not: differential growth and substrate portability in artificial intelligence and education research, 2016–2026

技術要約：AIおよび教育研究における差異的成長と基盤のポータビリティ（2016–2026）

問題提起
本論文は、変遷期にある研究分野の評価方法における方法論的な欠陥を指摘している。従来のレビューでは、特定の研究プログラムの記録の「シェア（占有率）」の低下を、そのプログラムの衰退や置換の証拠として解釈することが多い。著者らは、これが「組成上の誤謬（compositional error）」であると主張する。急速に拡大している分野においては、ある研究形態が相対的なシェアを大幅に失ったとしても、絶対的な年間出力（論文数）自体は増加している場合がある。本研究は、AI教育（AI-Edu）がプレ・ジェネレーティブ（生成前）システム（2016–2022）からジェネレーティブAI時代（2023–2026）へと移行した文脈において、放棄された文献（絶対的収縮）と、単に規模が拡大したことで相対的に目立たなくなった文献（差異的成長）を区別することを目的とする。

方法論
本研究は、PRISMA 2020に準拠したプロトコルのもとでスクリーニングされた、Scopus、Crossref、Google Scholarから取得された1,218件の記録を用いた系統的レビューおよび計量書誌学的分析を採用している。コーパスは、ChatGPTのリリース（2022年11月）を境に、プレ・ジェネレーティブ期間（2016–2022, n = 333）とジェネレーティブ期間（2023–2026年6月, n = 885）に分割される。

主な分析手順は以下の通りである：

1. 成長調整指数（G）： コアとなる指標は、$G = RR / F$ と定義される成長調整指数である。ここで、$RR$ は特定の形態の期間間の年間出力の率比であり、$F$ は分野全体の成長比（5.32倍）である。代数的に、$G$ は普及率（$p_2/p_1$）と同等である。これにより、著者らは相対的な組成の変化と絶対的な活動の変化を分離することができる。
2. 収束タイポロジー（類型論）： 7つの収束形態（例：代替、拡張、アナリティクス、ガバナンス）からなる改訂されたタイポロジーを確立した。3つの形態（代替、拡張、人間とAIのティーミング）には固有の語彙が欠けていたため、層化抽出されたサンプル（n = 200）の目視コーディングによって測定された。その他の形態は、用語ベースの指標によって測定された。
3. 決定規則： 成長間隔が「1（unity）」または「分野の成長比」を包含するかどうかに基づいて、形態を5つのカテゴリ（絶対的収縮、絶対的停滞、劣比例的成長、比例的成長、超比例的成長）に分類する事前指定された基準を設けた。
4. 感度分析： 検索設計のバイアスをテストするため、両方の期間を両方の語彙に曝露してプールし、また、発見事項が検索文字列のアーティファクト（人工物）ではないことを確認するために、テキストから検索文字列を除去した。

主な結果
分野の年間出力は、これら2つの期間の間に5.32倍に増加した。結果は、一様な置換ではなく「差異的成長」を示している：

• 絶対的収縮： 教育データマイニング（EDM）および学習アナリティクス（LA）は、年間出力において絶対的収縮を示した。EDMは年間11.0件から3.4件へ減少（$G = 0.06$）、LAは18.0件から12.0件へ減少（$G = 0.13$）した。しかし、LAの収縮は設計依存であることが判明した。両方の期間を両方の語彙に曝露した場合、LAは成長を示したが、分野に対しては劣比例的であった（$G = 0.23$）。
• 絶対的停滞： インテリジェント・チュータリング・システム（ITS）は、シェアが20.4パーセントポイント低下したにもかかわらず、絶対的な出力において統計的に横ばい（11.9から11.4件/年、$RR = 0.96$）であった。
• 劣比例的成長： 対話型エージェント、自動フィードバック、予測／早期警告などの形態は、絶対的には成長したが、その速度は分野の成長よりも著しく遅かった（$G$ は0.39から0.58の間）。
• 比例的および超比例的成長： 適応型／パーソナライズされた学習は、分野の成長と同程度を維持した（$G = 0.94$）。AIリテラシー、倫理／ガバナンス、アカデミック・インテグリティ、および生成AI／LLMといった新しい形態は、超比例的に成長した。
• コードレベルの検証： 目視コーディングにより、計測された縦断的データ（アナリティクス、$G=0.18$、個別のモデルを必要とするパーソナライゼーション、$G=0.52$）を必要とする概念は、収縮または劣比例的に成長したことが確認された。逆に、そのようなデータを必要としない概念（代替、拡張、人間とAIのティーミング）は、分野と同程度か、あるいはそれを上回る成長を見せた（$G \geq 1.12$）。

主な貢献

1. 測定フレームワーク： 本研究は、急速に拡大する文献における絶対的な活動と相対的な組成を分離するフレームワークを導入し、シェアの違いが活動の低下を示す誤解を招く指標であることを示した。また、シェア比が成長調整された量であることを確立した。
2. 改訂されたタイポロジー： 機能的な定義と技術的な指標を区別し、自動化された用語マッチングによって回収可能な概念と、目視コーディングを必要とする概念を区別する、AI-Eduの収束形態の測定スキャフォールド（足場）を提供する。
3. 基盤ポータビリティ理論（Substrate Portability Theory）： 「基盤ポータビリティ」、具体的には、ある研究形態が計測された縦断的データに依存しているかどうかが、技術的転換期における生存の主要な予測因子であるという理論を提唱する。特定のデータインフラストラクチャ（EDMやLAのような）に依存する形態は、それらを必要としない基盤（生成AI）へと分野が移行した際に、ペースを維持するのに苦慮した。
4. ネットワークとトピックのダイナミクス： 分析は、分野の知識構造が、マルチブリッジ型のネットワーク（2023年以前）からシングルドミナント（単一支配的）なブリッジ（生成AI）へと移行したこと、およびトピックの質量がアナリティクス／チュータリングからインテグリティ／ガバナンスへとシフトしたことを示している。ただし、これは前者のトピックの絶対的なボリュームの崩壊を伴うものではない。

意義と主張
本論文は、AI-Eduにおけるジェネレーティブ・ターン（生成AIへの転換）が、分野の関心を包括的に再分配したものの、以前の研究プログラムを絶対的な意味で放棄させたわけではないと主張している。むしろ、分野は「差異的成長」を経験しており、新しい基盤（生成AI）によって、従来のプログラムを必要としない膨大な新しい問いが流入することが可能となった。

後発のサブフィールド（マネジメント教育など）は、参入時点における文献の「組成」を継承するのであり、その完全な歴史的活動を継承するわけではない。したがって、現在の文献を採用するサブフィールドは、診断的および予測的研究の根底にある連続性を見落とす可能性がある。本研究は、「規模が拡大した（outgrown）」ことと「放棄された（abandoned）」ことの区別が極めて重要であると結論づけている。以前のプログラムは終了したり食い尽くされたりしたのではなく、分野の新しい速度に対して、より低い割合で追求され続けているのであり、その結果、学生の困難度予測のような未解決の問題が分野の中心に残されているのである。この知見は、単一のテクノロジーの周囲で急速な成長が起こると、総体的な研究ボリュームが拡大しているにもかかわらず、分野の内部組織が構造的に単純化される可能性があることを示唆している。