An Integrative Model of Artificial Intelligence Competencies and a Multi-theoretical Approach to the Implementation of Inclusive STEM Learning

技術要約：人工知能コンピテンシーの統合モデルと、インクルーシブなSTEM学習実施に向けた多理論的アプローチ

問題提起
インクルーシブ教育を実施する学校における科学・技術・工学・数学（STEM）教育への人工知能（AI）の統合は、重大な課題に直面している。すなわち、教員の準備態勢が技術的な習熟度に限定されており、包括的な教育学的理論枠組みを欠いていることである。AIはパーソナライゼーションやアクセシビリティの向上という可能性を秘めているが、その導入が単なる技術的ツールとして捉えられた場合、インクルーシブな文脈において格差を生むリスクがある。既存の文献には、教員のAIコンピテンシーと多理論的アプローチ（例：構成主義、社会認知理論、インクルーシブ教育理論）を、インクルーシブなSTEM実施の予測因子として明示的に組み合わせた統合モデルが欠けている。さらに、先行研究における手法的な限界、例えば、潜在変数間の同時的な因果関係の検証を行わない定性的研究や単純な調査設計への依存は、これらの構造的関係を強固に理解することを妨げている。

方法論
本研究では、統合的な構造モデルを検証するために、定量的説明的調査設計を採用した。

• 対象者： サンプルは、意図的サンプリングによって選出された、インドネシア（バリ、西ヌサ・トゥンガラ、東ヌサ・トゥンガラ）のインクルーシブ校に所属する現職の教師1,000名である。選定基準は、少なくとも2年間の指導経験があり、AIまたはSTEMプログラムへの関与歴があることとした。
• 調査票： データは、以下の3つの主要な構成概念を測定する5段階のリッカート尺度を用いた質問票を用いて収集された。
  1. AIコンピテンシー： 概念的理解、操作能力、革新性、協調性、および自信を含む。
  2. 多理論的アプローチ： 理論と実践の適合性、理論的統合、インクルージョンへの貢献、実現可能性、および専門性の開発を測定する。
  3. STEM実施能力： 計画、適応型カリキュラム、能動的戦略、AI統合、インクルーシブな評価、およびリソース支援を評価する。
• 分析： データは、SmartPLSソフトウェアを用いた部分的最小二乗構造方程式モデリング（PLS-SEM）を用いて分析された。分析は以下の2段階の手順に従った。
  1. 測定モデル： 信頼性（クロンバックのアルファ、合成信頼性）および妥当性（AVEによる収束妥当性、および因子負荷量）について評価。判別妥当性は、Fornell-Larker基準およびHTMTを用いて確認。
  2. 構造モデル： 多重共線性（内部VIF）、パス係数（仮説検証）、効果量（$f^2$）、および予測関連性（$R^2$, $Q^2$）についてテスト。統計的有意性を決定するためにブートストラップ法を用いた。

主な結果
構造モデルは、優れた構成概念妥当性と信頼性を示した。すべての因子負荷量は0.70を超え、合成信頼性は0.90を上回り、平均分散抽出量（AVE）は0.65を上回った。判別妥当性は、各構成概念のAVEの平方根が構成概念間の相関を超えていることによって確認された。

仮説検証により、以下の有意な知見が得られた：

1. AIコンピテンシー： 教員のAIコンピテンシーは、インクルーシブなSTEM学習の実施に対して、有意な正の直接効果を持つ（$\beta = 0.408$, $p < 0.001$）。
2. 多理論的アプローチ： 多理論的アプローチは、インクルーシブなSTEM実施に対して、有意な正の直接効果を持つ（$\beta = 0.320$, $p < 0.001$）。
3. 相互作用効果： AIコンピテンシーと多理論的アプローチの間には、有意な正の相互作用効果が存在する（$\beta = 0.213$, $p < 0.001$）。これは、両者の組み合わせが実施の有効性を高めるという相乗的な関係を示している。
4. モデル適合度： 構造モデルは、インクルーシブなSTEM学習の分散の42.7%を説明しており（$R^2 = 0.427$）、中程度の予測力を有すると分類される。モデルは多重共線の問題がなく（内部VIF < 5）、標準化平方根平均二乗誤差（SRMR）は良好なモデル適合度を示した。

主な貢献

• 理論的貢献： 本研究は、AIコンピテンシーと多理論的な教育的アプローチを、インクルーシブなSTEM成功の二重の予測因子として明示的に結びつける「統合モデル」（考察ではAI統合型多理論モデル、すなわちAIMTMと呼ばれる）を提案し、検証した。本研究は、構成主義および社会認知理論をテクノ・ペダゴジカルな文脈へと拡張し、AIは倫理的かつ人間主義的な教育理論に基づかなければならないことを強調している。
• 方法論的貢献： PLS-SEMを活用することで、本研究は潜在変数に関する強固な因果関係および予測分析を提供し、この領域における従来の探索的研究や定性的研究のメソッド上の空白を埋めている。
• 実践的貢献： 本研究の知見は、教員の専門性開発に対する戦略的な示唆を与えており、トレーニングは技術的なAIスキルを超えて、学習理論の統合、倫理的内省、および協調的コンピテンシーを含むべきであることを示唆している。

意義と主張
著者らは、インクルーシブなSTEM学習の成功した実施は、技術的習熟（AIコンピテンシー）と認識論的な深み（多理論的アプローチ）の相乗効果に依存しているという強力な実証的証拠を本研究が提供していると主張している。本研究は、AI単体では不十分であり、教師がアルゴリズムと人間の価値観の間の媒介者として機能する「教育学的整合性」が必要であると断言している。

本論文は、これらの次元の統合が、公平で適応的かつ持続可能なSTEM教育を育むことができる「インテリジェントな学習エコシステム」を創出すると結論付けている。著者らは、AIが新たな教育格差の源ではなく、公平性のためのツールとして機能することを保証するために、政策立案者やカリキュラム開発者が介入を設計する際の基礎的なステップとして、本研究を位置づけている。また、本モデルは強固なものであるものの、今後の研究においては、マルチレベルの文脈的影響や東南アジア全域におけるクロスカルチャーな検証を探求すべきであると謙虚に述べている。