学習工学の機序設計ノート

 生成AIの普及は、学習者が「答え（結論）」を先に得てしまう状況を常態化させる。ここで問題となるのは、答えを得ること自体ではない。問題は、答えが先に与えられることで、学習活動が「答えの正誤確認」や「もっともらしい答えの選択」へ偏りやすく、問いの立て直し、前提の確認、根拠の点検、評価軸の構築といった意味構成の工程が省略されることである。すなわち、答え先行環境は、学習を 選択主義 へと誘導しやすい。 したがって「答えから始める学び」とは、答えを提示することによって学びを短絡させることではなく、答えを材料として上流工程を立ち上げ直し、意味構成を主活動として回復する学習設計である。本稿ではこの学習を、答えから逆向きに上流工程を遂行する手順として定式化する。具体的には、答えを起点にして次の逆向きの活動を遂行する。(1) その答えが成立する問いは何か（フレーミング）、(2) どの前提の下で成り立つのか（前提）、(3) 根拠は何で信頼できるか、欠落や不確実性は何か（根拠点検）、(4) 代替案とどの評価軸で比較できるか、トレードオフは何か（比較可能化）、(5) なぜその答えを採るのかを根拠と価値基準に結びつけ、他者が追跡できる形で説明できるか（正当化）である。ここでの学びは、答えを当てることではなく、答えが「どのような問い・前提・根拠・価値基準の上に成立しているか」を再構成することにある。 このように整理すると、「答えから始める学び」は生成AI時代の学習の中心的方針として位置づく。生成AIは答えを先に出す。だからこそ学びは、答えから出発して意味構成を立ち上げ直し、選択主義（結論の採否への偏り）を避けるよう設計されるべきである。そして、この意味構成の訓練こそが、最終的な意思決定・価値判断の質を規定する。結局のところ「人は意思決定・価値判断」という標語は、「人は意味構成を担い、その結果として責任ある意思決定・価値判断を行う」と言い換えられて初めて、生成AI時代の実務や教育の指針として誤解が少なく、当てはまる範囲が明確になる。

 本稿では、生成AIが提示した複数の候補（結論・方針・説明）を前にしたとき、意思決定が「どれが正しい／良いか」という結論（選択）の成否・妥当性の判定と採否に過度に集中し、問いのフレーミング（何を問題として扱うか）、前提条件の確認、根拠の信頼性点検、評価軸（価値基準）の明示といった上流工程（意味構成）が十分に整えられないまま選択が進む状態を、便宜的に選択主義と呼ぶ。ここでの引用は「選択主義」という語の出典を示すものではなく、選択主義が生じやすい認知的条件と、その回避に必要な上流工程の重要性を裏づけるための理論的根拠として位置づけられる。 選択主義が生じる背景は、意思決定研究で指摘される限定合理性として説明できる。人は時間・注意・情報処理資源に制約があるため、最適解の探索ではなく、一定の基準を満たす案を採る満足化に傾きやすい（Simon, 1955）。また、不確実性下では代表性・利用可能性・アンカリングなどのヒューリスティクスに依存しやすく、提示のされ方（フレーミング）によって判断が左右されうる（Tversky & Kahneman, 1974）。さらに、選択肢が増えるほど比較が困難になり、意思決定が表層化したり回避されたりしうること（いわゆる choice overload）も報告されている（Iyengar & Lepper, 2000）。生成AIは候補生成を容易にし、選択肢数を増やし得るため、これらの条件が重なると、上流工程を省略したまま「候補の採否」に注意が集中する選択主義が誘発されやすい。 一方で、意思決定が説明責任に耐える形で成立するためには、候補の採否に先立ち、状況の捉え方、前提、評価軸、根拠を組み立てて第三者が追跡・点検できる形に整える意味構成（sensemaking）が不可欠である（Weick, 1995）。したがって、生成AI時代の意思決定支援や学習支援では、候補を提示して選ばせること自体を中心に置くのではなく、候補を材料として上流工程（フレーミング、前提、根拠、評価軸、正当化）を外在化し、点検可能な形で整えたうえで判断する運用を設計する必要がある。 Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Econo...

生成AI時代における人の役割は「意思決定・価値判断」である、としばしば述べられる。しかしこの表現は、意思決定・価値判断がAI出力の提示後に行う“最後の操作”であるかのような誤解を招きやすい。実際の意思決定・価値判断は、何を問題として扱うのか、どの情報を根拠として採用するのか、どの基準で代替案を比べるのかを整える上流工程を前提とする。本稿ではこの上流工程を「意味構成」と位置づけ、意思決定・価値判断を意味構成の結果として捉え直す。 ここでいう意味構成は、内省的な感想を述べることではなく、第三者が追って点検できる形で前提・根拠・評価軸を外に出し、整合性を確認できるようにする工程として限定的に捉える。具体的には、(1) 問いのフレーミング（目的・制約・観点の明確化）、(2) 概念・前提の明示（用語定義、前提条件、適用範囲の確定）、(3) 根拠の選別と信頼性点検（情報源の妥当性、不確実性・欠落の整理）、(4) 比較可能化（共通の評価軸への整理、トレードオフの見える化）、(5) 正当化（採用理由を根拠と価値基準に結びつけ、説明責任に耐える形へ整える）の五工程からなる。 生成AIは選択肢や説明文を高速に生成できるが、これらの工程を自動的に満たしてくれるわけではない。むしろ出力が増えるほど、上流工程が省略され、意思決定が「候補の中からそれらしいものを選ぶ行為」になってしまいやすい。本稿ではこの状態を 選択主義 と呼び、次のように定義する。すなわち、生成AIが提示した候補の中から、どれが正しい／良いか（結論の妥当性）だけを議論し、問いのフレーミング、前提の確認、根拠の信頼性、評価軸の明示といった上流工程を欠いたまま選ぶ状態である。これは論理構成において、結論の成否やもっともらしさだけが争点になり、結論を支える論証構造（前提・推論・反例の検討）が点検されない状態と同じ構図である。 したがって、生成AI時代において強調すべきは、意思決定・価値判断という下流の行為そのものではなく、それを成立させる意味構成能力である。教育・学習支援の観点からは、AI出力を提示して終えるのではなく、出力を起点として上記の五工程を外に出し、学習者が前提・評価軸・根拠・差分を点検しながら再構成できるように設計する必要がある。外的表象（概念マップ、比較表、構造図など）を操作可能な形で提供し、再構成の過程で何が変わっ...

PBLはしばしば「悪定義問題（ill-structured problems）」への取り組みを通じて，学習者の主体的探究や真正な問題解決を促す学習形態として位置づけられる．しかし，授業として実施されるPBLは，その成立のために，実際には多くの局面で問題を「良定義化（well-structured化）」している．例えば，扱う範囲（スコープ）の限定，利用可能な情報源や方法の制約，成果物の形式と評価基準の明確化，手順の分解と期限設定，役割分担の付与などである．これらは，学習者が悪定義性の全てを引き受けるのではなく，学習活動が停滞せずに進むよう，問題空間を整える操作であり，PBLの実践を支える不可欠な準備である． ただし，この種の「良定義化」は教育場面に特有の操作ではない．現実の実践においても，多くの部分がすでに制度・規範・専門性によって定式化され，問題空間があらかじめ形づくられている．したがって，教育におけるPBLの良定義化は「教育に特化した人工的操作」ではなく，むしろ現実の実践に内在する定式化を，学習可能な形で再配置したものとみなせる． しかしながら，この「悪定義→良定義」への変換は，教育現場ではしばしば教員や教材設計者の裁量（暗黙知）として遂行され，どのような操作がどの悪定義性をどの程度低減し，どのような学びを生み出すのかが，設計原理として十分に定式化されていない場合が多い．その結果，PBLを遂行可能な課題とするうえでの中核といえる変換過程がブラックボックス化し，実践は成立しても，知見が再現可能・比較可能・累積可能な形で蓄積されにくいという課題が生じる．本論において学習パズルを論じる価値は，学習活動の設計という観点から，悪定義を学びに変えるために何が行われているのかの明示化の必要性を指摘することである． 「学習パズル化」は，この変換過程を外在化し，操作可能な形に落とし込む枠組みである．学習パズル化とは，悪定義課題に含まれる不確定性や曖昧性をそのまま放置するのではなく，学習者が取り組める探索空間として再定義するために，(i) 目標（何を解く／何を説明するか），(ii) 部品（利用できる情報・概念・表象），(iii) 制約（組み合わせ規則・整合条件），(iv) 判定（妥当性の検証方法），(v) フィードバック（次の探索を方向づける情報）を明示的に設計することである．重要な...

 利用実績（国立小学校：1校，公立小学校：4校，私立大学：1校，のべ1,056名，計129時限） 2009.10-12 加減算 国立小学校 4年生40名 計 6時限 2010.11-12 加減算 国立小学校 2年生39名 計 6時限 2011.3 加減算 国立小学校 2年生40名 計 2時限 2011.10-11 加減算 公立小学校A 5,6年生2名（特別支援学級） 計 5時限 2012.2 加減算 国立小学校 1年生39名 計 9時限※ 2012.6-7 加減算 公立小学校A 5,6年生2名（特別支援学級） 計 5時限 2013.1-2 乗除算 国立小学校 2年生39名 計 9時限※ 2014.1-3 乗除算 国立小学校 3年生78名 計23時限※ 2014.11 加減算 公立小学校B 2,3年生70名 計 6時限 2015.1-3 乗除算 国立小学校 4年生75名 計16時限※ 2015.11 乗除算 公立小学校C 4年生69名 計 2時限 2016.1-3 加減算 国立小学校 2,3年生126名 計12時限※ 2016.9 乗除算 公立小学校D 5,6年生137名 計 4時限 2016.10-11 加減算 私立大学 2年生43名 計 6時限 2017.1-2 加減算 公立小学校D 2年生78名 計 6時限 2017.6 加減算 公立小学校D 3年生79名 計 6時限 2017.10-11 加減算 私立大学 2年生44名 計 6時限 2018.1-2 加減算 公立小学校D 2,3年生153名 計12時限

1. まえおき 悪定義問題は、現実の課題に近く、目的設定・情報選択・前提の導入・評価基準の構築といった高次の思考を要請する点で教育的価値が高いとされてきた。一方で、悪定義性を無制御に提示すると、学習者は何を手掛かりに思考を進めればよいかを見失い、思考停止や表層的試行錯誤に陥りやすい。結果として、悪定義問題は学習を促す課題というより、学習機会の不均衡を拡大し、「選別法」として作用してしまう危険がある。 本論では、この両面性を踏まえ、悪定義問題をそのまま解かせることを目標とするのではなく、悪定義性を学習資源として保持しつつ学習として成立する形へと変換する設計原理として「学習パズル化」を位置づけることを目指す。ここでいう学習パズル化とは、悪定義課題に含まれる不確定性のうち、少なくとも表象・操作・評価を外在化して共有可能にし、学習者が探索を継続できる問題空間を構築することである。ただし、これは悪定義性を排除して良定義問題に置換することではない。学習パズル化の要点は、外在化された構造の上で学習者に「構造（および意味づけ）の補完」を要求することで、悪定義性を探索可能な形に制御し、その補完過程を通じて意味構成・モデル化・根拠づけを促す点にある。 なお、悪定義性には複数の側面があるが、本論が焦点化する「構造と意味づけの補完」は、悪定義問題の学習価値を代表する重要な中核要素である。この補完を通じて、学習者は前提設定・関係の理由づけ・構造の整合化を行い、理解を深めるための土台を形成する。本論で扱わない悪定義性（ゴールの多義性や評価基準の多元性等）を学習資源化することは、問題空間の設定だけで完結するものではないが、共有可能な問題空間を整えることは、それらの側面を学習として扱うための前提条件であり、本論の議論はその土台の上で拡張的に検討可能であると考えている。 以下では、第2節で悪定義問題が学習に資するために不可欠となる定式化の観点を整理し、悪定義性を無制御に放置した場合に生じる思考停止・選別の問題を明確化する。第3節では、オープン情報構造アプローチ（Open Information Structure Approach: OISA）を学習パズル化を支える上位の設計原理として位置づけ、その具体化手法の一つとして構造再構成法を取り上げる。これにより、外在化・操作可能性・参照構造の共有...