学習工学の機序設計ノート

ゲーミング行動と適合的パズル活動の概念的区別 学習支援システム研究では、学習者が課題を進める際に示す、学習目標からの逸脱を伴い得る方略として「ゲーミング（gaming the system）」が古くから論じられてきた。ゲーミング行動は、学習内容の理解や推論を十分に行う代わりに、システムのフィードバックや規則性を利用して正答や進行を得ようとする行動として捉えられ、当て推量（guess-and-check）やヒント乱用（hint abuse）などが代表例として扱われる。この枠組みの中心的関心は、ログ上で観測される行動パターンの同定・検出、およびその抑制や介入であり、概念としても「学習者の方略（行動）」に焦点が置かれやすい。 これに対して本稿で導入する「適合的パズル活動」は、同様の行動が観察される場合であっても、それを学習者の資質や態度に還元せず、課題設計が生み出す構造として捉え直すための概念である。適合的パズル活動とは、課題が良定義なパズルとして構成され、学習者が制約やフィードバックに適応することで「条件充足＝正解」へ合理的に到達できる一方、説明生成・解釈・転移に資する意味構成が必ずしも要求されないまま達成できてしまう活動を指す。ここで焦点となるのは、学習者の“攻略意図”の有無ではなく、課題が「適合（条件充足）」を意味構成の代替として成立させてしまう設計上のリスクである。 この区別を具体化する鍵は、課題が形成する探索空間の性質と、フィードバックが提供する「正解への適合の勾配（つまり、どこをどう直せば差分を解消できるかが、理由説明なしに分かる手がかり）」である。例えば、(i) 部品数が少なく探索空間が小さい、(ii) 試行コストが低く修正・やり直しが容易である、(iii) 正誤判定が即時かつ局所的で、どこが欠落・過剰かが高分解能で分かる、(iv) ヒントや診断が候補を強く絞り込み探索空間を急速に縮減する、といった条件が揃うと、理解に基づく推論よりも、試行錯誤やヒント依存によって差分を消していくことが合理的な最適戦略になりやすい。このとき観測される振る舞いはゲーミング行動（guess-and-check、hint abuse）に類似し得るが、それは必ずしも学習者の逸脱ではなく、課題が「意味構成を経ずに達成できる」構造を与えてしまった結果として説明できる。すなわち、ゲー...

  再構成学習を「パズル」として捉えるとは、課題が操作・制約・正誤判定の規則をもつ探索空間として定式化され、少なくとも形式的には良定義の問題になっていることを意味する。良定義問題を解くこと自体は、構造理解や技能獲得という点で十分に意義がある。特に再構成学習では，構造を部品化することで，関係の文脈がいったん断片化され，部品だけからは意味が自明にならない。したがって学習者は，自身の理解に基づいて関係や条件を補完し直す必要があり，構造的理解の確認と洗練を促す点で有用である。 一方で、現実の学習課題には悪定義（曖昧・情報不足・目的不明確）なものが多く、教育上の核心は「悪定義問題を良定義化する」変換過程にある、という反論も成り立つ。実際、この重要性は指摘される一方で、変換をどのように指導・支援するかについての具体提案は限られ、学習者任せになりやすい。 これに対し再構成学習は、学習者の 内的表象を外的表象として再記述 させることで、曖昧な状態を要素（概念）・関係（リンク）・条件（制約）へと分解し、欠落や矛盾を検証可能な形に整える。言い換えれば、悪定義問題の良定義問題化を、学習者自身に 外的表象の提供を手がかりとして遂行させる学習 として位置づけられる。 ただし、このとき学習が単なる当てはめに収束して 適合的パズル となることを避けるために、探索空間の設計（当てものにならない制約・課題構成，自己説明のタスク化など）と、運用上のモニタリング・介入、さらには支援のフェーディング等が不可欠である。こうした設計・運用と組み合わせることで、再構成学習は「パズルに閉じる」のではなく、悪定義を良定義へ変換するプロセスの学習へ接続する可能性をもつ。

 生成AI活用はしばしば「プロンプト／コンテクストエンジニアリング」として理解され、目的・制約・参照情報・出力形式を入力側で設計して、望ましい出力を安定的に得ることが中心課題とされる。この観点は重要であり、一定程度まで手続き化・定式化可能である。一方で、教育・研究・専門的実践の文脈では、生成AIの出力はしばしば「結論」ではなく「候補」や「素材」に過ぎず、妥当性の保証や根拠の自動提示を本質的に伴わない。ゆえに、生成AIを真に活用するためには、出力を得ることそのものよりも、得られた出力をどのように吟味し、再構成し、正当化していくかが決定的に重要となる。 この点を踏まえ、本稿は生成AI活用をAIリテラシーの観点から「プロンプトリテラシー／意味構成リテラシーの二層」として捉える枠組みを提案する。ここで二層とは、入力形式の違いではなく、生成AI活用における機能の違い（生成を駆動する技能／生成物を意味へ転換する技能）に基づく区別である。第一層であるプロンプトリテラシー（＝プロンプト／コンテクスト設計能力）は、生成AIから必要な情報や表現を引き出すための入力設計能力である。具体的には、目的の明確化、制約条件の付与、評価基準の提示、例示、参照情報の整理、反復による改善などを通じて、出力の品質と安定性を高める技能を指す。この層は、比較的汎用的な作法として共有しやすく、授業や研修においても手順・チェックリストとして教えやすい。 これに対し第二層である意味構成リテラシーは、生成AIの出力を「答え」として消費するのではなく、「検討可能な対象」として外在化し、理解・概念・論証へと転換する能力である。一般的な「批判的思考」や「情報リテラシー」と重なる部分はあるが、意味構成リテラシーはとりわけ、生成AIの生成物を対象に、外的表象（図・表・構造）を介して外在化→比較（差分）→再構成→正当化の循環を回す点を中核に据える。ここでは、(i) 前提・定義・射程の明示化、(ii) 反例・対立仮説・代替解釈の生成と比較、(iii) 外的表象としての固定化と差分検討、(iv) 根拠の形式（データ・論理・先行研究・価値判断）の明確化と正当化、といった対話操作が中心となる。意味構成リテラシーは、学習者や実践者の問題意識・専門性・評価基準に強く依存するため、プロンプトリテラシーのように一律の最適化問題としては...

    1 Hirashima, T., Watanabe, K.; Recomposition Based Learning for Promoting Structural Understanding - From Reconstruction of External Representations to Recomposition of Internal Representation, Proc. of ICCE2025, pp.482-487(2025)

記号接地（グラウンディング）とは、抽象的な記号（用語・式・文）が、例・非例や境界条件を通して具体的な適用条件に結びつき、その意味範囲が定まっていくプロセスである。生成AI時代には、学習者は「情報をゼロから作る」よりも、むしろ「提示された説明や解（外部生成物）を扱う」状況に恒常的に置かれる。ここで外部生成物とは、生成AIの出力に限らず、教科書・講義資料・Web記事・先行研究・他者の解法や説明など、学習者の外側から与えられる知識表現一般を含むものとする。 重要なのは、教材であっても、教師やカリキュラムが価値づけ（この内容を学ぶ意義や重要性）を与えるだけでは十分ではなく、学習者がそれに納得し、自分の目的や文脈に対応付けて価値を形成するプロセスが必要だという点である。この観点に立てば、生成AIの出力も同様に外部生成物として扱い、正当化と価値づけを通して納得を形成する学習活動へ接続できる。問題は、生成AIの出力が「すぐにそれらしい答え」を提示するために、点検や納得のプロセスが省略されやすい点にある。したがって、生成AI時代の教育では、点検と価値づけのプロセスを学習活動として必然化する、より積極的な支援設計が必要となる。 この状況下で、外的表象の操作・再構成を学習の中心に据えるオープン情報構造アプローチ（OISA）は、接地の深化を育成・評価可能な形で実現する枠組みとなりうる。ここで、外部生成物を点検・再構成の対象として共有可能な形に表現し直すことを外的表象化と呼び、その結果として得られる構造表現（図式・構造）を外的表象と呼ぶ。外的表象は、以後述べる点検や再構成における「点検対象」として機能する。以下では、学習活動におけるスクラッチ（新規構成）と再構成を対照し、後者が接地の深化に有利となる理由を整理する。なお、再構成が常にスクラッチ構成より優れるとは限らず、素材の質、支援の有無、学習者の前提知識、課題の評価観点に依存する。しかし外部生成物が豊富に提示される生成AI時代には、点検と価値づけを必然化する学習活動として再構成の重要性が相対的に高まる。 1. 3種の点検を必然化する「点検対象」としての外的表象 スクラッチ構成では、学習者は自身が選んだ要素と関係だけで構造を組み立てるため、曖昧な概念や論理の飛躍を含んでいても、そのまま「自分の筋の通る物語」として完結してしまい、点検が起きに...

（電子情報通信学会教育工学研究会：2026-03-ET）  生成AIの仕組みを分析することは、生成AI時代における人の役割、そして人が教育を通して何を学び、何を身につけるべきかを整理するうえで有効である。生成AIは、学習・研究・業務の多くの場面で「有意味な答え」を提示し、実際に高い実用性を示している。一方で、「生成AIは意味を理解しているのか」「なぜその出力を正しい・妥当だと判断できるのか」といった問いは、ブラックボックス性、プロンプト設計、説明可能性、信頼性といった異なる論点が混在したまま論じられ、教育的含意が曖昧になりやすい。教育の観点から重要なのは、生成AIが何をできるかを列挙することではなく、生成AIの仕組みを踏まえたときに、人がどの部分を担い、その能力をどのように育成すべきかを明確にすることである。 本稿はそのために、生成AIの出力が有意味に見える現象を、計算的機序・機能的機序・意味的機序・根拠提示という複数のレイヤに分けて整理する枠組みを提示する。第一に、計算的機序とは、学習・推論がどのような計算手続きとして実装されているかを指す。この層では枠組みの記述は可能である一方、学習によって獲得された内部表象が「何を意味しているか」までが人間にとって解釈可能になるとは限らない。第二に、機能的機序とは、入出力として観察される法則性、すなわちどのような指示や文脈を与えるとどのような出力傾向が生じるかという操作則であり、プロンプト設計や対話的誘導はこの層の知識に基づく実践である。これら二つの層は、生成AIを有効に「使う」ために重要であるが、出力内容の正しさや妥当性を保証するものではない。 第三に意味的機序とは、生成された出力が、どの根拠と推論によって正しい・妥当だといえるのかを問う正当化の層である。この層では、前提の妥当性、推論規則の適用、反例や境界条件の検討といった規範的判断が中心となるが、現状の生成AIは、これらを一貫して自律的に保証する主体とはなりにくい。第四に根拠提示とは、生成AIがしばしば示す「根拠」をめぐる層であり、そこには参照（出典の提示）、説明（もっともらしい理由づけ）、正当化（規則・証拠・推論に基づく妥当性担保）が混在しやすい。根拠が提示されること自体は有用であるが、それが意味的機序としての正当化を自動的に代替するわけではない。 このレイヤ整...

 答えから始まる学習・再構成学習・パズル性（適合的／生産的）・点検の設計 （電子情報通信学会教育工学研究会：2026-03-ET） 生成AIの普及によって、学習は「わからないから答えに到達する」営みから、「答えが先にある状態で、その答えの意味を自分で構成する」営みへと決定的に位相を変えつつある。いまや多くの課題で、答え・解法・説明は即時に得られる。しかし、その即時性は理解を保証しない。むしろ、答えが早く出るほど、学習者は「なぜそうなるのか」「どの条件で成立するのか」「別表現ではどう見えるのか」といった意味構成の中心過程を経ずに、正解の受容と模倣へと短絡しやすい。したがって現代の学習設計は、答えを“終点”ではなく“始点”として位置づけ直し、答えを手がかりに理由づけ・検証・修正・自己説明を行わせること、すなわち意味を組み直す過程そのものを学習の目的に据える必要がある。 この必要性は、生成AIが登場して初めて生じたというよりも、長らく潜在していた課題が顕在化したものと捉えられる。従来も、例題学習、解法提示、worked example、模範解答の提示といった形で「答えから学ぶ」実践は存在した。にもかかわらず、それが十分に“意味構成”へ接続しにくかったのは、主に三つの制約があったためである。第一に、学習者の理解のズレは内的過程であり、教師はそれを直接には観測できないため、答えを示しても「どこで、なぜ誤って理解しているのか」が特定されにくい。第二に、答えを出発点に深い検討を促すには、比較、反例、条件変更、表現変換、自己説明といった多様な操作を段階的に要求する必要があるが、対面授業の時間と人的資源の中で、個々の学習者に合わせてそのプロセスを回すことが難しかった。第三に、答えを素材にした活動は、うまく設計されないと「確認」や「写し取り」に縮退しやすく、学習者が“正解に合わせる”ことだけで課題を終えてしまう。つまり、従来は「答えから始める」こと自体が難しいのではなく、「答えから始めても思考が起きるように設計し、プロセスを可視化して調整する」ことが難しかった。 ここで焦点となるのが、学習における点検（monitoring）である。答えが先にある時代において学習者に必要なのは、提示された答えを受け取ることではなく、その答えの成立条件・適用範囲・根拠・代替表現との関係を点検し、必...

（電子情報通信学会教育工学研究会：2026-03-ET）  生成AIの普及によって、学習は「わからないから答えに到達する」営みから、「答えが先にある状態で、その答えの意味を自分で構成する」営みへと決定的に位相を変えつつある。いまや多くの課題で、答え・解法・説明は即時に得られる。しかし、その即時性は理解を保証しない。むしろ、答えが早く出るほど、学習者は「なぜそうなるのか」「どの条件で成立するのか」「別表現ではどう見えるのか」といった意味構成の中心過程を経ずに、正解の受容と模倣へと短絡しやすい。したがって現代の学習設計は、答えを“終点”ではなく“始点”として位置づけ直し、答えを手がかりに理由づけ・検証・修正・自己説明を行わせること、すなわち意味を組み直す過程そのものを学習の目的に据える必要がある。 この必要性は、生成AIが登場して初めて生じたというよりも、長らく潜在していた課題が顕在化したものと捉えられる。従来も、例題学習、解法提示、 worked example、模範解答の提示といった形で「答えから学ぶ」実践は存在した。にもかかわらず、それが十分に“意味構成”へ接続しにくかったのは、主に三つの制約があったためである。第一に、学習者の理解のズレは内的過程であり、教師はそれを直接には観測できないため、答えを示しても「どこで、なぜ誤って理解しているのか」が特定されにくい。第二に、答えを出発点に深い検討を促すには、比較、反例、条件変更、表現変換、自己説明といった多様な操作を段階的に要求する必要があるが、対面授業の時間と人的資源の中で、個々の学習者に合わせてそのプロセスを回すことが難しかった。第三に、答えを素材にした活動は、うまく設計されないと「確認」や「写し取り」に縮退しやすく、学習者が“正解に合わせる”ことだけで課題を終えてしまう。つまり、従来は「答えから始める」こと自体が難しいのではなく、「答えから始めても思考が起きるように設計し、プロセスを可視化して調整する」ことが難しかった。 ここで有望なのが再構成学習である。再構成学習は、答え（生成AIの出力を含む）をそのまま受け取らせるのではなく、外的表象を介していったん分解し、再配置し、再関係づける活動として学習を設計する。要点は、学習者が「答えを理解したつもりになる」経路ではなく、「答えを成立させる関係構造を自分で...

 生成AIの「成果物」に何があって，何がないのか？ 生成AIには計算的機序，機能的機序はあるが，意味的機序が不十分である．根拠提示ではその代替は十分にできない．したがって，人の役割は，意味的機序の部分を担う意味構成である． 本稿では，生成AIが生成する成果物（質問応答，説明文，要約，解法手順，設計案など）をめぐる議論が混線しやすい点を整理するために，生成AIのふるまいを支える「機序」を四つに区別する．第一に計算的機序とは，入力から出力が得られるまでにモデルがどのような演算を行っているか，すなわち部品（層・注意・重み）と手順（計算グラフ）に基づく生成過程の透明性である．第二に機能的機序とは，なぜそれらしい応答が得られるのかを，入出力の法則性として説明する水準であり，プロンプトやコンテクストの与え方によって応答が体系的に変化すること（例示に倣う，制約に従う等）を含む．これら二つの水準では，生成AIの「生成の仕方」および「条件に応じたふるまい」を相当程度語ることができる． 一方で第三の意味的機序は別の問いに関わる．意味的機序とは，出力が「正しいと言える条件」—根拠の真正性，推論の妥当性，適用範囲の限定，例外・反例への耐性，矛盾検出と修正—がどこでどのように担保されるかという妥当性保証の過程である．生成AIは流暢で整合的な成果物を生成できるが，少なくともLLM単体では，これらの妥当性保証が常に内部過程として組み込まれているとは限らず，意味的機序の内在化は弱いと言える（＝妥当性保証が外部化されやすい）．このため，成果物の完成度や整い具合が，そのまま理解や妥当性を保証するとは限らない． 第四の根拠的機序は，出力に対して説明・根拠・参照をどのように提示するかに関わる．生成AIは「理由」や「根拠らしい説明文」を生成できるが，その説明が実際の内部因果過程に忠実である保証（faithfulness）が強いとは限らない．また，根拠が提示されたとしても，それが検証可能な参照（どの資料のどこか）として固定され，第三者が照合できる形になっていなければ，根拠提示は意味的機序（妥当性保証）の代替にはならない．したがって，根拠提示は意味的機序を補助し得るが，それだけで妥当性保証が成立するわけではない，という区別が重要となる． 以上を踏まえると，生成AIが得意とするのは「成果物の生成（計算・...

生成AIは高品質な「成果物」を迅速に生成できる。ここでいう成果物とは、質問応答、要約、説明文、解法手順、設計案など、一定の形式と整合性を備えた言語的出力である。トランスフォーマーに代表される計算機構は、入力系列に対してどのような演算を行い次トークンを生成するかという意味で計算的機序が明確であり、また文脈・例示・指示に応じて一貫した応答を返すという点で機能的機序（入出力の法則性）も説明可能である。したがって生成AIの成果物は、一定の条件下で「それらしく」「有用に」振る舞うことを、計算と機能の水準では記述できる。 しかし、成果物が「正しいと言える条件」—すなわち根拠の真正性、推論の妥当性、適用範囲の限定、反例耐性、矛盾の検出と修正—がどの内部過程によって保証されるかという意味的機序（妥当性保証）は、少なくともLLM単体では内在化が弱い。生成AIは説明や根拠らしき文章を生成できるが、その説明が実際の内部因果過程に忠実である保証（faithfulness）は一般に強くなく、また根拠が「検証可能な参照」として提示されない限り、説明は妥当性保証の代替とはならない。したがって、成果物の完成度や説明のもっともらしさは、意味理解の成立を直接には担保しない。 このとき教育的に重要なのは、生成AIが成果物生成を代替し得る状況においてこそ、学習者が意味的機序の部分—すなわち「なぜその主張が言えるのか」「どの条件で成り立ち、どの条件で崩れるのか」を根拠・例外・適用範囲として構成し、点検し、必要に応じて修正する過程—を担う必要があるという点である。言い換えれば、人の役割は成果物を生産することから、成果物の妥当性を成立させる意味構成（意味点検）へと重心を移すべきである。したがって学習設計は、生成AIの出力を起点として、根拠提示の検証、差分の同定、反例探索、適用範囲の限定と修正を外部化させる課題構造を組み込み、意味的機序を学習者側で作動させる方向へ再設計される必要がある。 さらに，このような意味点検を学習活動として具体化する方法として，本稿は再構成法を位置づける。再構成法とは，生成AIが提示した説明や学習者自身の暫定的理解を，概念マップ等の外的表象としていったん外在化し，その構造を部品化したうえで，学習者に再配置・再接続させることで，命題関係の成立条件を点検させる手続きである。再構成は，単に「...

 自己再構成を通した意味点検の機序  概念マップの作成は，学習者が内的に形成した理解を概念とリンクのネットワークとして外在化する活動であり，概念の選択や関係づけを通して意味構成を促す点で学習に資する．しかし，成果物としてマップが完成したこと自体は，各命題（概念間関係）の妥当性が点検され，理解が確かめられたことを必ずしも保証しない．外在化された各命題について，根拠と適用条件（例外を含む）を点検し，必要に応じて関係づけを修正できる状態であることが意味理解として望ましいといえる．ところが作成過程では，リンク語の曖昧化・一般語化によって関係の飛躍が覆い隠されたり，記述・配置の負荷が大きい場合には関係の妥当性点検よりも「とりあえず形にする」ことが優先されたりすることがある．また，学習者が自身の解釈枠組みに沿って構成すると，欠落や矛盾があっても自己一貫的にまとまり，理解の不十分さが顕在化しにくい．これらは，成果物の生成過程に関するものとなり，したがって成果物の完成度を理解の代理指標として用いることは必ずしも適当ではないことを示唆する．したがって，外在化された構造を対象として，妥当性点検を確実に作動させる追加の課題構造が必要となる．  そこで本論では，学習者が自ら作成した概念マップを部品から自己再構成する活動を導入し，それを意味点検を起動する装置として位置づける．ここで重要なのは，自己再構成を「同じものをもう一度作る」復元作業とみなすのではなく，外在化された命題関係を，別形式・制約下で再統合させることによって，命題の成立条件を点検させる活動として設計する点である．自己再構成が意味点検として機能する機序は，次の三点に整理できる． 第一に，自己再構成は概念・リンク部品を用いて命題を組み直すため，各接続において「どの概念間にどの関係を成立させるか」を再決定せざるを得ない．この再決定は，作成段階で曖昧なリンク語や自己解釈により包摂されていた飛躍や誤接続を，命題単位の選択として露呈させる．すなわち，外在化された構造が，自己再構成によって「点検可能な命題集合」として再提示され，関係の妥当性点検が要求される．第二に，再構成では部品の過不足や接続の行き詰まりが生じやすく，それ自体が欠落・混同・過剰一般化の手がかりとなる．学習者は，余りや不足，あるいは複数候補間での迷い...