学習工学の機序設計ノート

 「パズル」という語の採用は、課題を娯楽化するためではなく、欠陥と利点を併せ持つ設計対象として可視化するためである。これにより、パズル的課題の欠陥（適合的試行錯誤への偏り、trial-and-error completion、意味の薄い成功）に対する設計上の対処法と、パズル化の利点（探索可能性の確保、操作の外在化、差分の観測可能性、プロセスの分析可能性）を体系的に記述できる。なお、本研究は試行錯誤一般を否定しない。差分の意味を問い、根拠づけと修正を伴う吟味的試行錯誤は学習に資する過程として促進し、適合的試行錯誤への過度な依存のみを抑えることを、学習パズル化の設計課題として位置づける。 本研究では、パズル的課題における試行錯誤を一括りに扱わず、その認知的性質に基づいて区別するために、吟味的試行錯誤と適合的試行錯誤という用語を導入する。ここで吟味的試行錯誤とは、試行の結果として生じた差分や不整合を手がかりに、その意味を解釈し、根拠づけと修正を伴って次の試行に反映させる試行錯誤を指す。他方、適合的試行錯誤とは、差分や不整合の理由を十分に問わず、局所的な適合や完成を主目標として反復される試行錯誤を指す。 この区別は、試行錯誤一般を否定するものではない。むしろ、数学教育研究で議論されてきた productive struggle の考え方と整合的である。Warshauer は、中学校数学授業の事例分析に基づき、productive struggle が “doing mathematics” と「理解を伴う学習」を支える可能性を示し、教師および授業設計者が struggle を回避するのではなく、課題や指導に統合するための枠組みを提示している［Warshauer 2015]。同研究では Productive Struggle Framework が開発され、授業映像・インタビュー・フィールドノートを用いた分析を通じて、struggle の教育的役割が示されていることが確認できる。 本研究の「吟味的試行錯誤」は、この productive struggle を、差分検出・根拠づけ・修正という操作系列としてより明示化した概念である。すなわち、困難や行き詰まりの存在自体ではなく、それがどのような思考連鎖を生むかに着目している点に特徴がある。 一方、適合的試行錯誤は、ITS（...

 オープン情報構造アプローチ（OISA）の核心は、学習で扱うべき対象を「意味そのもの」ではなく、意味に関わる関係・制約・手続きとしての「構造」として外在化し、その構造を学習者が操作できるようにする点にある。本稿ではこの立場に基づき、吟味を「差分の観測—根拠づけ（＝理由付け）—修正（または根拠付き保留）」として、合意を「差分の解消、もしくは差分処理方針の確定（統合／分岐／保留）」として、いずれも構造再構成の操作系列・収束条件として観測可能な形で操作的に定義する。ここで重要なのは、OISAが意味を否定したり軽視したりするのではなく、意味を直接の操作対象とせず、構造の外在化と操作を媒介として、意味形成・吟味・合意形成を起動する設計思想を採ることである。意味は内的に成立する以上、学習支援が直接扱えるのは意味そのものではなく、意味の成立を可能にする外的条件である。OISAは、その外的条件を「構造」として提示し、学習者がそれを操作することを通じて、内的な意味を形成・吟味・精緻化し、必要に応じて他者と合意に到達できる状況をつくる。 このときOISAにおける「Open」とは、構造が共有・照合・再利用可能な形で外在化され、他者や別時点の構造と比較して差分を抽出でき、必要に応じて改訂可能な状態を意味する。これにより、理解の相違は主観的な解釈の対立としてではなく、「どの関係が一致し、どこが一致していないか」という構造上の一致／不一致として扱える。すなわちOISAは、意味の議論を解釈の違いとして曖昧化するのではなく，差分の観測—根拠づけ—修正（および差分処理の明示化）という操作系列として外在化することで、吟味と合意を学習活動として成立させる。 ここでいう収束条件とは、構造再構成の操作系列を「どの状態になったらひとまず終了（または次段階へ移行）とみなすか」を、外在化された構造の状態として判定可能にする停止規則である。具体的には、差分が解消される（差分が消失する）場合だけでなく、差分が残る場合でも、その差分を統合／分岐／保留のいずれとして扱うかが確定し、未処理差分が残っていない状態を収束とみなす。したがって合意は、差分の単純な消失だけではなく、差分の扱いを根拠とともに確定し、以後の再利用・判断に耐える形で処理方針を固定することとして捉えられる。この「確定」は、処理方針が参照構造または制...

  第2章：OISAの理論的背景と位置づけ 2.1 知識表現から構造外在化へ 伝統的な知能情報処理における 知識表現（Knowledge Representation） 、特にセマンティックネットワーク（Quillian, 1968）や概念グラフ（Sowa, 1984）は、人間の知識をコンピュータが処理可能な形式で記述することを主眼としてきた。そこでは、ノードとリンクの正確な定義が「正解の記述」として機能し、推論エンジンによる結論の導出がゴールとなる。 対してOISAにおける 構造外在化 は、知識を「記述」するためではなく、学習者が自身の理解を「写像」し「操作」するための鏡として機能する。 伝統的知識表現： 意味を記号の中に固定し、システムがその整合性を保証する。 OISA： 意味を記号の外側（学習者の内面）に留め、システムは「意味が成立するための構造的制約」のみを提示する。 この相違は、教材を「提示されるべき完成品」と見るか、「再構成されるべき部品の集合」と見るかの転換であり、平嶋（2025）が提唱する「再構成学習」の根幹をなす。 2.2 学習における「意味」の再定義 OISAの「操作的意味論」は、パパートの**構築主義（Constructionism）**および活動理論の系譜に位置づけられる。 パパート（1980）は、学習者が「思考するための道具（Objects-to-think-with）」を構築・操作する過程で理解が深まると説いた。OISAはこの「道具」を、目に見える具体的なモデル（ロボット等）から、命題間の関係性という抽象的な「情報構造」へと拡張する。 ここで重要なのは、意味の所在である。活動理論（Engeström, 1987）において、意味は主体と対象の相互作用、および道具を介した媒介活動の中に立ち現れる。OISAにおける「操作的意味論」の独自性は、以下の3点に集約される。 非還元主義： 意味を心的表象や論理式に還元せず、操作の「正当化可能性」として定義する。 差分の道具化： 参照構造との差分を「誤り」ではなく「対話（リフレクション）の契機」として機能させる。 社会的分散： 「Open」な構造を介することで、主観的な解釈を他者と照合可能な「公共の構造」へと変換する。 2.3 記号的AIと学習支援システムの境界 記号的AI（GOFAI）...

  第2章：OISAの理論的背景と位置づけ 2.1 知識表現から構造外在化へ： 伝統的な知識表現（セマンティックネットワーク等）とOISAの相違。 2.2 学習における「意味」の再定義： 構築主義（パパート等）や活動理論との接続、および「操作的意味論」の独自性。 2.3 記号的AIと学習支援システムの境界： 結論産出型システムと意味形成支援型システムのアーキテクチャ比較。 第3章：操作的意味論の実装モデル ―構造再構成学習― 3.1 再構成概念マップの設計原理： 構成要素の制約と「Open」な比較可能性の確保。 3.2 差分抽出アルゴリズムとフィードバック： 参照構造との比較による「不一致の局在化」の技術的詳細。 3.3 理由付けと修正を促すインタフェース： 操作ログから学習者の思考プロセスを可視化する手法。 第4章：学習プロセスの正規化とモニタリング 4.1 段階的学習支援の定式化： 部品提示から自由構成までのフェーズ設計。 4.2 ゲーミング（逸脱行動）の検知と介入： 意味なき構造操作をいかに防ぎ、正当化実践へと回帰させるか。 4.3 操作ログに基づく理解状態の評価指標： 「説明・点検・修正」の質的・量的評価。 第5章：生成AI時代におけるOISAの意義 5.1 「答え先行」型学習の陥穽： 生成AIによる即時解答がもたらす意味形成プロセスの形骸化。 5.2 外在化された構造としてのプロンプトと出力： AI出力を「構造」として捉え直し、OISA的サイクルに組み込む可能性。 5.3 意味の担保を人間へ引き戻す設計指針： 「正当化可能性」を軸とした人間・AI共生型学習。 第6章：結論 OISAが提供する操作的意味論の総括と、今後の教育システム設計への展望 2. 序論に付記すべき引用文献（候補） 序論の議論を補強し、学術的な系譜に位置づけるために以下の文献の引用を検討してください。 平嶋宗（Hirashima, T.）関連： OISAの提唱者としての基本論文（例：構造再構成学習やキットビルド概念マップに関する主要論文）。「構造の外在化」と「再構成」の定義の出典として必須です。 P. A. Kirschner & J. J. G. van Merriënboer (2013) "Do Learners Really Know Be...

〇概要 OISAは、意味を構造と同一視しない。意味が内的に成立するという前提を保ちつつ、その成立条件を共有・照合・差分抽出・再利用・改訂が可能な外在化構造として提示し、差分—理由付け—修正の操作系列として学習に組み込む。構造再構成学習／再構成概念マップは直接の実装であり、部品・操作の定式化、プロセスの正規化、モニタリングによるゲーミングの検出・介入を統合すれば、OISAの妥当性は大幅に強化される。生成AI時代の「答え先行」環境に対し、意味の担保を学習者の正当化実践へ帰属させるための、実装可能かつ評価可能な方法論である。 〇本文 オープン情報構造アプローチ（OISA）の核心は、学習で扱うべき対象を「意味そのもの」ではなく、意味に関わる関係・制約・手続きとしての「構造」として外在化し、その構造を学習者が操作できるようにする点にある。ここで重要なのは、OISAが意味を否定したり軽視したりするのではなく、意味を直接の操作対象とせず、構造の外在化と操作を媒介として、意味形成と吟味を起動する設計思想を採ることである。意味は内的に成立する以上、学習支援が直接扱えるのは意味そのものではなく、意味の成立を可能にする外的条件である。OISAは、その外的条件を「構造」として提示し、学習者がそれを操作することを通じて、内的な意味を形成・吟味・精緻化できる状況をつくる。 このとき「Open」とは、情報量の多さや教材が豊富であることを指すのではない。OISAにおける「Open」とは、構造が共有・照合・再利用可能な形で外在化され、他者や別時点の構造と比較して差分を抽出でき、必要に応じて改訂可能な状態を意味する。これにより、理解の相違は主観的な解釈の対立としてではなく、「どの関係が一致し、どこが一致していないか」という構造上の一致／不一致として扱える。すなわちOISAは、意味の議論を解釈の応酬へ回収するのではなく、差分の観測—理由付け—修正という操作系列へ翻訳することで、吟味を学習活動として成立させる。 この立場は、記号的AIとの対比でより明確になる。記号的AIは、記号とその関係（構造）を表現し、規則に従って構造を操作することで結論を導く。しかし、その結論が「何を意味するか」「なぜ妥当か」という意味の担保は、最終的には外側の解釈（人間や共同体）に委ねられる。すなわち記号的AIにおける内部過程は...

 再構成がレビューと疑問を生むという主張は、単なる経験則ではなく、学習者に生じる認知的出来事を「操作」のレベルで説明できる。ここでは、その仕組みを 決定強制／差分顕在化／検証接続 の3メカニズムとして定式化し、なぜ再構成が“レビュー（点検）”と“疑問（検証可能な問い）”を必然的に生みやすいのかを論述する。 1. 決定強制：理解を「判断」に変換することでレビューが発生する 読解では、学習者は文章の流れに沿って意味を“追う”ことができる。曖昧さや未理解が残っていても、文章の整合性や流暢さ（とりわけ生成AI出力のそれ）によって「わかった気になる」ことが成立しやすい。これに対して再構成は、概念や命題関係を外的表象として扱い、学習者に 接続・方向・関係ラベル・条件付与 といった判断を迫る。すなわち再構成は、理解を受容的な状態から、構造を決める能動的な判断へと変換する。 このとき重要なのは、再構成が「正しい答えを選べ」と要求するのではなく、「この関係をどう置くかを決めよ」と要求する点である。関係づけの判断は、定義や前提、因果、条件、例外といった支えがなければ成立しない。したがって、曖昧な理解は「決められない」「決める根拠がない」「複数候補の間で揺れる」という形で顕在化する。ここで学習者は、構造を確定できない箇所を中心に、自らの理解を点検せざるを得ない。つまり決定強制は、再構成行為そのものをレビュー発生装置に変える。 2. 差分顕在化：レビュー対象を「局所」として与えることで疑問が生まれる 再構成の場面では、学習者の構成物は、提示された構造（AI出力の構造化結果、教授者が用意した基準構造、あるいは同輩の構造）と比較可能になる。ここで生じる 差分 は、単に正誤のズレではなく、理解が十分に確定していない箇所の候補である。差分は主に、(a) 欠落（置けない／つながらない）、(b) 競合（どれでもよさそうで決められない）、(c) 誤接続（つないだが納得できない）、(d) 条件欠落（いつ成り立つかが付けられない）として現れる。 この差分顕在化が重要なのは、レビューが「全体を何となく眺める」から「差分箇所を点検する」へと変質する点にある。読解のレビューは往々にして散漫になり、「どこが怪しいか」を特定できないまま、表面的な理解感に回収されやすい。しかし差分は、レビュー...

記号的人工知能（symbolic AI）は，明示的な表現（概念・規則・関係）に基づいて推論を行う点で強みをもつ一方，柔軟性の低さゆえに現実世界の複雑さや文脈依存性に十分に適応できないという限界を抱えてきた。すなわち，例外の多い現象，曖昧さを含む言語使用，状況により意味が変動する判断などに対して，固定的な規則体系は破綻しやすい。この点から，記号的AIは「現実の複雑さを扱えない」という批判の対象となり，統計的AIの台頭とともに相対的な存在感を弱めた。 しかし，この限界は，学習支援という文脈においては必ずしも致命的ではない。学習が成立するためには，学習対象の内容がある程度安定して共有され，参照可能であることが前提となるからである。たとえば概念の定義，命題の成立条件，手続きの適用規則，評価基準などが，学習者と教師の間で一定の同一性を保たなければ，「理解」や「誤り」の判定自体が不可能になる。つまり学習は，現実世界の全複雑性をそのまま取り込むのではなく，対象を適切に抽象化・単純化し，良定義化された枠組みの中で意味を構成し直す営みとして設計される。ここに，柔軟性の低い記号的AIが適用されやすい構造が存在する。もちろん学習には，価値葛藤や文脈依存が支配的で，参照枠そのものが争点となる領域も含まれる。本稿がここで焦点化するのは，概念・関係・手続きの理解を「説明・検証・再構成」可能にするために，定義・規則・評価基準の一定の安定化が要請される局面である。 ただし，このことは学習対象が「簡単である」ことを意味しない。むしろ，対象を安定化させるために導入された制約は，学習者の理解を可視化し，誤りを差分として検出可能にする一方で，「誤りをどう扱うか」という設計上の課題を前景化させる。記号的枠組みのもとでは，学習者の誤りは単なる不正解ではなく，「どの概念をどのように解釈し」「どの規則をどの条件で適用し」「どの関係をどの枠組みで接続した結果として」生じたのか，という合理性（あるいは合理性の局所的成立）を含む現象として記述されうる．ここでいう合理性とは，誤答が正しいことを意味しない。学習者が置いた前提や規則適用，フレームに照らして「なぜその答えに至ったか」を説明可能である，という意味での合理性である。 したがって，学習支援において重要なのは，誤りを排除すべきノイズとして扱うことではなく，誤りを成立さ...

 算数文章題における掛け算の順序指定（例：単価×個数）については、従来から議論が存在する。学習指導要領解説では、被乗数・乗数の順序は「一つ分の大きさの幾つ分かに当たる大きさを求める」といった場面を式で表現する場合に大切である一方、計算結果を求める局面では交換法則を活用して逆にして計算してもよいという趣旨が明記されている。 したがって、「順序指定の意義」自体は新奇な主張ではない。また、いわゆる「掛け算順序問題（順序が逆だと×にされるか）」が長期にわたり論争的トピックとして繰り返し顕在化してきたことも、近年の報道等から確認できる。 しかし、この論点が「順序を守るべきか／交換法則でどちらでもよいか」という二項対立に回収されると、順序指定が計算規則の強制や採点上の同調圧力として理解されやすく、算数文章題が本来狙う「数量関係の理解（量の意味づけ）」から議論が逸れやすい。そこで本稿は、二重三角図の考え方に沿って、順序指定を量の同定と点検の問題として再定式化する。 二重三角図の立場では、文章題解決は「演算を探す」ことから始まらない。まず、文章中の数量を「ただの数」ではなく量として扱い、(i) 数量を存在量（個数・人数・金額・距離など、対象として“ある”量）と、(ii) 関係量（単価、1あたり、倍、割合、速さ、密度など、二量を媒介して結びつける量）に分けて同定する。次に、どの関係量がどの存在量に作用して結果の存在量が得られるかという対応関係を確定し、その関係を保存する形で式を構成し、最後に単位や整合性で検算する。この流れの中心は「単位量×いくつ分」という命名ではなく、存在量／関係量の役割同定と対応づけである。 ここで強調すべき点は、掛け算の順序指定を「交換法則の否定」や「計算規則の拘束」として理解しないことである。順序固定は一手段であり、目的は量の役割同定（存在量／関係量の判別）と対応づけの安定化にある。 すなわち、（関係量）×（存在量）の形で書かせることは、学習者が「数だけを拾ってとりあえず掛ける」ことを避け、どの量を関係量として立て、どの量を存在量として読むのかを外化し、推論過程を点検可能にするための足場（scaffolding）として機能する。交換法則は「数としての積」の等価性を保証するが、文章題で問題になるのはしばしば計算結果ではなく、関係量と存在量の誤同定や対応の...

一口に悪定義問題といっても一様ではなく、いくつかの側面に分解して捉える必要がある。本稿では、悪定義性を「問題空間が所与でない」という一般的な言い方に留めず、教育設計上の扱いやすさの観点から、悪定義問題を大きく二つに区分する。すなわち、良定義化可能型悪定義と、良定義化収束困難型悪定義である。 第一に、良定義化可能型悪定義とは、原理的には問題空間（状態・目標・制約・利用可能なオペレータ等）を定めて良定義化することが可能であるにもかかわらず、学習者（あるいは当事者）が現時点ではそれを実行できない、または部分的にしか確定できないために悪定義として経験される状況を指す。典型的には、（i）個人の能力・経験の不足により問題空間を立ち上げられない場合（エキスパートであれば解ける）、（ii）問題空間の構成要素の一部が未確定である場合が含まれる。後者には、たとえばゴール状態（何を解とみなすか）が定まらない、利用可能なオペレータ（何を操作できるか）が定まらない、あるいは評価軸（何を良いとみなすか）が合意できない、といった形で現れる。このタイプでは、「このゴールを仮定すればこう解ける」「この制約を置けば探索できる」といった条件付きの良定義化が可能であり、悪定義性は“良定義化の不可能性”ではなく、“良定義化の構成・選択・遂行の困難”として理解できる。 第二に、良定義化収束困難型悪定義とは、問題空間を全面的に良定義化して単一の枠（単一の目的・評価軸・制約解釈）へ収束させることが難しい状況を指す。ここには、問題空間を定めるための情報が得られない（観測不能）、不確実性が高く単一の因果モデルや介入方略を置けない、価値対立により単一の評価軸へ収束しにくい、といった場合が含まれる。ただし、このタイプであっても、直ちに「何も定式化できない」わけではない。教育で扱う場合には、最終的な解決までを良定義化して解かせるのではなく、観測すべき変数の同定、情報収集計画、仮説の構築、評価軸の明示化といった前段要素を部分的に定式化（部分良定義化）し、それらを構築・点検する技能を学習目標として設定することが多い。したがって本類型の学習意義は、唯一解の導出ではなく、収束困難性を前提にした上での「問題空間の部分的立ち上げ」と「意思決定・正当化のための枠組み化」にある。 以上より、悪定義性を議論する際には、単に「悪定義」と総称す...

 再構成課題に対しては、(i) 学習が「正解構造への同型化」や手続き遂行に単純化されてしまわないか、(ii) 部品・操作規則・正解構造の提示が学習者の意味構成を狭め、構成主義的学習と整合しないのではないか、(iii) 再構成でなければならない必然性や固有の学習作用はどこにあるのか、という本質的疑問がある。現時点での答えは、再構成の目的を「一致そのもの」ではなく、再構成過程で生じる差分・破綻・迷いを外在化し、それを起点に根拠づけを伴う意味補完と再調整を不可避にする学習設計原理として位置づける点にある。すなわち、制約は学習者の構成を単に狭めるためではなく、学習者間・学習者―教師間で議論可能な比較可能性を成立させるために導入され、学習者の自由度は、前提の採否、整合条件の優先順位づけ、説明による正当化と修正といった意味づけの局面で維持される。また、学習目標が明確な状況では、部品と操作規則によって問題空間が共有されることで、成立しうる構成の網羅性が担保され、到達すべきゴール状態が定義可能となり、差分にもとづく到達支援（次の一手の示唆やフィードバック）が設計できる。このとき再構成の固有性は、能動性や負荷一般ではなく、「制約付き探索→差分の顕在化→説明を要請する再調整」という局面を安定して生成できる点にある。さらに、再構成の意義をより明確にするうえで，差分の説明・根拠づけ・転移を評価に含め、学習の変化を多面的に検証することで，再構成が同型化に単純化されないことを実証していく必要がある．

 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...