概念マップの構造読解と再構成的読解が批判的理解に与える影響

タイトル

概念マップの構造読解と再構成的読解が批判的理解に与える影響

研究目的

概念マップに対する構造読解と再構成的読解という二つの読解様式を比較し，それらが学習者の批判的理解および意味構成過程に与える影響を明らかにすることを目的とする。

構造読解

構造とは，提示された概念マップを完成した外的表象として受け取り，その構造を変更することなく，そこに表現された概念および概念間関係をそのまま解釈する読解活動である。

再構成的読解

再構成的読解とは，提示された概念マップを操作可能な外的表象として扱い，概念や関係を再配置・再構成しながら意味を解釈する読解活動である。この過程では，概念間関係の妥当性や整合性の検討が伴う。

批判的理解

批判的理解とは，学習対象の内容をそのまま受け取るのではなく，概念間の関係の妥当性や整合性，不足や不整合を吟味し，必要に応じて再解釈や修正を行いながら形成される理解を指す。

仮説

構造読解が与えられた関係構造の解釈を中心とするのに対し，再構成的読解はその関係の妥当性の検討および再構築を伴うため，より批判的理解を促す読解様式であると位置づけられる。



ーーー
学習活動における認知的関与の深さは，ICAPフレームワーク（Chi & Wylie, 2014）においても示されており，情報を再構成する活動は単なる受動的理解よりも深い学習をもたらすとされている。また，概念マップは知識構造の外化手段として有効であることが指摘されており（Novak & Cañas, 2008; Nesbit & Adesope, 2006），その構成過程は生成的学習を促す（Wittrock, 1990）。一方で，批判的理解は情報の妥当性を評価する過程を含む理解として定義される（Ennis, 1985）。
しかし，これらの活動が学習課題においてどの程度必然的に生起するかは別の問題である。構造読解においては，学習者は提示された構造をそのまま解釈することが可能であり，構成や評価的処理は任意にとどまる。一方，再構成的読解においては，概念間関係を再配置・修正することが課題遂行の前提となるため，構成および評価的処理が不可避となる。
本研究では，これらの知見を踏まえ，概念マップの再構成がこのような評価的処理を内在化する可能性を検討する。
 Chi, M. T. H., & Wylie, R. (2014). The ICAP framework. Educational Psychologist.
Nesbit & Adesope (2006)
Novak & Cañas (2008)
Wittrock (1990)
Ennis (1985)
ーーー



1. 実験の基本構成
実験目的

概念マップに対する構造読解と再構成的読解という二つの読解様式を比較し，それらが学習者の批判的理解および意味構成過程に与える影響を明らかにする。

・独立変数
読解様式（2条件）
　　構造読解条件
　　再構成的読解条件

・従属変数
批判的理解
意味構成過程の指標


2. 条件設定
・条件1：構造読解条件
参加者は，教材本文＋その内容を表した概念マップを提示される。
概念マップは完成形のまま提示し，参加者はそれを見ながら内容を理解する。
必要に応じて本文と概念マップを参照しながら読解するが，概念マップ自体は変更しない。

想定される認知活動
概念関係の解釈
本文との対応づけ
内容理解

ただし，構造の吟味や修正は任意。

・条件2：再構成的読解条件
参加者は，
教材本文
部品化された概念マップ
　　概念ラベル
　　リンクラベル
　　あるいは部分構造
を提示される。
参加者は本文を参照しながら，それらを再配置・再構成して概念マップを完成させる。

想定される認知活動
概念関係の解釈
関係の妥当性判断
不整合の発見
再配置・修正

※こちらでは構成と評価が課題遂行上不可避。

3. 実験手順
手順案

Step 1. 事前測定
　対象内容に関する事前知識テスト
　必要なら読解力や概念マップ経験の確認

Step 2. 教材読解
両群とも同じ教材本文を読む。

Step 3. 概念マップ活動
構造読解群：完成した概念マップを参照しながら読解
再構成的読解群：部品化された概念マップを再構成しながら読解

Step 4. 活動中データの収集
疑問記述
活動ログ
マップ修正履歴

Step 5. 事後測定
批判的理解テスト
内容理解テスト
自己評価質問紙

Step 6. 遅延測定
数日後または1週間後に
保持
再説明
誤り検出
を測る

4. 測定指標
A. 批判的理解
例
　概念マップ中の不適切な関係を指摘させる
　本文と概念マップの不一致を見つけさせる
　不足している関係を補わせる
　関係の妥当性理由を説明させる
得点化観点
　不整合検出数
　修正提案の妥当性
　根拠説明の質

B. 意味構成過程
1. 疑問の生成
　活動中または活動後に
　　疑問数
　　疑問内容
　　疑問のタイプ
　を収集する。

例
　概念意味の疑問
　関係の疑問
　構造全体の疑問
　本文との対応の疑問

2. 疑問の解消
各疑問について
　活動後に解消したか
　どのように解消したか
を記録する。

3. マップ修正
再構成群では特に，
　追加
　削除
　再配置
　リンク変更
を記録する。

構造読解群にも，活動後に「修正したい箇所」を書かせる．再構成的読解群も，活動後に「変更したい箇所」を書かせる．

C. 補助指標
　内容理解テスト
　認知負荷
　自己評価
　活動時間

5. 仮説
H1
再構成的読解群は，構造読解群よりも高い批判的理解を示す。

H2
再構成的読解群は，構造読解群よりも多くの疑問を生成する。

H3
再構成的読解群は，構造読解群よりも多くの疑問解消を示す。

H4
再構成的読解群では，概念間関係の修正や再配置が多く観察され，それが意味構成の痕跡（修正・変更）として現れる。

6. 実験デザインの型

（パターン１）2群間比較
Group A：構造読解
Group B：再構成的読解
　　個人差が入るので事前知識を測る
　　ランダム割り当て

（パターン２）同一参加者内比較
教材Aは構造読解，教材Bは再構成的読解のようにする。

利点
　個人差を抑えられる
注意
　順序効果が出る
　カウンターバランスが必要

7. 教材設計のポイント

教材は，
　一定の概念数
　明確な概念間関係
　ある程度の誤解可能性
が望ましい．

適した教材
科学概念説明文
歴史的因果説明
情報技術の仕組み説明

条件
　10〜15概念程度
　10前後の関係
　単純すぎないが過度に難しくない

8. 分析方法
量的分析
　批判的理解得点：t検定 or ANCOVA
　疑問数：t検定 or Mann-Whitney
　修正数：t検定 or Poisson系モデル

質的分析
　疑問内容の分類
　修正内容の分類
　誤り検出の質的特徴



コメント

コメントを投稿

このブログの人気の投稿

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

 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...
続きを読む

AIリテラシーとしての生成AI活用の二層化：プロンプトリテラシーから意味構成リテラシーへ

 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...
続きを読む

生成AIの成果物に「何があって，何がないのか」：四つの機序と意味点検としての自己再構成

 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・...
続きを読む