読解の分類

 読解

　　テキスト読解

　　構造読解

　　　　直接的構造読解

　　　　構成的構造読解

　　　　再構成的構造読解

　　　　　他者構造再構成的読解

　　　　　自己構造再構成的読解


本研究では，読解を，学習対象の提示形式およびその構造への操作の有無に基づいて分類する。まず，文章として提示された情報を対象とするテキスト読解と，概念マップなどの関係構造として提示された情報を対象とする構造読解とを区別する。さらに構造読解を，構造への介入の程度に応じて，直接的構造読解，構成的構造読解，再構成的構造読解に区分し，再構成的構造読解をその対象の違いに基づいて，他者構造再構成的構造読解と自己構造再構成的構造読解に区分する。

構成と再構成はいずれも，意味の生成と検討を含む過程であるが，その認知的機能には重要な違いがある。構成は，学習者の内的理解を概念や関係として外的表象へと表出する過程であり，主として内的表現の外化として進行する。この過程にも局所的な吟味や修正は含まれるものの，外化された構造を改めて内的理解と照合し直すことは課題遂行上必須ではない。

これに対して再構成は，いったん外化された意味構造を対象とし，それを再配置・再接続といった外的操作によって再構成するとともに，その構造を内的理解と対応づけ（同定）し，両者を照合する過程を伴う。このように，再構成は外的操作と内的照合が往復する過程であり，照合過程において外的表現と内的理解との不一致が顕在化するため，意味の妥当性の検討および修正が不可避となる。すなわち，再構成は外化を含む生成的過程であると同時に，外化された意味を対象化し，その妥当性を検証しながら再生成する過程であり，検証的処理を必然化する点に特徴がある。

1. テキスト読解

テキスト読解とは，文章として提示された情報を逐次的に解釈し，文脈に基づいて意味を構成する読解活動である。学習者は，文や段落の連なりを追いながら，記述内容の理解，推論，関係づけを行う。

2. 構造読解

構造読解とは，概念マップなどの外的表象において明示された概念および概念間関係を対象とし，その関係構造を解釈する読解活動である。学習者は，個々の概念の意味だけでなく，概念相互のつながり，全体構造，整合性を把握しながら理解を形成する。

3. 直接的構造読解

直接的構造読解とは，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構造読解である。学習者は，既に与えられた構造を参照しながら理解を行うが，構造の生成や修正は課題遂行上必須ではない。

4. 構成的構造読解

構成的構造読解とは，教材内容をもとに，学習者自身が概念および概念間関係を構成し，概念マップを作成することを通して行う構造読解である。学習者は，テキストや資料に含まれる情報を選択・整理し，関係づけながら外的表象として構成するため，意味の生成が課題遂行上不可避となる。

5. 再構成的構造読解

再構成的構造読解とは，いったん外的表象として与えられた概念マップを操作可能な構造として扱い，その概念や関係を再配置・再接続しながら意味を解釈する構造読解である。この過程では，概念間関係の妥当性や整合性，不足や不整合の検討が伴い，構造の評価と再解釈が課題遂行上不可避となる。

6. 他者構造再構成的読解

他者構造再構成的読解とは，他者が作成した概念マップなどの構造を対象とし，その構造を再配置・再構成しながら意味を解釈する再構成的構造読解である。学習者は，他者によって外化された意味構造を吟味し，その妥当性や整合性を検討しながら再編成するため，既存構造に対する批判的理解が促される。

7. 自己構造再構成的読解

自己構造再構成的読解とは，学習者自身が先に作成した概念マップなどの構造を対象とし，その構造を再配置・再構成しながら意味を解釈する再構成的構造読解である。学習者は，自ら外化した意味構造を再び対象化し，その妥当性や整合性，不足や不整合を検討しながら再解釈・修正するため，自己の意味構成を検証・診断する過程が生じる。

関係をまとめた短い説明

以上の分類において，テキスト読解は文章を対象とする読解であり，構造読解は概念間関係として表現された構造を対象とする読解である。構造読解のうち，直接的構造読解は与えられた構造の解釈を中心とし，構成的構造読解は構造の生成を通した理解を伴い，再構成的構造読解は既存構造の評価と再編成を通した理解を伴う。さらに，再構成的構造読解は，対象が他者の構造である場合には他者理解の批判的吟味として，自己の構造である場合には自己理解の検証・診断として位置づけられる。


■ 関連研究

2.1 学習活動における認知的関与

学習活動における認知的関与の深さは，学習成果に大きく影響することが知られている。とくに，Michelene T. H. Chi と Ruth Wylie によるICAPフレームワーク（Chi & Wylie, 2014）は，学習活動を受動的（Passive），能動的（Active），構成的（Constructive），相互的（Interactive）の4段階に分類し，構成的・相互的活動がより深い理解をもたらすことを示している。この枠組みは，学習者が情報を単に受容するのではなく，再構成や生成を伴う活動を行うことの重要性を理論的に位置づけるものである。

また，Merlin C. Wittrock の生成的学習理論（Wittrock, 1990）においても，学習者が情報を自ら組織化し，既有知識と関連づける過程が理解の形成に不可欠であることが指摘されている。これらの知見は，本研究で扱う構成的構造読解および再構成的構造読解の理論的基盤となる。

2.2 概念マップと知識構造の外化

概念マップは，知識構造を外的表象として表現する手段として広く研究されてきた。Joseph D. Novak と Alberto J. Cañas（2008）は，概念マップが概念間の関係を明示的に表現することで，理解の可視化と学習支援に寄与することを示している。また，John C. Nesbit と Olusola O. Adesope（2006）のメタ分析においても，概念マップの作成や利用が学習成果の向上に有効であることが報告されている。

さらに，外的表象に関する研究では，Roy D. Pea（1994）などにより，外的表象を操作することが認知活動を支援し，理解の深化に寄与することが指摘されている。これらの研究は，概念マップを対象とした構造読解およびその操作の意義を支持するものである。

2.3 批判的理解と評価的処理

学習における理解は，単なる情報の受容にとどまらず，その妥当性や整合性を評価する過程を含むことが重要である。Robert H. Ennis（1985）は，批判的思考を「何を信じ，何を行うべきかを合理的に判断するための思考」と定義し，情報の評価や判断を伴う理解の重要性を指摘している。

この観点から見ると，概念間関係の妥当性や整合性を検討する活動は，批判的理解の中核をなすと考えられる。しかし，従来の学習活動においては，こうした評価的処理が必ずしも課題遂行上不可避であるとは限らず，学習者に委ねられている場合が多い。

2.4 本研究の位置づけ

以上のように，既存研究においては，学習活動の認知的関与の深さ（Chi & Wylie, 2014），概念マップによる知識構造の外化とその学習効果（Novak & Cañas, 2008; Nesbit & Adesope, 2006），および構成活動の生成的側面（Wittrock, 1990）については整理がなされている。これらの知見は，本研究で扱うテキスト読解や構造読解，ならびに構成活動の重要性を理論的に支持するものである。

しかしながら，概念マップを対象とした読解活動を，構造への操作の程度（直接的解釈，構成，再構成）および対象の違い（他者構造，自己構造）に基づいて体系的に分類した枠組みは，これまで明示的には提示されていない。とりわけ，再構成を通した読解を，批判的理解を必然化する活動として位置づけ，さらに他者構造と自己構造の違いに着目して整理した研究は十分に行われていない。

本研究は，これらの点に着目し，概念マップに対する読解活動を体系的に分類するとともに，各読解様式が批判的理解および意味構成過程に与える影響を実証的に検討するものである。


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