構造表現から意味再構成へ：Kit-Build概念マップの理論枠組み

概念マップは，学習者の知識構造を外化し，有意味学習を支援する手段として広く用いられてきた（Novak & Gowin, 1984）。概念マップでは，概念とリンク語からなる命題（concept–link–concept）によって知識が表現され，概念間の関係がグラフ構造として可視化される。このような特性から，概念マップは学習者の概念理解を診断するための評価手法としても利用されてきた。


しかしながら，概念マップ研究では早くから次の問題が指摘されている。すなわち，概念マップのグラフ構造は必ずしも学習者の知識理解を直接表すわけではないという問題である（Ruiz-Primo & Shavelson, 1996; Nesbit & Adesope, 2006）。リンク数，階層構造，cross-link などの構造的特徴はグラフとしての性質を表しているにすぎず，学習者が意図する意味関係を必ずしも正確に表すとは限らない。


この不一致は，概念マップが柔軟な表現体系であることに起因する。同じ理解内容が異なる構造として表現される場合があり，逆に構造が似ていても意味内容が異なる場合もある。また，概念マップの作成には図式化能力や表現スキルが影響するため，マップの構造差分は必ずしも知識理解の差分を直接反映しない。つまり，概念マップ間の差異はしばしば知識の差ではなく表現の差を表している可能性がある。


この問題に対する一つの有効な方向は，概念マップの表現空間を制約することである。使用可能な概念や関係を限定すれば，表現のばらつきを抑えることができ，構造差分を理解差分として解釈しやすくなる。


この考え方に基づく方法が Kit-Build Concept Map である（Hirashima et al., 2015; Yamasaki et al., 2017）。Kit-Build 概念マップでは，教師の参照マップを構成する概念やリンクが部品として分解され，学習者にはそれらの kit が与えられる。学習者はこれらの部品を再構成することで概念マップを構築する。


このように表現要素が共有されることで，可能なマップの表現空間は大きく制約される。その結果，学習者マップと参照マップの構造差分は，より直接的に理解差分として解釈できるようになる。欠落リンク，誤接続，誤配置などは，学習者の知識構造における理解の問題として診断可能となる。


さらに重要なのは，この構造診断が**意味再構成（meaning reconstruction）**を促すことである。学習者が自分のマップと参照マップとの差分を確認すると，どの概念がどのように結びつくべきかを再考する必要が生じる。この過程を通して，学習者は単に図の構造を修正するのではなく，概念間の意味関係そのものを再構成する。


この観点から，Kit-Build 概念マップは次の三段階からなる学習枠組みとして理解できる。


知識表現（Knowledge Representation）

学習者は与えられた部品を用いて概念マップを再構成し，自身の理解を外化する。


構造診断（Structural Diagnosis）

学習者マップと参照マップの差分が自動的に検出される。


意味再構成（Meaning Reconstruction）

学習者は差分を手がかりに概念関係を再考し，理解を再構成する。


この枠組みにおいて，構造比較は評価の最終目的ではなく，意味再構成を媒介するメカニズムとして機能する。表現空間を制約し構造診断を可能にすることで，Kit-Build 概念マップはグラフ構造と意味理解の間のギャップを縮小し，構造差分を概念理解の再構成へと結びつける学習環境を提供する。


References


Novak, J. D., & Gowin, D. B. (1984).

Learning how to learn. Cambridge University Press.


Ruiz-Primo, M. A., & Shavelson, R. J. (1996).

Problems and issues in the use of concept maps in science assessment.

Journal of Research in Science Teaching, 33(6), 569–600.


Nesbit, J. C., & Adesope, O. O. (2006).

Learning with concept and knowledge maps: A meta-analysis.

Review of Educational Research, 76(3), 413–448.


Hirashima, T., Yamasaki, K., Fukuda, H., & Funaoi, H. (2015).

Framework of Kit-Build concept map for automatic diagnosis and its preliminary use.

Research and Practice in Technology Enhanced Learning, 10.


Hirashima, T., Yamasaki, K., Fukuda, H., & Funaoi, H. (2011).
Kit-Build Concept Map for Automatic Diagnosis.
In Proceedings of the 15th International Conference on Artificial Intelligence in Education (AIED), 466–468.

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