対立を学習可能な対象へ変換する再構成型協調学習支援の萌芽的研究 ―オンライン・生成AI時代における心理的安全性の課題構造化―

オンライン・生成AI時代における心理的安全性の課題構造化
―属人的対立を学習対象へ変換する萌芽的試み―

現代の学習環境では，学習者が自らの疑問，誤り，違和感，不確実な考え，異なる解釈を安全に表明できることが，従来以上に重要な課題となっている。心理的安全性は，チームの成員が対人的リスクを取っても安全であると感じられる共有信念として定義され，組織学習やチーム学習の基盤的条件として議論されてきた（Edmondson, 1999; Edmondson & Lei, 2014）。この概念は，単なる安心感や良好な人間関係を意味するものではなく，分からないことを尋ねる，誤りを認める，異論を述べる，助けを求めるといった学習行動を可能にする条件として重要である。

この心理的安全性は，現在，学習支援研究においても扱うべき課題になりつつある。第一の背景は，オンライン・ハイブリッド環境の普及である。オンライン会議，チャット，クラウド型共同編集，学習支援システムなどを組み合わせた学習では，時間的・空間的制約を越えた協働が可能になる一方で，対面場面で自然に得られる表情，視線，間，偶発的な確認，周辺的な会話が減少する。その結果，学習者は，自分の発言が他者にどのように受け止められるかを予測しにくくなり，未完成な考えや異論を表明することに慎重になりやすい。また，沈黙の意味，参加感の偏り，役割分担の不明確さ，議論の進め方の曖昧さが生じやすく，学習に必要な意見の違いが，対人的摩擦や参加回避につながる危険がある。

第二の背景は，生成AIの普及である。生成AIは，説明文，解答案，議論，設計案，要約，プログラムなどを容易に生成するため，学習者はAIが生成したもっともらしい出力を参照しながら学習する機会を増やしている。しかし，生成AIの出力は常に正しいとは限らず，学習者には，出力をそのまま受容するのではなく，根拠を確認し，構造を吟味し，不足や誤りを検出し，自分たちの理解として再構成することが求められる。このとき，「分からない」「違和感がある」「この関係づけは妥当ではないのではないか」「別の説明が可能ではないか」と表明できることは，生成AI時代の批判的・協調的な学習の前提となる。

したがって，心理的安全性は，オンライン・ハイブリッド環境や生成AI利用の拡大に伴って生じる新しい学習支援課題として捉える必要がある。従来，心理的安全性は，教師やリーダーの態度，集団の雰囲気，コミュニケーション規範の問題として扱われることが多かった。しかし，学習支援の観点からは，心理的安全性を，学習活動の構造によって支援可能なものとして捉え直す必要がある。すなわち，どのような課題構造であれば，学習者は誤りや疑問を表明しやすくなるのか，どのような外在化の仕組みであれば，意見の違いを個人への評価ではなく，学習対象の違いとして扱えるのか，という問いが重要になる。

協調学習においては，意見の違い，解釈の違い，根拠の違いは，本来，説明，質問，反論，修正といった深い学習行動を生み出す契機である。しかし，これらの違いが，個人の能力，態度，発言権，役割分担の問題として受け止められると，対立はリレイションシップコンフリクトやプロセスコンフリクトへと転化し，発言抑制，参加回避，誤りの隠蔽を引き起こす可能性がある。コンフリクト研究では，課題内容をめぐるタスクコンフリクトと，人間関係上の摩擦であるリレイションシップコンフリクト，活動の進め方や役割分担をめぐるプロセスコンフリクトが区別されてきた（Jehn, 1995; De Dreu & Weingart, 2003; de Wit, Greer, & Jehn, 2012）。この区別に基づけば，協調学習において重要なのは，対立をなくすことではなく，対立を学習対象へ定位させることである。

本研究では，この課題に対して，共通の部品を用いて同一の目標構造の再構成を目指す再構成活動に着目する。再構成活動では，学習者は，共通部品，共通規則，共通目標のもとで，構造を組み立てる。このとき，学習者間の違いは，個人の能力や態度の違いとしてではなく，部品の配置，接続，関係づけ，構造差分として外在化される。これにより，「誰が正しいか」「誰が分かっていないか」という属人的な対立ではなく，「どの関係づけが妥当か」「どの根拠に基づいて修正すべきか」「どの構造がより整合的か」という，学習可能な対象をめぐる対話が成立しやすくなる。

再構成活動の代表的な枠組みであるKit-Build概念マップでは，教師や専門家が作成したゴールマップをノードとリンクに分解し，学習者がそれらの部品を用いてマップを再構成する。これにより，学習者の構成結果と参照構造との差分を命題単位で把握し，自動診断やフィードバックに利用できる（Hirashima et al., 2015）。従来のKit-Build研究は，主として知識構造の診断，理解状態の可視化，フィードバック支援の観点から進められてきた。本研究では，これに加えて，再構成活動を，学習者間の対立を属人的なものから構造差分へ変換する協調学習支援として捉える。

この観点は，協調学習研究における共有問題空間や相互主観的な意味形成の議論とも接続できる。Roschelle and Teasley（1995）は，協調的問題解決において，参加者が目標，問題状態，操作，知識要素を共有しながら共同問題空間を構成することの重要性を示した。また，CSCL研究では，コンピュータ環境が学習者間の意味形成，知識の外在化，相互参照を支えることが議論されてきた。再構成活動は，共通部品，共通規則，共通目標，差分可視化を通して，共同問題空間を具体的な操作対象として提供する方法とみなすことができる。

本研究の萌芽性は，心理的安全性を，集団の雰囲気や教師の配慮に還元せず，学習支援システムが設計可能な課題構造として捉え直す点にある。すなわち，本研究は，心理的安全性を直接的に与える方法を探るのではなく，対立が属人的な摩擦として処理されにくく，外在化された構造差分として扱われやすい活動環境を設計する。これにより，対立を回避すべきリスクとしてではなく，構造化・外在化・再構成によって学習資源化しうる対象として扱う，新たな学習支援原理の可能性を探索する。

以上より，本研究は，オンライン・ハイブリッド環境および生成AI利用の拡大により重要性を増している心理的安全性を，学習支援の新たな設計対象として位置づける。そして，共通部品を用いた再構成活動が，学習者間の対立を属人的なものから学習可能な構造差分へ変換し，疑問提示，誤り表明，根拠説明，他者案への建設的関与，構造修正を促進する可能性を，理論的・探索的に検討する。

関連研究リスト

1. 心理的安全性

  • Edmondson, A. C. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350–383.

  • Edmondson, A. C., & Lei, Z. (2014). Psychological Safety: The History, Renaissance, and Future of an Interpersonal Construct. Annual Review of Organizational Psychology and Organizational Behavior, 1, 23–43.

  • Edmondson, A. C., & Bransby, D. P. (2023). Psychological Safety Comes of Age: Observed Themes in an Established Literature. Annual Review of Organizational Psychology and Organizational Behavior.

2. コンフリクト研究

  • Jehn, K. A. (1995). A Multimethod Examination of the Benefits and Detriments of Intragroup Conflict. Administrative Science Quarterly, 40(2), 256–282.

  • De Dreu, C. K. W., & Weingart, L. R. (2003). Task Versus Relationship Conflict, Team Performance, and Team Member Satisfaction: A Meta-Analysis. Journal of Applied Psychology, 88(4), 741–749.

  • de Wit, F. R. C., Greer, L. L., & Jehn, K. A. (2012). The Paradox of Intragroup Conflict: A Meta-Analysis. Journal of Applied Psychology, 97(2), 360–390.

  • Bradley, B. H., Postlethwaite, B. E., Klotz, A. C., Hamdani, M. R., & Brown, K. G. (2012). Reaping the Benefits of Task Conflict in Teams: The Critical Role of Team Psychological Safety Climate. Journal of Applied Psychology, 97(1), 151–158.

3. 協調学習・CSCL

  • Roschelle, J., & Teasley, S. D. (1995). The Construction of Shared Knowledge in Collaborative Problem Solving. In C. O’Malley (Ed.), Computer Supported Collaborative Learning.

  • Dillenbourg, P. (1999). What Do You Mean by Collaborative Learning? In P. Dillenbourg (Ed.), Collaborative Learning: Cognitive and Computational Approaches.

  • Stahl, G., Koschmann, T., & Suthers, D. (2006). Computer-Supported Collaborative Learning: An Historical Perspective.

  • Suthers, D. D. (2006). Technology Affordances for Intersubjective Meaning Making: A Research Agenda for CSCL.

4. 生成AIと学習支援

  • Miao, F., & Holmes, W. (2023). Guidance for Generative AI in Education and Research. UNESCO.

  • Gonsalves, C. (2024/2025). Generative AI’s Impact on Critical Thinking.

  • Lamberti, W. F., Lawrence, S. R., White, D., Kim, S., & Abdullah, S. (2025). Pilot Study on Generative AI and Critical Thinking in Higher Education Classrooms.

  • Zhong, T., Zhu, G., Lim, K. Y., & Ong, Y. S. (2024). Generative AI as a Tool or Leader? Exploring AI-Augmented Thinking in Student Programming Tasks.

5. 再構成活動・Kit-Build概念マップ

  • Hirashima, T., Yamasaki, K., Fukuda, H., & Funaoi, H. (2011). Kit-Build Concept Map for Automatic Diagnosis.

  • Hirashima, T., et al. (2015). Framework of Kit-Build Concept Map for Automatic Diagnosis and Its Preliminary Use. Research and Practice in Technology Enhanced Learning, 10, Article 17.

  • Wunnasri, W., Pailai, J., Hayashi, Y., & Hirashima, T. (2018). Reciprocal Kit-Building of Concept Map to Share Each Other’s Understanding.

  • Pinandito, A., et al. (2021). Design and Development of Semi-Automatic Concept Map Authoring Support Based on Kit-Build Method.

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