フレーミング・リテラシー

 フレーミング・リテラシーとは、ある出来事に関する命題群のうち、何が選択・省略され、何が強調され、どのような評価や因果的解釈が付加されることによって特定の立場の言説が構成されているかを読み解くこと、および、同一の命題群に対する選択・強調・評価の操作によって、異なる立場の言説を構成できることである。


その操作対象化

まず、出来事について確認可能な事実命題とその関係を、参照命題ネットワークとして外在化します。そのうえで、個々の言説を次の操作として表現します。

参照命題ネットワーク→部分ネットワークの選択・省略→命題の強調・重みづけ→評価・因果命題の付加→特定のフレームをもつ言説\text{参照命題ネットワーク} \rightarrow \text{部分ネットワークの選択・省略} \rightarrow \text{命題の強調・重みづけ} \rightarrow \text{評価・因果命題の付加} \rightarrow \text{特定のフレームをもつ言説}

学習者は、言説に対して、

  • どの命題が選択・省略されたか
  • どの命題が強調されたか
  • どの評価・因果解釈が追加されたか

を特定します。さらに、同じ参照命題ネットワークから中立的・肯定的・否定的な言説を再構成し、その変換操作を説明します。

したがって、この方法の特徴は、抽象的な「偏り」や「印象」を、命題の選択、重みづけ、評価的拡張という操作可能な対象として可視化することにあります。なお、参照命題ネットワーク自体も絶対的に中立なものではなく、複数の情報源に基づいて暫定的に構成される基準と位置づける必要があります。

構成的操作

参照命題ネットワークに基づき、特定の立場をもつ言説を構成する操作である。

  1. 参照命題ネットワークを精査する
    言及可能な事実命題と、その関係を把握する。
  2. 取り扱う部分命題ネットワークを選択する
    言説に含める命題を選択し、含めない命題を決定する。
  3. フレーミングを付与する
    選択した命題のうち、強調する部分を決定するとともに、必要に応じて評価命題や因果的・解釈的命題を付加する。
  4. 言語化する
    命題の順序、表現、詳しさ、見出しなどを決定し、特定の立場をもつ言説として表現する。


解釈的操作

提示された言説を分析し、その言説がどのような命題の選択、強調および評価によって構成されているかを読み解く操作である。

  1. 言説を命題ネットワーク化する
    言説に含まれる命題と、その関係を外在化する。
  2. 命題の性質を識別する
    事実命題、評価命題、因果的・解釈的命題を区別する。
  3. 強調を識別する
    見出し、記述順序、記述量、反復、語句の選択などから、強調されている命題を特定する。
  4. 基礎的な部分命題ネットワークを復元する
    評価や強調をいったん取り除き、その言説が依拠している事実的な部分ネットワークを取り出す。
  5. 参照命題ネットワークと比較する
    選択された命題と欠落している命題を確認する。
  6. フレーミング操作を解釈する
    命題の選択・欠落、強調、評価や因果的解釈の付加が、どのような立場の形成に寄与しているかを説明する。欠落理由については、断定するのではなく、可能な理由を仮説として検討する。


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