筆者について、そしてこの論文が生まれた背景
Inge Molenaarは、オランダのRadboud大学で教育とAIの交差点を研究している研究者です。彼女が所属するNational Education Lab AIは、教育現場にAI技術をどのように導入すべきかを実践的に探求する機関であり、学校の先生、テクノロジー企業、政策立案者といった様々な立場の人々と協力しながら研究を進めています。この論文が発表された2022年は、ちょうどCOVID-19パンデミックによって世界中の教育現場が急速にデジタル化を余儀なくされた時期と重なります。オランダでは当時、小学生の約60%が毎日算数や文法の学習にAI搭載の学習システムを使っていたといいますから、これは机上の空論ではなく、現場の切実なニーズから生まれた研究だといえます。 この論文”Towards hybrid human-AI learning technologies”でMolenaarが取り組もうとしているのは、教育分野でAIをめぐる議論がバラバラになってしまっている状況を整理し、皆が同じ土俵で話し合えるようにすることです。医療分野や自動車産業ではAIの役割についてある程度の共通理解が形成されていますが、教育の世界ではまだそうした枠組みが確立されていません。研究者、教師、企業、政策決定者がそれぞれ異なる言葉でAIについて語っており、建設的な対話が難しい状況にあります。
AIは先生の代わりにはならない―「置き換え」から「増強」への転換
Molenaarがまず強調するのは、教育におけるAIの役割は他の分野とは根本的に異なるということです。自動車産業では、AIは運転という作業を人間から引き継ぐことを目指しています。しかし教育では、そもそも「学ぶ」という行為は人間にとって本質的な営みであり、それを機械に丸投げするわけにはいきません。 この点を理解するために、料理に例えてみましょう。最新の調理ロボットがどれほど進化しても、私たちが食事から得る満足感は、単に栄養を摂取することだけではありません。食材を選び、味付けを工夫し、失敗を重ねながら上達していく過程そのものに価値があります。同じように、学習も結果だけでなく、試行錯誤のプロセス自体が成長につながるのです。 歴史的には、1990年代にAI教育研究のコミュニティが立ち上がった当初、目指されていたのは「賢い個人教師システム」でした。つまり、先生の仕事をコンピューターに肩代わりさせようという発想です。しかしMolenaarが指摘するように、この「置き換えの視点（replacement perspective）」は徐々に「増強の視点（augmentation perspective）」へと変化してきました。AIは先生や生徒を置き換えるのではなく、彼らの能力を高めるために使うべきだという考え方です。
ハイブリッド知能という新しい考え方
この増強の視点を理論的に支えるのが「ハイブリッド知能（hybrid intelligence）」という概念です。Molenaarは、Akataらの研究を引用しながら、人間の知能とAIを対立させるのではなく、互いの強みを活かし合うチームメンバーとして捉えることを提案します。 この発想は、実は私たちが日常的に経験していることでもあります。
たとえば、カーナビゲーションを使う場面を考えてみてください。優れたドライバーは、カーナビの指示を盲目的に従うのではなく、道路状況や自分の経験と照らし合わせながら判断します。渋滞が予想される道をカーナビが提案してきたら、別のルートを選ぶかもしれません。逆に、土地勘のない場所では、カーナビの情報に大きく依存します。つまり、人間とAIは状況に応じて役割分担を調整しながら協力しているのです。 ハイブリッド知能を実現するには、いくつかの課題があります。Molenaarが紹介するAkataらの整理によれば、主に4つの問いに答える必要があります―AIは人間とどうやって協調するのか、環境から学んで適応できるのか、倫理的で責任ある振る舞いをどう保証するのか、そして人間とAIはお互いの考えをどう説明し合うのか。これらは簡単には答えられない難問ですが、教育という分野では特に重要になります。なぜなら、子どもたちの成長に関わるからです。共通言語の必要性―研究者だけでなく、現場の声も含めて
Molenaarが論文の中心に据えているのは、「共通言語（common language）」の構築です。彼女は「四重らせんステークホルダー（quadruple helix stakeholders）」という耳慣れない表現を使っていますが、これは研究者、教育専門家（つまり先生）、起業家（テクノロジー企業）、政策立案者という4つの異なる立場の人々を指しています。 なぜこの4つなのでしょうか。研究者は理論や実証データを提供しますが、教室で実際に子どもたちと向き合っているのは先生です。技術を開発するのは企業ですが、それをどう規制し支援するかは政策の問題です。どれか一つの視点だけでは不十分で、みんなで協力しなければ良い教育AIは生まれません。ところが、これらの人々は普段、異なる言葉で話しています。研究者は専門用語を使い、先生は教室での実践を語り、企業は製品の機能を説明し、政策立案者は予算や規制を考えます。 この状況は、建築プロジェクトに似ています。建築家、施工業者、インテリアデザイナー、そして実際にそこで暮らす人が、それぞれ異なる優先順位を持っています。設計図という共通言語がなければ、立派な建物は完成しません。Molenaarが提案しているのは、教育AIにおける「設計図」に相当する枠組みなのです。
Detect-Diagnose-Act―AIが教育で何をするのかを分解する
Molenaarが提示する最初の枠組みが「検出-診断-行動フレームワーク（detect-diagnose-act framework）」です。これは、AIが教育の場でどう機能するかを3つのステップに分けて理解するためのものです。 まず「検出（detect）」は、生徒の状態を観察することです。従来の学習システムでは、主にクリックストリームデータ―つまり、生徒がどのボタンを押したか、問題にどう答えたかといった記録を使っていました。しかし最近では、視線追跡、皮膚電気反応、キーボードやマウスの動きといった、より多様なデータが使えるようになっています。これらを組み合わせることで、生徒がいま本当に集中しているのか、それとも行き詰まっているのかを、より正確に把握できるようになります。 次の「診断（diagnose）」では、集めたデータから生徒の現在の理解度や今後の学習の見通しを判断します。数学や科学のような構造化された科目では、AIはかなり正確に生徒の知識レベルを測定できるようになっています。さらに進んだシステムでは、この生徒が将来どのコースで苦労しそうかを予測したり、読み書きの能力や失読症のリスクを評価したりもします。 最後の「行動（act）」は、診断結果をどう活用するかです。Molenaarは、これを2つのタイプに分けています。一つ目は「情報提供」で、先生や生徒にデータを見せて、実際の行動は彼らに委ねるパターンです。ダッシュボードと呼ばれる画面がその典型で、先生は生徒たちの学習状況を一覧できます。研究によれば、このような情報があるだけで、先生の教え方は変わります。より的確なフィードバックを与えたり、支援が必要な生徒により多くの時間を割いたりするようになるのです。 二つ目は「適応的行動」で、AIが直接介入するパターンです。これにも段階があります。「ステップ適応」は、問題を解く途中でヒントを出すこと。「タスク適応」は、次に取り組む問題を生徒の理解度に合わせて選ぶこと。「カリキュラム適応」は、学習する単元の順序や優先順位を調整することです。現在のシステムの多くは、これらのうち一つだけを得意としていますが、教育現場からは複数の適応を組み合わせてほしいという要望が出ています。 このフレームワークは、AIシステムの限界を理解するのにも役立ちます。限界は3つの要素で決まります―どれだけ生徒を追跡できるか（検出）、どれだけ正確に診断できるか（診断）、そしてどれだけ適切な行動を選べるか（行動）。
6段階の自動化モデル―人間とAIの役割分担を整理する
Molenaarのもう一つの重要な貢献が「6段階の自動化モデル（six levels of automation model）」です。これは自動車産業や医療分野で使われているモデルを教育に応用したもので、先生・生徒・AIの間でコントロールがどう分担されるかを6つのレベルで示しています。 レベル1は「先生のみ」で、AIは関与しません。伝統的な教室です。 レベル2は「先生支援」で、AIが情報を提供しますが、すべての判断と行動は先生が担います。たとえば、先生用のダッシュボードがこれに当たります。実は、このレベルでもAIの影響は無視できません。研究によれば、ダッシュボードの情報によって、先生は生徒への接し方を変えるからです。数学の授業で、どの生徒が理解に苦しんでいるかが可視化されれば、先生はその生徒により多くの注意を払うようになります。 レベル3は「部分的自動化」で、AIが特定のタスクを実行し始めます。先生は全体を監視していますが、一部のコントロールをAIに委ねます。たとえば、適応学習システムが生徒に次の問題を選ぶ場合です。先生は問題選択という煩雑な作業から解放され、個別指導やフィードバックにより多くの時間を使えます。オランダの小学校で広く使われているシステムがこのレベルで、研究では数学の成績向上が確認されています。COVID-19のロックダウン中にも、こうしたシステムが先生と生徒をつなぐ役割を果たしました。 レベル4は「条件付き自動化」で、AIがより広範囲のタスクを担い、監視の一部も引き受けます。ただし、難しい状況では先生が介入できるようになっています。このレベルでは、複数の種類の適応を組み合わせることが多くなります。たとえば、問題内でのヒント（ステップ適応）と、どの単元を学習するかの決定（カリキュラム適応）を同時に行うシステムです。ただし、組み合わせが複雑になると、先生にとってシステムの動きが見えにくくなるという課題があります。 Holstein らの研究は興味深い例外です。彼らは、既存の知的個別指導システムの上に、拡張現実（AR）を使った先生用のダッシュボードを重ねました。すると、本来は生徒とシステムだけでやりとりする設計だったのに、先生が適切に介入することで、成績の格差が縮小したのです。これは、置き換えの視点よりも増強の視点のほうが優れている証拠だとMolenaarは指摘します。 レベル5は「高度な自動化」で、AIがほぼすべてのタスクを自動的に処理し、複雑なケースだけ先生に助けを求めます。先生の役割は、AIからの合図を待つことに限定されます。Molenaarによれば、このレベルのシステムは現時点ではほとんど存在しません。プレゼンテーショントレーナーのように、特定のスキル（姿勢や声のトーン）に特化したシステムはありますが、内容の評価は依然として先生の仕事です。 レベル6は「完全自動化」で、人間は一切関与しません。Molenaarは、公式教育の場ではこれはあり得ないだろうと述べています。ただし、非公式な学習、たとえば語学学習アプリなどでは、このレベルに近いシステムが開発されつつあります。 Molenaarは医療分野のTopol の見解を引用し、人間を完全にループから外すレベル6はおろか、レベル5を超えることもおそらくないだろうと予測しています。むしろ、条件付き自動化（レベル4）あたりが、人間とAIの協働として最も現実的だと考えられます。 このモデルで重要なのは、レベル4以降では、AIと人間の間の双方向コミュニケーションが不可欠になることです。図ではこれを警告マークで示しています。AIが先生や生徒に情報を伝えるだけでなく、先生や生徒からもAIに情報を提供できるような仕組みが必要です。たとえば、AIが学習データから「この生徒は理解している」と判断しても、先生の観察では「実は混乱している」ということがあります。そうした人間側の知見をAIに反映させることで、システムは改善されていきます。
自己調整学習への応用―AIは学び方そのものを教えられるか
Molenaarは、これまでのAI教育システムが主に「知識の習得」に焦点を当ててきたことを指摘します。つまり、数学の問題が解けるようになるとか、単語を覚えるといった、いわゆる認知的な側面です。しかし教育にはそれ以外にも大切なことがあります。 その一つが「自己調整学習（self-regulated learning, SRL）」です。これは、自分の学習プロセスを自分で管理する能力のことです。具体的には、目標を立て、計画を作り、進捗を確認し、うまくいかなければ戦略を変えるといった一連のスキルを指します。このスキルは、学校を卒業した後も一生使い続けるものであり、現代社会ではますます重要性が増しています。 ところが、AIによる適応学習システムには落とし穴があります。システムが自動的に次の問題を選んでくれたり、つまずいたらヒントを出してくれたりすると、生徒は自分で考える必要がなくなってしまいます。つまり、AIが便利すぎるせいで、自己調整学習の機会が奪われてしまうのです。これは、カーナビに頼りすぎると道を覚えなくなるのと似ています。 Molenaarが提案するのは「ハイブリッド人間-AI調整（hybrid human-AI regulation）」という考え方です。自己調整のコントロールを、生徒とAIの間で状況に応じて行き来させるのです。生徒がまだスキルを身につけていない段階では、AIがサポートを多めに提供します。しかし生徒が成長するにつれて、徐々にコントロールを生徒に渡していきます。これを「前向き適応支援（forward adaptive support）」と呼びます。 では、AIはどうやって自己調整学習を検出し診断するのでしょうか。従来のクリックデータだけでは不十分で、視線追跡、マウスやキーボードの動き、さらには生理学的データ（皮膚の電気反応など）を組み合わせることで、より包括的な把握が可能になります。 研究者たちは、データの分析に2つのアプローチを取っています。「水平的アプローチ」は、一つのデータストリーム内での出来事の関連性を見ます。たとえば、どのような行動の順序が良いエッセイにつながるかを分析します。「垂直的アプローチ」は、複数のデータストリームを横断して見ます。たとえば、クリックデータと視線追跡を組み合わせて、生徒が学習内容を俯瞰している（オリエンテーション）エピソードを特定します。 診断の具体例としては、「瞬間ごとの学習曲線（moment-by-moment learning curves）」があります。これは、練習中の生徒の精度が時間とともにどう変化するかを追跡するもので、自己調整がうまくいっているかを判断する手がかりになります。また、高度な行動パターンライブラリを使って、データストリームを横断する生徒の行動シーケンスから自己調整学習を検出する手法も開発されています。 行動の段階では、scaffolding（足場かけ）やダッシュボードが使われます。Scaffoldingとは、生徒が自己調整活動を実行できるように促すサポートのことで、人間の先生だけでなくAIも提供できます。最近では、学習中の自己調整の診断結果に基づいて、個別化されたscaffoldingを提供する研究が進んでいます。ダッシュボードは、生徒に自分の進捗やパフォーマンスに関する正確な情報を提供することで、調整を改善させます。そして、場合によっては、AIが生徒の代わりに外部から調整することもあります。 重要なのは、この「外部からの調整」をいつ行うべきかについて、まだ十分な理解がないことです。現在は広く実践されていますが、その正当性は十分に検討されていません。6段階の自動化モデルを使えば、生徒、先生、AIの役割を明確にし、どのレベルの自動化が自己調整学習の支援に適しているかを議論できます。現在のところ、学習者支援（レベル2）や部分的自動化（レベル3）が最もよく使われています。 このように、自己調整学習の例は、AIが知識習得を超えてより広範な学習者の特性を支援できる可能性を示しています。感情、動機づけ、エンゲージメント、協働といった他の側面についても、同様の発展が期待されます。
現実的な課題と今後の展望
Molenaarの論文は、教育AIについて楽観的であると同時に、現実的な課題も率直に認めています。たとえば、複数の適応を組み合わせたシステムは、技術的には可能でも、先生にとって透明性を保つのが難しくなります。タスク適応とカリキュラム適応を組み合わせると、予測分析が生徒の学習時間を決め、それが単元の選択に影響します。この複雑な仕組みを先生が理解し、必要に応じてコントロールするのは容易ではありません。 また、データのプライバシーや倫理の問題もあります。生徒の視線や皮膚反応まで記録するシステムが当たり前になれば、監視社会への懸念が高まります。Molenaarは、ハイブリッド知能の4つの課題の一つとして「倫理的で責任ある行動」を挙げていますが、この論文ではそこまで深く掘り下げていません。 さらに、AIと人間の「相互説明」も未解決の問題です。AIがなぜそのような判断をしたのかを先生や生徒が理解できなければ、信頼関係は築けません。逆に、先生の観察や直感をAIに伝える方法も、まだ十分に開発されていません。 それでも、Molenaarが描くビジョンは説得力があります。なぜなら、それがオランダの教室で実際に起きていることに基づいているからです。彼女が引用している研究の多くは、実験室ではなく実際の学校で行われたものです。COVID-19のロックダウン中にこれらのシステムが果たした役割も、単なる理論ではなく、現実の危機への対応でした。
この論文が教えてくれること
Molenaarの論文を読んで最も印象的なのは、彼女が「共通言語」の構築にこだわっている点です。これは一見地味なテーマに思えるかもしれませんが、実は非常に重要です。教育のような複雑な営みにおいて、異なる専門性を持つ人々が協力するには、お互いを理解できる枠組みが必要です。 Detect-diagnose-actフレームワークと6段階の自動化モデルは、その意味で優れた「共通言語」です。これらは、専門的すぎて先生が理解できないこともなく、かといって単純すぎて研究者や開発者が使えないこともありません。むしろ、それぞれの立場の人が自分の経験を当てはめて考えられるような、ちょうど良い抽象度を持っています。 もう一つ重要なのは、Molenaarが「増強の視点」を一貫して主張している点です。AIが先生を不要にするという脅威論でもなく、AIがすべてを解決するという万能論でもなく、人間とAIがそれぞれの強みを活かして協力するという中道を提示しています。これは、現場の先生にとっても受け入れやすいメッセージでしょう。 ただし、批判的に見れば、この論文にも限界があります。一つは、提案されている枠組みがまだ概念的な段階にとどまっており、具体的な実装方法や評価基準が十分に示されていないことです。もう一つは、文化的・社会的な文脈への配慮が薄いことです。オランダの小学校で成功したシステムが、異なる教育制度や価値観を持つ国でも同じように機能するとは限りません。 それでも、この論文は教育AI研究における重要な一歩だと評価できます。技術の可能性を追求するだけでなく、教育という営みの本質を見失わないバランス感覚が光っています。そして何より、研究者、先生、企業、政策立案者という多様なステークホルダーに向けて、建設的な対話の土台を提供しようとする姿勢が貴重です。 子どもたちが学ぶ環境にAIが入り込んでくるのは、もはや避けられない流れです。それならば、どのようなAIをどのように使うべきかを、皆で考える必要があります。Molenaarの論文は、そのための道具を私たちに手渡してくれているのです。
Molenaar, I. (2022). Towards hybrid human-AI learning technologies. European Journal of Education, 57(4), 632–645. https://doi.org/10.1111/ejed.12527