クリスチャン・ウルフ、ヴァインガルテン教育大学、2025年
初版発行日：2025年11月29日、改訂日：2026年7月23日

まとめ： AIを活用した学習は数学の学習効果を高める可能性がある一方で、認知的な努力を不要にしてしまう可能性もある。本稿では、確固たる教育的基盤、適応的な学習量、メタ認知の活性化、そして教室での授業への統合という4つの要件を提示する。本研究は主に高学年の学習者を対象に行われたため、これらの要件は当初、小学校における研究に基づいた設計上の前提として理解されるべきである。.

出発点

生成型人工知能は、教育分野において高い期待と同時に高い不安も引き起こしています。方法論や内容が大きく異なる多数の研究が存在し、AI支援型学習の設計に関していくつかの結論を導き出すことが可能になっています。メタ分析では、AI支援システムが学習パフォーマンス、モチベーション、および高次認知プロセスに有意なプラスの効果をもたらすことが報告されています（Wang & Fan、2025年、Deng et al.、2025年、Alemdag、2025年、Wu & Yu、2024年、Zheng et al.、2023年）。数学における生成型AIに関する最近のメタ分析では、中程度の効果量が示されています（Liu et al.、2025年）。しかし、これらのプラスの効果は非常に異なる条件下で発生しており、一部の研究デザインは方法論的に疑問があります。したがって、結果を解釈する際には、潜在的な出版バイアスと含まれる研究の質を考慮する必要があります。.

インテリジェントチュータリングシステムに関する最近の体系的レビュー（Létourneau et al., 2025）によると、小学校児童を対象とした研究は約14件に過ぎず、利用可能な研究の大部分は年長の児童または大学生を対象に実施されている（Kuo et al., 2025; Liu et al., 2025; Son, 2024）。小学校に特化した研究はまだ限られているため、以下の考察の多くは、この対象グループに対する直接的な研究結果よりも、理論的な考察や年長のグループからの知見に基づいている。本稿では、入手可能な知見をレビューし整理し、小学校の算数指導に適用できるようにする。.

原則として、（「デジタルメディア」自体には学習効果がないのと同様に）「AIによる学習効果」をAI技術自体の特性として誤解することは、学習環境や教育的な事前構造化について問うべきであるにもかかわらず、あまり有益ではない（Dinsmore & Fryer, 2026; Kirschner, 2025）。本稿では、どのような条件下でAI支援型学習支援が初等教育における数学学習プロセスを支援するのか、またどのような場合にその使用を避けるべきなのかを問う。.

これらの考察は、PRIMA-AIプロジェクトにおけるアプリ統合型AI支援学習支援システムの開発とテストの基礎となるものです。これらは最終的なものではなく、新たなAIモデル、新たな実証的知見、そしてそれらに基づく教育応用によってさらに発展させていく予定です。.

理論的枠組み

具体的な設計原則について説明する前に、以下の設計原則を構成する3つの理論的視点について説明します。それは、認知負荷理論、最近接発達領域、そして手続き的知識と概念的知識の区別です。.

認知負荷理論

認知負荷理論（Sweller, 2020）は、ワーキングメモリの容量限界が学習教材設計における重要な制約であると説明しています。この限界はAI支援システムに直接的な影響を及ぼします。生成AIは、テキスト、画像、説明、視覚化、アニメーションなど、大量の情報を高速かつ大量に提示できます。しかし、学習者が情報や刺激に圧倒され、学習に適切な方法で処理できない場合、たとえ優れたコンテンツであっても、その効果は期待できません。.

これを最適化することは、AIベースの学習支援を設計する上で重要な課題です。認知負荷理論の観点から、足場かけ（支援と説明を適切に提供すること）は非常に重要です。AIチューターは、ワーキングメモリの負荷が最適な範囲内に収まるように、プロンプト、支援、サポートの量を調整する必要があります（Cosentino et al., 2025）。情報が多すぎると、学習に悪影響を及ぼすだけでなく、むしろ有害です。AIチューターは情報を提供する必要があります。 選ぶ, 用量 必要に応じて 抑制する ―単に関連情報を提供するだけではない。.

近接発達領域：適応には診断能力が必要である

ヴィゴツキーの最近接発達領域とは、子どもが一人で達成できることと、より有能なパートナーの助けを借りて達成できることの間の領域を指します。この概念は、AIによる個別指導システムの設計において極めて重要です。システムは、子どもが一人で、あるいは支援を受けて何ができるかを継続的に評価し、その上で、この最近接発達領域内で、簡単すぎず（課題が少なすぎず）、難しすぎず（課題が多すぎず）適切な刺激を提供する必要があります。.

適応型システムは、この評価を一度だけでなく継続的に行う必要があります（Wu et al., 2025; Kuo et al., 2025）。学習者の入力から、理解度がどの程度か、どの誤りがどの先入観から生じているか、どのような誤解が誤りにつながったか、そして次にどのような生産的な行動をとるべきかを推測しなければなりません。適応性によって、単純なルールに基づいて多かれ少なかれ適切または表面的なフィードバックを生成する純粋に決定論的な個別指導システムよりも、より適切なサポートを提供できます。実際に学習に効果的かどうかは、診断の根拠と、そこから得られるサポートの質に依存します。.

手続き的知識と概念的知識：異なる目標、異なる支援

これら2つの理論的観点から、AIチューターの設計に極めて重要なさらなる区別が浮かび上がります。適切なサポートの種類は、学習目標によって根本的に異なります。手続き的知識とは、 この問題をどうやって解決すればいいでしょうか? – 概念的知識以外のサポートが必要 – なぜそのように動作するのでしょうか?

素早い足し算や引き算など、算数の流暢さを練習している子どもには、結果に対する頻繁で正確なフィードバックが必要です。一方、数感覚を発達させている子どもには、的を絞った質問や実践的な活動を通して、自分の理解を構築し、さらに発展させるよう促す必要があります。子どもは、自分の解決策の道筋を開発し、提示し、正当化する必要があります。この区別ができないAIシステムは、例えば、概念学習において解決策をあまりにも早く提供したり、手続き的練習中にワーキングメモリに不要なプロンプトや提案で負担をかけたりするなど、支援が逆効果になるリスクがあります。Makranskyら（2024）もこれを実証しています。彼らの研究では、これらの原則に基づいて特別に訓練されたモデルは、汎用的な大規模言語モデルよりも概念理解、自信、学習の楽しさを著しく促進し、これらの効果は追跡調査でも安定していました。これは、大規模で強力な言語モデルであっても、主題内で事前に構造化されていない限り、主題固有の教育学的知識を必ずしも自動的かつ効果的に適用できるとは限らないことを意味します。.

これら3つの理論的視点、すなわちワーキングメモリの限界、発達近接領域における適応的な位置づけの必要性、そして学習目標に応じた差別化は、以下の設計原則を位置づける枠組みを形成します。同時に、AIベースの学習支援が単なる技術的問題ではない理由も明らかにします。AIベースの学習支援には、学習者、学習内容、そして学習プロセスに対応するだけでなく、それらのモデルを備えたシステムが必要です。.

アウトソーシングのリスク：AIが認知タスクを引き継ぐ場合

現在の研究発表では、AIを活用した学習は技術的な最適化さえすれば概ね肯定的な可能性を秘めているという印象を与えるかもしれない。しかし、実際にはより複雑な状況が浮かび上がってくる。いくつかの研究では、学習における生成型AIの制御されていない「不適切な」使用は、期待されたほどの効果が得られないだけでなく、基本的な認知発達を阻害し、学習を妨げる可能性もあることが示されている。.

認知負荷軽減：サポートが依存に変わるとき

最も根本的な問題は次のように説明できます。 認知負荷軽減 要約すると、学習者は認知的な努力を自ら行う代わりに、AIに委ねている。Gerlich（2025）は、最近の分析で、AIの集中的な使用と批判的思考スキルの発達との間に負の相関（r = -0.75）があることを明らかにしており、この相関は特に若い学習者の間で顕著である。この研究は相関関係を示しているが、AIの集中的な使用が批判的思考を弱めることを証明しているわけではない（特に、方法論的に批判される可能性もあるため）。この研究は、実験的かつ長期的な検証が必要な、AIの委譲に関する仮説を提示している。.

Bastani ら (2025) は、対照介入研究でこのリスクを実証しました。練習中に完全な AI ソリューションへの無制限アクセスを与えられた学生は、短期的にはより高い結果を達成しました。その後の AI なしのテストでは、無制限のサポートグループは、AI を一切使用しない対照グループよりも低いレベルのパフォーマンスを示しました。著者らはこれを次のように呼んでいます。 能力の喪失（スキルの低下）; この発見はこの環境に関するものであり、研究期間を超えて持続的な能力低下を示すものではありません。並行して、AIベースの個別指導システムによる学習分析では、一部の学習者がコンテンツに関与することなくタスクシーケンスを「クリックして進める」ことを試みていることが記録されています（Jančařík et al., 2023）。.

DinsmoreとFryer（2026）およびGisiger（2025）は、学習心理学の観点から、生成型AI（ここでは学習支援のための特定のシステムプロンプトが事前に構造化されていないチャットボットを指す）は、ユーザーが自身の知識を構築する骨の折れるプロセスを省略するように誘惑すると主張している。ソリューションを直接利用する人は労力を節約できるが、特に節約した認知エネルギーをより高度な認知タスクに効果的に使用しない場合は、必ずしも強固な知識構造を構築できるとは限らない。また、学習の成功は努力と関連しており、この努力が回避されると、持続可能な学習は少なくなるとも言える。多くのチャットボットプロバイダーは既にこれに対応しており、チャットボットが直接ソリューションを提供するのではなく、フォローアップの質問をし、ユーザーと対話してコンテンツを確認する「学習モード」を提供している。.

礼儀正しさの落とし穴

この構造的なリスクに加えて、より微妙ながらも重要な現象が存在する。AbdulsalamとAroyehun（2025）は分析の中で、大規模な言語モデルは専門家レベルの指導力を発揮できる一方で、過度に丁寧で支援的になりがちであることを示している。彼らの研究では、この過剰な丁寧さが学習の質と負の相関関係にあることが明らかになった。AIは学習者を苛立たせたり、間違いを指摘したりすることを避け、真の課題から意図的に遠ざかる。しかし、生産的な努力、つまり支援を伴う一時的な困難の経験は、特に概念理解の発達において、学習の重要な推進力となる。.

ChudziakとKostka（2025）は関連する問題を特定している。現在の多くのAIシステムは、 規範的な 対話スタイル - 個人の思考プロセスの余地を与えるのではなく、指示し、導き、問題を解決します。早すぎる介入システム（反応的なフィードバックそうすることで、本来促進しようとしていた（メタ）認知プロセスを阻害してしまう危険性があります。Wang et al. (2025) による実際の個別指導対話の分析は、低学年の学習者にもこの傾向が見られることを裏付けています。小学生は対話型の質問には確かに肯定的に反応しましたが、個別指導者が独善的かつ解決志向的すぎると、受動的反応にとどまり、持続的な学習効果は見られませんでした。.

最適なサポートのパラドックス

これらの発見は、AIベースの学習支援の設計における重要な問題として理解できるパラドックスに集約されます。AIシステムが課題を効率的に解決し、支援を提供できるほど、自立した思考を促進するのではなく、それを奪ってしまうリスクが高まります。このパラドックスは解決が困難です。つまり、優れたAIチューターは、時には意識的に 少ない 人工知能システムは、本来の能力以上のことをしなければならない。制御されたフラストレーション（「行き詰まり」は数学的思考の中核である、Mason、Burton、Stacey、1982）を許容し、解決策を明示せず、不完全なヒントを与え、待ち時間を発生させる必要がある。つまり、人工知能システムは、生成型人工知能を非常に印象的なものにしているメカニズムに、部分的に逆らって動作しなければならないのだ。.

構造化されていないチャットボット（例えば、教育的な枠組みのない、自由にアクセスできる言語モデルなど）は、単なる応答マシンとなり、真の理解力向上につながる学習を促進するどころか、むしろ阻害する可能性があります。以下の原則は、支援を適度に調整し、認知的な作業は子ども自身で行うことを目的としています。.

学習時間の短縮というリスクへの対応としての設計原則

適応型AI学習支援の可能性と、前述の認知負荷軽減のリスクとの間の緊張関係に対処するには、互いに積み重なる複数の設計レベルの相互作用が必要です。診断と支援の中心的な前提条件としてのシステムの主題固有の教育的基盤（主題固有の教育の優先）、フィードバックの中核メカニズムとしての適応的な投与量、品質特性としてのメタ認知の活性化、そして有効性の条件としてのハイブリッド埋め込み（人間の監督、「教師の関与」）です。.

基礎：教科固有の教育知識が重要な前提条件

最初にして最も基本的な設計レベルは、システムの知識ベースに関するものです。生成型AIは言語的にも形式的にも印象的な出力を生成しますが、教科教育の観点から見ると、それらはしばしば表面的で、問題指向性に欠け、特に制御されない限り誤りさえあります（Schneider、2025）。これは簡単に修正できる実装上の弱点ではなく、大規模言語モデルのアーキテクチャの結果です。これらのモデルのトレーニングはインターネット上の利用可能なデータに基づいており、特に数学教育の問題に関しては、質的なキュレーションは一般的に行われていません。そのため、数学教育における生成型AIの使用に関する文献レビューでは、多くのシステムの理論的基盤の弱さとエラーを起こしやすい点が繰り返し指摘されています（Almheiri et al.、2025; Awang et al.、2025; Holmes & Tuomi、2022; Opesemowo & Adewuyi、2024）。.

Cárdenasら（2025）は体系的な分析において、理論的枠組みの欠如を効果的なAI個別指導システムの主要な障害の一つとして挙げています。健全な教育学的基盤とは、タスクと説明の内容に関する正確さ（システムが常に改善されている点）と、システムが学習者にどのように応答するかという点の両方に関わるものです。専門知識と個別指導の専門知識は同じではありません。Macinaら（2025）は、優れた数学的スキルを持つ人が必ずしも効果的な個別指導を提供できるわけではないことを実証的に示しています。彼らは問題を正しく解くことはできますが、学習者にとっての難しさがどこにあるのか、誤りの根底にある誤解は何なのか、特定の学習状況においてどのような刺激が効果的なのかを常に認識できるとは限りません。AIシステムにとって、これは単に主題知識をプロンプトに統合するだけでは不十分であることを意味します。システムは教育学的知識、つまり…, どうやって 子どもたちは数学的概念を発達させ、どのような典型的な間違いや誤解が存在するか、そして学習プロセスのどの時点でどのような介入が効果的かを理解します。.

複数の研究結果が、この違いの実践的な重要性を示している。Makransky ら (2024) は、生成学習理論に基づき、教育学に特化した訓練を受けたモデルは、一般的な大規模言語モデルよりも概念理解、自信、学習の楽しさを著しく促進し、これらの効果は追跡調査でも安定していることを示している。ChatTutor のような成功した個別指導システムや特定のフレームワーク (ChatGPT の学習モードなど) は、社会認知理論や証拠中心設計 (Cohn ら、2025; Dwivedi & Rejina、2025) などの教育理論に明確に基づいている。さらに、GeoGebra や AI 支援型学習環境に関する研究では、概念理解と自己効力感は、主題に関する専門知識と主題固有の教育学がシステム設計に明示的に組み込まれている場合、つまり、単に技術を上に追加した場合ではない場合にのみ向上することが示されている (Canonigo、2024)。.

小学校の算数指導のためのAI学習コンパニオンには、少なくとも以下の教科固有の教育知識ベースが必要であり、これらはシステムコンテキスト（プロンプト）を介して、または専門的なモデルトレーニングを通じて提供されなければならない。

まず、 数学的能力発達モデル それぞれのコンテンツ領域について。AIは、数値理解は事実の記憶からではなく、メンタルモデルの発達から生まれること、そしてその発達には典型的な発達経路と前駆スキルが存在することを「知る」必要があります。この知識がなければ、適応は表面的なものにとどまります。システムはせいぜい難易度を変えることはできても、入力の質を理解レベルに合わせて調整することはできません。.

第二に エラーと戦略の分類, これらのモデルは、典型的な生徒の学習経路と誤りを示しています（Nauryzbayev et al., 2023; Bewersdorff et al., 2023）。位取り記数法における位置と値の混同や、数えることを習慣的な戦略として用いるといった誤解を診断することは、システムが単に「正しい／間違っている」を判断するだけにとどまらず、さらに発展していくために習得しなければならない、教科固有の中核的な教育能力です。例えば、大規模な言語モデルでさえ、対応する指示や教科固有の教育的文脈が提供されていない場合、誤りが発生した際に「ただ数える」という戦略を明示的に示唆することがよくあります。.

第三に、 明確なルールとガイドライン, 問題は、どの学習段階において、どのような種類の困難に対して、どのような支援策が有効かということです。例えば、上で紹介した手順学習と概念学習の区別は、一つの指針となります。日常的なスキルの促進には、概念理解の構築とは異なる介入戦略が必要です。また、システムは、エラーが不注意によるものか、理解の問題に起因するものかを見分けられる必要があります。ここで学習履歴を組み込むことで、生成AIは過去の入力や学習の進捗状況に適切に対応し、無限ループを回避できます。.

第四に、システムは難易度だけでなく、 異なる考え方, 学習者が結果にたどり着くために利用できるツール。子どもたちは様々な方法で数学の問題を解きますが、これは望ましいことです。教育的に優れたAIチューターは、代替戦略を認識し、その有効性を評価し、必要に応じて明確化のための質問をし、子どもたちの既存の戦略を強化したり、より効率的な方法を使うように優しく促したりすることができます。.

このような専門分野に特化した教育知識を提供するにはコストがかかります。そのため、より小型で専門的なモデルであれば、必要な計算能力が少なく、デバイス上やデータ保護に準拠したインフラストラクチャ上で容易に実行できます。また、モデルがそれぞれのタスクに適していることが証明されれば、持続可能性（エネルギー消費）やデータ保護の要件にも対応できます。.

したがって、健全な教育的基盤は、望ましい品質特性であるだけでなく、適応型支援がそもそも機能するための必要条件でもあります。これがなければ、AIチューターは、シュナイダー（2025）の鋭い表現を用いるならば、「言語能力を持つ乱数生成器」であり、時折役立つ提案を出すものの、多くの場合、具体的ではなく、誤解を招くような提案さえも出すことになります。.

投与量：適応型足場と「まずあなた、次に私」の原則„

教科固有の教育知識に基づき、第二の設計レベル、すなわち刺激とサポートの適応的な投与が可能になります。これが、AIベースの学習支援を単なる回答マシンと区別するメカニズムです。実証的な研究結果によると、AI支援型学習環境は、単に正解を提供するだけでなく、学習の進捗状況、誤り、戦略に適応的に反応する場合に、学習と理解のプロセスを促進する可能性を秘めていることが示されています。.

例えばTALPer研究では、成績の低い5年生は適応型サポートから特に大きな恩恵を受けた一方、成績の高い生徒はAI学習コンパニオンとのより複雑なインタラクションパターンを発達させた（Kuo et al., 2025）。このように、単一のシステムでさまざまな学習ニーズに効果的に対応できた。Liu et al.（2025）は、同様のシステムで文章問題において顕著な成績向上を示したが、興味深いことに、サポートの単なる利用可能性ではなく、サポートの質に対する認識がモチベーションと学習成果に最も強い影響を与えた。Son（2024）による体系的レビューは、適切に設計されたインテリジェントチュータリングシステムが数学の学習パフォーマンスにプラスの効果をもたらすことを確認しており、特にこれらのシステムが個々の学習ニーズに適応する場合に顕著である。生成システムは、タスク、入力、および個々の子供の過去の学習進捗に合わせてフィードバックを調整することができる。.

思考とサポートの順序は非常に重要です。学習における大規模言語モデルに関するこれまでの研究は、学習者が最初に自分で問題を解決しようと試みるときに、AI フィードバックが特に効果的であることを明確に示しています (Kumar et al., 2023)。彼らの研究では、問題を自分で解決しようと試みた後、言語モデルの説明がまれに誤っていたとしても、参加者が体系的に誤った戦略を採用することなく、学習効果が得られました。この発見は、この設定においては、学習者が問題を解決しようと試みた後にのみフィードバックを提供するという原則を支持しています。Cohn et al. (2025) は、LLM ベースの教育エージェントの理論的枠組みの中で、直接的な回答ではなく、誘導された発見の必要性を明確に強調しています。同様に、Ruan et al. (2020) は、物語ベースのチャットボットチューターの研究で、システムが直接的な解決策ではなく、インタラクティブなフィードバックとヒントを提供したときに、主に学習効果が得られたことを示しています。.

自己調整学習の分野では、静的な支援シーケンスとは異なり、適応型のAI支援による足場構築が自己調整学習プロセスの質を向上させ、「画一的な」アプローチよりも優れた利点をもたらすことが、いくつかの研究で示されています（Liu et al., 2025; Wu et al., 2025）。したがって、生成AIは、単に事前に定義されたプロンプトを提示するのではなく、学習者の入力に適応的かつ個別に応答するように統合され、事前に構造化される必要があります。.

同時に、第3節で議論した考察は、援助は個別化されるだけでなく、 限定 これは当然のことです。Bastani et al. (2025) は、AI が段階的にヒントを提供するように規制され、学生自身が問題を解決しようとする余地が残されない限り、完全な解答への無制限のアクセスは長期的には有害であることを示しています。したがって、支援の段階的な縮小、つまり計画的なサポートの撤回は、システム設計の必須要素です。学生がヒントを過剰に要求した場合、システムは依存を防ぐために、支援の提供、段階的な提供、必要に応じて支援の削減によって対応できなければなりません。.

AIによる誤認識や不適切なフィードバックは、繰り返し発生する問題です。しかし、新しいマルチエージェントアプローチやLLM-as-Judge法は、自己検証手順によって足場の質と信頼性を向上させ、フィードバックにおける誤認識を大幅に削減できることを示しています（Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026）。より新しいモデルや追加の検証手順によって、エラーをさらに削減できます。ただし、その信頼性は、モデル、バージョン、タスク、学習グループごとに検証する必要があります。.

したがって、AI学習コンパニオンは「まずあなた、次に私」という原則に一貫して従って動作する必要があります。まず、ユーザーには自力で解決策を試みるよう求められます。AIは必要な場合にのみ介入し（要求に応じて、またはエラーが発生した場合は自動的に）、その後、アイデア、部分的な戦略、および観察結果を尋ねます。説明は、既存の基礎的な理解と関連付けられています。完全なモデルソリューションは例外であり、主要な学習形式ではなく、振り返りのためのツールとして使用されます。また、AI学習コンパニオンは、過度に褒めたり、質問をはぐらかしたりするのではなく、建設的で有益なフィードバックを提供する必要があります。.

活性化：メタ認知、批判的思考、そして鏡としてのチューター

3つ目の設計レベルは、支援の量というレベルを超え、インタラクションによって刺激される認知プロセスの質に焦点を当てています。チャットボットやAIシステムは、ガイドやタスクの説明者としてだけでなく、適切に設計されていれば、問題解決プロセスにおける計画、監視、そして反省のプロセスも刺激することができます。Wuら (2025) によるメタ分析は、チャットボットの基盤が自己調整学習モデルにリンクされている限り、チャットボットは自己調整学習を技術的、社会的、そして反省的に支援できることを示唆しています。Guoら (2025) は、体系的レビューにおいて、AIシステムが、モチベーションとエンゲージメントの重要な要素である自律性、有能性、そして関連性といった基本的な心理的ニーズを満たすことができることを確認しています。.

いわゆる研究 学習可能なエージェント Song et al. (2024) は、学習者がこれらのエージェントに自身の説明を向けるとき、AI 支援システムを学習の仲間、モデレーター、および共同問題解決者として認識できることを実証しています。したがって、説明による学習の原則は、AI 支援環境に適用して学習に利用できます。しかし同時に、現在の多くの生成型 AI システムは、特定のプロンプトや再トレーニングなしに、計画、戦略選択、および反省の的を絞った刺激など、重要なチュートリアルの役割を確実に果たすことはまだできておらず、先に述べた規範的なスタイルに傾いていることは明らかです (Chudziak & Kostka, 2025; Contel & Cusi, 2025)。これは、AI システムが反応的なフィードバックを超えたメタ認知的な足場を積極的に活用できるように、AI システムを事前に構造化する必要性を強調しています。.

メタ認知活性化の重要な側面は、学習者がAIの反応を自ら批判的に検証できるようにすることです。 小学校での算数の日 AIの回答に潜在的な欠陥があると感じた子どもたちは、批判的かつ綿密に吟味する態度を身につけ、回答を無批判に受け入れなくなることが観察されています（Helal et al., 2024）。これは、子どもたちが小学校の早い段階から実践できるスキルであり、AIが生成したコンテンツが日常生活に浸透しつつあることを考えると、ますます重要になっています。.

AI学習コンパニオンは、これらのプロセスを体系的に刺激するメタ認知パートナーとして設計できます。チューターは、「何に気づきましたか？」「どの戦略を試しましたか？」「なぜそれがうまくいったと思いますか？」といった質問を投げかけます。また、「以前のどの考え方がここで役立つでしょうか？」といったように、間違いについて振り返ることを促します。さらに、適切な場合には、ティーチバックの要素を取り入れることもできます。子どもたちが理解したことをAIに説明し、AIはそれを反映させ、質問をし、より深く掘り下げます。このようにして、AIは全知全能の解説者として振る舞うのではなく、自ら説明し、確認し、振り返ることを促します。.

埋め込み：ハイブリッドな配置は有効性の条件となる

第4の最終設計レベルは、AI支援学習が行われる枠組みの問題に関するものです。いくつかの研究では、AIが教師に取って代わるのではなく、教師の負担を軽減するハイブリッド方式の利点が報告されています。しかし、適切に設計された人間またはAI支援フィードバックに対する一般的な優位性はまだ証明されていません。これは、例えば、問題解決プロセスにおける綿密に調整された足場やリアルタイム分析によって実現でき、教師は教育的相互作用や関係構築により多くの時間を費やすことができます（Wezendonk & Veldhuis、2024年、Gonnermann-Müller et al.、2025年）。.

EediがGoogle DeepMindと共同で行った研究（2025年）は、ハイブリッドアプローチの可能性を直接的に示しています。AIサポートのみでは学習効果が4.5パーセントポイントでしたが、教師がAIの提案を検討して使用すると、その効果は10パーセントポイントに倍増しました。ここでは、教師は単なる制御メカニズムとしてではなく、授業、クラス、そして個々の生徒の中でAIの入力を文脈化する教育的権威として機能します。Kaliisaらによるメタ分析（2025年）では、AIフィードバックは人間のフィードバックに劣らず効果的であるものの、体系的に優れているわけでもないことが示されました。そのため、信頼性が高く、直接的でアクセスしやすいAIフィードバックと人間の教師による枠組み化されたフィードバックを組み合わせたハイブリッドアプローチは特に有望です。Cosentinoら（2025年）は、このようなハイブリッドフィードバックモデルが認知負荷を軽減し、多様な情報処理戦略をサポートする可能性を秘めていることを確認しています。.

さらなる研究により、教師を支援するAIの有効性が裏付けられています。例えば、CoPilotは人間の教師にリアルタイムのサポートを提供し、低学年の生徒の数学学習成果を大幅に向上させます。これは、教師が専門外の教科を教えているなど、フィードバックの質が低い場合に特に当てはまります（Wang et al., 2024）。Kestin et al.（2025）は、アクティブラーニングの教育原理に基づいたAIチューターが、レッスンの特定の段階で、対面指導に対して的を絞った追加練習とフィードバックを提供できると指摘しています。.

ハイブリッド統合の観点から、システム設計にはいくつかの影響が生じます。フィードバックの生成は、教科固有の教育的に妥当な情報に基づいて行われる必要があり、偶然に任せることはできません。教師は、生徒の現状、AIが提供したサポート、そしてそのサポートの効果を確認するためのダッシュボードと設定オプションを必要とします。AIは課題、サポート、または初期診断に関する提案を行うことができますが、最終的な決定は人間が行います。特に有望なのは次の点です。 マイクロディダクティック 問題解決におけるタスクレベルのサポートの領域では、多様な生徒が混在するクラスでは、教師が重要な局面で全ての生徒にタイムリーなサポートを提供できないことがよくあります。Eti、Mosia、Egara (2026) による体系的なレビューでは、AI は誤解を認識し、適切なガイダンスを提供し、学習者を徐々に独立した問題解決へと導く場合に特に効果的であることが示されました。.

しかしながら、AIチュータリングシステムの設計と利用における教師の有意義な関与は、しばしば十分に考慮されていない。Guerinoら（2023）とWezendonkおよびVeldhuis（2024）は、実践的な教室への統合と受容を確実にするためには、教師中心の設計アプローチとそれに対応するAIリテラシープログラムが必要であることを強調している。AIの統合、オーケストレーション、および利用に関する専門能力開発とトレーニングは、責任ある利用の前提条件であり（Holmesら、2018; KMK、2024; Wang & Nie、2023）、したがって、教師研修および専門能力開発に統合されるべきである。トレーニングでは、技術的な基礎知識だけでなく、教育的な機会、リスク、および評価基準も網羅する必要がある。学習環境における支援としてのAIの評価とオーケストレーションの基礎として、教科固有の教育学的知識が依然として中心となる。.

数学的発見の触媒としてのAI

既存の設計原則は、AIを活用した学習支援がどのように機能するかを説明しています。 内部 システムと学習者との相互作用において機能するはずです。しかし、同様に重要なのは、この相互作用がどのように学習に統合されるかという点です。 全体的な配置 AIは数学の学習に統合されています。AIは、子どもたちがただ画面を見つめ、操作するだけのものであってはなりません。 実体インターフェース ソーシャルロボットは、AIが現実世界におけるインタラクションも促進できることを示しています（Ligthart et al., 2023）。AIは、ブルーナーの表現レベルを活用し、数学的活動の触媒として機能するべきです。.

AIは、スケッチ、メモ、写真だけでなく、素材を使った動作も取り入れ、的を絞った質問をすることができます。たとえば、アプリで文章問題をモデル化する場合、「„数学の物語„ここでは、音声入力に加えて、スケッチ、メモ、モデリングの写真などをAI学習コンパニオンと話し合うことができます。初等教育に関する研究は中等教育や高等教育に比べて大幅に少ないものの、既存の結果は慎重ながらも楽観的です。学習環境が効果的に設計されていれば、子どもたちは学習において生成AIの恩恵を受けることができます。デジタルサポートとアナログ学習環境の統合についても考慮する必要があります（Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow & Coles, 2024; Yim & Su, 2025）。.

AI によるキュイジネール棒の物体認識、および図やメモの認識は、子どもたちが自分の行動を抽象的な数学的表現と結びつけるのに役立つ (Rumbelow & Coles、2024)。AI による練習は、特に計算の流暢さを向上させ、暗記ベースのアプローチよりも大きな流暢さの向上を達成できるが、算数障害のある子どもには他の形式の練習と慎重に組み合わせる必要がある (Samuelsson、2023)。算数障害のある子ども向けの適応システムは、モチベーションと関与を維持する上で有望な結果を示している (Hocine et al.、2023; Holmes、2024)。物語やゲーム化されたアプローチは特に注目に値する。Ruan et al. (2020) は、ストーリーテリングベースのチャットボットチューターが関与と学習の向上を促進できることを示しており、Sayed et al. (2022) は、適応型でゲーム化されたコンテンツを通じて、特に成績の低い生徒の間で大幅な改善が見られることを確認している。.

子どもたちは、数学的な記述、特にAIによる記述を批判的に検討し、正当化し、議論するべきである（Kortenkamp, 2024; Aufenanger, 2023）。したがって、小学校におけるAIベースの学習支援は、主に教科固有の教育的考察に基づき、デジタルとアナログのプロセスを組み合わせた、豊かな数学的活動を促進する触媒として機能するべきである。.

倫理的および構造的枠組み条件

AIベースの学習支援における倫理的要件

現在の設計原則は、効果的なAI個別指導システムを構築することを目指しています。しかし、特に学習者が子どもである場合、効果性だけでは十分な基準とは言えません。倫理的な問題は、生成型AIを用いた学習において根本的なものであり、しばしば問題視されるデータ保護の問題にとどまりません。Holmesら（2021）は、公平性、透明性、主体性、教育的責任といった側面を含む、共同で開発された倫理的枠組みを求めています。教育文化大臣常設会議（KMK、2024）は、基礎技能、包摂性、機会均等、データ保護に準拠した年齢に応じた解決策に焦点を当て、小学校および特別支援学校におけるAIの慎重かつ研究に基づいた利用を明確に推奨しています。.

AI に関するレビューをスコープし、この分野における以前の研究にはギャップがあることを示します。 人間の繁栄研究環境はパフォーマンス指向が強く、学習成果に焦点を当てている一方で、倫理、メタ認知、教師関連の観点はまだ十分に研究されていない（Fock & Siller, 2025）。Almheiri et al. (2025) とCárdenas et al. (2025) は、AI個別指導システムの普及における主要な障害として、倫理的課題とスケーリングの問題を挙げている。さらに、大規模言語モデルを用いた心理プロファイリングに関する研究（Rosenfelder et al., 2025）は、モデルがテキストから性格や価値観のパターンをいかに正確に導き出せるかを実証している。これは、不透明なシステムに内在する誤用の可能性を浮き彫りにしている。Gulz et al. (2021) もまた、特別なニーズを持つ学習者を差別することなく、適応性とインクルーシブな教育法、そしてアクセシビリティを組み合わせる必要性を強調している。.

これらの調査結果と要求から、責任あるAI学習ファシリテーターに求められる具体的な倫理的要件を導き出すことができます。 データ節約的な方法で作業する そして心理プロファイリングを避ける。これは、ローカル処理、データセットの分離、必要な情報へのデータの制限によって実現できる。彼は バリアフリー 彼は多様な学習ニーズに対応するため、マルチモーダルなインタラクション（言語、テキスト、画像）を活用しており（Hocine et al., 2023）、特に設計においては恵まれない学習者を考慮している。 仕組み その基本的な概要は説明可能で理解しやすいものでなければならない。また、学生がAIの応答を批判的に検討し、批判的思考力を弱めるのではなく強化するよう促すものでなければならない。その根底にある原則は以下のとおりである。 学習促進者は、学習者の自立性と意思決定能力を強化することを目的としている。.

方向付けの枠組みとしてのSKILLモデル

PRIMA-AIプロジェクトでは、 SKILLフレームモデル （構造化された能力に基づく学習支援型AIシステムの統合）は、幼児への生成型AIの活用を目的として開発されました。このモデルは、さまざまな学習環境において、AIシステムがどの程度オープンであるべきか、あるいは事前に構造化されているべきかについての指針を提供します。このモデルの基本的な前提は、生成型AIが学習プロセスに直接的に密接に結びついているほど、AIの事前構造化と制御をより強固にする必要があるという点にあります。同時に、AIの出力に対する子どもの能力レベルも考慮に入れる必要があります。.

これは、数値理解や独立した問題解決戦略の策定といった重要な認知機能をシステムに委ねてしまうリスクを軽減することを目的としています。したがって、SKILLモデルは、本論文で展開された設計原則、特に適応型サポートと独立した思考の保護との間の緊張関係を、AI支援型学習環境の設計の基礎となる実用的な構造へと具体化したものです。.

結論と展望

今後の研究課題として、いくつかの未解決の疑問点が挙げられます。個々の介入期間を超えてAI支援学習を検証する長期研究が不足しており、特に、適応型足場かけが実際に持続的な能力開発につながるのか、あるいは脱スキル効果が時間差を経て初めて明らかになるのかという疑問が残されています。また、小学校特有の状況（読解力の低さ、異なる相互作用パターン、具体的な教材との相互作用など）を体系的に考慮した研究も不足しています。さらに、教師がAIチュータリングシステムを実際の授業にどのように取り入れているか、つまり、実験室環境ではなく、インフラが限られた多様な小学校のクラスという日常的な環境でどのように活用しているかについての研究も不足しています。.

PRIMA-AIプロジェクトは現在、ここで概説した基本原則に基づき、アプリ統合型の様々なAI学習ツールを開発しています。これらのツールは、デザインベースド・リサーチの枠組みの中で研究、開発、最適化が進められています。これらの試行を通して、子どもたちの数学学習を向上させるための知見を得ることを目指しています。.

---