生成型人工知能（genAI、ここでは単にAI）は、教育の議論に登場してきました。多くの場合、壮大な約束とともに、時には終末論的な恐怖とともに。現在、幅広い、しかし異質な経験的基盤が存在しています。メタ分析では、ChatGPTのようなAIチャットボットが学習パフォーマンス、モチベーション、高等思考に有意にプラスの影響を与えることが報告されていますが、非常に異なる条件下で、時には疑問のある研究デザインで、主に年長の生徒や大学生を対象とした研究を通じて行われています（Alemdag、2025年; Deng et al.、2025年; Wang＆Fan、2025年; Wu＆Yu、2024年; Zheng et al.、2023年）。したがって、問題は、これらのプラスの効果を達成できるかどうかではなく、どのように達成できるかです。もちろん、ChatGPTや同様の技術は、学習支援の分野での成功が保証されているわけではなく、教育的に使用できるツールだからです。.
そのため、著者らは、時折観察される「AIによる学習効果」をAI技術そのものの特性と誤解し、その根底にある学習環境や教育的事前構造化について問うべきではないと警告している（Dinsmore & Fryer, 2026; Kirschner, 2025）。要約すると、 AI は学習を効果的にサポートできますが、それは教育的に適切な方法で設計および統合されている場合に限られます。. しかし、学習をサポートするのではなく、学習に取って代わったり、学習を妨げたりすると、意味がなくなる可能性があります。.
ここで私が探求したい質問は次のとおりです。 AI を活用して、パーソナライズされたフィードバックを通じて学習プロセスをサポートするにはどうすればよいでしょうか? 以下では、特に初等教育に焦点を当て、数学学習におけるAI学習コンパニオンとAIチューターの設計原則に関する、実証的かつ理論的に裏付けられた基本的な考察を概説します。これらの考察は、本プロジェクトにおけるアプリ統合型AI支援学習ガイダンスの開発とテストの基礎となります。 プリマキ.
適応型足場：一時的な解決策ではなく、自己解決のための支援
AI支援学習環境は、単に正解を提供するだけでなく、学習の進捗、誤り、戦略に適応することで、特に学習効果を生み出します。例えば、TALPerの研究では、成績の低い5年生は特に数学の授業で適応型支援の恩恵を受け、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ました（Kuo et al., 2025）。同様に、同等の学習システムは文章題において顕著な成績向上を示し、認識されたメリット、つまり支援の質が学習意欲と学習成果に強い影響を与えました（Liu et al., 2025）。Son（2024）のシステマティックレビューは、適切に設計されたインテリジェントな個別指導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し、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その効果が顕著であることを裏付けています。.
自己調整学習の分野では、静的な支援シーケンスではなく、適応型のAI支援によるスキャフォールディングが自己調整学習プロセスの質を向上させ、「すべての学習者に平等な支援を提供する」という概念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）。新たなマルチエージェントアプローチとLLM-as-Judge（LLMを判断基準とする）手法は、自己評価手順を通じてスキャフォールディングの質と信頼性を向上させ、フィードバック中の幻覚を大幅に軽減できることを示唆しています（Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026）。.
同時に、学習支援を目的としないツールの限界も明らかになりました。練習中にオンデマンドで完全な解答への無制限のアクセスを提供するAIシステムは、短期的にはパフォーマンスを向上させる可能性がありますが、AIが停止すると長期的な学習に悪影響を及ぼす可能性があります（Bastani et al., 2025）。これは「脱スキル化」とも呼ばれ、実際の学習を促進するのではなく阻害し、表面的に学習しているという錯覚を抱かせるだけです。AIベースの個別指導システムの学習分析では、学習者の中には、タスクに真剣に取り組むことなく「クリックスルー」しようとする者もいることが示されています（Jancafik et al., 2023）。表面的な学習を防ぎ、より深く理解を深める学習を可能にするためには、AIフィードバックの適切な事前構造化と設計を通じて、このような問題を可能な限り防ぐ必要があります。.
結論: AI 学習コンパニオンは主に次のことを行う必要があります。
- トピックに関する科目固有の教育的背景情報に基づいて誤りや誤解を診断し、それに応じて適応します。 注記 与える（Bewersdorff et al., 2023）、,
- 完成した結果を提供するのではなく、戦略の変更を奨励し、独立した問題解決のための有益なガイダンスを提供します。,
- サポートは適度な量で提供し、時間の経過とともに段階的に提供を減らし（フェードアウト）、必要に応じて、生徒が依存しすぎるようになった場合（つまり、ヒントを要求しすぎる場合）はサポートを「中止」します。
- 質問したり、過去の学習成果を参照したりすることで、子どもたちが自主的に問題を解決する能力を強化し、表面的な問題解決を防ぐ仕組みを実装します。.
- 個別化: 生徒に過度な課題を与えたり、課題が足りなかったりすることを避けるために、能力レベルに合わせて課題の形式を調整します (Son、2024)。.
優れた AI チューターは独立した思考を奨励します。
学習における大規模言語モデル（LLM）に関する研究は、思考と説明の順序が重要であることを示唆しています。AIによるフィードバックは、学習者が初めて自ら問題解決を試みる際に特に効果的です（Kumar et al., 2023）。このような状況では、LLMによる説明が稀に誤りであっても、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（Kumar et al., 2023）。介入が早すぎるシステム（「リアクティブフィードバック」）は、メタ認知プロセスを抑制する危険性があります（Chudziak & Kostka, 2025）。さらに、人間の思考とAIによるサポートを組み合わせたハイブリッドインテリジェンスモデルは、純粋なAIソリューションよりも優れた結果と低い認知負荷をもたらすことがよくあります（Cosentino et al., 2025）。.
これは、genAIがしばしばユーザーの思考を「近道」に誘導するという学習心理学の批判に対応する。解決策を直接利用することで労力は節約できるものの、堅牢な知識構造を構築することはほとんどできない（Gisiger, 2025; Dinsmore & Fryer, 2026）。AIの実践に関する研究では、AIが練習中に完全な解決策を提示した場合、AIが段階的なヒントのみを提供するように制御されない限り、長期的な学習成果はAIがない場合よりも悪くなることが示されている（Bastani et al., 2025）。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において、「直接的な回答よりも誘導された発見」、つまり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る。.
実際の個別指導における対話の分析からも、学習者の積極的な参加を伴わない単なる指導では、建設的な学習はほとんど生み出されないことが示されています。小学生は的を絞ったインタラクティブな質問には積極的に反応しますが、個別指導者が独り言を言い、解決に焦点を絞った質問には消極的になります（Wang et al., 2025）。Ruan et al. (2020) は、物語ベースのチャットボット個別指導に関する研究で同様の知見を示しており、学習効果は、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場合に主に達成されたことを示しています。.
結論: 数学の授業における AI 学習コンパニオンは、一貫して「まずあなた、それから私」という原則に従って機能する必要があります。„
つまり、次のようになります。
- まず、 解決策への独自の試み 要求した。.
- AI は、リクエストに応じて、またはエラーが発生した場合に自動的に必要な場合にのみ機能し、アイデア、サブ戦略、および観察を求めます。.
- 説明は 既存の理解の基盤に「ドッキング」„「」。.
- 完全なモデルソリューションは例外として残し、主要な学習形式としてではなく、反映ツールとして使用する必要があります。.
- 学習者は、AI の応答を批判的に検討することが推奨されます。これは、AI の発言の誤りを検出するなど、子供たちが小学校の早い段階から実践できるスキルです (Helal 他、2024)。.
健全な教育的基礎がなければ、AI チューターは「言語的に才能のある乱数ジェネレーター」になってしまいます。„
生成AIは言語的および形式的に優れた結果を生み出すことができるが、具体的に制御されておらず、出力が教科教授法の原則に従って事前に組み立てられていない場合、教科教授法の観点からは表面的で問題指向の乏しいタスクを生成することが多い（Schneider, 2025）。数学教育におけるAIに関する文献レビューでは、視覚化、個別化、問題解決の可能性を強調している一方で、多くのシステムの理論的根拠が脆弱であったり、過度に具体的でないことも指摘されている。これはおそらく、システムが教科教授法の問題に特に最適化されていないためと考えられる（Almheiri et al., 2025; Awang et al., 2024; Holmes & Tuomi, 2022; Pesemowo & Adewuyi, 2024）。Cárdenas et al. (2025)による体系的な分析では、理論的枠組みの欠如が効果的なAI指導システムの主要な障害の1つであると特定されている。 ChatTutorのような成功したシステムや特定のフレームワークは、社会認知理論やエビデンス中心設計（Cohn et al., 2025; Dwivedi & Rejina, 2025）といった教育理論に明確に基づいています。AIを単なる技術的な「付加物」と見なすだけでは不十分です。.
したがって、理論主導型の個別指導システムは重要です。生成学習理論（Generative Learning Theory）に基づくMakranskyら（2024）の研究では、教授法に特化したモデルは、一般的なLLMや従来の指導よりも概念的知識、自信、そして学習の楽しさを著しく促進し、これらの効果はその後も安定していることが示されています。GoogleのLearnLMなど、学習個別指導に特化したモデルにも同じことが当てはまります。GeoGebraとAI支援環境に関する研究は、概念理解と自己効力感は、単に「テクノロジーを上乗せする」のではなく、学習内容と科目固有の教授法がシステム設計に明確に組み込まれた場合にのみ向上することを明確に示しています（Cononigo, 2024; Kortenkamp, 2024）。.
Cohnら（2025）は、LLMベースの教育エージェントにおける適応的足場の枠組みにおいて重要な貢献を果たしました。この枠組みは、エビデンス中心設計と社会認知理論を融合させたものです。この理論に基づいたアプローチは、質の高い形成的評価とインタラクションを可能にします。.
結論： AI チューターには、プロンプトのコンテキストとして、または科目固有の教訓的な知識を伴う特別なフォローアップ トレーニングとして、広範なコンテンツ固有の知識が必要です。たとえば、次のようになります。
- 数学モデル 能力開発 コンテンツエリアについては、,
- エラーと戦略の分類, 典型的な学生の進路と間違いを描写した図（Nauryzbayev et al., 2023）,
- 明確なルールとガイドライン、, どの形式のサポートがどの学習段階で役立ちますか? は、,
- AIが日常的なスキル（例えば計算能力）や概念理解を促進するためにアプローチを調整するために、誤解を明確に理解し認識することは非常に重要です。これは、例えば、生成AIが適切に応答し、無限ループを回避できるように、学習履歴を埋め込むことも意味します。.
メタ認知、自己調整学習、そして「教えられるエージェント」：自分の思考を映し出す鏡としての教師
チャットボットと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、問題解決における計画、監視、そして内省のプロセスを促進することもできます。ただし、そのように設計されている場合に限られます。Wuら (2025) によるメタ分析では、チャットボットの基盤が自己調整学習モデルとリンクされている場合、チャットボットは自己調整学習を技術的、社会的、そして内省的に支援できることが示されています。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（モチベーションとエンゲージメントの重要な要素）を満たすことができることを確認しています。.
いわゆるティーチャブルエージェントに関する研究では、学習者がAI支援システムを学習仲間、モデレーター、そして協力的な問題解決者として認識できることが示されています（Song et al., 2024）。同時に、現在の多くの生成AIシステムは、具体的なプロンプトや再訓練なしには、計画、戦略選択、そして内省を促すといった重要なチュートリアルの役割をまだ確実に果たしておらず、規範的なスタイルに傾倒していることも明らかになっています（Chudziak & Kostka, 2025; Contel & Cusi, 2025）。これは、受動的なフィードバックを超えた、能動的なメタ認知的足場の必要性を強調しています。.
結論: AI 学習コンパニオンは、メタ認知学習パートナーとして明示的に設計できます。
- 講師は、「何に気づきましたか？」「どのような戦略を試しましたか？」「なぜそれが効果的だと思いますか？」などの質問をします。.
- 間違いを振り返ることを促します (「以前のどのようなアイデアがここで役立つでしょうか?」)。.
- ティーチバック- 適切な場所に要素を組み込むことができます。たとえば、子供が理解した内容を AI に説明し、AI がそれを返す、などです。.
„「人間が関与する」：完全自動化ソリューションではなくハイブリッドアプローチ
現在のAIツールに共通する欠点は、教師の関与の欠如です（Guerino et al., 2023）。AIは教室において「ブラックボックス」になってはなりません。最も効果的なシナリオは、AIが教師のタスクの一部（例えば、自動微分化やリアルタイム分析など）を軽減し、教育的インタラクションに多くの時間を割けるようにすることです（Wezendonk & Veldhuis, 2024; Gonnermann-Müller et al., 2025）。（数学）教育におけるAIに関するレビューでは、AIシステムはフィードバックループとして理解されるべきであり、データ収集、パターン認識、そして適応的支援は常に人間の判断によって枠組みが定められるべきであることが強調されています（Holmes & Tuomi, 2022; Ninaus & Sailer, 2022）。 AIは学習プロセスをサポートできますが、教育の専門性や教師の責任に取って代わることはできません（Aru & Laak、2025年、Aufenanger、2023年、Buchholtz他、2024年）。.
Kaliisa et al. (2025) によるメタ分析では、AIによるフィードバックは人間のフィードバックに劣らない効果を持つものの、体系的に優れているわけではないことが示されています。主に言語学分野の研究において、信頼性が高く、直接的でアクセスしやすいAIによるフィードバックと、人間の教師によるフレーム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が特に有望視されています。Cosentino et al. (2025) は、身体化された学習環境における生成AIに関する研究において、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、差別化された情報処理戦略をサポートする可能性があることを実証しています。.
ハイブリッドシステムに関するさらなる研究もこれを裏付けています。例えば、CoPilotは人間の教師をリアルタイムでサポートし、低学年の生徒の数学学習成果を大幅に向上させます。特に、教師が専門分野外の指導を行っているなど、通常ではフィードバックが不十分な場合に顕著です（Wang et al., 2024）。Kestin et al. (2025)は、アクティブラーニングの教授法の原理に基づくAIチューターは、特定の段階において、対面授業に取って代わることなく、非常に質の高い対面授業を充実させることができると指摘しています。小学校における効果的な統合は、教師の姿勢、利用可能なテクノロジー、そして保護者や学校関係者の関与に大きく依存します（KMK, 2024; Li, 2024）。.
しかし、AI個別指導システムの設計と活用における教師の関与は、依然として不十分であることが多い。Guerinoら（2023）とWezendonkとVeldhuis（2024）は、AIを単なる付加物として扱うことを避け、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応じたAIリテラシープログラムが必要であると強調している。.
結論: AI学習コンパニオンは最初から次のように設計されるべきである。 教師向けのツールとサポート 考えられること：
- フィードバックの生成は、科目固有の教育情報に基づいて行う必要があり、偶然に任せてはなりません。.
- 透明性: 教師は、生徒の現状と AI がどのような支援を提供したかを確認するためのダッシュボードが必要です。.
- AIは課題を提案したり、サポートを提供したり、診断を行ったりすることができますが、最終的な決定権は教師にあります。教師はAIによる支援の質を評価し、AIベースの学習サポートを統合するかどうか、またどのように統合するか、そしてどの領域でサポートが効果的かを決定します。問題解決中の課題レベルでサポートを提供する「マイクロディダクティック」の領域は特に有望です。なぜなら、教師は重要な場面で直接的なサポートを提供できない、あるいは不十分なサポートしか提供できないことが多いからです。.
- AIの統合と活用（AIリテラシー）に関する専門能力開発と研修は、責任ある利用の前提条件（Holmes et al., 2018; KMK, 2024; Wang & Nie, 2023）であり、教員研修と専門能力開発に組み込む必要があります。これは、技術に関する知識だけでなく、機会とリスクの両方に対処する教育的側面も含む必要があります。.
動機と感情：共感的なパートナーとしての家庭教師
最近のレビューでは、感情的側面の役割が強調されています。ソーシャルロボット、ストーリーテリング、ゲーミフィケーションを活用したAIシステムは、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ます（Guo et al., 2025; Vitale & Iacono, 2024）。特に、物語や遊び心のある要素は、退屈な練習セッション中でもモチベーションを維持するのに役立ちます（「学生のエンゲージメントを高める…」、2022年）。助けを求めることに関する研究では、学習者は、助けを求めることが人目に触れる、地位を脅かす、または恥ずかしいと認識されると、助けを求めることを避けることが示されています。つまり、恥、評価への恐怖、そして「面子の喪失」は、子供たちが授業中に質問をすることを妨げます。AIシステムは、助けを求めることによる社会的コストやスティグマのリスクを冒すことなく、辛抱強く個人的に助けとフィードバックを提供するため、この点で教師のサポートを効果的に補完することができます（Aleven et al., 2016）。.
結論AI 学習サポートは、メタ認知と動機付けのパートナーとなる必要があります。
- 関係構築: フレンドリーでパーソナライズされたアバターや物語の使用 (Ruan et al.、2020)。.
- 成長志向のフィードバック: 努力を称賛するフィードバックを提供し、間違いを学習の機会と捉える（成長マインドセット）。.
- 反省を促す「どうやってそれを思いついたの？」のような質問は、自分の学習についての反省（メタ認知）を促します。.
倫理的側面：AIがしてはいけないこと!
倫理的な問題は、genAIを用いた学習、特に子供が関わる学習において、根底を成すものです。Holmesら（2021）は、データ保護に加え、公平性、透明性、主体性、教育的責任といった側面を網羅する、教育におけるAI活用のための倫理的枠組みを共同で構築することを求めています。教育文化大臣常任会議（KMK, 2024）は、基礎スキル、インクルージョン、機会均等、そしてデータ保護に準拠した年齢に応じたソリューションに焦点を当て、初等教育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活用を明確に推奨しています。AIと人間の繁栄に関するスコープレビューによると、これまでの研究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、倫理的、メタ認知的、そして教師関連の観点はまだ十分に研究されていないことが示されています（Fock & Siller, 2025）。.
Almheiri et al. (2025) と Cárdenas et al. (2025) は、体系的レビューにおいて、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ます。さらに、AIの頻繁な使用は、特にAIが主に解答提供機械として使用される場合に、批判的思考力の低下と関連する可能性があることが研究で示されています (Gerlich, 2025)。法学修士課程（LLM）を用いた心理プロファイリングに関する研究は、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示しており、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ます (Rosenfelder et al., 2025)。したがって、AIツールの教育的事前構造化と規制は、特に低年齢の子供たちにとって極めて重要です。.
Gulzら（2021）はまた、特別なニーズを持つ学習者を差別することなく、適応性と包括的な教育法を組み合わせる必要性を強調しています。これはしばしば無視される重要な側面です。.
結論: 数学の授業における責任ある AI 学習ファシリテーターは、次のことを行う必要があります。
- データ節約 心理プロファイリングを回避するには、たとえば、データをデバイス上またはデータ保護されたインフラストラクチャ内で一貫して処理し、AI の評価を個人データから分離し、個人データは最小限に制限する必要があります。
- バリアフリーであること多様な学習ニーズに合わせてマルチモーダルインタラクション（言語、テキスト、画像）を活用し（Hocine et al., 2023）、設計プロセスで恵まれない学習者を特に考慮することで機会均等を促進します。.
- 少なくとも基本的な機能を説明すると、,
- 学生たちは 批評的なレビュー AI の反応を刺激する (Kortenkamp、2024)、,
- 学習者をコントロールするのではなく、 自立の強化.
- 教育的に事前に構造化され、管理される。.
PRIMA-AI プロジェクトでは、幼児における生成 AI の使用を目的とした SKILL フレームワーク モデルが開発されました。このモデルは、使用されるシステムのオープン性と事前構造化の性質を AI を扱う能力に結び付け、AI の使用設計に重要なガイドラインを提供できます。.
AIは数学的発見の代替ではなく、私たち自身の数学的発見の触媒として
AIは、子どもたちをただ画面を見つめさせるべきではなく、またそうであってはなりません。タンジブルインターフェースとソーシャルロボットに関する研究は、AIが現実世界におけるインタラクションも刺激できることを示唆しています（Ligthart et al., 2023）。AIは数学的活動の触媒として機能するべきです。例えば、触覚的な素材を用いて作成できるパターンを発見するなどです。現在、初等教育に関する研究は中等教育や高等教育に関する研究に比べて大幅に少ないものの、既存の研究結果は慎重ながらも楽観的な見通しを示しています。学習環境が適切に設計されていれば、子どもたちはgenAIの学習から恩恵を受けることができます（Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow & Coles, 2024; Yim & Su, 2025）。いくつかの例を挙げます。
- 小学生は、分類やバイアスといったAIの重要な概念を、プロジェクト型、いわゆる「アンプラグド」、あるいは遊び心のある環境で学ぶことで理解することができます（Yim & Su, 2025; Mott et al., 2023）。このような理解は、子どもたちがAI学習の仲間という枠組みとどのように関わっていくかを批判的に評価するために重要であり、また、すべての支援が必ずしも正しいわけではないことを理解するためにも重要です。.
- AI 対応のオブジェクト認識 (例: キュイゼネール ロッド) 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付けるのに役立ちます (Rumbelow & Coles、2024)。.
- AIトレーニングは特に算数の流暢性を向上させることができますが、算数が苦手な子どもの場合は、他の形式の練習と慎重に組み合わせる必要があります（Samuelsson, 2023）。Samuelssonは、AIを活用した練習は、暗記ベースのアプローチのみよりも流暢性の向上に効果があることを示しています。.
- ChatGPTや類似のシステムは、小学校における問題解決、幾何学課題、代数学をサポートする可能性を示していますが、教師による質の高いプロンプトと科目固有のフィルタリングが必要です（Harahap、2024年、Listyaningrum他、2024年、Schneider、2025年）。.
- ディスカリキュリアの児童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ます (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します。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学習意欲と学習成果を促進できることを示しています。Sayed et al. (2022) は、適応型の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学習成績に顕著な改善が見られることを確認しています。.
結論: 小学校では、AI学習仲間は主に次のような役割を果たすべきです。 豊かな数学活動への刺激 これらは「素早く解決策にたどり着く」ためのツールとして利用されるべきではありません。中心的な課題は、子どもたちが数学的な記述（AIによる記述も含む）を批判的に検証し、正当化し、議論できるようにすることです（Kortenkamp, 2024; Aufenanger, 2023）。.
結論：科目別の教授法の観点から数学授業のためのAIベースの学習支援を設計する
現在の研究状況とこれまでの検討に基づいて、AI チューターの設計に関する次の指針を策定することができます。
- 応答的ではなく適応的: 優れた AI チューターは、パターンとエラーを認識し、慎重な支援を提供し、解決策を提供することを控えます (Bastani 他、2025 年、Bewersdorff 他、2023 年、Kuo 他、2025 年、Son、2024 年)。.
- 説明する前に考えましょう: これらは、説明やフィードバックが続く前に、学習者がまず自ら積極的になるように設計されています (Gisiger、2025; Kumar et al.、2023)。.
- 科目固有の教訓的洞察を基礎として: これらは、本質的に備わっている言語的妥当性だけでなく、数学学習の明示的なモデルに基づいています (Cohn et al., 2025; Cononigo, 2024; Holmes & Tuomi, 2022; Makransky et al., 2024)。.
- メタ認知パートナー: これらは、単なるタスクの完了ではなく、計画、監視、および反映を促進します (Wu et al.、2025; Song et al.、2024)。.
- 孤立するのではなく、一緒に： これらは教師に代わるものではなく、教師をサポートするものであり、教師が学習プロセスにおいてすべての子どもをサポートできない学習段階において、人間中心の環境で最も効果的に機能します (Holmes et al., 2018; Ninaus & Sailer, 2022; Wang et al., 2024; Wezendonk & Veldhuis, 2024)。.
- 倫理的に正当化可能: これらは、データ保護、公平性、アクセシビリティ、および過度の安心感による認知「低下」のリスクを考慮に入れています（Holmes et al.、2021; Fock & Siller、2025; Gerlich、2025; KMK、2024）。.
- オープンではなく事前構造化特に低年齢の子どもの場合、子どもはまだ学習支援として AI を独立して使用できないことが多いため、学習支援としての AI を（アプリまたは学習環境に）統合し、教育的に事前構成され、制御された形で統合することが必要である (Gulz 他、2021)。.
指導原則に基づいて生成AI学習支援を設計し、さらに研究すれば、それは教育の代替ではなく、 教授レパートリーの潜在的な拡大と、より個別化されたフィードバックと足場作りのためのツール, 特に初等教育において、これらの原則を具体的かつ実証的に検証された小学校算数指導の設計へと落とし込むことが、今後数年間の課題となるでしょう。PRIMA-AIプロジェクトでは、AIチューターのための基本原則に基づき、アプリ統合型AI学習支援ツールの開発が現在進められています。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。.
文学
Alemdag, E. (2025). チャットボットの学習への影響：実証研究のメタ分析. 教育におけるテクノロジー研究ジャーナル, 57(2), 459–481. https://doi.org/10.1080/15391523.2023.2255698
Aleven, V., Roll, I., McLaren, BM, & Koedinger, KR (2016). 「助けは役に立つが、限界がある：インテリジェント・チュータリング・システムを用いた助けを求めることに関する研究」International Journal of Artificial Intelligence in Education, 26(1), 205-223. https://doi.org/10.1007/s40593-015-0089-1
Almheiri, ASB, Albastaki, H., Alrashdan, H. (2025). 教育におけるAIベースの個別指導システム. 計算知能とロボティクスの進歩に関する書籍シリーズ, 、185–210. https://doi.org/10.4018/979-8-3373-0847-0.ch007
Aru, J., & Laak, K.-J. (2025). 教育のためのAIベースの一般パーソナルチューターの開発. 認知科学の動向, 29(11), 957–960. https://doi.org/10.1016/j.tics.2025.09.010
Aufenanger, S., Herzig, B., & Schiefner-Rohs, M. (2023). 人工知能と学校：教育課題と学校組織．C. de Witt, C. Gloerfeld, & S. E. Wrede (編), 教育における人工知能 （199-218ページ）。スプリンガー・ファクメディアン。 https://doi.org/10.1007/978-3-658-40079-8_10
Awang, L.A., Yusop, FD, & Danaee, M. (2025). 数学教育における人工知能の現状と将来の方向性：系統的レビュー. 国際数学教育電子ジャーナル, 20(2), em0823. https://doi.org/10.29333/iejme/16006
Bach, KM, Reinhold, F., & Hofer, S. (2025). 低所得層の生徒の数学の潜在能力を引き出す ― 学習パフォーマンス向上のための指導法の活用. npj Science of Learning, 10(1).
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). ガードレールのない生成AIは学習に悪影響を与える可能性がある：高校数学からの証拠. 米国科学アカデミー紀要, 122(26), 2422633122.
Bewersdorff, A., Seßler, K., Baur, A., Kasneci, E., & Nerdel, C. (2023). 人工知能と大規模言語モデルを用いた実験における学生の誤り評価：人間の評価者との比較研究. コンピュータと教育：人工知能, 5, 100177. https://doi.org/10.1016/j.caeai.2023.100177
Buchholtz, N., Schorcht, S., Baumanns, L., Huget, J., Noster, N., Rott, B., Siller, H.-S., & Sommerhoff, D. (2024). 誰も予想していなかった！数学教育におけるAI技術の影響と研究ニーズに関する6つの指針。. 数学教授学会通信, 117.
Canonigo, A.M. (2024). AIを活用して生徒の数学に対する概念理解と自信を高める. コンピュータ支援学習ジャーナル, 40(6), 3215–3229. https://doi.org/10.1111/jcal.13065
Cárdenas, R., Vásquez, HGE, Gamboa, DAP, Arteaga-Arcentales, E., & Carrera, JEM (2025). AIを活用した適応型学習システムとその教育現場への導入に関する体系的な文献レビュー. 国際革新研究科学ジャーナル, 8(4), 832–842. https://doi.org/10.53894/ijirss.v8i4.7961
Chudziak, JA, & Kostka, A. (2025). AIを活用した数学個別指導：個別化・適応型教育のためのプラットフォーム. コンピュータサイエンスの講義ノート, 、462–469. https://doi.org/10.1007/978-3-031-98465-5_58
Cohn, C., Rayala, S., Srivastava, N., Fonteles, J., Jain, S., Luo, X., Mereddy, D., Mohammed, N., & Biswas, G. (2025). LLMベースの教育エージェントのための適応型足場理論. arXiv. https://doi.org/10.48550/arxiv.2508.01503
Contel, F., Cusi, A. (2025). 問題解決活動におけるメタ認知プロセス支援におけるChatGPTの役割の調査. 数学教育におけるデジタル体験, 11(1), 167–191. https://doi.org/10.1007/s40751-024-00164-7
Cosentino, G.、Anton, J.、Sharma, K.、Gelsomini, M.、Giannakos, M.N.、および Abrahamson, D. (2025)。教育フィードバックのための生成 AI とマルチモーダル データ: 身体化された数学学習からの洞察。. 英国教育技術ジャーナル. https://doi.org/10.1111/bjet.13587
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). ChatGPTは学生の学習を向上させるか？実験研究の系統的レビューとメタ分析。. コンピュータと教育, 227, 105224. https://doi.org/10.1016/j.compedu.2024.105224
Dinsmore, D.L., Fryer, L.K. (2026). 現在のgenAIは学生の学習にとって実際に何を意味するのか？ 学習と個人差, 125, 102834. https://doi.org/10.1016/j.lindif.2025.102834
Fock, A., Siller, H.-S. (2025). 人間の繁栄の観点から見た中等STEM教育における生成型人工知能：文献レビュー. リサーチスクエア. https://doi.org/10.21203/rs.3.rs-6923010/v1
ゲルリッヒ, M. (2025). 社会におけるAIツール：認知的オフロードと批判的思考の未来への影響. 社会, 15(1), 6. https://doi.org/10.3390/soc15010006
ギシガー, M. (2025年4月17日). 学習における人工知能の役割 ― 機会とリスク. マイケル・ギシガー. https://text.tchncs.de/gisiger/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken
Gonnermann-Müller, J., Haase, J., Fackeldey, K., & Pokutta, S. (2025). FACET: 教師中心のLLMベースマルチエージェントシステム ― 個別化された教育ワークシートに向けて. arXiv. https://doi.org/10.48550/arxiv.2508.11401
ゲリーノ、G.、チャルコ、GC、ヴェローソ、TE、オリベイラ、L.、ペーニャ、RSD、メロ、RF、ヴィエイラ、T.、マリーニョ、MLM、マカリオ、V.、ビッテンコート、II、磯谷、S.、デルメヴァル、D. (2023)。教師中心のインテリジェント個別指導システム: ブラジルの公立学校教師による設計上の考慮事項。. XXXIV ブラジル教育情報センター. https://doi.org/10.5753/sbie.2023.235159
Gulz, A., & Haake, M. (2021). 取り残される子どもも、孤立させられる子どももいない：幼児算数ソフトウェアにおいて、適応型指導とインクルーシブ教育を組み合わせることは可能か？ SN社会科学, 1, 205. https://doi.org/10.1007/s43545-021-00205-7
Guo, J., Ma, Y., Jang, H., Li, T., Wu, J., Huang, D., Han, F., Noetel, M., Liao, K., Tang, X., & Kui, X. (2025). 人工知能が小学生の学習意欲と学習意欲に与える影響：系統的レビュー. PsyArXiv. https://doi.org/10.31234/osf.io/ecspn_v1
Harahap, R. (2024). 数学教育の向上におけるChatGPTの役割：系統的レビュー. ベトナム科学技術アカデミー年報, 28(2s), 511–524. https://doi.org/10.52783/anvi.v28.2753
Hocine, N., Moussa, MBO, & Ali, S.A. (2023). Posicalculia: 学習障害のある子どものための適応型仮想環境. IEEE INSTA 2023. https://doi.org/10.1109/inista59065.2023.10310592
Holmes, V.M. (2024). 失読症、書字障害、算数障害のある児童のためのAI算数チューターの設計. https://doi.org/10.58445/rars.2035
ホームズ、W.、ビアリク、M.、ファデル、C.（2019）。. 教育における人工知能：教育と学習への期待と影響. カリキュラム再設計センター。.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S., Santos, OC, Rodrigo, M., Cukurova, M., Bittencourt, I., & Koedinger, K. (2021). 教育におけるAI倫理：コミュニティ全体にわたる枠組みに向けて. 国際人工知能教育ジャーナル, 32, 504–526. https://doi.org/10.1007/s40593-021-00239-1
ホームズ, W., トゥオミ, I. (2022). 教育におけるAIの最新動向と実践. ヨーロッパ教育ジャーナル, 57(4), 542–570. https://doi.org/10.1111/ejed.12533
Hwang, S. (2022). 人工知能が小学生の数学の成績に及ぼす影響の検証：メタ分析. 持続可能性, 14(20), 13185. https://doi.org/10.3390/su142013185
Jančařík, A.、Michal, J.、Novotna, J. (2023)。 AIチャットボットを使った数学の個別指導。. 教育文化社会ジャーナル, 14(2), 285–296. https://doi.org/10.15503/jecs2023.2.285.296
Kaliisa, R., Misiejuk, K., López-Pernas, S., & Saqr, M. (2025). 人工知能は人間のフィードバックとどのように比較されるか？パフォーマンス、フィードバック知覚、学習傾向に関するメタ分析。. 教育心理学, 、1–32。https://doi.org/10.1080/01443410.2025.2553639
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AIによる個別指導は教室での能動的な学習よりも優れている：実際の教育現場で新しい研究に基づくデザインを導入したRCT. サイエンティフィック・リポーツ, 15(1), 17458. https://doi.org/10.1038/s41598-025-97652-6
KirschnerED (2025年8月15日). 教育におけるChatGPT：原因の探求における効果？ https://www.kirschnered.nl/2025/08/15/chatgpt-in-education-an-effect-in-search-of-a-cause/
KMK（2024）。. 学校教育プロセスにおける人工知能の取り扱いに関する教育当局への勧告. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf
Kortenkamp, U. (2024). 人類はどれだけの数学を必要とするのか？ AIに直面した中核的な数学的能力. https://doi.org/10.20378/irb-104036
Kumar, H., Rothschild, DM, Goldstein, DG, & Hofman, JM (2023). 大規模言語モデルを用いた数学教育：危険か期待か？ (SSRN学術論文番号4641653). 社会科学研究ネットワーク. https://doi.org/10.2139/ssrn.4641653
Kuo, B.-C., Bai, Z.-E., & Lin, C.-H. (2026). 小学校における算数問題解決のためのAI学習コンパニオンの開発. コンピュータと教育, 240, 105463. https://doi.org/10.1016/j.compedu.2025.105463
Li, M. (2024). 初等数学教育への人工知能の統合：教師の採用に対する内的および外的影響の調査. 国際科学数学教育ジャーナル. https://doi.org/10.1007/s10763-024-10515-w
Ligthart, MEU, de Droog, SM, Bossema, M., Elloumi, L., Hoogland, K., Smakman, MHJ, Hindriks, KV, & Ben Allouch, S. (2023). ソーシャルロボット数学チューターの設計仕様. G. Castellano, L. Riek, M. Cakmak, & J. Leite (編), Proceedings of the 2023 ACM/IEEE International Conference on Human-Robot Interaction (pp. 321–330). ACM/IEEE. https://doi.org/10.1145/3568162.3576957
Listyaningrum, P., Retnawati, H., Harun, H., & Ibda, H. (2024). 小学校の算数学習におけるChatGPTを用いたデジタル学習：系統的文献レビュー. インドネシア電気工学・コンピュータサイエンスジャーナル, 36(3), 1701–1710. https://doi.org/10.11591/ijeecs.v36.i3.pp1701-1710
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, PLH (2025). 小学校における算数の文章題解決のための生成型AI学習環境の設計：学習成果、態度、相互作用。. コンピュータと教育：人工知能, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438
Makransky, G., Shiwalia, BM, Herlau, T., Blurton, S. (2024). 「驚き」の要素を超えて：生成的意味生成を向上させるための生成AIの活用. レビュー. https://doi.org/10.21203/rs.3.rs-5622133/v1
Mott, B., Gupta, A., Glazewski, K., Ottenbreit-Leftwich, A., Hmelo-Silver, C., Scribner, A., Lee, S., & Lester, J. (2023). 初級AI教育の促進：AIプランニングのための「使用・修正・創造」の段階的構築プロセスの改善. 2023年コンピュータサイエンス教育におけるイノベーションとテクノロジーに関する会議議事録 V.2, 、647。https://doi.org/10.1145/3587103.3594170
Ninaus, M., & Sailer, M. (2022). ループを閉じる ― 教育における人工知能における人間の役割. 心理学のフロンティア, 13. https://doi.org/10.3389/fpsyg.2022.956798
Opesemowo, OAG, & Adewuyi, HO (2024). 数学教育における人工知能の体系的レビュー：4IRの出現. ユーラシア数学・科学技術教育ジャーナル, 、20(7)、em2478。 https://doi.org/10.29333/ejmste/14762
Qian, K., Liu, S., Li, T., Raković, M., Li, X., Guan, R., Molenaar, I., Nawaz, S., Swiecki, Z., Yan, L., & Gašević, D. (2026). 信頼性の高い生成型AI駆動型スキャフォールディングに向けて：幻覚の軽減と自己調整学習支援の質の向上. コンピュータと教育, 240, 105448. https://doi.org/10.1016/j.compedu.2025.105448
Rosenfelder, A., Levitin, MD, & Gilead, M. (2025). 社会的超知能に向けて？AIは特別な訓練なしにテキストから様々な心理的特性を推測し、人間の判断を上回る。. 人間の行動におけるコンピュータ：人工人間, 6, 100228. https://doi.org/10.1016/j.chbah.2025.100228
Ruan, S., He, J., Ying, R., Burkle, J., Hakim, D., Wang, A., Yin, Y., Zhou, L., Xu, Q., AbuHashem, AA, Dietz, G., Murnane, EL, Brunskill, E., & Landay, JA (2020). フィードバックを拡張したナラティブテクノロジーによる子どもの算数学習支援. 2020年CHIコンピューティングシステムにおけるヒューマンファクター会議議事録. https://doi.org/10.1145/3392063.3394400
Rumbelow, M., Coles, A. (2024). 数学学習におけるAI物体認識の可能性：6歳児のキュイゼネールロッドとBlockplay.aiアプリとのインタラクションに関する探索的研究. 教育科学, 14(6), 591. https://doi.org/10.3390/educsci14060591
サミュエルソン, J. (2023). 人工知能による算術事実の流暢性のサポート. 教育テクノロジーの最先端, 6(1), 13. https://doi.org/10.22158/fet.v6n1p13
Sayed, W.S., Noeman, A., Abdellatif, A., Abdelrazek, M., Badawy, MG, Hamed, AEA, & El-Tantawy, S. (2022). 効果的で魅力的なeラーニングプラットフォームのための、AIベースの適応型パーソナライズコンテンツ提示と演習ナビゲーション。. マルチメディアツールとアプリケーション, 82(3), 3303–3333. https://doi.org/10.1007/s11042-022-13076-8
Schneider, RJ (n.d.). 授業準備を支援するAIの活用：小学校算数のためのAI生成練習問題は、教科指導の観点からどのように評価できるか？ [未発表原稿].
ソン, T. (2024). 数学教育における人工知能：インテリジェント指導システムに関する体系的な文献レビュー. 数学教育研究ジャーナル, 34(2), 187. https://doi.org/10.29275/jerm.2024.34.2.187
Song, Y., Kim, J., Liu, Z., Li, C., & Xing, W. (2024). 生成型AIを搭載したティーチャブルエージェントに対する生徒の役割、機会、課題の認識：中学校の数学授業を事例として. 教育におけるテクノロジー研究ジャーナル, 、1–19。https://doi.org/10.1080/15391523.2024.2447727
Topkaya, Y., Doğan, Y., Batdı, V., & Aydın, S. (2025). 初等教育における人工知能の応用：定量的裏付けに基づく混合メタ手法研究 [プレプリント]. プレプリント. https://doi.org/10.20944/preprints202501.2263.v1
Vitale, A., Dello Iacono, U. (2024). ソーシャルロボットをインクルーシブ教育技術として活用し、ストーリーテリングを通して数学を学ぶ. European Public & Social Innovation Review, 9, 1–17. https://doi.org/10.31637/epsir-2024-672
Wang, D., Shan, D., Ju, R., Kao, B., Zhang, C., & Chen, G. (2025). AIとシーケンスマイニング技術を用いたK12オンライン個別数学指導における対話的インタラクションの調査. 教育と情報技術, 30(7), 9215–9240. https://doi.org/10.1007/s10639-024-13195-9
Wang, J., Fan, W. (2025). ChatGPTが学生の学習パフォーマンス、学習認識、高次思考に及ぼす影響：メタ分析からの考察。. 人文社会科学コミュニケーション, 12(1), 1–21. https://doi.org/10.1057/s41599-025-04787-y
Wang, L., Nie, Z. (2023). 教師の人工知能リテラシーの観点から見たK-12教育における適応型学習に関する研究：開発、技術、改善戦略。. IEEE CSTE 2023. https://doi.org/10.1109/cste59648.2023.00059
Wang, RE, Ribeiro, AT, Robinson, CD, Loeb, S., & Demszky, D. (2024). Tutor CoPilot: リアルタイム専門知識のスケーリングのための人間とAIのアプローチ. arXiv プレプリント arXiv:2410.03017. https://arxiv.org/abs/2410.03017
Wezendonk, A., & Veldhuis, M. (2024). 適応型空システムと知識分野における基礎学校学習のための教授的解決策. Statistiek における Onderwijs en Praktijk の評価. https://doi.org/10.54657/tops.13844
Wu, R., & Yu, Z. (2024). AIチャットボットは学生の学習成果を向上させるか？メタ分析によるエビデンス. 英国教育技術ジャーナル, 55(1), 10–33. https://doi.org/10.1111/bjet.13334
Wu, X.-Y., Radloff, J., Yeter, I., Wang, L., & Chiu, TKF (2025). ハーバーマスの3つの関心に基づく系統的レビューに基づく自己調整学習のための人工知能チャットボットの設計. インタラクティブな学習環境. https://doi.org/10.1080/10494820.2025.2563086
Yim, IHY, & Su, J. (2025). 小学校における人工知能リテラシー教育：レビュー. 国際技術・デザイン教育ジャーナル. https://doi.org/10.1007/s10798-025-09979-w
Zheng, L., Niu, J., Zhong, L., & Gyasi, J.F. (2023). 人工知能の学習達成度と学習知覚への有効性：メタ分析. インタラクティブな学習環境, 31(9), 5650–5664. https://doi.org/10.1080/10494820.2021.2015693
コメントを残す