フィードバック・リテラシー

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

フィードバック・リテラシー — 学生がフィードバックを理解し、評価し、学びを改善するために行動に移すために必要な能力と性向です。これはフィードバックの提供側に対する学習者側の対応物です。AIフィードバックの質とフィードバックのループがフィードバックのシステムの品質と機構を扱うのに対し、フィードバック・リテラシーは、学習者がフィードバックを求め、それに意味を見出し、判断し、生産的に用いる能力を扱います。

検討すべき問い

よく設計されたフィードバックは、それを解釈し行動に移せる学生にしか助けになりません。二人の学生がまったく同じフィードバックを受け取って学ぶ量が異なるとしたら、その差はどこにあるのでしょうか — そしてそれは学生の責任でしょうか、それともシステムの責任でしょうか。
研究は、フィードバック・リテラシーの強い学生がAIからのフィードバックからより大きな便益を得る一方、リテラシーの弱い学生は最小限、あるいは負の効果さえ示すことを見出しています。学生がそれを使う能力を同時に育てることなく、AIフィードバックをコースに付け加えるだけだとしたら、それは何を示唆しているでしょうか。
フィードバック・リテラシーは、フィードバックを求めること、判断を下すこと、情動を管理すること、そしてフィードバックに行動することを含みます — それを受け取ることだけではありません。あなたが最後に自らフィードバックを求めに行ったのはいつで、それを勇敢だと感じた（あるいは感じなかった）のは何があったからでしょうか。
AIが今や豊富で即時のフィードバックを生成できるなら、ボトルネックはフィードバックの提供から学習者がそれを用いる能力へと移ったのでしょうか。学生のフィードバック・リテラシーを本当の制約として捉えるなら、フィードバックの設計の何が変わるでしょうか。

はじめに

フィードバック・リテラシーが重要なのは、よく設計されたフィードバックがそれを解釈し行動に移せる学生にしか助けにならないからです。AIが生成したフィードバックが正確かどうか評価できない学生、あるいはフィードバックを具体的な改訂に変える方法を知らない学生は、同じフィードバックから、よりフィードバック・リテラシーのある仲間よりもはるかに少なくしか学びません。AIがフィードバックの提供を作り直すにつれて、フィードバック・リテラシーは、AIフィードバックが学習を改善するかどうかの中心的な境界条件となっています。

フィードバック・リテラシーとは何か

フィードバック・リテラシーは広く、相互に関連する能力の集合として捉えられています — すなわちフィードバックを歓迎し、判断を下し、情動を管理し、行動を起こす能力です（Carless & Boudに倣って）。知識ベースの記事は、フィードバック・リテラシーをいくつかの能力の周りに集約しています。

フィードバックを求め引き出すこと — それを待つのではなく、主体的にフィードバックを求めること。
判断を下すこと — AIが生成したものを含め、フィードバックの正確さと有用性を評価すること。
意味づくり — フィードバックを課題の目標や基準との関係で解釈し、改善にとってそれが何を意味するかを理解すること。
情動を管理すること — フィードバックにがっかりしたり過度に舞い上がったりすることなく、生産的に関わること。
フィードバックに行動すること — フィードバックを具体的な改訂やアプローチの変化に翻訳すること（フィードバックのループ、自己調整学習）。
評価的権威を判断すること — AlGhamdi（2026）によって提案されたさらなる能力です。フィードバックを歓迎し、判断を下し、情動を管理し、行動を起こすことに加えて、AIが生成したフィードバックについて推論する学生は、フィードバックの品質を判断することとは別に、どの出典が評価的権威を持つかを判断する必要がありました。参加者にはChatGPTが評定とフィードバックの双方を生成したと伝えられていたため、彼らのフィードバック・リテラシーは内容だけではなく評価の出典と正統性において発揮され、受動的な受容ではなく教員による検証の要求を生み出しました。

フィードバック・リテラシーは研究の中でどう現れるか

AIフィードバックの価値の調整変数としてのフィードバック・リテラシー： Mendoza et al.（2026）は、フィードバック・リテラシーがChatGPTの受容と自己調整学習の間のつながりを調整することを示しています。リテラシーの強い学生はAIフィードバックからより大きなSRLの便益を知覚し、リテラシーの弱い学生は最小限、あるいは負の（過度の依存）効果を示しました。フィードバック・リテラシーは、学生がAIフィードバックを「意味づけられる」かどうかの境界条件です。
生成AIの利用から批判的思考への経路としてのフィードバック・リテラシー： 421人の中国の学部生において、生成AIの利用と自己報告された批判的思考の結びつきは、ほぼ完全に生成AIのフィードバック・リテラシーを通じて生じており（β=0.185、総効果の71.98%）、その経路は省察的思考が高まるにつれて強くなりました（緩和された媒介の指数 = 0.030）（Yan et al.（2026））。
フィードバック・リテラシーはAIに支援された作文からの学習を予測する： Hawkins et al.（2026）は、AIで増強されたエッセイ執筆の課題において、フィードバック・リテラシーがエッセイの成績の唯一の有意な正の予測変数であったことを見出し、Liu & Deris（2025）はAIフィードバック・リテラシー（AIFL）尺度を開発・検証し、それがフィードバックの受け入れを予測することを示しました。
生成AIで可能になったフィードバックへの関与のためのフレームワーク： Zhan, Boud, Dawson & Yan（2025）（BoudとDawsonは第一級のフィードバック・リテラシーの研究者です）は、生成AIが学生のフィードバックへの関与を可能にすると論じ、循環的な自己教育における AI 規制フィードバック・モデルを、求める・処理する・実行するという段階に重ね合わせました。
AIフィードバックは教員の枠づけなしに届く： BrunnströmとPalmqvist（2026）は、応答が対話的に、そして教員の即時の枠づけなしに生成されるため、生成AIがフィードバック・リテラシーをより要求するものにすると論じています。学生はそれらを解釈し、評価し、関わり、使わなければなりません — 応答が抽象的すぎるとき、粘るとき、そして従来の資料に戻るときを決めることも含めて。八往復の実演を通じて、単純化と使える構造は学習者の介入の後にしか現れず、フィードバックへの関与の求める・処理する・実行するという循環を、学生自身が駆動しなければならないものにしています（Zhan, Boud, Dawson & Yanはその循環を生成AIについて描きました。自己調整学習）。
AIに支援された作文とEAPにおけるフィードバック・リテラシー： フィードバック・リテラシーの台本と第二評定者の機構は、作文の改訂中に学生がAIのフィードバックに批判的に関わることを訓練し、改訂を表層的な修正から論証の水準の改善へと移します。
リテラシー形成のための自動フィードバック道具： Tubino & Adachi（2025）は、AIの自動フィードバック道具は、単により多くのフィードバックを提供するためではなく、学生のフィードバック・リテラシーを育てる道具として再位置づけられるべきだと論じています。
ピアフィードバックとフィードバック・リテラシー： Irwin & Muller（2025）は、生成AIをEFLのピアフィードバックの中に位置づけ、話すクラスにおいてフィードバック・リテラシーを訓練し受け入れを可能にし、足場づくりの研究は生成AIと人間のピアを、自己調整されたフィードバックを育てる点で比較します。
フィードバックは、持続的で参照可能なデータとして蓄積される。 ChatGPTを電子ポートフォリオと組み合わせると、話すことの成績とフィードバック・リテラシーが共に向上しました（後者については部分η² = 0.218）。学生が、教員・ピア・AIからの保存されたフィードバックを、一度限りの訂正ではなく、照合すべきデータとして扱ったためです（Laksana et al.（2026））。
ラーニングアナリティクスと生成AIのダッシュボードにおけるフィードバック・リテラシー： Jin et al.（2025）は、学生が生成AIの力で動くラーニングアナリティクスフィードバックを、フィードバック・リテラシーの観点からどう知覚するかを調べます。
AIリテラシーと評価設計の目標としてのフィードバック・リテラシー： Richmond & Nicholls（2025）は、学生がChatGPTの産出をルーブリックに照らして批評するという、成果物よりもプロセスを重視する評価を用いて、フィードバック・心理学的・AIのリテラシーを共に育て、学習者中心のAIフィードバックと配慮のこもったフィードバック設計は、フィードバックの品質を学習者が関わる能力に結びつけます。

フィードバック・リテラシーがなぜ教育におけるAIにとって重要なのか

AIはフィードバックを二つの方向に変え、どちらもフィードバック・リテラシーの重大さを高めます。第一に、AIはフィードバックの量と即時性を劇的に増やし（AIフィードバックの質、フィードバックのループ）、学生は取捨選択し評価しなければならないフィードバックをはるかに多く抱えることになります。第二に、AIが生成するフィードバックは固有のリスク — 不正確さ、幻覚、そして「達したかの錯覚」 — を伴い、それは批判的な評価のスキルと、過度の依存と誤った帰属への警戒を要求します。したがってフィードバック・リテラシーはAIリテラシーの中核的な構成要素となります。AIにフィードバックを促す方法を知っているだけでなく、そのフィードバックが行動に値するかどうかを判断し、それを課題の達成ではなく本物の学習に変える方法を知ることです。

Bearmanと同僚（2026）は、その要求のリストにさらなる項目を加えます。彼らのワークショップ研究において、学生は一つのフィードバックの出典ではなく一つのネットワークを管理していました。彼らは教育者のコメントをAIの産出、ルーブリック、コース資料、そしてピアと突き合わせ、人間のフィードバックが遅いときはつなぎの手立てとしてAIと働き続け、もしそれが誤った方向に導いたなら後から改訂しました。著者らは、学生が細かな課題からより広い軌跡までそれらの関係を管理することによって、自らを「人間がループである」状態にできると示唆します。これはそれ自体がフィードバック・リテラシーの能力です。彼らの警告は、学生を検証されていない出典へと追いやるのは、薄いあるいは遅い教育者のコメントだということです。

メタデータ

分野	Writing Education
学習と教授	自己調整学習
評価と測定	AIフィードバックの質, フィードバック, フィードバック・リテラシー, 形成的評価, 相互評価
教育におけるAIの基礎	AIリテラシー

Source History Edit Chat

フィードバック・リテラシー

検討すべき問い

はじめに

フィードバック・リテラシーとは何か

フィードバック・リテラシーは研究の中でどう現れるか

フィードバック・リテラシーがなぜ教育におけるAIにとって重要なのか

関連概念とのつながり

関連概念

関連記事

関連するFAQ

メタデータ

このページを埋め込む