AIEdナレッジベースAIEd KB
このページの内容

このページを英語で読む

概念

形成的評価

作成日 2026-10-10 · 更新日 2026-10-10

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。

形成的評価 — 進行中の教授と学習に情報を提供するために設計された評価であり、総括的な判定とは対照的です。AI教育において、形成的評価はAIによって変容すると同時にAIにとって不可欠です。AIシステムは形成的な設問とフィードバックを大規模に生成・検証・適応化でき、一方で形成的フィードバックは、AIチューターと適応的システムが学習を支える主要な機構です。知識ベースの研究は、AIが生成する形成的設問、AIが生成するフィードバック、そしてそれらのシステムの設計と評価を調べます。

検討すべき問い

  • 形成的評価はループを閉じること — 学習がまだ進行中である間に、学生の知らないことを浮かび上がらせ、行動に移せるフィードバックを与えること — を目的としています。それは総括的な判定と根本的にどう異なり、実際にはいつ両者が混同されるでしょうか。
  • AIは検証可能な次元において印象的な精度で多肢選択問題を生成できますが、教授上の判断の次元では最も弱いです。正解に強くても教育学的判断に弱い機械は、何を任され、何を人間が担い続けるべきでしょうか。
  • AIが生成するフィードバックは、学生が実際にそれを遂行するときにしか助けになりません — 「遂行されたフィードバック」の条件、すなわち学生が提案を選択・評価・適用する条件は、単にフィードバックを与えられるだけの場合を上回りました。遂行がフィードバックそのものよりも重要なら、形成的フィードバックの設計についてそれは何を意味するでしょうか。
  • フィードバックは情報の伝達ではなく、倫理的で関係的な実践として記述されます。形成的評価が「AIの粗製品」として量産されるとき、何が失われるでしょうか — そして人間が用意するコメント集と関係的な配慮は何を保てるでしょうか。

はじめに

形成的評価は教育におけるAIにとって中心的なものです。なぜならそれは評価と学習のフィードバックの接合点に位置するからです。その目的はループを閉じることです。学生の知っていることと知らないことを浮かび上がらせ、改善のために行動に移せるフィードバックを提供すること。AIはこれを規模で可能にします — 設問を生成し、回答を採点し、個別化されたフィードバックを届ける — しかし知識ベースの研究は、品質が設問の型によって劇的に異なること、そしてフィードバックは学生が実際にそれを遂行するときにしか助けにならないことを示しています。

AIが生成する形成的設問

AIシステムは複数のモダリティにわたり形成的評価の設問を生成しますが、信頼性は型によって異なります。

  • 多肢選択問題： CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generationは、エージェント型AIが7つの教育学的次元にわたり検証されたとき、コーディングの理解のための多肢選択問題を確実に生成できることを示しています。成功率は概念の整合で98.6%、フィードバックの品質で**79.9%**に達し、これはAIが検証可能な次元で最も強く、教授上の判断の次元で最も弱いことを示唆しています。これはより広く自動問題生成に結びつきます。
  • 易しすぎる生成問題集は形成的な情報を与えない。 10週間の導入において、AIが生成した練習問題の約70%はすべての学生が正答しました（p = 1.0）。そのため15分から20分ごとに実施された低リスクの小テストは好評でしたが、教授を適応化するための識別情報はほとんど含んでいませんでした（An & Wang（2026））。
  • 自動エッセイ採点： マルチエージェントのフレームワーク（例えばMASS）は、エッセイ採点において単体のLLMよりも一貫性を改善しますが、マルチエージェントによる採点決定の解釈可能性は未解決の課題です。
  • 形成的採点のパイプライン： CoTALは、Chain-of-ThoughtプロンプティングをアクティブラーニングとEvidence-Centered Designと結合し、人間がループに入るプロンプトエンジニアリングによって汎化可能な形成的評価の採点を生み出します。
  • 高頻度の自動採点される評価： Aレベル理科における自動形成的評価は、高頻度で自動採点される形成的評価が学習成果に与える影響を調べます。理科における短答式自動採点のスコーピングレビュー（2017年〜2024年初頭）は、この形成的短答式のユースケースが実際に牽引力を持つ分野であることを確認しています。BERT系モデルは2021年まで自動採点を支配し、その後~2022年からより大きなLLMのプロンプティングに移り、ドメイン拡張・ルーブリック対応・Chain-of-Thoughtのモデルが最も良好な成績を収めました — しかしレビューが求める包括的な評価と、未解決の公平性と説明可能性のギャップは、そうしたシステムを媒介されない総括的・高リスクな利用に拡張することに警鐘を鳴らしています（Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4）。

AIが生成するフィードバック

知識ベースの研究の大きな部分が、AIが生成する形成的フィードバックを調べています。

  • 遂行の問題： Making AI-Generated Feedback Matter（学生13,037人、リソース51,296件）は、フィードバックの価値が学生がそれを遂行するかどうかにかかっていることを示しています — 学生がAIフィードバックの提案を選択・評価・適用する遂行されたフィードバック条件は、単純に指示されるだけのフィードバックを上回りました。

  • ルーブリックが基準を担うとき、AIフィードバックは専門家の教員に匹敵し得る。 出典を見ない状態で47の大学のプロジェクトグループにランダム化された実験で、共同構築された0〜30のルーブリックと模範解答を与えられたLLMは、専門家のフィードバックに対し非劣性がありかつ同等でした（+0.23, 90% CI [−0.46, 0.91]）— 校正したのはモデルではなくルーブリックでした（Grion et al.（2026））。

  • フィードバックは情報の伝達ではない： The care-full craft of feedbackは、フィードバックは情報伝達ではなく倫理的で関係的な実践だと論じます — フィードバックがフィードバックとして成立するのは、学生がそれに意味を見出し行動するときに限られ、量産された「AIの粗製品」を、人間が用意するコメント集による手抜きと対比させます。

  • 配列されたフィードバックは裏目に出ることがある： 配列されたAIフィードバック（励まし → ヒント → 正解、自律性を促すよう設計されたもの）は、ランダム化実験（N=199）において動機づけと肯定的な印象を高めたにもかかわらず、実際には学習を害しました — フィードバック設計についての教訓的な知見です。

  • 学習者中心のツール： PolyFeedは、MLによる提案モデルと教員の実践を結合し、教員がAIフィードバックの提案をどう採用し適応させるかを示しています。AIに支えられた内的フィードバックは、学部生が評価的判断を発達させる助けとなります。

  • ルーブリック誘導のプロンプティングと役割を意識したフィードバック： Yaşar et al.（2026）は、反復的なルーブリックの共同精緻化 — 成績記述子を明確にし、学習の暗黙の指標を明示的に受け入れること — が、学生の設計課題におけるLLMと人間の一致を54.75%から81.25%へと高めたことを示しました（Cronbach's Alphaは0.393から0.798へ上昇）。最も大きな改善は認知的に負荷の高い「反復と省察」のカテゴリで見られました。教員・査読者・研究費審査員の役割で同じモデルにプロンプティングすると異なる評価的フィードバックが生じ、改訂後のLLMは成績の閾値の適用において一部の人間の評価者よりも一貫していました — これは、人間がループに入る監督を不可欠としつつ、ルーブリック誘導型LLMを形成的フィードバック環境における校正と共同設計の相手として位置づけるものです。

  • 一致の数値は方向を隠している。モデルは中間カテゴリへと寄り得る。 会話に基づく評価の中で対話のターンをタグ付けするLLM評価者は、155件のイベントのうち52.2%で人間のコーディングと一致しましたが、評価者よりもhedgedなPARTIAL_CORRECTラベルを多く使用し（評価者41.3%に対し53.5%）、評価者が一つもフラグを立てなかったターンの5.4%にIRRELEVANTとフラグを立てました（Hou et al., 2025）。

  • AIフィードバックは参加を維持し、規模で成果を押し上げる： Geschwind et al.（2026）の学部生の演習にわたる1学期のフィールド実験は、個別のGPT-4形成的フィードバック（Hattie & Timperleyの3次元すべて — Feed-Back、Feed-Up、Feed-Forward — にわたるもの）が、8つの自由記述課題全体で最も高い参加を維持し、学生の回答を長くし、最も強い内容面の学習成果を生んだことを見出しました — 質の高い文章によるピアフィードバックが実際に受け取られたときにはピアの成果がAIに並んだことから、この効果は信頼でき一貫したAIによる提供によって駆動されたものです。

  • フィードバックの未来： Feedback Futuresは特集号を総括し、問いは生成AIがフィードバックを生み出せるかどうかではなく、学習を支えるフィードバックをどう設計するかであると論じ、この分野に反復して現れる緊張を蒸留しています。

  • 形成的フィードバックの大半は瞬間的であり、持続可能ではない。 37件の真正評価研究のスコーピングレビューでは、23件が即時の改善のための形成的フィードバックを用いましたが、学生が将来の文脈に持ち越す持続可能なフィードバックを用いたのは4件のみでした — 現在のAIフィードバックツールが再生産している反応的なパターンです（Zhan, Boud & Du（2025））。

  • 自由記述の量的問題のための診断優先のフィードバック： Arthur（Yin et al. 2026）は、Engineering Economicsの計算式問題に対してリアルタイムで個別化された形成的フィードバックを届けます。これは、手書きで非構造的な解法が以前はAIによる支援を阻んでいた領域です。問題ごとのXGBoost基盤が、学生が提出した数値の答えからルーブリックでラベル付けされた誤りの可能性を診断し（平均適合率0.81、再現率0.79）、対話方式の仕組みは予測の確信度が低いときにのみ中間解答を要求します — フィードバックの正確性と収集の効率を両立させます。

  • LLM形成的フィードバックの規模と限界（体系的な証拠）： 42件の実証研究（2023〜2025年）のPRISMA準拠のシステマティックレビューは、LLMが教員の負担を減らし、規模で迅速かつ個別化されたフィードバックを届けられること — とりわけ大規模な高等教育のコホートにおいて — を見出しましたが、そのフィードバックは時にあまりに一般的であるか割り当てられた成績と不整合であり、より長く、多言語的で、繊細な課題では信頼性が低下し、形成的AIフィードバックは教育者の監督の下で展開するのが最善であることを裏づけています（Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback）。

  • 適応性は分離可能な要素であり、装飾ではない： Sukjaitham, Schaaf, Brod & Breitwieser（2026）は、ほとんどのLLMフィードバック研究が前提としていることを直接検証する因果テストを提供し、GPT-4の反応条件づけフィードバックを、構造・語調・長さ・動機づけの言い回しを揃えた専門家執筆の一般的な助言（5次元の品質ルーブリックで検証、κ = .76〜1.00）と対比させました。事前登録された被験者内実験で、155人のドイツ人5〜6年生（M = 12.08歳）が6つの「もし〜なら」の計画を改訂したところ、計画の品質は適応的フィードバックの下で中央値2 → 5、一般的な助言の下で2 → 3へと上昇しました（被験者内 V = 10,440, p < .001, r = .86；条件×時間の交互作用の推定値 = 1.68, SE = 0.14, p < .001、事前の支援差はなし）。子どもは適応的フィードバックをより役立つ（r = .67）と同時により動機づける（r = .74）と評価し、試行レベルでの知覚が改訂の改善幅を予測しました — これにより知覚された有用性は情動的な副産物ではなく、経路の一部となります。対照群自体が十分に設計されていたため、この研究は「フィードバック対なし」ではなく、質の高い非条件づけ助言を超えた付加価値を示しています。一般的な助言は本物だが限定的な代替物であり、それ自身の中央値で頭打ちになります。計画は中核的な自己調整学習戦略であり明示的な品質基準を持つため、テストケースとして機能し、偶発性 — 静的な支援と足場かけを区別する特性 — を一文の反応の上で直接測定可能にします。著者らは適応性を、学習者の具体的な反応へのフィードバック内容の反応条件づけ適応と狭く定義し、会話的な相互作用性、語調、安定した特性としての適応的学習と区別しています。

  • 知覚された有用性は実行可能性を追う： Mendonça et al.（2026）は、144人のプログラミングの学生に893件のLLM生成フィードバック事例を5次元で、237件の統合レポートを6次元で評価させ、領域・課題・測定手段を一定に保ちながら教育段階だけを変えました。評価は全体を通じて好意的で、個別回答については学生レベルの平均が4.24から4.43、レポートについては4.11から4.38でしたが、実行可能性と有用性は他の次元が高い中で最も低い評価を受け、それでも実行可能性と知覚された正確性が、知覚された有用性の分散の76%を説明するモデルにおいて最大の相対的重み（32.6%と29.0%）を担い、動機づけと個別化が利用意向のレポートレベルモデルで53%の説明率を牽引しました。実行可能性はフィードバック研究が最も提供が難しいと扱う次元であるため、このパターンはフィードバックに適用された技術受容として読めます。有用性は、フィードバックがどれだけ磨かれているかではなく、学習者が行動に移せるかを追います。

  • オフラインでの一致は実際の性能を誇張する： Cruz et al.（2026）のGPT-4oフィードバックのパイプラインは、362件の提出物のうち83%で教員の評点を0.5点以内で再現しましたが、偶然を補正した一致は中程度にすぎず（ICC(2,1) = 0.49）、過去の答案ではr = 0.92から、教員監督下の実際の利用では0.57へと低下しました。

  • 改訂への道筋では理解が実行可能性を上回る： YaoとFan（2026）は、課題レベルの診断と提案を分離し、独立した改訂の前に書面による解釈シート（言い換え、影響の説明、不確実性の同定、改訂計画）を学生に与え、構造化された教員の検討、再評価、省察を行いました。2つのそのままの学級における3つの作文サイクル（学生96人、サイクルレベルの観測288件）を通じて、フィードバックの理解が改訂の品質と最も強い関連を持ち（r = 0.501、実行可能性の0.480、診断の正確さの0.445を上回る）、診断群は作文で5.92点の伸びを示し対照群の3.58点を上回りました（Hedges' g = 1.12）。これは、テコの力が診断の実行可能性だけでなく、学生の診断の理解にあることを示しています。

カリキュラムに根ざし教育者がループに入る設計

LearnLensは、AI形成的評価における3つの根強い問題に取り組みます。誤りを認識する評価（表層的な誤りではなく繊細な推論の誤りを捉えること）、トピックに連鎖した記憶の連鎖（ノイズの多い類似性ベースのRAG（検索拡張生成）を、構造化されたカリキュラムに根ざした検索で置き換えること）、そして教育者がループに入る設計（完全な自動化ではなく教員のカスタマイズと監督）です。これはヒューマン・イン・ザ・ループにおけるより広い緊張、すなわち専門家の検証を伴う規模化された自動化に結びつきます。

Hoppe, Loibl & Leuders（2026）は、道具が生の観察ではなくそれ自身の主張を生み出すとき、「教育者がループに入る」が何を意味するかを鋭くします。その概念的分析は、AIが生成する診断的推論が質的に異なる証拠であると論じます。なぜならそれらはすでにアルゴリズムによる解釈の産物だからであり、そのため教員には著者らがメタ診断と呼ぶさらなる層、すなわち推論を意識的に受け入れ・棄却・修正し、自分自身の文脈的知識と統合する層が必要です。このためのDiaCoMフレームワークを特定することは、AIが生成する推論を状況特性として、受け入れ・棄却・修正の決定を診断的行動として扱い、教員に必要な人物特性を、AIシステムが実際にどう動くかについての知識を含むように拡張します。現在のシステムが主に課題の正答率や所要時間などの成績データに依拠しているため、動機づけの状態と教室の力学はほぼ欠落したままであり、この論文は責任ある省察的主体として教員を — ダッシュボードではなく — 据え続け、アルゴリズムによる主張を判断することを専門職能開発の目標として位置づけます。

AIの役割を達成水準に合わせることは関連する設計上の一手です。教員志望の理科の教員は、ChatGPTを低達成者の「Patient Tutor（忍耐強いチューター）」、中達成者の「Personal Coach（個人的なコーチ）」、高達成者の「Intellectual Sparring Partner（知的討論の相手）」として記述し、難しい内容の最終的な説明は教員が担い続けました（Ratniyom et al., 2026）。

設計上のトレードオフ

次元 AIの適合性 人間の要件
事実的正確さ 高 低
概念の整合 高 中
誤答の選択肢の品質 低 高
フィードバックの深さ 低 高
ルーブリックの一貫性 中 中

評価、フィードバック、学習

AI教育における形成的評価は、学習のプロセスそのものと結びついています。

  • フィードバックのループ： フィードバックのループは、形成的評価が学習に情報を与える機構です。AIチューターと適応的システムは、こうしたループを規模で閉じます。

  • 自己調整学習： 学生が進捗を監視し調整するとき、形成的フィードバックは自己調整学習を支えます。AIフィードバックは評価的判断を涵養すべきであり、それを置き換えるべきではありません。

  • 自動採点が届くのはサイクルの一部の段階であり、すべてではない： Chen & Liu（2026）は14週間の準実験を行い、46人の通訳を学ぶ学生が毎週、即時の評点・書き起こし・印付きの誤り・参考となる解釈を返す自動採点システムに解釈案を提出し、対照群は学級全体への教員のフィードバックのみを受け取りました。自動群は全体としてより大きく改善しました（d = 1.03）が、その伸びは欠陥が分解可能で、信号が信頼でき、尺度が敏感であったところにとどまりました。言語的な正確さと論理的な一貫性は向上した一方、情報の忠実性（人間の評価者との一致 r = 0.12）と伝達の流暢さは動きませんでした。自己調整学習も対応する形で不均一で、実行と監視は評点の伸びと相関し（r = 0.42）、計画と情緒的動機づけは尺度の中点付近に留まり、何人かの学生は低い評点の後に原因を分析するのではなく関与を先送りしました。このシステムはサイクルの遂行段階に届いたのであり、それに先立つ計画段階には届かなかったのです。

  • 自動診断から生成された練習へ： Zhu, Luo & Li（2026）は、音声と評点の整合、誤りの定量化、Proximal Policy Optimization層を一つの閉じたループに組み込み、リズムの誤りの信号（再現率91.2%、特異度98.4%）を報酬に変えて生成された練習トラックを導き、120人の学部音楽専攻生による12週間の準実験を通じて、システム群を有利にする有意な群×時間の交互作用（beta = 0.52）を報告しました。著者らはこれを技術的な実現可能性として位置づけ、実際上の読み取りは評価ではなくトリアージです。適合率89.7%ということは、フラグを立てられたリズムの誤りおよそ10件に1件は誤警報であることを意味し、研究の専門家評価者は音楽的表現の支援を最も弱い領域と評価したため、自動化されたループは技術的な訓練に適し、表現的な判断は教員に残ります。

  • スキャフォールディング： 足場かけと形成的評価は協働します — AIはその場その場のヒントと促しを提供できますが、配列されたフィードバックの研究は過剰な構造化に警鐘を鳴らしています。

  • ルーブリックの品質はモデルの選択以上に自動採点の一致を動かす。 1,200件のLinux/bashの試験回答において、Alonso-Carracedo et al.（2026）は、完全なルーブリックと解答例を加えることがすべてのモデルの性能を高めたことを見出しました（最良はGemini 3.0 Pro、人間の上限0.949に対しICC(3,1) = 0.888）。一方、課題の認知的レベルが上がるにつれて一致は単調に低下しました。

  • AIが生成したルーブリックは許容幅内でのみ人間の採点に一致した。 4つのAIルーブリックは308件のプログラミング回答にわたり人間のベースラインと±5ポイントの範囲でプールされた同等性を満たしました（相関0.948〜0.973）が、5つのルーブリック×課題の組み合わせではそれを超え、GPT-4.1/4oは構造化されたルーブリックで体系的に厳しく採点しました（自由形式の−0.66に対し−4.46）（Mendonça et al., 2026）。

  • 妥当性と品質： AIが生成する形成的設問とフィードバックの品質と妥当性は評価されなければなりません。AI教育の評価（AI Ed Evaluation）がその方法を提供します。

  • AI採点は妥当性への新たな脅威を加える。 AI採点者は、科学的な推論ではなく言語的な流暢さのような構成に関係ない特徴を報酬し得るため、約100人の指導者による討議から蒸留されたStanford/ETSのホワイトトペーパーは、一度きりの産出を認定するのではなく、継続的で文脈に富んだ証拠を積み上げるべきだと論じています（McGee et al.（2026））。

  • 脆弱な課題は残し、双子を加える。 Roe, Perkins & Giray（2026）は、持ち帰りのエッセイと研究レポートが実質的な形成的価値を担っており学習のために保持されるべきで、同じ成果を評価し信頼できる総括的な証拠を供給する第二の課題と対にすべきだと論じています。

リスク：評価の監視化

形成的評価のシステムは、学習支援の道具から行動監視のインフラへと移行し得ます。適応的な個別指導を可能にするのと同じデータの流れは、AIガバナンスが弱ければ懲罰的な追跡も可能にします。これはプライバシーや学生のウェルビーイングと結びつき、学習を監視するのではなく支える形成的システムを支持します。

AI教育への示唆

  • 設問の型をAIの信頼性に合わせる： 検証可能な次元（概念の整合、正しさ）にはAIを用い、教授上の次元（誤答の選択肢の品質、フィードバックの深さ）では人間の判断を保つ。

  • 提供だけでなく遂行のために設計する： AIフィードバックは学生がそれを選択・評価・適用するときにしか助けにならない — 遂行を支えるワークフローを構造化する。

  • フィードバックの量よりも設計が重要： 配列された、あるいは過剰に構造化されたフィードバックは裏目に出ることがある。学生の意味形成と自律性を支えるフィードバックを優先する。

  • 教育者をループに入れ続ける： カリキュラムに根ざし教育者がループに入るシステムは、関連性を高めノイズを減らす。

  • 品質と妥当性を評価する： AIが生成する設問とフィードバックを、生成速度だけでなく品質・妥当性・公平性について評価する。

  • 形成的評価をツールキットではなく哲学として扱う。 Mesny, Roberge-Maltais & Galy（2026）は、高等教育のより広い文献を「学習のための評価」パラダイムに統合し、形成的で継続的で個別化されたフィードバックを、単なるツールキットではなく包括的な哲学として位置づけます — 形成的な目的と総括的な目的を両立させ、学生の主体性、自己調整、メタ認知的スキルを前景化します。彼らは、この哲学を実現できる5つの相互に強め合う実践（真正評価、自己評価とピア評価、再評価、基準に基づく採点、ungrading）を同定しつつ、それらの受容が高等教育の領域間でいかに入り組んでいるかを指摘しています。

  • 継続的な評価は形成的記録そのものを再枠づける。 AIM-CAI参照アーキテクチャ（実装ではなく立場表明論文）は、一回ごとの評価を主要な証拠基盤として置き換える6層のインフラを提案します。すなわち複数の基盤にまたがる証拠の生成、出典の文脈を保つ直列化、AIによる媒介を受けた意味的な翻訳、心理測定的な解釈、縦断的な力量のプロファイル、連合的なガバナンスです。その変更表は変化を明確に述べています。課題ごとのフィードバックは、助言と省察を支える縦断的なフィードバックになり、成績は進化する力量のプロファイルになり、資格は透明な発達の記録になります。ガバナンス層はこの論文の主張です — 名前を付けられた7つの緊張（相互運用性対地域の自律性、プライバシー対有用性、学習者の主体性対予測的な自動化、監視対支援など）がそれぞれリスクと対応に対応づけられ、統治されない継続的な推論が支配的な文化規範を特権化するという警告とともに提示されます。新規性の主張は統合的です。構成要素は存在します。貢献はアーキテクチャとガバナンスの地図です。（AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time）

関連概念

関連記事

関連するFAQ

関連するリソース

  • Snorkl
    自分の考えを話したり描いたりして説明したものに、学生へ即座に AI フィードバックを返し、教師にはその説明に関する分析を提供する教室向けツール。
  • AI Infused Assignment Playbook（AI を組み込んだ課題デザイン実践集）
    サラ・ルイス（Sarah Lewis）による 95 ページのガイド（CC BY 4.0）で、学生が生成 AI を公然と使いながらも自分で考える課題を設計するためのものです。学習をネットワークの構築と捉える立場に立ち、17 個の応用可能な課題テンプレートを、ルーブリック、記録表、知識チェックとともに提供します。

メタデータ

学習と教授足場かけ
技術と手法適応学習, 生成AI, ヒューマン・イン・ザ・ループ, ラーニングアナリティクス, 大規模言語モデル（LLM）, パーソナライズド・ラーニング（個別最適化学習）
評価と測定AIフィードバックの質, 評価, 自動評価, フィードバック, 形成的評価
教育におけるAIの基礎教育におけるAI
SourceHistoryEditChat

このページを埋め込む

下のコードをコピーして、学習管理システムや他のウェブサイトにこのページを埋め込みましょう。埋め込み版ではページの内容のみが表示され、サイトのヘッダー・ナビゲーション・フッターは非表示になります。