ICAPフレームワーク

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。

ICAPフレームワーク(Interactive–Constructive–Active–Passive)とは、Michelene Chi によって開発された認知的関与の分類法であり、学習者の行動を知識変化の四つのモードに分類します。モードは認知的関与の低い順に、受動的(passive)、能動的(active)、構成的(constructive)、相互作用的(interactive) と並べられます。教育におけるAIにおいて、ICAPは設計目標(受動的な消費ではなく構成的・相互作用的な関与を引き出すツールを作ること)と評価の枠組み(学習者およびAIシステムが実際により高いモードで関与しているかどうかを測ること)の両方を提供します。(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

検討すべき問い

動画を見たり読んだりして何かを「学んだ」時のことを思い出してください。ICAPフレームワークはそれを受動的と呼びます。受動的な接触と、それを誰かに説明することとで、実際にどれだけ記憶に残るのでしょうか。
ICAPは関与を受動的→能動的→構成的→相互作用的と並べます。あなたが使ってきたAIツールは、学習者をどのモードに置きがちでしょうか。そして適応的な練習問題をクリックして進むことは、本当の関与と言えるのでしょうか、それとも単なる活動にすぎないのでしょうか。
本ページは、最も重大な転換は能動的から構成的への移行だと論じます。すなわち、知識を適用するのではなく、説明や新しい成果物を生み出すことです。なぜ新しいものを生み出すことが、理解を実際に変える一歩となりうるのでしょうか。
ある研究では、人間の専門家が関与水準のラベリングでAIモデルを大きく上回りました。自動化システムが関与を組織的に過小評価するなら、AIによって生成される「関与」の指標をどのように扱うべきでしょうか。
ICAPは、あなたの代わりに答えるツールは学習者を受動的なままにし、問いかけ促すツールは構成的・相互作用的な関与へ押し上げることを示しています。学習者のために、あなたはどちらの設計を選びますか。
このフレームワークは設計目標としても評価の枠組みとしても使われます。学習者が単に能動的であるだけでなく、真に関与しているかどうかを見極めるために、自分の教育や設計でICAPをどう使えるでしょうか。

はじめに

ICAPは、学習者が何をするかが、どれだけ何を学ぶかを決する、という前提に根ざしています。Chiのフレームワークは、関与が受動的から能動的、構成的、相互作用的へと移るにつれて、知識変化の性質が深化するとします。すなわち、保存から、注意を向けること、既存の知識と新しい知識の統合、対話を通じた知識の共創へと深まるのです。これは、AI支援が学習者の認知的関与を支えるのか奪うのかということが中心的な設計課題となる、教育におけるAIにとって、ICAPを強力な分析ツールにしています。

四つのモード

モード	学習者の行動	知識変化の性質
相互作用的(Interactive)	他の学習者またはエージェントとの対話。意味を共に構築すること。例: ある立場を弁護する、協働的な問題解決	共同的で相互的な活動を通じて新しい知識を共創すること
構成的(Constructive)	与えられたものを超える新しい出力を生み出すこと。例: 自己説明、比較、振り返り、描画	新しい情報を既存の知識と統合し、新奇の理解を生み出すこと
能動的(Active)	教材を操作したり働きかけたりすること。例: ノートを取る、下線を引く、考えを巡らせるために立ち止まる	情報に注意を向けて保存すること。深い統合を伴わないこともある
受動的(Passive)	目に見える行動を伴わずに情報を受け取ること。例: 講義を聞く、読む	情報を保存すること。それ以上の処理は限定的

教育におけるAIにおけるICAP

AIツールの設計目標として

ICAPは教育におけるAIの中心的な設計課題を捉え直します。学習者の代わりに答えるAIツールは学習者を受動的/能動的なモードに留めますが、促し、問いかけ、足場かけするツールは、学習者を構成的・相互作用的な関与へ押し上げられます。これはICAPを構成主義の教育学とアクティブラーニングの研究に結びつけます。(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

AIエージェントの評価の枠組みとして

ICAPは測定の枠組みとしても機能します。ある研究では、研究者たちがICAPを拡張し、協働的な対話における認知的関与を特徴づける7段階尺度を作り、訓練を受けた人間のアノテータとLLMによるラベリング(文脈内学習、ゼロショットプロンプト、省察的エージェント)を比較しました。人間の評価者間信頼性(kappa = 0.906–0.998)は、LLMによるアノテーション(kappa = 0.541–0.609)を大きく上回り、ラーニングアナリティクスのパイプラインにおける自動的な関与測定でのICAPの役割と現在の限界が浮き彫りになりました。(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

協働的な対話の促進の指針として

相互作用的な関与はICAPで最も高いモードであるため、このフレームワークはオンラインでの協働的な議論におけるAI促進の価値の位置づけを助けます。LLM促進のタイミングに関する研究は、AIが議論にいつ介入するかによって、相互作用的な知識の共構築を支えるか中断させるかが変わると示しています。これは自律的なモデレーションエージェントが、過剰な促進ではなく人間のような抑制へと較正される必要があるという、ICAPに基づく注意喚起です。

ICAPとラーニングアナリティクスの設計

ICAPは、浅い「関与」指標への批判の基盤となります。フィルタをクリックしてダッシュボードを操作することは、相互作用的ではなく能動的な関与です。効果的なラーニングアナリティクスの設計は、単にデータを表示するのではなく、自己評価と双方向の対話を引き出します。これはChiのフレームワークから直接導かれる含意です。(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

決定的な一歩としての能動的→構成的な転換

ICAPは階層を記述するものですが、学習にとって最も重大な転換は、能動的から構成的なモードへの跳躍です(Chi & Boucher, 2023)。能動的な関与(似ているが同一でない状況へ知識を適用すること)は学習者を準備させますが、説明・要約・新しい成果物を生み出す構成的な関与こそが、学習者に新しい知識を創る力を与えます。これが教育におけるAIの要点です。学習者を能動的なモードに留めるツール(たとえば適応的な練習問題をクリックして進むもの)は生産的に見えても、永続的な理解をもたらす構成的な生成へと学習者を押し出しません。能動的→構成的な跳躍を意図的に足場かけする、協働的かつリテラシー重視の介入は、最も大きな効果を示す傾向があります。(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

知的な指導システム(ITS)における適応的足場かけの信号としてのICAP

ICAPのモードは、適応的なチューターが学習者の進化しつつある学生モデルに基づき認知的関与を足場かけするために選択する目標状態として具体化できます。論理学習のITSでは、Dey Tithiらが、能動的な「ガイド付き」作例モードと構成的な「誤りを含む」作例モードの間を動的に選びました。113名の学生を対象に、ベイジアン・ナレッジ・トレーシング(BKT)を深層強化学習(DRL)および非適応的なベースラインと比較したところ、どちらの適適応方策も事後テストの成績を改善しましたが、そのしかたには違いがありました。BKTは既存知識の少ない学生に最大の伸びをもたらし(彼らが追いつくのを助け)、DRLは既存知識の多い学生の中で最も高い事後テスト得点を生み出しました。これは、知的なチューターのICAPモードを効果的に個人化することが、学習者の現在の知識をモデル化することに依存し、どの単一のモードや適応的手法もすべての学習者に合うわけではないことを具体的に示しています。これはICAPの階層を適応学習と知識追跡の設計に直接結びつけます。

人間らしいエージェントを生成するための認知的状態のモデルとしてのICAP

課題モードを選択することを超えて、ICAPは生成的な教育エージェントの認知的モデルに直接組み込まれてきました。CogEvolutionは、入力を四つのICAP水準上の確率分布に対応づける、ICAPに基づく「認知的深さパーセプトロン」を構築し、これを進化に着想を得た状態更新および項目反応理論に基づく記憶検索と融合させて、学生の認知的進化(混乱→洞察といった遷移を含む)をシミュレートします。アブレーション実験では、ICAP知覚モジュールを取り除くと、エージェントが浅い学習と深い学習を区別する能力が崩れることが示されました。これはICAPの分類法が、単なる外部の評価の枠組みではなく、学生のシミュレーションのためのきめ細かな内部的な認知的関与の尺度として機能できるという証拠です。

生成AIとの省察的な相互作用の評価の基盤としてのICAP

ICAPが重視する生成的で過程に即した関与は、生成AIを使って学生がどのように学ぶかを評価する評価の枠組みに採用されてきました。DRIVEフレームワークは、その中核となる構成概念——生成AIの出力との深く省察的な相互作用——を、ICAPがより深い学習につながると見なしている種類の生成的関与と明確に対応づけ、AIが生成した内容の表層的な消費と、骨の折れる省察的な再加工とを区別するために用いています。これはICAPを、単に利用量を追跡するのではなく、意味のある生成AIによる学習相互作用を設計し測定するための理論的な基盤として位置づけています。

設計と研究への含意

より高いモードに向けて設計する。 AIツールは、受動的な内容を届けたり答えを出す機械として働いたりするのではなく、学習者が生成し、説明し、対話する——構成的で相互作用的な活動——よう促すべきです。(Multimodal Learning with Generative AI)
複数のモードにわたって学習者を関与させる。 効果的なAIリテラシーの指導は、学習者を複数のICAP水準——受動的な接触、能動的な操作、構成的な生成、相互作用的な対話——で関与させ、学習目標に合ったモードを選びます。(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
関与を正直に測定する。 ICAPは、真の認知的関与と単なる活動を見分けるための共通の語彙を研究者と設計者に与えます。これは浅い学生の関与への修正です。(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
人間とLLMのアノテーション格差に注意する。 関与のコーディングに自動化システムを使うなら、訓練を受けた人間に対する組織的な不足を考慮に入れなければなりません。(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

メタデータ

学習と教授	アクティブラーニング, 認知心理学, 協働学習, 学習理論
技術と手法	教育 NLP, ラーニングアナリティクス
教育におけるAIの基礎	学習デザイン

Source History Edit Chat