学習者

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。

総括: 学習者は教育における AIの主要な受け手です——K-12、高等教育、成人学習に属し、その営み、理解、自己感を今や AI が形作っている学生たちです。このページは、ナレッジベースの学習者側の記述を束ねる包括的なページです。学習者が経験すること（学生経験）、彼らが誰になりつつあるか（学習者アイデンティティ）、彼らが依然として選択すること（主体性）、彼らが実際に道具とどう関わるか（学生と AI の相互作用）、そのもとで努力と自己調整が保たれるか（認知的オフローディング）、そして AI システムが彼らをどうモデル化するか（学生モデリング）。その研究を通じて繰り返し見出されるのは、同じ道具が異なる学習者に異なる仕方で益にも害にもなるということです——利得は、既存知識、AI リテラシー、検証の習慣がすでに備わっているところに集中し、逆転は、AI がその課題が育てるはずだった思考を代替するところに集中します。

検討すべき問い

あなた自身の文脈で、新しい AI ツールが最初に届くのはどの学習者で、取り残されるのはどの学習者でしょうか——そして、そう考える根拠は何でしょうか。
研究はしばしば、学生は AI が助けになったと信じている一方、支援のない測定では利得がない、または損失があると報告します。学習者自身の語りが信頼できる証拠でないなら、学習が起きた証拠として何を受け入れるでしょうか。
ここで学習者は、AI を使う人としても、AI がモデル化する対象（学習者モデル、知識追跡、シミュレートされた学生）としても記述されています。学習者のモデルはどこまで教授を導くべきで、どこから信用をやめるべきでしょうか。
自己調整と既存知識が、AI による支援が学習になるのか代替になるのかを決めます。それは修復すべき学習者の欠陥でしょうか、解決すべき設計上の問題でしょうか、それとも修正すべき評価上の問題でしょうか。
ある学習者の集団が AI ツールでうまくいかない場合、そのツールの設計者が最後にそれを知るのが常です。導入の前後に学習者から聞くための日常的な仕組みは、あなたの機関では実際にどのようなものでしょうか。
達成度と並んで学習者主体性とアイデンティティも賭けられています。それらのどれを測定可能な得点の伸びと交換することを拒むでしょうか——そして、その評価設計はその拒否を可視にするでしょうか。

はじめに

学習者はこのナレッジベースに 2 つの非常に異なる姿で現れ、両者を混同することがこの分野の混乱の大半を引き起こしています。第 1 に、学習者は AI を使う人です。問いを立て、答えを受け入れたり抵抗したりし、踏みとどまったり踏み外したりし、支援、罪悪感、不安、依存の経験を報告します。第 2 に、学習者は AI システムがモデル化する対象です。知識追跡におけるスキル推定、認知診断における潜在状態、または実在の学習者の代役を務めるシミュレートされた学生です。前者についての証拠は調査、インタビュー、ログ分析、実験から来ます。後者についての証拠は測定の機構そのものから来ます——そして学習者のモデルは主張であり、学習者ではありません。

このページは両方への入口です。ナレッジベースが扱う学習者側の概念を集め、それらの関係を説明し、その背後にある研究を結びつけます。ステークホルダーは同じ分野のもう一方の側——教師、管理者、設計者、政策立案者——を扱い、両ページは併せて読まれることを意図しています。

学習者と見なされるのは誰か

ナレッジベースは、正規の教育の全範囲にわたる学習者を扱います。K-12の児童・生徒、大学生、職業教育と専門職訓練の学習者、障害のある学習者、神経多様性のある学習者、多言語の学習者を含む、成人・生涯学習者です。2 つの慣習が重要です。第 1 に、「学習者」と「学生」は有用な意味で互換ではありません。学生は制度的な役割を指し、学習者は活動を指します。人は片方であって他方でないことがあります（職場の研修を受ける従業員は学習者ですが学生ではありません）。第 2 に、学習者は均質な集団ではなく、その異質性こそが研究が繰り返し表面化させるものです——既存知識、自己調整、言語、アクセス、障害の状況が、AI ツールが助けになるかどうかをすべて変えます。

学習者が経験すること

学生経験は教育における AI の最も研究されている次元の 1 つであり、その中心的な教訓は、効果が一様ではなく入り混じっているということです。学習生産性に関する調査研究は、学習者が真の効率の利得を報告していることを見出します——92.3% が AI が理解を改善したと述べた——と同時に、見出しの数字が隠す隔たりもあります。全体の学習時間を短縮したと述べたのは 38.5% のみで、半数は、独立に学ぼうとする代わりに AI に頼ることがあると報告しました。依存パターンの分析はさらに進みます。AI リテラシーと評価スキルの水準が異なる学生は、道具と質的に異なる関係に至るため、同じ履修方針が異なる学習者に異なる結果を生み出します——ある者には支援、他の者には代替。学生は最小努力の引力を自分の言葉で語り、それは学術的誠実性と誤概念のページで、道徳的な問題ではなく設計と政策の問題として扱われます。

感情は認知的物語と並行して走ります。不安とストレスとウェルビーイングは、追い越されることについての不安、不正行為と咎められることについての不安、そして追究している学位の価値についての不安を記録しています。学習者の AI に関するメンタルモデル——それが何で、何のためだと思うか——は、彼らがそれをうまく使うかどうかの上流にあります。そのため誤概念と学生のための AI 使用の枠づけが、学習者側の研究全体に現れます。

学習者の語りは、学習者側の政策の多くを枠づける誠実性の物語も複雑にします。エチオピアの 1 大学の 27 人の学部生へのインタビューは、生成 AI のほぼ普遍的な使用と、真に割れた倫理的な読みを見出しました——多くは道具が自分の達成を高めたと評価し、少数は履修での使用を不正行為と呼び、ほとんど全員が、AI 使用者が勤勉な独立学習者を上回るという不平等な競技場を報告し、ある者はその効果を、自分の勤勉さを殺すものだと述べました。不正手続きの学生側は、使用の学生側よりも文献で薄いですが、1,162 件の生成 AI 不正申立ての事件ファイル分析は、制度的な対応が届いたとき学習者が何に直面するかを示しています。最も頻繁に引用される証拠は最も評価の低い種類のものであり、事件が進むかどうかを統べる最低限の証拠の敷居はなく、薄い証拠に依拠する案件の学生は不服申し立てへと押しやられます。

アイデンティティ、主体性、著作性

学習者側の研究は成果についてだけではありません。学習者アイデンティティは、学習者が学問と AI に対して誰になりつつあるかを問い、証拠は両方向に走ります。よく設計された使用は学科への帰属意識を支えられますが、外部委託は仕事が自分のものであるという感覚を侵食しえます。主体性は、学習者が依然として統制するものを問います。ナレッジベースは両方を、達成への「ソフト」な付属物ではなく、真に賭けられているものとして扱います。AI とともに正しい産出を生み出しながら、その背後にある推論を最早認識しない学習者は、成績が記録しない何かを失っています。著作性の問いは、学習者自身が最も苦闘する箇所です。生成 AI と誠実性についてインタビューされた学生は、他の著者が存在しないために独創性を主張しました——「それが私の独創的な考えでなければ、誰のものでしょうか」——一方、他の者はその仕事は自分を表していないと結論づけ、ある者は、AI は人ではないのだから、それを共同著者として認識しえないという方向へと推論しました。

AI との相互作用——学習者が実際にすること

学生と AI の相互作用のページは、学習者が AI に何を求めるか、彼らのプロンプトと対話がどう進化するか、そして相互作用の質がアクセスよりもなぜ学習の成果をよく予測するかを集めています。33 研究から採られた 46 の分類法の迅速なスコーピングレビューは、その証拠基盤が概念的には分断していることを見出します——研究はデータ源、分類の枠組み、分析の単位が異なるため、「質の高い相互作用」はそれらの間でまだ比較可能な構成概念ではなく、レビューの呼びかけは、既存するという主張ではなく、学習志向のLLM使用の収斂的な分類法へ向けたものです。チャット内容の研究は、学生が特徴的な仕方で自分を律することを見出します。関与の範囲は、主張を詮索し検証することから、最初のもっともらしい答えを受け入れることまでです。援助要請は古い枠組みを供給します。助けを求めることはスキルであり、誤った相手に誤った仕方で助けを求めることは、AI が取り除かない既知の失敗モードです。

努力、自己調整、パフォーマンスと学習のギャップ

ここが学習者側の証拠が最も帰結を持ちます。学習者がAI を使ってできることとAI なしでできることを分かつ場所だからです。

認知的オフローディングは過度の依存の証拠を集めます。支援されたパフォーマンスと支援なしの能力は別個に測定されなければならないという中心的な方法論的要点を述べます。執筆の層感応的な研究は、表層的、構造的、観念的、推論的なオフローディングを切り分け、最も境界の緩い条件で最も高い支援されたパフォーマンスと、8 週間後の最も低い独立的パフォーマンスを見出します。Shaw と Nave の認知的降伏の説明は、委任を戦略的ではなく習慣的にする性向を名指します。メタ認知的不調和は、不快な中間例——理解していないと気づきながら提出する学習者——を記録します。検証の研究は、「確かめる」こと自体が二値的な習慣ではなく段階的なスキルであることを示します。設計側では、生産的な困難とAI の誤用を減らすが、課題が求めるはずの努力を回復する介入を集めています。

学習者としてのモデル

最も長い技術的系譜を持つ学習者側の概念は、学習者をシステムに表現するものです。学生モデリングがその族を扱います。知識追跡は時間を通じたスキル習得を推定し、認知診断は特定の誤概念を位置づけ、それらの推定を消費する適応的で個別化されたシステムがあります。学生のシミュレーションとそのレビューは、シミュレーションを、実在の学習者が利用できないときにチュータを試しデータを生成する方法として扱います——明示的に暫定的な代役であり、代替ではありません。この文献には 2 つの注意が貫かれています。モデルの推定は、項目とインターフェースの作り方に敏感な行動からの推論であるということ、そして人口統計的シグナルの研究は、評価システムが構成概念に含まれることを決して意図されなかった学習者アイデンティティの代理（言語、背景）を拾い上げられることを示しています。自己報告測定は、研究側の鏡像の問題を扱います。学習者が自分の学習について言うことは、彼らができることとしばしば乖離します。

学習者間の公平性

利得が既存の有利さに従うため、学習者側の仕事は教育における AI の公平性と切り離せません。デジタル・ディバイドと有料モデル層へのアクセスは、誰が最も強い道具を得るかを形作ります。公平性の関心は、学習されたモデルが異なる集団をどう扱うかを統べます。包摂的な学習、アクセシビリティ、特別な教育、神経多様性は、既定の設計が無視するニーズを持つ学習者を扱います。この研究からの実践的な教訓は、「AI は学生を助ける」は発見ではないということです。発見はつねに、どの学生が、どんな条件のもとで、どんな既存知識とアクセスを持って、ということです。2 つの集団がそのリスクの特徴的な分け前を負っています。Wright (2026)は、「生成 AI」ではなく機能を中心に書かれた禁止が、学習者がすでに著作した仕事の形式を変換する文字変換ツールを捕捉すると論じます。その結果生じる誤検知は、音声からテキストへの変換と OCR に頼る障害のある学習者に最も重くのしかかります。AI を活用した OCR が廃止された支援ソフトウェアを置き換えた場面も含めてです。遠隔監視のスコーピングレビューは、評価条件について平行した点を述べます。接続性、データ通信料、機器の故障が、誰がそもそも評価されうるかを決めることを見出しました——これは技術的な発見ではなく公平性に関する発見であり、低・中所得国に集中したものです。

このページの位置づけ

学習者の周囲の人々については関係者と、これらの発見を教師がどう扱うかについては教授法と学習設計と併せて読んでください。評価は、どの学習者能力が可視にされるかを決めます。AIEd 研究の限界は、なぜ学習者側の証拠の多くが短期で自己報告に基づき、便宜的な標本で行われているかを説明します。そして誤概念は、学習者自身にとっての通常の入口です。

メタデータ

レベル	Higher Ed, K 12, Adult Learning
対象読者	Learners, Instructors, Researchers
学習と教授	自己調整学習, 動機づけ, メタ認知, 学生の関与, 援助要請, 既有知識（前提知識）, 望ましい困難
技術と手法	学習者モデル化と適応的教授, 知識追跡, 学生のシミュレーション, 適応学習, パーソナライズド・ラーニング（個別最適化学習）
公平性、倫理、責任ある利用	公平性, インクルーシブ学習
教育におけるAIの基礎	学習者の主体性, 学習者アイデンティティ, AIリテラシー

Source History Edit Chat