教えることで学ぶ

このページの内容

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。

教えることで学ぶ（LbT）——プロテジェ効果に基づく教授の枠組みであり、学生が教材を仲間、被指導者、またはエージェントに説明することで理解を深めるものです。LbT とピア・チュータリングにおける数十年の研究は、概念を説明し、誤解を見越し、質問に応答することが理解を固め、転移を支えることを示しています。AI 時代において、教えられるエージェント——そしてますます初心者の被指導者として構成された LLM——が、LbT を大規模に実現します。学生を、説明し、訂正し、穴を埋めなければならない教授者の位置に据えて。

検討すべき問い

あることを他人に説明した後に初めて本当に理解したときのことを思い出してください。心の中で何が起きていたでしょうか——そして、なぜ教えることは一人で学ぶだけよりも深い理解を生むのでしょうか。
よくある見解として、教えることは専門家のためのものであり、初心者が提供できるものはない、というものがあります。しかし「教えることで学ぶ」は正反対の前提に立っています。教える準備が、あなたに知識を組織させ、自分の穴を見つけさせます。それは、誰が教えることから利益を得るかという見方をどう変えるでしょうか。
このページは「教えられるエージェント」——学生が学習の一環として教えるソフトウェア——を説明しています。LLM があれば、チャットボットを、質問をし間違いをする失敗しうる初心者の被指導者として構成できます。そのような被指導者が、単におしゃべりするのではなく実際に学習を改善するために、何を設計に組み込む必要があるでしょうか。
1 つの課題は「失敗を工学的に作ること」です。AI モデルは専門家的で流暢な答えを出すように訓練されており、それは教えることで学ぶパラダイムが求める苦闘する初心者とは正反対です。なぜ、誤りを犯す被指導者の方が、正しい被指導者よりも学習に効果的である可能性があるのでしょうか。
ChatGPT に基づく教えられるエージェントは学習を改善しましたが、正しいコードを生成する傾向が誤り訂正の練習を制限しました。常に正しい答えを与える道具が、誤りを見つけ修正する練習を必要とする学習者をどう損ないうるでしょうか。
自分のクラス向けに「教えることで学ぶ」の活動を設計するとしたら、答えをコピー・ペーストするのではなく学生が本当の努力を注ぐほど、教える課題を帰結を持つものにするものは何でしょうか。

はじめに

教えることで学ぶは、通常プロテジェ効果に遡られる発見であり、教える準備をし——そして実際に他の人や教えられるエージェントに説明することが——一人で学ぶよりも深い処理を生む、というものです。教えることが要求するもの——考えを明確に述べ、誤解を見越し、説明を生成すること——が、学習者に知識を組織させ、自分の理解の穴を特定させ、保持と転移を支える説明を生成させ、メタ認知を強めます。AI はこの考えに両方向から入ってきます。チュータリングシステムと教えられるエージェントは学生の役を演じられます。一方、増えつつある文献は、機械が（生成 AI、コンピュータサイエンス教育）学習者ではなく説明を供給するとき、学習に何が起きるかを問います。

プロテジェ効果

教えることで学ぶは、教える準備をし実際に他の人に説明することが、一人で学ぶよりも深い処理を生む、という発見に立っています。教えることが要求するもの——考えを明確に述べ、誤解を見越し、質問に応答すること——が、学習者に知識を組織させ、自分の理解の穴を特定させ、保持と転移を支える説明を生成させます。利得は協働学習の文脈や、教えられるエージェントを支えるよく構造化された領域（例えば Betty's Brain）で最も明らかです。プロテジェ効果はそのメカニズムを名指します。学生は、何かを教える責任を感じるときにより多くの努力を払い、より深く省察します。そのため、説明とメタ認知を通じて誤概念を明確にし、穴を埋めます。

教えられるエージェント——規則ベースから会話へ

教えられるエージェントは、教えることで学ぶが実現されるソフトウェアシステムです——学習者が学習の一環としてシステムを教えます。伝統的な教えられるエージェントは規則ベースまたは検索ベースで、限られた命令にしか応答できませんでした。その主要な限界は、自然言語の対話に従事できないことでした。大規模言語モデルはこれを変えます。プロンプティングを通じて柔軟に役割を引き受けられます——質問をしたり間違いをしたりする「被指導者」の役割を含めて——そして開かれた対話に従事できます。これにより、以前は可能だったよりも構造化されていない領域（執筆、語彙）で LbT が可能になります。

ナレッジベースの証拠基盤は、この転換を会話的な LLM ベースの教えられるエージェントにたどります。

教えられるエージェントとしての ChatGPT（Chen et al.）は、プログラミングにおける LbT を支え、知識の伸び、プログラミング能力、自己調整学習を改善します——ただし、正しいコードを生成する傾向が誤り訂正の練習を制限します。
規模での Explique（Wang et al.）は、AI の教えられるエージェント（Algorithm Apprentice）を 11 週間の学期にわたり 546 人の学生に展開し、説明志向の対話が誤った小テストの提出が少なくなることを予測し、外部内容の再利用は多いことを予測することを見出しました。
語彙の教授（Uchida et al.）は、LLM を学生として用いて動的な質問を生成し、3 日目と 7 日目の保持を改善しました。

失敗を工学的に作ること——初心者の被指導者としての LLM

LLM ベースの教えられるエージェントにとって中心的な設計上の課題は、LLM が既定で専門家水準の流暢な応答を生むように訓練されていることです——LbT パラダイムが求める失敗しうる初心者とは正反対です。LLM を良い被指導者にするには、失敗を工学的に作ることが必要です。

生成された誤りは本物として通じうる。 目隠しをした注釈研究で、専門家は LLM が生成した Java の提出物 196 件のうち 164 件（83.7%）を人間が書いたものと誤分類したため、被指導者は正しいコードだけでなく、デバッグすべき現実的なバグを供給できます（Keramati et al. (2026)）。
教えやすさのためのプロンプティング（Miller & Bosch）は、誤りの生成を明示的に強制する制約ベースのプロンプト（例えば「誤って答えよ」「2〜3 問は間違えよ」）が、ペルソナベース、誤概念ベース、不確実性ベースのプロンプトよりもはるかに確実に初心者らしい行動を引き出すことを見出しました。
工学的に作られた知識の穴（Yang et al.）は、LLM が学生のみが持つ知識なしには解けない問題を設計し、教えることを必然にし、LLM をチュータとして使う受動的な過度の依存に対抗します。
Explique の見習いの制約（Wang et al.）は、被指導者に (a) 初心者のままでいること、(b) 学生の説明が正確になるまで明確化を求め続けること、(c) 目標とする説明を決して明かさないこと——を指示し、そして役割を逆転させて被指導者に説明させようとする学生に抵抗するよう指示します。
重み水準での失敗への経路としての学習の取消し。 機械的アンラーンは Mistral-7B において 16 の標的知識成分を抑制し、10% の忘却率で約 0.75 あった精度を 40% では 0.5 未満に落としましたが、基盤モデルは 0.85 近くを保ちました。抑制された知識は教師ありの再学習とコーチ主導の対話を通じて戻ったため、被指導者の知識水準は断言ではなくダイヤルです（Song, Guo & Lin, 2026）。

問いかけ、自己調整、能動的学習

2 つのさらなる供用性がナレッジベース全体で繰り返し現れます。

問いが知識の穴を特定します。 LbT システムは、学習者が生成した問いを用いて穴を露呈し、理解を強化し、LLM が生成した問いが硬直したテンプレートベースの生成器を置き換えます。
教え返しが明確化の見落とすものを表面化させます。 22 人の参加者による講義後の振り返りシステムで、Peer エージェントの省察的な教え返しは、学習者が理解したと信じていたものと口にできたものの間の隔たりを一貫して露呈し、講義に基づく明確化だけでは明らかにしなかったものを示しました（Fang & Reidsma (2026)）。
LbT は自己調整を足場かけします。 会話的エージェントを教えることは、自己効力感と自己調整学習方略の実践を育て、LbT を望ましい困難と結びつけます——説明し訂正するという努力の行為自体が、AI の摩擦除去が消してしまう生産的な苦闘です。
チュータの学習を予測するのは知識の構築であり、既存知識ではありません。 23 人の中学生のチュータにわたり、知識を言い直すのではなく構築した応答の割合が概念的な事後テスト得点を予測しました（β = .138、p < 0.05）が、事前のテスト得点は誰がそれを生み出すかを予測しませんでした。そして知識を構築した既存知識の低いチュータは、既存知識の高い仲間と同水準で終えました（Ameen et al., 2026）。

AI 教育においてなぜ重要か

教えることで学ぶは、支配的な LLM をチュータとするパターンに対する、構成的な能動的学習の対応物です。チュータが答えを与えるところ（そして過度の依存を招く危険があるところ）では、LbT の構成は学生を教師とし、説明、穴の検出、知識の構築を強いられます。これは LbT を、生成 AIを支えからより深い学習の道具へと変える主要な方略として位置づけ、望ましい困難、能動的学習、構成主義的教授法と結びつきます。