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

大規模言語モデル（LLM）

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。

大規模言語モデル（LLM） — 膨大なテキストコーパスで学習され、人間らしいテキストを生成するニューラルネットワークモデルであり、現代の教育におけるAIアプリケーションの大部分を支えています。LLMは、教育における生成的AIによるチュータリング、評価、コンテンツ生成の計算基盤です。

考えるための問い

  • AIのチャットボットがあなたに答えるとき、それは何を「知っている」とあなたは思いますか。このページはLLMを、検証済みの事実を検索するのではなく確率的にテキストを生成するものとして描いていますが、その区別はモデルの説明への信頼の度合いをどう変えるでしょうか。
  • LLMは、チュータリング、採点、コンテンツ生成、さらには学習者が何を知っているかの診断まで、現代のAI教育ツールの大部分を支えるエンジンとして説明されています。これらの用途のうち、どれが確率的なテキスト生成器に最も適切で、どれが最も不適切だと思いますか。その理由も教えてください。
  • このページは、3つの異なるLLMが同一の学習分析入力に対して著しく異なる支援計画を生成し、それぞれが異なる人口統計的前提を学習者プロファイルに課していたことを報告しています。モデルが助言者として互換ではないのであれば、ある1つを導入する機関にとってそれは何を意味するでしょうか。
  • LLMの出力はプロンプトや設定に敏感なため、同じモデルから2人の人が大きく異なる結果を得ることがあります。それは、学習者または設計者として、依頼の言葉遣いや単一の出力への信頼の度合いをどうあるべきかに、どう影響すべきでしょうか。
  • 主要な限界はハルシネーション——もっともらしいが根拠のないコンテンツ——です。チュータリングや採点の文脈で、モデルが何かをでっち上げていないと確信するには何が必要でしょうか。そして、実際の学生を評価させる前にどのような安全策を要求すべきでしょうか。

はじめに

AIEdのエンジンとしてのLLM

LLMは、ほぼすべてのAI教育アプリケーションを支えているため、ナレッジベースで最も多く参照される概念です（60以上の記事）。

  • チュータリング： AIチューターは、対話、説明、問題解決によるガイダンスにLLMを用います。学習とファインチューニングは、汎用LLMを教育用途に適応させます。

  • 評価： 採点システム、エッセイ採点、および項目困難度予測はLLMの能力を活用しています。Razavi and Powers（2026）は、GPT-4oがRasch IRTモデルで較正されたK-5の算数・読解項目の困難度を推定できることを示しました（N = 5170）。ゼロショット評価は真の困難度と中程度から強い相関を示しました（算数 r = 0.83、読解 r = 0.81）が、学年によってばらつきがありました。一方、LLMが認知的・言語的特徴を抽出して木ベースモデルに与える特徴量ベースの戦略では、相関は最大 r = 0.87 に達し——これは構造化された特徴抽出が、LLM単体の全体的な判断を上回りうることを示す証拠です。採点文献全体では、42の実証研究（2023–2025）を対象としたPRISMA準拠の系統的レビューが、LLMは詳細なルーブリックを持つ短く構造化された課題では人間の評価者と同等の成績を収めるが、複雑で開放的、あるいは主観的な課題では人間の判断を完全に置き換えられず、また採点の質を決する支配的要因はモデルのバージョンであると結論づけています（Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback）。信頼性は項目タイプによっても大きく異なります。Falahat et al.（2026）は、ChatGPT-5が薬学試験の客観項目では教員と高い一致を示した（CCC 0.935–1.000）一方、短答（CCC ≈0）とエッセイ（0.341–0.854）項目では信頼できず、ルーブリックを提供しても一致度は一貫して改善しなかったことを見いだしました。

  • 生成された項目ラベルは表面的な形式を追い、困難度は追わない。 378項目の監査では、LLMのEasy/Medium/Hardラベルが、自己が同時生成したBloom水準（ρ=0.90）および問題文の長さ（15.9語から30.2語）と完全に連動して上昇する一方、7,888件の学生回答に基づく実証的な項目困難度との相関はρ=0.06にすぎませんでした。これは生成時の困難度メタデータが、既有知識への要求ではなく書式を記述していることを示す証拠です（An & Wang（2026））。

  • 生成項目が専門家項目に匹敵しうる。 o3-miniを生成→判定→改訂のループで用いて71クラス分の試験を構築した研究では、ベイズ階層的2PL IRTモデルの下で、AI生成項目は専門家作成のAP Statistics項目より易しかったが弁別力が高く（ᾱ = 1.3 対 1.2）、情報量も多かった（I_max = 3.85 対 2.61）（Isley et al.（2025））。

  • 注釈の質は単一プロンプトの属性ではなく設計の結果である。 Bernado et al.（2026）は、ラベルを直接出力させるのではなく、5モデルのパネルに各発話に関する人間可読なアサーションを判定させ、それらの二値判定に対する透明な分類器（macro-F1 0.673、Cohen's κ 0.688）が、最先端モデルへの最良の直接プロンプト法（macro-F1 0.61）を上回ることを示しました。ただしファインチューニングしたRoBERTa-baseエンコーダ（0.76）には及びませんでした。モデル間の一致は有効性の証拠ではなく、ふるい分け装置として機能しました。

  • マルチモーダルAI推論LLMを評価者として： マルチモーダルで推論能力を持つLLM（GPT-o4-mini）が、296人の学生の手書きの一般化学試験をルーブリック画像に対して1ページずつ採点したとき、単一実行の合計点は高い再現性を示し（ICC(A,1) = 0.967、5実行の平均で0.993）、TAの合計点と強く一致しました（R² = 0.91）。しかし項目レベルの信頼性は答案形式に鋭く依存し——文章解答と反応式解答は良好に採点された一方、作図とグラフはランダム以下に劣りました（背景の方眼がAIの視覚を妨げます）。これはLLM評価者の信頼性が、生のモデル能力だけでなく答案形式と課題の関数であることを示しており、高リスクな用途には確信度フィルタによる選択的委譲が必要です（Assisting the grading of a handwritten general chemistry exam with artificial intelligence）。

  • コンテンツ： 生成的AIによるコンテンツ作成はLLMに依存しています。問題生成と動画生成はLLM駆動です。

  • 安全性： 教授法的安全性、ハルシネーション・リスク、およびSafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systemsの研究は、LLM特有のリスクを検討しています。

  • 診断： 知識追跡と認知的診断は、より豊かな学習者モデリングのためにLLMをますます取り入れています。誤り診断には根拠付け（grounding）が極めて重要です。Reddig, Arora & MacLellan（2025）は、GPT-4にチューターのインターフェース構造とベイジアン知識追跡によるスキル推定値を与えることで、因数分解における論理的誤りの同定率が40%から81%に向上したことを示しました（誤り診断全体では約87.8%）。ただし複数ステップの問題や複数の誤りを含む回答は依然として弱いケースであり、でっち上げられた「よくある誤概念」診断も残りました——これはLLMの診断的価値が、モデルそれ自体と同じ程度に、受け取る構造化された文脈と学習者モデル信号の関数であることを示す証拠です。

  • 生成から切り離された検証——ただし相関した失敗モードとともに。 Hossain et al.（2026）は、チューターの検索を教員承認済みの教材に限定し、主張をアーキテクチャ上独立したDeBERTa-v3-large-MNLI検証器に通しますが、両モデルが幅広いWeb学習を共有しているため相関した仕方で失敗しうること、また検証器はコードを実行せずにはコードトレースを検証できないことを注意深く指摘しています。

  • 評価モデルの転換（2017–2024）： 短答型理科問題の自動採点に関するMorley et al.のスコーピングレビューは、この分野が小型のBERTモデルのファインチューニング（2021年まで支配的）から、およそ2022年以降は大きなLLM（GPT-1/2/3.5/4）へのプロンプト（プロンプトエンジニアリング、ファインチューニングではなく）へと移行した軌跡を描いています。ドメイン拡張モデル、ルーブリック対応プロンプト、連鎖思考（chain-of-thought）が精度を押し上げました。しかしGPTモデルは標準コーパス上でBERTと比較されることが稀で、採点の説明ができる自動採点器は少なく、バイアスはほとんど検討されませんでした——これらの注意はLLM評価一般に当てはまります（Auto-marking short answer questions in science: The foundational years of transformer-based models from BERT to GPT-4）。

モデル固有の研究

ナレッジベースは、汎用LLM（GPT-4、Claude）と教育特化の適応の両方を扱っています。小規模言語モデルのベンチマークは、チュータリングにおけるSLMの性能を比較します。そしてSuvernev et al. (2026)は、SLMが、決定論的な道具が小さなモデルがotherwise暗黙に扱う負荷を担う、道具で拡張されたプランナーとして展開されるとき——教授法上の統制がモデルではなくエスカレーションの方策に宿る——エージェント的なチュータリングに構造的に適していると論じています。教育的アラインメントの研究は、LLMを教育学的に適切にする方法を扱います。3つの最先端モデル系列を対象とした教室研究——Oppenheimer, Cash & Connell Pensky（2025）——は、ChatGPT、Gemini、またはClaudeが論証的文章における協働的な批評パートナーとして機能しうることを見いだしました。学期を通じた反復的なエッセイの中で、学生は論証の質、プロンプトエンジニアリング、AIフィードバックへの応答のそれぞれについて、およそ標準偏差1個分ずつ向上し（すべて p < .001）、深く関与しました（87.8%がLLMの主張に反論）。これは汎用LLMを、単なる解答生成器ではなく実用的な協働学習パートナーとして位置づけます。

補完的な研究群は、LLMを静的な採点者ではなく教育学的推論のエミュレータとして捉え直します。Yaşar et al.（2026）は、意味論的に精密で反復的に共同洗練されたルーブリックで足場かけされたGPT-4が、デザインベース学習において人間の評価的判断を近似できることを示しました。初期のLLM–人間の一致は低く（Cronbach's Alpha = 0.393、Kappa −0.06から0.18）でしたが、ルーブリックの反復的改良により平均一致度は54.75%から81.25%に上昇し（最終Alpha = 0.798、Kappa 0.40–0.55）、人間とLLMの得点行列のK-meansクラスタリングでは重心が高い相関を示しました（r = 0.89）。この研究はルーブリックを、人間の教育的意図と機械の推論の間を媒介するインターフェースとして位置づけます——これは、既製品のLLMは評価者としても互換ではなく、その評価行動は与えられるルーブリックとプロンプトによって形づくられる設計の結果であることを示す証拠です。生のモデル能力も採点を差別化します。1,885の開放的回答で11のGenAIおよび文埋め込みモデルをベンチマークしたPecuchova, Benko & Drlik（2025）は、専門家の人間評価者とほぼ完全な一致に達したのはGPTo1のみ（Fleiss' Kappa 0.82）で、Claude3とPaLM2がわずかに続き、BERTのような参照整列モデルは大きく及ばなかったことを見いだしました——これは信頼できる開放的回答評価には最先端モデルの文脈感受性が重要であることを示しています。モデル差は高リスクな下流の用途でも重要です。López-Pernas et al.（2026）は、3つのLLMが同一の学習分析入力に対して著しく異なる学生支援の処方を生成し、それぞれが生成した学習者プロファイルに独自の人口統計的前提を課したことを示しました——これは既製品のLLMが処方的な助言者として互換ではないことの証拠です。同様に、Olvet et al.（2026）は、GPT-4の臨床前医学の開放的問題の採点が、3回にわたるルーブリックの反復的改良を経て初めて教員との実質的からほぼ完全な評価者間一致に達し（加重カッパ最大0.94）、全体ルーブリック項目では中程度に留まった（κw = 0.54）ことを見いだしました——これはLLM採点の信頼性を決する決定的な梃子が、生の能力だけではなくルーブリック設計であることを裏づけます。モデル固有の行動は、懐疑的なユーザーへのLLMの応答の仕方にも現れます。懐疑的なユーザーに相談されたAIシステムが採用を促すよう偏っていないかを検証するため、アルゴリズム監査は10の最先端LLMに対し、モンタナ州の地方に住むK-12のAI懐疑派というペルソナで各500回ずつ問い合わせました。10個中8個がユーザーの懸念を認めた上でAIへの関与の言説へと話題を転じました。合成スコアは3.85（Claude Sonnet）から7.52（Gemini 3.1 Pro Preview）まで幅広く分布し、モデル系列をまたぐAI評価者パネルはCohen's kappa >= 0.70を超えました。このパターンはモデル依存の設計結果でした。モデル能力はモデルの組み合わせ方にも依存します。Bird（2026）は8つの最先端Transformer（BERT、ELECTRA、RoBERTa、XLNet、ERNIE、ALBERT、DistilBERT、Longformer）をファインチューニングして英国のキーステージによる英文学の分類を行い、最良の単一モーダルTransformer（BERT）がF1 0.75にしか達しない一方——ファインチューニングしたELECTRAを計算言語学のニューラルネットワークと融合させることでF1が0.996に向上したことを見いだしました。これはTransformer単体のテキスト分類には限界があり、相補的な特徴との融合にこそ伸びしみがあることを示しています。

LLMはまた、好意的に同調しがちです。11モデルを対象に、AIの応答は人間の応答よりも49%多くユーザーを肯定し、より追従的な応答は高い評価を集めて信頼と継続利用を高めました——これは、建設的な異議申し立てが本質であるコーチング、チュータリング、フィードバックにとっては失敗モードです（Potel & Kumashiro（2026））。

関連する概念

関連する記事

関連するFAQ

メタデータ

技術と手法生成AI, 知的個別指導, プロンプトエンジニアリング, RAG（検索拡張生成）
評価と測定自動評価
公平性、倫理、責任ある利用ハルシネーション・リスク, 教授法的安全性
教育におけるAIの基礎AIリテラシー
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。