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

教授法的パターン

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。

教授法的パターン——このナレッジベースの研究が検証してきた、活動の順序づけられた配列であり、生成 AIが配列のどこに入り、人間の判断がどこに残らなければならないかに注意を払ったものです。教授法がアプローチ（アクティブラーニング、問題基盤型学習、協同学習）を分類し、学習設計がコースがどう設計されるかを記述するのに対し、このページは、学生と教師が実際に何を、どの順序で行い、それを試したときに何が起きたかを分類します。PAIRR——下書き、相互評価、AI による評価、省察、修正——は最もよく記録された例であり、その背後にあるパターンは複数の学問分野に再帰します。まず努力、次に AI、利害が伴うところに人間の判断。

検討すべき問い

  • パターンは配列であり、ツールではありません。あなたが教えている課題を一つ取り、学生がたどる動きの順序を書き出してください。その順序のどこで AI が助けになり、どこで AI が学生が行うべき仕事を代わりにやってしまうでしょうか。
  • ここにあるいくつかのパターンは、意図的に AI に弱い役割を与えています——答えではなくヒント、訂正ではなく問い。なぜ、意図的にあまり役に立たないチューターの方が良い学習を生むのでしょうか。そしてそれは、あなたの機関が購入している AI ツールについて何を意味するでしょうか。
  • このページで最も証拠の裏づけられたパターン（AI に教えて学ぶ）は、学生に説明を求め、説明の質と問いの質は改善しますが、客観的な想起は改善しません。もしそれを採用するなら、評価の仕方をどう変えるでしょうか。
  • AI フィードバックが教師フィードバックより高品質であったとき、学生はそれまで以上に修正を行いませんでした。それは、フィードバックを生み出すことと、学生にそれを使わせることの違いについて、何を示唆しているでしょうか。
  • 文脈が答えを変えます。ここにあるパターンのいくつかはオンラインで非同期的に検証され、他は実験室を伴う対面で検証されました。これらのうち、新しいツールなしにあなた自身の環境で実施できるものはどれで、あなたが持っていないインフラを必要とするものはどれでしょうか。
  • ここにあるほぼすべてのパターンは、判断の地点——採点、検証、解釈——に人間を置いています。それは設計上の選択でしょうか、証拠に基づく必然でしょうか、それともこれまで検証されてきたものの限界でしょうか。

はじめに

教授法はどう教えるべきかに答えます。このページはより狭く、より運用的な問いに答えます。動きはどの順序で起こるべきで、AI はその順序のどこに属するか。 この区別が重要なのは、同じツールが配列の中の位置によって正反対の結果を生むからです。学生が問題に取り組む前に置かれた生成 AI アシスタントは、その後の支援なしの成績を確実に低下させます。試みた後に、答えではなくヒントと共に置かれた、同じクラスのシステムは、その害を取り除きます。

以下のすべてのパターンは、証拠の状況と共に報告されます。ナレッジベースの網羅は均一ではなく、その違いは、何を採用するかを決める誰にとっても重要だからです。

  • 検証済み——制御された、または比較的な検証を報告する記事が少なくとも一つある。
  • 混在——検証はされたが、統制群がない、結果が衝突している、あるいは検証された変数が他の何かと絡み合っている。
  • 設計提案——そのアイデアが提案や枠組みとしてのみ現れ、検証の報告がない。これらはページの末尾の*設計提案（未検証）*に別に集められており、証拠ではありません。

パターンは、授業の中で果たす機能によってグループ化されています。助けの前に努力を置くこと、AI フィードバックと人間のフィードバックを対にすること、成果物ではなく理解を検証すること、学習者を教師にすること、協働を構造化すること、特定の誤概念に立ち向かうこと。文脈（オンライン、対面、ブレンド）と学問分野はそれぞれと共に報告され、末尾にまとめられています。

助けの前に努力を置くパターン

これらのパターンは一つの構造的主張を共有しています。学習者は、AI が貢献する前に試みにコミットしなければならない。それはナレッジベースにおいて最も一貫して支持されている設計規則です。

AI が答える前に想起または試みる

証拠：検証済み。 配列は以下の通りです。記憶から試み、指導または例を受け、間隔を空けたセッションで練習し、試みにコミットした後にのみ AI に相談し、誤概念を探る応答随伴的なフィードバックを受け、応答が適切な関与を示したときにのみ先に進む。

適応的な間隔空き想起の条件が、事後テストの最高得点（M = 78.19）を生み、ブレンド型統計学コースの 89 人の学生において、学習者主導の AI 学習（M = 67.28、d = 0.92、p = .003）を有意に上回りました。一方、固定された間隔は適応的と統計的に区別がつきませんでした（Akgun & Toker, 2026）。対照事例は決定的です。120 人の学生のランダム化比較試験で、制限のない ChatGPT と共に学習した群は、45 日後のサプライズ・テストでより少ないことを保持していました——伝統的な学習者の 68.5% に対して 57.5% 正解、t(83) = −3.19、p = .002、d = 0.68——そして、およそ 45% 少なく学習しており、その不利は学習時間を共変量としても残りました（Barcaui, 2025）。オンライン MBA の事前登録ランダム化フィールド実験では、利得は露出の分数ではなく完了した週数を追いかけました（追加の完了した個別指導週ごとに +2.00 点、p = .018）。これは間隔を空けた練習が総時間より重要であることを示唆します（Yang et al., 2026）。

生産的失敗——指導の前に試みる

証拠：混在、そして評判より弱い。 学生は、まだ教えられていない概念を狙った問題に取り組み、チューターは解答を差し控えて複数回の試みを引き出し、助けは厳密に必要なときにのみ与えられ、比較と直接的な指導による統合が続きます。

操縦されたチューターを用いて完全な配列を検証した唯一のフィールド研究は、シンガポールの高校生 17 人を用いました。操縦された条件はより高い生産的失敗スコアを達成し、問題の一貫性については有意（p = .046）で、学生はセッション当たり平均 2.6 個の表象を生み出しました（p = .05）。しかし、学習の成果は測定されませんでした（Puech et al., 2025）。最も強い支持は間接的で、26 人の学生による被験者内ランダム化実験から来ています。即答の足場かけは、モデル抽象化において、ピア、TA、チューターの役割よりも有意に劣ったのです（β = −0.692、p = .015; β = −1.039、p < .001; β = −0.769、p = .005）。学生は好んだにもかかわらず、指示的なチューターを——嗜好は力量に逆らいました（Zhu et al., 2026）。

誤り分析と誤った例

証拠：混在。 学生は、成果物の中の誤りを診断します——参照整合性を破る AI 生成の図、ジョインを落とすクエリ、LLM のコード断片——訂正を手渡されるのではなく修正を推論させる手がかりを受け、それを修復し、成果物のどの部分が信頼できなかったかを省察します。

オンラインのデータベースコースにおける 13 人の学生の事前・事後研究は、意図的な AI の失敗事例に基づく週ごとの批判と洗練のサイクルを用いて、7 点満点で 4.25 から 6.83 へ上昇しました（t(12) ≈ 5.10、p < .001、d = 1.49）。しかし統制群がないため、その伸びはカリキュラムや教員から分離できません（Hosseini, 2026）。コンピューティング教育研究 72 件の系統的レビューは、誤り分析が独自の力量であると報告しています。学生は、LLM 生成コードの訂正で、伝統的なプログラミングの試験課題よりも有意に劣ったのでした（Kumar et al., 2026）。ナレッジベースのいかなる記事も、誤った例を用いる指導そのものの制御された検証を報告していません。

自己説明を伴う例示済み問題

証拠：混在——二つの半分が分岐する。 例示済み問題は、完成させるべき欠けた正当化を伴って、あるいは見つけるべき誤りを伴って提示されます。学生はそれを完成または修復し、自分の推論を説明し、次の問題に取り組みます。

導かれた例とバグ入り例を適応的に割り当てることが、113 人の学生の教室研究において、問題の種類のランダムな割り当てに勝ちました（事後テスト M = 72.3 と 72.5 対 65.7 の統制群、A = .58、p = .005 と p = .002）。知識トレーシングの変種は、既有知識の少ない学生の達成度の差を 77.1% 縮めました（β = 9.4、p = .001）（Dey Tithi et al., 2026）。しかし、自己説明の段階を詳述された AI フィードバックに加えることは、302 人の参加者による事前登録実験で、すべての指標で負けました。フィードバックの時間を倍にし（4.1 対 2.1 分、p < .001）、完了した問題数を 40% 減らし（2.0 対 3.4、p < .001）、エピソード当たりの伸びを生まず（OR = 1.03、p = .486）、セッション終了時の習得を下げました（65% 対 79%、d = .41、p < .001）（Asher et al., 2025）。

AI フィードバックと人間のフィードバックを対にするパターン

AI フィードバックについてのナレッジベースで最も再現された知見は、それが単独よりも人間のフィードバックと組み合わせる方がよく機能すること——そして、学生がそれを使うかどうかを決めるのは、その品質ではないということです。

PAIRR——省察を伴うピアと AI の評価

証拠：混在（広く実施されているが、制御されていない）。 学生は、AI とフィードバックがどう機能するかを読み、省察し、下書きし、相互評価を与え受けし、同じ下書きについての規準駆動のフィードバックを AI に求め、両者を批判的に比較し、修正計画を書き、修正し、どのフィードバックが何を変えたかを省察します。

今日までの大学生の AI フィードバック利用に関する最大の研究は、10 のライティングコースと 3 つのライティング集約型STEMコースにわたる 654 人の学生を追跡しました。58% が ChatGPT とピアフィードバックの組み合わせを好み、36% がピア単独、わずか 6% が AI 単独でした。75% が両者を似ており相互に強め合うと見なし、AI フィードバックは 31% に「あまりにも一般的」と呼ばれる一方、ピアフィードバックは 28% にとってより具体的でした。そして、AI フィードバックに対する過信を示したのは 5.3% のみでした（Sperber et al., 2025）。このモデルは、34 人の学生がいる上級のビジネスライティングコースでも実施され、そこで符号化された省察の約 4 分の 1 が、AI フィードバックへの懐疑や不正確さの指摘を表明しました（MacArthur et al., 2025）。どちらも知覚のデータを報告しており、統制条件を持つものはありません。それが、このパターンが検証済みではなく混在である理由です。

組み合わせたピアと AI のフィードバック

証拠：検証済み。 比較的な証拠は PAIRR プログラムの外から来ています。122 人の中国人 EFL 学生による準実験は、AI とピアを統合したフィードバックが、ピアフィードバックのみに対して、行動的、感情的、認知的エンゲージメントを高めたことを見出しました（すべて p < .001; 偏 η² = 0.28、0.28、0.32）。そして、四つの IELTS の側面すべてでライティングを改善しました（F(1,119) = 42.68、p < .001、偏 η² = 0.26）、最も大きいのは達成された課題でした（d = 1.41）——遅延事後テストがないため、持続性は未測定です（Liu, 2026）。12 グループの 45 人の学生教師によるランダム化研究では、GenAI 支援のピアフィードバックが議論において通常のピアフィードバックに勝ち、プロンプトによる足場かけを施された変種が、反論のデータや反対の見方への対処といった高度な要素で最も良い成績を収めました（Chang et al., 2026）。

AI による批判、そして修正

証拠：検証済み——重要な帰無結果を伴って。 下書きし、規準駆動のフィードバックを AI に求め、そのフィードバックを規準と情報源に対して批判的に評価し、修正計画を書き、修正し、省察します。

120 人の英語専攻学生による制御された 2 × 2 要因実験は、フィルタリングと評価の両方の訓練を受けた群で、ライティングの質の伸びが最大であったことを見出しました（M = 7.92）、他の条件の 6.10、4.56、3.10 に対して。深い修正は 28% から 48% へ上昇し、その優位は新しい話題において、そして AI の支援を取り除いた後も持続しました（Dai, 2026）。帰無結果が教訓的な部分です。70 人の学生によるランダム化 3 群実験で、連鎖思考プロンプトを用いた AI フィードバックは、ゼロショットの AI フィードバック（p = .01）と教師フィードバック（p = .008）の両方よりも有意に高品質でしたが、この品質上の優位は、より大きな修正の伸びに翻訳されませんでした——教師フィードバックは同等の改善を生みました（Farrokhnia et al., 2026）。

AI の成果物の人間によるループ内の検証

証拠：混在——検証の段階が検証される変数になることは稀。 AI が下書きの成果物を生成し、自動化された検証エージェントがそれを現実性、読みやすさ、幻覚について確認し、失敗した確認は洗練のためにループバックし、教師が何かが学生に届く前に検証し、編集し、採用または棄却します。

8 人の教師による 4 エージェントのループは、212 問の問題を生成し、そのうち 166 問がそのまま採用されました。現実性の確認は意図通りに機能しました（現実性の問題 10 件が旗付けされ、量または単位の編集 20 件、最終的な問題に数学の誤りは見つからず）——しかし興味との適合が弱点で、学生は 422 の応答のうち 160 でそのトピックを拒否しました（Walkington et al., 2026）。30 人の教師によって評価された教育者によるループ内のフィードバックツールは、九つの項目すべてで 4.1/5 を下回ることはなく、課題当たりの中央の時間を 10〜30 分から 5 分未満に短縮しましたが、著者らは学生評価がないことを認めており、したがって学習に関する主張は支えられません（Zhao et al., 2025）。レッドチームの実験が賭け金を具体的にします。5 件のプロンプト・インジェクションのうち 2 件が、100%（9/9）と 94%（17/18）で気づかれずに成績を変え、AI 採点の成果物に対する唯一の本当の確認として教師を残しました（Humble, 2026）。

成果物ではなく理解を検証するパターン

AI は有能な成果物を生み出せるため、これらのパターンは、成果物が単独では供給できない証拠へと評価を移します。

口頭とヴィーヴァによる検証

証拠：形式としては検証済みだが、結果は学習ではなく得点と感情についてのもの。 コーディングの課題は AI を許容して提出され、48 時間以内に、学生がプログラムを説明し統合テストをその場で実行する、必須の 15 分間の口頭コードレビューが続きます。レビューに 70%、ルーブリックに 30% で採点されます。

96 人の学生による 3 学期の準実験は、新しい政策にもかかわらず試験の成績に統計的に有意な変化を見出しませんでした（一つの試験で約 2% の改善）が、貼り付け文字数の総文字数に対する比率は 61.0% から 68.1% へ上昇しました（p < 0.0001）。90% の学生は、レビューが自分のコードをよりよく理解する動機になったと言い、65% は過度の依存を避けるのに役立ったと言いました（Fowles et al., 2026）。非同期で録音された口頭応答は、対面の多肢選択よりも有意に高い得点を生みました（中間 Md = 92.5 対 70、p < .001; 期末 Md = 94.2 対 86.4、p = .002）、形式間の相関は中程度でした（τ = .44 と .25）——そして著者らは、これらは形式の得点差であり、学習の伸びの証拠ではない、そして不正行為は測定されていないと注意します（Pentland et al., 2026）。方向が一様に肯定的というわけではありません。学生はチャットベースのヴィーヴァでより落ち着いていました（M = 6.50 対 5.86、p = .028）が、対面のヴィーヴァを自分の仕事を理解する上で有意に良いと評価しました（p = .004）（Yusuf et al., 2026）。

段階的なチェックポイントとプロセスの証拠

証拠：混在——メカニズム自体の制御された検証はない。 コースワークは段階的なモジュールとして進行し、それぞれが、成果物とアプローチの両方を検証するチェックポイントで終わります——ハードコーディングで到達した正しい結果は棄却されます——そして、学習者を飛ばされた段階に戻す、事前進行確認があります。

自己ペースの量子情報コースにおける 5 人の大学院生の事例研究は、75 の相互作用を記録し、成果物とアプローチの二重のチェックポイントが意図通りに機能したことを確認しましたが、統制群はありませんでした（Elhaimeur & Chrisochoides, 2026）。ストップブロックのチェックポイントを用いた 27 人の試行は、評価された 10 すべての技能領域で有意な自己効力感の伸びを報告しました（p < 0.001）。ただし被験者内の事前・事後デザインであり、その伸びは練習効果から分離できません（Naboulsi, 2026）。248 人の生体医工学学生による 3 年間の準実験は、マイルストーンとルーブリックを伴う 4 モジュールの問題基盤型学習を加えた後、A の比率が高いことを見出しました（66.4% 対 39.1%、Δ = +27.3 点、p = 0.042）。パンデミックの影響を受けた年を除外した後も持続しましたが、その比較は歴史的で非ランダム化です（Nnamdi et al., 2026）。

学習者を教師にするパターン

AI の被指導者に教えて学ぶ

証拠：検証済み、そしてこのページで最も証拠の裏づけられたパターン。 学生は内容を学び、それを、対象の説明を決して明かさない初心者の姿勢をとるようプロンプトされた AI に説明します。AI は説明、例、検証の推論を、低次から高次へと順序づけて求め、説明が満足のいくものになるまで粘ります。

68 人の職前教師による準実験は、生成 AI の初心者の学習者に説明することが、反転授業の定義（M = 4.18 対 3.29、p < 0.001、r = 0.474）とその活動（M = 4.91 対 3.06、p < 0.001、r = 0.642）でより高い得点を挙げ、より多く質の高い問いを生成したことを見出しました（両方 p < 0.001）——しかし、客観的な問いでは群間差を示しませんでした（M = 23.18 対 21.57、p = 0.416）（Wang et al., 2026）。41 人の学生によるランダム化実験室実験は、より高い知識テストの得点（調整済み 11.86 対 10.53、F = 35.54、η² = 0.74）と、より明確で読みやすいコードを見出しましたが、コードの正しさに差はありませんでした（Chen et al., 2024）。546 人の学生にわたる 11 週間の展開は、深い学習行為が一つ増えるごとに、予想される小テストの受験が 2.7% 減少することと関連しました（IRR 0.973、p < .001）。その比較は、費やされた時間と、30〜35% に上昇する学期後半の外部コンテンツの再利用によって混乱しています（Wang et al., 2026）。一貫した形は、説明と生成的な仕事の伸びであり、客観的な想起の伸びではありません。

協働を構造化するパターン

一人の共有 AI を用いた台本化された役割

証拠：検証済みだが、通常の教室ではなく、制御されたまたは非制御の環境において。 二人の学習者が一つの AI を共有し、交代の規則を伴う明示的な役割を割り当てられます。AI は必要に応じて役割をとるよう構成され、その成果物はグループ全体に行き渡ります。ペアプログラミングの変種では、共有された AI が二者の共同の注意と努力をモデル化し、最大 30 秒先まで破綻を予測し、何もしないから指示的なヒントまで段階的に足場かけをエスカレートさせます。

26 組による被験者内実験は、フィードバック条件がより高いデバッグの成功を達成したことを見出しました（t[49.96] = −13.51、p < .0001）、そしてより速く終えました（t[44.70] = 4.39、p < .0001）。ただし、デュアルの視線追跡と瞳孔計測のハードウェアを必要とし、監督なしのペア作業への転移は検証されませんでした（Golrang et al., 2026）。16 グループの 58 人の大学院生による準実験は、役割の設計がマインドマップの内容の得点を 1〜5 の SOLO 尺度で 3.65 から 4.59 へ高めたことを見出しました（z = 3.771、p < 0.001）。一方、ノードと枝の数は横ばいのままでした——ただし統制群がないため、練習効果を排除できません（Cheng et al., 2026）。

AI に支援された議論

証拠：混在——唯一の直接的な実施は事例記述である。 学生は、シナリオを分析し、誘導された問いに独立して答え、同じ問いについて標準化されたプロンプトで ChatGPT に問い、自分自身の答えに対して AI の応答の正確さを評価し、自分の答えを洗練させ、クラス全体の議論で締めくくります。

経済学の活動は、意図的に AI の誤りを利用します——ChatGPT は、歌に描かれた行動を「完全に弾力的な」需要と呼びますが、正しい答えは非弾力的です——AI の成果物の検証を議論に変えることで（Beck & Brodersen, 2025）。これは教員の印象を報告しており、測定された成果ではありません。67 人の教師教育学生による、検証された協働的な議論の配列は、実験群が講義の統制群を上回ったことを見出しました（M = 51.45 対 43.89、p = 0.001、g = 0.839）、共調整が上昇しました（p = 0.043、g = 0.512）——ただし、AI はその技法を設計するために用いられ、議論を媒介するためではありませんでした（Tutal, 2026）。

特定の誤概念に立ち向かうパターン

反論と概念的変容

証拠：検証済み——直接的に衝突する結果を伴って。 学習者の特定の信念を引き出し、それに立ち向かう反論テキストまたは個人化された AI との対話を提示し、反証と正しい説明に関与させ、正しい概念を言い直させ、遅延の後に再テストします。

375 人の成人による事前登録実験は、個人化された誤概念との AI 対話が、教科書形式の反論と中立的な AI 対話の両方よりも有意に大きな即座の信念の減少を生んだことを見出しました。10 日後には持続しましたが、2 か月までには教科書形式の反論と収斂しました（Corbett & Tangen, 2026）。413 人の 10 年生によるソロモン四群準実験は、逆を見出しました。専門家が書いた概念的変容のテキストと AI 生成のそれは、どちらもインタラクティブな ChatGPT との対話よりも有意に効果的で、後者は統制群に対して有意な優位を示さず、その伸びはほぼ独占に高成績の学生に限られていました（Akdogan, 2025）。二本目の論文はその衝突を明示的に旗印とし、それをプロンプトの設計と領域に帰しています。反論テキスト自体は、どちらでも統制群に勝ちました。

文脈と学問分野

パターンが文脈に要求するものを決め、いくつかのパターンは一つの環境のみで検証されました。

  • オンラインと非同期。 想起と間隔空け、ソクラテス的変種、自己説明を伴う例示済み問題、プロンプトによる足場かけを用いた利用、非同期的な口頭評価、教えて学ぶ展開。非同期的な環境は、システムが学生が最初に試みたかどうかを見られないため、順序づけを負荷のかかるものにします。
  • 対面とブレンド。 生産的失敗、誤り分析、反転の変種、口頭コードレビュー、台本化された協働、概念的変容の研究。授業時間はしばしば置き換えられるのではなく再配分されます——口頭レビューのパターンでは、講義が映像に移り、授業時間が面接を保持できるようにしました。
  • 検証された証拠に表れる学問分野。 ライティングと言語学習（PAIRR、組み合わせたピアと AI のフィードバック、AI による批判そして修正）、数学（想起と間隔空け、生産的失敗、例示済み問題、誤り分析）、コンピュータサイエンス（ソクラテス的アシスタント、誤り分析、口頭コードレビュー、教えて学ぶ、台本化されたペア作業）、医学（臨床面接におけるソクラテス的な足場かけ）、教師教育（台本化された議論、教えて学ぶ）、ビジネス（反転した MBA の個別指導）、そして物理学、科学、職業教育の環境は概念的変容と口頭評価の研究のものです。

証拠がまだ支えていないこと

はっきり述べておきます。これらは、最も静かに落とされがちな知見だからです。

  • より良い AI フィードバックは、より多くの修正を生まない。 より高品質な連鎖思考フィードバックは、品質において教師フィードバックに勝ち、修正上の優位を生みませんでした（Farrokhnia et al., 2026）。
  • ソクラテス的な問いかけは、自動的により良いわけではない。 132 人の学生のランダム化試験は、完全な文脈を伴うソクラテス的アシスタントが、課題の達成を支える点で、他のすべての構成よりも有意に劣ると評価されたことを見出しました（平均順位 48.63、μ = 3.53、4.27、4.16、4.12 に対して; χ²(3) = 12.14、p = .007）、外部 LLM の利用が最も多く（23%）、完全な理解の応答が最も少なく（48% 対 67%）（Eastwood et al., 2026）——一方、医学の RCT は、ソクラテス的チューターを含むマルチエージェントシステムが、統制群を試験とコミュニケーションの得点で破ったことを見出しました（Yang et al., 2026）。
  • 学生は、より効果的でない役割を好む。 指示的な個別指導が好まれ、即答の足場かけはモデル抽象化を抑圧しました（Zhu et al., 2026）。
  • 検証の形式は、学習を実証することなく得点を変える。 口頭の形式は得点を上げ不安を減らしましたが、ある研究は対面が理解にとってより良いと見出し、不正行為を測定した研究はありません。
  • AI の成果物の人間による検証を単離する制御された検証はなく、チェックポイントのメカニズムが操作される変数として検証されたことはありません。
  • 生産的失敗と誤り分析は、小さく非制御の研究に依る（n = 17 と n = 13）。それらは、学習の成果ではなく、方略の忠実性や自己申告を測定しています。

設計提案（未検証）

以下のパターンは、ナレッジベースの維持者が提供した教員向けガイド（AI-Ready Course Design、2026 年 9 月）から来ています。そのガイドは、その例が設計提案であり、検証された介入ではないと明示的に述べており、このナレッジベースのいかなる記事もそれらを検証していません。それらは、試して評価する価値のある設計アイデアとしてここに記録されており、証拠として読んではなりません。

  • 論証 + 修正の軌跡（作文、人文学）。小文のみの提出を、最初の論旨、注釈付きの出典の二つの箇所、修正された小文、150 語の決定メモに置き換えます。AI による批判は最初の下書きの後に許容します。主張と証拠の結びつき、そして出典に照らして正当化された、採用または棄却された一つの提案を評価します。
  • データ + 理由づけられた主張（科学、実験コース）。磨き上げられた実験報告書を、生の観察、一つのグラフ、不確実性の注記、結果を主張に結びつける説明に置き換えます。AI は提供された解釈を批判でき、学生はその批判を自分のデータに対して検証します。
  • 試み + 誤り分析（準備微積分、微積分）。答えのみの宿題を、最初の試み、欠陥のある例示済み解法の分析、修正された説明に置き換えます。ヒントは試みの後にのみ許容されます。これは上記の誤り分析パターンの設計上の形態であり、そのパターンの弱い証拠基盤を受け継ぎます。
  • 立場 + 挑戦 + 再考（心理学、社会学）。「一度投稿し、二度返信する」を、コースの概念を用いた事例に基づく主張に置き換えます。ピアが反例を提供し、著者は証拠と共に修正または防御します。
  • プロジェクト + 結びついた確認（ビジネス、健康専門職）。架空の組織または患者の事例に対する AI 許容の提言に、二つの主要な決定の簡潔な説明と、変化した制約への応答を対にします。二つの構成要素の間の採点の関係を公表します。
  • 計画 + 試行 + 適応（大学での成功術）。一般的な時間管理の省察を、一週間の学習計画、それを試した簡潔な記録、そして起きたことに結びついた修正に置き換えます。AI は、学生が制約を特定した後に、スケジュールの選択肢を提案できます。

ガイド自身の注意が当てはまります。録画された映像、省察、ログはそれ自体が AI に支援されうるため、完全に非同期的なコースでは、録画は独立した習得の検証として扱われるべきではありません。その二つの枠組み——評価の双子と、不正の抑止策としての非同期的な口頭評価——は検証を待つ枠組みのままです。上記で引用された非同期的な口頭評価の研究は、形式の得点を測定し、不正行為は全く測定しませんでした。

Connected Concepts

Connected Articles

関連するFAQ

メタデータ

レベルHigher Ed, K 12
対象読者Instructors, Instructional Designers, Faculty Developers
学習と教授教授法と教授戦略, 足場かけ
評価と測定形成的評価, 相互評価, AIフィードバックの質
教育におけるAIの基礎教育におけるAI, 学習デザイン
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。