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

質的研究

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。

質的研究 — 人々が諸現象をどう経験し、解釈し、意味づけるかを研究する実証的方法の一群であり、典型的には数値ではなく、言葉、観察、人工物を通じて行われます。AI教育において、質的方法は、生徒と教師がAIツールを実際にどう経験するかを明らかにします。標準化された測定が見落とす、意味、緊張、害、メカニズムです。AI教育は急速に動いており、その効果はしばしば文脈、知覚、そして信頼やエージェンシーのような争われた構成概念によって媒介されるため、質的研究は量的なデザインと並んで不可欠です（AIED における研究方法参照）。

考えるための問い

  • 調査は生徒の40%がAIチューターを信用していないと教えてくれます。フォーカスグループは、なぜ信用していないかを教えてくれます。どちらの数値がより実行可能だと感じるでしょうか。そして「なぜ」は、百分率にはできない何を加えるでしょうか。
  • 質的研究の知見は通常、統計的には一般化可能ではありません。それでも「概念的には一般化可能」であることがよくあります。他の場所にも移りうるメカニズムや動態です。読み始める前に、ある知見が統計的には一般化可能でないが概念的には一般化可能であるとは、どういうことでしょうか。
  • このページは、人間の合意が正解（グラウンドトゥルース）でない場合、人間とLLMのコーディングの一致はコーディングの質と同じではないと注意を促しています。「二人の査読者が一致した」ことを、何かが正しい証拠として扱ったことがあるでしょうか。一致はいつ真実の信号で、いつは単なる共有された誤りでしょうか。
  • AIが今や質的コーディングを大規模に支援できるとしたら、それは質的研究を価値あるものにしている解釈的な深みを脅かすのでしょうか、それともその面倒な作業を自動化するにすぎないでしょうか。ある研究でどちらが起きているかを、どう判断するでしょう。
  • 質的研究は、大規模な調査が見落としがちな、代表性の低い声 — 少数民族の生徒、懐疑的な非利用者 — を中心に据えます。AI教育について耳にした主張を一つ挙げてください。その見出しの数値には、誰の経験がおそらく捉えられていないでしょうか。
  • あなたが関心を持つ争われた構成概念を一つ選んでください — 信頼、エージェンシー、あるいは害。読み始める前に、それを数値ではなく言葉と観察でどう研究するか構想し、そうすることで何を失うか書き留めてください。

はじめに

質的研究は単一の方法ではなく、何を研究するか、証拠をどう集め分析するかによって組織化された一群の方法です。それらを結びつけるのは、幅や因果の統制よりも、意味づけ、文脈、深みを重視することです。質的研究の知見は典型的には統計的な意味では一般化可能ではありませんが、しばしば概念的には一般化可能です。他の状況にも移りうるメカニズム、カテゴリー、動態を明らかにするのです。この知識ベースのコーパスでは、質的研究はAIの受容、信頼、害、教授の実践、学習過程の研究で顕著です。

主要な質的アプローチ

テーマ分析

テーマ分析は、質的データ — 典型的にはインタビューやフォーカスグループの逐語録、自由記述式の調査回答、文書 — にわたるパターン（「テーマ」）を特定し、コード化し、解釈するものです。これはこの知識ベースの質的研究で最も広く用いられているアプローチです。インタビューと自由記述の回答はそれ自体自己報告データであるため、行動について何が主張できるかという点で同じ限界を共有します。自己報告の証拠が強い部分と崩れる部分については、そのページを参照してください。物理学における信頼と有用性のギャップに関する研究は、生徒のインタビューデータのテーマ分析を用いて、分野特有の懐疑心と採用の選好を浮き彫りにしています。GenAIと教師のフィードバックの比較は、有用性と信頼性に関する生徒の知覚を分析しています。成人のAI学習のための指針は、専門家と学習者の入力のテーマ分析から設計原理を導き出しています。AIが教授のワークフローをどう変えるかは、教育者の語りに依るテーマ分析によっています。

コーディングの信頼性は、一度きりの検証ではなく継続的な手続きとすることができます。Galiç et al.（2026年）は、Krippendorffのα = .803で気づきに関する304個の記述文をコード化し、5件の重複する事例についての一致率を監視し（統合κ = 0.937）、一致率が0.85の再較正のしきい値を下回るたびに争われた記述文を再コード化してから作業を再開しました。コード化された記述文はその後、どの次元が共起するかをモデル化する認識論的ネットワーク分析に入力され、平坦なテーマの一覧ではありません。

グラウンデッド・セオリー

グラウンデッド・セオリーは、先験的な枠組みを検定するのではなく、データから理論を構築します。理論的飽和に至るまで反復的なコーディング（開放的 → 軸足的 → 選択的）を用います。これは、創発しつつあるAI教育の現象について新しい理論を構築するのに理想的です。Liu et al.は、道具か、チューターか、それとも杖かというグラウンデッド・セオリーを展開しています。これは、生徒がプログラミング教育においてAIに対して認知的に足場かけするのか負荷をオフロードするのかという、三様式の類型です。認知的オフローディングを直接的に理論化したものです。批判的AIチューターに関するグラウンデッド・セオリー研究は、そうしたチューターが学習者を力づけるのか隷属させるのかを検討しています。人間中心のGenAIフィードバック設計は、複数地点の研究にわたってグラウンデッド分析を用いています。そうしたグラウンデッド・セオリーがこの分野の理論構築にどう資するかについては、教育分野におけるAIの理論発展も参照してください。

現象学とフェノメノグラフィー

現象学的アプローチは、ある現象の生きられた経験 — AIと学ぶとはどのようなことか — を研究します。一方フェノメノグラフィーは、人々がある現象を経験し理解する質的に異なる仕方を研究し（「記述のカテゴリー」を生み出します）。The Absent Cognitive Baselineは、AIの下での自己評価に関する生徒の生きられた経験に依拠して、構造的な隔たりを理論化しています。ある現象学的研究は、理解していないことを自覚しながらAIを使って課題を仕上げる経験を捉えています。社会文化的・解釈学的研究は、GenAIが数学の学問的実践の中でどう「暴走する対象」になるかを分析しています。

談話分析

談話分析は、使用されている言語がどう意味、アイデンティティ、権力を構築するかを検討し、教室での会話、書かれたテキスト、相互行為の連続を分析します。NSPAは、教室の相互行為の理解における方言バイアスを軽減するため、長期的な教室の談話分析（ここでは計算機に支援されたもの）を行っています。少数民族の予備学生に関する研究は、プロンプトエンジニアリングの課題における協同的な談話を分析しています。談話分析は、教育NLPと組み合わせられることで、質的解釈と計算論的手法とを橋渡しします。

Poudyal（2026年）は、談話のコード化が数えられる規則として表されることで、どう監査可能になるかを示しています。366件の要旨と91,405トークンにわたり、行為者が述語の前に現れ、その間に介在する語が6語以内であるときにのみ連関が数えられ、名詞的な近接は除外されます。そのため「AIガバナンス」がAIが統治している証拠として数えられることは決してありません。これは依存構造の解析ではなく、規則に基づく近似であり、その限界は設計において明示されています。

観察とエスノグラフィー

観察研究は文脈の中の行動を見守ります。エスノグラフィーはこれを、しばしば研究者が参与観察者となる、ある場の持続的で没入的な研究に拡張します。トリオ・エスノグラフィーは、LLMに支援されたプログラミング教育において、生徒の解釈がどう進化するかを跡づけています。教室のケーススタディは、生物学におけるAIリテラシーの統合を観察しています。観察的な方法は、報告された行動ではなく、実際の行動（学習者がAIで何をするか）を捉えます。これは、態度の量的測定を支配している自己報告式の調査を補完するものです。

ケーススタディ

ケーススタディは、境界づけられた事例（一つのコース、一つの機関、一人の学習者）を複数のデータ源を用いて深く調査するものです。ビジネススクールのケーススタディは、GenAIについて生徒の視点から得られた教授・学習の枠組みを生成しています。生物学のケーススタディは、AIリテラシーの統合を記録しています。ケーススタディは幅と深みを交換するもので、一般化よりも理論生成と移転可能な洞察において強みを持ちます。Khlaif et al.（2026年）は、パレスチナの3つの大学にわたる視覚に障害のある学部生21名について、半構造化インタビューのテーマ分析を用いて、GenAIがインクルーシブな学びのための支援技術としてどう機能するかを示す、質的なケーススタディを提供しています。これは、量的測定が見落とすメカニズム（個別化された適応、教師の増強、教育の機会均等）を浮き彫りにする、ケーススタディ研究の一例です。

Swidan（2026年）は、ある教師と生徒8名について、ビデオ、警報システム自身のログ、刺激想起インタビューを三角測定しています。感情的な信号は、教師の応答を通じてのみ意味を獲得したことを示しており、独立したコード化も感情検出の検証もない、単一の筆者による二段階のエピソードコード化は、一人のコード化者によるケース分析が保証できるものの限界を示しています。

インタビューとフォーカスグループ

半構造化インタビューとフォーカスグループは、上記のすべてのアプローチにわたって主要なデータ収集の手段です。それらは豊かで文脈に即した語りを引き出します。この知識ベースの質的コーパスは、実質的にインタビュー（例えば専門性への経路）とフォーカスグループ（例えばテキスト-to-画像における能力のパラドックス、Guidelines for Designing AI Technologies to Support Adult Learning）の上に成り立っています。質は、入念な質問の設計、変動を見込んだ標本抽出、厳密な分析に依存します。

質的研究が知識ベースに現れる仕方

AIと質的分析

近年の特徴的な発展は、質的コーディングを支援するためにLLMを用いることです。この知識ベースの証拠は、慎重であるよう促すものです。Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysisは、LLMと人間のコーディングが分岐し、誤りが時間的な分析に連鎖していくことを示しています。Agreement Is Not Qualityは、人間の合意が正解でない場合、人間とLLMのコーディングの一致はコーディングの質と同じではないことを示しています。LLMに支援されたコーディングは質的分析を拡大し加速させることができますが、その出力は人間の判断に対して検証される必要があります。これは、質的研究と教育NLPとAI教育の評価との重要な交差点です。

流暢な出力の問題と保証可能性。 Holster（2026年）は、なぜ正確さと開示だけがAIに支援された質的研究にとって不十分な基準であるのかを鋭くしています。LLMはコーパスを数分で流暢なトピック、引用、頻度に関する主張に再編できるため、それらを生み出した分析の経路を覆い隠すことができ、そして人々は処理しやすい流暢な出力をより真実らしいと評価する傾向があります。Holsterは、正確さと開示に補完するものとして保証可能性を提案します。AIに支援された解釈は、出典データから主張までの経路が点検可能で、論争可能で、修正可能なままであるとき、保証可能なのです。その構成的な仕組みは、意味論的レンズ（抽象の水準にわたるコーパスの文書化された再編成）と、保証の人工物 — 出典に紐づくトピックの表、レンズの積み重ね、証拠の流れ — の主張相対的な一群です。道具の中に組み込まれ、流暢な分析がたどり直せる経路の記録も生み出すように設計されています。これは、生成AIの時代に向けてこの分野の監査証跡の伝統を延ばし、最終的な解釈のほかに査読者が具体的に論争できる何かを与えるものです。

  • マルチエージェントのLLMコーディングにおいて、信頼性は正確さではありません。 二人のAIコーダーが独立してコード化し、不一致を議論して調整した、文献に基づくパイプラインは、すべてのデータセットとラベルについてコード化者間の一致率がCohenのカッパ0.85を上回りましたが、基準に対するF1は0.31から0.89にわたりました（平均0.68、SD 0.16）。これは、どちらも誤っていたエージェント間の高い一致です。より長いコードブック（t = -11.702）とより類似した抜粋（t = -9.249）は当初の正確さを下げ、議論の回数は正確さと正の相関を持ち（t = 7.997）、正しく解決された葛藤と協働的な様式は負の相関を持ちました（t = -9.720と-8.420）。したがって、収斂は正しさの弱い代理です。実践的な含意は、AIに支援されたコーディングには、エージェント間の一致ではなく、人間の参照基準に対する照合リスト水準の裁定が必要だということです。（How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding）

強みと限界

  • 強み: 深い生態学的・概念的洞察。予期せぬ現象、リスク、メカニズムを浮き彫りにする。理論構築に不可欠（教育分野におけるAIの理論発展参照）。意味、文脈、争われた構成概念を捉える。代表性の低い視点を中心に据える。標準化された測定が立ち遅れる、急速に動く現象の研究に強い。
  • 限界: 統計的一般化可能性は限定的。解釈的で研究者に依存する（信頼性の問題）。小さな標本。因果に関する主張の支持は弱い。知見は研究間で統合しにくいことがある。時間と労力がかかる。

質的方法と量的方法は競争するものではなく補完するものです。両者の対照と三角測定についてはAIED における研究方法を、両者を組み合わせたデザインについては混合研究法を参照してください。

関連する概念

関連する記事

メタデータ

研究デザインInterviews, Case Study
研究方法と評価質的研究, AIED における研究方法
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。