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

自己調整学習

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。

自己調整学習（SRL）は、学習者が自分の認知的・行動的な働きかけを首尾よい仕方で形づくり発展させうる能動的な参加者であると記述します。AI ツールは SRL の発達を足場かけすることもできれば、専門性を築く調整の要求を取り除くことで、それを不注意に短絡させることもできます。(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) 縦断的な証拠はその区別を鋭くします。AI ツールを巡る省察的な利用は批判的思考を予測しました（β = 0.43）が知識の伸びは予測せず、道具へのアクセスそのものはそのどちらも変えませんでした。(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

検討すべき問い

  • SRL は、学習者が三つの段階を通じて自分の学習を能動的に管理することを記述します。予見（目標設定、計画づくり、自己効力感）、実行（方略、自己観察）、自己省察（評価、適応）です。読む前に、あなたが実際に得意なのはどの段階で、そしてよりよく知っているのに飛ばしてしまうのはどれでしょうか。
  • このページの核心的な緊張です。AI は自己調整を足場かけすることもできれば、専門性を築く調整の要求を取り除くことでそれを短絡させることもできます。課題を容易くする道具が、なぜ同時にあなたの学習の自己調整者としての力を弱めうるのでしょうか——そして、それを自分の利用の中で感じ取ることはできるでしょうか。
  • 学生はしばしば「産出の欠如」を示します。すなわち、自己調整の知識を持ちながら、それを自発的に展開することに失敗します——チャットボットに「要点を抽出して」と頼み、計画づくりとモニタリングを完全に飛ばすようなことです。より良い方略を知りながらも、その認知的な等価物をやっている自分を捉えたことはありますか。
  • 支援が存在するとき、あなた自身の判断は場面から脱落しえます。一つのトレースデータ研究では、選ばれた修正の方略を決めたのは学習者のメタ認知的な正確さではなく、利用可能な支援でした。外部の助けがあなたの学習についての自分の読みを上書きするなら、どの判断を意識的に自分の手元に保つでしょうか。
  • 研究は「較正の隔たり」を見出しました。学生は GenAI とともにより多く学んでいると知覚しながら、保持はより少なくありえます——より弱い保持にもかかわらず、メモを取るよりも AI を好むようなことです。もしあなたが道具を使いながら生産的だと感じていたら、実際にはより多く学んでいないことをどう発見するでしょうか。
  • GenAI が足場かけ、近道、あるいは協働者として機能するかは、道具そのものよりも学習者の調整能力に依存します。しかしこのページはまた、自己調整が深い認知的オフローディングの害を——消し去るのではなく——緩衝することを示します。その「緩衝するが消し去らない」という留保は、より良い AI ツールの設計にとって何を意味するでしょうか。
  • 読む前に目標を設定してください。あなたが定期的に AI を使っている課題を一つ選び、三つの SRL 段階（予見、実行、省察）のうちどれを自動化から意識的に守るかを事前に決めてください。それがうまくいったことを告げる結果は何でしょうか。

はじめに

SRL は、学習者が三つの相互に関連した段階を通じて自分の学習を能動的に管理する過程です。

  1. 予見： 目標設定、方略的な計画づくり、自己効力感の信念
  2. 実行： 方略の展開、自己観察、注意の集中
  3. 自己省察： 自己評価、因果的な帰属、適応

熟達した自己調整学習者は、成功を改善するために認知的方略を用い、メタ認知を利用して自分の学習過程を継続的に洗練させます。(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

技術を媒介としたコースにおける実証的研究は、段階の連関を確認します。8 週間の適応的確率論の研究（194 人の学生）では、行動前の段階における課題価値、自己効力感、目標志向、正の感情は行動的な調整行動を予測し、一方で負の感情はそれを妨げました。そして行動後の満足度は次の行動前の段階に前向きに送り込まれました（Mejeh & Fromm (2026)）。

AI–SRL 研究 84 本の体系的なマッピングは、研究が高等教育の学生と自己調整のメタ認知的・認知的側面に集中していることを見出しました。動機づけの次元は探求が不足しており、3 分の 1 以上の研究は SRL の理論をまったく特定していませんでした（Banihashem et al. (2025)）。

極めて重要なこととして、AI を巡る SRL は行動と同じく知覚によっても形づくられます。Yilmaz et al.は、学生がフィードバックを AI から来たものと知覚するか人間から来たものと知覚するかが、彼らの自己調整学習と修正の行動を有意に左右することを実証しています——これは、AI の社会的な枠づけが、その内容だけでなく、学習者がそれを巡ってどう調整するかを変えるという想起です。

一つの失敗様態は調整が始まる前に位置します。GenAI 支援の学習における先延ばし——それを使うという本物の意図があるにもかかわらず、GenAI 支援の作業の開始を不必要に遅らせることです。1,243 人の中国の学部生の間で、より頻繁な GenAI 利用はそれの少なさと連動し（β = −0.195）、GenAI の学習不安は意図—遅延の関連を強めました（Li et al. (2026)）。

GenAI がサイクルのどこに入るかがその効果を決めます。Zimmerman の予見、実行、省察の段階を AI 媒介の環境に写像する共働の枠組みは、参入の地点が道具を学習者の制御感を増幅するものにするか侵食するものにするかを決め、そしてオフローディングは決定が意図的である場合にのみ変容的な学習を支えると論じます（Poudyal (2026)）。

特別教育の学部生 434 人を対象とした横断的調査は、そのような一つの連鎖を測定します。GenAIリテラシーは GenAI 支援の自己調整学習行動と正に関連し（合計 B = 0.701）、それは主に学習行為主体性（B = 0.345）を通じてであり、挑戦的な感情（B = 0.061）を通じてではありません（Yang et al. (2026)）。

SRL のためのデジタル支援

学習日誌

学習日誌は有望な SRL の介入です。学生が自分の学習過程について省察することで、認知についての気づきを増やし、調整の能力を強めます。主要な設計上の留意点は次のとおりです。

  • 構造が重要： 開かれた形式の日誌はしばしば浅い記述を生みます。導かれたプロンプトと見本のモデルは深さを改善します
  • 動機づけの減衰： モバイルの日誌アプリは、数日の後に急速な関与の低下を一般的に見ます
  • 足場かけのトレードオフ： 学生の代わりに省察を書いてしまう AI 支援は SRL の実践を損ないます。内容を執筆することなくプロンプトを構造化する支援は、それを保ちます

教師に SRL のプロファイルを伝えるダッシュボード

Mejia-Domenzain et al. (2026)は、デジタルな SRL 支援を教師側に拡張します。彼らの学習分析ダッシュボード（DashED）は、機械学習から導かれた自己調整学習のプロファイルをブレンディッド授業の教師に伝え、教師がそのプロファイルにどう行動するかは文脈に依存します。実際の利用では、反転授業（大学）の教師は逐次的な探索を行い、コース水準の適応と授業中のダッシュボードの提示を好みました。一方、職業訓練の教師は要約のページに再訪し、その道具を主に個人のコーチングの場で用いました。教師が提案した行動は、プロットの種類ではなく表現された内容と彼らの教育水準によって形づくられました——大学の教師は週次のテストとコースの適応を好み、職業訓練の教師は直接的で個別化されたコーチングを好みました。これは、単一の最適な界面ではなく文脈によって異なる設計上の要求とともに、このダッシュボードを教師の教授の調整のための足場かけとして位置づけます。

学生向けの対応物はより乏しいものです。46 人の中等教育の生徒に自分の GenAI プロンプトとモデルの応答とのテキストの重なりを示したダッシュボードは、クラスの約 3 分の 1 によってしか開かれず、視覚化そのものではなく自発的な接触が拘束条件となっていました（Fong et al. (2026)）。

Scheu et al. の 2×2 実験（2026 年）

179 人の学生を対象とした 22 日間の無作為割り当てフィールド実験では、二つの設計原理が比較されました。

原理 メカニズム SRL への効果 動機づけへの効果 関与への効果
見本に基づくコース 模範応答を通じた 7 日間のカリキュラム教師による省察的な日誌記述 知覚された力量と楽しみの増大 正 一貫して正
LLM 日誌アシスタント GPT-3.5 が下書きを要約し、明確化の問いを立て、言い換えを提案する SRL 技能への直接的な効果は測定されず 効果なし 時間とともに増大（フィードバックループ）

主要な洞察： コースは技能の転移を通じて SRL 技能と内発的動機づけの両方を改善しました。一方、アシスタントは動機づけに影響を与えずに関与を改善しました。(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

AI ツールと SRL—動機づけの相互的ループ

SRL 理論の基礎的な原理は、自己調整技能と動機づけが相互的な関係を形づくるということです。

  • より良い SRL → より成功する学習 → より高い自己効力感 → より強い動機づけ
  • より高い動機づけ → より努力を要する関与 → より良い SRL の実践

AI ツールはこのループの異なる地点に入りえます。

  • SRL 優先の設計（例：構造化されたコース、段階的に減らされるヒント、省察のプロンプト）：本物の技能を築くことでループを強めます
  • 関与優先の設計（例：自動補完、コンテンツ生成）：動機づけのループに入ることなく行動的な関与を高めうるため、道具への依存のリスクを伴います

SRL としての GenAI の戦略的調整

Kim (2026)は、学術的な執筆における効果的なGenAI利用を戦略的な調整——AI の出力を検証し、修正し、選択的に採用し、あるいは拒否するという実践された SRL の営み——として再定式化します。107 人の学生を対象とした混合研究法の研究では、より高いAI 不安は検証と修正と正に関連し（β=.24）、一方で評価的な能力は能動的な修正と選択的な統合を予測しました（β=.46）。学生は四つの調整の類型に分類されました——無批判的依存（18.7%）、選択的統合（34.6%）、評価的な変容（31.8%）、戦略的拒否（14.9%）——これは、高等教育におけるAI リテラシーが受容よりも、評価的な判断と倫理的な責任に根ざした調整の力量として機能することを示します。これは SRL を、批判的な AI 利用と無批判的な AI 利用を分ける核心的なメカニズムとして位置づけます。

道具の統治そのものが測定可能な一面です。中国の EFL 学習者を用いた二時点の検証（EFA N = 305; CFA N = 342）は六つの調整の次元を分離し、環境的な調整——生成された出力の正確さを確認し、提案された資料を濾過し、依存に境界を設けること——をそれ自体で一つの次元として名づけます（Wang, Zhang and Zhang (2026)）。

委ねる前に分類してください。Tsim and Gutoreva (2025)は自己調整を課題ごとの手順に変えます——各下位課題を Substitute、Complement、Aid、Non-negotiable のいずれかと記号化し、短いメタ認知的な覚え書きでそれを正当化し、プロンプト、下書き、人間による修正の監査痕跡を保ちます——そしてサイクルを繰り返し、一つの課題の割り当てが次の課題に情報を与えます。 相互作用そのものを調整の対象とする。 Brunnström and Palmqvist (2026)は反対の方向から同じ調整の要求を記録します。持ち帰り試験試験の答えを準備するためにチャットボットを用いた 8 ラウンドの実演で、AI の既定の出力は SOLO 分類の*量的*で多構造的な端にとどまりました——磨き上げられ、提出可能で、教授法的には薄いものでした——そして、繰り返されるメタ水準の介入（「これは圧倒的です。圧縮できますか」）の後にだけ、使える三段階の学習ループに到達しました。彼らの結論は、生産的な利用には「その道具が支えると期待されていたまさにその自己調整的技能」が必要だったということです。学習者は、学問的な内容そのものに加えて、漸進的な目標を設定し、難易度の調整を求め、まだ理解していないことについて省察しなければなりません。彼らはこの能力をAI 相互作用リテラシーと名づけ、道具から離れることを持続の失敗ではなく正当な調整の決定として扱います（メタ認知）。

  • 満足度は自己調整ではない。 Liang et al. (2026)は、産業教育プログラムの 689 人の学部生を調査し、AI 生成コンテンツの知覚されたアフォーダンスが AIGC 自己効力感（beta = 0.583）を高め、それを通じて学習動機づけ（beta = 0.565）と自己調整学習（beta = 0.250）を高めるという連続的な媒介モデルを検定しました。動機づけは SRL の最も重い単一の予測変数でした（beta = 0.527）。荷重を支わる帰無結果はそれらの経路と並んであります。AI 評価フィードバックの質は満足度を強く予測しました（beta = 0.712）が自己効力感は予測せず（beta = 0.131）、満足度は自己調整学習に有意な効果を持ちませんでした（beta = 0.032）。したがって、好まれ、よく機能するアシスタントは、調整が改善したという証拠ではありません——メカニズムは自信と動機づけを通じて走り、学習者の道具についての経験を通じて走るのではありません。

GenAI を意識した省察としての SRL

5P 省察モデル（Kadel et al. 2026）は、構造化された省察を GenAI 時代において実践された SRL の営みとして再中心化します。学習者がますます AI と共に意味を共創するため、伝統的な省察モデルは学生の省察を本物だと認証するのに苦慮します。そこで 5P モデル（Purpose、Process、Product、Pitfalls、Plan）は、予見に駆り立てられた目標設定、行為の中の省察（プロンプトと反復の記録）、行為についての省察（確率論的な出力を外部の資料に対して検証すること）、ハルシネーション、剽窃、過度の依存のための明示的な Pitfalls 段階、そして将来を見据えた Plan を融合させ、感情のモニタリングを全体に埋め込みます。その「成果物よりも過程」という哲学は、人間と AI の相互作用の構造化された記録を、本物らしさ、行為主体性、メタ認知的な深みを保つ調整の要求として扱い、GenAI を意識した省察を、自己調整の代替物ではなくそのための足場かけとして位置づけます。

個別指導特有の設計との関係

個別指導特有の AIは SRL 優先の設計と一致します。それは行為主体性を保ち、戦略的な自己調整を要求する段階的な足場かけを提供します。汎用の AI はしばしば調整の要求を完全に取り除きます。(The Evidence Base on AI in K-12: A 2026 Review)

例えば、次のとおりです。

  • Bastani et al. の個別指導特有のチャットボットは、段階を追った推論を保ちました（SRL の要求）
  • 汎用の GPT 変種は単に答えを提供しました（SRL の迂回）

文脈を超えた証拠

  • 入り混じった証拠と較正の隔たり。 PreK-12 の GenAI 研究の迅速なレビューは、支援された課題中のメタ認知的な伸びがしばしば支援を取り除かれたときに持続せず、GenAI が永続的な学習が欠けているときでも知覚された学習を増大させうることを見出します（較正の隔たり——学生はより弱い保持にもかかわらず GenAI をメモを取ることよりも好みました）。学生は、何を委ね、いつ独立した努力が重要かを決めるために、明示的で段階に即した訓練を必要とします。(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
  • 主体性のある AIの主導性と自己調整の緊張。 Woollaston et al. (2026)は、エージェントが課題のより多くを自動化するにつれて、学習者が行う自己調整的な認知的作業が少なくなることを指摘します——したがって設計は、自己調整的な能力を外部に委ねるのではなく保つために、学習者にエージェントの開始の統制（動的で、段階的に減らされる足場かけ）を与えるべきです。
  • 自己調整が AI コーディングアシスタントの利用を形づくる。 AI コーディングアシスタントの研究は、高い計算論的思考の学生がより強い自己調整的な一貫性（計画—実行—自己省察）を示し、AICA をコードの理解のために用いた一方、低い CT の学生はそれを即座の答えの取得のために用いたことを見出しました。
  • SRL はオンライン学習において低いデジタル的な気散じと共起する。 Shi et al. (2026)は、530 人の大学生を用いた教師なしデータマイニングにより、SRL の方略——目標設定、環境の構造化、時間管理——が、学習者と教師の関与、学習者と内容の関与と並んで、オンライン学習における低いデジタル的な気散じと最も一貫して共起することを見出しました。この発見は、具体的な SRL の訓練を、集中したオンライン学習のための効果の大きい介入として位置づけます。
  • 道具へのアクセスではなくメタ認知的気づきが、適応的な STEM パフォーマンスの最も強い駆動因である。 Alatoai and Alshahri (2026)は、サウジアラビアの 649 人の中等教育の生徒を用いて AI-STEM-MLCS を構築し検証しました（CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 から 0.905）。そしてその四つの次元が自己調整学習パフォーマンスの分散の 68% を説明することを見出しました（R² = 0.68）。AI に基づくメタ認知的気づきが最も強い予測変数であり（β = 0.38, p < 0.001）、次いで認知的転移と適応性（β = 0.29, p = 0.008）、AI によって強化された自己調整学習（β = 0.21, p = 0.040）でした。一方、創造的・批判的な AI-STEM 推論は基準を予測しませんでした（β = 0.14, p = 0.135）。著者らはこの様態を、適応的なフィードバックが主に学習者に誤りを検討し、再較正し、方略を再利用するよう促すことで STEM パフォーマンスを高めるという証拠として読みます。したがって、この道具は、単一の全体的な得点としては、メタ学習の隔たりを位置づける診断としてよりよく機能します。それは一つの国家的制度で検証された自己報告尺度であるため、係数は暫定的です。
  • 外部の支援は学習者自身のメタ認知的な判断を迂回しうる。 Iqbal et al. (2026)は、GenAI（ChatGPT 4.0）、人間の専門家、あるいは支援なしで小論文を修正する 87 人の EFL 学生を追跡しました。支援の条件は学生が選んだ修正の方略の圧倒的に強い相関変数でした（Cramér's V = 0.668）。先行する執筆課題からの持ち越し（V = 0.333）を大きく上回り、一方でメタ認知的な判断の正確さ（p = 0.172）、執筆技能（p = 0.261）、動機づけ（p = 0.683）は無関連でした。メタ認知的な判断は、支援が利用可能でなかったときにのみ方略と連動しました（置換検定 p = 0.0460）。GenAI の支援を受けた学生は最も多くの伸びを得ました（助けを求めることを減らす方略の下で平均約 4 点で、人間の専門家の支援の下での同じ方略では −0.5 点に対して）、しかしどの修正の方略も得点の変化と関連しませんでした（H(3) = 3.895, p = 0.273）。したがって、伸びはより良い自己調整からではなく道具から来ました。著者らの方針は、GenAI が直接的な助けを供給する代わりに自分の修正の方略についての省察を促すべきだということです。
  • 省察的な利用は批判的思考を追い、知識の伸びは追わない。 Melanou et al. (2026)は、ビジネス情報学の学生の三つの並行するクラス（N = 87）を 9 週間のコースにわたって追いました。知識はすべての群で上昇し（F(1, 50) = 29.87, p < 0.001, η²p = 0.374）、AI の優位性、時間 × 群の交互作用、Matthew 効果はありませんでした（F(1, 48) = 2.46, p = 0.124; BF01 = 8.70）。省察的な利用（情報源を確認し、採用する前に AI の出力を検証すること）は AI の条件で顕著に高く（3.72 対 2.82; F(1, 40) = 20.21, p < 0.001）、批判的思考を予測しました（β = 0.43, p < 0.001）が知識の伸びは予測せず、それは適切な認知的負荷が予測しました（β = 0.51, p = 0.001）。実際上の読みは、AI へのアクセスはそれ自体が介入ではなく、そのメタ認知的な見返りは試験の得点に現れる前に推論の質に現れるということです。
  • AI だけではなく構造が SRL の伸びを駆動する。 Zimmerman の段階を、AI をメタ認知的な足場かけとするプロジェクト基盤型のハイブリッドな指導に対応づけたところ、従来の指導の 0.28 に対し N-Gain が 0.72 になり（t = 8.47、p < 0.001、Priyambudi et al. (2026)）、彼らは AI は課題の構造の内側で自己調整を強めるにすぎず、構造化されない利用はメタ認知的な怠惰のリスクを伴うと論じています。

LLM 媒介の SRL：足場かけ、近道、それとも協働者か

Learning Letters の研究（2026 年）の一団は、中心的な緊張に収斂します。すなわちGenAIは、設計と学習者がその利用をどう調整するかに応じて、自己調整を足場かけし、短絡させ、あるいは協働しうるのです。証拠は、SRL そのもの——道具ではなく——が決定的な変数であることを指し示します。

  • Viberg et al.は、LLM が人間の支援を置き換えるのではなく層をなす助けを求めることの生態系に織り込まれていることを見出します。学生はまず課題に独立に取り組み、次に低い障壁の第一歩として ChatGPT に相談し、概念的な交渉のために仲間に、そして重大な問題については教師に相談します。彼らは実行的な助けの求め方（直接的な解決策）よりも道具的な助けの求め方（ヒント、段階を追った指針）を好み、選択的な信頼を行使し、出力をコースの資料に対して検証します——それは測定し教えることのできる四段階の過程です（助けが必要かどうかを決める、誰に尋ねるかを選ぶ、助けの種類を決める、受け取った助けを判断する）。
  • **Atif & Dickson-Deane**は、GenAI の利用を足場かけされることも代替的になることもある認知的オフローディングとして枠づけます——前者は学習者が AI の出力を批判し適応させ、行為主体性と意味づけを保つ場合であり、後者は学習者が最小限の検証で出力を受け入れ、制御を道具に移す場合です。267 人の大学院生の IT の学生を対象とした研究では、同じ道具が学習者の方略に応じて SRL を足場かけすることも近道にすることもできました——自信のあるユーザーは目標設定とモニタリングにおいて行為主体性を示し、自信の乏しいユーザーは GenAI を近道か不正行為として見ました。
  • Lim & Bannertはそのリスクを具体的に示します。学生は自発的に生成 AI チャットボットを用い（73%）、小論文でより高い得点を取った一方、理解と統合をオフロードし（チャットボットに「要点だけを抽出して」と頼む）、そしてほとんど計画づくりもモニタリングも行わず、主要な調整の決定を外部に委ねました。これは産出の欠如を反映します。学生は SRL の知識を持ちながら、それを自発的に展開することに失敗します。したがって、生成 AI のツールは、問い合わせがオフローディングを示すときに省察（モニタリングの足場かけ）を促すべきです。
  • Song et al.は、SRL が安定した適性であると同時に動的な状態であることを実証します。個人の基線は一貫していますが、メタ認知的な知識とウェルビーイングは評価の締め切りに駆り立てられて学期を通じて体系的に低下します。彼らは、GenAI が個人的、時間的、文脈的なデータを与えられたときに、文脈を意識した**学習の協働者**として振る舞いうることを示します——学生の努力を置き換えることなく彼らを支えるのです。これは、基線の適性のみに基づく「一度作ればみんなに合う」個別化に反対する論拠となります。
  • **de Barba**は SRL を理論的に拡張し、この分野が課題に焦点を当てた調整と、教育技術において最適化可能な行動的な代理に狭められてきたと論じます。その論文は、学習者の行為主体性——調整（課題内）、統合（時間と文脈を超えて）、位置づけ（学習を枠づける条件に対して批判的に）——の規模を超えた説明を、アルゴリズム的に媒介された環境のための設計上の指針として提案します。
  • 自己調整はオフローディングの害を緩衝するが、消し去らない。 Chen (2026)は、自己調整された執筆が、GenAI 支援の執筆における深い認知的オフローディングと AI なしの独立した成果との負の関連を——消し去るのではなく——弱めることを示します。オフローディング × SRL の交互作用は正で（B = 0.22）、害を −0.54（低い SRL）から −0.33（高い SRL）の傾きに平坦化しますが、消し去りはしません。委任の限界と義務的な省察を組み合わせた拘束つき支援の条件が最も強い独立したパフォーマンスを生みました。これは、メタ認知的調整が学習者を部分的に守るが、認知的作業そのものを委ねることを完全に補償することはできないという証拠です。

Winne のモデルの中に「レンタル」が位置するところ。 de Barba (2026)は、そのメカニズムを、システムが学習者の代わりに行う SRL の操作として SRL に写像します。気づき、モニタリング、評価的な判断は道具によって行使され、行き詰まりは学習者自身の If-Then, Else の選択ではなく検索によって解消され、学習者が判断する基準は築かれるのではなく借り物となります。学習者が自分は持っていると信じているが道具が持っている能力——隠れたレンタル——は、さもなければ調整を促すであろう誤りの信号を抑圧します。そして 10 の命題が、領域への順応におけるより大きなコストやモデル自身の参照点に向かう基準の漂流を含めて、何を検証すべきかを特定します。

集合的な教訓は次のものです。SRL は批判的な AI 利用と無批判的な AI 利用を分ける核心的なメカニズムである。 GenAI が足場かけ、近道、協働者として機能するかは、学習者の調整能力と、道具が専門性を築く調整の要求を保つ（取り除くのではなく）よう設計されているかどうかに依存します。

どの支援が働いているかが、どの媒介変数が関連を運ぶかを決めます。3,003 人の中国の見習い教師の間で、知覚された AI 道具の支援は革新的な力量へ主に AI 自己効力感を通じて達しました（その経路の全効果の 60.88%）。一方、知覚された学校に基づく知的環境の支援は主に自己調整学習を通じて達しました（29.64% 対 18.60%）（Liu et al. (2026)）。

含意

  • 日誌やチャットボットの道具について： SRL の教示（コースに基づく）と任意選択の執筆支援を組み合わせることで、動機づけと関与の両方の伸びを得る
  • 道具の設計者について： 評価を必須の段階にし、任意のものにしない。Iqbal et al. は、利用可能な支援が学習者のメタ認知的な判断ではなく、学生が用いた修正の方略を決め、GenAI の得点の伸びがより良い調整から来なかったことを見出しました。一方、Melanou et al. は省察的な利用が、単なる道具へのアクセスは予測しなかった批判的思考を予測したことを見出しました。学習者に検証し、比較し、方略を立て直させる相互作用こそが、学習上の価値を運んでいるものです。
  • 指導者について： AI に基づくメタ認知的気づきを第一のレバーとして扱い、それを明示的に確かめる。Alatoai and Alshahri はそれを適応的な STEM パフォーマンスの最も強い予測変数（β = 0.38）であることを見出し、転移と適応性が第二位（β = 0.29）であったことから、学生に誤りを検討させ、方略を新しい問題の文脈に運ばせる活動は、批判的・創造的な推論を一般的に促すことよりも多くをなします。
  • AI 政策について： 調達の基準は、ある道具が自己調整を発達させるか置き換えるかを問うべきです
  • 研究者について： SRL の成果（即座のパフォーマンスだけでなく）を測定する長期的な研究が不可欠です。Melanou et al. はその忍耐の見返りを示しています。一学期の省察的な利用が知識の伸びを動かすことなく批判的思考を動かした（β = 0.43）のですから。

シミュレーションゲームにおける会話エージェントと SRL

  • ゲームにおいて自己調整学習を支える会話エージェント。 Wenzel, Geiger, and Liening (2026) は、ビジネスシミュレーションゲームにおける AI 会話エージェント（Lara）が、指標に基づく形成的フィードバック、求めに応じた指針、構造化された省察を通じて自己調整学習を支えることを示します。これは、シミュレーションゲームが形成的フィードバックと省察のプロンプトを限定的にしか提供しないという共通の限界に対処します。学生教師と BSG の参加者による評価は、エージェントの認知的・社会的なプレゼンスと自己調整の支援について、肯定的な知覚を報告しました。

自動化された SRL の検出：何が転移し、何がしないか

  • 埋め込みに基づく SRL 分類器は領域内では言語を超えて転移するが、領域を超えては転移しない。 26 人の学生を対象とした研究（化学と形式論理学。Winne-and-Hadwin モデルで符号化された思考発話法の手順）は、英語で訓練された埋め込みに基づくモデル（text-embedding-3-small）がドイツ語の SRL を約 0.8 AUC で分類し、約 0.1 の低下で済むことを見出しました——ただし enacting（実行）は除きます（約 0.7）。領域を超えた転移は失敗します。化学から論理学への転移は約 0.6 に落ち、enacting は偶然の水準（約 0.5）に落ちます——領域の壁が、言語ではなく、拘束するのです。
  • 三つの失敗様態が転移が破れる場面を説明する。 (1) 日常的な意味ではなく領域の意味における概念の解決——「cancel」と化学の「kürzen」——が enact の分類を破ります。(2) 擬人化——重く足場かけされた個別指導システムに不慣れなドイツ人の学生が、それを人として接するため、分布外の発話が生じます。転移は、より足場かけが少ないプラットフォームではより良好でした。(3) ヒントを読むことと計画を立てることの曖昧さ——モデルは、記録データなしではメタ認知的なヒントを読むことと計画を立てることを区別できません。誤りを実現することはすべての条件で頑健です——自分が間違っていると気づくことは文脈に依存しません。対処法は次のとおりです。領域の用語については専門家の辞書かファインチューニング。ヒントについては記録データ。（Large language models generalize SRL prediction to new languages within but not between domains）

つながる概念

つながる記事

関連するFAQ

関連するリソース

  • Process Feedback
    AI 検知に代わる、プロセス重視の無料の選択肢：文章がどう作られたかを記録し、それを判定ではなく学びについての対話のためのレポートに変えます。

メタデータ

レベルK 12, Higher Ed
対象読者Learners
学習と教授メタ認知, 足場かけ, 自己調整学習
技術と手法生成AI, 大規模言語モデル（LLM）, パーソナライズド・ラーニング（個別最適化学習）
評価と測定形成的評価
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。