学生と AI の相互作用

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。

学生と AI の相互作用——学習者が学習や問題解決の場で生成 AIシステムと関わる仕方における、パターン、過程、そして認知的作業です。ここでの研究は、学生が AI に何を求めるか、プロンプトや対話がどう展開するか、そして相互作用の質が学習の成果、認知的オフローディング、学習者の主体性とどう関係するかを特徴づけます。

検討すべき問い

あなた（あるいは学生）が AI に書いた最近のいくつかのプロンプトについて考えてみてください。それらの多くは、答えを求めるものだと表現しますか、それとも AI に説明、問いかけ、評価を求めるものだと表現しますか。そのパターンは学習に何をすると思いますか。
研究では、少数の問いの型が学生の問いの大部分を占め、また課題が進むにつれて問いが変化することが分かっています。なぜ学生の問いかけは狭まっていくと思いますか、そしてそれは彼らがその道具をどう使っているかについて何を示唆しているでしょうか。
このページは、浅い答え求めのプロンプトは学習の低下と過度の依存に関連し、振り返り志向で検証重視の相互作用は理解を支えると主張しています。「良い」プロンプトと「悪い」プロンプトを分けるものは何だと思いますか——そしてそれは学生の責任でしょうか、それとも道具の設計の責任でしょうか。
相互作用の質が学生の固定された特性ではなく、課題の文脈と足場かけによって形作られるなら、コースや道具はどう再設計すれば、より広く生産的な範囲の問いかけを促せるでしょうか。
学生の流暢な AI との対話が、本物の学習を反映しているのか、それとも熟練した委任にすぎないのかを、どうすれば分かるでしょうか——そして確かめるには何を調べるでしょうか。

はじめに

学生と AI の相互作用は、学習者の関与の観察可能な表層です——彼らが立てる問い、書くプロンプト、AI の出力を交渉し検証する仕方、そしてそれらのパターンが課題の段階や時間とともにどう移り変わるかです。それは学生の経験、プロンプトエンジニアリング、ラーニングアナリティクスの交差点に位置し、教育における AI の利用が本物の学習を表すのか過度の依存を表すのかという議論の中心にあります。人間とAIの協働が人とモデルの間の認知的作業の高次の分担を枠づけるのに対し、学生と AI の相互作用はその関係の具体的で測定可能な実現です——学習者が瞬間ごとに行う具体的な問いかけ、プロンプト、交渉の動きです。

学生が AI に尋ねること

中心となる研究の一つの筋は、学生の問いかけの型と質を測定します。研究は問いの型の分類法——例えば Graesser らの 18 型分類——を学生と AI の相互作用の分類に適用し、しばしば少数例示の分類器を用いて数百から数千の相互作用にわたって分析を拡大します。知見によれば、少数の問いの型が学生の問いかけの大部分を占め、また学生が尋ねる問いは課題が進むにつれて実質的に変化します（例：Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks）。この課題依存性は重要です——相互作用の質は学生の固定された特性ではなく、問題の文脈、足場かけ、そして AI 道具のアフォーダンスによって形作られます。最も幼い年齢では、Vahedian Movahed & Martin (2025)が、子ども（6〜14 歳）が答えの分かっている問いを立てることで（例：「ティラノサウルスはどのくらい大きい」）チャットボットの信頼性を積極的に試していた——認識論的な自己の行為主体性の表れである——ことを見出し、一方で最頻の子どもは 1〜3 個の問いしか尋ねず、並外れた小学 1 年生は 21 個尋べたことは、発達的および個人的な変動が学習者の立てる問いをどう形作るかを浮き彫りにします。

分類法自体はまだ一致していません——33 件の研究からの 46 の分類化にわたり、似たラベルが異なる現象を名指しているため、レビューは相互作用エピソード——目標指向で時間的に境界づけられたやり取り——を、知識の獲得、評価的なフィードバック、戦略的なガイダンス、対話的な問いかけ、成果物の精緻化、共調整にわたる単位として提案しています（Borchers, Jansen & Weidlich (2026)）。

これらの分類法の研究を補うものとして、Yan et al. (2026)は学生の問いかけの対話形式を特徴づけます。教師の監督のない論証的な小論文に取り組む 38 人の学部生のうち、76.32% が単一ターンの問いかけ—答えを受け取る—停止というパターンを用い——典型的には自分のニーズを特定せずに評価の題目を貼り付け、不満なときに同一のプロンプトを再送していました——そして 78.94% が課題の最初（アイデア、背景情報）か最後（推敲、分量）にしかGenAIに触れず、読解と独立したライティングとは切り離して保ち、わずか 23.68% だけがフォローアップの問いと自分の推論を伴う反復的な行き来の対話を維持していました。著者らはこれらのパターンを認知的アウトソーシングから認知的再配分へのスペクトラム上に位置づけます——学習への表層的対深層的アプローチの GenAI 時代の類似物であり——ほとんどの学生がその道具を強化された検索エンジンとして捉えていたことに注意し、それが彼らをアウトソーシングの側に縛り付けていたと述べます。

これらのパターンを認識論的な作業として捉え直すと、200 件の共同プログラミングのチャットセッションの分析では、学生と GenAI の相互作用の 78.8% がアウトソーシングや検証求めのような非熟達志向の目的と方略で運び、わずか 11.1% だけが熟達志向の目的と認識論的な正当化を結びつけていました（Wu (2026)）。

50 件の標本化されたやり取りを符号化することで同じ行動の三つの類型が得られます——Zahra (2026)は 46% を受動的レビュー（モデルが神託として振る舞い、出力がほとんど精査されずに受け入れられる）、18% を直接的な問い、36% を戦略的な対話として分類し、制約優先の設計論証とともにその分布を提示しています（符号化者間カッパ = .48）。211 人のコンピューティング専攻学生への七課題の調査は逆の方向から同じ結論に達します——Nizamani et al. (2026)は LLM の採用率をアルゴリズムの 89.6% からソフトウェア工学の 15.2% まで測定し、その広がりを下位分野ではなく、課題の複雑さ、検証可能性、足場かけに帰しました。

相互作用の質と学習

補完的な別の筋は、相互作用の形式を学習に結びつけます。浅いか習慣的に狭いプロンプト（答えを出させるよう AI に求めるのであって、説明、問いかけ、評価を求めるのではない）は、学習の低下と過度の依存の増大に関連し、一方で振り返り志向で検証重視の相互作用はメタ認知と永続的な理解を支えます。これは学生と AI の相互作用を知的個別指導設計に直接結びつけます——システムは、単に答えるだけでなく、より広く生産的な範囲の問いかけを促し、問いかけに足場かけをするよう構築しうるのです。相互作用は答え求めのプロンプトを通じて行われる必要はまったくありません——AI が学生自身の作業を批評するとき、やり取りは振り返り志向で検証重視の対話になります——Oppenheimer, Cash & Connell Pensky (2025)では、学習者の大規模言語モデル（LLM）の小論文フィードバックへの反応に、92.7% の場合に振り返り、93.6% に受容、87.8% に LLM の主張への積極的な反論が見られ（評価者間 κ = 0.81〜0.89）、彼らのフィードバックの質への応答は反復を経て学習可能な技能として改善しました。相互作用の振り返り的な側面は直接的なプロンプトを通じて行われる必要はありません——CoBiでは、学生は自分たち自身の協調的な発話の教室レベルの AI 可視化と関わり、AI の分類が外れていると感じられる場面について熟議し、明白な誤分類を、出力を純粋に受け入れるのではなく、AI の能力と限界についての自分の理解を較正する機会へと変えました（信頼の較正（Trust Calibration））。相互作用の形式と学習の間のつながりには限界があります——Page (2026)は会話的な反復と認知的反復を、学習者は多くのターンにわたって出力を洗練させながら、その背後にある心的モデルは変わらないままでありうるという根拠で切り分けます。したがって学習の証拠は、思考の変化です。

相互作用であって道具ではないものが、経路を決めます——ほぼ 1,000 人の高校生数学の学生を対象としたフィールド実験では、制約のない GPT-4 は練習の得点を 48% 上げたものの支援なしの試験の得点を 17% 下げ、一方で教師が設計したヒントに制限された同じモデルは練習を 127% 上げ、その赤字をほぼ消し去りました（Lee, 2026）。

学生が効果的にプロンプトを書いたかどうかであって、その量ではなく、が成功を追跡しました——AI 問い合わせ効率と AI 駆動の問題解決は、128 人の工学専攻学生全体で学業成績の最も強い予測因子であり、GPA を統制した後も有意なままでした（Isaza Dominguez et al. (2026)）。

行動的な文脈は問い自体とは別個のシグナルです——TutorTrace の四つの展開（480 人の学習者、約 180,000 件の IDE イベント）では、学習者の最近の行動状態に助けを条件づけることで、独立した作業を挟まない問い合わせの間隔が 50.0% から 20.7% に減り、差し迫った問い合わせは行動だけから予測可能でした（AUROC = .726）（Barron et al. (2026)）。

密度がメカニズムではありません——学生を音声と文字の入力で交互に切り替えると、対話の 1 分あたりのターン数はほぼ倍増しました（1.34 対 0.75）が、週次の習熟度は変わらず、著者らは文字入力チャネルでの最初のキー入力前の中央値 26 秒の熟議を、符号化行為そのものとして読みます（Yang, Van Alstyne and Dellarocas (2026)）。

検証のループが浅いままでありうること——学部生のデータベースコースでの四週間の LLM エージェント展開のラグ逐次分析では、有意な問い—評価—問いのサイクルが見られたものの、下位の状態内に強い自己遷移のループがあり、相互作用のわずか 3.92% しか高次の認知に達しませんでした（Li et al. (2026)）。

Bernstein と Sibia (2026) は、CS2 の学生が GenAI の説明をどう扱うかに反復的フィルターのパターンを記録しています（Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education）——彼らは講義のノートと照合し、出所を求め（「出所がなければもっとずっと疑うと思う」）、一つの受諾か拒否かの判断を下すのではなく、矛盾を探るためにフォローアップの問いを投げかけます。学生はまた、自分が想定した知識や背景を持つ読者向けの説明を読みます——シラバスを超えた既存の知識、既定のスポーツやゲームの言及（「コンピューティングのより男性優位な側」）、そして過剰な反復——すべてが想像上の読者についてのシグナルとして機能し、過剰な足場かけは単に非効率的であるだけでなく見下すものとして読まれました。

課題の正しい時点で AI に相談することは、個々のプロンプトの言い回しと同じくらい重要です——同じ研究で、Yan et al. (2026)は、再配分志向の少数派が独立した作業と GenAI への相談を交互に行い、総努力は変わらないが焦点が移ったと報告したことを見出しました——資源を検索から論証の質とバランスの点検へと移し、浅い定着に対抗するためにセッション後に振り返りのメモを書く——一方で熟達目標を持つがAI リテラシーが弱い学習者は「効率性のパラドックス」に陥り、「意図によってではなく、既定によって」負荷をオフロードしました。

相互作用から教授法へ

学生と AI の相互作用を特徴づけることは、学習デザインに情報を与えます——教師は学生の問いかけのパターンが狭いか浅いときに気づき、問いかけを広げる介入を設計できます。教授と教師の役割は、学生が AI と生産的に関わるように指導する方向へと移ります。それはまた、効果的なプロンプト付けと検証を生来的な能力ではなく学習可能な技能として扱うAIリテラシーのカリキュラムの根拠ともなります。

設計の梃子はその既定を移せます——約 70 人の学生の非同期の物理学コースでは、評定対象の成果物は答えではなく対話の記録でしたが、それでも多くの学生がモデルのソクラテス的なフォローアップの問いに答えずに長い問いのリストを尋ね続けました——それが基準が捉えるために書かれた失敗モードでした（Rodriguez & Wulff (2026)）。

教師が作成したプロンプトはそうした梃子の一つですが、実現される厳格さは目標に遅れをとります——1,479 の会話にわたり、38% が教師の意図した知識の深さのレベルに達しておらず、DOK 3 では 50% に迫り、一方で明示的な終了条件がその差を 0.22 レベル縮め、「直接的な答えを与えない」というガードレールが AI の最終回答率を 8.5 パーセントポイント下げました（Liu et al. (2026)）。

不使用それ自体が、教授法と教授戦略が計画すべき相互作用のパターンです。Zou et al. (2026)は、評価における GenAI の利用が明示的に許可された三つのコースで 85 人の学生教師を研究し、62.4%（85 人中 53 人）がまったく利用しなかった——比較可能な英国とオーストラリアの調査で見られた 79〜83% の採用率を大きく下回る——ことを見出し、採用者の利用は浅く矯正的なものであって生成的なものではありませんでした（推敲 43.8%、明確さの点検 34.4%、テキスト生成はわずか 18.8%）。彼らの選択は技術的な難しさではなく、評価の設計と機関の文化を追跡しました——非採用者の 41.5% が盗用で誤って告発されることを恐れ、11 人のインタビュー対象のうち 9 人が、その寛容な方針自体をある種の「罠」として読んでいました。32 人の調査報告上の利用者と 28 人の自己申告の間の隔たりは、学生の報告された AI との相互作用が評定される結果によって形作られることを示します——これは学生と AI の相互作用の学習分析的な説明のための測定上の留意点です。

学生と AI のチャットにおける学問と認知的関与

学生と AI のチャットにおける学問に結びついた認知的関与。 Chang と Li (2026) は、個人内・学際的なデザインで 116 コースにわたる学生の AI へのプロンプトを分析し、学生と AI の会話が固定された個人の相互作用スタイルではなく、学問に結びついた認知的関与を反映することを示します。全体としておよそ 62% のプロンプトが高次の認知的負荷を符号化していましたが、ブルームレベルの分布は学問分野によって鋭く異なっていました——STEMのコースは「適用」優勢（20.8%）のプロンプトを、言語のコースは「理解」優勢（31.7%）を、社会科学のコースは「創造」優勢（33.8%）を引き出しました。個人内での対比較は、同じ学生が社会科学のコースで STEM のコースよりも有意に多くの高次プロンプトを生み出したことを確証しました（プールされた n = 16、p < .001）、そしてコースレベルの変動が学生レベルの変動を上回りました——これは AI の教育アシスタントを学問の文脈を念頭に置いて設計・評価すべきだとする強い論拠です。

メタデータ

レベル	Higher Ed
対象読者	Learners
学習と教授	学生と AI の相互作用
技術と手法	生成AI, 知的個別指導, ラーニングアナリティクス, 大規模言語モデル（LLM）, プロンプトエンジニアリング
教育におけるAIの基礎	認知的オフローディング

Source History Edit Chat