学生の関与

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。

学生の関与——学習過程への学習者の積極的な関わりの度合いと質であり、最も多くの場合、行動的、認知的、感情的な次元に分解されます。教育におけるAI研究において、学生の関与は主要な成果（AI の道具は学生を関与させ続けるか）であると同時にメカニズム（関与は AI の設計と学習の間を媒介するか）でもあります。それは学習自体とは概念的区別されます——関与は学習への参加であって、認知的な利得の証明ではありません——そしてそれを測定するために用いられる特定の指標からも区別されます。

検討すべき問い

このページは、関与は学習と同じではないと主張します——学生は行動的には活発（クリックし、時間を費やす）でありながら認知的には浅くなりうるのです。「関与」は高いのに学習をほとんど生まなかった例をどこかで見たことがありますか、そしてどうやってそれに気づきましたか。
あなたがあるものに深く認知的に関与していた瞬間——まさに一つの考えと格闘していた——を思い出してください。単に忙しかったり楽しんだりしていたときと比べて、そのとき何が違っていましたか。そして AI の道具はその状態を確実に作り出せるでしょうか。
関与は、乖離しうる行動的、認知的、感情的な次元に分けられます。なぜ研究者はこれらを一つのものとしてではなく別々に扱うことを主張すると思いますか、そしてそれらを見分けるには何を測定するでしょうか。
研究は、AI との深い認知的関与は学習を予測し、浅い関与は過度の依存を予測すると示唆しています。もしある道具が「関与させる」が浅いものなら、誰に責任があるでしょうか——設計、課題、それとも学習者でしょうか。
AI の道具は、自律性、有能感、関係性（関与の背後にあるニーズ）をどう満たせば、それらの特性が本物の学習を置き換える浅い娯楽に変わらずに済むでしょうか。

はじめに

関与は、教育心理学に根ざした多次元の構成概念です。行動的関与は、参加、努力、粘り強さ、課題に向かう活動を指します。認知的関与は、心的処理の深さ——精緻化、批判的分析、自己教育における AI 規制、そして心的努力の投入——を指します。感情的関与は、興味、楽しみ、不安、学習との同一化といった感情的な反応を指します。これらの次元は乖離しえます——学生は行動的には活発（クリックし、時間を費やす）でありながら認知的には浅く（出力を受動的に受け入れて）、あるいは感情的には興味を持ちながら行動的には気を散らされているかもしれません。この多次元性こそ、関与を単一の観察可能な行動と同一視してはならない理由です。

学生の関与が研究に現れる仕方

AI の設計の成果としての関与： GenAI の動機づけ研究は、生成AIを支えとする学習における関与が、基礎的な心理的ニーズ（自律性、有能感、関係性）の充足に従うことを示します——関与は技術の利用可能性だけではなく、動機づけの支えの下流の結果です。関与はしばしば自己報告で測定され、一方で行動的関与は相互作用のログから来て、両者は互換可能ではありません。
クラスター無作為化された教室試験における、学習の伸びを伴わない関与の伸び： Rücker and Becker-Genschow (2025)は、195 の中学 3 年生クラス（実験群 102 人の学生）を、分野特化型の数学チャットボットか、従来の分化教材かに無作為割り当てしました——平方根を推定するヘロン法に関する一回の授業のためです。状況的な興味はチャットボット条件で実質的に上がり（M = 2.63 対 2.43、p = 0.00005、Cohen's d = 0.63）、技術受容モデルの四つの次元すべてで受容は高かったものの、事前—事後の成績の比較では有意な群×時間の交互作用は見つかりませんでした（F(1194) = 2.84、p = 0.094）、また外来的な認知的負荷はわずかに高くなっていました。この研究は、中等教育の数学におけるカスタマイズされたチャットボットの数少ないクラスター無作為化検証の一つであり、その分裂した結果こそが要点です——興味と達成は異なる予定で動いたのであり、したがって関与の知見は学習の証拠ではありません。
量より質： AI のコード補完における批判的関与、認知的関与の言説分析、そして批判的関与の足場かけは、AI との深い（認知的）関与は学習を予測し、一方で浅い（行動的）関与は、このナレッジベースのリスク文献を支配する過度の依存と学習の置き換えを予測することを示します。
脆く文脈依存的： 磨かれた成果物、脆い関与と複数機関の関与のパターンは、関与が課題、文脈、学習者によって異なることを見出します——ある学生を深く関与させる AI の道具が、別の学生には浅い出力追い求めの行動を生み出すかもしれません。
動機づけの先行要因： AI の利用可能性と動機づけは、AI が利用できると知ることが、努力を要する関与の知覚された価値を下げうること——とりわけ初心の学習者にとって——を示します——関与は道具の特性と同じくらい、期待、価値、知覚された有能感によって形作られます。Wang & Wang (2026)はこれを、AI を支えとする学習における 758 人の大学の英語学習者に関する目標設定理論の説明で拡張し、教師の支えが関与を直接高め、かつ学生の熟達接近目標と成績接近目標（回避目標ではなく）を通じて働くことを示します——AI の文脈における関与は、それゆえ個人の結果や設計の結果であるだけでなく、教師と学習者に奨励される目標志向によっても社会的に足場かけされるのです。

その足場かけには、二重の経路を持つ制度的な対応物があります。Chen's (2026)の二研究デザイン（シナリオ実験における 160 人の美術専攻学生、425 人への調査）は、大学の GAI の推進とその実際の教育・評価の実践との間で知覚される不一致が、二つの相反する評価づけを通じて創造的な過程への関与を予測することを見出しました——否定的には障害を通じて（β = −0.060、p = 0.004）、肯定的には挑戦を通じて（β = 0.217、p < 0.001）——そして経路思考は肯定的な経路だけを強め、それゆえ同じ制度的条件が学生の一部を関与させ、別の一部を離反させました。

有能感と感情が関与の原動力： Zhao et al. (2026)は大規模言語モデル（LLM）チャットボットと相互作用する871 人の大学生をモデル化し、GenAI の有能感が肯定的な感情（感情の経路）を通じて直接的および間接的にチャットボットへの関与を予測し、かつ有能感と肯定的感情の両方が関与と肯定的な学習感情を予測することを見出します。関与はそれゆえ同時に技能と感情的な成果です——AI の有能感を欠き、不安や欲求不満を経験する学習者は離反し、これはAIリテラシーの訓練を単なる技能の目標ではなく関与への介入として捉えることの含意を持ちます。
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 and Li (2026)は、学生の AI へのプロンプトが平均しておよそ 62% の高次の認知的負荷を符号化することを示しますが、ブルームレベルの関与の分布は学問分野によって鋭く異なります（STEMは適用優勢 20.8%、言語は理解優勢 31.7%、社会科学は創造優勢 33.8%）。個人内デザインを用いて、彼ら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見出し（p < .001）、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 との認知的関与が、個人のスタイルだけでなく学問の文脈によっても形作られるというエビデンスです。
AI のフィードバックが行動的な活性化を支える。 Geschwind et al. (2026)の学期を通じたラボ・イン・ザ・フィールド実験では、自由記述の課題について個別の GPT-4 のフィードバックを受け取った学生が、八つの週次の課題全体で最も高い参加を維持し（最後にはおよそ 50%、講師または同僚フィードバック群のおよそ 30% 対比）、かつ答えあたりおよそ 29 文字多く書きました——個別の AI のフィードバックは、広い意味での参加と、反応あたりの努力という集中的な意味での参加の両方で関与を活性化しました。それでも学生は同僚のフィードバックをわずかに高く評価していました。
学習の構成概念からの学業的な AI 利用の予測。 探索的な機械学習の枠組みが 166 人の大学生からの調査データを分析し、意図された学業での ChatGPT 利用に関連する学習関連の構成概念を特定し、SHAP 分析を用いて解釈可能性を保ちました。知見は、関与、学習の支え、その他の構成概念が AI の道具の学業的な作業への取り込みをどう形作るかに情報を与えます。
AI の道具へのアクセスは、測定された関与を下げうる——そして修了率はそれを示しません。 Liu et al. (2026)は、大規模な米国の公立大学で 13 のブロックにわたって個別指導へのアクセスを無作為化し、記録されたプラットフォームへの参加が 0.90 標準偏差、ページ閲覧数が 0.37〜0.38 標準偏差、活動日数が 0.51〜0.61 標準偏差下がったことを見出しました——一方で宿題の提出と期限内提出は影響を受けませんでした。この乖離が測定上の教訓です——課題の修了だけを監視していたコースは何も見なかったでしょう。減少は、プラットフォームが記録した議論、小テスト、講師との相互作用の活動にあったからです。処置を受けたセクションの学生はまた、講師に内容に関する問いをより少なく尋ねたと報告しました（約 57% 対 44%）、したがってその低下は、コースからの離反ではなく人間との接触からの代替と時を同じくしていました。
返信の遅延が関与の梃子。 1,137 件の定量的な AI 個別指導セッションでは、より速い返信がより多くの学生のメッセージとより多くの正しい練習と結びついていました（モデル間で返信時間の中央値 1.9 秒から 31.0 秒。低い遅延が Spearman ρ=-0.81、p=.0056 で関与と相関し）、著者らはこの連鎖を、教える質では目立った得点を上げないモデルがどう人間並みの伸びに達するかの説明として読みます（Northcutt et al. (2026)）。
AI の利用はより大きな授業の欠席と結びつきうる——一方で自信はそれを予測しません。 291 人のポルトガルの大学生を対象とした PLS-SEM 調査では、全般的な AI の利用が欠席（β = 0.148、f² = 0.029）と独立学習の自己効力感に正に関連し、一方で自己効力感自体は欠席を予測しませんでした（β = −0.068、p = 0.276）——その論文の「自信があるが欠席する」パターンです。出席との関連は控えめで、仲間の影響（β = 0.510、f² = 0.326）と時間管理（β = −0.163）に次ぐものであり、そして AI 利用の構成概念が一次元的で、支え志向と代替志向の項目を混在させていたため、その研究は補完的な利用と代替的な利用を切り分けることも、方向性を確立することもできません（Franco et al. (2026)）。

関与の測定：指標選択の問題

関与は、一連の観察可能なシグナルを通じて操作化されます。行動的な指標は学習者が行うこと（課題に費やす時間、活動の回数、相互作用の頻度、粘り強さ）を測定し、認知的指標は学習者が考える仕方（処理の深さ、批判的関与、言説分析）を測定し、感情的指標は学習者が感じる仕方（感情、動機づけ、興味）を測定し、そして文脈的な指標はマルチタスクと注意を捉えます。AI 教育研究はますますこれらを組み合わせ、関与を AI の道具の設計と学習の成果との間の媒介的なメカニズムとして扱い、それ自体としての成果とはしません。

六つの AI の応用ファミリー＋多方法の測定： Zhou's (2025) の系統的レビューは、24 件の WoS 研究を、関与のための六つの AI 応用に写像します——コース設計におけるチャットボット、感情／表情／音声の認識と視線追跡、データ分析のための ML、教師—学生の相互作用の支え、パーソナライズされたフィードバック／推薦、そしてスマート学習環境における AI 駆動のボット。それは、複数の AI の様態とデータ源を統合することが、単一の情報源のアプローチよりも、認知的、感情的、行動的な関与についてより正確でリアルタイムの洞察を生み出すことを見出します——上記の指標選択の問題を裏づけるものです。

指標の選択は定義に関わる問題です——関与を課題に費やす時間として測定する研究は、学生がそれと相互作用するのにより多くの時間を費やすときに AI の道具が関与を高めると結論づけるかもしれませんが、一方で関与を批判的な処理として測定する研究は、同じ道具について反対の結論に達するかもしれません。これこそ、このナレッジベースの研究が関与（参加）と学習（実際の認知的な利得）を区別する理由です——成績対学習を参照——そして関与の指標は、それらが測定すると主張するものに対して検証されなければならない理由です。

脆く状況依存的シグナルとしての関与： 磨かれた成果物、脆い関与と複数機関の関与のパターンは、関与が文脈、課題、学習者によって異なることを見出します——同じ道具が一部の学生には強い関与を、別の学生には浅い出力追い求めの行動を生み出します。
学習プラットフォームからの行動的なテレメトリー： 努力と進捗の予測、Learning Engagement Assistant、映像学習における関与の評価、そして学習ダッシュボードは、行動的・生理的なシグナル（注意、活動、粘り強さ）を、適応的なフィードバックと講師の介入に用いられる関与の指標に翻訳します。
生理学的な計測は一つの様態を加える——そしてベースラインの問題も。 E3Senseは、乾式電極の EEG、視線追跡メガネ、額の電気皮膚反応電極を頭部に同所化させ、30 人の大学生の参加者から五段階の順序尺度で 450 件のセグメントレベルの関与の評価を予測します——融合されたマルチモーダルAI表現上の AdaBoost は、最も一般的な評価を常に予測した場合の 63.0% に対して、75.0% の水準内一段階以内のバランスの取れた正確さに達しました。その差の狭さこそが要点です——水準内一段階以内の信用は、偏った評価の大部分で、計測のないベースラインにその得点の大半を与えてしまいます。そして学習者に関与が自分にとって何を意味するかを尋ねることが、同じ尺度を 64.6% から 71.5% へと動かしました——自己報告のラベルが、計測装置だけでなく、そうした分析が主張できるものを決めるというエビデンスです。
公平性の制約は、ホールドアウトされた被験者を必要とします。 マルチモーダルな注意推定器の性別を対象とした正則化項は、検証における MAE の差を 0.02 から 0.005 に縮めましたが、ホールドアウトされた被験者では差と最悪群の誤差の両方を増やしました——それゆえ部分群を意識した被験者レベルの反復検証が、あらゆる関与計測の主張に含まれるべきです（Fragkiadakis et al. (2026)）。
学習者モデル化のシグナルとしての関与： 学習者モデル化のシグナルとしての関与の強度は、関与の強度を適応的な AI システムに情報を与えるために用い、関与の指標を単なる評価の出力ではなく、学習者モデル化と適応的教授と適応学習への入力として位置づけます。

関与と学習

このナレッジベースの研究における中心的なテーマは、関与と学習を区別しなければならないということです。高い関与（課題に費やす時間、相互作用の量）を生み出す AI の道具は、その関与が受動的であるか、理解という認知的作業を代替するものであるなら、学習を生み出さないかもしれません——成績対学習を参照。逆に、生産的な苦闘と望ましい難しさは、表層的な関与が低く感じられるときでも学習を生み出しえます。関与はそれゆえ、究極的な成果としてよりも、意味のある認知的処理を反映し可能にする限りにおいて価値あるメカニズムとして扱うのが最善です。

この区別は学問的なものではありません。Pramod and Patil (2026)は、関与を自分の PLS-SEM モデルの中心に置きます——動機づけと社会的プレゼンスが一方の側に、知覚された成績が他方にあり、それは自分のモデルで最大の係数であり、それでも学習の測定ではなく知覚のままです。

教授法が AI の関与への効果を媒介する

高等教育における AIの系統的な統合（Long et al., 2026）は、AI の道具が埋め込まれる教育の方法が、それが学生を関与させるかどうかの決定的な媒介者であると強調します。チャットボット、適応的なシステム、予測的な分析は、独立した道具としてではなく——反転授業、プロジェクトベース学習、足場かけられたフィードバックのループ——のような相互作用的な教授法の内に展開されるときに、最も関与を高めます。そのレビューはこれをPMAISE モデル（Pedagogical Mediation of AI for Student Engagement）として定式化し、AI の技術、教育学的な方略、そして関与の感情的・行動的・認知的次元の間の整合を写像します。その含意は、関与の成果が道具とそれを取り巻く教授設計の両方によって共同生産されるということです——同じ AI が一つの教授法では関与を増幅し、別の教授法ではそれを抑制しうるのです。

メタデータ

レベル	Higher Ed
対象読者	Learners
学習と教授	動機づけ, 自己調整学習, 学生の関与
技術と手法	生成AI, ラーニングアナリティクス
教育におけるAIの基礎	教育におけるAI

Source History Edit Chat

学生の関与

検討すべき問い

はじめに

学生の関与が研究に現れる仕方

関与の測定：指標選択の問題

関与と学習

教授法が AI の関与への効果を媒介する

関連概念との結びつき

関連概念

関連記事

関連するFAQ

メタデータ

このページを埋め込む