学習者モデル化と適応的教授

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。

学習者モデル化と適応的教授——AI が学習者をどう表現するか（彼らが何を知り、感じ、必要としているか）、そしてそれらの表現を教育の適応にどう用いるかの包括概念です。このファミリーは、モデル化の層——学習者モデル化、知識追跡、認知的診断、そして学生のシミュレーション——と、それらのモデルを消費する適応的なシステム——知的個別指導、適応学習、そしてパーソナライズド・ラーニング（個別最適化学習）——にわたります。共有される問いは——システムはどうやって学習者が何を知っているかを知り、次に何を教えるべきかを知るのか。

検討すべき問い

このページが立てる包括的な問いは——システムはどうやって学習者が何を知っているかを知り、次に何を教えるべきかを知るのか、です。読み進める前に、機械の中で「学習者が何を知っているか」を表現することをどう始めるでしょうか。
学習者モデル化は、知識追跡（知識を時間とともに追跡すること）、認知的診断（習得した技能を写像すること）、学生のシミュレーション（合成の学習者）にわたります。それぞれのアプローチが得意とすることは何だと思いますか——そしてそれぞれが何を間違えやすいでしょうか。
あらゆる適応的な AI は、学習者の何らかのモデルに依存します。モデルはそれを養う証拠と同じくらい良いものにしかならないなら、AI システムは実際に学生についてどんな証拠を持っていると思いますか、そして彼らについての重要な何が見えないままでしょうか。
モデルは、学生が何を正しく理解し何を間違えるかを捉えるが、なぜかを、あるいはどう感じているかを捉えないかもしれません。学習者のモデルは、学生を助けるのではなく害する仕方で、適応的なシステムをどう誤解させうるでしょうか。
もしあなたが適応的な個別指導の設計者だとしたら、自分のモデルに何を含めたいでしょうか——そして何を想定することを明確に禁じたいでしょうか。

はじめに

学習者モデル化は学習者の計算的な表現であり、適応的教授はシステムがその表現とともに行うことです。教育におけるあらゆる適応的な AI は、学習者の何らかのモデル——軽量のものであっても——に依存し、あらゆる学習者のモデルは何らかの教育的な決定に情報を与えるために存在します。このページはそのパイプラインの包括概念です——モデル化の方法、モデルに基づいて動くシステム、そしてそれらの関係です。

モデル化の層

これらの概念は「この学習者は何を知り、感じ、必要としているか」に答えます——このファミリーの表現の側面です。

学習者モデル化——学習者の特性（知識、技能、感情的な状態、関与、選好）を計算的な形で表現する広い実践です。それはこの層の中での包括的な用語であり、学習者を表現するあらゆる仕方を包摂します。
知識追跡——練習問題での成績を追跡し、将来の習得を予測することで、認知的知識を時間とともにモデル化する具体的な実践です。それは学習の時間的な力学——知識がいつ得られ、衰え、そして概念がどう関係するか——を定式化します。
認知的診断——学習者がどんな具体的な技能や知識の構成要素を習得したかの微細な評価であり、的を絞った補習を支える習得のプロファイルを生み出します。
学生のシミュレーション——実在の学習者を表現するのではなく、求めに応じて合成的な学習者を生成し、それによって教授法と教授戦略と AI システムをオフラインで試験したり訓練したりできるようにすることです。
学習者のモデルのための因果的な定式化。 Mangili et al. (2026)は、ノイズの多いゲートのベイジアンネットワークを、専門家から引き出された構造的な因果モデルに置き換え、ヒントを明示的な内生変数とすることで、モデルが「学生が、使った助けなしならどう答えただろうか」と問えるようにします——やや予測力は劣りますが、連想的なモデルには表現できない反実仮想が可能です。

Zhang, Jeffries & Koprinska (2025)の研究は、忠実な表現が最も複雑なモデルのファミリーを必要としないことを示しています——豊富なテレメトリーではなくコースの内容との相互作用の特性から構築された、軽量で本質的に解釈可能な決定木の学生モデルは、大規模なオンラインのプログラミングコースにおけるモジュールレベルの進捗を予測し（85〜91% の正確さ）、関与を断たれた危険な、関与を断たれたが成功した、そして関与する高成績者という関与のプロファイルを区別し、規模におけるラーニングアナリティクスの早期警告を支えます。

予測的な学習者のモデルは、追跡データではなく履修登録の構造に基づくこともできます——TRACE は各学期をコースの順序なしの「かご」として符号化し、コースの集合と成績をともに予測し、成績予測の誤差を 0.1339 MAE にまで下げます——成績のみのモデルより 46.4% 低い——5,326 人の学生と十年にわたって（Savala (2026)）。

学生のモデルは、純粋に行動的な痕跡から構築され、それでも適応を支えられます。An, Hammock & Goel (2025)は、VERA で 822 個の生態系のモデルを構築する 315 人のオンライン学習者のクリックストリームから、人口統計学的や文脈的なデータを一切用いずに、三つの関与のプロファイル——観察、構築、探求——を導き出し、これらのプロファイルがモデルの質を予測することを示しました（探求は最も複雑で多様なモデルを生み出す一方で、観察は独創的ではなく模倣されたモデルに支配されます）。そうした関与レベルの特徴づけは、適応的教授の層がフィードバックを的を絞るために消費できる粗い粒度の学生モデルです。

感情的な学習者モデル化はさらなる次元です——数学の個別指導の教師が会話のテキストと顔の表情から感情を推論し、集約された状態を個別指導の方略に写像しましたが、マルチモーダルな融合は参加者自身の注釈に対してわずか 60% の正確さに達し、感情の読み取りをそのパイプラインの最も弱い環としていました（Kar et al. (2025)）。

Gutterman et al. (2026)は、数学の練習中に記録された遅延開始のシグナルが英語の成果を予測することを見出しました——慢性的な遅延者（13 分超）は、既存の知識と課題に費やす時間を統制した後でも、より低い伸びを示しました（ELA β = -.11 SD）——それゆえ行動的な学生モデルは、コースごとの再訓練なしに教科を越えて移転できますが、その切断点は再導出されなければなりません。

適応的教授の層

これらの概念は「次に何を教えるべきか」に答えます——学習者のモデルを消費する応用の側面です。

知的個別指導——学生モデルと習得の推定を用いて問題を選び、段階ごとのガイダンスを提供するシステムであり、学習者モデル化の古典的な応用です。
適応学習——学習者のモデルに応じて内容、ペース、あるいは難易度を調整するシステムです。
パーソナライズド・ラーニング（個別最適化学習）——教授、内容、経路を個々の学習者の特性と選好に合わせるより広い調整です。

構成要素がどう関係するか

これらの概念は競争者ではなくパイプラインを形成します——学習者モデル化は包括的な表現です。知識追跡と認知的診断はそれを埋める具体的なモデル化の方法です。シミュレーションは実在の学習者を表現するのではなく生成します。そして知的個別指導、適応学習、パーソナライズド・ラーニング（個別最適化学習）は、教授を適応させるためにこれらのモデルを消費するシステムです。

学習者モデル化対学生のシミュレーションは、はっきりさせておくべき重要な区別です。学習者モデル化は実在の学習者を表現することについてです——実際の学生のデータからモデルを構築して、適応的なシステムがその個人に基づいて動けるようにすることです。対照的に学生のシミュレーションは、実在の学習者の代役として立てるために、求めに応じて合成的な学習者を生成し、それによって教授と AI をオフラインで評価したり訓練したりできるようにします。両者は互換可能ではなく、密接に関連しています——シミュレートされた学生は典型的に学生モデル（認識論的な状態、誤概念の集合、あるいは関与のプロファイル）を埋め込み、知識追跡と認知的診断が定式化するのと同じ構成概念を引き出します。両者の目的は分岐します——学習者モデル化は、実在の人物についての決定に情報を与えることで生の適応に奉仕する一方、シミュレーションはシステムを試験するために学習者を作り上げます（そしてますます AI を監査するために、例：López-Pernas et al. (2026)）、いかなる実在の個人に基づいて動くためではありません。

知識追跡対学習者モデル化はもう一つのよくある混乱です。知識追跡は特に認知的知識を時間とともにモデル化します。学習者モデル化は、学習者のあらゆる側面（感情的な状態、関与、選好）を覆うより広い実践です。知識追跡は、認知的—時間的な次元に焦点を当てた学習者モデル化の一つの型です。知識追跡の構成概念はまたシミュレートされた学生にも情報を与えます——シミュレートされた学習者の認知的状態は、知識追跡がモデル化するのと同じ習得／衰えの力学でしばしば定式化されます。それゆえシミュレーションは、追跡の方法が通常実在の応答データから推論する知識の状態を生成する一つの方法です。

追跡をカリキュラムに固定することがモデルを強めます。 Pradeesh et al. (2026)は、純粋にデータから学ぶのではなく明示的なカリキュラムの構造に結びつけられたとき、学習者のモデルが忠実さを得ることを示します——彼らの成果ベースの知識追跡（OKT）は、成果ベースの教育におけるコースの成果を追跡すべき知識の概念として扱い、コースとプログラムの成果の間の専門家によって検証された OBE の「親和性の写像」を通じて概念の関係を供給し（暗黙の注意やグラフのメッセージ伝播への明示的な代替として）、一つの成果の達成が他の成果にどう影響するかをモデル化するために記憶を強化したモジュールを用います。生の工学のプログラムのデータでは、DKT、DKVMN、EKT、SimpleKT のベースラインを打ち破り（89.81% AUC）、モデル化の層が、学習者をより忠実に表現するためにカリキュラム自身の構造を利用できることを示しています。

知的個別指導対適応的／パーソナライズ学習は応用の側面にあります——知的個別指導は問題を選び段階ごとのガイダンスを行うシステムです。適応学習は内容とペースを調整します。パーソナライズ学習は学習体験全体の最も広い調整です。三つすべてがモデル化の層の「消費者」です。

共有される妥当性の挑戦

ファミリー全体にわたり、定義的な妥当性の挑戦は同じです——学習者の表現は、システムの既定の想定ではなく、学習者の真の状態を忠実に反映しなければなりません。学習者モデル化と知識追跡にとって、これはモデルが学習者が何を知っているかを真正に捉えなければならないことを意味します（評価と測定の妥当性）。シミュレーションにとって、それは合成的な学習者が、モデルの完全な有能さや追従的な同意ではなく、現実的な不完全さを示さなければならないことを意味します。欠陥のあるモデルを消費する適応的なシステムは、その誤りを継承し伝播します。

ゲームプレイから学習者の状態を推論するモデルは 0.848〜0.913 の AUC に達しましたが、レビューされた 55 件の研究のうちわずか二件が人口統計学的な偏りを監査し、一件だけが学習者の能力による差異的な成果を調べました（Kaşarcı and Yurt (2026)）。

意図されたシグナルの中には、対話からまったく回復できないものがあるかもしれません——学習文脈の枠組みのパイロットは誤概念を 91.4%、不安を 100% で回復しましたが、誠実性はわずか 68.6%、言語の熟達度は 60% でした——それゆえ文脈を意識したモデルは、対話にそれらを露わにするのを待つのではなく、表面化しにくい特性を捉えるべきです（Liu et al. (2026)）。

Lin et al. (2026)は、そうした合成的な学習者がどう検証されるかにおける循環性を露わにします——彼らの EduMirror のエージェントは事後的に心理測定の質問票を実施し、エージェントの内部的な価値の表現との一致を心理的な妥当性として読みますが、Surveyor がすでにその価値の体系に符号化された次元を測定するため、その点検は独立した検証ではなく一貫性の点検です。

正しさは常に忠実なシグナルではありません。 An, McLaren, and Stamper (2026)は、正しい行為から習得を推論する学習者のモデルが、学習者の真の状態を誤って表現しうることを示します——欺的な過度の一般化を示す学習者は習得したように見えるが、重大な応用上の制約を落とすため、適応的なシステムは練習を早く打ち切りえます。学習者のモデルは、条件付きの理解——学習者が行為を控えるべき時を知っているかどうかを含む——を評価すべきであり、行為の正しさだけを評価すべきではありません。

隠れた誤概念は反対の側から同じ失敗を示します——Imran and Bulathwela (2026)は、微調整された分類器が欠陥のある推論を通じて達せられた正しい答えの 57.4% を捉え、1.6% の有病率では 83.6% 正確な推論のモデルでさえ検出一件あたり 8 件の誤警報を残すことを見出しました——それゆえ正しさに基づく習得のシグナルは不完全であり、修復に費用がかかります。

モデルがどう検証されるかは、それ自体が妥当性の問題です。 Schuetze, Yan, and Carvalho (2025)は、人気のある学習者のモデル（BKT、忘却を伴う BKT、AFM）が、複数セッションにわたる完全なデータセットに遡って当てはめられたときにのみ、人間の学習を捉えているように見えることを示します——時間ベースの（前方移動の）交差検証の下では——以前のセッションから将来のセッションを予測する、そうしたモデルが実際に展開される仕方で——それらは成績を過大評価し、間隔効果を見逃し、練習の条件を誤って順序づけます。忘却を強化したモデルと忘却のないモデルがセッション全体でおおよそ等しく振る舞ったため、著者らは、忘却がしばしば学習者のパラメータに吸収されるのであって、真正に表現されるのではないと結論づけます。このファミリーにとっての教訓は、忠実な学習者の表現はそれが使われる仕方で検証されなければならないということです——そして瞬間的な成績を長期的な保持と混同することは、正確に見えながら学習者を誤って表現するモデルを生み出します。

LLM 時代のモデル化

最近の進展は、より豊かなモデル化のためにLLMを用います。HiLLM-CD の枠組みは学生を熟達度の木として表現します。マルチモーダルなアプローチは、多様なデータ源から証拠に基づく知識の表現を構築します。LLM は今では推論を伴って学生をシミュレートします。LLM は、教育のテキストからの自動化されたモデルの構築と、より高忠実度の学生のシミュレーションを可能にし、専門家の注釈への依存を減らします——上記の忠実さの懸念を鋭くしながら。学習者モデルのシグナルはまた LLM の推論を接地します——Reddig, Arora & MacLellan (2025)は、GPT-4 に学生のベイジアン的な知識追跡の技能の推定を個別指導のインターフェースの構造とともに与えることが、その誤りの診断を鋭く改善したことを見出しました（因数分解では論理的誤りの同定が 40% から 81% に上昇。全体ではおよそ 87.8%）——一方で複数段階の問題と複数の誤りを含む応答が最も弱い場合のままでした——形式的な学習者のモデルを LLM に結合することが、実在の学生についての健全な推論を強めるが、それを保証はしないというエビデンスです。CoLearn（He et al., 2026）は、そうした結合の永続的な版がどう見えるかを示します——習得と掘り出された誤概念は、セッションごとのログとしてではなく（学習者、科目）ごとに保存され、それゆえ証拠がセッションを越えて蓄積し、その記憶は LLM が評定する観察の関数によって書かれながら、習得のバーと、各生成された問いが何を探るために選ばれたかを名指すラベルを通じて学習者に検討可能であり続けます。その制御は書き込みの段階を明示的にします——記憶は読まれるがもはや更新されない対照群では、本当に弱い技能に向けられた項目の割合が 0.72 から 0.57 に下がりました——そしてそれはこのページの条件付けを保ちます——保存された習得は、学習者の知識の測定ではなく、エージェントの学習者についての信念です。

言語が表現として ID の埋め込みを置き換えられます——PLCD は LLM から導出された概念のスキーマと練習の過程のグラフを事前分布として構築し、XES3G5 において 83.51% の正確さに達し、ID ベースのモデルが履歴を持たない冷たい開始において最大の伸びを示します——新しい概念については KCD より 4.60 ACC ポイント、新しい練習については 4.00（Liu et al. (2026)）。

シミュレーターの質は二つの軸に分かれます——共有された行動のパターンを学生ごとのアダプターよりも前に訓練する「まず溜めてから特化する」パイプラインは、チェスにおいて行動的な忠実さ 0.51 とガイダンスへの応答性 0.91 に達し、前沿のロールプレイのベースラインの 0.23 と 0.72 に勝ち、シミュレーターは学生に一致すると同時に操縦可能でなければならないことを示しています（Yang et al. (2026)）。

リスクの得点は正確でありながら支えられていません——Gheisari and Salarian (2026)は履修登録と成績の記録から退学を 99% の正確さで予測しましたが、単一の機関の 1,027 件の整理された記録に基づき、外部の検証がなく、検証された介入がなく、公平性の監査は将来の課題として名指されており——その得点は、学生についての判定ではなく、選別を支えます。

リスクを予測するだけの学習者のモデルは、意思決定の支えには不十分です——較正された危険なモデルを、離散的な行為に関する整数計画による救済策と結合すること——タイミング、予算、不変性、利用可能性の制約に対して検証されて——は、最適化だけが受け入れてしまう実行不可能な計画ではなく、簡潔な介入の計画を生み出しました（Le, Abel & Laforge (2026)）。

ブラックボックスの推定器はまた、小さな自己説明的なモデルに蒸留できます——二段階のパイプラインは、当てはめられた推定器とその事後的な解釈を、推定と語りをともに返す 20 億パラメータの「指導される側」に変え、流暢さではなく忠実さについて監査されます（Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics）。

他の概念との結びつき

学習者モデル化と適応的教授は、ラーニングアナリティクス（ダッシュボードと介入）、形成的評価（分析駆動の評価）、そしてフィードバック（システムが学習者に伝えること）に流れ込みます。それは、AI を用いた教育の中心的な筋として教育におけるAIに結びつきます。

メタデータ

技術と手法	適応学習, 認知的診断, 知的個別指導, 知識追跡, ラーニングアナリティクス, 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）, 学生のシミュレーション, 学習者モデル化と適応的教授

Source History Edit Chat