31 AIとは：適応型システムは学習者をどのように学習するか（２）

プロセス

近年、適応システムにおいて機械学習はますます用いられており、それらは単独で、または他のアプローチと組み合わせて使用されています²。使用される場合の機械学習の主な役割は、評価の結果やプロセス¹で生成された新しいデータといった特性に基づいて、学習者モデルの作成と更新を行うことです。

外側のループでは、トレーニングデータの助けを借りてモデルが作成され、適切な重みが割り当てられます。これらは、効果的な学習コンテンツを推奨するのに役立つ機能です²（機械学習の仕組みも参照してください）。これらのモデルは、YouTubeの新しい推奨のように、学習者の進捗と変化する関心を反映した新しい学習経路を定期的に推奨するために使用されます。機械学習ベースのALSでは、学習経路の数は数兆に達することがあります³。

内側のループでは、機械学習は適切なフィードバックを提供し、エラーを特定し、知識の不足箇所を推測し、知識ユニットの習熟度を評価します。学習者は、学習アクティビティに取り組むなかで間違えることがあります。機械学習は、どのような間違いがどの知識の不足から生じるかを予測するために使用できます。なんらかの学習ステップにより進捗が見られた場合には、機械学習を使用して、どの知識ユニットが正常に習得されたかを予測できます²。

この他にも、適応システムでは、推論を行うための自動化を減らし、明示的に記述されたルール²をより増やすといったテクニックが用いられています。

こうしたシステムは、意思決定のための基準を正確に把握するために、多くのプログラミング時間と追加の努力を必要とします。さらに、結果をある領域から次の領域に、またはある問題から次の問題に一般化することはできません。

機械学習を使用するツールは、実際の学習者のパフォーマンスに関する大量のデータセットを使用し、時間の経過とともに、学習者にとって最もダイナミックな学習経路を作成することができます¹。すべての機械学習アプリケーションと同様に、教室で使用する前にトレーニングとテストが行われます。

教育モデル

YouTubeの場合、よい推奨とはなにかについて多くの価値判断があることをみてきました。たとえば、ひとつの推奨セットでカバーする必要があるユーザーの関心の数、すでに視聴したものと類似している動画の数、多様性のために追加する新しいコンテンツの数などです（Youtubeはあなたのことをいかにして学ぶか(2)を参照してください）。ALSには、知識ユニットを習得することの意味とその習得方法、つまり教育方法と学習者の日常の経験についての同様の判断が含まれます⁴。

ALSの場合、学習者の進捗に関するこれらの判断とガイダンスは、実証された教育方法学的理論に基づいている必要があります。これらは教授モデルに投入され、領域モデルおよび学習者モデルとともに、機械が適切な一連のアクティビティを選択するのに役立ちます。

このモデルでは次のような質問に答えることができます。学生に次に提示されるべきは、概念、アクティビティ、またはテストですか？ どのレベルの難易度で？ どのように学習を評価し、フィードバックを提供しますか？ どこでさらなる「足場かけ」の支援が必要ですか⁵？（「足場かけ」は、概念と手順、使用される戦略、学習の反映・計画・モニタリング方法に関するガイダンスを提供するサポートメカニズムです。）教育モデルは、アクティビティの幅と深さを指示し、ALS内で続行するか、教師からの助けを得るかさえも決定します³。

インターフェース

推奨事項は、学習者の進捗状況、パフォーマンス、目標などのその他のデータとともに表示されます。ここでの重要な質問は次のとおりです。

• コンテンツはどのように配信されますか？
• 一度にどれくらいのコンテンツが推奨されますか？
• 何が直接割り当てられ、何が推奨されますか？
• サポートリソースは何ですか？
• グループ活動を提供することは可能ですか？
• どのくらいの自律性を許すべきですか？
• 学習者は自分の好みを変えることができますか？
• 教師は学習経路を変えることができますか？
• 教師にはどのようなデータが示されますか？
• 教師はループのなかにいますか？

評価

ALSが使用されると、ほとんどのシステムはプログラマーが設定した基準に対する自身のパフォーマンスをモニターします。あらゆるAIツールと同様に、データには偏りがあるかもしれません。システムによって引き出された推論は不正確である可能性があるのです。学習者の過去のデータは、時間とともに関連性が低くなります⁶。したがって教師も、システムのパフォーマンスをモニターし、必要に応じて学習者のガイダンスと是正措置を提供する必要があります。

教師や仲間もインスピレーションを与え、代替リソースを明らかにする必要があります。 推奨システムの研究は、商業コンテンツプロバイダーとオンライン小売企業によって10年以上にわたってなされてきました。したがって、焦点は、促進できる結果を生み出すような推奨を提供することでした。「予期せぬ隠れた宝石の驚くべき喜び」⁷と、あまり旅されていない道の魅力は、永続的な学習を刺激することができます。残念ながら、これらは機械ベースのパーソナライズド学習の強みではありません。

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

⁶ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.