テーラーメイドの学習は生成AIで実現するのか｜一人ひとりに合わせる学習の研究

面談で学習記録を前にすると、気になる一節があります。「AIチューターを使うと、能動学習の授業と比べて、短い時間でより多く学びました」という研究の言葉です。これはKestin（2025）の報告の日本語訳で、学習を対話で支えるAIを、教育研究に沿って設計した試験の結果です。手もとの答案で何度も同じ所につまずいていれば、説明や問題を自分に合わせて変えてほしいと思うのは自然です。そこで知りたいのは、生成AIが応じてくれることが、その子自身の解ける力につながるかです。

テーラーメイドの学習は生成AIで実現するのか｜一人ひとりに合わせる学習の研究

面談で学習記録を前にすると、気になる一節があります。「AIチューターを使うと、能動学習の授業と比べて、短い時間でより多く学びました」という研究の言葉です。これはKestin（2025）の報告の日本語訳で、学習を対話で支えるAIを、教育研究に沿って設計した試験の結果です。手もとの答案で何度も同じ所につまずいていれば、説明や問題を自分に合わせて変えてほしいと思うのは自然です。そこで知りたいのは、生成AIが応じてくれることが、その子自身の解ける力につながるかです。

生成AIで一人ひとりに応じた支援を作ることは可能ですが、学習の効果は、合わせる内容と教え方、そして支援を外した後の成績まで見て判断する必要があります。 面談で画面上の会話が滑らかに進んでいても、本人がどの部分を考えたかは答案と照らす必要があります。研究には従来のコンピューター教材の評価も含まれるため、それらと文章を生成するAIの試験を分けて読みます。保護者が見る材料も、好みに合った説明の見本から、つまずきに応じて変えた課題と、その後に本人が書いた解答へ広げられます。

要点

• 個別化の中身は、つまずきに応じた課題の変更、ヒントの出し方、学習の速さなどに分けて見ます。
• 従来の個別指導システムには効果の報告がありますが、人の個別指導と比べたときには有意な差が出ない研究もあります。
• 生成AIの学習支援は設計で結果が変わり、利用中の成績と、支援を外した後の成績が逆向きになる場合があります。
• 面談には、最初の答案、受けた支援、AIなしの解答を持ち寄ると、次に変える内容を話し合いやすくなります。

テーラーメイドの意味を、何に合わせるかまで具体化します

テーラーメイドは注文に応じて仕立てることを指し、学習では一人ひとりの状態に合わせる意味で使われます。学習者の名前を入れることも、解けなかった問題に応じて復習先を変えることも、広い意味では個人に応じた対応です。しかし、名前が入った説明からは、どの知識を補う必要があると判断したのかは読み取れません。面談で聞きたいのは、教材を変える前に何を見て、変えた後に何を確かめるかという流れです。

たとえば、答えだけを間違えた答案でも、問題文の読み違いと、途中の計算での誤りでは、必要な支援が違います。前者なら条件を読み取る問い、後者なら途中の式を見直す問いを候補にできます。生成AIに答案を渡す際も、本人がどこまで説明できたかを添えると、支援の候補とつまずきとの対応を点検しやすくなります。これは面談で検討するための手順であり、AIがつまずきの原因を診断したものとして扱う手順ではありません。

合わせる対象を決める際には、本人の好みと理解の状態を別の欄に書くと整理しやすくなります。Rogowsky（2015）は大卒の成人を対象に、聴覚型・視覚型という好みの学習スタイルに音声・文字の教材を合わせる方法を調べましたが、理解が良くなるという仮説は支持されませんでした。面談では、本人が読みやすいと感じる形式を聞きつつ、その形式で説明した後にどこまで解けたかも見ます。好みの記録は教材を選ぶ手掛かりにし、学習の成果は解答や説明で別に残します。

従来の個別指導システムは、比べる相手によって評価が変わります

個別化の研究でよく登場するのは、知的個別指導システムと呼ばれる、学習者の状態に応じて問題や助言を変えるコンピューターの仕組みです。Kulik（2016）は、こうした仕組みの対照つき評価50件をまとめました。複数の研究を統合して結果を検討するメタ分析で、通常の学習と比べたテスト成績の差の中央値は0.66標準偏差でした。標準偏差は成績のばらつきの大きさを示す物差しで、この数字は試験の点がそのまま同じ数だけ増えたという意味ではありません。

Ma（2014）のメタ分析は、全ての学校段階の学習者を対象とし、14,321人に関わる107件の効果量を分析しました。効果量は、比較した群の差がどれほど大きいかを表す数です。一斉授業や教科書・問題集などと比べるとシステムを使った学習の成績が高い一方、人の個別指導や少人数指導と比べた差は統計的に有意ではありませんでした。何を置き換えるかによって、個別化に期待する上乗せの意味が変わります。

面談で研究の紹介を読むなら、成果の数字の横に比較相手を書き足します。教科書を一人で読む学習から支援つきの学習へ移る場合と、すでに人から細かな助言を受けている場合では、出発点の支援が違います。また、有意な差がないという結果は、あらゆる条件で同じ成果になるという保証とは区別して読みます。次の表は、比較相手と対象を混ぜずに研究を見渡すためのものです。

大きな効果の数字には、測り方と対象も添えます

小学校から高校までの数学の学習者に絞ったSteenbergen-Hu（2013）では、知的個別指導システムの平均効果量はg = 0.01〜0.09でした。gは、群の差を成績のばらつきに照らして表す効果量の記号です。多くは通常の授業との比較で、全体として悪影響はなく、小さなプラスがあるかもしれないという結果でした。さらに、学力の低い生徒への効果は、一般の生徒への効果より小さいという結果も出ています。

この違いを読むとき、別々のメタ分析の数字をそのまま大小順に並べて、ある教材が優秀だと決めるのは避けます。集めた学年や教科、比較相手、採点に用いた課題が違うからです。Kulik（2016）も、研究者が作ったテストか、共通の基準で作られた標準化テストかで、改善の大きさが大きく変わると報告しています。面談では、練習した問題に近い課題で伸びたのか、別の課題でも使えたのかを区別して聞けます。

Cheung（2016）は、幼児教育・読み・数学・理科の教育プログラムを評価した645件の研究を調べています。出版された論文、小規模な試験、研究者が作ったテストでは、それぞれ未出版の文書、大規模な研究、独立したテストに比べて効果量がおよそ2倍でした。これは教育研究の測り方を検討した結果で、生成AIの効果を測った数字ではありません。研究紹介の大きな数字だけを採用せず、何を使って成績を測ったかまで読むための根拠になります。

学力が低い生徒ほど助けが必要だという期待と、その生徒ほど大きな効果が得られるという予測は別です。面談では、正答率の低さだけで教材を易しくするのか、必要な前提知識まで戻るのかを具体的に話し合います。途中までできている答案も示せば、本人ができる部分を残しながら、支援を置く場所を検討できます。平均の効果を見ることと、目の前の答案から次の課題を選ぶことをつなげます。

生成AIの成果は、学習を支える設計と一緒に読みます

Kestin（2025）が比較した対象は大学生で、比較相手は能動学習の授業でした。能動学習は、説明を聞くだけでなく、問題に取り組むなど学習者自身が活動する学び方です。学生をくじ引きのように群へ分けて比べる無作為化比較試験で、教育研究に沿って設計したAIチューターを使った群が、短い時間でより多く学びました。学習への取り組みや意欲についても、AIチューターの群のほうが高いと感じていました。

この結果で評価されたのは、生成AIを教育のために組み立てた仕組みです。本人から質問を受けること、答え方を制御すること、学習内容を配置することなど、支援には設計上の選択が入ります。面談で説明を受けるときも、使っているAIの名前に加えて、答えを出す場面と本人に考えさせる場面をどう分けるかを見ます。学習の進み方を示すやり取りがあれば、考える役割を本人がどこまで担うかをたどれます。

たとえば、本人が理由を書き終える前に完成した解答が現れるなら、その記録から本人の理解を読み取るのは難しくなります。逆に、途中の考えを本人が書き、それに応じて次の問いが出るなら、少なくとも何を手掛かりに支援を変えたかを記録できます。ここで確かめるのは、対話の長さや親しみやすさだけではなく、本人の解答に応じた変更の有無です。設計の説明と実際の記録を照らし、学習者の入力が支援にどう使われたかを見ます。

AIを使っている間の正答と、自力で残る力を分けます

Bastani（2025）は、高校生の数学の学習者にGPT-4を使う支援を用意し、使っている間と外した後を調べました。通常のチャットに近いGPT Baseと、学びを守る指示を組み込んだGPT Tutorが比較に含まれます。問題を解くときに使える条件では、成績はそれぞれ48%と127%改善しました。しかし、その後にAIを使えなくすると、GPT Baseを使った群は、一度もAIを使わなかった群より成績が17%低くなりました。

Bastani（2025）では、学びを守る指示を入れたGPT Tutorで、この悪影響はおおむね打ち消されました。使えるときの成果が良くても、支援を外すと自力の成果が落ちる条件があり、教え方の設計を変えることで違う結果になったわけです。面談の資料でも、AIつきの解答とAIなしの解答を別々に表示すれば、この違いを見落としにくくなります。支援を受けた後の確認問題は、本人の力を知るためにAIを使わずに解く場面として確保します。

確認問題には、答えと解説を照合できる既存の教材を使うと、正しさを点検する手掛かりが残ります。AIが作った問いを同じAIに採点させるだけでは、誤った前提や説明がそろっていても、それを見つける手掛かりが乏しくなります。本人の答えと教材の解説が食い違うときは、正誤だけでなく理由を説明できる人に見てもらいます。原因を切り分ける前にAIへ解答の生成を繰り返し頼むより、書き残した途中の考えを面談の材料にします。

面談では、支援を変えた理由が追える記録を見ます

面談の前にそろえるのは、最初に本人が解いた答案、受けたヒント、支援を閉じた後の解答です。最初の答案には、止まった箇所と、その時点で説明できたことを本人の言葉で残します。ヒントの記録には、答えまで見たのか、考える方向だけ示されたのかを添えます。後の解答は、完成した答案だけでなく、途中で自分から書いた式や理由も保存します。

生徒が生成AIに短く頼むなら、「私の途中の考えを見て、次に考えるための問いを出してください。答えはまだ示さないでください」といった形が候補になります。この依頼をした後も、返ってきた内容が答えを先に明かしていないか、本人のつまずきと関係しているかを見ます。長い説明が返った場合は、どの部分を使って先へ進めたかを記録します。指示文そのものの巧さより、支援を使って本人が何を書けたかを面談へ持ち寄ります。

保護者は、次の項目を学習記録と対応させて見ると、説明を具体的に聞けます。記録のない項目は、次に観察する内容として残します。本人が解けた所も書き込むと、支援を増やす話だけでなく、支援を減らせる所の相談にも使えます。

• 合わせる対象: 間違えた問題、途中の考え、前提知識のどれを見たか
• 支援の変更: 問題、説明、ヒントのどこを変えたか
• 比較する学習: 教科書での学習、人の助言など、何に上乗せするか
• 自力の確認: AIを使わずに解いた課題と、本人が説明した理由
• 次の調整: 支援を残す部分と、減らして試す部分

自力の確認で止まった場合も、個別化が合わないという結論へ急がず、最初の答案と並べて見ます。同じ場所で止まっているなら、ヒントが考える足場になったかを見直せます。別の場所まで進んでいるなら、すでに自分で進められる部分を残し、次のつまずきを相談できます。面談の終わりには、変更する支援と、変更後に本人だけで解く課題を対応させて記録します。

よくある質問

名前や好みを伝えれば、学習は自分専用になりますか

名前や好みを伝えると応答を変える手掛かりにはなりますが、理解に合わせるには答案や途中の考えも必要です。面談では、どの入力を理由に課題が変わったかを見ます。間違えた箇所に対応するヒントが出た記録と、その後に本人が書いた理由を並べると、支援の中身を具体的に検討できます。

生成AIがあれば、人の個別指導と同じ成果が得られますか

生成AIと人の個別指導が同じ成果を出すという結論には、ここで扱った比較は足りません。Ma（2014）で人の個別指導との差が有意でなかったのは、従来の知的個別指導システムです。Kestin（2025）の生成AIの試験は能動学習の授業との比較なので、研究紹介では道具の種類と比較相手をセットで読みます。

本人が気に入っていても、AIなしの確認は必要ですか

自力で残った力を知りたいなら、支援を使わない確認も必要です。本人の使いやすさの評価は残しつつ、問題を解くときには、見たヒントの内容も記録します。Bastani（2025）では利用中と利用後で成績の傾向が違う条件があったため、面談では支援つきの答案と、支援を閉じた後の答案を分けて見ます。

この記事の限界

適用範囲は、従来の個別指導システムの研究と、大学生・高校生に対する特定のAI支援の試験に限られます。生成AIの試験について、用いた抄録から国や実施期間の詳細は定まらず、Bastani（2025）のGPT-4と現在のモデルで、支援を外した後の成績が同じ傾向になるかも未検証です。

日本の中高生と日本語の課題における生成AIの個別化、生成AIと人の個別指導の同条件での比較、市販サービスの独立した評価を調べた研究は、今回扱った範囲では見つかりませんでした。個別化による学びが数か月後まで残るかを判断するには、支援を外した状態を継続して測る追跡研究が必要です。

参考文献

1. Kulik JA ほか. Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review. Rev Educ Res. 2016;86(1):42-78.
2. Ma W ほか. Intelligent tutoring systems and learning outcomes: A meta-analysis. J Educ Psychol. 2014;106(4):901-918.
3. Kestin G ほか. AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Sci Rep. 2025;15(1):17458.
4. Steenbergen-Hu S ほか. A meta-analysis of the effectiveness of intelligent tutoring systems on K-12 students’ mathematical learning. J Educ Psychol. 2013;105(4):970-987.
5. Bastani H ほか. Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proc Natl Acad Sci U S A. 2025;122(26):e2422633122.
6. Rogowsky BA ほか. Matching learning style to instructional method: Effects on comprehension. J Educ Psychol. 2015;107(1):64-78.
7. Cheung ACK ほか. How Methodological Features Affect Effect Sizes in Education. Educ Res. 2016;45(5):283-292.

よくある質問