生成AIに「中学生向けに」と頼むと説明の難しさは本当に変わるのか｜読みやすさの調整の研究

居間のソファの横に公民の教科書を開き、スマートフォンに返ってきた説明と見比べます。「独占禁止法とは何か、中学生向けに説明して」と頼んだ答えなら、教科書では止まってしまった箇所も、短い文と身近な言葉で読み進められそうに見えます。それでも、学年を伝えるだけで自分に合う難しさになるのか、必要な内容まで削られないかは気になるところです。学年の指定で文章の難しさが下がる例はありますが、目標の水準に届くことと、内容を理解できることは別々に点検する必要があります。

生成AIに「中学生向けに」と頼むと説明の難しさは本当に変わるのか｜読みやすさの調整の研究

居間のソファの横に公民の教科書を開き、スマートフォンに返ってきた説明と見比べます。「独占禁止法とは何か、中学生向けに説明して」と頼んだ答えなら、教科書では止まってしまった箇所も、短い文と身近な言葉で読み進められそうに見えます。それでも、学年を伝えるだけで自分に合う難しさになるのか、必要な内容まで削られないかは気になるところです。学年の指定で文章の難しさが下がる例はありますが、目標の水準に届くことと、内容を理解できることは別々に点検する必要があります。

やさしい説明を求めることは、知らない用語の多い文章に取り組む入口になります。ただ、読み終えたという感覚だけでは、どの言葉の意味がつながったかまでは見えません。研究を読む際にも、文章を計算式で評価した結果と、人が読んで答えた結果を区別すると、頼める仕事の範囲が見えてきます。手もとの教科書を閉じずに使い、AIの文章が変えた言葉、残した要点、自分で説明できる内容を順に見ていく方法を考えます。

要点

• 学年を指定すると、文章の読みやすさの指標が改善した研究があります。
• 指定した学年より難しい文や、元の要点が抜けた文も報告されています。
• 英語の学年水準を示す数値は、日本の中学生の理解を採点した結果とは別です。
• 教科書の重要語と条件を照合し、画面を見ずに説明するところまで試します。

「独占禁止法とは」を中学生向けに読むときの物差し

独占禁止法は、企業どうしの公正な競争を守るための法律です。このような説明をやさしくしてもらうときは、知らない用語が減ることと、法律の働きがつかめることを分けて見ます。身近なたとえが増えるだけで読み進めやすくなる場合もありますが、教科書の語とたとえの対応が追えるかは別の確認になります。学年の呼び名を付けた文章でも、読む人の既習内容までは同じになりません。

研究でよく使われるのは、フレッシュ・キンケイド学年水準という、英語の文章の難しさを学年に対応する値で表す指標です。これは文章から算出する物差しで、読者を集めて理解問題を解いてもらった得点ではありません。「学年水準が下がった」という報告は、まず文章の特徴が変わったという意味で受け止めます。日本語の教科書を読む生徒について、その数字をそのまま学年の判定として使うと、測ったものを取り違えます。

Crossley（2019）は、科学・技術・歴史の文章について、人の理解と読む速さのデータから、新しい読みやすさの式を作りました。文章の語や文の特徴をコンピューターで分析する自然言語処理を用いた式は、従来の読みやすさの公式より、理解と読む速さをよく予測しました。この研究は生成AIを扱っていませんが、文章の難しさをどの式で測るかによって評価が変わることを示します。家庭で見る際には、表示された学年のラベルに加え、読んだ本人が説明のつながりを話せるかという観点を持てます。

学年を指定して、難しさが下がった研究

Kirchner（2023）は、英語の整形外科の患者向け資料をAI対話サービスでやさしく書き換えました。人工膝関節の説明では、学年水準の中央値が12.0から6.3へ、人工股関節の説明では11.6から6.1へ下がりました。もとの文章と書き換え後を同じ公式で測っているため、文章の難しさの変化を比べられる結果です。著者らの点検では事実の誤りが見つからず、患者向けに必要な詳しさも残っていたと報告されています。

Watanabe（2025）は、30の文章を、ChatGPT 4ではもっと読みやすく、ChatGPT 4oとMagicSchool.aiでは特定の学年に合わせるように書き換えました。難しさが下がった証拠が得られたのは、学年を指定した実験のモデルと指示文でした。ただし、指定の仕方だけでなく使ったモデルも変わっているため、改善を学年指定だけの効果として切り離せません。この比較は、頼む言葉と文章を作る仕組みの組み合わせを見る材料になります。

Agrawal（2023）は、あらかじめ多くの文章で学習した言語モデルを使い、学年に合わせる書き換えの制御方法を調べました。元の文ごとに必要な編集を予測する方法は、文章の集まりに共通の設定を当てる方法より、書き換えの質が良いという結果でした。これはChatGPTへの指示文の優劣を試した研究ではなく、書き換えを制御する技術の比較です。読者の使い方に引き寄せるなら、難しい語で止まるのか、長い文の関係が追えないのかを先に区別すると、直してほしい箇所を具体的に伝えられます。

指定どおりに届かない場合と、要点が抜ける場合

Ayre（2024）は、英語の健康情報をChatGPTで読み書きの苦手な人向けに書き直しました。学年水準は平均12.8から11.0へ下がりましたが、多くの文章は健康情報として目指す水準に届かず、元の要点が残った割合は平均80%でした。もともと比較的やさしい文章では改善も小さく、言い換えの余地は元の文章によって違いました。この研究の依頼は学年を名指ししたものではなく、読み手の困難を伝える形でした。

Shen（2025）は、読みの困難のある子ども向けにAIが作る練習文を調べました。学年だけを伝える場合や、学年と理科の話題を伝える場合にも、多くの文章が頼んだ学年より難しいという結果でした。一方、これらの指示で作った文章にはおかしな点や矛盾がほとんどなく、練習に使えるという評価もありました。内容の整合性が保たれていることと、狙った読者に合う難しさであることは、同時に評価して初めて見分けられます。

さらにSachdeva（2026）は、眼科の患者向け資料の研究を集め、結果を統合するメタ分析を行いました。学年水準の統合値はChatGPTの資料で9.82、既存の資料で9.54となり、統計的に有意な差はありませんでした。学年を指定する指示文では読みやすさが改善した一方、研究間のばらつきが大きく、結論の確実性は低いとされています。「AIで作ること」と「読み手に合わせた指示をすること」を分けて比較する必要があります。

結果を見比べる際には、何を入力し、何と比べたかをそろえて読みます。下の表では、書き換えによる変化、指定した水準への到達、既存資料との比較を分けています。対象の違いも並べると、同じ読みやすさという言葉で何を評価しているかを追えます。

短くするより、残す内容を先に決める

居間で教科書とAIの説明を比べるときは、先に教科書側に印を付けます。範囲を絞り、太字の重要語と、その語を説明している文を対応させます。そのうえで、AIの説明に重要語がすべて出てくるかを数え、違う言葉になっていたら対応する箇所に線を引きます。語が残っているかを探す作業と、その意味が保たれているかを読む作業を順に行います。

照合では、誰が何をするのか、何のためなのか、どの条件で成り立つのかを見ます。文が短くなっても、主語が変わったり、条件を示す部分が消えたりすれば、元と違う意味になります。特に、限定のある説明があらゆる場合に当てはまる説明へ変わっていないかは、元の文に戻って読みます。残った語を丸で囲むだけで終えず、その語が結びつく相手までたどると、抜けた関係を探せます。

指示文の例は、「中学生向けに、重要語を残し、難しい語には短い説明を添えてください」です。返ってきた文章で読みづらい場所があれば、「この文の主語と理由のつながりが追えるように、文を分けてください」と範囲を絞って頼めます。これらは編集の希望を伝える例で、正しさを保証する合図ではありません。使うサービスで入力の扱いを調べる際は、そのサービスの最新の説明を読み、教材を扱う機能の案内も合わせて見ます。

AIの言い換えを使わないほうがよい場面

元の言葉そのものを読むことが課題なら、AIのやさしい文に置き換えず、原文を使います。たとえば、教科書の定義の表現を説明する宿題で、AIの説明だけを読んで答えると、何を言い換えたかを示す材料がなくなります。必要なのは原文のどこが難しいかを特定することであり、読めない箇所に印を付けて辞書や用語集を引く方法が使えます。言い換えを利用する場合も、原文へ戻る位置を残しておきます。

AIが加えたたとえだけを覚えそうなときも、いったん教科書の説明に戻ります。たとえに登場する物と学ぶ用語の対応を書き出し、教科書に対応する記述があるかを見ます。対応する箇所を示せない部分は、学習内容の根拠としてノートへ移さず、疑問として残します。現実の企業の行動が法律に触れるかという個別の判断にまで話が広がった場合は、やさしい言い換えを学習用の説明として使う範囲へ戻します。

何度もさらにやさしくするよう頼んで、最初の問いに答える内容が消えたときは、書き換えを止めます。その段階では、最新の文章を直し続けるより、保存しておいた元の文章と照らすほうが欠けた箇所を探せます。用語が難しいのか、前提の知識を知らないのかも見直し、後者なら教科書の前後の説明を読みます。AIの文章を採用しないという判断も、照合した結果としてノートに残せます。

保護者は、画面を閉じた後の説明を見る

保護者が確かめるときは、AIの文章の滑らかさを評価するより、子どもが何を話せるようになったかを聞きます。まずは画面を閉じ、用語の意味と、その説明の理由を短く言い直してもらいます。言葉が出ない場合は、すぐに全文を読み聞かせず、どの語のところで止まったかを一緒に探します。教科書に戻る場所が定まれば、説明を全部やり直す負担を減らせます。

たとえば、自分の言葉で2文にしてみる方法があります。最初の文で用語の意味を述べ、続く文で教科書の説明とのつながりを補う形です。文章の暗唱になっている場合は、その言葉が教科書のどこに当たるかを指してもらいます。これは研究で効果が実証された練習回数の指定ではなく、説明の中身を聞き取るための家庭での点検案です。

次の項目は、読んだ後の記録に使えます。できた項目を増やすことだけを目標にせず、止まった箇所に短いメモを添えます。たとえば、語の意味は言えたが理由を話せなかった場合は、理由の書かれた段落へ戻ると、次に読む場所が具体的になります。

• 教科書の重要語とAIの言い換えを対応させられた箇所
• 誰が何をするか、理由や条件を言い直せた箇所
• AIの説明にしか出てこなかったたとえや情報
• 説明が止まった言葉と、読み直す教科書の位置

保護者自身がその内容に詳しくなければ、話し方の自信だけで正解を決めず、子どもが指した文を一緒に読みます。AIに採点を任せる前に、教科書と一致した部分、不一致の部分を紙の上で区別します。後から人に相談するときは、この疑問の記録を示して、説明してほしい箇所を伝えられます。

よくある質問

学年を低く指定するほど、学びやすくなりますか

低い学年の指定を重ねるより、どこで読めなくなるかに合わせて直す箇所を決めます。先に見たAgrawal（2023）の結果は、元の文ごとに必要な編集が違うことを示しています。用語の意味で止まったらその語に説明を添え、文の途中で関係を見失ったら主語や理由を追える形に分けてもらいます。直した後には教科書の該当箇所を開き、必要な用語や条件が残ったかを照合します。

やさしい文章なら、内容も正確ですか

読みやすいことだけでは、内容の正確さや要点の保持を判定できません。先に見たKirchner（2023）の結果とAyre（2024）の結果でも、点検した内容と残った要点の評価を区別して読む必要があります。手もとでは、教科書の重要語があるかに加え、主語、目的、条件が変わっていないかをたどります。新しく加わった情報は、元の文章のどこに対応するかを示してからノートへ移します。

子どもが「わかった」と言ったら、何を聞けばよいですか

画面を見ずに用語の意味を言い直してもらい、教科書の対応する箇所を指してもらいます。答えが止まったときは、言葉を思い出せないのか、理由がつながらないのかを聞き分けます。前者なら用語の説明へ、後者なら前後の文へ戻り、説明の足りない部分を読み直します。話せた内容と、読み直した位置を並べて残すと、滑らかに読めたという感想から、何を理解したかの記録に進めます。

この記事の限界

対象は英語の患者向け資料やAIが作る練習文が中心で、今回集めた研究には、日本語の文章の学年調整や「中学生向け」の説明を日本の中学生が読んだ理解度、継続して使った際の学習を測る結果は含まれていません。国別の読者の理解より文章の特徴を評価した研究が多く、ChatGPT 4やChatGPT 4oなどで得られた変化が、現在使うモデルでも再現するかは未検証です。

また、要点を残せたかの評価と、後で自力で説明できたかの評価は、それぞれ異なる測定です。公民の用語を学ぶ場面でも、読みやすさの公式の値と、読んで理解できたかとの間には、まだ距離があります。

参考文献

1. Kirchner GJ ほか. Can Artificial Intelligence Improve the Readability of Patient Education Materials? Clin Orthop Relat Res. 2023;481(11):2260-2267.
2. Watanabe M ほか. ChatGPT, Can You Make This Text Easier?: Investigating the Utility of LLMs in Easing Text Readability. Int J Artif Intell Educ. 2025;35(6):3922-3942.
3. Agrawal S ほか. Controlling Pre-trained Language Models for Grade-Specific Text Simplification. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing. 2023:12807-12819.
4. Ayre J ほか. New Frontiers in Health Literacy: Using ChatGPT to Simplify Health Information for People in the Community. J Gen Intern Med. 2024;39(4):573-577.
5. Shen L ほか. Can Artificial Intelligence Tools Generate Text That Is Useful for Reading Practice? Learn Disabil Res Pract. 2025;40(4):191-204.
6. Sachdeva K ほか. Systematic review and meta-analysis of the readability of large language models for patient education on ophthalmological conditions. Can J Ophthalmol. 2026;S0008-4182(26)00246-2.
7. Crossley SA ほか. Moving beyond Classic Readability Formulas: New Methods and New Models. J Res Read. 2019;42(3-4):541-561.

よくある質問