関連分野とFCLの位置づけ

この章で扱う問い

本書の枠組みは孤立した発明ではありません。学習支援に取り組む分野は無数にあり——ITS、AIED、Learning Analytics、Educational Data Mining、Learning Engineering、そしてその源流にある学習科学や教育心理学——どれも長い歴史と、それぞれ独自のコミュニティ、学会、論文誌を持っています。本章は、これら隣接する研究アプローチのどれかに重心を置くラボから来た方にこそ、丁寧に読んでいただきたい章です。「本書の枠組みは自分の研究室でやっていることと何が違うのか、何が重なるのか」という問いに、できるだけ正直に答えたいと思っています。

読み進めながら、あなた自身のラボがこの地図のどこに乗るかを意識してみてください。ITS 寄りなのか、LA/EDM 寄りなのか、学習科学寄りなのか——位置取りが見えると、本章の各節は「他人の分野の紹介」ではなく「自分の隣のラボとの距離感の調整」として読めるようになります。

本章のスタンスを先に書いておきます。本書の枠組みは ITS、AIED、LA、EDM、Learning Engineering、学習科学、教育心理学と隣接していて、それぞれ強みが違います。データ駆動と理論駆動という連続スペクトル上で位置を比べることはできますが、これは「どれが正しいか」の話ではなく、「どこを引き受け、どこを他に任せるか」の話です。本書の枠組みは「理論駆動寄りで、なおかつ形式化と中間表現の共有を強く志向する」位置に立ちますが、それは LA や EDM のデータ駆動の力を否定するものではありません。むしろ、それぞれの強みを 橋渡し することが 本書の役割だと、本書では考えています。

そのうえで本章では、関連分野を一つずつ取り上げて、代表的なシステムや論文を示しながら、FCL と比べたときに「何が同じで、何が違うか」「どこで協調できるか」を具体的に述べていきます。最後に学習科学・教育心理学という理論的源泉に立ち戻り、相互関係を整理します。

ITS——本書の直系の先祖

Intelligent Tutoring Systems（ITS）は AI による個別指導システムの研究開発分野です（第 8 章で詳述）。本書の枠組みは ITS の延長線上にあり、ITS の四構成要素モデル（学習者モデル、ドメインモデル、教授モデル、UI）は FCL でもそのまま中核を成します。では違いはどこにあるのでしょうか。

代表例として Cognitive Tutor（第 1 章、第 16 章で詳述）を考えてみましょう。これは ACT-R 認知アーキテクチャ [Anderson2007] に基づく、極めて理論駆動的な ITS です。プロダクションルールという形式言語で熟達者の解法を書き下し、学習者の各ステップをモデル追跡で照合します——形式化のレベルは非常に高い。ある意味で、Cognitive Tutor は 本書の精神を 1990 年代にすでに具現化していた例だとも言えるでしょう。

では Cognitive Tutor と 本書の枠組みは同じものでしょうか。重なる部分は大きいのですが、強調点に三つの違いがあります。第一に、Cognitive Tutor の認知モデルは ACT-R に強く特化していて、他のシステムや別ドメインで再利用できる中間表現 として設計されているわけではありません。プロダクションルールは ACT-R 内部の言語で、ALEKS の Knowledge Space や Khan Academy の Knowledge Map と相互運用する仕組みは現時点ではありません。第二に、Cognitive Tutor の認知モデルの開発コストは膨大で、1 ユニットあたり数百時間の認知タスク分析を要すると言われます——本書のエコシステム構想は「再利用によってこのコストを償却する」ことを目指していて、ここに発展の余地があります。第三に、Cognitive Tutor は形式化を主に モデル追跡の精度のため に行ってきました——本書の枠組みはそれに加えて 説明可能性と再利用 をも形式化の目的に置く、という強調点の差です。

ITS の他の代表例（ALEKS の Knowledge Space Theory [Doignon1999]、AutoTutor の EMT discourse [Graesser2004]、Wayang Outpost の affect-aware tutoring [Arroyo2014]、Error-based Simulation の認知衝突 [Horiguchi2014]、Monsakun の作問 schema [Hirashima2014]——いずれも第 16 章で詳述）も、それぞれ独自の認知モデルを精緻に持っています。しかし第 16 章で示すように、これらの間には共通の中間表現がまだ十分に整備されておらず、知見が相互に流通しにくいのが現状です。FCL が ITS に対して提案できるのは、「形式化はすでに各所で行われている。次の一手は、それを共有可能な中間表現に揃えることではないか」という呼びかけです。

AIED——最も広い傘

AI in Education（AIED）は、教育への AI 応用全般を扱う最も広い分野です [Holmes2019]。ITS、適応的学習、自動評価、学習分析、対話エージェント、最近では LLM 活用——これらすべてを包含しています。

近年の AIED 研究の主流は明らかに データ駆動 側に重心が移っています。Deep Knowledge Tracing [Piech2015] は LSTM を用いて学習者の正誤系列を予測します。BKT より予測精度は高いことが多いものの、「なぜその学習者がその誤りをするか」を診断する力は相対的に弱くなります。LLM ベースのチューター [Kasneci2023] は流暢な対話を生成しますが、認知モデルを内側に持たないため、教育的に最適なタイミングや内容の保証は別途仕組みを足さないと得られません。

ここに FCL と AIED 主流派の強調点の違いが現れます。Khan Academy が GPT-4 を用いて開発した Khanmigo（第 16 章参照）を例に取ってみましょう。Khanmigo はソクラテス的対話を試みる素晴らしい挑戦ですが、「いま提示すべきヒント」を選んでいる根拠の多くは LLM のプロンプト設計に閉じ込められています。学習者が誤答したとき、「次にどんなスキルを練習させるべきか」を構造化された認知モデルから明示的に決めるよりも、LLM の確率的応答に多くを委ねる設計だと言えます。本書の立場から見ると、ここに説明可能性と教育的制御性を強める余地があるように映る——という温度差です。

AIED の中にも FCL 寄りの流れは確実にあります。ハイブリッド知識追跡 [Tang2023] は深層学習の予測力と認知モデルの説明可能性を統合しようとしています。Stamper らは LLM をフィードバック生成に使いつつ ITS の枠組みで制御する設計を論じています [Stamper2024]。Holmes らは AI 教育応用の倫理的・人権的側面を批判的に検討しています [Holmes2022]。これらは FCL が AIED に貢献できる方向性——理論駆動と形式化、説明可能性、倫理——と自然に重なる前哨です。

AIED と 本書の関係は、要するに次のようなものでしょう。AIED は技術と応用の傘、本書の枠組みはその中で「理論駆動・形式化・説明可能性」を強く要求する一つの方法論的立場 です。本書の枠組みは AIED の代替ではなく、AIED の中で特定の重心を選ぶ研究プログラムです。

Learning Analytics——データに意味を与える挑戦

Learning Analytics（LA）は、学習データの分析を通じて学習を理解・改善する分野です [Siemens2013]。教育者・実践者への知見提供を重視し、学習ダッシュボード、早期警報システム、リアルタイム介入が代表的な成果です。

代表例として、Purdue 大学の Course Signals（Arnold & Pistilli 2012）[Arnold2012] を取り上げましょう。学生の LMS ログイン頻度、課題提出状況、過去の成績などから「成功確率」を予測し、信号機のように赤・黄・緑で学生にフィードバックします。教師は赤信号の学生に介入できる。実装はシンプルですが、大学レベルでの retention 改善に寄与したと報告されています。

LA がしばしば直面するのが 解釈問題 です [Knight2014]。「ログイン頻度が低い」が示すのは学習意欲の低さなのか、時間管理の問題なのか、すでに内容を理解しているからの省略なのか——行動データだけでは背後の認知状態は推定できません。Course Signals の赤信号を見せられた学生は「自分は何を改善すればよいか」が分からないまま、ただ「危ない」と告げられてしまいます。

ここで 本書のような認知モデル志向のアプローチが補完できるのが 理論駆動型 LA（theory-driven LA）の方向です [Wise2016]。本書の認知モデルは、ログデータに認知的解釈を与えるレンズとして機能できます。例えば「ログイン頻度が低い」を、認知モデルが捉える前提知識の欠落や誤概念の存在と組み合わせて解釈すれば、「この学生は単元 X の前提概念 Y を理解していないため、後続教材に取り組めずにいる」という診断的な情報に変わります。Ferguson が整理した LA 研究の課題のうち、特に「診断と処方」に 本書の認知モデルが効くと考えられます [Ferguson2012]。

LA と 本書の枠組みは対立関係ではなく、相互補完の関係にあります。LA は実データから「何が起きているか」を観測する。本書の枠組みはそのデータに「なぜ起きているか」の認知的構造を与える。LA が大規模データを通じて 本書のモデルを検証・精緻化し、FCL が LA のダッシュボードに認知的意味を与える——この循環が理論駆動型 LA の理想像です。

EDM——発見と形式化の循環

Educational Data Mining（EDM）は、データから新しいパターンや関係を発見することに焦点を当てます [Baker2014]。LA との境界は曖昧ですが、慣習的には EDM が新しい分析手法・アルゴリズムの開発を重視し、LA が実践への応用を重視する、と区別されます。

EDM の代表的な成果を二つ紹介しましょう。一つ目は Baker らの gaming the system 検出器 [Baker2008] です。Cognitive Tutor のログ分析を通じて、学習者がヒントを連続クリックして答えを得る、急いで誤答を繰り返してシステムに正解を露出させる、といった「攻略行動」を検出する分類器を構築しました。これは ITS の設計者が想定していなかった現象を、データから発見した好例です。二つ目は Beck & Gong の wheel spinning（車輪空転）[Beck2013] です。同じタイプの問題を何度も間違え続け、上達しない学習者の存在をログから定量化しました。これは「練習すれば必ず習得する」という ITS の暗黙の前提が成り立たないケースの存在を示したものです。

これらの発見は、本書の認知モデルへフィードバックされるべきものです。Gaming the system は「メタ認知の欠如」や「学習目標と評価目標の混同」として形式化できる。Wheel spinning は「前提知識の欠落」や「誤概念の固着」として説明できる。EDM がデータから現象を発見し、FCL がそれを認知モデルに統合し、改善されたシステムが新しいデータを生む——この循環が両者の補完関係の核です。

EDM の知識構造発見の代表例が Q 行列学習 [Barnes2005] です。学習者の解答パターンから「どの問題がどのスキルを必要とするか」を推定します。問題は、データから得られた構造が認知的に妥当かは別問題だということ。例えば EDM が「スキル A とスキル B が強く相関する」と発見したとき、認知モデルの側は「なぜ相関するか」を説明できるべきです——同じワーキングメモリ負荷を持つから？同じ前提知識を必要とするから？説明できなければ、相関は偶然かもしれません。逆にオントロジーが「A は B の前提である」と主張するなら、EDM のデータがそれを支持するかを検証できます。

EDM と 本書の関係は要するに、EDM はデータからパターンを掘り出す力に優れ、本書の枠組みは理論側の構造を提供する——両者は強みが違い、互いの弱点を補完できます。

Learning Engineering——実装プロセスの工学化

Learning Engineering（LE）は、学習科学の知見を体系的に実践に適用する工学的アプローチです。IEEE の Industry Connections Industry Consortium on Learning Engineering（ICICLE）などのコミュニティで定義の整備が進められています。

LE の特徴は、特定の認知理論やデータ分析手法に縛られず、反復設計、ステークホルダー分析、実装、評価のプロセス を工学的に体系化する点にあります。Duolingo の大規模 A/B テストによる UI 最適化（第 16 章参照）は、ある意味で LE の極限的な工業化と言えるでしょう——あらゆるレッスン構造、難易度カーブ、通知文面を A/B テストで最適化する反復サイクルです。あるいは ASSISTments の TestBed（第 16 章参照）も、教師の現場で介入をテストする LE 的なプラットフォームです。

LE と 本書の関係は重なり合いつつ、強調点が違います。LE は「どう作って試すか」のプロセスを扱う。本書の枠組みは「何を形式化し何を中間表現として書くか」の知識アーキテクチャを扱う。両者は補完的です——LE が「エビデンスに基づく設計」を標榜するとき、その「エビデンス」は多くの場合暗黙的なもので、「認知負荷を減らす」「間隔反復を用いる」といった原則は知られていても、具体的状況での適用は設計者の暗黙知に依存します。本書の中間表現は、設計知識を計算可能な形に明示化することで、LE の「再利用可能なエビデンス」の単位を提供できる可能性があります。

逆方向に、FCL だけでは不十分です——LE がカバーするステークホルダー分析、コスト・スケーラビリティ、文化的文脈、実装と運用、教員研修などは、本書の射程の外にあります。本書の枠組みは「何を形式化するか」、LE は「形式化されたものをどう実装し普及させるか」 ——この役割分担で両者は協調できます。

教育・学習支援システム研究——日本語圏での包括ラベル

ここまで挙げてきたのはどちらかというと英語圏での呼び名ですが、日本語圏では、ITS よりは広く、教育工学全体よりは狭い射程を、教育システム情報学 と並べて 「教育・学習支援システム研究」 と呼び慣らすことが多くあります。本書の射程は、この包括ラベルとほぼ重なっていると考えてもらってよいでしょう。

ITS だけだと「個別指導システム」という狭い印象になり、教育工学だと「メディア利用や授業設計まで含む大きな傘」になりすぎる。両者の中間の、学習を支援するシステムを認知・知識・データの観点から設計する一帯 を指す呼び名として、日本のコミュニティではこの言葉がよく機能しています。具体的には、

といった研究会が、このラベルのもとに集まる代表的なコミュニティです。とくに SIG-SLAM の名称（認知スキーマ・学習活動モデリング）と本書の主題は、ほぼ同じ問題群を別の表現で言い直したものになっています。

加えて、若手向けには 教育・学習支援システム若手の会 (yelss) という、僕自身が運営に関わっている、所属研究室の枠を越えて若手研究者・学生が集まる場があります。さらにその先には、CALST (Co-study Group on Advanced Learning Science and Technology) ――AI・知識工学・学習工学・学習科学・認知心理・認知科学にまたがる若手の 「第二のゼミ」 として機能している協働研究会――もあって、こちらは輪読・研究発表・学会練習・研究室運営の共有などをオンラインで集中的にやる、より深い議論を志向する場です。本書を読み終わったあなたが「もう少しこの界隈の人と話してみたい」と思ったときの、自然な入り口になると思います。詳しくは第 18 章および付録 A で触れますが、本書の地図は「日本語圏での教育・学習支援システム研究」と地続きの言葉で書かれている、と思ってもらってかまいません。

五分野の位置取り——スペクトラム上の地図

ここまで見てきた五分野（ITS、AIED、LA、EDM、LE）と FCL を、データ駆動 vs 理論駆動 の連続スペクトルに置いてみましょう。これは「優劣の地図」ではなく、「各分野がどの軸に重心を置いているか」の見取り図です。

flowchart LR
    DataDriven["データ駆動"]
    TheoryDriven["理論駆動"]
    DataDriven -.- EDM
    EDM -.- LA
    LA -.- LE
    LE -.- AIED["AIED 主流"]
    AIED -.- ITS
    ITS -.- FCL
    FCL -.- TheoryDriven

図 15-1: 五分野と 本書の位置取り（データ駆動 vs 理論駆動の連続スペクトル）

EDM と LA は強くデータ駆動寄り——観測データから出発し、パターン発見と予測モデルを志向します。AIED は両端を含む広い傘で、近年は LLM・深層学習の流入で全体としてデータ駆動側に重心が移っています。LE はプロセスの工学化に特化し、データ駆動・理論駆動どちらの内容にも対応できる中立的な位置です。ITS は伝統的に理論駆動寄りで、認知科学の枠組みを実装に持ち込みます。

本書の枠組みはこの中で、特に理論駆動と形式化の組み合わせを強調します。「データから出発するのではなく、認知科学・教育心理学の理論から出発し、それを計算可能に形式化し、その形式化に基づいてシステムを設計する。データはモデルの検証と精緻化に使うが、出発点は理論である」——これが FCL が選ぶ強調点です。

これは「データを軽視する」という意味ではありません。第 13 章・第 14 章で論じた通り、本書の評価は実証データを必須とします。違うのは順序——理論 → 形式化 → 実装 → データ → 理論の精緻化 という方向性で、データ駆動側の データ → モデル学習 → デプロイ とは出発点が違うだけのことです。

加えて 本書の枠組みは「理論駆動なら誰でも形式化を要求するわけではない」という点で、伝統的な ITS とも少し異なる強調を持ちます。ACT-R に基づく Cognitive Tutor は形式化されていますが、その形式化は ACT-R 固有のものです。Stellan Ohlsson の制約ベースモデリング [Ohlsson1994] は別の形式化スタイル、Knowledge Space Theory はまた別、というように、形式化のスタイルは伝統ごとに分かれてきました。本書の枠組みは「これらの形式化を、共通の中間表現の上で接続できるようにする」ことを重視する——これが「理論駆動の中で形式化と相互運用を強く志向する」の具体的内容です。

分野駆動原理出発点中心成果代表例
EDMデータ駆動学習ログパターン発見、予測モデルGaming detector、Q 行列学習
LAデータ駆動学習ログダッシュボード、早期警報Course Signals
AIED 主流データ駆動寄りデータと AI 技術予測モデル、対話システムDKT、LLM チューター
LE中立（プロセス工学）実装プロセスA/B テスト、反復設計Duolingo、ASSISTments TestBed
ITS理論駆動寄り認知理論個別指導システムCognitive Tutor、ALEKS
FCL理論駆動 + 形式化志向認知科学・教育心理学形式化された中間表現とエコシステム（本書全体が提案）

表 15-1: 五分野と 本書の位置取りの比較

学習科学・教育心理学——本書の理論的源泉

最後に、関連分野とはやや別の角度——FCL が 理論を借りてくる先 ——として、学習科学（Learning Sciences）と教育心理学（Educational Psychology）を位置付けます。これらは 本書の「理論駆動」の中身そのものを供給する分野です（第 2 章、第 3 章で詳述）。学習科学・教育心理学の研究室から来た方には、ここが一番馴染みのある場所だと思います。

学習科学からの輸入——構成主義をどう形式化するか

学習科学の重要な主張は、学習が能動的な意味構築の過程であり、社会的・文脈的に埋め込まれているという点です [Sawyer2006]。例えば Lave & Wenger の状況的学習論 [Lave1991] は、学習を「実践共同体への正統的周辺参加」として捉えます。Collins, Brown & Newman の認知的徒弟制 [Collins1989] は、モデリング、コーチング、足場かけ、明瞭化（articulation）といった戦略を提案します。

本書の課題は、これらの構成主義的・社会的主張を 裏切らずに形式化する ことです。状況的学習論を「学習者の現在の参加レベル」「共同体の実践の構造」「徐々に中心的な役割へ移行する軌跡」として書き下せるか。認知的徒弟制の「足場かけ」を「学習者の現在の ZPD 内のタスク」「段階的に縮小される（fading）支援」として形式化できるか。

これは完全には成功していません。学習の社会的・感情的側面、創造性、暗黙知の獲得など、形式化が困難な領域は多くあります。しかし、形式化の試み自体が理論の曖昧さを明らかにし、理論を精緻化する——「実装してみて初めて、足場かけのタイミングと粒度の理論が貧弱だと分かる」というような対話が、FCL と学習科学のあいだに成立し得ます。

教育心理学からの輸入——認知理論の直接実装

教育心理学の認知理論は、本書のより直接的な基盤です。記憶理論（多重貯蔵モデル、ワーキングメモリ、長期記憶の活性化など、第 2 章参照）は、Bayesian Knowledge Tracing（第 9 章）の数理的基礎を与えます。メタ認知と自己調整学習（Zimmerman、Winne & Hadwin [Winne1998]）は、適応的学習システムにおける学習者モデリングの拡張対象です。動機づけ理論（自己決定理論 [Ryan2000]、期待価値理論、達成目標理論）は、課題選択や報酬設計の指針を与えてくれます。

本書の枠組みは、これらの理論を「動かない概念」ではなく「動く形式化」に翻訳する作業を行います。例えば認知負荷理論の「内在的負荷・外在的負荷・関連的負荷」の三分類を、課題設計の自動化アルゴリズムにどう落とすか——これは現状研究途上の問いで、共有可能な中間表現が育てば、複数のシステムで蓄積された知見を比較できるようになっていくでしょう。

双方向の影響——理論への逆フィードバック

本書の枠組みは理論を一方的に「消費」するだけではありません。形式化と実装の試みは、理論への逆フィードバックを提供します。

理論が「曖昧すぎて実装できない」場合、それは理論自体が不明確であることを示唆します。「足場かけ」は直感的な概念ですが、「どの程度の支援が適切か」「いつ撤去すべきか」は理論が十分に答えていません。ITS での実装の試みが、これらの問いへの具体的な答えを要求し、理論の精緻化を促していきます。

また、大規模な実装とデータ収集により、理論の予測を検証できます。例えば「間隔反復は長期記憶を促進する」という古典的理論は、適応的間隔反復システム（Duolingo の half-life regression、Anki の SM-2 アルゴリズムなど、第 16 章参照）での膨大な学習セッションのデータで定量的に検証され、最適な間隔の具体的なパラメータが明らかになっています。理論が形式化と実装を介してデータと出会い、データが理論を精緻化する——この循環こそが、FCL がエコシステムとして目指す姿です。

FCL がエコシステム接着剤として果たす役割

ここまでの議論を一つに束ねると、本書の戦略的位置が見えてきます。本書の枠組みは単独の研究プログラムというより、関連分野の エコシステムの接着剤 として機能することを目指します。

垂直方向には、抽象度の異なる層を橋渡しします。理論層（学習科学・教育心理学）→ 形式化層（認知モデル、オントロジー、中間表現）→ 実装層（ITS、適応的システム）→ 評価層（LA、EDM、実験デザイン）——多くの分野はこのいずれかの層に特化していて、本書の枠組みはその間を形式的言語で縦に接続することを試みます。「ワーキングメモリの制約」という理論的概念（理論層）が、「同時に保持・処理する有効な認知単位（チャンク）数の制限」という形式的制約（形式化層）となり、「問題を小ステップに分割する」という実装（実装層）につながり、「ステップ数と成功率の関係」として評価される（評価層）——この垂直方向の橋渡しが、共有された中間表現の役割です。

水平方向には、異なる研究コミュニティ間の知見共有を促進します。AIED で開発された学習者モデルを、LA のダッシュボードで可視化し、EDM の手法で検証し、LE のプロセスで改善する——これが共通の中間表現とオントロジーで実現すれば、各コミュニティが独立に「車輪の再発明」を繰り返す現状を緩和できます。これはまだ理想で、Open Learning Initiative、LearnSphere、PSLC DataShop [Koedinger2010] などのプロジェクトが共有基盤の構築を進めていますが、実現は限定的です。第 18 章で、この未完のエコシステム構築を 本書の今後の中心課題として位置付けます。

次章への橋渡し

本章では、FCL を取り囲む関連分野——ITS、AIED、LA、EDM、Learning Engineering、そして学習科学・教育心理学——との位置関係を、データ駆動 vs 理論駆動のスペクトル上で整理しました。本書の枠組みは「理論駆動の中で形式化と相互運用を強く志向する」位置を選びますが、これは隣接分野と競合する立場ではなく、それぞれと強みが違う隣人として協調する立場です。

しかし、関連分野との位置関係を語っているだけでは抽象論にとどまります。本書の発想は、実際の教育現場で動いているシステムにどう結実しているのか——次章では、Cognitive Tutor、ASSISTments、ALEKS、Khan Academy、Duolingo、AutoTutor、Wayang Outpost、Error-based Simulation、Monsakun、PhET、Betty's Brain など、代表的な学習支援システムを具体的に見ていきます。各々のシステムが本章で述べたスペクトラム上のどこに位置し、何を達成し何を残しているかを横断的に眺めることで、次世代システムが目指せる具体像を浮き上がらせていきましょう。