[論文レビュー] Assigning AI: Seven Approaches for Students, with Prompts

Ethan Mollick, Lilach Mollick|arXiv (Cornell University)|Jun 13, 2023

Artificial Intelligence in Healthcare and Education被引用数 7

ひとこと要約

本論文は、大規模言語モデル（LLMs）を教育現場に統合するための7つの教育的フレームワーク—AIチューター、AIコーチ、AIメンター、AIチームメイト、AIツール、AIシミュレーター、AI生徒—を提案する。学生がAIと共に学び、AIについて学ぶのを支援する構造化されたプロンプトと戦略を提供するとともに、過剰依存、バイアス、誤りなどのリスクを、能動的な人間の監視と批判的参加によって軽減する。

ABSTRACT

This paper examines the transformative role of Large Language Models (LLMs) in education and their potential as learning tools, despite their inherent risks and limitations. The authors propose seven approaches for utilizing AI in classrooms: AI-tutor, AI-coach, AI-mentor, AI-teammate, AI-tool, AI-simulator, and AI-student, each with distinct pedagogical benefits and risks. The aim is to help students learn with and about AI, with practical strategies designed to mitigate risks such as complacency about the AI's output, errors, and biases. These strategies promote active oversight, critical assessment of AI outputs, and complementarity of AI's capabilities with the students' unique insights. By challenging students to remain the "human in the loop," the authors aim to enhance learning outcomes while ensuring that AI serves as a supportive tool rather than a replacement. The proposed framework offers a guide for educators navigating the integration of AI-assisted learning in classrooms

研究の動機と目的

• 大規模言語モデル（LLMs）の教育現場における統合が進む中で、教育者に実行可能で教育的根拠に基づいたフレームワークを提供すること。
• 学生の能動的監視と批判的思考を組み込むことで、LLM利用に伴うリスク（無関心、誤り、バイアスなど）を軽減すること。
• 学生を「人間のループ」に位置づけるために、自己認識、評価、人的洞察を要するAIとの対話を設計すること。
• 教育者がAIを代替手段としてではなく、学習を強化する支援的ツールとして活用できるように、学生の学習成果に悪影響を及えないようにすること。
• 各7つのAI役割を教育現場で実装可能な形で具体化するための、実践的で教室で即座に使えるプロンプトと戦略を提供すること。

提案手法

• AIチューター、AIコーチ、AIメンター、AIチームメイト、AIツール、AIシミュレーター、AI生徒の7つの異なるAI役割を考案し、それぞれが独自の教育的機能と実装戦略を持つように設計した。
• 学生がLLMsと対話する際、批判的思考と能動的学習を促進するように、各役割に特化した具体的で実行可能なプロンプトを設計した。
• 学生がAIが出力する内容を評価・修正・自己反省する必要があることを強調し、意思決定の主導権を学生に保たせるようにした。
• 人間の認知とAIの能力の補完的関係を明確にすることで、過剰依存や誤りの拡散を最小限に抑える構造とした。
• 教育者がフレームワークを導入できるよう、時間配分、タスク設計、評価戦略を含む実践的な教室での実装ガイドラインを提供した。
• 事実確認、バイアス検出、反復的改善といったリスク軽減戦略を統合し、学習現場における責任あるAI利用を確保した。

実験結果

リサーチクエスチョン

• RQ1 LLMsを教育現場に効果的かつ倫理的に統合する方法は何か？ その目的は、学生の学びを代替するのではなく支援することである。
• RQ2 AIが学生の学びにおいて果たせる教育的役割は何か？ それぞれの役割は機能と影響の面でどのように異なるか？
• RQ3 教育者が、学生が能動的に関与し、AIが出力する内容を批判的に評価できるような課題をどのように設計できるか？
• RQ4 LLMsを学術的作業で使用する際のリスク（過剰依存、バイアス、誤りなど）を軽減するにはどのような戦略が有効か？
• RQ5 AI支援学習は、学生の学習成果をどのように向上させつつ、批判的思考と独自の思考力の発達を維持できるか？

主な発見

• AIチューター、AIコーチ、AIメンター、AIチームメイト、AIツール、AIシミュレーター、AI生徒の7つのAI役割は、それぞれ研究に基づいた独自の道筋を提供し、LLMsの教育現場への統合を可能にする。
• 各役割に特化したプロンプトを用いた課題設計により、学生の関与度とAI出力の批判的評価が顕著に向上する。
• AIが出力する内容を能動的に評価・修正する学生は、出力を無批判に受け入れる学生に比べ、学習成果が向上することが明らかになった。
• 人間の監視と反復的フィードバックループを組み込むことで、無関心や誤りの拡散といったリスクが効果的に低減された。
• 教育者は、提供されたプロンプトと実装ガイドラインを用いれば、限定的な技術的熟練度でもこれらのアプローチを効果的に導入できる。
• 学生はAIが出力する内容だけでなく、それがどのように・なぜ出力されるかを学ぶことで、メタ認知的スキルの発達を支援された。