Web 調べ学習における課題展開に診断による
リフレクション支援
Promoting Reflection with Diagnosis for Question Decomposition
in Web-based investigative learning
佐藤 禎紀
1柏原 昭博
1長谷川 忍
2太田 光一
3鷹岡 亮
4Yoshiki Sato
1, Akihiro Kashihara
1, Shinobu Hasegawa
2, Koichi Ota
3, and Ryo Takaoka
4 1電気通信大学大学院
1
The University of Electro-Communications
2北陸先端科学技術大学院大学
2
Japan Advanced Institute of Science and Technology
3日本生涯学習総合研究所
3
Japan Institute of Lifelong Learning
4山口大学
2
Yamaguchi University
Abstract: In Web-based investigative learning, learners are expected to construct wider and deeper
knowledge by navigating Web resources/pages. On the other hand, they need to create a scenario implying the questions to be investigated and their sequence concurrently with question decomposition and knowledge construction. In our previous work, we have built a model of Web-based investigative learning, and developed the system named iLSB. However, learners often investigate unrelated sub-questions for an initial question even if they use iLSB, which suggests the necessity of diagnosing learner-created scenario. A general approach to this issue is to provide a correct scenario and compare it with learner-created scenario, but this approach prevents learners from self-directed investigation. Toward this issue, we aim to diagnose the appropriateness of question decomposition in learner-created scenario with LOD, in which the diagnosed results could be present to learners as feedback. This paper also reports a case study whose purpose was to ascertain whether the feedback could promote reflection on question decomposition.
1. はじめに
近年，課題解決能力や情報活用能力など21 世紀型 スキルが重要視されており[1]，Web での調べ学習 (Web 調べ学習)は 21 世紀型スキルの習得に適した学 習である[2]．Web 調べ学習では，与えられた学習課 題(初期課題)について，単に学習課題を端的に表し たキーワード(課題キーワード)を用いた情報検索だ けでは不十分で，膨大かつ多様なリソースを持つ Web 空間を学習者が主体的に探索することで，学習 課題に関する多くの項目を網羅的かつ体系的に学び， 知識構築を行う必要がある． 一方，Web 調べ学習では，テキスト教材の目次の ように，学ぶべき項目やその順序(学習シナリオ)が 与えられていない．そのため，学習者は学習課題に 対する知識構築と並行して，次に学ぶべき項目を学 習課題(部分課題)として展開(課題展開)することで， 主体的に学習シナリオを作成する必要がある．その ため，学習者の認知的負担が高くなりやすく[3]，学 習が不十分なまま終わりやすい． そこで，筆者らはWeb 調べ学習モデルを提案し， そのモデルに沿って学習者への足場形成を行うシス テムinteractive Learning Scenario Builder(iLSB)を開発 し，課題展開の活性化を行なってきた[4]．人工知能学会研究会資料 SIG-ALST-B803-07
一方，学習者は，iLSB を用いても初期課題とは関 係ない項目を学習課題として展開することがある． そのため，学習者の学習シナリオを診断し，学習者 の妥当でない課題展開に気づかせる支援が必要であ る．学習者の学習シナリオの妥当性診断は，解とな る学習シナリオ(解シナリオ)を用意し，学習者の学 習シナリオと比較することで行うことができる[5]． しかし，Web 調べ学習のような主体的学習では，解 シナリオが一意に定義できない上，仮に解シナリオ を定義して診断しても，解シナリオに沿った学習を 誘導し，学習者の主体的学習を阻害する． そこで，本稿では学習者の主体性を損なわずに学 習シナリオを診断するため，Web 上の関連データを 紐付けして公開する仕組みであるLOD(Linked Open Data)を用いて，学習者の課題展開を診断する手法に ついて述べる．また，本手法の評価実験についても 報告する．その結果，本手法が学習者の課題展開の 妥当性に対するリフレクションを促し，妥当な学習 シナリオ作成に寄与したことがわかった．
2.
Web 調べ学習
2.1. Web 調べ学習モデル
筆者らが提案したWeb 調べ学習モデルは，(1)Web リソース探索フェイズ，(2)Navigational Learning フェ イズ，(3)課題展開フェイズの 3 フェイズで構成され， 学習者は部分課題が展開されなくなるまで繰り返す ことで，初期課題を根とした学習課題の木構造（学 習シナリオ）を作成することを想定している． (1) Web リソース探索フェイズ Web リソース探索フェイズでは，課題キーワード を検索エンジンで検索し，学習に用いるWeb リソー ス(学習リソース)を収集するフェイズである． (2) Navigational Learning フェイズ (1)で収集した学習リソースの Web ページを探索 し，学んだ項目を関係付けることで，知識構築を行 うフェイズである． (3) Web リソース探索フェイズ (2)で構築した知識から学習課題を理解する上で さらに学ぶべき項目を部分課題として課題展開する フェイズである．展開した部分課題にも3 フェイズ を繰り返す．2.2. iLSB
筆者らは，Web 調べ学習における足場形成のためにiLSB を Firefox のアドオンとして開発した．iLSB
では，Web 調べ学習モデルの各フェイズに対する足 場形成のため，Web リソース探索のための検索エン ジン，知識構築のためのキーワードリポジトリ，課 題展開のための課題キーワードマップを提供する． システムインターフェイスを図1 に示す． 例えば，初期課題「地球温暖化」を調べるとき， 検索エンジンで「地球温暖化」に関する学習リソー スを収集する．次に，学習者は収集した学習リソー スを探索し，「二酸化炭素」など学んだ項目をキーワ ードとしてキーワードリポジトリに格納し，関係付 けを行うことで「地球温暖化」に対して学んだ知識 を構築する．そして，キーワードリポジトリから， 「温室効果ガス」など「地球温暖化」を理解する上 でさらに学ぶべきキーワードを課題キーワードマッ プ上で課題展開する．「温室効果ガス」についても同 様に学び，新たな課題が展開されなくなるまで繰り 返す．最終的に，「地球温暖化」を根とした学習課題 の木構造が学習シナリオとして作成されることにな る．
2.3. 解決すべき問題と研究目的
iLSB を用いて Web 調べ学習を行っても，学習者 は初期課題と関係ない項目を部分課題として展開す る場合があるため，学習者の作成した学習シナリオ を診断して，妥当でない課題展開を学習者に気づか せる支援が必要である． 学習シナリオの妥当性診断は，初期課題に対して 解シナリオを用意し，学習者の作成した学習シナリ オと比較すれば可能である．しかしながら，Web 調 べ学習のような主体的学習では，学習者の作成する 学習シナリオは様々で，解シナリオを予め定義する ことは難しい．また，仮に解シナリオを定義して診 断しても，解シナリオに沿った学習シナリオ作成を 誘導することになり，学習者の主体的な課題展開を 阻害してしまう． そこで，本稿では学習者の主体性を阻害せずに学 習シナリオを診断することを目的とする．そのため， Web 上の関連データをリンク付けして公開する仕組 みである LOD を用いた課題展開の妥当性診断方法 図 1：iLSBを開発する．また，診断結果は iLSB を介して学習 者に提示することで，学習者による課題展開のリフ レクションを促し，シナリオの修正を支援すること ができると考えられる．これにより，学習者は主体 性を損なわず妥当な学習シナリオを作成することが できる．
3. 課題展開の診断
3.1. LOD (Linked Open Data)
LOD とは Web 上の関連データをリンク付けし， オープンデータとして公開している仕組みであり， これらのデータをネットワークとして表現できる [6]．主な LOD としては DBpedia Japanese や地理デー
タのLOD である GeoNames などがあるが，本研究で は 日 本 語 版 Wikipedia を LOD と し て 表 現 し た DBpedia Japanese を用いる． DBpedia Japanese のデータは，RDF と呼ばれる主 語，述語，目的語の3 要素の構造体でデータ項目間 の関係を表現する．こうしたデータ表現に対して， SPARQL と呼ばれるクエリ言語を用いることで， DBpedia Japanese からキーワード間の関係やキーワ ードの関連語句が取得可能である．これらを用いる と，課題キーワード間の関連度や関連語句比較によ る課題キーワード間の類似度の算出が可能である．
3.2. 課題展開の診断の枠組み
診断の手順を図3 に示す．Web 調べ学習における 学習者の課題展開に応じて診断を行うため，iLSB の 機能として実装した．以下では，学習者が初期課題 「地球温暖化」に対して，「温室効果ガス」学習中に 「二酸化炭素」を課題展開したときを例として，診 断の枠組みを説明する． 学習者が「温室効果ガス」から「二酸化炭素」を 課題展開したとき，iLSB の診断機能は課題キーワー ド間の関係や課題キーワードの関連語句を取得する SPARQL クエリを DBpedia Japanese に送信する．そ の結果，得られた課題キーワード間の関係から学習 課題間の関連度を，課題キーワードの関連語句比較 から学習課題間の類似度を3 段階で求める． 学習課題間の関連度，類似度は初期課題である「地 球温暖化」と「二酸化炭素」との間，また親の課題 である「温室効果ガス」と「二酸化炭素」の間それ ぞれに対して求める．求めた関連度，類似度から， 最終的に課題展開の妥当性を「妥当性が高い」，「妥 当性が低い」，「妥当性が不明」の3 段階で求める． 本研究では，求めた課題展開の妥当性を，iLSB 上 で学習者にフィードバックすることで，課題展開に 対するリフレクションを促すことを想定している．4. 課題展開の妥当性計算
本章では，初期課題「地球温暖化」に対して，「温 室効果ガス」から「二酸化炭素」を課題展開したと きを例に課題展開の妥当性の計算方法を述べる．4.1. 課題キーワード間の関連度
課題キーワード間の関連度は，DBpedia Japanese における2 つの課題キーワード間の距離とその経路 数から，予め設定した閾値を基準に算出する． 「温室効果ガス」と「二酸化炭素」間の関連度を求めるとき，iLSB の診断機能は DBpedia Japanese に
おける「温室効果ガス」と「二酸化炭素」の距離と
その経路数を取得するクエリ1 を DBpedia Japanese
に送信する．得られた結果から，事前に行ったケー 図 2：診断の枠組み
ススタディをもとに，距離が1 の時は「関連度が高 い」，距離が2 かつ経路数が 30 以上の時は「関連度 が低い」，それ以外は「関連度が不明」と3 段階で評 価する [7]．「温室効果ガス」と「二酸化炭素」間の 距離は１であるため，「温室効果ガス」と「二酸化炭 素」間の関連度は「関連度が高い」と評価される．
4.2. 課題キーワード間の類似度
課題キーワード間の類似度は，DBpedia Japanese から取得された各課題キーワードの関連語句を比較 し，予め設定した閾値を基準に算出する． 「温室効果ガス」と「二酸化炭素」間の類似度を 求めるとき，まず各課題キーワードについてクエリ 2 を DBpedia Japaense に送信して，各課題キーワー ドに対する関連語句を取得する． 取得した関連語句には「地球温暖化の懐疑論」な ど単語以外も含まれるため，取得した関連語句に対 して形態素解析を行い，各課題キーワードに対して 関連単語集合を作成する．そして，作成された各関 連単語集合間の類似度をSimpson 係数により，求め る．Simpson 係数とは，2 つの集合の類似度を表す指 標であり，集合X と集合 Y の Simpson 係数は(1)式 で求めることができる． 事 前に行っ たケース スタディ より，類 似度は Simpson 係数の値が 0.3 以上の時は「類似度が高い」， 0.1 以上 0.3 未満の時は「類似度が低い」，0.1 未満の 時は「類似度が不明」の3 段階で評価される [7]．「温 室効果ガス」と「二酸化炭素」の場合，Simpson 係 数は0.5 であるため，「類似度が高い」と評価される．4.3. 診断アルゴリズム
学習課題を課題展開した時，その学習課題と初期 課題の間，また学習課題と親課題の間における関連 度，類似度を求め，最終的に課題展開の妥当性を求 める．課題展開の妥当性は図3 に示す診断アルゴリ ズムを用いて，最終的に「妥当性が高い」，「妥当性 が低い」，「妥当性が不明」の3 段階で評価する．「温 室効果ガス」から「二酸化炭素」を課題展開したと き，「地球温暖化」と「二酸化炭素」との関連度は「関 連度が高い」，類似度は「類似度が高い」と計算され る．また，「温室効果ガス」と「二酸化炭素」との関 連度は「関連度が高い」，類似度は「類似度が高い」 と計算される．以上の結果から，図3 に示すように 最終的に「妥当性が高い」と診断される．5. ケーススタディ
5.1. 目的と手順
本ケーススタディの目的は，提案した診断手法に より診断された課題展開の妥当性を学習者にフィー ドバックすることで，学習者の課題展開へのリフレ クションを促し，妥当な学習シナリオ作成に寄与す るかどうかを評価することにある． 被験者は，理工系大学生16 名であり，そのうち 8 名は「生命保険」を，残り8 名は「栄養素」を初期 課題として，iLSB を用いた Web 調べ学習を実施し てもらった． 被験者は，まず診断機能なしの iLSB を用いて与 えられた初期課題についてWeb 調べ学習を行い，学 習シナリオ（診断なしシナリオ）を作成してもらっ た．学習は，最短でも30 分，最大 60 分続けてもら った．学習終了後，診断なしシナリオを診断手法で 図 3：診断アルゴリズム クエリ 2：類似度算出のためのクエリ診断した．診断結果は iLSB を介して学習者に提示 し，学習者にはその結果を踏まえ，必要に応じて診 断機能を実装したiLSB で最大 30 分学習シナリオの 修正を行ってもらった．なお，修正をするように強 いてはいない．学習シナリオ修正後，事後アンケー トを行った． 診断なしシナリオ，診断システムを実装したiLSB を用いて作成された学習シナリオ(診断ありシナリ オ)の各課題展開に対し，筆者ら 3 人（評価者）が評 価を行なった．人手による評価は，まず信頼できる Web リソースをもとに，各評価者が「妥当性が高い」， 「妥当性が低い」，「妥当でない」の３段階で評価し た．そして，個々の評価結果を照合して，最も多か った評価結果を最終的な人手による評価結果とした． また，評価者間で評価が完全に異なった場合，中間 値である「妥当性が低い」を最終的な人手による評 価とした． 以上の実験計画のもと，次の二つの仮説を立てた． H1: 診断結果をフィードバックすることで，妥当と 診断され得る課題展開が促される． H2: 診断結果をフィードバックすることで，学習シ ナリオの妥当性は向上する．
5.2. 結果
まず，H1 を示すために，各初期課題から作成され たシナリオ，および2 つの初期課題全体でのシナリ オに対して，課題展開の妥当性の割合を，診断なし シナリオと診断ありシナリオで比較し，片側 t 検定 で有意差検定を行なった．結果を図4 に示す．全体 の結果として，「妥当性が高い」と診断された課題展 開の割合は0.1%水準(t(15)=-3.90，p<.001)で有意に増 加し，「妥当性が不明」と診断された課題展開の割合 も0.1%水準(t(15)=4.52，p<.001 で有意に減少した． 初期課題ごとでも同様の傾向が見られるため，仮説 H1 が示された． 次に，H2 を示すために，各初期課題から作成され たシナリオ，および2 つの初期課題全体でのシナリ オに対して，人手の評価による課題展開の妥当性割 合を，診断なしシナリオと診断ありシナリオで比較 し，片側 t 検定で有意差検定を行なった．結果を図 5 に示す．2 つの初期課題全体において，人手で「妥 当性が高い」と評価された課題展開の割合は5%水準 (t(15)=-1.76，p<.05)で有意に増加し，人手で「妥当で ない」と評価された課題展開の割合は1%水準で有意 (t(15)= 2.79，p<.01)に減少した．各初期課題でも同様 の傾向が見られるため，仮説H2 が示された． 最後に，表１に事後アンケートの結果を示す．全 ての質問で平均値は3 以上だった．診断結果の提示 に関するQ1，Q2，Q5 では，平均値は 4 以上と他の 質問よりも高く，分散も小さかった．この結果から 被験者は提示された結果をもとに見直し，学習シナ リオの改善に努めたことが伺える． 一方，診断ありシナリオの自己評価に関する Q4 についても平均値は3 以上であり，分散も少なく， 主観的にも妥当な学習シナリオの作成が行えたこと が分かる．一方，3 段階での診断結果の提示方法に 図 4：各診断結果の課題展開の割合 図 5：人手による評価結果関するQ3 と学習者の主体性に関する Q6 に関して， 平均値は3 以上であったが，分散は 1 以上と被験者 間でのばらつきが多かった．
5.3. 考察
表1 の Q1，Q2，Q5 の結果から，被験者は提案手 法により，課題展開を見直し，改善しようとしてい ることが伺える．その結果，図4 のように「妥当性 が高い」と診断された課題の割合は増加し，「妥当性 が不明」と診断された課題の割合は減少している． また，表1 の Q4 の結果や図 5 の結果から，診断結 果を提示したことにより，主観的，客観的にも妥当 な学習シナリオ作成が行えていることが伺える．以 上より，課題展開の妥当性診断の結果をフィードバ ックすることは，学習者の課題展開に対するリフレ クション活動を促し，最終的に妥当な学習シナリオ の作成に効果的であると考えられる． 一方，学習者の主体性に関しては，表1 の Q6 の 結果より，主体性を損なわずに診断ができているも のの，被験者間でのばらつきは大きいことが分かっ た．原因としては，診断結果と学習者の主観評価が 異なったとき，提示された診断結果の捉え方に個人 差があるため，学習者によっては主体的学習が制限 されていると捉えられてしまうからだと考えられる． また，表1 の Q3 より，3 段階での診断結果の提示 方法は分かりやすい．一方，その捉え方には個人差 は大きかった．特に，Q3 に関しては分かりにくいと 答えた被験者にその理由を聞いたところ，全員が「妥 当でない理由がわからない」と答えていた．今後， 妥当でない理由を学習者に示す方法も検討する必要 がある．6. 結論
Web 調べ学習のような主体的学習において，学習 者の主体性を損なわずに学習シナリオを診断するこ とは難しい．この問題に対して，本稿ではLOD を用 いた課題展開を診断することで，主体性を損なわず に学習シナリオを診断するための手法を提案した． また評価実験の結果，提案手法は学習者の課題展開 の妥当性に対するリフレクション活動を促し，妥当 な学習シナリオ作成に効果的であることがわかった． 今後の課題として，妥当でない課題展開に対して その理由を提示する手法の開発が挙げられる．謝辞
本 研 究 の 一 部 は ，JSPS 科 研 費 基 盤 研 究 （ B ） (No.17H01992)の助成による．参考文献
[１] Anainadou K. and M. Claro: 21st Century Skills and Competences for New Millennium Learners in OECD Countries, OECF Education Working Papers, No.41, OECD Publishing, (2009)
[２] Levin-Goldberg J: Teaching Generation TechX with the 4Cs: Using Technology to Integrate 21st Century Skills, Journal of Instructional Research, Vol. 1 p50-66, (2012) [３] Zumbach, Joerg and Maryam: Cognitive load in
hypermedia reading comprehension: Influence of text type and l inearity, Computers in Human Behavior, Vol 24, Issue 3, pp.875-887 (2008)
[４] Kashihara A. and Akiyama N: Learning Scenario Creation for Promoting Investigative Learning on the Web, The Journal of Information and Systems in Education, Vol 15 Issue1, pp.62-72, (2017)
[５] Kakinuma Y. and Kashihara A: A Micro-Web Involving Learning Scenario Generation with Linked Open Data for Web-Based Investigative Learning, Learning and Collaboration Technologies, pp.344-355, (2016)
[６] Bizer C., Heath T. and Barners-Lee T.: Linked data: The story so far., Semantic services, interoperability and web applications: emerging concepts, pp.205-227, (2011) [７] 佐藤禎紀，柏原昭博，長谷川忍，太田光一，鷹岡亮：
Web 調べ学習における主体的学習プロセスの診断手 法，教育システム情報学会第6 回研究会, Vol.32, No.6, pp.99-106, (2018)
