リンク一覧
概要と序論
教育におけるAI活用の歴史
研究方法
文献レビュー
まとめ
結論と参考文献
2. 教育におけるAI活用の歴史
教育における AI の使用の歴史は、初期のインテリジェントな個別指導システムが開発された 1960 年代にまで遡ります。これらのシステムは、生徒の個々のニーズと学習スタイルに合わせてカスタマイズされた、パーソナライズされた指導を生徒に提供するように設計されていました。ただし、教育における生成 AI の使用の進化について詳しく説明する前に、生成 AI モデルの歴史と進化を理解する必要があります。
2.1. 生成AIモデルの歴史と進化
生成型人工知能 (AI) モデル、特に言語モデル (LLM) は、長年にわたって目覚ましい進歩を遂げ、自然言語処理やその他のさまざまなクリエイティブ タスクの状況を一変させました (Susarla 他、2023)。このセクションでは、これらのモデルの歴史的ルーツと進化の軌跡を詳しく調べ、その発展を形作った重要なマイルストーンに焦点を当てます。
• 言語モデルの初期の頃: LLM の開発の歴史は、統計的自然言語処理 (NLP) の出現とともに 1950 年代から 1960 年代に始まりました。初期の言語モデルでは、主に統計的手法を使用して、言語コンテキスト内での特定の単語または単語シーケンスの尤度を推定していました。この時期の基本的な手法は、N グラムと n 語のシーケンスでした (Russell & Norvig、2010)。
• N-gramから単語埋め込みへ: 2000 年代半ば、N グラムベースのモデルから単語埋め込みの使用への重要な転換が起こり始めました。2013 年に (Mikolov ら、2013) が「Word2Vec」アルゴリズムを導入したのがきっかけでした。この革新的なアプローチは、単語の意味を捉えるためにベクトル表現を利用することにかかっていました。この画期的な進歩は、言語モデリングのその後の発展の基礎を築きました。
• テキストベースのディープラーニングモデル（Sequence-to-Sequence NLPなど）の進歩： 単語埋め込みを言語モデルに統合することで、新しい時代が到来しました。これらのベクトル表現は、再帰型ニューラル ネットワーク (RNN) などのディープラーニング モデルや、その後のエンコーダー/デコーダー アーキテクチャへの入力として機能しました。この変化は、(Sutskever 他、2014) で実証されているように、テキスト要約や機械翻訳などの NLP 研究に大きな影響を与えました。ベクトル表現を通じて意味的コンテキストをキャプチャする機能により、生成されるコンテンツの品質と深みが大幅に向上しました。
• トランスフォーマーアーキテクチャ革命: 2017 年に Vaswani ら (2017) が導入した Transformer アーキテクチャは、NLP とコンピューター ビジョンの研究、特に言語モデリング研究の進歩における転換点と見なされています。Transformer アーキテクチャは、自己注意メカニズムを導入することで、NLP におけるパラダイム シフトを表しています。BERT (Devlin ら、2018) など、Transformer アーキテクチャに基づいていくつかのディープラーニング モデルが開発されています。この革新により、モデルはシーケンス内の長距離依存関係をキャプチャできるようになり、生成されたコンテンツの一貫性とコンテキスト性が向上しました。Transformer アーキテクチャは、その後の LLM 開発の基礎を築きました。
• LLMの出現: 近年、AI の分野では大規模言語モデル (LLM) が急増しています。「基礎モデル」という用語でも知られるこれらのモデルは、書籍、ニュース記事、Web ページ、ソーシャル メディアの投稿を含む広範かつ多様なデータセットでトレーニングされ、数十億のハイパーパラメータで調整されています (Bommasani ら、2021 年)。この前例のない規模のデータと、モデル アーキテクチャおよびトレーニング手法の進歩が相まって、大きな転換点となりました。これらの基礎モデルは、元々トレーニングされていなかったタスクも含め、幅広いタスクに対して並外れた適応性を発揮します。ChatGPT は、生成 AI モデルの実例です。この注目すべき AI システムは 2022 年 11 月にリリースされ、元々はテキストおよびコード ソースの大規模なデータセットでトレーニングされた生成事前トレーニング済みトランスフォーマー GPT-3.5 から微調整されています (Neelakantan ら、2022 年)。 ChatGPT は、人間のフィードバックからの強化学習 (RLHF) の力を活用します。これは、大規模言語モデル (LLM) を人間の意図に合わせる上で大きな可能性を示している手法です (Christiano ら、2017)。ChatGPT の驚くほど優れたパフォーマンスは、生成 AI モデルのトレーニングにおけるパラダイム シフトの可能性を強調しています。このシフトには、強化学習 (Christiano ら、2017)、プロンプト エンジニアリング (Brown ら、2020)、思考連鎖 (CoT) プロンプト (Wei ら、2022) などの命令調整手法の採用が含まれ、生成 AI モデルに基づくインテリジェント サービスのエコシステムの構築の実現に向けた共同ステップとなります。
これらの進歩の集大成は、メディアリッチでリアルで適切なコンテンツ（テキスト、画像、音声、動画など）を理解し、生成する優れた能力を備えた生成AIモデルにつながりました。このような機能により、これらのモデルは教育などのさまざまなアプリケーションで利用され、広く採用されるようになりました。これらの進歩にもかかわらず、生成AIの状況では懸念と課題が生じています（Susarla et al.、2023）。ChatGPTのようなモデルが新しいタスクに簡単に適応できることは、その理解の深さに関する疑問を引き起こします。AIの公平性の専門家は、これらのモデルがトレーニングデータにエンコードされた社会的偏見を永続させる可能性があることを警告し（Glaser、2023）、それらを「確率的オウム」と呼んでいます（Bender et al.、2021）。
2.2. 教育における生成AIの利用の進化
教育における AI の使用は目新しいものではありません。教育における AI の使用の最初の試みは、1960 年代初頭にまで遡ります。当時、イリノイ大学アーバナシャンペーン校の研究者が、PLATO (Programmed Logic for Automatic Teaching Operations) と呼ばれるインテリジェント チュータリング システム (ITS) を開発しました (Bitzer 他、1961 年)。PLATO は、グラフィカル ユーザー インターフェイスを備えた学生が、AI を使用して開発され、ニーズに合わせて調整された教育資料を操作できるようにした最初のコンピューター システムでした。教育における AI の使用の初期の試みのもう 1 つの例は、1960 年代にプログラミング クラスを自動的に採点するために開発された「自動採点」システムです (Hollingsworth、1960 年)。
1970 年代には、パーソナル コンピュータの出現により ITS の開発が加速しました。この時期に開発されたシステムの例として、TICCIT (Time-shared, Interactive Computer-Controlled Instructional Television) (Stetten、1971) があります。TICCIT は、1970 年代初頭にピッツバーグ大学で開発された、初期の ITS の 1 つです。TICCIT は、家庭や学校のユーザーに、個別化されたマルチメディア ベースのコンテンツを大量に配信する初期の試みでした。
1960 年代と 1970 年代の ITS 開発の進歩は、教室での生徒への 1 対 1 の個別指導を重視する学習理論と原則によって支えられていました (たとえば、BF スキナーの先駆的な「プログラムされた指導動作」に関する研究や、ベンジャミン ブルームの「習得学習」に関する研究 (Block & Burns、1976) を参照)。その期間に開発された ITS は、主にルールベースのシステムでした。1970 年代の AI の進歩とマイクロ コンピュータの出現は、ITS のトレーニングと開発の方法に影響を与えました (Reiser、2001a)。1980 年代以降、特にコンピュータ ベースの指導、AI ベースの教育の使用は、いくつかの指導活動を自動化するように進化しました (Reiser、2001b)。
1990 年代のワールド ワイド ウェブ (WWW) の登場により、インテリジェント教育サービスの提供媒体に大きな変化が起こりました (Chen ら、2020 年)。ITS は、機械学習モデルに支えられたインテリジェントで適応型のパーソナライズされた学習サービスを提供するように進化しました。ITS の開発方法とユーザーへの提供方法がこのように進歩したにもかかわらず、その機能は個別の指導と学習の提供に限られていました。WWW がいわゆる「Web 2.0」へと進化し、共同作業やソーシャル ベースのインタラクションが追加されたことで、ITS 開発の新しい時代が開かれました。Web 2.0 サービスとユーザーのインタラクションに基づいて収集されたデータと、さまざまな機械学習アルゴリズムを使用してこれらのデータに基づいてソフトウェア エージェントをトレーニングする機能により、学習分析の応用がさらに進歩し、学習の適応とパーソナライズが促進されました (Clow、2013 年)。
21 世紀には、教育における AI の利用においていくつかのブレークスルーがありました。これらのブレークスルーは、(i) ハードウェアの機能とパフォーマンス (Nickolls & Dally、2010)、(ii) ビッグデータ マイニング (Wu 他、2013)、(iii) AI モデルとアーキテクチャ (つまり、ディープラーニング モデルの出現) (LeCun 他、2015) の進歩によって支えられました。2017 年の Transformer ディープラーニング アーキテクチャの出現 (Vaswani 他、2017) は、一般的なインテリジェント ソフトウェア開発の歴史における転換点であると考えられています (セクション 2.1 を参照)。生成的事前トレーニング済みトランスフォーマー (GPT) などの多くのインテリジェント モデルは、その直後から登場し始めました (Radford 他、2018)。 2022 年 11 月、OpenAI は GPT 3.5 アーキテクチャに基づく ChatGPT をリリースし、わずか数か月で 1 億人を超えるユーザーに到達しました。それ以来、今日では、学生にパーソナライズされた指導、適応型学習、魅力的な学習体験を提供するための生成 AI ベースの教育ツールが開発されています (セクション 4.2 を参照)。