次世代の学習分析
学生が尋ねることは、 学びについてのデータです。
学生の成果物と対話から得られる分析は、何を学んでいるかだけでなく、どのように学んでいるかを示します。これまで直感に頼っていたところに根拠をもたらし、学生自身には自分の学習の習慣を見せてくれます。
学生にとっての利点
学生が自分について 見えるようになること。
漠然とした弱点ではなく、具体的なつまずき
微積分に取り組む学生は、質問の大半が部分積分に集まっていることに気づけます。「数学が苦手だ」ではなく、具体的な理解の欠落として見えるのです。
ふだんは気づかない傾向
順を追った説明ではなく最終的な答えばかり求めていることがはっきり表れ、より深い取り組みへ向かうきっかけになります。
質問の幅
文章や語学のコースでは、文法の訂正ばかり求め、論の組み立てについての助言はほとんど求めていない学生の姿が、対話の記録から見えてくることがあります。
メタ認知を、目に見えるかたちに
可視化されたこれらの傾向は、学生に本当の問いを投げかけます。私はAIを近道として使っているのか、学びの相手として使っているのか。学習が自己評価の機会になります。
教員にとっての利点
直感ではなく 根拠を。
共通の誤解が早い段階で表に出る
生物学のコースで多くの学生が細胞呼吸について似た尋ね方をしていれば、それは広く共有された誤解であり、次の講義で扱えます。
漠然とした混乱ではなく、具体的な力の欠落
プログラミングの授業で、ループについてのデバッグ質問は多いのに関数についてはほとんどない——それは、はっきりと限定された力の欠落を指し示します。
取り組みの深さ
利用の傾向は、長いやり取りを重ねて問題を解き進める学生と、短い答えを写す学生とを分けて見せます。
教えることが見通しのよいものになる
匿名化した例や全体の傾向を授業に持ち込むことで、AIは個人的な助けから、みんなで分析し改善する対象へと変わります。