eポートフォリオ(ePortfolio)

研究に関する自身の強み

　私はこれまでに学習支援システムに関する研究実績があり，その中でシステムの設計・開発から運用，評価（データ分析），成果発表までを一気通貫して行ってきました．その中で，下記の強みを発揮してきたと自負しています．

研究における主体性

　私は学部で研究室に配属された段階から博士号取得に向けた高いモチベーションを有し，マインドマップ（Mind Map: MM）を用いた読解促進に関する研究に従事する傍ら，様々な活動に主体的に取り組んできました．具体的に，学部では学会発表 (下記「研究活動」の渡邉他, 2022, キットビルド方式の〜)や革新的なラーニングテクノロジーの発掘を目的としたコンテストへの応募を行い，コンテストでは全体で2番目にあたる賞を獲得しました (学習工学研究室 KB班, 2021, キットビルド概念マップを利用した～)．

　博士課程前期ではMMに関する研究において定期的な成果の報告 (Watanabe et al., 2023, Application of the Recomposition Method ~; 渡邉他, 2022, 再構成型マインドマップを用いた～)や査読付き論文誌への投稿 (渡邉他, 2024, 読解促進のための〜)を行いながら様々な研究プロジェクトに参画し，システムの基盤提供［システムの一部は一般公開しています（https://collab.kit-build.net:8080/fira/index.php/demo）］，評価実験の実施または補助，企業における実際の案件への関与，を行いました．また，サブテーマとして後輩の研究を引き継いで実験および成果発表についても実施しました．

　現在は「研究紹介」に記載の研究に着手しており，既に項目(3)に関して研究会での発表を行いました (渡邉他, 2024, 再構成型概念マップにおける～)．また，所属研究室の研究アプローチについて，学内のイベント (渡邉, 2024, 「相手の意見を理解する」～)やサマースクール (Watanabe & Hirashima, 2024, Guided Process for~)での紹介も行いました．今後は項目(3)に関する研究を発展させて査読付き論文誌への投稿を目指すとともに，他の項目についても研究を進めていく予定です．

知識の幅・深さ

　私は，これまでの研究活動を遂行する中で知識工学，情報科学，教育学，心理学，認知科学，統計学など，関連分野の幅広い知識を習得し，研究に活かしてきました．また，関連分野の勉強会にも参加し，毎週活発な議論を行っています．さらに，非常勤職員としてURA（University Research Administrator）のサポートや高等専門学校（高専）での非常勤講師も担当しており，研究支援や実際の教育現場についての知見も有しています．このように多様な観点から自身の研究を俯瞰できる点は，私の強みであると考えています．

コミュニケーション力

　上述のように，私は様々な研究プロジェクトに参画し，国内外の研究者と連携しながらプロジェクトを成果発表まで導いた経験を持ちます．これは私がコミュニケーションを通じて研究プロジェクトを円滑に進める能力，および優れた語学力を有していることの証左であると考えています．また，学会に参加した際は発表後の議論や懇親会への参加を欠かさず行い，幅広く情報収集に努めています．

プレゼンテーション力

　私は国内外の学会で多数の研究発表を行い，プレゼンテーション力の向上に励んできました．特に国際会議での発表 (Watanabe et al., 2023, Application of the Recomposition Method ~)およびコンテストでの受賞 (学習工学研究室 KB班, 2021, キットビルド概念マップを利用した～)は，私の研究成果を広く伝える能力の高さを裏付けるものであると考えています．

研究活動を通じて得られた具体的な技術および専門知識

• Webアプリケーション開発の技術（HTML，CSS，JavaScript，jQuery，Bootstrap，Cytoscape.js，Socket.IO，PHP）
• システムの実験的／実践的利用によって得られたデータの分析能力（使用経験のあるツールまたは言語：MySQL，R，Python，HAD），およびそれに対応する統計学の知識［統計検定2級の範囲全て（2級には合格済み）と統計検定準1級の範囲の一部］

研究以外で特筆すべき活動

　私はこれまで，研究活動に加え，大学や高専における業務効率化に積極的に貢献してきました．

　具体的に，大学では3年以上にわたってURAのサポートを行い，PythonとMicrosoft Accessを駆使してデータ処理を自動化するためのプログラムを構築しました．これにより，資料作成にかかる時間を大幅に短縮し，URAの方々がより戦略的な業務に注力できる環境を整えることに寄与しました．

　高専では，PythonとExcelVBAを活用して自身の非常勤講師としての成績処理の効率化を実現しました．具体的には，学生がLMS（Learning Management System）上に提出した課題の提出状況を自動で1つのマトリクスにまとめるプログラムを構築し，手作業の時間を最小限にすることで，授業内容の改善や学生の個別指導に充てる時間を増やすことができました．今後は，他の先生方ともディスカッションしながら，このプログラムの改善・普及を進めていきたいと考えています．

　これらの活動を通じて，これまで学んできた技術を実際の業務で活用し，業務効率化に貢献することができたと自負しています．

免許・資格

• 2018年3月　二級小型船舶操縦免許　取得
• 2018年4月　第三級海上特殊無線技士　取得
• 2020年10月　TOEIC Listening & Reading Test　810点　取得
• 2022年4月　統計検定2級　合格
• 2023年7月　普通自動車第一種運転免許　取得

研究テーマ名

教室空間における知識マネジメントを指向した再構成型概念マップの開発​

研究の背景

　Society5.0の実現に向けて，教育分野においてはAIやビッグデータを活用した新たな学習支援の方法が求められている．特に，多様な学習者の特性に対応し，個別最適化された学習と協働的な学習を一体的に充実させることが重要な課題であるとされている (教育・人材育成ワーキンググループ, 2021)．そのためには(1) 学習目標など，教授者が学習者全員の共通認識として到達してほしい理解（共有理解）を明示化すること，(2) 各学習者が共有理解を適切に共有できた程度を正しく把握すること，(3) 教授者-学習者間，学習者同士，教授者同士でのインタラクションを通じて共有理解を洗練していくこと，が不可欠になると考えられる．

　以上より，教室は学習者と教授者が相互に知識の共有・洗練を行う場であると捉えることができる．このような知識の共有・洗練活動の効果的な実施についてはAI研究において知識マネジメントという形で研究されている．知識マネジメントとは知識の効果的な共有・活用を指向した分野であり (山口, 2007)，当該分野においては知識（本研究においては共有理解）の共有のために達成する必要のある要件として（要件①）各個人が，自身の持っている知識を明示化できること，（要件②）明示化された知識間の齟齬（差分）を検出できること，が挙げられている．しかし，先行研究において両方の要件を満たすものは見当たらない．したがって，現状の教室では個々の学習者の理解と共有理解の差分についての把握がなされないまま授業が先に進んでしまう恐れがあるといえる．

本研究計画の着想に至った経緯

　私はこれまで，理解や思考の図的な表現の1つであるマインドマップ（Mind Map: MM）を用いて授業や教材に対する読解結果を表現・他者と共有するような場面における教授者-学習者間での共有理解の共有の促進を指向した研究を行ってきた．具体的には，読解結果に関する共有理解が表現されたMM（共有理解マップ：Shared Understanding Map: SUM）をノードとリンクの集合に分解して学習者に再構成させる手法を提案し，その有効性を実験的に確認している．

　また，先行研究ではMMよりも意味の記述として一般性の高い概念マップ（Concept Map: CM）を再構成することによる学習方法（再構成型概念マップ：Recomposition Concept Map: RCM）も提案・有用性が確認されている (Hirashima et al., 2015; 平嶋, 2024)．私は国語の物語読解 (茅島他, 2022)やソフトウェア開発 (林他, 2024)におけるコミュニケーション手段としてRCMを用いる研究にも携わっており，その中でRCMが集団における多様な参加者の間での共通言語として機能し，相互理解を促進する可能性を感じるようになった．

　以上のように共有理解の共有が適切に機能する理由としては，① 共有理解を図的に外在化していること（前述の要件①に対応），および② SUMと学習者が再構成するマップの構成要素が全く同じであるため，両者の重畳により差分を誤差なく抽出できること（要件②に対応），が挙げられる．ここでSUM自体は共有理解の表面的な表現に留まる恐れがあるものの，そのようなレベルでの構成要素の扱いの齟齬は，共有理解全体にも齟齬があることを示唆する．よって，RCMは共有理解の共有のためのツールとしての妥当性を有するといえる．

図1　RCMの枠組み（HIRAKU-PFの仕様上，画像のピクセル数を直接指定することしかできないため，ブラウザのウィンドウサイズによっては見切れる恐れがあります；悪しからずご了承ください）

研究目的，研究方法，研究内容

研究目的　本研究の目的は，RCMを用いて教室における共有理解の共有と洗練のメカニズムを解明し，Society5.0における個別最適化された協働的な学習の実現に貢献することである．

研究方法・研究内容　以下の3つの項目に従って研究を実施する．

項目(1)　再構成型概念マップを用いた協働的教材研究に関する研究

　本研究では，教授者同士での協働的な教材研究におけるインタラクションを支援対象とする．具体的には，共有理解の洗練を目的として，RCMに関する先行研究において学習者同士の相互理解における有用性が認められている相互再構成法 (Wunnasri et al., 2018)の教授者同士での実施を提案する．相互再構成法において学習者はペアを組み，相互に相手の作成したSUMを再構成する．その後，SUMと再構成されたマップの差分を見ながら議論を行い，理解の一致部分・齟齬を確認し合う．この手法は理解の齟齬に関する情報を直接的に参照しながらの議論を可能とするため，教授者同士での共有理解の共有においても有用性が期待される．

項目(2)　創造的組立キットの開発とその効果の測定に関する研究

　RCMにおいて学習者が行う活動は提供された部品の組立であり，自分自身で新たに部品を作成することはできない．これは学習者自身にマップを作成させると必要部品の欠落や間違いが発生し，結果として質の低いマップになる恐れが大きいため，学習目標が存在する場合，部品に関する制約が必要であるとの議論 (Cañas et al., 2012, 2017, 2023)に基づくものであるが，学習者の創造性・独自性が阻害される恐れもある．これに対し，私はこれまでのRCMの運用経験から「再構成中，学習者は与えられた部品のランダムな接続を行うのではなく，『この部品はこのような部品と繋がるはず』というように部品の存在に対する仮説の生成とその選択を行っていると考えることができ，それは学習者自身が部品を作成する際に求められる思考（学習内容に関する部品の再生とその選択）とほぼ等価である．したがって，RCMにおける部品の制限は学習者の創造性・独自性を阻害するものではない．」との予想をしており，本研究はこれを検証するものとなる．具体的には，RCMにおいて学習者に提供する部品を一部欠落させ（創造的キット），学習者自身による欠落部品の検出と生成を促すことを提案する．また，不足部品が一意に定まる場合（補完性創造的キット）だけでなく学習者が補完する部品によって完成するマップが異なるような創造的キット（探求性創造的キット）の設計や，教授者-学習者間および学習者同士でのインタラクションの分析を行い，学習者の創造性・独自性が共有理解の洗練に与える影響の分析などを計画している．

項目(3)　概念マップ作成過程の統計的分析 ―再構成型概念マップを対象として―

　人の学習活動の分析においては，最終的な生成物だけでなく，その生成プロセスの分析も重要であることが指摘されている (Ford et al., 1998; Lee & Fortune, 2013)．CMについても作成プロセスの分析は行われており，CMの作成プロセスに学習者の理解のより詳細な構造を知る手掛かりが含まれているとの指摘もある (Jablokow et al., 2015)．しかしながら，一般的なCMでは学習者がノードやリンクを自由に作成でき，したがってその分析は人の判断が必要となるため，定量的な分析は困難であった．

　これに対してRCMでは学習者の用いることのできる部品が制限されているため，作成プロセスの定量的な分析が比較的容易な対象となっている．実際にRCMの作成プロセスの定量的な分析を試みた先行研究ではSUMと学習者によって再構成されたマップの一致率（共有理解を共有できた程度）に大きく影響する学習者の行動を特定するとともに，誤り部分に対する修正能力の差が一致率の高い学習者と低い学習者の差を生じさせていることを明らかにしている (長木他, 2023)．このように記号的AIのアプローチから共有理解の共有という問題をSUMという記号とそれに対する操作としてモデル化することにより，学習者の思考を部品に対する操作として外在化できるため，ログデータから学習者の思考を推定・解釈することが可能になる．このような解釈性の高いデータの取得は記号的AIがあって初めて可能になることであり，その意味で記号的AIと統計的AIの融合［第4世代AI (研究開発戦略センター, 2020)］を実現した試みであると主張することができる．本研究ではこの分析をさらに進め，一致率の低い学習者の修正活動が特定の部分のみに対して行われているのか否かを明らかにするとともに，分析結果を踏まえて個別最適化されたフィードバックを行う手法について検討する．

研究の特色・独創的な点

本研究の特色　本研究の特色は以下の3点である．

1. 教室で行われる活動を知識マネジメントの観点から捉え，教室内の多様な参加者間で共有理解を共有・洗練するプロセスを探究する点．
2. RCMによる再構成活動が学習者の創造性・独自性を阻害しないことを実証的に示す点．
3. 記号的AIに基づいた手法であるRCMのログデータを統計的AIによって分析することで第4世代AIの実現を試みる点．

予想されるインパクト，将来の見通し

　RCMを用いることで任意の二者間の理解の齟齬を正確に抽出できるため，教授者-学習者間，学習者同士，教授者同士でのインタラクションが齟齬を踏まえて協働的に自身の意見の根拠を共有し合うようなものに変容すると考えられ，これは協働的な学習を実現するものといえる．また，項目(3)で実現を目指す個別最適化されたフィードバックは学習中の理解度に合わせた早期対応を可能とし，脱落者の大幅な減少に貢献することが期待される．以上より，RCMは教育現場におけるイノベーションを創出し，Society5.0を実現する上で有望なツールとなることが期待される．

参考文献

Cañas, A. J., Novak, J. D., & Reiska, P. (2012, Sep.). Freedom vs. restriction of content and structure during concept mapping-possibilities and limitations for construction and assessment. In: Proceedings of the 5th International Conference on Concept Mapping (pp. 247-257). Valletta.

Cañas, A. J., Reiska, P., & Möllits, A. (2017). Developing higher-order thinking skills with concept mapping: A case of pedagogic frailty. Knowledge Management & E-Learning, 9(3), 348-365.

Cañas, A. J., Reiska, P., & Shvaikovsky, O. (2023). Improving learning and understanding through concept mapping. Knowledge Management & E-Learning, 15(3), 369-380.

研究開発戦略センター (2020). 第4世代AIの研究開発 －深層学習と知識・記号推論の融合－. Retrieved Sep. 18, 2024, from 研究開発戦略センター Web site: https://www.jst.go.jp/crds/report/CRDS-FY2019-SP-08.html

長木勇真, 平嶋宗, 林雄介. (2023, Jul.). 再構成型概念マップにおける探索的組立過程の分析. In: 人工知能学会第98回先進的学習科学と工学研究会資料 (pp. 25-31). 浜松.

教育・人材育成ワーキンググループ (2021). Society 5.0の実現に向けた教育・人材育成に関する政策パッケージ 概要. Retrieved Sep. 18, 2024, from 内閣府 Web site:  https://www8.cao.go.jp/cstp/tyousakai/kyouikujinzai/index.html

Ford, J. K., Smith, E. M., Weissbein, D. A., Gully, S. M., & Salas, E. (1998). Relationships of goal orientation, metacognitive activity, and practice strategies with learning outcomes and transfer. Journal of Applied Psychology, 83(2), 218–233.

林直也, 渡邉弘大, 林雄介, 平嶋宗. (2024, May). 情報共有過程における齟齬の予防的早期検出手段としての再構成型概念マップの活用 ― WebサービスのBizDevOpsチームにおけるドメインモデルの共有・洗練を目的として ―. In: 人工知能学会第38回全国大会論文集 (3Xin2-22). 浜松.

Hirashima, T., Yamasaki, K., Fukuda, H., & Funaoi, H. (2015). Framework of kit-build concept map for automatic diagnosis and its preliminary use. Research and Practice in Technology Enhanced Learning, 10(1), Article No. 17.

平嶋宗. (2024). 概念マップの再構成はなぜ高次思考を促すのか？. JSiSE Research Report, 38(6), 217-223.

Jablokow, K. W., Defranco, J. F., Richmond, S. S., Piovoso, M. J., & Bilén, S. G. (2015). Cognitive style and concept mapping performance. Journal of Engineering Education, 104(3), 303–325.

茅島路子, 長谷浩也, 渡邉弘大, 前田一誠, 平嶋宗. (2022, Aug.). 多様性を持った物語読解への再構成型概念マップの適用 ― 「「他者の理解」の理解」としての読解 ―. In: 第47回教育システム情報学会全国大会講演論文集 (pp. 7-8). 柏崎.

Lee, M., & Fortune, A. E. (2013). Patterns of field learning activities and their relation to learning outcome. Journal of Social Work Education, 49(3), 420–438.

Wunnasri, W., Pailai, J., Hayashi, Y., & Hirashima, T. (2018). Reciprocal kit-build concept map: An approach for encouraging pair discussion to share each other's understanding. IEICE TRANSACTIONS on Information and Systems, E101-D(9), 2356-2367.

山口高平. (2007). 知識マネジメントとAI技術. 人工知能, 22(4), 461-466.