指導者はしばしば学習者の研究成果物を通して指導を行う．研究成果物は思考によって得られた結論のみが記述され，それらを生み出した思考が書かれていないことが多い．そのため，学習者の思考方略に対して指導をすることが難しい．この問題を解決するためにアイデアの生成過程に着目する．アイデアの生成過程を知ることができれば，学習者の考え方を推測できる可能性がある．よって，本研究では，学習者が成果物を作成する際の思考を表出化することができるシステムと，それによって得られた思考からアイデアの生成過程を構築するシステムを提案する．

本研究では，数学学習における解法の構造理解と再利用を促す学習手法の提案と，本提案手法による学習を促すための学習支援システムの開発を行った．プログラミングにおける「部品の段階的拡張手法」を数学に転用し，学習の中で獲得した知識の一部を部品として獲得する．また，部品の抽象化を取り入れ，他の問題で繰り返し再利用可能とする．システム学習の中で，部品を繰り返し再利用することにより，部品と解法の構造理解を促す．

近年，深層学習を用いて任意の難易度で読解問題を生成できる技術が提案されている．従来の難易度調整可能な問題生成手法は，読解対象文中から答えを抜き出して回答する形式の問題生成モデルとして設計されてきた．しかし，このような設計では教育現場で広く使われている多枝選択式問題を直接生成できない．加えて，従来手法では難易度調整精度を直接最適化していないため難易度調整精度に改善の余地が残る．そこで本研究では，自己回帰型の深層学習モデルを用いた難易度調整可能な多枝選択式問題生成手法を開発するとともに，Direct Preference Optimizationにより難易度調整精度を最大化する訓練手法を提案する．

近年，深層学習を用いた小論文自動採点が高精度を達成している．一般に深層学習自動採点モデルの学習には高品質な採点済み小論文データセットが必要であるが，小論文の採点時には評価者ごとの甘さ・辛さや採点ミスなどの影響で，ノイズを含んだ得点データが混入する可能性がある．このようなノイズデータはモデルの性能を低下させる原因となりうる．他方で，モデルの性能に対する各訓練データの影響を定量化する方法論としてデータ価値推定手法が知られている．そこで本研究では，データ価値推定手法を用いて自動採点モデルの訓練データ中のノイズデータを検出して除外する手法を提案する．

プログラミング学習では試行錯誤を通じた「より良いコード」の記述が重要である．本研究では，ゲーム型仮想ロボットプログラミングを用いて評価指標による学習のタスク化を行い，指標に基づくランキングと他者コード共有機能でランクの近い範例から学びを促す仕組みを提案してきた．本稿ではプログラムの抽象的な動作からなるタスク実行戦略に着目し，自身他者間のコード類似度を計算し戦略の近い他者コードを共有する手法を提案・評価する．

AI技術の発展と普及により，近年AI活用のためのリテラシーを育成する必要性が指摘されるようになっている．AIとの相互作用による問題解決では，AIの理解だけでなく，問題解決における人間の知や役割への理解も必要である．人間の知を理解する有望な方法に計算機モデルの構築が挙げられるが，初学者には負荷が高く，学習効果が得られない可能性がある．本研究では情報を専攻しない初学者を対象に，プロダクションシステムによる計算機モデルの構築により，人間の問題解決の性質についての理解を深める学習の支援方法を検討した．問題表現の入力とその検証を支援する機能により，初学者の失敗を低減できる可能性があることが確認された．

非可観測概念とは，直接的な観察や測定が困難であるため，学習者がその性質や構造を理解するのに特有の課題を伴う概念を指す．このような概念を学ぶ過程では，誤りを特定し修正するための適切なフィードバックが不可欠であり，その有効性を高める手法として誤りの可視化（EV）が注目されている．EVは，ある表現形式（例：シミュレーションやグラフ）を用いて，学習者が別の表現形式（例：数式やモデル）の誤りを特定できるよう支援する技術である．本研究では，非可観測概念におけるEVの有効性を検討し，試行錯誤的学びを促進するための可観測化フィードバック設計フレームワークELMERを提案する．

論述式試験の問題点として，評価結果が評価者の特性に依存することが指摘されてきた．この問題を解決するために，評価者の特性を考慮した項目反応理論が提案されている．他方で，受検者集団や評価者集団が異なる試験結果に前述した項目反応モデルを適用した場合，推定された能力スコアを同一尺度上で比較可能にするためには等化と呼ばれる手続きが必要になる．?般的な等化手法では，等化する集団間に共通の受検者または評価者を必要とするが，現実の試験場面では，それらを用意することが難しい場合も考えられる．そこで本研究では，自動採点技術を用いることで共通受検者や共通評価者が存在しない状況下で等化を実現する手法を提案する．

学習者の解答（誤答）に基づいてシミュレーションを提示する仕組みとして誤りの可視化がある．本研究では，正しいシミュレーションと可視化された誤りから学習者が差分を観察し，可視化された誤りの要素を段階的に検討する活動（誤り探索活動）の支援環境の設計及び開発を行った．学習者が正しいシミュレーションと可視化された誤りの差分を探索することで学習者自身の解答への理解及び問題への理解を促す．

本研究では，ローカル環境で動作する相対的に小規模な大規模言語モデル (Large Language Model: LLM)を用いて医療面接のための仮想模擬患者を実現する手法を提案する．LLMに基づく仮想模擬患者の冗長な回答を抑制するために，本提案手法では，質問のタイプをLLMに意識させて回答を生成させる仕組みと，AIエージェントアプローチの一つである，Self-Refineと呼ばれる枠組みを応用し，LLM自身に回答の評価とフィードバックを生成させ，そのフィードバックを反映した回答を生成させる仕組みを組み込む．評価実験の結果，従来手法と比較して，提案手法は大幅な性能改善を達成した．

学習者の主体的な歴史探索学習を有意味な学習活動（Thinking like a historian approach）へと導くためには，学習者の興味対象に応じた学習コンテンツを適応的に提供できる学習支援が必要となる．我々はこれまでオープンエンドな学びに資する大規模歴史学習リソースの構築手法と，これに基づく歴史探索学習支援システムを提案している．本稿では学習リソースと開発システムの構成を述べるとともに，システムの有用性を確認する評価実験について報告する．

本原稿では、ITSの学習者モデルに他者モデルの考えを導入した「Intelligent tutoring system with mirror agent（ITS-MA）」を提案する．ITS-MAの枠組みでは、学習者の状態と回答行動を予測することが可能であり、適応的な教育戦略への導線となることが期待できる。ミラーエージェントはドメインモデルに基づくことで簡易な動的モデルで構築可能であることを示す。また、学習者の状態と回答行動予測に基づいたモデル更新の枠組みを、モンサクンを例に挙げて説明する。

近年では，記述式試験において深層学習を用いた自動採点モデルが多数提案され高精度を達成しているが，高精度な自動採点モデルであっても得点予測を誤る可能性は残る．この問題を解決するために，得点に加えて予測得点に対する確信度も出力できる深層学習自動採点モデルを用いて，予測誤りの検出を試みる研究がなされている．従来手法では，深層学習自動採点モデルを回帰として設計することで，分類として設計したモデルと比較して得点予測の精度は向上するが，確信度推定の性能は低下する傾向があることが明らかとなった．そこで，回帰と分類のハイブリッド型深層学習自動採点モデルを構築し，確信度推定と得点予測の両面での性能向上を目指す．

再構成学習法では，学習内容を構造的・明示的に記述したうえで，部品からの再構成を課題として学習者に与える．課題達成には，部品と構造間の文脈情報の差分を埋めることが必要となる．この差分の認識と解消は，構造に対する理解を促進すると期待できる，