エンジニアリングを学ぶ

学習エンジニアリングとは、教育テクノロジーと学習科学の証拠に基づく原則と方法を体系的に適用して、魅力的で効果的な学習体験を生み出し、学習者の学習の困難や課題をサポートし、学習者と学習をより深く理解することです。学習エンジニアリングでは、多くの場合テクノロジーの助けを借りて、人間中心設計アプローチと豊富なデータセットの分析を組み合わせて、それらの設計を反復的に開発および改善することに重点を置いています。学習エンジニアは、主題や他の専門家と協力しながら、さまざまな技術、教育学、経験、設計ベースの分野の知識、ツール、テクニックを巧みに組み合わせて、効果的で魅力的な学習体験と環境を生み出し、その結果を評価します。その際に、学習エンジニアは、ベストプラクティスを一般化できるプロセスと理論、および他の人がそれらのベストプラクティスに基づいて独自の学習デザインを作成できるようにする新しいツールとインフラストラクチャを生み出すよう努めます。

学習者の学習をサポートすることは複雑であり、学習体験の設計と学習者へのサポートには通常、学際的なチームが必要です。

学習エンジニア自身は、時間の経過とともに展開し、学習者の集団を魅了し、学習をサポートする学習体験の設計、自動データ収集と分析、学習テクノロジーの設計、学習プラットフォームの設計、学習をサポートする環境または条件の改善、またはこれらの組み合わせを専門とする場合があります。学習エンジニアリング チームの成果物には、オンライン コース (特定の MOOC など)、オンライン コースを提供するためのソフトウェア プラットフォーム、学習テクノロジー (物理的な操作から電子的に強化された物理的な操作、シミュレーションまたはモデリングのテクノロジー、没入感を可能にするテクノロジーまで)、放課後プログラム、コミュニティ学習体験、正式なカリキュラムなどがあります。学習エンジニアリング チームには、学習者が学習するコンテンツ、対象となる学習者自身、学習が行われると予想される場所、教育実践、ソフトウェア エンジニアリング、および場合によってはそれ以上に関連する専門知識が必要です。

学習エンジニアリング チームは、学習をサポートし、改善するために反復的な設計プロセスを採用しています。初期の設計は、学習科学の発見に基づいています。改良は、設計が世界で実行される際に収集されたデータの分析に基づいています。学習分析、設計ベースの研究、および迅速な大規模実験の手法を使用して、設計を評価し、改良を通知し、反復を追跡します。^{[1] [2] [3]} IEEE 標準協会の学習エンジニアリングに関する IC 業界コンソーシアムによると、「学習エンジニアリングは、人間中心のエンジニアリング設計方法論とデータに基づく意思決定を使用して学習科学を適用し、学習者とその発達をサポートするプロセスと実践です。」^[4]

認知心理学者で経済学者のハーバート・サイモンは、 1967年に初めて学習工学という用語を作り出した。 ^{[5]しかし、}学習と工学という2つの用語の関連性は、1940年代^[6]、そして早くも1920年代[6]に現れ始めた。^{[ 7]}サイモンは、教育分野を含む社会科学は、物理学や工学などの他の分野と同じ種類の数学的原理でアプローチされるべきだと主張した。^[8]

サイモンの学習工学に関するアイデアはカーネギーメロン大学で反響を呼び続けましたが、その用語が普及したのは、ビジネスマンのブロア・サックスバーグが2014年にカーネギーメロン大学とピッツバーグ学習科学センター（略してLearnLab）を訪問した後、そのマーケティングを始めたときでした。ブロア・サックスバーグは営利教育会社カプランのチームを連れてカーネギーメロン大学を訪問しました。チームは、現在学習工学と呼ばれているものを持ってカプランに戻り、教育製品の強化、最適化、テスト、販売を行いました。ブロア・サックスバーグは後に、アメリカンエンタープライズ研究所の保守教育改革ネットワークの創設者であるフレデリック・ヘスと共同で、学習工学という用語を使った2014年の本を執筆しました。

2017 年、IEEE 標準化協会は、 Industry Connections ^{[ dead link ‍ ]}プログラムの一環として、学習エンジニアリングに関する IC Industry Consortium を設立しました。

2017 年から 2019 年にかけて、ICICLE は学習工学の成長を支援する共同リソースとして 8 つの特別関心グループ (SIG) を結成しました。Kenneth Koedingerが議長を務めるカリキュラムおよび資格 SIG は、学習工学の正式な定義に関する取り組みの先駆者となりました。その後、Aaron Kessler が率いる設計 SIG の取り組みにより、学習工学プロセス モデルが開発されました。2024 年に ICICLE は名称を International Consortium for Innovation and Collaboration in Learning Engineering に変更し、IEEE Learning Technology Standards Committee の一部となりました。

学習工学は、科学と工学の方法論を教育と訓練に適用する際の欠陥に対処することを目的としています。その支持者は、学習環境を最適化するという全体的な目標に、コンピューティング技術と生成されたデータを結び付ける必要性を強調しています。^[9]

学習工学の取り組みは、コンピューティングを活用して学習科学の応用と有効性を飛躍的に高め、教育成果を向上させることを目的としています。デジタル学習プラットフォームは、すぐに実践できる洞察を明らかにする大量のデータを生成しています。^[10]

学習工学の分野には、教育者が自動的に利用できる教育に関する洞察を伝えるさらなる可能性があります。たとえば、学習工学の手法は、中退や高い不合格率の問題に適用されています。従来、教育者や管理者は、学生が実際に学校を退学するか、コースで不合格になりそうになるまで待たなければ、中退がいつ起こるかを正確に予測できませんでした。学習エンジニアは現在、課題外行動^[11]や無駄な努力^[12]に関するデータを使用して、学生の関与をよりよく理解し、個々の学生が不合格になる可能性があるかどうかを予測できます。

このデータにより、教育者は中退の危険がある数週間または数か月前に、学習に苦労している生徒を特定することができます。学習工学の支持者は、データ分析が成功率の向上と中退率の低下に貢献すると主張しています。^[13]

学習エンジニアリングは、自動的かつ個別のフィードバックを提供することで学生を支援することもできます。

たとえば、カーネギーラーニングのツール LiveLab は、ビッグデータを活用して、生徒のミスの原因を特定することで、各生徒ユーザーの学習体験を作成します。LiveLab の分析から得られた研究の洞察により、教師は生徒の進捗状況をリアルタイムで確認できます。

A/Bテストは、特定のプログラムの2つのバージョンを比較し、研究者がどちらのアプローチが最も効果的かを判断することを可能にします。学習工学の分野では、TeacherASSIST ^[14]やCourseraなどのプラットフォームは、A/Bテストを使用して、どのタイプのフィードバックが学習成果に最も効果的かを判断します。^[15]

ニール・ヘファーナンのTeacherASSISTでの取り組みには、生徒を正解に導く教師からのヒントメッセージが含まれています。ヘファーナンの研究室では、教師間でA/Bテストを実施し、どのタイプのヒントが将来の質問に最適な学習効果をもたらすかを判断しています。^{[16] [17]}

UpGradeは、教育分野でA/Bテストや大規模なフィールド実験を実施するためのオープンソースプラットフォームです。^[18]これにより、EdTech企業は独自のソフトウェア内で実験を実行できます。ETRIALSはASSISTmentsを活用し、科学者が本物の学習環境で自由に実験を実行できるようにします。Terracottaは、教師や研究者がライブクラスで簡単に実験を実行できるようにサポートする研究プラットフォームです。

教育データマイニングでは、学生による教育ソフトウェアの使用データを分析し、ソフトウェアがどのようにしてすべての学生の学習を向上させるかを理解します。ペンシルバニア大学のライアン・ベイカー氏などのこの分野の研究者は、学生の学習、関与、影響を学習成果に関連付けるモデルを開発しました。^[19]

教育テクノロジー プラットフォームは、教育者と学生をリソースに結び付け、学習成果を向上させます。

データセットは、研究者が教育に関する洞察を形成するために使用する原材料を提供します。たとえば、カーネギーメロン大学は、LearnLabのDataShopで大量の学習インタラクションデータをホストしています。^{[20]彼らのデータセットは、Intelligent Writing Tutors [21]}のようなソースから、中国語の音調研究^[22]、カーネギーラーニングのMATHiaプラットフォーム のデータまで多岐にわたります。

プログラマーとオープンソースデータのハブであるKaggleは、定期的に機械学習のコンテストを開催しています。2019年、PBSはKaggleと提携して2019 Data Science Bowlを開催しました。 ^[23] DataScience Bowlは、研究者や開発者から機械学習の洞察、特にデジタルメディアが幼児期のSTEM学習成果をどのように促進できるかについて求めました。

Kaggle PBSやCarnegie Learningがホストしているようなデータセットにより、研究者は情報を収集し、学生の成果に関する結論を導き出すことができます。これらの洞察は、コースや試験における学生のパフォーマンスを予測するのに役立ちます。^[24]

教育理論とデータ分析を組み合わせることで、生徒が空回りしているとき（つまり、設定された時間内にスキルを習得していないとき）と生産的に取り組んでいるときを区別するツールの開発に貢献しました。^[25] ASSISTments ^[26]などのツールは、生徒が与えられた問題に一貫して答えられない場合に教師に警告​​し、生徒が乗り越えられない障害に取り組むのを防ぎ、^[27]効果的なフィードバック^[27]と教師の介入を促進し、生徒の関与を高めます。

研究によると、学習工学は学生や教育者がコース開始前に学習計画を立てるのに役立つ可能性があることがわかりました。たとえば、カリフォルニア大学バークレー校のザック・パルドス教授は、学習工学を使用して、4年制大学に入学するコミュニティカレッジの学生のストレスを軽減しています。^[28]彼らの予測モデルはコースの説明を分析し、以前の学習の方向性に沿った移行単位やコースに関する推奨事項を提供します。^[29]

同様に、研究者ケリー・バードとベンジャミン・キャッスルマンの研究は、転校生に自動でパーソナライズされたガイダンスを提供するアルゴリズムの作成に焦点を当てています。^[30]このアルゴリズムは、コミュニティカレッジの学生の80％が4年制大学に転校するつもりであるにもかかわらず、実際に転校するのは約30％に過ぎないという調査結果に応えたものです。^{[ 31]}このような研究は、合格率の向上につながり、教育者が学生の不合格や退学を防ぐためにいつ介入すべきかを知るのに役立ちます。^{[33] [34]}

研究者や教育技術評論家は学習工学に対する批判を発表している。^{[6] [35]提起された批判には、学習工学は}学習科学の分野を誤って表現している、認知科学に基づいていると述べているにもかかわらず、実際は行動主義への回帰に似ている、などがある。学習工学は監視資本主義の一形態として存在しているとコメントする者もいる。教育システム設計などの他の分野は、学習工学が自らの分野の研究をリブランドしていると批判している。

さらに、学習工学における比喩や比喩的表現の使用について批判的な意見を述べる人もいます。多くの場合、用語や比喩は、異なる分野の専門家や学者にとって異なる意味を持ちます。ある分野で肯定的に使用されている用語が、別の分野では強い否定的な認識をもたらすこともあります。^[36]

学習エンジニアリングの学際的な性質は課題を生み出します。学習エンジニアリングが解決しようとする問題には、ソフトウェア エンジニアリング、教育設計、ドメイン知識、教育学/男性学、心理測定学、学習科学、データ サイエンス、システム エンジニアリングなど、さまざまな分野の専門知識が必要になることがよくあります。場合によっては、複数の分野の専門知識を持つ個々の学習エンジニアで十分な場合があります。ただし、学習エンジニアリングの問題は、多くの場合、1 人の人間の解決能力を超えています。

2021年に開催された30名の学習エンジニアの会議では、この分野の将来に向けた主要な課題と機会として、研究開発インフラの強化、ドメインベースの教育研究の支援、学習システム間で再利用できるコンポーネントの開発、人間とコンピュータのシステムの強化、学校でのエンジニアリングの実装の改善、アドバイスの改善、短期的ではなく長期的な最適化、21世紀のスキルの支援、学習者の関与に対する支援の改善、公平性のためのアルゴリズムの設計などが挙げられるという勧告が出されました。^[37]

• 学習科学
• 教育設計
• 適応学習
• 人間とコンピュータのインタラクション

マーク・リーバーマン。「学習エンジニアが少しずつ脚光を浴びる」。Inside Higher Education。2018 年 9 月 26 日。

サイモン・イニシアティブ

学習工学におけるイノベーションとコラボレーションのための国際コンソーシアム