Overview
内閣府BRiDGEプログラム採択テーマ（R8-01）の研究案件として、教育改善メタエージェントによる継続的授業改善の研究基盤を構築した。学習履歴・対話履歴・理解度・課題回答・教員フィードバックを統合分析し、効果の高い指導方法を抽出して現場に返す「改善提案→採用→実証→モデル更新」の研究サイクルを設計した。PL（プロジェクトリード）として3名のメンバーを率い、研究設計・データ基盤構築・KPI策定・実証フロー設計を推進した。AIが教育を代替するのではなく、授業改善の知見を蓄積し続ける研究基盤を作ることを本質的目標とした。
研究背景：教育改善ノウハウの属人化という構造問題
教育現場では学習・指導プロセスのデータが体系的に蓄積されにくく、教育改善のノウハウが属人的になりやすい。優れた教員の指導パターンは学校間・教員間で共有されず、AI導入の成否を定量的に評価する基盤も整備されていない。本研究では、教育改善メタエージェントを核に据え、個々の授業実践から知見を抽出して体系化し、AIモデル改善へ循環させる研究基盤の設計・実証を行った。
研究の本質的目標
AIが教育活動を代替するのではなく、授業改善の知見を蓄積し続ける研究基盤を作る。改善提案を現場に返し、採用率・実現率・学習成果で効果を検証し、得られた知見をAIモデルとエージェント改善へ循環させる。
研究目的と3つのKPI
理解度 +10%
学習者理解度の向上
メタエージェントの改善提案を採用した授業における学習者理解度を、介入前と比較して10%以上向上させることを定量目標として設定。
採用率 50%
教育改善提案の採用率
メタエージェントが生成した教育改善提案が教員に採用される割合を50%以上とする中間成果指標。提案の質と説明可能性を評価する代理指標でもある。
授業改善 80%
改善提案の実現率
採用された改善提案が実際の授業改善として実現された割合を80%以上とする。提案から実装までのギャップを測定し、現場実装可能性を評価する。
有害出力 1%以下
ハルシネーション率・有害回答率・指導要領不適合率
教育現場での安全性を担保するため、ハルシネーション率・有害回答率・学習指導要領不適合率をいずれも1%以下に抑えることを安全性KPIとして設定。
研究設計：データ収集から改善循環まで
| 変数 | 説明 | データ型 |
|---|---|---|
| データ収集 | 学習履歴・理解度・対話履歴・課題回答・教員フィードバック・出席データ・地方学力調査・Webデータ・人工データを収集 | 入力層 |
| アナリティクス | 教育改善メタエージェントが統合分析し、効果の高い指導方法や支援方策を抽出。提案の妥当性・採用率・説明可能性を評価 | 分析層 |
| 実証研究 | DXハイスクール等の高等学校および教育大学附属学校等の小中学校で検証。理解度向上・授業改善実現率・現場受容性を測定 | 実証層 |
| 改善循環 | 得られた知見をAIモデル・エージェント・教育方針へ反映し、次サイクルでの性能改善と安全性指標の継続的向上を図る | 循環層 |
研究サイクルの構造と進捗実績
本研究の核心は「学習/授業実践データ → ログ収集（xAPI/LRS）→ メタエージェント統合分析 → 改善提案 → 授業・AI更新 → 次サイクル再実証」という継続的改善ループにある。TAO CBTシステムを改修しログをxAPIでLRSへ蓄積する実装が進行し、探究支援AIエージェントのプロトタイプ開発・生徒指導エージェントのシステム設計も完了した。「生成AI搭載教育データダッシュボードを用いた教員研修の開発と評価」の倫理審査も承認され、可視化とAI対話分析の研究軸が確立した。
分析技術と研究インフラ
多様な教育プロセスデータ
学習履歴 / 対話履歴 / 課題回答 / 教員FB / 出席・理解度情報
教員フィードバック・出席データ・地方学力調査・Webデータ・人工データを含む包括的データ収集体制。データの網羅性・品質管理・標準化を徹底。
Learning Analytics × AI
教育データ統合 / ベンチマーク評価 / AI対話分析
Learning Analyticsと教育データ統合技術を組み合わせ、ベンチマーク評価によるモデル性能の継続的測定とAI対話分析を実施。
マルチエージェントシステム
教育改善メタエージェント + 教員/学習者支援エージェント群 + 教育特化型LLM
教育改善メタエージェントが上位構造として教員支援・学習者支援エージェントの出力を統合分析し、体系的改善提案を生成。
xAPI / LRS基盤
TAO CBT / 探究支援AIエージェント / 対話ログ
TAO CBTシステム改修によりCBTログをxAPIでLRSへ蓄積。探究支援AIエージェントの対話ログも同一LRS基盤で管理し、異種データを統合分析可能にする。
研究価値の差別化ポイント
- 1AI導入効果を体験談ではなく定量指標で追える：採用率・実現率・理解度向上という具体的KPIにより、教育AI介入の効果を客観的に測定できる研究設計。
- 2学校現場ごとの差異を越えて再利用可能な知見を蓄積できる：xAPI/LRS標準によるデータ収集と教育改善メタエージェントの分析により、校種・地域を問わず適用可能な知見を体系化。
- 3教育改善とモデル改善を一つの循環として設計している：単発の実証ではなく、知見がAIモデルとエージェント設計に継続的にフィードバックされる持続的研究サイクルを実現。
- 4社会実装後の継続改善基盤としても機能する：研究フェーズで確立したデータ収集・分析・改善循環の仕組みは、社会実装後もそのまま継続改善基盤として運用可能。
プロジェクト情報
カテゴリ
研究 / Learning Analytics / EdTech
年度
2026
分野
教育AI / マルチエージェント / データ駆動型授業改善
所属
大阪教育大学 × 内閣府BRiDGEプログラム R8-01
技術スタック
キーワード
ハイライト
- ✓教育改善メタエージェントを核とした「改善提案→採用→実証→モデル更新」の継続的研究サイクルの設計
- ✓理解度+10%・採用率50%・授業改善実現率80%・有害出力1%以下という具体的KPI体系の策定
- ✓TAO CBT改修・探究支援AIエージェント開発・対話ログxAPI蓄積という実装レベルの進捗
- ✓「生成AI搭載教育データダッシュボードを用いた教員研修の開発と評価」の倫理審査承認
- ✓単発機能開発ではなく継続的学習ループを設計した差別化された研究設計
- ✓校種・地域を問わず再利用可能な知見体系化と社会実装後の継続改善基盤としての双方向設計