プログラミング教育論文解説

説明可能なAIがプログラミング教育にもたらす効果：学習と対話パターンからの考察

2026-09-27 ✍️ ADVANCE 講師 ⏱️ 約8分で読めます

📌 この記事の結論

説明可能なAI（XAI）は、学習者のエンゲージメントと概念的理解を向上させる。
XAIの利用は、学習者の「なぜ？」を問う推論志向の対話パターンを促進する。
高い感情ストレスを感じている学習者でも、XAIは学習への集中（エンゲージメント）を維持するのに役立つ可能性がある。
AIが単に答えを出すだけでなく、その「考え方」を示すことで、学習はより深まる。

1. 説明可能なAI（XAI）が教育現場に求められる理由

人工知能（AI）は、現代の学習環境に急速に浸透し、フィードバック生成、個別指導、問題解決支援など、様々な学習活動をサポートしています。しかし、AIが教師のような役割を担うにつれて、その透明性、信頼性、そして教育的な信頼性に対する懸念も増しています。

このような懸念に応える形で注目されているのが、説明可能なAI（XAI）です。XAIは、AIの出力結果を人間が理解できるようにすることで、より情報に基づいたユーザーとの相互作用を支援することを目的としています。教育現場では、説明は学習者が「なぜ」その答えが正しいのかを理解するのに役立ち、より深い学習を促進すると期待されています。

特に重要なのは、概念的理解の促進です。AI主導の学習環境では、学習者が自動化されたガイダンスを使ってタスクを成功させても、その背後にある概念の意味のあるメンタルモデルを構築できない場合があります。これは、表面的な成果にとどまり、真の理解を妨げるリスクがあります。

本記事では、このXAIがプログラミング教育において学習者の行動や理解にどのように影響するかを探った研究論文を解説します。AIが単に答えを提供するだけでなく、「なぜ」そうなるのかを説明することが、学習プロセスにどのような変化をもたらすのか、具体的な研究結果から見ていきましょう。

2. 紹介する論文の概要

📄 論文情報

タイトル	Explainable AI as an Interactional Resource: From Learning and Dialogue Patterns in Programming Education
著者	Tianyi Chen1
掲載誌	HAI-Agency: Workshop on Orchestrating Human and AI Agency for Proactive and Reflective Learning, co-located with the 27th International Conference on Artificial Intelligence in Education (AIED 2026), Seoul, Korea, June 27 - July 3, 2026.
研究対象	大学生（18-25歳）72名
研究期間	3週間にわたる短期的なRプログラミング学習モジュール

研究の目的

この研究は、AIが生成する説明が学習者のエンゲージメントと概念的理解にどのように影響するかを、実際の教室環境での調査を通して明らかにすることを目的としています。特に、既存の研究がXAIの効果を主にパフォーマンスやユーザビリティで評価しているのに対し、本研究は学習者が説明にどのように能動的に関わるかという「相互作用」の側面に焦点を当てています。

また、感情的ストレスが説明付き学習中のエンゲージメント行動にどのような影響を与えるかについても探求しています。

研究の方法

研究は混合研究法を用いたランダム化比較デザインで実施されました。具体的には、以下の3つの学習条件を比較しました。

対照群：AIサポートなしで学習（チャット機能で講師や仲間と交流）
非説明型AI群：AIが直接的な回答のみを提供し、推論過程は見えない状態
説明可能なAI（XAI）群：AIが構造化されたステップバイステップの推論を含む回答を提供

参加者はRプログラミングの入門モジュールを3週間、各30分のセッションで学習しました。学習者のエンゲージメント（行動的・自己報告）、概念的理解、感情的ストレス（Perceived Stress Scale: PSS）を測定し、学習者とAIの対話は、教育的対話分析ツールキット（T-SEDA）を応用して分析されました。T-SEDAでは、対話のターンが「明確化」「説明」「推論」「関連付け」「振り返り」といったカテゴリーにコード化されました。

3. 研究結果のポイント3つ

この研究の予備的な知見は、説明可能なAI（XAI）が学習効果と学習者の行動にポジティブな影響を与える可能性を示唆しています。特に重要なポイントは以下の3つです。

✅ ポイント1：XAIは学習者のエンゲージメントと概念的理解を向上させる

XAI群の学習者は、対照群と比較して有意に高いエンゲージメントとより大きな概念的理解の向上を示しました。一方、非説明型AI群（直接的な答えのみを提供するAI）では、対照群との間に有意な差は見られませんでした。

この結果は、単にAIから答えを得るだけでなく、AIが「なぜ」その答えに至ったのかをステップバイステップで説明することが、学習者のより深い思考と学習意欲を引き出す上で重要であることを示唆しています。プログラミングのような構造化された領域では、正しい答えを出すだけでなく、その背後にあるロジックを理解することが概念的理解に不可欠です。

✅ ポイント2：感情ストレスが高い学習者でもXAIはエンゲージメント維持に貢献する可能性

感情ストレスがエンゲージメントに与える影響を分析したところ、ストレスレベルが高い学習者でも、XAIとの相互作用を通じてエンゲージメントを維持する傾向が見られました（統計的に有意な差は示されなかったものの、その傾向が示唆されました）。

プログラミング学習では、予期せぬエラーや課題に直面した際に混乱や認知負荷が増大し、ストレスを感じやすいものです。XAIが明確な推論過程を示すことで、学習者は不確実性を減らし、課題に取り組む際の明確性を高めることができます。これにより、困難な状況でも学習から離脱することなく、課題を乗り越えようと粘り強く取り組むことができると考えられます。

✅ ポイント3：XAIは学習者の推論志向の対話パターンを促進する

学習者とAIの対話パターンを分析したところ、XAI群の学習者はより推論志向の対話（例：「もしAをBに変換したら、mean()が動くはず、なぜなら入力タイプが関数が期待するものと一致するから」）を行う傾向がありました。一方、非説明型AI群では、対話は主に明確化に焦点を当てたもの（例：「エラー『オブジェクトが見つかりません』は何を意味しますか？」）にとどまることが多かったとされています。

これは、XAIが単なる情報提供源ではなく、学習者が自ら解釈し、探求するためのリソースとして機能していることを示しています。AIが思考のプロセスを示すことで、学習者はそれを参考に、自身の問題解決の思考過程を深め、より高度な質問や推論へと発展させることができるのです。

4. ADVANCEの現場から見た実感

堺市南区のプログラミングスクールADVANCEで実際にプログラミングを教えている講師としての意見は以下の三つです

🎮 現場で感じる3つの変化

プログラミングの概念理解が深まる

本研究の指摘と同様に、子どもたちが「なぜ動かないのか」「どうしてこのブロックを使うとこうなるのか」といった疑問に対して、具体的なステップで説明されることで、エラー解決だけでなく、その背後にあるプログラミングのロジックや概念をより深く理解していると感じます。例えば、Scratchのブロックの繋がりや、Roblox Studio (Lua)での変数や関数の働きについて、単に「こうすれば動くよ」と教えるよりも、「この変数は、プレイヤーのスコアを保存するために使われていて、スコアが増えるたびにこの処理が動くんだ」と理由を添えることで、次に自分でプログラムを組む際の応用力が向上します。

難しい課題での粘り強さ向上

特にUnity (C#)やPythonのような複雑なプログラミング言語では、小さなエラー一つでプログラムが全く動かなくなり、子どもたちはすぐに挫折を感じやすいです。しかし、AIが「このエラーはセミコロンが不足している可能性が高いです。なぜなら、C#では各命令の終わりにセミコロンが必要です」のように、具体的な原因と解決策をステップで示すことで、子どもたちは「あ、ここを直せばいいんだ！」と理解し、諦めずに問題に取り組むモチベーションを維持できます。これは、本研究で示唆された「感情ストレス下でのエンゲージメント維持」に通じるものがあります。

質問の質が向上する

AIが推論過程を示すことで、子どもたちの質問の仕方も変化します。以前は「これ、どうすればいいの？」といった漠然とした質問が多かったのですが、XAIとの対話を通して「このJavaScriptのコードで、この変数が『undefined』になるのは、非同期処理の完了を待っていないからでしょうか？もしそうなら、Promiseを使えば解決できますか？」のように、より深い思考を伴う、仮説に基づいた質問が増えてきます。これは、AIが思考のリソースを提供することで、子どもたち自身が「考える力」を養っている証拠だと感じています。

AIの活用は、単に効率化だけでなく、子どもたちの思考力や問題解決能力を根本から育む可能性を秘めていると、ADVANCEの講師陣は強く実感しています。特にプログラミング学習のように論理的思考が求められる分野では、AIによる「なぜ」の説明が学習効果を大きく左右すると言えるでしょう。

5. 保護者の方へ：家庭でできること

今回の研究結果から、AIを活用した学習において、特に保護者の方が家庭でお子さんの学習をサポートする上で役立つヒントがいくつか見えてきます。

🏠

「なぜそうなるの？」を大切にする

お子さんが何かを学んだり、作品を作ったりした時に、結果だけでなく「どうしてこうなったの？」「なんでこの方法を選んだの？」と過程や理由を尋ねる習慣をつけましょう。これにより、お子さんは自分の考えを言語化し、概念的な理解を深めることができます。

📅

困難な時に寄り添い、質問を促す

お子さんがプログラミングなどで課題に直面し、行き詰まっているように見えたら、すぐに答えを与えるのではなく、「どこで詰まっているの？」「どうしてそう思ったの？」と質問を促してみてください。AIが説明するように、具体的なヒントを見つけ出す手助けをすることで、お子さんの問題解決能力と粘り強さを育むことができます。

👏

試行錯誤のプロセスを褒める

成功だけでなく、失敗から学んだ過程や、粘り強く試行錯誤した努力を積極的に褒めましょう。これにより、お子さんは「間違えても大丈夫」「考えることが楽しい」というポジティブな学習態度を身につけ、感情ストレスに強い学習者へと成長していきます。

🎮 ADVANCEで一緒にプログラミングを始めませんか？

堺市南区のプログラミングスクールADVANCEでは、Scratchからはじめて、Roblox、Unity(C#)まで段階的に学べます。

研究で効果が実証されたプログラミング教育を、ゲーム制作を通じて楽しく体験できます。

🕹️ ▶ ぼうけんをはじめる無料体験会に申し込む！ 🎮

6. 参考文献

W. Holmes, M. Bialik, C. Fadel, Artificial Intelligence in Education: Promises and Implications for Teaching and Learning, Center for Curriculum Redesign, Boston, 2019.
K. VanLehn, The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems, Educational Psychologist 46 (2011) 197–221. doi:10.1080/00461520.2011.611369.
A. Adadi, M. Berrada, Peeking inside the black-box: A survey on explainable artificial intelligence (xai), IEEE Access 6 (2018) 52138–52160. doi:10.1109/ACCESS.2018.2870052.
T. Miller, Explanation in artificial intelligence: Insights from the social sciences, Artificial Intelligence 267 (2019) 1–38. doi:10.1016/j.artint.2018.07.007.
M. T. H. Chi, Two kinds and four sub-types of misconceived knowledge, ways to change it, and the learning outcomes, in: S. Vosniadou (Ed.), International Handbook of Research on Conceptual Change, Routledge, New York, 2013, pp. 61–82.
L. Rozenblit, F. Keil, The misunderstood limits of folk science: An illusion of explanatory depth, Cognitive Science 26 (2002) 521–562. doi:10.1207/s15516709cog2605_1.
A. Bussone, S. Stumpf, D. O’Sullivan, The role of explanations on trust and reliance in clinical decision support systems, in: Proceedings of the IEEE International Conference on Healthcare Informatics (ICHI), IEEE, New York, 2015, pp. 160–169. doi:10.1109/ICHI.2015.26.
R. Wegerif, Dialogic Education and Technology: Expanding the Space of Learning, Springer, New York, 2007.
S. Hennessy, C. Howe, N. Mercer, M. Vrikki, A dialogic inquiry approach to working with teachers in developing classroom dialogue, Research Papers in Education 35 (2020) 1–25. doi:10.1080/02671522.2019.1677752.
M. T. H. Chi, R. Wylie, The icap framework: Linking cognitive engagement to active learning outcomes, Educational Psychologist 49 (2014) 219–243. doi:10.1080/00461520.2014.965823.
R. Pekrun, Emotions as drivers of learning and cognitive development, in: R. Pekrun, L. Linnenbrink-Garcia (Eds.), International Handbook of Emotions in Education, Routledge, New York, 2014, pp. 23–39.
J. Sweller, P. Ayres, S. Kalyuga, Cognitive Load Theory, Springer, New York, 2011. doi:10.1007/978-1-4419-8126-4.
A. Robins, J. Rountree, N. Rountree, Learning and teaching programming: A review and discussion, Computer Science Education 13 (2003) 137–172. doi:10.1076/csed.13.2.137.14200.

メニュー