「アダプティブ」が本当に意味すること（そしてたいてい意味しないこと）

「アダプティブラーニング」はエドテックで最も濂用されている用語の一つです。どのアプリもそう謳います。そのほとんどが意味するのは「正答数に応じて問題の難易度を調整する」ということです。3問正解したら難しくする。2問間違えたら簡単にする。おめでとう、サーモスタットを再発明しただけです。

本物のアダプティブラーニングには3つの明確なレベルがあります。レベル1：コンテンツ適応 ― すでに知っていることに基づいて表示する教材を調整する。レベル2：難易度適応 ― 現在の能力に合わせてチャレンジレベルを調整する。レベル3：パス適応 ― 特定の弱点と強みに基づいて学習シーケンス全体を再構成する。

ほとんどのアプリはレベル2で止まります。開始前に何を知っているか診断しません。予想外の弱点が明らかになっても学習パスを再構成しません。単に難易度のダイヤルを上下するだけです。

2シグマのベンチマーク

1984年、Benjamin Bloomは教育研究に衝撃を与える論文を発表しました。1対1の個別指導を受けた学生は、従来の教室の学生よりも標準偏差2つ分優れた成績を収めたのです。つまり、個別指導を受けた平均的な学生が、教室の学生の98％を上回ったということです。

Bloomはこれを「2シグマ問題」と呼びました：個別指導レベルの結果を教室規模でどう届けるか？40年以上経った今でも、完全には解決されていません。しかし、個別指導がなぜ効果的なのかは分かっています：チューターは常に理解度を評価し、個人に合わせて説明を適応させ、理解が確認されるまで先に進まず、学習者の状態に応じてペースを調整するのです。

それが本物のアダプティブラーニングの設計図です。「うまくいっているときに問題を難しくする」のではなく、診断し、個別化し、検証し、分岐する。それが本質です。

まず診断、それから教える

毎回ゼロから第1章を教え始める家庭教師を雇ったと想像してください。毎回です。たとぃ3ヶ月その科目を勉強していても。それはばかげています。しかし、ほとんどの学習アプリがまさにそれをやっているのです。

本物のアダプティブラーニングは診断から始まります。教育が始まる前に、システムがあなたがすでに知っていること、部分的に理解していること、そして本当の弱点がどこにあるかを把握します。その上で、弱点に焦点を当てたパスを構築するのです。

これは単なる時間の節約だけではありません（ただしそれもそうです ― 既知の教材をスキップするだけで学習時間を30～50％削減できます）。より良い教育手法でもあります。学習者がすでに知っていることから出発し、そこから外側に広げていく ― これがVygotskyの最近接発達領域の仕組みです。すでに習得した教材を繰り返すのではなく、現在の理解の少し先で学ぶときに、最も効果的に学習できるのです。

仮定ではなく、検証する

ほとんどの「アダプティブ」アプリの2つ目の失敗：コンテンツを見せたら学んだと仮定することです。レッスンを読んだ？チェック。動画を見た？チェック。次へ進みましょう。

本物のアダプティブシステムは、先に進む前に理解を検証します。「理解しましたか？はい／いいえ」ボタンではなく（人は必ず「はい」を押します）、概念を認識できるだけでなく実際に応用できるかをテストする本物の理解確認問題で検証します。

そして検証が失敗したとき ― 明らかに理解できていないとき ― システムは同じ説明を繰り返すだけではありません。分岐します。別の角度から試みます。概念をより小さな部分に分解します。抽象的な例ではなく具体的な例を提供します。これは人間のチューターが本能的に行うことであり、本物のアダプティブシステムが設計によって実現することです。

エネルギーレベルへの対応はオプションではない

脳は1日を通じて一定のパフォーマンスを発揮するわけではありません。概日リズムと認知パフォーマンスに関する研究 ― Schmidtらの2007年の時刻効果に関する研究など ― によれば、分析的推論、ワーキングメモリ、学習能力は、いつ勉強するか、どれだけ休息を取れているかによって20～30％変動します。

笫れた状態で複雑な新しい教材を勉強することは、捌挖した足首でダッシュをするようなものです。できなくはない。ただ、ひどいパフォーマンスになり、怪我（この場合はフラストレーションと挑折）のリスクが高まります。

エネルギー状態を無視するアダプティブラーニングは、巨大な変数を制御しないままにしています。エネルギーが高いときは、新しい概念、複雑な推論、難しいクイズに取り組む。エネルギーが低いときは、馴染みのある教材の復習、具体例での学習、すでに学び始めた内容の定着を行う。

Oivallaはこれら3つのレベルの適応を一つのフローに統合しています。教える前に診断する。すべてのノードで本物のクイズを通じて理解を検証する。つまずいたら分岐する。そしてエネルギーレベルを確認し、それに応じてコンテンツの複雑さを調整する。これはマーケティングの機能一覧ではありません ― Bloomの研究が実際に効果があると示したことの最小限の実装です。