1 大学生の学習における生成系AI活用方法と今後の課題点 乗添 凌太郎 iQ Lab リサーチマネージャー／九州大学共創学部 ウン クアン イー iQ Lab エンジニア／九州大学システム情報科学府 情報理工学専攻 サイバーフィジカル・コンピューティング研究室 池田 悠登 iQ Labエンジニア／九州大学工学部電気情報工学科 人工知能＆情報セキュリティ研究室

2 九州大学の教育における 生成AIの利活用に関する基本姿勢

九州大学は生成系 AI の活用に前向きで、学生にはその特徴を理解し、積極的に使ってほしい 3 九州大学の教育における生成AIの利活用に関する基本姿勢（令和５年８月２３日） https://mirai.kyushu-u.ac.jp/topics/1463/ ただし ● 機密情報、著作権、利用許可、ファクトチェックなどを注意しながら使う ● 学びを深めることに繋がらないので、生成系 AI の出力を鵜呑みにするような使い方は避ける

4 九大生のAI利用意識 アンケート調査

5 大学生のAI利用意識 生成系AIへの期待(n=584) 対象:九州大学学生, 2023年4月 , 有効回答数584, iQ Lab

6 大学生のAI利用意識 AI活用への抵抗感(n=584) 対象:九州大学学生, 2023年4月 , 有効回答数584, iQ Lab

7 大学生の生成系AI利用実態 生成系AIの利用経験 (n=584) 対象:九州大学学生, 2023年4月 , 有効回答数584, iQ Lab

8 学びにおいて生成系 AI の出力を そのまま使わない活用方法 インタビュー調査

出力をそのまま使わない活用方法の特徴 9 コパイロット 利用者 役割分担 自分にできることと、生成系 AI にできることを理解した上で役割分担 利用者が考えないと、質の高い出力が得られない

紹介する事例 10 学習の 2 つのフェーズ アウトプット インプット 深ぼるためのキーワードの抽出 論文執筆のアシスタント

活用方法 1：深ぼるためのキーワードの抽出 11 ● 新しい概念に出会ったときに、自分が何を分かっていないか分からない ● 検索したくても、何の言葉で検索したらいいか分からない ● 参考書は分厚いから、ハードルが高い ● ChatGPT をはじめとする文字生成 AI の出力は、必ずしも正しいとは限らない ● 細かくファクトチェックするよりも、正確な情報を AI 以外の方法で手に入れた方が手間が少ない ● 要約能力が高い 生成系 AI の特徴 新しいことを学ぶ際の課題点 ● 正確な情報にたどり着くための「キーワード」を集めて、大まかな概要を把握する [出典] 生成系 AI の活用方法

活用方法 1：深ぼるためのキーワードの抽出 12 難易度ごとのキーワード抽出 正確な情報の入手 Google 検索 論文 参考書 フィールドワーク オンラインコース 難易度 小学生 中学生 高校生 大学生 専門家 キーワード 1 キーワード 2 キーワード 3 キーワード 4 キーワード 5 新しい概念

深ぼるためのキーワードの抽出の例：「ラーニングアナリティクス」とは？　小学生へ 13 ラーニングアナリティクスはなんですか？小学生でも分かるように説明してください。 ラーニングアナリティクスは、学びのプロセスをよりよく理解するための手法の一つです。 学校でテストを受けると、その結果を使って「この部分は得意だけど、この部分はもう少し勉強が必要だな」と自分の学びの強みや弱みを知る ことができますよね。ラーニングアナリティクスも似たようなものです。 例えば、オンラインの勉強アプリを使って学習するとき、どの問題にどれくらいの時間をかけたか、どの問題が難しかったか、何回間違えたか などのデータが自動的に記録されます。ラーニングアナリティクスは、そのようなデータを集めて、分析することで、もっと効果的に学べる方 法や、どの部分に注意が必要かを見つける手助けをします。 つまり、ラーニングアナリティクスは「学びの情報」を集めて、それを使って学ぶことをもっと良くするための道具の一つと言えます。 新しいキーワード：学びのプロセス、学びの強みと弱み

深ぼるためのキーワードの抽出の例：「ラーニングアナリティクス」とは？　中学生へ 14 ラーニングアナリティクスはなんですか？中学生でも分かるように説明してください。 ラーニングアナリティクスは、学ぶことに関するデータを収集、解析し、学びの質を高めるためのツールや方法です。 あなたがオンラインで勉強するとき、どのページをどれくらいの時間見ていたか、どの問題を何回解いたか、どこで間違えたかなど、色々な情 報がコンピュータに記録されています。ラーニングアナリティクスは、そのような情報を集めて、それを分析してみることで、学習の進行具合 や弱点などを明らかにします。 たとえば、ある章のテストで点数が低かった場合、ラーニングアナリティクスを使うと、どの部分が特に難しかったのか、どこで多くの時間を 使っていたのかなどの情報が分かります。そうすることで、次回の学習や復習時にどの部分に重点を置くべきかが明確になります。 要するに、ラーニングアナリティクスは、私たちがより効率的に、そして効果的に学ぶための手助けをするツールです。 新しいキーワード：学びの質、学びの進行具合、学びの支援

深ぼるためのキーワードの抽出の例：「ラーニングアナリティクス」とは？　高校生へ 15 ラーニングアナリティクスはなんですか？高校生に説明する内容でお願いします。 ラーニングアナリティクスは、教育や学習の状況に関するデータを収集、解析し、その情報を活用して学びを最適化するための研究や手法のこ とを指します。 学習やテストの成果をより高めるためには、自分の強みや弱点を知ることが大切です。オンライン学習プラットフォームや学習管理システムを 利用すると、あなたがどの内容にどれだけの時間をかけたのか、どのトピックや問題でつまづいているのかなど、さまざまなデータが自動的に 記録されます。 ラーニングアナリティクスは、これらのデータを集め、詳しく分析することで、学びのプロセスや成果に関する深い洞察を得ることができま す。例えば、一つの難しいトピックに対して平均以上の時間を費やしている場合、それはそのトピックが特に理解しにくい、またはその学習方 法が効果的でない可能性があります。 このような情報を持っていることで、先生や教育者はより効果的な指導方法を考えたり、あなた自身も自分の学習方法や計画を見直すヒントを 得ることができます。ラーニングアナリティクスは、データを元に、より賢く、効果的に学ぶための戦略を策定するのに役立つツールです。 新しいキーワード：学びの最適化、指導方法、学習方法・計画

深ぼるためのキーワードの抽出の例：「ラーニングアナリティクス」とは？　大学生へ 16 ラーニングアナリティクスはなんですか？大学生に説明する内容でお願いします。 ラーニングアナリティクスは、教育領域におけるビッグデータの応用とも言えます。学習に関するデータ（例：学習者のオンライン行動、テス トの成績、参加度、フィードバックなど）を収集、解析し、学習体験の最適化や学習支援、そして教育政策の策定に役立てるための一連の手法 と理論です。 大学では多くの授業がオンライン化され、学習者の行動やパフォーマンスに関するデータが大量に蓄積されています。ラーニングアナリティク スは、このデータを活用して、学習者一人ひとりのニーズに合わせたカスタマイズされた学習経験の提供や、学習の予測、リスクの識別などに 用いられます。 たとえば、学習管理システム内での学生の活動データを分析することで、どの学生が授業についてきているか、誰が離脱のリスクがあるかを早 期に把握し、適切な支援を提供することが可能となります。 また、大学の研究や教育改革にも役立ちます。ラーニングアナリティクスの手法を利用することで、授業のカリキュラムや教材、教授法の効果 を定量的に評価することができ、より質の高い教育の提供を目指すことが可能となります。 今後、教育テクノロジーの進化とともに、ラーニングアナリティクスの役割はさらに大きくなると予測されています。大学生としては、この領 域の研究やビジネスのチャンスとしての可能性も秘めていますので、興味を持って深く学んでみる価値があります。 新しいキーワード：ビッグデータ、一人ひとりに合わせたカスタマイズ、教育政策の策定

深ぼるためのキーワードの抽出の例：「ラーニングアナリティクス」とは？　専門家へ 17 ラーニングアナリティクスはなんですか？専門家に説明する内容でお願いします。 ラーニングアナリティクスは、教育データマイニングや教育データサイエンスの一部として、学習プロセスや成果を最適化するためのデータ駆 動型の手法を探求しています。この領域では、統計学、機械学習、情報視覚化技術を駆使して、学習者の行動やパフォーマンス、そして学習環 境のデータを収集・解析します。 主な応用例としては: 1. 個別化学習の提供: 学習者の過去のデータや現在の行動をもとに、カスタマイズされた学習リソースやフィードバックを提供する。 2. 早期警告システム: 学習者の離脱や学習の停滞を予測し、早期の介入を可能とする。 3. カリキュラムの最適化: 学習データを解析して、教材や教授法の効果を評価し、改善する。 最近のトレンドとして、実世界のクラスルーム環境やオフラインの学習活動との連携、複数のデータソースを統合したホリスティックな分析、 及びエシカルな側面（データのプライバシーや偏見の問題など）に関する検討が盛んに行われています。 専門家としての課題や注意点としては、データの質や収集方法の検討、解析手法の適切さ、そして得られた洞察の教育現場での適用や解釈の精 度など、綿密な考慮が求められます。これらの点を意識しつつ、ラーニングアナリティクスの持つポテンシャルを最大限に引き出す方法を模索 することが、今後の主要なテーマとなるでしょう。 新しいキーワード：統計学、機械学習、情報視覚化技術、行動データ、環境データ

活用方法 2：論文執筆のアシスタント 18 ● 白紙状態からアウトプットすることは難しい ● 文法が正しいかどうか分からない ● 適切な伝え方・表現が分からない ● ChatGPT をはじめとする文字生成 AI の出力は、必ずしも正しいとは限らない ● 出力をそのまま使わない 生成系 AI の特徴 論文を書く際の課題点 生成系 AI の活用方法 ● 壁打ち相手になってもらって、自分の思考を整理する ● 白紙状態からスタートしなくてもよいように、叩き台を作ってもらう

活用方法 2：論文執筆のアシスタント 19 考えて指摘する 指摘されて考える 考えてコメント 修正 考えて修正 フィードバック

論文執筆アシスタントの例：叩き台を作ってもらう 20 Thank you for the feedbacks. Can you help me to write a draft based on the outline I provided? ` ` ` ## Background & Motivation - ( 略 ) ## Research Problem & Hypothesis - ( 略 ) ## Approach - ( 略 ) ## Results - ( 略 ) ` ` ` ( タイトル ) ### Background The urgency to run computations on supercomputers is magnifying, not just for scientific endeavors but also for executing artificial intelligence applications. Yet, as we enhance computing capabilities, the shadow of carbon emissions grows larger. Given the scale and power consumption of supercomputers, these emissions are substantial. ### Motivation Sustainable development in the supercomputer sector demands three criteria: the continuous fulfillment of rising computational needs, adherence to power constraints, and minimization of the carbon footprint. The prevailing model, where supercomputers operate with a constant peak performance over 5-10 years, can be re-envisioned. Performance improvements often rely on more energy-efficient hardware, indicating a more frequent upgrade could unlock better efficiency and greater performance. ( 略 ) 本文に含めたい内容は自分が書く 箇条書きを文章化してもらう

### Motivation ( 略 ) Interestingly, while hardware upgrades are recognized as a strategy for improving performance and energy efficiency in large-scale systems, the effects of these upgrades on supercomputers, especially concerning their carbon footprint, remain under-explored in existing literature. This gap in knowledge motivates our exploration in this work. ( 略 ) 論文執筆アシスタントの例：考えて指摘する 21 In the Motivation section, I would like to add another point mentioning that ` the effect of hardware upgrades on supercomputer systems are not well known from existing literature, that's why we look into in this work` . How should I mention this point? For the Discussion section, I would like to first discuss the limitation (only considered compute node carbon footprint). Then, say that 'nevertheless, more study in the relationship between hardware upgrades and carbon footprint might possibly help us develop a more flexible hardware upgrade policy such that the system can better adapt to changing performance requirements'. ### Discussion Limitation: A prominent limitation of this study is its focus solely on the carbon footprint of the compute nodes. ( 略 ) Potential: Nevertheless, understanding the intricate relationship between hardware upgrades and carbon footprint, as presented in our research, offers a promising avenue. As we continue to delve deeper into this relationship, there's a potential to develop a more flexible hardware upgrade policy. ( 略 ) 追加したい点を伝えて書いてもらう 文章の順番を変えてもらう

22 Thanks! This is what I wrote: ``` Background ( 下書きを元に書き直した内容 ) Motivation ( 下書きを元に書き直した内容 ) Research Problem ( 下書きを元に書き直した内容 ) Approach ( 下書きを元に書き直した内容 ) Results ( 下書きを元に書き直した内容 ) ``` Please provide any critical feedbacks after reading through it. Your revised sections are well-detailed and provide a comprehensive look into the study's focus, background, motivation, approach, results, and discussion. The flow of the content is coherent, and it transitions logically from one section to the next. The arguments and findings presented are also clear and informative. However, I'll provide a few suggestions to further refine your text: 1. Background: - ( フィードバック ) 2. Motivation: - ( フィードバック ) 3. Approach: - ( フィードバック ) 4. Results: - ( フィードバック ) Overall, these are minor refinements to enhance clarity and readability. Your sections are already well-structured and thorough! 論文執筆アシスタントの例：指摘されて考える 
 ユーザーを褒める傾向があるので、 ネガティブなフィードバックだけを読む 書き直してからフィードバックをもらう

出力をそのまま使わない活用方法の特徴（再掲） 23 コパイロット 利用者 役割分担 自分にできることと、生成系 AI にできることを理解した上で役割分担 利用者が考えないと、質の高い出力が得られない

生成系 AI 活用を広めるための課題 24 学生の声

25 生成系 AI の活用を広める必要性 周囲の環境や人の影響 生成系 AI の活用 授業で分からない項目があっても、先生や友人に聞けず に、授業の進行度合いからおいて行かれてしまう大学生 は一定数存在。周囲の環境や人間関係に学業や研究が大 きく左右されてしまい、学業の面で孤独な状態になって しまう大学生も多い。 研究で分からないとこあるけど、 先生や友人には聞きにくい 本当は嫌だけど諦めよう 生成系 AI をコパイロットとして活用できるか否かで 学びの質と量の差が生まれてしまう 周囲の環境や人間関係に学業が影響を受けていたが、生 成系AIを使いこなせば、一人でも勉強や研究を進められ るようになる。その反面、活用できる人とできない人の 間で、インプットとアウトプットの進行度合いに大きな 差が生まれてしまう恐れがある。 みんなはどうやっているんだろう？ なんでそんなにスムーズに インプット・アウトプットできるの？ 今まで これから

生成系 AI を活用できるようになるまで（仮説） 26 生成系 AI に対する理解 ※ 周りからの影響を受けることもある 使える場面に 気づく 使ってみる 別の活用方法に気づく やってみようと思う サービス料金

課題 1：生成系 AI に対する理解 27 活用できる場面に気づいていないか、活用方法が分からないのではないか ● アンケート調査で「触れたことはあるが活用したことがない」の回答した学生が 36% もいた 生成系 AI に対する理解が不足していることによる誤った使い方 ● 例. レポート作成に ChatGPT の利用禁止ルールによって、発生した誤った ChatGPT の使い方 ○ 誤った理解：ChatGPT でレポートの作成者を正しく確認できる ○ 教員：「レポートを ChatGPT で作成していないかを ChatGPT に確認する」のルールを設ける ■ “万能” な ChatGPT を使ってレポートを作成したら、学生が学習・思考する能力を失うのでは ないか ○ 学生：自身のレポートを ChatGPT に入力して「ChatGPT で作成されていないか」を確認する ■ たとえ自力でレポートを書いたとしても、万が一「ChatGPT で作成された」と判断されて、 悪く評価されることを避けたい ● 誤った理解・使い方が広まるリスクもある

課題 2：高額のサービス利用料金 28 一部の生成系 AI サービスを利用するためには、高額な利用料金がかかる ● 例. 文章生成 AI：ChatGPT (GPT-4) は月 3,000円程度 ● 例. 画像生成 AI：Midjourney は月 4,500円程度 有料サービスが使えた方が、活用の幅が広がる ● 文章生成 ○ ChatGPT は GPT-3.5 よりも GPT-4 のほうが性能が高い ■ 例. 壁打ち相手としても、知識の要約をする相手としても GPT-4 のほうが正確な答えを出す ■ 例. GPT-4 のプログラム入力・実行機能 Code Interpreter や他サービスとの連携プラグイン ● 画像生成

生成系 AI 活用を広めるための課題を解決するのに... 29 生成系AIを意欲的に活用したくても、 金銭的課題で活用できない学生がいる。 学割など金銭面での援助が必要？ 正しい理解、使う場面、使い方、 一つでも欠けたら、活用に繋がらない。 生成系 AI を取り入れたワークショップ （例、文献の調べ方、レポートの書き方）を 開催し、学生・教員が一緒に理解し、 活用方法を模索することが必要？ 生成系 AI に対する理解 ※ 周りからの影響を受けることもある 使える場面に 気づく 使ってみる 別の活用方法に気づく やってみようと思う サービス料金

30 まとめ 生成系 AI は学びのコパイロットとして、大きな可能性を持っている 今後は「生成系 AI を活用できているか」で学びの差が生まれることが課題 生成系 AI の利活用を広めるのに、正しい理解（と援助）が重要

31 iceberg 次世代メインストリーム白書 HP : https://imago.co.jp/ email : norizoe@imago.mobi 次世代メインストリーム白書はiQ Labが行う若者世代の調査分析プロジェクトです。若者世代の本音や価値観を正しく把握することは今後の社会のトレンドや、社会 課題の解決、新たなサービス開発に必要不可欠であり、「バズワードよりサイレントマジョリティの本音」をテーマに掲げ、通常の調査では見えてこないサイレント マジョリティの本音を探求しています。 調査の実施元であるiQ Labは九州大学に拠点を構え、九州大学学生を中心に構成されています。icebergプロジェクトの他にもキャンパスDXプロジェクトや、九州大学 との共同研究、九大のキャンパスを使った実証実験の運営など幅広く業務を行っております。