1. 序論

ChatGPTの前例のない人気は、個人が教育目的でテクノロジーと対話する方法におけるパラダイムシフトを示している。本稿は、外国語としての英語（EFL）を学ぶ中等教育生徒におけるプロンプトエンジニアリングという新興スキルを調査する。ChatGPTのような大規模言語モデル（LLM）はライティング能力の発達を支援する多大な可能性を提供するが、その有効性はユーザーが正確で効果的な指示を構築する能力に依存する。本研究は、初心者ユーザーのリアルタイムの試行錯誤のプロセスを捉え、特定のライティング課題を完了するための彼らのプロンプトの内容、質、進化を分析する。調査結果は明確な行動経路を明らかにし、生徒を非効率な実験からAIとの戦略的協働へと導くために、EFLカリキュラム内での体系的なプロンプトエンジニアリング教育の緊急の必要性を強調する。

2. 文献レビューと背景

2.1 SOTAチャットボットの台頭

ChatGPTに代表される最先端（SOTA）の生成AIチャットボットは、ルールベースの前身からの飛躍的進歩を体現している。膨大なコーパスで訓練されたニューラルネットワーク言語モデルによって駆動され、確率的予測に基づいて人間のようなテキストを生成し、より柔軟で文脈を考慮した対話を可能にする（Caldarini et al., 2022）。「ChatGPT」は、このクラスのAIの総称としてますます使用され、新たな性能基準を設定している。

2.2 重要なスキルとしてのプロンプトエンジニアリング

プロンプトエンジニアリングは、LLMを望ましい出力へと導くための入力を設計する技術と科学である。これは単なる技術的スキルではなく、計算論的思考とメタ言語的意識の一形態である。効果的なプロンプトは、明確さ、文脈、制約、例（Few-Shot Learning）をしばしば必要とする。非技術系ユーザーにとって、これは反復的な推測によって特徴づけられることが多い、大きな学習曲線を提示する。

2.3 EFL教育におけるAI

言語学習におけるAIに関する研究は、自動作文評価（AWE）やインテリジェントチュータリングシステムに焦点を当ててきた。SOTAチャットボットの対話的で生成的な性質は、学習者の役割をフィードバックの受け手から認知ツールの指揮者へとシフトさせる新たな力学を導入する。これは、伝統的なライティングスキルとAI対話戦略を融合させる新たなリテラシーを必要とする。

3. 方法論

3.1 参加者とデータ収集

本研究は、SOTAチャットボットを使用した経験のない香港の中等教育EFL生徒を対象とした。参加者は、ChatGPTを使用して特定のライティング課題（例：論説文や描写段落）を完了するよう指示された。主要データはiPadの画面録画から構成され、プロンプトの完全なシーケンス、ChatGPTの応答、および生徒による修正のすべてが記録された。

3.2 分析フレームワーク

質的ケーススタディアプローチが採用された。画面録画は書き起こされ、2つの主要な次元に沿ってコーディングされた：(1) プロンプト内容（例：課題の指定、スタイルの要求、修正コマンド）および (2) 対話パターン（例：ターン数、出力に基づく適応）。パターンはクラスタリングされ、明確なユーザー経路を特定するために用いられた。

4. 結果：4つのプロンプトエンジニアリング経路

画面録画の分析により、戦略的アプローチとプロンプトの洗練度の異なる組み合わせを表す4つの典型的な経路が明らかになった。

経路分布

コホートで観察されたパターンに基づく。

  • ミニマリスト： 約35%
  • 反復改良者： 約30%
  • 構造的計画者： 約20%
  • 対話的探求者： 約15%

4.1 ミニマリスト

これらのユーザーは、元の課題指示を反映した非常に簡潔で、しばしば単文のプロンプトを入力する（例：「気候変動についてのエッセイを書いてください」）。彼らは反復に対する許容度が低く、最初の出力が不満足な場合、ツールを放棄するか、不十分な結果を提出する可能性が高い。この経路はツールを神託と見なす誤解を反映している。

4.2 反復改良者

このグループは単純なプロンプトから始めるが、線形的な改良プロセスに従事する。AIの出力に基づいて、「長くしてください」「より簡単な言葉を使ってください」「例を追加してください」などのフォローアップコマンドを発行する。対話は反応的で漸進的であり、指示に対するAIの応答性についての理解が芽生えていることを示すが、包括的な計画を欠いている。

4.3 構造的計画者

少数の生徒は、事前に計画された構造で課題に取り組んだ。彼らの最初のプロンプトは包括的で、形式、トーン、主要なポイントを指定し、時にはアウトラインを提供した（例：「再生可能エネルギーを支持する5段落の論説文を書いてください。第1段落：序論。第2段落：経済的利益…。フォーマルなトーンを使用してください。」）。この経路は、より少ないターン数でより高品質な出力をもたらし、高度な課題分解とメタ認知的計画を示している。

4.4 対話的探求者

これらのユーザーはChatGPTを対話相手として扱う。単にコマンドを発行するのではなく、メタ質問（「私の論文声明をどのように改善できますか？」）をしたり、説明を要求したりする（「なぜこの言葉を選んだのですか？」）。この経路は、ライティング支援とライティングについての学習を融合させるが、迂回することがあり、中核的な課題を効率的に完了しない可能性がある。

5. 考察と示唆

5.1 試行錯誤を超えて

ミニマリストと反復改良者の経路が一般的であることは、重大なギャップを浮き彫りにしている。彼ら自身の力に任せると、ほとんどの生徒は洗練されたプロンプトエンジニアリング戦略を自発的に発展させない。彼らのプロセスは非効率的であり、AIの全能力を活用することにしばしば失敗し、受動的な学習習慣を強化する可能性がある。

5.2 教育的統合

本研究は、EFLライティング授業内での明示的なプロンプトエンジニアリング教育を主張する。これには以下を含めるべきである：

  • 直接指導： プロンプトの構成要素（役割、課題、文脈、制約、例）の指導。
  • 構造化フレームワーク： RTF（役割、課題、形式）やCRISPE（能力、役割、洞察、声明、性格、実験）のようなモデルの導入。
  • 批評と分析： AI生成出力を評価し、プロンプトと成果物の因果関係を理解する。
  • 倫理的考察： 著作権、剽窃、AIコンテンツの批判的評価について議論する。

目標は、AI生成テキストの戦略的指揮者であって受動的消費者ではない生徒を育成することである。

6. 技術的分析とフレームワーク

核心的洞察、論理的流れ、長所と欠点、実践的示唆

核心的洞察： 本稿は、しばしば見落とされる重要な真実を伝えている：ChatGPTのようなAIツールの民主化は、自動的に能力の民主化をもたらすわけではない。インターフェースは欺くほど単純だが、効果的な対話の認知的負荷は高い。「AI拡張教室」における真のボトルネックは、テクノロジーへのアクセスではなく、対話リテラシーの欠如である。本研究は、AIの出力から人間の入力へと焦点を巧みにシフトさせ、生々しい、飾らない学習曲線を明らかにしている。

論理的流れ： 議論は体系的で説得力がある。問題の確立（SOTAチャットボットは熟練したプロンプト作成を必要とする）から始まり、知識のギャップ（初心者は実際にこれをどのように行うのか？）を紹介し、詳細な経験的証拠（4つの経路）を提示し、行動への強力な呼びかけ（教育は適応しなければならない）で結論づける。ケーススタディの使用は、理論を複雑な現実に根ざしたものにしている。

長所と欠点： 主な長所はその生態学的妥当性である。実際の課題文脈における初回ユーザーの画面録画を使用することは、研究室研究ではしばしば欠けている本物のデータを提供する。4つの経路の類型は直感的であり、教育者が生徒の行動を診断するための強力なフレームワークを提供する。著者らが認めている主な欠点は、規模である。これは深いケーススタディであり、広範な調査ではない。経路は例示的であり、統計的に一般化可能ではない。さらに、本研究はプロセスに焦点を当てており、経路間の最終的な書かれた成果物の質を厳密に測定していない——これは重要な次のステップである。

実践的示唆： 教育者とカリキュラム設計者にとって、本稿は警鐘である。明確な使命を提供する：プロンプトエンジニアリングは21世紀のコアリテラシーであり、自然に身につくものではなく、教えられなければならない。 学校は、基本的なコマンドプロンプト（$P_{cmd}$）から複雑な反復的推論プロンプト（$P_{reason}$）へと移行するプロンプト階層モデルのようなフレームワークを統合したマイクロレッスンを開発すべきである。例えば、高品質なプロンプトの公式を生徒に教える：$P_{optimal} = R + T + C + E$、ここで$R$は役割、$T$は課題、$C$は制約、$E$は例である。EdTech企業は、これらの教育的足場を直接インターフェースに組み込み、ガイド付きプロンプト構築テンプレートとフィードバックを提供し、空白のテキストボックスを超えて進むべきである。

技術的詳細と数学的定式化

機械学習の観点から、ユーザーのプロンプト$p$は言語モデル$M$の条件付けコンテキストとして機能する。モデルは、確率分布$P(o | p, \theta)$に基づいて出力シーケンス$o$を生成する。ここで、$\theta$はモデルのパラメータを表す。効果的なプロンプトは、この出力分布のエントロピーを減少させ、ユーザーの意図した目標$t$に向けて導く。生徒の課題は、可能な出力の分布と彼らの目標との間の乖離を最小化することであり、$D_{KL}(P(o|p, \theta) \,||\, P(o|t))$を最小化することとして定式化される。ここで、$D_{KL}$はカルバック・ライブラー情報量である。初心者ユーザーは、試行錯誤を通じて、これを達成するために$p$の粗雑な、人間をループに含めた最適化を行っている。

分析フレームワークの事例例

シナリオ： 生徒は、学校長にリサイクルプログラムを開始するよう説得する説得力のある手紙を書かなければならない。

ミニマリスト経路（非効果的）：
プロンプト1： 「リサイクルについての手紙を書いてください。」
出力：一般的で味気ない手紙。
生徒の行動： 出力に軽微な編集を加えて提出する。

構造的計画者経路（効果的 - RTFフレームワークを使用）：
プロンプト1： 「心配する10年生の生徒として行動してください。高校の校長への正式な説得力のある手紙を書いてください。目標は、カフェテリアと教室で包括的なプラスチックと紙のリサイクルプログラムを実施するよう彼らを説得することです。敬意を持ちつつ緊急性のあるトーンを使用してください。3つの論点を含めてください：1）環境への影響、2）生徒の関与/リーダーシップの機会、3）コスト削減または助成金の可能性。手紙は日付、挨拶、各論点の本文段落、および閉じの署名でフォーマットしてください。」
出力：構造化され、的を射た、説得力のある手紙。
生徒の行動： 出力をレビューし、改良を要求する可能性がある：「コスト削減に関する3番目の論点を統計を追加して強化してください。」

この対比は、単純な構造化フレームワーク（役割：生徒、課題：手紙を書く、形式：特定の論点を含む正式なもの）を適用することが、AI協働の効率性と品質を劇的に改善することを示している。

実験結果とチャートの説明

本研究の主要な結果は質的であり、経路の記述に捉えられている。仮想的な定量的拡張は、次のようなチャートをもたらす可能性がある：「図1：経路別の対話効率性 vs. 出力品質」。x軸はプロンプトターン数（効率性の逆数）を表し、y軸は最終テキストの品質スコア（例：ルーブリックによる評価）を表す。以下のことが予想される：
- ミニマリストは、高効率性（ターン数少）だが低品質の象限に集まる。
- 反復改良者は、中〜高ターン数で品質は変動する。
- 構造的計画者は、高効率性、高品質の象限（ターン数少、スコア高）を占める。
- 対話的探求者は、低効率性（ターン数多）の象限に位置し、探求が焦点化されていれば品質は高くなる可能性がある。この可視化は、構造的計画者経路が指導の最適な目標を表していることを強力に主張するだろう。

7. 将来の応用と方向性

本研究の示唆はEFL教室を超えて広がる：

  • 適応的プロンプト作成チューター： 生徒のプロンプト履歴を分析し、彼らの経路を診断し、より効果的な戦略へと導くためのリアルタイムの足場付きフィードバックを提供するAI駆動チューターの開発（例：「次のプロンプトで聴衆を指定してみてください」）。
  • 学際的リテラシー： MITのRAISEイニシアチブなどの機関が提唱するように、コード生成、データ分析クエリ、科学的説明のためのプロンプトエンジニアリングをSTEM教育に統合する。
  • 労働力の準備： 世界経済フォーラムの報告書で指摘されているように、プロンプトエンジニアリングは職業を超えて急速に価値あるスキルになりつつある。中等教育はこの現実に生徒を備えさせなければならない。
  • 縦断的研究： 指導とともにプロンプトエンジニアリングスキルが時間とともにどのように発達するか、そしてそれらが伝統的なライティングと批判的思考スキルの向上とどのように相関するかを追跡する。
  • マルチモーダルプロンプト作成： 将来の研究は、指示が視覚的、時間的、様式的な制約を含む、マルチモーダルAI（例：DALL-E、Sora）のためのプロンプトエンジニアリングを探求しなければならない——より複雑なリテラシーのフロンティアである。

8. 参考文献

  1. Caldarini, G., Jaf, S., & McGarry, K. (2022). A Literature Survey of Recent Advances in Chatbots. Information, 13(1), 41.
  2. Woo, D. J., Guo, K., & Susanto, H. (2023). Cases of EFL Secondary Students’ Prompt Engineering Pathways to Complete a Writing Task with ChatGPT. [原稿準備中].
  3. Zhao, W. X., et al. (2023). A Survey of Large Language Models. arXiv preprint arXiv:2303.18223.
  4. Moor, J. (2006). The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years. AI Magazine, 27(4), 87–91.
  5. MIT RAISE. (2023). Day of AI Curriculum. Massachusetts Institute of Technology. Retrieved from [https://www.dayofai.org/]
  6. World Economic Forum. (2023). Future of Jobs Report 2023.
  7. Reynolds, L., & McDonell, K. (2021). Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm. Extended Abstracts of the 2021 CHI Conference on Human Factors in Computing Systems.