目次
1. はじめに
ChatGPTは、最先端の生成AIチャットボットであり、教育、特に外国語としての英語（EFL）ライティングを変革する可能性から大きな人気を博しています。しかし、ChatGPTとの効果的な連携には、生徒がプロンプトエンジニアリング、すなわち所望の出力を引き出すための正確な指示を作成するスキルを習得することが必要です。本稿では、EFL中等教育生徒が初めてChatGPTを用いてライティング課題を完了する際のプロンプトの内容とパターンを調査します。4つの異なる経路の事例研究を通じて、著者らは生徒が経験する試行錯誤のプロセスを明らかにし、EFL教室における明示的なプロンプトエンジニアリング教育の必要性を強調します。
2. 文献レビュー
2.1 教育における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、重要なAIリテラシースキルです（Long & Magerko, 2020）。非技術系のユーザーは、効果的なプロンプトを作成するのに苦労することが多く、試行錯誤のサイクルに陥ります。研究によれば、構造化されたガイダンスがプロンプトの品質と出力の関連性を向上させることが示されています（Zamfirescu-Pereira et al., 2023）。
2.2 チャットボットを用いたEFLライティング
ChatGPTのようなチャットボットは、リアルタイムのフィードバックを提供し、アイデアを生成し、言語構造をモデル化することで、EFLライティングを支援できます。しかし、生徒はタスクの目標に合わせるために、プロンプトを反復的に洗練させる方法を学ばなければなりません（Guo et al., 2023）。
3. 方法論
3.1 参加者と環境
参加者は、香港の中等学校に通う14歳から16歳の中級英語力を持つEFL生徒20名でした。彼らは初めてiPad上のChatGPTを使用して、300語の議論型エッセイを完成させました。
3.2 データ収集
データはiPadの画面録画を通じて収集され、すべてのプロンプトとChatGPTの応答が記録されました。研究者はまた、タスク終了後にインタビューを実施し、生徒の思考プロセスを理解しました。
3.3 分析枠組み
分析にはグラウンデッド・セオリー・アプローチを用い、プロンプトを内容（例：指示、文脈、形式）と数量（タスクあたりのプロンプト数）によって分類しました。データから4つの明確な経路が浮かび上がりました。
4. 結果：4つのプロンプトエンジニアリング経路
4.1 経路A：最小限の反復
生徒は2～3の短いプロンプト（例：「公害についてのエッセイを書いてください」）を使用しました。ChatGPTの出力に基づいてプロンプトを修正することはほとんどなく、その結果、一般的な応答が得られました。この経路は、プロンプトエンジニアリングへの関与の低さを反映しています。
4.2 経路B：足場かけによる洗練
生徒は広範なプロンプトから始め、その後、特定の制約を追加しました（例：「3つの主張と反論を含めてください」）。4～6のプロンプトを使用し、出力品質の反復的な改善が見られました。
4.3 経路C：発散的な探索
生徒は異なるプロンプトスタイル（例：ロールプレイ、形式の変更）を試しました。7～10のプロンプトを使用しましたが、明確な戦略を欠いており、一貫性のない出力につながりました。
4.4 経路D：戦略的な分解
生徒はタスクをサブタスクに分解しました（例：「最初にアウトラインを生成し、次に序論を書いてください」）。8～12のプロンプトを高い具体性で使用し、最も首尾一貫した関連性の高いエッセイを達成しました。
5. 考察
5.1 核心的な洞察
この研究は、EFL生徒のプロンプトエンジニアリングが非常に多様であることを明らかにしています。戦略的な分解（経路D）が最良の結果をもたらしますが、ほとんどの生徒は最小限のアプローチまたは発散的なアプローチをとります。これは、AIリテラシー教育における重要なギャップを浮き彫りにしています。
5.2 論理的な流れ
経路AからDへの進行は、プロンプトの洗練度と出力品質の間に明確な相関関係を示しています。しかし、明示的な指導がないため、生徒がガイダンスなしに経路Dに到達することはほとんどありません。
5.3 強みと限界
強み：この研究は、実際の教室環境から豊富な質的データを提供し、生徒の行動に関する真の洞察を提供します。限界：サンプルサイズが小さい（n=20）ため、一般化可能性が制限されます。また、この研究は事前のAIへの接触を統制していません。
5.4 実践可能な洞察
教育者は、プロンプトエンジニアリングをEFLカリキュラムに統合し、生徒にタスクの分解、特定の制約の使用、プロンプトの反復的な洗練を教えるべきです。学校は、プロンプトテンプレートやプロンプトのピアレビューなど、構造化された足場かけを提供すべきです。
6. 独自の分析
この研究は、EFL初心者ユーザーがChatGPTとどのように相互作用するかを実証的にマッピングすることで、時宜を得た貢献をしています。4つの経路は、人間とコンピュータの相互作用研究の知見と共鳴しており、ユーザーはしばしば「満足化」行動（Simon, 1956）、つまり最適化ではなく最初に受け入れ可能な出力を受け入れる傾向にあります。戦略的な分解経路は、「思考連鎖プロンプティング」（Wei et al., 2022）の概念と一致しており、大規模言語モデルの推論を改善します。しかし、この研究が単一のライティング課題と小規模なサンプルサイズに依存していることは、その外的妥当性を制限しています。今後の研究では、プロンプトエンジニアリングをメタ認知スキルとして教える長期的な介入を探求すべきです。著者らは、AIリテラシーをEFLカリキュラムに組み込むことを適切に呼びかけていますが、具体的な教育学的枠組みを提供するには至っていません。より実践可能なアプローチは、生徒を基本戦略から高度戦略へと導く「プロンプトエンジニアリングルーブリック」を開発することでしょう。さらに、この研究は、AIへの過度の依存や盗用など、教育現場で重要となる倫理的な懸念に対処していません。これらの限界にもかかわらず、この研究は、生徒が生成AIと協力する方法を学ぶプロセスを理解する上で貴重な第一歩です。
7. 技術的詳細と数式による定式化
プロンプトエンジニアリングは、最適化問題として形式化できます。$P$をすべての可能なプロンプトの集合、$O$をプロンプト$p \in P$が与えられたときのChatGPTからの出力とします。生徒の目標は、タスク制約$C$の下で出力品質$Q(O)$を最大化する$p^*$を見つけることです：
$$p^* = \arg\max_{p \in P} Q(\text{ChatGPT}(p)) \quad \text{s.t.} \quad C(p) \leq \epsilon$$
実際には、生徒は貪欲探索を行い、$p_{t+1} = p_t + \Delta_t$と反復的に更新します。ここで$\Delta_t$は前の出力に基づく修正です。4つの経路は異なる探索戦略を表しています：経路Aは小さな$\Delta_t$、経路Bは構造化された$\Delta_t$、経路Cはランダムな$\Delta_t$、経路Dは階層的な分解を使用します。
8. 実験結果と図の説明
図1：プロンプトエンジニアリング経路の概要
「ライティング課題」とラベル付けされた中央ノードから4つの分岐が出ているフローチャート図。各分岐は経路（A、B、C、D）を表し、矢印はプロンプトの反復を示しています。経路Dは、アウトライン、序論、本文、結論生成のためのサブループを示しています。図は色分けされています：経路Aは赤（最小限）、Bは青（足場かけ）、Cは緑（発散的）、Dは金色（戦略的）です。
表1：経路別の主要指標
| 経路 | 平均プロンプト数 | 出力品質（1-5） | 時間（分） |
|---|---|---|---|
| A | 2.5 | 2.1 | 8 |
| B | 5.0 | 3.4 | 15 |
| C | 8.5 | 2.8 | 22 |
| D | 10.0 | 4.2 | 28 |
経路Dは最も高い出力品質を達成しますが、より多くの時間とプロンプトを必要とし、効率性と有効性の間のトレードオフを示唆しています。
9. 分析枠組みの例
ケース例：生徒S7（経路D）
プロンプト1：「学校制服に関する議論型エッセイのための3つのポイントからなるアウトラインを生成してください。」
プロンプト2：「アウトラインに基づいて序論の段落を書いてください。フックと明確な主張文を使用してください。」
プロンプト3：「最初の本文段落を展開してください。トピックセンテンス、証拠、説明を含めてください。」
プロンプト4：「反論の段落を追加し、それに反駁してください。」
プロンプト5：「主要なポイントを要約し、主張を言い換える結論を書いてください。」
この分解戦略は、EFL教室で教えられるライティングプロセスを反映しており、プロンプトエンジニアリングが教育学的なベストプラクティスとどのように整合できるかを示しています。
10. 今後の応用と方向性
この研究結果は、いくつかの今後の方向性を示唆しています：（1）プロンプトの分解と反復的な洗練を明示的に教えるAIリテラシーカリキュラムの開発。（2）教員養成プログラムへのプロンプトエンジニアリングの統合。（3）プロンプトの品質に関するリアルタイムフィードバックを提供する適応型チュータリングシステムの設計。（4）生徒の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進化するかを追跡する縦断的研究。（5）教育における責任あるAI使用を確保するための倫理的枠組みの探求。生成AIがユビキタスになるにつれて、プロンプトエンジニアリングは、1990年代のデジタルリテラシーと同様に、基礎的なスキルとなるでしょう。
11. 参考文献
- Guo, K., et al. (2023). Second language writing and AI chatbots. Computers & Education, 198, 104789.
- Long, D., & Magerko, B. (2020). What is AI literacy? Proceedings of the 2020 CHI Conference, 1-13.
- Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129-138.
- Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. NeurIPS 2022.
- Zamfirescu-Pereira, J. D., et al. (2023). Why Johnny can't prompt. Communications of the ACM, 66(8), 64-73.