大規模言語モデル（LLM）を活用したAIティーチングアシスタントは、多くの学生に対して教育支援を提供できる一方、応答が均一で個別化が不十分という課題がある。従来の個別化にはモデルの再学習や複雑なルールが必要になることが多く、コストや汎用性の面で負担が大きい。本研究（arXiv:2609.03402、2026年9月3日投稿）は、そのような問題を解決するため、プロンプトエンジニアリングに基づく新しいフレームワークを提案する。
提案手法は、一般的なLLM/RAGベースのAIアシスタント「Jill Watson」などを対象とする。具体的には、まず学習者を6つの属性軸（自己評価、抽象化の好み、説明量の好み、知覚的志向、情報処理スタイル、理解度）で評価し、その組合せから最大96種類の学習者プロファイルを構築する。さらに、ブルームの分類学を用いて、学生が投げかけた質問ごとの認知的複雑さを推定し、これらの情報を構造化プロンプトとしてモデルに与える。モデル自体の再学習は不要で、プロンプトによって出力のスタイルや構造を調整できる。
この設計により、モデル再学習なしでのスケーラブルな展開、学習状況に応じたリアルタイム調整、既存のLLM/RAGシステムへの柔軟な統合が可能になる。著者らはこれを「ハイブリッド式のミクロ個人化」と呼び、学習者の長期的属性と対話単位での認知的評価を組み合わせる点に特徴があるとしている。
評価では、NLPの自動指標と5名の参加者による人間評価を実施。その結果、個人化条件を変えると応答のスタイルや構成に違いが知覚され、統計解析により、特定の学習者属性と応答変化の間に関連が見られた。ただし、参加者数が少ないため、結果はあくまで予備的なものだとされている。
本研究は、モデルを再学習せずにプロンプトの工夫だけで教育AIの応答を適応させられる可能性を示した点で意義がある。今後、より大規模かつ多様な学習者を対象とした検証が進めば、低コストで導入しやすい教育向けAIアシスタントの標準的手法として発展するかもしれない。