この記事では、自己の振り返りについて、心理学的・教育学的な背景を軽く述べた上で、HCI 研究の歴史を、デバイス、モデル、評価といった面から概観し、乳幼児教育においてどのような試みがあったかにも言及する。
1. 心理学的・教育学的背景
デューイは、経験を再構築、再構成すること (reconstruction or reorganization of experience) が教育の基礎であるとした [1]。デューイによれば経験には連続性があり、ある経験を処理するために、過去の経験を道具として用いる。この時、より効果的な道具として応用できるものが、質の高い経験である。Schön は、エキスパートの行動分析の結果を踏まえ、教師を反省的実践家（reflective practitioner）と捉え、実践の省察を通して教師自らが学んでいくことが重要だと考えた[2]。Schön のモデル化においては、省察を、Reflection-in-action（行為の中の省察）と、Reflection-on-action（行為についての省察）に区別したところが重要である。Kolb はこれらの研究を踏まえて４ステージからなる「経験学習モデル」を提唱した [3]。これらの理論的枠組みは、今日でも人材育成の理論的な裏付けとして、現場活動に活かされている。
2. 経験の記録, Sensing, Life logging
HCI においては、経験を全てデータ化する試みをライフログと呼び、コンセプト的には記憶強化を目的としたコンセプト提案「Memex」に端を発している [4]。その後、自分の行動を手動記録し、後での振り返りに役立てる Forget-me-not[5] や、ウェアラブルカメラによって映像を撮り続けつつ、皮膚の発汗状況に応じて自動的に写真を撮影する StartleCam[6]、頭部に装着した RGB および IR カメラの映像を分析して物探しを支援する”I’m Here!”[7]、首から下げ、自動的に映像やそのほかセンサー情報を記録し続ける SenseCam[8] など、さまざまなライフログシステムが提案されてきている。現在はスマートフォンに内蔵されたセンサーを用いたアプリも多数存在している [9]。こういったライフログ装置のうち、市場的にある程度の成功を収めたのがアクティビティトラッカー、特に健康管理を目的としたものである[10]。現在では加速度計・心拍計・GPS なども搭載し、スマートフォンと連携するなどしてデータを蓄積・分析・可視化するものが多い一方で、手書きの日記やメモの形でライフログを記録し、そこに幸福度を追記することで省察や QoL の向上に役立てようとするシステムもある [11]。
また、学びを支援するためにもセンシングを活用しようという試みもある[12]。教室内で生徒の心拍を測ることで、ストレスや興奮の度合いを計測したり[13]、その他発汗や血流、脳波などを組み合わせたもの[14]、医療現場での行動の振り返りにウェアラブル心電図計と加速度センサを利用するものなどがある [15]。カメラを用いた学びの理解をサポートするシステムは、低コストかつ非接触であるため、重要な研究分野になってきている [16, 17, 18]。さらに、色情報だけでなく三次元カメラを用いると形状がより具体的にわかり、認識が容易になるため [19]、生徒の集中状態の計測 [20] などに利用されている。
幼児教育における記録
世界的に有名な Reggio Emilia Approach においては、子どもの活動プロセスやそれにまつわる会話、結果としての作品などを記録し、子ども自身の、あるいは保育者の省察に積極的に活用することが保育の質を向上させると考えられている [21]。乳幼児を対象とした記録システムとしては Storypark[22], Educa[23], Kindyhub[24] などがある。乳幼児は学びをメタ認知することが難しいため、教師（保育者）が子どもの育ちを理解することが主目的であり、実用的には保育者や保護者が子どものタグを手動で入力するのが一般的である [22]。研究の文脈であれば、言語発達の観察を目的として、一人の乳児（研究者の息子）の、０歳から２歳までの３年間の全映像と音声を記録し続けた Speechome プロジェクトが有名である [25]。また、AI を活用し、乳幼児の行動を自動的に認識しようとする試みも始まっているが、大部分は ADHD や脳性麻痺 (Cerebral palsy ) などを早期に発見するという、医学的見地からなされているものである [26, 27]。子どもを対象にした認識を試みるシステムもあるが [28, 29, 30, 31]、子どもの認識は大人の認識用に訓練された AI では性能が十分でないことが指摘されており [32]、今後は子どものデータで訓練された、高品質な認識機が必要であると考えられる [33]。
3. 学びの可視化
学びを可視化し、省察を促すツールは Learning Dashboard (LD) または Learning Analytics Dashboards (LAD) と呼ばれ、商用を含め数多くのシステムが存在している [34, 35, 36, 37, 38]。しかし、提示された様々な指標を解釈し、学習科学の理論に基づいて学習の質を向上させることの難しさや、データの分析・解釈のためのフレームワークの重要性が、様々なサーベイ文献により指摘されている [39, 40, 41]。
4.ライフログと学習理論・学習モデル
このような機器や方法論の普及によって、ライフログ自体の敷居は下がってきているが、必ずしも行動変容を促すことができているわけではない [42]。2014 年の調査では、アクティビティトラッカーを使い始めたアメリカ人の 1/3 が、半年以内に使うのをやめており、２年以上使い続けるのは、4 割を少し超える程度とのことである [43]。その理由は多様であるが [42]、先に述べた学習理論そして省察の観点から、ウェアラブルデバイスなどについて議論した研究は多数存在している。2014 年のサーベイによれば、その多くは「省察」について定義すらしていない [44]。そして、定義があるもののうちの約７割は、Schönの Reflection-in-action をベースにしているとのことである [2]。HCIの分野でも省察行動を含むユーザーのモデルが提案されてきている。古典的学習理論のモデリングに比べると、HCI ではデータの集積や統合について検討されているのが特徴である。Li らは、Preparation,Collection, Integration, Reflection, Action の５ステージからなるモデルを提案した [45]。このモデルは古典的学習理論をベースにしていないが、近年の技術進歩をとらえたモデルとして、よく知られている。Epstein らによれば、Li のモデルは行動欲求を前提としており、他の動機を考慮していないことや、人々がツールを切り替えたり、中断する点に関しても十分に説明されていないという課題がある。そのため、Li のモデルを改良した Lived Informatics Model が提案された[46]。そして、ライフログをユーザーに提示すれば自動的に省察が起こるわけではないので [47]、さらに省察のステージをより細かくモデル化した TMRM(Technology-Mediated Reflection Model) も提案されている [48]。省察においては、自分のデータを自分で省察するというのが基本だが、自分のデータを他人と共有することで違った角度の省察を可能にするという試みもある。ゲーム的な可視化によって協力と競争のモチベーションを高めたり [49]、市民のエネルギー使用量を可視化することでコミュニティの意識と議論を高める Reveal-it![50]、仕事中の気分やストレスを可視化することで、内省のみならずチーム力が高まったり [51]、組織マネジメント上の効果もあることが指摘されている [52]。幼児教育においては、家庭内の保護者による振り返りを支援するものもある [53]。
また、省察は行えば行うほど良いわけではないこともわかっている。個人の持つ情報や解釈、反応の性質などによってネガティブな思考や感情に囚われる「反芻 (Rumination)」という状態に陥ることがある[54]。Eikey らは、反芻を避けるために、トラッカーの結果をむやみに開示するのではなく、セルフ・コンパッション (self-compassion) や贖罪のシーケンス (redemption sequences) を注意深く考慮したデザインにすべきであると述べている [54]。
5. 省察に関係した評価指標
個人の持つ省察力を数値化することができれば、学習者が自分の長所や短所を客観的に把握でき、人材育成の上でも一つの効果的な道具になり得る。SRIS(Self-Reflection and Insight Scale) は、どの程度自己の省察に取り組んでいるか、省察の必要性を認識しているか、また、自分の考えについて洞察を持っているかという３因子２０項目からなるスケールである [55]。RRQ(Rumination-Reflection Questionnaire)は、ある個人が反芻的か、省察的かという２因子を測定する２４項目である [56]。GRAS (Groningen Reflection Ability Scale) は、医学生の内省能力を測定する目的で作られた、「自己の省察」「共感的省察」「省察的コミュニケーション」の３因子を測定する 23 項目である [57]。これらはどれも、被験者が自己判断して回答するという点で、自己評価指標と言える。保育者が自身の保育活動について優れた省察を行うことにより技能が向上すれば、それは保育の質のある側面が向上したと言える。OECDの Starting Strong IV では、そういった保育者のスキルについては「staff quality」として分類し、一章を設けている [58]。Starting StrongIV では、この側面を評価する指標を２０近く挙げている。そのうち主要なもののみ調査したところ、保育者の省察について深く掘り下げた指標は見つからなかった。保育の質評価スケールとして世界的に使われている ECERS/ITERS には、そのような項目はない [59]。また、保育者と子どもとの関係性に重点を置いた CLASS[60]、SSTEW[61]、ORCE[62]、CIS(Caregiver Interaction Scale)[63] でも、保育者の省察に光を当てたものはない。これらは、子どもに対して与えられているサービスを、観察可能な観点からスコアリングするものであり、保育者の自らの学びに対する姿勢に関してはスコープ外だからではないかと思われる。一方、保育者が自分の提供する保育を自ら振り返る SiCsでは、質評価スケールを記入したのちに、Action Plan のシートが用意されており、保育者が自己評価を振り返り、次の活動に結びつけるための計画を立てられるようになっている [64]。ただし、このシートはその省察方法に対してスコアをつけるものではない。なお、これらの指標は全て、保育者を対象としている。それに対し、近年では省察を行う HCI システムの評価指標も登場している [65]。
参考文献
[1] Dewey, J.: Experience and Education, Simon and Schuster (1938).
[2] Schön, D. A.: The reflective practitioner : how professionals think in action, Basic Books (1984/9/23) (1983).
[3] Kolb, D. A.: Experiential Learning: Experience As The Source Of Learning And Development, Vol. 1, No. 1 (1984).
[4] Bush, V.: As we may think, The atlantic monthly, Vol. 176, No. 1, pp. 101–108 (1945).
[5] Lamming, M. and Flynn, M.: “Forget-me-not” – Intimate Computing in Support of Human Memory (1997).
[6] Healey, J. and Picard, R. W.: StartleCam: a cybernetic wearable camera, Digest of Papers. Second International Symposium on Wearable Computers (Cat. No.98EX215), pp. 42–49 (1998).
[7] Ueoka, T., Kawamura, T., Kono, Y. and Kidode, M.: I’m Here!: A Wearable Object Remembrance Support System, Human-Computer Interaction with Mobile Devices and Services, 5th International Symposium, Mobile HCI 2003, Udine, Italy, September 8-11, 2003, Proceedings, Vol. 2795, Springer Verlag, pp. 422–427 (2003).
[8] Hodges, S., Williams, L., Berry, E. and Wood, K. R.: SenseCam: A Retrospective Memory Aid, Proceedings of the 8th international conference on Ubiquitous Computing, Vol. 4206, pp.177–193 (2006).
[9] Google, L. L. C.: Google Fit: Activity Tracker (Android/iPhone App).
[10] Shin, G., Jarrahi, M. H., Karami, A., Gafinowitz, N. and Lu, X.: Wearable Activity Trackers, Accuracy, Adoption, Acceptance and Health Impact: A Systematic Literature Review (2018).
[11] Isaacs, E., Konrad, A., Walendowski, A., Lennig, T., Hollis, V. and Whittaker, S.: Echoes from the past: how technology mediated reflection improves well-being, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’13, New York, NY, USA, Association for Computing Machinery, pp. 1071–1080 (2013).
[12] Faisal, M., Bourahma, A. and AlShahwan, F.: Towards a reference model for sensor-supported learning systems, Journal of King Saud University – Computer and Information Sciences, Vol. 33, No. 9, pp. 1145–1157 (2021).
[13] Hwang, J.-P., Wu, T.-T., Lai, F.-J. and Huang, Y.-M.: A sensor-assisted model for estimating the accuracy of learning retention in computer classroom, 2011 Fifth International Conference on Sensing Technology, pp. 650–654 (2011).
[14] Shen, L., Wang, M. and Shen, R.: Affective e-Learning: Using “Emotional” Data to Improve Learning in Pervasive Learning Environment, Educational Technology & Society, Vol. 12, No. 2, pp. 176–189 (2009).
[15] Müller, L.: Pervasive monitoring to support reflective learning, Proceedings of the 2013 ACM conference on Pervasive and ubiquitous computing adjunct publication, UbiComp ’13 Adjunct, New York, NY, USA, Association for Computing Machinery, pp. 349–354 (2013).
[16] Hong, S. B. and Broderick, J. T.: Instant Video Revisiting for Reflection: Extending the Learning of Children and Teachers, Early Childhood Research and Practice, Vol. 5, No. 1 (2003).
[17] Isreb, S., Attwood, S., Hesselgreaves, H., McLachlan, J. and Illing, J.: Synchronized Video-Review as a Tool to Enhance Reflection and Feedback: A Design-Based Feasibility Study, J. Surg. Educ., Vol. 78, No. 1, pp. 1–8 (2021).
[18] Zhang, H.: Learning from Experience : The Use of Structured Video-Assisted Debriefing Among Nursing Students, Linköping University Electronic Press. (2021).
[19] Walczak, N., Fasching, J., Toczyski, W. D. and Papanikolopoulos, N.: Locating occupants in preschool classrooms using a multiple RGB-D sensor system, Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on, unknown, pp. 2166–2172 (2013).
[20] Yu, S., Kondo, K., Nakamura, Y., Nakajima, T. and Dantsuji, M.: Learning State Recognition in Self-Paced E-Learning, IEICE Trans. Inf. Syst., Vol. E100.D, No. 2, pp. 340–349 (2017).
[21] Ed, Edwards, C., Ed, Gandini, L. and Ed, Forman, G.: The Hundred Languages of Children: The Reggio Emilia Approach–Advanced Reflections. Second Edition, Ablex Publishing Corporation (1998).
[22] Storypark: Storypark, https://storypark.com/. Accessed: 2021-10-22.
[23] Educa: Educa: Learning Story Software & Child ePortfolios, https://www.geteduca.com/. Accessed: 2021-10-22.
[24] Kindyhub: Kindyhub: ePortfolios and Learning Stories, https://www.kindyhub.com.au/. Accessed: 2021-10-22.
[25] Roy, D., Patel, R., DeCamp, P., Kubat, R., Fleischman, M., Roy, B., Mavridis, N., Tellex, S., Salata, A., Guinness, J., Levit, M. and Gorniak, P.: The Human Speechome Project, Symbol Grounding and Beyond, Springer Berlin Heidelberg, pp. 192–196 (2006).
[26] Chambers, C., Seethapathi, N., Saluja, R., Loeb, H. and Kording, K. P.: Computer vision to automatically assess infant neuromotor risk (2019).
[27] McCay, K. D., Ho, E. S. L., Shum, H. P. H., Fehringer, G. and Embleton, N. D.: Abnormal Infant Movements Classification with Deep Learning on Pose-based Features, IEEE Access, Vol. PP, No. 99, pp. 1–1 (2020).
[28] Zhang, B., Nakamura, T., Ushiogi, R., Nagai, T., Abe, K., Omori, T., Oka, N. and Kaneko, M.: Simultaneous children recognition and tracking for childcare assisting system by using Kinect sensors, J. Sign. Inf. Process., Vol. 07, No. 03, pp. 148–159 (2016).
[29] Hõrak, H.: Computer Vision-Based Unobtrusive Physical Activity Monitoring in School by Room-Level Physical Activity Estimation: A Method Proposition, Information, Vol. 10, No. 9, p. 269 (2019).
[30] McCullough, A. K., Rodriguez, M. and Garber, C. E.: Quantifying Physical Activity in Young Children Using a ThreeDimensional Camera, Sensors, Vol. 20, No. 4 (2020).
[31] Güney, H., Aydın, M., Taskiran, M. and Kahraman, N.: Toddler Tracking System with Face Recognition and Object Tracking Using Deep Neural Network (2020).
[32] Sciortino, G., Farinella, G. M., Battiato, S., Leo, M. and Distante, C.: On the Estimation of Children’s Poses, ICIAP 2017 (2017).
[33] Huang, X., Fu, N., Liu, S. and Ostadabbas, S.: Invariant Representation Learning for Infant Pose Estimation with Small Data (2020).
[34] Bodily, R. and Verbert, K.: Trends and issues in studentfacing learning analytics reporting systems research, Proceedings of the Seventh International Learning Analytics & Knowledge Conference, New York, NY, USA, ACM (2017).
[35] Bodily, R., Kay, J., Aleven, V. and Verbert, K.: Open learner models and learning analytics dashboards: a systematic review, the 8th International Conference, unknown, pp. 41–50 (2018).
[36] Chua, Y. H. V., Rajalingam, P., Tan, S. C. and Dauwels, J.: EduBrowser: A Multimodal Automated Monitoring System for Co-located Collaborative Learning, Learning Technology for Education Challenges, unknown, pp. 125–138 (2019).
[37] Schwendimann, B. A., Rodrı́guez-Triana, M. J., Vozniuk, A., Prieto, L. P. and Dillenbourg, P.: Perceiving Learning at a Glance: A Systematic Literature Review of Learning Dashboard Research, IEEE Trans. Learn. Technol., Vol. 10, No. 1, pp. 1–1 (2016).
[38] Martinez-Maldonado, R., Echeverria, V., Nieto, G. F. and Shum, S. B.: From Data to Insights: A Layered Storytelling Approach for Multimodal Learning Analytics, CHI ’20: CHI Conference on Human Factors in Computing Systems, pp. 1–15 (2020).
[39] Jivet, I., Scheffel, M., Specht, M. and Drachsler, H.: License to evaluate: preparing learning analytics dashboards for educational practice, the 8th International Conference, unknown, pp. 31–40 (2018).
[40] Matcha, W., Uzir, N. A., Gasevic, D. and Pardo, A.: A Systematic Review of Empirical Studies on Learning Analytics Dashboards: A Self-Regulated Learning Perspective, IEEE Trans. Learn. Technol., Vol. PP, No. 99, pp. 1–1 (2019).
[41] Mangaroska, K. and Giannakos, M. N.: Learning Analytics for Learning Design: A Systematic Literature Review of AnalyticsDriven Design to Enhance Learning, IEEE Trans. Learn. Technol., Vol. PP, No. 99, pp. 1–1 (2018).
[42] Clawson, J., Pater, J. A., Miller, A. D. and Mamykina, L.: No longer wearing: investigating the abandonment of personal health-tracking technologies on craigslist, the 2015 ACM International Joint Conference, unknown, pp. 647–658 (2015).
[43] Ledger, D. and McCaffrey, D.: Inside wearables: How the science of human behavior change offers the secret to long-Term engagement, Endeavour Partners, Vol. 93, No. 1, pp. 36–45 (2014).
[44] Baumer, E. P. S., Khovanskaya, V., Matthews, M., Reynolds, L., Schwanda Sosik, V. and Gay, G.: Reviewing reflection: on the use of reflection in interactive system design, Proceedings of the 2014 conference on Designing interactive systems, DIS ’14, New York, NY, USA, Association for Computing Machinery, pp. 93–102 (2014).
[45] Li, I., Dey, A. K. and Forlizzi, J.: A stage-based model of personal informatics systems, Proceedings of the 28th International Conference on Human Factors in Computing Systems, CHI 2010, Atlanta, Georgia, USA, April 10-15, 2010, Vol. 1, pp. 557–566 (2010).
[46] Epstein, D. A., Ping, A., Fogarty, J. and Munson, S. A.: A lived informatics model of personal informatics, Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing, UbiComp ’15, New York, NY, USA, Association for Computing Machinery, pp. 731–742 (2015).
[47] Slovak, P., Frauenberger, C. and Fitzpatrick, G.: Reflective Practicum: A Framework of Sensitising Concepts to Design for Transformative Reflection (pre-print), CHI’17 (2017).
[48] Bentvelzen, M., Niess, J. and Woźniak, P. W.: The TechnologyMediated Reflection Model: Barriers and Assistance in Data12 Driven Reflection, Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, Association for Computing Machinery, New York, NY, USA, pp. 1–12 (2021).
[49] Lin, J. J.-W., Mamykina, L., Lindtner, S. and Strub, H. B.: Fish’n’Steps: Encouraging Physical Activity with an Interactive Computer Game, UbiComp 2006: Ubiquitous Computing, 8th International Conference, UbiComp 2006, Orange County, CA, USA, September 17-21, 2006, Vol. 4206, unknown, pp. 261–278 (2006).
[50] Valkanova, N., Jorda, S., Tomitsch, M. and Vande Moere, A.: Reveal-it! the impact of a social visualization projection on public awareness and discourse, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’13, New York, NY, USA, Association for Computing Machinery, pp. 3461–3470 (2013).
[51] Rivera-Pelayo, V., Fessl, A., Müller, L. and Pammer, V.: Introducing Mood Self-Tracking at Work: Empirical Insights from Call Centers, ACM Trans. Comput.-Hum. Interact., Vol. 24, No. 1, pp. 1–28 (2017).
[52] Xue, M., Liang, R.-H., Yu, B., Funk, M. and Feijs, L.: AffectiveWall: Designing Collective Stress-Related Physiological Data Visualization for Reflection, IEEE Access, Vol. PP, No. 99, pp. 1–1 (2019).
[53] Kientz, J. A., Arriaga, R. I. and Abowd, G. D.: Baby steps: evaluation of a system to support record-keeping for parents of young children, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, CHI ’09, New York, NY, USA, Association for Computing Machinery, pp. 1713–1722 (2009).
[54] Eikey, E. V., Caldeira, C. M., Figueiredo, M. C., Chen, Y. and Zheng, K.: Beyond self-reflection: introducing the concept of rumination in personal informatics, Pers. Ubiquit. Comput., Vol. 25, No. 79 (2021).
[55] Grant, A. M., Franklin, J. and Langford, P.: The Self-Reflection and Insight Scale: A New Measure of Private SelfConsciousness, Social Behavior and Personality An International Journal, Vol. 30, No. 8, pp. 821–835 (2002).
[56] Trapnell, P. D. and Campbell, J. D.: Private Self-Consciousness and the Five-Factor Model of Personality: Distinguishing Rumination from Reflection, J. Pers. Soc. Psychol., Vol. 76, No. 2, pp. 284–304 (1999).
[57] Aukes, L. C., Geertsma, J., Cohen-Schotanus, J., Zwierstra, R. P. and Slaets, J. P. J.: The development of a scale to measure personal reflection in medical practice and education, Med. Teach., Vol. 29, No. 2-3, pp. 177–182 (2007).
[58] OECD(2015): Starting Strong IV: Monitoring Quality in Early Childhood Education and Care, pp. 123–163 (2015).
[59] Harms, T., Cryer, D. and Clifford, R.: Environment Rating Scales Institute, https://ersi.info/index.html. Accessed: 20222-6.
[60] Pianta, R. C.: Classroom Assessment Scoring System™ , https://education.virginia.edu/classroom-assessment-scoring-system (2017). Accessed: 2021-5-30.
[61] Melhuish, E., Siraj, I. and Kingston, D.: Assessing Quality in early Childhood Education and Care: Sustained shared thinking and emotional well-being (SSTEW) for 2-5 year-olds provision, London: Trentham Books (2015).
[62] : Characteristics of infant child care: Factors contributing to positive caregiving, Early Child. Res. Q., Vol. 11, No. 3, pp. 269–306 (1996).
[63] Arnett, J.: Caregivers in day-care centers: Does training matter?, J. Appl. Dev. Psychol., Vol. 10, No. 4, pp. 541–552 (1989).
[64] Laevers, F.: Well-being and Involvement in Care A Processoriented Self-evaluation Instrument for Care Settings, Kind & Gezin and Research Centre for Experientel Education (2005).
[65] Bentvelzen, M., Niess, J., Wozniak, M. and Woźniak, P.: The Development and Validation of the Technology-Supported Reflection Inventory, CHI ’21: CHI Conference on Human Factors in Computing Systems, pp. 1–8 (2021).
