教育科学の未来:生成AIの利用、信頼、認知負荷が高等教育における自己認識の学業成績の予測因子として

サマリー

本研究は、生成AIの使用とAIへの信頼が、認知負荷を通じて高等教育の学生の学業成績にどのように影響するかを調査します。390人の学生のデータを用いた部分最小二乗構造方程式モデリング(PLS-SEM)を用いることで、両要素が認知負荷を大幅に増加させ、それがパフォーマンスを正に予測し、その効果を媒介することが明らかになりました。

要約

本研究は、生成AIの使用、AIへの信頼、認知負荷、学業成績の複雑な関係を調査します。認知負荷理論と信頼文献に基づき、本研究は学生の生成AIツールへの関与とこれらのシステムへの信頼が学業成果にどのように影響するかを検証し、認知負荷を媒介メカニズムとしています。390名の高等教育学生を対象とした階層化されたランダムサンプルを用いた定量的横断研究デザインが採用されました。データは、生成AI利用率、AIに対する信頼度(人間的側面および機能性次元)、認知負荷(内在負荷、余剰負荷、自己認識学習)、および学業成績を測定する検証済み尺度を用いて収集されました。部分最小二乗構造方程式モデリング(PLS-SEM)とブートストラップ手法(5,000件の再サンプル)を用いて、仮定された直接的および媒介的関係を検証しました。結果は、生成AIの利用率(β = 0.34, p < 0.001)とAIへの信頼(β = 0.28, p < 0.001)が認知負荷と有意に正の相関を示したことを示しました。認知負荷は学業成績とも正の相関がありました(β = 0.52、 p < 0.001)。さらに、認知負荷は生成AIの使用と学業成績(β = 0.18, p < 0.001)およびAIへの信頼と学業成績の関係(β = 0.15, p < 0.001)の関係を有意に媒介します。このモデルは学業成績の分散の45%を説明し、PLS Predictは高い予測力を証明しました。この発見は、認知負荷理論をAI強化学習の文脈にも拡張し、認知負荷がAI関連要因と学業成果を結びつける重要な説明経路として機能する可能性を示唆しています。実際、この研究はAIリテラシーの育成、認知負荷を最適化した学習環境の設計、AIツール開発における機能的信頼性の優先考求の重要性を強調しています。本研究は、認知負荷が生成AIの利用とAIへの信頼が学業成績に結びつく重要な媒介メカニズムであることを実証的に示しています。

概要

生成型人工知能(GenAI)の急速な進歩は高等教育におけるパラダイムシフトを引き起こし、学生の知識へのアクセス、処理、構築の方法を根本的に変革しました^。ChatGPT、Gemini、Claudeなどのツールは学術環境にますます根付いており、最近の推計では30%以上の大学生がこれらの技術を授業関連の活動に定期的に活用しているとされています².この技術革命は、AI統合が学習プロセスや成果にどのように影響するかを理解しようとする教育者、管理者、研究者にとって、前例のない機会であると同時に重大な課題をもたらします^。3.

生成AIは個別指導、即時フィードバック、生産性向上の可能性を提供しますが、学生は^単に受動的にAI生成情報を消費するだけではありません。むしろ、AI強化学習は、生徒がプロンプトを作成し、出力を評価し、AI生成の応答を外部と比較し、AIシステムへの依存度を調整し、機械生成コンテンツを学術課題に統合するという継続的な相互作用プロセスを含みます^。これらの相互作用的要求は、従来の技術利用モデルを超えた新たな認知的ダイナミクスを導入し、同時に特定の認知的負担を軽減すると同時に、新たな認知的努力や過負荷を生み出す可能性があります。これらの懸念の中心にあるのは、AIの使用が学習の基盤となる認知過程にどのように影響するかという問題であり、実証的な文献ではほとんど探求されていません。認知負荷理論(CLT)は、これらの問題を検証するための堅牢な理論的枠組みを提供します。CLTは、学習は作業記憶の限られた容量によって制約され、効果的な指導設計は3種類の認知負荷を管理しなければならないと主張します。内容の複雑さに起因する内発的負荷、不十分な指導設計による余計な負荷、そしてスキーマ構築と自動化に向けられた関連負荷^6。AI強化学習環境では、これらの区別が特に^{顕著になります}。生成AIツールと関わる学生は、同時にコース内容を処理し、AI生成情報の正確性と関連性を評価し、認知的負担を大幅に高める多様な知識プロセスのソースを統合^{する必要があります。}

重要なのは、認知負荷理論が認知負荷を多次元的な構造として概念化し、内在的負荷、外的負荷、関連負荷から成り、それぞれが学習に^{異なる影響を与える}可能性がある点です。内在的負荷は学習教材の本質的な複雑さから生じ、余計な負荷は非効果的な指導設計や無関係な処理要求によって生じる不必要な認知的負担を反映し、関連負荷はスキーマ構築や意味のある学習プロセスに関連する生産的な認知的関与を指します。したがって、認知的負荷は一律に有益か有害かと解釈すべきではありません。内在的・関連的負荷は適切な条件下でより深い理解を支えるかもしれませんが、過剰な余計な負荷は限られた認知資源を消費し学習を妨げる可能性があります。

使用パターンを超えて、学生のAIシステムへの信頼は人間とAIの相互作用を形作る重要な心理的要因として浮上^します。基盤的な信頼の枠組みを基に、AIへの信頼は二つの明確な側面で概念化できます。ひとつは慈悲、誠実さ、予測可能性の認識を含む人間のような信頼、そして機能的信頼(技術自体の信頼性、能力、信頼性への信頼を反映)¹¹。これまでの研究では、信頼が技術の採用と^{継続的な使用の}決定要因であることが確立されていますが、その認知的影響はほとんど解明されていません。AIへの信頼と認知負荷の関係は理論的に複雑であり、一律に正のものや直線的なものと解釈すべきではありません^。一方で、AIへの適切な信頼は、学生がAI生成コンテンツにより深く関わり、回答を評価する認知的努力を投資し、機械生成情報を学習課題に統合することを促す可能性があります¹⁴。AI関連要因と学業成績の関係は、教育者や教育機関にとって最終的に関心のある結果を表し^{ています。}学業成績は教育研究のさまざまな形で運用されており、一部の研究では成績平均点¹⁶のような客観的な指標が用いられ、他は学生自身の学業成績¹⁷に基づく。自己認識の測定は、学生の学習能力や課題の達成に対するメタ認知的認識を捉え、研究はこれが実際の学業成績と強く関連していることが示^{されています。}AI強化学習の文脈では、学生が自分の学習をどのように認識するかを理解することが特に重要になります。これらの認識が、AIツールや学習戦略への今後の関与を導く可能性があるから^です。

高等教育における生成AIの普及が高まっているにもかかわらず、その認知的および学術的影響を検証する実証研究は依然として乏^しいままです。既存の研究は主に採用パターン、倫理的問題、または学問分野^{の適用に焦点を当て}ており、AI利用と学習成果を結びつける心理的メカニズムにはあまり注目^{されていませんでした。}さらに、信頼はeコマースや人間とコンピュータの相互作用で広く研究^{されていますが、}教育AIの文脈におけるその役割は理論的に未発達で実証されていません。本研究は、生成AIの使用、AIへの信頼、認知負荷、学業成績との関連を検証し、認知負荷を潜在的な媒介経路としてモデル化することでこれらのギャップに対処しています。認知負荷理論²⁴および信頼文献に基づき、本研究は5つの仮説を検証するメディエーションモデルを提案し検証します:(H1)生成AIの使用が認知負荷に正に影響を与える;(H2)AIへの信頼は認知負荷に良い影響を与える;(H3)認知負荷は学業成績に正の影響を与える;(H4)認知負荷は生成AIの使用と学業成績の関係を媒介します。そして(H5)認知負荷がAIへの信頼と学業成績の関係を媒介します。

生成型人工知能(GenAI)の高等教育への統合は、現代の^{教育実践における}最も重要な技術的転換の一つを示しています。OpenAIが開発したChatGPTのようなツールは、人間のようなテキスト生成、複雑な問題の解決、パーソナライズされた^{教育支援の}提供において驚くべき能力を示しています。最近の実証的研究では、大学生の間で広く採用されていることが記録されています。学生は、ブレインストーミング、内容の要約、校正、概念説明など、多様な学術目的でGenAIを利用し^{ています。}この急増は、教育の文脈における生成AIの利便性と課題の両方を研究者に検討させるきっかけとなっています。支持者は、生成AIツールが即時のフィードバックを提供し、複雑なタスクを支え、学問分野^{の内容に対して}多様な視点を提供することで学習を強化できると主張しています。ChatGPTをプログラミング課題に使った学生は、コードの品質が向上し、完了時間の短縮を示し、認知的な負荷軽減効果の可能性を示唆しました。同様に、GenAIは個々の生徒のニーズや学習ペースに合わせて内容を調整することで学習体験をパーソナライズ^{できます。}しかし、批判者からは学術的誠実さ、盗作の可能性、そして学生がAI^{生成コンテンツに}過度に依存していることによる批判的思考力の低下について懸念が示^{されています。}これらの相反する視点は、生成AIの利用が基本的な学習プロセスにどのような影響を与えるかについて、厳密で実証的な調査の必要性を強調しています。

認知負荷理論(CLT)は、学習課題や指導設計によって課される認知的要求を理解するための包括的な枠組みを提供します。CLTは、事実上無限の長期記憶と、容量と持続時間の両面で極めて制限された作業記憶から成る人間の認知の確立された構造に根ざ^{しています。}CLTによれば、学習は情報が作業記憶で正常に処理され、その後長期記憶にスキーマとして保存されるときに起こります。この理論は、認知負荷の3種類を区別しています。すなわち、学習材料の本質的な複雑さと学習者の既存の専門知識によって決まる内在負荷、学習に直接寄与しない設計の不十分な教材や活動によって課される余計な負荷;そして、スキーマ構築と自動化に充てられた認知資源を指す「ジェルマン負荷」³³。研究は一貫して、効果的なインストラクショナルデザインがこれら3つの負荷タイプを管理し、学習成果を最適化する必要があることを示^{しています。}高い余計な負荷は認知資源を学習過程から逸らし、パフォーマンスを損なう一方で、適切な内在的かつ関連的な負荷は深い理解と知識伝達を促進します³⁵。教育現場におけるこれらの負荷次元を測定するための包括的なツールであり、多様な学習文脈における認知負荷の実証的調査を可能にします。近年では、学者たちはCLTをテクノロジー強化学習環境にも拡張し、デジタルツールが^{認知処理に}どのように影響するかを調査しています。生成AIの使用と認知負荷の関係は理論的には複雑であり、実証的には十分に探^{求されていません。}一方で、生成AIツールは情報検索の効率化、多様な情報源の統合、アクセス可能な形式での情報提供など、余計な負荷を軽減^{する可能性があります。}学生はもはや複数のデータベースを操作したり、複雑なテキストを独自に解釈したりする必要がなくなり、認知的資源をより深く処理するためのリソースを解放する可能性があります³⁹。

信頼は人間と技術の相互作用を形作る基本的な心理的メカニズムです。情報システムの文脈において、信頼は多面的であり、^{技術システムの能力}、善意、完全性に関する信念を包含します。AIに適用すると、信頼は概念的に異なる2つの側面で区別できます。ひとつは、善意や予測可能性といった擬人化された特性の帰属を含む人間的な信頼、そして機能的信頼(Functional Trust)は、^{技術能力の}信頼性を反映しています。この区別は特に教育の場面で重要であり、学生は学術課題にどれだけAI生成コンテンツに依存するかを決めなければなりません。展開尤度モデルによると、個人は動機や能力に応じて中央経路か周辺経路のいずれかで情報を処理します。信頼が高い場合、学生は中央のルート処理を行い、AI生成コンテンツを精査・詳細化^{することで、学習}に向けられる認知負荷を増加させることができます。学業成績は教育研究における究極の基準変数であり、成績平均などの客観的な指標と、学生の自己認識する学業効果を捉える主観的な指標の両方を通じて運用されます(⁴³)。自己認識の指標は、学生の学習能力に対するメタ認知的認識に関する貴重な洞察を提供し、客観的なパフォーマンス指標との強い関連性を示しています。学習効率や課題完了に関連する項目を含む、学生が知覚した学業的有効性を評価する自己認識⁴⁴.このアプローチは、AI強化された環境で特に適しており、学生がAIツールと共に、またはAIツールを通じて学ぶ能力に対する自信が実際の学習成果に影響を与える可能性があります。

プロトコル

資料表は、研究で使用されるツール、ソフトウェア、スケールを要約しており、生成AI利用に適応・検証されたスケール、AIへの信頼、認知負荷、自己認識の学業成績、サンプリングおよび調査手法、データ分析ツール(SPSSおよびSmartPLS)を含みます。さらに、この研究には実験的操作、医療手技、または参加者に身体的または心理的リスクをもたらす可能性のある介入が含まれていなかったため、倫理的承認は適用されませんでした。この研究は、非侵襲的な自己実行型オンラインアンケートを用いて、学生の学術環境における生成AI使用に関する認識、経験、行動に関するデータを収集しました。この研究は調査の完了以外に直接的な相互作用を伴わなかったため、臨床試験、生体医療手技、実験的治療は行われず、参加者は有害や苦痛を引き起こす可能性のある実験的状態に遭わされませんでした。データ収集前に、すべての参加者には研究の目的、自主的な参加、匿名性と機密保持のための措置を詳細に説明したインフォームドコンセントフォームが提供されました。インフォームドコンセントは、インフォームドコンセントフォームに明記されている通り、アンケートの記入および提出を通じて暗黙のうちに得られました。参加者は、回答が学術研究目的のみに使用されること、個人を特定できる情報の収集や報告はしないことが保証されました。さらに、参加者にはアンケート提出前にいつでも研究から撤退できる権利が通知され、その理由は一切ありませんでした。すべてのデータは、研究チームのみがアクセスできるパスワード保護デバイスに安全に保存され、個々の回答者の特定を防ぐために集約された調査結果が報告されました。これらの措置により、IRB審査の正式な要件が適用されないにもかかわらず、ヘルシンキ宣言の倫理原則および人間参加者を含む研究に関する機関ガイドラインに従って研究が実施されることが保証されました。

研究デザイン

本研究は、生成AIの使用、AIへの信頼、認知負荷、学業成績の複雑な関係を調査するために、定量的かつ横断的な研究デザインを用いています。この設計は、大規模なサンプルから標準化されたデータを効率的かつ効果的に収集し、仮定された関係の堅牢な統計的検証を可能にする調査戦略によって運用されました。調査方法は、検証済みの尺度を用いて各構成概念を体系的に測定することを可能にし、収集されたデータが信頼性と比較可能であることを保証します。さらに、単一の時点でデータを収集する横断的アプローチの採用は、学生間の生成AI利用率と信頼度の現状を検証しつつ、これらの変数間の相互関連性と研究対象集団における認知負荷や学業成績への総合的影響を評価することに特に適しています。

参加者とサンプリング手順

本研究の対象対象は、高等教育機関に在籍し、特にChatGPTや類似の大規模言語モデルを学術目的で生成AIツールを実際に使用した経験のある学生で構成されていました。この集団の代表的な断面を確保し、発見の一般化可能性を高めるために、層別ランダム抽出法が用いられました。サンプリングフレームは大学の事務局から入手され、現在すべての学部に在籍している学生の完全なリストを含んでいます。階層化は、学問分野と学年という2つの主要な人口統計的変数に基づいていました。学問分野は主に4つの階層に分類されました:人文・社会科学、自然科学、工学・技術、そしてビジネスと経済学です。学年は4つのレベルに分かれており、学部生は1年生、2年生、3年生、4年生、そして大学院生(修士・博士)が対象となっていました。この二重層化のアプローチにより、学生全体の各サブグループから比例代表が確保され、いかなる分野や学術レベルでも過剰または過小代表が起こるのを防ぎました。各階層から参加者は乱数生成器を用いてランダムに選ばれ、その階層の全体学生人口の割合に比例して数が抽出されました。この体系的な参加者選考のアプローチにより、最終サンプルは学問的背景や教育進捗を含む高等教育学生の多様性を正確に反映しました。

参加者の人口統計に関しては、390人の回答者のサンプルは、通常18歳から35歳以上のさまざまな年齢層の多様な学生で構成されており、機関の人口統計に比例したバランスの取れた性自認の代表が見られました。サンプルには4つの学部全ての学生と大学院生が含まれ、学術的発展のさまざまな段階やAIツールへのさまざまなレベルの接触をカバーしていました。学問分野ごとに比例して代表され、人文科学、科学、工学、ビジネスの背景を持つ学生もサンプルに含まれていました。さらに、以前の技術経験、生成AIの使用頻度、母語の状況などの基本的な人口統計情報も収集され、調査対象の主要な変数の文脈を提供しました。この包括的な人口統計的プロファイリングは二つの目的を持っていました。第一に、サンプルの記述的特徴付けを可能にし、第二に、研究者が後続の解析で潜在的な交絡変数を制御できるようにしたことです。サンプリング手順と人口統計的特徴の詳細な記録により、他の研究者がこの研究を正確に再現できるようになり、再現性という科学的要件を満たし、異なる制度的・文化的文脈間での意味のある比較を可能にします。さらに、この厳密なサンプリング手法は、結果の外部的妥当性を強化し、より広範な高等教育学生集団への結果の一般化を可能にしました。本研究のデータは、構造化された自己実施型オンラインアンケートを用いて収集されました。アンケートは5つのセクションに分かれており、確立され検証済みの尺度を用いて研究の核心的構成要素を測定することを目的としています。特に明記がない限り、すべての項目は5点リッカート尺度で測定され、1(「強く異なる意見」)から5(「強く同意」)の範囲で評価されます。

計測と測定

生成AIの使用、特にChatGPTは、研究⁴⁵を基にした8項目スケールで定量化されました。このスケールは単なる使用頻度を超え、学生とAIの多面的な相互作用を捉えています。これらの項目は3つの重要な側面に焦点を当てています:(a) さまざまな学術課題での使用頻度、(b) その使用目的(例:ブレインストーミング、内容要約、校正)、(c) 学生が言語関連の学業向上においてツールの有効性を認識していること。AIへの信頼は、対人信頼⁴⁶と技術的信頼という確立された枠組みから、多次元的な概念として概念化されました。このスケールは二つの明確な次元から成り立っています。人間に似た信頼:この6項目のサブスケールは、学生がAIにどれだけ人間らしい資質(善意、誠実さ、予測可能性)を付与するかを測定します。例えば、学生がAIが自分の利益のために行動しているか、偏りのない情報を提供しているかを評価する問題です。機能信頼:この5項目のサブスケールは、AIの機能的パフォーマンスに対する信頼を評価します。この研究は、技術自体の信頼性、能力、信頼性に焦点を当て、AIが学術的な課題を効果的に遂行するために必要な機能を持っているという信念を捉えています。

認知負荷は、CLTに基づく別の研究⁴⁷を基にした尺度で測定されました。CLTの三層構造を捉えるために、この尺度は3つのサブスケールに分けられています。内在負荷(3項目):このサブスケールは、学習教材や課題自体に内在する複雑さと難易度を評価します。例としては、「私の課題で扱うトピックは非常に複雑です」といった例があります。余分な負荷(3項目):このサブスケールは、指導設計や情報の提示方法によって課される認知的負担を測定します。例えば、「課題の指示はしばしば不明瞭で、理解しにくいものです。自己認識学習(4項目):以前の教育研究に基づき、このサブスケールは関連する認知処理の概算指標として用いられ、直接的な負荷の測定ではなく用いられました⁴⁸。これらの項目は、意味のある学習に関連する理解、理解、スキーマ構築プロセスに費やされる精神的努力に対する学生の認識を捉えています。しかし、自己認識学習は学術的能力や達成度の広範な認識と概念的に重なる可能性があるため、生産的な認知的関与の部分的な操作的表現として慎重に解釈されるべきであり、関連負荷の決定的な測定としては見るべきではありません。理解、理解、そして内容を習得したという感覚に関連する項目が含まれます。教育^研究の確立された先例に従い、学業成績は自己認識尺度を用いて運用化されました。4項目の楽器が使用されました。このアプローチは、学生の学習効果や学業成績の主観的な評価を捉えるのに適しています。この尺度は学業成績の認識に焦点を当てており、「自分の課題を成功裏に完了できる自信がある」「学業課題を効率的かつ効果的に管理できるようになったと感じている」といった表現が含まれています。

データ分析戦略

部分最小二乗構造方程式モデリング(PLS-SEM)を用いて、生成AIの使用、AIへの信頼、認知負荷、自己認識の学業成績との関係を調べました。PLS-SEMの選択は、方法論的および分析的観点の両方に基づいて行われました。第一に、本研究は、完全に確立された因果理論を検証するのではなく、AI強化学習文脈における比較的新興の構成要素間の連想経路を検証することを目的とした予測志向かつ探索的モデリングの視点を採用しています。第二に、PLS-SEMは複数の潜在構造や媒介経路を含む複雑なモデル、特に分散の説明と予測解析を主な目的とする場合に適していると考えられます。さらに、PLS-SEMは非正規分布の条件下でもロバスト性を持ち、適度なサンプルサイズを用いた社会科学調査研究に適しています。高等教育における生成AI研究の探索的性質と、知覚構造間の予測的関連性の検証に重点を置いていたことから、PLS-SEMは本分析において方法論的に適切とみなされました。

収集されたデータは、SmartPLS 4ソフトウェアを用いた部分最小二乗構造方程式モデリング(PLS-SEM)を用いた2段階アプローチで解析されます。PLS-SEMは分散ベースの手法で、複雑な予測モデルに適したもので、データを正規分布にする必要はありません。ステップ1:測定モデルの評価。最初のステップは、構成概念の信頼性と妥当性を評価することです。内部整合性信頼性は、クローナバッハのアルファ信頼性および複合信頼性を用いて評価され、閾値は0.70です。収束妥当性は、指標の外側負荷(>0.70)と各構成要素の抽出平均分散(AVE)(>0.50)を検証することで確立されます。判別妥当性は、構成要素が経験的に異なることを保証するもので、Fornell-Larkker基準およびHeterotrait-Monotrait(HTMT)相関比率を用いて評価されます。ステップ2:構造モデルの評価。測定モデルが信頼性かつ妥当であることが確認された後、構造モデルが評価され、研究の仮説を検証します。これは、5,000件の再サンプルを用いたブートストラップ手法を用いて、経路係数(β)の有意性と関連性を検証することを含みます。評価の主要基準には決定係数(R²)が含まれます。これはモデルの予測力(すなわち、特に学業成績を含む内因変数で説明される分散)を測定するためです。予測関連性(^Q2):盲検手順を用いてモデルの予測精度を評価すること。効果量(f²):各独立変数が従属変数に与える実質的影響を評価すること。媒介分析:AI関連の先行要因(生成AIの利用、AIへの信頼)と学業成績との関係における認知負荷の媒介的役割を検証すること。間接効果の有意性は、ブートストラップ信頼区間を用いて評価されます。

結果

記述統計

本研究の主要変数の中心的傾向と分散を要約するために記述統計を計算しました。これには生成AIの利用、人間に似た信頼、機能信頼、内在負荷、余負荷、自己認識学習、学業成績が含まれます。記述的解析はSPSSバージョン26を用いて行われ、結果は下の 表1 に示されています。

...

可変	平均	標準偏差	歪み	尖峰
生成AIの利用	3.82

ディスカッション

この研究の最初の大きな発見は、生成AIの使用が認知負荷と正の関連を示すこと(β = 0.34, p < 0.001)であることを示し、これは仮説1と整合しています。この発見は、ChatGPTなどの生成AIツールをより頻繁に使用していると報告する学生は、学習活動中の認知負荷も高く報告していることを示唆しています。この生成AI利用と認知負荷のポジティブな関連は、単純な技術利用枠組みよりも人間とAIの相互作用の観点から理解する方が良いでしょう。生成AIに頻繁に関わる学生は、単に情報を消費するだけでなく、プロンプトの定式化、出力の解釈、ソース比較、信頼性評価、そしてAI生成コンテンツを学術作業に組み込むかどうかの意思決定を含む反復的な相互作用プロセスにも関わっています(⁴⁹.これらの相互作用過程は、持続的な認知的モニタリングと評価判断を必要とする傾向があります。この観点から見ると、生成AIの利用は認知的要求の減少と増加の両方と関連している可能性があります。例えば、AIシステムは情報の検索、作成、要約に関連する負担...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ブラインドフォールド手順	SmartPLS 4（内蔵）	N/A	構造モデルの予測的妥当性のためのQ²を計算します。
ブートストラッピング手順（5,000回のリサンプリング）	SmartPLS 4（内蔵）	N/A	経路係数（β）と間接効果の重要性を評価するために使用されます。
認知負荷スケール - 付随的負荷（3項目）	Hadie & Yusoff（2021）	N/A（検証済みのスケール）	教育設計と情報提示からの認知的負荷。
認知負荷スケール - 固有的負荷（3項目）	Hadie & Yusoff（2021）	N/A（検証済みのスケール）	学習材料/タスクの知覚される複雑さ/難易度。
認知負荷スケール - 自己認知学習（4項目）	Hadie & Yusoff（2021）	N/A（検証済みのスケール）	適切な認知処理の代用；理解とスキーマ構築のための精神的努力を捉えます。
Fornell-Larcker基準	SmartPLS 4（内蔵）	N/A	構築物の判別妥当性を評価します。
生成AI使用スケール（8項目）	Abbas et al.（2023）	N/A（適応スケール）	学術的タスクに対する生成AI（ChatGPT）の使用頻度、目的、認知効力を5点リッカート尺で測定します。
HTMT相関比率	SmartPLS 4（内蔵）	N/A	異質特性-一致特性比率；追加の判別妥当性チェック。
インフォームドコンセントフォーム	研究チーム（機関のガイドライン）	N/A	研究目的、参加の任意性、匿名性、機密性、撤回の権利の詳細な説明。調査への回答による暗黙の同意。
オンライン質問票プラットフォーム	未指定（一般的）	N/A	構造化された自己管理型のウェブベースの質問票；すべての項目が5点リッカート尺（1 = 強く同意しないから5 = 強く同意する）です。
サンプリングフレーム	大学登録事務所	N/A（機関記録）	全学部の現役学生の完全なリストを層化ランダムサンプリングに使用します。
自己認知学業成績スケール（4項目）	教育研究の先例から適応	N/A（適応スケール）	学業効力と達成の客観的評価（例：授業への自信、効率的なタスク管理）。
SmartPLS 4ソフトウェア	SmartPLS GmbH	バージョン4	分散ベースの構造方程式モデリングソフトウェア；PLS-SEM分析、ブートストラッピング、ブラインドフォールドに使用します。
SPSSバージョン26	IBM	N/A	予備的なデータスクリーニング、記述統計、PLS-SEM前データ管理（該当する場合）に使用します。
層化ランダムサンプリング手順	研究チーム（手動）	N/A	学術分野（4カテゴリー）と学年（5レベル：学部1年〜4年+大学院）に基づく層。層内でランダム数生成器を使用します。
AIへの信頼スケール - 機能性信頼（5項目）	技術信頼文献から適応	N/A（適応スケール）	学術タスクに対するAIの認知的信頼性、能力、信頼性を測定します。
AIへの信頼スケール - 人間味のある信頼（6項目）	対人信頼（Rempel et al.）と技術信頼文献から適応	N/A（適応スケール）	AIに帰属される善意、誠実性、予測可能性を評価します。