自動適応する語学アプリが記録すべき3つのこと

結論だけ先に

自動適応型の語学アプリが本当に追うべきなのは、3つです。いま復習対象になっている概念、そのために生成した練習問題、そして学習者の解答を語や文法単位でどう評価したかです。この3つがそろってはじめて、アプリは「学習した気分」を返すのではなく、実際に思い出せた内容に合わせて次回の学習を更新できます。

LinGoatは、その3点をひとつのループとして扱う例です。以下は製品紹介ではなく、適応型の設計で必要になる機能のチェックリストです。¹²

「適応型」と言うだけでは足りない理由

多くのアプリは、簡単な単元を飛ばしたり、クイズの正解率で難易度を上げたり、CEFRのレベルを推定したりするだけで「適応型」と名乗ります。たしかに、内容の出し分けには役立ちます。ただしそれだけでは、今夜忘れそうな活用や語彙項目を見つけて、適切なタイミングで復習に回すことはできません。

間隔反復が効くのは、忘却曲線を項目単位で止めるからです。単語や文法項目には、それぞれ独立した想起履歴があります。³ もしアプリが「Lesson 12, 80%」しか保存しなければ、1つの前置詞を落としても、4つの名詞は順調だった、という情報を次回に活かせません。だからこそ、産出型の学習では、記憶単位、練習の文脈、細かな結果をまとめて記録する必要があります。タイミングの考え方は間隔反復の仕組みも参考になります。

1. 何を復習対象にするか, SRSの役割

最初の信号は、今日どの概念を練習すべきかを示す「復習待ちのキュー」です。目標の保持率に近づくよう、どの項目を今やるべきかを決めます。古いSM-2系の仕組みは、主に易しさ係数で間隔を伸ばしていきます。一方、FSRSは、各項目の難しさ、安定性、再生可能性をモデル化し、想起確率が目標に近づくタイミングで次回レビューを置きます。²

大規模なAnkiコレクションのベンチマークでは、FSRSはカード単位の履歴に対してSM-2より正確に想起を予測しています。もっとも、これはその時点の実証結果であって、永久に不変の定数ではありません。⁴ 語学学習では、似た語と不規則動詞が同じ忘れ方をしないので、この精度が重要です。「あなたのレベルは分かる」と言えても、今まさに復習すべき5項目が言えないなら、それはスケジューリングではなく、単なる並べ替えです。詳しくは語学学習におけるFSRSとSM-2の比較をどうぞ。

2. どんな練習問題を出したか

2つ目の信号は、生成された練習問題の中身です。学習者が、復習対象の概念に対してどんなプロンプトを見たのかを記録します。これが大事なのは、理由が2つあります。

• 検証しやすいこと: 不正確な問題文、無理のある詰め込み、認識だけで済んでしまうタスクのせいで失敗したのか、それとも本当に思い出せなかったのかを切り分けられます。
• 応用につながること: 毎回同じ定型文だと、学習者は要素を思い出したのではなく、文字列を見覚えで通過できてしまいます。新しい文でも、復習対象の項目をちゃんと含んでいれば、実際の文産出に近い練習になります。

産出重視のアプリなら、基本形としては、母語から学習言語への文変換を使い、自然さを保ちながら、できるだけ多くの復習対象を1文に載せるのが有効です。文は配達形式、復習リストはその瞬間のカリキュラムです。両者の関係は複数概念を含む文レビューで詳しく説明しています。

3. どの語や文法が正しく出せたか

3つ目の信号は、細かい採点です。解答の中にある各語彙項目や文法項目を個別に判定し、その結果をスケジューラへ書き戻します。文全体の合否だけでは、ログがすぐに濁ります。語尾を1つ間違えただけで、他の4項目までまとめて不合格になりますし、逆に全体としては合っていても、弱い形が「Good」として流れてしまうこともあります。どちらも、FSRSのような項目単位モデルにはノイズの多いラベルになります。

テスト効果の研究では、思い出す行為そのものが学習メカニズムだと考えます。¹³ 文練習がこの仕組みに乗るには、アプリが「どの概念を想起できたのか」を判定できなければなりません。LinGoatではこれをgranular attribution、つまり全文産出の中で、語ごと、文法ごとに結果を割り当てる考え方として扱っています。詳しくは語学学習の語ごとの採点をご覧ください。

実装・導入のチェックリスト

買う側にも作る側にも使えるチェックリストです。次の内容を示せるなら、そのアプリの産出型ループはかなり信頼できます。

• 概念の台帳: 語彙と文法を、レッスンの点数ではなく、個別にスケジュール可能な項目として管理している。
• 復習待ちキュー: 毎日または毎セッション、間隔反復で選ばれた概念が並ぶ。できれば「この章を復習」のような固定ブロックではなく、FSRSのような較正されたモデルを使っている。
• 復習対象と連動した問題生成: 今まさに復習対象になっている項目から問題文を生成している。静的なカードをランダムに混ぜるだけではない。
• 産出が必要: 多肢選択やタップ選択ではなく、入力や記述による想起を求める。
• 項目ごとの採点: 解答内の各項目について成功と失敗を判定し、その場でフィードバックする。
• スケジューラへの書き戻し: それぞれの採点が次回間隔を更新し、ひとつの タイピングで全体が引きずられない。
• 正直な分析: ストリークやXPだけでなく、概念の習得度、復習負荷、語彙量などで進捗を示す。

どれか1つ欠けると、ループは途切れます。SRSだけあって生成がなければ、静的暗記に戻ります。生成だけあって細かい採点がなければ、スケジュールが壊れます。採点だけあって復習キューがなければ、単発の小テストに終わります。

多くのアプリが途中で止まってしまうポイント

見た目が整っていても、よくある穴は次のとおりです。

• 認識を習得とみなす: 多肢選択やマッチングはデータが取れているように見えますが、主に認識を測っているだけで、産出想起を体系的に高く見積もりがちです。
• 項目採点のない文カード: 文全体のレビューは効率的に見えても、1つのミスで5項目ぶんの間隔をやり直すことがあります。
• 項目履歴のないレベルエンジン: プレースメントテストは出題帯を調整しますが、語彙項目ごとの忘却曲線は管理しません。
• ゲーミフィケーション指標を代用品にする: ストリークやXPは継続の助けにはなりますが、適切な概念が適切なタイミングで戻ってきた証拠ではありません。

これらがあるからといって、アプリが無意味になるわけではありません。ただし、その場合「適応型」という言葉は、実際のデータモデル以上の仕事を肩代わりしていることになります。

LinGoatではどう組み合わせるか

LinGoatは、書く形式の文練習において、この3信号ループを実装しています。FSRSがどの概念を復習対象にするかを決め、ジェネレーターがそれらを新しい母語から学習言語への翻訳プロンプトにまとめ、細かな属性付けが各概念を採点して再スケジュールします。なお、これはスピーキング機能の置き換えではありません。同じ習得マップを使う専用の発話モードは、現時点で出荷済み機能ではなく、ロードマップ上の構想です。

設計全体の考え方, つまり産出と認識の違い、段階的な学習、そして3つのステップを一緒に進める理由については、LinGoat の教育設計全体もご覧ください。

LinGoat の仕組みをご覧いただくか、アプリを開いて練習を始めてください。

参考文献

1. Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249-255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
2. Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. In Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 4384-4394). Association for Computing Machinery. https://doi.org/10.1145/3534678.3539081
3. Karpicke, J. D., & Roediger, H. L. (2008). The critical importance of retrieval for learning. Science, 319(5865), 966-968. https://doi.org/10.1126/science.1152408
4. Expertium. (2025). Benchmark of spaced repetition algorithms. https://expertium.github.io/Benchmark.html