AIで効果的なコースを作るには――文書からコースへ、研修設計で重要となる5つの判断

 

すでに多くの研修担当者が、AIを活用したコース作成に取り組んでいます。AIのチャット画面を開き、業務資料を貼り付け、「新入社員オンボーディングコースを作成して」と指示すれば、わずか数分で、章立て、解説、テストを備えたコースコンテンツを生成できます。

 

しかし、AIを使ったコース作成を繰り返すうちに、次のような2つの問題に直面することがあります。

 

• AIは構成の整った研修設計案を素早く生成できますが、内容を精査すると、あらゆる箇所に調整が必要で、実際には相応の時間がかかります。

複数の文書をまとめてAIのチャット画面に入力し、「これらを統合して、新入社員オンボーディングコースのアウトラインを作成して」と大まかに指示すると、汎用大規模言語モデル（汎用LLM）はすぐに一通り整ったアウトラインを生成しますが、その内容は複数文書の目次のつぎはぎになりがちです。誰に、何を、どの程度まで教えるのかといった詳細情報をプロンプトで与えなければ、汎用LLMは、全ての対象者に向けた標準的な案しか生成できません。内容に明らかな誤りはないように見えても、どこから手を付けて調整すべきか分からなくなります。

• AIと何度も対話を重ねるうちに、生成された内容が別々のチャットウィンドウに分散し、論理的に一貫したコースに統合するのが困難になります。

一つのチャットウィンドウでは製品マニュアルを分析し、もう一つのウィンドウではアウトラインを検討し、さらに別のウィンドウでは練習問題を作成。このように複数のチャットウィンドウを行き来していると、それぞれ参照する資料が異なり、コンテキストも分断されるため、手動でコピー＆ペーストし、背景情報を繰り返し補足する必要があります。対話の回数が増えるほど、最初に設定した制約条件は失われやすくなり、別途作成した内容をつなぎ合わせても、コース全体を貫く研修設計のロジックが欠けたままです。

 

この2つの問題の根本的な原因は、AIが構造化された長文を生成できても、研修設計に関する専門的な判断を自ら行うわけではないことにあります。コースの質を左右するのは、まさにコース作成の過程で行うこうした判断です。AIを活用して質の高いコース、効果的な学習を実現するためには、研修設計のロジックを明確に表現できるかどうかが鍵となります。

 

文書から効果的なコースを作成するまでには、研修設計で重要となる5つの判断があります。それぞれの判断には、学習科学上の明確な根拠があり、対応する実践的な方法論もあります。本記事では、一連のコース作成プロセスを通じて、5つのステップに沿ってAIを活用し、効果的なコースを作成する方法を解説します。

 

コース作成の出発点となるのは、製品マニュアル、営業プロセス文書、顧客コミュニケーションガイド、企業文化ハンドブックといった、企業のナレッジベースに含まれる代表的な資料です。目標は、異なる部門に散在するこれらの文書を統合し、一つの新入社員オンボーディングコースを作成することです。

 

 

 ステップ1：文書に沿った章立てから始めず、まずコースで解決すべき問題を明確にし、要件を定義する

全ての文書を汎用LLMに入力して「これらの文書からコースを作成して」と指示すると、汎用LLMは文書の内容に沿って章立てし、各章に解説といくつかの設問を設けます。全ての文書を合わせると、生成されるコースモジュールの数が多くなり、一見するとコース全体の完成度が高いように見えます。

 

しかし、文書は全ての人が参照するための資料であるのに対し、コースは、対象とする受講者に必要な能力を高め、具体的な問題を解決するための学習プログラムです。文書の構造に沿って直接生成されたコースには、明確な研修目標も、具体的な受講者ペルソナも、評価可能な行動目標もありません。文書の内容の大部分を網羅しているかもしれませんが、内容の網羅性と、研修における効果的な指導の間には隔たりがあります。

 

そこで、AIにコンテンツを直接生成させる前に、まずコースの要件を定義し、次の3つの問いに答える必要があります。

 

• 今回の研修で、どのようなビジネス課題を解決するのか。

新入社員の製品知識の不足により、顧客とのコミュニケーションが円滑に進まないことでしょうか。それとも営業プロセスに不慣れなため、案件フォローの効率が低いことでしょうか。あるいは顧客の複雑なニーズへの対応策が不足しているため、成約率が低いことでしょうか。解決すべき課題が異なれば、研修の重点も変わり、それぞれの文書に含まれる内容をコース内でどのような比重で扱うべきかも変わります。

• 受講者は誰で、現時点での能力レベルはどの程度か。

同じ新入社員オンボーディングであっても、社会人経験の浅い新入社員を対象とする場合と、経験豊富な業務担当者を対象とする場合では、コース設計がまったく異なります。社会人経験の浅い人には、基本的な業界知識や顧客コミュニケーションのフレームワークから教える必要があるかもしれません。一方、経験豊富な業務担当者は、すでに豊富な業界経験や顧客ネットワークを持っているため、自社の製品体系や社内連携プロセスを重点的に学ぶ必要があります。コースをどのレベルから始め、どこまで掘り下げるかは、受講者ペルソナに応じて決める必要があります。

• 研修終了後、受講者はどのような行動ができ、どのような能力向上が見込めるか。

これが研修目標の着地点です。「製品知識を理解する」では抽象的です。「顧客から競合他社の製品との比較を求められた際、3つの主要な差別化ポイントを用いて的確に回答できる」であれば、観察可能で評価可能な目標になります。このように、行動目標をどこまで明確に定義できるかによって、その後の研修設計の方向性が決まります。

 

汎用LLMは、自らユーザーを導いて要件を明確にしてくれるわけではありません。プロンプトにこれらの背景情報が含まれていなければ、AIは文書の内容に優先順位を付けず、その全てをコースに盛り込むべきものとして扱う可能性があります。一方、プロンプトでビジネス課題、受講者ペルソナ、行動目標の3要素を明確に示せば、汎用LLMのアウトプット品質は大きく向上します。

 

 ステップ2：受講者が一度に処理できる情報量には限りがあるため、文書の内容を全てコースに盛り込まない

要件定義が完了すると、研修目標と受講者ペルソナが明確になります。しかし、複数の文書に含まれる情報を全て合わせると、その量は、新入社員が入社直後に身に付けるべき情報量をはるかに上回ります。取捨選択せずにそのままコースに盛り込めば、あらゆる学習ポイントを網羅できるものの、どのモジュールも十分に掘り下げることができません。そのため、ステップ2では文書に立ち戻り、「研修目標の達成に直接貢献する内容」と「関連性の低い内容」を選別します。

 

認知科学の基本原理の一つに、人間のワーキングメモリ容量には限りがあり、一度に処理できる新しい情報はごくわずかだというものがあります。企業文書に含まれる情報の多くは、その文書の文脈では必要なものです。しかし、こうした情報をそのままコースに盛り込むと、その一部は研修目標とは関係のない認知的な負担になります。

 

例えば、製品マニュアルでは通常、製品の技術アーキテクチャや基盤となる実装の仕組みが詳しく説明されています。こうした内容はプリセールスエンジニアやテクニカルサポートチームにとって非常に重要です。一方、来週から顧客訪問を始める新人営業担当者にとって、現時点で最も習得すべきことは、「顧客はどの機能に関心があるか」「各機能はどのような課題を解決するのか」です。コース内で顧客向けトークスクリプトを教えつつ、技術アーキテクチャの詳細を大量に織り交ぜてしまうと、受講者は異なるレベルの内容の間で何度も注意を切り替えることになり、その結果、本来コアとなる営業ナレッジを理解するための情報処理の余力が不足してしまいます。

 

このような、情報の提示方法によって生じる、研修目標とは無関係な認知的な負担は、学習科学では「無関連認知処理」と呼ばれます。コース内容を選別する際の基準は、常にステップ1で定めた研修目標です。

 

無関連認知処理を減らす方法には、次のようなものがあります。

 

• 今回の研修目標との関連性が低い、派生的・拡張的な内容を削る
• 同時に理解すべき情報を一カ所に統合し、別々の箇所に分散させない
• 各学習ユニットの情報密度をコントロールし、受講者が各段階で効果的に吸収できるようにする

 

選別後に残ったものこそが、研修目標の達成に本当に寄与するコアコンテンツです。

 

 ステップ3：ラーニングジャーニーには独自の組み立て方があり、学習ポイントの順序は文書の目次通りではない

汎用LLMでコースを作成すると、通常は文書の構成がそのままコースの順序に反映されます。つまり、文書のパート1をコースの第1章に、パート2を第2章に対応させる形です。

 

文書の構成ロジックは、情報を整理・保存し、参照や検索をしやすくすることにあります。一方、研修の構成ロジックにおける順序付けの基準は、学習ポイント間の依存関係であり、受講者がスムーズに理解・習得できるようにすることが目的です。

 

例えば、「製品の主要機能」「顧客の典型的な活用シーン」「競合製品との比較」という3つの内容が、それぞれ異なる文書に分散しているとします。研修のロジックで考えると、受講者が「競合製品との比較」を理解するには、前提として「製品の主要機能」と「顧客の典型的な活用シーン」をすでに習得している必要があります。コース内の内容を文書の構成通りに並べると、受講者が「競合製品との比較」を学ぶ頃には、製品機能について学んだ内容の記憶がすでに薄れている可能性がある一方、顧客の活用シーンについてはまだ学んでいません。受講者は、新たな比較情報を処理しながら、以前学んだ製品機能を思い出し、まだ学んでいない顧客の活用シーンまで推測しなければならず、認知負荷が大きく高まります。

 

研修全体の構成を設計する上で鍵となるのは、複数の概念を同時に理解しなければならない内容を、段階的に理解できる順序へ分解することです。まず、製品機能や顧客の活用シーンといった基本概念を十分に習得させます。その上で、競合製品との比較や顧客への対応策といった総合的な判断を必要とするタスクを配置します。ステップを進むごとに、複雑さと難易度を一段階ずつ高め、受講者の認知負荷を常にコントロールできる範囲に保ちます。

 

学習ポイントの順序付けには、「まず全体像を示し、その後で詳細へ進む」という原則もあります。最初に全体の枠組みを示し、そこへ要点を段階的に加えていく方が、初めから詳細を説明するよりも効果的です。受講者が全体構造を理解できないまま細かい情報を処理すると、ワーキングメモリ内に、個々の情報と全体構造についての推測を同時に保持する必要があり、二重の負荷がかかります。先に全体の枠組みを示しておけば、個々の学習ポイントが提示されたときに、それが全体のどこに位置付けられるのかを判断するための基準を持てます。

 

 

AIへのプロンプトで、学習ポイントをどの順序で学ぶ必要があるかという依存関係を明確に示せば、AIはより分かりやすい学習の流れに沿ってアウトラインを構成できます。ただし、この順序を判断するには研修内容を構造的に理解している必要があり、通常は専門的な経験に基づく判断が求められます。

 

 ステップ4：知識タイプに応じて、指導方法と練習を使い分ける

学習ポイントの順序付けが完了したら、次は各学習ポイントの指導方法を設計します。ここは、コースの品質に最も大きな差が生じる工程でもあります。

 

一般的なのは、各学習ポイントに同じテンプレートを使い、解説動画またはテキストに数問の選択式問題を加える方法です。汎用LLMはコンテンツ生成を得意とするため、このテンプレートを簡単に適用できます。しかし、受講者のラーニングジャーニーにおいて、1回見るだけで理解できるモジュールもあれば、10回繰り返して見ても実務で使えないモジュールもあります。

 

同じ新入社員オンボーディングの中にも、性質がまったく異なる複数の知識タイプが含まれることがあります。

 

• 製品の機能モジュールやターゲットとなる顧客タイプは、「事実型知識」であり、正確に記憶する必要があります。これらは、顧客へのソリューション提案の精度に直接影響します。
• 顧客の活用シーンに応じて製品価値をどのように位置付けるかは、「概念型知識」であり、根底にあるロジックを理解し、競合他社の製品と比較した際の自社製品の差別化ポイントを明確に把握する必要があります。
• 見積承認プロセスは「プロセス型知識」であり、一連の手順から成ります。決められた順序で進め、重要なポイントで適切に判断する必要があります。
• 顧客からの懸念や異議への対応方法は、「戦略型知識」であり、唯一の正解はなく、具体的な状況に応じて柔軟に対応方法を選択する必要があります。

 

これら4つの知識タイプでは、学習時に必要となる認知処理がそれぞれまったく異なります。

 

• 製品機能の違いなどの「事実型知識」を記憶するには、その内容を正確に覚え、繰り返し思い出す必要があります。
• 製品価値の位置付けなどの「概念型知識」を理解するには、ワーキングメモリ内で因果関係を構築し、既存の知識と統合する必要があります。
• 承認プロセスなどの「プロセス型知識」を習得するには、一連の手順を習慣として定着させ、スムーズに実行できるようにする必要があります。
• 対応方法などの「戦略型知識」を身に付けるには、さまざまな状況を想定した練習を重ね、状況を的確に見極めた上で、適切な対応策を選べるようになることが必要です。

 

この4つの知識を全て同じ方法で教えると、知識タイプによって指導が過剰になったり、指導不足になったりする可能性があります。例えば、事実型知識では、覚えるだけでよい機能一覧を長時間かけて掘り下げて説明するなど、必要以上に詳しく教えてしまうことがあります。一方、戦略型知識では、受講者が解説を見て数問の選択式問題に答えるだけで、正しい答えを見分けることはできても、実務に戻って実際の顧客を前にすると活用できません。

 

そのため、それぞれの知識タイプに適した指導方法を選ぶ必要があります。

 

• 事実型知識には、要点を簡潔に提示し、記憶を定着させる方法が適しています。

重要な情報はコンパクトなナレッジカードで提示します。さらに、学習した内容を一定の間隔を置いて復習し、短時間で答えられる確認テストによって、記憶できているかを確かめます。

• 概念型知識には、たとえを用いた説明と理解度の確認を組み合わせる方法が適しています。

まず、受講者にとって身近な例を用いて新しい概念を説明し、これまでの経験と結び付けられるようにします。その後、概念の核となるロジックを受講者自身の言葉で説明してもらい、重要な因果関係を誤って理解している箇所があれば、その場でフィードバックします。

• プロセス型知識には、手順を段階的に示し、実践とフィードバックを組み合わせる方法が適しています。

学習科学の「例題効果（worked-example effect）」によると、一連の手順を最初から最後まで示した例を受講者に見せることで、「次に何をすべきか」を自分で考える負担がなくなり、手順間の論理関係を理解することに集中できます。例を確認した後は、一部の手順をあらかじめ示した練習問題へ移り、受講者には抜けている手順を補ってもらいます。これにより、受講者は主体的に考えながら取り組める一方、提示された手順を足場にできるため、全ての手順を一から考える必要はありません。

• 戦略型知識には、さまざまな状況を想定した練習とシミュレーションを組み合わせる方法が適しています。

さまざまな顧客対応のケースを提示し、どの対応方法を選ぶべきかを受講者自身に判断してもらいます。練習問題で扱う状況がどれも似通っていると、受講者は「このような状況ではこの方法を使う」という表面的な対応パターンを覚えるだけです。一方、顧客の業界や質問の仕方、コミュニケーションチャネルは異なっていても、根底にあるニーズが共通するケースを扱えば、受講者は表面的な違いではなく、本質的な構造に注目し、「どのような条件で、どの対応策を選ぶべきか」を判断する必要があります。これにより、新たな業務上の状況にも応用しやすくなり、適切に判断できるようになります。

 

 

ここで、最近ご自身が開発した、または参加した研修コースを振り返ってみてください。そこには何種類の知識が含まれているか、また、それら全てに同じ指導方法が使われていないか確認してみましょう。もしそうなら、一見完成度が高くても十分な研修効果が得られない大きな理由の一つは、全てに同じ指導方法を用いていることかもしれません。

 

 ステップ5：受講者自身の思考とアウトプットを通じて生成的認知処理を促すことが、効果的学習の鍵

これまでの4つのステップで、内容の選別、順序の設計、指導方法の選択に関する問題に対応しました。しかし、それでも十分な学習効果が得られない場合があります。その理由は、受講者が解説動画を視聴したり、顧客事例に目を通したり、選択式問題に答えたりするだけで、「受け身で情報を受け取る」状態にとどまっていることです。そこには、受講者自らが情報を整理し、統合するプロセスが欠けています。

 

学習時、受講者の頭の中では、受け取った情報に対してさまざまな処理が行われます。こうした認知処理は、次の3つに分けられます。

 

• 無関連認知処理：不適切な情報提示によって認知リソースが余計に消費され、結果として学習効果が得られません。
• 基礎的認知処理：受講者は学習内容を認識し、学んだとおりに言葉にできますが、深く理解するまでには至りません。その結果、機械的な暗記にとどまり、テストが終わると忘れやすくなります。
• 生成的認知処理：受講者が断片的な情報を能動的に整理して相互に関連付け、知識構造へと組み立てます。同時に、新しく学んだ内容を、自身がすでに持っている知識や経験と統合します。その結果、受講者は内容を本当に理解・記憶し、実務でも活用できるようになります。これが効果的学習の鍵です。

 

生成的認知処理を経て初めて、学習内容は強固な知識構造として定着し、新たな状況でも必要に応じて引き出し、活用できるようになります。生成的認知処理を経ていない場合、受講者は学習内容を認識したり再現したりできても、状況が変わると応用することが難しくなります。

 

コース内で生成的認知処理を促す方法は数多くあります。例えば、AIがシミュレーションする顧客に対して、「なぜエンタープライズ版の方がスタンダード版よりも、その顧客の業務状況に適しているのか」を、受講者自身の言葉で説明してもらいます。この課題では、製品機能に関する知識、顧客の状況への理解、製品価値の位置付けを踏まえて、総合的に判断する必要があります。一見、研修の進め方におけるわずかな違いのようですが、受講者の認知処理が「見たことがあり、選択式問題にも正解できる」段階にとどまるのか、それとも「理解し、柔軟に応用できる」段階に達するのかを左右します。

 

生成的認知処理は独立した一つのステップではなく、それぞれの指導方法の設計に組み込む必要があります。各学習ユニットに「受講者自身がアウトプットする」機会が設けられているかどうかで、コースを通じて本当に効果的な学習体験を提供できるかが決まります。

 

研修設計で重要となる5つの判断：指導方法が組み込まれたAIコース作成プロダクトは、なぜより効果的なコースを作れるのか

ここで、本記事の冒頭で取り上げた「AIに文書を入力してコースを作成するケース」を振り返ってみましょう。同じ文書一式を入力すれば、いずれのAIも短時間でコースを作成できます。違いは、コース作成の過程で、次の5つのステップを踏み、それぞれのステップで適切な研修設計上の判断を行っているかどうかにあります。

 

1. 最初に要件を明確にし、研修目標と受講者ペルソナを定める

2. 研修目標に沿ってコース内容を選別し、受講者が限られた情報処理能力をコア知識の理解に使えるようにする

3. 学習ポイント間の依存関係に沿って学ぶ順序を設計し、認知負荷をコントロールできるペースで段階的に学習を進められるようにする

4.　知識タイプに応じて、それぞれの知識に最も効果的な指導方法と練習を取り入れる

5. 各学習ユニットで受講者の生成的認知処理を促し、学んだ内容を実務で応用できるようにする

 

 

各ステップには学習科学上の根拠があり、それぞれがコースの質に影響します。どれか一つでも省略すると、コースは一見完成度が高く見えても、実際に得られる学習効果は低下する可能性があります。

 

各ステップで求められる判断は、これまで経験豊富な講師の個人的な経験と専門的な洞察に大きく依存していました。そこで、UMU AGL（AI Generated Learning）は、検証された学習科学の原理をプロダクトの仕組みに組み込んでいます。具体的な仕組みは、次のとおりです。

 

• 対話形式での要件明確化により、講師が研修目標と受講者ペルソナを定められるよう支援します。
• ラーニングマップが各学習ポイントの知識タイプを自動で特定し、学習ポイント間の依存関係に沿ってアウトラインを構成します。
• 知識タイプ別の指導方法を適用し、それぞれに対応したナレッジカードと練習を生成します。

 

重要なポイントでは、講師が専門知識や経験に基づいて内容を確認・判断します。最終的に作成されるコースの質は、講師の専門的な判断と、プロダクトに組み込まれた方法論を効果的に組み合わせられるかどうかによって決まります。

 

受講者のラーニングジャーニーでは、AIが対話型ティーチングを通じて3つの役割を担い、学習中に生成的認知処理を継続して行えるよう支援します。

 

• 解説時にはトレーナーとして、情報密度をコントロールし、知識タイプに応じて提示方法を選びます。
• 質疑応答時にはチューターとして、問いかけを重ね、受講者が自ら情報を整理・統合できるよう導きます。
• 練習へのフィードバック時にはコーチとして、実際の業務シーンに即した練習と、詳細なフィードバックを提供します。

 

AGLを企業の研修シーンでどのように活用できるかを詳しく知りたい方は、こちらから詳細をご覧ください。AGLが貴社の研修にどのような変化をもたらすのかをご確認ください。貴社に適したプランは、AGLのプランと料金からお選びいただけます。

 

大規模言語モデル（LLM）の能力が進化し続けるなか、AIを効果的に活用できる講師は、自身の専門的な判断力を10倍に高められるようになります。

 

お手元の業務文書を1つご用意のうえ、AGLがコースを作成する際、この5つのステップで必要となる判断をどのように取り入れているのかを、今すぐご体験いただけます。