LLMを活用したエージェントによる人間らしい学習ダイナミクスのシミュレーション

深層学習手法に基づく人間の学習行動の捉え方については、心理学および知能システム分野において重要な研究課題となっている。近年のアプローチは、認知プロセスの解明のために制御された実験やルールベースのモデルに依拠しているが、学習のダイナミクスを捉えたり、時間経過に伴う学習の進展を追跡したり、結果の説明可能性を提供したりする点で課題を抱えている。こうした課題に対応するため、本研究では大規模言語モデル（LLM）を基盤とする新しいマルチエージェントフレームワーク「LearnerAgent」を提案する。このフレームワークは、現実的な学習環境を模倣することを目的としており、人間らしい学習ダイナミクスの探求を可能にする。具体的には、心理的根拠に基づいた学習者プロフィール（深層学習型、表面学習型、怠惰型）を設定するとともに、パーソナフリーの一般学習者（General Learner）を導入し、ベースとなるLLMの初期状態における行動様式を評価する。週次での知識習得、月次での戦略的選択、定期的なテスト、および同僚間の相互作用を通じて、1年間の学習プロセスにおける個々の学習者の動的な進展を追跡可能となる。本研究の主な発見は以下の4点である。1）縦断的分析から、持続的な認知的成長を達成するのは「深層学習型」のみであることが明らかになった。また、特徴的に設計された「罠質問」により、表面学習型の浅い理解状態を効果的に診断できることが確認された。2）異なる学習者の行動様式および認知的パターンは、それぞれの心理的プロフィールと強く整合している。3）学習者の自己概念スコアは現実的な変化を示し、特に認知的限界があるにもかかわらず、一般学習者の自己効力感は予想外に高い水準にまで向上した。4）重要な点として、ベースとなるLLMの初期状態は、「勤勉だが脆い表面学習型」として特徴づけられる。これは、優等生のように振る舞うが、本質的かつ汎用的な理解を欠くエージェントである。多数のシミュレーション実験の結果から、LearnerAgentが現実の状況と整合性を保ちつつ、LLMの行動特性についてより深く洞察をもたらすことが示された。