prompt-literacy-sequence-designer

プロンプト・リテラシーの学習シーケンス設計

このスキルでできること

プロンプトの質がAIの出力の質を左右する理由と、より有用で正確、かつ状況に適した回答を得るために、どのような具体的な工夫をプロンプトに加えればよいかを学生に教える、体系的な学習シーケンスを作成します。このシーケンスでは、比較対照の構成を採用します。学生は同じ質問に対して曖昧なプロンプトと改善したプロンプトを使い、出力の質の違いを分析して、その原則を抽象化します。核心となる洞察は、AIは不足している文脈を統計的に最も一般的な回答で補うということです。つまり、対象者、目的、分野、制約に関する文脈がないプロンプトでは、学生個人の状況に合わせた回答ではなく、平均的なケースを想定した回答が返されます。アンカーとなるアクティビティとして、料金設定の演習（Kharbach、2026年）を取り入れます。学生は「あるサービスにいくら請求すべきですか？」という文脈のないAIの回答に対し、サービスの種類、場所、対象市場、品質レベルといった制約を段階的に追加し、具体性を高めることで、一般的で役に立たない出力が、実際に役立つ出力へと変化する様子をリアルタイムで確認します。このシーケンスでは、プロンプトの5つの要素を教えます。文脈（自分は誰で、何をしているのか）、タスク（具体的に何を求めているのか）、制約（どのような制限があるのか）、形式（出力をどのように構成すべきか）、ペルソナ（AIにどのような役割を担わせるか）です。プロンプト・リテラシーは、AIを効果的に活用するための前提となるスキルであり、AIの出力を評価するスキルを直接補完します。

エビデンスの基盤

Brownら（2020）は、GPT-3の論文で、プロンプトの作り方がモデルの出力品質に大きく影響することを実証しました。プロンプトに少数の例を含める（優れた回答の例をAIに示す）と、ゼロショットのプロンプト（例を含めない）よりも大幅に良い結果が得られます。これは、プロンプト設計が恣意的なものではないことを示す基礎的なエビデンスです。Liuら（2023）はプロンプト手法を体系的に調査し、さまざまなプロンプトの構成（思考の連鎖、ロールプレイ、指示追従、少数例）が、タスク全般にわたって出力品質に及ぼす影響についての研究をまとめました。この調査は、プロンプトエンジニアリングが、偶然に左右されるものではなく、習得可能な原則に基づくスキルであることを示しています。ReynoldsとMcDonell（2021）は、この考えを「メタプロンプト」という概念へと発展させました。メタプロンプトとは、AIに推論方法、回答の構成方法、ペルソナの採用方法を明示的に指示するプロンプトです。こうした構造的な要素によって、出力品質が大幅に向上することが示されています。この3つの資料が、プロンプト・リテラシーの指導に関するAI固有のエビデンスの基盤となります。ただし、学生にプロンプト・リテラシーを教えることに関する教育学的なエビデンスは、現時点では非常に限られており、教育研究の最前線にある分野です。残りの資料は、このシーケンスの指導設計を裏付けます。Rosenshine（2012）は、ここで採用する「モデルの提示→ガイド付き練習→個人練習」の構成を提示しています。Willingham（2007）は、教科固有性に関する主張を示しています。歴史で優れたプロンプトとされるものは、数学で優れたプロンプトとされるものとは異なるため、教科に即したプロンプト・リテラシーの指導が必要となります。

入力スキーマ

教師が指定する項目：

• 教科： 分野。例：「歴史」／「生物学」／「英語（言語と文学）」／「数学」
• 学生の学年・レベル： 学年と現在のAI利用状況。例：「10年生。宿題にChatGPTをよく使うが、ありきたりな出力ばかりで役に立たないと感じている」／「12年生。調査や文章の下書きにAIを使っているが、プロンプトの方法を明示的に教わったことはない」
• AIのタスクの種類： 学生がAIを何に使うか。例：「調査：エッセイのテーマに関する背景情報を得る」／「執筆：段落の下書きを生成し、フィードバックを得る」／「解説：理解できなかった概念をAIに説明してもらう」

任意（利用可能な場合、コンテキストエンジンにより挿入）：

• プロンプト・リテラシーの重点項目： 強調するプロンプトの要素
• 学生がよく使うプロンプト： 学生が現在AIに入力しているプロンプトの実例
• 利用可能な時間： シーケンスの所要時間

プロンプト

You are an expert in AI literacy pedagogy and instructional design, with knowledge of prompt engineering research (Brown et al. 2020; Liu et al. 2023; Reynolds & McDonell 2021) and instructional design principles (Rosenshine, 2012; Willingham, 2007). You understand that prompt literacy is a genuinely new skill with limited dedicated pedagogical research — the strongest evidence base is for the technical principles (prompt structure affects output quality) rather than for specific teaching methods. You will design a learning sequence grounded in instructional design principles applied to this new domain.

CRITICAL PRINCIPLES FOR PROMPT LITERACY:
- **AI fills missing context with the average.** When a student writes "explain photosynthesis," the AI generates an explanation calibrated for the most likely reader of that query — probably a general adult, not a Year 10 student preparing for a specific exam. Good prompts close the gap between the average case and the specific case.
- **Constraints are productive, not restrictive.** Most students think a prompt is "finished" when they've stated the task. Constraints — "in no more than 200 words," "without using the word 'significant'," "for an audience who has never studied biology" — transform output quality because they force the AI to solve a more specific problem.
- **Prompt literacy is discipline-specific.** What makes a good prompt for a History essay is different from what makes a good prompt for a Physics problem explanation. The principles are the same; the application differs.
- **Compare-contrast is the core learning mechanism.** Students learn prompt literacy most effectively by running two prompts side-by-side and analysing the difference — not by memorising rules. The rules become intelligible through contrast.
- **Prompt improvement is iterative, not one-shot.** Expert AI users refine their prompts based on the output they receive. Students need to understand that a first prompt is a starting point, not a final request.

Your task is to design a prompt literacy learning sequence for:

**Subject area:** {{subject_area}}
**Student level:** {{student_level}}
**AI task type:** {{ai_task_type}}

The following optional context may or may not be provided. Use whatever is available; ignore fields marked "not provided."

**Prompt literacy focus:** {{prompt_literacy_focus}} — if not provided, address all five prompt dimensions (context, task, constraints, format, persona) but weight the sequence toward the 2-3 most relevant for the stated AI task type.
**Common student prompts:** {{common_student_prompts}} — if not provided, generate realistic examples of how students at this level typically prompt AI for this task type — usually brief, task-only, no context.
**Time available:** {{time_available}} — if not provided, design for a 30-minute lesson or homework task.

Return your output in this exact format:

## Prompt Literacy Sequence: [Subject/Task Type]

**For:** [Student level]
**AI task type:** [What students are using AI for]
**Sequence focus:** [Which prompt dimensions are emphasised and why]

### Prompt Anatomy

[The five prompt dimensions with subject-specific examples for each:]

**1. Context:** [What context is — who I am, what I'm doing, why. Subject-specific example of no context vs. good context]
**2. Task:** [What task specificity means beyond just "explain X." Subject-specific example]
**3. Constraints:** [What constraints do — how they force more specific, useful output. Subject-specific example]
**4. Format:** [What format specification achieves. Subject-specific example]
**5. Persona:** [What role assignment achieves. Subject-specific example]

### Compare-Contrast Activity

**Vague prompt:** [A realistic example of how students currently write prompts for this task]

**What AI gives back:** [Description of what output this prompt generates — generic, unspecific, average-case]

**Refined prompt:** [The same task with all relevant dimensions added]

**What AI gives back:** [Description of how output quality changes — specific, audience-calibrated, more useful]

**Analysis questions for students:**
[4-5 questions that guide students to identify WHY the refined prompt produced better output — not just "it's better" but what specifically changed]

### The Pricing Exercise

[The core activity: a demonstration of how iterative constraint-adding transforms AI output.]

**The base prompt:** [A context-free question relevant to this subject area that produces a generically unhelpful answer]

**Step 1 — Add audience context:** [The prompt after adding who the user is and their purpose]
**Observed change:** [What changes in the output]

**Step 2 — Add constraints:** [The prompt after adding specific constraints relevant to the context]
**Observed change:** [What changes in the output]

**Step 3 — Add format specification:** [The prompt after adding output format requirements]
**Observed change:** [What changes in the output]

**The principle:** [One sentence: what this exercise demonstrates about the AI fill-with-average principle]

### Prompt Rewriting Activity

**Instructions:** [Step-by-step instructions for students to diagnose and rewrite a weak prompt]

**Weak prompt to rewrite:** [A realistic student prompt for this subject and task]

**Diagnosis framework:** [Questions students answer before rewriting: What context is missing? What constraints would improve this? What format would be most useful? What persona would help?]

**Student rewriting space:** [Guided template with slots for each prompt dimension]

**Share and compare:** [How students share their rewrites and compare outputs]

### Prompt Principles Summary Card

[A concise, printable reference for students — 5 principles with one-line explanations and short examples from this subject area]

**Self-check before returning output:** Verify that (a) examples are specific to the stated subject and AI task type, (b) the compare-contrast shows a concrete, observable difference in output quality, (c) the Pricing Exercise uses a realistic base prompt that genuinely produces a generically unhelpful answer, (d) the rewriting activity requires student judgment, not just slot-filling, and (e) the principles summary is genuinely memorable, not a list of abstract rules.

出力例

シナリオ： 教科領域：「歴史」／生徒の学年：「Year 11。エッセイの支援にChatGPTを定期的に使っているが、試験の具体的な要件に合わない一般的な出力ばかり受け取っている」／AIタスクの種類：「ライティング：エッセイの論点や段落構成に関する支援」／生徒によくあるプロンプト：「第一次世界大戦の原因についてエッセイを書いて」／「ベルサイユ条約についての段落を書くのを手伝って」

---

プロンプトリテラシーの学習ステップ：歴史のエッセイライティング（Year 11）

対象： 歴史を学ぶYear 11の生徒。AIの利用経験はあるものの、一般的な出力ばかり受け取っている生徒 AIタスクの種類： エッセイの論点と段落に関する支援 学習ステップの焦点： 文脈（試験に即した枠組み）と制約（論の構成、証拠の要件、語数制限）。この2つの観点を指定すると、この用途では出力の質が最も大きく向上します。

プロンプトの構成要素

1. 文脈： 文脈がなければ、AIは第一次世界大戦のエッセイを読む平均的な読者、つまり一般の大人向けに文章を書きます。文脈なし：「ベルサイユ条約についての段落を書くのを手伝って。」 文脈あり：「私は英国のYear 11の生徒で、AQA GCSE Historyのエッセイを書いています。第二次世界大戦の最も重要な原因はベルサイユ条約だったと論じる必要があります。」

2. タスク： トピックを示すだけでは不十分です。組み立てたい具体的な論点を示しましょう。曖昧なタスク：「ベルサイユ条約について説明して。」 具体的なタスク：「ベルサイユ条約の経済条項が、1920年代のドイツの政治的不安定にどのように影響したか説明して。」

3. 制約： 制約を指定すると、AIのエッセイを実際に使える段落にできます。制約なし： どんな文体でも、500語以上の文章が生成されます。*制約あり：「主張、証拠、分析、論点へのつなぎという構成で、約120語」――これなら使える文章が得られます。

4. 形式： 構成を指定します。「PEEL構成（Point、Evidence、Explanation、Link）を使って」または「段落全体ではなく、自分で膨らませられる箇条書きで書いて」と指定すると、根本的に異なる、より役立つ出力が得られます。

5. ペルソナ： 「厳格なGCSE Historyの試験官として振る舞って」と指定すると、ペルソナを指定しない場合とは異なるフィードバックが得られます。「最高点を取った、私より1学年上の生徒として振る舞って」と指定すると、表現のレベルが変わります。

比較対照アクティビティ

曖昧なプロンプト： 「ベルサイユ条約についてのエッセイの段落を書いて」

AIの出力： ベルサイユ条約とは何か、その条項、そして「ドイツに反感を生んだ」ことを説明する、一般的な200語の段落です。具体的な論点もGCSE試験に適した構成もなく、分析ではなく説明に終始しているため、点数は低くなるでしょう。

改善したプロンプト： 「私はGCSE Historyのエッセイで、ナチスの台頭の最も重要な原因はベルサイユ条約だったと論じています。少なくとも1つ、条約の条項から具体的な証拠を用いた、PEEL形式（Point、Evidence、Explanation、Link）のよく構成された段落を1つ（約120語）書く必要があります。領土上の影響ではなく、経済的な影響に焦点を当ててください。」

AIの出力： 明確な歴史上の論点で始まり、具体的な賠償金額（66億ポンド）を証拠として用い、影響の仕組み（経済的不安定 → 失業 → 過激主義）を説明し、ナチスの台頭に関するエッセイの主張に明示的につなげる、120語の段落です。構成が適切で、試験にふさわしく、すぐに役立ちます。

生徒への分析の問い：

• 「曖昧なプロンプトにはなく、改善したプロンプトに加えた情報は何ですか？列挙してください。」
• 「『領土上の影響』ではなく『経済的な影響』を指定したことで、AIの文章が変わったのはなぜですか？」
• 「PEEL構成を依頼したので、AIはその構成で出力しました。形式を指定していなかったら、どうなっていたでしょうか？」
• 「AIの最初の出力が一般的なものだった場合、それはAIの問題でしょうか、それともプロンプトの問題でしょうか？このことから何がわかりますか？」
• 「同じエッセイで別の段落を得るには、改善したプロンプトをどのように書き換えますか？」

価格設定の演習

基本のプロンプト：「歴史のエッセイの主張を裏付けるには、どんな例を使えばよいですか？」

観察された変化 — 対象者の情報を追加した後：「ヴェルサイユ条約がナチズム台頭の主な原因だったかどうかについて、Year 11 の GCSE History のエッセイを書いています。この主張を裏付けるには、どんな例を使えばよいですか？」→ AI は、無作為な歴史上の例ではなく、ワイマール時代のドイツとナチスの台頭に関連する例を生成するようになります。

ステップ 2 — 制約を追加する：「……使うべき具体的な証拠を 3 つ教えてください。それぞれ、日付を特定できる事実、統計、または名前のある出来事にしてください。」→ AI は、漠然としたテーマのリストではなく、簡潔で具体的、かつ日付を特定できる証拠を 3 つ提示します。

ステップ 3 — 形式を指定する：「……各証拠を次の形式で提示してください：[証拠] — [これが私の主張を裏付ける理由]。」→ AI は、流れるような文章ではなく、すぐに使える構造化された参照資料を生成するようになります。

**原則：**AI は平均的なケースを想定して回答します。制約を加えるたびに、出力はあなたの具体的な状況に近づきます。

プロンプトを書き換えるアクティビティ

手順：

1. 以下の弱いプロンプトを読みます。
2. フレームワークの 4 つの質問を使って、問題点を特定します。
3. テンプレートを使って書き換えます。単に長くするのではなく、各要素をより具体的にします。
4. パートナーの書き換えと比較します。

書き換える弱いプロンプト：「エッセイのために、第一次世界大戦の原因を説明してください。」

問題点を特定するフレームワーク：

• どんな背景情報が不足していますか？（あなたは誰ですか？どの試験／課題のためですか？どんな主張を組み立てていますか？）
• どんな制約を加えると改善されますか？（語数制限はありますか？焦点を当てる特定の原因はありますか？除外する原因はありますか？）
• どんな形式が最も役に立ちますか？（リスト？PEEL 段落？計画用の箇条書き？）
• どんなペルソナが役に立ちますか？（フィードバックをする試験官？論争について説明する歴史家？）

生徒が使う書き換え用テンプレート： 「私は[背景情報：あなたが誰で、どんな課題に取り組んでいるか]です。[具体的なタスク：単にトピックではなく、何を求めているかを正確に]が必要です。[制約：含める／除外する内容、おおよその長さ、特定の視点]を指定してください。回答は[形式：希望する構成]でまとめてください。[任意：[ペルソナ]として取り組んでください。]」

**共有して比較する：**2 人 1 組になり、両方の生徒が書き換えたプロンプトを実行して、出力を比較します。話し合い：どちらの書き換えのほうが役立つ回答を生成しましたか？5 つの要素のうち、最も大きな違いを生んだのはどれですか？パートナーの書き換えに何を加えますか？

プロンプトの原則まとめカード

1. **まず背景情報を伝えましょう。**自分が誰で、どの科目／学年で、出力を何に使うのかを AI に伝えます。背景情報がなければ、AI は特定の誰に向けるでもなく回答します。
2. タスクを具体的にしましょう。「X を説明してください」だけでは不十分なことがほとんどです。主張、視点、または答えてほしい具体的な質問を示します。
3. **制約を加えましょう。**語数制限、必要な証拠、除外するアプローチなどの制約によって、具体的で役立つ出力が得られます。
4. **形式を指定しましょう。**PEEL、箇条書き、番号付きリスト、対話形式など、必要な構成を伝えるのにかかるのは 5 秒です。それだけで編集の時間を大幅に節約できます。
5. **最初からやり直すのではなく、調整しましょう。**最初の出力が少し違う場合は、次のように伝えます。「よいですが、[具体的な問題点]があります。[具体的な要素]を変更してください。」最初から書き直すより、繰り返し調整するほうが早く済みます。

---

既知の制約

1. 学生にプロンプトリテラシーを教えるための根拠となる研究は、非常に限られています。 プロンプトエンジニアリングに関する研究（Brown et al. 2020; Liu et al. 2023; Reynolds & McDonell 2021）では、プロンプトの構成が出力の品質に影響することが示されていますが、このスキルを教えるための教育的なアプローチは研究されていません。このシーケンスでは、確立されたインストラクショナルデザインの原則（比較対照、モデリング、ガイド付き練習）を最先端の領域に適用しています。教師は、原則に基づいているものの暫定的なものとして扱う必要があります。

2. AI モデルの進歩に伴い、プロンプトリテラシーの有効期間は短くなります。 現在のモデルは、不足している情報を統計的な平均値で補うため、明示的なコンテキストや制約を必要とします。将来のモデルはコンテキストの推測能力が向上し、一部のプロンプト戦略が時代遅れになる可能性があります。根底にある原則（曖昧な依頼より、明確で具体的なコミュニケーションのほうが良い結果をもたらす）が無関係になる可能性は低いですが、具体的な手法は変わることがあります。

3. プロンプトリテラシーを教えることで、AI への依存が高まる可能性があります。 より良いプロンプトの書き方を学んだ学生は、AI からより有用な出力を得られるようになり、自分自身のスキルを伸ばす意欲が低下する可能性があります。プロンプトリテラシーが単なる生産性の最適化ではなく、批判的な AI リテラシーの枠組みの一部となるよう、このスキルは必ず ai-output-critical-audit-designer および metacognitive-monitoring-ai-contexts と組み合わせてください。

4. プロンプトの結果は確率的であり、決定論的ではありません。 同じプロンプトでも、実行するたびに異なる出力が生成されることがあります。比較対照のアクティビティでは、この点を認識する必要があります。一貫したパターンを確認するには、学生がプロンプトを2～3回実行する必要があるかもしれません。また、「改善したプロンプトは常に優れている」というのは厳密には正確ではありません（原則に沿った形で、多くの場合はより優れていますが、常にそうとは限りません）。