在CEFR的Can-do指標下應用生成AI來編寫日語教材之研究：以B1等級為主事前轉換手法之驗證｜Generative AI-Based Design of Japanese Language Teaching Materials Using CEFR Can-Do Statements: An Empirical Evaluation at the B1 Level

CEFRのCan-doステートメントを活用した生成AIによる日本語教材設計―B1レベルを例とする事前変換手法の効果検証―

本研究聚焦於CEFR框架下之Can-do陳述，探討其在日語教學領域與生成AI技術結合之可行性。研究中先對抽象度偏高之Can-do陳述進行，事前轉換」包含解析教學任務，指定難度層級，限制關鍵詞彙與文法結構然後將其輸入GPT-4o模型以產出教學用文本。評估結果顯示，經事前轉換之Can-do陳述所對應之生成文本，整體可讀性與文法一致性皆更貼近CEFR B1層級教師後續修訂量亦相對降低。然而本研究侷限於機器指標（可讀性與形態素分析）之驗證尚未納入學習者實際理解度與學習動機等因素。未來可透過課室實證與人為評量進一步確認此手法對學習成效之實際貢獻。同時考量不同推論模型，（如o1，o3）各自之特性，於多種教學情境下比較模型與轉換策略效益，亦為推動AI應用於日語教育的重要方向，。本研究雖以B1層級為例然此Can-do導向生成策略在A2B2乃至更高層級之教材開發上亦具潛在擴張空間。

CEFRのCan-doステートメントを生成AIに活用する方法として、本研究では抽象度の高いCan-doを事前に要素分解し、場面設定や語彙制限を加える手法（事前変換）を提案した。実験では日本語教育用LLMとしてGPT-4oを用い、CEFR B1レベルを例に抽出したCan-doを対照群（（素のCan-do）と実験群（（事前変換）で比較した。その結果、可読性指標（jReadability）や形態素解析により、事前変換群が文章難易度の安定や文末統一度の向上を示すことが統計的に示唆された。機械評価のみの検証であるため、最終的には学習者評価や教室実践との突合が必須であるが、教師の専門知識をLLMに適切に伝達する枠組みとして、Can-doの具体化による教材自動生成の可能性が示唆された。また、この手法は他のレベルや多様な場面に適用できる余地も大きく、今後はモデル別の出力特性と結びつけた精緻化研究が求められる。本研究はあくまでB1レベルを例としたが、A2やB2、さらにはCレベルへの拡張や会話型タスクへの応用も検討すべき課題である。今後の研究発展も大いに期待される。本研究はAI活用へ向けた一段階となり得る。
This study investigates how generative AI can be leveraged to convert CEFR-based Can-do statements into Japanese language learning materials. Through a“preprocessing”approach that refines these statements with explicit lexical and grammatical constraints, we employed GPT-4o to generate sample texts at the B1 level. Machine-based readability scores and morphological analyses confirm that structured prompts yield texts more closely aligned with the intended proficiency range, promoting coherence and vocabulary suitability. While this pilot study relied on automated metrics, future research must incorporate learner feedback and classroom implementation. The findings suggest that systematic prompt design can bridge abstract Can-do statements and precise language outputs, thus offering educators an efficient means of producing adaptable and level-appropriate teaching resources.