教育現場では、学習者の「わくわく」や「行き詰まり」といった主観的な感情を理解することが重要です。しかし、こうした「感性」はそのままではAIが処理できるデータにはなりません。そこで、これらの感覚を数値に変換し、客観的なデータとして扱う手法が必要になります。

単純なリッカート尺度（5段階評価など）は手軽ですが、感情の複雑な側面を捉えきれません。「面白い」と「わかりやすい」は、どちらも肯定的な評価ですが、その質は異なります。これらの微妙な違いを捉えるため、感情を多次元の「空間」に配置するという考え方が登場します。似た感情は近くに、異なる感情は遠くにマッピングするのです。

感情を地図のように視覚化する強力な手法が、多次元スケーリング（MDS）です。これは、様々な感性を示す言葉（例：「わくわくする」「難しい」「退屈だ」）同士が、人々にとってどれくらい似ているか、あるいは異なっているかのデータから、それらの関係性を空間的な配置として再現する統計的手法です。

例えば、複数の学習者に「『わくわくする』と『面白い』はどのくらい似ていますか？」といった質問を繰り返し、その回答を集計します。MDSは、この「心理的な距離」のデータを分析し、各感情語を2次元や3次元のマップ上に点としてプロットします。これにより、単なる評価の良し悪しだけでなく、例えば「活性度（興奮しているか、落ち着いているか）」や「快適度（ポジティブか、ネガティブか）」といった、感情を構成する隠れた軸を発見できます。

この感性空間マップを使えば、ある教材が学習者にどのような感情を引き起こすかをマッピングしたり、学習プロセス中の個々の学生の感情の軌跡を追跡したりすることが可能になります。AIは、この空間上の位置（ベクトル）をデータとして扱うことで、学生の状態に合わせた最適な介入を判断する手がかりを得るのです。

なぜその教材が「わかりやすい」と感じるのか、その具体的な理由まで探るには、評価グリッド法が有効です。これは、個人の評価の構造を明らかにするための面接手法です。まず、「この教材で良いと思った点はどこですか？」といった質問から始め、その回答に対して「それは、あなたにとってどういう点で良いのですか？」「なぜそれが重要なんですか？」と繰り返し問いを重ねていきます。

このプロセスを通じて、評価の理由を具体的な特徴（下位概念）から、より抽象的な価値（上位概念）へと掘り下げ、階層構造として可視化します。例えば、以下のような構造が明らかになるかもしれません。

このようにして抽出された概念は、教材改善のための具体的なヒントになるだけでなく、個々の学習者が何を重視しているかという「感性特性」をデータ化することにも繋がります。

最終的に、これらの手法で得られた感性データを、AIが活用できる「感性メタデータ」として設計します。メタデータとは、データに関するデータのことです。学習者の状態を示す感性メタデータには、主観評価だけでなく、より客観的な指標も組み合わせることが望ましいです。

例えば、生体情報は有力な客観データです。集中している時の心拍数のパターンや、混乱している時の視線の動きなどを計測し、主観評価と組み合わせます。統計的な相関分析により、「特定の視線パターンは『行き詰まり』の感情と強い相関がある」といった知見が得られれば、主観的な申告がなくてもAIが学習者の状態を推定できるようになります。

このような構造化されたメタデータを蓄積・分析することで、AIは個々の学習者に最適化されたフィードバックを提供したり、つまずきを予測して適切な支援を行ったりできるようになります。感性の定量化は、より人間中心の教育AIを実現するための重要な一歩なのです。