
AIの家庭教師は、なぜ「覚えている」だけで別物になるのか~DeepTutorの3層の記憶と、自分の教材に沿う仕組みを読む~
最近、AI探路者Tim(@AIExplorerTim)さんの、香港大学のオープンソース「DeepTutor」を紹介する投稿を読みました。教科書や講義資料を入れると、その資料に沿って解説し、学習の進みを覚えて、次の会話に引き継ぎます。
賢さの競争ではなく、「何に沿って教えるか」と「何を覚えているか」という二つの設計に話を絞っているところが面白いです。この記事では、DeepTutorの記憶の3層構造と、資料に沿わせる仕組みを、READMEと論文から読み解きます。
【発端】 「教育界が変わる」と言われた投稿
投稿が指しているのは、機能の多さではなく、「資料に沿う」と「進みを覚える」の二点です。
投稿の冒頭は「教育界が変わる」という強い言い方でした。これは投稿者の主張で、この記事ではそのまま事実としては扱いません。
投稿の内容は次の通りです。
講義資料を入れると、その資料をもとに解説、出題、図解を一つの作業場で行います。
会話が変わっても、学習の進みを引き継ぎます。
記録を「三層」に分けて見られます。
YouTubeやBilibiliの動画リンクを貼り、分からなかった箇所を指して質問できます。
投稿では「4.3万star」とありましたが、GitHubのstar数は10月28日の確認時点で47,105に増えていました。
投稿の「学習記録の三層」は、DeepTutorのREADMEが説明する、記憶の三層構造を指すと読めます。成績や誤答の傾向を三段階で分けて見せる機能とは、別のものとして扱います。
【基礎】 資料に根拠を置き、学習者の履歴を持つ作業場
DeepTutorはチャット画面というより、教材と学習履歴を共有して動く学習用の作業場です。
READMEでは「Lifelong Personalized Tutoring(生涯にわたる個別指導)」と位置づけています。チャット、出題、リサーチ、可視化、問題解き、コース学習などは、同じ実行環境と同じ文脈で動く機能です。
教材は、ナレッジベース(資料を検索できる形で貯めた置き場)、ノート、問題バンクなどに入ります。
さらにBookという機能が、資料から「生きた本」を作ります。章の構成案を先に出し、確認してから本文を作る流れです。
この「資料に沿う」仕組みの基本にあるのがRAG(検索拡張生成)です。手元の文書を検索し、その結果を回答の根拠としてモデルに渡す方法で、2020年の論文で定式化されました。
論文は、既存のRAGだけでは個別化された指導のフィードバックが足りない、と課題を挙げています。そこで提案しているのは、教材という静的な知識の根拠づけと、学習者の動的な記憶をつなぐ設計です。
【違い】 状態を会話の外に置く設計

典型的なチャットは状態が会話の中にあり、DeepTutorは、状態を会話の外のファイルに置く設計です。
差が出るのは、「続き」をどこが持つかです。会話の中に持つと、画面を閉じた時点で薄れます。
外に持てば、別の日、別の機能からも読めます。
比較の「典型的なチャット」は、この記事が比べるためにまとめた一般的な整理で、特定の製品の仕様ではありません。
答えの根拠
典型的なチャット:モデルの学習済み知識が中心
DeepTutorの設計:自分の教材を検索し、引用つきで指導する
続き
典型的なチャット:会話ごとに区切られやすい
DeepTutorの設計:記憶ファイルを介して会話をまたぐ
記憶の見え方
典型的なチャット:利用者から見えにくい
DeepTutorの設計:読める・直せる・監査できるファイル
学習の単位
典型的なチャット:質問と回答
DeepTutorの設計:教材、出題、動画、ノートを一つの文脈で扱う
動画の扱いも、この考えの延長にあります。リンクを入れると、再生、字幕検索、時刻に結びついた指導、メモ保存、続きからの再開ができます。
投稿の「どの秒が分からないかを聞ける」は、この機能です。
【仕組み】 記憶は3層のファイルで、上から下へ戻れる構造
要約された「あなたの傾向」から、元の学習ログまで、たどって確かめられる構造です。
READMEは記憶を「隠れたベクトルストアではなく、読める・直せる・監査できるファイル型の3層」と説明しています。ベクトルストアは、文章を数値に変えて類似検索するための保管庫です。
記憶の説明は、その保管庫とは違う作りだという意味です。
3層の役割は、次のように分かれます。
L1:ワークスペースの鏡と、追記専用のイベント履歴。何が起きたかの生の記録です。
L2:機能(面)ごとに整理した事実。L1の記録への参照を持ちます。
L3:機能をまたぐ総合。profile、recent、scope、preferencesの4種類があり、元になったL2を記録します。
流れは、前の出来事が次の層の原因になる順です。出来事がL1に溜まり、整理されてL2になり、全体像としてL3になります。
読むときは逆です。L3の記述からL2、L1へ戻り、元の記録を確認できます。
READMEのMemory Graphは、L2の事実からL1の証拠へ、L3から元になった機能へのつながりを示します。「あなたはこの分野が苦手」という結論だけでなく、その根拠の記録へ戻れる設計と読めます。
【具体例】 一つの質問が次回の指導に届くまで

一回の質問が、記録、事実、傾向と積み上がっていく流れです。
次はREADMEの構造から組み立てた想定例で、私が動かして確かめたものではありません。ある講義のPDFをナレッジベースに入れ、チャットで章の内容を質問し、出題機能で確認問題を解いたとします。
この間の操作は、まずL1に日付つきの履歴(trace)として残ります。次にまとまるのは、チャットや出題など、面ごとのL2の事実です。
さらにL3が、面をまたぐ総合(profileやrecentなど)を作ります。どんな内容がまとまるかは、実際に動かして確かめていません。
公式サイトは、ホームの会話では、ツール、検索、添付と並んで記憶も同じセッションで使われると説明しています。気になった記述があれば、Memory GraphでL2、L1へ戻り、元の記録を確認できます。
ただし、この仕組みが「何を覚えるか」は決まっていても、「覚えたことで学習結果が良くなるか」は別の問いです。記憶の設計と学習効果は切り分けて考えます。
【関連概念】 根拠づけ、評価、データの扱い

この種のツールを読むときの軸は、根拠づけ、記憶、評価、データの四つです。
根拠づけは、教材にない質問への態度で見えます。誤りを出典つきで示すか、教材にないと認めるかが見どころです。
認めないと、学習者が教材の文とモデルの作文を区別できなくなるおそれがあります。論文は引用つきの指導をうたっていますが、実際の振る舞いは確かめていません。
評価は慎重に読む必要があります。論文は、個別化の指標が平均10.8%、5つのバックボーン(元になるモデル)で一般的なエージェント推論が29.4%向上したと報告しています。
何と比べた数字かは、論文の要約だけでは分かりません。
ただし、論文は「Tech Report, work in progress」と明記された技術報告です。評価に使うTutorBenchも、学生シミュレーターを使う評価手順も、著者らが新しく作ったものです。
第三者による再現は確認できていないため、「成績が上がる」とは言えません。
データは、自分で動かす方式(ローカルやDocker)のため、設定とデータは手元に置かれます。一方、学習資料はモデル提供元のAPIに送られる場合があり、何を送るかは利用者が決めます。
教育機関での法的な扱いは確認できていません。
リリースはおよそ1〜2週間おきで、更新は速いです。細部の仕様は変わるため、使う前に公式の記述を確認します。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
ピーター・ブラウンさんらの『使える脳の鍛え方 成功する学習の科学』は、想起学習を扱う本の日本語版です。DeepTutorの記憶が学習結果を良くするかを、自分で測るときの足場になります。
河野麻沙美さんと河﨑美保さんの『授業づくりと授業研究に活かす 学習科学入門』は、授業づくりと授業研究の立場から学習科学を学べる入門書です。学習者の理解の過程を、記憶に何を残すかを考える足場にできます。
関連記事
【まとめ】 試すなら自分で見る根拠、記憶、評価
機能一覧より先に、三つの点を自分の目で確かめるのが近道になります。
根拠を見る:自分の資料に載っていない質問をして、教材にないと認めるか、出典つきで答えるかを見ます。
記憶をたどる:L3の記述からL2、L1へ戻り、元の記録と食い違いがないか確かめます。
評価を分ける:論文の数値は著者自身の評価だと理解し、効果は自分の用途で小さく測ります。
送る資料の範囲と、使うモデルの提供元も、始める前に決めておくと安心です。
家庭教師AIの違いは、答えの上手さだけでなく、何に根拠を置き、何を覚え、それを利用者が確かめられるかに出ます。DeepTutorはその設計を、ファイルの形で見せているプロジェクトです。