妥当性をシミュレーションする：科学の手描き図に対するMLLM生成フィードバックにおけるモーダル・デカップリング

要旨: 科学教育において、学習者は科学現象の手描きの視覚モデルを頻繁に構成します。これらの描画は、情報が視覚的な対象、その属性、および関係性を通じて符号化されるという視覚的構造に依存しています。マルチモーダル大規模言語モデル（MLLMs）は、学習者の手描きの科学モデルに対するフィードバックを生成する用途でますます用いられています。しかし、そのようなフィードバックの妥当性は、モデルの主張が、学習者の描画に含まれる特定の視覚的証拠に基づいているかどうかに左右されます。本研究では、モーダル・デカップリングと整合的な、既製のMLLMフィードバックにおけるグラウンディング（根拠付け）の失敗を明らかにします。そこでは出力が、形式としては教育的にもっともらしく見える一方で、描画に矛盾したり、描かれている要素を「欠けている」と扱ったりします。動力学的分子論の単元における5つのモデリング課題と3つの到達度レベルをまたぐ中学校の描画からN = 150を用い、GPT-5.1によりN = 300件のフィードバック生成インスタンスを作成しました。すべての出力を、4種類のグラウンディング・エラー（対象の不一致、属性の不一致、関係の不一致、誤った欠如）についてコード化しました。グラウンディングの失敗は一般的でした。すなわち、フィードバック・インスタンスの41.3%に少なくとも1つのエラーが含まれていました。インベントリ・リスト優先のワークフローは、いくつかのエラーカテゴリを減らし、全体のエラー率を下げたものの、根本的な制約は解消しませんでした。約3件に1件の出力が欠陥を残したままであり、主要な失敗モードは誤った欠如でした。さらに、視覚的に根拠付けられているように見えるフィードバックは、無効なインスタンスを特定するための診断的価値がほとんどありませんでした。これらの結果は、モーダル・デカップリングが重大な制約であること、そして有効なフィードバックには、一般的なプロンプト戦略を超えた根拠付けの仕組みが必要であることを示しています。