コア研究の柱

私たちのAI駆動の個別指導プラットフォームは、数十年の教育研究に基づいて構築されており、学習を加速し、記憶力を向上させる実証済みの方法論を実装しています。

習得
保持
応用
適応
創造
調整

私たちの方法論を探索

グラスルート学院のAI個別指導システムを動かす研究支援学習戦略を発見するために、六角形の各ポイントをクリックしてください。

習得

認知負荷理論は、新しい情報を処理するのに必要な精神的努力を管理するときに最も効果的な学習が起こることを教えてくれます。複雑な学術概念を完璧なサイズのチャンクに分解することで、グラスルート学院の証拠に基づいた教育設計は、高度な学習のための堅固な基盤を構築しながら、決して圧倒されないことを保証します。

研究引用

Sweller, J. (2023). The Development of Cognitive Load Theory: Replication Crises and Incorporation of Other Theories Can Lead to Theory Expansion. Educational Psychology Review, 35(4)

保持

作業記憶は一度に7±2個のアイテムしか処理できません。私たちは完璧なサイズのチャンクで情報を提示し、徐々に複雑さを構築し、多すぎる概念であなたを圧倒することはありません。私たちのAIはリアルタイムであなたの認知負荷を監視し、最適な学習ゾーンに保つためにペースを調整します。

研究引用

Roediger, H.L. III, & Butler, A.C. (2011). The critical role of retrieval practice in long-term retention. Trends in Cognitive Sciences, 15(1), 20-27

応用

意図的な練習—詳細で即座のフィードバックを伴う集中的で挑戦的な作業—は、科目を習得する鍵です。グラスルート学院の個別化されたカリキュラムとクイズは、あなたの強みと改善分野に合わせて調整され、分析ダッシュボードによって強化されて、学習の旅を加速させます。

研究引用

Ericsson, K.A., Krampe, R.T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363-406

適応

指導が各生徒の個人的な知識基盤と好みの学習手段に適応するとき、学習は加速します。難易度、ペース、教授法をリアルタイムで調整することにより、グラスルート学院の学習アルゴリズムは、すべてのレッスンがすでに知っていることに完璧に基づいていることを保証します。

研究引用

Sweller, J. (1994). Cognitive load theory, learning difficulty, and instructional design. Learning and Instruction, 4(4), 295-312

創造

学生は概念を説明し、視覚化し、実行することで最もよく学び、能動的な知識構築を通じて深い学習を促進します。受動的な情報吸収を奨励するのではなく、グラスルート学院は学生に自分の推論を明確にし、学んだことの表現を構築し、意味のある知識統合を促進する問題解決活動に従事するよう促します。

研究引用

Fiorella, L. (2023). Making Sense of Generative Learning. Educational Psychology Review

調整

自分自身の学習に対する認識を発達させる学生—いつ理解しているか、いつ苦労しているか、どの戦略が最も効果的かを知っている—は、劇的により成功した学習者になります。グラスルート学院は、自分の進歩を監視し、概念に応じてアプローチを調整することを教え、学術的発展をはるかに超えて広がる生涯学習スキルを構築します。

研究引用

Fiorella, L., & Mayer, R.E. (2021). Fostering Metacognition to Support Student Learning and Performance. CBE—Life Sciences Education

パーソナライゼーションの科学

従来の講義

1 in 3

学生が失敗

Traditional lecture-based learning has a 33% failure rate in STEM courses

Freeman et al. (2014), PNAS

AI駆動学習

2.5x

より良い結果

パーソナライズされたAI個別指導により、学生は50パーセンタイルから85パーセンタイルに移動します

Wang et al. (2024), Educational Computing Research

証拠に基づく学習を開始

科学を実際に体験

研究支援個別指導を試す