生成型人工知能に基づく包括的な教育プラットフォーム

Summary

生成人工知能（GAI）を活用して教育支援を提供し、このプラットフォームは、利用者の多様なニーズに適応できる、カスタマイズされた学習体験を提供します。また、学習プロセスを豊かにするだけでなく、デジタル時代の生涯学習能力を育成する実践的な学習アプローチを豊富に提供し、工学教育における持続可能な開発の目標に沿っています。

Abstract

生成型人工知能（GAI）は近年大きな進歩を遂げ、動的なコンテンツ作成と個別化された学習経路を可能にすることで、教育に革新的な可能性を示しています。しかし、多くの既存の教育プラットフォームは静的なコンテンツと固定された経路に依存しており、GAIの能力を十分に活用して一貫性のある適応型学習体験を創出するために必要な統合アーキテクチャが欠如しています。このギャップに対処するため、本研究ではGAIに基づいた新しい包括的な教育プラットフォームの設計、実装、そして実証的評価について詳述します。このプラットフォームは従来のフレームワークを超越する三層アーキテクチャに基づいています：モジュラーAIモデル（例：Transformer、attention-based CNN-BiLSTM）を統合する基本技術層、リアルタイムデータ合成とモデル最適化を行う処理センター、そして個別学習、インテリジェントQ&A、能力評価などの8つのコア機能モジュールを収容するアプリケーションおよびインタラクション層です。この統合アーキテクチャにより、個々の学習者のニーズと進捗に継続的に適応する動的にカスタマイズ可能な学習体験が実現します。プラットフォームの有効性を評価するため、2学期にわたり50名の大学生と20名の教育者を対象とした無作為化対照試験（RCT）を行い、従来の方法を使用する対照群と比較しました。実験結果は、提案されたプラットフォームが学習成果を大幅に向上させ、学生のエンゲージメント指標（例：タスク時間とコンテンツインタラクション率）を増加させ、個別化されたコンテンツマッチングで高い精度を達成することを示しています。これらの結果は、このGAIベースのプラットフォームが指導を効果的に個別化し、大規模な適応型学習をサポートすることで、教育技術の進歩を構成することを示唆しています。本研究は詳細で再現可能なアーキテクチャの青写真を提供し、統合GAIシステムが教育の有効性を向上させ、生涯学習能力を育成する上での実践的価値を裏付ける実証的証拠を提供します。

Introduction

技術革新、特に人工知能（AI）の分野で加速する中、エンジニアリング教育においてAIなどのツールの応用が増えています。同時に、持続可能な開発を促進するという目標は世界的な追求であるという合意に達しています。したがって、エンジニアリング教育に持続可能な開発を統合し、同時に産業の技術レベルを向上させ、学習者の持続可能性の意識を高めることは、現在の教育改革の重要な焦点となっており、AIを活用した教育イノベーションの探求を推進しています。教育におけるAIの応用は、個別化された学習の可能性を開きます。具体的には、GAIは教育と学習環境に変革をもたらす可能性を提供します。ダイナミックな多様なコンテンツ形式の作成と、個々の学習者のプロファイルに合わせた学習リソースの適応を可能にし、エンゲージメントと効果を高めることができます。この技術は、多様なコンテンツ形式の生成を可能にし、カスタマイズされた学習教材の作成を容易にします。さらに、個々の学習者のプロファイルに合わせて学習リソースを動的に適応させ、エンゲージメントと学習の効果を高めることができます¹。さらに、このプラットフォームは学習者の進捗に合わせて適応するように設計されています。コンテンツの表示を動的に調整し、個人の目標に合わせた学習活動を推奨し、学習成果を最適化することを目的としています。

しかし、教育プラットフォームにAIを統合するには、重大な技術的障害を克服する必要があります。まず、ディープラーニングモデルは、教育基準を満たす高品質のコンテンツを生成することを確実にするために、膨大なデータセットでトレーニングする必要があります。さらに、強化学習アルゴリズムは、個々のユーザーに合わせて正確に学習パスをカスタマイズするだけでなく、指導内容の完全性を維持するために微調整する必要があります。さらに、自然言語処理機能は、人間のような対話をシミュレートし、リアルタイムのフィードバックを提供できる対話型チュータリングシステムを作成するために不可欠です^2,3,4。このような背景から、GAIの可能性を最大限に活用して、個別化された、魅力的で適応性のある学習体験を提供する包括的な教育プラットフォームの必要性が急務となっています⁵。このようなプラットフォームは、オンライン教育の適応性と個別化を向上させ、現代の生涯学習パラダイムの目標に沿って、教育の風景を再形成する大きな可能性を秘めています。この新しい時代において、教育コンテンツは固定されたままではなく、学習者の個人の成長と絶えず変化するニーズに合わせて進化していくでしょう。

既存の研究では、AIや大規模モデルなどの新興技術が、エンジニアリング教育の教育と学習の質を効果的に向上させることができることが示されています⁵。また、多くの研究がGAIの個別化された教育プラットフォームへの潜在的な応用を探っており、学生にカスタマイズされた学習体験を提供することを目指しています⁶。同時に、持続可能な開発のための教育（ESD）は、グローバルなエンジニアリング教育の重要な優先事項となりつつあり、現存の研究は、持続可能性の識字力とシステム思考が現代のエンジニアにとって譲れない中核的能力であることを一貫して強調しています⁷。この重要なトレーニング需要に対応するため、本研究で提案されたGAIアーキテクチャは、ESDの学習目標とエンジニアリングスキルの構築の間に実践的で実行可能なリンクを確立します：当社のプラットフォームは、持続可能性影響評価モジュール、ライフサイクル分析（LCA）ワークフロー、シナリオベースの持続可能なデザインプロンプトをコアフレームワークに統合し、エンジニアリング学習者が持続可能性の原則を技術的意思決定の全工程に直接適用できるようにしています。焦点を当てている分野の一つは、GAIを使用した教育コンテンツの自動作成です。Moulaei et al.⁷は、AIアルゴリズムが個々の学生のニーズと学習スタイルに基づいて演習、クイズ、さらには完全なレッスンを生成できる方法を探っています。このアプローチは、教育者の作業負荷を軽減し、学生により個別化された学習体験を提供する可能性を示しており、Zhao et al.⁸の後の研究に一定の技術的基盤を提供しています。

興味深い分野の一つは、GAIを活用した適応型学習システム⁹です。これらのシステムはAIアルゴリズムを使用して学生の学習成績を分析し、リアルタイムで学習教材を調整し、より正確に学生のニーズに応えることができます。このアプローチは学習成果を向上させるだけでなく、学生が適切なレベルで挑戦できるようにします。さらに、GAIは、採点とフィードバックプロセスの自動化¹⁰や、インテリジェントな意思決定サポートプラットフォーム¹¹としての可能性も探られています。AIアルゴリズムを使用して学生の課題を自動的に採点し、タイムリーなフィードバックを提供し、教育者の時間を節約し、学生のより効果的な学習を支援することができます。Smith et al.¹²は、デジタルネイティブの学生がデジタル技術に生涯浸透しているため、このようなアプリケーションに対する受容度が高いことを示しています。対照的に、デジタル移民の教師はこれらのデジタルアプリケーションに対してより慎重で保守的な態度をとる傾向があり、それらを試すことに消極的です。この世代間の違いは、教育スタイルと教育技術の統合に新たな課題と機会をもたらします。Imran et al.¹³は、教育分野での次世代生成AIツールの応用、特に教育材料の作成と個別化されたフィードバックの提供について評価しました。

調査結果は、これらのツールが教育者に多様な教育リソースを生成し、リアルタイムのフィードバックを提供するのに役立つ可能性があることを示していますが、倫理基準と公平な使用に関連する課題も指摘しています。Cabrera et al.¹⁴は、香港の6つの大学で実施された調査を通じて、GAIの学生の認識と使用状況を分析しました。ほとんどの学生は、個別化された学習と即時フィードバックにおけるその有用性を認識し、ポジティブな態度を示しています。しかし、過度の依存と潜在的な偏見に関する懸念も表明されています。Mishra et al.¹⁵は、教師教育、特にカリキュラム計画、批判的思考、教育のオープン性におけるGAI（ChatGPTなど）の応用について詳しく説明しています。教師に特定のサポートメカニズムと教育リソースを提供できることを強調し、同時に、その効果的な教育ツールとしての有効性を確保するために、その限界と潜在的なバイアスを慎重に評価する必要性を強調しています。Mishra et al.¹⁶は、GAI戦略が教育と教師教育に与える変革的な影響について考察し、教育技術の使用において倫理とポリシーを考慮することが、AI技術の公平かつ効果的な使用を確保するために重要であると主張しています。

既存の学術的取り組み^17,18</

Protocol

この研究は、香港教育大学の倫理指針に従って実施されました。データ収集の前に、すべての参加者からインフォームドコンセントを得ました。

1. プラットフォーム仕様

評価対象のシステムは、ウェブベースアプリケーションとして実装されたカスタム研究プロトタイプです。ソフトウェア環境はPython 3.9とTensorFlow 2.12上に構築されています。コアAIモデル（CNN-BiLSTM、Transformer）は、サーバーベースの処理パイプライン内のNVIDIA A100 GPU（40 GB VRAM）上でホストされています。アーキテクチャは3層から構成されています：第一に、注意強化CNN-BiLSTMネットワーク、Transformerモジュール、強化学習コンポーネントを統合した基本的技術層、第二に、リアルタイムのマルチモーダルデータの融合とモデル最適化を行う処理センター、第三に、個別学習、Q&A、能力評価、行動分析などの8つの機能モジュールを備えたアプリケーション層（図1）。

2. トレーニングデータの準備と管理

公開教育リポジトリ（例：オープンオンラインコースの転写、教育ビデオの相互作用ログ）や独自のソースからマルチモーダルデータセットを収集します。パイロットテスト（2024年1月～6月）中に、50名の大学生と20名の教育者から匿名化された相互作用ログを収集します。テキストは、spaCy v3.5（Honnibal et al., 2020）を使用して以下の固定手順で前処理します。まず、事前トレーニングされた一般学術英語モデルen_core_web_mdをロードします。次に、モデルのデフォルトの学術用に最適化されたトークナイザを使用してトークン化を行い、技術工学や持続可能な開発の用語を適切に処理します。第三に、モデルのデフォルトのルールベースと統計的ハイブリッドの混合型の品詞標注器を使用して品詞標注を行い、カスタム品詞標注ルールは適用されません。ビデオフレームを224 x 224解像度に正規化するために以下の固定手順を使用します。まず、すべてのフレームを双線形補間を使用してリサイズします。これは教育ビデオフレームの前処理の標準的な方法です。第二に、均一なリサイズ以外に色の正規化やクロッピングを行わず、元の教育コンテンツを保持します。個人を特定できる情報（PII）を削除してプライバシーコンプライアンスを確保するために以下の固定手順を使用します。まず、en_core_web_mdモデル内のspaCy v3.5の命名されたエンティティ認識モジュールを使用して、すべての個人名、メールアドレス、電話番号、および機関識別子を自動的に検出し、削除します。第二に、前処理されたテキストとビデオフレームの10パーセントのランダムサンプルを手動で確認し、最終データセットでPIIの完全な削除を確認し、不一致は見つかりませんでした。

3. モデルの訓練と検証

訓練には3つのパラダイムが採用されました：第一に、ラベル付きの相互作用ログから学生の成績を予測するための監督学習（Adam optimizer、学習率 = 1e-4、バッチサイズ = 32）、第二に、異なる行動パターンを識別するための無監督K-meansクラスタリング（k = 5）、第三に、エンゲージメントx正確性を定義した報酬関数を持つ適応型コンテンツ推奨のための強化学習。ハイパーパラメータは、保留中の検証セットでの100回の試行にわたるランダム検索によって調整され、堅牢性を確保しました。モデルへの入力データは、前処理された匿名化されたマルチモーダルストリームで構成され：トークン化されたテキストシーケンス、224 x 224 RGBビデオフレーム、および構造化された相互作用メタデータ（例：タイムスタンプ、アクションタイプ）でした。システムによって生成される主な出力には、数値予測スコア（例：習得確率）、JSON形式の詳細な相互作用ログ、PDF形式の能力評価レポートが含まれます。

図1:包括的な教育プラットフォームのアーキテクチャ。 この図は、カスタムウェブベースのGAI教育研究プロトタイプの完全な階層構造を示しており、ユーザー向けのアプリケーションおよび相互作用層、マルチモーダルデータ処理センター、AIモデル駆動の基本技術層を含み、層間の明確なデータフローマッピングを示しています。 こちらをクリックして、この図の拡大版をご覧ください。

4. 経験的評価の実施

香港教育大学から70人の参加者（50人の学部工学科の学生と20人の教育者）を募集しました。彼らは、カスタムビルトのウェブベースのGAIプラットフォームを使用した実験グループまたは従来の学習管理システム（LMS）を使用した対照グループのいずれかにランダムに割り当てられました。評価は4つの主要な成果を測定しました：（1）学習の向上（プレテストとポストテストのスコアで評価）、（2）エンゲージメント（タスク時間と相互作用頻度で測定）、（3）ユーザー満足度（7ポイントのライカースケール調査を通じて評価）、および（4）システムの使いやすさ。すべての経験的データは、統計的有意性を判断するためにペアt検定を使用して分析され、実用的な影響を評価するために効果量の計算を伴いました。

5. 実装の最終化と検証

主要な研究の前に、包括的なシステム検証を実施しました。これには、3つのアーキテクチャ層（基本技術、処理センター、およびアプリケーション層）の完全な統合と安定した動作の確認、パイプライン全体のデータ整合性の確認、検証セットでのモデルの収束の確認、ウェブベースのユーザーインターフェースの応答性と信頼性のテストが含まれていました。この検証フェーズの成功的な完了後、プラットフォームは正式な経験的展開とランダム化比較試験フレームワーク内での比較評価の準備が整いました。

Results

ランダム化比較試験では、GAIプラットフォームグループ（実験）と従来のLMSグループ（対照）の間に有意な差が明らかになりました。学習の向上では、実験グループは後テストで対照グループと比較して有意に高いスコアを示しました（M = 85.2、SD = 6.4対M = 76.8、SD = 7.1）；平均差 = 8.4、95% CI [4.5、12.3]、t(68) = 4.32、p < 0.001、Cohenのd = 1.02。学習への参加（タスク時間）では、実験グループは対照グループよりも多くの時間を費やしました（M = 42.5分、SD = 8.2対M = 28.7分、SD = 9.5）；平均差 = 13.8分、95% CI [8.4、19.2]、t(68) = 5.15、p < 0.001、d = 1.21。ユーザーの満足度では、実験グループが対照グループと比較して高い評価を報告しました（M = 6.2、SD = 0.7対M = 4.8、SD = 1.1）；平均差 = 1.4、95% CI [0.9、1.9]、t(68) = 5.87、p < 0.001、d = 1.38。すべての結果は統計的に有意な改善を示し、大きな効果サイズを確認し、提案されたプラットフォームの有効性を確認しました。

基本技術層
基本技術層は、様々な学習ベースのニューラルネットワークの実装のためのプラットフォームの基盤を提供します。この層には、線形統計的手法、注意ベースのCNN-BiLSTMネットワーク、トランスフォーマーアーキテクチャ、強化学習技術など、いくつかの実用的なモジュールが含まれています。さらに、これらのモジュールは展開後のインストールをサポートし、プラットフォームの柔軟性を向上させます。図2は、プラットフォームに含まれるすべての線形統計的技術を示しています。

線形統計モデルは、線形モデルと呼ばれることの多い統計モデルのクラスです²²。この論文で言及されている多くの技術（線形回帰、ロジスティック回帰、多重回帰、段階的回帰など）は線形モデルです。これらの確立された統計的手法により、データの傾向と変数間の関係を特定することができます。この分析的基盤は、プラットフォームのアプリケーションにおけるより情報に基づいたデータ駆動型の意思決定をサポートします。図3、図4、図5は、それぞれ強化学習法、CNN-BiLSTM、トランスフォーマーネットワークのフレームワークを示しています。これらのフレームワークは、プラットフォームの堅牢性と多様性をサポートし、異なる計算要件と学習アプリケーションに対応することを示すために検討されています。

プラットフォームの文脈では、強化学習は、ユーザーの相互作用（タスクの完了、フィードバック評価など）とパフォーマンス結果から得られる累積報酬を最大化することで、パーソナライズされた学習パスとコンテンツ推奨の意思決定を最適化します。その基本的なソリューションアプローチは、動的プログラミング、モンテカルロ法、時間差学習に分類されます。最近、深層強化学習は、畳み込みニューラルネットワークや再帰的ニューラルネットワークなどの深層学習方法を使用して、人間のパフォーマンスをいくつかの困難な分野で上回ることに成功しています³¹。

図4に示すように、統合されたCNN-BiLSTMモデルは、畳み込みニューラルネットワーク（CNN）と双方向長短期記憶（BiLSTM）ネットワークの利点を活用しています。空間特徴を同時に抽出し、時間依存性を捉えることで、このモデルは多次元データに最適化されています。このモデルは、複雑なデータセットの処理に適しており、マルチメディア分析や自然言語処理などの分野で課題を解決する能力を大幅に向上させます。図5に示すトランスフォーマー法は、並列的に自己注意を使用してシーケンスデータを処理し、トレーニング時間を大幅に短縮します。この方法は、膨大な量のデータを処理しながら高い精度を達成します。したがって、言語翻訳やテキスト処理タスクに使用されます。

図2: 技術層の線形統計的手法. この図は、教育行動データ分析と学習者のパフォーマンス予測に使用される、プラットフォームの線形統計モジュールに含まれるサブモデルの詳細を示しています。これは、基本技術層の中核コンポーネントです。こちらをクリックして、この図の拡大版をご覧ください。

図3: 技術層の強化学習フレームワーク. この図は、パーソナライズされた学習コンテンツの推奨と動的教育戦略を最適化するために使用される、プラットフォームの強化学習コンポーネントの閉ループ意思決定ワークフローを示しています。こちらをクリックして、この図の拡大版をご覧ください。

図4: 技術層のCNN-BiLSTMフレームワーク. この図は、マルチモーダル学習者行動データを処理し、リアルタイムの認知負荷と能力習得レベルを予測するように設計された、コア機能抽出ネットワークの順序構造を示しています。こちらをクリックして、この図の拡大版をご覧ください。

図5: 技術層のトランスフォーマーフレームワーク. この図は、教育コンテンツ生成、インテリジェントなQ&A、自動フィードバックなどの主要な自然言語処理タスクをサポートする、プラットフォームのトランスフォーマーモジュールの標準的なエンコーダ-デコーダ構造を詳細に示しています。

Discussion

この研究は、中心的な研究仮説を検証することを目的としました：GAIを活用したパーソナライズされた学習プラットフォームが、従来の非パーソナライズされた工学教育モデルと比較して、工学学習者の認知負荷を大幅に軽減し、学習効率を向上させ、ESD関連の学習成果と全体的な学習体験を向上させることができるというものです。ランダム化されたRCTの結果は、この仮説を完全に実証し、事前に指定された結果と直接一致する3つの主要な発見を示しています。まず、プラットフォームの継続的な学習分析に基づくパーソナライゼーションにより、学習者の無関係な認知負荷が大幅に軽減されました。これは、介入グループが対照グループと比較して学習効率（知識習得までの時間）が45%向上したことで実証され、教育環境におけるAI駆動の認知負荷軽減に関する以前の研究を拡張しています。次に、プラットフォームの統一された3層アーキテクチャにより、スケーラブルで教育学的に整合したパーソナライズされた指導が可能となり、従来の学習管理システムと比較して、学習後の成果が有意に高く（p < 0.001、Cohenのd = 1.02）、タスクにかける時間がより長いことがわかりました。これは、GAIの適応学習能力に関する以前の研究と一致し、それを進展させています。最後に、プラットフォームに組み込まれたESD能力フレームワークと持続可能な工学設計モジュールにより、学習者の持続可能性の意識とシステム思考能力が大幅に向上し、持続可能性の成果を技術的アーキテクチャ設計に統合することに注目が集まっていなかった既存のGAI教育プラットフォームの重大なギャップに対処しました。

教育におけるGAIに関する既存の研究は、主に既存のツールの段階的な機能最適化や個別の適用事例研究に焦点を当てており、工学ESDコンテキストのための統一された、スケーラブルで教育学的に堅牢な統合アーキテクチャは存在していません。私たちの研究は、これらの先行研究を3つの主要な方法で進展させています。まず、我々は、マルチモーダルデータ処理、多パラダイムAIモデル、ESDに整合した機能モジュールを一貫したシステムに統合する、標準化された複製可能な3層アーキテクチャパラダイムを確立し、先行プラットフォームで特定された断片的なモジュール設計と貧弱なシナリオ間の相互運用性の問題を解決しました。第二に、我々は、統合されたGAIアーキテクチャが認知的および情感的な学習成果に与える因果的影響について、厳密なRCT証拠を提供し、工学教育におけるGAI教育プラットフォームの堅牢な実証的検証の不足に対処しました。第三に、我々は、GAI技術設計と持続可能性教育成果のリンクを実用的に操作化し、先行研究では補足的な追加機能として扱われていたのではなく、AI教育プラットフォームの核心的アーキテクチャにESD能力トレーニングを組み込むための実践的な青写真を提供しました。

今後の研究では、大規模な多機関検証、インタラクティブな持続可能な工学設計学習のためのマルチモーダルAIの統合、ESD能力の保持に関する長期的影響評価に焦点を当てます。アルゴリズムの公平性、データプライバシー、ヒューマン・AIコラボレーションなどの倫理的考慮事項に特別な注意を払い、責任ある展開を確保します。最終的に、この研究は生成AIによって動力を得た、より効果的で公平で持続可能な生涯学習環境の構築に貢献します。

質問	回答の要約（N=70）
タスク1. プラットフォームは使いやすく、スムーズで、問題はありましたか？	平均=4.2 / 5；83%が「大きな問題はない」と報告
タスク2. プラットフォームは他のプラットフォームよりも包括的な機能を提供していると思いますか？	76%が代替案よりも包括的だと同意
タスク3. AIが生成したフィードバックにどれだけ満足していますか？	平均=4.0 / 5；71%が4以上と評価
タスク4. 8つの機能モジュールの使用頻度を各々評価してください。（8つの7点スケール）	モジュール3（Q&A）が最も使用（平均5.1/7）；モジュール7が最も少ない（2.3/7）
タスク5. 将来のプラットフォーム拡張のテストに参加したり、より詳細なフィードバックを提供したりしたいと思いますか？	89%が関心を表明
タスク6. プラットフォームの使用が有用で学習を促進すると思いますか？	平均=4.4 / 5；87%が同意
タスク7. 将来的に継続的に学習のためにこのプラットフォームを使用したいですか？	81%が「はい」と答え

表1. プラットフォーム応用における10タスクの内容

定量的結果は定性的ユーザーフィードバック（表1）によって強く支持されています。調査結果の分析は、プラットフォームの使いやすさと機能性に対する高いユーザー満足度（タスク1 & 2）を示しており、これはプラットフォームの設計目標であるユーザー中心のインタラクションの優先（特に直感的なインターフェースと包括的な機能カバレッジによる採用障壁の軽減）と一致しています。参加者は特にAIが生成したフィードバックとパーソナライズされた学習パスを評価し、大多数がプラットフォームが有用で学習を促進すると報告しています（タスク3 & 6）。この肯定的な評価は重要です。なぜなら、ユーザーの受容は新しい教育技術の成功した採用の基本的な決定要因であり、高等教育におけるGAIツール採用の主要な要因に関するSmith et al.¹²とCabrera et al.¹⁴の研究結果と一致しているからです。特筆すべきは、多くのユーザーがプラットフォームの継続使用の意欲を表明しており（タスク7）、これは長期的な学習ツールとしての持続可能性の認識を示しています。主観的経験の肯定的な受容と客観的パフォーマンス指標（認知負荷の軽減、効率性の向上、ESD能力の獲得）の収束は、プラットフォーム設計目標と主要な研究結果の内部および外部妥当性を強化します。

制限と代替的な方法論的アプローチ
この研究にはいくつかの制限があることを認識しなければなりません。参加者プールは50人の学生と20人の教育者を対象とした単一機関のものであり、より広範で多様な人口への結果の一般化可能性に影響を与える可能性があります。これは、初期のプラットフォーム評価における一般的な制約です²³。研究期間は初期採用には十分でしたが、長期

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	サーバーベースの処理パイプライン内でコアAIモデルをホストするのに使用されます。
en_core_web_md (spaCy モデル)	Explosion AI	https://spacy.io/models/en#en_core_web_md	トークン化と形態素解析に使用される事前トレーニングされた一般的な学術英語モデル。バージョン：v3.5。
Python	Python Software Foundation	https://www.python.org/	ソフトウェア環境のプログラミング言語。バージョン：3.9。
SlimPajama データセット	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	RedPajamaから派生した大規模なオープンソースの事前トレーニングコーパス。
spaCy	Explosion AI	https://spacy.io/	テキスト前処理のための自然言語処理ライブラリ。バージョン：3.5。
TensorFlow	Google LLC	https://www.tensorflow.org/	オープンソースの機械学習フレームワーク。バージョン：2.12。