特殊なセンサーやアンケートを使わず、日常の授業で得られるMoodleの学習ログ・発話音声・手書き文字（筆跡）のデータを組み合わせて学生の性格特性を自動認識するAIフレームワークを提案した研究です。上智大学の学生76名を対象とした実験では、特にビッグファイブの「誠実性（97%）」や「協調性（95%）」において高い予測精度を達成しました。また、アルゴリズムの違いよりも「どの種類のデータを組み合わせるか」が精度に大きく影響することを示し、個別最適化された教育支援への応用可能性を明らかにしています。

若年成人82名を対象に、生成AIへの依存度が認知機能と脳血流（fNIRS）に与える影響を調べた探索的研究です。AIを使わない課題では、高依存群も成績は変わらないものの脳が過剰に働いて補おうとする傾向が見られ、AIが使える課題では、作業をAIに「丸投げ」すると処理は速いが脳の活動が低下する一方、適度に使う人は正常な脳活動を維持することが示唆されました。

教室の監視動画から重要なフレーム（上位30%のキーフレーム）のみを自動選択し、生徒の10種類の具体的な行動と異常行動の有無を同時に検出する軽量なマルチタスクTransformerモデルを提案した研究です。事前学習済みの視覚言語モデル（CLIP）を活用することで、行動検出で約91%、異常検知で98.5%という高い精度を達成しつつ、従来手法と比べて学習時間を31%、計算量を70%削減しました。また、動画をアップロードして即座に判定結果を確認できるWebアプリも構築しており、教育現場での実用性と効率性を両立させています。