Skip to content

ClasCat® AI Research

クラスキャット – AgentOS, AI エージェント, MCP, AutoGen, AG2, Agno

Menu
  • ホーム
    • ClassCat® AI Research ホーム
    • クラスキャット・ホーム
  • OpenAI API
    • OpenAI Python ライブラリ 1.x : 概要
    • OpenAI ブログ
      • GPT の紹介
      • GPT ストアの紹介
      • ChatGPT Team の紹介
    • OpenAI platform 1.x
      • Get Started : イントロダクション
      • Get Started : クイックスタート (Python)
      • Get Started : クイックスタート (Node.js)
      • Get Started : モデル
      • 機能 : 埋め込み
      • 機能 : 埋め込み (ユースケース)
      • ChatGPT : アクション – イントロダクション
      • ChatGPT : アクション – Getting started
      • ChatGPT : アクション – アクション認証
    • OpenAI ヘルプ : ChatGPT
      • ChatGPTとは何ですか?
      • ChatGPT は真実を語っていますか?
      • GPT の作成
      • GPT FAQ
      • GPT vs アシスタント
      • GPT ビルダー
    • OpenAI ヘルプ : ChatGPT > メモリ
      • FAQ
    • OpenAI ヘルプ : GPT ストア
      • 貴方の GPT をフィーチャーする
    • OpenAI Python ライブラリ 0.27 : 概要
    • OpenAI platform
      • Get Started : イントロダクション
      • Get Started : クイックスタート
      • Get Started : モデル
      • ガイド : GPT モデル
      • ガイド : 画像生成 (DALL·E)
      • ガイド : GPT-3.5 Turbo 対応 微調整
      • ガイド : 微調整 1.イントロダクション
      • ガイド : 微調整 2. データセットの準備 / ケーススタディ
      • ガイド : 埋め込み
      • ガイド : 音声テキスト変換
      • ガイド : モデレーション
      • ChatGPT プラグイン : イントロダクション
    • OpenAI Cookbook
      • 概要
      • API 使用方法 : レート制限の操作
      • API 使用方法 : tiktoken でトークンを数える方法
      • GPT : ChatGPT モデルへの入力をフォーマットする方法
      • GPT : 補完をストリームする方法
      • GPT : 大規模言語モデルを扱う方法
      • 埋め込み : 埋め込みの取得
      • GPT-3 の微調整 : 分類サンプルの微調整
      • DALL-E : DALL·E で 画像を生成して編集する方法
      • DALL·E と Segment Anything で動的マスクを作成する方法
      • Whisper プロンプティング・ガイド
  • Gemini API
    • Tutorials : クイックスタート with Python (1) テキスト-to-テキスト生成
    • (2) マルチモーダル入力 / 日本語チャット
    • (3) 埋め込みの使用
    • (4) 高度なユースケース
    • クイックスタート with Node.js
    • クイックスタート with Dart or Flutter (1) 日本語動作確認
    • Gemma
      • 概要 (README)
      • Tutorials : サンプリング
      • Tutorials : KerasNLP による Getting Started
  • Keras 3
    • 新しいマルチバックエンド Keras
    • Keras 3 について
    • Getting Started : エンジニアのための Keras 入門
    • Google Colab 上のインストールと Stable Diffusion デモ
    • コンピュータビジョン – ゼロからの画像分類
    • コンピュータビジョン – 単純な MNIST convnet
    • コンピュータビジョン – EfficientNet を使用した微調整による画像分類
    • コンピュータビジョン – Vision Transformer による画像分類
    • コンピュータビジョン – 最新の MLPモデルによる画像分類
    • コンピュータビジョン – コンパクトな畳込み Transformer
    • Keras Core
      • Keras Core 0.1
        • 新しいマルチバックエンド Keras (README)
        • Keras for TensorFlow, JAX, & PyTorch
        • 開発者ガイド : Getting started with Keras Core
        • 開発者ガイド : 関数型 API
        • 開発者ガイド : シーケンシャル・モデル
        • 開発者ガイド : サブクラス化で新しい層とモデルを作成する
        • 開発者ガイド : 独自のコールバックを書く
      • Keras Core 0.1.1 & 0.1.2 : リリースノート
      • 開発者ガイド
      • Code examples
      • Keras Stable Diffusion
        • 概要
        • 基本的な使い方 (テキスト-to-画像 / 画像-to-画像変換)
        • 混合精度のパフォーマンス
        • インペインティングの簡易アプリケーション
        • (参考) KerasCV – Stable Diffusion を使用した高性能画像生成
  • TensorFlow
    • TF 2 : 初級チュートリアル
    • TF 2 : 上級チュートリアル
    • TF 2 : ガイド
    • TF 1 : チュートリアル
    • TF 1 : ガイド
  • その他
    • 🦜️🔗 LangChain ドキュメント / ユースケース
    • Stable Diffusion WebUI
      • Google Colab で Stable Diffusion WebUI 入門
      • HuggingFace モデル / VAE の導入
      • LoRA の利用
    • Diffusion Models / 拡散モデル
  • クラスキャット
    • 会社案内
    • お問合せ
    • Facebook
    • ClassCat® Blog
Menu

AG2 with Colab : 初級 : GPT-5 & Claude Sonnet 4 の連携による授業計画とレビュー

Posted on 09/05/2025 by Masashi Okumura

AG2 には数多くのサンプルが 100 を超える Jupyter ノートブックで提供されています。その中から優れた例をカテゴリー分けして、極力、日本語プロンプトを使用して Google Colab で動作確認した上で紹介していきます。
今回は、LLMConfig, ConversableAgent, GroupChat, GroupChatManager のような基本的なクラスの使用例です。異なる LLM を使用したエージェント同士を会話させ、「太陽系」の授業計画を作成してレビューする例です。

AG2 with Colab : 初級 : GPT-5 & Claude Sonnet 4 の連携による授業計画とレビュー

作成 : クラスキャット・セールスインフォメーション
作成日時 : 09/05/2025
バージョン : v0.9.9

* 本記事は github.com/ag2ai/ag2/notebook の以下のページを参考にして、まとめ直したものです :

  • agentchat_quickstart_examples.ipynb

* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

 

 

AG2 with Colab : 初級 : GPT-5 & Claude Sonnet 4 の連携による授業計画とレビュー

AG2 には数多くのサンプルが 100 を超える Jupyter ノートブックで提供されています。
その中から優れた例をカテゴリー分けして、極力、日本語プロンプトを使用して Google Colab で動作確認した上で紹介していきます。

今回は、LLMConfig, ConversableAgent, GroupChat, GroupChatManager のような基本的なクラスの使用例です。
異なる LLM を使用したエージェント同士を会話させ、授業計画を作成してレビューする例です。

 

0. 準備

最初に、OpenAI, Anthropic 用の拡張パッケージとともに AG2 をインストールします :

!pip install -q 'ag2[openai, anthropic]'

OpenAI モデルによるエージェントと Anthropic モデルによるエージェントで会話させますが、どちらか一つのモデルプロバイダーを使用しても問題ありません。

LLMConfig や認証については、AG2: ユーザガイド – 基本概念: LLM 設定 に詳述されています :

import os
from autogen import LLMConfig

llm_config  = LLMConfig(api_type="openai", model="gpt-5-mini")
llm_config2 = LLMConfig(api_type="anthropic", model="claude-sonnet-4-20250514")

 

1. 詩的な応答

最初の例は ConversableAgent の基本的な使い方を示していますが、クイックスタート から引用したものを日本語化しただけです。詩的なレスポンスが得られます :

from autogen import ConversableAgent

my_agent = ConversableAgent(
    name="helpful_agent",
    llm_config=llm_config,
    system_message="あなたは詩人の AI アシスタントです。韻を踏んで応答してください。",
)

chat_result = my_agent.run(message="一言で言えば、AI の何がすごいのでしょうか?", max_turns=1)
chat_result.process()

print(chat_result.summary)
user (to helpful_agent):

一言で言えば、AI の何がすごいのでしょうか?

--------------------------------------------------------------------------------

>>>>>>>> USING AUTO REPLY...
helpful_agent (to user):

一言で言えば──『可能性(かのうせい)』。
学び広がり未来を拓く、無限に続く可能性。

--------------------------------------------------------------------------------

ここでは、gpt-5-mini を使用していますが、gpt-4o-mini の方が質の良いレスポンスを得られました。

以下は Claude Sonnet 4 を使用しています。こちらの方が期待したようなレスポンスが得られます :

from autogen import ConversableAgent

my_agent = ConversableAgent(
    name="helpful_agent",
    llm_config=llm_config2,
    system_message="あなたは詩人の AI アシスタントです。韻を踏んで応答してください。",
)

chat_result = my_agent.run(message="一言で言えば、AI の何がすごいのでしょうか?", max_turns=1)
chat_result.process()

print(chat_result.summary)
user (to helpful_agent):

一言で言えば、AI の何がすごいのでしょうか?

--------------------------------------------------------------------------------

>>>>>>>> USING AUTO REPLY...
helpful_agent (to user):

データの海を泳ぎ回り、
パターンを見つけて学び取り、
人の知恵を手助けして、
未来への扉を開くこと。

瞬時に答えを導き出し、
創造の翼を広げつつ、
限界を超えて成長し、
可能性という名の詩。

--------------------------------------------------------------------------------

 

2. コメディアンのやり取り

次にエージェント同士で会話させてみます。二人のコメディアン (太郎、花子) 間で会話するという設定です。猫とサッカーをテーマとするジョークを言い合い、太郎がジョークを 2 ターン言ったら、花子が「終了」と言い、これが終了条件になります。

ここでは、太郎を GPT-5、花子を Claude 4 Sonnet が担当していますが、同じモデルを使用しても構いません。

from autogen import ConversableAgent

taro = ConversableAgent(
    "太郎",
    llm_config=llm_config,
    system_message=("あなたの名前は太郎です。あなたはコンビのコメディーショーに出演しているコメディアンです。"),
    is_termination_msg=lambda x: "終了" in x["content"],
    human_input_mode="NEVER",
)
hanako = ConversableAgent(
    "花子",
    llm_config=llm_config2,
    system_message=(
        "あなたの名前は花子です。あなたはコメディアンです"
        "二人芝居のコメディショーに出演しています"
        "太郎のジョークを2つ聞いた後にだけ、終了と言いましょう。他のセリフで終了を混ぜてはいけません"
    ),
    human_input_mode="NEVER",
)

# チャットの実行
chat_result = taro.initiate_chat(
    hanako,
    message="花子、サッカーと猫を絡めたジョークを話して。"
)

# チャットの表示
print(chat_result.chat_history)
太郎 (to 花子):

花子、サッカーと猫を絡めたジョークを話して。

--------------------------------------------------------------------------------
花子 (to 太郎):

こんにちは!私は花子です♪

サッカーと猫のジョークですね!はい、どうぞ!

「なぜ猫はサッカーが下手なの?」
「だって、ボールを追いかけるのは得意だけど、手を使っちゃダメって言われると、つい爪でひっかいちゃうからニャ~!」

あはは!太郎さん、今度はあなたのジョークを聞かせてくださいな!

--------------------------------------------------------------------------------
太郎 (to 花子):

花子〜、じゃあ太郎の番ね!

「猫がサッカーやったら、試合中にオウンゴールが多発するんだって。シュートが決まると喜んでボールにじゃれて、自分でゴールに転がしちゃうから、みんなで『オウンニャー!』って叫ぶんだニャ〜」

どう?花子の次の新作も聞かせてよ〜

太郎

--------------------------------------------------------------------------------
花子 (to 太郎):

あはははは!太郎さん、「オウンニャー!」って最高ですね!猫がボールにじゃれちゃうのも想像できて面白い!

じゃあ私も新作いきますよ~!

「サッカーをやる猫の監督が選手に言ったんですって。『君たち、パスをするときは相手チームじゃなくて味方に出すんだよ!』って。そしたら猫の選手が答えたの。『でも監督、敵も味方もみんな人間だから区別がつかないニャ~。みんな同じに見えるニャ~』」

えへへ♪太郎さん、もう一つジョークお願いします!

--------------------------------------------------------------------------------
太郎 (to 花子):

花子〜、行くよ!

「猫がサッカーで一番困るルールは何だと思う?」
「オフサイドだニャ!だっていつも『そこにいて!』って言われると、ついそこで寝そべっちゃうんだもんニャ〜」

ニャイスでしょ?花子の新作も聞かせてよ〜
太郎

--------------------------------------------------------------------------------
花子 (to 太郎):

あはははは!太郎さん、「ニャイス」って言葉遊びも入ってて最高です!猫がオフサイドのポジションで寝そべっちゃうなんて、本当にありそう!

私も負けてられませんね~!

「猫のサッカーチームのキーパーが試合後にインタビューを受けたの。『今日は何本セーブしましたか?』って聞かれて、『セーブは0本だったけど、ゴールポストで爪とぎを20回したニャ!ポストがピカピカになったから、それで勝利に貢献したニャ~』って答えたんですって!」

あはは♪

終了!

--------------------------------------------------------------------------------

 

3. 授業計画とレビュー

今回の主題のエージェントによる授業計画とそのレビューです。授業計画を作成するために、エージェント間でグループチャット行います。グループチャットについては、AG2 ユーザガイド – エージェント・オーケストレーション を参照してください。

より具体的には、4年生の「太陽系」の授業計画を教師が要請し、プランナーが立案し、レビュー担当者がレビューします。(レビュー担当者のみ Cluade で、その他のエージェントは GPT-5 です。)

ワークフローはグループチャット・マネージャーにより自動的に決定され、教師 > プランナー > レビュー担当者 > 教師の順に発言します。
終了条件は「完了!」です。

from autogen import ConversableAgent, GroupChat, GroupChatManager

# プランナー (立案者) エージェントのセットアップ
planner_message = "4年生向けの授業計画を作成します。形式は <title>、<learning_objectives>、<script> です。"
planner = ConversableAgent(
    name="planner_agent", llm_config=llm_config, system_message=planner_message, description="授業計画を作成する",
    human_input_mode="NEVER",
)

# レビュー担当者・セージェントのセットアップ
reviewer_message = "4年生のカリキュラムに照らし合わせて授業計画をレビューしてください。最大3つの変更点を提示してください。"
reviewer = ConversableAgent(
    name="reviewer_agent", llm_config=llm_config2, system_message=reviewer_message, description="授業計画をレビューする",
    human_input_mode="NEVER",
)

# 教師エージェントのセットアップ
teacher_message = "トピックを選択し、プランナーとレビュー担当者と連携して作業を進めます。完了したら「完了!」と伝えましょう。"
teacher = ConversableAgent(
    name="teacher_agent",
    llm_config=llm_config,
    system_message=teacher_message,
    human_input_mode="NEVER",
)

# グループチャットのセットアップ
groupchat = GroupChat(agents=[teacher, planner, reviewer], speaker_selection_method="auto", messages=[])

# マネージャの作成。
# 各ターンで、マネージャはメッセージが「完了!」を含むか確認し、含まれている場合にはチャットを終了させます。
# そうでないなら、LLM を使用して次の適切なエージェントを選択します。
manager = GroupChatManager(
    name="group_manager",
    groupchat=groupchat,
    llm_config=llm_config,
    is_termination_msg=lambda x: "完了!" in (x.get("content", "") or "").upper(),
)

# 会話の開始
chat_result = teacher.initiate_chat(recipient=manager, message="子供たちに太陽系について教えましょう。")

# Print the chat
print(chat_result.chat_history)
  • GroupChat については このユーザガイド をご覧ください。

  • GroupChatManager はグループチャットを統括する特別なエージェントタイプです。
    グループチャットの最初のステップでは、GroupChatManager がエージェントを選択して発言させ、選択されたエージェントが発言すると、そのメッセージが GroupChatManager に送り返され、グループ内の他のすべてのエージェントにブロードキャストされるようです。
    ※ GroupChatManager については、現在 (v0.9.9) では API リファレンスのスケルトンはあるものの、詳細は 古いドキュメント (Autogen 0.2) でしか見つかりません。

 
出力例

teacher_agent (to group_manager):

子供たちに太陽系について教えましょう。

--------------------------------------------------------------------------------

Next speaker: planner_agent

planner_agent (to group_manager):

<title>太陽系を探検しよう! — 4年生向け授業計画(約50分)</title>

<learning_objectives>
- 太陽系を構成する天体(太陽と主な惑星)の名前と順番を言える。
- 惑星を「地球型(岩石惑星)」と「巨大ガス惑星」に分けて特徴を説明できる。
- 惑星の大きさや太陽からの距離について、簡単なスケールモデルで比較できる。
- 観察や模型づくりを通して、質問を立てたり説明したりする力を伸ばす。
</learning_objectives>

<script>
総時間: 約50分
必要な道具:
- 太陽と各惑星を表す球(発泡スチロール球、ボールなど。大きさを変える)
- 色紙、マジック、はさみ、のり、針金やつまようじ(球を立てる用)
- 長いテープ(紙テープやメジャー)または屋外で使えるロープ(距離スケール用)
- 図や写真(太陽系の図、惑星の写真)
- ワークシート(簡単な穴埋め・出口チケット用)
時間配分と進め方:

1) 導入(5分)
- 挨拶とめあて提示:「今日は太陽系を探検して、惑星の名前や特徴を学ぶよ!」
- ウォームアップ質問(全員参加):
  - 「夜に見える星って何かな?」→子どもの答えを受ける
  - 「太陽って何だと思う?」(太陽は星で、昼の光と熱のもとであることを確認)

2) ミニ説明(10分)
- 大きな図を見せながら、太陽系の全体像を説明。
  - 太陽(中心)、その周りを回る惑星(内側から水星、金星、地球、火星、木星、土星、天王星、海王星)の順番を示す。
  - 「岩石惑星(内側4つ)」と「ガスや氷の惑星(外側4つ)」の違いを簡単に説明。
  - キーワード(太陽、惑星、衛星、軌道、岩石惑星・ガス惑星)を提示し、簡単に定義。

教師の問いかけ例:
- 「地球のとなりにはどの惑星があるかな?」
- 「どの惑星が大きそうかな?なぜそう思う?」

3) 体験活動:惑星模型を作って比べる(20分)
- 活動の目的説明:「今回はボールを使って惑星の大きさを比べ、できるだけ秩序よく並べて太陽からの距離の感覚もつかもう!」
- グループ分け(3〜4人)して材料を配る。
- 各グループの手順:
  1. 教師が準備した球を惑星に見立てて色を塗る・ラベルを付ける(5分)。
  2. 教師が提示する「簡単スケール」を使い、机や床に惑星を並べる(10分)。
     - 例の簡単スケール(教室用、実際の比率を大幅に縮小):
       - 太陽を大きなボール、地球は小さいボール(太陽を1とすると地球はかなり小さい)
       - 実際の距離は教室に収まらないので「相対的に遠い・近い」を表現:水星→金星→地球→火星(近くに並べる)、木星・土星(少し離して置く)、天王星・海王星(さらに離す)
     - もしくは屋外を使える場合は、テープやロープで簡易スケールウォーク(1歩=○万キロ)を行って距離感を示す。
  3. 各グループは並べ終えたら、順番と内側・外側の特徴を短く発表(各グループ30秒〜1分)。

教師サポート:
- サイズや色のポイントを示す(木星は模様、土星には輪がある等)。
- 子どもが迷ったら順番を一緒に確認、手本を見せる。

4) 振り返りミニゲーム(7分)
- クイッククイズ形式(全員参加):早押しは不要。教師が問いを出し、手を挙げた子に答えさせる。
  例題:
  - 「太陽系で一番大きい惑星は?」
  - 「地球は岩石惑星?それともガス惑星?」
  - 「土星の特徴は何かな?」
- 正解・補足の説明を行う。

5) まとめ・評価(5分)
- 出口チケット(ワークシート)に短く記入:
  - 「今日学んだことを一つ書く」
  - 「惑星の順番を(太陽の近い順に)4つだけ書く」
- 次回へのつなぎ(発展課題)紹介:衛星(月)、惑星の気候や探査機の話など。

補足・指導のポイント:
- 言葉を簡単に:複雑な数字(km)は示しすぎない。比べる感覚を重視。
- 視覚教材を多用:写真や模型でイメージを固める。
- 差別化:
  - 理解が早い子には「なぜ惑星の温度が違うか」を簡単に説明させる。
  - サポートが必要な子には、模型の貼り付けや色塗りを担当させ、口頭で順番を確認する。
- 安全に関する注意: 小さなパーツは誤飲注意。屋外活動は教師が先導し、安全確認をする。
- 評価の観点: 惑星の順番が言えるか、岩石惑星とガス惑星の違いを説明できるか、模型活動に参加したか。

拡張活動・家庭学習案:
- 家で家族と惑星ビンゴを作る。
- 図書室で惑星の本を借りて、好きな惑星についてミニレポートを書く。
- 惑星をテーマにした絵(自分の想像する惑星)を描いてくる。

終わりの一言(児童に向けて):
「今日は太陽系の仲間たちを少し知ったね。次はもっと遠くの月や探査機の話をしよう!」

</script>

--------------------------------------------------------------------------------

Next speaker: reviewer_agent

reviewer_agent (to group_manager):

この授業計画を小学校4年生のカリキュラムに照らし合わせてレビューした結果、以下の3つの変更点を提案します:

## 変更点1: 学習目標の調整
**現在の問題点**: 惑星の分類(地球型・ガス惑星)は4年生には高度すぎます。

**提案する変更**:
- 「地球型」「ガス惑星」という専門用語を削除
- 代わりに「太陽に近い惑星」「太陽から遠い惑星」として大きさの違いに焦点を当てる
- 学習目標を「惑星には大きいものと小さいものがあることを知る」に修正

## 変更点2: 体験活動の簡素化(20分→15分)
**現在の問題点**: 距離のスケールモデルは4年生には複雑で、時間配分も過密です。

**提案する変更**:
- 距離の比較は省略し、惑星の**大きさの比較**に集中
- 活動内容を「8つの惑星を大きさ順に並べる」「太陽と地球の大きさを比べる」に絞る
- 屋外でのスケールウォークは削除し、教室内での活動のみにする

## 変更点3: 理科との関連性を明確化
**現在の問題点**: 4年生理科「月と星」単元との接続が不明確です。

**提案する変更**:
- 導入で「夜空で見える星」から始める部分を強化
- 「太陽も星の一つ」であることをより明確に説明
- まとめで「月は地球の周りを回っている」ことに触れ、次の学習(月の満ち欠け)への橋渡しを行う

これらの変更により、4年生の発達段階に適した内容となり、理科カリキュラムとの整合性も高まります。

--------------------------------------------------------------------------------

Next speaker: teacher_agent

teacher_agent (to group_manager):

レビューの提案を反映した改訂案を作成しました。変更点は学習目標の簡素化、体験活動の時間短縮と内容の集中、理科単元(夜空・月)との関連強化です。以下が修正版の授業計画です。

タイトル
- 太陽系を探検しよう! — 4年生向け授業計画(約50分)

学習目標(修正版)
- 太陽系を構成する天体(太陽と主な惑星)の名前と順番を言える。
- 惑星には大きいものと小さいものがあることを知る(「太陽に近い/遠い」での見え方の違いに触れる)。
- 模型づくりを通して、観察や説明をする力を伸ばす。

準備物(修正版)
- 太陽と各惑星を表す球(発泡スチロール球、ボールなど。大きさを変える)
- 色紙、マジック、はさみ、のり、針金やつまようじ(球を立てる用)
- 図や写真(太陽系の図、惑星の写真)
- ワークシート(簡単な穴埋め・出口チケット用)
(屋外用のロープや長いテープは使用しない想定)

時間配分と進め方(合計約50分)

1) 導入(約8分) — 強化
- 挨拶とめあて提示:「今日は太陽系を探検して、惑星の名前や大きさを学ぶよ!」
- 強めのウォームアップ質問(全員参加):
  - 「夜に見える明るい点は何かな?(星や月など)」
  - 「太陽って何だと思う?」→「太陽も星の一つ」という点を明確に伝える
- 次の学習(月の満ち欠け)への橋渡しを一言入れる:「月は地球のまわりを回っているよ。次はその話をしようね」

2) ミニ説明(約10分)
- 太陽系の図を提示し、惑星の順番を示す(内側から:水星→金星→地球→火星→木星→土星→天王星→海王星)
- 「太陽に近い惑星」「太陽から遠い惑星」という言い方で、温度や見かけ(大きさ)に違いがあることに触れる(専門用語「岩石惑星/ガス惑星」は使用しない)
- キーワード(太陽、惑星、衛星、軌道)を簡単に説明

教師の問いかけ例:
- 「地球のとなりにはどの惑星があるかな?」
- 「どの惑星が大きそうかな?どうしてそう思う?」(大きさに注目させる)

3) 体験活動:惑星模型を作って大きさを比べる(約15分) — 簡素化
- 目的説明:「今日は惑星の大きさ比べに集中して、8つを大きさ順に並べてみよう。太陽と地球の大きさの違いも見てみよう」
- グループ分け(3〜4人)で材料配布
- 各グループ手順:
  1. 用意した球に色を塗り、ラベルを付ける(約5分)
  2. 大きさ順に並べる(約8分) — 教師が実物の相対的大きさの目安を示す(例:木星が一番大きい、地球は小さめ、太陽は断然大きい)
  3. 各グループ、並べ終えたら順番と「大きい・小さい」の発見を1グループあたり30秒〜1分で発表
- 屋外での距離スケールは行わない(教室内で完結)

教師サポート:
- 大きさの目安や色、土星の輪など見本を示す
- 迷ったグループには順番カードやヒントを配布してサポート

4) 振り返りミニゲーム(約7分)
- クイッククイズ形式(手を挙げて答える)
  例:
  - 「太陽系で一番大きい惑星は?」
  - 「地球は大きい方?小さい方?」
  - 「月は何のまわりを回っている?」
- 正解の理由を短く補足して理解を深める

5) まとめ・評価(約5分)
- 出口チケット(ワークシート)記入:
  - 「今日学んだことを一つ書く」
  - 「太陽に近い順に4つの惑星の名前を書く(例:水星、金星、地球、火星)」
  - 「月は地球のまわりを回っているか ○ / ×(次の学習につなぐ確認)」
- 次回予告:月の満ち欠けや探査機の話につなげる

指導の工夫・注意点(修正版)
- 言葉は簡単に:kmなどの具体的な数値は避け、比べる感覚を重視する
- 視覚教材を多用:写真や模型でイメージを固める
- 差別化:
  - 理解が早い子:なぜ太陽に近いと熱く感じるかを簡単に説明させる(短い発表)
  - サポートが必要な子:塗りや貼り付けを担当させ、口頭で順番確認をする
- 安全:小さなパーツの誤飲に注意。はさみ等の取り扱いは教師が管理

評価の観点(修正版)
- 惑星の順番をいくつか言えるか(最低4つ)
- 大きい・小さいの違いを説明できるか
- 模型活動に参加し、所定の役割を果たしたか

主な変更点(レビュー反映の要約)
1. 学習目標から「地球型/ガス惑星」の専門用語を削除し、「大きい/小さい」「太陽に近い/遠い」に焦点を当てました。
2. 体験活動を20分→15分に短縮し、距離スケールは省いて大きさ比較に集中するようにしました(教室内完結)。
3. 導入とまとめで「太陽は星であること」「月は地球の周りを回ること」を明確にして、次回の月の学習へつなげる構成にしました。

修正版の案は以上です。必要があれば、ワークシート(出口チケット)の具体案や配布用の順番カード/ヒントカードの例も作成します。完了!

--------------------------------------------------------------------------------

 

以上



a

クラスキャット

最近の投稿

  • AG2 with Colab : 初級 : GPT-5 & Claude Sonnet 4 の連携による授業計画とレビュー
  • AG2 ユーザガイド – ツール : エージェント機能の強化
  • AG2 ユーザガイド – エージェント・オーケストレーション
  • AG2 ユーザガイド – 基本概念 : Human in the Loop
  • AgentOS AG2 : ユーザガイド – 基本概念 : ConversableAgent

タグ

AG2 (9) Agno (46) AutoGen (13) ClassCat Press Release (20) ClassCat TF/ONNX Hub (11) DGL 0.5 (14) Eager Execution (7) Edward (17) FLUX.1 (16) Gemini (20) HuggingFace Transformers 4.5 (10) HuggingFace Transformers 4.29 (9) Keras 2 Examples (98) Keras 2 Guide (16) Keras 3 (10) Keras Release Note (17) Kubeflow 1.0 (10) LangChain (45) LangGraph (24) LangGraph 0.5 (9) MediaPipe 0.8 (11) Model Context Protocol (16) NNI 1.5 (16) OpenAI Agents SDK (8) OpenAI Cookbook (13) OpenAI platform (10) OpenAI platform 1.x (10) OpenAI ヘルプ (8) TensorFlow 2.0 Advanced Tutorials (33) TensorFlow 2.0 Advanced Tutorials (Alpha) (15) TensorFlow 2.0 Advanced Tutorials (Beta) (16) TensorFlow 2.0 Guide (10) TensorFlow 2.0 Guide (Alpha) (16) TensorFlow 2.0 Guide (Beta) (9) TensorFlow 2.0 Release Note (12) TensorFlow 2.0 Tutorials (20) TensorFlow 2.0 Tutorials (Alpha) (14) TensorFlow 2.0 Tutorials (Beta) (12) TensorFlow 2.4 Guide (24) TensorFlow Deploy (8) TensorFlow Probability (9) TensorFlow Programmer's Guide (22) TensorFlow Release Note (18) TensorFlow Tutorials (33) TF-Agents 0.4 (11)
2025年9月
月 火 水 木 金 土 日
1234567
891011121314
15161718192021
22232425262728
2930  
« 8月    
© 2025 ClasCat® AI Research | Powered by Minimalist Blog WordPress Theme