はじめに

RAG（Retrieval-Augmented Generation）は、検索と生成を組み合わせることで、特定のデータに基づいた回答を生成する仕組みとして注目されています。

一方で、MoodleのようなLMS環境にAIを適用する場合、単純に生成AIを導入するだけでは、実用的な精度や安定性を確保することが難しいケースがあります。
コースごとに教材が異なり、教材形式も多様であるため、必要な情報を適切に抽出しながら処理する仕組みが求められるためです。

本記事では、Moodle向けAI基盤「EduAI」の中核AIエンジンである「ELRAG」について、その仕組みと設計の考え方を整理します。

LMSにRAGを導入すると直面する課題

一般的な生成AIは、学習済みモデルをもとに回答を生成します。
しかしLMSでは、次のような特性があります。

• コースごとに教材が異なる
• 教材が継続的に追加される
• PDFや動画字幕、用語集など形式が多様
• コースや活動の階層構造が存在する

このような環境では、単純な検索や生成では、

• 関連資料の取りこぼし
• 不適切な範囲からの回答生成
• 処理負荷の増加

といった課題が生じやすくなります。

ELRAGのコア設計

ELRAGでは、Moodleのコースコンテンツを対象に、事前解析を行う構成が採用されています。

コースや活動単位でコンテンツを解析し、検索に利用するデータをあらかじめ準備しておくことで、質問時には必要な情報のみを抽出して利用する仕組みです。

処理の流れ

コースコンテンツの取得
↓
事前解析
↓
検索用データの生成
↓
質問入力
↓
関連箇所の抽出
↓
AIによる回答生成

この構成により、すべての教材を都度処理するのではなく、事前に整理されたデータから必要な情報を利用する形になります。

システム構成（イメージ）

ELRAGは、Moodleと連携しながら次のような構成で動作します。

Moodle LMS
↓
ELRAGプラグイン（データ収集・画面表示）
↓
ELRAGシステム（AI処理・検索・履歴管理）
↓
Moodle UI

AI処理はMoodle本体ではなく、ELRAG側で実行される構成です。

Moodleとの連携

EELRAGは、次のような役割分担で動作します。

• Moodle：データの保持、画面表示
• ELRAG：検索・生成などのAI処理

この構成により、

• AI処理はELRAG側で実行される
• Moodleデータは変更されない（参照のみ）
• 連携はMoodleからELRAGへの送信を前提とした構成

といった特徴があります。

ELRAGで実現される機能

ELRAGを基盤とするEduAIでは、次のような機能が提供されています。

• コース内容に基づくAIチャット（Q&A）
• 小テストの自動生成
• 質問ログの可視化
• コースレコメンデーション

これらは、学習者の疑問解消だけでなく、教員や管理者の運用改善にも活用されることが想定されています。

EduAIとの関係

ELRAGは単体のサービスではなく、Moodle向けAI基盤「EduAI」の中核AIエンジンです。

• EduAI：AI基盤（サービス全体）
• ELRAG：AI処理を担うエンジン

Moodle側には連携用のプラグインがあり、データ収集や画面表示を担い、AI処理は外部のELRAGシステム側で実行されます。

まとめ

ELRAGは、Moodle環境におけるAI活用を前提として設計されたAIエンジンです。

コース単位での事前解析と検索を組み合わせることで、関連性の高い情報に基づいた回答生成を行う構成となっています。

また、

• Moodleデータを書き換えない設計
• AI処理を外部で実行する構成
• 参照範囲を制御できる仕組み

といった点は、実運用において重要な要素です。

AIの導入を検討する際には、機能だけでなく、このような構成や設計の考え方もあわせて確認することが重要です。

※本記事は2026年3月時点の情報に基づいています。
※EduAIは、現場のフィードバックをもとに継続的に改善・機能拡張を進めています。