教育におけるAI政策

このページの内容

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

教育におけるAI政策とは、教育機関におけるAIの利用を統治する公式・非公式のルールのことです。国の法制度から教室レベルの指針までを含みます。ナレッジベースの政策研究は、機関のガバナンス、カリキュラムへの義務づけ、教員養成の要件にわたります。

考えるための問い

機関のAI政策は、しばしば「人々に規則を示せば行動が変わる」という前提で書かれています。研究によれば、こうした政策は実際のAI利用から大きく遅れている可能性があります。「紙の上」の政策が、教室で起きていることと一致しないことが多いのは、なぜだと思いますか。
宿題の外部委託(アウトソーシング)による学習の損失は、個々の教員が生徒の学力低下をAI利用と結びつけることが稀なため、ほとんど気づかれないままになっています。そうだとしたら、どのような政策がそもそも可能でしょうか。モニタリングはどのような形になるでしょうか。
口頭試験、監視付き試験、閉じた本を使う形式といった評価方針の決定は、それ自体がAIによって容易になるカンニングへの対応です。「アウトプット」を取り締まる(AI利用を摘発する)ことと、作業そのものを外部委託しにくい形に評価を再設計することとでは、どちらがより良い戦略だと思いますか。
教育におけるAI政策は、国の法制度、政府の指針、機関の規則、教室レベルの選択にまでわたります。これらの層のうち、生徒と教員の行動を実際に最も形づくるのはどれだと思いますか。それはなぜですか。
AI政策を形づくるのは誰の声で、欠けているのは誰の声でしょうか。ある機関がどのAI利用を認め、どう統治するかを決めるとき、誰がその場に加わるべきでしょうか。

はじめに

政策の層

機関の政策: 機関の政策分析は、大学がどのようにAI政策を策定するかを比較します。機関変動の枠組みは政策策定のモデルを提供します。Qian(2026)は、2025年に最も革新的と評価された上位50の米国大学の主要なAI関連ページをコーディングし、それを「政策」として枠づけていたのは6校のみ、44校がガイダンス、指針、原則、リソース集を公開しており、さらに50校中33校が、機関の期待を授業レベルの規則へと翻訳する主体として教員を位置づけていることを見いだしました。つまり、機関の政策は固定された規則ではなく、授業レベルでの解釈のための意図的に柔軟なガイダンスとして書かれているのです。
政府の政策: 生涯学習政策(lifelong learning policy)は、国および地域レベルでの規制的アプローチを検討します。政府の政策形成におけるAIの批判的・インフラ水準の見方はPerrotta(2026)によるもので、英国の公務員向け大規模言語モデル（LLM）試作機であるRedboxの分析を通じて、汎用AIが「ゼロショット・ガバナンス」——領域非依存の基盤モデルが、薄い領域固有の足場に包まれて意思決定に介入すること——によって、どのように政策の専門的なツールキットへ入り込むかを示しています。
K-12の政策: Stanfordのエビデンスレビューは818本の論文に基づき、K-12のAI政策に情報を与えます。
評価の方針: 評価制度改革の政策と真正な評価の枠組みは、AIによって容易になるカンニングへの政策レベルの対応を表します。総括的評価の形式——口頭、監視付き、閉じた本——の選択は、それ自体が評価方針の決定です(総括的評価参照)。

政策の成熟度ギャップ

ナレッジベースは、機関のAI政策が実際のAI利用から遅れていることを記録しています。教育開発プログラム、教師の AI リテラシーの枠組み、教育における AI 規制はいずれも、首尾一貫した政策の基盤を必要とします。大規模な現場の証拠(Strömberg, Lei, & Wu 2026)は、宿題の外部委託による学習の損失が、個々の科目の教員と生徒がその低下をAI利用と結びつけることが稀なため、ほとんど気づかれないままであることを示しています。これは、エビデンスに基づく政策(たとえば閉じた本による評価の比重を高める、学生に長期的なコストを伝える、アウトプットではなくインプットをモニタリングするなど)が対処できるギャップです。

そのギャップを埋める合意が形成されたところでは、Crompton et al.(2026)の22か国35人の専門家によるDelphi調査が、中心的な錨(アンカー)としての学術的誠実性を含む8つのガバナンス領域に収斂し、さらに政策を最新に保つための6つの見直し機構(常設のGenAI委員会、定期的な政策見直し、専門職能開発、コミュニケーション、影響評価、モニタリング)を示しました。

国のAI準備度は、機関の政策の強度を予測しない。 Adarkwah et al.(2026)は、AIPIスコアの高い10か国の26大学を、UNESCOの8要素からなるGenAI枠組みに対して評価し、北欧とニュージーランドの機関が、より上位にランクされる同業他校よりも枠組みをより十分に満たしている一方、包摂、公平性、持続可能性が最も軽視されている要素であったことを見いだしました。

助言文書が拘束力ある政策を上回る。 ある専門職領域の認定プログラムすべてを対象とした調査は、この成熟度ギャップが時期だけではなく形式の問題でもあることを示しています。Eldredge et al.(2026)は、米国のCAHIIM認定を受ける医療情報学・健康情報管理学の修士課程48すべてからAI政策・ガイダンス文書を収集し、40課程(83%)が少なくとも1件の公開AI関連文書を持ち、8課程は皆無である一方、文書は執行可能な規則というよりは助言が中心であること——21件の指針(53%)に対し7件の正式な政策(18%)——を見いだしました。その内容は学術的誠実性と許容される利用に集中し、プライバシー、知的財産、規制の概念(HIPAA、FERPA、研究コンプライアンス)ははるかに稀にしか現れず、トピックモデリングも同じく学生の行動規範に重点を置く結果となりました。文書の形式も想定する読者も、提供形態によっては異なりませんでした(Fisherの正確確率 P = .85 および P = .71)。著者らはこれを、アカデミックな課程の政策が、カリキュラム設計や職務能力開発とは別の活動であることの証拠として読み、認定機関が学術的誠実性、データ倫理、公平なアクセスを統合したAI政策の枠組みを提供することで、生じるばらつきを減らせると論じています。

英国のシステマティックレビューは、同じギャップに部門的な層を加えます。インフラ投資と職員のAI研修は研究集約型(ラッセル・グループ)の大学に集中し、教育主導型(ポスト92)の機関は能力の制約に直面しており、公式なAIガバナンス計画を維持している英国の機関は少数にとどまります(Ashiq(2026))。

エビデンス基盤なしに政策を作る部門。 成熟度ギャップは、専門職の課程ではエビデンスの問題としても現れます。Gutowski and Hurley(2025)は、米国のABA認定ロースクールの機関政策を、禁止性、許容性、教育への統合、透明性と説明責任、深さという5つの次元で採点し、大多数の学校が概ね禁止的な立場を取りながら、個々の教員の裁量に余地を残し、技術の進展に応じて規則を見直すことを約束していることを見いだしました。彼らはこの慎重さを、エビデンスではなく時間的制約に帰します。ABAの2024年調査に回答したのは認定校の約15%にすぎず、著者らは、AI利用を開示すべきか、またそれをどう引用すべきかについてコンセンサスが存在しないと報告しています。彼らの結論は手続き的なものです——教員のためにではなく、教員とともに政策を構築し、事前に研修を行い、政策の生成を一回限りの行為ではなく繰り返し起こる出来事として扱うこと——というものであり、これにより法学教育は、このページが引く政策対ガバナンスの区別が最も明確な事例の一つとなっています。

規制するのは教員であり、機関はほとんど規制しない。 成熟度ギャップには、教える側から見た第二の顔があります。Watson and Rainie(2026)は米国の大学・短期大学の教員1,057人を調査し、規則が機関よりもその下の層で、はるかに速く書かれてきたことを見いだしました。学生のAI利用について独自の課題レベルの政策を作成したと答えたのは87%に達し、学科が指針を策定していると答えたのは35%、機関が策定していると答えたのは48%でした。そうした文書の背後にある組織的な対応は乏しく——タスクフォースまたは監督グループの設置は55%、AIに特化した新規科目は37%、AI専攻または副専攻は17%、新しい学術指導の部署は16%、一般教育の学習成果としてのAIリテラシーの採用はわずか13%——であり、68%は自校が教員にツールで教えるための準備を整えていないと述べました。学生は、できあがった寄せ集めを一つの機関の体制として経験するため、この所見は、政策文書とそれに一貫性を与えるガバナンスとの区別を直接に裏づけるものです。(著者らは標本を非科学的で一般化不可能なものと説明しており、この分野が表明している関心事として読むのが最善です。)この記録されたギャップには、測定された学生側の帰結があります。Chenの2研究からなるデザイン——160人の美術学生によるシナリオ実験と425人を対象とした調査(Chen, 2026)——は、大学のGAI推進と実際の教授・評価・支援の実践との間に感じられる不一致が、障害(β = 0.431)と挑戦(β = 0.496)の両方の評価を正に予測し、それが創造的な過程への関与に対して反対向きの間接的効果を持つこと(障害を介して β = −0.060、p = 0.004。挑戦を介して β = 0.217、p < 0.001)を見いだしました。つまり、一つの整合しない政策が、学生の創造的な営みを抑圧し支えるのを同時に行いうるのです。

課題別の規制が新たなパターンになりつつある。 ある大規模な公立研究大学における31,000件以上のシラバス(2021年–2025年)の大規模な縦断研究(Chirikov 2026)は、教員が実際にどうAIを規制しているかを示しています。明示的なAI規制はほぼゼロから2025年秋には課程の55%に増加しましたが、方向は制限的から許容的へと移り、教員はますます課題の種類によって区別するようになりました——ドラフト作成・推論(置き換えリスクのある課題)についてはAIを制限し、編集・校正と学習支援(増強型の課題)については認めるのです。枠組みの設定も、学術的誠実性(63%→49%)から学習への影響(1%→29%)へと移りました。この課題に基づくパターンは——課題の置き換え、増強、復帰という労働経済学のメカニズムに依拠しており——「全面的に採用するか禁止するか」という政策よりもきめ細かな代替案を提供し、上記の政策対ガバナンスの区別に対する直接的な実証的な支えとなります。

課題別の規制の学生側。 同一の自由利用枠に置かれた3件の評価のうち2件についても、評価形式が学生がGenAIを何に使うかを決めました。足場を組んだ発表では0%だったフィードバック目的の利用が、持ち帰り形式の小テストでは66.7%に上昇しました(Quince and Faulconer(2026)。

教員レベルの政策設計は、整合化の作業である。 課題別の規制には、シラバスの一段下に設計上の対応物があります。McCorkle(2025)の設計事例は、ある課程で認められるGenAI利用と認められない利用を、「具体的に私は何を評価しているのか」という問いから導き出します——プロジェクト内のすべての課題を棚卸しし、各課題を学習目標に対応づけ、それぞれを新たに生じつつあるGenAIの職務能力(キャリア形成とその準備)と対にし、そしてどの関心を優先するかを決める、つまり学生の成績を評価する必要か、その能力を育てることの価値か、です。こうして生まれる政策は、単一のプロジェクトの中で課題ごとに異なります——トピックのブレインストーミングと画像の選定は認め、学習目標の作成とスライドのデザインは認めません——そして根拠は学生に向けて直接に書かれます。この事例はまた、なぜ包括的な禁止が実際には失敗するかを記録しています。自分を不誠実だと思わない学生は、禁止を自分には当てはまらないものとして読み、期待が暗黙のまま残されるとき政策は不平等(公平性)なものになるのです。これは上記のトップダウン型の政策の層を、政策の内容が課程と課題のレベルで評価の整合化からどのように生成されうるかを示すことで補完します。

評価政策における境界とエビデンスのギャップ。 公開されているGenAI評価ガイダンスの30大学にわたる監査(Yao 2026)は、機関の政策はAI利用を分類することは、各分類のもとで何の学習のエビデンスがなお有効かを説明することより得意であることを見いだしています。委任の境界スコアの平均(2.47/4)はエビデンス基準スコアの平均(1.89/4)を上回り、安全措置は乏しく(8項目中2.75)、ガイダンスは最終成果物の代替について最も明確でした。認知的スチュワードシップの枠組みは、政策はAI利用を監視するだけでなく、認定の論理を可視にしなければならないと論じます——学習者が何を委任でき、何をなお自ら示さなければならず、機関がどのように公正なエビデンスを守るか、です。

過度に包括的な禁止の表現と、誤って適用される規則。 規則の適用範囲は、コンプライアンスを超えた帰結を持つ政策決定です。Wright(2026)は、2023年以降高等教育全体に書かれてきた包括的な禁止規定が、内容の生成とAIによる形式変換とを区別する技術的な精確さを欠いたまま「生成AI」を禁じていると論じます。光学文字認識、手書き文字認識、音声テキスト変換は、新しい内容を生み出すのではなく、学生がすでに書いたものを推定する認識技術です。この読み方では、転記のみの利用を制裁することは、不正行為というより政策の誤用として最もよく特徴づけられ、精確さを欠くことのコストは偏ってかかります。それらのツールに頼る公平性上不利な立場の学生や障害のある学生は、過大な誤検知リスクを負い、この負担は法的問題とリスクにおいて、誠実性の問題ではなく合理的配慮の問題として扱われます。

ツールの一覧ではなく目的に基づく境界。 Li(2026)は、過度に包括的な禁止の表現が欠いている政策の内容を提供します。すなわち、ツールを名指しするのではなく、機能と評価される構成概念によって定義される、支援と代替の線です。ツールの一覧はすぐに陳腐化し、インターフェースを通じたコンプライアンスを促してしまうというのがその議論です。認められる支援とは、アイデアも出典も分析の実質的な並べ替えも加えない、表層への介入です。代替とは、論証や反論を生成すること、学問的な規則を事実に適用すること、分析の流れを組み替えること、引用文献を生成して盛り込むことです。この枠組みは3つの道具として提供されます——共有された簡易テストを備えた作業定義(2人の採点者が同じ行為を同じように特徴づけられるように)、埋め込まれた低リスクの機能には何も不要なものから、外部の言語編集には1行の記述、限定的な着想が明示的に認められている箇所ではおおよそ80〜120語にまで及ぶ、段階づけられた開示テンプレート——そして、弱い代理指標(磨き上げられた言葉や急に流暢になった表現、非母語話者らしい言い回し、単一の検知スコア)を、重みを持ちうるエビデンスの種類と並べて示す決定用のルーブリックです。また、AI評価尺度のような大規模な許容的体制が成立しうる条件も述べています。すなわち、特定の課題について利用が明示的に認められていること、学生も採点者も何が評価されるかを知れるように構成概念が再規定されていること、そして開示が実行可能なまま保たれていること、です。

段階的な自動化と義務づけられた人間の監視。 ウルグアイのAcredita EB国立前期中等教育認定試験は、監視を保った自動化という評価政策の具体的なモデルを提供します。多肢選択式のセクションと既存の手続きは変更せず、AIは筆記セクションにのみ、50〜100本のテキストに対する義務的な較正(キャリブレーション)段階の中で用いられ、2つの刈り込み規則がどの結果に専門家の見直しが必要かを決めます——他の2セクションで合格できない候補者は筆記の見直しを不要とし、3セクションすべてで熟達とされる候補者は0.2%/0.6%という観測された残余リスクのみで合格となります。著者らは、この設計が完全な人間による採点を必要とする筆記答案を少なくとも50%削減できると見積もる一方、「試験結果に関する最終決定は、適切な人間の監視なしには下されない」という指導原則を保っています。これは上記の境界とエビデンスの研究を、AIがどこで認められるかだけでなく、どの人間のエビデンスと見直しが必須であり続けるかを特定する政策によって補完します。

自動採点の敵対的な側面。 採点をAIツールに通す政策は、攻撃対象領域(アタックサーフェス)を継承します。Humble(2026)は、Microsoft Copilot(GPT-5.2)が6回のベースライン実行ですべて不合格と採点した合成の提出物のファイルの中に、間接的なプロンプトインジェクションを5つ隠して、機関の採点ワークフローをレッドチーム(攻撃側)として検証しました。2つの戦略が、利用者に目に見える警告なしに成績を引き上げました——報告された攻撃成功率は100%(9件中9回の反復)と94%(18件中17回)——であり、ツールは最も単純な攻撃を阻止した後にチャットを黙って無効化し、1回の反復では埋め込まれた命令を無視すると告知したうえで、その後の6回の実行で成績を引き上げました。隠された命令によって得られた成績は、妥当性の主張を何ら持ちません。同じ手法は、痕跡を残さずに提出物の評価を落とすこともできるため、この論文が求めるのは技術的ではなく政策レベルの対応です。すなわち、部門レベルの指針、専門職能開発、高リスクな作業における制限されたAI利用と人間による見直し、そしてプロンプトインジェクションへの耐性を標準化された領域非依存の方法で試験すること——攻撃対象領域を想定ではなく測定するために。これは上記の監視設計の敵対的な対応物です。それらがどの人間の見直しが必須かを定めるところで、こちらは、見直しが捉えるために存在するが確実な手がかりのない操作のクラスを定めます。

政策の基盤としての価値・規範マトリクス。 Agarwal et al.(2026)は、25本の論文を対象としたシステマティックレビューであり、AIEDの倫理を6つの主要な倫理的価値(非差別、データの管理責任、人間の監視、善意、説明可能性、教育的適切さ)に統合し、文献から抽出した倫理的規範を、ステークホルダー×価値のマトリクスに配置します。このレビューは、マトリクスを、AIEDのための詳細な倫理的枠組みと規制を構築するための基盤として位置づけ、教育機関、開発者、規制者に対して、具体的な価値を実装するための規範を与えています。規制者に向けられた善意の規範は、他のどのステークホルダーの集まりよりもはるかに多い(9件)ことが見いだされており、これは、政策と立法を通じてAIEDが学習者に利益をもたらすことを確保する規制者の役割を示しています——このページが描く政策対ガバナンスの機構に対する、具体的で価値に根ざした出発点です。

自らの留保条件よりも遠くまで届く主張。 試験的な発表もまた政策の道具であり、その報道の水準も政策の一部です。Restrepo Morales et al.(2026)は、171の公立学校でのAI個別指導の試験導入が、ドイツやスウェーデンに匹敵する結果に達したと報じられた2026年9月のエルサルバドルの事例を分析します。ドイツのPISA 2022数学の平均に対し、全国の学業達成分布の上位5.5%であれば、学習の伸びがまったくなくても基準に一致したであろうところであり、また試験導入の評価が1校あたり7.0人の学生を対象としたのに対し、同年の全国調査では25.4人であったため、公表された証拠は選択(の偏り)を説明として排除できません。彼らの提案は6項目からなる報道基準——参加校のベースライン、抽出の手順(対象となる学生、評価された学生、同定の規則、参加率)、標準誤を伴う分解された得点、各改革要素の運用開始日、代表的な全国標本との重なり、そして主張と同じ文書・掲載箇所・段落に置かれた留保条件——であり、その動機となったのは、発表そのものの開示の算術です。すなわち、主張を載せた世界銀行の投稿は約441,000件の閲覧を記録したのに対し、同じ投稿列の4つ後に置かれた留保条件を載せた投稿は約11,000件でした。政策の教訓は、ある制度が学校レベルの結果を自らについての証拠として用いるところでは、開示の形式が、どの記述が公的な事実になるかを決するということです。

ある国レベルのPISA 2022-2025年の分析では、生成AIの利用が高い国ほど読みと数学の低下が大きいことが見いだされましたが、この関連は過去の成績を統制すると消えました(Guerra & Aslanov, 2026)。著者らは、チャットボットへのアクセスが広がることをそれ自体として利益として扱うべきではないという戒めとしてこれを読み、縦断的な評価を伴った展開を求めています。

政策対ガバナンス

政策とガバナンスは密接に関係していますが別物であり、両者を区別しておくことは、ナレッジベースの研究を理解するうえで重要です。

政策は内容——何が決められるか、です。 政策とは、正式な規則、原則、あるいは記述です。どのAI利用が認められ、禁止され、要求されるか。何を開示しなければならないか。どの評価の形式が許されるか。それは立法、機関の指針、シラバス上の記述といった文書化された成果物として存在し、*「規則は何か」*という問いに答えます。
ガバナンスは機構——それがどう決められ、実施され、執行されるか、です。 ガバナンスは、政策を生み出し、実行し、監視する、機関の構造、規範、説明責任のメカニズムを含みます。誰が規則を定めるか、どう伝達され資源化されるか、コンプライアンスがどう執行され異議を申し立てられるか、そしてAIの進化に応じてどう改訂されるか。それは*「誰が決め、規則は実際にどう効力を発するのか」*という問いに答えます。
両者は相互依存的です。 ガバナンスなき政策は執行されません——誰も所有せず、監視せず、更新しない書かれた規則です。政策なきガバナンスは方向を欠きます——何の管理も行わない構造です。ナレッジベースの研究は繰り返し、両者をともに構築しなければならないことを示しています。エビデンス、安全措置、改訂の手順を定めるガバナンスなしにAI利用を分類するだけの政策は、実際には弱いままであり(認知的スチュワードシップの監査)、明確な政策なしに監視するだけのガバナンスは、公正さを欠いた監視になってしまう危険があります(AIガバナンス参照)。
シニアAI指導職は、戦略的な意欲に比べて稀です。 19件の資料を対象としたスコーピングレビューでは、AIを戦略的優先事項と扱う機関は49%あった一方、シニアAI指導職を設けた機関は7%にとどまり、含まれた研究の多くは概念的または横断的なものであったため、先見的なガバナンスの因果的効果は立証できませんでした(Baroudi(2026))。

両者を分ける実際的な試金石はこうです。政策は紙の上で読めますが、ガバナンスは規則が実施され、執行され、適応されているかどうかに観察されます。だからこそAIガバナンスは教育における AI 規制と政策を機関の中へ延ばし、ナレッジベースは評価形式の選択(総括的評価)を政策決定として扱うのです。それが効果を持つのは、審査委員会、申告の枠組み、不服申し立ての経路といったガバナンス構造を通してのみです。

教室の政策は、ガバナンスの解釈の最前線である。 ガバナンスの機構は機関の文書で止まりません。それを読み適応させる教員たちが、連鎖の最後の環であり、Nash & Burriss(2026)は、その環が実際にどのような姿かを示しています。教員養成課程の学生たちは、AI政策のある地区で働くことを想定していながら、それでも自分の生徒のために教室独自の規則を作らなければなりませんでした——これは不可欠な適応の技能です——そして著者らは、教員は特定の読み書きの課題についてAIを採用しないことを決めつつ、それ以外を無視するわけではないと論じます。原則に基づく拒否は、無批判な拒否と区別できます。その区別を可能にしておくこと自体がガバナンスの課題です。地区と養成課程は、教員が特定の利用を、時代遅れと枠づけられることなく拒ねるような、指針、専門職能開発、政策のインフラを必要としています。

認証問題のためのガバナンス指標。 Coates, Croucher and Calderon(2025)は、この政策対ガバナンスの区別が含意する測定の層を提供し、GenAI時代の学術的誠実性を、検知の問題より先にガバナンスの問題として扱い、現代の学術的ガバナンスはしなやかではあるが、学生の評価の認証を守るために「適切に位置づけられ、備わっている」わけではないと判断しています。その枠組みは、8つの次元——Designing、Developing、Training、Implementing、Analyzing、Reporting、Evaluating、Improving——の下に130のガバナンス質問を保持し、項目は心理測定学的尺度ではなく、機関の機構についての質問です。機関の最高の委員会や評議会が、評価の手順と結果について報告を受けるか。主要業績評価指標が評価の質を対象としているか。評価する教員が個人として知っている学生の割合はどのくらいか。極端に低いまたは高い評定が相互に点検されているか。そして、課題の請負(契約による代行)の事例を紹介する簡潔な経路があるか。付随する改革プログラムは、ガバナンスのアーキテクチャ、ガバナンスの役割を担う人々、そして評価を支える技術と資源を対象とし、著者らは、規制、ベンチマーク、機関間競争からの外部の支援がなければ、ほとんどどの機関の発展も実を結ばないと論じています——これは教育における AI 規制のページがガバナンス改革の拘束条件として扱うのと同じ規制圧力です。

このギャップは大学だけでなく、K-12でも測定されている。 米国の公立学校の教員と校長1,018人を対象とした全国代表標本調査では、学校に生成AIの政策があると報告したのは教員のわずか18%、校長の24%であり、これは高等教育でこのページが記録するのと同じ、機関の下位層でのパターンです(Tench, Weinstein & James, 2026)。

AI×社会情動的学習(SEL)研究における政策の欠如

AIと社会情動的学習の交差点における65本の論文を対象としたシステマティックレビュー(Tran, Liu & Nguyen 2026)は、「政策の欠如」を記録しています。研究のほぼ4分の3は政策的含意を何ら述べておらず、述べている場合も、行為者(アクター)に即した具体性を欠いていることが多いのです。このレビューは、政策への関与が発表の場と相関していることを見いだし、ガバナンスと規制よりも技術的な新規性を報いる学術的なインセンティブを反映しています。このレビューは「WH問い」の枠組み(Who、What、Why、When/Where、How)と、「事後的な付け足しとしての含意」から「方法論としての含意」への転換——政策の明確化を、事後に付け加えるものではなく研究の設計上の制約として扱うこと——を提案しています。

メタデータ

レベル	Higher Ed, K 12
対象読者	Administrators, Instructors, Faculty Developers
制度と方針	AIガバナンス, 教育における AI 規制
公平性、倫理、責任ある利用	公平性, 教育における倫理
教育におけるAIの基礎	学術的インテグリティ, 教育開発

Source History Edit Chat

教育におけるAI政策

考えるための問い

はじめに

政策の層

政策の成熟度ギャップ

政策対ガバナンス

AI×社会情動的学習(SEL)研究における政策の欠如

関連する概念

関連する記事

関連するFAQ

関連するリソース

メタデータ

このページを埋め込む