工学教育

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。

工学教育——学生が工学をどう学び、それをどう効果的に教えるかについての研究です。AI が工学の教授法、評価、教員の養成、そして工学の労働力をどう変えるかに及びます。このナレッジベースの工学教育の記事は、いくつかの主題を中心に集まっています。教員が AI を理解するために使う比喩的な言語、AI 利用の倫理的統治、概念的な理解の身体化されマルチモーダルな評価、そして AI が工学と計算機の労働力をどう再編しているかです。

検討すべき問い

工学は、卒業生の決定が公共の安全とインフラに影響する専門職です。学生が AI に依存して設計と問題解決の仕事をさせるならば、純粋に学問的な科目では問題にならない何が懸かっているでしょうか。
同じ学部の工学の教員は、しばしば AI について根本的に異なる心的モデルを持っています——ある人はそれを社会的な「エージェント」と見、別の人は技術的な「道具」と見ます。そうした分岐する捉え方は、どの教員に当たるかによって、学生が AI と何をするかを学ぶことをどう変えうるでしょうか。
実践的な実験室学習と身体化された学習は、長らく工学教育を定義してきました。AI が設計の課題をシミュレートでき、あるいは自動化できるならば、実践的な経験はなお重要でしょうか——それとも、実践がシミュレーション化されるときに何かが本当に失われるのでしょうか。
ある研究の系譜は、学生のジェスチャーを発話と並べて追跡することで工学の理解を評価し、ジェスチャーと発話の緊密な結合が整合した概念的な理解を示すことを見出しています。学生の手は、言葉だけでは隠しうる理解の何を明らかにできるでしょうか。
研究は、工学における AI についての倫理的指針が主に学生向けで順守志向であり、教員と教育機関の相互的な説明責任は弱いことを見出しています。工学における AI の安全な利用の責任は、実際には誰のものであるべきでしょうか。

はじめに

工学教育の研究は、専門家としての形成と厳格な STEM の内容との交差点に位置するため、独特です。それは設計、問題解決、実践的で実験室的な学習、協働、専門職の実践に向けた卒業生の準備を重視します。設計はまた、デザイン教育と共有する土俵であり、両者はそれを、何が検証できるかによって分割します。工学の評価される対象は計算可能な人工物を含み、公共の安全に対する説明責任を帯びます。デザイン教育のそれは人工物の背後のアトリエの過程——スケッチ、反復、批評——であり、それは生成的な道具が今や、それをかつて生んだ過程なしに生み出せるまさにその証拠です。AI はここに独特の問いを提起します。AI が設計の課題をシミュレートしたり自動化したりできるとき、実践的で身体化された経験はなお重要かどうか。AI 利用の専門職的・倫理的利害（工学者の決定は公共の安全、インフラ、持続可能性に影響する）。そして AI が卒業生に必要なコンピテンシーと彼らが入る労働力をどう再編するかです。

ナレッジベースの工学教育研究における AI の現れ方

教員の理解と共有された言語： Gerhardt et al.は、工学の教員が AI を記述するために使う比喩を分析し、そのほとんどがそれを人間に似た「社会的存在／エージェント」としても「技術的な道具」としても捉え、同じ学部内の教員が根本的に異なる心的モデルを持ちがちであることを見出しました。比喩は理解を構成すると同時に制約するため、彼らは共有された正確な言語が、AI についての教育開発と学部内の議論に不可欠だと論じます。
倫理と責任ある利用： Osunbunmi et al.は、学部レベルの工学教育における AI の実証的研究を系統的に検討し、倫理的指針の 7 つの繰り返し現れる形——透明性、説明責任、学生の自立性／エージェンシー、プライバシー、アカデミックインテグリティ、公平性／公正性／バイアス、善行——を同定します。彼らは、倫理的指針が主に学生向けで順守志向であり、相互的な教員と教育機関の説明責任は発達していないことを見出します——それは、工学の公共の安全と社会的福祉に対する直接の利害によって高められる懸念です。
身体化されマルチモーダルな評価： Morphew et al.は、コンピュータビジョンによるジェスチャー追跡と発話のLLM分析とを統合するマルチモーダルな枠組みを開発し、工学部学生の統計学の概念的な理解を評価し、ジェスチャーが発話を超えた診断的な証拠を加え、ジェスチャーと発話の緊密な結合が整合した理解を示すことを示します。
労働力の変容： Fletcher et al.は、AI と工学／計算機の労働力に関する米国のグレー文献を検討し、「二重の列車問題」（急速な変化対緊急の政策）を枠づけ、永続する AI コンピテンシー、倫理と統治、そして新興の役割のためのスキルベースの認証を推奨します。
学生の受容と依存： Nguyen et al.は、批判的な利用で技術受容モデルを拡張し、工学／CS の学生が生成 AIを使おうとする意図をどう形成するか、そしてその意図が理解、評価、プログラミング、工学プロジェクトの課題にわたる依存をどう予測するかをモデル化します——理解に関わる課題では中程度で適切な依存と重度の利用が見られる一方、評価の執筆全体では限定的な利用が見られることを見出しました。Asag & Al Mamunは、TAM とUTAUTを統合してバングラデシュの工学部学生の受容をモデル化し、利用の分散の 64% を説明し、職務との関連性、結果の実証可能性、主観的規範を主要な推進力として強調します。
プロンプトの方略が予測するのは、利用量ではなく成績である。 128 人の 4 年次工学部学生のうち、AI クエリ効率と AI 駆動の問題解決が学業の成功の最強の予測変数であり、累積 GPA を統制した後も有意なままでした（Isaza Dominguez et al. (2026)）。
学生自身の比喩は道具が届くものを超える： Kudina (2026)は、100 人の工学部学生がライティングの支援、概念の明確化、コーディングで LLM を最も重視しながら、それを「神託」と「家庭教師」として捉えたことを見出しました——権威とパーソナライズは、確率的なテキスト生成器が供給できないものです。それは、学生がまだ構築途中である検証スキルに依存する「残酷な楽天主義」です。
AI を専門分野の中に、その傍らではなく埋め込め： プロジェクトベースの熱工学のカリキュラムは、計算機科学のコースを加えるのではなく、入門・応用・上級の水準にわたって既存の熱工学の主題に機械学習を組み入れ、最小限の入学要件しか満たさなかった学部生は大学院の仲間よりも弱いプロジェクトを生み出しました（Li et al. (2026)）。
AI 個別指導と量的な工学講義のためのフィードバック： Yin et al. (2026)は、Arthur を紹介します。それは学部の工学経済学の講義で計算式問題についてリアルタイムでパーソナライズされたフィードバックを届ける AI の教育助手です——そこは、手書きで構造化されていない解答が従来の AI 支援を阻んできた領域です。その完全なライフサイクルのパイプライン（以前に採点された手書きの提出物の選定、ランダム・マスキングによるデータ拡張、課題ごとの XGBoost 診断バックボーン、対話に基づく問題バンクのウェブインターフェース）は、構造化されたデジタルデータを欠く工学講義にわたるAI フィードバックのための拡張可能な道筋を提供し、枠組みは他の工学の専門分野の計算式問題に一般化するよう設計されています。
統合的でモジュール的でない持続可能性のための AI。 4 本柱の AI-SEE 枠組み（知性駆動、緑による強化、責任牽引、実践統合）は、AI を工学のコースワーク全体に分散させます。144 人の学生による輸送工学の事例では、学生は個人的、学問的、専門職的、社会的な水準にわたる関与を報告し、持続可能性の推論が家庭と仲間のネットワークに持ち込まれました（Liu et al. (2026)）。
道具に富んだアトリエは、製品を改善せずに効力感を低下させることがある。 27 人の学生による建築デザインのアトリエでは、生成 AI とXRのパイプラインを使ったチームは、統制群よりも設計の自己効力感（β = −1.675）と成果期待（β = −2.088）の事前–事後の低下が大きかった一方、学生 1 人あたり 1 台のヘッドセットは調整された協働を生みませんでした（Xiao et al. (2026)）。

特徴的な関心事

工学教育の特徴的な関心事は、AI がどう取り込まれるかを形づくります。実践的で実験室的な学習（AI が実践をシミュレートするときに何が失われるか）、専門家としての形成（倫理的責任、安全、社会への影響）、設計と問題解決（AI がどれほどの認知的仕事をすべきか）、そして労働力に向けたコンピテンシーベースの準備です。これらは、AI が専門職の専門性にとって本質的な認知的仕事を増強するのか置き換えるのかを研究するための豊かな場となります——物理学教育、数学教育、計算機科学教育の議論と並行してです。

カバーが不十分な下位領域

ナレッジベースの工学教育のカバーはなお発展中です。さらなる記事の恩恵を受ける下位領域には、専門分野固有の工学教授法（機械、土木、化学、電気、ソフトウェア、バイオ工学の教育）、デザインとメイカー教育、総合課題とプロジェクトベース学習、そして工学の倫理教育——AI の役割が特に重大であると思われる領域——が含まれます。

工学教育の教員への含意

AI について共有された正確な言語を構築せよ。 教員の比喩研究は、教員が根本的に異なる心的モデル（エージェント対道具）を持つことを見出します。政策を作る前に、学部内の理解を揃えましょう。
倫理から説明責任への隙間を閉じよ。 倫理のレビューは、指針が主に学生向けで順守志向であることを見出します。工学が公共の安全に持つ利害を踏まえ、相互的な教員と教育機関の説明責任を強化しましょう。
マルチモーダルで身体化された評価を用いよ。 ジェスチャー＋発話の評価は、言語だけを超えた診断的な証拠を加えます。概念的な理解を評価する際に身体化された合図を検討しましょう。
コースだけでなく、労働力に向けて学生を準備せよ。 二重の列車問題は、新興の役割と整合した永続する AI コンピテンシー、倫理／統治、スキルベースの認証を促します。
批判的な利用と適切な依存を模範を示せ。 批判的利用の TAM 研究は、学生が理解の課題では AI に重く依存するが評価ではそうでないことを示します。課題の種類にわたって適切で検証可能な依存へと導きましょう。
AI の利用を、授業時間の中でスキルとして教えよ。 Geng et al. (2026)は、9 回の教員主導のデモンストレーションを行いました。それぞれ講義の終わりの 10–15 分で、道具のリテラシーから戦略的な委任、モデルの評価へと順序づけられました——しかし、評価とのつながりを見ない学生はそれを冗長だと報告したため、評定される仕事と結びつけましょう。

メタデータ

分野	Engineering Education, Stem Education
レベル	Higher Ed
対象読者	Learners, Instructors, Faculty Developers
学習と教授	職場学習
評価と測定	評価
公平性、倫理、責任ある利用	教育における倫理
教育におけるAIの基礎	AIリテラシー, 教育開発

Source History Edit Chat

検討すべき問い

はじめに

ナレッジベースの工学教育研究における AI の現れ方

特徴的な関心事

関連概念へのつながり

カバーが不十分な下位領域

工学教育の教員への含意

関連概念

関連記事

メタデータ

このページを埋め込む