AIEdナレッジベースAIEd KB
このページの内容

このページを英語で読む

概念

高等教育

作成日 2026-10-10 · 更新日 2026-10-10

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。

高等教育 — 人工知能を大学の教育、学習、評価、運営に統合することです。高等教育はナレッジベースでもっともよく研究されている文脈であり、100本を超える記事が、大学レベルの教育、機関の方針、学生の経験をAIがどう変えるかを検討しています。教育におけるAIは、AIEDの研究の主要な場であると同時に、その緊張がもっとも見えやすい場でもあります。すなわち、生成AIが約束する拡張可能な個別最適化と、誠実性、学習、プライバシー、公平性へのリスクとの間の緊張です。これには学部教育と大学院教育の両方が含まれ、医学や経営学といった専門職養成プログラムも含みます。

考えるための問い

  • 高等教育はAIの緊張が最も見えやすい場です。拡張可能な個別最適化対、誠実性・学習・プライバシー・公平性へのリスク。こうした緊張のうち、ご自身の機関でもっとも具体的に現れていると思うものはどれでしょうか。
  • 大規模な研究は、機関の方針と学生が日々AIをどう使っているかとの間の隔たりを明らかにしています。公式の方針が現実の学生の実践とこれほど頻繁にずれてしまうのは、なぜだと思われますか。
  • このページはAIの導入を偏ったものとして描いています。組織的な推進要因と国の政策に形づくられながら、変革する機関もあれば遅れる機関もあります。大学が適応するか停滞するかを決める要因は何だと思われますか。
  • AIが1対1の個別最適化された支援をほぼ無料で普遍的にもたらすとき、大学という存在そのものの価値と役割はどう変わるでしょうか。何が希少になり、したがって価値あるものとなるでしょうか。
  • ある知見は、AIを使う大学生の学習時間の減少を指摘しています。学生が学習時間を減らしながらも満足を報告しているとしたら、機関は何を測定し守るべきだということを示唆しているでしょうか。
  • 教員が自己評価するAI対応力と実際のAI対応力の隔たりを踏まえると、皆さんの文脈で意味のある教員養成・研修とはどのようなものでしょう。そして誰がその責任を負うべきでしょうか。

はじめに

高等教育におけるAIの研究は、大学のあらゆる機能にまたがります。AI個別指導や自動採点から、教員養成・研修、学問的誠実性、機関のガバナンス、学生支援までです。ナレッジベースの高等教育に関する記事は、いくつかの主要なテーマに集まります。すなわち、機関の変革、規模をもった学生の経験、教員と教育、評価と誠実性、そして方針と実践の急速な転換です。

機関の変革

機関変革の枠組みは、大学がAIにどう適応するかを分析します。教室レベルだけでなく、方針、ガバナンス、組織構造を横断してです。EPIQ-AIフレームワークは、教員の対応力を、認識論的・教授法的・制度的・質保証の各領域に関わる社会技術的な整合の課題として捉え直します。AI時代における大学の再考は、現在の機関モデルがAI駆動の教育を受け入れられるかどうかを検討します。導入は一様ではありません。組織的推進要因の研究は、機関による導入を可能にするものと阻むものを特定し、国の政策の分析は、制度的な文脈が大学の対応をどう形づくるかを示します。具体的な機関の青写真はQin (2026)から得られます。同氏は嶺南大学が「デジタル時代における研究集約的なリベラルアーツ教育機関」として再定位したことを記録し、全学部生にGenAIリテラシーを必修とし、デジタルリテラシーをコアカリキュラム全体に埋め込みながら、倫理的な推論と批判的な判断を前面に出すヒューマン・イン・ザ・ループモデルを発展させました。そして教育のためのAIへの転換は技術中心の増強ではなく知的な変革であると論じています。22件の高等教育AI統合介入のマクロレベルのマッピング(AlSheikhら、2026)は、変革が相変わらず現実よりも願望の側にあることを裏づけます。SAMRモデルで評価すると、ほとんどの介入は置き換え(S)か拡張(A)の水準にあり、統合は医学、工学、情報科学に集中し、人文科学の存在はほとんどありません。また、根拠は北米とアジアに偏り、グローバルサウスの例は最小限です。世界的な比較の指標が、言論と構造の隔たりを測定します。Chan (2026)は、Times Higher Education 2026年版のランキングに入ったすべての大学100校の公式ウェブサイトを、20指標からなるAI Institutionalization Indexに対して符号化しました。象徴的な層は飽和している一方、構造的な層は薄いのです。100%がAIのタスクフォースと修士レベルのAIの学位プログラムを持っていますが、執行層のAIのリーダーシップを持つのは12%のみ、学部生に導入のAIの履修を課しているのは5%のみ、そしてAIのアクセシビリティ方針を公表しているのは0%です。93%がAI駆動のキャンパスサービスを展開しているにもかかわらず、です。

ある機関がどのような形態のGenAI利用を正統なものとして認めているかは、それ自体測定可能です。Sun, Dohn, Rehm (2026)は、102件の高等教育実証研究を、学生とシステムの間で認識論的な作業がどう分配されたかによって分類し、Assistant(42.16%)とEnabler(42.16%)の応用が卓越する一方、Generator、Reimaginator、Synthesizerを合わせてもコーパスの5分の1未満であることを見いだしました。モデルが残りをできないからではなく、周辺的な形態が著作を、大学の「個人の能力」という論理がまだ認めないかたちで分配してしまうからです。彼らの説明によれば、高等教育におけるGenAIへの拘束条件は技術的な能力ではなく制度的な正統性であり、この問いは誠実性と評価改革と同じ方針・評価再設計の領域に正面から据えられます。

教室の外でのAI展開は消費者保護の問題となり、その学生側の一覧は薄いものです。Student DefenseのSHAPE AI報告書(2026)は、入試、募集、奨学金、学生の成功のためのサービス(進路指導、カウンセリング、給付へのアクセス、単位互換)、教育の提供にわたる機関のAI利用をマッピングします。Canvas、Blackboard、D2L Brightspaceに組み込まれたLMSの機能、機関全体のGenAIプラットフォーム、個別指導とフィードバックのシステム、検出と遠隔監視です。そして導入が保護を追い越していると論じます。その6つの横断的な懸念(学生が対価に対して何を得ているか、学習共同体の喪失、開示と透明性、データのプライバシー、バイアス、較正された人間の監督)は、4つの調達審査の問いと結びついています。すなわち、何の問題を解こうとしているか、ガバナンスの能力があるか、機関は透明か、そして展開は学生にとって価値を生むかです。報告書の立場は、州や認可機関、連邦教育省はこうしたリスクをまだ捕捉できる状態になく、機関自身の成文の方針が実効的な保護として残されているというものです。そして失敗モードを名指しします。教員主導のプログラムを宣伝しながら、教育や科目設計をAIや外部業者に外注している大学は、自分の名前で別の商品を売っているのだ、と。

規模をもった学生の経験

本物の学生のAI利用とGenAIの利用可能性と満足度の大規模な研究は、学生が実際にAIをどう使うかを記録し、機関の方針と日常の実践の隔たりを明らかにします。調査研究は学生がAIの状況をどう渡り歩くかを捉え、学習時間、卒業生のAIスキル、学生のAIツールに対する認識の研究は、学生のAIについての経験が混在したものであることを示します。効率的だが、しばしばより浅いのです。この大学の学習の多くは今やオンラインで行われ、そこではオンライン教育と学習が、AIの利点(拡張可能な個別最適化、常時利用可能な支援)と、大学生にとってのリスク(学問的誠実性、認知のオフローディング)の両方を形づくります。SHAP分析を用いた探索的な機械学習の手法は、学生の認識と人口統計が学術的なChatGPT利用の意図とどう関係するかを調べ、解釈可能性を優先しました(An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education)。生成AIが人間の創造性の価値を揺るがす芸術とデザイン教育では、デジタルストーリーテリングを核とするプロジェクトベース学習モデルが、AIに欠けている感情的・文化的・物語的な能力を育みました。地元の文化遺産をマルチモーダルAIの物語に翻訳した中国人学部生426人を対象とした15週間の組み込み型事例研究で評価されています(In the AI era: A project-based digital storytelling framework for art and design education)。GenAIの支援的・包摂的な利用は、障害のある学習者の学生の経験も作り変えています。Khlaifら(2026)は、パレスチナの3つの大学にわたる視覚障害のある学部生21人を対象とした質的事例研究で、GenAIが個人の特性に合わせて進度・内容・提示方法を調整し、複雑な文章を単純化し、内容をモダリティ間で変換することを見いだし、学習者に自律性と授業参加への自信を与えると同時に、教員を補完するものとして捉えられていることを示しました。

教室を超えて、AIは進路指導、働きかけ、紹介、希少な支援の配分を通じて、機関そのものを通じて学生に届きます。学生支援と成功は、これを独立した根拠の集まりとして集めています。規模に関するその中心的な注意は、4年間のランダム化評価(N = 8,708)から来ています。登録を促す働きかけは期限を34ポイント動かした一方、卒業、取得単位、GPAはまったく動きませんでした。

大学院教育と専門職養成教育

ナレッジベースは学部教育に重く偏っており、大学院と専門職の準備は、独立した大学院教育ページではなく、専門分野別のページ(医療・保健専門職教育、経営教育、教員養成)の中に収められています。それでも2つの流れは、修士課程・博士課程・専門職の学生に特に関わります。研究訓練と、専門職学位のプログラムです。

大学院の研究の実践は、この2つのうちでより特徴的なものです。DaiとChan (2026)は、7つのフォーカスグループにわたる28人の大学院研究学生が、GenAIを用いた研究においてAIリテラシーをどう実践したかを分析し、彼らを受動的な採用者ではなく較正された利用者であることを見いだしました。感じられる利害と分野の規範に応じて道具を課題に合わせ、人間の監督を保ち、許容できる下書き支援と自らの推論の代行との間に自ら境界を引いていたのです。彼らの中心的な知見は方針のギャップです。機関のGenAIの指針は教育、学習、評価については扱いますが、研究の過程についてはほとんど語りません。そこで著者らは、研究者とその指導教員のために、研究のワークフロー全体にわたってAIリテラシーの各次元を足場かけする、研究者向けの指針を提案します。Oh, Talton, Bui (2026)は同じ集団を機関の側から捉えます。必修の研究倫理の授業を受ける93人の生物科学系大学院学生と博士研究員において、授業前の3つの単純な行動シグナルが、適応的なAI教育における倫理指導のための軽量な受講時プロファイリングに用いられ、一方でそれ以前のAI関連の課程は5つの認識の成果のどれも予測しませんでした。AIは研究チームそのものも作り変えています。2020年以降の147,074本の論文の分析は、AI支援の執筆を、小さく若手に偏った、被引用の高い仕事を生み出すチームと結びつけ、数十年にわたる「Big Science」の大きな協働への流れを逆転させます。そして単一研究者の事例研究は、ある研究者自身のワークフローの中で持続的なエージェント支援がどう見えるかを記録します。

専門職学位のプログラムは大学院レベルの根拠の大半を占め、分野ごとに整理されています。保健専門職教育では、100人の医学部3年生を対象としたランダム化比較試験が、模擬患者、ソクラテス式チューター、ターン単位の評価者からなるマルチエージェントLLMシステムを、臨床面接訓練のための明示的な足場かけ機能を軸に構成して検証しました。一方SCANフレームワークは、研修者のAI利用を、学習者の誤用ではなく、課題の配分とリアルタイムのメタ認知的な分類の問題として捉え直します。修士レベルの準備はZhuら(2026)に現れます。そのD–T–Eモデルは、3つのLLMを設計・フィードバック・省察のループの中で「知的な評価者」として働かせることで、数学教育学のM.Ed.学生の授業設計の力量を高めました(Cohenのd = 0.62)。学生がGenAIと自らの専門化をどう概念化するかは、これらのプログラムを横断します。一方、職場と継続的な専門職の学習は、大学院学習には隣接しつつも別のもので、成人学習者と職場学習のもとで扱われます。

教員と教育

教育開発の研究は、教育者がAIを採用し、抵抗し、適応していく様子を調べます。教員のAI導入に関する研究は、自信、支援、態度を主要な予測要因として特定します。AI支援の裁量的フィードバックの研究は、AIが教育者のフィードバックの質と量を高めるかどうかを探り、倫理の研究は、教育者がフィードバックにAIを使うべきかどうか自体を問います。職員の認識の研究と教員のAI観の現象学的な研究は、教育者が変化する自らの役割をどう理解しているかを探ります。大規模な授業では、AIは今やフィードバックの負担の増大する分を担うことができます。学部のマクロ経済学の演習で行われた1学期にわたるフィールド実験(Geschwindら、2026)では、個別のGPT-4フィードバックが8つの自由記述課題にわたって最も高い参加を持続させ、内容面でもっとも大きな学習効果を生み出し、AIフィードバックを講義のフィードバックへの拡張可能な補完物、そして信頼のおけない相互フィードバックの代替物として位置づけました。大規模な学部のSTEM授業のための補完的な道は、診断的なTA(教務補佐)システムです。Arthur (Yinら、2026)は、問題ごとの機械学習の骨格を用いて、Engineering Economicsの計算公式問題に対してリアルタイムで個別化されたフィードバックを与えます。これは、手書きの解答がそれまでAI支援を妨げていた領域で、フィードバックの正確さと収集効率のバランスをとる対話型のウェブインターフェースを通じて行われます。Farazouliら(2026)は、その変化の感情的な次元を捉えます。24人のスウェーデンの大学教員は、GAIの出現を脅威的で圧倒的なものとして経験し、「傷つきやすさの状態」(自信のなさ、不安、「学生より先にいられないのではないか」という恐れ)を報告し、ユートピア的言説とディストピア的言説の間に「動けない」と感じました。一方で評価を見直し、批判的思考と倫理的なGAI利用へと優先順位を再評価しました。

評価と誠実性

学問的誠実性とAI評価改革の研究は、AIを使いこなす学生の集団に向けて、大学が評価をどう再設計すべきかに取り組みます。検出中心のアプローチは、真正の評価と過程に基づく評価へと道を譲りつつあります。口頭試験、評価の双子、真正の評価の再設計などです。この転換はより深い懸念を反映しています。学生と機関がAIとの関係で不正をどう定義するか、そしてAIが生成した評価教材の質です。自由記述の大学の課題に対する採点の自動化そのものが成熟しつつあります。Pecuchova, Benko, Drlik (2025)は、ソフトウェア工学の試験問題24問に対する1,885件の解答について、11のGenAIモデルと文埋め込みモデルを比較し、GPTo1だけが2人の専門家の人間採点者とほぼ完全な一致に達したこと(Fleiss' Kappa 0.82)、文脈に敏感なモデルが参照ベースのモデルを上回ったことを見いだしました。ただし独自APIのコストから、著者らは資源の制約された機関にハイブリッドなヒューマン・イン・ザ・ループの運用を推奨しています。専門職プログラムの水準では、Olvetら(2026)が、大規模言語モデル（LLM）(GPT-4)による臨床実習前の医学の自由記述試験問題の採点が、人間によるルーブリックの反復的な精緻化を経て、教員採点者と実質的からほぼ完全な一致に達しうることを示しました(重み付けカッパ最大0.94)。それでも著者らは、残る不一致を裁定するために人間をループに保つことを推奨しています。このモデルレベルの根拠を補うものとして、Falahat, Das, Bhaumik, Thambi (2026)は、21問からなる大学の薬学試験をChatGPT-5で採点し、客観的な問題では教員とほぼ完全な一致(CCC 0.935–1.000)を見いだしましたが、短答式と論述式の問題では一致が不安定で、ルーブリックの提供も一貫して成績を改善しませんでした。これは大学の評価におけるハイブリッドなヒューマン・イン・ザ・ループ採点の根拠を強めるものです。

高等教育の教育者にとっての含意

  • AIを使いこなす学生の集団に向けて評価を設計する。 検出中心の誠実性アプローチは、真正の評価と過程に基づく評価(検出を超えて、評価改革)へと道を譲りつつあります。どう取り締まるかだけでなく、何を評価するかを再設計してください。
  • **「学生は何を手で学ぶべきか」という問いを再設計する。 計算機の分野と同じように、保存すべきスキル(検証、判断、過程)を決め、それを評価される中核とします。AIスキルが自動的に転移すると仮定しないことです。
  • 教員の対応力を、技術的なものではなく社会技術的なものとして扱う。 EPIQ-AIは、対応力を認識論的・教授法的・制度的・質保証の各領域にわたって枠づけます。道具の習熟だけでなく、教育の実践を機関のガバナンスと整合させてください。
  • 方針と実践のギャップに対処する。 大規模な研究(AI in the wild)は、学生が機関の方針が予期しない仕方でAIを使っていることを示します。自らの期待を実際の利用と合わせ、AIリテラシーを明示的に教えてください。
  • AIを使ってフィードバックの質と量を高める。 AI支援のフィードバックは、教育者が届けるフィードバックを増やすことができます。人間の判断と組み合わせて、単なる自動化ではなく学習を改善するものにしてください。
  • 採点と評価の革新に意図的に関わる。 Mesny, Roberge-Maltais, Galy (2026)は、評価と採点が高等教育で学習を形づくる最も影響力のある要因の一つである一方、経営教育などの分野では研究が不十分なままであると論じます(主要な4誌で20年間にわたってわずか58本の論文)。伝統的な、総括的に偏った規範準拠のアプローチは、生成AIの時代において深い学習、ウェルビーイング、公平性、誠実性を損ないます。著者らは教育者に対し、5つの革新的な実践(真正の評価、自己評価と相互評価、再評価、基準に基づく採点、成績を付けない実践)にもっと積極的で相互的に関わるよう促し、実施には制度的・文化的な支援と段階的な実験が必要だと述べています。
  • 研究訓練と監督を、それ自体としてAIリテラシーの場として扱う。 大学院研究者は、AIリテラシーを静的なスキルセットではなく状況に根ざした実践として実践します。機関の指針は教育と評価でほぼ止まっています。論文、博論、出版に関する仕事の指針は、AIリテラシーの各次元について検証、出典の明示、開示を具体的に足場かけすべきです。そして授業前の単純なシグナルで、研究倫理の授業におけるその支援を狙い定められます。二値の規則を出す代わりに。

関連する概念

関連する記事

関連するFAQ

メタデータ

レベルHigher Ed
対象読者Learners, Instructors, Faculty Developers, Administrators
技術と手法生成AI
教育におけるAIの基礎学術的インテグリティ, 教育におけるAI, 教育開発
SourceHistoryEditChat

このページを埋め込む

下のコードをコピーして、学習管理システムや他のウェブサイトにこのページを埋め込みましょう。埋め込み版ではページの内容のみが表示され、サイトのヘッダー・ナビゲーション・フッターは非表示になります。