教師教育

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。

専門能力開発 — 教師の養成と継続的な専門能力開発です。養成前段階の教師訓練(初期の認定プログラム)と現職の専門能力開発の両方にわたります。AI 教育の研究において、教師教育は中心的な関心となっています。教師の AI リテラシー、技術・教授学的な知識、倫理的な流暢さ、そして AI を指導に統合する準備の程度が、教室における AI の導入が成功するかどうかを決めるからです。この概念は、AI がこれから教師になる人と現職の教師の両方の養成、知識、信念、実践をどう作り変えるかについて、ナレッジベースの豊富な記述を整理します。

検討すべき問い

ここでの教師教育は、養成前段階の訓練(認定プログラムにいるこれからの教師)と現職の専門能力開発(現職の教師)にわたります。この2つのうちどちらが AI 教室への備えという点でより大きな困難に直面していると思いますか。その理由も教えてください。
このページは、教師教育が教師に AI ツールの使い方を教えるだけでなく、理解し、評価し、倫理的に統合する力を備えさせるべきだと示唆しています——「教師であることの意味を再定義する」転換です。その再定義は、認定プログラムが教える内容をどう変えるべきでしょうか。
AI-TPACK のような枠組みは、古典的な TPACK モデルを AI と倫理の次元を加えて拡張します。技術・教授・内容の知識の「AI 次元」には、チャットボットの操作の仕方を超えて実際には何が含まれるべきだと思いますか。
このページで引用された55の研究のスコーピングレビューは、AI が養成前段階の教師の教授設計、省察、批判的思考を高めることを見出しています。しかし、AI がその一部を彼らの代わりにできるとしたら、教師訓練での AI の利用が、彼らが必要とするまさにその判断を代替するのではなく構築するのはいつでしょうか。
AI 時代に向けて教師教育プログラムを再設計するなら、これからの教師全員に何を経験することを求めますか。そして何を意図的に AI に外部委託させないようにしますか。

はじめに

教師教育は、いくつかのナレッジベースの流れの交差点に位置します。それは(医学教育や人文学教育のような)専門分野・領域であると同時に、教授と教師の役割、技術的・教授法的・内容に関する知識（TPACK）、教師の AI リテラシー、AIリテラシーといった一般的な概念にも依拠します。AI 時代には、教師教育は教師に AI ツールの使い方を教えるだけでなく、理解し、評価し、倫理的に統合する力を備えさせなければなりません——教師であることの意味を再定義する転換です。学習科学は、この形成が担わなければならない知識を供給します。その分野が人々がどう学ぶか、学習環境をどう設計すべきかを研究するところで、教師教育は、そうした証拠が教師自身の設計・教授・評価の能力として着地しなければならない専門的な形成です。

横断的な水準の証拠は設計上の優先順位を鋭くします。46人の教師と2,832人の中等教育の学生を対象とした多水準の研究は、教授学的な AI 知識(TPAIK)——技術的な AI 知識ではなく——が、学生の「社会のための AI」に対する認識と AI を学ぶ意欲を促したことを見出しました。したがって教師教育は、「教授法が第一、技術が第二」という指針と整合的に、ツールの熟達よりもAI とともに、AI について教える方法を前景化すべきです。

養成前段階の教師教育

養成前段階(初期)の教師教育は、認定プログラムの間にこれからの教師を養成します。この流れにおける AI の研究には以下が含まれます。

AI-TPACK と Intelligent-TPACK の準備の程度。 測定器具と枠組みは、養成前段階の教師の AI を統合する準備の程度を測定し構築し、技術的・教授法的・内容に関する知識（TPACK）の枠組みに AI/倫理の次元を加えて拡張します。(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)
受容のプロファイルと、使いやすさ・意図のパラドックス。 Chen 他 (2026)は、128人の養成前段階の教師を ChatGPT 受容の4つの集団にプロファイル化しました。Resistant Skeptics(14.06%)は、知覚された使いやすさは高いが行動の意図は極めて低く、操作的なスキルの訓練だけでは彼らを転換させません。
応用と利益。 55の研究のスコーピングレビューは、AI が養成前段階の教師の教授設計、専門教科の指導、実践的な教育スキル、評価、省察的な実践、批判的思考、技術統合、教授上の革新を高めることを示しています。(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)
足場かけのない genAI へのアクセスは、genAI なしを下回った。 52人の養成前段階の教師を対象とした11週間の準実験では、足場かけのない genAI の授業は、genAI なしの授業よりもルーブリック評価の授業計画で低い得点をつけました(調整済み 86.54 対 81.87, F = 8.348, p = 0.006, η² = 0.146)。自己調整学習や批判的思考に群間差はありませんでした(Zhang 他 (2026))。
教育ロボティクスと機械学習。 初期の教師訓練は、これからの教師の計算論的思考を築くために、コーディング、ロボティクス、機械学習の活動(micro:bit など)を組み込みます。(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)
本物の評価とメタ認知。 AI を介した評価モデル(AAIWA など)は、本物のルーブリックに基づく評価、状況に応じたAI フィードバック、メタ認知的省察を養成前段階のプログラムに統合します。(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)
理科教育における AI 支援の探究。 トルコの48人の養成前段階の理科の教師を対象とした準実験(Aydın)は、光合成と呼吸に関する8週間の AI 支援による誘導探究のプログラムに、問題基盤型とデザイン基盤型の学習を統合しました。それは2つの生物学的な過程の概念的理解において顕著な伸びを生みましたが、AI リテラシーや自己知覚された計算論的思考には有意な効果がありませんでした——これは、AI-IBL が教師候補の専門内容の理解を深めうる一方で、彼らの AI/CT の力量は自動的には育たず、明示的で狙いを定めた設計を要することを示す注意喚起です。
構成的な教授設計のための生成 AI。 SAHAB モデルは、生成 AI が教師に構成主義な指導を設計する力を与える準実験的な専門能力開発の介入であり、大きな伸びを示します(d = 1.18)。これは GenAI が教師候補にも現職の教師にも、足場かけを教授設計に施しうることを示しています——内容を届けるだけでなく、学習者中心の学習活動の設計を支えるのです。
大学院生の数学 M.Ed. 学生のためのスマート教室の訓練。 Zhu, Liang, Mao, and Wang (2026)は、数学の M.Ed. の授業が、知的な教育用技術(自動採点、個人化された推薦、複数 AI のフィードバック)によって、授業前・授業中・授業後の段階にわたってどう強化されうるかを示し、指導目標の設計の熟達において統計的に有意な伸びを生み出しました。移行可能な D-T-E Model(Disciplinary Demand–Technological Empowerment–Evaluation Loop)は、スマート教育を大学院の教師養成に統合するための専門分野固有の枠組みを教師教育者に提供します。
寛容な政策のもとでの導入は、調査が示すよりも薄く、評価に関するリテラシーは移行しない。 Zou 他 (2026)は、生成 AI が評価において明示的に許可された香港の3つの教師教育コースにわたる85人の学生教師を調査しました。62.4%(53人)はそれを全く使わず、採用者の利用は浅く矯正的なものでした(文章の推敲 43.8%、明瞭さの確認 34.4%、テキスト生成 18.8%、ブレインストーミング 12.5%)。剽窃と誤って疑われる恐怖(非採用者の 41.5%)と単独作業の選好(77.4%)は、スキルの欠如(13.2%)を上回り、インタビューを受けた11人中9人は、その寛容な政策をありうる「罠」として読みました——これは、養成前段階の教師が、ツールの準備だけでなくインテグリティへの不安を AI 許可の授業に持ち込むことを示す証拠です。
養成前の思考を照らすものとしての教室の AI 政策の執筆。 Nash & Burriss (2026)は、州レベルの AI の指針がない州で、中等英語の養成プログラムの最終年にあたる27人の養成前段階の中等英語の教師に、自分の6–12の教室で使うであろうAI 政策を書かせました。27人中26人は何らかの AI の利用を許可し、ほぼ常に教師が指定した課題、時間、場所に限定し、ただ1人だけが労働慣行と著作権に関わる倫理的根拠から全面的に禁止しました。22人はアイデアの生成のための AI を許可し、22人は文、段落、論文を作成するための AI の利用を認めないか不明確にしました。そして付随する省察は、教授学的なコミットメントとAIを統合するという感じられた義務との交渉として読めます。養成前段階の教師に政策を書かせること——抽象的に AI について議論させるのではなく——は、彼らの哲学、信念、カリキュラム上の前提を表面化させ、政策の執筆を方法論の授業における価値の高い活動にします。
政策は実践を支配しない。 ある米国の教師教育プログラムからの4学期分の調査データは、評価の準備のための GenAI の利用が 57% から 83% に、学習のためが 44% から 76% に上昇したことを示します。制度は AI 検出ソフトウェアを検討していたにもかかわらず、倫理的な不確実性は各回の調査を通じて高まりました(Parker 他 (2026))。

現職の専門能力開発

現職の専門能力開発は、AI の統合に取り組む現職の教師を支えます。ここでの AI の研究には以下が含まれます。

Intelligent-TPACK に基づく PD の枠組み。 研究に基づく枠組みは、i-TPACK の5つの知識領域を、証拠に基づく4つの PD の経路(能動的な学び、モデル/事例、コーチング、フィードバック/省察)に整合させます。(Designing effective AI professional development: A framework grounded in intelligent-TPACK)
GenAI 固有の技術的教授学的知識(TPK)。 教師教育者自身が GenAI-TPK——教授学的な理由づけ、倫理的な自覚、AI で拡張された教授設計——を必要とします。教師を準備するためにです。(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)
人間中心で批判的な AI リテラシー。 デザインベース研究は、批判的な AI リテラシーを、教育者を介在させる活動を含む人間中心の AI 活動を通じて具体化する、専門的な学びのカリキュラムを生み出します。(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)
能力は学ぶのではなく行うことで築かれる。 122人の現職の教師を対象とした TPACK に基づく構造モデルは、科学とグリーンエネルギーの課題における AI の実際の利用と、ESD に沿った教材の開発への関与が AI 統合の能力を予測し、抽象的な AI の知識と AI に対する態度は予測しないことを見出しました(Riandi 他 (2026))。
AI が生成した内容の協働的な評価を PD として。 Gat, Usher, and Barak (2026)は、60人の中学校の理科の教師が、ChatGPT が生成した評価問題を自分の専門的・教授学的・カリキュラム的な判断を通じて評価したワークショップを報告しています。協働的な評価自体が専門能力開発として機能し、教師が概念的な精確さの基準を AI の出力に適用し、AI の内容がAIに関する誤概念誤概念を強化するリスクを表面化させるのを助けました——教師をGenAIの教材の受動的な消費者ではなく批判的な評価者として位置づけます。
言語教育者のための構造化された PD はまれだが効果的である。 23の研究のシステマティックレビュー(Li 他 2026)は、構造化された専門能力開発を報告した研究はわずか3つ——文法コースに組み込まれたモジュール、政府の EMI プログラム、組み込み型のチャットボットの探究——でしたが、それらはすべて知識、自信、アイデンティティの再枠づけにおける伸びに収束し、教育者の GenAI に対する見方を「置き換えのリスク」から助手/増強へと移しました。このレビューは、PD が技術的なスキル形成を実践的な知恵と対にすべきだと論じています。意識の涵養と倫理から、道具の実践的な習熟、そして AI で強化された授業の協働設計へと進み、2段階の「バックエンド、それから教室」という実装戦略を推奨しています。

ナレッジベースにおける、枠組みに導かれた数学の GenAI PD の最も明快な実例は、Rhodes の4P枠組みに基づく10の対話型モジュールを修了した、農村部と資源の乏しい地区の8人の現職の教師の研究です(How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge)。それは現職の PD 設計がここでは欠いている2つの設計メカニズムを提供します。意図的に消えていく足場かけ(初期には明示的な指針を与え、その後は正当化、一般化、課題の設計を求める)と、モジュール6から10にわたる模擬的な学生の推論です。あわせて、MC、CK、PCK が共に動いたという知見も示します——関与のみを測定し、教師の知識や学生の学習は測定しませんでした。

資格取得後のプログラム。 現職の理科教育者の AI リテラシーと利用は、AI に関連する資格取得後のプログラムの設計に知見を与えます。(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)
教師の設計作業における AI の支援と導き。 Pishtari, Gnadlinger & Ley (2026)は、13人の高等教育の教師に、半日のプログラムの中で AI なし、AI チャットボット、AI と訓練の条件にわたって活動を設計させました。AI へのアクセスは、高次の(Bloom の)課題の達成度を高め、知覚された認知的負荷を減らしましたが、続くやり取りの訓練セッションは質を横ばいにし、負荷をわずかに高めました(学習に関わる負荷と学習外の負荷の区別は未解決のまま)。これは AI 時代の教育のための PD が、教授学に根ざした設計の枠組み(Bloom、ICAP)と構造化されたチャットボットとのやり取りの戦略の両方を必要とする一方で、質の伸びが教授上の決定の AI へのオフローディングを覆い隠しているかもしれないと戒めています。

知識、信念、実践

教師教育の研究全体にわたる主要な知見は、教師が語ることと行うことの乖離です。教師はしばしば操作的な AI スキルを主張しながら、実践で教授学的に意味のある知識を応用することに苦慮します。(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) この区別は、経験と AI 熟達度を交差させたときさらに深まります。Choi 他 (2026)は、技術的に流暢な初心者が授業設計の間に AI の出力を依然として受動的に受け入れる一方、経験豊富な教師——測定された AI 熟達度が低い教師でさえ——が批判的に再プロンプトし、AI の提案を自分の学生と文脈に適応させることを見出しました。その含意は、現職の PD が「AI スキルを築くこと」を十分と見なせないということです。教師の経験と熟達度のプロファイルに応じて差別化されなければなりません——初心者には応答評価と批判的な適応の足場かけを、AI 熟達度の弱い経験豊富な教師には実践的な AI のスキル形成を。AI が生成した授業計画に関する専門家の判断は、その批判的な適応の姿勢が例外ではなく規範であることを示します。Karaismailoglu, Surmeli and Yildirim (2026)は、11人のトルコの理科教育の専門家が、ChatGPT-4 と Teacher's Buddy の6年生の単元の計画を、修正して使える下書きとして評価したことを見出しました——11人中7人が「修正すれば適用可能」と判断し、直接的に「適用可能」としたのはわずか3人でした——そして彼らの選好は生の得点から乖離し、構造的な忠実性よりも情緒的・文脈的な質を好みました。したがって教師教育は、AI が生成した教材を評価し、適応させ、地域化する能力を、養成前段階と現職の両方のプログラムで中核的な専門的コンピテンシーとして築くべきです。心理的な要因も重要です——自己効力感は AI-TPACK を肯定的に予測し、強い伝統的な教育の信念は認知的障壁として働きうます。(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) AI に対する信頼は、技術的な知識と倫理的な知覚(透明性、公平性、説明責任、包摂性)の両方によって形づくられます。(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) 教師の AI リテラシーを測定すること自体が活発な前線です。ほとんどの AI リテラシー評価は学生や一般の利用者を対象としているため、教師の AI リテラシー尺度(TAILS)——6次元の ED-AI 枠組みに根ざす——は、EFA と CFA を通じて特に養成前段階の言語の教師向けに開発・検証され、教師教育の中の測定の欠落を埋めました。同じように等閑視されてきた問いは、養成の様態が AI への準備の程度を変えるかどうかです。Mnguni 他 (2026)は、南アフリカの186人の最終学年の理科の学生教師を調査し、AI 統合教育のための自己申告された TPACK が、遠隔教育の大学(47.4%)よりもキャンパス型の大学(64.0%)で高いことを見出しました。どちらでも教授学的知識が最も弱く、AI の訓練は遠隔教育の制度でのみ自己申告された TPACK と結びつき、そこでは5単位の短期コースが訓練なしよりも弱い申告された TPACK を予測しました。したがって遠隔教育の養成は、キャンパス型のプログラム向けに設計された訓練が移行することを前提にせず、独自の証拠の基盤を必要とします。

模擬的な教育実践

内容と信念を超えて、教師の養成はますます、規模を拡大できる実践的な訓練のために模擬的な教室を用います。EducaSimは、生成的な学生エージェント(人格、コースに基づく記憶、大規模言語モデル（LLM）を審判とする発話のオラクルを伴う)を用いて、CS1 のコースで約20,000人の学生を支える、養成中の教師のための小集団のセクションを模擬します。254のセッションにわたる任意の準備ツールとして導入され(平均約16分)、構造化された事後フィードバック(発話時間の統計、LLM が同定した教育行動)と自己省察のプロンプトを伴う、低コスト($0.05–$0.10/セッション)のロールプレイの訓練を提供します。これは学生のシミュレーションのパラダイムを補完します。模擬的な学習者は、評価だけでなく、経験的で高頻度の教師の養成に資します。特に生のコーチングでは規模を拡大できない大規模なオンラインコースにおいてです。専門分野固有の実例は Student GPT(Zhuang & Zhang 2025)です。比の推論に関するありふれた誤概念を抱いた中学生の役を演じるカスタムの ChatGPT チャットボットであり、養成前段階の中等数学の教師が、方法論の授業の中でリスクの低い個人化されたやり取りを通じて、それらの誤概念の診断と矯正の訓練を積みました。これは軽量なGenAIのロールプレイが、実践に基づく教育をどう支えうるかを示しています。

教師教育者への示唆

AI リテラシーと批判的な AI-TPACK の両方を築く。 養成前段階と現職の教師は、AI を統合する準備の程度を必要とします——測定器具は TPACK に AI/倫理の次元を加えて拡張します(AI-TPACK、i-TPACK PD);ツールの利用と並んで、倫理的な推論、透明性、公平性を教えてください。
語ることと行うことの乖離を埋める。 教師はしばしば操作的な AI スキルを主張しながら、それを教授学的に応用することに苦慮します。知識から実践された行動へと進む PD を設計してください(授業計画)。
模擬的な実践を用いて養成の規模を拡大する。 EducaSim型の模擬的な教室は、養成中の教師にフィードバックを伴う低コストで高頻度の訓練を与えます——限られた生のコーチングを補うものです。
信念と信頼に取り組む。 自己効力感は AI-TPACK を予測し、強い伝統的な教育の信念は障壁になりうます。信頼は透明性/公平性によって形づくられます——スキルだけでなく、これらの心理的な要因に注意を払ってください。
教室の葛藤から遡って考える。 Kohnke 他 (2026)は、香港のある大学の17人の養成前段階の教師にインタビューし、予想される教室での葛藤から教師教育の設計上のニーズへと遡って考えました。養成前段階の教師は、GenAI に駆動された環境における**アカデミック・インテグリティ、プライバシー、本質的な人間のスキルの保全**への懸念を提起し、責任ある利用を付加物として扱うのではなく、倫理、プライバシー、AI リテラシー(批判的思考のスキルとともに)を教師の養成全体に織り込むというカリキュラムへの示唆を指摘しました。
教師の省察における認知的媒介者としての AI(2026年): 実践に基づく Reflective Triangle Model は、AI を用いて個人の教師の省察と学習コミュニティにおける共有された専門的知識とを媒介し、省察が集団的な専門的な学びに転換しないというよくある失敗に対処します(The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development)。
GenAI による評価設計を専門的なカリキュラムの作業の一部とする。 Zou 他 (2026)の学生教師は、生成 AI に対応して自分たちの将来の学校の評価を再設計する意図をほとんど示さず、幼稚園と中等教育の参加者は、その技術を自分の教育の文脈にほぼ無関係と判断しました——これは知識の欠如ではなく、評価に関するリテラシーの未発達な次元です。したがって教師教育プログラムは、倫理的な GenAI の利用を、専門的なカリキュラムの一部として評価設計に組み込むべきです。プログラムレベルの政策の一貫性と、許容される利用と許容されない利用の具体的な範例、そして学生の実際の AI 利用に対する適時のフィードバックフィードバックとを対にします。
委譲できる仕事と委譲できない仕事を切り分ける。 O'Byrne (2026)は、23人の学部生(多くは養成前段階の教師)が、境界づけの作業を持続しても早い段階で委譲しても、同等の成果物を生み出したことを見出しました。そして著作をめぐる「ずるい」という緊張は、最も多くの境界づけの作業を行った人々の間で最も強かったのです——したがって教育の狙いは、どの解釈的な仕事を手放さないかを判断することです。
教室の政策の執筆を教師教育の中核的な活動とし、あいまいさを政策の欠陥として扱う。 Nash & Burriss (2026)は、養成前段階の教師に自分の教室の AI 政策を書かせることが、書くことが何のためかをめぐる修辞的な世界構築として機能することを見出しました——抽象的な議論では開かない、創発的な信念への窓です。AI は書くことを成果と過程に切り離すため、プログラムは教師が、思考、学習、価値が実際にどこにあるのかを、最終的なテキストの中だけにではなく、発想、下書き、推敲、編集にわたって見つけられるよう支えるべきです。そして信念を、AIリテラシーの指導と対になった、運営可能で明確な規則に翻訳するのを支えるべきです。AI が生成したテキストを禁じながら、学生が提出する AI が生成した内容に対して責任を負わせるといった矛盾は、学生に従う術を残しません。

メタデータ

レベル	Teacher Education, K 12, Adult Learning
対象読者	Instructors
教育におけるAIの基礎	AIリテラシー, 教授と教師の役割, 技術的・教授法的・内容に関する知識（TPACK）

Source History Edit Chat

検討すべき問い

はじめに

養成前段階の教師教育

現職の専門能力開発

知識、信念、実践

模擬的な教育実践

教師教育者への示唆

関連する概念

関連する記事

関連するFAQ

メタデータ

このページを埋め込む