教授と教師の役割

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。

教授 — AI が教育者の仕事、アイデンティティ、行為主体性をどう作り変えるか。50本を超える記事がこの次元を検討しており、ナレッジベースは根本的な転換を記録しています。唯一の知識の権威から、人間と AI の学習環境の指揮者(オーケストレーター)へ。このページはその転換を記述するにとどまらず、教師が実際に何を違って行うか、実践をどう適応させられるか、そして学習デザイン、AIリテラシー、学術的インテグリティとどう結びつくかを詳述します。

Malyn-Smith 他 (2026)はこれを、より人間的なパラドックスと呼んでいます。13か国の20人の研究者が共に構築した6つの2030年シナリオでは、AI の飽和は人間の教授学的な仕事を押しのけるのではなく強めます。シナリオは AI を「学習生態系の空調システム」として描いています——故障したときにしか気づかないものです。

検討すべき問い

このページは教師の転換を「唯一の知識の権威から人間と AI の学習環境の指揮者へ」と記述しています。教育者として、自分が主な内容の供給元でなくなるとき、何を得て何を失うでしょうか。
このページは、AI が教師の最も希少な資源——注意——を教材の制作から学習者の解釈へと再配分すると論じています。その再枠づけは的を射ているでしょうか。そして取り戻した時間で実際に何をするでしょうか。
このページで引用されている研究は、受動的な消費者ではなく、AI の振る舞いを自分の学生に対して形づくるプロンプトと足場かけを書く、能動的な AI の設計者としての教師を示しています。あなた(または知っている教師)が AI の利用者ではなく設計者だと感じるには何が必要でしょうか。
「教師-AI の協働」というスペクトルの遠い端では、教師は人間の学習者、AI の家庭教師、カリキュラムの資源からなる集団を指揮します。その集団において人間の判断が置き換えられないままであり続けるのはどこでしょうか。そして指揮が主に AI に委ねられたなら、何が静かに侵食されるでしょうか。
教師の注意が教材の制作から学習者の解釈へと再配分されるなら、それはどんな新しい力量とリスクをもたらすでしょうか。そして教師はそれを発達させるにあたり誰に支えられるでしょうか。

はじめに

ここでの教授は、AI に作り変えられる専門的な役割を名指します。内容の伝達は減り、人間と機械の参加者の指揮、学習者が実際に理解していることの解釈、そして AI の利用が正統になる条件の設計が増えます。この概念の下に集められたページは、教師と AI の協働とワークフローの変化、役割が今や求める力量、そして効率性の伸びと個別の支援が要る注意との緊張を記録しています。それは、AI の統合が実践を変えるのかそれとも飾るだけに終わるのかを決める役割の一つとして、教育開発、AIリテラシー、評価と並び立ちます。学習科学は、この地位を作り変える証拠を担う研究領域です。それらは学習がどう起こり、どの設計がそれを変えるかを記述し検定します。一方このページは、その証拠をその場で踏まえて行動しなければならない教室での役割を扱います。

AI はどう教授を変えるか

教育者から指揮者へ: 教師と AI の協働の5段階と行為主体性の指揮に関する研究は、道具としての AI から教育の協働者としての AI までのスペクトルを写像します。遠い端では、教師は、自分ですべての内容を伝達するのではなく、人間の学習者、AI の家庭教師、カリキュラムの資源を含む集団を指揮します。
ワークフローの転換: How AI Is Changing Teaching Workflowsは、AI が教師の時間を内容の伝達から個別の支援、フィードバックフィードバック、カリキュラム設計のような価値の高い活動へどう移すかを記録します。教師の最も希少な資源——注意——は、教材の制作から学習者の解釈へと再配分されます。言語教育者のシステマティックレビュー(Li 他 2026)はこれを裏づけます。教育者は GenAI を準備の仕事(授業計画、教材の作成、執筆の支援)のために最も高く評価し、生の教室での利用にはためらいます。そして彼らの導入は、専門的なアイデンティティ、教授学的、技術的、制度的、アカデミック・インテグリティの要因によって形づくられます——力量の欠落は、エピステーメー(AI の能力と限界の理解)、テクネー(プロンプト工学、AI で強化された課題・評価の設計、AI が生成したテキストの検出)、フロネーシス(倫理的判断、バイアス・プライバシーの扱い、文脈に応じた判断)に対応づけられます。AI が教師の時間を内容の伝達から個別の支援、フィードバックフィードバック、カリキュラム設計のような価値の高い活動へどう移すかを記録します。教師の最も希少な資源——注意——は、教材の制作から学習者の解釈へと再配分されます。
力量への要求: 教師の AI リテラシーの枠組みは、教育者が何を知る必要があるかを、基礎的なツールの流暢さから教授学に根ざした指揮まで定義します。導入の研究は、本当の障害を特定します。自信、制度的な支援、業務量への懸念です。Bai & Hsieh (2026)は、898人の中国の大学教師の SEM においてこれに実証的な重みを加えています。GenAI に支えられた教育の革新は、孤立した AI の技術的な知識よりも、教授学的・専門分野的に埋め込まれた AI のコンピテンシー(AIリテラシーと専門的なアイデンティティ)に依ります。そのどちらもがコンピテンシー→革新の関係を部分的に媒介しました——これは、教員の開発をツールのみの訓練ではなく、埋め込まれたアイデンティティに結びついた AI のコンピテンシーを中心に据えるべきだという合図です。
準備の程度は態度ではなく設計の能力である: Charles (2026)は、AI に富んだ対話的な学習に対する教師の準備の程度は、導入、自信、デジタル・コンピテンシーから読み取れないと論じています。それらのどれも、教師が実際に生み出す設計の質を予測しないからです。設計による準備の程度は実践志向です。教師は AI 関連の教授学的知識、教授学的信念、自己効力感自己効力感、倫理的志向性を設計の媒介(ツールの選択、課題とプロンプトの設計、足場かけ、透明性、検証、評価の再設計、アクセシビリティの計画、人間による監督)を通じて動員します。それを可能にし調整する制度的・政策的な生態の中で動員するのです。2つの主張が実践的な重みを持ちます。自己効力感は質の指標ではなく動員の資源であるため、AI 関連の教授学的知識や倫理的志向性を伴わない自信は、劣った設計を加速させうるのです。そして政策の明確さと物質的な支援は別個の調整変数であるため、十分に資源を与えられた学校であっても、教師に何が許されるのかを推測させたままにしうるのです。Charles はまた、非利用を未準備と等値することを退けます。AI を差し控えるという理由のある決定自体が、準備の程度を示しうるのです。
協働設計と行為主体性: 教師が執筆するプロンプトと教師のための vibe codingは、受動的な消費者ではなく能動的な AI の設計者としての教育者を示します——自分の学生に対して AI がどう振る舞うかを形づくるプロンプトと足場かけを書くのです。子どもの STEAM 芸術の授業計画において、Luo and Tahir (2025)は、教師が ChatGPT にどう委任するかが重要であることを実験的に確かめました。自分で描いた授業の骨格の内容の空白を埋めること(60% が好み推奨した方法)は、教師の設計の自律性を保ちながら、専門家による評価の計画の質を高めました(中央値 20.5 対 17.6, p = .002,大きな効果)。これは AI に全体の計画を生成させることや、完成したものを確認させることだけを上回りました。AI は主として霊感と空白の発見の協働者として役立ち、完全に独創的な革新の源ではありませんでした——これは、道具が見落とした子どもの安全と文化的バイアスの欠陥を捕まえることを含め、教師が設計の主体であり出力の判定者であり続けることを強化します。学習課題の教師と AI の協働設計のシステマティックレビュー(Wang, Liu & Islam 2026)は、この共設計者の姿勢が依然として均一でないことを見出しています——支配的な様態は今も AI を助手・内容生成とすることです——そしてTalebzadeh (2026)は、教師の「二言語的な学習の設計者」としての行為主体性こそが、AI が設計した集団の活動を差別化された ZPD に沿った指導に変えることを示しています。
ボットを作成することと、それが教える内容を支配することは同じではない。 目的と規則のチャットボットの著作ツールを設定した27人の中学校の教師は、生成された振る舞いに忠実さが部分的にしか現れないのを見ました——整合は応答性 88.9%、人格 81.5% から規則 70.4%、目的 59.3% へと下がり、規則の遵守は選ばれたモデルによって異なりました——これは、教師を設計者とする役割を、意図の保証ではなく意図のリハーサルにする、実行/評価の乖離です(Riahi 他 (2026))。
養成前段階の準備: TPACK に基づく訓練と教育開発のプログラムは、これからの教師を教室に入る前に AI で拡張された教室へ備えさせます。模擬的な学生のロールプレイはこれを実践的な訓練に拡張します。数学的に誤概念を抱いた中学生を演じるカスタムの ChatGPT ボット(Student GPT)は、養成前段階の教師が、リスクの低い環境で学生の推論を診断し導くリハーサルを積むことを可能にします。中心的な教育の作業——学生の思考を読み、矯正すること——への備えを整えます。
証拠の基盤がほとんど入り込んでいない、教師向けの辺境: Štefánik 他 (2026)は Edustories——現実の初等・中等学校の教室からの教師執筆の事例研究1,492件——を編纂しました。学生の行動への挑戦、教師が試みた介入、そしてその後何が起きたかです。まさに、AI 教育の研究の多くが個人化された学生の支援を対象としてきた一方で、教育の多くは集団的な教室で起こるからです。ベンチマークとして4つの言語モデルの系列に介入が成功したかどうかの予測をさせたところ、最強のモデルは人間の専門家の 64% に対して 58% の正確さに達しました。著者らはこの隔たりを両方向に読みます。現在の教師向け支援の限界として、そして新たに生じつつある可能性の証拠としてです。このページがそれから得るのは、能力の主張ではなく計測された天井です。教師への助言は、信頼される前に専門家の判断より優れていなければならず、そして今日の順序はその逆です。並行した欠落がYalçın 他 (2026)の高等教育のプログラミングにおける GenAI の46の実証研究の PRISMA レビューに現れています。教育者の役割と制度的な実践は、この分野で最も研究されていない領域の一つであり、46件中26件は自分の教授アプローチについて符号化可能な記述を与えていませんでした。したがって、報告された成果を生み出した設計上の決定は、他の教育者にすらしばしば見えないのです。
AI が実際に仕事に入り込む場所は、課題ごとに異なる: Holster (2026)は、TALIS 2024 の56,669人の教師のデータ(うち AI 利用者の配分標本は46の教育制度にわたる24,058人)を用いて、導入と配分を切り分けます。教師自身の平均的な負担より1ポイント高いと評価された課題は、AI の助けを受ける可能性が高くなりました(OR = 1.163)が、その方向は課題によって異なります。計画は負担とともに上昇し(OR = 1.084)、評価と採点は下がり(OR = 0.921)、特別教育の支援と適応は急上昇します(OR = 1.442、負担の範囲にわたる予測される広がりは 34.0% から 50.3%)。リテラシーと政策についての読みは、教師がすでに高リスクな採点は人間に保ちながら、個別化された適応の仕事で AI に手を伸ばしているということです。したがって、教師の AI 利用を単一の行動として扱う指針は、支援が実際に必要とされる場所を見逃します。

変化する役割は実際にはどんな様子か:具体的な例

「指揮者」という抽象は、教育者の仕事の具体的で日常的な変化を通じて捉えやすくなります。

配布資料をすべて書くことから、AI が生成した下書きを吟味することへ。 かつて一晩かけて差別化されたワークシートを作っていた教育者は、今では AI に難易度の異なる3つの版を作らせ、同じ一晩をそれらの点検と適応に費やします——執筆から編集の判断への転換です。Curriculum-as-Codeのワークフローはこのパイプラインを明示し、Kibar & Ilgaz のシステマティックレビューは、設計者がその後磨き上げる内容を下書きする「同僚」としての AI を示します。AI が生成した理科の授業計画の専門家による検証は、その編集の判断が何を衡量しなければならないかを明示します。Karaismailoglu, Surmeli and Yildirim (2026)は、11人の理科教育の専門家が、ChatGPT-4 と教育向けツールの6年生の計画を、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」、直接的に「適用可能」としたのはわずか3人——そして選好は生の得点から乖離しました(7人は得点の高い教育向けツールを、4人は汎用の計画を好みました)。なぜなら、判断は構造的な忠実性を超えた情緒的・文脈的な次元を衡量したからです。AI の下書きが、教えることができ文脈に根ざした授業になるかどうかについて、教師が裁定者であり続けます。
講義からその場でのコーチングへ。 同じ説明をクラス全員に伝えるのではなく、教師はますます日常的な問いを AI の家庭教師に回し、人間の判断を必要とする学生に面と向かう時間を集中させます——ワークフローの研究が記録しているのは、まさにこの注意の再配分です。
採点から、AI にゲームされない評価の設計へ。 教育者は、LLMが容易に解く想起に基づく課題への依存をやめ、代わりに本物の評価、評価の尺度、形成的な課題を、学習の伸びを保つように設計します。
内容を教えることから利用を教えることへ。 教師の仕事はますます、どうプロンプトするか、評価し、責任を持って AI を使うかを模範示すことを含みます——独立した科目ではなく、すべての授業に織り込まれたAI リテラシーのカリキュラムです。
ダッシュボードを読むことから、文脈に応じて行動することへ。 Mejia-Domenzain 他 (2026)は、教師が分析のダッシュボードを実際にどう使うかが文脈によって分かれることを示しています。反転授業の(大学の)教師は順序立てた探索をたどり、コース全体の適応と授業内でのダッシュボードの提示を好みました。一方、職業訓練の教師は要約のページに立ち返り、その道具を主に個別のコーチングのセッションのために用いました。教師が提案した行動は、プロットの種類よりも、表現された内容と自分の教育の水準によって形づくられました——大学の教師は週次のテストとコースの適応を好み、職業訓練の教師は直接的な個人化されたコーチングを好みました。これは、万人向けの分析のインターフェースではなく、文脈を意識したダッシュボードの設計と差別化された教師の支援のニーズを指し示しています。
警告を受け取ることから、それに判断を下すことへ。 Swidan (2026)は、GeoGebra の幾何の授業で、Dash4Emotion が負の感情を示す赤い長方形で学生を枠づけた場面で、1人の教師と8人の高成績の高校生を追いました。そして警告が成果を左右しなかったことを見出しました——各警告の後の教師の動きが左右したのです。Mira の課題を最小値を求めることから最小の点の幾何学的な軌跡へと捉え直すことが、彼女の探究を再び開き、3つの同時の警告がクラス全体の捉え直しを促し、ある時間の意図的な非介入自体が教授上の決定でした。この研究の立場は、AI が生成した情緒的な警告は、従うべき指示ではなく、教師が見られるものと並んで解釈されるべき手がかりであるというものです。
協働のフィードバックの門番から、原則ある促進者へ。 Community Builder(CoBi)の教室でのパイロットは、教師の役割が実施の忠実性を決定的に形づくることを示しています。AI の気づきと視覚化を、メタ認知と協働についての批判的な省察を呼び起こすために用いた教師は、高い忠実性の利用を達成しました。一方、そのシステムをパフォーマンスの監視へ漂流させるか、あるいは一般的な AI の議論へ逸れさせた教師は達成しませんでした。教師はまた、リアルタイムのフィードバックによって「その場で問い詰められる」ことを心配し、生の表示よりも行動前・行動後の点検を好みました。これは、教室全体の協働の AI を指揮することが、ツールの流暢さだけでなく相当な専門的な学びを要することを裏づけています。
AI を使って教えることから、その代役を務めることへ。 デジタル・ディバイドが生徒一人ひとりの機器を残さないところでは、教師はそのシステムへの物理的なインターフェースになりえます——その指揮者ではなく代理人です。Rodrigues 他 (2026)の「AIED unplugged」モデルでは、学生は紙と鉛筆で作業を続け、教師が彼らの解答を撮影し、AI は手渡されるべき個人化された練習のリストと誤りに即したフィードバックフィードバックを返します。これは試作の実演ではなく、ブラジルの19の実際の初等教育のクラスにわたるクラスター化された準実験であり、その2つの結果は役割に直接関わります。第一に、通常の実践に対する学習の優位は、技術ではなく単一の50分間の教師訓練セッションから生じました。訓練のみと訓練とシステムの条件は、伸びにおいて差がありませんでした(−4.33, 95% CI [−17.29, 7.23])。したがって、活性成分は準備であり道具ではないのです。第二に、システム自身の利益は間接的に、教師を通じて作用しました——負荷の軽減が伸びに対する正の効果を媒介しました(3.649, 95% CI [1.097, 6.398])——したがって効果は AI が決して触れない学生に届き、教師が記述した取り込みと検証の労働(答案の撮影、処理の待機、認識の誤りの修正)は、AI を資源の乏しい教室に拡張することの教授的な費用の一部です。
情報の提供者から学習の設計者へ。 Hochberg and Waitzman (2026)は、8週間の AI プログラムを通じた93人の教師を追い、学習者の行為主体性のためのヘウタゴジカルな設計へと実践が移ることを見出しました。ただし自己申告された転換は調整後に有意ではなく、学習者の成果は測定されませんでした。

指揮の比喩

ナレッジベースで支配的な比喩は指揮です。教師は人間の学習者、AI の家庭教師、カリキュラムの資源を調整します。これは置き換えの物語——AI は人間の教授を増強するもので代置するものではない——とは対照的です。実証的な証拠はこの立場を支えます。42の研究(2023–2025)の PRISMA に導かれたシステマティックレビューは、LLM が短く構造化された課題については人間の評価者と互角である一方、より長く、多言語的で、微妙な作業では成績が低下することを見出し——LLM は教師を完全には置き換えられず、人間が監督するハイブリッドな評価システムが最も高い採点の有効性を達成すると結論づけました(Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback)。指揮というレンズは、教育者の中核的なスキルを判断として再枠づけます。ある学習者とある瞬間にとって、人間、AI、設計された学習活動のどれが正しい道具かを決めることです。Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effectsの29の研究の2026年の PRISMA レビューは、この比喩を4段階の周期——監視、判断、介入、指揮——に鋭くし、なぜどの段階も前提にできないのかを示します。教師は共有された統制を好み、AI の提案を受け入れ、修正し、拒否し、上書きしました。ある者は、学生がまず生産的に苦闘できるようにと意図的に介入を遅らせました。そして認識を広げたダッシュボードは、注意を過負荷にしたり、1人の教師が物理的に行動できる範囲を超えたりもしました。その3つの戦略——AI の出力の教授学的な翻訳、学習の支援の設計、相互作用の構造の再構成——は、この仕事を承認ではなく再文脈化として記述し、教師を人間が監督する評価者の役割よりも媒介者に近く位置づけます。教室の観察は同じ振る舞いを類型として名指します。経験豊富な教師との6つの授業は、Drijvers の4つに3つの指揮の類型——ダッシュボードによる監視、AI の修正、AI の媒介——を加えました。教師の内容と倫理の役割は、AI が生成したフィードバックを修正するときに最も明確に見えました(Noh & Kim, 2026)。

進化しつつあり批判的な教師の役割

近年の研究は、指揮の比喩をより豊かな役割の概念化へと拡張しています。

活動の移行にわたる共指揮者。 Yang 他 (2026)は、17人の教師と13人の学生との参加型スピードデーティングを用いて、教室の活動の段階——個人作業と協働作業の間の前、中、後の移行——にわたって統制をどう配分すべきかを写像しました。リアルタイムの動的な組み合わせを支える共指揮の道具においてです。そこから現れる設計原則は、統制は固定された点ではないということです。教師と学生は各段階で異なる量の行為主体性を望み、道具は教師が、教師による上書きを保ちながら、組み合わせ、活動の移行、介入のタイミングをリアルタイムで調整できるようにすべきです。これは教師を、生きた学習環境全体の共指揮者として位置づけます——一般的な指揮の比喩よりも具体的な役割であり、誰が誰と、いつ、何の支援とともに働くかという細やかな瞬間ごとの決定に焦点を当て、個人指導の研究を教室レベルの設計に結びつけます。
「認知的な振付師」。 ポストヒューマニストの枠組みは、教師を、生物学的な系と人工的な系にわたって分散した認知を指揮する認知的な振付師として作り変えます。技術的・教授法的・内容に関する知識（TPACK）や SAM のような道具主義的なモデルを超えてです。(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
促進者、共探究者、倫理的な監督者。 理科の学習において、教師の役割は知識の伝達者から促進者と共探究者へと移り、学生の責任ある AI 利用の倫理的な監督者としての新たな責任を得ます。(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
学習の原理の媒介者。 教育者は、古来の学習の原理(経験的、状況埋め込まれた、分散した認知)を AI を通じて具体化し、AI を教育者の導く役割を置き換えるのではなく高める道具として扱います。(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
AI の出力を批判の対象に変える、批判的な媒介者。 Canonigo (2026)は、10人の中等数学の教師を8週間の ChatGPT-4 の介入を通じて追い、5つの媒介の実践を同定しました。AI が生成した問題の作成、意図的に消えるよう設計されたヒントの足場かけ、AI の出力を学生自身の作業に対して批判的に比較すること、差別化されたプロンプト(苦闘する学生には視覚的な類推、同輩には三次の拡張)、そして省察の対話の相手としての AI です。教師がこれらを実践したところで、出力は答えの鍵ではなく議論する対象になり、学生は推測とメタ認知的に問うことへ動きました。媒介が欠けたところでは、権威はアルゴリズムへ移り、学生は教師より先に AI に相談し、検証のためだけに戻ってきました。ある教師は「神託」から「編集者」への動きをこう描写するに至りました。この研究の公正性に関する知見が最も鋭いものです。300のモデルの応答を通じて、無料版のモデルは 32.7% の事例で不正確でしたが、有料版では 12% でした(χ²(1) = 17.5, p < .001)。したがって、資源の乏しい学校の教師はそれを「数学にはほとんど役に立たない」と呼びました。道具の質が、道具へのアクセスだけでなく教授学的な変数となります。そしてある教師の学校の許容される利用の政策は10年前のもので AI については沈黙しており、ガバナンスの欠落を教室に委ねていました。
不安定で傷つきやすい専門的なアイデンティティ。 Farazouli 他 (2026)は、役割の再構成の情緒的な側面を記録しています。24人のスウェーデンの大学教師は、GAI の出現を驚きと圧倒として経験し、「傷つきやすい状態」(低い自信、不安、「学生に先を越されているのでは」という恐怖)を報告し、ユートピア的な言説とディストピア的な言説の間で「行き詰まって」いると感じました。GAI は彼らに、批判的思考、評価的な判断、倫理的な GAI の利用を涵養すること——自分の優先順位を再評価させ——「手に負えない」と感じられた光景の中で、自分自身と大学の将来の役割を問い直させました。これは、教師の役割の転換をアイデンティティの水準の、情緒的に負荷の高いものとして枠づけます。単なるスキルやワークフローの変化ではありません。
デジタル的な媒介者としての学術的な開発者——ブレーキとしても。 Sithole (2026)は、南アフリカの2つの Historically Disadvantaged Institutions の12人の学術的な開発者と学習の設計者にインタビューし、その役割が省察的な教育の促進から技術的な仲介者と問題解決者へ移りつつあることを見出しました。教授学、倫理、制度的な政治にわたる媒介とともにです。特徴的な動きは、減速することの一部を仕事として扱うことです。ある参加者は、「経営が望むこと、技術ができること、講師が実際に心配していること」の間の翻訳をこう描写し、熱狂が速度を定める前に、剽窃、学生の依存、思考の外部委託を名指します——「それは単なる技術支援ではありません。交渉でもあるのです。」同じ研究は、情緒的な費用(「自分は詐欺師のようです。AI をやりながら学んでいますが、制度は専門性を期待しています」)と専門的な学びの対応を記録しています。道具を試し意図的に壊す同輩の空間——スキルではなく判断を目指し——そして導入か抵抗かの二分法の明確な拒否——「私は反 AI ではありません。私は文脈賛成です。」
導入や抵抗ではなく原則ある選択性。 Adiozaman and Segar (2026)は、10年以上の経験を持つ2人の学者に、1学期にわたって3回インタビューし、アイデンティティの作業が3つの相互関連する緊張——教授学対プラットフォーム、教育者対促進者、配慮対順守——を中心に組織されていたことを見出しました。それは定着した立場ではなく原則ある選択性——教授学的な価値、倫理的な献身、専門的な判断に導かれた文脈に応じた決定——に解決しました。彼らは、暗黙の志向性から、学生に自分の考えを説明させることや課題と評価の再設計といった学期半ばの戦略を通じて、固定されるのではなく意図的に開かれたままにした立場までの軌道を記述しています。特定の利用の拒否を、導入の失敗ではなく判断の正当な行使として扱ってです。これは上に記録された傷つきやすさに対する建設的な対応物を提供します。役割の転換が求めるのは判断であるため、ツールの訓練を中心に据えた制度的な対応は、誤った問題に取り組んでいるのです。
好ましい運用の点としての半自律。 Dai 他 (2026)は、27の国と地域の287人の GenAI 経験のある教師を調査し、彼らが自動化の尺度において道具を半自律の水準に置いていることを見出しました——130人は Level 2(「教師の支援」)、94人は Level 3(「部分的な自動化」)を選び、Level 6 を選んだのはちょうど1人でした——それを「補助的な」「足場かけ」「補完」「協働者」と描写してです。知覚された有用性が導入の意図を支配し(β = .832, p < .001)、知覚された人工的な自律性は有用性を通じてのみ意図に間接的に影響し、リスク回避は有用性を損ねずに意図を抑制しました。なぜなら彼らの心配は学生の利用——不正行為とインテグリティ、基礎的な知識と高次の思考の弱体化、ハルシネーション、人間的な相互作用の減少、そして倫理的・法的・公平性のリスク——に付着していたからです。著者らの「frenemy」という呼称は、この姿勢を正確に捉えています。支援の道具としては評価されるが、自律的な主体としては信用されない GenAI。教育の役割にとっての帰結は、教師が決定する主体であり続け、利用を一つ一つ——専門分野、学生のニーズ、課題の種類、タイミング——で決着させたいと望んでいるということです。したがって指揮の道具は、自律の約束ではなく人間による監督とケースごとの判断を中心に構築されるべきです。
権威は教師にとどまる。能力はその内側でのみ拡大する。 Reichert, Briceno, Tabarsi & Barnes (2026)は、6年生から12年生の6人の中等学校の教師(社会科、数学、動物科学、理科、情報科学とロボティクス)に、自分の教室のための LLM チャットボットを紙で試作する課題を与え、すべての試作が同じ立場を符号化していたことを見出しました。システムは境界づけられた専門家——専門化しているが定められた領域に閉じ込められ、教師によって監督される——でした。教師は2つの境界を引きました。権威の境界は、専門的・法的な責任から生じました——学生が何を学びどう安全に守られるかについての統制は委譲できず、したがって監督(完全な会話のログ、不適切な問いのリアルタイムの警告、手動による上書き)は、道具に対するチェックではなく役割の義務として扱われました。専門性の境界は、モデルが知りえないものから生じました。個々の学生の履歴、教室の力学、制度的な規範です。委譲はその後、指導にわたって選択的に配分されました——教師は、内容を提示し、練習問題を供給し、足場かけをし、形成的なフィードバックフィードバックを与えることは AI に歓迎しましたが、学生に目標を知らせ、総括的な評価を行うことは自分たちの手に留めました。これは上に記録された半自律の選好に、具体的な構造を与えます。教師の権威が固定された要素であり、AI の能力はその内側でのみ成長するのです。
価値を帯びた採点者としての教師。 Luo & Dawson (2026)は、GenAI に支援された作業の採点が中立的で基準に基づく行為ではなく、教師が学生がどういう人か(正直さ、勤勉さ)、何ができるか(自立性、GenAI のスキル、専門分野の習得)、他者とどう関係するか(信頼)、そしてその決定が良い結果につながるか(公平性、善行)について抱く推測によって形づくられる価値判断であることを示しています。教師はしばしば、自分の採点の根底にある価値の志向性に無自覚であり、それらは専門分野(人文学は GenAI の利用に批判的。ハードサイエンス/応用科学は採点上の課題が少ない)と認識論的な立場(絶対主義/多元主義/評価主義)によって異なります。これは、教師を評価的な専門家として位置づけます。その判断——ツールの利用だけでなく——は支えられ、透明化されなければならないのです。
教授学的に意味のある説明の裁定者としての教師。 教師は、説明が生のモデルの内部ではなく彼らのカリキュラム・教授学的な言葉で組み立てられるときに、AI の推薦に対する信頼を高めるため、効果的な道具は教師の領域の言葉を「話さ」なければなりません。被験者内実験において、Feldman-Maggor 他 (2025)は、AI のグルーピング道具の領域駆動の説明が、データ駆動の特徴重要度の説明よりもはるかに信頼され受け入れられたことを見出しました。これは、教師の教授学的な語彙が AI が信頼と利用を獲得するインターフェースであり——そして説明が教授学的に健全かどうかについての彼らの判断が導入の決定的な要因である——と位置づけます。
機能の一部を委譲しうる促進者。 Kuhail 他 (2026)は、32人の STEM の学生に、人間の進行役、AI チャットボット(GPT-4。教員に期待される振る舞い——中立性、発話時間の平等、短い指示、話題の逸脱の是正、追加の問い、沈静化——を与えてプロンプト)、またはその両方を順に行わせて議論させ、有効性、楽しさ、満足度、有用性、再利用の意図に有意な差がないことを見出しました(t = 0.23 から 1.30, p = 0.198 から 0.818)。著者らは、この無の結果を、規則に縛られた議論における人間と AI の協働の正常化として読みます。等価性としてではありません。再利用への道筋は確かに異なりました。人間の進行のもとでは満足度が利用の意図を駆動した一方、AI の進行のもとでは知覚された有用性が駆動しました(0.495 に対して 0.806)。したがって、AI が進行する活動は、それがどれほど楽しい感じられるかではなく、実証された有用性の上に生き延びます。実践的な読みは、人間の監督のもとで大規模なまたは人員の薄いコースに対する規模拡大の助けとしての AI による進行です。皮肉、間接的な言い回し、少数派のコミュニケーション様式については公正性が未検証です。
能力だけでなく目的を定める者。 Fagerlund 他 (2026)は、就学前から9年生までの13人のフィンランドの教師に、なぜ学生が AI について、AI とともに学ぶべきなのかについてインタビューし、その説明を Biesta の資格化、社会化、主体化を通じて読みました。資格化が最も明確で具体的な目的であり、AI を学習の対象とそのための道具の両方として含んでいました。社会化は、AI に対して好意的な姿勢を涵養し、学生を AI に通じた将来の労働者として準備することとして現れました。主体化——自己決定され個人的に意味のある関与——は重要として是認されましたが、その背後に具体的な教授上の戦略はなく、「議論し熟考すること」に留まっていました。著者らは情報を得た AI の行為主体性を提案します。中心に主体化を据え、能力をその基盤とするものです。これは教育の役割に目的を定める義務を与えます。「なぜ」を明示して、スキルがそれ自体で目的として立つのではなく文脈を獲得するようにし、技術的・教授法的・内容に関する知識（TPACK）のような技術的な枠組みを、教育的な目的への持続的な注意で補うのです。

これらの役割は、教師の仕事を分散認知、状況学習、身体性に基づく学習、批判的教育学に結びつけ、単なる利用者ではなく AI に媒介された学習の設計者かつ倫理的な導き手として教師を再枠づけます。

AI に支援された決定は、行動のデータが得られるところに集中する。 Köroğlu 他 (2026)は、27の実証研究(2016–2025)をレビューし、8つの講師の決定の種類を同定して、AI の支援が指導、フィードバックフィードバック、評価の決定に集中し、カリキュラム、学習環境、情緒的、倫理的、管理的な決定がめったに支援されていないことを見出しました。ラーニングアナリティクスのダッシュボードが最も一般的なシステムで、テキストとログのデータをパフォーマンスと関与の行動指標に処理していました。レビューされたコーパスにおいては、マルチモーダルなデータと相互作用に基づくデータ、主体性を持つシステム、認知的・メタ認知的・動機づけ的・情緒的な成果はすべて比較的まれでした。教育者にとっての実践的な読みは、AI の道具が開く決定の空間が、それが表示するデータによって制約されるということです。したがって道具の選択は、どの教育上の決定に資源が与えられているかについての選択でもあるのです。

教育者は AI に合わせて教授の実践をどう適応させるべきか

ナレッジベースの証拠は、一連の具体的な適応に収斂します。

道具だけでなく、AI の教授学的な包みを設計する。 同じ AI が、周囲の活動をどう設計するかによって、大きな学習の伸びにも純然たる害にもなります。Kibar & Ilgazと学習の伸びの証拠は整合しています。教育者の仕事は学習経験を設計することであり、AI を答えのエンジンではなく構造化された活動の中の構成要素として扱うことです。まず学生の試みに足場かけをし、それから AI にコーチさせる——これが評価とパフォーマンスの水増しの違いです。

人間が監督するチェックポイントを求める。 AI の出力を額面通りに受け入れるのではなく、学生に AI に支援された作業を評価し、修正し、自分のものにすることを教えてください。公正な利用としての AI リテラシーは、これを AI の生産性と本物の人間の繁栄と作者性との均衡として枠づけます。課題を、AI が下書きを助ける一方で学習者が評価と改訂の主体であり続けるように設計してください。

AI のフィードバックの下書きを吟味する。そのまま伝達しない。 Chen 他 (2026)は、64人の中国の養成前段階の教師に論証的な文章について ChatGPT に支援されたフィードバックを与え、出力を完成した講評ではなく下書きの素材として扱うことが、教師のみのフィードバックができなかったところで批判的思考を動かしたことを見出しました(事後の Cohen's d は事前の 0.25 に対して 3.74, p < .001)。教師がその下書きに対して行ったことが、移行可能な部分です。自分と同水準の適切な内容を写したもの(28%)、より深い入力で拡張したもの(16%)、それを供給したもの(16%)、修正したもの(14%)、完全に破棄したもの(14%)、さらに 9% は修正を要しました。支援されたフィードバックは模範化(実演、10.9% に対して 33.1%)と掘り下げ(問いに密接に、6.0% に対して 21.5%)に傾き、学生はそれを認識ではなく分析、評価、創造へと改訂しましたが、インタビューを受けた8人中6人は依然として不精確さと非専門性を報告しました。ハイブリッドを安全にするのは、教師の検証の段階なのです。

AI の時代に合わせて評価を適応させる。 LLM がそのまま完結できる課題から離れ、本物の、過程に基づく、対面の評価へ移ってください。評価の尺度は、各段階でどれだけの AI の支援が正当かを決めるためのルーブリックを教育者に与え、メタ分析的な証拠は、評価の設計がそれを要求するときに AI が高次の思考を支えうることを示しています。

永続的な学習の条件を守る。 AI の答えが学習を容易に見せるため、教育者はパフォーマンスと学習の隔たりに対抗するように設計しなければなりません。Lodge & Lobleは、AI との容易な成功が学習の欠如を覆い隠しうると警告します。教育者は生産的な苦闘を組み込み、熟達の無支援の実証を求め、AI に支援された答えを出発点として扱い、完成した成果としては扱わないべきです。

伝達の媒体を計画する。 適応は媒体に対して中立ではありません。AI を伴うオンラインの教育は、機会(規模を拡大できる個人化、常時的な支援)とリスク(インテグリティ、オフローディング)の両方を増幅します。AI の包みは、対面の文脈と同じように意図的に対面オンラインで設計してください。(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

教授に AI リテラシーを織り込む

AI リテラシーは独立したモジュールではありません——教育者がすべての授業をどう設計するかに織り込まれています。効果的なアプローチには以下が含まれます。

実践の中で AI リテラシーを模範示す。 自ら AI を使い、評価し、批判する教師が、学生にとっての規範を定めます。AI リテラシーの連続体は、教育者が足場かけすべき、道具の流暢さから批判的な評価までの進展を記述します。
利用だけでなく評価と較正を教える。 学生は、AI がいつ信頼できいつハルシネーションを起こすかを知る必要があります——AI の出力についての批判的思考は中核的なリテラシーです。これは責任ある利用とAI の利用が学生にどう枠づけられるかにつながります。
学生とともに AI 利用の規範を共に構築する。 AI 教育に対する原則あるアプローチと教師が執筆するプロンプトは、明示的で共に設計された期待が、罰則に基づく規則よりもよく機能することを示しています。

AI の時代にアカデミック・インテグリティを確保する

AI を伴うアカデミック・インテグリティは設計の問題であり、取り締まりの問題ではありません。教育者は次のように適応します。

過程と作者性を中心にインテグリティを再枠づける。 検出の代わりに、アカデミック・インテグリティを透明で記録された利用として強調してください。主体性を持つ AI とゴースト学生の研究は、学生が自分に代わってAI エージェントを展開させるときにインテグリティのリスクがどう移るかを示しています。したがって教育者は、「ゴースト」が AI であるときに作者性が何を意味するかを定義しなければなりません。
開示と枠づけを用いる。 AI の利用が学生にどう枠づけられるか——松葉杖としてか正当な道具としてか——は、彼らがそれを開示するかどうかを形づくります。透明性の規範(例えば AI 利用の開示)は、AI の利用を隠す誘因を減らします。
不正行為をする誘因を設計で排除する。 本物の、過程に基づく、対面の評価(口述試験、ポートフォリオ、観察された問題解決)は、AI 検出ツールよりも外部委託を魅力的でないものにします。評価の尺度と本物の評価は、検出の軍拡に対して建設的な代替案です。
課題レベルの規制こそが、教育者が実際に AI を統治する仕方である。 Chirikov (2026)の31,000件以上のコースのシラバスの研究は、教育者が画一的な規則を適用するのではなくますます課題レベルの規制者として行動していることを示しています。彼らは下書き・改訂のために AI を制限し(コースの 79%)、推論・問題解決(65%)にも制限し、編集・推敲(83%)と学習の支援(80%)には許可し、着想・計画を最も争われたままにしています(46% が許可 / 54% が制限)。この差別化——AI がどの課題を置き換えどれを増強するかに基づく——は、導入か禁止かの政策に対する具体的で教育者主導の代替案であり、政策形成に教師の役割に中心的な場を与えます。

教授と学習設計をつなぐ

教授と学習設計は同じ硬貨の裏表です——教育者の日常の判断は、設計された学習経験の生きた実行です。AI はこの結びつきを強めます。

学習の設計者としての教師。 LearnAIと教師が執筆するプロンプトの設計は、教育者が設計者として機能することを示しています。活動、AI の役割、学習を構造化する足場かけを指定するのです。これは利用の瞬間における学習設計の実践です。
学習設計の原則が AI の教授法を支配する。 同じ学習設計の原則——明確な目標、整合した評価、足場かけ、フィードバックフィードバック——が、AI が役立つか害をなすかを決めます。ISD-Agent-Benchは、AI の設計を正式な教授設計モデルに根ざすことが、理論を持たないプロンプトを上回ることを実証的に検証しています。
教師の指揮のために設計する。 効果的な AI の学習環境は、教師を念頭に置いて設計されます——人間中心の AIが提供する道具は、教師の業務量を減らし判断を増強すべきであり、さらなる不透明なブラックボックスを加えるべきではありません。教育者が AI の学習活動を共に設計するとき(活動理論の視点)、導入と質の両方が改善します。

学習者のアイデンティティとの関係

教師の役割と学習者のアイデンティティは同じ人間の過程の相互的な裏表であり、AI はその両方を作り変えます。

教師のアイデンティティは専門的なアイデンティティであり、学習者のアイデンティティは学習のアイデンティティである。 教師の役割のページは、AI が教育者の仕事、アイデンティティ、行為主体性をどう作り変えるかを記録しています——彼らの進化する専門的な自己理解(Laidlaw の GenAI をアイデンティティの危機として捉える枠づけを参照)。学習者のアイデンティティは学生にとっての並行した構成概念です。専門分野的、職業的、創造的、学問的な言葉で、自分が誰であり何になりつつあるか。
両者は因果的に結びついている。 アイデンティティの混乱(GenAIの中での自分の専門的な目的についての不確実性)を経験する教師は、学生のアイデンティティの発達を支える能力が低くなります——自分の役割を疑う教師は、同じ領域で学生の生じつつある自己感を確証することに苦慮します。逆に、確かな専門的なアイデンティティを保つ教師は、学生の帰属と作者性に足場かけをするのにより良く位置づけられます。
異なる失敗の様態。 教師のアイデンティティは、役割の時代遅れと目的(「教育の要点は何なのか」という問い)によって脅かされます。学習者のアイデンティティは、作者性の喪失と力量(「これは本当に私のものなのか / 私は十分に優れているのか」という問い)によって脅かされます。どちらも AI に対するアイデンティティの水準の(スキルの水準だけでない)反応です。
両者は専門能力開発と教授学的な関心事である。 教師のアイデンティティを支えることは教育開発と教師の AI リテラシーに属し、学習者のアイデンティティを支えることは学生の経験、本物の評価、行為主体性に属します。よく設計された AI 統合のシステムは両方に配慮します——なぜなら、教師のアイデンティティは、学習者のアイデンティティが形成される条件だからです。

初期の AI リテラシーにおける教師の協働設計

初期の AI リテラシーにおける教師の協働設計。 Lee (2026)は、Play With AI (PL-AI)カリキュラムを共に設計した就学前の教師2人と幼稚園の教師2人が、自信と教授学的な行為主体性において大幅な成長を経験したことを示しています。協働設計がカリキュラムの所有、省察的な実践、意味のある適応を涵養したのです。これは教師を、発達段階に応じた AI リテラシーのカリキュラムの単なる実施者ではなく中心的な共設計者として位置づけます——幼児期のAI 教育における教師の養成に示唆をもたらすモデルです。

教師が AI の学習資源を共に設計する

教師の役割は、AI の学習資源を共に設計することにまで及びます。ドローンの STEM の指導のための教師と AI の共設計によるシミュレーションは、GenAI の出力を教授学的に妥当で文脈に関連したままに保ち、教師は教師の AI リテラシー尺度(TAILS)の意図された受益者です。効果的な GenAI の統合は、ますます設計への教師の関与に依拠します。

AI の省察のシステムは教師の経験に適応すべきである

教師向けの AI による省察の分析は、万人向けではなく専門性に適応すべきである。 100人の米国の K–12 の教師を対象とした調査(中央値で9年で分割。二項検定。選択の差 15% が約 83% の検出力で検出可能)は、体系的な選好の分岐を見出しました。経験の浅い教師は、省察の時間の欠如を第一の障害として、経験のある教師の3倍の割合で挙げています(37% 対 12%, p < .001)。そして学生の関与の喪失(48% 対 33%, p = .028)と情緒(31% 対 18%, p = .036)についての分析を望んでいます。
その分岐から導かれる設計規則は、経験に適応した推薦の様態である。 経験のある教師は、学生を助けた後の改善された学習(40% 対 26%, p = .019)と自分の教授の方法(42% 対 26%, p = .012)についての分析を望んでいます。彼らの第一の障害はパフォーマンスの追跡です(28% 対 15%, p = .009)。設計規則:初心者モード = 構造化されたプロンプトと関与の分析。専門家モード = 柔軟な縦断的な分析——これは万人向けのダッシュボードに対する直接的な反論です。(How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

メタデータ

レベル	K 12, Higher Ed
対象読者	Instructors, Faculty Developers, Learners
学習と教授	足場かけ
技術と手法	知的個別指導
教育におけるAIの基礎	AIリテラシー, 教育開発, 学習デザイン, 教師の AI リテラシー

Source History Edit Chat