FAQ
AI が仕事をこなせる時代に、非同期オンラインコースはどう設計し、どう進行させるべきか？
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。
あなたはすでに、この問いを突きつける発見をしています。あなたの非同期コースのどこかに、最初の下書きが今や無料になった課題があります——ディスカッション投稿、振り返り、事例分析、問題演習——そして提出されてくる仕事は流暢で、トピックに沿っていて、学生が何ができるのかについて何も教えてくれません。あなたはその場にいないので、思考が起きるのを見ることができず、その代役を務めていた成果物ももう代役を務めません。
これが、学生が午前 2 時に、モデールに投稿を書かせることに決める、という形での問題のバージョンでした。より難しいバージョンはすでに到来しています。ある学部生向け心理学コースの 3 つの実演では、自律エージェントが学習管理システムにログインし、コース教材を読み、学生を一切介在させずに非監督の評価対象の仕事を完了しました。2 つのクイズは約 12 分 と 5 分未満 で終了し、いずれも 10/10 の成績を取り、ディスカッション投稿では、エージェントが他の学生の投稿を採掘してから、それらに答えるために信頼できる一人称の経歴をでっち上げました。著者らが集めたより広範な記録は、Canvas、Moodle、Brightspace で 7 つのエージェントツール を使った、少なくとも 15 件の記録されたエージェント実行 を網羅しています。著者らの主張は、これが integrity だけの問題ではなく、評価の妥当性 の問題だというものです。エージェントによる完了は、提出された仕事が、その学習が評価されている本人によって作り出されたという前提を奪い去ります（Hadjisolomou and El-Haddad, 2026）。
結論から言えば、非同期コースには頼れるプレゼンスもプロセスの可視性もないので、設計の側でそれらを作り出す必要があります。学習の証拠を完成した成果物から移動させ、学生が補助なしに作り出さなければならない測定を一つ残し、あなたが提供する AI にはガードレールをかけ、学期を意図的にペース配分しましょう。自己制御こそ、自己ペース形式が静かに前提としながらめったに教えないものです。率直に言えば、成果物を作り出すことが学習を実証するという前提で設計するのをやめてください。これは AI を禁止したり、課題を AI に対して無敵にしたりする論ではありません。AI が成果物を作り出しただけでは学習の達成が不十分になるようなコースの設計の論です。
短いまとめ
- 思考を成果物にする。 段階的な下書き、決定の記録、自己説明は、最終成果物よりも外部委託が難しく、あなたがそれなしでは見られない推論を示してくれます。
- 補助なしの測定を一つ残す。 能力を認定する評価の上に置きます。母集団データでは、AI アクセスによる定着への影響は監督（プロクタリング）の下で消滅しており、これは近道がプラットフォーム外にあり、あなたが設定する条件次第であることを教えてくれます。
- 非同期の口頭評価 を使う。 リスクに見合うところでは——ジャストインタイムのプロンプト、時間制限のある修正できない録音、埋め込み式のルーブリック、自動生成の書き起こし。
- 提供する AI にガードレールをかける。 答えではなくヒントを与えるチュータリングは、無防備なアクセスがランダム化比較試験で生み出した試験でのペナルティを消し去りました。制約なしにモデルを供給するのが、学習を害するバージョンです。
- 支援をコースの中に埋め込む。 一般的なチャットボットにリンクを張るのではなく。Open University の埋め込み型アシスタントは試験で課題への取り組み時間を 2 倍にしました。同じ機関の、外部の切り離されたチャットボットでの経験は逆の結果でした。
- 学期を計画的にペース配分する。 早期警戒のシグナルはモジュールの締切の 7〜8 日前まで存在し、自己制御とウェルビーイングは学期を通じて評価の集中と歩調を合わせて低下します。つまり、締切を分散させるのは測定可能な結果を伴う設計上の決定であり、日程調整の細部ではありません。
- ディスカッションの進行は控えめに、順序は意図的に。 LLM のファシリテーターは人間のファシリテーターよりはるかに介入したがりであり、大きなフォーラムを学生が読み進める助けに本当になる要約ツールは、それ自体では参加の低下を止められません。投稿数ではなく、確約した立場、異議申し立て、記録された再考を求めましょう。
- 相談する前に確約する。 学生がまず自分の立場、予測、アウトライン、決定を作り出し、それから批評のためにモデルを入れる。学ばれなければならない思考は、ツールを開く前に起きるべきです。
- 脆い課題に双子を対にする。 持ち帰り分析を残しつつ、同じ成果を、最初の課題では委託できない形で評価する、日程を近く置いた 2 つ目の課題を加えます。
- AI に明言された役割を与える。 そしてこの文を言い終えられるようにしましょう。この場での AI の仕事は X、学生の仕事は Y。 Y が薄ければ、その活動はまだ準備ができていません。
評価が実際に測っているものを決める
非同期コースが対面コースより晒されている理由は、そこの学生が正直でないからではありません。コースの学習の証拠が提出物であり、その提出物を作り出すのが今や安上がりになったからです。その代償を示す 2 つの因果的証拠があります。
約 1,000 人の高校生の数学を対象としたランダム化比較試験では、無防備な AI 支援は練習での成績を 48% 向上させながら、補助なしの閉書試験の点数を 17% 低下させました——アクセスがなかった学生の方が、あった学生を上回ったのです。重要な細部はその処方です。答えではなくヒントを与える ガードレール付きチューターが害を消し去りました。問題はモデルの存在ではありませんでした。それが何をするかについての制約が欠けていたことでした。
母集団規模の行動証拠も同じ方向を指しています。320 万件の ALEKS 操作 を通じて、AI に影響されやすい問題への学習時間は ChatGPT の公開後に 26.9% 減少し、監督下での定着項目に正答する確率が 25% 低下 しました——これは監督が導入されると消滅した効果です。その消滅こそ、コース設計にとって重要な部分です。近道がプラットフォーム外にあることを位置づけ、害が学習者の性格ではなく、あなたが設定する条件の性質であることを示すからです。
設計上、立ち向かうべき、より微妙な失敗もあります。メタ認知的に不調和な完了 は、正しく完全な仕事を提出しながら、ひそかに理解が訪れなかったと知っている状態を名指します。教室では、学生のためらいの中にそれを見つけられるかもしれません。非同期コースでは提出物が唯一の経路であり、正しい提出物は成功として読まれます。評価 の設計はゆえに第一の梃子であり、最後の手段ではありません。
入っていく部屋がないとき、何を証拠と数えるかを決める
完成した成果物がもう思考を証明しないなら、証拠はプロセスから、または学生が委託できない条件から来なければなりません。
プロセスを明かす成果物 が最も安く済む変更で、規模でも機能します。必須の中間決定記録を伴う段階的な提出、各解答に付ける 1 段落の自己説明、出典への注釈、フィードバック後に改訂された計画。これらは残滓ではなく 推論そのもの を捉え、教員がざっと見るコストは比較的小さくて済みます。
非同期の口頭評価 は、能力を認定しなければならないときに最も強い選択肢です。Pentland, Lowenthal and Krier (2026) は、プロンプトがジャストインタイムで提示され、学生が振り返れない短く時間制限のある Web カメラ応答を録音し、教員が埋め込みルーブリックに照らして採点し、書き起こしが自動生成される、Web ベースの評価を評価しました。2 つの研究——中級会計のパイロットとデータ分析コース——を通じて、学生はこれらの評価で対面の多肢選択試験より高い得点を取りました（2 番目の研究では有意、最初の研究では正だが有意でない傾向）、中程度の形式間相関が 妥当性 の収束を裏付けています。学生はこれまでと違う準備をしたと報告し、より多くの アクティブ な学習方略を用い、その形式を専門的に有意義なものとして扱いました。これは非同期の問題に直接答えています。思考は、学生の選んだ時間と場所で生のまま遂行され、管理コストはコースサイズに比例して増えません。
補助なしの測定を一つ は、成績が知識を認定するどのコースにも属するものです。上記の ALEKS の結果が論です。監督が敷かれたとき、定着の差は消え去りました。その条件がなぜ存在するかを学生に説明して輪を閉じましょう——その推論は、コース AI 方針の書き方 の中に属します。
成果物だけでなく、順序を決める
完成した成果物が信頼できる証拠でなくなったら、仕事が起きる順序そのものが評価設計の一部になります。
Brcic and Frljic (2026) は配置を論の中心に据えています。許可するか禁止するかは偽の二分法であり、重要な設計上の問いはツールがどこに座るかです。彼らが集めた因果的証拠は、配置だけで結果が反転することを示しています——高校生を補助なしの試験で約 17% 悪くした同じ無防備な助っ手も、答えを出さないよう作り直されれば害はなくなり、上手に作られた チューター は学習をおよそ 2 倍 にしました。ツールを置くための彼らの 6 手の枠組み（prime, probe, point, attach, strengthen, test）は使える 1 つのメニューであり、一行の診断こそ残すべきものです。AI を入れると課題が楽に感じられるなら、それは間違った場所にある。 不適切に配置された支援は助けることに失敗するだけでなく、補助なしの課題で崩壊する学習の幻想を残します——正しくて理解されていない提出物を メタ認知的に不調和な完了 が名指す状態です。
非同期コースにとって、これは課題そのものに書き込める順序に翻訳されます。
考える → 確約する → AI を使う → 批評する → 改訂する → 説明する。
学生は知的仕事を試み、最初の解釈、予測、アウトライン、決定に確約します。それから初めてモデルが、フィードバック、代替案、反論、批評のために入ります。そして学生はそれが作ったものを評価し、改訂し、何がどう変わったかとその理由を説明します。確約の段階こそ、残りを評価可能にするものです。確約していない学生には改訂するものが何もなく、モデルが最初から書いた成果物には改訂の履歴がまったくありません。
行き過ぎた訂正について一つ注意があります。すべてのプロンプトを集め、すべてのキー入力の記録を強いることは、証拠なしに作業量を生み出します。意味のある決定のポイントを求めましょう——どの証拠が選ばれたか、どの代替案が捨てられたか、批評の後に何が変わったか——そして、あなたが実際に読む推論を求めましょう。
脆い課題に双子を対にする
もう一つの構造的な選択肢は、教育的に価値のある課題と防御可能な課題の間で選ぶのをやめることです。Roe, Perkins and Giray (2026) は assessment twins（評価の双子） を提案しています。AI に対して脆い課題——持ち帰りのエッセイや分析——に、同じ成果を評価する、より脆くない 2 つ目の課題を、相互検証できるだけ日程を近く置いて対にし、相互依存的に採点します。彼らの対応づけは Messick の妥当性証拠の 6 つの筋にわたり、設計プロセスは 3 段階です。脆弱性を特定する、成果を整合させて双子を選ぶ、2 つを結ぶ採点を開発する。持ち帰り分析は、拡張された探究にとっての価値を保ちます。その双子は、短い事例の変奏、一つの重要な決定の説明、あるいは短い口頭やマルチメディアの弁明かもしれません。
付随する問いは、作者性ではなく所有権です。Ebrahimzadeh, Shibani and Buckingham Shum は、生成 AI との共著が妥当性証拠のいくつかの形を損なうと論じ、共著の完全性（coauthorship integrity）を、それ自体としての妥当性証拠の源として提案しています。それは、学生が理解していない AI 生成コンテンツを提出するときに侵されます。検査ではなく規模で所有権を確かめるために、彼らは AI Viva の研究を報告しています。型と複雑さを制御できる理解の質問をする、ハイブリッドな口述試験を実施する対話エージェントで、専門の教育者と評価の専門家によって深く検証されました。これはすべてを監督下に置くのと秤にかける価値があります。自分の推論の口頭による弁明は、部屋の監視にはできない形でスケールし、誰が部屋にいたかではなく、理解についての証拠を生み出します。
コース内の AI に何を許すかを決める
重要な比較は、AI 対 AI なしではありません。埋め込まれ制約された AI 対、切り離されたチャットボットであり、両者は異なる結果を生みます。
Open University の AIDA アシスタント は、最もよく記録された埋め込みの事例です。50 か国以上で 200,000 人以上の学習者にサービスする機関で、18 か月にわたる 6 回の反復的なデザイン調査、498 人の学生と 20 人のスタッフ。探索的ランダム化比較試験で、AIDA を使った学生は統制群より 2 倍の時間 を費やし、コースのより多くのページを訪れ、96% が正式な学習でそのアシスタントを利用したいと答えました。専用に作られ環境に組み込まれたものが、汎用で外部のものに勝ちます。
Lock, Arteaga and Johnson の (2025) レビュー——32 か国にわたる 63 の引用——が、設計の条件に社会的条件を加えます。教員によるチュータリングと並行して ChatGPT を使った学生は、単独で使った学生より大きな 学習の伸び を認識しました。アシスタントは教員を補うか、関係を置き換えるかで、両方のうち片方だけがコース設計です。
真剣に受ける価値のある 2 つの注意があります。KhanMigo の失敗は技術的ではありませんでした。学習者は単にチャットボットと関わらず、利益の証拠は限られたままでした。これはモデルの質ではなく、組織の準備態勢 と教育的な適合を指しています。そして教員側も自動的に準備ができているわけではありません。南アフリカの教員養成の比較では、AI 統合科学教育についての自己報告の TPACK は、キャンパス型大学で 64.0%、遠隔大学で 47.4% で、どちらでも教育学的知識が最も弱い領域でした（オンライン教育と学習）。非同期コースにアシスタントを導入しても、その出力を判断しなければならない人々を訓練するわけではありません。
非同期のディスカッションが実際にどう進行されるかを決める
ディスカッション・フォーラムは、非同期コースが コミュニティ を作るか、静かに提出箱になるかの場所です。そこで自動化するものを形作るべき 2 つの知見があります。
第一に、難しいのはタイミングであり、トピック検出ではありません。 Tsirmpas と同僚ら は PEFK コーパスを構築して進行データセットを比較し、次に専門の人間のファシリテーターと LLM の審査員を使った、進行のタイミングについての最初の調査を実施しました。人間は介入により慎重で、LLM は過度に熱心でした。どちらも、進行が必要ないと判断するときの方が、必要だと判断するときより確信を持っていました。訓練された分類器モデルは LLM の構成より良い成績を挙げましたが、それでも既存のデータセットが性能を上限づけていました。実践的な読み方としては、自律的なモデレーションをエージェントに任せず、ディスカッションで AI をどうしても使うなら、既定では静かにしているよう設定しましょう。
第二に、AI はフォーラムを読み進める助けになるが、参加させるわけではありません。 3 回の反復にわたる 128 人の大学生で、Hao and Cukurova (2026) は、AI 生成のディスカッション要約が、意味のある投稿を見つける労力を下げることで、仲間の貢献への接触を広げ、ネットワークのつながり——ソーシャルキャピタル理論がブリッジングと呼ぶ弱い絆——を強めたことを見出しました。しかし、コースを通じて閲覧活動が低下することは止めませんでした。要約は航行のための 足場 であり、参加を生み出す代用品ではありません。
これを和らげる構造は、スレッドではなく順序です。立場 → 異議申し立て → 再考。 学生はコース教材に基づいた解釈に確約し、次に別の視点、反例、批評に出会い、そして自分の推論が動いたかどうか、どう動いたかを説明します。あなたが採点するのはアイデア間の動きであり、投稿の数ではありません——そして、提出された投稿に返信が 2 つではもうそれを実証しません。上述の 3 番目の実演には、仲間の投稿を採掘して級友の経歴を装うエージェントがいます。
エージェントが真似るのが表面的な振る舞いである以上、教員自身の貢献が希少な資源になります。数十の個別の投稿に機械的に返信するのは、教育におけるプレゼンスの最も価値の低い形です。ディスカッション全体を統合することが最も価値が高いものです——あなた方の分析には 3 つの仮定が繰り返し現れています。何人かはこの証拠を違うように読んでいます。この論には、この反例を導入するまでは説得力があります。 それは オーケストレーション であり、メッセージの生産ではありません。そしてこの文献の中のどのエージェントも遂行しない部分です。
両方の下にある枠組み上の問いは説明責任です。Ba, Gašević, Lim and Anderson (2026) は、生成 AI が、プレゼンス指標をそもそも人間に帰属させられるという コミュニティ・オブ・インクワイアリ の前提を揺さぶると論じています。彼らは GenAI を認識論的な条件として扱い、プレゼンスを、探究の質との関係が人間の説明責任の置き場所に左右される、社会技術的な達成として扱います。非同期コースにとっての設計上の含意は具体的です——フォーラムが存在するからプレゼンスが生じると仮想するのではなく、各交換で誰が何に説明責任を負うかを決め、明言しましょう。
入っていく部屋がない中で、学生がペースを保つ方法を決める
自己ペース形式は 自己制御 を前提とし、めったに教えません。実際に課題に留まり続けることと相関する振る舞いについての証拠は、例外的に実践的です。
530 人の大学生を、アソシエーション・ルール・マイニングとクラスタリングで調査した Shi et al. (2026) は、自己制御学習の振る舞い——目標設定、環境の構造化、時間管理——が、デジタル的な注意散漫の低さと最も一貫して共起すること、そして学習者—教員間と学習者—内容間の エンゲージメント と技術的能力も同様であることを見出しました。注目すべきは、仲間への助けを求めることへの依存と学習者—学習者間のエンゲージメントは、注意散漫の低いプロファイルではより少なく現れたことです。別のグループ活動を設計する前に、環境とスケジュールを構造化しましょう。
自己制御は、前提にできたり無視できたりする固定の特性でもありません。75 人の 1 年生のフルセメスターを通じて、Song et al. (2026) は、SRL が安定した適性と変動する状態の両方として機能することを見出しました。個人の基準は安定を保つ一方、メタ認知的知識と ウェルビーイング は学期を通じて体系的に低下し、主要な評価の締切のようなカリキュラムの要求に駆動されていました。締切を集中させるのは効率的な管理上の選択かもしれませんが、その形式が依存する制御にとって測定可能な負担でもあります。
介入の窓は知ることができます。Zhang, Jeffries and Koprinska (2025) は、内容—操作ログに対する解釈可能な機械学習が、大規模オンライン・プログラミング・コースでモジュールレベルの進度を予測し、モジュールの締切の 7〜8 日前 まで脱落の結果を捕捉することを示しました。これは、特定の学生に特定の促しを送るのに十分な余裕であり、採点時に失敗を発見するより優れています。成人 と遠隔学習者については、AI-ALOE の設計ガイドラインが最も重要な制約を加えています。モバイル・アクセス、オフライン機能、そして真の非同期の利用可能性です。これらの学習者は他の義務の間の時間の切れ端で学ぶからです。
設計者として AI が肩代わりできること
十分な証拠が背後にある 2 つの用途があり、どちらも学習者の思考ではなく教員の作業負荷を標的にしています。
制作コスト。 MAIC は、MOOC の「1 本の動画を N 人の学生へ」という放送を「1 人の学生に N 体のエージェント」として再構想し、共有モデル基盤の上に、専門化された教師、アシスタント、級友、分析者のエージェントを使います。著者らは、MOOC あたりのコース制作が、およそ 25,000 ドルと 60 時間 から 2 ドル未満と 30 分 に縮小したと報告しています。清華大学で 2 つのコースをパイロットし、500 人以上の学生から 100,000 件以上の学習記録 を得て、オープンソースの OpenMAIC として公開しました。パーソナライズされたメディアは、資産レベルでは同じ発想です。大規模オンラインコースで、Tomlinson et al. (2026) は、学生が人間が録音した非パーソナライズ動画より、AI 生成のパーソナライズ動画を好んだことを見出しました。パーソナライズの効果が、人間のプレゼンターに置かれる価値を上回ったのです。
フォーラム内の航行。 上記の要約の足場は、良い貢献を見つけるコストを下げながら、教員に要約の負担を強いませんでした。
自動化すべきでないもの。 ある文章が学生自身の思考によるものかどうかの判断、ディスカッションが介入を必要とするかどうかの判断、難易度の調整は、証拠によれば信頼できないか、説明責任を伴うかのいずれかである仕事です。生成された資料は、単位を持つ前に教育的な検討も必要です。安い制作は、健全な設計と同じではありません。
AI に明言された役割を与え、それから学生にまだ役割が残っているか確かめる
「学生は AI を使ってもよい」は、設計対象にするにはあまりに粗い仕様です。役割に名前を付けることこそ、活動を設計可能にします。そして役割はプレゼンスに含意を持ちます。マーケティング教育における生成 AI の研究は、チューター、チームメイト、ツール を区別し、それぞれが教育的、社会的、認知的プレゼンスに違う形で影響することを示し、よく知られた倫理的リスク——データ・プライバシー、盗用、依存、評価の公平性——を列挙しています（マーケティング教育における GenAI）。同じモデルが、課題の前にはソクラテス的な問い手、最初の下書きの後には批評家、事例分析の中では模擬の利害関係者、反論されなければならない論敵、練習中のヒントを与えるチューター、本質的な推論が存在してから初めて招かれる編集者になりえます。それは異なる活動であり、それらを混同することが、「AI は許可されている」が静かに「何も設計されなかった」を意味するようになる仕組みです。
足場 が検証を提供します。支援は学習者がまだ一人ではできないことを助け、能力が伸びるにつれてフェードすべきです。完全な解法を供給し続けるモデルは足場ではありません。課題をやっているのです。ゆえに AI が関わる活動ごとに、設計者はこの文をためらいなく言い終えられるべきです。
この場での AI の仕事は＿＿＿＿＿、一方、学生の仕事は＿＿＿＿＿＿＿。
2 番目の空欄に意味のある思考がほとんど入らないなら、その活動はより厳しい方針ではなく、再設計を必要とします。
操作だけでなく、評価を教える
AI リテラシー はチャットボットを操作する能力ではありません。批評的な評価、メタ認知 的判断、そしてまったくツールを使わないほうがいいときを知ることを含みます。知識ベースは一貫して、自己報告の自信は実証された能力の乏しい代理指標だと述べています。これは、どの非同期コースでもすぐに採用できる変更を指しています。ときには学生自身に AI の出力を渡しましょう。 競合する 2 つの答えを手渡し、どちらが強いか、なぜかを尋ねます。最も弱い主張、欠けている前提、検証できない出典、もっともらしいが間違っている説明を尋ねましょう。どのような証拠があれば考えを変えるかを尋ねます。
そう組み立てれば、採点される能力はもはや この学生は答えを作れるか？ ではなく、この学生は答えが信頼に値するかどうかを見分けられるか？ になります。それは学問が実際に要求することに近く、委託するのがはるかに難しいものです。検証の実践 と AI リテラシーの資料にその技法は宿っています。ここで重要なのは、助言として残さず、評価された課題の中に評価を組み込むことです。
あなたが耳にする反論
「彼らは非同期コースを選んだ大人です。AI に書かせるなら、それは彼らの決定です。」 選択の論は、コースが何も認定しなければ成り立ちます。成り立ちません。ALEKS の証拠は、近道が監督された検証に耐えない能力の外観を生み出すことを示し、その代償は後で学生にのしかかります。次のコース、免許試験、あるいは仕事で。公平性の観点もあります。最もオフロードしがちな学習者は、しばしば時間が最も少ない人々であり、それはまさに非同期コースが存在して仕える集団です。
「検出が答えです。」 検出は争われており、上述の監督の結果はなぜ設計が取り締まりに勝るかを示しています。害が消えたのは取り締まりが強まったときではなく、条件が変わったときでした。検出は偽陽性のコストも伴い、教育を軍拡競走に変えます。課題を設計し直し、補助なしの測定を一つ残しましょう——コースでのAIカンニングを減らすにはどうすればよいですか? と 成績が、学生の知識や遂行能力について私が擁護できることをまだ教えてくれるように、評価を再設計するにはどうすればよいですか？ を参照。
「教育におけるプレゼンスは遠隔では不可能なので、非同期は本質的に劣っています。」 非同期コースのプレゼンスは設計されるものであり、前提されるものではありません。そして上述の CoI の再構想は、その指標が GenAI 時代には社会技術的な達成だと述べています。AIDA の試験は有用な反例です。埋め込まれた生成的な支援は、同期の集まりがまったくないコースで、課題への取り組み時間を 2 倍にしました。
「監督は監視であり、私は課しません。」 擁護できる立場であり、それでも選択肢がなくなるわけではありません。プロセスを明かす成果物、非同期の口頭評価、自己説明、上述の AI Viva は、いずれも誰の部屋も監視せずに推論を捉えます。監督された条件を使うなら、シラバスにそう書き、理由を説明し、能力を認定する評価に限定しましょう。
「ではすべてを同期にして監督下に置けばいい。」 多くの学生は、同期の出席を難しくする就労、育児、障害、地理的な制約があるからこそ、非同期の学修を選びます。そして検出にはそれ自身の公平性コストがあります。非母語話者の筆者を偏ってフラグするツールは、正直な仕事を罰する偽陽性を不均衡に生み出します（AIの検知）。比例した代替案は、そうでなければ柔軟なコースの中に、検証の瞬間を少数置くことです。短い録音による説明、パーソナライズされた応用、教員が選んだ問いへの応答、注釈付きの決定の軌跡、低リスクの個人チェック。検証は、その形式を提供する価値をなくすことなく、あなたの証拠の妥当性を高めるべきです。
証拠が決着をつけていないこと
遠隔教育における AI のシステマティック・レビュー（56 論文、2020〜2025 年）は、パーソナライゼーション（24 研究）、評価とフィードバック（19）、人間—AI 相互作用（17）、ガバナンスと公平性を扱い、基盤が短期的で横断的であり、縦断的な研究がほとんどないと結論しています。オンライン学習における AI と学生エンゲージメントのレビュー（24 研究）は 1 つのデータベースに限定され、エンゲージメントのみを扱い、同期と非同期の文脈を明示的に混同しているため——その結論は非同期固有のものとして読むべきではありません。非同期の口頭評価は 2 つのコースの 2 つの研究に依っています。MAIC はパイロットです。進行タイミングのデータセットは、訓練された分類器を使っても性能を上限づけます。そしてここのどの研究も、非同期のコホートを、設計し直された評価が学習のより良い証拠ではなく持続的な学習を生むかどうかを示すほど長く追っていません。全体を、次のコースを変えるのに十分強いが、方針の主張を正当化するには薄すぎるものとして扱ってください。
今週やること
10 分で: 最もリスクの高い評価を一つ選び、学生が補助なしに完了する条件を 1 つ加えます。なぜそれが存在するかを伝えます。
次の課題を出す前に: AI が今や端から端まで完了する課題を取り、プロセスが成果物になるよう書き直します——決定の記録、段階的な下書き、自己説明、2 つの試みの比較。その推論なしに課題を終えられるなら、その推論は最初から必要とされていませんでした。
この学期: 主要な評価の 1 つを、ルーブリックを埋め込んだ非同期の口頭弁明に変換します。シラバスで課題ごとに AI の許可を設定し、学生が実際に読む場所に置きます。主要な締切を集中させるのではなく分散させます。操作データが静かになった学生に連絡する、締切の 7〜8 日前の窓を開けます。
最も弱い課題に 3 つの問いを走らせる。 (1) AI システムは学生が教材を理解しなくてもこの活動を完了できるか？(2) ここで学習を生むはずの認知活動は何か？(3) 学生が実際にその活動を行ったことを示す証拠は何か？1 つ目の答えがイエスで、残り 2 つが答えにくいなら、問題は AI 方針ではなく学習設計にあります——そして方針をどう書き換えても直りません。
目指すのは AI が参加できないコースではありません。AI が、そのコースが生み出すために存在する学習を置き換えることなく 参加できるコースです。
次に行くべき場所: コースレベルの規則は コース AI 方針をどう書き、どう学生に伝えるか？ に、評価の作り直しは 成績が、学生の知識や遂行能力について私が擁護できることをまだ教えてくれるように、評価を再設計するにはどうすればよいですか？ に、その下にある依存の問題は 学生がAIに過度に依存するのを防ぐにはどうすればよいですか？ に、教員の作業負荷と AI が現実的に取り除くものは AIはどうすれば教員としての私の時間を節約できますか？ に、そして学習体験に AI を埋め込む設計レベルの見方は AI は学習体験にどう設計されるべきか？ に属します。