FAQ
コース AI 方針をどう書き、どう学生に伝えるか？
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。
あなたはシラバスが 1 つ、課題票が 1 枚、そして 生成 AI について自分の私的な規則をすでに書いた学生でいっぱいの部屋を持っています。あなたが公表するものは何であれ、規則を守る学生と守らない学生の両方に公平でなければならず、40 件の提出物に実際に適用できるものでなければなりません。押しに弱い人にも警察官にもならずに済むものでなければなりません。
結論から言えば、書きたくなるよりも少ない規則にし、それぞれを評価している具体的なものに結びつけ、学生が AI の使用を申告する標準の場所を 1 つ名指し、執行の経路を検出器のスコアではなく自分の目で見える証拠にしましょう。自分自身を説明する方針は、評価設計と伝達の仕事を同時にしています——だから、それを書くのに午後 1 つかかり、1 学期分の論争を省くのです。
このページは、1 つのモジュール、コース、プログラムの系列についてのコースレベルの文書を扱います。通貫する前提は、あなたが何を評価するかをすでに決めているということです。問いは、どうそれを言い、どうそれを定着させるかです。
コースの方針は今実際にどんな姿をしているか
131 の米国の R1 大学から 116 件の機関の GenAI 方針 と、そのうち 54 校から 98 件の計算機科学のシラバス を対象とした内容分析では、機関は概ね利用推進側で——63% が GenAI の利用を奨励、41% が詳細な教室での指針を提供、27% が非推奨——一方、シラバスの半数（50%）が完全に禁止 し、41% が指定された活動での部分的な利用を許可、7% が奨励を伝えていました。Ganguly et al. (2026) はこれをトップダウン対ボトムアップのギャップと呼んでいます。92% のシラバスは明示的な指針を与えていますが、教員は機関の指針と整合しないかもしれないローカルな規則を書いており、両方の水準が検出可能だったのは 47 機関だけでした。引用は両方の水準が一致する唯一のことで、83% のシラバスが求めています。あなたのローカルな規則こそ、学生が最初に出会うものです。そして機関より厳しいのは普通です——しかし、それはあなたが 1 人で引き受ける約束です。
Chirikov (2026) は、テキサスの大きな公立研究大学で 2021 年から 2025 年にかけて 31,000 を超えるシラバスを追跡しました。規制は ChatGPT 以前はゼロ近くから、2025 年秋までには 55% のコースに増え、完全に制限的な方針の割合は年およそ 5 ポイントずつ下がりました。2025 年秋までに、教員は最もよく起草と改訂（79%）、そして推論と 問題解決（65%）を制限し、最もよく編集と校正（83%）、学習支援と統合（80%）、コーディング（75%）を許可していました。発想は最も争われた利用で（46% が許可、54% が制限）、学問的正直性への言及は 63% から 49% に減り、一方、AI の学習への影響への言及は 1% から 29% に、出典表示の要件は 16% から 43% に増えました。教員は「不正をするな」という言葉遣いから、「なぜこの境界があなたの学習を守るか」という言葉遣いへと移行しています。
Nash and Burriss (2026) は、英語言語芸術の教員養成課程の学生が書いた 27 件の教室 AI 方針を分析しました。27 件のうち 26 件が何らかの AI の利用を許可 し、ほぼ常に教員が指定した条件、時間、場所で、1 件だけが完全に禁止していました。発想は最も広く許可された利用（27 件のうち 22 件）で、最も曖昧なものでした。22 件が文、段落、論文の AI による作成を認めないか不明確にし、16 件が文法チェックと校正を許可しながら 16 件が大規模な AI 生成テキストの作成を禁止し、27 件のうち 22 件が読むことにはまったく触れていませんでした。繰り返される失敗は運用化でした。ある方針は AI を「考え始めるため」に使うことを許し、「ここで線を引くべきだ」と宣言しながら、どこなのかを言いませんでした。その曖昧さは欠陥であり、妥協ではありません——学生に守らせず、あなたに一貫した基準を適用させないからです。
何を書き、どこに置くか
哲学からではなく、課題から始めましょう。最も明確な実践された方法は McCorkle (2025) です。彼は学生が自分たちに当てはまると信じなかった包括的な禁止を置き換えました。問題は不従順ではなく不整合でした。学生は自分たちが不正直に振る舞っているとは見なしていませんでした。方法は、学期プロジェクトのあらゆる課題を棚卸しし、それぞれについて「具体的に、私は何を評価しているのか？」と問い、各課題を妥当な専門的な GenAI の利用と対にし、能力を評価する必要性を労働力の能力を育てる価値と秤にかけながら、課題ごとに決めることでした。結果として生まれた方針は意図的に不均一です。ブレインストーミングは許可されるが、具体的で測定可能な学習目標の作成はされない、画像の選定は許可されるがスライドレベルのメッセージ設計はされない、スクリプトとナレーションは許可され AI 出力の評価が要求される。
シラバスには: 短い要約——課題、それぞれの許可された利用、開示の仕組み、境界を越えた場合の帰結。課題票には: 呼びかけです。複雑なプロジェクトには 1 つの要約は粗すぎます——McCorkle の文章が機能したのは、それぞれの制限を正当化する評価を名指し、学生に向けた 2 人称の根拠を与えたからです。授業内では: 規則を初めて適用される瞬間に 1 度口に出して言い、目の前の仕事に結びつけましょう——学生が 1 人で最初に出会う規則は、1 人で解釈される規則です。
開示の仕組みには、シラバスに独立した 1 段落を与える価値があります。ガイド付き探究を通じてコース方針を共同設計した学生は、学生と教員の訓練、標準化された開示手続き、より強い機関の支援、AI についての決定へのより大きな関与を優先しました（Hingle and Johri (2026)）。どうやって、どこで、どんな形で学生が AI の利用を申告するかを言い、それを一度だけ言いましょう。Pisan (2026) に相当する一手は、プロンプトのログを採点対象の成果物にすることでした。モデールが制作を担うとき、プロンプトとやり取りのログこそ、バージョン管理に値するものです。
執行できる規則だけを書く
課題ごとの監視を要求する規則や、評価がいつ「始まる」かについての判断を要する規則は、一貫せずに適用され、その一貫性のなさ自体が公平性の問題になります。検出器に基づく体制は、偏ってのしかかる監視のコストをもたらし、監督 とデータ保持の問題を提起します。Chirikov の、学部と課題による相当なばらつきという知見は、画一的な義務づけではなく、教員に自分の領域内で自律性を与える枠組みを支持します。
ここには 公平性 の次元があります。不透明な方針は、作者性、出典表示、学問的な仕事の規範についての共有された背景知識を前提とするので、それを欠いた状態で来る学生に最も重くのしかかります。McCorkle の論は、透明性がその隠れたカリキュラムの一部を解体し、方針の失敗が懲戒事項になる可能性を減らすというものです。これらすべての最も安いバージョンは、より少なくより具体的な規則です——評価する課題、それぞれの許可された利用、開示の仕組み、境界を越えた場合の帰結——各境界の理由を述べて。
学生が従うように言うには
開示の規則は、それ自体ではコンプライアンスの仕組みとして機能しません。そう仮定するのが最もよくある設計上の誤りです。409 人の学部生を対象とした混合研究法の研究で、Qu and Wang (2026) は、非開示が道徳的な怠慢ではなく、感じられた仲間の規範と教員への解釈的な 信頼 の低さへの戦略的な適応 であることを見出しました。感じられた仲間の開示と教員への安心感が学生自身の開示の最も強い予測因子で、一方、道徳的な離反はより弱い効果しかありませんでした。関係的な風土は設計可能な変数であり、命令だけでは不十分です。学生が信じる仲間の行動と、あなたが開示を公正に読むかどうかへの信頼が、あなたの言葉遣いの厳しさよりも、学生の正直さをよく予測します。
Kim et al. (2026) は、コースの実際の方針が宿る 5 つの異なる場——教員の意図、正式な方針、学生の解釈、学生の自己方針、学生の実践——を特定し、それらの間の体系的なギャップと、学術的な作文での AI の利用を正当化するのに学生が使った 6 クラスに分類される 23 の合理化 を、「人間の被害者はいない」から「教員の無関心」まで特定しました。それらの合理化は場当たり的で事後的なものでした。学生はすでに起きた振る舞いを説明しており、事前に推論していたのではありません。だから、より明確な言葉遣いとより厳しい検出だけではギャップは閉じません。厳格な AI 禁止の規則に従いたかったある参加者は AI を使い続け、その禁止は「わたしにとって衝突を生んでいます。規則を破っているからです」と報告しました——その禁止は利用を防ぐのではなく、道徳的な衝突を強めました。規則がコンプライアンスなしに罪悪感を生むなら、それは仕事をしていません。開示に必要な関係を蝕んでいます。
あなたが見せるものに注意しましょう。Pisan のコースのほとんどの課題が、それらを生成するために使われたプロンプトを開示していたため、ある学生は透明性を許可として読みました。「教員が採点と課題の作成において AI に依存していたことも、課題で同じように AI を使わないことを難しくしました。」規範を手本で示すことは、シラバスが何と言おうと、学生が経験する方針の一部です。
適応できる模範文です。
このコースにおける AI の利用。 私はあなたに、このコースを出るときに X を自分でできるようになってほしいので、X を直接評価します。あなたは [許可された利用] を [課題リスト] で使ってもよいですが、[制限された利用] には使えません。それらは私が採点しているものだからです。仕事のどこかで AI を使ったら、[名指しされた 1 つの場所——例えば各提出物の開示欄] で、何に使ったかを教え、プロンプトを貼ってください。申告は決して成績を下げません。申告しないと下がります。ある利用が許されるか確信が持てないなら、提出した後ではなく、提出する前に私に尋ねてください。
その最後の文は、決定のポイントを仕事より前に移します。
衝突を生む 4 つの会話
AI を使って言わなかった学生。 これを人格の問題ではなく、プロセスの問題として扱いましょう。Mohamed and Temimi (2026) は、評価を不完全な情報の問題としてモデル化しています。学生は仕事がどう作られたかを知っており、機関は成果物と部分的な痕跡だけを見ます。彼らの応答領域モデルは 3 つの応答——AI を使わない、開示された 利用、隠された利用——を比較し、どのメカニズムがそれぞれを最も魅力的にするかを問います。禁止は正式な境界を定義しますが、学生が検出を弱いと感じるとき、隠された利用を魅力的なままにします。監視は開示を増やすことなく、隠された利用の期待コストを上げます。学生は透明になることなく、用心深くなるだけです。開示を伴う許可は、正直さのコストが低いときだけ、正直な報告を実行可能にします。実践的には、その仕事が評価するはずだったものを尋ね、学生に自分のプロセスの説明を求め、遅れた申告を自白ではなく情報として扱いましょう。
何にでも AI を引用する学生。 これはたいてい、コンプライアンスの衣装を着た技能のギャップです。シラバスでの出典表示の要件は 16% から 43% に増え、一方、学問的正直性への言及は 63% から 49% に減りました——この分野は自白ではなく引用を求めています。形式を 1 度、1 か所、シラバスの脚注ではなく課題票で指定しましょう。あなたの学問で十分な出典表示とされるものを述べ、実例を 1 つ示しましょう。本当の問題が、学生がまだモデールなしでは根底の仕事ができないということであるところでは、答えは課題の設計であり、規則ではありません。
グループワーク。 グループ課題は、5 つの方針の場が最も速く分岐する場所です。5 人の学生が 1 つの文について 5 つの異なる解釈を持ちえ、採点される提出物は 1 つだけです。各グループの成果物について、AI の利用が許可されるか、誰が申告するか、そして 1 人のメンバーが規則の外に出たときにどうなるかを決めて公表しましょう——議論の最中ではなく、プロジェクトが始まる前に。あるメンバーが説明責任を負う個人の貢献を言えないなら、事後に作者性を裁定するより、課題をグループのみの仕事として採点しましょう。
検証できない開示。 いくつかの申告は不完全で、いくつかの省略は反証できません。達成できない解決をめぐって規則を作らないようにしましょう。Bassett et al. (2026) は、方針の言葉遣いに直接関わる 3 つの根拠から、AI 検出は教育でまったく使われるべきでないと論じています。検出器の出力は独立に検証できない確率的推定です。現実の文章の出自は不明なので、検証は循環論法で行われます。検出器のスコアは、integrity の調査が要求する「推定無罪（balance of probabilities）」の基準を満たしません。そして人間対 AI の二分法は、AI とともに作られたのではなく によって作られた仕事には無意味です。彼らの結論は、検出は「学問的な正直性を守らない。それを損なう」というものです。彼らは起草の問題も指摘しています。「評価において」AI の利用を制限する規則は、評価がいつ始まるかを特定しないので、AI 支援による調査、計画、編集が違反になるかどうかは、読む人によって変わります。代わりに、あなたが観察できるプロセスの証拠に名前を付けましょう——提出されたプロンプトとやり取りのログ、教室内で作られた演習、口頭による説明——そして、申告された AI の利用を文脈として扱いましょう。あなたの機関がそれでも検出器を使うところでは、同じ著者らの、学生の仕事のデータ保存、保持、商業的利用についての警告が当てはまります。養成課程の教員 2 人が提起した プライバシー の異議は、あなたの学生が提起する異議です。
「でも……」——あなたが耳にする 3 つの反論
「学生はそれを隠すだけです。」 隠す者もいます。そして設計上の問いは、あなたの規則がどの学生を誘惑するかです。抑止は検出器の生捕率ではなく、隠された利用と正当な仕事の間の識別を通じて働くので、感度を上げて新たな真陽性より新たな偽陽性を多く生むとき、監視を強めることは隠蔽を相対的により魅力的にしうます——正直な学生は、隠れた利用者より速く罰せられます。そして許可と開示は別の梃子です。許可は許容される利用の境界を動かし、開示は可視性を変えます。あなたの課題が、最も隠したくなる学生を最も強く引いている場所を診断し、最も良心的な学生ではなく、その学生に向けて設計しましょう。
「検出できないツールを禁止したくありません。」 する必要はありません。禁止は、監視、開示を伴う許可された利用、そして再設計と並ぶ 4 つの設計上の応答の 1 つにすぎません。再設計は課題が報酬を与えるものを変え、ルーブリックが主に最終成果物を採点し続けるなら表面的なままです。Pisan (2026) は、選択肢を明示し、水準別に卒業させた形で示しています。入門プログラミング・コースでは AI の利用が禁じられます。最初のループを外部委託すると、教えられているものが取り除かれるからです。データ構造のプロジェクトでは奨励され（Copilot は許可）、紙と鉛筆の試験からは禁じられます。上級のシステム・コースでは学習と復習の助けとなります。そして AI のコース自体では必須となります。そこで最も重みを担った 1 つの境界は、モデールはコードを書いてよいが、振り返りは学生自身の声でなければならない、というものでした。評価は、モデールが静かに代筆できない仕事の上に移され、試験は完全に撤廃されました。
「私の機関の方針がすでにこれをカバーしています。」 思っているほどではありません。トップダウン対ボトムアップのギャップは両方向に走ります。92% のシラバスは明示的な指針を与えながらローカルな規則は機関の指針から drift し、両方の水準が検出可能だったのは 47 機関だけでした。調達、データ、検討のサイクルは 機関 AI 方針をどう書き、どう実施するか？ に属しますが、教室への翻訳はあなたのものです。Nash and Burriss は、機関は教員が採用するだけでなく抵抗できるよう装備しなければならないと結論しています。特定の AI の利用を、時代遅れと枠づけされることなく断ることができる 専門職能開発 と指針を提供することで——参加者らの技術決定論は、彼ら自身の 教育的 な確約と矛盾していました。機関の方針を持つことは、あなたの判断の受け皿を持つことと同じではありません。
最初の 1 週間：行動リスト
- 採点される課題を棚卸しし、AI について何かを決める前に、それぞれについて「具体的に、私は何を評価しているのか？」と問います。
- 課題ごとに決め、その決定が隠したくなる生徒を最も魅力的にする応答はどれかを確かめます。
- 検出器を執行の仕組みにしないでください。代わりに観察できるプロセスの証拠に名前を付けます——ログ、教室での仕事、口頭での確認。
- 学生が AI の利用をどこでどう申告するかを、1 つの標準的な場所で言い、申告を自白ではなく文脈として扱います。
- 各規則を、それが仕える評価を名指しつつ根拠として述べ、複雑なプロジェクトでは注意を促します。
- 採点サイクル全体で一貫して適用できる規則だけを書き、できないものは切り落とします。
次に行くべき場所
ガバナンス、データ方針、調達、検討のサイクルは 機関 AI 方針をどう書き、どう実施するか？ に、義務づけられた機関と地区の規則は 教育におけるAI政策 と AIガバナンス に、成績がなお防御可能な推論を支えるように課題そのものを作り直すことは 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？ に属します。