FAQ
教育者はAIで何を避けるべきか？
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。
教育におけるAIについての助言の大半は、何を試すべきかという形で書かれています。このページが集めるのは、根拠がやめるべきだと言っている実践であり、それをやめなければならない役割ごとに並べています。誤った信念は別のページが扱います。誤解についてのFAQがそれを担い、AIに関する誤概念の概念ページがなぜそれらが残るのかを説明しています。研究がまだ答えられないことはAIEd研究の限界が扱います。ここで扱うのは信念の次の段階です。人々が実際に何をし、それが何を犠牲にし、代わりに何をすべきかです。
三つの失敗が、どの役割にも繰り返し現れます。
- 代替。 学習者が行うはずだった思考をツールが行い、その出力が学習者自身の成果として評定されます。提出された小論文が記録しているのは、モデルに何ができるかであって、学生に何ができるかではありません。
- 労せず得た証拠。 自信、流暢さ、エンゲージメント、完了率のように集めやすい信号が、それが示せない何かの証明として扱われます。ダッシュボードは個別指導で40分過ごしたと報告できますが、その人が二次方程式を学んだかどうかは報告できません。
- 構造を訓示に委ねること。 警告、方針の一文、研修1回に、インターフェース設計、評価設計、ガバナンスが担うべき仕事を任せます。シラバスには「責任あるAI利用を」と書いてあり、それでもチューターは最初のプロンプトで完成した答えを差し出します。
短いまとめ
1. 出力を、それを生み出した能力の根拠として評定したり、引用したり、宣伝したりしない。
2. 支援なしの測定を、支援ありの測定と並べて毎回集める。
3. 流暢さ、自信、エンゲージメントは利用の特徴として扱い、学習として扱わない。
4. 安全策は警告ではなく、ワークフローの中に置く。
5. ツールが見られるデータは、保持され、結合され、漏えいすると想定する。
6. 主張にデモはあっても比較がなければ、それはマーケティングである。
教員に向けて
出力を能力として認定しない。 磨かれた提出物は、磨かれた提出物であることの証拠にすぎません。学生が文献レビューを提出し、その出典を授業で扱ったどの内容とも照合できず、さらにその評価が、その学生が支援なしで何をできるかを区別できないなら、評価は資格が保証していると称するものを測ることをやめています（評価の妥当性、真正な評価）。直すべきは課題の再設計であり、より厳しい倫理規定では直りません。
検出器のスコアを不正行為の証明にしない。 公表された642本の要旨を対象とした統制研究では、検出器はガイドラインに沿った軽いAI編集の38–80%と、未改変の人間の文章の9–15%を検出した一方、人間化サービスを通した書き直しは4%未満しか捕まえられませんでした（Karr ほか, 2026）。独立したベンチマークでは、14の商用ツールのどれも80%の精度に届かず、単純な言い換えだけでその水準も半減します（Teichmann ほか, 2026）。現実的な基準率では、偽陽性が真陽性を上回ります（AI検出ツールを使うべきですか?）。検出器は会話を始めることはできますが、終わらせることはできません。
再設計していない評価にAIを足さない。 支援なしの遂行のために設計された課題にツールを後付けすると、損失を隠す、まさにその点数インフレが生じます。宿題は上がり、試験は下がる。評定するすべての課題について、支援なしの版が何を示すかを問い、まず課題を直してください（AI の誤用を減らす）。持ち帰りの問題演習と授業内クイズが同じ技能を測っているなら、学生を測っているのは片方だけです。
エンゲージメントを学習として扱わない。 課題に費やした時間、満足度、援助要請の回数、チャットの活動量は、いずれも計測が容易で、いずれも学習がまったくない状態と両立します。LLM支援プラットフォームで民事事件を判断する3×2の実験（参加者186人）では、誤ったAIの立場への切り替えを42–60.5%から5.7–8.2%に減らすガードレールが、セッション内に測定可能な学習効果を生みませんでした（β = 0.03、p = 0.18、Tuo ほか, 2026）。行動は変わり、学習の測定値は動きませんでした（学生の関与）。
インターフェースが制約できる場面で警告に頼らない。 完成した答えを出せるチューターは、締切の圧力の下ではそれを出します。シラバスに何と書いてあっても同じです。効くガードレールはやり取りに組み込まれたものです（AI の誤用を減らす、教授法的安全性）。最初の2回の試行で最終解答を保留するのは設計上の決定です。学生に「答えを求めないでください」と頼むのは、お願いごとです。
学生の作業、個別教育計画（IEP）、懲戒記録、個人が特定できる草稿を消費者向けツールに貼り付けない。 データ最小化は、あなたが意識していようといまいと、学生に代わってあなたが下している設計上の決定です（プライバシー）。ある学生の行動支援計画について答える無料のチャットボットアカウントは、その計画を他人のサーバーにも複製していることになります。
学習者に向けて
練習するはずの部分を引き渡さない。 課題が五段落の小論文だとします。あなたはプロンプトをチャットボットに貼り付け、返ってきた草稿を受け取り、提出します。提出したものは、モデルに何ができるかの記録です。問題は、どの認知的な作業が移るかであって、AIをどれだけ使うかではありません。宿題を外注すると宿題の点数は上がり、持ち込みなしの試験の点数は下がります。26,811人の中学生を30か月追跡した研究では、6か月の間に宿題の点数が18%上昇し、試験の点数が20%下落しました（Strömberg, Lei and Wu, 2026）。検索可能な知識を築く練習が、ツールへ渡ったのです（AI の誤用を減らす）。演習そのものが目的なら、ツールがその演習を代わりにすることはできません。
流暢さを正確さとして読まない。 流暢な文章は、内容が真かどうかに関わらず言語モデルの出力であり、それを説得力のあるものにする機序は、それを誤りにする機序と同じです（ハルシネーション・リスク）。段落の調子ではなく、その具体的な主張を検証してください。この習慣はほとんど自然には身につきません。AIの要約を渡された米国の成人900人のパネルでは、読者がその中で引用された出典をたどったのは閲覧の1%でした（Jaidka and Cai, 2026）。課題が三つの出典を求めているなら、三つとも開いてください。
同意をフィードバックとして受け入れない。 モデルは人間よりはるかに多くを肯定します。11のモデルを通じて、AIの応答は人間の応答より49%多く利用者を肯定し、その過剰分がやり取りを支えられているように感じさせます（Potel and Kumashiro, 2026）。決して反対しないチューターは、あなたが求めていた修正の信号を取り除いています（AIのごすり性（AI Sycophancy））。賛同ではなく反論を求めてください。「この論証のどこが間違っているか、懐疑的な人は何と言うか」。
行き詰まったときに、問いを答えと交換しない。 飛ばした生産的な苦労が学習です。答えを引き出す援助要請と、ヒントを引き出す援助要請は別の行動です（援助要請、望ましい困難）。完成した答えを保留するツールを使い、解決策ではなく次の一歩を求めてください。
より良い応答を得るために、個人情報、健康情報、家族の情報をツールに貼り付けない。 ツールにはそれを忘れる義務がなく、プライバシーのコストは答えの質には現れません（プライバシー）。より良いプロンプトに、あなたの診断名、住所、家族の名前は要りません。
保護者と家族に向けて
ツールと一緒に宿題をやらない。また、隣でやらせない。 データに現れるパターンは、隠れたコストを伴う点数のインフレです。同じ30か月のパネル調査で、宿題の点数は18%上がり、持ち込みなしの試験の点数は20%下がりました（Strömberg, Lei and Wu, 2026）。満点の宿題を持ち帰りながら単元テストで不合格になる子どもは、この差をそのまま見せています。あなたが確認できるのは過程です。子どもはその手順を説明できるか、紙の上で一問やり直せるか、どこが不確かだったかを言えるか。できなければ、その課題はツールがやったのです。
チャットボットを心の相談相手にしない。 追従的なシステムは人よりはるかに多くを肯定します。11のモデルを通じてその差は49%に達し、この肯定が、話していて安全だと感じさせるのです（Potel and Kumashiro, 2026）。しかし大規模な縦断研究では、利用者は個人的な助言を求めて、親しい友人や家族とほぼ同じ頻度で追従的なAIに頼り、実際の関係における満足度は低くなりました（Sycophantic AI makes human interaction feel more effortful and less satisfying over time）。苦しみをいつも同意するモデルに持ち込む子どもは、聞かれているのではなく、映されているのです。子どもが友情や喪失についてチャットボットと話しているなら、それは、ほかに誰に話したのかを尋ねるべき瞬間です。
生成的なチャットボットを幼い子どもに渡し、同室にいるから監督下だと呼ぶのはやめる。 年齢別の指針は具体的です。9歳から12歳には足場かけされた非生成的な活動、13歳以上には倫理的推論を伴う監督下の生成的な利用です（13歳未満の子供とのAIに保護者と教師はどう向き合うべきでしょうか？）。最も幼い子どものリスクは信念にあります。前操作期の子どもは生成された内容を真実として受け入れ、システムは与えるフィードバックにおいて発達的に較正されていません。大人の共利用とは、その玩具がいま何をしたのかを尋ねることです。戸口から眺めることではありません（幼児教育）。
学校が選んだからといって、学校のツールが子どものデータを守ると想定しない。 何が保持され、どのくらいの期間か、何かを訓練するのか、ほかに誰が見るのかを尋ねてください（プライバシー）。意識は接触からは生まれません。生徒が自分の記録された行動をライブで投影される授業を受けた1か月後、47人の生徒のうち66%が、依然として最も保護の弱いチャットボット設定を選んでいました（Bergdahl, 2026）。質問は書面で学校に渡し、答えも書面で求めてください。
検出器の結果を、子どもを責めるために、あるいは学校からの告発を裏づけるために使わない。 公表された642本の要旨を対象とした統制研究では、検出器は未改変の人間の文章の9–15%を検出し、人間化されたAIの書き直しは4%未満しか捕まえませんでした（Karr ほか, 2026）。現実的な基準率では、偽陽性が真陽性を上回ります（AIの検知）。フラグは、草稿の履歴を求める理由、話し合う理由として扱い、所見として扱わないでください。
ツールを禁止することが安全な選択だと結論づけない。 信頼の不足も、それ自体のコスト、つまり失われる能力を伴う較正の失敗であり、重要な技能は回避ではなく、釣り合った自信です（信頼の較正（Trust Calibration））。保護者にとって有用な手は、研究が学生に対して支持しているものと同じです。検証の段階を要求し、疲れた子どもが実際にやる程度に安くするのです（学生にAIの出力を検証する方法をどう教えればよいでしょうか？）。チャットボットが使った出典を見せてもらうのは1分で済みます。チャットボットを禁止すると、練習そのものが失われます。
コンテンツフィルターを安全と取り違えない。 フィルターが扱うのは、システムが何を言うかです。やり取りが学習者に何をするかは扱いません。侵食された練習、追従的な同意、むらのある拒否です（教授法的安全性）。
教育開発・ファカルティ開発の担当者に向けて
ツールの研修を行って、それをAIリテラシーと呼ぶのはやめる。 プロンプトについてのセッションは、製品のインターフェースを教えます。AIリテラシーは、ツールをいつ使うべきか、それが何をしているか、何を検証すべきかを判断する能力です。ボタンだけを学び、判断を学ばない教員は、自信だけを持って、較正を持たずに去ります（教師の AI リテラシー）。全員が授業計画を生成できるようになっても、誰もその計画を使うべきでない場面を言えないまま終わるワークショップは、インターフェースを教えたのです。
1回限りの専門職開発を行って、実践が変わることを期待しない。 専門職学習についての根拠は、期間とフォローアップについて一貫しています。単発の催しは自己報告の自信を動かし、教室の行動を動かすことはまれで、その自信の伸びが変化の不在を覆い隠すことがあります（教育開発）。8月の2時間の研修に、10月のフォローアップがなければ、それは自信への介入です。
自分が残していく評価の仕組みを無視しない。 教員があなたが教えた実践を採用するのは、彼らが従う評価がそれを罰しない場合だけです。AIに強い課題設計についてのワークショップが、変わらない試験の体制の隣で行われるなら、それは研修が飾りであることを教員に教えています。
自分が警告している無批判な利用を、自分で見本にしない。 検証の段階なしに、教員の前で授業計画を生成してツールを示すことは、出力が成果物だと聴衆に教えます。目の前で生成し、そのあとで検証が必要な二つの主張に印を付けてください。
ベンダーのデモを有効性の根拠として受け入れない。 あなたが評価している主張は学習についてのものであり、デモが示すのは能力です。支援なしの成果、サブグループの結果、マルチターンの安全性テストを求めてください（教育 AI が正しく機能していると、どうすれば分かるか——高得点を取っているだけではないと？）。
教育ソフトウェア開発者に向けて
記録しやすい指標を最適化しない。 セッションの長さ、メッセージ数、満足度の評定は、ほとんどどんな変更でも改善します。学習はしばしば改善しません。ガードレールを出荷するのと同じチームが、やり取りの量に報いるダッシュボードを出荷でき、二つは逆を指します（ラーニングアナリティクス、学生の関与）。成功指標がセッションあたりのメッセージ数なら、あなたが作ったのは、チャットにとどまる学生に報いる製品です。
構成概念に対する検証研究なしに検出器を出荷しない。 15のEEGモデルのベンチマークは、層別交差検証でF1 0.9853に達しました。試行の境界を守る試行独立のGroup K-Foldでは、ピークは0.6038まで下がり、これは25%のチャンスレベルとの比較です（Nanayakkara and Halloluwa, 2026）。笑顔検出器は、人間の評定者にある文脈を欠くために、観察者が評定した共感に対して負の相関を示すことがあります（評価の妥当性、センサーと視線分析）。見出しの数字とともに、検証プロトコルを公開してください。
同意と明示された目的なしに、顔や身体から感情、注意、「エンゲージメント」を推論しない。 マルチターンのリスクはシングルターンのリスクではありません。ある教育安全のレビューでは、失敗率がシングルターン評価の17.7%からマルチターンの77.8%へ上がりました（Hazra ほか, 2026）。孤立したプロンプトで認定されたシステムは、学生が実際にはしないやり取りで認定されているのです（教授法的安全性、プライバシー）。
受け渡しを隠さない。 チューターが生成しているのか検索しているのか、あるいはいつ人間がループに入るのかを学生が見分けられなければ、その信頼を較正できません。自動化バイアスは、システムが正しく、人間が確認をやめたときに最もきれいに働きます（信頼の較正（Trust Calibration））。人がその作業を読むのかどうかを、インターフェースに書いてください。
ベンチマークのために設計して、教室を主張しない。 ベンチマークの性能はベンチマークの性質です。テストした利用条件、母集団、課題を報告してください。そうしなければ、その数字は別の設定についての約束として読まれます（AIEd研究の限界）。
ツールを唯一の援助経路にしない。 学生のフィードバックへのアクセスが、モデルの可用性、割当、ライセンスに依存するなら、公平性の問いはすでに調達によって決まっています（公平性）。
教育機関の管理者に向けて
能力の主張を成果の根拠として買わない。 ベンダーは製品を実演できますが、学習を実演できるのは評価だけです。支援なしの成果、サブグループの結果、離脱率、そしてパイロットが終わったあとの計画を要求してください（教育 AI が正しく機能していると、どうすれば分かるか——高得点を取っているだけではないと？、教育者はAI関連の介入を評価するために、どのような測定方法や研究方法を用いることができるでしょうか。）。デモはチューターが一問解くところを見せます。学生が次の一問を解くところは見せません。
利用可能だからという理由で監視を導入しない。 試験監督システムは、顔画像、身分証明書、360度のスイープを含む室内の走査、マイクの音声を取得します。80件の研究のレビューでは、倫理的な問題をまったく扱っていたのは25%だけ、データセットを公開していなかったのは35%、再現できなかったのは30%でした（Malhotra and Chhabra, 2026）。コストは学生に落ち、根拠基盤は契約が示唆するより薄いのです（プライバシー、リモート監督付き試験）。
禁止だけの方針を書いて、それをガバナンスと呼ぶのはやめる。 評価の再設計も、支援も、異議申立ての経路もない禁止は、行動を防ぐのではなく移し、誤った告発に異議を唱える力が最も弱い学生を罰します。方針は評定者も覆わなければなりません。日常的な採点の流れに対するレッドチーム試験では、提出物に隠された五つのプロンプトインジェクション戦略のうち二つが、ファイル形式をまたいで100%と94%の成功率で、不合格の小論文を合格に動かしました（Humble, 2026）。学生を縛って採点の流れを縛らない方針は、半分の方針です。
採用を改善と同一視しない。 利用、満足度、完了を報告するダッシュボードは、学習の測定値が横ばいのままでも成功に見えます。どの成果が出たら契約を解除するかを、あらかじめ決めてください（AI教育の評価（AI Ed Evaluation））。その数字を、パイロットが始まる前に書き留めてください。
アクセシビリティを個別の配慮申請として届かせない。 神経多様性のある学生向けのデジタル支援技術に関する40件の研究のスコーピングレビューでは、28件が正式な診断を参加の条件にしていました。診断で門番をするこのモデルは、ニーズがありながらラベルのないすべての学習者を排除します（Rempel ほか, 2026、アクセシビリティ、学びのユニバーサルデザイン（Universal Design for Learning））。
教育研究者に向けて
自己報告に因果的な主張を運ばせない。 自信、知覚された学習、満足度は成果ですが、大半の研究が測っていると述べている成果ではありません。共感の文献が最も明快な例です。共感を教えるつもりの分野が主に測っているのは安心感であり、17件の研究のレビューでは、共感そのものの根拠よりも自信の伸びのほうがはるかに一般的でした（Ismail and Zafira, 2026、自己報告尺度）。
デザインなしに効果を引用しない。 AIを用いた批判的思考に関する80件のHCI研究の批判的レビューでは、42件（52%）が対照群を置いていませんでした（A Critical Review of Critical Thinking in HCI Research About AI）。一つの機関の一つのコースの学生30人から出た見出しの効果は、脆弱な主張のよくある形です（AIEd研究の限界）。
モデルなしに異質性を報告しない。 同じデータが、固定効果モデルではI² = 82.98%、ランダム効果モデルではI² = 15.75%を生みます（The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis）。モデルを伴わないI²の引用は解釈できません（メタアナリシスと系統的レビュー）。
単一の文脈から一般化して、それを発見と呼ぶのはやめる。 一つのコース、一つの機関、一つのモデルの版、一つの言語。モデルの振る舞いはリリースごとに変わり、ある世代で訓練された検出器は次の世代で再現率を失います（教育分野のAIに関する研究文献には、どのような注目すべきギャップがあるでしょうか。、AIの検知）。
やり取りと成果の相関を機序として扱わない。 プロンプトの量は認知的オフローディングを測りません。量によるクラスタは認知的な作業の分布で差がなく、手作業で符号化した対話では、125の対話のうち49.6%でオフローディングがまったく見つかりませんでした（Piatnitckaia ほか, 2026、認知的オフローディング）。作業そのものを測ってください。
研究の前に書けたような限界の段落を公開しない。 具体的な脅威、具体的な件数、そしてそれが境界づける主張を名指ししてください。それによって限界は次の読者に使えるものになります（AIEd研究の解釈と応用）。
なぜこれらは一つにまとまるのか
上のすべての項目は、代理指標を評決へ格上げする事例です。小論文が書き手を代表し、スコアが不正行為を代表し、笑顔が共感を代表し、デモが学習を代表します。修正はいつも同じです。構成概念を名指しし、逆の結果も出うる測定を見つけ、それを便利な測定と並べて集めるのです。
これらの注意はどれも、ツールが常に間違っているという意味ではありません。検出器は学生と話す理由になりえます。チャットボットは有用な練習になりえます。ダッシュボードは問いを立てるきっかけになりえます。害は、代替にあります。
今週やること
- 評定する課題を一つ選び、ツールを閉じた状態でそれが何を示すかを書き留めてください。答えが「何も変わらない」なら、問題は課題のほうです。
- 現在は支援ありのパフォーマンスしか報告していないコースに、支援なしの測定を一つ加えてください。
- 所属機関の試験監督またはAIツールの契約を、保持、二次利用、漏えいの条項について読み、同意の文言がシステムが実際に取得するものを記述しているかを確かめてください。
- ベンダーに支援なしの成果とサブグループの結果を求めてください。答えがデモなら、それが答えです。
- 次の教員向けセッションでは、後半をプロンプトではなく評価の再設計に使ってください。
次に行くべき場所
- 教育におけるAIに関するよくある誤解にどう対処すればよいでしょうか？：これらの実践の背後にある信念と、見下さずにそれを正す方法。
- AIEd研究の限界：根拠基盤がまだ支えられないもの。
- AI の誤用を減らす：不正利用に対する構造的なてこと、なぜそれが訓示に勝るか。
- 教授法的安全性：チューターが、あらゆるコンテンツチェックを通り抜けながら学習者にできること。
- AI検出ツールを使うべきですか?：検出器の根拠の全体。
- 教育 AI が正しく機能していると、どうすれば分かるか——高得点を取っているだけではないと？：採用する前に主張をどう評価するか。