AIチューターを入れた学校は何で成果を示すのか

どんな問題か

AnthropicやOpenAIをはじめとするAIラボが、教育者・生徒向けツールを無料または大幅な割引で提供している。6兆ドル規模と推計される教育市場に価格で入り込むやり方だ(Financial Times)。

価格がほぼゼロなら導入の判断は簡単だ。難しいのはその先である。一学期が終わると誰かが聞く。それで生徒は何ができるようになったのか。学校が出せる資料は対話ログと利用統計だけだ。何人が何回使ったかはわかるが、それが学習なのか代筆なのかはログからは区別できない。

教師の側はもっと妙な状況にある。提出物の質は確かに上がった。ところが同じ生徒に似た問題をその場で解かせると、提出物と食い違う結果が出ることがある。この差は今のところ教師個人の感覚だけが捉えていて、記録として残す手段がない。

既存の学習分析製品はこの問題の一世代前に立っている。ログイン回数、滞在時間、提出率。どれもAIがワークフローに入る前の指標だ。生徒がモデルと40分話して5分で課題を出した状況で、滞在時間は何も語らない。

なぜ今か

無料配布がつくった時間割がある。無料・割引プログラムは学期や学年で区切られることが多く、切れる時点で更新の会議が開かれる。その会議で必要なのは利用量ではなく成果なのに、その資料をつくる製品が市場にない。

技術条件も揃った。学校や塾はすでにLMSに課題・成績・出欠を持ち、AIツールは対話ログを残す。どちらもAPIで取り出せる。足りないのはデータではなく、両者をつないで判定するレイヤーだ。

政策の向きも同じ方向を指している。若年層のAIアクセスを塞ぐより安全に開く方向へ議論が移っており(OpenAI)、開く判断には必ず結果報告がついてくる。一方で子どもたちがAIを当然の道具として受け入れているわけでもなく、使い方は生徒ごとに大きく割れる(WIRED)。平均利用量でまとめると何も見えないということだ。

どう作るか

肝は新しいデータを集めることではなく、すでにある二つの流れをつなぐことにある。

flowchart LR
    A[AIチューター対話ログ] --> C[概念タグ付け]
    B[LMS課題・成績] --> C
    C --> D[補助なし確認問題の自動生成]
    D --> E[生徒ごとの概念習得判定]
    E --> F[更新会議用レポート]

MVPは狭く取るのが正しい。一科目、一学期、概念は20前後まで。対話ログから生徒がどの概念でつまずいたかをタグ付けし、その概念についてツールなしで解く短い確認問題を自動生成する。助けを借りた概念と一人で解けた概念の差が、そのままレポートの本文になる。

技術スタックは平凡でいい。LMS連携はLTIと各ベンダーAPI、概念タグ付けは小型モデルで足りる。難所はモデルではなく、概念マップを誰がつくるかだ。初期は教師と手作業でつくり、学校が増えればそのマップ自体が参入障壁になる。

成功の条件

最初の仮説は、更新会議で本当にこの資料が要るのかという点だ。学校三校の担当者に前学期の会議で何を出したか聞けば、一週間で確かめられる。

二つ目は、教師がこのレポートを監視の道具と受け取らないかどうか。生徒別の点数表に見えた瞬間、導入は止まる。概念単位でクラス全体の穴を見せる形から始め、個人別の判定は教師が求めたときだけ開くほうが安全だ。