生成AIは学習を増やすのか / OECD Digital Education Outlook 2026 が突きつける教育AIガバナンスの論点雑感Ver2.0

0　はじめに

　生成AIが教育現場に入ってきた経路は、教科書採択でも学習指導要領でもない。多くの場合、まず無料の汎用ツールが手元に来るという消費者テックのルートである。制度が想定していた導入手続を迂回して普及する以上、教育行政・学校・保護者は後追いでルールを整備する局面になりやすい。しかも、生成AIは「答案が書ける」「要約ができる」という即効性をもつ。ゆえに、学習成果よりも目先の課題達成を押し上げやすい。ここに、教育政策とAIガバナンスが正面衝突する。

　OECDの『Digital Education Outlook 2026』は、この衝突を設計とガバナンスの問題として整理した。汎用ツールを解禁するか禁止するか、という二分法ではない。学習者の努力と注意、そして教員の主体性をどう制度的に維持するかが中心課題である、という問題設定である［1］。

　今回は、同報告書を手がかりに、教育AIの実証研究が示す論点と、法政策上の含意を整理する。

1　問題の所在　「成績」と「学び」は一致しない

　教育領域では、目的関数の置き方が少しズレるだけで、制度の帰結が大きく変わる。「短期の成績」や「提出物の出来」は測定しやすいが、「理解の定着」や「自力で問題を解く力」は測りにくい。生成AIは、この測定の歪みを増幅しうる。

　OECD報告書が興味深いのは、生成AIの効果を「効率化」と「学習支援」で切り分け、前者がしばしばショートカットとして働く点を繰り返し指摘していることである。学習者がAIの出力を受け取った瞬間に努力量が下がる。努力量が下がれば理解の深さも下がる。だが、提出物はそれなりに整ってしまう。この見かけの成功が制度にとって厄介である［1］。

2　実証が示す「ショートカット化」　Türkiyeのフィールド実験

　この点を最も露骨に示すのが、Türkiyeで行われたフィールド実験である。約1000人の高校生を対象としたランダム化比較試験で、Bastaniらは三つの群を比較した。GPT-4の標準インターフェースにアクセスできる群（GPT Base）、学習支援目的に設計されたチュータリング版を使う群（GPT Tutor）、そしてAIにアクセスしない群である［2］。

　練習問題の成績は、GPT Base群で48%、GPT Tutor群で127%向上した。ここまでは想像通りだろう。しかし、AIにアクセスできない閉鎖型の試験になると様相が変わる。GPT Base群は、AIに一度も触れなかった群より17%成績が悪化した。つまり、短期のパフォーマンスは上がるが、学習の自立性は損なわれる、という構図である［2］。

　この結果から、制度設計上、少なくとも三つの含意を引き出せる。第一に、生成AIの導入効果を短期の成績で評価すると誤る可能性が高い。第二に、汎用ツールをそのまま持ち込むと、学習者は「解けた」ではなく「出せた」を最大化しやすい。第三に、同じモデルでも、教育的な足場かけを組み込む設計により、少なくともショートカット化の程度を下げうる。GPT Tutor群では、AIがヒントを段階的に与える設計を採った結果、試験成績の悪化が観察されなかった点が示唆的である［2］。

3　教員側の生産性と専門職性　31%短縮の意味

　生成AIの教育利用を学習者側だけで語ると片手落ちになる。教員側でも、生成AIは「時間を返す」局面がある。

　イングランドの中等教育KS3理科に関するランダム化比較試験では、ChatGPTを効果的な使い方ガイドと併用した群において、授業・教材準備時間が約31%短縮された。週あたり81.5分が56.2分となり、25.3分の削減である。数字だけ見れば、慢性的な教員負担の緩和策として魅力的にみえる［3］［4］。

　しかし、ここでもガバナンスが問われる。教員の専門職性は、単に労働時間の長さではなく、教材の適否を判断し、学習活動を設計し、学級の状況に応じて即応する裁量に支えられる。生成AIが準備時間を短縮することは、裁量の余白を広げる可能性もあるが、逆にテンプレ化を加速し、授業の質を見えにくく劣化させる可能性もある。したがって、重要なのは時間が減ったという事実そのものより、何のために時間を減らし、何を人間の判断領域として残すか、という設計にある。

　さらに、OECDのTALIS 2024によれば、教師の37%がすでに仕事関連のタスクに生成AIを用いている。導入は「いつか来る未来」ではなく、すでに進行している現実である。現場が先に走る以上、制度は「禁止」よりも「条件付きの適正利用」をどう組むかが勝負所になる［5］。

4　専用化と「埋め込み」　Tutor CoPilotが示す方向

　汎用ツールをそのまま使うのではなく、教育プロセスに埋め込むという発想は、別の実証からも裏づけられる。

　Tutor CoPilotは、学習者に直接答えを渡すのではなく、チューターの応答をリアルタイムで支える人間―AI協働の支援システムである。K-12の数学指導を対象とした約1800人規模のランダム化比較試験では、Tutor CoPilotにアクセスできるチューターの学習者は、数学トピックの習得率が平均で4パーセントポイント向上した。とりわけ評価の低い経験の浅いチューターに限ると、9パーセントポイントの向上が観察された［6］。

　ここで面白いのは、AIが「教える主体」になるのではなく、人間の教え方を底上げする制度的補助線として働いている点である。教育は、成果を代替するよりも、過程を支えるほうが本筋に合う。生成AIの位置づけは、学習者にとっての相棒であると同時に、教員・指導者にとっての補助具でありうる。その両方を前提に設計する必要がある。

5　法政策雑感　教育AIガバナンスをどう置くか

　OECD報告書が繰り返す「設計とガバナンス」という言い回しは、法政策の言葉に翻訳すると、少なくとも次の論点群に分解できる。

　第一に、リスクの切り分けである。教育におけるAIは、採点、進路、試験監督など、個人の将来を左右する局面に入り込む。EUのAI規制では、教育・職業訓練領域の一定のAIシステムをハイリスクとして整理している。入学・配属の決定を支援するシステム、学習成果の評価、試験中の不正検知等がこれに含まれる［7］。

　日本でも、個人情報保護や公平性、説明責任を軸に、学校現場で押さえるべきポイントを明示するガイドラインが整備されている。重要なのは、同じ「生成AI」でも、授業準備のたたき台として使う場合と、個別最適化の学習支援として使う場合と、評価・選抜に組み込む場合と、監督・検知に用いる場合では、リスクが違うという当たり前を、制度側が形式知として持つことである［8］。

　第二に、データガバナンスである。教育データは未成年の情報を含み、本人同意の設計が難しい。しかも、生成AIは入力データだけでなく、生成物を通じて著作権やプライバシー侵害が起こりうる。文部科学省のガイドラインでは、利用規約の確認、情報セキュリティ、個人情報・著作権の保護を最初に押さえるべきポイントとして掲げている。これは、教育AIの議論が学力や効率だけでは済まないことを端的に示す［8］。

　第三に、アカウンタビリティの設計である。教育現場でAIを使うとき、責任主体が分散しやすい。教員、学校設置者、教育委員会、ベンダー、プラットフォーム提供者が、同じインシデントの異なる断面を握る。したがって、契約・調達段階で、目的、利用範囲、ログ、監査、事故時の情報共有を織り込む必要がある。これは、民事責任や行政上の説明責任の問題であると同時に、学校という制度の信頼の問題でもある［9］。

　第四に、評価の再設計である。Türkiyeの実験が示すとおり、AIありの練習で成績が上がっても、AIなしの試験で落ちることがある。評価が学習を規定する以上、生成AIの時代には、評価の設計を変えない限り、学習の誘因は変わらない。ここは法律の話というより制度設計の中核であるが、法政策は評価を技術要件としてではなく、権利・義務を伴う制度装置として捉える必要がある。

　なお、日本のAIガバナンスは、個別分野のガイドラインだけでなく、研究開発・活用の促進を掲げる基本法制や事業者向けガイドライン等が並走している。教育分野の現場ガイドと横断的な事業者ガイドを、どのレイヤーで接続するか、つまり誰が何を担保するかは、今後の制度運用上の論点である［9］［10］。

6　おわりに

　生成AIを教育に入れるときの難しさは、便利な道具を配ること自体ではなく、便利さが学習の本体を侵食しうる点にある。だからこそ、OECDが言うように、問いは「禁止か解禁か」ではなく、「学習者の努力と注意、教員の主体性をどう維持するか」である。

　教育AIガバナンスは、技術選定の問題ではない。制度の目的関数、すなわち何を成果と見なすかと、責任の接続、すなわち誰が何を説明できるかを設計する仕事である。生成AIが公共インフラ化するほど、この設計は遅れれば遅れるほど高くつく。逆にいえば、設計に成功すれば、AIはショートカットではなく、学びの補助線になりうる。