問いを一枚ずつ折っていく——生成AIを「思考の相棒」にして、探究とデータサイエンスをつなぐ
教室に増えた「探究」と、まだ足りない「検証の手触り」
いま、高等学校の現場では、「総合的な探究の時間」がこれまで以上に骨格の中心に近づいています。文部科学省の説明でも、変化の激しい社会に対応して探究的な見方・考え方を働かせ、横断的・総合的な学びを通じて課題解決や自己の生き方を考える力を育てる、と位置づけられています（総合的な学習（探究）の時間：文部科学省）。高等学校の学習指導要領では、総合的な探究の時間の目標や内容が定められており、解説資料では探究の過程として、実社会や実生活と自己との関わりから問いを見いだし、情報を集め、整理・分析し、まとめ・表現する力が求められる、と整理されています（高等学校学習指導要領（平成30年告示）解説 総合的な探究の時間編（PDF））。あわせて、すべての高校生が「情報I」を履修する流れのなかで、データの扱いやプログラミングに触れる機会も広がり、カリキュラムと社会の要請が同じ方向を向いている感覚が強まっています（全体像は、高等学校学習指導要領（令和４年３月告示）（PDF）で確認できます）。
社会の側から見ても、変動性・不確実性・複雑性・曖昧性が同時に立ちはだかる状況を、ときにVUCAと呼んで整理します。用語の由来や意味づけはさまざまですが、少なくとも「与えられた正解をなぞるだけでは足りない場面が増えた」という感覚は、現場の先生方にも生徒にも共有されやすいと思います（用語の整理としては、VUCA（Wikipedia）が手がかりになります）。
こうしたなかで求められているのは、検索して要約するだけでは届かない力です。誰も教科書に答えを書いていない問いを自分で立て、データを集め、解釈し、自分なりの結論に責任を持つ——その経験が、これからの学びの芯になります。一方で教室を覗くと、生徒は「Googleで調べてまとめる」ことには慣れていても、検証可能なサイズに問いを折りたたむ経験や、数字の背後にある比較の設計に慣れていないことがよくあります。教員側も、1クラス数十人が数十通りのテーマに分かれると、専門の幅と時間の両方が足りない、という切実な声が積み重なります。探究推進に課題を感じる教員の割合や、調べ学習で終わりやすさなどが調査で示されると、個人の努力だけでは説明しきれない構造の話としても共有されやすくなります（担当教員の9割、探究学習に「課題を感じる」（ReseEd））。
だからこそ話題になるのが、ChatGPTやGeminiのような生成AIです。ただし、ここで踏み外しやすいのは、「答えを印刷して提出する機械」として使ってしまうことです。私は別の記事でも、同じツールでも学びの質が分かれる話として、プロセスや検証の有無を重めに書いてきました（「解けた」で終わらないために——高校生の生成AI活用、実例から学ぶ効果的な指導）。また、ツール以前に、探究が「調べる」で止まりやすい力学や、校外との連携の現実感については、別稿で整理してきています（教育の未来が見えるか？日本のPBL・探求学習で「学校外との連携」はどこまで実現しているか）。本稿では、その延長線上で、生成AIを思考の相棒（壁打ち相手・メンター役）に据えたうえで、データサイエンスでおなじみのPPDACサイクルに沿って探究を進めるイメージを、できるだけ手触りが伝わるようにたどります。
「惜しい探究」と「よい探究」のあいだには、何があるのか
探究の成果物を見ていて、強い感心と小さな物足りなさが同時に立ち上がることがあります。スライドはきれいなのに、根拠の厚さが薄い。熱意は伝わるのに、比較が抜けている。こうした差は、才能の差というより、問いとデータと主張のつながり方の差として現れやすいです。国の場でも、探究に関する概念や学習プロセスの整理が進み、言葉の共通理解が得にくいことが課題として扱われています（文部科学省「生活、総合的な学習・探究の時間WG（第3回）資料」（PDF）、紹介記事として文部科学省、探究に関する概念や学習プロセスを整理した資料を公開（こどもとIT））。
たとえばテーマが壮大すぎると、高校生の手の届く一次データでは検証が難しく、結果としてネットの受け売りや感想に寄りがちです。「世界の貧困」や「地球温暖化」そのものを正面から扱うのではなく、地域や時系列、身近な指標に折りたたんで初めて、探究は地面に足がつきます。また、データを伴わない飛躍も典型です。「若者のテレビ離れが進んでいるから、地域PRにはTikTokが最適」という文は、一瞬もっともらしいのですが、その地域の若者が本当にどのメディアに時間を使っているのか、投稿が「魅力」に結びつくのかを測ったうえでの話なのかが抜けると、説得力は立ちません。さらに、最初から結論が決まっている確証バイアスは探究の大敵です。都合の良いデータだけを拾うのは、検証ではなく自分の意見の弁護に近づきます。
反対に、高く評価されやすい探究には、次のような温度感が重なっていることが多いです。問いが、自分たちの手で白黒をつけられるくらいに研がれている。背景から目的、方法、結果、考察、提言までが一本の線でつながっている。散布図で相関、棒グラフで比較、折れ線で推移のように、見せたい論点に合った可視化が選ばれている。ここまで読んで、「うちのクラスでも見たことがある」と感じる方は、すでに現場の物語を共有できているはずです。
PPDACは、思いつきを「設計」に変えるための地図
「惜しい探究」を「よい探究」へ寄せていくとき、いちばん効くのは気合いより設計だと私は考えています。その設計図のひとつが、データサイエンスの世界で広く使われるPPDACサイクルです。名前は覚えなくても構いません。大事なのは、問いを立て、計画し、データを取り、分析し、結論して、次の問いに戻るという往復を、意識的に回すことです。
具体的には、最初のP（Problem）で、何を解きたいのかを言語化します。次のP（Plan）で、どんなデータが必要か、どう集め、どう分析するかを決めます。D（Data）で実際に集め、A（Analysis）で表やグラフ、必要なら統計で読み解き、最後のC（Conclusion）で、問いに答えを返しつつ、次に何をすべきか、新しい問いは何かを受け取ります。この一周が回るほど、主観だけの物語から、説明責任のある探究へ近づいていきます。
部活のキーパーとAIで、一周だけ回してみる
ここからは、部活動のハンドボールでキーパーをしている生徒を想定し、身近なテーマでPPDACを一度まわしてみます。ポイントは、AIに答えを書かせないことです。代わりに、問いの候補、変数の洗い出し、解釈の視点、批判的な突っ込みを借りて、自分の頭で選び、記録し、判断する。情報やデータを扱う教科の文脈とも地続きです（高校数学の再編とAI教育——現場の負担と入試の壁を噛み砕く）。
まずProblemです。生徒は「キーパーとしてもっと止めたい」という熱は持っていても、探究の問いに落とすと途端に難しくなります。ここで生成AIを、ブレインストーミングの相手にします。制約条件をはっきり書くのがコツです。「高校生が数ヶ月で検証できる」「動画や記録からデータが取れる」といった柵を渡すと、提案の粒度が変わります。
次のようなプロンプトは、出発点の一例です。
あなたは優秀なデータサイエンティストであり、高校生の探究学習をサポートするメンターです。
私は高校のハンドボール部でキーパーをしています。試合でのセーブ率（シュートを止める確率）を上げるための研究をしたいと考えています。
漠然としているのですが、高校生が数ヶ月の期間で、実際の練習や試合の動画データなどを用いて検証可能な「探究のテーマ（問いと仮説）」のアイデアを5つ提案してください。壮大すぎるテーマは避け、具体的でデータが取りやすいものにしてください。
AIは、たとえば「シュート直前の目線とコースの関係」「前半と後半で失点コースに偏りはあるか」「7mスローでキーパーのフェイントがシューターの選択に与える影響」など、手が届きそうな切り口を並べてくれるでしょう。生徒はそのなかから「これなら自分たちの環境で記録できそうだ」と感じるテーマを選びます。ここで選ぶのはAIではなく、現場の自分たちです。同じ「相棒」でも、主体性が残る使い方と、丸投げの使い方は学びを分ける、という話は、研究や実践の紹介でも繰り返し語られています（同じAIを使うのに、なぜ「身につく子」と「身につかない子」がいるのか——研究と実践が教える、賢い使い方への道筋）。
続いてPlanです。テーマが「7mスローでのフェイントの効果」に決まったとします。ここが甘いと、後から「あの列も取っておけばよかった」と後悔が増えます。AIには、分析に必要な変数を洗い出させ、スプレッドシートの列設計まで依頼すると、教室での再現性が上がります。
テーマは「ペナルティスロー時、キーパーのフェイントはシューターのシュートコースにどう影響を与えるか」に決めました。
この仮説をデータで検証するためには、試合の動画からどのような項目（変数）を記録していく必要がありますか？ 必要なデータ項目をリストアップし、それをExcelに入力するための「列のヘッダー名（A列、B列…）」を設計してください。また、データ収集時に注意すべきバイアスがあれば教えてください。AIは、フェイントの有無だけでなく、利き手や点差、シュートコース、結果（セーブ、失点、枠外）など、後で層別分析に効く列を提案しやすいです。また、「練習試合だけだと互いの癖が効いて偏るかもしれない」といった注意も出やすく、ここは統計のセンスというより現実の泥臭さの話です。生徒は提案をそのまま信じるのではなく、自分たちの撮影環境や倫理（個人が特定されない記録方法）に合わせて列を増減します。
Dataに入ると、作業は一気に地味になります。設計したフォーマットに沿って、動画を見ながら記録を積み上げます。もしテーマがアンケート調査なら、生成AIに「誘導尋問にならない設問案」を出させてから、必ず教員や仲間と言葉を磨く、という順序が安全です。社会課題に寄せるなら、政府統計の総合窓口であるe-Stat（政府統計の総合窓口）や、地域経済分析システムのRESAS（リーサス）など、一次に近い情報源の存在をAIに聞いて整理させ、自分でサイトに行って確認する、という使い分けも有効です。AIは検索の下書き役になり得ますが、引用の最終責任は人間側に残ります。
Analysisでは、グラフを作り、集計表を読み、意味を言語化します。近年は、表や画像を読み込ませて要約や図示を手伝う機能もありますが、教育的には、まず生徒が自分の言葉で何が起きているかを言ってから、AIに突っ込みを入れてもらうほうが、思考の筋肉がつきます。
たとえば、次のような状況を想像してください。フェイントありのほうがセーブ率が低いように見えた、とします。ここで急いで「フェイントは逆効果」と結論づける前に、AIに反例の探し方を教えてもらいます。
（集計表の画像やデータを添付して）
ペナルティスロー50本分のデータを集計した結果、キーパーが「フェイントなし」の時のセーブ率は20%、「フェイントあり」の時はセーブ率が15%に下がってしまいました。
私は「フェイントは意味がない、むしろ逆効果だ」と考えましたが、この結論を急ぐ前に、データサイエンティストの視点から、他の要因が隠れていないか、さらに深掘りして分析すべきポイントを指摘してください。AIは、枠外ミスが増えていないか、利き手で層別すべきではないか、試合の緊張度が違うデータが混ざっていないか、といった次の切り口を返しやすいです。生徒はその提案を「宿題リスト」にして、自分で再集計し、グラフを描き直します。論理を読み、検証する力は、情報Iの文脈でも重視される方向に近いです（共通テストの「プログラミング問題」は、何を測っているのか——論理の重要性から位置づけを考える）。
最後はConclusionです。ここで落とし穴になりやすいのが、データから言える範囲を超えた論理の飛躍です。そこでAIに、意地の悪い審査員になってもらいます。厳しい指摘は、人格攻撃ではなく、思考の隙間を見つける作業として扱います。
私の探究の結論は以下の通りです。
「データ分析の結果、キーパーがフェイントを入れると、シューターの枠外ミスが10%増加することがわかった。よって、今後の試合ではすべてのペナルティスローにおいて、積極的にフェイントを入れるべきである」
あなたは非常に厳格な論理的思考を持つ審査員です。この私の結論と提言に対して、論理の飛躍、データ解釈の甘さ、考慮不足の点があれば、容赦なく厳しく指摘してください。AIは、「すべての」といった一般化の危うさ、読まれて効果が薄れる可能性、キーパー自身の体勢のデメリット、相関と因果の区別などを突きつけやすいです。生徒はそこで提言を言い換え、次のProblem（たとえばフェイントの種類や心理状態の細分化）へつなげます。探究が一周で終わらず、学びが続く形になります。
※プロンプトの例は、一般社団法人データサイエンティ スト協会 藤井健悟様の講演から引用してます。
教室で押さえたいリテラシーと線引き
生成AIは強力ですが、学校で使うならルールと態度がセットです。文部科学省のガイドラインでも、生成AIの出力は誤りやバイアスを含みうるため参考情報として活用し、最終的な判断は利用者が行うことが重要だとされています（初等中等教育段階における生成AIの利活用に関するガイドライン（令和6年12月）（PDF））。この「疑ってかかる」姿勢は、教室では継続的に言語化していくのがよいと私は考えています（「使い方」ばかり教えていませんか？——AI時代に欠かせない「疑い方」教育へ）。もっともらしい嘘であるハルシネーションは、特に文献や統計で出やすいので、公的データや原著に当たる習慣を、探究のプロセスの中に組み込みたいです。
同時に、主体性を奪わない使い方が要ります。最終レポートをAIに書かせてコピペする設計は、思考力のトレーニングになりにくい、という指摘は多くの実践共有と重なります（「宿題をAIに書かせる子」に悩む先生へ——思考力を奪わない、AIの"正しい"導き方）。AIは相棒であって主役ではない、という言い方は単純ですが、評価設計まで含めて守ると効きます。
さらに、個人情報や機密をそのまま入力しないこと。匿名化や仮名、集計済みの数値だけを渡すなど、データの扱いは探究とセットで教える価値があります。何をAIに任せ、何を人間が引き受けるべきかの整理は、別稿の枠組みとも接続します（AIに任せていい判断、ダメな判断——学校現場で気をつけること（松尾研・金融庁の論点から））。
エピローグ 教員の役割は、全分野の専門家から「思考の伴走者」へ
探究でつまずくのは、生徒のやる気だけの問題ではありません。「何をどう調べ、どう考えればよいか」という立ち往生と、それを支えきれないリソースの限界がぶつかり合っている面もあります。生成AIを思考の相棒として置くと、24時間いつでも、テーマに寄り添った問いかけや変数の候補、批判的な視点を借りやすくなります。教員の役割は、すべての分野の専門家になることではなく、道具の使い方と学びの設計を整え、プロセスに寄り添うことへ寄っていく——そんな移行のイメージが現実味を帯びてきます（導入の全体像は、「魔法の杖」じゃない、だからこそ——先生のための「安心・効果的」な生成AI活用ロードマップとも響き合います）。
データに基づく検証と、対話を通じた論理の推敲。この二つを掛け合わせると、生徒は「調べ学習」から一歩進んで、正解のない問いに自分の言葉で応答できるようになるはずです。教育が育てたい人間像の話とも、最後は同じ場所に立ちます（「使う？使わない？」で終わらせない——AI時代、教育が育てるべき人間の姿）。教室で試すときは、まず一つのクラス、一つのテーマで、PPDACの一周を短く回してみる。そこから設計を育てていく——そんな小さな実験からで十分だと思います。
作成日：2026年3月22日
