AIの予測誤差を『科学』する。プロンプト探究授業の全記録
今回の記事は、AIの予測誤差を『科学』する。
ITストラテジスト教諭の野口です。「効率化の対極にある『余白』をどう守るか」をテーマに、AI時代の教育現場の生存戦略や、学習者起点の学びについて発信しています。
1. はじめに：「中2理科のラスト」にこの授業を選んだ理由
全ての単元が終わった中学2年生の教室。3月の浮ついた空気の中、私はある「賭け」に出ました。SE出身の理科教師としての経験を活かし、生成AIを「研究パートナー」として酸化反応（カイロ）のレシピを設計させ、生徒自身の実験データと対決させる、3時間の探究授業です。
このタイミングを選んだのには、明確な理由があります。生徒たちは「化学変化と熱」の単元で、酸化反応が発熱すること、そして反応速度が条件（濃度、温度など）によって変わることを学んだばかりです。知識が揃い、条件制御（変数）の概念が定着しつつあるこの時期こそ、高度な探究に挑む絶好のチャンスでした。
単なる復習で終わらせたくない。SEとしてデータの海を見てきた私が、彼らに伝えたかったのは「AIが嘘をつく」ということではありません。「AIへの入力（プロンプト）の不足」や「シミュレーションと現実世界の環境（前提条件）のズレ」が、いかに科学的な結果に影響を与えるか、ということです。それは、AI時代の必須スキルであるデータリテラシー教育そのものです。
本記事では、この「AI×現実世界のズレ」をテーマにした授業設計、あえて「前提条件」を伏せたプロンプトのしかけ、そして生徒たちが自らの実験データでAIの前提を修正し、科学的思考を手に入れた実践の全プロセスをレポートします。
2. 【理論編】「情報の不完全さ」を学ぶ、授業設計とプロンプトのしかけ
酸化反応は、格好の「ズレ」教材
なぜ「最強のカイロ設計」なのか。鉄粉の酸化反応は、中学理科で扱う最も身近な発熱反応の一つです。しかし、実際にやろうとすると、酸素供給量（空気との接触面積）、混合度、湿度（食塩水の量）など、多くの変数が複雑に絡み合い、教科書通りの綺麗なデータを出すのが難しい反応でもあります。「完璧なシミュレーション」が困難だからこそ、AIの予測と現実世界のデータの「ズレ」を学び、分析するのにこれ以上ない教材でした。
プロンプト設定と、あえて残した「余白」
授業の核心は、AIへのプロンプト設定にあります。私は、提供する材料（鉄粉10g、活性炭＿g、食塩水＿ml、バーミキュライト＿g）を指定し、温度上昇を最大化する配合をAIに予測させました。
プロンプト例：
生徒が考えたプロンプト：
あなたは宇宙一の頭脳をもつ化学者です。鉄の酸化反応において、上記の材料の配合を調整して、最も温度が上がる方法を提案してください。鉄粉10gとした場合、他の材料の最適な量と30分間の温度変化を推定しなさい。これらは他をよせつけない最高温度を出すために知りたいです。
鉄粉、活性炭、食塩水、バーミキュライトをつかって30分後に一番温かいカイロを作って鉄粉は10g 他の材料は何g
ここで、SEとしての「しかけ」を施しました。「断熱条件（熱が逃げないか）」や「酸素供給量（容器の密閉度）」といった、現実世界で結果を左右する重要な変数を、あえてプロンプトに入れずにAIに予測させたのです。 AIは「前提条件」としてこれらの変数が理想的である（熱が逃げず、酸素は無限にある）と仮定して、理論上の完璧な数値を導き出します。
3. 【実践編】実測データが示す「現実世界の変数」
「理論（AI）」vs.「現実（実験）」の衝突（第2回授業）
いよいよ実験です。生徒たちはAIが提案した「最強レシピ」を信じ、万全の仮説を持って実験に臨みました。30分間、1分おきに温度を計測します。
教室の空気は、真剣そのものです。しかし、時間の経過とともに、生徒たちの顔色が変わり始めました。
「あれ？温度が上がらない……？」
「AIの予測だと、5分で40℃になるはずなのに！」
データの可視化と、気づきの瞬間
計測したデータをスプレッドシートに入力し、AIの「予測グラフ」と自分たちの「実測グラフ」を重ね合わせました。
教室は騒然としました。完璧なはずのAIの予測が、現実世界の実測値によって、見事に「暴かれた」のです。しかし、この「失敗」こそが、最高の教材でした。
「AIは、私たちが混ぜるのを止めた時間を知らないからだ！」
「容器の蓋を閉めるのが遅かったから、酸素が足りなくなったんじゃない？」
生徒たちは、AIが「想定（入力）」していなかった、自分たちの「混ぜ方」や「蓋の閉め方」といった「現実世界の変数（前提条件）」に、自らの手で気づいたのです。
4. 【総括編】AIに「前提条件」をフィードバックし、科学的思考を手に入れる
AIへの再分析依頼（第3回授業）
探究の最終フェーズは、AIとの対話です。
このプロンプトで、実測データをAIに提示し、「なぜ予測とズレたのか」を再分析させました。
・生徒が入力した「分析依頼プロンプト」
前回鉄10g、活性炭6g、食塩水3ml、バーミキュライト1〜2gを入れて実験を行ったのですが、AIの予想と異なる結果でした。なぜ異なる結果となったのか。緑のグラフがAIの予想、赤のグラフが実際の結果です。
予測に沿ったときと結果にズレがありました。あなたの予想とちがった理由を分析してください
・AIの自己修正と、科学的モデルの構築
1. 化学反応の進行を妨げる要因の特定
AIは、理論上は進むはずの酸化反応が現実には滞った理由を分析しました。酸素供給の不足: 不織布の袋の通気性が悪かったり、袋の口を閉じすぎたりしたことで、反応に必要な酸素が十分に供給されなかった。
水分バランスの乱れ: 水分が多すぎて鉄粉の表面を覆い酸素との接触を妨げた、あるいは反応中の熱で水分が蒸発してしまい、酸化反応が停止した。
材料の混合不備: 材料にダマがあったり、十分に混ざっていなかったりしたことで反応が均一に進まなかった。
2. 熱の収支（発生と放出）に関する分析
AIは、熱が発生しても維持できなかった理由を指摘しました。放熱の過大: 反応によって熱は出していたが、周囲の冷たさに熱を奪われるスピードが勝ってしまった。
断熱条件の不備: AIは理想的な断熱状態を想定していたが、現実にはバーミキュライトなどの断熱材の不足や容器の冷却によって、熱が外部へ逃げ続けてしまった。
3. AIが見落としていた現実の環境変数
AIは、自身のシミュレーションに含まれていなかった現場特有の条件を「見落としていた点」として特定しています。実験室の特殊な環境: 想定していた室温（20℃など）と実際（18℃など）の差、ストーブによる乾燥、教室に30人以上いることによる影響など。
人間による操作の不確実性: AIは酸素供給や攪拌が理想的に行われる前提であったが、実際には「振るスピード」や「混ぜ方」といった人間特有の動作が予測と大きく異なっていた。
総じてAIは、理論上の「最大火力」は80℃を超えるポテンシャルがあったとしても、現場の物理的制約や環境変数がブレーキをかけたと分析しています。
生徒たちは、AIが提示した「理由」が、自分たちがプロンプトに入れていなかった「前提」であることを確認し、「AIを使いこなすには、前提条件（プロンプト）の理解が不可欠である」という、本質的な学びにたどり着きました。
・生徒ワークシート記述まとめ
1. 情報の伝え方（プロンプトの具体化と質）
AIに質の高い回答を出させるためには、指示（プロンプト）の精度を上げることが不可欠であると多くの生徒が指摘しています。詳細な条件の提示: 温度、湿度、材料の混ぜ方、振る強さといった、実験環境の細かな「条件」を具体的に入力する必要があります。
背景と目的の明確化: 「なぜその質問をするのか」「何を実現したいのか」という背景や目的をセットで伝えることが重要です。
役割の付与: 「化学の専門家」などの特定の役割（ロール）をAIに与えることで、より精度の高い情報を引き出す工夫が挙げられました。
言語化能力の向上: 自分の意図をAIに正しく伝えるための「語彙力」や「情報を伝える能力」を磨く必要があると結論づけています。
2. 情報の受け取り方（批判的思考と検証）
AIの回答を「正解」として鵜呑みにせず、常に疑い、自ら検証する姿勢が強調されています。
信じすぎない姿勢: AIの言うことを100%正確だと思わず、あくまで一つの「基準（目安）」として捉えることが大切です。
実測による裏付け: AIの予測した結果を、自分で実際に実験して確かめることで初めて「確信」へと変えるプロセスが必要です。
理由の深掘り: 回答そのものだけでなく、「なぜそうなるのか」という理由や根拠を併せて聞き、論理的な妥当性を確認すべきだという記述も見られます。
3. AIと人間の役割分担（「理科」の学び方）
AIが得意なことと、人間にしかできないことを理解し、使い分けることが「賢い使い方」に直結します。
AIは「計算」、人間は「観察と工夫」: 膨大なデータの計算や理論値の算出はAIに任せ、人間はAIには見えていない「現場の変化」を見つけ出すことや「創意工夫」に集中すべきであると結論づけました。
環境への適応: AIは理想的な条件での予測は得意ですが、その場の温度、湿度、混ぜ方といった「リアルな環境」による誤差を埋め、問題を解決していくのは人間の役割です。
総じて、生徒たちはAIを「使い手の情報の伝え方や検証能力によって価値が変わる道具」であると再定義し、人間自身の思考力や観察力を補完・強化するものとして活用していくべきだと考えています。
5. データドリブン探究の「種」として
この記事が提示する未来の教育は、単なるAIの活用にとどまりません。「AIの予測データ」と「人間の実測データ」を対比させ、その『ズレ』から学ぶという、高度なデータサイエンス教育の可能性です。
データロギングとAI対話の一元化： 実験データ、グラフ、AIとの対話履歴をシームレスに管理し、生徒の思考プロセスを可視化するプラットフォームの必要性。
批判的思考の評価ツール： 「AIがこう言ったから正解」という思考停止を評価するのではなく、「前提条件の指摘と修正」という、AI時代に求められる新しい学力を、どう可視化・評価するか。
実践データの価値： 3時間という短い時間で、生徒たちの「探究の質」がどう変わったかという、100名以上の実践データは、教材開発のための強力なエビデンスとなります。
6. おわりに：先生方も、ぜひ挑んでください
この3時間で、生徒たちの「探究の質」は劇的に変わりました。
成績評価のための観点案：
知識・技能：
酸化反応の仕組みと、反応速度の要因を理解しているか。
思考・判断・表現：
AIの予測誤差の理由を、実験データ（エビデンス）と照らし合わせ、科学的に（粒子モデル等を用いて）説明できたか。
主体的に学習に取り組む態度：
AIを鵜呑みにせず、自らデータを補完・修正しようとする批判的・主体的姿勢を見せたか。
AIは絶対的な正解ではありません。「前提条件（プロンプト）」によって結果が変わる道具です。AI時代の理科教育のゴールは、AIを否定することでも、崇拝することでもなく、「AIの限界（前提）を知り、人間の科学的思考でそれを補完する力を育むこと」です。
先生方も、ぜひ生徒とAIを実験室で対決させてみてください。生徒たちが「自立した科学者」に変わる瞬間を、目の当たりにできるはずです。
7.授業資料
・指導案
・ワークシート１（１時間目）
・ワークシート２（２時間目）
・ワークシート３（３時間目）
・スライド
8.問い合わせ
・Note ： https://note.com/nogulabo/n/ncc125657a57b
・Facebook ： https://www.facebook.com/yuki.noguchi.3194
