AIが課題をこなせる時代に、大学は何を教え、どう評価すべきか？MITによる26の再構築提言

MITにおける「教育・学習・研究指導におけるAI利用」に関する報告書は、アドホック委員会が5か月にわたる会議、調査、学内対話を経てまとめたものである。本書は単にAIをいかに制限するかを論じるにとどまらず、8つの基本原則と3つの大分類・26の提言を提示し、より根本的な問いへの回答を試みている。課題の解答が瞬時に生成できる今、大学はいかにして学生に真の学びをもたらし、その習得を証明させ、人と人との関係性の中で成長させ続けられるのだろうか？

まず現状を見る：利用の一般化と、同時に存在する不安

報告書は3組のアンケート結果をまとめている。対象者、実施時期、設問が異なるため、単純に足し合わせて単一の「MIT全学利用率」を算出することはできないが、ある現象を互いに裏付けている。それは、AIがすでにキャンパスにおける学習や業務プロセスの日常的な一部になっているということだ。

• 委員会が実施した「AIの利用と意識に関する調査」では1,632件の回答が集まり、全体の回収率は12%であった。回答者の44%がChatGPTを「頻繁に」または「極めて頻繁に」利用していると答え、学生では46%、教員および教育担当スタッフでは35%に達した。
• 学内本部の約8,200人が回答した「Quality of Life Survey（生活実態調査）」では、全体の約40%が生成AIを日常的または極めて頻繁に利用しており、学部生では46%であった。
• 学生新聞『The Tech』の調査では1,002件の回答を得た。学部生の回答者のうち、46%が大規模言語モデル（LLM）を毎日利用し、30%が週に数回利用している。また、90%が過度な依存に対して少なくともある程度の懸念を抱いており、そのうち67%は強く懸念している。

これらの数字の背景には、相矛盾する2つの実感が同時に存在する。回答者は総じてAIスキルの重要性を認識し、AIによって効率が上がったと感じている一方で、自身がAIへ過度に依存しつつあることにも気づいている。報告書では、「cognitive offloading（認知的オフローディング／思考の外注）」、「overreliance（過度な依存）」、「cognitive surrender（認知的降伏）」といった表現が用いられている。学生が最初の壁にぶつかった瞬間に思考をAIに委ねてしまうことは、批判的思考力、記憶、自信、そして知識の定着を損なう可能性がある。これらは報告書が引用した初期の兆候や教員・学生の懸念事項であり、確定した長期的な因果関係の結論ではない。

各調査には明確な制約もある。委員会のアンケート回収率はわずか12%にとどまり、『The Tech』の調査も任意回答に基づくものである。AIに対して強い意見を持つ人や、利用頻度が際立って高い・あるいは低い人ほど、アンケートに回答しやすい偏りが生じている可能性がある。これらの調査はMITが課題を特定する上で有用だが、MITの全構成員を直接代表するものではなく、ましてやすべての大学にそのまま当てはまるものではない。

原則を定める：まず「学び」と「人」を守り、その上で技術の配置を決める

委員会は、その後の提言の方向性を定めるために8つの基本原則を打ち出した。それらは2つの相反する緊張関係のバランスを取るものとなっている。すなわち、技術の進化は急速であり、大学はすでに結論が出ていると過信することもできなければ、不確実性を理由に行動を先送りすることも許されない。また、AIは人間の能力を拡張できる一方で、学生が本来経験すべき思考、判断、そして人間関係をAIが奪ってしまう事態は防がなければならない。

1. 謙虚さを保つ（Be humble）：技術とその影響が今なお急速に進化していることを認め、現在の提案にも今後必ず修正が必要になることを受け入れる。
2. 大胆に行動する（Be bold）：構造的な変化に対して場当たり的な対症療法で済ませず、個別指導や研究革新の好機を決して逃さない。
3. 人間性を中心に据える（Put humanity front and center）：効率性だけを唯一の指標とせず、教員と学生の絆、徒弟制度的な関係、そして人間的な成長も教育の成果とみなす。
4. 学びそのものに向き合う（Lean into learning）：学びには「生産的な葛藤（productive struggle）」が不可欠である。最も重要な成果物は成績や学位ではなく、学生の想像力、洞察力、そして判断力である。
5. 明確な意図を持って教える（Teach with intentionality）：まず学習目標を明確に定義し、その上でAIを利用すべきか、いつ、どのように利用するかを決定する。
6. 一律の基準を押し付けない（No one size fits all）：詩のセミナー、数学の証明講義、建築デザインのスタジオ演習では、求められるAIの境界線は自ずと異なる。
7. 自動化ではなく拡張を（Augmentation not automation）：AIを人間の代替とするのではなく、新たなタスクを担い、新たな専門性を獲得するための支援として機能させ、人間の主体性と責任を維持する。
8. 教室やキャンパスの外へと視野を広げる（Think beyond the classroom and the campus）：学生が職場、市民社会、そしてAIが形作る環境へ進出する際に必要となるスキルと責任を見据える。

これら8つの原則は、さらに3つの領域の取り組みへと整理されている。すなわち、「AIがすでに存在する世界に教育プロセスを適応させること」、「人間、コミュニティ、そして全寮制（滞在型）教育を中心に据えること」、「継続的に省察、反復、改善を行えるプロセス、チーム、ツールを構築すること」である。

そしてカリキュラム設計へ：学習目標から課題とAIルールを逆算する

報告書では、バックワード・デザイン（Backward Design：逆向き設計）が導入されている。教員は「この講義でAIを禁止すべきか」から出発するのではなく、まず「学生は最終的に何を理解すべきか？何ができるようになるべきか？何を重視できるようになるべきか？」と問う。第二段階として、それらの目標が達成されたことを証明する評価基準や証拠を設計する。そして第三段階として初めて、課題や学習活動、ならびにその中でAIの利用が許可されるのか、制限されるのか、あるいは必須とされるのかという位置づけを決めていく。

このプロセスは最終的に、明確で可視化されたシラバスのルールへと落とし込まれる必要がある。委員会は、各科目においてシラバスおよび授業ウェブサイトの目立つ場所にAI利用ポリシーを明記し、学生がいつ、どこで、なぜAIの利用が許可、制限、あるいは義務づけられているのかを明確に理解できるようにすることを推奨している。

付録Bには、各コースで選択・改編して利用できる4つのポリシーテンプレートが提示されている。これらは異なる学習目標に対応する並列の選択肢である。

1. Unrestricted GenAI Use（無制限の利用）：学生がどのように利用するかを自主的に判断するが、自身の学習、オリジナリティ、および最終提出物に対する責任は負い続ける。主にAIを使用しない教室内の評価によって能力を検証する講義や、AIの出力を評価・統合すること自体が課題となっている講義に適している。
2. Limited GenAI Use: Support Tool Only（限定的利用：補助ツールとしてのみ）：学習支援、ブレインストーミング、推敲、デバッグ、解説などの用途に限定され、課題の完全な解答や大部分をAIに生成させることは認められない。学生は自身の成果物とAIによる支援内容を明確に区別し、AIが生成した資料やアイデアを引用・明記しなければならない。
3. Required GenAI Use（利用の義務づけ）：学生は定められた手順に従って指定のツールを利用し、求められたAIとの対話履歴を提出する。AI支援プログラミング、プロンプト設計、モデル出力の批評、人間とAIの協働、あるいはAIシステムの評価そのものが学習目標となっている課題に適している。
4. GenAI Use Strictly Prohibited（完全な利用禁止）：学生は課題において生成AIを一切利用してはならない。基礎知識の定着や自力での問題解決能力の育成が求められる講義や、補助なしでの表現や思考プロセスそのものに本質的な価値がある講義に適している。

これら4つのテンプレートに共通しているのは、「ルールの根拠（理由）を明示しなければならない」という点である。AIを禁止する場合、教員はそれがどの基礎的な学習プロセスをショートカットしてしまうのかを説明しなければならない。AIの利用を促す場合も、それが学生の能力や作業をどのように拡張するのかを示す必要がある。いずれの場合も、提出されたすべての成果物に対する責任は学生自身にある。

透明性は双方向であるべきだとも述べられている。報告書は教員に対しても、講義の設計、課題の作成、フィードバックの提供において自身がどのようにAIを利用したかを開示するよう推奨している。学生が真摯に時間を費やした成果物に対して、機械が生成したフィードバックしか返ってこない場合、学生が不満を抱くのは無理もない。また研究成果について、報告書はすべての学位論文においてAIがどのように利用されたかを明記することを提言しており、AIを共著者として記載すべきではなく、人間の著者がその出力を検証し、正確性に責任を負わなければならないとしている。

講義内のルールにとどまらず、大学は体系的に「AIリテラシー」を教える必要がある。『The Tech』の調査では、回答した学生の3分の2以上が将来のキャリアにおいてAIが極めて重要だと考えているにもかかわらず、MITがAIを利用する準備を十分に整えてくれたと考えている学生はわずか25%にすぎなかった。報告書は、相互に関連しながらも異なる3つの能力を整理している。「効果的な利用」とは、問題を適切に言語化し、出力を検証し、ハルシネーションを見抜き、いつAIに頼るべきでないかを判断できる能力である。「責任ある利用」とは、人間の拡張と代替との境界を見極め、AIの貢献を誠実に開示することである。そして「倫理的な利用」とは、学習データの出所、バイアス、出力の画一化、知的財産権、環境負荷、さらには正当な支援とゴーストライティング（著者の成りすまし）との境界について論じる姿勢を指す。委員会は、学部生や大学院生の新入生オリエンテーションを皮切りに、これらの教育を各専攻の専門課程や研究指導全体に浸透させていくことを提案している。

報告書には具体的な事例も収録されている。ある教員の報告によると、調停を学ぶ学生向けにパーソナライズされた講義専用の「AIコーチ」を導入したところ、他人の前で人前で話す練習をする際の心理的ハードルが軽減され、自発的な練習意欲が高まり、結果としてスキルの向上につながったという。これは委員会に寄せられた一例であり、報告書ではその内部の技術アーキテクチャまでは開示されていない。

急速に変化する技術を前に、委員会は責任ある教育実験への支援も提言している。各学科はより機動的にカリキュラムの調整を模索できるが、その結果を厳格に評価し、教育体系全体の長期的な一貫性を維持しなければならない。報告書は、AI-heavy 型や厳格な AI-light 型の科目やコース体系を試験的に開設することを提案している。また、AIの利用を望まない学生に対しても、学問分野の特性が許す限り、AIの利用を最小限に抑える選択肢を誠実に提供すべきであるとしている。

課題が変われば評価も変わる：1つの答案から多様な証拠へ

MITを象徴するProblem Sets（P-Sets）は、長年にわたり数理計算や工学的推論を鍛えるために用いられてきました。報告書は、学習の定着や進捗の評価に用いられてきた多くの問題や課題が、すでにAIによって完了できるようになっていると指摘しています。そのため、AIを無制限に使える状況下では、授業後に提出された正解だけを頼りに、学生個人の真の理解を証明することはますます困難になっています。

報告書は、ある新しい評価手法がすでに広く定着したと宣言しているわけではなく、組み合わせ可能な多様な選択肢を提示しています：

• 筆記評価＋口述試験：単に完成品を提出させるだけでなく、口頭試問を通じて学生が解法を説明し、知識を応用できるかを検証する。
• 授業内・対面または実験室での評価：対面試験、実験操作、実演やプレゼンテーションのための十分な場所と時間を確保する。
• プロジェクトと実践的なハンズオン：文脈化されたオープンエンドな課題や、実際の設計・チーム協働に依存するタスクを増やす。AIは時にプロジェクトのスケールを広げることもできます。報告書では、ソフトウェア工学の講義において、学生が1学期内でより実運用レベルに近いシステムを構築できるようにし、その分、現実の環境における設計上のトレードオフの検討に時間を割けるようにする例が挙げられています。
• マイルストーンとバージョン履歴：プロジェクトの進捗を段階的に発表させたり、バージョン履歴を提出させたりすることで、思考がどのように発展したかを示すプロセスの証拠を提供する。

評価の再構築は、単に「時間制限のある授業内試験への配点を増やす」という安易な後退であってはなりません。報告書はMITに対し、システム全体における成績評価（点数）の役割を見直し、competency-based（コンピテンシーベース）やmastery-based assessment（マスタリーベース評価）、プロジェクトのポートフォリオなどを探求して、能力の証明が単なる成績証明書1枚にとどまらないようにすることを求めています。口述試験による即時フィードバックやプロジェクトへの書面フィードバック、継続的な制作記録は、1つの点数よりも、学生自身が何を真に習得したかを教えてくれる場合が多いのです。

対面のインタラクションも、試験場だけで行われるべきではありません。委員会は、各講義において明確な学習目標に向けた定期的・構造化されたソーシャル・ラーニング（社会的学習）を設けることを提言しています。例えば、マイルストーンチェックを伴うチームプロジェクト、TA（ティーチングアシスタント）が主導する協働的な問題解決、共通ルーブリックに基づくフィードバックの議論などです。これに伴い、大学側もスタッフがサポートする実験室や協働スペースを提供する必要があります。これには完全なオフライン空間や、AI-free（AI不使用）・AI-limited（AI制限）のPCを備えた場が含まれます。さもなければ、実験やチーム課題、対面評価の拡充はカリキュラムの設計書類の上にとどまってしまいます。

報告書は「より強力なテクノロジーで不正行為を取り締まる」というアプローチに強い警戒を示しています。AI検出ツールは信頼性に欠け、英語非母語話者やニューロダイバーシティ（神経多様性）の学生の文章をAI生成と誤判定する恐れがあります。MITの規律委員会は、検出ツールの出力を単独で学術的誠実性違反事案の十分な証拠とはみなしていません。現行世代のlockdown browser（試験用画面ロックブラウザ）も、報告書の見解ではエラーが起きやすく監視感が強いとされています。多くの場合、報告書は対面での試験監督を推奨しています。その根底にある考え方は、より優れた学習の証拠を通じて信頼関係を築き、教室が教員と学生が互いに疑心暗鬼になる場となるのを極力避けることです。

しかし大学はカリキュラムだけではない：全寮制コミュニティもまた学習インフラである

委員会には、オフィスアワーやオンラインディスカッション、さらには寮や図書館でのスタディグループへの参加が減少しているという声が届いています。報告書は、こうした報告の一部を明確に anecdotal（逸話的・伝聞的） と位置づけています。リスクを示唆するものではあるものの、AIが唯一または直接の原因であるとは証明できないからです。AIがキャンパスに持ち込まれる以前から、学生の不安、孤独、人間関係の希薄化はすでに広範な背景的課題として存在していました。

MITにとって、対面でのインタラクションは代替可能な飾りではありません。仲間とともに証明を紐解き、実験の試行錯誤を重ね、顔を合わせて議論することは、知識の構築を支えるだけでなく、コミュニケーション、支援を求める力、協働、そして信頼を築く能力を養うことでもあります。

したがって、大学は全寮制教育がなぜ重要であるかを説明するだけでなく、共有される規範、共通の儀礼、そしてサポートシステムを主体的に再構築しなければなりません。報告書が挙げる例には、多様なグループ横断で人生やキャリアの選択を語り合う場、対面のつながりのために確保された「Tech Free Times」、共通の読書と議論の場の拡大などがあります。教員や職員もまた、AIによって深刻化する学業・社交・感情面の困難を察知し、学生を適切なサポート窓口へとつなぐ能力が求められます。同時にMITは、熱狂から懐疑、そしてAI利用の拒絶に至るまでの多様な立場を認め、学習データや社会、環境への悪影響を軽減するための研究や政策的取り組みを支援する必要があります。

UROP（学部生研究機会プログラム）はその好例です。報告書によれば、これは学部生の93%、教員の58%を直接カバーしています。それは単に学生に単位や給与をもたらすだけでなく、研究コミュニティへの参加を促します。研究上の問いがどのように立ち現れ、判断力がどのように育まれ、誤りがどのように建設的に解釈され、貢献度がどのように配分され、見解の相違がどのように処理され、そして知識がどのように集団的に生み出されるかを間近で観察する場なのです。もし教員が効率を求めて学部生の研究アシスタントをAIエージェントに置き換えてしまえば、短期的な研究のアウトプットは維持できるかもしれませんが、徒弟訓練としての研究が持つ教育的価値は失われてしまいます。そのため報告書は、UROPのような体験を保護・拡大してより多くの学生が参加できるようにし、同様の体験を実験室の外へと広げることも検討するよう提言しています。

最後にガバナンスの構築：構造的改革を一握りの教員任せにするな

1つの講義の目標、評価、アクティビティを再設定するだけでも膨大な作業であり、全学規模で持続的にアップデートしていくとなれば、一部の教員の個人的な熱意に頼るわけにはいきません。そのため報告書は、互いに連動する一連の組織設計を提案しています：

• 長期的に運用される AI・教育委員会 の設置：学内外の影響、技術的変化、新たな証拠を追跡し、戦略、評価、ポリシーの調整を担う。
• 各スクールや学科に AI Leads を配置：カリキュラムの刷新とポリシーの適用を専門領域に即したものにする。
• AI FellowsおよびAI Implementation Team への助成：技術、AI、学習科学の専門知識を持つ人材が教員を支援し、全学規模のツールを開発するとともに、現場でツールがどのように使われ、どのような効果をもたらしているかを研究する。
• AI Pilot Fund の設立：AIクレジット、TA、UROP、夏季サポートなどの費用にリソースを提供し、AI-enabled（AI活用型）の実証実験と、意図的に設計されたAI-free（AI不使用）の学習体験の双方を支援する。
• 研修、同僚間の共有、学内実践コミュニティの活用：教員間で効果的な実践を共有・継承するとともに、AIの利用状況、キャンパス活動への参加度、学生満足度、卒業後のフィードバックを追跡する。

組織的なサポートには、テクノロジーへの公平なアクセス（入口）も含まれます。報告書が指摘するように、当時の主要な商用モデルの上位プランは月額最大200ドルに達し、研究者のAPI利用料はさらに高額になる可能性があります。MITはすでにモデル非依存（model-agnostic）のParleyを運用しており、すべての構成員にマルチモデルへのアクセスと月額最大30ドルの無料クレジットを提供しています。しかし報告書は同時に、一部の講義、特にソフトウェア工学の講義などでは、これでも不十分な場合があることを認めています。

「公平なアクセス」とは、単に全員にチャットボックスを1つ配れば済む話ではありません。報告書は、全学システムがagentic codingや実務ツールをカバーし、モデルのトレーニングや微調整（ファインチューニング）を必要とする講義には十分なローカルまたはクラウドの計算資源を提供するよう求めています。さもなければ、学生全員が名目上はAIにアクセスできたとしても、実際に遂行できるタスクは経済状況やインフラ環境によって二極化してしまうからです。

公平なアクセスとプライバシーは切り離すことができません。商用AIサービスがデフォルトでユーザーのセッションを記録している場合、機密性の高い授業データや研究資料が学習データに取り込まれてしまうリスクがあります。そのため報告書は、モデル中立性を維持し、ローカルホストによるオープンソースモデルへのアクセスをさらに模索することを支持しています。しかし全学プラットフォームは新たな問題も引き起こします。ユーザーは健康、人間関係、感情、不安といったプライベートな内容をAIに尋ねることがある一方で、教員は対話ログを通じて学習プロセスを把握したいと考えるかもしれません。誰が閲覧できるのか、どのくらいの期間保持されるのか、どのような状況で介入が許されるのかについて、公開された透明性の高いログ記録・監査ポリシーが必要となります。

報告書はさらに、MITに対してAIの財務的および環境的コストを追跡するよう求めています。トレーニングと推論はいずれもエネルギーを消費し、データセンターは水資源の利用、建設、ハードウェア資材にも関わっています。企業のデータが不透明であり、コストがモデルのライフサイクル全体に分散しているため、こうした影響を正確に算出することは困難です。委員会の提言は、異なるモデルの環境コスト推計を公開し、大学自身の「AIフットプリント」を監査し、より低エネルギーな手法へ投資することです。

26 項目の提言をどのように持ち帰るか

報告書は、これら26の提言が決して互いに切り離された、1つずつチェックをつけていくだけのToDoリストではなく、連動して推進すべき一連の変革群であると特に注意を促しています。すなわち、教育プロセスに関する10項目、人とコミュニティに関する6項目、持続的ガバナンスに関する10項目です。本文ではその重要な関係性についてすでに解説しました。文末の「MIT AI教育改革持ち帰りパック」には、26項目すべてのクイックリファレンスシートおよび付録Bの「4つのカリキュラムAIポリシー選択カード」が用意されており、いずれもMarkdownを直接コピーするか、.md ファイルとしてダウンロードできます。

この報告書がもたらす最大の再現性：反復可能な教育システム

MITは、あらゆる大学に通じる模範解答を見つけたと主張しているわけではありません。「謙遜」こそが報告書の第一原則であり、継続的な軌道修正も組織設計に組み込まれています。この報告書で最も価値があるのは、往々にして個別バラバラになりがちな意思決定を1つの閉じたループとして結びつけた点にあります：

教育目標 → 評価の証拠 → 課題とカリキュラムポリシー → 対人・組織的サポート → 指標、内省、そして新たな修正サイクル。

中国語圏の教育実践者にとっても、この順序は「禁止」または「必須利用」のいずれかの個別ポリシーをそのまま真似るよりもはるかに参考になります。まずその講義が真に育成すべき能力を明確にし、次に何が学生自身の力で完遂されなければならないのか、何がAIの力を借りるのに適しているのか、いかにして多様な証拠によって学習を確認するのかを判断し、最後に組織がリソース、公平性、プライバシー、長期的影響に対して責任を持つのです。

これらの提言には明確な適用限界があります。それらはMITの極めて濃密な実践文化、研究型大学としてのリソース、そして全寮制コミュニティに深く依存しています。また、アンケートの回答率や自発的サンプルによる偏りもデータの外挿を制限しています。報告書が描く最終的な境界も同様に緊張関係を保っています。AIは学生の効率を高め、学習と科学的発見を後押しし得る一方で、学習プロセス、教育実践、そして全寮制教育の社会的分脈に衝撃をもたらします。人間の知性、つながり、判断力、そして自らの手による実践こそが、この教育の再設計において最優先で保護されるべき対象なのです。