ソートリーダー
AIが実際に学習成果を向上させている場所、摩擦を生み出している場所、高等教育が次にすべきこと
人工知能は、すでに高等教育に存在しています。学生が学習する方法、教員が教える方法、機関がパフォーマンスを評価する方法を形作っています。人工知能が教室に存在するかどうかという疑問は、もうありません。学生はそれを使用しています。雇用主はそれに慣れていることを期待しています。機関は、それに責任を持って対応する方法を決定しなければなりません。重要な質問は、高等教育が人工知能をどのように利用して、学生を将来的に仕事に備えさせることができるかということです。
私が高等教育全体で見ているのは、公共の議論よりもイデオロギー的ではないことです。学生は人工知能を使用するのは、それが彼らを困難な状況から脱出させ、進歩させるからです。教員は、基準を損なうことなく学習をサポートしたいと実験しています。管理者は、恐怖ではなく現実を反映したガイダンスを確立しようとしています。したがって、人工知能は、理解、独創性、熟達度を示すということの意味を、高等教育が再考させるように促しています。
ウェストクリフ大学では、私たちのアプローチは実用的なものです。結果を見て、実際のコースで何が起こるかを観察し、教員と学生の声を聞き、そして調整します。そのプロセスは、明確なパターンを明らかにしました。人工知能は、意図的な設計に組み込まれている場合に学習を改善し、ショートカットまたは脅威として扱われる場合に問題を引き起こします。
人工知能が真正に学習を改善している場所
以下で特定された領域の共通の糸は、自動化ではなく認知です。人工知能はフィードバックを加速し、思考を明確にし、知的責任を学生から除外することなく反復をサポートします。
ガイド付きの練習と適切なフィードバック
最も強い学習の利益は、人工知能がガイド付きの練習に使用される場合に現れます。学生は質問をして説明を受け、再試行して即時のフィードバックを受けることができます。フィードバック ループは、特に大規模または非同期のコースで個々の教師の注意が限られている場合、学習の中心です。
設計の良い人工知能サポート ツールは答えを提供するのではなく、発見のプロセスに学生を関与させるように、ターゲットを絞った方向性のあるフィードバックを提供します。人工知能が不確実性を解決するのではなく、促し、質問し、思考をサポートするように設計されている場合、それは強いピア レARNING サポートがより深い理解をサポートする方法を反映しています。
2025年のScientific Reportsの研究では、人工知能チューターを使用する学生は、比較条件の学生よりも効率的に学習し、関与度と動機も高かったことがわかりました。受け取るべき教訓は、教師を人工知能に置き換えることではなく、頻繁で適切なフィードバックが理解を加速することであり、人工知能がこのタイプのフィードバックを大規模に提供するのに役立つことです。
人工知能は、著者性を代替するのではなく、改訂をサポートするために使用される場合、文章を強化することもできます。
多くの学生は、アイデアを整理したり、議論を明確にしたり、効果的に改訂したりするのに苦労しています。適切に使用される場合、人工知能は構造的な弱点を浮き彫りにし、不明確な推論を特定し、より明確な思考を促すのに役立ちます。
同時に、学生は人工知能を責任を持って使用する方法を学ばなければなりません。これには、効果的なプロンプトを書く方法を理解し、人工知能のレスポンスが幻覚または不正確さを含む可能性があることを認識し、主張を信頼できる情報源に対して検証することが含まれます。学生が人工知能の出力を受動的に受け入れるのではなく、人工知能の出力を疑うことを教えることで、学生の仕事の完全性が保護され、批判的思考が強化されます。
学習とショートカットの違いは、最終的に期待に帰着します。教師がアウトライン、下書き、変更した理由と何が変更されたかを説明する簡単な反思を要求する場合、学生は考え方に対して責任を負い続けます。学生は仕事の形成に積極的に関与し続け、最終的に決定を下します。2025年の教育における大規模言語モデルの体系的レビューでは、文章作成とフィードバックを主要なユースケースとして特定していますが、過度の依存に警告しています。
下書きや改訂を超えて、人工知能は学生の議論に挑戦するダイアログ パートナーとして機能し、主張が重要である理由、欠けている証拠、特定の聴衆がどう反応するかを尋ねることができます。そうすることで、文章作成は提出の演習ではなく、知的防衛と改良のプロセスになります。プロセスの評価により、教師は学生の批判的文章作成の発達に関する貴重な洞察を得ることができます。
サポートが必要な学生の障壁を減らす
人工知能は、多言語の学習者、最初の世代の学生、復帰した成人に、個人に合わせた説明、例、要請に応じた明確化を提供することで、障壁を減らすことができます。これは指導を代替するのではなく、学生がより充実して参加できるように不要な障壁を下げます。
実際の機会は、実時間で調整し、能力が成長するにつれて意図的にサポートを減らすアダプティブなサポートにあります。人工知能が課題を除去するのではなく調整する場合、学生は自信を築きます。進歩を示すことで、依存ではなく。
教師に時間を与える
人工知能は、教師が時間のかかるタスク、たとえば、ルーブリックの作成、例の質問の生成、ディスカッション スレッドの要約、または最初のフィードバックの提案を生成するのを支援できます。利点は、教師が節約した時間をより高価値の仕事に再投資する場合に現れます。より良い課題の設計、豊かなディスカッション、より直接的な学生のサポートです。
機関が摩擦に遭遇している場所
評価の有効性が中心的な課題です
学習評価の最も深刻な問題は、従来の意味での盗作ではありません。それは、人工知能が容易に利用できる場合、多くの一般的な評価がもう効果的に学習を測定できなくなっているということです。
学生の人工知能の採用はすでに広範囲にわたっています。2025年のHEPIとKortextの学生生成AI調査では、92%の学生が人工知能を何らかの形で使用し、88%が評価に使用していることが報告されています。如果、課題を最小限の理解で完了できる場合、それはもう学習成果を有効に測定するものではありません。
これが、誠実さに関する議論が続いている理由です。人工知能は、従来の評価の欠点を露呈しています。評価が弱い場合、疑念が生じます。より強いまたはよりよく設計された測定は、その緊張を軽減します。
政策の遅れと一貫性の欠如
多くの機関はまだ追いつこうとしています。2025年のEDUCAUSE AI LANDSCAPE STUDYによると、調査された機関の40%未満が、報告の時点で正式な使用ポリシーを設けています。
明確さの欠如の中で、教師は独自のルールを設定し、学生は混合信号を受け取ります。一つのコースでは実験を奨励し、別のコースでは人工知能を完全に禁止します。この一貫性の欠如は信頼を損ない、人工知能の倫理的な使用を教えることを困難にします。
耐久性のないスキルを持つパフォーマンスの向上
人工知能は、長期的な能力を築かずに短期的なパフォーマンスを向上させることができます。2025年の数学におけるGPT-4ベースのチュートリアルのフィールド実験では、人工知能チュートリアルが実践中のパフォーマンスを向上させたことが示されましたが、学生はツールが削除されたときに時々パフォーマンスが低下したことがわかりました。機関のリスクは、短期的なパフォーマンスの向上を耐久性のある能力と混同することです。特に、人工知能がツールが削除されたときにのみ表面化するギャップを隠す場合です。意味は明確です。人工知能は、学習が行われる場所である生産的な苦労を減らすことができます。如果、人工知能の設計が認知的労力を除去しすぎる場合、学生は独立した能力を開発せずに熟練したように見える可能性があります。
平等に関する懸念は変化しています
人工知能にはサポートを民主化する可能性がありますが、人工知能へのアクセスとリテラシーの差により、ギャップを拡大させる可能性もあります。より優れたデバイス、有料ツール、人工知能の使用経験を持つ学生には、必ずしも目に見えない利点があります。
平等の影響はツールへのアクセスを超えています。人工知能は、特に仕事、介護、言語の壁、または教育への復帰をバランスさせる学生にとって、時間、認知的負担、感情的ストレスの管理方法を形作っています。人工知能をうまく使用する場合、平等の場を整え、学習を安定させ、自信を築くことができます。人工知能を不均一に使用する場合、見えない差を深める可能性があります。
ガバナンスとデータ管理
人工知能がアドバイス、チュートリアル、評価に組み込まれるにつれて、ガバナンスは学術的品質の問題になります。機関は、どのように学生のデータが使用されるか、ベンダーがそれをどのように扱うか、平等がどのように監視されるかを理解しなければなりません。
NIST AIリスク管理フレームワークなどのフレームワークは構造を提供しますが、ガバナンスは共同で透明性を持って適用される場合にのみ機能します。ウェストクリフのような人工知能を搭載した機関では、ガバナンスの決定は、学術的品質保証として機能し、直接、資格の信頼性、評価の完全性、機関の評判を形作っています。
高等教育のリーダーが優先すべきこと
1. 学習を可視化するために評価を再設計する
人工知能の検出は、長期的な解決策ではありません。それは反応的で対立的であり、根本的な測定問題には対処していません。
より持続可能なアプローチは、推論、知識処理、パフォーマンスを強調する評価の再設計です。これには、口頭での弁明、構造化されたフォローアップの質問、下書きと反思を含むプロセスベースの評価、現実の制約に基づいた適用プロジェクト、クラスでの合成タスクが含まれます。
ウェストクリフでは、ソクラティック メトリックと呼ばれる人工知能搭載の評価フレームワークを使用して、この移行の一部として口頭でのレスポンス アプローチを使用しています。学生は、コースの素材、場合によっては学生自身の以前の文章に基づいたオープンエンドのプロンプトに回答する録音された学生のレスポンスを受け取ります。学生は、詳細化と明確化を促す即時のフィードバックを受け取ります。教師は、学生のレスポンスをレビューして、理解の深さと真実性を評価できます。
目標は、施行ではなく、可視性です。口頭でのフォーマットでは、学生が反復的なフォローアップの下でどのように考えているかが明らかになります。これは、外部に出すことが難しく、より意味のある方法で評価することが容易です。ソクラティック メトリックは、可能なアプローチの 1 つです。より広い点は、評価が思考ではなく、出力に焦点を当てる必要があるということです。
リーダーシップの有用な質問は、単純です。学生がこの課題で人工知能を使用した場合、それでも意図された学習成果を測定しますか? もし答えが不明確であれば、それが再設計を開始するべき場所です。
2. 人工知能リテラシーのコア学習成果としての扱い
学生は、人工知能が日常の仕事に組み込まれている職場に入ることになります。彼らは、ただの親しみではなく、判断力を持っているスキルが必要です。
世界経済フォーラムの2025年の将来の仕事の報告書では、AIおよびデータ関連のスキルが、創造的思考や回復力とともに重要性を増していることを強調しています。人工知能リテラシーには、強みと限界を理解し、偏見と不確実性を認識し、出力を検証し、データを責任を持って取り扱い、人工知能を効果的に使用する方法を知ることが含まれます。
これは、すべての学生を技術的な専門家に変えることについてではありません。人工知能と共に思慮深く倫理的に協力することができる人を卒業させることについてです。さらに、人工知能リテラシーは、学生の成果を超えて、機関の能力です。教員、管理者、学術的リーダーはすべて、共有された流暢さを必要とします。学習体験全体で一貫性、公平性、信頼性を確保するためです。
3. 信頼を築くガバナンスを確立する
良いガバナンスは、イノベーションを遅くするべきではありません。成長戦略であり、人工知能がより迅速に、より確実に拡大するのを支援するべきです。そのためには、学術的リーダーシップ、IT、法的/プライバシー、学生サポートを含む、小さなクロス機能グループが必要です。明確な役割と意思決定権があります。
また、シンプルで透明性のあるものである必要があります。教員と学生は、人工知能がどこで使用されているか、どのようなデータが収集されているか（または収集されていないか）、誰がそれにアクセスできるか、決定がどのように下されるかを知る必要があります。基本的な点が明確な場合、人工知能は新しいツールを採用するのをためらうのではなく、情報を得て保護されていると感じるため、より多くの人々がそれを採用することになります。
4. 教員の有効化に投資する
教員は、人工知能の有意義な統合の鍵です。彼らは、政策声明だけでなく、実用的サポートが必要です。
最も効果的な取り組みは、実践的なものです。課題の再設計ワークショップ、効果的な実践の例、明確なルーブリック、教師が何が機能するかを共有できるコミュニティです。教員が人工知能の強みと限界を理解する場合、彼らはより良い学習体験を設計できます。
教員をこの移行でサポートすることは、教師がコンテンツの一次ソースから、学習の設計者、思考の評価者、学術的判断の管理者に変化するより深い変化を認識することも意味します。
5. 影響を測定する、採用を測定するのではない
人工知能は、他の指導的介入と同様に、評価されるべきです。採用のみでは成功を示しません。
正しい質問は、成果に焦点を当てたものです。学生は知識を保持していますか? 学生は学習を新しい状況に転用または一般化していますか? 平等のギャップは狭まりましたか、拡大しましたか? 卒業生は独立した判断を示していますか? これらの2次的な影響を機関が測定しない場合、機関はパフォーマンス メトリックを最適化しながら、信頼、平等、長期的な能力を秘密裏に損なう危険があります。人工知能を搭載した機関での影響を測定するには、パフォーマンス メトリックの範囲を超えて、誰が利益を得ているか、誰が苦労しているか、どのような努力が増加または減少しているかを理解する必要があります。
人工知能はアンプリファイアーです。何を増幅するかは私たちに依存します。
人工知能の統合が確実であることを知りながら、高等教育のリーダーにとっての決定的な質問は、機関が学習を意図的に再設計するか、またはレガシーモデルがその重みの下に崩壊することを許可するかです。
人工知能は、固有に有益でも、固有に有害でもありません。それは、すでに学習システムが報酬するものを単に増幅します。表面的な完了が報酬される場合、人工知能はそれを加速します。機関が推論、反省、真正なパフォーマンスを設計する場合、人工知能はより深い学習とより良い職場の準備をサポートできます。
成功する機関は、評価を再設計し、人工知能リテラシーをコアの学習成果として教え、信頼を保護しながら責任あるイノベーションを可能にするように人工知能を管理します。那が、次の段階の学術的リーダーシップです。
