AIエージェントが知的作業をますますこなせるようになるなか、学生が避けて通れない厄介な問いは「機械にやらせればよいのなら、なぜ自分で何かをする必要があるのか」だ。機械はどんな人間よりもはるかに重いものを持ち上げられる。それでも人々はお金を払ってジムに行き、ウェイトを持ち上げる。そうするのは、ウェイトが目的を達成するための手段であり、持ち上げる行為で重要なのは、持ち上げている本人に何が起きるかだからだ。成果を真剣に求める人なら、友人に自分のトレーニングを代わりにやってくれとは頼まない。
なぜエッセイを書かなければならないのかと疑問に思う学生には、それと同じくらい説得力のある説明が必要である。その課題は、推論し、根拠を比較検討し、考えを言葉にする能力を育てるために存在する。そうした成長を生み出すのは、論文を書くプロセスそのものだ。完成した論文は、そのプロセスが行われたことを示す証拠であり、それがどれほどうまく進んだかをおおまかに測る材料でもある。だからこそ教師は理想的には、最終成果物だけでなく、作業プロセス全体を評価する必要がある。
私は先日、OpenAIの教育担当バイスプレジデントであるリア・ベルスキーと対談し、この問題やその他の問いについて議論した。同社はその直前、「ChatGPT for Teachers」をさらに55の学校区に提供すると発表し、10万人を超える教育者と職員が新たに利用できるようになるとした。ベルスキーは、その重大性を軽視しなかった。効果的な活用計画がなければ、「AIが次世代を弱体化させる現実的なリスクが、世の中には存在する」と彼女は言う。
AIはすでに好奇心のある学生に報いる
ベルスキーによれば、彼女が見てきた研究の範囲では、ChatGPTをチューターとして試験勉強に使う学生を対象にしたOpenAI自身の調査も含め、事前知識と学習スキルが高い学生ほどAIから多くを得ており、最も力のある学生ほど最大の伸びを得ているという。OpenAIの利用データも同じ傾向を示している。ヘビーユーザーは、基本モデルではなく最も高性能なモデルを使う可能性が、他の利用者に比べて約7倍高い。
高校で一定の時間を過ごしたことがある人なら、生徒たちが教師の間でどのように分かれていくかというパターンに見覚えがあるはずだ。生徒は、ある教科で誰が最も優れた教師かを知っている。最も力のある生徒はそうした教室にたどり着く傾向があり、他の生徒は与えられたものを受け入れるか、楽に良い成績を取るといった別の基準で最適化する。AIはこの階層化を大規模に再現しようとしているように見える。最も好奇心の強い学生が最も高性能で要求水準の高いツールを使いこなす一方で、同級生たちは初期設定が生み出すものに甘んじることになる。
ベルスキーはAIを「ほとんど好奇心の増幅器のようなもの」と呼ぶが、この言葉には両刃の剣の側面がある。関心を持つ学生にとって、そのツールは探究をより容易にし、より大きな挑戦を可能にする。一方、関心のない学生にとっては、増幅すべきものがない。AIが、すでに好奇心を持っているわけではない学生に何かをもたらすには、学校は好奇心と学ぶ動機を、育てるべき能力として扱わなければならない。年度末の作品展示会は、それが通常の姿からどれほど遠いかを示している。そこでは生徒が作ったものが展示されるが、それをどのように作ったのか、あるいはその努力をそもそも価値あるものにした習慣や人格については、ほとんど語られない。
学生に「取り組む価値のあること」を与える
課題をなぜ特定の方法でやらなければならないのかを理解することと、学生がそれをやりたいと思うことは同じではない。書くことが自分の思考を育てると納得しても、学生はなお、それを将来何に使うのかと疑問に思うかもしれない。
極端な場合、機械があらゆる問いに答えられるように見えれば、学生は自分自身の問いを立てる必要がなぜあるのかと考えるかもしれない。そしてAIが未解決の重要な問題を残さないように見えるなら、何かを学ぶ正当な理由はない、したがってそのツールを手に取る理由もないと判断する可能性がある。
したがって課題は、学生に「取り組む価値のあることがある」という経験を与えることだ。それは、自分の住む町の問題を調べることかもしれない。誰かの考えを変える議論を組み立てることかもしれない。あるいは、実際に誰かが使うものを作ることかもしれない。こうした経験はいずれも、より簡単な答えが手に入るようになっても失われない学びの目的を与える。ひとたび学生が達成したいことを持てば、AIは作業を避けるための手段ではなく、作業を進めるための手段になる。なぜなら、その学生にはツールが生み出すものを評価する理由ができるからだ。
学校が本当に育てなければならないのは、目的意識であり、何かを成し遂げたいという欲求である。それによって学生は、思考のジムに向かう理由を持つ。
成果物の採点ではなく、プロセスを見守る
結果に関心を持つ学生には、そこに至った過程に関心を持つ理由がある。そして、その過程に関心を持つ教師は、それを見ることができなければならない。つまり、完成した作品のスナップショットから焦点を移す必要がある。持ち帰り試験はもはや本人のものだと認証できず、そうでないふりをすることは全員の時間を浪費する。よりよい道は、プレゼンテーション、口頭試問、改訂内容についての議論など、能力をその場で示す形式へ移行することだ。これらはすべて、プロセスに注意を向けざるを得なくする。成果物を単に点検するのではなく、学生がその成果を生み出す様子を見ることで、教師はその仕事が本人のものだと信じる一定の根拠を得られ、磨き上げられた提出物が隠してしまうものも見えてくる。
とはいえ、すでに議論を追い、誰を指名するかを選び、授業を前に進めている教師にとって、それは大きな要求である。そこでAIが役立つ可能性がある。デューク大学フクア・スクール・オブ・ビジネスの事例研究は、教室でその支援がどのような形を取り得るかを示している。会計学教授のスコット・ダイレングは、課題でAIの使用を無制限に認めたところ、チーム文化が悪化した。学生は作業を分担し、会う頻度を減らし、それでも完成度の高い提出物を出した。そこで彼は、チームに会議の録音を義務づけ、文字起こしとOpenAIのAPIを使って、誰が発言したか、会話がどのように進んだか、どのような相互作用が起きていたかを分析した。各チームにはフィードバック報告書が渡された。
より興味深い結果は、彼自身の授業に対するフィードバックだった。「学生はフレームワークの用語を使っていたが、そのフレームワークを深く理解している学生はほとんどいなかった」とダイレングは言う。「それは、私が本当の理解ではなく、流行語を教えていたのかもしれないと示している」。教師は優れた授業を準備しても、学生がそれに向き合ったときに何が起きているかを見逃すことがある。
日常的に録画されるオンラインセミナーにも、同じ盲点がある。授業はテキストについての議論に見えても、実際には各学生が教員に向かって発言し、その教員が次の学生を指名しているだけかもしれない。誰が誰に話しているのかを可視化すれば、学生たちは1人ずつ独白を投げかけながら、教師に向かってボールを投げる形でキャッチボールをしていることになる。こうした相互作用を分析すれば、教員はパターンを見つけ、次のセミナーの進め方を変える助けを得られる可能性がある。これは、同時にその場を主導しながら行うのはほぼ不可能である。
こうした分析は慎重に解釈しなければならない。多く話すことは理解を証明しない。AIによる評価は誤ることがある。録音には本当のプライバシー保護が必要であり、そうでなければ学生は率直に発言しなくなる。しかし、正しく行われれば、教師と学生に、これまでほとんど持ち得なかったものを与える。すなわち、共に検証できる「学習プロセスのエビデンス」である。
新しいツールだけでは足りない
ある地区が新しい教授法を採用するとき、通常何が起きるかを考えてみてほしい。まず、例外的な結果を生む統制された実験から始まる。早期導入者の多くは並外れて優れた教師であり、彼らも同じようにうまくやる。地区はそれを広く展開することを決める。そして結果は消え始める。
早期導入者は、どの方法を使っても成功しただろう。多くの教師は、ほとんどの学生に有効な方法を見つけるために何年も費やしてきた。そして今、それを捨てるよう求められている。結果はたいてい期待外れに終わる。その理由は研修にある。研修は、数十年にわたる習慣から教師を動かすという課題に、そもそも見合っていなかった。
AIも同じ問題に、より大きな規模で直面している。AIを学校に持ち込む企業にとって、ワークシートや章の要約は、AIが有用なことを行える可能性を示す簡単なデモンストレーションである。しかし教師はなお、学生の学びを高める形でそのツールを生産的に導入する方法を学ぶ必要がある。OpenAIの学校区向けの取り組みは、その点を認めており、学校区をまたいだ実践的な研修とピアラーニングを用意している。学校側も、こうした応用を実践に組み込む前に、それが学習を改善するという証拠を必要とする。そして、熱心な早期導入者だけでなく、無作為に選ばれた教師による成功の証拠も必要になる。
OpenAIは、そうした種類の証拠を構築し始めている。同社は3月、タルトゥ大学、スタンフォード大学のSCALE Initiative、その他の機関と共同で開発したLearning Outcomes Measurement Suiteについて説明した。これは、学生が時間をかけてAIとどのように相互作用するかを調べるものだ。作業を主導しているのが学生かモデルか、学習者が困難にどう対処するか、計画し振り返っているかを追跡する。検証はエストニアでのランダム化試験を通じて進行中である。その狙いは、学生がツールの使用によって単に生産性を高めているだけでなく、より有能になっているのかどうかを明らかにすることだ。
動機づけは依然として人間の仕事である
対談の終盤、話題は動機づけに移った。人を動機づけ、好奇心を育てることは、テクノロジーがうまくやっているのを見たことがない分野だとベルスキーは言う。「現時点では、それらは非常に明確に人間の能力であるように見える」と彼女は述べる。
コーチが選手にもう1回の反復に挑むよう説得できるのは、選手がコーチにどう思われるかを気にしているからでもある。学生に大規模言語モデルを感心させたいと思わせるのは、はるかに難しい。人間の教師は、ためらいがちな関心に気づき、それを真剣に受け止め、その関心がどこかにつながっていることを学生が発見する手助けができる。より高性能なツールは、その出会いの後に続くものを広げるだろう。何かをしたいと思う学生には、学ぶ理由があり、利用可能な最高のツールに手を伸ばす理由がある。学校はツールを手の届くところに置くことができる。だが学生にジムへ向かう理由を与える仕事は、依然として学校に残されている。
