報告書：AI 時代の教育への適応とガイドライン

2. ガイディング・プリンシプル（指導原則）

当院は、今後取り組む仕事においてインスティテュートを導くため、以下の8 つの原則を定義します。

2.1. 謙虚であれ (Be humble)

• 技術進化の非線形性
  • コンピュータや AI は漸進的に発展し、社会との相互適応が影響を緩和してきました。
  • 一方、生成 AI（ChatGPT など）は突然現れ、社会に適応する前に既に巨大な影響力を持ってしまいました。
  • 社会の適応速度と技術の進化ペースの乖離は極めて速く圧縮されています。
• 当院の姿勢
  • 技術を止まることを知らぬ進化に対峙するため、謙虚な精神をもって提案を行います。
  • インスティテュートが実験と学習を続ける中で、戦略や方針への修正（時には重大なもの）は避けられないでしょう。

2.2. 大胆であれ (Be bold)

• 不確実性を恐れてはいないこと
  • パッチ適用の時期ではなく、包括的で大胆な戦略的対応が必要です。
  • 特に MIT では、新技術を通じて社会および学生に有益な可能性を追求する上で有利な立場にあります。
• 機会と責任
  • AI は個別指導や研究加速など多大な機会をもたらしますが、それを捉えるには大胆さが求められます。
  • 近々社会の方向性を形作る学生に対し、AI の建設的な利用とそのリスク・利点に対する洗練された理解を義務付けなければなりません。

2.3. 人類を最優先に置け (Put humanity front and center)

• 根本的な目標
  • AI に凌駕する能力を持つ技術に対峙し、最も重視すべきは共有する人類性を育み保護することです。
  • MIT コミュニティとそのメンバーの繁栄を何より優先します。
• 「私」の代替について
  • UROP 学生に替わり AI エージェントを採用するケースがありますが、意思決定を効率性だけで支配すべきではありません。
  • 研究は最終目標ではなく徒弟修業であり、次世代研究者育成の手段です。「非効率」に見える学習プロセスこそが機能しています。
• 人間関係の毀損を防ぐこと
  • AI 検出や「監視」による相互不信は教室の基盤を損ないます。
  • 教師と学生間の健全な信頼関係を維持することが最優先です。

2.4. 学習を重視せよ (Lean into learning)

• AI の脅威と機会
  • AI は伝統的な評価形式の信頼性を低下させますが、断片的な注意力や狭い成績主義といった旧来の教育圧力に対抗する転換点（ティッピング・ポイント）でもあります。
• 「学習への傾斜」
  • 生産的な困難（productive struggle）を克服するプロセスこそが学びの本質です。
  • 成績や卒業証書ではなく、個人の成長、知的成熟度、想像力、洞察力を発達させることを重視します。
• メタ認知能力の涵養
  • 「考えることについて考える」内省的実践と主体性を高める教育を提供するため、教員側には献身と新たな準備が必要です。

2.5. 意図的かつ目的を持って教えよ (Teach with intentionality)

• 逆設計（Backward Design）のアプローチ
  • AI を排除するのではなく、「学生が何を学び、何ができるようになり、何を理解すべきか」という教育体験の目的から再定義します。
  • 成果に基づき課題や評価を設計し、AI は有益なら使用、そうでなければ使用しないという方針です。
• 意図的教授法
  • なぜ AI を許可・制限したのかを明確に説明することで、学生は学習内容を深く理解できるようになります。

2.6. 万能薬は存在しない (No one size fits all)

• 文脈に応じた対応
  • 詩のセミナーと数学的証明では AI の役割が異なります。一律なルールではなく、分野や段階に応じた方針が必要です。
• 学生による判断
  • 学部生から博士課程候補者まで、AI リテラシーの必要性は異なり、一律の規制は一部で緩く、一部で厳しくなるリスクがあります。

2.7. 拡張ではなく自動化 (Augmentation not automation)

• 学習者有利（Pro-learner）のアプローチ
  • AI は思考や創造を置換するのではなく、増幅・強化する必要があります。
  • 「認知の降伏」を防ぎ、学生が困難な部分こそ考え学習することを支援します。
• 社会的・心理的リスク
  • 自動化は孤立やスキル低下をもたらしますが、AI は対人関係や協働を阻害すべきではありません。

2.8. クラスルームとキャンパスを超えて思考せよ (Think beyond the classroom and the campus)

• 教育の本質
  • 学習は単なるコンテンツ伝達ではなく、世界理解、アイデンティティ形成、責任ある行動を学ぶ文化的実践です。
  • AI システムが置換できないのは、人間として成長するための関係性と実践です。
• 社会性への準備
  • AI をツールとして使うだけでなく、教室やコミュニティにおいて深く参加する能力も同時に磨く必要があります。

---

3. 推奨事項 (Recommendations)

MIT は以下の 3 つの主要な活動分野で変化を実装します。これらは個別ではなく連帯して実施すべき本質的な変化です。

3.1. AI を意識した世界のための教育プロセスに適応させる

(Adapt educational processes for an AI-aware world)

• 目標と評価の再設計
  • 学習成果を「AI- Aware」に再定義し、AI に耐性のある評価手法を開発します。
  • 成績（Grades）のみならず、口頭試験、ポートフォリオ、リアルタイムフィードバックなど多様な評価方法を導入します。
• 体験的・プロジェクトベース学習の強化
  • AI で代替可能な課題ではなく、深い体験学習や野心的なプロジェクトを推奨します。
  • 協働、コミュニケーション、問題解決などの人間スキルの構築を重視します。
• 構造化された対面交流の組み込み
  • 週次チェックイン、グループディスカッションなど、意図的な対面相互作用をカリキュラムに組み込みます。
  • 「居住型教育」の価値（メンタリング、共有作業）を再活性化します。
• 課外研究・キャリア体験の維持
  • UROP などの研究機会を保存し、AI で置換されることなく人的な指導と学習プロセスを保証します。
  • 研究コミュニティへの参画（所属意識の形成）の重要性を強調します。
• 明確な AI 使用ポリシーの提示
  • シラバス上に AI の利用ルール（許可・禁止・制限）とその理由を明記します。
  • 「AI デテクター」への依存は避け、プロセス証拠や手書き試験など信頼構築の手法を検討します。
• 倫理的な実験と迅速な適応
  • ガバナンスプロセスを改善し、カリキュラムの迅速な変更を可能にします。

3.2. 人々、コミュニティ、および居住型体験を中心に置く

(Center people, community, and the residential experience)

• 居住型教育価値の共有
  • 対面討論や協働が教育の本質であることを学生に明確に伝えます。
  • AI に依存するのではなく、人間同士のつながりを深める文化を醸成します。
• 社会的つながりと福祉の強化
  • 「Tech Free Times」の実施、キャンパス内の対話イベントなど、人間関係の促進を図ります。
  • 学生の精神的・感情的支援体制を強化します。
• 教員の AI 使用の開示
  • 教員自身が AI をどのように使うのかを透明化し、二重基準を防ぎます。
  • 責任ある AI 使用のモデル役（Role Model）として行動します。
• 効果的・倫理的な AI 使用教育
  • プロンプト設計、出力検証、ハルシネーション対策をカリキュラムに組み込みます。
  • データへの倫理、環境負荷、知的財産権などについて議論します。
  • AI の使用開示（共同著者として記載しない）を徹底します。

3.3. 継続的反省・改善のための仕組みを整える

(Build processes, teams and tools for continuous reflection, iteration, and improvement)

• 継続的な監視委員会
  • AI と教育の統合状況を継続的に監視・評価する組織を設置し、証拠に基づき政策をアップデートします。
• 現場リーダーの任命
  • 各学術ユニット（School/Department）に「AI Lead」を配置し、ローカルな適応を支援します。
• 専門人材と資金の確保
  • 「AI Fellows」と「Implementation Team」を創設し、教員の適応を支援するリソースを提供します。
  • 実験やパイロットプログラムを実施するための資金（AI Pilot Fund）を確保します。
• 教育・トレーニングの提供
  • ランチセミナー、ワークショップ、実践的な研修を通じて、教員に継続的なスキルアップ機会を与えます。
• メトリクスの開発
  • AI 使用状況、学生満足度、学習成果などについてデータを収集・分析します。
• 公平なアクセスの確保
  • Parley（MIT 内部プラットフォーム）を整備し、高額な商用モデルへの依存を排除します。
  • コスト負担の不均等を防ぎ、すべての学生に平等なリソースを提供します。
• 機密データ保護とモデル選択の自由
  • 商用プロバイダーによる学習データの流用を防ぎ、プライバシーを守るポリシーを徹底します。
  • オープンソースモデルやローカルモデルでの実行も検討・サポートします。
• プライバシーと監査ポリシーの確立
  • ログやデータ利用に関する明確なガイドライン（匿名化、共有範囲など）を策定し、透明性を持って議論します。
• 環境影響の監視と軽減
  • データセンターへのエネルギー消費などを調査し、サステナブルな AI 利用の推奨を行います。