AI時代、大学では何を学ぶべきなのか

概要

2026年8月13日、Massachusetts Institute of Technology（MIT／マサチューセッツ工科大学）のAd Hoc Committee on AI Use in Teaching, Learning, and Research Training（本稿では「教育・学習・研究訓練におけるAI利用に関する特別委員会」と表記）は、最終報告書を公表した。

この報告書の中心的な主張は、生成AIへの対応を「学生に何を許可し、何を禁止するか」という方針（Policy）の問題だけにとどめてはならない、という点にある。AIが多くの学部レベルの課題に説得力のある回答を生成できるようになった以上、大学はまず学習成果（Learning Outcomes）を問い直し、それに合わせてカリキュラム（Curriculum）、教育方法（Teaching）、学習評価（Assessment）を再設計しなければならない。さらに報告書は、キャンパスを基盤とする対面・寄宿型教育（Residential Education）、学部学生の研究参加、教員支援、AIへの公平なアクセスまでを一つの教育システムとして捉えている。

ただし、これはMITが正式に採択・実施した全学方針ではなく、委員会による提言である。また、AIが学生の理解、自信、対人関係に及ぼす影響については、質問紙調査（survey）、意見聴取会（listening sessions）、教員からの報告などに基づく部分が多く、長期的・因果的な効果が確立しているわけではない。

それでも、本報告書は大学の問いの順序を明確に転換した点で重要である。方針を先に決めるのではなく、学習成果を定め、教育方法と学習評価を設計し、その後にAIをどこで使い、どこで使わないかを判断する。この考え方は、日本の大学が生成AI対応を次の段階へ進めるうえでも有力な枠組みとなる。

1．問題設定――AI利用の可否を超えて

委員会が2026年1月の設置時に与えられた任務（charge）は、MITにおけるAI利用の現状把握、教育と学習評価における革新的取組の確認、AI利用方針の提案であった。しかし調査を進めるなかで、委員会は、問題がAIの許可・禁止だけでは解決しないと判断した。

生成AIは、大学で何を教え、学生が何を学び、それをどのように評価するのかを問い直している。さらに、学生がキャンパスに集まり、教員、同級生、指導者（mentor）とともに学ぶことの意味にも影響を及ぼしている。

報告書が突きつける中心的な問いは、次のように要約できる。

AIが、これまで学生に課してきた多くの知的作業を遂行できるようになったとき、大学で「学ぶ」とは何を意味するのか。

委員会の回答は、既存の教育にAIを付け加えることではない。学習成果、カリキュラム、教育方法、学習評価、対面・寄宿型教育、そして改革を支える組織と資源を一体として再検討することである。

2．調査方法と証拠の位置づけ

本稿は、委員会の最終報告書を主要な一次資料として、提言の内容、位置づけ（status）、適用範囲（scope）を検証した。事実確認では、報告書本文、付録BのAI利用方針例（sample AI policy）、付録Cの調査結果（survey results）、およびMIT Faculty Governanceの公式ウェブサイトが示した委員会の設置目的・任務（charge）を参照した。

報告書は、委員会が2026年春に毎週会合を行い、質問紙調査、他大学の方針と実践の調査、学部生・大学院生を分けた意見聴取会、学内組織との協議を実施したと説明している。一方、「2026年春AI利用・意識調査」（Spring 2026 AI Usage and Attitudes Survey）は1,632件の回答、回答率（response rate）12％であった。したがって本稿では、委員会の提言内容は一次資料として確認する一方、AIの教育効果や悪影響についての診断は、確立した因果的証拠（evidence）ではなく、現時点の組織的観察として評価する。

3．生成AIはすでにMIT教育の前提条件となった

報告書は、MITの学生がAIを頻繁かつ広範に使用していると述べる。学生の受け止め方は一様ではなく、好奇心、創造性、生産性への期待がある一方、依存、学習への悪影響、不安も示されている。教員の姿勢も、積極的活用から慎重論、AI利用を拒む立場まで幅広い。

委員会が挙げる影響は、問題演習（problem sets）、持ち帰り試験（take-home examinations）、学部学生研究機会プログラム（Undergraduate Research Opportunities Program：UROP）、オフィスアワー（office hours）、学習グループ（study groups）など、MITの教育を特徴づけてきた制度や学習慣行に及ぶ。報告書は、学生の習熟（mastery）や自信（confidence）が損なわれる兆候、孤立の増加、教員と学生の「社会的契約（social contract）」の弱体化、学生の進歩を確認する難しさを指摘している。

ただし、ここで注意すべきなのは、これらの一部が委員会の意見聴取会や個別事例に基づく証拠（anecdotal evidence）に依拠していることである。報告書は重要なリスクを特定しているが、その規模や因果関係を確定したものではない。

より根本的な懸念は、学生がAIを使って課題を完成できても、その過程で本来生じるはずの学習が起きない可能性である。生成AIへの対応を学術的誠実性（Academic Integrity）だけの問題に還元できない理由がここにある。

4．「AIを使わせない」から「AIが存在する世界で何を学ぶか」へ

報告書は、学習評価を単純に「AIでは攻略できないもの（AI-proof）」にすることを目標としていない。委員会は、各科目の学習成果をAIの存在を前提に再検討するよう求める。

たとえば、従来重視されてきた能力がAI時代にも同じ意味を持つのかを問い直す。報告書は一例として、多くの学生が複雑なプログラムを手作業で書く能力を従来どおり身につける必要があるのか、と問題を提起する。同時に、複雑な文章、工学的制作物（engineering artifacts）、大規模ソフトウェアシステムを理解し、扱うことが、従来は困難だった新たな学習成果になり得ると指摘する。

ここで鍵となるのが、報告書のいう「AIの存在を前提にした（AI-aware）」教育である。それはAIをすべての授業に導入することではない。AIが社会と専門領域に存在することを認識したうえで、少なくとも次の区別を意図的に設計することである。

• 学生がAIなしで身につけなければならない能力
• AIを補助として用いて発揮する能力
• AIとの協働によって新たに可能になる能力
• 学習の目的上、AIを使わない方が望ましい経験

この発想は、学習成果から逆算して教育を設計する「逆向き設計（Backward Design）」と結びついている。最初にAIの許可・禁止を決めるのではなく、学生が何を知り、何ができ、何を価値あるものとして理解すべきかを定める。その後で、学習成果を促進し確認できる課題と学習評価を設計し、AIが有益なら使い、有益でなければ使わないという順序である。

5．学習につながる試行錯誤（Productive Struggle）を守る

MIT委員会が強調する概念の一つが、学習につながる試行錯誤（productive struggle）である。

学生は、問題を解き、文章を書き、コードを作り、議論を重ねるなかで、すぐには答えの出ない困難に直面する。その試行錯誤が、理解、判断力、自信、創造性を形成する。しかし生成AIは、この過程を容易に短絡できる。

報告書は、学生が困難の最初の兆候でAIに頼る状態を「認知的降伏（cognitive surrender）」と呼ぶ。AIが正しい答えを返しても、それは学生本人が理解したことを意味しない。

この問題に対する原則が「自動化ではなく能力拡張（augmentation not automation）」である。AIは、思考、学習、創造、問題解決を代替するのではなく、それらを拡張するために用いるべきだという考え方である。報告書は、労働者を代替するのではなく能力を拡張する「労働者本位のAI（pro-worker AI）」になぞらえ、教育では「学習者本位（pro-learner）」のAI利用を形成すべきだとする。

6．学習評価はどのように変わるのか

報告書は、大規模言語モデル（LLM）その他の生成AIが、論述課題、数学・科学の問題、証明、プログラミング課題を含む、ほとんどの学部レベルの記述式課題（written assignments）に説得力のある回答を生成できると認識している。

その結果、従来型の「授業外で課題を作成し、提出し、採点する」というモデルだけでは、提出物が学生本人の知識や理解をどこまで示しているのか判断しにくくなる。

しかし委員会は、短時間の教室内試験（in-class examination）の比重を増やすだけの対応にも慎重である。時間制限の強い試験への依存を高めれば、学生が長い時間をかけて考え、試行錯誤し、複雑な問題に取り組む機会を減らしかねないからである。

代わりに、報告書は次のような方法を挙げる。

• 口頭試験（oral examinations）
• 学期を通じたポートフォリオ（semester portfolios）
• 授業外課題と授業内の対話の組合せ
• 体験型・プロジェクト型学習（experiential and project-based learning）
• 定期的な締切や面談、途中段階でのフィードバック
• 草稿や変更履歴（version histories）による学習過程の証拠（process evidence）

ここで評価対象は、最終成果物だけではない。学生がどのように考え、試行錯誤し、成果物を説明できるかまで含まれる。ただし、これらの方法の効果が報告書によって実証されたわけではない。委員会が提示するのは、今後実験・検証すべき学習評価の方向である。

7．成績と誘因を問い直す

報告書は、AI時代の学習評価を考えるなら、現在の成績評価制度（grading system）の役割自体も再検討すべきだとする。

委員会は、上位成績の人数を制限する成績配分（grade rationing）を支持していない。上位成績の数を制限すれば、GPAを最大化しようとする学生がAIで近道をする誘因を強める可能性があるからである。その一方で、能力基準型評価（competency-based assessment）、習熟度基準型評価（mastery-based assessment）、ポートフォリオなど、成績以外も含む評価方法の検討を促している。

「もし成績評価がなければ、AIを使った不正をめぐる誘因の多くが消えるのではないか」という記述は、報告書自身が思考実験（thought experiment）と位置づけている。MITが成績評価の廃止を提案した、あるいは決定したと読むべきではない。

重要なのは、生成AIへの対応が、個々の課題の監視方法だけでなく、学習評価の制度設計（Assessment architecture）と学生の誘因構造（incentive structure）にまで及ぶという点である。

8．AI利用方針は学習成果から決める

付録Bは、科目または課題ごとに選択・調整するAI利用方針例（sample AI policy）として、次の4区分を提案している。これは現行のMIT全学共通方針ではない。

区分	内容
自由利用（Unrestricted GenAI Use）	課題で生成AIを自由に利用できる
補助ツールに限定（Limited GenAI Use: Support Tool Only）	学習支援、発想整理、編集、デバッグ等に限定し、解答の全部または実質部分の生成には使わない
利用必須（Required GenAI Use）	指定されたツール、作業手順、記録方法に従い、生成AIの利用を課題要件とする
厳格に禁止（GenAI Use Strictly Prohibited）	当該科目で生成AIを使用しない

注目すべきは、AI利用を単なる「許可」の対象ではなく、「利用必須（Required）」という教育上の要件として位置づけていることである。AI支援型プログラミング、プロンプト設計（prompt engineering）、モデル出力の批判的検討、人間とAIの協働、AIシステムの評価などが学習成果に含まれる場合、AI利用そのものが課題となる。

一方、完全禁止について、報告書は授業外で参考資料や補助ツールとして利用していないかを確実に監視することは事実上困難であり、違反の見逃しと誤認の双方を生み得ると認めている。

9．「禁止」するなら、なぜ禁止するのかを説明する

委員会は、すべての科目に明確なAI利用方針を設けるだけでなく、学習成果と結びついた教育上の根拠（pedagogical rationale）を示すよう求める。

基礎的な問題解決能力の習得が目的であれば、AIがその学習過程を近道してしまうため利用を制限する、と説明できる。逆にAIを利用する課題では、AIが学生の思考や学習をどのように拡張するのかを説明する必要がある。

ここで重視される順序は、次のとおりである。

学習成果 → 教育上の根拠 → AI利用方針 → 学生の理解

方針を単なる規則遵守（compliance）のために示すのではなく、学生自身が、なぜその使い方が自らの成長に必要なのかを理解できるようにする考え方である。

10．AI検出ソフトではなく、学習過程を見る

委員会は、AI検出ソフト（AI detection software）への依存を推奨していない。AIによる構成案の作成や部分的な編集を正確に検出することは難しく、偽陽性（false positives）の危険もある。とりわけ、英語を母語としない学生や神経学的特性の異なる学生（neurodivergent students）の文章が、AI生成と誤認される可能性を指摘している。

また、AI検出ソフトと、それを回避する文章人間化ツール（AI humanizer）との競争は、教員と学生の双方に負担を生み、信頼関係を損なう。MITの規律委員会（Committee on Discipline）も、AI検出ソフトの出力だけでは不正申立ての十分な証拠とみなしていないと報告書は説明する。

そこで重視されるのが、草稿、変更履歴、途中段階の提出、定期的な面談、口頭説明などを通じ、学生がどのように成果物を作ったかを確認する学習評価である。AI利用を完全に見抜くことよりも、学生本人の学習を確認できる設計へ移行することが中心となる。

11．AI時代だからこそ対面・寄宿型教育を強化する

本報告書の特徴は、生成AIの普及を教育のさらなるデジタル化だけに結びつけず、対面で学ぶ価値を再確認している点にある。

大学教育を単なる「内容の伝達（content delivery）」として捉えるなら、高度なAIシステムが教員、指導者、同級生の一部の機能を代替できるようにも見える。しかし報告書は、教育を、学生が世界を解釈し、判断力を働かせ、自己を形成し、共同体に責任をもって参加する文化的実践として捉える。

学生は、教員、同級生、指導者、研究室、学習グループ、プロジェクト、クラブ、寄宿型共同体との関係のなかで、協働能力、忍耐力、責任感、職業人としての自己認識（professional identity）を形成する。AIが発達するほど、こうした人間的・社会的側面を教育に意図的に組み込む必要があるというのが委員会の立場である。

このため報告書は、共同プロジェクト、対面討議、実験室活動、指導・助言（mentoring）、実践的学習（hands-on learning）を支える活動と物理的空間への投資を求めている。

12．UROPをAIエージェントで代替してはならない

MITらしい象徴的な議論が、Undergraduate Research Opportunities Program（UROP）をめぐる問題である。

報告書によれば、意見聴取会では、学部学生をUROPの研究助手（research assistant）として雇う代わりにAIエージェントを使うことを検討する教員がいるとの話があった。AIエージェントの方が速く、効率的で、資源制約のもとでは合理的に見える可能性がある。

しかし、UROPの目的は学生を安価な研究労働力として使うことではなく、学生を教育することにある。学生は研究者と働くなかで、研究課題がどう形成されるか、判断力がどう育つか、失敗をどう解釈するか、研究上の功績をどう分かち合うか、意見の相違をどう扱うかを学ぶ。

したがって、AIエージェントが研究作業を効率化できるという理由だけで学生の参加機会を減らせば、研究共同体の一員へと成長する徒弟的学習（apprenticeship）を失わせる危険がある。

13．教員任せにしない制度設計

報告書のもう一つの強みは、授業改革を個々の教員の努力だけに委ねていない点にある。

委員会は、AIと教育の変化を継続的に監視し、戦略、評価、方針調整を担う常設委員会の設置を提言する。また、スクール、カレッジまたは学科にAI担当責任者（AI Leads）を置き、カリキュラムの適応、AI利用方針、学習評価モデルの開発を支援することを求める。

さらに、AI実装チーム（AI Implementation Team）とAIフェロー（AI Fellows）を設け、AI技術と学習科学（learning sciences）の知見を持つ人材が、個々の教員、全学ツール、実装評価の三つのレベルで支援する構想を示している。

AI試行基金（AI Pilot Fund）については、AI利用料、ティーチング・アシスタント（TA）、UROP、夏季支援などを提供し、AI活用型プロジェクトだけでなく、意図的にAIを使わない学習経験も実験対象とする。報告書自身、全学規模での移行は「極めて大規模な取組（massive undertaking）」であり、既存の教育支援組織であるTeaching and Learning Labもすでに支援能力の上限にあると認めている。

AI時代のカリキュラム改革には、教員への要請だけでなく、実装能力への組織的投資が必要なのである。

14．AIへのアクセスは学習評価の公平性の問題になる

報告書は、AI基盤（AI infrastructure）を教育政策の一部として扱う。

一部の学生が月200ドル以上を自己負担して最先端のAIシステムを利用できる一方、他の学生が能力の低いモデルしか利用できなければ、科目成績（course performance）に大きな格差が生じ得る。

MITのParley System（パーリー・システム）は、商用モデルとオープンモデルを含む複数モデルへのアクセスと、利用者一人当たり月30ドルまでの利用枠を提供している。報告書はこれを重要な第一歩と評価しつつ、授業によっては十分でない可能性があると指摘する。今後は、自律的に作業するコーディング・業務支援ツール（agentic coding and working tools）、モデルの訓練や追加調整（fine-tuning）に必要な学内またはクラウド上の計算資源も検討対象になる。

AI利用をカリキュラムに組み込むなら、AIへのアクセスは単なる情報技術サービスではなく、教育上の公平性（educational equity）と学習評価の公正さに関わる。

15．ERF分析――この報告書をどう評価すべきか

本報告書の最大の意義は、大学における生成AI対応の中心を、AI利用の統制から教育目的の再定義へ移したことにある。

従来の議論は、「学生にAIを使わせるか」「不正利用をどう検出するか」に偏りがちだった。MIT委員会は、その前に、大学が学生に何を学ばせるのか、何を学生自身の能力として保持すべきか、AIとの協働によって何を新たに可能にするのかを決める必要があるとする。

その意味で、報告書は議論を次のように進めたと評価できる。

方針から教育設計へ、教育設計から組織制度の設計へ

第二の意義は、学習評価改革を監視強化だけでなく、学習過程、口頭説明、ポートフォリオ、プロジェクト、体験型学習へ広げたことである。AI時代に信頼できる学習評価とは、AIを使ったかどうかを完全に検出する仕組みではなく、学生本人の理解、判断、成長を複数の証拠から確認できる仕組みだという見方である。

第三の意義は、AIが高度化するほど対面・寄宿型教育の価値が高まるという逆説を提示したことである。教員、同級生、指導者、研究室、共同体との関係は、知識伝達の補助ではなく、判断力、職業人としての自己認識、責任感を形成する教育そのものである。

一方、限界も明確である。

第一に、報告書が特定した悪影響の一部は、質問紙調査、意見聴取会、個別事例に基づく証拠に依拠する。AIが習熟、自信、社会的交流に与える長期的な因果効果は、今後の研究と検証を必要とする。

第二に、提言は口頭評価、ポートフォリオ、プロジェクト型学習、TA、対面活動のための空間、AIフェロー、実装チーム、計算資源など、多くの人員・時間・財源を必要とする。MITでさえ大規模な実装は困難だと認めている以上、他大学が制度だけを模倣することは現実的でない。

第三に、この文書は今後の道筋を示す構想（roadmap）であり、実装成果（implementation outcome）の報告ではない。提言が正式に採択され、各学科や科目でどこまで実装され、学生の学習にどのような効果をもたらすかは、今後検証されるべき問題である。

16．日本の大学への示唆

日本の大学がこの報告書から学ぶべきなのは、MITと同じ組織や資源を整備することではなく、改革の順序である。

1．全学方針の前後に、科目レベルの学習成果検証を置く

全学的なAI利用方針は必要だが、それだけでは個々の授業で何を守り、何を変えるべきかは決まらない。学部・学科・科目ごとに、学生がAIなしで身につける能力と、AIとの協働によって身につける能力を明確にする必要がある。

2．学習評価を「成果物の真正性」だけでなく「学習の確認」として設計する

AI検出ソフトへの依存ではなく、途中提出、短い口頭説明、振り返り（reflection）、変更履歴、ポートフォリオなどを組み合わせる。ただし、教員負担と授業規模を考慮し、すべての科目で同じ方法を採用するのではなく、教育上重要な場面から段階的に試行することが現実的である。

3．AI利用方針に教育上の根拠を付す

「禁止」「許可」「必須」のいずれであっても、学習成果との関係を学生に説明する。これは規則の明確化だけでなく、学生を学習の目的に参加させる試みでもある。

4．教員個人ではなく、組織として実装能力をつくる

教員能力開発（Faculty Development）、科目再設計の支援、教育工学・学習科学・AI技術を横断するチーム、小規模な試行（pilot）の資金が必要である。日本では新組織を直ちに設けるより、既存の教育開発センター、情報基盤部門、学部FDを結びつけることから始められる。

5．AIを使わない学習経験も意図的に設計する

AI活用の拡大だけが革新ではない。基礎技能、対話、身体的実践、実験室での作業、共同問題解決など、AIを使わない方が学習成果に適する場面を明示的に守る必要がある。

6．アクセス格差を教育上の公平性として扱う

有料AIへの個人負担を前提にすれば、学生間の条件が不均等になる。AI利用を必須とする場合、大学はツール、プライバシー、データ管理（data governance）、利用量、利用しやすさ（accessibility）を含む学習環境を保障しなければならない。

おわりに――AI時代の大学教育を再定義する

生成AIへの対応を考えるとき、多くの大学はまず方針を作り、学生に何を許可し、何を禁止するかを決めようとする。

MIT委員会の報告書は、その順序を逆転させる。

まず問うべきなのは、学生に何を学ばせたいのかである。次に、その学習を実現し確認するために、どのような教育方法と学習評価が必要なのかを考える。そして最後に、その目的のためにAIをどこで使い、どこで使わないのかを決める。

AIがより多くの知的作業を担えるようになるほど、大学は、人間自身に何を残すべきかを明確にしなければならない。

MIT委員会が守ろうとしているのは、従来の教育方法それ自体ではない。思考、判断、創造性、協働、人間的なつながり、そして学習につながる試行錯誤を通じて人が成長するという、大学教育の根本的価値である。

生成AIによる変化を避けるのではなく、その変化を通じて大学教育の目的を再定義する。本報告書の最も重要な意義は、そこにある。

主要資料

1. Massachusetts Institute of Technology, Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, 13 August 2026.
2. MIT Faculty Governance, Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, 委員会の設置目的・任務および構成員（2026年8月26日確認）.
3. MIT, AI and Education: Report, 委員会報告書ウェブ版（2026年8月26日確認）.