AIの普及が問い直す大学の価値
近年、学生が日常的に生成AIを学習や課題遂行に利用する状況が広がり、持ち帰り試験の平均点が高く出る一方で対面試験では点が大きく下がるなど評価のゆらぎが生じています。こうした現象を踏まえ、アメリカ・モンタナ州立大学でコンピューターサイエンスを教えるカーソン・グロス氏は、大学が持つ本来の役割と教育手法の再検討を提案しています。
実践的なコーディング経験の重要性
グロス氏は、理論教育が重要である一方で「AIに頼らないでコードを書くこと」を学生に経験させる価値を強調します。AIが優れたコードを短時間で生成できる現在、経験の浅い学生はAI出力の妥当性を判断できないリスクがあると指摘。コードを読み、誤りや不適切さを見抜く力は、AI時代においても不可欠な能力であり、その獲得には自らコードを書く実体験が効果的だとしています。
「コードを読む能力を身につけたいなら、まずコードを書かなければなりません。」
評価方法の見直しと具体的施策
学生がAIを活用して宿題やレポートを仕上げてしまう現状を踏まえ、グロス氏は成績評価と課題設計の変更を実施しました。代表的な取り組みは次のとおりです。
- 宿題・課題の成績比重を引き下げ、対面での評価機会を重視する
- AIの助けを前提にしたより現実的で大規模な課題を導入する
- 生成AIをティーチングアシスタントとして位置づけ、学習支援に活用する
これらの変更は、学生の自律的な学びを促す一方で不正防止や技能の実証性を高めることを意図しています。特に対面での短時間テストや手書きの持ち込み制限など、AIを利用しにくい環境での評価を取り入れることで、学生の素地となる技能をより正確に査定できるとしています。
授業での具体的運用例（グロス氏の実践）
グロス氏が過去1年で導入した変更点を表にまとめます。これは他大学が参考にできる実務的なサンプルです。
| 項目 | 変更内容 |
|---|---|
| 成績配分 | 宿題・課題の比重を従来の60～80％から約50％に削減 |
| 課題設計 | AIを利用しても難易度の高い大規模システムの課題を導入 |
| AI活用 | AIを学生の質問対応や補助として活用（優秀なTAのように利用） |
保護者・学生への実務的な示唆
本件は保護者や学生にとっても重要な変化を含みます。評価の在り方が変わると、学習の優先順位や受験・就職準備の戦略にも影響します。対面評価が重視される場合、以下の点に留意して学習計画を立てることが有効です。
- 実際に手を動かしてコードを書く時間を確保する（AI利用と並行して自己の技能を磨く）
- コードの読解力を鍛えるために既存のプロジェクトやオープンソースのコードを読む習慣を持つ
- 対面やペン・紙ベースの試験で問われうる基礎力（アルゴリズムの理論や手計算の能力）を維持する
大学側がAIを学習支援に組み込む一方で、AIの介在しない評価を導入する動きは、学生の実力を正しく把握するための『二重線引き』とも言えます。AIを使用して高得点を得る学生と、人間の技能を示せる学生とを区別する評価設計が模索されているのです。
教育現場に残る課題と展望
グロス氏の実践は一例に過ぎません。一般化するには、学科や教員のリソース、試験監督体制、カリキュラム改編の合意形成など多くの課題があります。また、AIを完全に排除するのではなく、教育目的に応じてAIをどのように位置づけるかが鍵になります。たとえばAIを学習アシスタントとして活用しつつ、基礎的技能の実証は対面評価で行うといったハイブリッドな運用が現実的です。
結論として、大学はAI時代においても学生に『判断できる力』と『自ら手を動かす力』を同時に育てる場となる必要があります。評価方法とカリキュラム設計を見直すことは避けられず、教育機関、学生、保護者の三者が実利的な対応を協議することが求められます。
取材協力・出典：カーソン・グロス（モンタナ州立大学）による同テーマの論考および実践報告を基に構成しました。
