AI×教育研究まとめラボ | 教育者のための生成AI研究ダイジェスト

1. 生徒・学生の生成AI利用実態

2025〜2026年にかけての各種調査により、高校生の生成AI利用はすでに「一部の生徒だけのもの」ではなく、多数派の日常的な学習行動になっていることが分かってきています。

70〜83.5%

高校生の生成AI利用経験率（2025〜2026年、複数調査の範囲）

42.3%

利用目的のトップ「宿題・勉強の手助け」（学研白書2025・利用者ベース）

約3割

悩みの相談相手として生成AIを使う高校生の割合（ベネッセ 2025）

利用目的は「宿題・勉強の手助け」が最多で、次いで「情報収集」「悩み相談・カウンセリング」と続きます。学習面では、わからない問題が出た際に自分でAIに説明を求めたり類題を出してもらったりと、生徒自身が学び方を選び取るスタイルが定着しつつある一方、後述するように「どう使うか」によって学習効果が大きく変わることが研究で示されています。

高校生の生成AI利用経験率（調査別）

調査によって差はあるものの、高校生の7〜8割以上が生成AIの利用経験ありと回答しており、すでに少数派の行動ではないことがわかります。

生成AIの利用目的（高校生・利用者ベース、学研白書2025）

「勉強の手助け」が突出して多い一方、情報収集や悩み相談など学習以外の用途にも広がっている点に注意が必要です（複数回答）。

2. 教育的効果に関する研究知見

📈 大規模メタ分析：中程度〜大きなプラスの効果

36件の実証研究・132の効果量・参加者7,229人を統合した3レベルメタ分析では、生成AIの学習成果への全体効果は中程度（Hedges' g = 0.499）。別の高等教育メタ分析では、知的アウトカムへの効果はより大きく（g = 1.096）、社会情動的アウトカムにも有意な正の効果が見られました。フィードバック機能は「認知的アウトカム」への効果が最も強く、「メタ認知」への効果は有望だが確立途上、「非認知的アウトカム」への効果は限定的という結果です。

出典：Frontiers in Psychology / Nature Humanities and Social Sciences Communications のメタ分析（下部「出典・参考文献」参照）

メタ分析による効果量（Hedges' g）

Cohenの目安では g = 0.2 が「小」、0.5 が「中」、0.8 以上が「大」の効果とされます。教育研究としてはどちらも比較的大きな効果です。

🎓 ハーバード大学の物理AIチューター研究（Kestin et al., 2024）

ハーバード大学の物理入門コースで、AIチューターを使って自習した学生グループは、人間の講師によるアクティブラーニング型の授業を受けたグループより 短い時間で2倍以上の学習成果を示し、学習への熱意（engagement）も倍増しました。鍵となったのは設計面の工夫で、AIには「一度に答えを教えず、1ステップずつヒントを出す」ことを明示的に指示していた点です。研究者自身も「AIが教員や対面授業を置き換えるべきという意味ではない」と釘を刺しています。

出典：Kestin, G. et al. "AI Tutoring Outperforms Active Learning"（2024, Harvard）

アクティブラーニング型授業 vs AIチューター（相対指数、従来型=1.0）

アクティブラーニング型授業（従来） AIチューター

同条件下でAIチューターを使ったグループは、より短い時間で約2倍の学習成果を示しました（engagementも同様に倍増）。

👩‍🏫 人間の講師 + AI補助（Tutor CoPilot）のRCT

数学のオンライン個別指導で、AIが講師をリアルタイムに補助する「Tutor CoPilot」を使った条件では、生徒の単元習熟度到達率が4ポイント向上。特に経験の浅い・評価の低い講師が担当した生徒では最大9ポイントの向上が見られ、AIが「講師の経験差を埋める」形で機能した点が注目されています。

出典：Stanford NSSA 関連研究ノート（下部参照）

Tutor CoPilot導入による単元習熟度到達率の向上

AIによる補助は、特に経験の浅い講師が担当する生徒でより大きな効果を発揮し、指導経験の差を埋める働きをしています。

⚖️ 効果には条件がある

学習者中心（learner-centered）で能動的な学びを促す環境では効果が強く出る一方、教員中心・受け身型の指導ではAIの効果が弱まることがメタ分析で示されています。「AIを使えば自動的に伸びる」わけではなく、指導設計との組み合わせが重要という結論は、多くの研究に共通しています。

3. リスク・注意点に関する研究知見

⚠️ 「ガードレールなしの生成AIは学習を損なう」（Bastani et al., PNAS 2024）

トルコの高校（約1,000人、9〜11年生）での実験。GPT-4に自由にアクセスできた生徒は練習問題の成績が大きく向上（GPT Baseで+48%、ヒントのみを与えるGPT Tutorで+127%）しましたが、 AIへのアクセスを外した後のテストでは、GPT Baseを使っていたグループは AIを一度も使わなかったグループより成績が17%も低下しました。一方、答えを直接教えず教師設計のヒントのみを出す「GPT Tutor」条件では、この悪影響は緩和されました。「AIで解けた」ことと「自分の力で解けるようになった」ことは別物であり、設計（ガードレール）の有無が結果を大きく左右するという、教育現場への警鐘となる研究です。

出典：Bastani, H. et al. "Generative AI without guardrails can harm learning" PNAS (2024)

「使っている間」は伸びるが、「外した後」に何が起きたか

成績アップ（AI未使用群を基準=0%）成績ダウン（AI未使用群を基準=0%）

GPT Baseで練習した生徒は、AIを外すとAIを一度も使わなかった生徒より成績が低くなりました（スキルが身についていなかった）。ヒントのみを出すGPT Tutorではこの悪影響が緩和されています。

🧠 批判的思考力の低下・認知的オフロード（Gerlich, 2025／MIT Media Lab）

666人を対象とした2025年の調査では、生成AIの利用頻度と批判的思考力のあいだに有意な負の相関が見られ、特に若年層でAI依存の傾向と批判的思考スコアの低下が顕著でした（媒介要因は「認知的オフロード」）。 MIT Media LabによるEEG（脳波）を用いた実験では、ChatGPTを使ってエッセイを書いたグループは脳の神経活動の結びつきが最も弱く、その後AIなしで書く課題を課された際、脳の結合が弱いままで自分が書いた内容すら思い出せない、という結果が報告されました。

出典：Gerlich, M. (2025) 調査研究／MIT Media Lab "Your Brain on ChatGPT" EEG研究

🔄 「認知的オフロード」自体は悪ではない、という反論も（Lodge & Loble, 2026）

2026年3月、Lodge & Lobleは「認知的オフロードそのものは学習者にとって本質的に有害ではない」と主張。重要なのは、AIに任せて浮いた認知的余力を何に使うか、という点だとしています。実際、探究的・足場かけ（スキャフォールディング）された指導設計に組み込まれたChatGPTは、メタ認知の調整や論証的推論、アイデア生成を支援する一方、指導設計のない自由な使い方では創造性は伸びても批判的思考は落ちる、あるいは両方が低下するという非対称なパターンが観察されています。

🎭 学業の公正性・評価の妥当性

生成AIによるレポート作成・剽窃の境界があいまいになる問題は、多くのシステマティックレビューで一貫して指摘される最大級の懸念事項です。あわせて、生徒の思考プロセスの「均質化」（みんな似たような文章・アイデアになる）も教育面のリスクとして挙げられています。

🌐 デジタル格差・公平性

生成AIへの公平なアクセスが確保されなければ、デジタル格差がさらに拡大する可能性があるとされています。米国EDUCAUSE 2025年調査では、機関の63%が「公平なAI活用のための教員研修」を優先課題としながら、新規予算を確保できたのはわずか2%という「投資ギャップ」も報告されています。

🔒 プライバシー・データガバナンス

UNESCOの生成AIガイダンスは、多くの国で生成AIに関する国内規制が未整備なため、特に未成年者のデータプライバシーが十分に保護されていない現状に警鐘を鳴らしています。具体的な提言として、生成AIサービスの単独利用に関する最低年齢を13歳とすること（EUのGDPRは16歳を基準）、データの商業利用の制限、透明なガバナンス体制の整備などを挙げています。

出典：UNESCO "Guidance for generative AI in education and research"（2023, 継続更新）

4. 効果とリスクを分けるもの：設計のポイント

ここまでの研究を横断的に見ると、「生成AIそのものが良い／悪い」のではなく、 「どう使わせるか」の設計が学習効果とリスクの分かれ目になっていることが共通しています。

効果につながりやすい使い方	リスクにつながりやすい使い方
答えを直接出さず、1ステップずつヒントを出す（Socratic方式）	質問すれば最終解答をそのまま返す
探究的・足場かけされた指導設計に組み込む	目的や指導方針なく自由に使わせる
教員がAIとの対話ログを見取り、指導に活かす	生徒任せにして使用実態を把握しない
AIリテラシー教育とセットで導入する	使い方の指導なしにツールだけ与える
まず自分で考えさせ、その後AIで検証・深化させる	最初からAIに答えを求めさせる

教育者への示唆： 「生成AI禁止」か「自由に使わせる」かの二択ではなく、 どの場面で・どんな指示（プロンプト設計）で・どこまでAIに任せるかを教員側が設計することが、研究知見からみて最も重要なポイントです。

5. 現場での活用事例（授業準備・校務）

日本国内でも、教員の負担軽減を目的とした生成AI活用が2025年に本格化しています。

採点・評価業務の効率化：記述式問題の採点・点数集計にかかる時間を約50%削減し、教員の時間外勤務の削減につながった事例が報告されています。観点別評価の自動グラフ化により、クラス全体のつまずきの傾向を即座に把握できるようになった例も。
授業準備・教材作成の支援：教材や発問案のたたき台作成、類題生成など。
生徒対応の24時間化：生徒からの質問への一次対応、英会話練習の相手など。
校務効率化：保護者向け文書やメール文面の下書き作成の自動化。
自治体レベルの導入：東京都教育委員会「都立AI」（2025年5月本格運用開始）、さいたま市教育委員会「おたすけ学校AI」など、教育委員会単位での導入事例が増加。

6. 日本の学校向けガイドライン（文部科学省）

文部科学省は2023年7月に「初等中等教育段階における生成AIの利活用に関する暫定的なガイドライン」を公表し、その後の実践や検討会議での議論を踏まえ、2024年12月26日に「Ver.2.0」へ改訂しました。

教職員・教育委員会等の学校教育関係者を主な読み手とし、生成AIの概要や基本的な考え方、場面・立場ごとに押さえるべきポイントを整理。
「人間中心の利活用」を基本方針としつつ、生成AIの存在を踏まえた情報活用能力の育成強化を明記。
「初等中等教育段階における生成AIの利活用に関する検討会議」を設置し、2024年7月より継続的に検討。
教育活動・校務での活用に取り組む「生成AIパイロット校」を指定し、効果的な実践事例の創出・共有を推進。

出典：文部科学省「学校現場における生成AIの利用について」（mext.go.jp/a_menu/other/mext_02412.html）

7. 出典・参考文献

このページの内容は以下の一次情報・報道・研究論文をもとにAIが調査・要約したものです。詳細は各リンク先でご確認ください。