ニュースの概要
英オックスフォード大学は、教育省、資格・試験監督機関のOfqual、教材提供を担うOak National Academyと連携し、児童・生徒が学習の過程で生み出すデータをAI研究に活用するための仕組みを検討する6か月間の研究を始めました。対象となるのは、学習履歴や回答傾向などを個人が特定されない形に整えたデータです。教育改善やAI教材の開発が期待される一方、匿名化後も再特定の恐れは残ります。研究では、誰が何の目的でデータを使えるのか、本人や保護者がどのように関与するのか、教育データを共同利用する基盤をどう設計するのかが焦点になります。
引用元: 英オックスフォード大学と教育省、学校データのAI利用に関するガバナンス研究を開始（ETIH EdTech News）
分析・見解
学習履歴は成績表より多くの情報を含んでいる
学校のデータは、テストの点数だけではない。どの問題で迷ったか、回答を直したか、教材を何度開いたか、支援を受けた後にどう変化したかまで含まれる。こうした時系列の情報をAIに学習させれば、つまずきの早期発見や、児童・生徒ごとの教材調整に役立つ可能性がある。教師の経験を補い、支援が必要な子を見落としにくくする効果も期待できる。
一方で、学習履歴は本人の能力だけでなく、家庭環境、障害の有無、言語背景、心理状態を推測できる情報にもなり得る。成績表を名前から切り離すだけでは不十分だ。複数の記録を組み合わせると、本人を再び特定できる場合がある。子どものデータは、成人の購買履歴とは違い、本人が利用目的を十分に理解して同意することが難しい点も重い。
匿名化より先に利用目的と責任者を決める
今回の研究で重要なのは、データを隠す技術だけでなく、利用のルールを先に定めることだ。例えば「AI研究に利用する」と一括りにせず、教材の効果測定、学習支援の予測、試験制度の改善など目的を分ける必要がある。目的が変わるたびに、再利用を認めるのか、保護者への通知が必要なのかを判断できなければならない。
また、AIの出した判定を誰が確認し、誤りがあった場合に誰が説明するのかも明確にすべきだ。ある生徒を「支援が必要」と予測した結果が、教師の判断を助ける情報にとどまるのか、それとも進級や進路の判断に影響するのかで、求められる検証の厳しさは大きく変わる。判断を自動化するほど、異議を申し立てる道筋が必要になる。
教育データ・コモンズは共有基盤ではなく信頼の設計になる
教育データ・コモンズの構想は、学校や研究機関がばらばらにデータを抱える状態を改め、条件付きで安全に利用できる共有基盤を目指すものだろう。共通の形式でデータを整えれば、地域や学校ごとの教材効果を比べやすくなり、同じ調査を何度も繰り返す無駄も減る。小規模な学校でも、高品質な研究に参加しやすくなる。
ただし、中央に大量のデータを集めれば安全になるわけではない。漏えい時の影響はむしろ大きくなるため、必要な項目だけを取り出す仕組み、利用期限、アクセス記録、外部持ち出しの制限を組み合わせる必要がある。データを一か所に集めず、計算結果だけを共有する方式も選択肢になる。共有の便利さより、被害を小さくする設計を優先すべきだ。
AIの精度競争から、教育成果と権利の両立へ
教育分野では、AIの正解率だけを比べる評価が広がりやすい。しかし、予測が当たっても、教師が使いにくい、特定の地域や言語の子どもに不利、本人が理由を理解できないという問題があれば成功とは言えない。評価には、学習成果、教師の負担、誤判定の偏り、子どもと保護者の納得度を含める必要がある。
英国の研究が示す価値は、AIを導入するか否かの二択から離れ、どの条件なら使ってよいかを具体化する点にある。今後は、試験用データと日常の学習データをどこまで分けるか、学校の委託先にどの権限を渡すか、卒業後も保存するのかが焦点になる。子どもが成長して自分の記録を確認し、訂正や削除を求められる仕組みまで含めて初めて、長く使える教育AIになる。
ビジネスへの影響
教育サービス企業はデータの出所と目的を台帳化する
企業が最初に行うべきことは、AIに入力するデータの一覧を作ることだ。氏名を削除したかだけでなく、学年、学校、地域、回答時刻、自由記述など、組み合わせると個人を推測できる項目を確認する。データごとに取得元、利用目的、保存期間、アクセスできる担当者、外部提供の有無を記録しておけば、契約更新や新機能の開発時に判断がぶれにくい。
学校向けにAIを提供する場合、契約書には「サービス改善のために利用する」といった広い文言だけを置かない方がよい。研究利用、モデルの再学習、広告や営業への転用を分け、目的外利用を禁止する条件を明記する。再委託先、国外の保管場所、事故時の通知期限も確認する必要がある。安価なクラウドを選ぶ前に、説明責任を果たせるかを評価すべきだ。
導入判断は精度ではなく現場の負担軽減で測る
AI教材や学習分析を導入する際は、試験的に一部の学年や単元から始めるのが現実的だ。導入前に、教師がどの画面を何分見るのか、誤判定をどう訂正するのか、保護者から質問が来た場合に誰が答えるのかを決める。実証では、AIの予測精度だけでなく、教師の確認時間、支援開始までの日数、特定の集団に偏った誤りの数を測定したい。
特に重要なのは、AIを使わない選択肢との比較である。紙の記録や教師の定期面談で同じ成果が得られるなら、追加のデータ収集は正当化しにくい。反対に、欠席が多い生徒の変化を早く把握でき、教師の事務作業を減らせるなら導入価値は高い。企業の提案資料も「最新のAI」ではなく、どの教育課題をどの指標で改善するかを中心に組み立てるべきだ。
子どもと保護者の納得を調達条件に組み込む
教育機関や自治体は、技術仕様だけでなく、説明の分かりやすさを調達条件に含める必要がある。データを何に使うのか、AIの判断が人の評価に影響するのか、利用を断った場合に不利益があるのかを、短い文章と具体例で示す。保護者向け説明会では、抽象的な安全宣言より、保存期間や削除請求の手順を示した方が信頼につながる。
企業にとって、厳しい管理は負担であると同時に差別化の機会でもある。利用目的を細かく分け、監査記録を提示し、教師がAIの提案を修正できる製品は、長期契約につながりやすい。英国で整備される枠組みが今後の標準になれば、国内企業も海外展開を見据えて、子どもの権利を製品設計の初期段階から組み込むことが競争力になる。
