Anthropic 教育レポート：大学生はどのように Claude を使用しているか

Anthropic は、大学生が学術的なワークフローに AI をどのように自然に統合しているかを理解するために、Claude.ai 上の 100 万件の匿名化された会話を分析した大規模な調査結果を公開しました。このレポートは、STEM 学生、特にコンピュータサイエンス専攻の学生が主要な初期導入者であり、学生が「作成」や「分析」といった高次の認知タスクを AI システムに頻繁に委ねていることを明らかにしています。

データ手法とプライバシー

Anthropic は、ユーザーのプライベートな情報を削除しつつ、ユーザーの会話をハイレベルな使用状況の要約に集約するために、「Clio」 (Claude Insights and Observations) と呼ばれる独自の自動分析ツールを使用しました。この調査では、Claude.ai の Free および Pro アカウントのうち、高等教育機関のメールアドレスに紐付けられた約 100 万件の会話を分析しました。学術的な関連性でフィルタリングした後、最終的なデータセットは 574,740 件の会話で構成されました。

学問分野別の AI 導入状況

米国の学士号取得者数と比較して、AI の導入は STEM 分野で不釣り合いに高くなっています。

Computer Science: 米国の学士号のわずか 5.4% を占めるにもかかわらず、Claude.ai の会話の 38.6% を占めています。
Natural Sciences and Mathematics: 学生の登録数に対して、より高い割合を示しています（それぞれ 15.2% と 9.2%）。
Underrepresented Fields: Business (会話の 8.9% に対し、学位の 18.6%)、Health Professions (5.5% に対し 13.1%)、Humanities (6.4% に対し 12.5%) は、導入率が不釣り合いに低くなっています。

Anthropic は、これらのパターンは STEM 関連タスクにおける AI システムの高い習熟度と、Computer Science コミュニティ内でのこれらのツールの高い認知度によるものとしています。

学生と AI のインタラクション・パターン

Anthropic は、4 つの異なるインタラクション・パターンを特定しました。それぞれが会話の約 23% から 29% を占めています。これらのパターンは、「インタラクションのモード」(Direct vs. Collaborative) と「期待される成果」(Problem Solving vs. Output Creation) によって定義されます。

インタラクションの分類学

Direct Problem Solving: ユーザーは特定の質問に対する迅速な解決策や説明を求めています。
Direct Output Creation: ユーザーは、エッセイやプレゼンテーションなどのより長いアウトプットの生成を求めています。
Collaborative Problem Solving: ユーザーは、解決策や説明を導き出すために対話を行います。
Collaborative Output Creation: ユーザーは、コンテンツを作成するために AI と反復的に作業を行います。

これらのモードは、哲学的な理論の明確化や化学の学習教材の作成といったポジティブな学習を可能にする一方で、会話のほぼ半分（約 47%）は「Direct」でした。これは、学術的な誠実さ（Academic Integrity）に関する懸念を引き起こします。一部のユーザーが多肢選択式の質問に対する直接的な回答を求めたり、盗用検知を避けるためにテキストを書き換えるよう AI に依頼したりしたためです。

認知タスクの委譲

ブルームのタキソノミー（Bloom's Taxonomy）を応用し、Anthropic は学生のインタラクション中に AI が実行した認知プロセスを分析しました。その結果、認知的な委譲の「逆ピラミッド」が示されました。

Higher-Order Functions: 「作成」(39.8%) と「分析」(30.2%) が、Claude によって行われた最も一般的な操作です。
Lower-Order Functions: 「応用」(10.9%)、「理解」(10.0%)、および「記憶」(1.8%) は、著しく普及していません。

この分布は、学生が最も複雑な認知タスクを AI に頻繁にアウトソーシングしていることを示唆しています。Anthropic は、学生の学習を妨げるものではないものの、AI が「杖（crutch）」となり、高次思考に必要な基礎的なスキルの発達を阻害するリスクがあることを指摘しています。

科目別の使用傾向

インタラクションのスタイルは、分野によって大きく異なります。

Natural Sciences & Mathematics: Problem Solving、特にステップバイステップの計算や宿題の説明へと向かう傾向があります。
Computer Science, Engineering, and Natural Sciences: Collaborative な会話へとより傾斜しています。
Humanities, Business, and Health: Collaborative と Direct なインタラクションの間で、より均等な分割が見られます。
Education: Output Creation (会話の 74.4%) に対して最も強い傾向を示していますが、Anthropic は、これには教職員が授業計画や教材を作成することも含まれている可能性があると指摘しています。

調査の限界

Anthropic は、調査結果にはいくつかの限界があることを特定しました。これには、データセットが一般的な学生層ではなく初期導入者（early adopters）を捕捉していることや、単一の 18 日間の保持期間に基づいていることなどが含まれます。さらに、この調査は AI に委譲されたタスクのみを分析しており、最終的な学習成果や、学生が AI 生成のアウトプットを最終的な学術的な成果物としてどのように利用しているかは分析していません。