Anthropic 教育レポート：教育者が Claude をどのように活用しているか

Anthropic の調査によると、大学の教育者は、主にカリキュラム開発とルーチンワークの自動化のために、AI を教室での活動や事務的なワークフローの両方に統合しています。教育者は一般的に、文脈依存度の高いタスクに対して AI を拡張的なコラボレーターとして使用することを好みますが、Claude Artifacts を通じてカスタムでインタラクティブな教育リソースを構築するという顕著な傾向が見られます。

高等教育における AI の主なユースケース

教育者の間で AI の最も顕著な用途はカリキュラム開発であり、学術研究や学生の成績評価がそれに続きます。5月と6月の Claude.ai からの約 74,000 件の匿名化された会話の分析に基づくと、上位3つのユースケースは以下の通りです：

  • カリキュラムの開発: 分析された会話の 57%
  • 学術研究の実施: 分析された会話の 13%
  • 学生の成績評価: 分析された会話の 7%

これらの主な用途以外にも、教育者は模擬的な法的シナリオの作成、職業訓練コンテンツの開発、推薦状の起草、会議のアジェンダのような事務的な文書の管理などに AI を活用しています。

チャットボットからカスタムツールの構築へ

教育者は、単純なチャットのやり取りを超えて、機能的で展開可能な教育リソースを作成するために、Claude Artifacts 機能の使用を増やしています。このシフトにより、教員は、以前は多大な技術的専門知識や資金的リソースを必要とした教材を制作することが可能になります。

教育者によって構築されている主なツールには以下が含まれます：

  • インタラクティブな学習: Webベースのゲーム、脱出ゲーム、シミュレーション（例：化学の化学量論ゲーム、計算物理学モデル）。
  • 評価ツール: 自動フィードバック機能を備えた HTML ベースのクイズや、学生の成績を分析するための CSV データプロセッサ。
  • 視覚化: 科学的概念や歴史的なタイムラインのインタラクティブな表示。
  • 事務的ツール: 自動入力される学術カレンダーや、予算の計画・分析ツール。
  • 学術的文書: 終身教授権への異議申し立て、助成金申請、成績に関するコミュニケーションの草案。

拡張 vs. 自動化のスペクトラム

教育者は、タスクに求められる文脈のレベルと創造性のレベルに基づいて、AI による拡張（協力的使用）と AI による自動化（完全な委任）を区別しています。

高い拡張性が求められるタスク

学生との直接的なやり取りや複雑な意思決定を伴うタスクは、主に拡張を通じて行われます：

  • 大学での教育および指導: 77.4% が拡張。
  • 助成金申請書の作成: 70.0% が拡張。
  • 学術的なアドバイジング: 67.5% が拡張。
  • 学生の課題への指導: 66.9% が拡張。

高い自動化が求められるタスク

ルーチン的な事務および財務的なタスクは、AI に完全に委任される可能性が高くなります：

  • 機関の財務および資金調達: 65.0% が自動化。
  • 学生の記録および成績評価: 48.9% が自動化。
  • 入学および登録管理: 44.7% が自動化。

AI による採点への論争

教育者が AI 採点をどのように認識しているかと、実際にどのように使用されているかとの間には、大きな乖離があります。調査対象の教員は、採点を AI が最も効果的に機能しない領域として評価しましたが、Claude.ai のデータでは、採点に関連する会話の 48.9% が自動化に重点を置いていました。

教員による自動採点に関する懸念は、正確性と倫理性の中心にあります。Northeastern University の教授は次のように述べています：

"Ethically and practically, I am very wary of using [AI tools] to assess or advise students in any way... students are not paying tuition for the LLM’s time, they're paying for my time."

教育法と評価への影響

AI の普及は、教授法と学生の評価方法の再設計を強制しています。教育者は、暗記的な技術的スキルから、より高レベルな概念的応用へと焦点を移しています。例えば、コーディング教育において、焦点は構文のデバッグから、ビジネスにおける分析の活用に関する議論へと移っています。

AI による不正行為や「認知的なオフロード」に対抗するため、一部の教授は、伝統的な研究論文の代わりに、AI では完成できないような課題を課すことで、学生をより複雑で現実的な課題に取り組ませるようにしています。

研究手法と限界

Anthropic は、プライバシーを保護する自動分析ツールを使用して、高等教育機関のメールアドレスに関連付けられた Claude.ai の Free および Pro アカウントの会話をフィルタリングしました。これは、Northeastern University の 22 名の早期採用教員による定性的研究によって補完されました。

主な限界は以下の通りです：

  • 範囲: 本研究は高等教育機関のメールアドレスのみを含んでおり、K-12 の教員は除外されています。

  • バイアス: データは、一般的な教育者人口ではなく、早期採用者（アーリーアダプター）の傾向を反映している可能性があります。

  • フィルタリング: 高等教育機関のメールアドレスからの会話の約 1.5% しかキャプチャされていません。これは、ツールが教育者に明示的に関連付けられたタスク（例：シラバスの作成）をフィルタリングしたためです。

  • 時間的要因: 分析は 5 月と 6 月に限定されており、季節的な学術的な変動を考慮していません。

Sources