数年前、統計学の授業で何かが変わった。それは正式な発表があったわけではない。学生たちは、JMPの出力結果をAIが生成した解釈を携えて授業に現れるようになった。その解釈は流暢で自信に満ちていたが、時には全く間違っていた。分析自体は行われていた。しかし、多くの場合、理解は伴っていなかった。
強力な世代と脆弱な思考との間のギャップは、現在、データ分析教育における中心的な課題となっているが、AIを禁止することは解決策ではない。真の問題は、私たちが実際に思考を必要とする課題を設計しているかどうかである。
このブログシリーズの第1回では、AIが登場する以前の、優れた統計教育とはどのようなものかを論じました。今回のエピソードでは、AIが導入されることで何が変わるのか、そして教師はその変化を単に管理するだけでなく、どのように活用できるのかについて解説します。
変化した教室の現実
教育におけるAIについて真剣に考える人にとって必読書となっている著書『Co-Intelligence』[5]を著したイーサン・モリックは、それを率直に述べている。「私たちが知っている宿題は終わった」。私はその意見はおおむね正しいと思うが、これは危機というよりは、設計上の課題である。
現代の学生は、解答を作成することには非常に長けている。しかし、解答を評価することには自信がないようだ。JMPの出力結果を汎用AIツールに貼り付ければ、洗練された解釈文が返ってくる。だが、その解釈が正しいかどうか、適切なモデルが選ばれたかどうか、前提条件が検証されたかどうか、結論がデータから実際に導き出されたものかどうかを判断することは、必ずしもできるとは限らない。
そこで、講師の役割が変化し、情報伝達者から、より論理的思考を促すコーチへと移行していくのです。例えば、p値とは何かといった説明から、特定の分析がなぜ適切なのか、そしてその結果が文脈において実際に何を意味するのかを学生が自ら考えざるを得ないような学習体験を設計していくべきです。
自動化ではなく、拡張
教育におけるあらゆるAIツールの設計において最も重要な問いは、それが自動化のために使用されるのか、それとも拡張のために使用されるのかという点である。自動化は人間の判断を置き換えるものであり、拡張はそれを支援・改善するものである。これらの機能は同じものではなく、両者を混同することが、教室におけるAIに関する不安の大部分の原因となっている。
統計教育における目標は常に、学習の促進であるべきだ。つまり、学生の思考をより明確にするAIであって、学生の代わりに思考するAIではない。この区別は、どのツールをどのように使用するか、どの課題が学習の成果を判断する上で信頼できるかといった、あらゆる事柄に影響を与える。
AIが真に提供できるもの
リスクについては、第4話で詳しく解説しますが、その前に、AIが統計学の授業に実際にどのようなメリットをもたらすのかを述べておく価値があります。
- いつでも対応可能です。学生は、オフィスアワーを待ったり、講義についていけなかったことを恥ずかしく思ったりすることなく、いつでも質問できます。
- 限りなく忍耐強い。AIは、必要なだけ何度でも、また、リクエストされただけ多くの異なる方法で、同じ概念を説明します。
- 授業時間を有効活用できる。定型的な手順に関する質問が教室外に移ることで、残りの時間を議論や解釈、そしてAIでは到底解決できないような曖昧さの解消に集中させることができる。
一風変わったAI：JMPのLearnBot
LearnBot [3] は、JMP Marketplace からダウンロードでき、JMP Student Edition のヘルプ メニューからアクセスできる無料のアドインです。JMP のドキュメントと学習リソースに基づいてトレーニングされているため、汎用チャットボットではなく、特定の状況に応じた指導を行うチューターとなっています。
LearnBotは、JMPと統計学の家庭教師として機能する、テキストベースの対話型AIです。学生のデータや出力結果にはアクセスできません。学生は画面に表示されている内容を自分の言葉で説明し、LearnBotはその説明に応答します。
その近接性は重要です。ブラウザのタブを切り替えるのではなく、学生はワンクリックで分析環境内に留まり、作業が行われているまさにその場所で作業を続けることができます。
LearnBotに出力結果を説明する行為自体が、学習の機会となります。良い質問をするためには、まず自分が目にしているものを表現する言葉を見つけなければなりません。その言葉で説明することで、理解が深まるか、あるいは理解が途切れるかが決まるのです。
具体的な例を考えてみましょう。ある学生が回帰分析を実行し、R²が0.71であることと、明確なパターンを示す残差プロットを確認しました。その学生はLearnBotに次のように入力します。「私の重回帰モデルではR²が0.71ですが、残差プロットには明確な構造またはパターンがあります。これはどういう意味ですか？」
Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.Using LearnBot in JMP Student Edition, a student describes their regression output and receives statistical and JMP guidance.JMP Student EditionのLearnBotを使用すると、学生は回帰分析の結果を説明し、統計的およびJMPに関するガイダンスを受け取ることができます。
LearnBotは、パターン化された残差プロットが何を示しているかを説明した後、「JMPで二次項を追加したり、変換を実行したりする方法についてガイダンスが必要ですか？」と尋ねます。このフォローアップの質問こそが重要なのです。目的は答えを与えることではなく、学習者の思考を次の段階へと促すことです。
アドヴァイト・サルカール[4]は、「自分の思考の中間管理者」になるリスク、つまり、推論を自分たちで開発するのではなく、AIに委託してしまうリスクについて警告している。LearnBotはまさにその傾向に対抗するように設計されている。
「質問に答えてくれるツールと、より良い質問をするための手助けをしてくれるツールには違いがある。」 |
本当の変化：A課題設計
講師にとって最大の変化は、どのAIツールを許可するかを選択することではなく、課題を再設計することです。学生がAIツールから得られる成果の質は、学生が入力する内容の質に大きく左右されます。次の2つの課題を比較してみてください。
- ✘ 回帰分析を実行し、R² を報告してください。
- ✔ 2つのモデルを比較し、選択した理由を説明し、検証できない前提条件を1つ特定してください。
2つ目のタスクは、理解なしには外部委託できません。JMPの視覚的で探索的なワークフローは、まさにこのような解釈を自然に促すものであり、AIが活用されている場合でも、教育環境として優れた効果を発揮する理由の一つとなっています。
よりスマートな教室
反転授業やハイブリッド授業では、その効果はさらに高まります。学生は授業前にデータを調べ、AIのサポートを活用して行き詰まりを解消します。そして授業時間には、議論や判断、そして現在のAIではうまく解決できない現実世界の曖昧さといった問題に焦点を当てます。
JMPのラス・ウォルフィンガー氏が述べているように[6]、AIは拡張するものであり、置き換えるものではありません。インストラクターの仕事は、学生が実際に経験するのが拡張であり、必要な思考を回避する近道ではないような学習環境を設計することです。
第3話では、JMP Assistantについてさらに詳しく掘り下げます。具体的な分析ワークフロー、できることとできないこと、そして学生が主体的に学習を進められるように活用する方法について解説します。
これを試してみてください
JMP MarketplaceからLearnBot [3]をインストールし、JMP Student Editionのヘルプメニューから起動します。学生にデータセットを与え、各自が選択した分析を実行するように指示します。次に、LearnBotに対して、理解に苦しむ結果を自分の言葉で説明するように指示し、そのやり取りを次の授業で共有します。LearnBotに書き込む内容は、分析結果そのものよりも、学生の理解度をより深く示していることがよくあります。
参考文献
[1] JMPアカデミックプログラム、jmp.com/academic
[2] JMP学生版、jmp.com/student
[3]LearnBot（JMPマーケットプレイス） 、marketplace.jmp.com
[4] アドヴァイト・サルカール、「AIがあなたの批判的思考を殺してしまうのを止める方法」、 TEDトーク、2025年
[5] イーサン・モリック著「Co-Intelligence: Living and Working with AI」 Portfolio/Penguin、2024年
[6] Russ Wolfinger、「科学者とエンジニアがAI主導の時代に備えるべき7つの方法」、 JMPホワイトペーパー
[7]GAISEカレッジレポート改訂版（作成中、2025年）
についてa著者
フォルカー・クラフトは、JMP Statistical Discovery（SAS社傘下）の主席アカデミック・アンバサダー（EMEA担当）であり、JMPグローバル・アカデミック・チームの一員です。2011年以来、ヨーロッパ中の大学がJMPを教育や研究に導入するのを支援してきました。彼の専門は音声技術研究で、AIが一般に普及するずっと以前から、統計的な厳密さと工学的な実用性が共存する必要があった分野です。JMPコミュニティまたはLinkedInを通じて連絡を取ることができます。
全5話中第2話 • 次回： JMPアシスタントの実践： でそれがあなたにできること
こんにちは、フォルカーさん。素晴らしい記事ですね。LearnBotを使えば、JMPをより迅速かつ深く活用し、データサイエンスに取り組むことができることに驚いています。あなたの論理展開は明快で、LearnBotを教室で活用するための推奨方法も的確です。このシリーズの次の記事もぜひ読んで、メキシコで実施しているハイブリッドメンタリングに活用したいと思っています。よろしくお願いいたします。DH
AIを批判的思考の代替手段としてではなく、学習支援ツールとして活用することについての、非常に興味深い議論でした。特に、単に結果を報告するだけでなく、学生が自身の推論を説明し、分析上の選択を正当化することを求める課題に焦点を当てている点が気に入りました。このようなアプローチは、学業をより有意義なものにすることができます。Academic Papers UKは、研究、構成、そしてより明確な学術論文に重点を置いた課題作成サービスを通じて、学生を支援しています。
AIを批判的思考の代替手段としてではなく、学習支援ツールとして活用することについての、非常に興味深い議論でした。特に、単に結果を報告するだけでなく、学生が自身の推論を説明し、分析上の選択を正当化することを求める課題に焦点を当てている点が気に入りました。このようなアプローチは、学業をより有意義なものにすることができます。Academic Papers UKは、研究、構成、そしてより明確な学術論文に重点を置いた課題作成サービスを通じて、学生を支援しています。
