全4回のエピソードを通して、私たちは大きな進歩を遂げました。まず、AIが登場する以前の段階で、JMP Student Editionが教育現場で真に役立つ理由について考察しました。次に、AIが講師の役割をどのように変える可能性があるのか、JMP AssistantとLearnBotが実際にどのような機能を持っているのかを探り、最後に、リスク、特にAIがどのような点で障害となるのか、そしてコース設計にどのように安全策を組み込むべきかについて、率直に検討しました。
ここで少し立ち止まって、より大きな問いを投げかけたいと思います。この状況は一体どこへ向かっているのでしょうか？
私には未来を予知する能力はありません。誰にもそんな能力はありません。しかし、私は15年以上にわたり、ヨーロッパ中の大学教員と仕事をしてきました。彼らが新しいツールやプレッシャーにどのように適応していくのか、最初はゆっくりと、そしてやがては急激に変化していく様子を見てきました。そして今、私が目にしている状況は、これまでの変化とは異なっているように感じます。AIが魔法のような存在だからではなく、統計学の教育者たちが真剣に議論を交わさざるを得ない状況を生み出しているからです。つまり、私たちは一体何を教えようとしているのか、という問いです。
カリキュラムの問題それAIは私たちに答えることを強要する
何十年もの間、統計学入門コースは手順を中心に構成されてきた。t検定を教える。ANOVAを教える。回帰分析を教える。それは理にかなっていた。学生はこれらの手法が何をするのか、いつ適用されるのか、そしてどのような仮定に基づいているのかを理解する必要がある。現在、批判にさらされているのは、その知識そのものではなく、手順を網羅すれば十分だという考え方である。AIは手順の体系を理解することはできるが、正しい手順が選択されたかどうか、あるいは結果が文脈において実際に何を意味するのかを推論することはできない。
今やAIは手続き的な状況にも対応できるようになった。完璧ではないし、確実でもないが、学生が疑問が解決されたと感じるには十分なレベルだ。AIは、私たちが長年先延ばしにしてきた問い、つまり学生に実際に何を学んでほしいのかという問いに、私たちに答えることを迫っている。
答えはこうだと思います。最も重要なことすべて。統計的思考力。現実世界の問題をデータの問題に変換する能力。結果が信頼できるかどうかを判断する力。「待てよ、これは本当に理にかなっているのか？」と自問自答し、それを真剣に受け止める規律。
ここには重要な共通点がある。人間の統計的判断が最も重要となる問題――新規データ、稀な状況、確立されたテンプレートのない真に複雑な分析問題――は、AIツールが最も信頼できない領域であることが多い。LLM（法務修士）は豊富なデータに基づいて訓練されているが、希少性や新規性には苦戦する可能性がある。データ分析における探索的、創造的、革新的な側面は、依然として根本的に人間の領域である。これは慰めではなく、統計的思考を依然として教え、しかも適切に教える必要がある理由を示す論拠なのである。
業界は対応している,ゆっくりと、しかし真剣に
統計教育界はこの点を無視していません。入門統計教育の枠組みとして最も広く引用されているGAISEカレッジレポート[13]は、現在、AIの登場を明確な動機として新たな改訂作業が進められています[14]。これは重要なことです。つまり、この分野はこれを単なる教室運営上の問題ではなく、真のカリキュラム上の課題として捉えているということです。
この草稿は、すべての答えが網羅されているからではなく、まさに適切な問いに取り組んでいるからこそ、読む価値がある。学生は、AIではできないデータ処理をどのように行うべきなのか？2026年に統計結果を理解するとはどういうことなのか？
私はこの改訂を非常に興味深く見守ってきました。もしその結果として、手続き的な内容ではなく、統計的推論、判断力、解釈能力を重視する枠組みが構築されるのであれば、教員はAIによって容易に覆されることのない方法で授業を再設計するための専門的な根拠を得られるでしょう。
未解決のまま残っていることは何か
まだ明確な答えが出ていない問題について、正直に話しておきたいと思います。じっくり考えてみる価値のある3つの質問があります。
評価。AIが従来の統計課題のほとんどをこなせるようになった場合、有意義な評価とはどのようなものになるのだろうか？口頭試験？ポートフォリオ評価？事前準備なしの実際のデータを用いた問題演習？これらは目新しいアイデアではないが、大規模な学部課程で実際に実施するのは非常に難しい。明確な答えは誰も持ち合わせていない。
ニール・セルウィン[10][11]は、これについてより鋭い指摘をしている。AIに対応するために評価方法を再設計する中で、教育を機械可読なものにしてしまい、人間が実際に学ぶべきことではなく、AIが評価できるものに最適化してしまう危険性はないだろうか？この懸念は、現状よりももっと注目されるべきである。
公平性。AIツールへのアクセスは不均等です。デジタルインフラが充実し、教員のサポートも手厚い、リソース豊富な教育機関の学生とそうでない学生では、経験が大きく異なります。AIの習熟が大学院生の必須能力となるのであれば、誰が準備できているのか、誰ができていないのかを正直に認識する必要があります。
良い例とはどのようなものか。この移行期はまだ始まったばかりで、統計教育におけるAI統合が明確に成功し、学生がAIなしでは得られなかったであろう学習効果、論理的思考力、分析力の向上を実現したという、十分に文書化された事例はごくわずかしかない。しかし、そうした事例は確かに存在すると私は考えている。今後、より多くの事例が文書化され、共有されることを願っている。
| 「最高の分析者、エンジニア、科学者は、常に自分が使うツールの一歩先を行くだろう。」 |
この図の中でJMPはどのような位置づけになるのか
このシリーズを通して、私は意図的に製品の宣伝にならないように努めてきました。JMP Student Editionはツールであり、私の見解では教育に非常に役立つ優れたツールですが、あくまでツールです。このシリーズで取り上げる教育的な議論は、JMPが作成したものではなく、それ自体の妥当性によって評価されるべきものです。
とはいえ、JMPのAIに対するアプローチの根底にある設計思想、つまり分析的推論を置き換えるのではなく強化するツール、視覚的かつ探索的なワークフローを中核に据えるツール、思考を隠すのではなく可視化するツールといった考え方は、正しい方向性だと私は考えています。他のツールが同様の原則に収束するのか、あるいは市場が自動化の推進と透明性の低下へと向かうのかは、今後の展開を見守る必要があります。
私が確信しているのは、学生に何を学んでほしいかを理解し、その理解に基づいて授業を設計する講師は、どのようなツールを使うかにかかわらず、この移行期をうまく乗り越えられるということです。教育方法が第一であり、ツールはそれに続くものです。
オープンエンド
このシリーズを始めるにあたって、私は1990年代初頭に遡りました。当時はAIはブラウザのタブではなく研究テーマであり、統計的推論はデータと手法との真剣な格闘を通して培われるものでした。しかし、私はあの時代を懐かしんでいるわけではありません。現在私たちが使えるツールは間違いなく優れており、今日の学生は私の博士課程の指導教官が驚くような分析能力を利用できるのです。
しかし、アドヴァイト・サルカーの警告[7]が私の心に深く刻まれている。AIが強力すぎるというリスクではなく、AIが生み出すものを評価する判断力を養う機会を得る前に、私たちが思考を停止してしまうというリスクだ。イーサン・モリック[9]が言うように、AIは共同教師、コーチ、協力者となるだろう。そして、セルウィン[10][11]が提起する、教育におけるAIの恩恵を受けるのは誰かという構造的な懸念は、すべての教師が熟考すべき問題である。
将来、頭角を現すのは、分析を実行できる人ではなく、分析結果を見て「納得できない。理由はこうだ」と言える人だろう。これこそが、教えるべきスキルだ。そして、まさにこのスキルこそ、優れた統計教育が常に目指してきたものなのだ。
もしあなたが授業でJMP Student Edition、LearnBot、またはAssistantを使用しているなら、何がうまくいきましたか？何が驚きでしたか？まだ考えていることはありますか？ぜひvolker.kraft@jmp.comまで直接ご連絡ください。
| 本シリーズで使用されているソフトウェアのバージョン JMP Student Edition 19.1.3 • Data Analysis Director 4.0 • LearnBot 1.1.1 • JMP Assistant 2.3 |
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]JMPコミュニティ
[4] データ分析ディレクター（JMP Marketplace） 、marketplace.jmp.com
[5]LearnBot（JMPマーケットプレイス） 、marketplace.jmp.com
[6] JMPアシスタント（JMPマーケットプレイス） 、marketplace.jmp.com
[7] 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どう防ぐか」 、TEDトーク、2025年
[8]エイミー・ブルックマン：「AI導入後の教育の再構築」 、TEDxトーク、2026年
[9] イーサン・モリック著『Co-Intelligence: Living and Working with AI』 、Portfolio/Penguin、2024年
[10] ニール・セルウィン著『ロボットは教師に取って代わるべきか？ 』ポリティ・プレス、2019年
[11] ニール・セルウィン：教育における人工知能の限界について、2024年
[12] 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
[13]GAISEカレッジレポート（2016年）
[14]GAISEカレッジレポート改訂版（作成中、2025年）
[15] JMPで迷子？よりフィットするためのスリム化、KraftとRijpkema、JMP Discovery Summit Europe 2026
著者について
フォルカー・クラフトは、JMP Statistical Discovery（SAS社）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を教育と研究に統合できるよう支援してきました。彼の専門は音声技術研究で、AIが一般に知られるようになるずっと前から、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のウェブサイトまたはLinkedInで連絡を取ることができます。
全5話中第5話 • シリーズ最終回
AIが統計教育をどのように変えるかについて真剣に注目が集まっていることも高く評価しており、手順や方法から問題の定義、コミュニケーション、結果の活用へと重点を移すべきだという点については、ほぼ全員が同意していると思います。これはAIが登場するずっと前からの傾向であり、JMPなどのソフトウェアをAIの一種とみなすのであれば話は別ですが（私はそう考えています）。私の経験から言えば（これは単純化しすぎだと承知していますが）、人間が維持しなければならない重要なスキルはデータクリーニングです（そして、まさにこの点でJMPは優れています）。データクリーニングには、主題に関する知識、変動の理解、そして多くの批判的思考スキルが必要です。AIはデータクリーニングを支援できますが、私がこれまで見てきたクリーニングの自動化の試みはほぼすべて不十分です。実際、それは誤った方向性です。
人間は扱うデータを理解し、それに応じてデータをクリーニングする必要があると思います。外れ値はその一例です。外れ値は間違いである場合もありますが、多くの場合、重要な情報を示しています。欠損データについても同様です。これらの処理を自動化しようとすると、必ず失敗します。なぜなら、外れ値は状況によっては間違いを示す場合もあれば、真の変動性を示す場合もあるからです。重要なのはコンテキストであり、AIが最も苦労するのはまさにこのコンテキストです。JMPは、データのクリーニング、変換、フィルタリングなどが適切かどうかを判断するためにデータを探索する優れたツールです。そして、それが人間や使用しているソフトウェアではできないことをAIで行うための基盤となります。
ソフトウェアプロバイダー（JMPを含む）が聞きたくないであろう部分を述べます。これらの包括的なパッケージは確かに便利ですが、ある意味不要です。データの準備が整い、適切な分析方法がある程度把握できれば、JMPで私が行うよりもAIの方がはるかに優れた分析能力を発揮することがわかっています。例えば、加重調査データの場合、JMPは複雑な層別加重に対して正しい推論を行うことができませんが、AIは可能です。SAS、R、Pythonも同様です。学生はこれらのプログラムを学ぶ必要があるでしょうか？キャリアパスによっては必要な学生もいますが、多く（ほとんど？）は必要ありません。私はこのような分析を適切に行う方法を知りませんが、AIを使って分析を行い、AIから加重が推論にどのように影響するかを概念レベルで学びました。私はAIに詳細な分析（私にとっては面倒な作業）を任せたいと思っています。
これはソフトウェアプロバイダーにとって財務的な影響を及ぼすと思います。AIの普及により、個人またはグループからのサブスクリプションによる収益は減少するでしょう。しかし、市場規模は拡大する可能性があります。AIがほぼ誰でも利用できるようになったことで、人々は答えをAIだけに頼りたくなるかもしれませんが、それは間違いです。正確で適切な分析を行うには、データと真剣に向き合う必要があります。JMPはまさにそのための優れたツールです。しかし、高度なツールはそれほど必要とせず、それらに高額な費用を支払う意思もないでしょう。JMPのブーストツリーモデル実行機能は高く評価されると思いますが、究極的に「最適な」モデルは、JMPよりもAIから生まれる可能性が高いでしょう。
皆さんのご意見をぜひお聞かせください。これは私の考え方や教え方を急速に変えつつあります。変化のスピードは速すぎるくらいですが、私たちには他に選択肢がないのです。
