K-12(教育)に関するニュース一覧

Google、AI教育支援に1.5億ドル超を投入し全米展開を加速

K-12向けAI教育の拡充

100万人の児童にネット安全教育を提供
1万校にBe Internet Awesome教材配布
Google.orgが500万ドルを拠出

教員向けAI研修の全国展開

NYC公立校教員Gemini活用法を体験
全米600万人教員対象に新研修開始
ISTE+ASCDと連携し5月から提供開始

高等教育機関への支援強化

世界1400校超がCareer Launchpadを導入
Gemini Faculty Fundamentalsを12言語に対応

Google.orgと児童教育出版社Highlights for Childrenは、共同で進めてきたオンライン安全教育プログラム「Be Internet Awesome」が、全米の小学2〜5年生100万人に到達したと発表しました。

本プログラムにはGoogle.orgが500万ドルを拠出し、全米1万校にパズルやゲームを活用した教材キットを配布しました。児童がデジタル空間で安全かつ責任ある行動をとるための基礎的なリテラシーを育てることを目的としています。

全米AIリテラシーデーに合わせ、ニューヨーク市公立校教員らがGoogle本社を訪問し、GeminiNotebookLMなどのAIツールを授業に活用する方法を体験しました。社会科教師が仮想世界で歴史体験を構築する案や、AIでクイズを自動生成する手法が紹介されています。

GoogleAIリテラシー関連の累計支援額が1億5000万ドル超に達したと明らかにしました。新たに「Google AI Educator Series」を立ち上げ、ISTE+ASCDと協力して全米約600万人のK-12教員および大学教員にAIリテラシー研修を提供します。5月中旬からコンテンツ公開、夏にかけてイベントを開催予定です。

高等教育分野では、世界1400校以上が無償の「Career Launchpad」を導入しており、受講学生90%が就職活動に役立ったと回答しています。さらに「Google AI for Education Accelerator」への申請受付を米国の大学向けに開始し、業界認定資格や最先端AIツールを無償提供する体制を整えています。

Googleクラスルームがレッスンをポッドキャストに変換するAI機能を追加

教育現場への生成AI統合

Google ClassroomがGemini AIで授業コンテンツポッドキャスト化
教師が作成した教材を音声学習コンテンツに自動変換
通学・移動中の学習(モバイル学習)を促進
多様な学習スタイルへの対応力を高める
英語以外の言語への展開も計画
K-12教育から高等教育まで幅広く適用可能

教育DXの加速と課題

AI生成コンテンツの教育品質担保が課題
教師の役割がコンテンツ監修・設計に移行
ClassroomのエコシステムにおけるGoogle/Geminiの優位強化
Microsoftのてのひらコンピューティング等との競合
著作権教材のAI変換に際した権利処理問題
EdTech分野でのAI活用の先行事例

Googleは学習管理システムGoogle ClassroomにGemini AIを統合し、教師が作成した授業資料を自動的にポッドキャスト形式音声コンテンツに変換する新機能を発表しました。テキスト中心の学習から音声学習への多様化が進み、特に移動中や視覚障がいのある生徒にとっての学習アクセシビリティが向上します。

この機能はGeminiの高い音声合成品質を活かしており、教師の声や授業スタイルを模倣するのではなく、自然な解説音声として授業内容を再構成します。教師は教材を作成するだけで、追加の作業なしに音声学習コンテンツが自動生成されます。

教育分野でのAI活用GoogleMicrosoftの主要競争領域となっており、Classroomへの機能追加はGoogle Workspaceのエコシステム強化と直結します。教育コンテンツ品質管理著作権処理については引き続き議論が必要ですが、学習体験の多様化に向けた重要なステップです。

MIT、学校のAI活用へ指南書 試行錯誤を促す

MITの新たな手引書

教育者向けAI導入の指針
100人超の教員・生徒が協力
拙速な判断を避ける謙虚な姿勢
思考と議論の活性化が目的

現場が直面する課題

学問的誠実性の確保
データプライバシーの保護
生徒の思考力低下への懸念
過去の技術導入の失敗事例

マサチューセッツ工科大学(MIT)の研究室が、生成AIの急速な普及に直面する米国K-12(幼稚園から高校まで)教育機関向けに、AI導入の指針となるガイドブックを公開しました。この手引書は、教育者がAIを授業に統合する際の複雑な課題に対応し、拙速な結論を避け、建設的な議論を促すことを目的としています。

ガイドブック「学校におけるAIへのガイド」は、100人以上の教員や生徒からの意見を基に作成されました。研究を主導したジャスティン・ライク準教授は、AI導入において「謙虚な精神」を提唱しており、本書が唯一の正解を示すものではないと強調しています。

教育現場では、AIの利用に伴う学問的誠実性の確保やデータプライバシーの維持といった課題が山積しています。特に、生徒がAIを使って「生産的な思考」を省略し、本来の学習機会が失われることへの懸念が強く示されています。

ライク氏は、過去の教育テクノロジー導入の失敗を教訓にすべきだと指摘します。例えば、スマートボードは学習効果が証明されず、ウェブサイトの信頼性に関する初期の指導は誤っていたことが判明しました。AIに関しても性急なルール作りを避けるべきだと警鐘を鳴らします。

AIが過去の技術と異なるのは、学校の正式な導入プロセスを経ず、「子供たちのスマートフォンに突然現れた」点です。このため教育モデルは急速な変革を迫られており、現場の教師の不安は従来技術の比ではないとされています。

研究室ではガイドブックに加え、ポッドキャストシリーズも制作。学術出版の長いサイクルを待たずに、現場の課題に即応した情報共有を目指しています。これにより、教育者間で解決策を迅速に共有・評価することが可能になります。

最終的な目標は「最初」の答えではなく「正しい」答えを見つけることです。ライク氏は、教師や生徒、保護者など多様な関係者が協力し、時間をかけて解決策を練り上げる重要性を訴えています。「AIが何であるか、まだ誰も分かっていないのです」と。

PowerSchool、SageMakerで実現した教育AI向けコンテンツフィルタリング

K-12教育特化AIの安全確保

K-12教育向けAIアシスタント「PowerBuddy」
歴史教育などでの誤検出(False Positive)を回避
いじめ・自傷行為の即時検知を両立させる必要性

SageMaker活用によるモデル育成

Llama 3.1 8BをLoRA技術で教育特化ファインチューニング
高い可用性とオートスケーリングを要件にSageMakerを採用
有害コンテンツ識別精度約93%、誤検出率3.75%未満

事業へのインパクトと将来性

学校現場での教師の負担を大幅に軽減
将来的にマルチアダプター推論で運用コストを最適化

教育分野向けのクラウドソフトウェア大手PowerSchoolは、AIアシスタント「PowerBuddy」の生徒安全を確保するため、AWSAmazon SageMaker AIを活用し、コンテンツフィルタリングシステムを構築しました。オープンな基盤モデルであるLlama 3.1を教育ドメインに特化してファインチューニングし、高い精度と極めて低い誤検出率を両立させ、安全な学習環境の提供を実現しています。

このソリューションが目指したのは「責任あるAI(Responsible AI)」の実現です。ジェネリックなAIフィルタリングでは、生徒が歴史的な戦争やホロコーストのような機微な学術的話題を議論する際に、誤って暴力的コンテンツとして遮断されるリスクがありました。同時に、いじめや自傷行為を示唆する真に有害な内容は瞬時に検知する必要があり、ドメイン特化の調整が不可欠でした。

PowerSchoolは、このカスタムモデルの開発・運用基盤としてAmazon SageMaker AIを選定しました。学生の利用パターンは学校時間帯に集中するため、急激なトラフィック変動に対応できるオートスケーリング機能と、ミッションクリティカルなサービスに求められる高い信頼性が決め手となりました。また、モデルの重みを完全に制御できる点も重要でした。

同社はLlama 3.1 8Bモデルに対し、LoRA(Low Rank Adaptation)技術を用いたファインチューニングをSageMaker上で行いました。その結果、教育コンテキストに特化した有害コンテンツ識別精度は約93%を達成。さらに、学術的な内容を誤って遮断する誤検出率(False Positive)を3.75%未満に抑えることに成功しました。

この特化型コンテンツフィルタリングの導入は、学生の安全を確保するだけでなく、教育現場に大きなメリットをもたらしています。教師はAIによる学習サポートにおいて生徒を常時監視する負担が減り、より個別指導に集中できるようになりました。現在、PowerBuddyの利用者は420万人以上の学生に拡大しています。

PowerSchoolは今後、SageMaker AIのマルチアダプター推論機能を活用し、コンテンツフィルターモデルの隣で、教育ドメインに特化した意思決定エージェントなど複数の小型言語モデル(SLM)を展開する計画です。これにより、個別のモデルデプロイが不要となり、専門性能を維持しつつ大幅なコスト最適化を目指します。