Claude 学習
コースガイド

Teaching AI Fluency — 日本語学習ガイド

Anthropic Academy コース「Teaching AI Fluency」の日本語学習ガイド。公式レッスン本文と YouTube 動画字幕（2026-07-11 取得）を基に構成。

コース概要: 対象は、すでに AI Fluency Framework を自分で使いこなしてきた教員・インストラクショナルデザイナー。姉妹コース「AI Fluency for Educators」が「教育者自身の実践（コース設計・教材作成など）への AI Fluency の適用」を扱うのに対し、本コースは 学生に AI Fluency を教え、評価するための方法論 を扱う。講師は Rick Dakan（Ringling College）と Joseph Feller（University College Cork）の2名。

コース全体は、AI Fluency を導入するすべての教育者が直面する3つの本質的な問いを軸に構成されている。

  1. フレームワークをどう学生に導入するか（ペダゴジー） — レッスン1〜3
  2. 学生が身につけたことをどう知るか（評価） — レッスン4〜5
  3. すでに教えている内容とどうつなぐか（カリキュラム統合） — レッスン6〜7

本ガイド（前半）はレッスン1〜4を扱う。なお、コース内の演習では便宜上 Claude を例に使うが、特定のモデルや特定企業の製品は必須ではない。好みの AI アシスタント（複数の組み合わせでもよい）で取り組める。

1. ようこそ & AI Fluency を教える4つのアプローチ（Welcome & approaches to teaching AI Fluency）

所要時間の目安: 60分 学習目標: AI Fluency Framework を学生に教えるためのアプローチを選択・適応できる。線形（linear）・非線形（non-linear）・集中（focused）・ループ型（loop-based）の各アプローチで学習体験を設計できる。

フレームワークの「二重性」を押さえる

教え始める前に確認しておくべき前提として、AI Fluency Framework は2つのレベルで機能する。

この二重性は教える上で決定的に重要になる。学生は「AI とのやり取りがどう機能するか」と「そのやり取りをどう改善するか」の両方を理解する必要があり、フレームワークはその両方のための言語と構造を与えてくれる。

4つの教え方アプローチ（4つの入口）

講師陣の経験では、AI Fluency Framework は4つの異なる入口（アプローチ）から学生に提示すると効果的だった。それぞれが、異なる学習者グループ・異なる文脈に対して概念的な豊かさと詳細の深さを加える。

(1) 線形アプローチ（linear）

最も分かりやすいアプローチ。フレームワークを Delegation → Description → Discernment → Diligence と順番に進む線形プロセスとして扱う。AI との協働を学び始めたばかりの学生には、この進め方が自然で、扱いやすく、直感的に感じられる。多くの教育者自身が最初にフレームワークを学んだ順序でもある。このウォーターフォール式の進行は、学生が AI とのやり取りの基本プロセスを組み立て、コンピテンシーに順を追って取り組むのを助ける。

授業設計例 — 4部構成の課題:

各パートが前のパートの上に積み上がり、構造化された学習の旅路になる。

(2) 非線形アプローチ（non-linear）

4D は実際には固定された順序ではなく、相互に接続されたシステム である — この事実を認めるアプローチ。どこから始めてもよく、必要に応じて行き来する。AI の経験がある学生にとっては、現実世界の複雑さと柔軟性が加わる。

コンピテンシー間の行き来を示すシナリオ例:

このより全体論的（holistic）なアプローチは、AI Fluency を硬直したチェックリストではなく 適応的で応答的な実践 として理解させ、実際の AI 協働の「散らかった現実」に備えさせる。プロジェクト学習やケースベース学習に向いており、リアルな AI 協働シナリオを提示して、どのコンピテンシーがいつ必要になるかを学生自身に発見させる形が取れる。

(3) 集中アプローチ（focused）

一度に1つのコンピテンシーだけを深掘りする。ディスカッションやスキルビルディングのセッションなど、特化した目的に向く。

授業設計例:

この深い集中は、多くのやり取りに通用する洗練された評価スキルを育てる。4つの D を同時に扱う認知的負荷なしに、テクニック・エッジケース・分野固有の応用をニュアンス豊かに探究でき、特定領域の習熟につながる。

(4) 二重ループアプローチ（two-loops）

AI Fluency を 入れ子になったプロセス（ループ） として理解する、概念的に最も豊かなアプローチ。基本を掴んだ学生が、流暢な AI とのやり取りについてより深く考えるのを助ける。

人間と AI のやり取りは、2つの意思決定空間に分けられる。

実践では、この2つのループは常に互いに情報を与え合う。戦略的な決定が戦術的な実行を形づくり、戦術上の発見が戦略的思考を作り変える。

アプローチの選び方

AI Fluency を教えるとは、学生の価値観・判断力・実践的スキルを育て、人間と AI の協働へのより思慮深いアプローチを培うことである。コースは意図的に柔軟に作られている（受講者の状況・科目・学生・制約は千差万別なため）が、これらのアプローチを自分の文脈に適用するのに必要なものを提供することを目指している。

Key takeaways

演習: 自分の教育コンテキストを確立し、各アプローチを試す

Step 1: 教育コンテキストのマッピング（10分）

Claude（または好みの AI アシスタント）と会話を始める。

Step 2: 各アプローチでの設計（20分）

同じ会話を続け、各アプローチが自分の文脈でどう機能するかを探る。

ループ型アプローチの授業設計は、レッスン2・3（次の2レッスン）で扱う。

2. Delegation-Diligence ループ（The Delegation-Diligence loop）

所要時間の目安: 40分 学習目標: 責任ある設計と意思決定のために、学生が Delegation-Diligence ループを活用できるよう支援する。

「AI をどう使うか」から「AI についてどう良い意思決定をするか」へ

Delegation-Diligence ループは、AI 協働における責任ある設計と意思決定のフレームワークである。学生が「AI をどう使うか（how do I use AI?）」を超えて「AI について良い意思決定をどう下すか（how do I make good decisions about AI?）」を考えるようになる場所であり、Description-Discernment ループと合わせて、AI Fluency を実践に適用する最も強力な形になる。フレームワークを順番に教えてきた場合、ここからが面白くなる — 学生が、各要素が単に「順に続く」のではなく「互いにつながっている」ことを見始めるからだ。

このループは、目の前のやり取りを超えた広い文脈を考えることを要求する。

これらは理論上の問いではない。学生が学業・創作プロジェクト・やがてはキャリアの中で AI の利用を検討するたびに直面する問いである。

6つのサブコンポーネントは「1つの会話」

Delegation と Diligence にはそれぞれ3つのサブコンポーネントがあり、責任ある設計と意思決定はこの6つの相互作用から生まれる。

本当の「なるほど」の瞬間は、これらが別々のリストではなく 1つの会話の一部 だと気づいたときに訪れる。AI との効果的な協働は「何が できる か」だけでなく、文脈・制約・帰結を踏まえて「何を すべき か」の問題でもある — これを学んだとき、AI は単なる道具から、意味のある仕事のための思慮深く統合されたパートナーへと変わる。

順方向の流れ: Delegation → Diligence

学生に見せたいのはチェックボックスではなく つながり である。ループが Delegation から Diligence へ流れる例を追ってみる。

例: デジタルプライバシーに関する政策ブリーフを書く学生

  1. 目標を定義する — 政策ブリーフの執筆（problem awareness）
  2. 利用可能な AI システムを調査し、データ分析と執筆支援の能力を比較する（platform awareness）
  3. 初期のリサーチ統合は AI と協働し、政策提言は自分の手に残すと決める（task delegation）

この Delegation の決定は、直ちに Diligence の問いを引き起こす。

学生向けステップガイド（Delegation → Diligence）:

  1. 目標とリソースから始める。学生に自問させる: 「何を達成しようとしているか？（problem awareness）」「どんな AI システムが使えるか？（platform awareness）」「この仕事をどう分担するか？（task delegation）」
  2. 続いて Diligence の問いを立てさせる: 「選んだプラットフォームを踏まえて、どんな倫理的考慮が生じるか？」「AI の関与について誰が知る必要があるか？どこまで詳しく？透明にしなかった場合の帰結は？」「品質と正確さをどう検証するか？」

逆方向の流れ: Diligence → Delegation

ループは逆方向にも強力に働く。Diligence の考慮が Delegation の戦略を作り変えることは多い。

例1 — 責任がより良い委任を駆動する: コミュニティプロジェクトに取り組む学生が、住民の声を正確に代弁する深い責任を自分が負っていると気づく（deployment diligence）。このアカウンタビリティの自覚がアプローチを明確化し、「AI はインタビューのパターン分析を手伝えるが、語りの解釈は学生自身がコントロールする必要がある」という結論に自然に到達する。

例2 — 透明性が協働を広げる: AI の貢献を詳細に文書化するとコミットした学生（transparency diligence）は、その明確さがかえって効果的な委任を助けることを発見する。明確な境界と帰属（attribution）のガイドラインを確立したからこそ、自信を持って AI との協働を 拡大 できる。

学生に理解させたいのはこの点である: アカウンタビリティは主体性と創造性を高める。 責任ある実践は可能性を制限するのではなく、むしろ広げる。

学生向けステップガイド(Diligence → Delegation):

  1. 価値観と制約の特定から始める。学生に自問させる: 「自分の倫理的義務は何か？（creation diligence）」「この文脈で求められる・期待される透明性は何か？（transparency diligence）」「自分が最終的に責任を負うものは何か？（deployment diligence）」
  2. その答えに Delegation の選択を形づくらせる: 「これらの義務を満たすために、AI との仕事を（そもそも AI を使うなら）どう構成すべきか？」「どの AI システムがこれらの価値観・ガイドラインに合うか？」「誠実さを保つために、どの仕事は人間の手に残すべきか？」

教え方: 応用シナリオで「つながり」を可視化する

これらのつながりを教える良い方法は、つながりが目に見える応用シナリオを使うことだ。

演習例: 学生にプロジェクトブリーフを提示し、ループを両方向に辿らせる。

  1. まず Delegation から 始めさせる: 目標は何か？どの AI プラットフォームが使えそうか？タスクをどう分けるか？
  2. 次に Diligence へ 進ませる: どんな倫理的懸念が生じるか？誰に対する透明性が必要か？正確さをどう担保するか？
  3. そして ひっくり返す: 「学校の規則で、AI を使った箇所はすべて明示しなければならない」といった Diligence 側の制約から出発させる。この制約は Delegation 戦略をどう作り変えるか？
  4. 最後に2つのアプローチを 比較 させる: それぞれのアプローチは、もう一方が見落としたかもしれないどんな洞察を明らかにしたか？

うまくいっているサインを見分ける目を育てる

学生自身が「Delegation-Diligence の取り組みがうまくいっている」ことに気づけるよう、次のサインを教える。

Delegation-Diligence ループが学生に教えるのは、AI との責任ある協働には目の前のタスクを超えた思考が必要だということ — 仕事を深く理解し、システムを思慮深く選び、責任を明確さと創造性の源として受け入れることである。良い意思決定が倫理的な明確さとより良い成果の 両方 を生むことを理解したとき、学生は「AI にできること」と「自分がすべきこと」を、どちらかを選ぶのではなく両者が協働するものとしてバランスできるようになる。

Key takeaways

演習: Delegation-Diligence ループを教える授業案を作る

Step 1: ループシナリオの作成（10分）

レッスン1の演習の会話を続け、Delegation-Diligence ループに焦点を当てた授業を設計中であることを AI パートナーに伝える。

Part 2: 学習体験の構造化（20分）

（任意）実行可能なプランとして書き出す: シナリオ・アクティビティ・評価を1つの完全な授業案にまとめるよう AI に依頼する。ループ思考を強調する明確な学習目標、自分用のステップバイステップのファシリテーションノート、ワークシートと振り返りプロンプトを含む学生向け資料を用意する。

3. Description-Discernment ループ（The Description-Discernment loop）

所要時間の目安: 40分 学習目標: 学生が Description-Discernment ループを活用して、人間と AI が効果的に協働できる環境を築けるよう支援する。（公式ページの学習目標欄はレッスン2の記載を引き継いでいるが、レッスンの実体はこちらのループの指導法である。）

プロンプトの「小技」から「認知環境の構築」へ

Description-Discernment ループは、学生が最も即座に「使える」と感じることの多いパートである。Delegation-Diligence ループが大局を扱うのに対し、このループは 人間と AI が効果的に協働できる環境を築く、瞬間瞬間のクラフト（craft） を扱う。

学生が「AI スキル」や「AI リテラシー」と聞いて思い浮かべるのは、たいてい巧妙なハックやプロンプトの小技である。このループはそれよりも洗練され、長持ちするアプローチを提供し、現在から将来にわたるプロフェッショナルな AI 活用に学生を備えさせる。

AI とのやり取りに関するアドバイスの多くは「完璧なプロンプトの作り方」に集中している。プロンプトエンジニアリングは有用だが、Description-Discernment ループで考えることは、コマンドではなく会話 というより大きな視点へ私たちを誘う。これが重要なのは、学生の AI への向き合い方のマインドセットを根本から変えるからだ。OS やアプリにコマンドを打ち込むような単発の入出力のやり取りではなく、世界と目の前のタスクについての文脈と共有理解を AI と築く ことを教える。実践面では、このマインドセットの転換によって、学生は他人のプロンプトをコピペしたり手順書に従ったりしなくても、今もこれからも AI と効果的にコミュニケーションできるようになる。

さらに言えば、私たちが教えているのは、AI とやり取りする際の包括的な 認知環境（cognitive environment） の構築である。AI システムに与える文脈は、AI が訓練データをどう処理し、プロンプトにどう応答するかに直接影響する。同僚との素晴らしい会話を思い浮かべてほしい — 互いのアイデアの上に積み重ね、短縮語法（shorthand)が生まれ、いつ反論すべきでいつ励ますべきかが分かり、一緒に考えることを学んでいく。それが「認知環境」の意味であり、学生が AI との間に作れるように教えたいものである。

こうした環境には次の要素が含まれうる。

これは、知識が深まり、プロセスが進化し、革新的な思考と問題解決が立ち現れる本物の協働である。そして、どれほど巧みに設計しても、単発のプロンプトでは決して到達できない。

3つのレンズ: Product・Process・Performance

Description-Discernment ループには、相互に接続された3つの要素 — Product・Process・Performance — が含まれる。これらは同じ協働プロセスを理解するための異なるレンズのように働き、ワークフローによってどこに注意を割くかの配分は変わる。

Product に焦点を当てた協働

一緒に何を作ろうとしているのかを明確に言語化し、結果を厳密に評価することから始まる。ただしこれは一度きりの「仕様書と品質チェック」ではない。Product に焦点を当てたやり取りでは、「良い」とは何かの理解自体が進化していく。多くの場合、改善されるのは AI の理解だけではなく、学生自身の理解でもある。ここが「自動化（automation）」を超えて「拡張（augmentation）」に入る瞬間である。

例 — SNS と十代の若者についての執筆: AI を使ってこのテーマについて書くよう指示された学生は、最初は非常に広いプロンプトから始めるかもしれない。

  1. 「Help me write about social media and teenagers（SNS と十代について書くのを手伝って）」 — 汎用的なプロンプトは、非常に汎用的な応答しか返さない。
  2. Discernment を通じて「これは自分が本当に求めていたものではない」と気づき、次の Description はより具体的で文脈豊かになる: 「SNS と十代について書くのを手伝って。十代がプラットフォームごとに異なる自分を提示する様子を探っている」
  3. 各バージョンは最終成果物を改善すると同時に、自分の目標をより良く言語化できるようになった学生自身に、より大きな思考の明晰さをもたらす。やがて、Product・Process・Performance の記述が識別できる、自分のニーズに固有に合ったものに到達するかもしれない: 「SNS と十代について書くのを手伝って。十代がプラットフォームごとに異なる自分をどう提示するかというレンズを通してこの分析を組み立てて。読者に、こうした複数のペルソナを維持することの心理的負担を理解してもらいたい」

こうしたループを通じて、学生と AI のパートナーは本当の Product の目標に取り組めるようになり、学生は協働的な探究を通じて自分の思考を明晰にし、Product の記述を改訂していける。

Process に焦点を当てた協働

思考と問題解決への 共有されたアプローチ を育てることであり、これも実践を通じて進化する。

例 — 文書分析の課題: AI と一緒に文書を分析するよう指示された学生は、最初は Process の記述がまったくないか、「step by step で分析して」のような曖昧なものから始めるかもしれない。しかし試行錯誤と AI アシスタントとのアプローチについての議論を経て、AI が仕事にどう取り組むべきかについて、より豊かな指示を作り上げていく。例えばこんな Process 記述に行き着くかもしれない。

「各文書を分析するときは、まず著者の文脈を特定し、その文脈が文書の内容にどう影響しうるかを議論しよう。その後で内容そのもの — 書かれていることと、注目すべき省略の両方 — を見る。それから複数の解釈を検討し、結論を出す前にそれぞれを議論しよう。」

Process discernment は、協働がうまく機能しているかを評価する。「このプロセスは、一人では見逃すはずの洞察を発見できているか？」「プロセスは時間とともに洗練されていっているか？」といった問いを立てる。この例では、学生は「AI パートナーは文書横断のパターン発見には優れているが、感情的・文化的な文脈を考慮するときには誘導が必要だ」と気づくかもしれない。この認識が、協働プロセスの洗練の仕方と、この特定の AI モデルと今後どう関わるかを形づくる。

Performance に焦点を当てた協働

Performance は、学生と AI アシスタントの 関係性 についてである。学生と AI の双方が最良の思考を提供し、最良の仕事ができるようなダイナミクスを作りたい。

例: 学生は最初、AI に非常にフォーマルかつ汎用的に接するかもしれない。しかし協働関係が育つにつれ、Performance の記述と識別を何度も繰り返す中で、よりニュアンスのある個人的なものに行き着く。

Discernment を通じて、学生はこうしたダイナミクスをさらに洗練できる。特定のダイナミクスが協働の目標に資するかを継続的に評価する必要があり、例えばこの学生は時間が経ってからこう決めるかもしれない: 「やっぱり、懐疑は私が最初のアイデアを出し切った後にとっておいて。まず批判なしで探索する余地が欲しい」

教える戦略: 洗練された協働スキルをどう育てるか

  1. 単発プロンプトを超える。 単発プロンプトの演習では認知環境の構築を支えられない。まず、1つのチャット内で 文脈が蓄積し関係が育つ、時間をかけた複数回のやり取りを要する課題を設計する。次に、複数のチャットにまたがる やり取りを要する課題を設計する — そうすることで学生は「どの文脈が（もしあれば）保持され、どの文脈を再確立する必要があるのか」を理解し始める。
  2. 自分自身のプロセスを見せる。 教員自身の AI 協働を学生に見せ、やり取りを重ねる中で理解がどう深まるかを示す。共有言語をどう築き、方法をどう洗練し、相互作用のダイナミクスをどう調整しているかを見せる。
  3. 振り返りを促す。 アウトプットだけでなく、協働の進化 を記録させる。共有理解はどう発達したか？どんな相互作用パターンが生まれたか？いつリセットや軌道修正が必要になったか？そして重要なこととして、Product・Process・Performance の「3つの P」は実践の中で実際にどう相互作用したか？

強い協働のサインを見分ける目を育てる

学生が次の2つのポジティブなサインに気づけるよう訓練する。

人間と AI、それぞれが協働にもたらすもの

Description-Discernment ループが学生に教えるのは、意味のある AI 協働とは、人間の知性と AI が強力に組み合わさる環境を築くことだということ。Description と Discernment を進行中の相互接続された実践として見ることを教えれば、並外れた成果を生む持続的で洗練された協働に学生を備えさせられる。

これらの強みが良く設計された認知環境で組み合わさるとき、その成果はどちらか一方だけで達成できるものを超える。

2つのループはどう連携するか

学生が AI と築く認知環境は、キャリアを通じて彼らの考え方・作り方・問題解決の仕方を形づくる。私たちが教えているのは単なる技術スキルではなく、新しい形の知的パートナーシップの涵養 である。

Key takeaways

演習: Description-Discernment ループを教える授業案を作る

Part 1: ループシナリオの作成（10分）

レッスン2の演習の会話を続け、前回と同じシナリオに基づいて、今度は Description-Discernment ループに焦点を当てた授業を設計することを AI パートナーに伝える。

Part 2: 学習体験の構造化（20分）

（任意）実行可能なプランとして書き出す: シナリオ・アクティビティ・評価を完全な授業案にまとめるよう AI に依頼する。ループ思考を強調する学習目標、ファシリテーションノート、ワークシートと振り返りプロンプトを含む学生向け資料を用意する。

振り返り（レッスン1〜3を通して）:

4. 4D をどう評価するか（How do we assess the 4Ds?）

所要時間の目安: 40分 学習目標: outcome・process・reflection ベースの評価戦略を適用して AI Fluency を評価できる。自分の教育文脈で 4D コンピテンシーを捉えるルーブリックを作成できる。

最も厄介な問い: 表面的なスキルと深い協働コンピテンシーをどう見分けるか

AI Fluency を教える上で最も厄介な問いの1つが「実際にどう評価するか」である。巧みなプロンプトをいくつか覚えただけの学生と、本物の協働スキルを育てている学生を、どう見分けるか？ そのためには、AI Fluency が実践の中でどう見えるかを理解し、表面的な AI 操作と深い協働コンピテンシーを区別する必要がある。

講師陣は、組み合わせて使うとうまく機能する3つの一般的アプローチを見出している。

  1. Outcome ベースの評価（成果）: 学生が AI 協働を 通じて何を生み出したか に注目する。人間と AI のパートナーシップを通じて、掲げた目標を達成できたかを評価する。
  2. Process ベースの評価（過程）: 学生が 時間をかけて AI とどう働いたか を調べる。反復のパターン、失敗した試みからの回復、方法論的な洗練を捉える。関心があるのは、協働が何を生んだかだけでなく、協働の 最中に 何が起きたかである。
  3. Reflection ベースの評価（振り返り）: メタ認知的な自覚 — 学生が自分自身の思考プロセスについて考えること — に注目する。なぜ特定の戦略がうまくいった／いかなかったのか、何を学んだのか、その学びを将来のやり取りにどう適用するか、についての学生自身の結論に関心を向ける。

最も効果的な AI Fluency 評価は、この3つすべてを統合する。学生が AI で何を 作れる かだけでなく、AI の協働者としてどう 考え、成長する かを評価するのである。

4つの D それぞれを3つの視点から評価する

Delegation の評価

Delegation は、目標を設定し、AI と関わるかどうか・いつ・どのように関わるかを決めることである。

Description の評価

Description は、有用な AI の振る舞いと出力を引き出すために効果的にコミュニケーションする力である。

Discernment の評価

Discernment は、AI の出力と振る舞いの有用性を正確に評価する力である。

Diligence の評価

Diligence は、AI で何をするか・どうやるかに責任を持つことである。

実践例: 1つの課題を3つの視点で評価する

これらの概念を統合して、実際の課題評価を考えてみる。

課題: AI アシスタントの支援を受けながら「生成 AI が社会に与える影響」についてエッセイを書く。提出物は4点 — (1) 最終エッセイ、(2) AI とのやり取りへのリンク、(3) diligence statement、(4) 経験を論じる学習ジャーナル。

この課題を3つの角度すべてから評価する。

評価の原則

AI Fluency の評価は、最終成果物だけを見るのではなく、学生が AI との協働コンピテンシーをどう発揮しているかの理解を求める。うまく機能する原則:

Key takeaways

演習: 自分のコースのための AI Fluency 評価ルーブリックを作る

Step 1: 評価の基盤を確立する（5分）

Claude と新しい会話を始めるか、レッスン1からの会話を続ける。

Step 2: 評価アプローチを選ぶ（10分）

評価アプローチとコンピテンシーの対応づけを AI と行う。評価対象の各 D について検討する:

実務的な判断も行う: 時間とリソースの制約の中で実際に評価可能なものは何か。ピア評価や自己評価にできる要素はどれか。直接評価すべきものと、学生に文書化させれば足りるものの区別。網羅的な評価と採点の効率のバランスの取り方。

Step 3: 観察可能な指標を作る（10分）

AI と一緒に、具体的で観察可能な基準を開発する。

Step 4: ルーブリックを整形する（5分）

最終的なルーブリック文書を作る。

次のレッスンでは、学生が AI Fluency を発達させ、かつ実証するのを助ける課題の設計を扱う（本ガイドの後半で解説）。

5. AI Fluency を育てる課題設計（Designing assignments for AI Fluency）

所要時間の目安: 40分。 このレッスンを終えると、次のことができるようになる。

動画: 課題設計の3原則と3タイプの課題（講師: Joe Feller）

課題設計の3原則

AI Fluency の課題を設計するとき、次の3つの原則を念頭に置く。

  1. 真正性（Authenticity） — 人工的な練習問題ではなく、現実世界の AI 協働を反映した課題を作る。学生には、AI とのパートナーシップが本当に価値を生むような「本物の問題」に取り組ませるべきである。
  2. 反復（Iteration） — 成長の過程が見えるように、磨き直しの機会を課題の中に組み込む。一発勝負（single-shot）の課題では、流暢な AI 協働が本質的に持つ反復性を捉えられない。学生が洗練し、考え直し、もう一度試すチャンスを設計に入れる。
  3. 教育的透明性（Pedagogical transparency） — 評価するのは成果物だけでなく、協働プロセスの質と学生自身の振り返りであることを明確に伝える。「AI と働くことをどう学んでいるか」を教員が重視していること（何を作ったかだけではないこと）を、学生が理解している必要がある。

課題の組み立てには、前のレッスン（評価のレッスン）で扱った3つの評価アプローチ — アウトカム（成果物）ベース・プロセスベース・リフレクション（振り返り）ベース — をそのまま使う。

アウトカムベースの課題 — AI 協働を通じて「何を作ったか」に焦点

成果物に焦点を当てつつ、協働スキルを浮かび上がらせる効果的なアプローチとして、動画では4つが紹介される。

  1. AI 出力の改善（Improving AI outputs） — 出来の中途半端な AI 出力を学生に渡し、優れたものへ変換させる。学生は Discernment を使って問題点を特定し、Description を使って改善を導くことになる。この課題は、「既存コンテンツへの Discernment」を AI とのやり取りの出発点にするという意識を高める。
  2. プロダクト比較（Product comparison） — 複数の AI システム、あるいは Claude の拡張思考（extended thinking）や画像生成系 AI の image-to-image のような、同一システム内の複数のモードを使って同じタスクに取り組ませ、出力の違いを分析させる。どの出力がどんな目的に最も合うか、そしてそれはなぜかを文書化させる。プラットフォームへの理解と Discernment の両方が鍛えられ、AI システム間の本質的な違いを非常に速く学べる。
  3. 制約ベースのチャレンジ（Constraint-based challenges） — 形式・長さ・文体・想定読者など、具体的な出力要件を与え、AI と協働してその制約を満たさせる。最終成果物と、それを実現したプロンプトの両方を提出させる。学生が正確な仕様を伝えることを学ぶため、Description のスキルが育つ。さらに、倫理・法律・職業上の基準を制約として加えれば、創作面の Diligence も同時に鍛えられる。
  4. ピアによる成果物レビュー（Peer product review） — 学生が自分でゴールを設定し、AI と作品を作り、それを交換して「宣言されたゴールに照らして」互いに批評する。成果物への Discernment とゴール意識が育ち、互いのアプローチに触れられること自体にも価値がある。

プロセスベースの課題 — 「見えない意思決定」を見えるようにする

プロセスベースの課題には固有の難しさがある。人間と AI のやり取りはきわめて私的で、一瞬で流れ去るものだからだ。それをどう可視化し、評価しやすくするか。動画では、学生がプロセスを記録するための4つの方法を提案している。

  1. 注釈つきチャットログ（Annotated chat logs） — AI とのやり取りの記録を提出させ、気づき・つまずき・成長の重要な瞬間に注釈をつけさせる。アプローチが変わった転換点、自分自身の理解のブレイクスルー、失敗からの立て直しをハイライトさせる。
  2. 録画・録音つきナレーション（Recorded narrations） — 音声や画面キャプチャを使い、AI と作業する様子をリアルタイムで記録しながら、意思決定のプロセスを声に出して実況させる。なぜその選択をするのか、応答の何を見ているのか、出力をどう評価しているのかを説明させる。
  3. プロセス・プレイブック（Process playbooks） — 学生に自分専用の「AI 攻略ガイド」を作らせる。タスクの種類ごとの戦略やプロンプト、どのテクニックがどんな文脈で効くか、困ったときにどこへ助けを求めるかを記録した個人的リファレンス文書である。リサーチに効くもの、創作に効くもの、問題解決に効くもの — この文書は学生の継続的な成長の要となる参照資料になる。
  4. AI またはピアとのふりかえり対話（AI-assisted or peer debrief） — チャットログを AI パートナーに共有し、そのログについて AI と議論させる。あるいは別の学生を discussant（討論相手）にして同じことを行う。さらに、ピアと AI の両方とこの活動を行い、得られた洞察を比較させれば、より深い学びになる。

これらの手法はいずれも、見えない意思決定を見えるようにする。その結果、学生は自分自身のプロセスを観察することを通じて、Delegation・Description・Discernment・Diligence のすべてを改善できる。

リフレクションベースの課題 — メタ認知を育てる（ただし「振り返り疲れ」に注意）

振り返り型の課題は AI Fluency の発達の中心にある。難しいのは、学生が「振り返り疲れ（reflection fatigue）」を起こさずにメタ認知的な気づきを育て、示せるよう、多様な選択肢を用意することである。動画では4つの選択肢が示される。

  1. ガイドつき問いかけ（Guided inquiry） — 特定の課題について振り返るための具体的な問いを与える。AI との作業についてのポジティブな経験だけでなく、率直な批判や不満も自由に共有できる、招き入れるようなプロセスにすること。
  2. 学習ジャーナル（Learning journals） — コース中の複数の時点で、学生に自分の 4D の発達を自己評価させ、観察の根拠となる具体的な証拠を添えさせる。創造性を奨励し、動画・インフォグラフィック・マインドマップなど複数の表現形式での振り返りを認めることが推奨される。
  3. シナリオとケーススタディ（Scenarios and case studies） — 現実的な仮想シナリオや実際の事例を提示し、AI の設計・利用・影響に関する具体的な論点に自分の学びを適用させる。「新しい上司が採用の意思決定に AI を使いたがっている。あなたの助言やアプローチは？」といった、シンプルで曖昧なものでも構わない。
  4. パーソナル・ポリシー・ステートメント（Personal policy statements） — 振り返り課題を1つしか入れられないなら、これを推奨する。学生が自分の経験に基づいて、流暢な AI 協働のための自分自身の価値観・戦略・方法を打ち立てる文書である。非常に深い振り返りを要求し、さらに重要なことに、学生が自分の AI とのやり取りについて主体性と責任を感じられるようになる。ピアディスカッションとの相性もよい。

現実問題: 増える「量」をどう管理するか

ここで現実的な話（"time to get real"）。これらはどれも有用な課題だが、従来の課題よりはるかに多くのコンテンツを生み出す。その量を管理する方法が4つ挙げられる。

  1. 詳細な成果物ベースのルーブリック — 学生が完了したかどうかを素早く確認できる、明確で非常に細かい成果物（deliverables）を設定する。選んだ成果物と学習目標のタイトな整合が前提になるが、何時間もの採点時間を節約できる。
  2. 自己評価とピアレビューの重視 — 適切なガイダンスがあれば、自分自身や仲間の発達を観察するのに最も適した位置にいるのは、しばしば学生自身である。よく設計された自己・相互レビュー課題は学生の思考を焦点化し、膨大な AI 生成コンテンツを、教員が有用かつタイムリーに応答できる形に凝縮してくれる。
  3. ライトニング形式の面談（Lightning round conferences） — 一部の文書フィードバックを、学生が自分の重要な洞察を発表する短い面談に置き換える。5分間の対話と洞察の共有は、長文の文書コメントより価値があることが多い。
  4. 選択的サンプリング（Selective sampling） — すべてのチャットログを一言一句読む必要はない。重要な瞬間を特定して教員の注意を促すフラグを立てる方法を、学生自身に教える。

動画のまとめ

AI Fluency の課題設計とは、フレームワークそのものの実践的な適用を通じて、本物の学びの機会を作ることである。要点は次のとおり。

要点（Key takeaways）

演習: AI Fluency を育て・評価する総合的な課題を作る（計30分）

前のレッスンの演習1（評価設計）の会話の続きとして行う。

Step 1: 課題のアーキテクチャ（10分）

ルーブリックとの接続:

課題の構成要素の選択:

Step 2: 反復と成長の組み込み（10分）

磨き直しと発達の機会を設計する。

Step 3: 実施計画（10分）

実務的な詳細を確定する。

レッスン振り返り

次のレッスンでは、あなたの分野のカリキュラム・教授法（ペダゴジー）・評価に AI が及ぼす具体的な影響を検討する。

6. AI のインパクトとあなたの専門分野（AI's impact and your discipline）

所要時間の目安: 40分。 このレッスンを終えると、次のことができるようになる。

動画: AI はあなたの分野をどう変えるか

ここまで AI Fluency をどう教え、どう評価するかを探ってきた。この動画では一歩引いて、私たち全員の頭にある問い — AI は「私たちが教えること」をどう変えつつあり、それに対して何をすべきか — に向き合う。この動画は AI が各分野に固有の形で引き起こす disruption（破壊的変化）とその対応を扱い、次の動画では専門知を 4D に埋め込む方法を扱う。2本を合わせることで、自分の分野で大切なものに忠実であり続けながら、AI Fluency を広いカリキュラムに統合できるようになる。

大前提となるメッセージ: AI Fluency は、あなたの専門性を自動化して消し去ることではない。思慮深いパートナーシップを通じて、私たちの能力・知識・洞察・判断を増強（augment）し、私たちが最も得意とすることを増幅（amplify）することである。専門分野の知識は時代遅れになるのではなく、かつてない達成の土台になる。これは私たち自身が体現し、学生に理解させるべきメッセージだ。

卒業生が直面する3つの問い

学生たちの将来を考えるとき、次の3つの問いが軸になる。

  1. 何が自動化されるか（What gets automated?） — 彼らの将来のキャリアで、どんな定型業務が AI に自動化されそうか。それは「今日、私たちが何をどう教えるか」に何を意味するか。
  2. パートナーシップの可能性はどこにあるか（Where's the potential partnership?） — 人間と AI の協働が最もインパクトを持つのはどこか。そこは、ドメイン専門性と AI Fluency を同時に育てる優先領域になりうる。
  3. 誰が責任者か（Who's in charge?） — 彼らの分野で AI が自律的に仕事をするとき、学生はそれをどう管理し、その結果への説明責任をどう保ち続けるのか。私たちはそれにどう備えさせられるか。

今日、AI はあらゆる分野で、カリキュラム・教授法・評価実践にまたがって、ポジティブにもネガティブにも disruption を生んでいる。ただし、その disruption は一様ではない。たとえば、カリキュラムは安定したまま評価だけが変容するかもしれないし、コアのカリキュラムは変わらないまま教授法が進化するかもしれない。ある disruption は活用すべき機会であり、別のものは解決すべき問題である。どちらがどちらかを見極めるところにこそ、あなたの専門性が生きる。

あなたがすでに持つ3種類の専門性

AI の disruption への対応は、あなたがすでに持っている3種類の専門性の上に築かれる。

  1. 分野の専門性（disciplinary expertise） — あなたは自分の分野のコンテンツだけでなく、その核となる価値観・方法・思考様式を理解している。どのスキルが基礎的でどれが周辺的か、どの概念が将来の学びを解錠するか、その分野で本当に「流暢」であるとはどういうことかを知っている。
  2. 教育の専門性（pedagogical expertise） — 自分の分野の学生が典型的にどこでつまずき、どこでブレイクスルーを起こし、どう熟達していくかを知っている。その教科を学ぶことの感情的な旅路 — どこで抵抗し、どこで興奮し、どこで支援が必要か — を理解している。
  3. 評価の専門性（assessment expertise） — 本物の理解を見ればそれと分かる。AI が関与していようがいまいが、深い学びを浮かび上がらせる評価を設計できる。

カリキュラムへの影響 — 「AI ができるのに、なぜ学ぶのか」への答え

AI は分野の知識を置き換えはしないが、何を・いつ・どのように・なぜ教えるのかの再考を私たちに迫る。難しい問いを突きつけてくる。AI の文脈における「ドメインの熟達（domain mastery）」とは何を意味するのか。AI が質の高いコンテンツを生成したとき、あるいは本当に自分の役に立っているときに、それを見分けられるだけの判断力・創造性・深い個人的理解を、学生にどう育てるのか。

基礎は基礎であり続ける。しかし学生は「そもそもこの知識が要るのか」と問うだろう。「AI が検索してくれるのに、なぜ研究方法を学ぶのか？」「AI が文章を生成するのに、なぜライティングを学ぶのか？」— こうした問いに対して、深い学びを「能力の拡張」と「学生自身のゴール」に結びつける、説得力のある分野固有の答えが必要になる。

同僚と時間を取って、AI がカリキュラムに与える影響を深く点検することが勧められる。

教授法への影響 — 「本当に学びを高める AI」と「学びを短絡させる AI」

AI は教え方と学び方も変容させる。大規模な個別チュータリング、インタラクティブなシミュレーション、即時フィードバック — ほんの数年前には夢物語だった学習支援ツールが、突然実現可能になった。AI ベースの EdTech アプリケーションは、教室のダイナミクス、宿題、そして教育関係の本質そのものについての私たちの前提に挑戦してくる。

しかし周知のとおり、「AI による強化」がすべて学びを強化するわけではない。学生の学習を本当に助ける AI システムもあれば、学習を単に短絡（shortcut）させるだけのものもある。鍵は、自分の具体的な文脈でどちらがどちらかを理解することである。自分の分野において、AI がさまざまな種類の学習をどう高め、どう損なうのかを、使われ方も含めて定義する必要がある。

同僚と一緒に検討すべきこと:

評価への影響 — 最大の disruption

おそらく最も切迫しているのは、AI が「学びの測り方」に挑戦していることだ。学生が数秒でエッセイを生成できるとき、私たちは実際には何を評価しているのか。個人の成長・創造性・問題解決を尊重する評価をどう作るのか。AI 支援ありのパフォーマンスと人間のみのパフォーマンスの両方を、本物の理解と熟達の表現として真正に評価する方法を考える必要がある。そしてうまくいけば、自分の分野の熟達にとって核となるスキルがより明確になり、評価プロセスに AI を組み込むことも含めた、より豊かな測定方法論とともに、この変化から抜け出せるはずだ。ここでもあなたの専門性が不可欠である。あなたは自分の分野で本物の理解がどんな姿をしているかを知っている。

これは AI が教育者にもたらす最大かつ最難関の disruption であり、専門性の上に新しい評価を築くための、困難だが不可欠なタスクは次のとおり。

そして、学生はどうせ AI に頼るだろうという現実を受け止め、「AI 抜き」ではなく「AI とともに」の批判的思考と協働のスキルを評価する方向へ転換（pivot）できないかを考える。言うは易く行うは難しであることは承知の上で、学生と話し、同僚や所属機関と協力して、自分の機関とニーズに合った評価戦略を作ることが勧められる。

人間にしかない能力を AI が増幅するように

どの分野でも、人間は置き換えのきかない能力を発揮する。ドメイン専門性、現実世界の文脈、曖昧で混沌とした状況での判断、創造的問題解決、倫理的推論、そして関係構築である。私たちの仕事は、AI がこれらの能力を増幅するようにすることだ。

そして AI Fluency は双方向に働く。教科の専門性が深いほど、意味のある AI 応用をよりよく見極められる。AI との協働が流暢であるほど、自分の分野の境界をより遠くまで押し広げられる。

締めくくりに、自分の分野への AI の影響を考える際の3つのポイント:

  1. AI は学生の未来と私たちの教育を、心躍る形でも懸念すべき形でも disrupt する
  2. 効果的な対応には、この技術への批判的な評価に踏み込むことが要る。実践を通じて AI Fluency を育てることから、自分の文脈に合わせた意図的な AI 戦略を同僚と協働で作ることまで
  3. AI Fluency はあなたの専門性に始まり、あなたの専門性に終わる。あなたは、自分の機関と学生たちの未来（学生が AI とどう働くか）をより良い方向へ動かすのに、最適な位置にいる

要点（Key takeaways）

演習: 自分の分野への AI の影響を体系的に分析し、立場を言語化する（計40分）

自分の分野への AI の影響を体系的に分析し、ポジションペーパーとして言語化する演習。所要時間はあくまで目安 — 時間をかけて、意味のある対話にすること。

Step 1: カリキュラムへの影響を探る（10分）

Claude との会話を始める（前のレッスンからの継続でもよい）。

会話のセットアップ:

カリキュラムの disruption の探索:

Step 2: 教授法の変容を検討する（10分）

教育方法に焦点を当てて分析を続ける。

強化の機会の特定:

リスクの評価と厳格さの維持:

Step 3: 評価戦略を再構想する（10分）

評価の課題と機会に焦点を当てる。

AI 時代の真正な評価の設計:

イノベーションを取り入れつつ誠実性を守る:

Step 4: 自分の立場を統合する（10分）

ポジションペーパーを作成する。

次のレッスンでは、分野の知識を活かして AI Fluency Framework を自分の分野に固有のものへと具体化する。同僚と協力して、4D の分野別の適用を開発する。

7. 分野の専門知を AI Fluency に適用する（Applying discipline expertise to AI Fluency）

所要時間の目安: 40分。 このレッスンを終えると、次のことができるようになる。

動画: 暗黙知を明示化する — 分野別の 4D

あなたの深い分野知識で、AI Fluency Framework を自分の文脈向けに形づくる方法を見ていく。興味深いことに、ここで扱うことはすべて、AI システムに一切触れずに実行できる。私たちがやるのは人間の力を育てること — 学生と自分たち自身が「何を知っているのか、それをどうやって知るのか、なぜそれが大事なのか」を言語化できるようにすることだ。この土台づくりこそが私たちを置き換え不能にし、いわば「人間をループの中に保つ（keep humans in the loop）」ものである。

こう考えるとよい。自分の分野で「質とは何か」「専門家はどう伝え合うか」「どんな問題が重要か」「どんな基準が適用されるか」を言語化できるようになるまでは、その分野で AI と効果的に組むことはできない。この決定的に重要な自覚を、4D を使ってどう育てるかを見ていこう。

Discernment — 「良い」とはどういうことかを説明できるようにする

今回は Discernment から始める。これは AI 時代における最重要の人間的力量のひとつだ。自分の分野で「良い」がどんな姿をしているかを深く理解し、その「良い」を AI アシスタントにも互いにも説明できる堅牢な語彙が必要になる。質を評価する能力である Discernment は教育において常に重要だったが、AI が際限なくコンテンツを生成する今、それは不可欠になった。何が本当に自分たちのゴールと価値観に資するかを判断できるのは人間だけである。教育の場では、このゴールと価値観を分野の文脈の中で明示的に定義する必要がある。

Description — 分野のコミュニケーションを解読する

どの分野にも、その価値観と方法を体現した固有のコミュニケーションの形がある。この暗黙知を協働的な実践を通じて明示化すること自体が、AI と働くときの強い Description スキルに自然につながる。

Delegation — 仕事を分解し、AI に任せる境界を引く

AI と（あるいは誰とであれ）効果的に働くためには、その前に、自分の分野でどんな仕事が行われていて、なぜそれが重要なのかを理解する必要がある。ここで学生は、複雑な仕事を理解可能な構成要素に分解する力を育てる。それによって、自分の分野でいつ AI に仕事を委ね、いつ委ねないべきかをよりよく判断できるようになる。

Diligence — 分野の価値観と基準を成文化する

どの分野にも倫理基準・職業上の期待・誠実性の要件がある。これを明示化することは、AI があってもなくても責任ある実践への準備になる。

好循環と、コースの締めくくり

この深い分野的作業は、強力なフィードバックループを生む。質の基準を言語化できる学生は、人間の出力だろうと AI の出力だろうと、あらゆる出力をよりよく評価できる。分野の方法を理解している学生は、人間相手でも AI 相手でも、あらゆるプロセスをより効果的に導ける。職業倫理を内面化した学生は、あらゆる協働を責任をもって渡っていける。

そして教員側にも恩恵がある。4D のレンズで考えることは、私たちの暗黙知の明示化を強制する。AI の能力を考えることは、人間ならではの貢献の価値を見直させる。AI 強化された未来への準備は、今日の私たちをより良い教師・実務家にする。

4D は分野固有の専門性を育てるフレームワークを提供する。

これらの力量は、学生を「次に来るものが何であれ」に備えさせる。AI との最良の協働の仕方が分かるだけでなく、このプロセスを将来出会うあらゆる変化 — 技術的なものであれそれ以外であれ — に適用できるメタ認知スキルが身につくからだ。

このコースを通じて、私たちは AI Fluency Framework による教育と評価を探り、AI が教育と学習に与える影響に正面から向き合い、4D を分野固有にする方法を議論し、意味のある人間-AI 協働を教えるための土台を築いてきた。あなたの専門性 — 質を見抜き、正確に伝え、問題を分解し、価値観を守り抜く力 — こそが、あなたを不可欠な存在にしている。その専門性を明示的で教えられるものにすることで、学生が花開くための土台を渡すことになる。未来が必要としているのは、批判的に考え、明晰に伝え、賢く協働し、責任をもって行動できる人間だ。あなたは学生を「AI に置き換えられる人」に育てているのではない。「置き換え不能な人（irreplaceable）」に育てているのだ。

要点（Key takeaways）

演習: 同僚と 4D を分野固有にする（最終演習）

最終演習では、AI パートナーには一休みしてもらい、人間の同僚とだけ話す。ただし、参加者全員が前のレッスンの演習（ポジションペーパー）を事前に個人で済ませておくと、この対話は格段に進めやすくなる。自分の状況に合った形で、同僚と 4D フレームワークに取り組むための時間を組織的に確保しよう。議論のガイドとなる推奨トピック:

Discernment のために — 「私たちの分野で、質とはどんな姿か？」

Description のために — 「私たちの分野では、どう伝え合うか？」

Delegation のために — 「私たちの分野では、どんな仕事が行われているか？」

Diligence のために — 「私たちの分野の価値観と基準は何か？」

共有ドキュメントの構築:

これでコースの本編は完了。 次のレッスンで最終クイズに合格すると、修了証（certificate of completion）を取得できる。

まとめ（要点）

コース「Teaching AI Fluency」全体の要点を整理する。

4D の教え方 — 4つのアプローチ

2つのループ — 戦略と戦術の入れ子構造

評価と課題設計

分野への統合

出典・ライセンス

本ガイドは Anthropic Academy コース「Teaching AI Fluency」（Copyright 2025 Rick Dakan, Joseph Feller, and Anthropic、CC BY-NC-SA 4.0 ライセンスで公開）のレッスン本文および動画字幕に基づく日本語の学習ノートである。同コースは Dakan と Feller による The AI Fluency Framework をベースとしており、アイルランド高等教育庁（Higher Education Authority）の National Forum for the Enhancement of Teaching and Learning の支援を一部受けている。私的学習用。

Claude 学習サイト — 完全ローカル静的サイト（build.py で生成）。進捗はこのブラウザの localStorage に保存されます。