仕事の記録 プロデュースのお仕事、東京科学大学データサイエンス・AI全学教育機構「須藤先生、医療系の大学にDS・AI教育を広めるのは、どこが大変ですか？」
仕事の記録 プロデュースのお仕事、東京科学大学データサイエンス・AI全学教育機構「須藤先生、医療系の大学にDS・AI教育を広めるのは、どこが大変ですか？」
大学関連の仕事もしています。
このお仕事は主に私は企画・プロデュースと編集業務。
ライターは三上美絵さん。カメラマンは河野俊之さんです。
素晴らしい仕事ぶりです。チームで仕事をするのはとても楽しいし大好きです。
Geminiに記事を要約してもらった。
ご提示いただいたインタビュー記事に基づき、医療系大学におけるデータサイエンス（DS）・AI教育普及の困難な点について、MECE（漏れなく重複なく）に要約しました。
医療系大学におけるDS・AI教育導入の課題と実態
1. カリキュラム編成上の制約
既存科目の過密状態: 医・歯・薬・看護の各学部は卒業までの必修科目が非常に多く、新規科目を追加する枠（コマ数）の確保が物理的に困難である。
「モデル・コア・カリキュラム」への対応: 文部科学省が定める教育指針（6〜7割を遵守する必要がある）に2022年度からDS・AIが盛り込まれたが、具体的な指導内容の策定に各大学が苦慮している。
重複内容の整理: 既存の授業内容を精査し、重複部分を圧縮してDS・AI教育の時間を捻出する地道な調整作業が必要となる。
2. 指導体制とリソースの不足
専門教員の慢性的な不足: 外部から専門家を招くにも人材が足りず、学内の医療系教員も「何をどう教えるべきか」戸惑っているケースが多い。
非専門教員への支援: 専門外の医療系教員でも授業が担当できるよう、自信を持たせるためのワークショップや標準教材（2026年公開予定）の開発が急務となっている。
3. 学生の特性とモチベーション管理
ICTリテラシーの個人差: 1年生の中にはWordやExcelの操作に不慣れな学生も珍しくなく、プログラミング学習における初歩的なエラーへの個別サポート（TAの活用など）が不可欠である。
関心の低さ: 理工系学生と比較してプログラミングへの興味が低い傾向にあるため、単なる技術論ではなく「医療現場での具体的な活用事例（AIによる画像診断など）」を示し、学ぶ意義を伝える必要がある。
4. 医療分野特有の教育的・倫理的配慮
精度の限界と責任論: AI診断の精度には限界があることや、診断ミスが発生した際の責任の所在など、倫理的側面や問題点についても併せて理解させなければならない。
教育現場への実装ハードル: 臨床現場への社会実装には時間がかかるため、まずは試験（OSCE）の自動評価システムなど、教育現場における利便性向上から着手するなどの段階的なアプローチが求められる。
