メインコンテンツへスキップ
見出し画像

生成AI×教育的戦略

    📖 文献情報 と 抄録和訳

    人工知能利用の臨床的指導における教育的戦略

    📕Abdulnour, Raja-Elie E., Brian Gin, and Christy K. Boscardin. "Educational Strategies for Clinical Supervision of Artificial Intelligence Use." New England Journal of Medicine 393.8 (2025): 786-797. https://doi.org/10.1056/NEJMra2503232
    🔗 DOI, PubMed, Google Scholar 🎵ポッドキャスト >>> NotebookLM
    分かりやすいブログ【🇯🇵】 >>> site.

    [レビュー概要] 多くの学習者は、指導医よりも大規模言語モデルの医療分野での活用に習熟している。著者らは、AIの危険性を軽減し可能性を拡大できる臨床指導の手法を提供する。

    ■ Deskilling, Never-skilling, mis-skilling

    画像

    Deskilling:せっかく身につけた技能が失われる(技能的喪失)

    例として、文章の執筆能力が考えられる。もともとは自分自身の頭で考え、経験を交え、その時の感情が反映された文章を執筆していたものが、生成AIを使用することで、自分自身の頭を使って書かなくて良くなってしまう訳だ。すると、自分自身では、書けなくなってしまう。このように、もともと自分でできていたもの(能力)が、生成AIの代替を続けることで喪失されてしまうことが、Deskillingである。

    📕研究例. 2025年に医学誌『The Lancet Gastroenterology & Hepatology』に発表された研究では、AIを日常的に使用するようになった内視鏡医がAIなしで検査を行った場合、腺腫検出率が28.4%から22.4%へと6.0パーセントポイント低下した(Budzyń et al, 2025)。

    Never-skilling:そもそも技能が身につかない(技能未獲得)

    例として、和式便座が分かりやすい。現在の小学校のトイレでは「子どもが和式便座の使い方がわからない」という問題に直面しているらしい。現代の家のトイレのほとんどが洋式(ですよね)。言い換えれば、現代の子どもは和式便座がない環境で育ってきた。そんな子どもたちは、和式便座の使い方をただ、知らないのだ。このように、Never-skillingはそもそも身につかないのだ。Deskillingと構造は類似しているが、意味合いはまったく異なってくる。Deskillingは、もともと持っていた能力が衰退していくことを指すが、Never-skillingは学習の初期段階でAI代替されることで、そもそも身につかないことを指す。

    📕研究例. 2025年に『Proceedings of the National Academy of Sciences』に発表された約1,000人の高校生を対象とした実験では、GPT-4を自由に使える学生は、AIを使用している間の数学課題の成績が48%向上した。しかし、AIを使えない試験に切り替えると、最初からAIを使わなかった学生より成績が17%低くなった。つまり、「AIがあると解ける」ことと「自分で解く技能が身についた」ことは同じではないことが示された(Bastani et al., 2025)。

    <Never-skillingの3つの構成要素>

    画像
    詳細は以下文献抄読を参照ください。

    Mis-skilling:AIの誤りをそのまま覚えてしまう(誤った技能の強化)

    医療者としては、ここを最も恐れるべきである。ここは構造としては単純で、ハルシネーションの問題が人間に与える影響と考えてよいだろう。生成AIの誤った情報をそのまま鵜呑みにして、誤った治療技術が身についてしまう、そしてそれを患者さんに提供してしまう、という最も分かりやすく、重大な悪影響を及ぼす。

    📕研究例. 2026年に『npj Digital Medicine』に発表された111人の初学者医学生を対象としたランダム化比較試験では、もっともらしいが誤ったAIの説明を与えられた学生の診断正答率は9.2%であり、AIによる説明を与えられなかった学生の21.0%を大きく下回った。さらに、誤答の70.3%はAIが誘導した特定の誤った選択肢であった。誤ったAI説明を与えられても学生の自信は低下せず、「間違っているのに自信を持つ」という状態も生じていた(Teng et al., 2026)。

    ■ 生成AIが3つの世代に及ぼす影響

    画像

    生成AIが僕たちの臨床や学習プロセスに組み込まれたとき、その影響は一律ではない。キャリアのどの段階でAIに出会ったかによって、僕たちが直面する恩恵とリスクの形は変化する。ここでは、臨床家を「クラシカル世代」「ハイブリッド世代」「AIネイティブ世代」の3つに分け、それぞれの成長曲線がAIによってどう描き直されるのかを解説する。

    1. クラシカル世代 (2015年以前に養成校に入学した世代)

    すでに一定の専門性を身につけた状態で生成AIを手にしたのが、この世代。彼らはAI以前の時代に、教科書や論文を紐解き、自らの頭で例えば「なぜこの患者さんの膝は100°で止まってしまうのか?」と悩み抜く適応的実践を経て、一人前や熟達者の域に達している。

    この世代にとって、AIの導入は2つの道に分かれる。

    (1) AIによって強化された適応的実践
    自らの臨床経験という強固な土台の上にAIの知見を重ね合わせることで、思考を限界突破させる道。これは最高レベルの専門性へと至る進化のプロセス。

    (2) 自動化された実践(Deskilling、Mis-skillingのリスク)
    一方で、ルーチン化した業務をAIに丸投げし、自ら考えることを止めてしまうと、せっかく築いた技能が失われるDeskilling、あるいはハルシネーションを鵜呑みにするMis-skillingのリスクに晒される。
    ※AIを導入しない選択は、単なる現状維持ではなく、進化の機会を逃す機会損失といえるかもしれない。

    2. ハイブリッド世代 (2016年〜2022年頃に養成校に入学した世代)

    キャリアの途上でAIが登場したこの世代にとって、最も重要なのはどのタイミングでAIを使うかだと思っている。
    臨床推論の基礎を固めている最中に、安易にAIに答えを求めてしまうと、本来経験すべき試行錯誤のプロセスがスキップされ、発達の停滞を招く恐れがある。一方で、自らの思考を補助する形で適切にAIを活用できれば、従来の成長スピードを大幅に加速・拡張させるAI強化型学習が可能になる。この世代は、便利さとスキルの定着という天秤の間で、最も自己規律が求められる世代と言えるだろう。

    3. AIネイティブ世代 (2025年以降に養成校に入学した世代)

    これから学びを始める、あるいは学び始めてすぐにAIが当たり前にあるのが、この世代。彼らにとって最大のリスクは、技能がそもそも身につかないNever-skillingである。例えば、「論文検索はAIが行うもの」という職場文化の中で育てば、彼らはPubMedやGoogle Scholarを駆使して自力で情報を精査する喜びや技術を知る機会を奪われる。
    自力検索のメリットを知った上でAIを使う選択をするのか。それとも、AI以外の選択肢を知らずにAIを使うのか。この違いは大きいと思う。AIネイティブ世代にとっての学習環境は、彼ら自身というより、今の僕たち(教育側や職場環境)がどのような文化をデザインするかに委ねられている。彼らに選択肢を残すこと、つまり「自力の価値」が重要な領域においては、自力で行う方法を経験できる教育文化を作ることこそが、僕たち先行世代の責務ではないだろうか。

    ■ DEFT-AI フレームワーク

    画像
    DEFT-AIは、学習者がAIを使った瞬間を構造化された教育機会に変換する枠組みであり、臨床推論とAIリテラシーを同時に鍛える。「Diagnosis/Discussion/Discourse → Evidence → Feedback → Teaching →(AI活用の)Recommendation」の順で対話を進める。

    D:Diagnosis/Discussion/Discourse(状況把握と可視化)

    ・症例の要約、鑑別、意思決定過程を言語化させる。
    ・AIの使い方の内訳を具体化する:どのツールを、どのプロンプトで、どこまで追問・反証したか。AIが置換したのか、推論を補強したのかも明確化する。
    「この患者さんの主な問題を一文でまとめてみて。鑑別は最低3つは出して、それぞれ理由を言葉にしてみよう。あと、どのAIを使ったのか、入力したプロンプトは何だったのかも教えて。AIの答えをそのまま写したのか、それとも自分の考えを補強するために使ったのか、そこも大事だよ。」

    E:Evidence(根拠の確認とAIリテラシー評価)

    ・その結論を支持・反証する所見、病態生理、ガイドライン、一次文献を挙げさせる。
    ・AIリテラシーの自己点検:
     ①技術理解(このAIはどう推論し得たか)
     ②批判的評価(このAIの限界・既知の弱点)
     ③適用妥当性(このタスクに適した用途か、検証済みか)。
    ・可能ならAI非依存の口頭推論をさせ、過度依存の有無を見極める。
    「じゃあ、その鑑別を裏付ける所見と、逆に反証する所見を挙げてみて。関連するガイドラインや論文、知ってたら一緒に出してほしい。それと、今のAIはどうやってその答えを出したと思う? このAIの弱点や限界って何がある?ちょっとAIなしで、同じ症例を口頭でプレゼンしてみて。自分の力だけでどこまで組み立てられるか確認してみよう。」

    F:Feedback(省察の誘発)

    ・学習者自身に「何を改善できるか」を述べさせ、教員は見落とし・知識ギャップ・AIの使い方の癖を具体に返す。
    「今の説明で、見落としていた鑑別はなかった? 知識が足りなくて迷ったポイントはどこだった?AIの使い方で良かった部分と、逆に頼りすぎだったところも振り返ってみて。」

    T:Teaching(即時の指導ポイント)

    ・プロンプトの作法を教える(Who/Where/Whatを明示し、理由の説明を常に求め、反証的追問を行う。誘導的バイアスは避ける)。
    ・出力は一次資料・信頼情報源で照合する練習を課す。
    「プロンプトを作るときは“誰に、どんな状況で、何を聞くか”をはっきり書いた方がいいよ。それと『理由も説明して』って必ず付けること。そうするとAIの考え方が見えて、信頼できるか判断しやすくなる。あと、AIの出力は予備情報だから、必ず自分の知識やガイドラインと突き合わせてから採用する。ここは鉄則ね。」

    Recommendation(AI活用の推奨レベル)

    ・症例リスクと学習者の基礎力に応じ、
     ▶︎監督下での限定使用、
     ▶︎間欠的監督つきの自律使用、
     ▶︎監督不要だが継続的自己点検、
     のいずれかを明示する。常に「検証してから信頼」を合言葉にする。
    「この症例はリスクが高いから、AIの提案はそのまま信用せずに、必ず自分で検証してから判断しよう。いわゆる“Centaur”のやり方だね。逆に低リスクで定型的な書類作りとかなら、“Cyborg”みたいにAIと一緒に仕上げてもいい。タスクに応じて使い分けることを意識してみて。」

    ■ サイボーグ型とケンタウロス型

    画像
    AIとの協働には、サイボーグ型(人とAIがタスクの全過程で密接に絡む)とケンタウロス型(人とAIが役割分担し、人が批判的監督を担う)の二様がある。現実の臨床では、タスクの複雑性とリスクに応じて両者を可逆的に切り替える適応的運用が要となる。

    サイボーグ型(高い結合・共同生成)

    ・反復的にプロンプト→修正→再生成を行い、出力を共作する。
    ・適する場面:低リスク・定型的・創造的タスク(文書下書き、説明文作成、要約、既に高性能と検証済みの補助ツールの利用など)。
    ・弱点:自動化バイアスが生じやすく、never-/de-/mis-skillingの温床になり得る。監視の“抜け”が起こらないよう、根拠説明要求と第三者照合をルーチン化する。

    ケンタウロス型(明確な分業・人が最終判断)

    ・AIには探索・案出し・情報整形などを限定委任し、診断・意思決定は人が主導して評価・採否を決める。
    ・適する場面:高リスク、診断不確実、ツールがその用途で未検証、あるいは説明可能性が低い場合。
    ・弱点:手間と時間がかかる。だが学習効果と安全性は高い。

    <切り替えの実務指針(簡易チェック)>
    ・タスクのリスク:患者安全・倫理・法的影響が大きければケンタウロス型。
    ・検証状況:当該用途での外部検証・規制適合が明確ならサイボーグ型寄りを許容。
    ・説明可能性:出力理由を解釈できないときはケンタウロス型に戻す。
    ・学習者の基礎力:低いほどケンタウロス型で鍛え、高まるにつれ局面限定でサイボーグ型を拡げる。
    ・検証資源:ガイドラインや一次文献にすぐ当たれる状況なら、サイボーグ型で生成 → ケンタウロス型で検証の二段運用が効率的。

    🌱 So What?:何が面白いと感じたか?

    “ビッグファイブ” という言葉を知っているだろうか。
    世界五大医学雑誌を指す言葉であり、世界五代医学雑誌とは掲載する論文のインパクトファクターの高さにより国際的に信頼されている5種類の総合医学雑誌のことである。

    ・『The Lancet』 - エルゼビア発行(IF=88.5)
    ・『New England Journal of Medicine』 - 米国マサチューセッツ内科外科学会が発行(IF=78.5)
    ・『JAMA (Journal of the American Medical Association)』 - 米国医師会が発行(IF=55.0)
    ・『BMJ (British Medical Journal)』 - 英国医師会が発行(IF=43.0)
    ・『Annals of Internal Medicine』 - 米国内科学会が発行(IF=15.2)
    ※上4つで世界四大医学雑誌と呼ぶこともある

    この中で、IFで言えばナンバー2である『New England Journal of Medicine(NEJM)』。
    そのNEJM誌から、生成AIの教育的戦略についてのレビュー論文が出ていた。
    これは、自らのうちに刻み込むほどに読み込みたい論文である。

    内容はどれもこれも、トンカチで釘をズドンッ!と打ち込まれるようにして、『そうだよね』と思わされるものばかり。
    その中でも特に重要だと思ったのが、最後に紹介されている『サイボーグ型』と『ケンタウロス型』の話。
    生成AIの働きと、自分の働きを融合させることなく、「ここは僕」「ここはあなた(生成AI)」とその線引きを明確に定めた上で、協働していく。
    この線引きが不明確になることで、これまで培ってきた人間としての技術が失われたり(Deskilling)、これからの新人がそんな技術が存在することすら知らないままになってしまったり(Never-skilling)するかもしれない。

    決してサイボーグになりすぎるな、ケンタウロスになれ。
    いきなり生成AIに全面的に委ねるな。
    まず人間自身がしっかりと考えるプロセスを踏み、
    その後、生成AIを活用して質を高めよ。
    使える領域にはすべて生成AIを用いるという向き合い方は、危険だ。
    果たして、その領域は人間の能力を維持したい領域なのか。
    あるいは人間の能力が多少低下しても効率化を優先したい領域なのか。
    慎重に見定め、人間として判断を下し、生成AI活用のあり方を決めていきたい。

    曇りなき眼で見定め、決める

    アシタカ(もののけ姫)

    ⬇︎ ChatGPTに関する著書紹介 (最新刊❗️)✨

    これまで公開してきたマイGPTが本書の中で限定公開されています‼️
    また、今回紹介した論文の内容も紹介されています。
    本書は、生成AIから適切なアウトプットを引き出すための「プロンプトエンジニアリング」を体系的に解説した実践書です。単なるAI活用例の紹介ではなく、「なぜその指示で精度が変わるのか」「AIに何をどこまで任せるべきか」といった、生成AIとの向き合い方そのものを、臨床・教育・研究・業務改善などの具体例を通して学べます。そのまま使えるプロンプトや、著者オリジナルのマイGPT、解説動画リンクも多数収載。「AIを使う」から、「AIを使いこなすための思考」へ――。生成AI時代に求められる「問いを設計する力」を、セラピストの視点から実践的に解説します。すべての目次が記載されたAmazonページは以下のリンクから

    ⬇︎ 関連 note & 𝕏での投稿✨

    📕NEJM誌『生成AI×教育的戦略』
    ・Narrative Review
    重要事項3つを解説↓
    🔹Deskilling, Never-skilling, mis-skilling
    🔹DEFT-AI フレームワーク
    🔹サイボーグ型とケンタウロス型
    どの話題も興味深く重要❗️
    AIとの向き合い方を考える上で
    必ず目を通したい論文ですね😲#NEJM #生成AI #AI pic.twitter.com/6mG0pUs1X1

    — 理学療法士_海津陽一 Ph.D. (@copellist) September 1, 2025

    ○●━━━━━━━━━━━・・・‥ ‥ ‥ ‥
    良質なリハ医学関連・英論文抄読『アリ:ARI』
    こちらから♪

    ↓↓↓

    画像

    ‥ ‥ ‥ ‥・・・━━━━━━━━━━━●
    #️⃣ #理学療法 #臨床研究 #研究 #リハビリテーション #英論文 #文献抄読 #英文抄読 #エビデンス #サイエンス #毎日更新 #最近の学び

    この記事が参加している募集