AI家庭教師は「手助け」と「見守り」を適切に判断できるか――米アレン人工知能研究所、評価フレームワーク「TutorMoments」を発表

要点

• 米アレン人工知能研究所（Ai2）は、AI家庭教師が生徒への支援と自律的な思考の促しを適切に選択できているかを評価するフレームワーク「TutorMoments」を発表した。
• 米国の小学2年〜中学1年の算数指導データをもとに構築され、指導の判断基準となる1,500以上の主要な場面を現役の教師陣がタグ付けしている。
• AI家庭教師に指導を引き継がせ、生徒役のAIと対話させる手法により、介入のタイミングや過剰な手助けの有無を評価する。
• 実験の結果、AIモデルは過剰に手助けをしやすい傾向があり、指導のトレードオフを指示文に明記しても人間との実力差は埋まらなかった。
• 研究コミュニティの支援に向けて、匿名化された指導データや評価用コード、AIの対話ログがオープンリサーチとして一般公開されている。

• 米アレン人工知能研究所（Ai2）は2026年8月7日、AI家庭教師（AIチューター）が生徒への支援と自律的な思考の促しを適切に選択できているかを評価するフレームワーク「TutorMoments（チューター・モーメンツ）」のプレビュー版を発表した。実際の個別指導の会話記録から、指導の分岐点となる場面を再現してAIの振る舞いを評価する仕組みを備えている。

答えを教えてしまう「親切すぎるAI」の課題

優れた家庭教師は、生徒から質問された際にすぐに答えや解き方を教えるのではなく、「この問題は何を求めていると思う？」と問い返すなどして生徒の試行錯誤を促す。すぐに答えを教えてしまうと、生徒が自力で論理的に考えて学ぶ機会を奪ってしまうからである。

しかし、ChatGPTなどの基盤となるLLM（大規模言語モデル：人間のような文章を生成するAI技術）は、通常「親切なアシスタント」として機能するように開発されている。そのため、教育の場においても解法を事細かに説明したり、過剰に手助け（オーバー・スキャフォールディング）をしたりする傾向が強い。これは学習において重要とされる、生徒が自ら葛藤しながら課題を解決するプロセスを妨げることにつながる。

従来のAI家庭教師の評価指標では、「答えを教えない」といった画一的なルールへの準拠が重視され、生徒の実際の理解度に応じた柔軟な判断力までは測定できていなかった。

TutorMomentsの仕組みと評価プロセス

TutorMomentsは、こうしたAIの介入判断力を測定するために構築された。データセット「TutorMoments-Preview」には、低所得世帯の生徒が多く通う米国の学校（Title I校）を中心とした、小学2年から中学1年向けの一対一の算数指導から得られた462件の指導記録が匿名化されて収録されている。

さらに、米国の数学教師27名がこれらのデータを読み込み、指導の中で「スキャフォールディング（問題を解きやすくするための支援）」と「リガー（より深い思考や厳密さを生徒に求めること）」のどちらを選択すべきか、チューターが判断を迫られた1,500以上の場面をタグ付けした。

評価時には、この判断が必要な場面で指導記録を一時停止し、AI家庭教師にその後の対話を5ターン引き継がせる。生徒役は別のLLMが演じる。こうして生成されたAIの対話を、教師たちの判定による正解データと比較し、AIが適切なタイミングで支援を提供したか、不要な過剰支援を避けて思考を促したかを自動スコアリングパイプラインによって判定する。

実験で明らかになった人間との実力差

本フレームワークを用いて7種類の主要なLLMを対象とした実験が行われた。AIに対して「優れた指導を行うように」とだけ指示する単純なプロンプト（指示文）を与えた場合、すべてのモデルで生徒を過剰に手助けしてしまい、深い思考を促すアプローチをとる割合が著しく低いことが判明した。

次に、支援と見守りのトレードオフを具体的に明記したプロンプトを与えたところ、AIの判断力は向上した。しかし、状況に応じて一貫した判断を下す人間の教師との実力差は依然として大きく、どの程度適切に介入を制御できるかはAIモデルの間で大きなばらつきが見られた。

Ai2は、AI教育システムの研究開発を支援するため、本プロジェクトの成果をオープンリサーチとして公開した。これには、匿名化された指導データセットのほか、対話リプレイを実行するためのプログラムコード、そして再現性を検証するためのモデルごとの対話ログが含まれている。開発チームは、このフレームワークがAI家庭教師の開発者や研究者にとって、モデルの教育学的判断力を精緻に評価する一助になることを期待している。