- Ai2が2026年8月7日、AI家庭教師の「教えすぎ」を測る評価枠組み「TutorMoments」を公開
- 米国の小2〜中1の算数指導462件・教師注釈1,500場面超という実データがベース
- 「ただ上手に教えて」と頼むだけだと、AIは手伝いすぎて生徒に考えさせないことが判明
- プロンプトで「助ける／黙る」の使い分けを明示すると全モデルのスコアが改善
- ChatGPTの学習モードなど既存サービスとの違い、日本の教育現場への影響も解説
子どもが宿題でつまずいたとき、すぐ答えを教えるのが親切でしょうか。それとも、あえて黙って待つべきでしょうか。この「教える側の判断」をAIができるのか、実際の算数指導1,500場面で測った研究が公開されました。結果は、少し意外なものでした。
AI家庭教師の「教えすぎ」問題とは
優秀な家庭教師に「わかりません」と言うと、何が返ってくると思いますか。
多くの場合、答えではなく質問です。「この問題は何を聞いていると思う？」と返してくる。これは意地悪ではありません。生徒が今どこまで理解しているかを探るための、教える技術の一部です。
ところがAIは違います。LLM（人間のように文章を書けるAI）は「役に立つこと」を目標に訓練されています。
だから聞かれれば答えます。概念を説明し、手順を並べ、答えまで案内してくれる。親切です。でもそれは、生徒が自分の頭で悩む時間を奪ってしまいます。
教育研究の世界では、この悩む時間を「生産的な苦闘（productive struggle）」と呼びます。もどかしくて時間もかかるけれど、理解を深めるのはまさにこの過程だとされてきました。
Ai2（アレン人工知能研究所。米シアトルの非営利AI研究機関）が2026年8月7日に公開したTutorMomentsは、この「手伝う／待つ」の判断をAIができているかを測る枠組みです。
TutorMomentsはどうやって測るのか
本物の指導記録462件がベース
この評価が特徴的なのは、架空の問題集ではなく本物の指導記録を使っている点です。
公開されたデータセット「TutorMoments-Preview」には、米国の小学2年生〜中学1年生を対象にした1対1の算数指導の書き起こしが462件収録されています。個人が特定される情報はすべて削除済みです。
そこに27人の現役算数教師が注釈をつけました。「ここが分かれ道だった」という場面を、1,500カ所以上マークしていったのです。
提供元は、低所得世帯の子どもが多く通うTitle I校を中心とした個別指導プログラムです。
会話を途中で止めて、AIに続きをやらせる
測り方は「リプレイ」と呼ばれます。
まず、教師がマークした分かれ道の直前まで会話を再生します。そこで一時停止。その先の家庭教師役をAIに交代させ、5ターンだけ指導させます。生徒役は別のAIが演じます。
採点は3つの軸で行われます。①支援が必要な場面できちんと足場をかけたか、②生徒に余力がある場面で「もっと考えて」と促せたか、③必要以上に問題を簡単にしてしまっていないか。
スコアは0〜1。0.50なら「その判断が求められた場面の半分で正しく振る舞えた」という意味です。
検証でわかった3つの結果
結果1：頼み方が雑だとAIは手伝いすぎる
Ai2は7つのLLMを2種類の頼み方で試しました。
ひとつは、ただ「知っている良い指導法を使って対応して」とだけ伝えるプレーンなプロンプト。もうひとつは、「助ける／過剰に助ける／挑戦を促す」の使い分けを明文化したプロンプトです。
プレーンな頼み方の結果ははっきりしていました。モデルは支援を出しすぎる方向に偏り、生徒に深く考えさせる場面をほとんど作れなかったとされています。
結果2：プロンプトで明示すると全モデルが改善
一方で、トレードオフを言葉にして伝えると7つすべてのモデルでスコアが上がりました。
つまり、AIに指導能力がまったくないわけではありません。デフォルトの「便利なアシスタント」モードのままでは、教える仕事に向いていないということです。
ただし改善には限界もありました。同じプロンプトを渡しても、モデルごとの解釈の幅は大きいまま。最高得点のモデルでも伸びしろは相当残っています。
結果3：人間の先生も完璧ではなかった
興味深いのは、同じ物差しで人間のチューターも採点している点です。
数字はこうなりました。適切な足場かけ0.458、適切な挑戦の促し0.182、過剰な足場かけの回避0.496。いずれもAIの改善後スコアを下回っています。
ただしAi2は「AIが人間教師を上回った」とは主張していません。注釈をつけた教師たちは、そもそも「もっとうまくやれたはずの場面」を探してマークしていたからです。データが失敗寄りに偏っているのは設計上の意図です。
もうひとつの注意点として、挑戦を促す場面は全体で260件しかなく、足場かけの738件に比べて判定のブレも大きいと明記されています。
なぜAIは「教えすぎ」てしまうのか
原因は、AIの訓練の仕方そのものにあります。
現在のチャットAIは、ユーザーの満足度を高める方向に調整されています。質問にすぐ答え、丁寧に説明し、迷わせない。カスタマーサポートやコード生成では、これが正しい設計です。
けれど教育では話が逆になります。短期的な満足と長期的な学習効果が真っ向から衝突するのです。
従来の評価方法にも問題がありました。多くのベンチマークは「答えを絶対に教えない」「必ずヒントを出す」といった固定ルールを守れたかで採点します。
でも実際の指導に唯一の正解手順はありません。この生徒に、今この瞬間、この問題で何が必要か。その都度の判断こそが本体です。
もうひとつ報告されたのが、AIの手札の少なさです。挑戦を促す場面でAIが使う手は「答えを説明してみて」に偏りがちで、人間の教師のほうが多様な働きかけをしていました。
ChatGPTやGeminiの学習モードと何が違う？
2026年現在、主要なAI企業はすでに教育向けモードを出しています。整理してみましょう。
- ChatGPT 学習モード（Study Mode）：無料ユーザーを含む全員が利用可能。答えを直接出さず、誘導質問とヒントで進める方式。2026年3月には数学・理科向けに70種類以上のインタラクティブな図解が追加されました
- Gemini Guided Learning：2025年8月開始。トピックを小さな段階に分け、図やビジュアルを添えながら、次に進む前に生徒自身の言葉で説明させるスタイル
- Claude 学習モード（Learning Mode）：2025年8月に全ユーザーへ開放。ソクラテス式（問いを重ねて考えさせる手法）で答えを渡さず進める
3つとも狙いは同じで、ソクラテス式の対話に寄せる設計です。
では、TutorMomentsは何が違うのでしょうか。これらは「サービス」であり、TutorMomentsは「物差し」です。
各社の学習モードは「答えを教えない」という方針を固定しています。TutorMomentsが問うのは、その一段深い部分です。答えを教えないことが常に正しいのか。生徒が理解しきっている場面でヒントを出し続けるのは、むしろ足を引っ張っていないか。
学術系ではMathDialやMathTutorBenchが先行しますが、これらも行動そのものを評価する設計でした。教師が場面ごとに正解ラベルを付けた実データで測る点が、TutorMomentsの新しさです。
日本の教育現場と家庭にとって何が変わるか
日本でもAI学習ツールは着実に広がっています。適応学習のatama+は約4,500教室、QubenaはAI型ドリルとして170自治体規模で導入が進んでいるとされます。文部科学省も2024年12月にガイドラインを改訂し、学校での生成AI利用の留意点を具体化しました。
ここでTutorMomentsの指摘が効いてきます。
塾に通う中学2年生が、家で数学の宿題に取り組む場面を考えてみてください。連立方程式でつまずき、ChatGPTに写真を送る。数秒で式変形と答えが返ってくる。宿題は終わります。
翌週のテストで、同じ形の問題が解けるでしょうか。TutorMomentsが警告しているのは、まさにこの落差です。
学校でも同じことが起きます。ある中学校の先生が、放課後の質問対応をAIチャットに任せたとします。生徒の満足度アンケートは高く出るでしょう。すぐ答えが返ってくるのですから。満足度と学力の伸びは、必ずしも一致しません。
保護者にとっての実践的な示唆は、頼み方を変えることです。「答えを教えて」ではなく「ヒントだけ出して、答えは言わないで。私が説明できたら合っているか判定して」と伝える。
研究が示した「プロンプトを明示すると全モデルが改善した」という結果は、家庭でもそのまま応用できます。
国内の教育サービス企業にとっては、日本語・学習指導要領に沿った検証がまだ手薄という課題が残ります。TutorMomentsのコードとデータは公開されているので、日本語版を作る土台には使えます。
よくある質問（FAQ）
Q1. TutorMomentsは誰でも使えますか？
はい。データセット、リプレイ実行用のコード、評価に使ったモデルの応答記録がすべて公開されています。データはHugging Face、コードはGitHubのallenai/tutormomentsで配布されています。研究者や開発企業が自社モデルを同じ物差しで測ることができます。
Q2. 具体的にどのAIモデルが良かったのですか？
Ai2は7つのLLMを評価しましたが、公開ブログではモデル名ごとの順位を前面には出していません。強調されているのは個別の勝敗ではなく、プロンプトの書き方でスコアが大きく動くという共通の傾向です。詳細はテクニカルレポートに掲載されています。
Q3. スコアが高ければ学習効果も高いのですか？
そうとは限りません。Ai2自身が明確に注意を促しています。リプレイの生徒役はAIによるシミュレーションなので、測っているのはその場面でのAIの振る舞いであり、実際の生徒が学べたかどうかではないからです。実際の学習効果を測るには別の検証が必要です。
Q4. 日本語や日本の教科書には対応していますか？
現時点では未対応です。データは米国の小2〜中1の算数指導が対象で、すべて英語のテキストです。日本の学習指導要領や日本語特有のやりとりを評価するには、同じ方法論で国内のデータを集め直す必要があります。
Q5. AIに勉強を教わるのはやめたほうがいいですか？
使い方次第です。この研究が否定しているのはAI家庭教師そのものではなく、「便利なアシスタント」のまま教育に転用することです。ヒントの出し方を指定する、答えを聞く前に自分の考えを言語化する、といった使い方なら有効な学習相手になり得ます。
まとめ
- Ai2が2026年8月7日、AI家庭教師の判断力を測る評価枠組みTutorMomentsを公開した
- 米国の小2〜中1の算数指導462件、27人の教師による1,500場面超の注釈が土台
- 会話を分かれ道で止めてAIに5ターン指導させ、足場かけ・挑戦の促し・過剰支援の回避を0〜1で採点する
- 「上手に教えて」とだけ伝えると、AIは手伝いすぎて生徒に考えさせない傾向が出た
- 使い分けをプロンプトに明記すると7モデルすべてでスコアが改善した
- 人間チューターの参考値は足場かけ0.458・挑戦の促し0.182だが、失敗寄りに集めたデータのため天井ではない
- データとコードは公開済みで、日本語版の評価を作る土台にできる
今日から試せる次の一歩として、AIに勉強を聞くときは「答えは言わずヒントだけ」と最初に伝えてみてください。それだけで、AIの振る舞いは変わります。
参考文献
- TutorMoments: Do AI tutors know when to help and when to hold back? — Ai2（Hugging Face Blog、2026年8月7日）
- TutorMoments テクニカルレポート（Allen Institute for AI）
- allenai/tutormoments-preview データセット（Hugging Face）
- allenai/tutormoments リプレイ実行コード（GitHub）
- MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors（arXiv）
- 生成AIの利用について（文部科学省）
こんな時代だから遊んで学びたい
AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。
毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。 さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。
「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？
一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！
