AAMCのAI教育論争、迅速な回答より臨床判断を優先
AAMCは11月7日、医学教育者とOpenAIのヘルスAI責任者を招き、より迅速な臨床回答が学生に不可欠な訓練を迂回させかねないという課題に向き合った。AAMCのAI教育論争は、情報を整理し判断を提案するシステムに依存する前に、将来の医師が何を学ばなければならないかを軸に展開されている。
Learn Serve Lead 2026では、NYU GrossmanのMarc Triola、UCSFのRobert Wachter、OpenAIのKaran Singhalが、カリキュラムの内容と教育手法の双方を変える必要性について議論した。この議論は、経験豊富な医師の業務完了を支援することと、学生が専門性を育むことを支援することの実践的な違いを浮き彫りにしている。
競合するアプローチは、即時のAI支援と、独立して推論するために守られた機会である。一律の禁止も無制限の利用も、この緊張関係を解決しない。学校には、支援の有無にかかわらず、卒業生が回答を評価し、欠けた情報を見抜き、判断を説明できるという証拠が必要だ。
AAMCのAI教育に関する議論は、学校が何を残すべきかを問い直す
11月7日の医学教育に関する議論は、拘束力のあるカリキュラム要件の発表ではなく、パネル討論と報道に基づくインタビューだった。この違いは重要だ。著名な登壇者による提言は、組織としての基準を定めるものではないからである。
Wachterは、診断推論、すなわち所見を解釈して疾患の可能な説明を特定する過程を維持しつつ、暗記を再考すべきだと主張した。Singhalは、学生を回答へ導くAIチュータリングについて説明した。Triolaは、教育をより迅速に適応させながらも、困難な学習体験を残すことの重要性を強調した。
本質的な提案は、どの努力が専門性を育て、どの努力が単に時間を消費するだけなのかを再考することだ。
これは、人工知能についての入門講義を追加するよりはるかに難しい課題である。講義では用語を説明できても、学生が何を練習し、教員が何を観察し、試験が何を評価するかは変わらない可能性がある。
孤立した事実を思い出すことと、ある説明が患者の病歴と矛盾していると認識することの違いを考えてみよう。どちらも知識に依存する。しかし、記憶、解釈、注意に対する要求は異なる。
したがって、カリキュラムの問題を、学生がどれだけの情報を暗記すべきかだけに還元することはできない。学校は、状況が混乱し、不完全で、または緊急性を帯びたときに、どの知識をすぐに利用できる状態にしておく必要があるかを決めなければならない。
外部システムは、質問が形成された後で説明を提示できる。学生には依然として、問題を認識し、有用な質問をするための十分な理解が必要である。
ここで、この議論は医学の枠を超えて意味を持つ。高性能なソフトウェアと並行して初心者を育成するあらゆる職業は、同様の課題に直面する。優れた支援付きの成果物は、その土台となる理解の弱さを覆い隠しかねない。
洗練された回答は、完了した課題について評価者に何かを伝える。しかし、それだけで学習者がどの部分を理解し、確認し、あるいは検討せず受け入れたのかが明らかになるわけではない。
この違いは、カリキュラム近代化の意味を変える。評価が、学生がどのように回答へ至ったかを検証せずに回答だけを評価し続けるなら、古い教材をAI関連の内容に置き換えるだけでは不十分だ。
より重大な変化は、指導、許可される支援、評価を結び付けることだろう。学生は、独力で実証すべき能力と、ソフトウェアとの効果的な協働が求められる課題を把握できるようになる。
これらは会議で発表された方針ではなく、この論争から導かれる含意である。公開討論は、実装と証拠について学校が判断すべき課題を残している。
また、未解決の境界線も残している。価値の低い暗記を減らすことはもっともに聞こえるが、何を低価値とみなすかを決めるには、チャットボットがそれを検索できるという確信だけでは足りない。
医学知識は相互に結び付いている。孤立して見れば不要に思える事実が、別の場面で認識、解釈、説明を支えることがある。
したがって、学校は何を削除するのかについて、擁護可能な説明を示す必要がある。最も強い説明は、削除される教材が以前に育成を支えていた能力を、学生がなお保持していることを示すものだろう。
カリキュラム導入は評価に圧力をかける
医学部はこの会議以前からAIを取り入れていた。AAMCの2025年6月のAIカリキュラムのスナップショットは、回答した学校における割合が、連続する調査年の間に53%から77%へ増加したと報告している。
AIを扱っていると回答した学校数は、2023年の88校から2024年には140校へ増えた。調査ごとに回答校の構成が異なるため、この数字は統制された比較ではなく、報告された導入状況を示すものだ。
このスナップショットは、カリキュラムのどこかでAIを扱うことと、必修授業で扱うことも区別している。AIを扱うと報告した学校のうち、必修授業を設ける学校は61校から107校へ増加した。
カリキュラムでの扱いは組織的な活動を測る指標であり、学生がAIを安全に使えることや、それなしに効果的に推論できることを証明するものではない。
この隔たりはカリキュラム委員会に圧力をかける。AI要件が、用語への接触や利用可能なツールのデモを超えて何を達成するのかを説明する必要があるからだ。
教員も関連する評価上の問題に直面する。支援によって首尾一貫した回答を生成できる場合、完成した文書は学生自身の寄与を測る指標として直接性が低くなる。
焦点は観察可能な判断へ移る。学生はどの情報を重要だと判断したのか。どの代替案を退けたのか。何があれば考えを改めるのか。
こうした問いは推論をより可視化するが、教員の時間も必要とする。学校は、ソフトウェアを購入すれば、それを使う学生を評価する能力まで自動的に得られると考えることはできない。
学生も期待される行動について不確実性に直面する。学習目的でAIを使う許可が、支援を受けた課題の提出や患者情報の入力を許可することを必ずしも意味するわけではない。
境界が曖昧であれば、学習体験に一貫性がなくなる可能性がある。ある教員は支援を奨励する一方、別の教員は同じ行為を学生の準備不足の証拠とみなすかもしれない。
組織としての対応では、こうした境界を明示すべきだ。明確な教育目的に沿う限り、活動ごとに異なるルールを設けることは正当化できる。
独立した演習は、学生がすでに何を理解しているかを明らかにできる。支援を伴う演習は、学生が欠陥に気付き、有用な提案を統合し、修正に責任を持てるかを明らかにできる。
どちらの演習も、もう一方の代替にはならない。両方を組み合わせることで、学生がAIを使えるという一般的な宣言よりも多くの情報を得られる。
同じ考え方は購買判断にも当てはまる。臨床業務で時間を節約する製品が、学生の成長に関する証拠を自動的に提供するわけではない。
教育用ソフトウェアを評価する機関は、その製品がどのような行動を可視化するのかを問うべきだ。また、教員がその行動を評価するために、やり取りを十分に確認できるかも問うべきである。
ここには実践的な公平性の問題がある。特定のツールへの非公式なアクセスに期待が依存する場合、学生ごとに異なる学習条件に置かれる可能性がある。
擁護可能な評価では、利用可能な支援を明示し、意図した能力を評価すべきである。そうしなければ、成績は理解の違いと同程度に、利用できる資源の違いを反映する可能性がある。
したがって、AAMCのAI教育論争は、カリキュラム内容と並んで評価を位置付けている。学校は、各活動にどの程度の支援を組み込むかを決める前に、成功した学習を定義する必要がある。
高性能なモデルがより良い臨床チームを保証するわけではない
研究はすでに、モデル自体の性能と、モデルを使った場合の性能を区別すべき理由を教育者に示している。システムが構造化された問題によく答えられても、すべての利用者がより良い結論に到達する助けになるとは限らない。
2024年の診断推論試験では、50人の医師を従来の情報源を使う群と、それらの情報源にGPT-4を加えた群に無作為に割り付けた。GPT-4のような大規模言語モデルは、訓練中に学習したパターンに基づいてテキストを生成する。
その研究では、モデルへのアクセスは医師の診断推論能力を有意に改善しなかった。モデル単独では、いずれの医師群よりも高い得点を記録した。
この試験では、文章で提示された臨床症例を扱った。自律型ソフトウェアがより良い患者ケアを提供することや、あらゆる形態の支援が失敗することを示したものではない。
教育上の教訓は、高性能なシステムへのアクセスと、効果的な協働は別個の達成であるということだ。
利用者は、どの情報を提供するか、回答をどう解釈するか、既存の結論を変えるべきかを決めなければならない。こうした判断には、改善の機会と誤りの機会が共存する。
教育者にとって、これはソフトウェアの習熟が質問をどこに入力するかを知るだけで終わってはならないことを意味する。学生は、得られた助言をどのように評価するかを実証する必要がある。
学生が、裏付けのない仮定を含むもっともらしい説明を受け取る評価を想像してみよう。重要なのは、学生がその仮定を特定し、その影響を確認するかどうかである。
流暢に回答を書き換えたとしても、その能力を示すことにはならない。システムが出した内容をすべて検討せずに退けることも同様だ。
有用な協働には選択的な判断が必要である。学生は、妥当な推論を維持し、弱い主張に異議を唱え、なぜ最終回答が信頼に値するのかを説明しなければならない。
より広い研究状況も、技術的な課題と人間的なコミュニケーションを単純に分ける見方を複雑にしている。AI開発者は、筆記試験だけでなく会話においてもシステムを評価している。
Google研究者による会話型診断AIの研究は、患者役の人物とのテキスト会話を通じて評価された研究システムAMIEを紹介した。そこでは、シミュレーション環境下での診断とコミュニケーションの性能が検討された。
この研究は研究上の比較であり、そのシステムが通常の診療で医師に取って代われることの証明ではない。ここでの関連性は、評価対象となっている能力の幅にある。
AAMCパネルへのOpenAIの参加とGoogleの研究は、同じ教育上の問いに対する異なる貢献を示している。一方は開発者の視点を提供し、もう一方は実験的な証拠を示している。
これらは製品の確定的な順位付けを示すものではない。また、ソフトウェアが決して実行しない課題について恒久的な境界を定めるものでもない。
したがって、学校は現在のモデルの弱点を中心にカリキュラム全体を構築することには慎重であるべきだ。製品の更新後には弱点が変わり、限定的な教育戦略が時代遅れになる可能性がある。
より持続性のある目標は、証拠を評価し、責任を管理することだ。システムの回答が印象的でも、不完全でも、解釈が難しくても、こうした能力は必要であり続ける。
これは、コミュニケーションを教えることの意味も捉え直す。安心感を与える回答は、理解、明確化、合意を必要とするやり取りの一部にすぎない。
評価では、学習者が患者にとって重要なことを見いだせるかを検証する必要がある。洗練された言葉遣いだけで会話が成功したことを示すかのように評価すべきではない。
企業の購買担当者にとっても、その対応関係は直接的だ。印象的なデモは、選ばれた条件下でソフトウェアが何を生み出せるかを示す。
それは、製品の導入後にチームの業務パフォーマンスがどう変わるかを示すものではない。トレーニング、ワークフロー設計、評価によって、その機能が実務で有用になるかどうかが決まる。
自動化の隣には生産的な困難が必要だ
中心となるトレードオフは、支援を提供するタイミングにある。介入は完了した課題の質を高められる一方で、それを行う人が得られる実践の機会を減らす可能性がある。
ここには、即時のパフォーマンスと学習との違いがある。パフォーマンスとは、今その人が達成できることを指す。学習とは、後になって何を理解し、何ができるようになるかを指す。
学校は、より速い完了を教育上の改善と見なす前に、両方の成果についての証拠を必要とする。
患者インタビューを含む仮想的な学生課題を考えてみよう。ソフトウェアがただちに要約を作成すれば、学生は情報をどう整理するかを判断せずに、一貫した記録を確認できる。
この構成は編集に関する議論を支援するかもしれない。しかし、学生が重要な情報を独力で特定し、構造化できるかについては、直接的な証拠をあまり提供しない。
順序を変えれば、教育課題も変わる。学生はまず自分で記録を作成し、その後、支援を受けた版と比較して違いを説明できる。
これは例示的な評価設計であり、AAMC会議で確立されたプロトコルではない。その目的は、アクセスルールに教育的な根拠が必要である理由を示すことにある。
同じ区別は、可能性のある診断を生成する場合にも当てはまる。最初に独立して説明させれば、教師はその後に学生が支援へどう反応したかと比較できる。
この比較により、学生が弱い結論を熟考して修正したのか、単にソフトウェアの提案を採用したのかが明らかになる。根拠のある異論も示される可能性がある。
ただし、困難を加えることが自動的に有益になるわけではない。有用なフィードバックなしに時間を消費する課題は、理解を深めることなく学習者を苛立たせるおそれがある。
問うべきなのは、その困難によって学生が何を実践するのかという点だ。それは解釈、説明、不確実性の認識を求めるものか。フィードバックはそれらの能力に対応しているか。
作業を独力で完了するという要件は、こうした問いに答えなければならない。そうでなければ、なぜそのプロセスが教育的に有用であり続けるのかを示さないまま、慣れ親しんだ手順を維持することになりかねない。
AIチュータリングは、もう一つの設計上の選択肢をもたらす。チューターは、完全な回答をすぐ提示するのではなく、フィードバックを与える前に学生へ説明を求めることができる。
しかし、答えを伏せることだけで教育の質が保証されるわけではない。フィードバックは依然として不正確であったり、タイミングが悪かったり、学生の理解と合わなかったりする可能性がある。
意味のある評価では、学生が何を保持し、未知の問題へどのように転移できるかを調べる必要がある。満足度と完了速度は、体験の異なる側面を表す。
新しい状況で学習内容を応用する能力である転移は、臨床上の問題が同一の形で現れることはほとんどないため重要である。説明を再現できることは、それを適切に応用できることより弱い証拠にすぎない。
この区別は、ナレッジマネジメントにも重要である。学生には、以前の解釈がなぜ変わったのかを含め、意思決定の根拠となった証拠を残す手段が必要だ。
非臨床の学習資料では、personal knowledge base がその記録を支えられる。原資料をノートとつなげて保持することで、後の見直しがより有益になる。
その整理の役割は、患者情報の取り扱いに関する機関の判断とは分けて考えるべきだ。便利な学習ワークフローが、そのツールを臨床利用すべきことを示すわけではない。
より大きな教育上の機会は、修正の過程を可視化することにある。学生は、完成した答えを終着点と見なすのではなく、証拠が説明をどう変えるかを見ることで恩恵を受けられる。
適切に設計された支援付き課題は、その過程を維持するだろう。教師が独立した理解、有益な協働、無批判な依存を区別する助けにもなる。
人による監督には、学校が実証できるスキルが必要だ
医師を最終的な意思決定者と呼ぶだけでは、監督がどのように機能するかは説明されない。監督には、出力に疑問を呈するだけの知識、注意力、権限が必要である。
世界保健機関のhealth AI guidanceは、不正確な応答、プライバシー上の問題、バイアス、専門的スキルの低下などのリスクを指摘している。また、自動化された推奨に過度に依存する傾向である自動化バイアスにも触れている。
こうしたリスクは、人が関与し続ければワークフローが自動的に信頼できるものになる、という前提を複雑にする。人は問題を検出し、効果的に対応できなければならない。
人による監督が教育目標となるのは、学校が人間が実際に何を確認しているかを観察できる場合に限られる。
学生は、ある応答がもっともらしく聞こえることには気づいても、その中心的な主張が裏付けられているかを特定できないかもしれない。文章への信頼感が、証拠を検討する代わりになり得る。
より強い評価では、学習者に最も重要な主張を特定させ、それを検証または反証するものを説明させる。それにより、吟味の過程を観察可能にできる。
また、正当化された不確実性と優柔不断を分けることもできる。学生は、何がなお不明であり、なぜその不確実性が次のステップに影響するのかを説明できるべきだ。
もう一つの課題は、正しい結論と受け入れ可能な推論を区別することである。あるシステムは、別の症例では成り立たない仮定に依存しながら、期待された答えを出すことがある。
評価が結論だけを報いるなら、学生にはその仮定を検討する理由がほとんどない。そうなれば教師は、脆弱な理解を見つける機会を失う。
バイアスはさらに別の側面を加える。学生は、一見すると一般的に見える主張が、議論対象の集団や状況に本当に当てはまるかを考える必要がある。
これは、すべての学生にモデルの開発過程全体を監査させるという意味ではない。証拠が広範な適用を支えていない場面を認識できるよう教えるという意味である。
責任は個々の学習者にとどまらない。学校はツールを選び、アクセスを定義し、監督を確立する。こうした制度上の選択が、学生が合理的に評価できる範囲を形づくる。
学生は、製品の文書化されていない挙動を独力で修正することはできない。機関には、問題を調査し、継続利用が適切かどうかを判断するプロセスが必要である。
そのため、教員の準備が導入の中心となる。教師には、意味のある確認とは何か、学生が不確実性をどのように記録すべきかについて、共通の期待が必要だ。
そうでなければ、監督は空虚な指示になり得る。学生は、どの主張が重要か、どの証拠が十分かについて十分な指針を得ないまま、すべてを検証するよう求められる。
利用可能な研究で解決できることには限界がある。文書化された症例を用いる試験では、多忙な臨床環境でのパフォーマンスに関するすべての疑問には答えられない。
同様に、説得力のあるシミュレーションも、長期的な学習や患者への利益を示すものではない。各評価が答えるのは、全体的な議論が時として示唆するよりも狭い問いである。
適切な対応は、主張を証拠に合わせることだ。学校は有望な能力を認めつつ、自らの教育環境でまだ評価されていない点を明示できる。
このアプローチにより、導入を検証可能にできる。また、AIに対する一律の楽観論にも一律の懐疑論にも、カリキュラムが依存することを防ぐ。
AAMCのAI教育議論後に注目すべきこと
次に有用なシグナルとなるのは、意思決定と測定された成果である。今後数か月は、また別の一般的な支持表明よりも、カリキュラム文書や評価のほうが多くを語るだろう。
学校が、学生が何を実証すべきかを明示し、それを実証できるかどうかの証拠を公表するとき、進展は可視化される。
最初のシグナルは、明示的な評価ルールである。どの課題で独立した遂行が必要なのか、どの課題でAI支援が許可または要求されるのかを学校が説明しているか注目したい。
意味のある方針は、こうしたルールを能力と結び付ける。一方の場面で独立した作業が重要であり、別の場面で支援付きのパフォーマンスが重要である理由を説明するはずだ。
このような方針は、機関がこの議論を教育設計へと落とし込んでいることの裏付けを強める。曖昧な許可の表明では、中心的な評価の問題は未解決のまま残る。
二つ目のシグナルは、支援を取り除いた後の学習に関する証拠である。ツールとともに完了した作業だけを採点するのではなく、未知の問題で学生を試す評価に注目したい。
理解が保持されていることを示す結果は、より広範な教育利用を支持するだろう。一方、支援下での出力は向上するものの独立したパフォーマンスが弱くなる結果は、より選択的なアプローチを必要とする。
どちらの結果も、あらゆる製品について普遍的な結論を正当化するものではない。課題、タイミング、学生の経験、フィードバックは、結果を解釈するうえで引き続き重要である。
三つ目のシグナルは、教育製品が評価のために推論と修正を明らかにしているかどうかだ。学生がフィードバックへどう反応し、誤りをどう修正したかを、教員が確認できる機能に注目したい。
洗練された回答生成ツールは利便性を示せる。有用な教育システムは、学習者が何を貢献し、何をまだ誤解しているかを教師が理解する助けにもならなければならない。
これらのシグナルは、すでに確立されたカリキュラムが存在するふりをせずに、AAMCのAI教育議論を実践的に読み解く視点を提供する。未解決の課題は、能力を定義し測定することである。
開発者にとって、これは正確な応答を生成する以上の製品要件を生む。教育的価値は、学生のために学習課題を不必要に完了させることなく、学生の理解を可視化することにかかっている。
機関の購入担当者にとっては、評価の問いが変わる。重要な比較には、デモ中にどれだけ速く作業を終えるかだけでなく、その後に学習者が何をできるかも含まれる。
次のカリキュラム発表は、こうした区別を念頭に読んでほしい。どの能力が引き続き独立した要件なのか、支援付きの作業をどう評価するのか、選ばれた境界をどの証拠が支えているのかを問うべきだ。保持された理解、有益な修正、未知の問題でのパフォーマンスを報告する評価を追いたい。完了速度は、学習の代替物ではなく、一つの指標として扱うべきである。次の学校またはベンダーの発表に向けた最も有益な問いは具体的だ。学生は自分の判断を説明し、もっともらしい誤りに異議を唱え、その理解を新しい症例へ持ち込めるのか。AI支援が、最終的にケアの責任を担う医師の育成に役立っているかを判断するには、その証拠が必要である。
