William & MaryのAI副専攻、倫理を試す

William & Maryの19単位制の人工知能副専攻がGoogle Newsで注目を集めている。しかし真の試金石は、技術教育の中で倫理が生き残れるかどうかだ。

同大学は2025年9月、School of Computing, Data Sciences & Physicsを通じてこのプログラムを開始した。副専攻は将来のソフトウェアエンジニアだけでなく、すべての専攻の学生に開放された。この幅広さこそが中心的な緊張関係を生む。AI倫理は、装飾的な人文学要件ではなく、実務として機能する分野にならなければならない。

時期についても明確にする必要がある。この発表は2026年8月に再びフィードへ表示されているが、プログラム自体は8月に開始されたものではない。同大学が最初の発表を公開したのは2025年9月12日だった。アグリゲーター経由でこの記事を見つけた読者は、この違いを見落としやすい。

この日付が重要なのは、William & Maryが発表から十分な時間を経て、より難しい問いに向き合える段階にあるからだ。カリキュラムは、プログラミング、統計、機械学習、責任ある利用、学際的な応用を掲げている。次の段階では、これらの要素が学生によるAIシステムの構築・評価のあり方を実際に変えるのかを示す必要がある。

HarvardのEmbedded EthiCSイニシアチブは、有用な歴史的比較対象となる。同プログラムは哲学者をコンピュータサイエンスの授業に組み込み、学生が技術的判断を下す場で倫理的推論と接続させている。William & Maryはより幅広い副専攻を進めているが、課題は似ている。設計上の選択が固定される前に、価値観を実装へ結びつけることだ。

Google Newsの見出しが伝えていないこと

発表は新たな学術的進路を示しているが、カリキュラムを見ると、このプログラムは哲学よりもコンピューティングに強く根差している。

William & MaryのAI副専攻カリキュラムは19単位を必要とする。4つの必修科目は、入門プログラミング、離散構造、研究設計と統計、応用機械学習を扱う。これらの要件は、充実した技術的基盤を築いている。

学生は次に、指定選択科目から少なくとも6単位を選ぶ。公開されている選択肢には、ニューラルネットワーク、大規模言語モデル、データマイニング、信頼できるAI、生成AI、強化学習、ベイズ推論、エージェントベース・モデリングが含まれる。この一覧により、学生は技術的な学びを深める複数の道を得られる。

大学によれば、この副専攻には倫理と社会的影響に関する批判的思考も統合されている。開設時の発表ではさらに、プライバシー、公平性、AIが及ぼす幅広い影響に関する学びをカリキュラム全体に織り込むとしていた。

この違いは重要だ。独立した倫理の授業では、それを生み出すエンジニアリング上の意思決定から道徳的問題を切り離してしまう可能性がある。一方、組み込み型の扱いなら、そうした問題をモデル選定、データ収集、評価、導入、失敗分析に結びつけられる。

ただし、公開されている要件は、その統合をどのように評価するかを正確には説明していない。科目名から学生が何を学ぶかは分かるが、倫理的推論がプロジェクトの成績やシステム設計に影響するかは分からない。また、すべての科目に共通する学習成果も示されていない。

この隔たりは、倫理が表面的だと証明するものではない。読者がなお必要とする証拠を示している。カリキュラムは責任あるAIを約束できる一方、その約束の解釈を個々の教員に委ねることにもなり得る。

当初の副専攻発表は、このプログラムを実践的かつ内省的なものとして位置付けた。コンピューティング学部長のDoug Schmidtは、AIが芸術、歴史、法学、ビジネスなどの分野を変革していると述べた。また、この副専攻はどの専攻にも補完的なものだと説明した。

この主張は、なぜこのプログラムが一つのキャンパスを超えてニュース価値を持つのかを示している。大学は、AIをコンピュータサイエンスの中に置くべきか、あらゆる学問分野にまたがらせるべきか、それとも独立した学際的領域に置くべきかを判断している。William & Maryの答えは、3つのアプローチすべてを組み合わせるものだ。

この副専攻はコンピューティング学部内に置かれ、大学全体から学生を受け入れ、人間への影響に注意を払うことを約束している。その組織的な所在が技術的な深みをもたらす。開かれた履修制度が学際的な広がりをもたらす。そして倫理への取り組みは、どちらの特徴も無批判なツール訓練へと変わらないようにするはずだ。

Google Newsは、この構成をコンピュータサイエンスと哲学が出会うという見出しに圧縮できる。実際のプログラムはより複雑だ。正式な中核はプログラミング、数学的推論、統計、機械学習を重視する一方、その倫理的アイデンティティは科目横断での実行に依存している。

そのため、この副専攻は完成された答えというより、進行中の制度的実験である。William & Maryは構造を定めた。教員と学生の取り組みが、その構造から技術を理解した批評家、倫理に敏感な開発者、あるいは単にもう一つAI資格を得た卒業生のどれが生まれるのかを決めることになる。

ルールが定まらないうちに大学が動く理由

William & Maryは、AIツール、方針、職業上の期待がなお流動的な中で、学生の需要と制度的変化に対応している。

同大学は孤立してこの副専攻を創設したわけではない。William & Maryは、2023年後半にBoard of Visitorsの承認を受け、School of Computing, Data Sciences & Physicsを設置した。この学部は2025年に開設され、応用科学、コンピュータサイエンス、データサイエンス、物理学を一つの学術組織にまとめた。

需要はすでにその方向へ動いていた。2023年の大学報告書によると、コンピュータサイエンスと物理学を合わせた学士号取得者数は、10年間で206％超増加した。データサイエンスのプログラムも、2017年に副専攻、2019年に専攻を導入して以降、拡大している。

William & Maryは2025年初頭、Carnegie ClassificationによりR1指定を受け、非常に高い研究活動を行う機関の一つに位置付けられた。同大学のAI政策報告書は、この地位を研究能力の向上、提携の可能性、コンピューティング基盤と結び付けている。

こうした変化により、大学には散発的な選択科目以上のものを提供する圧力がかかっている。学生には、前提科目、技術的手法、応用上の問いを一貫して学べる道筋が必要だ。教員には、カリキュラムを一世代のツールに固定することなく、適切なAI利用について議論する共通の枠組みが必要になる。

大学はこのより広範な問題に取り組むため、2024年秋にArtificial Intelligence Policy Initiativeを設立した。メンバーは哲学、コンピュータサイエンス、データサイエンス、ビジネス、教育、法学、情報技術、学術運営の分野から集められた。

同イニシアチブのAI政策の任務は、授業での利用、研究ガイダンス、データ管理、大学運営、継続的なガバナンスを対象とした。最終提言は2025年7月1日までに大学運営側へ提出される予定だった。

この政策作りが重要なのは、AIカリキュラムが、すでに学術的誠実性と格闘している組織の内部で運用されるためだ。学生は支援と代替を区別しなければならない。教員は、生成システムが学習目標を前進させる場合と、それを迂回する場合を判断しなければならない。

こうした問いは、検出ソフトウェアだけでは解決できない。著者性、開示、プライバシー、証拠、課題の目的に関する判断が必要になる。哲学はこうした価値観を明確にする助けとなり、コンピュータサイエンスはシステムが実際に何をしているかを明らかにできる。

雇用主も別の圧力源となる。組織が求めるのは、AIツールを使い、その出力を検証し、安全でない用途を見極め、限界を非技術系の同僚に説明できる人材だ。インターフェースやモデルは変化するため、単なるツールへの習熟はすぐに陳腐化する。

したがって、持続性のあるプログラムは移転可能な判断力を教える必要がある。学生は、モデルが何を最適化しているのか、データはどこから来たのか、性能はどう測定されたのか、失敗のコストをどの集団が負うのかを問えるべきだ。

William & Maryのカリキュラムは、統計と機械学習を通じてその目標の一部を支えている。これらの科目は、不確実性、評価、予測と説明の違いを学生が理解する助けとなる。倫理はその後、それらの概念を責任と許容可能なリスクへ結びつけられる。

同大学はまた、Bachelor of Arts in Interdisciplinary Studiesプログラム内で、応用人工知能専攻の開発も進めている。この動きは、この副専攻が生成AIへの関心に対する一時的な反応ではないことを示唆する。より大きな学術戦略の一部なのだ。

Google Newsで取り上げられれば、その戦略への注目は高まる。しかし注目は立証責任も重くする。他大学は科目名をすぐに模倣できる。説得力のある差別化は、学生が何を生み出すか、教員がそれをどう評価するか、倫理的要素が技術的選択を変えるかどうかから生まれる。

コンピュータサイエンスと哲学は意思決定を共有しなければならない

主な対立は技術対人文学ではない。統合された判断と、開発後に付け加えられる倫理との対立である。

コンピュータサイエンスの授業では、目標を形式的なシステムへ変換することを学生に教える。この作業には、抽象化、測定、最適化が伴う。それぞれの段階には、何を数えるか、何を見過ごすか、誰の利益が目的を形作るかという選択が隠されている。

哲学は、こうした選択を検討する方法を学生に与える。倫理理論は、結果、義務、権利、徳、関係性を区別する。認識論は、何が知識と見なされるか、そして確信がいつ正当化されるかを検討する。心の哲学は、知能、主体性、理解に関する前提を検証する。

どちらの分野も単独では十分ではない。システムのアーキテクチャを誤解した哲学的批判は、実在しない能力を標的にする可能性がある。規範的な問いを避ける技術分析は、有害な目標を見事な精度で最適化してしまう可能性がある。

最良の学際的教育は、学生にこれらのレベルの間を何度も往復させる。採用モデルを設計するチームは、精度を測定した後にだけ公平性を議論すべきではない。意思決定の文脈を定義し、影響を受ける集団を特定し、代理変数を調べ、評価指標を選び、異議申し立ての手順を確立すべきだ。

医療アプリケーションでは異なる責務が生じる。偽陰性と偽陽性は、不均等な結果をもたらす可能性がある。モデルの性能が高くても、プライバシーリスクは残り得る。技術的には許容できる平均値でも、より小さな集団に対する不十分な結果を隠すことがある。

大規模言語モデルは、別種の問題をもたらす。流暢な出力は、事実誤りや不確かな推論を覆い隠し得る。学生には、学習と評価に関する技術的知識に加え、証言、証拠、著者性、信頼に関する哲学的な規律が必要だ。

ここで、組み込み型の倫理は一般的な討論科目よりも厳しいものになる。学生は倫理分析をシステム仕様の一部として扱わなければならない。導入前にトレードオフを文書化し、証拠が変化した際にはそれを再検討しなければならない。

HarvardのEmbedded EthiCSモデルは、その接続を生み出す一つの方法を示している。このプログラムは、哲学者とコンピューティング分野の教員の協働を通じて、既存のコンピュータサイエンス科目に倫理モジュールを統合している。

William & Maryがそのモデルをそのまま再現する必要はない。リベラルアーツという環境は、政治学、ビジネス、生物学、歴史学、心理学、法学、芸術にまたがる、より幅広い組み合わせを構築する余地を与える。しかし幅広さは連携上の問題も生み得る。

金融を学ぶ学生とコンピュータサイエンスを学ぶ学生では、副専攻に入る時点での技術的な準備に差があるかもしれない。生物学の学生は、研究の妥当性や患者への影響を重視する可能性がある。芸術系の学生は、同意、帰属表示、創造的労働に焦点を当てるかもしれない。

コア・カリキュラムは、こうした学生が協働できるだけの共通語彙を提供しなければならない。初級プログラミングは、形式的な指示を直接扱う経験をもたらす。統計学は、証拠と不確実性を説明する。機械学習は、データと目的がモデルの振る舞いをどう形作るかを示す。

倫理的推論は、各科目に並置されるのではなく、それらを結び付けるべきだ。学生は共通の枠組みを用いて、利害関係者を特定し、害を明示し、不確実性を記録し、導入判断を正当化できる。教員はその後、複数のプロジェクトにわたってこうした能力を評価できる。

William & Maryの哲学部は、すでに隣接する領域の取り組みを支えている。同学部の「Ethics for Data & Computing」集中プログラムは、哲学専攻の学生がデータ、人工知能、科学的前提、そして競合する価値理論を検討できるようにしている。こうした既存の基盤は、より深い協働を支えられる。

しかし、公表されている副専攻の要件では、4つのコア要件の中に哲学の専用科目は挙げられていない。これは哲学者がプログラムに関与していないことを意味しない。ただし、その専門性が必修教育にどのように組み込まれるのかを、大学側が説明すべきことは意味する。

真に融合した副専攻には、目に見える共同所有が必要だ。哲学者は技術課題に影響を与えるべきであり、コンピューティング分野の教員は哲学的ケーススタディを形作るべきだ。学生は、単一の承認済みの語彙を与えられるのではなく、学問分野間の意見の相違に触れる必要がある。

その摩擦には価値がある。エンジニアはしばしば、正確な閾値と運用上の定義を必要とする。哲学者は、そうした定義が道徳的に重要な細部をなぜ排除するのかをしばしば明らかにする。その結果生まれる議論は、より良いシステムと、より正直な限界設定につながり得る。

学生にとって実践的なスキルは、AI原則の一覧を暗記することではない。正確性、プライバシー、アクセス、自律性、説明責任が異なる方向に引っ張るとき、判断をどう擁護するかを学ぶことだ。

倫理の約束にはなお証拠が必要だ

責任あるAIというラベルは、学生が評価対象となる技術的作業を通じて倫理的推論を示すことを求められない限り、ほとんど意味を持たない。

大学には、AIプログラムに倫理という言葉を付す強い動機がある。その言葉は、家族、雇用主、教職員、大学運営者を安心させる。また、学術教育を短期の商業トレーニングプログラムと差別化する役割も果たす。

リスクは、組織が運用上の意思決定を変えないまま、幅広い原則を掲げる「倫理ウォッシング」だ。カリキュラムでは、倫理が読書課題や議論には登場しても、プロジェクト要件や成績にほとんど影響しない場合に起こり得る。

William & Maryは、プライバシー、公平性、より広範な影響をすべての科目に織り込むとしている。これは野心的な約束だ。プログラミング能力や統計的推論と同じ厳密さで評価されるべきである。

評価は最も明確な試金石となる。学生には、モデルカード、データ文書、リスク登録簿、利害関係者分析、インシデント対応計画の作成を求められるかもしれない。関連するグループ間で性能を比較し、選んだ指標がユースケースに適している理由を正当化することもあり得る。

こうした成果物が、すべての倫理的対立を解決するわけではない。しかし、学生が価値を証拠や設計と結び付けられるかを示すものになる。また、技術的な自信が利用可能な裏付けを上回っている箇所を、教員が見極める助けにもなる。

大学のAI initiative reportは、より広い制度的ビジョンを提示している。同報告書は、人に取って代わるのではなく、人間の学習と意思決定を改善するよう設計されたAIを意味する、人間中心の拡張知能を掲げている。

この概念は魅力的だが、未解決の問いを含む。あるシステムが人間の判断を強化しているのか、それとも置き換えているのかは誰が決めるのか。労働者が裁量を失う場合、生産性の向上は拡張と見なせるのか。大学は人間の幸福をどのように測るべきか。

学生には、大学が好む枠組みに異議を唱えることが許されるべきだ。倫理教育は、原則をブランディングとして教えると弱くなる。学生がその原則を、予算、締め切り、インセンティブ、測定可能な成果に照らして検証できるとき、より強くなる。

教員の能力もまた不確実性の一つだ。科目横断で倫理を組み込むには、時間、調整、関連する専門性が必要になる。教員には、同一の立場を強制されることなく共有教材が必要だ。学科には、技術や規制の変化に応じてケースを更新するプロセスが必要になる。

大学は、教員が継続的に授業内容を更新するとしている。モデルの能力や業界慣行は急速に変わるため、その方針には合理性がある。しかし、絶え間ない更新は、基礎的な推論よりも新しいツールを優先することにもなり得る。

安定した倫理的枠組みは、そのような漂流を防げる。学生には、特定のプラットフォームが消えても有用であり続ける反復的な問いが必要だ。システムの意図された利用を支える証拠は何か。失敗したとき何が起こるのか。誰がその出力に異議を申し立てられるのか。最終的に誰が責任を負うのか。

アクセスについても検証が必要だ。全専攻を対象とする副専攻は包摂的に聞こえるが、前提科目の連鎖は、プログラミング経験が限られる学生を遠ざける可能性がある。教員の受け入れ能力を需要が上回れば、選択科目の制限がボトルネックになり得る。

19単位の要件には4つの技術系コア科目が含まれるため、副専攻の修了には計画が必要だ。要件が厳密に連なる専攻の学生は、履修計画に組み込むのに苦労するかもしれない。参加状況がプログラムの学際的な約束に見合うかどうかは、履修データが明らかにするだろう。

成果はアクセスと同じくらい重要だ。大学は最終的に、副専攻を宣言し修了した学生数、学生が属する専攻、作成したキャップストーンの種類を報告すべきだ。また、学生の倫理的推論が向上したかも検証すべきである。

単一のテストで道徳的判断を捉えることはできない。プロジェクトのルーブリック、振り返り分析、ピアレビュー、シナリオベースの評価を組み合わせれば、有意義な証拠を得られる。外部評価者は、学生の成果物が専門職上の期待を満たすかを評価する助けとなり得る。

プログラムには、意見の相違を受け入れる余地も必要だ。AI倫理には、監視、知的財産、労働、バイアス、環境コスト、安全性、企業権力の集中をめぐる対立が含まれる。カリキュラムは、一つのチェックリストがそれらを解決するかのように示すべきではない。

これが、哲学が生産的な抵抗を生み出すときに最も重要になる理由だ。その役割は、技術プロジェクトを責任あるものに聞こえさせることではない。害が誰か別の人の問題になる前に、目的を問い、前提を明らかにし、正当化を求めることにある。

学生は、検索可能なpersonal knowledge baseを通じて、技術的なメモをケース、方針、競合する議論と結び付け、この分析を保存できる。重要なのは、単に最終回答ではなく、決定の背後にある推論を保持することだ。

AI教育には複数の競合するモデルがある

William & Maryの学際的副専攻は、倫理が技術教育の横に、内部に、あるいはその上位に置かれるべきかについて大学間で見解が分かれる、競争の激しい領域に参入する。

一つのモデルは、工学部またはコンピュータサイエンス学部の内部に、従来型のAI副専攻を設ける。学生はプログラミング、数学、機械学習、高度な技術選択科目を履修する。倫理的・社会的な問いは、別個の要件として現れる場合がある。

このモデルは深さと明確な前提条件を提供する。高度な技術的作業に向けて学生を準備できる。その弱点は、非技術系の学生には参入障壁が高くなり得る一方で、倫理的分析が日常的なエンジニアリング実践から切り離されたままになることだ。

第二のモデルは、AIリテラシーをカリキュラム全体に分散させる。ビジネスの学生は意思決定支援を検討し、歴史学の学生は合成された証拠を評価し、科学系の学生は研究応用を学び、芸術系の学生は著作権や同意に関わる問いに向き合う。

分散型のリテラシーは、より多くの学生に届く。ただし、質が不均一になるリスクもある。批判的評価を教える科目もあれば、システムの限界を説明しないまま、プロンプトの利用や生産性に焦点を当てる科目もあり得る。

第三のモデルは、技術科目の中に倫理学者を組み込むものだ。学生は、データベース、最適化、機械学習、ソフトウェア設計を学ぶその瞬間に、道徳的・政治的な問いに直面する。このアプローチは、倫理的推論を具体的な実装上の選択に結び付ける。

課題は規模だ。哲学者とコンピューティング分野の教員は、モジュール、用語、評価、授業日程を調整しなければならない。成功した試行プログラムが、大規模なプログラム全体へ自動的に拡大するわけではない。

William & Maryの副専攻は、3つすべてのモデルの特徴を組み合わせている。技術的なコアを持ち、すべての専攻を歓迎し、全科目を通じて倫理を扱うと約束している。AIを純粋な工学でも一般的な文化的リテラシーでもないものとして扱えるため、この組み合わせには魅力がある。

一方で、運営は難しい。異なる背景を持つ学生にとっても、技術基準は意味あるものとして維持されなければならない。倫理要件は選択科目間で一貫していなければならない。学際的な参加は、履修者募集のマーケティングを超える必要がある。

大学には制度上の利点がある。リベラルアーツの伝統は、学生が分野を結び付けることを促す。哲学部には人工知能を研究する学者がいる。新たなコンピューティング・スクールは、これまで別々の組織にあった科目を調整できる。

William & Maryには、複数のスクールにまたがるAIポリシーの枠組みもある。このガバナンスの取り組みは、授業での利用、研究、プライバシー、調達、学術的誠実性に関する実際のキャンパス事例を提供できる。学生は、自らの大学が判断しなければならない決定を分析できるだろう。

プログラムは、そうしたケースを大学の宣伝に変えてしまうことを避けるべきだ。本物の教育には、曖昧さや失敗に触れる機会が必要である。学生には、方針が意図しない影響を生んだ例、モデルの評価が不完全だった例、利害関係者が技術的にはもっともらしいシステムを拒んだ例が必要だ。

Google Newsでの注目は、大学がこうした実験を共有する助けになり得る。しかし、それらの間にある意味のある違いを平板化する可能性もある。二つのプログラムが「responsible AI」のような同じ表現を使っていても、求める技術的・倫理的作業の水準は大きく異なるかもしれない。

したがって、進学を検討する学生はタイトルだけを見てはいけない。哲学部の教員が必修内容を教えているか、プロジェクトにリスク評価が含まれるか、科目が実際の導入失敗を検討しているかを尋ねるべきだ。前提条件の深さも確認すべきである。

雇用主も同様の区別をすべきだ。AI副専攻は、あらゆる能力を認定するものではない。卒業生は、モデル開発、領域への応用、ガバナンス、製品評価、コミュニケーションを専門とする場合がある。ポートフォリオとプロジェクト文書は、資格そのもの以上のことを明らかにする。

William & Maryにとって最も価値ある貢献は、統合された教育が学生の判断を変えるという証拠を示すことだろう。卒業生が受け入れられない利用法を特定し、不確実性を伝え、影響を受ける人々を中心にシステムを再設計できるなら、この副専攻は意義ある成果を達成したことになる。

プログラムが、技術への親しみと広範な倫理言語を生み出すだけなら、他の多くのプログラムと似たものになる。その違いは、価値が性能目標や制度的インセンティブと衝突したときに、学生が行動できるかどうかにある。

Google Newsのサイクルが過ぎ去った後に注目すべきこと

William & Maryが学際的な学問分野を築いたのか、それとも時宜を得た科目群を単にパッケージ化しただけなのかを示すシグナルは3つある。

最初の指標は、専攻をまたいだ履修登録と修了状況です。大学はこの副専攻をすべての学部生に開放しているため、参加者はコンピュータサイエンスやデータサイエンスにとどまらないはずです。幅広い専攻の学生が参加すれば、AIリテラシーが異なる分野を補完できるという主張を裏付けられます。

履修登録だけでは不十分です。大学は、人文学、社会科学、自然科学、ビジネス、芸術分野の学生が、前提となる科目群を修了しているかを追跡すべきです。既存の技術系専攻に参加が集中すれば、学際的であるという主張は弱まります。

2つ目の指標は、可視化された評価です。William & Maryは、プライバシー、公平性、説明責任、社会的影響が学生評価にどう反映されているのかを示すべきです。公開例としては、匿名化したプロジェクト評価基準、課題の説明、代表的なポートフォリオなどが考えられます。

こうした証拠は、プログラムの中核的な約束を強化します。責任あるAIが単に議論されるだけでなく、設計上の判断、テスト、文書化、振り返りを通じて実践されていることを示せるためです。

公開されているコアカリキュラムに哲学の専用科目がないことを踏まえると、この指標は特に重要です。独立した授業がなくても倫理の統合は可能ですが、大学はその取り組みがどこで行われ、誰が指導しているのかを示す必要があります。

3つ目の指標は、副専攻を超えた拡大です。大学の指導部は、学士号や大学院プログラムを含む追加のAI教育ルートについて議論してきました。今後のプログラム要件によって、学際的アプローチが拡張可能なのか、それとも従来型の専門分化へと移行するのかが明らかになるでしょう。

哲学、政策、各分野の専門知識が正式な権限を維持するなら、拡大はWilliam & Maryの主張を強化します。一方、技術面の成長によって倫理教育が選択制になったり、一貫性を欠いたり、一般教養に限定されたりすれば、その主張は弱まります。

読者は、キャンパスのガバナンスが教育とどのようにつながるかにも注目すべきです。学術的誠実性、研究、データ、運営に関する方針は、実践的な教材になり得ます。学生は抽象的な原則を、実際の組織的意思決定に照らして検証できます。

この話が開発者にとって重要なのは、今日の学生が明日のシステムを設計し、評価するからです。企業の購買担当者にとって重要なのは、責任ある調達には、主張、指標、導入条件を問い直せる人材が必要だからです。

ナレッジワーカーが関心を持つべき理由は、もっと単純です。AIシステムは、執筆、調査、採用、分析、コミュニケーションをますます媒介するようになっています。仕組みを理解することは価値がありますが、いつ信頼すべきでないか、いつ使うべきでないかを知ることも同じくらい重要です。

William & Maryは、擁護可能な方向性を選びました。技術的な基礎を教えながら、人間への影響をカリキュラムの中に据え続けることを約束しています。この構造は、より良い判断には計算論的な理解と道徳的な議論の両方が必要だと認識しています。

今、大学は証拠を示さなければなりません。次に意味のあるGoogle Newsの見出しは、単に新たなAI資格を発表するものではないはずです。学生が何を作り、何を退け、どのように考え方を変え、学際的な監督が拡大圧力に耐えたのかを示すものであるべきです。

志願者は、具体的な質問をすることでこのプロセスを前進させられます。倫理的な要素は誰が教えるのか。それらは成績にどう影響するのか。どのプロジェクトに実際の利害関係者が関わるのか。技術的には成功したシステムが倫理審査で不合格になった場合、何が起こるのか。

こうした問いは、有望なカリキュラムを説明責任のあるものへと変えます。また、AIプログラムを構築するすべての大学に有用な基準も示します。責任あるAIという言葉だけでプログラムを判断してはいけません。学生が擁護することを学ぶ意思決定によって判断してください。