Google DeepMindが、AIに直接答えを出させず問い返させる「ガイド付き学習」の効果を、シエラレオネの中等学校12校・生徒1,763人・8週間の事前登録済みRCTで測定した。数学スコアは対照群比+0.258標準偏差。ただしこれは製品提供者自身による測定であり、学力層による効果差も報告されている（出典：Google DeepMind、2026-06-09、https://deepmind.google/blog/measuring-the-impact-of-learning-with-ai-in-sierra-leone-and-beyond/）。
この記事の前提：発信元は製品の提供者本人である
数字を読む前に、出どころを明示しておく。この記事は Google DeepMind 社自身による発表であり、同社は当該製品（Gemini）の提供者である。つまり、自社製品の効果を自社で設計・測定・公表した結果だ。
これは「だから信じるな」という話ではない。事前登録済みのランダム化比較試験（RCT）という形式は、後付けで都合のよい指標を選ぶ余地を狭める。ただし、研究設計・指標選択・公表判断のすべてが提供者側にある以上、第三者による追試とは重みが違う。読者はその前提を持ったうえで数字に向き合う必要がある。
同じ論点は、AI導入の効果測定を自分たちで設計するときにもそのまま返ってくる。指標を決める人と、成果を主張したい人が同一なら、数字は必ず甘くなる。自社の評価基準を自分で作る話は、この構造を避けるための実務論でもある。
何が測られたのか：対象範囲と実測値
まず、公表された数字を条件つきで並べる。条件を外して引用すると、それだけで別の主張になってしまう類の数字が混ざっている。
| 項目 | 数値 | 条件（n数・期間・対象） |
|---|---|---|
| 数学スコアの向上（主要効果） | 対照群比 +0.258標準偏差 | シエラレオネ・ポートロコ県の中等学校12校、生徒n=1,763、8週間、事前登録済みRCT、対照群は通常授業 |
| 通常の学習進捗への換算（全体平均） | 1.2〜1.7年分 | 同RCT全体（n=1,763、8週間）。分母は参加者全体 |
| 同（高活用教室に限定） | 1.8〜2.5年分 | 教師が授業の約50%でツールを使った教室のみ。全体平均ではない |
| 分析対象の対話数 | 113,000件超 | 同RCT期間（8週間）中に発生した対話ログ |
| スキル構築型に分類された対話 | 91.4% | 分母は分析した11.3万件超の対話 |
| AI返答のうち足場かけの問いかけ | 76% | 分母はAIの返答メッセージ。生徒側の質問ではない |
| AIが直接解答を提示した割合 | 2% | 分母は同じ対話ログ |
| スキル構築型の質問の割合の推移 | 68% → 90% | 初週から最終週（8週間）への変化 |
| 解答要求型の質問の割合の推移 | 25% → 10% | 初週から最終週（8週間）への変化 |
| 利用目標を達成／超過した生徒 | 69% | 分母は介入群の生徒。全n=1,763ではない |
注目すべきは、効果の大きさそのものより「AIが何をしたか」の内訳だ。AI側の返答のうち76%が足場かけ（scaffolding）の問いかけで、直接解答の提示はわずか2%。つまり、この介入は「よく答えるAI」ではなく「答えないAI」として設計されている。効果があったとされるのは、その設計の側である。
「聞けば答える」か「考えさせる」か：設計差がそのまま結果差になる
中小企業がAIを社内に入れるとき、既定の設計はたいてい「聞けば答えるボット」だ。マニュアルを読み込ませ、新人が質問すると答えが返る。工数削減の観点では正しい。
しかしこのRCTが示しているのは、直接解答2%・足場かけ76%という構成でも学習成果が出た、という事実だ。逆に言えば「答えを返さないこと」が成果を落とさなかった。社内教育のようにスキルが人に残ることを狙う用途では、回答形式そのものが設計変数になりうる。
実務に落とすと、判断すべきは次のような分岐になる。
- 目的が「今日その作業を終わらせること」なら、直接解答型でよい。速度が価値だから
- 目的が「次から本人が独力でできること」なら、問い返し型を検討する余地がある
- 同じ社内AIでも、用途ごとにプロンプト設計を分けないと、両方の目的が中途半端になる
指示の書き方ひとつで挙動が変わる話はスキルと指示の与え方が結果を変える件でも扱っている。今回のRCTは、その差が管理された比較でも観測されうることを示した例と位置づけられる。
導入初月のログで是非を決めると誤る
運用面でもうひとつ拾っておきたいのが、使われ方の推移だ。スキル構築型の質問は初週68%から最終週90%へ、解答要求型は初週25%から最終週10%へ変化した（いずれも8週間の初週→最終週）。
これは、同じツール・同じ設計でも、利用者の使い方が期間中に変わったということだ。導入直後は「答えをくれ」という使い方が相対的に多く、慣れるにつれて別の使い方に移った。
社内でAIツールを試験導入し、初月の利用ログだけを見て「思ったより使われていない」「質問の質が低い」と判断するのは、この推移を無視することになる。評価のタイミングを最低でも数週間後ろにずらす、初期と後期のログを分けて見る、といった運用が要る。小規模チームでの立ち上げ方は小さなチームでのAI導入も参考になる。
不都合な結果と限界：ここを飛ばして引用しない
発表内で示された限界と、設計上の制約を明示しておく。
- 発信元のGoogle DeepMindは当該製品の提供者本人であり、自社製品の効果を自社で測定・公表した結果である
- 発表が「達成度ギャップ」として認めているとおり、事前の数学力が高い生徒ほど効果が大きい。学力層による効果の偏りがあり、下位層の底上げツールとして機能したとは限らない
- 対象はシエラレオネ・ポートロコ県の中等学校12校の生徒に限定される。国・教育環境・年齢層が特殊であり、日本の学校や企業の成人研修へそのまま一般化できない
- 測定教科は数学のみ。他教科や業務スキルへの外挿は本文で裏づけられていない
- 期間は8週間と短く、長期的な定着・学力保持は測定されていない
- 「1.8〜2.5年分」は授業の約50%にツールを統合した教室という限定条件下の数値であり、全体平均の「1.2〜1.7年分」と取り違えると過大評価になる
- 比較対象は通常授業であり、人間による追加指導などAI以外の学習支援との比較ではない。効果がAI固有のものかは切り分けられていない
最後の点は特に重い。「AIを足したら伸びた」と「AIだから伸びた」は別の主張で、この設計では後者まで言えない。追加の学習時間や教師の関与の増加が効いた可能性は排除されていない。
TOEの読み筋
以下はTOEの解釈であり、TOEでは本手法を用いた社内教育の検証は未実施である。実測に基づく主張ではなく、設計上の読み筋として書く。
第一に、社内AIの用途を「作業代行」と「能力形成」に分けて設計する価値はありそうだと考えている。同じ社内ナレッジAIでも、経理の月次処理を速くしたいのか、新人が独力で処理できるようにしたいのかで、返し方の設計は逆になる。前者の話はAIで経理業務をどこまで任せるかの領域だが、後者は別物として組む必要がある。
第二に、評価の設計を先に決めることだ。今回のRCTが説得力を持つのは、事前登録され対照群があるからで、数字の大きさのためではない。社内導入でも「何と比べて、いつ測るか」を導入前に決めておかないと、後から都合のいい数字が拾えてしまう。
第三に、外挿の抑制。シエラレオネの中等学校の数学で出た効果量を、日本の中小企業の成人研修にそのまま持ち込む根拠はない。持ち帰るべきは「+0.258標準偏差」という数値ではなく、「直接解答を2%に抑えても成果は落ちなかった」という設計上の観察のほうだと考えている。
まとめ
- Google DeepMindが、シエラレオネ・ポートロコ県の中等学校12校・生徒n=1,763・8週間の事前登録済みRCTで、数学スコアが対照群比+0.258標準偏差向上したと公表した（対照群は通常授業）
- AI側の返答は76%が足場かけの問いかけ、直接解答の提示は2%。「答えないAI」として設計されている点が核心
- 質問の内訳は8週間で推移した（スキル構築型68%→90%、解答要求型25%→10%）。導入初月のログだけで是非を判断すると誤る
- この記事の対象はGoogle DeepMind社自身による発表であり、同社は当該製品の提供者である。加えて事前学力が高い生徒ほど効果が大きい「達成度ギャップ」が報告されている
- 対象国・教科（数学のみ）・期間（8週間）が限定され、比較対象も通常授業のみ。効果がAI固有かは切り分けられていない。TOEでは未実施であり、設計思想の参考として扱うのが妥当と考えている