AIと独学

「AIに答案を採点させれば、自己採点より正確」は本当?AIによる採点の精度と自己採点の研究(効く・効かないの判定)

約7分で読めます

開いた本にはさんだ2本の鉛筆
Photo: Shixart1985 / CC BY 2.0 / Wikimedia Commons
AIによる調査公開された研究をAIが調べて整理しました(独自の実験ではありません。出典は末尾)。

記述式の過去問や英作文を解いたあと、自分で丸をつけるとどうしても甘くなる。それならAIに採点させた方が正確では、と考える人は多いはずです。研究の判定は「条件しだい」です。採点基準を渡したAIは人の採点にかなり近づきましたが、評価がぴったり合ったのは半分ほどで、日によって評価が変わり、できの悪い答案には甘めでした。

3行でわかる

  1. 同じ答案で「AIの採点」と「自己採点」を直接くらべた研究は見つからなかった。言えるのは、それぞれの弱点である。
  2. AIの採点は、採点基準を渡すと人の採点に近づく。ただし修士課程の試験の研究では、評価がぴったり合ったのは50.0%で、5日間くり返すと評価がぶれた。弱い答案には甘く、よい答案には辛めだった。
  3. 自己採点も、点数がかかると甘くなり、できない人ほど外れやすい。AIは「くい違いを見つける道具」として使い、最後は教材で確かめる。

01 通説の中身「AIの採点の方が正確」と言われるのはなぜ?

自分で採点すると、書いたつもりのことを読み込んで点を甘くしがちです。AIなら答案だけを見て、決まった基準で採点してくれるはず、という期待がこの説の土台です。

記述式の問題や作文は、正解が1つに決まりません。独学では先生がいないので、自己採点にたよるしかありませんでした。

そこで、AIに答案と問題を渡して点をつけてもらう人が増えています。ただ、AIが本当に正確に採点できるのかは、別に確かめる必要があります。

AIは、質問した人の考えに答えを寄せやすいこともわかっています(AIの迎合の研究)。「よく書けていると思うのですが」と添えるだけで、採点が変わるおそれがあります。

02 科学的にわかっていることAIの採点は、どのくらい人の採点と合う?

採点基準を渡したAIは、人の採点と強く関係する点をつけた研究があります。ただし評価が完全に合うのは半分ほどで、くり返すとぶれます。自己採点も、点がかかる場面やできない人では外れやすくなります。

Brevikら(2026)[1]

ノルウェーの大学院(修士課程)の公衆衛生学の5時間の記述式試験の答案を、4つのAIにA〜Fで採点させ、試験官の評価とくらべた。もっとも近かったChatGPT(考えてから答えるモード)は、評価がぴったり合ったのが50.0%、1段階以内のずれに収まったのが90.6%だった。すぐに答えるモードでは、一致の度合いがはっきり低かった。同じ採点を5日間くり返すと評価がぶれ、弱い答案には人より甘く、よい答案には少し辛かった。

対象: 1つの大学の1つの試験の答案 / 限界: AIには人が採点した例を見せていない。著者らは、今の初期設定のままAIだけで採点するのは、大事な試験には信頼できないと結論している。

Quahら(2024)[2]

シンガポール国立大学の歯学部生69人の記述式試験2問を、採点基準を組み込んだGPT-4と3人の採点者で採点した。1問目はAIと人の点の相関が強く(r = 0.829)、平均点もほぼ同じだった。2問目は相関が中くらい(r = 0.599)で、AIの点の方がはっきり低かった。

対象: 歯学部生69人の2問 / 限界: 採点基準と指示文は、専門家の助言を受けて作り込まれていた。著者らは、適切な採点基準の設計が欠かせないとしている。

Andrade(2019)[5]

学生の自己評価の研究をまとめたレビュー。学ぶための自己評価では、先生や専門家の評価と比較的よく合っていた。一方、自己評価が成績に入ると伝えた組では、先生の評価との関係が見られなくなり、自分を高く見積もる人が大きく増えた研究が紹介されている。

対象: 学校での自己評価の研究のレビュー / 限界: 紹介されている別のレビューでは、自己評価と他の評価の相関は r ≈ 0.20〜0.80と幅が広く、0.60を超える研究は少なかった。

Davisら(2006)、Blanch-Hartigan(2011)[3][4]

医師の自己評価を外からの評価とくらべた17件の研究のまとめでは、20の比較のうち13で、関係が弱いか、ないか、逆だった。もっとも外れやすかったのは、技能の低い人と自信の強い人だった。医学生の35本の研究のメタ分析では、自己評価は中くらいに当たり、学年が上がるほど正確になった。

対象: 医師・医学生 / 限界: 独学者の答案の自己採点を直接調べたものではない。この記事では2本とも論文の要旨で内容を確認した。

よく言われること研究での判定
AIの採点は自己採点より正確確かめられていない。同じ答案で直接くらべた研究が見つからなかった
採点基準を渡せば、AIは人に近い点をつける条件しだい。問題によって一致の度合いが違った[2]
AIは毎回同じ基準で採点する当てにならない。日を変えると評価がぶれた[1]
AIは厳しめに採点する当てにならない。弱い答案には甘く、よい答案には辛めだった[1]
自己採点は甘くなる条件しだい。点がかかると甘くなり、学ぶための自己評価では比較的合う[5]

ここで紹介した研究は、大学・大学院の試験の答案や医療職の自己評価を扱ったものです。資格試験や語学を独学する社会人が、自分の答案をAIに採点させた場合の正確さを直接確かめた研究は見つかりませんでした。

03 今日からできる小さな一歩AIに記述式の答案を採点させるなら、どう頼む?

先に自分で採点し、次に採点基準と模範解答をつけてAIに採点させます。項目ごとの理由を書かせ、点がくい違った所だけを教材で確かめます。AIの点はそのまま信じず、見直す場所を見つける目安にします。

1

先に自分で採点し、点と理由をメモする

AIの点を見てからだと、自分の判断が引きずられます。項目ごとに「書けた・書けていない」を先に残します。

所要 5分

2

採点基準と模範解答を一緒に渡す

問題集の解説や配点を貼り、「この基準で、項目ごとに点と理由を」と頼みます。基準の作り方で一致の度合いが変わった研究があります[2]。

所要 3分

3

自分の感想は書き添えない

「よく書けたと思う」などと添えると、AIが答えを寄せるおそれがあります。答案だけを渡します。

所要 0分

4

同じ答案を、新しい会話でもう一度採点させる

同じAIでも、日を変えると評価がぶれました[1]。2回の点が違う項目は、AIにも判断が難しい所なので、自分で確かめます。

所要 3分

5

くい違った項目だけを教材で確かめる

自分とAIの点がずれた項目を、教科書や解説で調べます。どちらが正しかったかを1行で記録すると、自分の甘さの癖も見えてきます。

所要 10分

04 続けるためのコツAIの採点に振り回されないためには?

AIの点は合否の判定ではなく、見直す場所の候補として扱います。答えが1つに決まる問題はAIを使わず正解と照らし合わせ、記述式だけにAIを使います。

  • 選択式や一問一答は、問題集の正解で丸をつける。AIの採点は、正解が1つに決まらない記述式や作文に絞る。
  • AIに直してもらった文章を写すのではなく、指摘をもとに自分で書き直す(AIの添削と学習の研究)。
  • 試験のあとに、どこで点を落としたかを振り返る(試験の振り返りシート)。
  • AIの説明に知らない事実が出てきたら、教材や公式の資料で裏を取る(AIの答えの裏取り表)。

05よくある質問

AIの採点と自分の採点、どちらを信じればいい?

どちらか一方を信じるより、くい違った所を教材や模範解答で確かめるのが確かです。同じ答案でAIと自己採点を直接くらべた研究は見つかりませんでした。AIは採点基準を渡すと人の採点に近づきますが、評価がぴったり合ったのは半分ほどでした[1]。自己採点も、点数がかかると甘くなりやすいことがわかっています[5]。

記述式の答案をAIに採点させるときのコツは?

採点基準と模範解答を一緒に渡し、項目ごとに点と理由を書かせます。歯学部の試験の研究では、問題によって一致の度合いが変わり、著者らは採点基準の設計が欠かせないと述べています[2]。同じ答案を2回採点させ、点が変わる所は自分で確かめます。

選択式や一問一答も、AIに採点させた方がいい?

答えが1つに決まる問題は、問題集の正解と照らし合わせる方が確実です。AIの採点が役に立つのは、正解が1つに決まらない記述式や作文です。そこでも、AIの評価は目安として使い、最後は自分で根拠を確かめます。

勉強法の早見表で「AIに答案を採点させる」の判定を見る
ほかの勉強法も62種類、研究で「効く・条件しだい・当てにならない」に分けています。

出典

  1. Brevik, A., Jerpseth, H., & Lafontan, S. R. (2026). Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment. Frontiers in Education, 11. https://doi.org/10.3389/feduc.2026.1904452
  2. Quah, B., Zheng, L., Sng, T. J. H., Yong, C. W., & Islam, I. (2024). Reliability of ChatGPT in automated essay scoring for dental undergraduate examinations. BMC Medical Education, 24, 962. https://doi.org/10.1186/s12909-024-05881-6
  3. Davis, D. A., Mazmanian, P. E., Fordis, M., Van Harrison, R., Thorpe, K. E., & Perrier, L. (2006). Accuracy of physician self-assessment compared with observed measures of competence: a systematic review. JAMA, 296(9), 1094–1102. https://doi.org/10.1001/jama.296.9.1094
  4. Blanch-Hartigan, D. (2011). Medical students' self-assessment of performance: results from three meta-analyses. Patient Education and Counseling, 84(1), 3–9. https://doi.org/10.1016/j.pec.2010.06.037
  5. Andrade, H. L. (2019). A critical review of research on student self-assessment. Frontiers in Education, 4, 87. https://doi.org/10.3389/feduc.2019.00087