「Machine Learning for Kids」の開発者であるDale Laneによる、子どもたちに生成AIの概念を教えるための包括的なカリキュラム。Scratchを使った6つのハンズオンプロジェクトを通じて、AIリテラシーを実践的に育てる教育アプローチを紹介している。
Dale Laneのアプローチの特徴は、単に「言語モデルとは何か」を説明するのではなく、学生自身がScratchで生成AIシステムを構築し、テストし、壊し、改善するプロセスを通じて学ぶこと。この実践的アプローチにより、「コンテキスト」や「ハルシネーション」といった抽象的な概念が、目に見える形で理解できるようになる。
全6プロジェクトを通じて、学生は繰り返し3つの問いに向き合う:
シンプルで解釈可能な「おもちゃ」の言語モデルを構築。より多くのコンテキストがなぜ役立つのか、温度やtop-pなどのサンプリング選択がどのようにスタイルと精度に影響するかを視覚化。
学ぶ用語: language model, context window, temperature, top-p
重要な洞察: 言語モデルは統計的に次の単語を予測することで動作する。チャットボットは流暢で知識豊富に聞こえるが、人間的な「理解」とは異なることを理解する。
詩や物語を生成するScratchスプライトを作成。コンテキストウィンドウが小さいと最初の指示を忘れることを体験。創造的なタスクでは、バリエーションはバグではなく機能であることを理解。
学ぶ用語: language model, context window, temperature, top-p
重要な洞察: AIは自分で使い、構築できるもの。観察するだけのものではない。
言語モデルが答えられない質問（モデルのトレーニング後に起きた出来事、オンライン資料が存在しないトピック）を探索。自信満々に聞こえるが不正確な答えを生成することを体験。
緩和策の学習: Wikipedia等のサポート情報をモデルのコンテキストに追加することで、プライベートなトピックや最近の出来事についても正しく答えられるようになる（RAG: Retrieval-Augmented Generation）。
学ぶ用語: language model, hallucination, retrieval-augmented generation
重要な洞察: ハルシネーションは生成AIの主要なリスク。「自分のドキュメントとチャット」システムや企業AIツールと同じ原理をScratchで実装。
ランダムに選ばれたペルソナ（海賊、宇宙人、スポーツ解説者など）を言語モデルに与え、回答から隠されたペルソナを推測するゲーム。
ロールプロンプティング: 言語モデルに「誰のふりをすべきか」を伝えることで、生成されるテキストが劇的に変わることを学ぶ。
学ぶ用語: language model, role prompting
実世界の応用: 「重力を説明して」を「あなたは親しみやすい理科の先生です。英国の小学5年生に重力を説明してください。UK Key Stage 2のナショナルカリキュラムの言語を使ってください」に変えることで、トーン、スタイル、内容、詳細レベルが劇的に変化する。
多言語翻訳チェーンを作成（英語→フランス語→ドイツ語→中国語→英語、繰り返し）。セマンティックドリフトを観察。
バイアスの可視化: ステレオタイプに反する文（女性エンジニア、男性看護師など）は、翻訳を重ねるとステレオタイプに沿った方向にドリフトする傾向がある。
新しい技法の習得: モデルが翻訳だけでなく解説や質問も返してしまう問題に対処。Few-shotプロンプティング（望ましい出力の例を複数含める）を学ぶ。
学ぶ用語: language model, temperature, top-p, zero/one/few-shot prompting
重要な洞察: 質問の仕方がモデルのテキスト生成方法を変える。実世界の生成AIアプリケーションと同じ原理。
異なる言語モデルを比較するベンチマーキングプロジェクトを作成。どの質問に正解し、どの質問で間違えるかを視覚化。
トレードオフの理解: モデルの精度と複雑さ（パラメータ数）とサイズ（MB）の関係を探索。組織が適切なツールを選ぶ方法と類似。
学ぶ用語: language model, benchmarking
重要な洞察: 生成AIモデルは完璧でも無謬でもない。異なるモデルは異なるタスクで優れている。
これらのプロジェクトを完了した後、学生ができるようになること:
最も重要な直感: 言語モデルは強力な統計的「次の単語推測器」であり、真実マシンではない。
これらの洞察は、日常生活におけるAIツールのより有能で批判的なユーザーになることに直接つながる:
Laneが学生に望むこと: どう尋ねるか、どう確認するか、いつAIに頼るべきでないかを学ぶこと。
この教育アプローチの主な課題は、学生が自分のコンピュータ/デバイスで言語モデルをダウンロードして実行する必要があること（ホスティングコストを避けるため）:
この記事が示す教育アプローチは、AI教育の理想的なモデルと言える。重要なのは以下の点:
多くのAI教育が「どう使うか」に焦点を当てる中、Laneのアプローチは「なぜそう動くのか」「どこが限界か」「どう改善するか」を理解することに重点を置く。これにより、AIを盲目的に信頼するのではなく、批判的に評価できるリテラシーが育つ。
単に「温度はこういう効果がある」と宣言するのではなく、学生が実験と視覚化を通じて「なぜ」温度がそのような影響を持つのか直感を構築する。用語を覚えることよりも、概念を理解することを優先。
ハルシネーション、バイアス、セマンティックドリフトといった問題を、実際に体験し、その原因を理解し、緩和策を実装する。これは企業がRAGシステムを構築するプロセスと本質的に同じ。
大量のテキストがモデルの改善に必要であることを実体験することで、テック企業がインターネット上のすべてのテキストを使用することの倫理性について議論する基盤を提供。
生成AIの具体的な技術は進化するが、このカリキュラムが教える原理的理解（統計的予測、コンテキストの重要性、バイアスのリスク、プロンプティング技法）は、将来的にも有効なメンタルモデルを構築する。
タグ: #AI教育 #生成AI #AIリテラシー #プログラミング教育 #Scratch #批判的思考 #教育工学