AIで書いたレポートで、先生から呼び出された。研究では、AI判定の数字だけで同じレポートの評価が下がっており、面談の前に「どこをAIに頼ったか」を記録で整理しておくことが土台になる

約7分で読めます

わかっている度 ★☆☆ 低研究3本を整理出典照合済み（2026-10-15）

教室に並ぶ机 — Photo: Michael Coghlan from Adelaide, Australia / CC BY-SA 2.0 / Wikimedia Commons

AIによる調査公開された研究と公的機関のデータ・指針をAIが調べて整理しました（商品の紹介や診断はしていません。出典は末尾）。

AIを使って書いたレポートのことで、先生から「話がある」と呼び出された。頭が真っ白になって、何から考えればいいかわからない。そう感じている人は少なくありません。まず落ち着いて、面談の前に「何をどこまでAIに頼ったか」を自分で整理しておくことが、いちばんの準備になります。

3行でわかる

大学教員214人の実験では、同じレポートでも「AI判定87%」の報告を見せると、10段階の評価が6.83から4.26に下がっていた。
判定ツールは人の文章をAI製と誤ることがあり、数字だけで中身は決まらない。だからこそ、使った範囲を自分の記録で具体的に示すことが土台になる。
面談の前に、授業のルールを確かめ、AIに頼った部分と自分で書いた部分を1枚のメモにまとめておく。

01 結論から言うと呼び出されたら、まず何をすればいい？

呼び出されたら、面談の前に「授業のルール」「AIに頼った部分」「自分で書いた部分」の3つを、提出物と履歴を見ながら1枚のメモに整理します。言い訳を考えるより、事実を具体的にするほうが話が進みます。

面談で先生が知りたいのは、レポートのどこがあなたの考えで、どこがAIの出力なのかです。ここがあいまいなままだと、話は判定ツールの数字や先生の印象を中心に進みがちです。

AIの使い方のルールは、学校や授業ごとに違います。「全部使ってはいけない」授業もあれば、「下調べや校正には使ってよい」授業もあります。ルールの考え方はレポートや宿題にAIを使ったら不正？にまとめています。自分の使い方が、その授業のルールのどこに当たるのかを先に確かめておきます。

02 研究とデータでわかっていることAI判定の数字は、先生の見方を変える？

変えます。大学教員214人の実験では、まったく同じレポートでも、AI判定の数字が高い報告を一緒に見た先生ほど、レポートの質を低く評価していました。判定の数字が見る人の判断を引っぱる可能性を示しています。

6.83→4.26同じレポートの10段階評価。判定7%・強調なしと、87%・赤い強調ありの比較（中国語のレポートを読んだ大学教員214人、2026年発表）

61.3%英語を母語としない人が書いた作文91本を、7つの判定ツールがAI製と誤った割合の平均（2023年発表）

Du・Liu・Xian（2026）[1]

中国の調査サイトで集めた大学教員214人に、同じ中くらいの出来の中国語のレポートを読んでもらいました。一緒に見せた架空の「AI判定レポート」の数字を7%か87%に、一部の文を赤く強調するかしないかを変えて、4つの組に分けました。判定87%の報告を見た先生は、レポートを「AIが書いた可能性が高い」と見て、質の評価を下げていました。10段階の評価の平均は、7%・強調なしの組で6.83、87%・赤い強調ありの組で4.26でした。

対象: 採点の経験がある大学教員214人（中国の調査サイトで募集、オンラインの実験）／限界: 架空の報告と1本の社会科学のレポートを使った実験で、実際の授業や日本の先生にそのまま当てはまるかはわかっていない。

この実験で変えたのは報告の数字と見せ方だけで、レポートの文章は同じでした。著者らは、判定の数字が先生の評価を引っぱる「自動化バイアス（機械の出した答えに判断が引きずられること）」が起きうると述べています。

Liangら（2023）[2]

人が書いた英語の作文を、7つのAI判定ツールにかけました。アメリカの中学2年生の作文88本はほぼ正しく判定されましたが、英語を母語としない人の作文91本は、平均61.3%がAI製と誤って判定されました。7つすべてが「AI製」とした作文も19.8%ありました。

対象: 英語の作文（中国の掲示板で集めたTOEFL（英語を母語としない人向けの英語試験）の作文91本、アメリカの中学2年生の作文88本）／限界: 2023年時点のツールでの結果。日本語の文章や今のツールでの誤り方は、この研究ではわからない。

判定ツールは「AIらしい文章かどうか」を推測しているだけで、誰が書いたかを証明するものではありません。AIを使ったのが事実でも、判定の数字だけで話が進むと、自分で書いた部分までAI製とみなされるおそれがあります。自分で書いたのに判定された場合はAI判定ツールで「AIが書いた」と言われたも読んでください。

Gao・Yan（2022）[3]

中国の大学生499人に採用担当者の役をしてもらい、前の職場で不適切なふるまいをしたと伝えられた候補者が謝る場面を読んでもらいました。その問題が「誠実さ」に関わるものだったとき、文書で謝った候補者のほうが、口頭で謝った候補者より信頼されやすく、誠実さの評価の平均は11.52と10.18でした。

対象: 中国の大学の授業に参加した学生499人（読む形式の実験）／限界: 採用の場面を想定した実験で、学校の面談で同じことが起きるかは調べられていない。

学校の面談そのものを調べた研究ではありません。ただ、誠実さが問われる場面では、口で説明するだけより、書いたもので示すほうが伝わりやすい可能性を示しています。

03 まだわかっていないこと面談の結果は、何で決まる？

面談の結果が何で決まるかを、学生の立場から調べた研究はまだほとんどありません。評価や処分は、学校と授業のルールによって大きく違います。

AIの使用を疑われた学生の面談で、正直に話すことが結果にどう影響するかを測った研究は見つかっていません。
日本語のレポートで、AI判定ツールがどのくらい誤るかを調べた査読つきの研究は、まだ少ない状態です。
先生が判定の数字にどこまで頼るかは、実際の授業では調べられていません。上の実験はオンラインの架空の場面でした。

04 今日からできること面談の前に、何を準備しておく？

面談の前に、授業のルールを確かめ、AIとのやりとりと下書きの履歴を見返し、使った範囲と自分で書いた部分を1枚のメモにまとめます。面談では、そのメモをもとに事実を順番に話します。

授業のルールを確かめる

シラバス、課題の説明、配られたプリントで、AIについて何と書かれていたかを確認します。書かれていなければ、「書かれていなかった」こと自体をメモしておきます。

目安 10分

AIとのやりとりと下書きを見返す

AIの会話履歴、文書の編集履歴、手書きのメモなどを開きます。どの段階で、何をAIに頼んだかを時系列で書き出します。消したり書き換えたりはしません。

目安 20〜30分

「AIに頼った部分」「自分で書いた部分」を1枚にする

レポートの段落ごとに、AIの出力をほぼそのまま使った、AIの案を直した、自分で書いた、の3つに分けます。説明が短く済み、書いたもので示せます。

目安 20分

中身を自分の言葉で説明できるか確かめる

レポートの主張と根拠を、何も見ずに3文で説明してみます。説明できない部分は、面談の前に読み直しておきます。わからない部分は「わかっていない」と正直に伝えて構いません。

目安 15分

面談の最後に「次にどうすればいいか」を聞く

再提出や追加課題ができるか、次の課題でAIをどこまで使ってよいかを確かめます。答えはメモに残しておきます。

目安面談の最後に5分

面談のあと、後ろめたさが残るときはAIで宿題を済ませてしまって、後ろめたいで、学び直しの手がかりをまとめています。

05よくある質問

AIを使ったことは、正直に言ったほうがいい？

使ったことが事実なら、使った範囲を具体的に伝えるほうが話が進みます。隠したまま判定の数字だけで話が進むと、自分で書いた部分まで疑われるおそれがあるからです。ただし、評価や処分をどうするかは学校と先生が決めることで、この記事では判断できません。

AI判定ツールで「AIが書いた」と出たら、それで不正が決まる？

判定ツールの結果だけで決まるものではありません。研究では、英語を母語としない人が書いた英語の作文の半分以上がAI製と誤って判定された例もあります。判定の数字は手がかりの一つで、先生は授業のルールや提出物の中身とあわせて判断します。

面談に親や友だちについてきてもらってもいい？

学校によって扱いが違うので、呼び出しの連絡をくれた先生に「同席してもらってもいいですか」と先に聞くのが確実です。高校生なら、担任や保護者に事情を伝えておくと、あとで話がこじれにくくなります。

レポートが0点や不合格になったら、もう取り返せない？

1つの課題の評価が下がっても、学び直しの機会がなくなるわけではありません。再提出や追加の課題が認められるかどうかは授業ごとに違うので、面談の最後に「次にどうすればいいか」を聞いておきます。

出典

Du P, Liu T, Xian X (2026). Automation bias in teachers' evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports. Frontiers in Psychology, 17, 1889402. https://doi.org/10.3389/fpsyg.2026.1889402
Liang W, Yuksekgonul M, Mao Y, Wu E, Zou J (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Gao S, Yan J (2022). Verbal or Written? The Impact of Apology on the Repair of Trust: Based on Competence- vs. Integrity-Based Trust Violation. Frontiers in Psychology, 13, 884867. https://doi.org/10.3389/fpsyg.2022.884867