超教育協会は2026年1月14日、スタンフォード教育大学院 教育データサイエンス専攻の野﨑 光寿氏と、合同会社デロイトトーマツの吉田 圭造氏および井澤 萌氏を招いて、「教育データ利活用が変革する学びの可能性」と題したオンラインシンポジウムを開催した。

シンポジウムの前半では、吉田氏と井澤氏が日本における教育データ利活用の現状について、野﨑氏がアメリカにおける活用事例について講演し、後半では超教育協会理事長の石戸奈々子をファシリテーターに、視聴者からの質問を織り交ぜながら質疑応答が実施された。その前半の模様を紹介する。

＞＞　後半のレポートはこちら

「教育データ利活用が変革する学びの可能性」

■日時：2026年1月14日（水）　12時～12時55分

■講演：

・野﨑 光寿氏
スタンフォード教育大学院 教育データサイエンス専攻

・吉田 圭造氏
合同会社デロイトトーマツ

・井澤 萌氏
合同会社デロイトトーマツ

■ファシリテーター：
・石戸 奈々子
超教育協会理事長

吉田氏（▲写真1）、井澤氏（▲写真2）、野﨑氏（▲写真3）は、約40分の講演において、教育データ利活用の取り組みやアメリカでの事例について話した。主な講演内容は以下の通り。

▲　写真1・合同会社デロイトトーマツ
吉田 圭造氏

▲　写真2・合同会社デロイトトーマツ
井澤 萌氏

▲　写真3・スタンフォード教育大学院
教育データサイエンス専攻
野﨑 光寿氏

【吉田氏】

教育領域におけるデータサイエンスについてお話しします。現在、個々の児童生徒の学習履歴、学校での活動記録、さらには教育行政が保有する統計情報など、広範囲にさまざまなデータが蓄積されています。こうしたデータは現在、行政の部署ごと、もしくは学校ごとに分散管理され、十分に連携されていないという課題があります。

もし、教育データが垣根を越えて連携され、ある程度でも一元的に管理されれば、子供一人ひとりに対してより深い学びを提供できるようになるでしょう。また、幼稚園など就学以前の子供の情報が、定性的にも定量的にも小学校に受け継がれていないという実情もあります。例えば、発達障害などの特性がある子供であれば、その情報が引き継がれないままに小学校に入学してしまうと、不登校やいじめに繋がってしまうといったリスクも考えられます。こうしたことも今後、少しずつ改善し、教育サービス全体の質を高めていくことが求められています。

こうした状況を踏まえて、弊社の井澤から日本国内の教育データ利活用の現状について、スタンフォード教育大学院の野﨑氏からアメリカでの事例などについて説明いたします。

【井澤氏】

デロイトトーマツが中央省庁や自治体と一緒に教育データの利活用について取り組んできたことを踏まえ、教育データ利活用の現状、利活用の意味合いなどについて説明します。

まずは、文部科学省の取り組みを説明します。

▲　スライド1・教育データ利活用の
国における取り組み

文部科学省では教育データ利活用の取り組みについて、3つに整理しています。1点めは、教育データの標準化やルールの整理です。2点めは、ツールの整備で、3点めは、分析・活用です。教育データ利活用は、実際には教育委員会ごとに工夫をして進められているケースが多く、その方法は現在、大きく「可視化」、「検証」、「予測」の3つに類型されます。

▲　スライド2・教育データ利活用の
3分類

まずは、可視化について説明します。教育ダッシュボードを作り、色々なデータを集めて児童生徒個人であったり、それぞれの学校の状況であったりをグラフなどで分かりやすく見える化します。２つめが検証です。教育施策の効果検証ということで、統計分析なども使ってデータを分析します。３つめが不登校やいじめ、学校不適応などのリスクを機械学習なども用いて予測し特定していきます。現在、課題としては見えていないけれど、将来的には課題になる可能性がある子を特定して、早期支援に繋げることを目的としています。

教育データ利活用は、大きく分けてこの3つのパターンがあると思っています。それぞれについて、事例も交えて紹介していきます。

可視化の取り組みでは、ダッシュボードをイメージしていただくのが分かりやすいでしょう。出欠データや健康観察のデータをもとにダッシュボードを作り、気分の落ち込みが見られる児童生徒に早期介入をしていくというような事例が全国的にも非常に増えていると思います。

▲　スライド3・データの可視化で
クラス全体や児童生徒の変化を
把握しやすくなる

この取り組みのメリットは、表情など目に見えることだけでは掴み切れない児童生徒の実情や様子をダッシュボードで見える化することで、小さな変化を見落とさずに、それらが大きな課題となってしまう前に対処できるようになることです。

もうひとつのメリットは、学校管理職がダッシュボードを見ることで、先生方に積極的に支援を行えることです。教室あるいは学級とは、ある意味で閉じた社会とも言えます。ダッシュボードを活用すれば学校管理職が担任の先生が課題を一人で抱え込まないように支援できるようになります。

そうしたメリットが聞かれる一方で、難しさもあります。先生方が多忙でダッシュボードとそこに記されたデータを見る時間が確保できないこと、また、せっかく確認する時間を取っても、ダッシュボードのデザインによっては「そんなことは、もう知っています」というようなデータばかりが目につき、データを利活用することの必要性が感じにくくなってしまうこともあるようです。

次が検証の事例です。教職員の働き方改革におけるデータ利活用の事例です。

▲　スライド4・施策の効果や
課題の背景などの検証も
重要な取り組み

ここでは在校等時間に係るデータや、心身の健康状態に係るデータ、いわゆるストレスチェックをイメージしてください。施策の実施状況のデータなども組み合わせて、各施策の効果などを検証し、どの施策を進めるべきかについて共通認識を持てるようにします。

例えば、全国的に見ると「若い先生が多い学校は全体の在校等時間が長くなりがち」という傾向がある中で、データを分析してみたら「若い先生が多いのに在校等時間が短くて働き甲斐もある」という学校が見つかれば、好事例として理由や背景を深掘りにして横展開できます。その逆のパターンが見られる学校に対しては、支援を検討する、在校等時間の長さと相関関係にあるような業務が何かを特定して、そこを改革するなど施策も考えられます。

教職員の働き方改革では、どの業務をどう変えていくかを決めるのが非常に難しいという側面があります。先生方一人ひとりの考え方も違えば、保護者との関係性もあります。意思決定が難しい中、こうした検証データがあれば関係する方々が皆、同じ議論のテーブルにつくことができると考えています。一方で、統計分析をするにはデータサイエンスなどの専門的な知識・知見・スキルも必要で、そこに難しさがあります。

最後に予測の事例です。行政データを横断的に活用して、例えば就学前の健診状況、福祉サービスを活用しているかどうかといった家庭状況なども組み合わせて、ひとつのデータベースとして構築し、そこからデータを分析して「リスクを予測」し早期支援に繋げていく事例です。

▲　スライド5・教育データを集約して
リスク予測に繋げる

ここでのリスク予測とは、学校不適応やいじめ、不登校が発生する確率を予測することです。これまでは単純に「過去6カ月の欠席日数から考えると、現在の状況は要注意」というように過去の経験や知見から閾値を設定するのが一般的でした。一方、最近ではAIにさまざまなデータを学習させて、不登校に繋がるリスクを予測していく事例が全国的に増えています。

この事例では、それぞれの部署がバラバラに支援するのではなく、ひとつのデータを各部署で共有して総合的に支援したり、不登校になる前にプッシュ型やアウトリーチ型の支援に繋げたりできるところがメリットです。一方で、データ連携のハードルが高い、機械学習によるリスクの予測では、学校がすでに支援対象としているような児童生徒ばかりが示され、新しい価値が提供されないということも実際の事例では指摘されています。その点では、さらなるブラッシュアップが必要です。

それでは、実際にはどのような方法でデータ利活用のツールやシステムを整備するかについてもお話します。

▲　スライド6・教育データ利活用に向けた
ツール整備の方法

文部科学省が出している教育データ利活用のステップ（β版）に、どのようなシステムのパターンがあるか紹介されているので、参考までに提示します。パターン1から3へと、徐々に複数のデータツールを連携してデータ利活用していこうと示されています。パターン1は単純にデジタルドリル上でそのダッシュボードを見る、パターン2は校務支援システムや学習eポータルでデータを連携して複数のデータを一緒に分析する、パターン3は独自に構築したシステムに全てのデータを集めて利活用する取り組みになります。

教育領域でのデータ利活用では、「教育効果に繋がるのかどうか」という視点も重要です。そのエビデンスを当社も自治体と一緒に作っていきたいと考えていますが、現状では残念ながら日本国内では教育効果に繋がるかどうかを示せる研究がなされていないのが実情です。そこでアメリカとオランダの事例を紹介します。

まずは、アメリカで、校長による学習データ利活用が生徒の学力向上に繋がるのかどうかという研究についてご紹介します。

▲　スライド7・校長による
教育データ利活用は
生徒の学力向上に繋がるかという研究

この研究では、日本での学力学習状況調査のような標準テストのデータを活用する意味はあまりなく、学校内での定期テストの学習データを利活用することの方が重要であることが示唆されています。年に1～2回の学習データを見て、どういう状況かを振り返って施策に繋げるのではなく、日常的に短いスパンでPDCAを回していくためにデータを利活用することが重要であるということです。

さらに、データを利活用するうえでは教職員間の信頼関係が大事ということも指摘されています。データ利活用の取り組みを進めると、教職員の中には「自分の授業を見張られている感じがする」、「指導に対して口出しをされて評価される」と考える人もでてくるでしょう。そうではなく、一緒に物事をより良くしていくためのツールだという認識を前提として共有することが重要だとされています。

もうひとつ、オランダの事例を紹介します。学校全体で教育データを利活用することが、学力の向上に繋がるかという研究です。オランダ国内の6つの研究を横断的に見ると、6つの研究のうち4つで教育データの利活用は生徒の成績向上に効果があるという結果が出ています。ただ、これもどんな取り組みでもよいわけではありません。例えば一部の先生に研修をするのでは意味がなくて、全職員を巻き込んで2年間しっかり取り組みを進めることでようやく効果が出るということや、教室内のコーチングと掛け算をするような取り組みの場合に効果があるということが分かっています。

▲　スライド8・オランダの研究では
教育データ利活用の効果が示された

また、リアルタイムでフィードバックがあるか、どういう改善が必要かのレコメンデーションがあるかなど、どんなデータ利活用でもよいわけではなくて、データ利活用の内容が重要であるという示唆もあります。

アメリカやオランダの事例から分かる通り、教育データの利活用は教育効果に繋がる可能性はあります。ただし、そのためには適切な利活用方法をデザインし、利活用を促進する学校風土や組織の醸成・構築が必要です。適切な利活用方法のデザインとは、具体的にどういうことでしょうか。

教育委員会と一緒に教育データ利活用に取り組んでいく中で、敢えてデータを使う意義とは何かを整理しました。先生方は非常に忙しく、また、教育のプロです。その現場に敢えてデータを持ち込む意義は何か。3つに整理しました。

▲　スライド9・教育現場に
データを持ち込む意義

まずは1点めです。先生方は教育のプロとはいえ、全ての子どもたちの様子をこと細やかに把握することは難しいです。特に若手の先生の場合、自分の授業の様子を客観的に把握するのは難しいでしょう。「この子は、ここは苦手だけど、この授業ではこんな力を発揮するのか」など、見逃してしまいがちな児童生徒の意外な一面や授業の隠れた課題を見つけるためのツールとして活用できるのが教育データです。

2点めが、先生方を伴走しながら支えるためのツールとしての役立つのが教育データの意義だということです。教育委員会なども含めて外部から教育現場へアプローチするには慎重さが求められます。そこで、根拠となるデータがあることで教育委員会が学校に対して支援をしやすくなったり、学校内においても管理職が担任の先生に支援をしやすくなったりすることが考えられます。そうした現場の先生に伴走した支援のきっかけ作りになるのが教育データです。

3点めが、教育データには何かしらの変化を起こすときに「納得感を醸成するための共通言語」としての役割があると思います。ベテランの先生、若手の先生、保護者の方々など、それぞれに違う価値観や考え方がある中で、教育データをもとに議論することで客観的に納得感を得ながら議論を進めることができるでしょう。

もちろんデータだけで全てが決まるわけではありません。データと先生方のプロフェッショナルとしての価値判断を組み合わせて最終的に意思決定が行われることが大切です。データは、その意思決定をより素早くしていくためのツールとして有用です。

最後に、ダッシュボードを渡すだけでは学校は変わりません。ダッシュボードをもとに教職員の方々が考察してアクションを考える、そういう場を設けることで初めて教育データが価値を発揮できると思っています。

現在、当社では教育データ利活用を本当に意味のあるものにしていくために、データ連携基盤の整備や標準化、倫理面のルール整備などに取り組んでいます。それらをもとに学校の組織開発にも取り組んでいきたいと考えています。

【野﨑氏】

私は、現在、スタンフォード教育大学院で教育データサイエンス専攻の修士課程に在学しています。主に教育政策領域への応用を念頭にした教育データ活用の研究に取り組んでいます。アメリカの教育データ利活用の事例を3つ紹介します。

可視化、予測、検証の3分野で紹介しますが、米国全体の最新動向を十分俯瞰できているものではなく、限られた事例の紹介になってしまう点は、ご了承ください。

最初に可視化の事例です。カリフォルニア州では、学校単位と学区単位の両方で多角的な教育状況を、「California School Dashboard」で可視化し、公開しています。具体的には慢性欠席率（年間登校日数の10％超を欠席している児童生徒の割合）、懲戒状況、英語が母国語ではない学習者の英語力、国数の標準テストの結果を、それぞれ5段階の色分けして公表しています。

▲　スライド10・カリフォルニア州での
教育データ可視化の事例

重要なのは、これが全生徒の平均を取ったものであることだけではなく、8つの人種民族のグループ、加えて経済的に厳しい状況の生徒グループ、特別支援を要する生徒グループなど合計13のサブグループからもデータが集約されて分析されていることです。アメリカでは、日本よりも教育格差が深刻な課題です。人種民族も多様です。ゆえに、こうしたサブグループごとにつぶさに状況を見ていくことが歴史的にも大事にされてきたという背景があります。

またこのシステムの特徴は、ダッシュボード上の状況が芳しくない学校や学区への重点的な伴走支援の仕組みがセットになっていることです。複数の指標で状況が良くないと評価されたところには、州からの伴走支援が義務化されています。学校は学区から、そして学区は郡の教育局から、課題を特定して改善計画を立てられるという最初の取り組みから援助を受けられます。実際に行うための人員にも予算が振り分けられ、トータルで仕組みが作られているのが特徴です。

それでは、こうしたダッシュボードで可視化して伴走支援する取り組みが、果たして教育状況の改善に効果があるでしょうか。現時点では研究結果が混在し、見解が分かれている状況です。指標によっては効果があるが、年度によってその効果が十分には確認できないといったこともあります。私は慢性欠席率に着目して、このシステムの効果を定量的に評価する研究をしています。

関連研究などを含め、現時点で言えることは可視化して状況を共有することの効果も、支援とセットで取り組むことの効果も、どの指標を選ぶか、その指標の可視化をきっかけに支援をどう効果的に学校に届けるかといったディティールにより、効果がある事例とない事例がでてきてしまっているということです。ダッシュボードによって無条件で状況が改善に向かうわけではなく、可視化をきっかけにどのような仕組みを作れば、各学校で学ぶ子供たちの教育環境の改善に繋がるのかを設計することこそ大事だと学びました。

次に予測の事例です。これは「Early Warning System」、略してEWSと呼ばれるシステムがすでにアメリカでは普及しています。高校中退をどう予防するか、その問題意識から発展してもので、すでに2014～15年の時点で米国の約半数の高校が導入しているとされています。

▲　スライド11・高校中退リスクの
予測の事例

インプットする指標では「ABCs」が重要だと言われています。Attendanceが出欠席、Behaviorが生徒指導記録、Course performanceが日々の学業成績です。これらに児童生徒の属性データを加え、機械学習で予測モデルを立てる仕組みです。さらに、在籍している生徒について、その時点で把握できているデータから、望ましくないリスク状況、つまり高校中退や慢性欠席の状態が起きてしまう確率を予測して、一定の閾値を超えたら関係者で共有するものです。

このEWSを導入することが実際に有意な効果があるのかどうかについては、実はこれも条件次第で効果が分かれています。いくつかの研究を見ると、例えば経済的に困難な状況にいる生徒には役立ったけれど、全体として調べてみると効果は確認できなかったという研究結果もあります。このEWSもどの児童生徒に同じように効果を発揮するというものではなく、現場レベルで日常的な運用がどうなっているか依存してくると言えるでしょう。上手に設計すれば可能性のあるツールという点では注目されている教育データ利活用ツールのひとつです。

最後に検証の事例です。

▲　スライド12・識字能力向上施策の効果を
検証する事例

少し背景をお話します。アメリカでは長年、小学校の基本的な識字能力の低さと、それが改善していないことが課題になっていて、どういう指導法が効果的かという論争がずっと続いていました。文字と音の一対一対応の関係をつぶさに指導するフォニックスベースの指導法や、文脈から類推して文字を読めるようにする指導法がある中で、結局のところ、エビデンスを持って「これが正しい指導法である」とされても、現場の先生が指導方法をアップデートするための具体的なサポートが欠けていたのです。そこが課題でした。それに対してスタンフォード大学のあるカリフォルニア州では2021年、読解力の成績が低い学校を対象に先生たちの具体的な研修やプラスアルファのツールを提供する事業を予算化しました。

アメリカの方が日本よりも施策の効果検証のエビデンスの質に対する期待水準が高く、因果関係としての効果検証が求められます。単純な前後比較はエビデンスとして極めて質が低いとされ、相関関係のエビデンスにとどまる回帰分析でも不十分とされます。そこで、一定の線引きを越えるとこのプログラムの対象になるということに着目して、ギリギリで対象になる集団と対象にならない集団の微妙な違いを比較して、施策の効果を検証しました。専門的には、回帰不連続デザインと呼ばれる手法です。

こうした研究に取り組めたのは、生徒レベルのデータで同じ集団を縦断的に追跡できるデータが整理されていたことが背景にあります。しかも、それらのデータを研究者が利用できる状態だったことも欠かせない条件でした。この研究はカリフォルニア州の教育局とスタンフォード大学が連携して実施されたもので、2025年に結果が出ました。対象校で識字能力の向上が有意に確認され、今後の施策の展開の足がかりに繋がる結果を得ることができました。

この事例で強調したいのは、効果の検証には高度な専門性が必要になってくるということです。データを縦断的に追える状況が整っていることは大前提ですが、それだけでは不十分です。施策を実施した場合としなかった場合を比較した状況を上手に見つけるのは、統計的なテクニックが必要です。その専門性を持つ研究者と早い段階から連携することが大事ということも、この事例から学び取れると思います。

3つの事例を紹介しました。可視化と予測は、それを契機として実際に届く支援がどのように具体的に上手に設計されるかどうかがポイントです。検証では単にデータを整備するだけではなくて、どう分析するかを分かっている専門性を持つ研究者との連携が不可欠です。参考になれば幸いです。

＞＞　後半へ続く