小論文の過去問を生成AIに添削させると｜当てにならない指摘と人の採点との差

小論文の過去問を書き終えた夜、答案を生成AIに渡すと、点数と整った講評がすぐに返ってきます。「説得力が足りません」と言われると、自分では考えて書いた理由まで消したくなるかもしれません。その点数や指摘を、どこまで信用して書き直してよいのでしょうか。AIの点数は練習の目安にとどめ、答案のどの箇所をどう評価したのかを確かめ、論理や内容に関わる修正は先生の判断と照らすのが基本です。

小論文の過去問を生成AIに添削させると｜当てにならない指摘と人の採点との差

小論文の過去問を書き終えた夜、答案を生成AIに渡すと、点数と整った講評がすぐに返ってきます。「説得力が足りません」と言われると、自分では考えて書いた理由まで消したくなるかもしれません。その点数や指摘を、どこまで信用して書き直してよいのでしょうか。AIの点数は練習の目安にとどめ、答案のどの箇所をどう評価したのかを確かめ、論理や内容に関わる修正は先生の判断と照らすのが基本です。

困るのは、低い点が出ることだけではありません。よい点をもらったために見直しを止めたり、聞き直すたびに変わる評価に合わせて文章を直し続けたりすることもあります。小論文の添削で生成AIを使うなら、点の高さよりも、指摘を元の答案へ戻して確認できることを大切にしたいところです。流れるような講評でも、自分の文章に結びついているかを読んで判断します。

研究を読むときにも、人に近い点を出すこと、繰り返して同じ点を出すこと、役立つコメントを書くことを分ける必要があります。これらは似て見えますが、調べているものが違います。まず採点の研究で何を比べたのかを押さえ、その違いを机の上の答案の見直しに結びつけましょう。

要点

• AIと人の採点が近くなる研究はありますが、順位の近さと点数の一致は別です。
• 同じ答案への点が安定していても、人の評価に合っているかは別に確かめます。
• 採点基準や指示文は結果に関わるため、答案と一緒に保存します。
• 添削コメントは、基準・答案の該当箇所・指摘の理由をつないで読みます。
• 論理や内容の評価が食い違うときは、修正前の答案を残して先生に見てもらいます。

人に近い点が出るとき、研究は何を比べているのか

「AIも人と同じように小論文を採点できる」という話には、確かに支えとなる研究があります。Tateら（2024）は、中等教育の生徒が書いた既存の作文データを使い、ChatGPTと人の採点を比較しました。その結果、採点に統計的に明確な差は認められず、人とかなり一致する評価が得られると報告しています。研究が用途として挙げたのは、合否のような重い判断より、学習途中の改善に使う評価でした。

Packら（2024）は、英語のクラス分け試験の答案119編を、人の採点者と複数の言語モデルに評価させました。この比較ではGPT-4に、同じ採点者が評価を繰り返したときの安定性と、測りたいものを適切に測れているかという妥当性のよい結果が見られました。一方、GPT-3.5とGPT-4の人との一致は、時点を変えると少し下がりました。同じ答案を繰り返して安定した点を出す性質と、人に近い点を出す性質は、別々に見る必要があります。

練習で使う際は、採点の依頼を「よい小論文か」という大きな問いだけにしないことが役立ちます。先生から示された評価表や課題の条件があれば、それを答案と対応させます。ルーブリックとは、何をどの段階で評価するかを言葉にした採点基準のことです。その基準に沿ってコメントを並べれば、どこを見直すよう求められているのかを追いやすくなります。

ここで先に用意したいのは、自分が書いたままの答案です。AIの指摘を受けてすぐ上書きすると、最初に何が書けていて、どこから意見が変わったのかが見えにくくなります。採点結果は答案と別に保存し、元の文と照合しながら読みます。研究で評価された採点の仕組みを、家庭ではこのような比較の手掛かりとして使えます。

順位が近いことと、自分の点が正しいことは違う

人との関係を示す数字を見つけると、「この程度の確率で正しい」と読みたくなります。Yamashita（2024）は、アジア地域の英語学習者が書いた136編の意見論述文について、人の採点者80人の評価とChatGPT-4.0の評価を分析しました。相関係数は r = 0.67–.82 で、中程度から強い関係でした。相関係数は、片方の点が高い答案ほどもう片方でも高くなる傾向を示す数で、同じ点を付けた割合とは異なります。

Yamashita（2024）が報告した、点がぴったり一致した評価は半分でした。高い答案と低い答案をおおむね似た順に並べられても、個々の答案に付く点は食い違います。家庭で欲しいのは「ほかの答案より上か」だけでなく、「自分のどこが評価され、どこが不足したか」という説明でしょう。そのため、合計点の比較だけで添削の良し悪しを決めると、大事な部分が抜け落ちます。

次の表は、採点に関する言い方と、それぞれの研究が支える範囲を対応させたものです。同じ「人に近い」という表現でも、比べた対象を読むと中身が変わります。自分の目的が途中の見直しなのか、評価の理由を知ることなのかを考えながら使ってください。

真ん中に集まる点と、指示文で動く点を見抜く

答案を大きく書き直したのに、返ってくる点がいつも似ていることがあります。Wangら（2025）は、複数の種類の作文を用いた評価で、言語モデルの点が特定の評価段階に集まる傾向を報告しました。答案の相対的な順位付けに比べ、決められた基準に照らして評価水準を判断することの信頼性は低いという結果でした。研究は、モデルが意味の深い理解より表面の似かよいに頼る点も指摘しています。

また、点が揺れるかどうかについても、研究結果はそろっていません。Buiら（2025）は、120編の作文に対して生成AIと人が繰り返し採点する比較を行いました。AIは厳しく採点する傾向があり、採点者間の関係はごく弱いものから中程度にとどまり、高い採点の一貫性を示したのは人だけでした。先に見たPackらの結果と並べると、採点の安定性は、モデルや答案、評価の条件を含めて読む必要があるとわかります。

Kim（2025）は、米国の大学の学術英語プログラムで使うクラス分け試験の300編をGPT-4で評価しました。同じモデルが繰り返す評価の安定性は高い一方、人の点との相関は中程度で、指示文の作り方も正確さに影響しました。Liら（2024）の日本語学習者による1400編の物語作文の研究でも、指示文が評価を左右する重要な要素でした。日本語で流暢に講評が返ることと、評価条件が適切であることを分けて考える材料になります。

そこで、低い点が出るたびに「もっと公平に」「もっと高く評価して」と聞き直す方法は避けたいところです。答案を変えず、採点者への注文だけで結果を動かすと、文章の改善と評価条件の変更が混ざります。厳しくしてもらった点を本番に近い点と決める必要もありません。まず条件を固定し、評価が変わった理由を答案の中に探します。

読みやすい講評でも、その指摘を採用する前に止まる

点数が参考になるとしても、コメントの質には別の検討が要ります。Steissら（2024）は、中等教育の同じ作文について、人が書いた200件とAIが書いた200件の改善用コメントを比べました。採点基準に沿っているかという観点を除き、人の評価者がより質の高いフィードバックを提供しました。訓練された人のコメントがChatGPTを上回ったという結果で、整った文章で返答されることと、役立つ助言であることを区別する根拠になります。

小論文でとくに立ち止まりたいのは、理由を挙げずに内容を差し替えさせる指摘です。たとえば「説得力が足りない」という講評なら、どの主張とどの理由のつながりを問題にしているのかを探します。該当箇所が示されていなければ、修正の前に答案へ戻って対象を特定します。具体例が少ないというコメントでも、設問が求める作業と自分の説明を照らしてから追加を考えます。

これは、論理や内容の指摘を先生に確かめるという実用上の判断につながります。Wangら（2025）が示した意味理解に関する問題と、Steissら（2024）のコメント比較を踏まえた提案です。自分の意見を反対の立場に変えれば高く評価されそうだと感じても、まず元の立場のどこに問題があるのかを検討します。先生には、AIの講評だけでなく、設問の条件、自分の答案、変更を迷っている箇所を一緒に見てもらいます。

誤った指摘をそのまま採用すると、書けていた理由を消したり、答案に不要な説明を増やしたりする危険があります。見栄えのよい言い換えだけを選ぶと、自分が説明したかった関係まで変わることも考えられます。こうした害を避けるため、最終的な合否や提出可否の判定はAIに任せず、内容を確かめる時間が取れない場面では添削結果の採用を控えます。指摘を保留することも、答案を守る判断です。

同じ答案を繰り返し採点し、ぶれの場所を記録する

家庭でできる点検は、同じ答案を同じ条件で繰り返し採点させることです。最初の点数を見て文章を直す前に、答案、評価基準、依頼文を保存します。次に、新しい会話で同じ内容を渡し、前の採点結果は見せずに評価を求めます。これは採点の揺れを観察するための手順で、入試の得点を割り出す計算ではありません。

依頼文は、たとえば「次の採点基準で評価し、各指摘に答案の該当箇所と理由を付けてください」と短くまとめられます。公開されている基準や先生の評価表がある場合に、それを添えます。基準を持っていないときは、AIが作った評価表を学校や大学の基準と混同しないよう、練習用の観点として扱います。過去問の課題文などを扱う際は、学校のルールと、各サービスの最新の規約で確かめることも必要です。

見比べるときは、合計点だけでなく、同じ段落への説明を横に並べます。先の講評では「主張が明確」、後の講評では「主張が曖昧」となっていたら、元の文章は同じなのに評価が変わった箇所として印を付けます。点が似ていても、減点の理由が入れ替わっていたら、その違いも残します。こうして残した箇所が、先生へ相談する際の具体的な質問になります。

書き直しは、この比較を終えてから始めます。採用する指摘については、元の文、変更した文、変更の理由を短く並べ、理由を自分の言葉で説明します。採用しなかった指摘も、設問との関係や自分の意図を書き添えれば、後から判断を振り返れます。高い点が出るまで採点を続けるより、答案に即して説明できる修正を残すほうが、練習で取り組む課題がはっきりします。

保護者が見るのは、点の上げ下げより判断の過程

保護者がAIの採点結果を見るとき、前より高い点が出ていれば安心したくなります。けれども、点が変わった背景には、答案の変更に加えて指示文や評価条件の変更が入り込みます。最初に見るのは、同じ基準で比べているか、本人がどの指摘を受け入れたかです。採点表を成績表のように読む前に、書き直しの記録として眺めてみましょう。

本人への問いかけは、「なぜこの文を直したのか」に絞ると話を進めやすくなります。AIがそう言ったからという返答なら、講評と答案の該当箇所を一緒に見ます。本人が設問の条件とつないで説明できたら、その判断の筋道を確かめます。保護者が小論文の専門的な採点を引き受けるのではなく、確認が済んでいるところと、先生に聞くところを見つける役割です。

確認用のメモには、次の観点を使えます。点数の上昇だけを目標にせず、答案へ戻って考えた跡を残すための項目です。全部に印を付ける作業にするより、今の答案で気になる項目から見てください。

• 元の答案と、AIに渡した採点基準・依頼文が残っているか。
• 指摘された問題の場所を、本人が答案の中で示せるか。
• 繰り返した採点で食い違った箇所を残しているか。
• 内容を変えた理由を、本人が設問とつないで説明できるか。
• 迷った修正を先生に見てもらう準備ができているか。

先生への質問は、講評の全文を見せて「どちらが正しいですか」と聞くより、迷っている箇所を示すと具体的になります。「この理由を削るよう言われましたが、設問に答えるうえで残したいです」と、自分の判断も添えます。AIの評価と人の評価を比べる目的は、勝ち負けを決めることではなく、次に直す箇所を見つけることです。書き上げた答案を保存してから、同じ条件で採点のぶれを確かめる作業を、いつ試しますか。

よくある質問

問い：高い点が出たら、その答案の練習は終えてよいですか

終える前に、評価の理由が答案に対応しているかを見ます。褒められた箇所を自分で指し示し、その理由を具体的に説明できるかが確認の入口です。点が高くても、課題の条件に答えているか、内容を変える指摘が混ざっていないかを読み直します。最後は先生の評価や授業で使う基準と照らし、次の練習で何を意識するかを決めましょう。

問い：採点が毎回同じなら、信用してよいですか

同じ結果が出ることは、条件をそろえたときの安定性を見る材料になります。人との一致を確かめるには、その答案を先生がどう読んだかも必要です。合計点がそろうかだけでなく、評価された部分と、修正を求められた部分を比較します。食い違いを見つけたら、AIへ何度も判定を求める前に、元の答案と基準をそろえて質問を作ります。

問い：日本語で添削できるAIなら、日本の小論文にも十分ですか

日本語の自然な講評は読みやすさにつながりますが、採点の根拠は別に見る必要があります。Liら（2024）が扱ったのは、日本語を学ぶ人が書いた物語作文で、指示文の違いも評価に関わっていました。手元の小論文では、課題の条件と採点の観点を明示し、指摘を答案の該当箇所に戻します。内容の変更で迷う部分は、元の文を残して先生と相談しましょう。

この記事の限界

中心に据えた研究は、アジア地域の英語学習者の論述文、米国の大学の英語試験、中等教育の作文などを対象とし、既存答案の採点比較が主で、長期間の受験指導を追ったものではありません。日本語を母語とする中高生の大学入試小論文を直接調べた査読研究は、今回の根拠収集では見つからず、論理や内容の修正を人に照会する手順は関連研究からの提案です。研究当時のGPT-3.5やGPT-4などの結果が、更新されたモデルでも続くかは別途検証が必要です。学校ごとに課題へのAI利用の規則も異なるため、ここでの点検は学校の指示に沿って行う練習用のものとして位置づけます。

参考文献

1. Tate TP, et al. Can AI provide useful holistic essay scoring? Computers and Education: Artificial Intelligence. 2024;7:100255.
2. Pack A, et al. Large language models and automated essay scoring of English language learner writing: Insights into validity and reliability. Computers and Education: Artificial Intelligence. 2024;6:100234.
3. Yamashita T. An application of many-facet Rasch measurement to evaluate automated essay scoring: A case of ChatGPT-4.0. Research Methods in Applied Linguistics. 2024;3(3):100133.
4. Li W, et al. Applying large language models for automated essay scoring for non-native Japanese. Humanities and Social Sciences Communications. 2024;11(1):723.
5. Steiss J, et al. Comparing the quality of human and ChatGPT feedback of students’ writing. Learning and Instruction. 2024;91:101894.
6. Wang Y, et al. Evaluating large language models as raters in large-scale writing assessments: A psychometric framework for reliability and validity. Computers and Education: Artificial Intelligence. 2025;9:100481.
7. Bui NM, et al. Using generative artificial intelligence as an automated essay scoring tool: a comparative study. Innovation in Language Learning and Teaching. 2025.
8. Kim Y. Automated Essay Scoring With GPT-4 for a Local Placement Test: Investigating Prompting Strategies, Intra-Rater Reliability, and Alignment With Human Scores. TESOL Quarterly. 2025.

よくある質問