AI Literacy
AIリテラシーとは、AIを理解し、批判的に検討し、適切に活用するための知識と判断力です。主要なスキル、学校向けフレームワーク、EU AI法第4条を紹介します。
AIリテラシーとは、人工知能を適切に使うために必要な知識と判断力です。AIシステムがどのように出力を生成するかを実用的に理解し、その出力を批判的に評価する習慣を身に付け、いつ頼るべきかを判断する力を指します。読み書きや計算と同様に、職場、学校、自宅でAIに接するすべての人に必要な一般的スキルであり、モデルを構築したりプログラミングしたりする能力は必要ありません。Duri LongとBrian Magerkoによる2020年のCHI論文では、AIを批判的に評価し、AIと意思疎通・協働し、ツールとして活用するための能力として、広く引用される定義が示されました。
AIリテラシーを持つ人は、チャットボットの流暢な回答でも間違う場合があること、顔認識システムの性能が一部のグループで他のグループより低くなる可能性があること、リアルな動画がディープフェイクかもしれないこと、オンラインアシスタントに機密文書を共有すると情報が漏れる可能性があることを理解しています。こうした洞察は、さまざまなツールに共通する少数の概念に基づいています。
AIリテラシーの内容#
多くのフレームワークは、AIリテラシーを3つの能力で整理します。理解とは、機械学習システムがトレーニングデータからパターンを学習するため、挙動にデータの網羅範囲や欠落が反映されること、また、生成AIは事実確認をせず、学習したパターンからもっともらしい文章や画像を生成することを知ることです。評価とは、出力を独立した情報源と照合し、幻覚やAIのバイアスを認識し、モデルの信頼度スコアはモデル自身の推定値であり、較正が不適切な場合もあると理解することです。責任ある利用とは、共有するデータ、重大な判断を誰が確認するか、AIの支援をいつ開示するか、そもそもAIに任せるべきでないタスクは何かを判断することです。
学校向けには、2024年に発表されたUNESCOの生徒向けAIコンピテンシー・フレームワークが、人間中心の考え方、AIの倫理、AIの技術と応用、AIシステムの設計という4つの領域にわたる12の能力を定めています。それぞれの能力は、AIの理解から応用、AIを活用した創造へと段階的に進みます。OECDと欧州委員会のAIリテラシー・フレームワークは、2025年の草案を経て2026年に最終化され、AIとの関わり、AIを活用した創造、AIの管理、AIの方向付けという4つの領域に能力を分類しています。また、2029年に初めて実施されるPISAのメディア・AIリテラシー評価にも活用されます。関連する概念には重なりがあります。データリテラシーはデータや統計の解釈、デジタルリテラシーはテクノロジー全般の利用を扱い、プロンプトエンジニアリングはAIリテラシーの実践的なスキルの1つです。
職場におけるAIリテラシーとEU AI法#
EUでは、EU AI法第4条が2025年2月2日に適用開始となり、職場のAIリテラシーが法的な課題になりました。同法では、AIリテラシーを、提供者、導入者、影響を受ける人々がAIシステムの導入について十分な情報に基づいて判断し、その機会、リスク、潜在的な害について認識するためのスキル、知識、理解と定義しています。2026年7月のAIデジタル・オムニバスによる改正後、第4条は、AIシステムを提供または導入する組織に対し、技術的知識、経験、教育、およびシステムの使用状況を考慮しながら、組織に代わってシステムを運用する職員やその他の人々のAIリテラシーを支援する措置を講じるよう求めています。ただし、個人に特定のリテラシー水準を保証する必要はありません。この義務はリスク区分を問わずすべてのAIシステムに適用されるため、同法の中でも最も広範な要件の1つです。
第4条はカリキュラムや認定証を規定していないため、組織は通常、役割に応じて研修を調整し、その記録を保管して、AIガバナンスプログラムに組み込みます。チャットボットを使うサポート担当者は、捏造された回答を見分ける方法と、プロンプトに含めてはならない顧客データを理解する必要があり、それによってシャドーAIも抑制できます。自動検査ラインを運用する品質エンジニアは、偽陽性と偽陰性、およびしきい値の設定によって両者のバランスがどう変化するかを理解する必要があります。AI導入を承認するマネージャーは、システムの評価方法と使用データについて質問できるだけの基礎知識が必要です。
実践を通じてAIリテラシーを高める#
モデルが正しく、誤り、確信がない様子を直接経験することで、リテラシーは最も速く向上します。事前学習済みのUltralytics YOLO26物体検出モデルを1枚の写真に対して2つの信頼度しきい値で実行すると、適合率と再現率のトレードオフが具体的に分かります。
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")しきい値が0.1の場合、モデルは5人を検出します。その中には、一部しか見えない同じ歩行者に対する低信頼度の2つ目のボックスと、実際には駐車禁止標識である「一時停止標識」も含まれます。0.7では、バスと、はっきり見える3人は残りますが、左端で見切れている歩行者は検出されません。保存した2つの画像を比較すると、しきい値によってシステムがどの種類の誤りをするか、つまり混同行列が数える誤警報と見逃しのどちらが発生するかが分かります。また、適切なしきい値は、用途によって見逃しと誤警報のどちらのコストが高いかで決まります。
同じ演習は、AI教育に取り組む年少の学習者もコードなしで実施できます。モデルが正しくラベル付けした写真と間違えた写真を分類し、その理由を話し合うことで、AIの出力がどのような証拠に基づいているかを問う習慣が身に付きます。










