AI中退予測が示す大学不登校、初年次ケアと学修支援の最新要点

大学不登校が初年次課題になる背景

大学で授業に出られない、履修登録後に学修が止まる、キャンパスとの接点が薄れる。こうした状態は、学校教育法上の「不登校」として一律に定義されるものではありませんが、学生本人にとっては進路と生活を左右する深刻な局面です。

文部科学省の令和6年度調査では、大学、短期大学、大学院、高等専門学校を合わせた中途退学者は6万1441人、休学者は8万6119人でした。大学だけで見ると、中退者は5万516人、休学者は6万8239人です。数字の増減だけでなく、主な中退理由に「学生生活不適応・修学意欲低下」や「学力不振」が含まれる点が、初年次支援の重要性を示しています。

焦点は、AIで中退を言い当てることではありません。欠席、成績、出身高校での学び方、入学後の履修行動を早めに読み取り、学生が相談できる状態を大学側が先に整えられるかです。予測モデルは、学生を分類する装置ではなく、入学者のケアを前倒しするための道具として設計される必要があります。

欠席と成績が早期警戒になる理由

出席変化に表れる孤立のサイン

欠席は、大学生活の不調を早く映しやすい指標です。授業に来ない理由は単純ではありません。生活リズムの崩れ、通学負担、アルバイト、経済的困窮、メンタルヘルス、教室での居づらさ、学力への不安が重なります。だからこそ、欠席日数だけを見て「怠け」と捉える運用は危ういです。

文部科学省は初等中等教育段階の不登校支援で、登校という結果だけを目標にしないこと、児童生徒や保護者の意思を尊重することを示しています。大学にも同じ発想が必要です。出席情報は、本人を呼び出して叱責するためではなく、「何が授業参加を難しくしているのか」を聞く入口として使うべきです。

海外の高等教育研究でも、学修参加の変化は早期警戒の重要な材料とされています。2026年の機械学習レビューは、2019年から2024年までの研究を整理し、学業成績とエンゲージメント指標が中退予測で最もよく使われる一方、自己効力感、所属感、動機づけなどの心理社会的要因は不足していると指摘しました。つまり、欠席は重要ですが、欠席だけでは学生の事情を説明できません。

成績データで見える履修の詰まり

成績は、学生が大学の学びに接続できているかを示すもう一つの指標です。初年次の必修科目で単位を落とす、提出課題が途切れる、GPAが急に下がる、履修登録数に対して修得単位が少ない。こうした変化は、学修方法の未習得や専攻理解の不足を知らせます。

イタリアの大学データを用いた中退予測研究では、入学前後の早い段階でリスク推定を行うため、高校の種類、高校での最終成績、大学初年次の取得単位などが使われました。約1万5000人のデータを分析し、退学は初年次に集中しやすいことも示されています。ただし、この結果を日本の大学へそのまま移植することはできません。高校制度、入試制度、学費負担、進路変更の文化が違うためです。

それでも、示唆は明確です。早期警戒に必要なのは、成績の低い学生を抽出することではなく、履修のどこで詰まっているかを具体化することです。たとえば、数学基礎でつまずく学生に学修支援室を案内するのか、レポートの書き方を補うのか、専攻ミスマッチをキャリア相談につなぐのかで、支援の中身は変わります。

LMS行動が示す学修参加の質

オンライン教材やLMSの利用ログも、近年は早期警戒に使われています。2026年に公表されたオンライン高等教育の研究では、3万2593人の学修データを扱い、LMS上の行動特徴が予測力の大部分を占めたと報告されています。特に活動期間の長さは、単発のクリック数よりも学修参加の継続性を捉えやすい指標です。

ただし、LMSログは万能ではありません。教材を印刷して学ぶ学生、通学中にスマートフォンで確認する学生、ログインは少なくても対面授業で理解している学生もいます。ログの少なさを「学ぶ意思がない」と解釈すれば、支援ではなく監視になります。AI予測を使う大学は、ログを学修の一部として読み、面談や教員の観察と突き合わせる姿勢が欠かせません。

高校タイプと入試情報の扱い方

高校から大学への接続ギャップ

大学入学者は、以前より多様な学習経験を持っています。全日制高校で部活動や行事を軸に過ごした学生、通信制高校で自分のペースをつくってきた学生、専門高校で実習中心に学んだ学生、長期欠席や不登校を経験した学生では、大学の授業に入るときの困りごとが異なります。

文部科学省の令和6年度の生徒指導調査では、高等学校の不登校生徒数は約6万8000人、高等学校の中途退学者は4万4571人でした。高校段階で不登校や進路変更が特別な例外ではなくなっている以上、大学は「入学できたのだから自力で適応できる」とは見なせません。

高校タイプは、本人の能力を決めるラベルではありません。むしろ、どのような学習環境から大学に移ったのかを知る手がかりです。通信制出身だからリスクが高い、専門高校出身だから理論科目に弱い、といった固定的な読み方は避ける必要があります。大切なのは、大学側が授業の前提を言語化し、必要な準備を早く案内することです。

観点別評価を入学後支援に生かす視点

文部科学省の大学入学者選抜改革推進委託事業では、高校の観点別学習状況の評価を、入学者選抜だけでなく入学後の学修指導へつなげる可能性が検討されています。これは、中退予測にも近い論点です。高校で培われた学力や学び方を、大学の初年次教育でどう伸ばすかが問われています。

たとえば、知識・技能の定着に課題がある学生には補習型の支援が有効です。一方、主体的に問いを立てる経験が少ない学生には、少人数ゼミやピア学習が効果を持ちます。高校時代の欠席や成績を一つのリスク点に変換するだけでは、この違いは見えません。

AI中退予測で使うデータは、支援メニューに翻訳されて初めて意味を持ちます。欠席の多い学生には生活支援と相談窓口、成績の急落した学生には履修再設計、高校から大学への学び方の転換で悩む学生には初年次ゼミやライティング支援をつなぐ。こうした対応表がないままモデルだけ導入しても、現場の負担が増えるだけです。

入試データをケアへ変える境界線

入試情報は、入学後支援の貴重な資料になり得ます。ただし、利用目的の明確化が前提です。個人情報保護委員会のガイドラインは、病歴や精神障害など不利益につながり得る情報を要配慮個人情報として扱い、取得や第三者提供には原則として本人の同意が必要だと示しています。

教育データ利活用ロードマップのQ&Aも、教育データを使って児童生徒をふるい分けたり、本人が外部に示したくない内面を可視化したりしないことを明記しています。大学の中退予測も同じです。欠席、成績、高校タイプ、入試区分を組み合わせるほど、学生は「自分は最初から危険視されている」と感じやすくなります。

そのため、入試データの活用は、学生を不利に扱わないこと、支援目的に限定すること、アクセスできる職員を絞ること、本人へ説明できることが条件です。予測結果を教員全員に広く配るのではなく、学生相談、教務、キャリア支援、担任教員など、実際に支援を担う範囲で共有する設計が求められます。

AI予測を学生支援に変える運用条件

AI中退予測の導入で最も危険なのは、精度の数字だけが独り歩きすることです。研究レビューでは、Random ForestやXGBoostなどの手法が多く使われ、一定の精度を出す例が報告されています。一方で、単一大学のデータに依存しやすく、時間変化、説明可能性、公平性、予測後の介入効果の検証が不足していることも指摘されています。

この限界は、現場ではそのまま支援格差になります。ある学部ではよく当たるモデルが、別の学部では外れるかもしれません。過年度の学生には有効だった基準が、入試制度や授業形態の変更で効かなくなる可能性もあります。さらに、経済的困窮やメンタルヘルスの情報を直接扱わない場合でも、欠席やLMS行動から間接的に推測してしまうことがあります。

実装で必要なのは、予測モデル、支援判断、本人への接触を分けることです。モデルは「声かけ候補」を出すだけにとどめ、最終判断は教職員チームが行います。学生への連絡文面も、「中退リスクが高い」と伝えるのではなく、「履修や生活で困っていることがあれば相談できる」と開く形にします。

また、誤判定を前提にした運用も欠かせません。リスクありと判定されたが問題なく学べている学生、リスクなしと判定されたが孤立している学生は必ず出ます。したがって、AIの対象者だけを支援するのではなく、すべての学生が使える相談導線を整え、その上で追加の声かけを行う二層構造が現実的です。

大学が入学前後に整える支援基盤

大学に求められるのは、入学者を「選抜後に放置しない」仕組みです。AI中退予測は、その仕組みを速く動かす補助線になります。欠席、成績、高校タイプ、LMS行動を読む目的は、学生を序列化することではなく、学修支援、生活相談、キャリア相談、合理的配慮を早く結び直すことです。

まず整えるべきは、初年次の情報共有です。教務は単位と履修を見ます。学生相談は心身の状態を見ます。キャリアセンターは進路の迷いを見ます。学部教員は授業での変化を見ます。これらを別々に抱えると、学生は何度も同じ説明を迫られます。本人の同意と目的限定を前提に、支援に必要な範囲で情報をつなぐ体制が必要です。

次に、入学直後の学修設計を見直すことです。高校までの学びと大学の学びは、課題管理、文章作成、授業選択、教員への相談の仕方が大きく違います。初年次教育は、大学に適応できない学生を補習する場ではなく、すべての学生に大学で学ぶ方法を明示する場として位置づけるべきです。

最後に、予測結果を制度改善へ戻すことです。特定の科目で欠席が増えるなら、授業設計や課題量を点検します。特定の入試区分や高校タイプで相談が集中するなら、入学前説明や初年次ゼミの内容を変えます。AIが示すのは学生個人の弱さではなく、大学の接続設計の粗さでもあります。中退予測の本当の価値は、学生を早く見つけること以上に、大学が自らの受け入れ方を変えるところにあります。

参考資料:

• 令和6年度 学生の中途退学者・休学者数の調査結果について
• 令和6年度児童生徒の問題行動・不登校等生徒指導上の諸課題に関する調査結果及びこれを踏まえた対応の充実について
• 大学等における学生支援の取組状況に関する調査（令和7年度）
• 令和4年度学生生活調査・高等専門学校生生活調査・専門学校生生活調査
• 令和6年度 障害のある学生の修学支援に関する実態調査
• JASSO 障害学生支援における人材の育成・配置
• JASSO 不当な差別的取扱いとは
• 教育データ利活用ロードマップに関するQ&A
• 大学入学者選抜改革推進委託事業（観点別学習状況の評価の活用）
• 個人情報の保護に関する法律についてのガイドライン（通則編）
• 国立教育政策研究所 教育データサイエンスセンター
• Using AI to forecast student dropout risk in technical education using a learning analytics approach
• Student Dropout Prediction in Higher Education: A Systematic Review of Machine Learning Methods and Risk Factors
• Student Dropout Prediction
• Machine Learning-Based Early Warning for Student Dropout