AI学部の急増をどう測るか、米国569校の自動マッピングが示した課題｜2026年6月22日版
2026年6月22日時点で押さえたいAI・ITの論点は、モデル性能そのものではなく、AI人材を育てる教育課程をどう把握するかです。
arXivに投稿された研究「Mapping AI Programs in the U.S」は、米国の4年制大学569校を対象に、AI専攻・副専攻・集中コース・証明書プログラムを検出し、カリキュラム要件まで整理する仕組みを示しました。単なる大学一覧ではありません。検索API、LLM、手作業の検証を組み合わせ、AI教育の実態を継続的に更新するデータ基盤として設計されています。
要点は次の通りです。
- 対象は569校で、2023年の米国CS卒業生の86%をカバー
- 249校で何らかのAIプログラムを確認
- AI専攻は73件、AI副専攻は89件を検出
- 自動検出だけでは足りず、人間によるリンク確認とラベル検証を組み込んでいる
今日の重要ニュース早見表
| 観点 | 要点 | 日本の読者への意味 |
|---|---|---|
| 技術 | 検索APIとLLMを使い、大学サイトからAIプログラムを抽出 | 教育・採用・研修のデータ化に同じ発想を使える |
| 教育 | AI専攻の中身は大学ごとに大きく異なる | 「AI専攻卒」だけではスキルを判断しにくい |
| 実務 | 一般AI、機械学習、倫理、NLPなどの必修状況に差がある | 採用時は履修科目と演習経験の確認が重要になる |
| 継続性 | 地図は定期的な再スクレイピングと修正受付を前提に設計 | AI教育の変化を年次ではなく継続的に追う方向へ進む |
何が起きたか
研究チームは、米国の大学にあるAI関連プログラムを自動的に探し、地図として表示するツールを構築しました。論文は2026年5月14日にarXivへ投稿されています。
対象は、AI専攻だけではありません。
- AI major、つまりAI専攻
- AI minor、つまりAI副専攻
- concentration、track、specializationに相当する集中コース
- certificateなどの証明書プログラム
研究では569校をスクレイピングし、そのうち249校、割合にして44%で1つ以上のAIプログラムを確認しました。検出されたAIプログラムは361件で、最も多かった形式はconcentrationでした。118件、全体の32.7%です。
これは重要です。新しい学位を立ち上げるには大学内の承認手続きに時間がかかります。一方で、既存のCS学位にAI集中コースを足す形なら、大学は比較的早く産業界や学生の需要に反応できます。
仕組みの核心は「LLM任せ」ではない
この研究の面白さは、AIを使ってAI教育を調べている点にあります。ただし、LLMにすべて任せる設計ではありません。
1段目は候補サイトの発見
最初の工程では、GoogleとExaの検索APIを使い、対象大学ごとの候補Webサイトを探します。その後、オープンソースLLMのDeepSeekを使って、候補の中から学部・学科サイトを見つける流れです。
大学サイトは構造がそろっていません。学科ページ、履修要件、PDFのカタログ、古いリンク、マーケティング用ページが混在します。そのため、検索で見つけた上位ページが、そのまま正しいカリキュラム情報とは限りません。
人間の確認を途中に入れる
論文では、初期に見つけたリンクの失敗率がおよそ33%だったと説明されています。そこで研究チームは、人間がリンクの正誤を確認し、必要に応じて正しいページを探す工程を入れました。
ここがポイント: 教育データの自動収集では、LLMの抽出能力よりも、どのページを「正しい根拠」とみなすかが精度を左右します。
2段目でプログラム種別と履修要件を抽出
次の工程では、DeepSeekを使ってプログラム種別、プログラム名、履修要件を集めます。研究チームは113件のサンプルでプログラム種別ラベルを手作業で確認し、開発時の識別精度を検証しました。さらに、一般公開する地図に含めるラベルはすべて手作業で確認しています。
つまり、このツールは「LLMが大学サイトを読んで一覧を作った」だけではありません。検索、抽出、検証、地図表示、更新の流れを組み合わせたデータパイプラインです。
AI専攻の中身は想像以上にばらつく
研究では、要件ページが公開されていて分析可能だった66件のAI専攻と87件のAI副専攻も調べています。
AI専攻と聞くと、どの大学でも似たような内容を学ぶように見えます。しかし実際には、必修AI単位数やCS基礎科目の比重に大きな差があります。
代表的な数値は次の通りです。
- AI専攻の必修AI単位数の平均は18.1単位
- 最小は3単位、最大は42単位
- 66件のAI専攻のうち、92%が一般的なAI科目を必修化
- 77%が機械学習を必修化
- Deep Learning、Responsible/Ethical AI、NLPは、それぞれ3分の1強の専攻で必修
特に見るべきなのは、「AI専攻」というラベルだけでは学習内容を判断できないことです。ある大学ではAI理論と機械学習を厚く扱い、別の大学ではデータサイエンスや統計学、応用科目を中心に組む可能性があります。
企業の採用担当者にとっては、学位名よりも次の確認が重要になります。
- 機械学習、深層学習、NLP、コンピュータビジョンをどこまで履修したか
- データ構造、アルゴリズム、確率統計、線形代数の土台があるか
- 責任あるAI、倫理、社会的影響を必修で扱っているか
- 卒業制作や実プロジェクトでモデル開発を経験しているか
なぜ日本の開発現場にも関係するのか
これは米国大学の調査ですが、日本の読者にも関係があります。理由は、AI人材の評価軸が「生成AIを使えるか」から「AIシステムを設計・検証できるか」へ移りつつあるからです。
採用では履修内容を見る必要がある
AI関連職種では、モデルを呼び出すだけのスキルと、データ設計、評価、運用、リスク管理まで扱うスキルは別物です。AI専攻やAI副専攻の肩書きだけでは、その違いは見えません。
米国の調査が示したばらつきは、日本企業が海外人材や国内AI人材を見るときにも参考になります。履歴書の学位名だけで判断せず、科目、演習、プロジェクト、評価手法を確認する必要があります。
教育機関は「AIリテラシー」と「AI専門教育」を分ける必要がある
論文は、AIリテラシーと専門的なAI技術教育を分けて論じています。全学生がAIを使う時代にはAIリテラシーが必要です。一方で、AIモデルを作る人材には、数学、データ管理、計算資源、CS基礎が必要になります。
この区別は日本でも重要です。大学、専門学校、企業研修がAI講座を設計するとき、受講者に求める到達点を分けなければ、カリキュラム名だけが先行します。
日本の読者が見るべきポイント
この研究から実務に引きつけるなら、見るべき点は3つです。
開発者
AI関連の求人や学習計画を見るときは、モデル名やツール名だけでなく、評価、データ処理、セキュリティ、運用の科目が含まれているかを見るべきです。生成AIアプリ開発では、プロンプトだけでなく、検索拡張、ログ設計、権限管理、失敗時のハンドリングが効きます。
企業利用者
AI人材の採用では、専攻名よりも履修の中身を確認する必要があります。特に、Responsible AIやAI倫理の扱いは、社内利用や顧客向けAI機能の設計で差が出ます。
教育・研修担当者
研修を作る側は、AIリテラシー講座とAI開発者向け講座を混ぜないことが重要です。前者は使い方、リスク、業務判断が中心です。後者はモデル、データ、評価、実装、運用まで踏み込みます。
継続ウォッチ
次に見るべき論点は、プログラム数そのものよりも中身の変化です。
- AI専攻でResponsible/Ethical AIがどこまで必修化されるか
- 副専攻や証明書プログラムが、実務スキルの証明としてどこまで使われるか
- 大学サイトの情報をLLMで収集する際、誤リンクや古い履修要件をどう検出するか
- 日本の大学・高専・専門学校でも、同様のカリキュラム地図を作れるか
今回の研究は、AI教育を「雰囲気」ではなく、公開カリキュラムから測る試みです。次に必要なのは、卒業生が実際にどの職種へ進み、どの科目が現場で効いたのかを追うデータです。
今日のまとめ
米国569校を対象にしたAIプログラムのマッピング研究は、AI教育が急増していることだけでなく、その中身がかなり不均一であることを示しました。
日本の読者にとっての実務的な意味は明確です。AI人材を見るときは、肩書きや専攻名では足りません。一般AI、機械学習、深層学習、倫理、データ処理、CS基礎をどの程度学んだかまで確認する必要があります。
今後の注目点は、こうしたカリキュラム地図が米国以外にも広がるかです。日本で同じ仕組みを作るなら、大学のシラバス、学科ページ、履修要件PDFをどこまで機械的に読み取れるかが最初の壁になります。