イメージマーケット・ワンクリック展開
イメージマーケットから、AI 教育クライアントと実行環境をプリインストール済みのイメージテンプレートを選び、機房の全端末に一括配信します。1 台ずつのインストールや手動設定は不要で、バージョンが統一され環境も一致し、AI 教育環境の立ち上げ期間を大幅に短縮します。
すぐに実装できるソリューション
AIを使いこなすことは、AIを理解することと同じではない
大学向けAI教育プラットフォームの迅速導入ソリューション
AI 時代の競争で問われるのは、誰のモデルのパラメーターが大きいか、誰のニューラルネットワークが深いかではなく、誰がAI をより早く活用する。情報管理学科、情報学科、経営学部……すべての専攻がアルゴリズムエンジニアになる必要はありませんが、どの専攻の学生にも必要なのはAI時代に効果的に働く能力。vDisk AI 教育プラットフォームは、大学の各学部がGPU サーバーの購入もアルゴリズムチームの編成も不要という前提のもと、AIを本当に教室へ届ける。
0 台
追加の GPU サーバー
数日
立ち上げから開講まで
完全互換
DeepSeek · ERNIE · Qwen · GLM…
95%+
自社構築よりコスト削減
AI 教育、ハードルはいったいどこにあるのか？
AI 教育を推進する際、多くの大学はこの2つの考え方の間でジレンマに陥りがちです。
いきなりモデルに着手する
GPU サーバーを調達し、ローカル大規模モデルを展開し、アルゴリズムチューニングチームを編成して、まずは全校の教職員と学生にニューラルネットワークと Transformer アーキテクチャを理解させる……
- ハードウェア調達はかさむ 約 200〜300 万元スタート
- 展開に数か月かかり、学期全体を逃す
- 展開当日には、モデルは既に商用版に後れを取っている
- CS（情報科学）以外の教員・学生は使い方がまったく分からない
- 情報管理学科や経営学部の学生にはまったく不要
まず使ってから、深く学ぶ
「AI ツールを使いこなす」を切り口に、最も優れた商用大規模モデルの能力を直接授業に届け、学生が最初の授業から AI による学習と業務効率の真の向上を実感できるようにします。
- 一般的な業務サーバー1台で、機房全体の接続を支える
- イメージマーケットから一括配信し、数日で展開を完了
- 管理画面でいつでもモデルを切替、常に最新版を利用
- 全専攻の学生が起動後すぐ利用でき、設定不要
- Token 使用量をコントロール可能、費用は透明で予算超過なし
車の運転がエンジンの修理を覚えることを意味しないのと同様に、AIツールを使いこなすことが、誰もがニューラルネットワークに精通することを意味するわけではない。AIを日常の学習やワークフローに真に取り込むことは、この時代が高等教育に求める最も核心的な要請である。私たちが解決したいのは、これをどう実際に実現するかです。
導入前に直面しうる4つの壁
大学がAI教育を推進する際、意欲がないのではなく、こうした現実的な問題に阻まれていることが多いのです。
ハードウェア投資のハードルが高すぎる
課題
大規模モデルを自前で構築するための GPU サーバーは価格が桁外れで、モデルの更新も非常に速いため、今日購入した機器が来年には最新版を動かせなくなり、絶え間ないハードウェアの負担となります。
解決法
API 経由でクラウドの主要な大規模モデルに接続し、推論はクラウドで実行。校内には接続と管理を担う一般的なサーバー1台があれば十分、ハードウェア投資はほぼゼロ。
導入が複雑で期間も長い
課題
自前構築の方式では、GPU ドライバ、モデル重みのダウンロード、推論フレームワークの設定、権限体系の構築……など、あらゆる工程で専門人材の介入が必要となり、立案から本番稼働まで数か月を要することも珍しくありません。
解決法
vDiskイメージマーケットを基盤に、AI教育コンポーネントを統合済みのイメージを選び、ワンクリックで機室端末へ一括配信します。導入から開講まで、最短で数日で完了。
使用量が制御できず、費用の見積もりが困難
課題
トークン課金の AI API は管理が不十分だと、多数の学生が同時に利用することで費用が急激に膨らむおそれがあり、予算が不確定なプロジェクトを学校経営層が承認しにくくなります。
解決法
プラットフォームサポートユーザーごとのToken上限設定アカウント別の集計により、費用上限を事前に固定でき、運用コストは完全に透明、調達承認も記録に基づいて確認できる。
授業運営とデータ継続性の課題
課題
学生が毎回の授業で大量の背景情報を再入力する必要があり、対話履歴が授業をまたいで継続できないため、Token を浪費し教学のリズムにも影響します。AI 生成コンテンツも統一的に保存・管理しにくくなります。
解決法
vDiskネットワークディスクは仮想ドライブとしてマウントされ、デスクトップ・ドキュメント・AI成果物をリアルタイムでサーバーに保存します。次回の授業で前回の進捗からそのまま続行、コンテキストを繰り返し入力する必要がありません。
プラットフォームのコア機能一覧
完全で、本当に実装できるAI教育インフラ
OpenAI 互換ゲートウェイ ・ ソフトに接続するだけで利用可能
プラットフォームは統一の OpenAI 互換プロキシエンドポイントを提供します。VS Code、Cursor、各種 AI コーディングプラグイン、自社開発の教育システムは、設定にゲートウェイのアドレスとキーを入れるだけで DeepSeek、ERNIE、Qwen、GLM、Doubao、Spark、Hunyuan、Kimi などの主要 LLM に接続でき、モデルごとの個別連携は不要です。
vDiskネットワークドライブ ・ AIの成果物を失いません
仮想ディスク（例：D:）としてマウントし、デスクトップ、マイドキュメント、AppDataなどのディレクトリを自動的にサーバーへリダイレクトしてリアルタイム保存します。AI対話記録、コードの下書き、実験レポートはすべて保存され、次の授業は前回の中断点から継続できるため、Tokenの重複入力を大幅に削減し、教師が学習過程を確認するのにも便利です。
Token 使用量の管理 · 費用は予測可能
アカウントごとに Token 使用上限を設定でき、各学生の消費状況をリアルタイムに集計し、上限超過のリクエストをシステムが自動でブロックします。学校の予算計画は根拠が明確で、一部の学生の乱用で全体費用が膨らむ心配がなく、全体の運用コストが完全に透明です。
管理画面でいつでもモデルを切り替え・常に最新版を利用
大規模モデルの進化は非常に速いものです。管理画面からいつでも接続モデルを切り替えられ、授業側の画面は一切変更不要。生徒は常にその時点で最良のモデルを使え、ハードウェアに縛られて古いモデルを使い続けることはありません。
AI 助教と授業管理 ・ 運用コストをさらに低減
AI ビジョンを既存の監視カメラと連携させ、授業の自動巡回点検、異常警告、時間割連動を実現します。時間割の時間帯には自動で電源・入退室・エアコンをオンにし、授業後は自動で切るため、人の常駐が不要となり、機房管理者を反復作業から解放します。
異なる学部・学科でも同一プラットフォーム
AI教育はコンピューター学科だけのものではなく、どの専攻にも固有のAI活用シーンがある
コンピュータ / ソフトウェア工学 / AI 専攻
プログラミング支援・コードレビュー学生はVS CodeまたはCursorで統一されたOpenAI互換アドレスを設定するだけで、プログラミング実習でAI補完、コード解説、バグ特定を利用できます。AIの出力は自動的に保存され、次の授業では前回のプロジェクトの進捗から継続できるため、開発環境を繰り返し構築する時間コストを削減します。
- AI 支援プログラミングで効率が大幅に向上
- コード履歴と会話ログを自動保存
- 個人ごとの API Key 登録は不要、一括認可
情報管理学科 / 経営学部
AIリテラシー · データ分析情報管理、経営管理、マーケティングなどの専攻の学生にとって重点はモデルの学習ではなく、AIツールを活用して市場分析、企画書作成、データ処理といった業務シーンのタスクを効率的に完遂する方法を身につけることです。プラットフォームには対話インターフェースが内蔵され、起動後すぐに利用でき、現在最も強力な商用大規模言語モデルにゼロハードルでアクセスできます。
- AI 支援によるレポート作成と市場分析
- 対話履歴をリアルタイム保存、いつでも振り返り可能
- 時間割連動で授業の秩序が整然
理工系の実験授業
実験レポート・データ処理化学、物理、生物などの実験系科目では、学生は AI を活用して実験原理を素早く調べたり、実験レポートのフレームワークを生成したり、データ分析を補助したりできます。実験中に生成されたデータと AI とのやり取りの記録はネットワークディスクに同期保存され、教師は実験レポートの完成度をリアルタイムで追跡できます。
- 実験記録と AI の成果物を一元的に保存
- 教師は学生の AI 支援プロセスを確認可能
- 時間割連動で実験室が自動起動・停止
全校共通の AI 教養科目
知識ゼロでOK · すぐに使える全学の各専攻向けにAI教養選択科目を開設します。学生はAIの基礎知識が一切なくても、クラウドデスクトップにログインするだけで大規模言語モデルとの対話、Promptエンジニアリング入門、AIツールチェーンの実践操作を体験できます。統一されたアカウント体系により、一人ずつ登録・チャージ・設定する必要がなく、教養科目の教育運営コストを大幅に削減します。
- 電源を入れるだけ、事前設定は一切不要
- 全専攻の学生を一元管理・権限付与
- 利用量を管理でき、コストは予算内
立ち上げから開講まで、全部で何ステップ？
私たちの目標は、AI教育の能力を最短時間で本当に稼働させることです。
01
1〜2営業日
環境アセスメントとソリューション確認
当社のコンサルタントと、サーバー室のサーバー台数、ネットワーク帯域、利用中のクラウドデスクトップのバージョン、対象学部のニーズを確認し、貴校の実情に適した導入プランと概算費用を提示します。
02
1〜3営業日
イメージ準備とゲートウェイ設定
vDisk のイメージマーケットで AI 教育コンポーネントを統合済みのイメージを選択またはカスタマイズし、管理端で OpenAI 互換ゲートウェイを構成し、対象の大規模モデルへ接続し、Token 利用ポリシーとアカウント別権限を設定します。
03
半日から 1 営業日
イメージの一括配信 · マシンルーム全体をカバー
vDisk 集中管理プラットフォームを通じてイメージを機室端末に一括配信し、ネットワークディスクのマウントポリシーとユーザーディレクトリのリダイレクト設定を同時に完了させ、AI 成果物と学習記録が自動的に保存されるようにします。
04
1営業日
教員研修・開講リハーサル
科目担当教員向けに短時間の操作研修を行い、Token 使用量の確認、モデル切り替え、学生データの閲覧を中心に説明します。初回の試行授業で検証し、教学フローがスムーズであることを確認したうえで正式に開講します。
全工程は最短5営業日で、AI教育を正式に教室へ導入。
長いハードウェア調達サイクルを待つ必要も、アルゴリズムチームの整備を待つ必要もありません。この学期から、始められます。
なぜ自前でモデルを構築しないのか？
これは多くの学校が意思決定時に尋ねる核心的な問いです
大多数の大学にとって、自前で大規模モデルを構築する核心的なロジックは成り立ちません。問題は技術が難しいかどうかではなく――自前でモデルを構築すれば、初日からすでに後れを取る。
商用大規模モデルの反復は月単位で進み、今日200万かけて調達したハードウェアと展開したモデルは、半年後にはより強力な次世代版に追い抜かれている可能性が高い。一方で学校の設備はモデルの進化に合わせて自動更新できず、学生が長期間使い続けるのはある時点で「凍結」されたAI能力であり、業界とも市場とも、卒業後に実際に使うツールとも乖離してしまう。
vDisk プラットフォームの考え方は、学校を常に業界最良の商用大規模モデルへ接続させ続けることにあります。バックエンドでモデルを切り替えてもフロントエンドは無感知。授業の知識項目や育成目標は教師が決定しますが、ツール層は常に主流のプラクティスと同期。これは技術力への妥協ではなく、教育目標を実現する最も現実的な道筋です。
AI 教育の真の競争力は、どれほど大きなモデルを導入したかではなく、学生が実際の業務シーンで AI を効果的に使いこなせるようになっているかどうかにあります。
自社構築 vs. API 接続：主要な観点の比較
| 次元 | 自前のAIサーバー | vDisk API 接続 |
|---|---|---|
| 初期ハードウェアコスト | 200万～300万元から | ほぼ 0 円 |
| 導入サイクル | 数か月 | 数日 |
| モデルの更新方法 | ハードウェアの再調達 | 管理画面からワンクリック切替 |
| モデルの能力レベル | 固定バージョンで次第に陳腐化 | 常に最新の商用モデルに接続 |
| 運用保守要件 | 専任の AI エンジニアが必要 | 既存サーバールームの運用だけでOK |
| コストの予測可能性 | 一括の大型購入＋継続的なメンテナンス | Token 課金で、上限を制御可能 |
| 学生の利用体験 | 自前で構成が必要、ハードルが高い | 電源を入れればすぐ使える、設定不要 |
2026 年、いま
教室にある見えない壁
これは生徒の問題でも教師の問題でもありません。ツールと時代との間に断層が生じているのです。
生徒の声
迷い・抵抗・消耗
「なぜVB6を学ぶ必要があるのか？今どきどの企業がまだ使っているのか？」
「授業では for ループを手で打ち、寮に戻ってスマホを開けば、すべて AI がワンタップでコード生成――これは二つの世界だ。」
「VC++ を学んで Hello World は書けるようになったけど、就職活動では履歴書に何を書けばいいのかすら分からなかった。」
「学びたくないわけじゃない、これを学ぶ意味が分からないだけなんだ。」
悪循環
先生の声
疲弊・無力感・消極的
「今どきの生徒は学びたがらない、教科書より携帯を手に取る回数の方が多い。」
「基礎が固まらないうちに、歩く前から走ろうとする。」
「世間が AI を使っているのは分かる。でも試験範囲はこれだけ。どうしろと？」
「授業の雰囲気はどんどん悪くなり、教える情熱も次第に失われていく。」
生徒の感想
学んでも役に立たない
学んでも役に立たない
授業への参加度
継続的な低下
継続的な低下
先生の声
生徒が学習に消極的
生徒が学習に消極的
そのまま継続利用
古い教材コンテンツ
古い教材コンテンツ
本当の問題は態度ではなく、ツールである
授業では VC 6.0 や VB6 を使い、生徒のスマホでは Cursor がワンクリックでプロジェクトを生成し、Claude Code が対話でコードベース全体を作り直している。この認識のギャップは「学習態度を改める」だけでは埋まりません。本当に効果的なのは2026年に実際に使われている本物のツールを教室へ、生徒が最初の授業から「これは社会に出ても本当に使える」と実感できることです。
最初から Transformer の原理や誤差逆伝播、活性化関数を教える必要もありません。それは大学院生やアルゴリズムエンジニアの課題です。大多数の学生にとって、 まず使いこなし、効果を出し、ポジティブなフィードバックを築くことこそ、すべての出発点です。 基礎原理は、興味が湧いた後に自然と探究していけばよい。
実践導入ガイド
Cursor · Claude Code · Codex
PC教室の実践構築フロー全体
この 3 つのツールは、2026 年にエンジニアと学生が最も頻繁に使う AI コーディングアシスタントです。これらを機材室に導入し、学生が授業から実世界のツールを使い始められるようにします。
Cursor
教室に最も適したAIプログラミングIDEVS Code をベースに大幅に改良し、AI チャット、コード補完、ファイル全体の修正、Composer による複数ファイル連携を内蔵。ツールを切り替えずにコードを書きながら AI とやり取りでき、導入のハードルは極めて低くなっています。
Claude Code
ターミナル内のAIコーディングエージェントAnthropic が提供するコマンドライン AI プログラミングツールで、プロジェクトディレクトリの直接操作、ファイルの読み書き、コマンドの実行、コードのコミットが可能です。コンピューター専攻の上級学生が、本物の AI 協働開発フローを体験するのに最適です。
GitHub Copilot / Codex
最も広く使われているAIコード補完VS Code プラグイン形式で、インラインコード補完、関数生成、コメントからコードへの変換に対応。互換性が高く、ほぼすべてのプログラミング言語をサポートし、初心者にとって最もスムーズな AI 入門方法です。
01
Cursor ・ マシン室導入とAPI設定
導入手順
-
イメージマーケットに登録
vDisk 管理端のイメージマーケットで Cursor がプリインストールされた授業用イメージを選ぶか、ベースイメージに Cursor をインストールしてスナップショットを作成し、教室内の全端末へ一括配信してバージョンの統一を確保します。
-
統一 API ゲートウェイを設定
Cursor を開く →
Settings → Models → OpenAI API Key、学校が一括配布したKeyを入力します。Override OpenAI Base URLに vDisk の OpenAI 互換ゲートウェイのアドレスを入力します。以後、Cursor のすべての AI リクエストは学校のゲートウェイを経由して接続先の LLM に送られます。 -
プロジェクトディレクトリをネットワークディスクに指定
Cursor のワークスペース（Workspace）を vDisk ネットワークディスクのドライブ文字（例：
D:\projects\）。vDiskネットワークディスクは各学生がログイン後に個別にマウントされる個人ディスク、D:ドライブ自体が現在ログイン中の学生だけに属するため、学籍番号ごとにサブディレクトリを作って区別する必要はありません。すべてのコードファイル、対話履歴（.cursorディレクトリ）はリアルタイムでサーバーに保存され、次の授業ではそのまま開くだけで、前回の進捗とAI対話のコンテキストが完全に引き継がれます。
API設定の例
Cursor Settings → Models
OpenAI API Key sk-school-xxxxxxxxxxxxxxxx Override Base URL https://ai.school.edu.cn/v1 Model deepseek-chat # または gpt-4o / qwen-max # 生徒は LLM のアカウント登録不要 # 認証と計量は学校のゲートウェイが一括処理 # トークン超過時は自動で通知、追加費用なし
会話履歴の保存パス（ネットワークディスク）
# D: はログイン後に生徒ごとにマウントされる個人専用ドライブ # 学籍番号のサブフォルダは不要、D: 自体が現在の生徒専用 D:\projects\ # 個人ディスク直下にプロジェクトを作成 ├─ .cursor\ # AI 対話履歴 ← 自動保存 │ └─ chat-history\ ├─ src\ # コードファイル ← サーバーへリアルタイム書き込み └─ README.md
指導アドバイス：学生の最初の授業の課題を、Cursor + AIとの対話を使って、本物の小さなプロジェクトをゼロから動かすこと——20行のHello Worldをまず写すのではなく——にしましょう。学生が初めて、AIが自分の意図を理解し関数全体を自動補完するのを目にした瞬間、授業の雰囲気は一変します。
02
Claude Code · ターミナル展開とプロキシ設定
導入手順
-
Node.js と Claude Code のインストール
PC教室イメージにNode.js（LTS版推奨）を事前インストールした後、実行します
npm install -g @anthropic-ai/claude-code。このステップをイメージ作成フローに組み込み、授業中の学生操作に時間を取られないようにすることを推奨します。 -
APIプロキシ環境変数を設定
vDisk ゲートウェイは OpenAI 互換プロトコルを提供するため、システム環境変数（またはログオンスクリプト）でプロキシの向き先を設定し、Claude Code のリクエストを学校の統一ゲートウェイ経由で転送する必要があります。ユーザーのログオン時に GPO またはログオンスクリプトで一括配信でき、学生のログオン後に自動的に有効化され、手動設定は不要です。
-
プロジェクトディレクトリとセッションの永続化
学生をガイドして入室
D:\projects\my-projectディレクトリに移動してから Claude Code を起動(claudeコマンド)。vDisk ネットワークディスクは各生徒にログイン後に個別マウントされる個人ディスク、D: は自然に分離され互いに見えないため、学籍番号サブディレクトリは不要です。Claude Code は現在のディレクトリ内の全ファイルをコンテキストとして読み込み、会話履歴とファイル変更はリアルタイムでディスクに保存されるため、別のマシンでログインしてもプロジェクトの状態は完全に一致します。
環境変数の設定（ログインスクリプトで一括配信）
Windowsログオンスクリプト／ユーザー環境変数
# GPO または vDisk ポリシーで一括配信 ANTHROPIC_API_KEY = sk-school-xxxxxxxxxxxxxxxx ANTHROPIC_BASE_URL = https://ai.school.edu.cn/v1 CLAUDE_CODE_MAX_OUTPUT = 8192 # 生徒はターミナルを開いてそのまま実行： # cd D:\projects\my-project # claude # 追加設定なしで AI プログラミングを開始
Claude Code はプロジェクトディレクトリ全体を直接読み取り、コード構造を理解したうえで対話形式での修正を行えます。高学年の学生が「AI に実際のプロジェクトを任せる」という一連の流れを体験するのに適しており——これは現在、企業のエンジニアが行う最もリアルな AI コラボレーションの一つです。
03
VS Code + GitHub Copilot · 最も手軽な入門プラン
導入手順
-
イメージにVS Codeと拡張機能をプリインストール
イメージに VS Code と GitHub Copilot 拡張機能をプリインストール（
GitHub.copilot）。別のモデルを使う場合は、OpenAI 互換プロトコル対応のサードパーティ製 Copilot 代替プラグイン（Continue、Codeium など）を入れ、学校のゲートウェイを指定します。 -
OpenAI互換プロキシを設定する（Continueプラグインを例に）
VS Code に Continue 拡張機能をインストールした後、その設定ファイルを開きます
~/.continue/config.json、学校のゲートウェイアドレスと Key を入力します。学生は VS Code を開くだけで、エディターのサイドバーで直接 AI と対話したり、インラインのコード補完を呼び出したりできます。 -
ワークスペースをネットワークディスクに設定
VS Code の Workspace フォルダーを直接
D:\projects\だけで十分です。vDisk ネットワークディスクは各生徒に個人専用マウントドライブはログイン時に接続、ログアウト時に切断され、D: は現在の学生だけに帰属するため、学籍番号でサブディレクトリを作る必要はありません。Continue プラグインの会話インデックスと履歴はプロジェクトディレクトリ配下に保存され、リアルタイムでディスクに書き込まれるため、デバイス間・授業回間でシームレスに継続できます。
Continueプラグインの設定例
~/.continue/config.json
{
"models": [
{
"title": 「学校 AI ゲートウェイ」,
"provider": "openai",
"model": "deepseek-chat",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
],
"tabAutocompleteModel": {
"title": 「自動補完」,
"provider": "openai",
"model": "deepseek-coder",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
}
04
セッション記録の統一保存：vDisk ネットワークディスクの完全ソリューション
AI プログラミングツールの最大の価値の一つは文脈の継続です。AI が前回の作業を覚えているので、毎回説明し直す必要がありません。そしてそのすべては会話履歴ファイルを統一ストレージに永続化、ローカルの一時ディレクトリにのみ存在するのではなく。
統一されたディレクトリ構造規約
# D: はログイン後に生徒ごとにマウントされる個人専用ドライブ # ログインでマウント、ログオフでアンマウント、他人からは見えない D:\ ← 学生個人用 vDisk ネットワークディスク ├─ .cursor\ ← Cursor の会話履歴 │ ├─ chat\ │ └─ composer\ ├─ .continue\ ← VS Code Continue の履歴 ├─ claude-sessions\ ← Claude Code セッション概要 └─ projects\ ├─ week01\ ← 第1週の授業プロジェクト ├─ week02\ └─ final\ ← 期末プロジェクト
授業をまたいで継続できる実効果
- 第 1 課 生徒がAIと対話してプロジェクトの骨組みを作り、AIがプロジェクトの背景を理解します。
- 第 2 課 同じワークスペースを開くとAIが自動でコンテキストを復元し、前回の授業の機能開発をそのまま続けられます。
- 第 N 課 学期全体の AI 対話とコードの変遷が完全に保存され、期末には学習の軌跡をすべて遡って確認できます。
- 別のマシンに切り替え ネットワークディスクにログインすれば、どのマシンでも同じワークスペースを開け、履歴も完全に保持されます。
教師にとっての付加価値
- 生徒の AI 対話履歴を確認し、学習の思考過程を把握
- 生徒が能動的に探究しているのか、AIの出力をそのまま流用しているのかを評価します
- 対話記録は形成的評価の一部として活用可能
- 生徒に共通するつまずきを発見し、授業のペースを的確に調整
05
教師による AI プログラミング授業の設計法：「ツールを教える」から「ツールで実際の問題を解決する」へ。
従来型の教室
VC/VB6 の文法を教え、教科書のサンプルコードを書き写す
学生に API パラメータの順序を暗記させる
デバッグは目視頼み、見つからなければ諦める
課題：ソートアルゴリズムを手書きで実装
AI ツール授業
Cursor と対話しながら、実際のニーズから最初の Python スクリプトを書く
AIにAPIを解説させ、学生は形式の暗記ではなくロジックの理解に集中できる
エラーを AI に貼り付け、「問題をどう説明するか」という核心スキルを学ぶ
課題：AIで3種類のソート実装を生成し、性能を比較して分析レポートを書く
中核となる転換：AI プログラミング授業の目標は、「ある特定のツールのすべての機能を学生に教える」ことではなく、学生にAIと協働して実際のタスクを完遂する能力——問題をどう記述するか、AI の出力をどう評価するか、AI の助けを借りてどう継続的に改善するか。これこそが 2026 年のあらゆる職場が必要とする能力です。
学生の課題スペース
スクリーンショットで評価 ・ ファイルで提出 ・ ネットドライブで保管
vDisk 教学スペースに統合された生徒用ツール——課題の作成から提出まで AI が全工程に関与し、データは一貫してディスクに保存されます。
生徒側ワークフロー：AI支援による課題提出の一連の流れ
学生は Cursor、VS Code、または任意の AI ツールで段階的な作業を終えた後、作業領域を離れることなく、そのまま教学スペース内で完了できます。スクリーンショット評価とファイル提出2つのアクション——AIが即座にフィードバックし、教師は提出記録を同時に受信。
AIツール内でコード／作品を完成させる
Cursor · VS Code · 任意のツール
現在の画面をスクリーンショット
ワンクリックでキャプチャ、範囲選択に対応
AI モデルによる自動評価
大規模モデルへ送信 → 採点とフィードバックを生成
結果をネットワークディスクに保存
スクリーンショット + 評価結果 → D:\assignments\
添付ファイルも一緒に提出
コードファイル・レポート・プロジェクト圧縮ファイル
教師側でリアルタイムに提出を受信
スクリーンショット表示 · AI 採点 · 元ファイル
スクリーンショット → AI評価 → 数値の成績
コアケイパビリティ学生が現在の作業画面（コード・実行結果・デザイン案いずれも可）をスクリーンショットし、課題要件とともに大規模モデルに送信します。モデルはあらかじめ設定された評価軸（正確性・コーディング規約・論理の明瞭さ・完成度など）に基づいて生成します。構造化された採点と文章フィードバック、学生は即座に確認でき、教師側も同期して記録します。
正確性
完成度
コーディング規約
明快なロジック
評価軸は教師が課題出題時にカスタマイズし、AIが軸ごとに採点して改善提案を行いますが、教師の最終評定に取って代わるものではありません。
実ファイルの提出
アーカイブ保証スクリーンショットによる評価に加えて、学生は実際のプロジェクトファイル（ソースコード、レポート文書、データファイル、アーカイブなど）もあわせて提出できます。ファイルは vDisk ネットワークディスクの課題ディレクトリから直接選択でき、追加のアップロードは不要です。教師側は統一された課題パネルで各学生の提出状況とファイル内容を確認できます。
- ソースコードファイル (.py / .js / .java…)
- 実験レポート (.docx / .pdf)
- 完全なプロジェクトアーカイブ
- スクリーンショット + AI評価結果（自動添付）
vDiskネットワークドライブ ・ 課題保存のディレクトリ構造
作業スペースのすべてのデータ——スクリーンショット、AI評価結果、提出ファイル——は、すべてvDiskネットワークディスクの標準化されたディレクトリに保存され、リアルタイムでディスクに書き込まれるため、教師も学生もいつでも履歴を確認できます。
D:\assignments\ ← 学生個人用 vDisk ネットワークディスク
# D: は各生徒専用の個人ディスクで、自然に分離されており、学籍番号のサブディレクトリは不要です D:\assignments\ ← 個人ディスク直下に課題フォルダを作成 ├─ week03_課題1\ │ ├─ screenshot.png ← スクリーンショット原画 │ ├─ ai_eval.json ← AIスコアリング結果（構造化） │ ├─ ai_feedback.md ← AI テキストフィードバック │ └─ main.py ← 提出されたソースコード ├─ week05_課題2\ │ ├─ screenshot.png │ ├─ ai_eval.json │ └─ project.zip ← プロジェクト圧縮ファイル └─ final_project\ ├─ screenshot.png ├─ ai_eval.json ├─ report.pdf └─ src\ ← プロジェクト完全ソースコード
リアルタイムディスク書き込み
スクリーンショットの撮影、AI評価の生成、ファイルの選択をした瞬間にデータはネットワークディスクサーバーへ書き込まれ、ローカルキャッシュに依存せず、シャットダウンしても失われません。
履歴を遡及可能
学期を通じて各課題のスクリーンショットと評価記録を完全に保持し、期末には学生の AI 支援学習の全過程レポートを生成して、形成的評価の根拠とできます。
権限分離
各生徒は自分の課題ディレクトリのみ閲覧でき、教師側はクラス全生徒のディレクトリに読み取り専用権限を持ちます。相互に干渉せず、データも安全です。
一括エクスポート
教師はクラス全員の課題ファイルとAI評価結果をワンクリックで書き出し、標準フォーマットに整理でき、一括採点と成績集計に対応します。
AI評価はどのように機能するのか？
1
教師が事前設定する評価基準
教師は課題を出す際に評価項目（「コードが動くか」「課題要件を満たすか」「論理構成が明確か」など）と重みを設定し、構造化された採点用 Prompt テンプレートを作成します。以後の提出物にはすべてこのテンプレートが自動で適用されます。
2
生徒のスクリーンショットで評価を起動
生徒が教育スペースで「スクリーンショット評価」をクリックすると、システムが現在の画面をキャプチャし、教師が設定した評価テンプレートと一緒に画像理解対応モデル（DeepSeek-VL、GPT-4o など）に送ります。
3
モデルが構造化されたスコアを出力
大規模モデルがスクリーンショットの内容を分析し、評価軸ごとに項目別に採点し、文章による改善提案を生成。結果は構造化されたJSON形式（各評価軸のスコア・総合点・フィードバック要約を含む）で返されます。学生は画面上で可視化された採点結果を即座に確認できます。
4
結果をネットワークドライブに保存し、教員へ配信
AI 評価結果は学生のネットワークディスク内の該当する課題ディレクトリ（ai_eval.json + ai_feedback.md）に自動的に書き込まれると同時に、その学生が提出を完了したことが教師側に通知されます。教師は AI の採点を人手で確認・調整し、最終成績の根拠とすることができます。
学生にとっての価値
- AIフィードバックを即座に得られ、教師の採点を待たずに問題点が分かります。
- 複数回スクリーンショットで評価を受け、自己改善してから正式提出
- 過去の課題とAI評価をすべて保存し、学期末に成長の軌跡を丸ごと振り返れます。
- 提出フローはシンプル。使い慣れた作業環境で1ステップで完了し、プラットフォームを切り替える必要はありません。
教師にとっての価値
- AI が一次採点を行い、教師は確認と踏み込んだフィードバックに集中。採点効率が大きく向上します
- スクリーンショット＋ファイル＋AI採点を三位一体で統合、課題評価の情報が完全
- クラス全体の AI 採点分布が一目で分かり、重点的な指導が必要な生徒をすばやく特定できます。
- 形成的評価をデータで裏付け、期末試験のみに頼らない
Token の使用量管理
統一アカウント体系のもとでのクォータ割り当て・使用量監視・モデルスケジューリング——AI リソースの利用を完全にコントロール下に置きます
なぜトークンを一元管理する必要があるのか？
生徒は学校の統一ゲートウェイ経由で LLM を呼び出し、リクエストごとにトークンを消費します。管理しなければ、一部のヘビーユーザーが資源を占有し、大多数の生徒の体験が悪化します。管理者も実際の利用状況が分からず、次学期の割り当て計画も立てられません。
トークン使用量管理の目的は生徒の AI 利用を制限することではなく、すべての生徒が安定し公平なAI利用枠を得られます、同時に教師と管理者が全体の資源消費を明確に把握・管理できるようにすることです。
生徒アカウント
Token リクエスト
vDisk ゲートウェイ
クォータ検証 · 計量 · ルーティング
クォータ検証 · 計量 · ルーティング
大規模モデルへ転送
クラウド大規模モデル API
個人ごとのクォータ割り当て
生徒アカウントごとに Token 枠を個別に設定でき、授業回・週・学期の単位で設定可能です。枠を使い切るとリクエストは自動的に停止し、生徒に通知が届き、教師はワンクリックで追加できます。特定の高頻度ユーザーが全体のリソースを占有するのを防ぎます。
リアルタイム利用量ダッシュボード
教師や管理者は管理画面で、クラス全体の消費トレンド、学生ごとの使用量ランキング、各授業のToken分布ヒートマップを確認できます。データはリアルタイムで更新され、使用量の異常（極端に高い／低い）は自動でマークされ、迅速な介入が可能です。
残量アラートのプッシュ通知
クラス全体の残量しきい値を設定し、利用可能枠が警告ラインを下回ると、担当教員と管理者に自動で通知をプッシュします。リソースの傾向を事前に把握して余裕をもって補充でき、枠の枯渇で授業の連続性が損なわれることはありません。
モデルのオンデマンド割り当て
授業ごとに異なるモデルを設定できます。日常のコード補完は軽量・高速モデル、深い分析や設計はフラッグシップモデル。同じ生徒アカウントでも場面に応じて自動で振り分け、応答速度と効率を両立します。
使用量レポートのエクスポート
クラス別・科目別・期間別に Token 使用明細を出力でき、形式は一般的な表計算ツールと互換性があります。レポートは学期末の資源の振り返り、次学期の枠計画、学校の情報化部門へ提出する利用状況のまとめなどに活用できます。
クラス別 / 講座別の分離
同一校内の異なるクラスや科目ごとに独立した Token プールを設定でき、相互に影響しません。A クラスの使用量が超過しても B クラスの通常利用には影響せず、教師は重点科目に対して個別に十分な枠を割り当てることもでき、異なる授業強度に柔軟に対応できます。
トークンデータ + プロンプト分析
学生のAI利用プロセスを教育上の洞察に変える
AI 教育の最大の副次的成果は、生徒が AI と対話するたびに、定量化可能な学習状況データが残ることです
データ密度:従来の授業 vs AI 授業
従来の授業で得られる学習状況のシグナル
- 出席率（勤怠）
- 課題提出率と採点
- 中間 / 期末試験の成績
- 授業中の発問（参加者は少数）
信号が少なく、遅延があり、カバー範囲が狭い
AI 授業が追加で生み出す学習状況シグナル
- 1 人 1 回あたりの Token 消費量
- 対話ターン数（マルチターン vs 単発クエリ）
- プロンプトのキーワードと意味解析
- タスク完遂におけるトークン効率の比較
- コードファイルのイテレーション回数と修正頻度
- 高頻度のエラータイプ（エラー説明から推定）
リアルタイム、全員をカバーし、思考プロセスを可視化
一つの重要な洞察
学生がAIとやり取りする際、Promptの質はその学生の思考の明晰さと知識の習得度。「プログラムを書いて」としか言えない生徒と、要件や境界条件を正確に説明できる生徒は、まったく異なる学習段階にいます。この差は従来の試験ではほとんど数値化できません。
Tokenの使用量もまた学習エンゲージメントの代理指標：主体的に探究する生徒は質問・修正・発展を続け、受け身の生徒は最初の答えだけを取ってそれ以上やり取りしません。二つの学び方はデータ上で明確に見えます。
4つの観点による学習状況分析
01
プロンプト品質分析
学生の問題記述能力を評価する
⚠ 低品質な Prompt
"コードを書いてください"
"これはどうやってやるの？"
"エラーが発生したらどうすればいいですか？"
コンテキスト不足で、要件が整理しきれていない可能性
✓ 高品質なプロンプト
"PythonでCSVを読み込み、3列目でソートするスクリプトを実装し、空値を処理する必要があります"
"このコードは同時アクセス時にスレッドセーフの問題がありますか？"
意図を正確に表現でき、基本的な概念の枠組みを習得している
質の低い Prompt を出し続ける生徒には、「技術的な問題の説明の仕方」を重点的に練習させる
02
トークン消費パターン分析
学習の深さと取り組み度を数値化
⚠ 極めて低い消費量
1 コマの授業で送信するのはわずか 2〜3 件
一度の対話でウィンドウを閉じる
実質的に関与していない、または AI の出力をコピーしただけの可能性がある
✓ 消費量は健全
複数ターンの対話で、細部を継続的に深掘り
同じ問題を異なる角度から繰り返し探求
主体的な学習行動。AI を思考の道具として深く活用
使用量が極端に少ない生徒は授業中に「隠れ離脱」している可能性があり、教師の働きかけが必要
03
クラスのホットなPromptのクラスタリング
共通のつまずきを発見し、授業のペースを調整
→ 高頻度のエラーキーワード
「ImportError」「undefined」「null pointer」
「この構文はどう書く？」「なぜ動かない？」
ある知識ポイントの説明が不十分、あるいは説明方法の効果が芳しくない
↑ クラスの想定を超える探究
多くの学生が自発的にアーキテクチャ設計の質問をし始める
カリキュラム範囲を超えた自主的な発展学習
このクラスは次のモジュールへ少し早めに進んでよい
クラスター分析により、毎回の授業後に「この授業で生徒が最もつまずいた 5 種類の問題」の要約を自動生成し、授業準備に役立てます
04
コードイテレーションの追跡
学生の実際のプログラミング能力の成長を評価
⚠ 低頻度更新の挙動
一度生成したらそのまま提出し、一切修正しない
毎回まったく異なる質問で、連続性がない
AIの出力をそのまま流用しており、自主的な理解に至っていない可能性があります
✓ 高頻度な反復処理
複数の変更履歴を持つコードファイル
同じプロジェクトを段階的に作り込み、機能を継続的に追加
AIを補助ツールとして活用し、主体的にプロジェクトを進める
vDiskネットワークディスクのファイル変更履歴と組み合わせることで、学生の1学期を通じたコード成長の軌跡を追跡できる
プライバシーとコンプライアンスの説明
学習状況分析は匿名化された利用量統計とキーワードクラスタリングに基づいており、その中核原則は：学生を監視するためではなく、授業を支援するため。コース開始前に学生へデータ収集の範囲を説明し、分析結果は評価・採点の直接的な根拠ではなく、授業設計の改善に活用することを推奨します。
- データは学内サーバーに保存され、学内ネットワークから出ない
- 対話内容は教師のみ閲覧可能、管理者は集計データを閲覧
- 学生は自分の利用履歴を確認できる
- 学期終了後、元の対話記録は必要に応じて削除可能
よくある質問
当校には GPU サーバーがありませんが、接続できますか？
もちろん可能です。vDisk AI 教育プラットフォームの基本は「推論はクラウド、管理は学内」。大規模モデルの計算は各社のクラウドで行われ、学内には普通の業務サーバーが 1 台あれば、アカウント認証、トークンのルーティングと計量を担えます。GPU も高性能計算資源も不要です。
コンピュータ専攻でない学部に、AI 教育を導入する必要はありますか？
これは私たちが最も真剣に取り組むべき問題だと考えています。情報管理学科、経営学部、法学部、ジャーナリズム学科、理工系実験科目…これらの専攻の学生は、将来それぞれの職場でAIツールを多用することになります。AIを使いこなすことは、Excelやメール作成と同様に基本的な仕事能力です。学生が授業の中で使用習慣と評価能力を早期に身につければ身につけるほど、競争優位性が高まります。
生徒が AI で宿題をズルしないか？授業の管理はどう担保するのか？
AI 教育を進めるどの学校も直面する問題です。プラットフォームは対話履歴と学習過程を記録し、教師は各生徒の AI 利用記録を確認して、主体的に探究しているのか受け身で写しているのかを把握できます。さらに、AI の出力を評価・修正・批判させるなど授業設計を工夫すれば、AI は「カンニングの道具」から「思考訓練の道具」に変わります。
どの大規模モデルに対応？いつでも切替できる？
現在接続できる主要 LLM には DeepSeek、ERNIE、Qwen、GLM、Doubao、Spark、Hunyuan、Kimi などがあります。管理画面で学校ごとに柔軟に設定し、いつでもバックエンドのモデルを切り替えられます。授業側の画面は変わらず、生徒は意識しません。より強力なモデルが出れば、すぐに生徒に使わせられます。
月額費用はおおよそいくらですか？
費用は主にトークンの消費量で決まり、実際の使用量に応じて課金されます。プラットフォームはユーザーごとのトークン上限の設定をサポートしています。管理者はコース開始前に使用量を見積もり、上限を設定することで、全体の費用を予算内に抑えることができます。通常、自社で大規模モデルを構築する場合のハードウェアと運用コストと比較して、API 接続の総合コストは 95% 以上削減できます。具体的な見積もりは、コンピュータラボの規模とコース数に基づいてお問い合わせください。
このソリューションは市場の他の AI 教育製品と何が違いますか？
vDisk AI 教育プラットフォームは独立した AI アプリではなく、澄成 vDisk 統合クラウド管理プラットフォーム上に深く組み込まれた機能群です。教室端末管理、イメージ配信、ネットワークディスク、時間割連動、IoT 機器制御と完全につながった「運用できる AI 教育基盤」であり、別途保守が必要な孤立システムではありません。
今学期、AI を本当に教室へ
学部・学科の責任者、担当教員、学校の IT 管理者のいずれであっても、ぜひお問い合わせください。貴校の実情に即した導入プランと費用試算をご提供します。