こんにちは、株式会社TIMEWELLの濱本 隆太です。
総合的な探究の時間で先生方からいちばん多く受ける相談が、テーマ設定です。「AIや先端科学で探究をやらせたいけれど、生徒が何を問えばいいのかわからない」「面白そうなテーマを出しても、結局AIに聞いて終わってしまう」。この記事は、そうした悩みを持つ高校の先生に向けて、AIと先端科学を題材にした探究テーマを50個、分野別の表にまとめたものです。生命科学、数学・物理、ロボティクス、社会課題、地域、倫理の6分野に分けています。ただテーマを並べるだけでは授業になりません。良い問いと悪い問いの違い、分野ごとの問いの立て方、そしてAIに丸投げさせないための指導の工夫まで、そのまま設計に使える形で書きました。
先に、この記事の土台になっている考え方を3つに整理します。
- 探究のテーマは「調べれば出てくる問い」ではなく、一次情報やデータで検証できて、生徒自身の生き方や地域につながる問いにする
- 先端科学（AlphaFold3、ゲノム解析AI、数学オリンピックでのAI、フィジカルAIなど）は開発元や公的機関が一次情報を公開しているので、入口を身近にすれば高校生でも扱える
- AIは探究の相棒として全段階で使えるが、「AIに任せる部分」と「生徒が担う部分」を先に線引きすれば丸投げは防げる
総合的な探究の時間は、平成30年告示の高等学校学習指導要領で標準3〜6単位の必履修科目として位置づけられました^1。その目標には「実社会や実生活と自己との関わりから問いを見いだし、自分で課題を立て、情報を集め、整理・分析して、まとめ・表現する」という探究のプロセスがそのまま書き込まれています^1。テーマ選びは、この「問いを見いだす」段階の設計そのものです。ここを外すと、あとの情報収集も分析も空回りします。まず先生自身が今どこまでAIを授業に取り入れられそうか気になる方は、AIリテラシー診断で現在地を測ってからテーマ設計に入るのも一つの手です。
良い探究テーマと悪い探究テーマの分かれ目
50個のテーマに入る前に、いちばん大事な話をします。テーマ集を渡すと、生徒はどうしても「かっこよさそうな話題」を選びがちです。けれど探究の成否は、話題の派手さではなく問いの質で決まります。私が学校の先生と一緒にテーマを磨くとき、必ず二つの物差しを使います。検証可能性と、自分ごと性です。
検証可能性とは、その問いがデータや一次情報で確かめられるかどうかです。「AIは人類にとって善か悪か」という問いは、一見すると立派ですが、高校生が3か月で検証できる範囲を完全に超えています。答えが出ないまま、それらしい一般論をAIに書かせて終わります。一方で「自校のAI利用ルールを生徒100人に聞き、賛否の理由を分類して、納得できる線引きを提案する」なら、アンケートという手触りのあるデータで検証できます。
自分ごと性とは、その問いが生徒自身の生き方や、暮らす地域に接続しているかどうかです。学習指導要領の目標が「自己の在り方生き方を考えながら」と書いているのは、この点を指しています^1。他人事の問いは、いくら調べても心が動きません。逆に、自分の進路や地元の課題に引きつけた瞬間、生徒は勝手に前のめりになります。
この二つの物差しで、よくある悪い問いを良い問いへ磨き直すと、次のようになります。
| 磨く観点 | 悪い問いの例 | 良い問いへの磨き方 |
|---|---|---|
| 検証可能性 | AIは人類にとって善か悪か | 自校のAI利用ルールを生徒100人に聞き、賛否の理由を分類して線引きを提案する |
| 一次情報の有無 | AlphaFoldとは何か | 公式の説明を読み、地元の病院で使う薬を1つ選んで開発期間の短縮幅を仮説として出す |
| 自分ごと性 | AIで仕事はなくなるのか | 自分がなりたい職業が10年後に残るかを、根拠となるデータを集めて予測する |
| 問いの大きさ | AIと社会について | 学校の掃除のうち、現実世界で動くAIに任せられる作業とそうでない作業を仕分ける |
| 立場の表明 | AIの倫理について | 生成AIの学習データに使われた作品に対価は必要か、賛否両論を集めて自分の立場を述べる |
表の右側に共通しているのは、答えが一つに定まらず、生徒が現地に行ったり人に聞いたりしないと進めない構造になっている点です。この構造こそが、AIに丸投げできない問いの正体です。以降の50テーマは、すべてこの発想で組み立てています。番号は通し番号なので、学年やクラスの興味に合わせて拾ってください。
生命科学×AIの探究テーマ
生命科学は、AIが研究のやり方を最も劇的に変えた分野です。2024年のノーベル化学賞は、AIでタンパク質の構造を予測したデミス・ハサビス氏とジョン・ジャンパー氏、そして計算でタンパク質を設計したデビッド・ベイカー氏に贈られました[^2]。従来は数年かかったタンパク質の形の決定が、数分で高精度に予測できるようになったのです。2024年5月に公開されたAlphaFold3は、タンパク質だけでなくDNAやRNA、薬の分子との相互作用まで予測できると開発元が説明しています[^3]。ゲノムの側では、生命の三界にまたがる12万8千超のゲノムを学習したEvo 2が、乳がん関連遺伝子BRCA1の変異について良性か病的かを9割超の精度で判別したと報告されています[^4]。
| # | 探究の問い | 検証・一次情報の入口 |
|---|---|---|
| 1 | AIが「タンパク質の形」を予測できると、身近な医薬品の開発は何がどう変わるのか | 地元の病院や薬局で使う薬を1つ選び、承認までの年数を調べて仮説を立てる |
| 2 | ゲノム解析AIで「病気になりやすい変異」がわかると、健康診断はどう変わるべきか | 高校生100人にメリットと不安をアンケートし、賛否を分類する |
| 3 | 2024年のノーベル化学賞がAIのタンパク質研究に贈られた理由を中学生に説明できるか | 受賞理由の公式発表を読み、平易な言葉に翻訳し直す |
| 4 | AIが新しいタンパク質を設計できるなら、アレルギーを起こしにくい食品は作れるか | 身近な食品のアレルギー表示を集め、実現可能性を考える |
| 5 | AIが薬の候補分子を提案する時代に、なぜ人間の臨床試験は省略できないのか | 省略した場合のリスクを調べ、AIに任せてよい工程との線引きを描く |
| 6 | 教科書に載る「タンパク質の構造」を無料の予測ツールで可視化すると何が見えるか | 実際に構造を表示させ、教科書の図との違いを比較する |
| 7 | AIの判別精度は何%あれば医療現場で使ってよいのか | 自分なりの合格ラインを決め、根拠を述べて先生や医療者に意見を求める |
| 8 | 地域の農作物の品種改良にゲノム解析AIを使うと何年短縮できそうか | 農家や農協に取材し、従来の育種と比較する |
| 9 | AIが生命の設計図を書けるとき、「作ってはいけない生物」の線引きは誰が決めるべきか | 国内外の規制やガイドラインを調べ、自分の提案をまとめる |
このテーブルで問いを立てるコツは、最先端の成果を必ず身近な対象に着地させることです。「AlphaFoldはすごい」で止めると感想文になります。地元の病院で使う薬、家の食品表示、地域の農産物というように、生徒が実物を確認できる対象を一つ選ばせると、抽象的な話題が一気に探究になります。
AIに丸投げさせない工夫としては、生徒に必ず「AIの説明が本当かを一次情報で確かめる」一手を課すことです。AlphaFold3もEvo 2も、開発元が公式ブログや論文で性能を公開しています。AIに「AlphaFoldとは」と聞くのは調べ物であって探究ではありません。公式の数字を自分の目で確認し、その数字を使って地元の題材で仮説を立てるところまでを生徒の仕事にすれば、AIは下調べの相棒に収まります。
数学・物理×AIの探究テーマ
数学や物理は、暗記科目ではないぶん探究テーマにしにくいと敬遠されがちです。ところがAIの進歩は、この分野にこそ刺激的な問いを生んでいます。世界最難関の数学問題を集めたベンチマークFrontierMathでは、公開当初は主要なAIがいずれも2%未満しか解けませんでしたが、その後わずか数か月で正答率が2割超まで伸びました[^5]。2025年7月には、グーグル・ディープマインドのモデルが国際数学オリンピックで42点満点中35点を取り、主催者に金メダル基準と公式認定されています[^6]。さらに同社のAlphaEvolveは、300年以上研究されてきた幾何の難問で記録を更新するなど、人間が破れなかった数学の最良解を塗り替え始めました[^7]。
| # | 探究の問い | 検証・一次情報の入口 |
|---|---|---|
| 10 | 最難関の数学問題でAIの正答率が数か月で急伸した。この伸びは続くのか頭打ちか | 公開された正答率をグラフ化し、自分で今後を予測する |
| 11 | AIの数学オリンピック金メダルで「公式認定」と「自己申告」は何が違うのか | 開発元の発表を読み比べ、認定の有無を区別して説明する |
| 12 | AIが数学の記録を更新した今、人間の数学者の役割はどう変わるのか | 数学の先生や大学生に取材し、意見を集めて整理する |
| 13 | 学校の時間割や部活のシフトをAIに最適化させると、人間の案とどちらが良いか | 評価基準を先に決め、AI案と手作り案を採点して比較する |
| 14 | AIが書いた証明を高校生が検算できるか | 実際に1問選び、証明の各行を自分でたどって検証する |
| 15 | 天気や地震の予測にAIはどこまで使われているか | 気象庁など公的機関の発表を調べ、的中と外れの記録を1か月つける |
| 16 | 物理の実験データをAIに解析させると、何が楽になり何が失われるか | 振り子や自由落下の実測データで、手計算とAI解析を比べる |
| 17 | AIは考える時間が長いほど答えは正確になるのか | 同じ問題で条件を変えて試し、時間と正確さの関係を記録する |
問いの立て方のコツは、AIの成果を「ニュース」から「実験」へ引き下ろすことです。金メダルの話をそのまま調べても記事の要約で終わります。そうではなく、身近な最適化問題を実際にAIに解かせて人間の案と勝負させる、AIの証明を一行ずつ検算する、というように生徒の手を動かす問いに変えると、数学が探究の対象に変わります。
AIに丸投げさせない工夫は、検証の主導権を生徒に残すことです。AIに答えを出させたら終わりではなく、その答えが正しいかを生徒が確かめる工程を必ず入れます。たとえば時間割の最適化なら、AIの案を鵜呑みにせず「なぜこの配置が良いと言えるのか」を評価基準に照らして生徒が判定します。答え合わせをAIに任せた瞬間に探究は崩れるので、判断は人間が握る、を徹底してください。
ロボティクス・フィジカルAIの探究テーマ
デジタル空間で文章や画像を生むAIの次に来るのが、現実世界で認識し、判断し、体を動かすフィジカルAIです。エヌビディアのジェンスン・フアンCEOは2025年1月のCES基調講演でこの概念を強調し、汎用ロボットの転機が近いと語りました[^8]。同社が2025年3月に公開したIsaac GR00T N1は、世界初のオープンなヒューマノイド用基盤モデルと説明され、速く反射的に動く系と、じっくり計画する系の二段構えで動作します[^8]。実験の自動化も進んでいます。英リバプール大学のチームが開発した移動するロボット化学者は、8日間の連続稼働で688回の実験を自律的に実行し、初期処方より約6倍活性の高い光触媒の組み合わせを見つけました[^9]。
| # | 探究の問い | 検証・一次情報の入口 |
|---|---|---|
| 18 | 現実世界で動くAIは、学校の掃除や配膳をどこまで任せられるか | 校内作業を洗い出し、任せられる作業とそうでない作業に仕分ける |
| 19 | ロボットの「脳の土台」の共通化が進むと、町工場の自動化コストはどう変わるか | 地元の製造業に取材し、導入の壁を聞き取る |
| 20 | 自律実験室が8日で688回こなした実験を、人間がやると何日かかるか | 実験1回の所要時間を見積もり、AIに任せる価値を計算する |
| 21 | 自動運転車が事故を起こしたとき、責任は誰にあるべきか | 国内外の議論を調べ、自分の街に導入する条件を提案する |
| 22 | 見守りや介護のロボットを、高齢者本人はどう感じるか | 地域の施設に許可を得て聞き取り調査を行う |
| 23 | 校内の古い装置を「フィジカルAI」の視点で見直すと、どこを賢くできるか | 自動ドアや券売機を分解的に観察し、センサーと判断の追加点を図解する |
| 24 | 農作業をロボットで自動化すると、地域の担い手不足はどこまで解けるか | 就農者数の推移を集め、解ける部分と限界を示す |
| 25 | 人型ロボットは本当に人型である必要があるのか | 作業別に最適な形を自分で設計し、人型と比較する |
問いの立て方のコツは、ロボットを「憧れの対象」ではなく「校内や地域の具体的な作業」に結びつけることです。人型ロボットの動画を眺めるだけでは探究になりません。学校の掃除、地元の工場、農作業といった実在の作業を洗い出し、そこにAIとセンサーをどう足すかを考えさせると、身の丈のロボティクス探究になります。
AIに丸投げさせない工夫は、現地での観察と取材を必須にすることです。ロボティクスは実物を見て初めて課題がわかります。町工場や高齢者施設に足を運び、人に話を聞いた記録は、AIには絶対に生成できません。生徒が集めた一次情報を土台に、AIには「集めた材料の整理」だけを手伝わせる。この順番を守れば、AIは補助輪のままです。
社会課題×AI・地域×AIの探究テーマ
ここは、いちばん自分ごとにしやすい分野です。生成AIの普及で仕事の中身が変わり、偽情報が増え、AIを使える人と使えない人の差が生まれつつあります。こうした課題は、生徒自身の進路や暮らしに直結しているぶん、問いさえ設計すれば深く掘れます。地域に目を向ければ、観光、伝統産業、交通、防災、農業と、AIで解きたい不便がいくらでも見つかります。国も、あらゆる分野の研究にAIを使う挑戦を小口の研究費で千件規模に広げるなど、AIを社会に実装する流れを後押ししています[^10]。
まず社会課題×AIのテーマです。
| # | 探究の問い | 検証・一次情報の入口 |
|---|---|---|
| 26 | 生成AIで「なくなる仕事」と「増える仕事」は何か | なりたい職業を1つ選び、10年後に残るかを根拠つきで予測する |
| 27 | AIが書いた文章と人間の文章を、クラスメイトは見分けられるか | ブラインドテストを設計して実施し、正答率を出す |
| 28 | 学校でのAI利用ルールはどうあるべきか | 自校の現状を調べ、生徒と教員が納得できる案を起草する |
| 29 | AIによる採点や入試利用は公平か | 過去の不公平な事例を調べ、公平にする条件を提案する |
| 30 | 学習データに使われた作品の作者に、対価は支払われるべきか | 賛否両論を集め、自分の立場を根拠つきで表明する |
| 31 | 偽情報をAIが量産する時代に、高校生が真偽を見抜く方法は何か | 実際に見分けるチェックリストを作り、偽情報で試す |
| 32 | 人間の相談相手とAIの相談相手をどう使い分けるべきか | アンケートで利用実態を調べ、使い分けの指針を作る |
| 33 | AIを使える人と使えない人の間に新しい格差は生まれるか | 家庭のネット環境や端末所有率のデータで検証する |
| 34 | 自分が1日に使うAIは、どれだけの電力や水を消費しているか | 利用回数を記録し、公開データから消費量を見積もる |
次に地域×AIのテーマです。地元を舞台にすると、取材相手も検証データも身近にそろいます。
| # | 探究の問い | 検証・一次情報の入口 |
|---|---|---|
| 35 | 地域の観光案内を多言語AIで作ると、外国人観光客は本当に便利になるか | 試作して観光客や地元の人に使ってもらい、感想を集める |
| 36 | 伝統産業の技術をAIで記録・継承できるか | 職人に取材し、AIに任せられる部分と人にしか継げない部分を分ける |
| 37 | 過疎地域の移動手段としてAIオンデマンド交通は使えるか | 自分の町のバス路線と利用者数を調べ、導入案を作る |
| 38 | 地元の防災にAI予測をどう活かせるか | ハザードマップと過去の災害記録を重ね、危険な場所を洗い出す |
| 39 | 商店街の空き店舗をAIでどう活用できるか | 人流や売上の仮説を立て、出店シミュレーションを行う |
| 40 | 消えつつある方言をAIで記録・保存する意味はあるか | 祖父母世代に取材し、言葉を記録して残す方法を考える |
| 41 | 地元の農業をAIとセンサーでどこまで効率化できるか | 農家1軒に密着し、課題と効果を洗い出す |
| 42 | 自分の街の「AIで解決したい不便」で最も効果が大きいのはどれか | 住民100人に聞いて優先順位をつけ、1つを深掘りする |
問いの立て方のコツは、「AIで何ができるか」ではなく「自分の身の回りの何を解きたいか」から出発することです。技術を主語にすると流行の後追いになります。困りごとを主語にして、その解決策としてAIが妥当かを検証する順番にすると、生徒の実感がこもった探究になります。空き店舗、通学のバス、祖父母の方言。半径数キロの困りごとほど、良いテーマが眠っています。
AIに丸投げさせない工夫は、生徒自身が一次データを取りに行く仕掛けを必ず入れることです。アンケート、取材、試作の使用テストは、AIには代われません。たとえば偽情報の見分け方なら、AIに一般論を書かせるのではなく、生徒が実際に偽情報を集めてチェックリストで判定する。自分の手で集めたデータがあれば、AIはその整理役に徹し、結論は生徒のものになります。探究の入口としては、高校の探究学習に生成AIをどう組み込むかも併せて読むと、丸投げを防ぐ課題設計の全体像がつかめます。
倫理・AIリテラシーの探究テーマ
最後は、正解が一つに決まらないぶん、いちばん探究らしい分野です。文部科学省のN-E.X.T.ハイスクール構想は、これからの高校教育の軸に「AIに代替されない能力」を据え、覚えた知識の多さより自ら問いを立てる力を評価すべきだと明言しました[^11]。AIとどう付き合うかを考えること自体が、この構想が求める学びの中心にあります。ここでは、生徒が自分の頭で線引きをする問いを並べます。
| # | 探究の問い | 検証・深め方の入口 |
|---|---|---|
| 43 | AIに宿題をやらせるのは「ずるい」のか | 何がずるくて何がずるくないか、自分なりの境界線を定義して議論する |
| 44 | AIを信じてよい場面と疑うべき場面はどう分かれるか | 誤情報や幻覚の失敗例を集め、信頼と警戒の基準を分類する |
| 45 | 「AIに仕事を奪われる不安」は本当に正しいのか | 自動車やパソコンなど過去の技術革新での変化と比較する |
| 46 | AIが感情を読み取る技術を教育現場に入れてよいか | プライバシーとの兼ね合いを自分の言葉で整理する |
| 47 | AIが差別的な判断をしないために、開発者と使う側に何ができるか | 具体的な行動リストを作り、実現できるかを検討する |
| 48 | 「AIに聞けばわかること」を人間が学ぶ意味はあるか | 九九や漢字の暗記を例に、自分の意見を根拠つきで述べる |
| 49 | 生成AIに個人情報を入力するリスクは何か | 実際に利用規約を読み、入力してよい範囲の自分ルールを作る |
| 50 | 10年後、AIとどう付き合う自分でいたいか | 憧れの大人や職業人に取材し、大事にしたい力を1つ選んで宣言する |
問いの立て方のコツは、「AIの倫理」という大きな器で終わらせず、生徒が自分で境界線を引く形にすることです。倫理は評論ではなく判断です。宿題、個人情報、感情認識といった具体的な場面を用意し、そこで生徒に「自分ならどこまで許すか」を決めさせると、抽象論が自分の判断に変わります。50番の問いは、探究のまとめや卒業前のふり返りにも使えます。
AIに丸投げさせない工夫は、倫理こそAIに答えを出させない領域だと生徒に伝えることです。AIに「AIの倫理について論じて」と頼めば、当たり障りのない一般論が返ってきます。それは生徒の意見ではありません。賛否の材料集めや事例の整理はAIに任せてよいのですが、最終的な立場は生徒が自分の言葉で表明する。ここを守れば、倫理の探究は生徒の血の通った結論になります。より広い文脈は、「AIに代替されない力」とは何かや、AIが科学研究をどう変えているかを整理したAI for Scienceの入門ガイドも参考にしてください。
AIに丸投げさせない指導設計と、まとめ
50個のテーマを並べてきましたが、いちばんお伝えしたいのはテーマそのものではありません。どんなテーマでも、問いの設計とAIとの線引き次第で、探究にも作業にもなるということです。私たちTIMEWELLは企業向けにAIの伴走支援を行っていて、数百人の大人にAI活用を教えてきました。そこで痛感するのは、AIに任せてよい仕事とそうでない仕事の線引きができる人ほど、AIを使いこなせるという事実です。この線引きの感覚は、大人になってからよりも、高校の探究で一度身につけたほうがずっと定着します。
指導の現場では、探究の最初に「この探究でAIに任せる部分と、自分たちが担う部分」を生徒自身に一枚の紙で決めさせる方法をおすすめしています。調べ物や下書き、データの整理はAIに任せてよい。一方で、問いの設定、一次情報の確認、現地での取材やアンケート、そして最終的な立場の表明は生徒の仕事にする。この線引きを先に言語化しておくと、進める途中で「ここはAIに聞いてしまおう」という誘惑が来ても、自分たちのルールに立ち返れます。丸投げは生徒の怠慢ではなく、線引きを設計しなかった大人側の問題だと、私は考えています。
TIMEWELLでは、こうした考えのもとで学校・教育機関向けのWARPプログラムを提供しています。探究テーマの設計から、生徒がAIで成果物を作り切るまでの伴走まで、学校の状況に合わせて組み立てます。これまでに社会人向けのプログラムで500名以上の育成に携わり、東京都との協定事業としてWARP ENTREも運営してきました。探究とAIの接続に悩んでいる先生、先端科学のテーマをどう授業に落とすか迷っている先生は、まずは情報交換からでもお声がけください。
最後に、テーマ選びで迷ったときの合言葉を一つ。「その問いは、生徒が現地で確かめたり、人に聞いたりしないと進めないか」。これに「はい」と答えられる問いなら、生徒はAIに丸投げできません。50個のテーブルを眺めながら、ぜひ目の前の生徒の顔を思い浮かべて、一問だけ選んでみてください。
参考文献
[^2]: Google DeepMind「Demis Hassabis & John Jumper awarded Nobel Prize in Chemistry」（2024年10月9日） [^3]: Google「AlphaFold 3 predicts the structure and interactions of all of life's molecules」（2024年5月8日） [^4]: Arc Institute「Evo 2」（2025年2月19日） [^5]: Epoch AI「FrontierMath」ベンチマーク解説 [^6]: Google DeepMind「Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the IMO」（2025年7月21日） [^7]: Google DeepMind「AlphaEvolve: a Gemini-powered coding agent for designing advanced algorithms」（2025年5月14日） [^8]: NVIDIA「Isaac GR00T N1: Open humanoid robot foundation model」（2025年3月18日） [^9]: Chemical Reviews「Self-Driving Laboratories for Chemistry and Materials Science」（原典はBurgerら Nature 2020） [^10]: 文部科学省「AI for Scienceによる科学研究革新プログラム（SPReAD）」（確認日2026-07-18） [^11]: 文部科学省「高校教育改革に関する基本方針（グランドデザイン）～2040年に向けた『N-E.X.T.(ネクスト)ハイスクール構想』～」（令和8年2月13日）