一言でいうと
教員の長時間労働(月80時間超の時間外勤務が多数)を是正し、業務の精選・効率化・分担を進める取り組みです。OECD TALIS 調査でも、日本の教員の労働時間は加盟国中で最長レベルとされています。
なぜ効果が間接的なのか
「教員が忙しすぎる→授業準備の時間が減る→授業の質が下がる→子どもの学力が伸びない」という因果は直感的ですが、研究的には完全には実証されていません。教員の燃え尽き・離職率の改善には明確な効果がある一方、子どもの学力への直接的な因果効果は限定的です。何に時間を使うかが効果を分けます。
日本の小学校で取り入れるヒント
- 業務の優先順位を明確にし、「やめる業務」を決める
- 補助スタッフ(SS・スクールサポートスタッフ)や ICT を活用する
- 校務分掌の見直しを年度初めに行う
- 部活動・行事の精選を学校全体で議論する
- 残業時間の削減を目的化せず、「授業準備の質」に投資する
研究からわかっていること
- 教員の燃え尽きは、子どもとの関係性・学級経営の質に負の影響を持つことが報告されている
- 教員の総労働時間そのものが学力を動かすことを示した研究は見当たらない。英国教育省が公表した業務削減研究の統合(Churches 2020、112 の効果量)は、業務を減らした期間に学力が下がらず、小さな正の効果(d = 0.22)があったと報告している。ただし教員自身が設計した小規模研究の集まりで独立評価を経ておらず、研究間のばらつきも大きい(I² = 92.7%)
- 生成 AI を授業準備に使うと準備の時間が減るかを、英国の EEF が 2 つの無作為化比較試験で調べている。Year 7〜8〔11〜13 歳〕の理科では、ChatGPT を使うよう割り付けた側の教員の準備時間は、使わないよう求めた側の 69% だった(使い始めて 6〜10 週目の値)。Year 3〜6〔7〜11 歳〕の担任にイングランドのカリキュラムに沿った AI の授業準備ツール(Aila)を割り付けた試験では、使わない側の 76% だった(慣れる期間を含む 10 週全体の値)。どちらも、作り方を伏せた審査員の評価で教材の質が下がった様子は見られなかった(ChatGPT の試験は、教員が自分で選んで提出した教材どうしの比較)。2 つの試験は同じ評価チームが同じ枠組みの設計で行ったもので、互いに独立した追試ではない。時間は教員自身が毎週記録した自己申告で、子どもの学力は測っていない。Aila を使ったのは平均で授業の 7% にとどまり、この試験では比べた側の教員もほかの生成 AI を使えた
- OECD が TALIS 2018 と PISA 2018 を結合した分析では、学校平均で採点・添削に充てる時間が長いほど生徒の成績が高い傾向が、参加国平均といくつかの国で見られた(総労働時間・授業時間・授業準備の時間を統制した上での関連)。OECD 自身は、競争的な学校ほどテストと採点が多いという逆方向の因果もありうると注記している。対象は 15 歳で、小学校の知見ではない
注意したいこと
- 「労働時間が短い = 良い学校」とは限りません
- 業務削減の優先順位を間違えると、子どもへの個別対応や授業準備が削られます
- 教員の専門性(=授業の質)を支える研修時間まで削ってはいけません
- 補助スタッフを通常の教室にただ配置した場合、学力への正の効果は確認されていません。訓練を受けたスタッフが構造化された介入を小集団・個別に実施する形では 4〜6 ヶ月分の効果が報告されており、EEF は役割設計が効果を分けるとしています
主な参考研究
海外の研究
- Supporting teachers through the school workload reduction toolkit. Churches, R., Education Development Trust・英国教育省 (2020). — 業務削減の取り組みと児童生徒の学力・進捗の関係を 112 の効果量で統合。学力は下がらず、小さな正の効果(d = 0.22)。教員自身が設計した研究の集まりで独立評価は経ていない。
- ChatGPT in Lesson Preparation: A Teacher Choices Trial. Roy, P., Poet, H., Staunton, R., Aston, K., & Thomas, D., Education Endowment Foundation (2024). — Year 7〜8 の理科教員を、学校単位で ChatGPT を使う群と生成 AI を使わない群に無作為に割り付けた試験(68 校 259 人、評価は NFER)。試験の後半 5 週の授業準備時間は使わない群の 69%(95% 信頼区間 53〜90%、週 81.5 分に対して 56.2 分)。教材の質は各群 15 件の順位づけで差は見られなかったが、劣らないことを確かめる検定ではなく、提出する教材は教員が選んだ。ChatGPT を使う側の教員は ChatGPT を使った教材だけを出したため、報告書はこの側の質が実際より高く出た可能性を認めている。使わないよう求めた側でも、指示どおり生成 AI を使わなかった教員は 73〜79%(報告書内で値が分かれる)。時間は教員の自己申告。
- Lesson planning using AI lesson assistant, Aila: A Teacher Choices Trial. Roy, P., Poet, H., Staunton, R., Aston, K., Thomas, D., & Styles, B., Education Endowment Foundation (2026). — Year 3〜6 の担任を、学校単位で Aila を使う群と使わない群に無作為に割り付けた 10 週間の試験(108 校 464 人、評価は NFER)。授業準備時間は使わない群の 76%(95% 信頼区間 64〜89%、週 3.3 時間に対して 2.5 時間)で、教材の質は劣らなかった。ただし質の比較は割り付けた群どうしで、Aila を使う側から審査に回った教材のうち Aila で作ったと記録されたものは 71%。審査員の評価とは逆に、Aila を使った教員の多くは、以前の準備のしかたより教材の質が低いと感じていた。両群ともほかの生成 AI は使えた。時間は教員の自己申告。
- Positive, High-achieving Students? What Schools and Teachers Can Do. OECD (2021), TALIS. — TALIS 2018 と PISA 2018 を結合した分析。学校平均の採点・添削時間と生徒の成績の関連を報告する一方、逆方向の因果もありうると注記。
- Madigan, D. J., & Kim, L. E. (2021). Does teacher burnout affect students? A systematic review of its association with academic achievement and student-reported outcomes. International Journal of Educational Research, 105, 101714. — 教員のバーンアウトと児童生徒の学業成果・学習動機の関連を調べた 14 研究の系統的レビュー(教員 5,311 名・児童生徒 50,616 名)。関連は『予備的』で、より頑健な研究設計が必要とされる。
- OECD TALIS 2018 Results. — 加盟国の教員の労働時間・職務満足度を比較。日本の教員労働時間は最長レベル。
- Skaalvik, E. M., & Skaalvik, S. (2017). Motivated for teaching? Associations with school goal structure, teacher self-efficacy, job satisfaction and emotional exhaustion. Teaching and Teacher Education, 67, 152–160. — 学校の目標構造と教員の自己効力感・感情的疲弊・離職意図の関連をノルウェーの教員 760 名で実証。
日本の研究・公式資料
- 文部科学省 — 教員勤務実態調査(各年度). 国内教員の労働時間・業務内容の継続データ。
- 中央教育審議会 — 「学校における働き方改革に関する総合的な方策について」. 国の働き方改革方針。
注記
教員の働き方改革と子どもの学力の因果関係を、独立評価を経た形で示した研究は見当たりません。業務削減と児童生徒の学力を直接測った統合には英国教育省の Churches (2020) がありますが、教員自身が設計・実施した小規模研究の集まりです。働き方改革の主効果は 教員の燃え尽き予防・離職率改善・職務満足度向上 であり、これらが間接的に学力に影響する可能性はあるものの、直接の月数換算はできません。本サイトの「測定なし」は「学力への直接効果を月数で示せる研究が無い」という意味であり、政策の価値を否定するものではありません。