菜单
「学生調査の自由記述回答を AI で分析したい」「授業評価アンケートの傾向を可視化したい」 「大学評価業務で膨大な記述データを整理したい」「新入生アンケートの定性データからカテゴリを抽出したい」 場面で使う IR 担当者向けスキル。匿名化前処理・カテゴリ抽出・クラスタリング・検証の 7 ステップで、 Web 版 AI 禁止ゾーンと運用ラインを構造化する。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/gmoriki/higher-ed-ai-skills --skill ir-freeform-text-analysis命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
入試の志望理由書や総合型選抜書類に生成 AI を使った場合の扱いを決めたい、 出願要項に AI 使用可否をどう書くか悩む、AI 検知ツール導入を検討している、 志望理由書に AI 使用の疑義が生じた時の判断基準を整備したい、 不正認定と教育機会のどちらで運用するか迷う場面で使う入試部門職員向けスキル。 文科省通知を骨格に、3 類型判断・二重確認プロセス・運用語彙選択・ツール未導入大学向け代替案を提供する。
授業のシラバスに生成 AI の使用ルールを書き込みたい、学生に AI 使用可否と範囲を明示したい、 学科で AI 使用の共通テンプレートを作りたい、同僚教員から「うちの授業でどう書けば」と聞かれた、 教務委員会でシラバス記載ルールを議論する必要がある場面で使うシラバス AI 方針設計スキル。 4 段階テンプレート（自由／場面限定／完全禁止／その他）と科目類型別選択肢カタログで、 教員が 10 分で決められる判断フローを提供する。
「留学生や外国人研究者に多言語で案内を配信したい」「MOU 覚書のドラフトを英語で準備したい」 「留学生向け FAQ を複数言語対応させたい」「新入留学生向けオリエンテーション資料を各国語で出したい」 場面で使う国際交流・留学生支援職員向けスキル。AI 翻訳で完結できる場面とネイティブチェックが必須の場面を 切り分け、固有名詞辞書・文化配慮リストで運用品質を担保する。
基于 SOC 职业分类
正在显示 SKILL.md
| name | ir-freeform-text-analysis |
| description | 「学生調査の自由記述回答を AI で分析したい」「授業評価アンケートの傾向を可視化したい」 「大学評価業務で膨大な記述データを整理したい」「新入生アンケートの定性データからカテゴリを抽出したい」 場面で使う IR 担当者向けスキル。匿名化前処理・カテゴリ抽出・クラスタリング・検証の 7 ステップで、 Web 版 AI 禁止ゾーンと運用ラインを構造化する。 |
| license | CC BY-SA 4.0 |
| metadata | {"version":"1.1.0","last_updated":"2026-04-21","author":"gmoriki"} |
学生調査・授業評価の自由記述を生成 AI で分析する判断フレームワーク
IR（Institutional Research）業務では、学生調査・授業評価・大学評価の自由記述回答を扱うことが多い。従来は KH Coder 等の質的分析ツールや、職員による目視集計が中心だったが、生成 AI の登場により、数百〜数千件の記述データからカテゴリ抽出・傾向可視化を短時間で行える可能性が開けた。
一方、自由記述には学生の氏名・学籍番号・特定できる個人情報が混入しやすく、Web 版 ChatGPT 等に生データをそのまま入力することは情報漏洩リスクを伴う。匿名化・前処理の工程を省略すると、AI サービス側の学習データに学生発言が流れ込む可能性があり、個人情報保護法および各大学の学生データ取扱規程に抵触する。
本スキルは、森木氏自身の Speaker Deck「大学 IR における生成 AI 利用の試み」を中心に、大学 IR コンソーシアム学生調査、大学評価 SD 事例を統合し、自由記述分析を 7 ステップ（データ取得→前処理・匿名化→カテゴリ抽出→クラスタリング→検証→可視化→報告）に構造化する。さらに、中退予測・学業予警のような「予測型」分析には、倫理境界（同意・予測精度・介入権限・バイアス監査）を明示する。
大学固有の制約として、単年度予算で ChatGPT Enterprise や API を新規契約しづらい場合があり、ローカル LLM（LM Studio / Ollama 等）や学内 GPU サーバーの活用、Web 版 AI 禁止時の代替手段も併せて検討する必要がある。
skills/confidential-info-guidelines/ の 3 段分類の把握（学生データは原則 Level 3）職員（IR 室・評価室・教学 IR 担当・大学評価担当）。教員（IR センター兼任教員）と連携することも多いが、学生個人データの直接取扱いは職員主導が原則。
自由記述データは生のまま AI に入れない。氏名・学籍番号（削除）、教員名・科目名（「教員 X」「科目 Y」に記号化）、所属ゼミ・部活名（学年・学部のみ残す）、具体的日時・場所（抽象化）、家族・交友関係の個別言及（「家族」「友人」に総称化）を除去・置換する。さらに k-匿名化（k=5 以上推奨）を意識し、4 属性（学年・学部・性別・国籍）の組み合わせで 5 名未満になる記述は、属性の粒度を落とす。
| サービス | Level 2 | Level 3（匿名化前） | Level 3（匿名化後） |
|---|---|---|---|
| Web 版 ChatGPT（Free/Plus） | 不可 | 不可 | 不可（仕様変更リスク） |
| ChatGPT Team / Enterprise | 条件付き可 | 不可 | 条件付き可 |
| Claude Pro / Team | 条件付き可 | 不可 | 条件付き可 |
| API 利用（学習オフ契約） | 可 | 不可 | 可 |
| ローカル LLM（Ollama 等） | 可 | 可（組織ポリシー次第） | 可 |
Web 版は匿名化後でも、将来の仕様変更リスクを考慮して業務利用から外すことを推奨。
①データ取得 → ②前処理・匿名化 → ③カテゴリ抽出 → ④クラスタリング → ⑤検証 → ⑥可視化 → ⑦報告。各ステップの作業内容・ツール・検証ポイントは references/workflow-steps.md 参照。
両者は競合ではなく補完関係。質的分析ツールで計量的な裏付けを取り、AI で解釈と要約を効率化する。
中退リスク予測・学業予警を AI で行う場合、以下の境界線を守る。
flowchart TD
A[自由記述データの受領] --> B{データレベル判定}
B -->|個人情報あり| C[前処理・匿名化]
B -->|既に匿名化済み| D{利用 AI サービス}
C --> D
D -->|Web 版 AI| E[利用不可]
D -->|Enterprise・API<br>ローカル LLM| F[カテゴリ抽出]
F --> G[クラスタリング]
G --> H[サンプル目視検証]
H -->|妥当| I[可視化・報告]
H -->|不十分| F
I --> J{予測型分析か?}
J -->|Yes| K[倫理境界チェック<br>同意・精度・介入・バイアス]
J -->|No| L[報告書確定]
K --> L
1 学期分の授業評価（対象 50 科目、600 件の自由記述）を学部単位で傾向分析したい。個別科目の評価は別ルートで教員個人にフィードバックし、本分析では全体傾向（「授業時間配分」「課題量」「対話機会」等）の把握が目的。前処理で教員名・科目名を「教員 X」「科目 Y」に置換し、API 経由でカテゴリ抽出・クラスタリングを実施。サンプル 30 件を職員が目視検証し、カテゴリ妥当性を確認する。
新入生 800 名を対象とした入学時アンケートで、「大学選択理由」「不安に感じていること」「期待すること」の 3 問が自由記述。職員 1 名で全件目視は 3 日かかるため、AI でカテゴリ抽出を効率化したい。匿名化後、Enterprise 版で 10-15 カテゴリに分類させ、カテゴリ別の代表発言を抽出。検証後、各カテゴリの件数分布を執行部向け資料にまとめる。
大学基準協会の認証評価に向け、過去 3 年間の SD 活動報告書（数百件、職員記述）を整理。評価項目ごとに「取り組み内容」「成果」「課題」を抽出する必要がある。SD 活動報告は Level 2 相当（学内限定）のため、Enterprise 版か API 経由で扱い、カテゴリ抽出と要約を実施。職員が最終整理し、自己点検・評価書の下書きに活用する。
→ 詳細は examples/example-01-jugyo-hyoka-jiyukijutsu.md を参照。