PythonやAIを学んだ高校生が、大学出願で評価されるActivityを作るためには、単にプログラムを書くだけでは不十分です。
大切なのは、どのような問題を見つけ、なぜその技術を使い、どのように改善し、誰にどのような価値を提供したかを説明できることです。
技術の難しさより目的が重要
複雑なAIモデルを使えば、必ず強いプロジェクトになるわけではありません。既存のコードをコピーし、仕組みを理解しないまま動かしただけでは、本人の力が伝わりにくくなります。
反対に、比較的簡単なPythonプログラムでも、身近な問題を解決し、利用者の意見をもとに改善していれば、主体性と実行力を示せます。
身近な問題を出発点にする
大学向けに無理に壮大なテーマを作る必要はありません。学校生活、学習、地域、環境などで本人が実際に感じた課題から始めましょう。
- 宿題や試験予定を管理しにくい
- 数学の弱点を自動で分析したい
- 地域の気象・交通データを可視化したい
- 文章や画像を分類するAIを作りたい
- 実験データの処理を自動化したい
大学出願につながるプロジェクトの5要素
| 要素 | 大学に伝わること |
|---|---|
| 問題設定 | 何を解決したいのかを考える力 |
| 本人の役割 | 設計・実装・分析のどこを担当したか |
| 試行錯誤 | 失敗から改善する力 |
| 具体的成果 | 作品、利用者、精度、研究結果など |
| 発展性 | 次の研究や学習へつながる可能性 |
まず小さな試作品を完成させる
最初から大規模なWebサービスや高度な生成AIを作ろうとすると、完成しないまま終わることがあります。
まずは一つの機能だけを持つ試作品を作ります。たとえば、CSVデータを読み込んでグラフを作る、問題の正誤を記録する、画像を二種類に分類するといった規模で十分です。
小さく完成させた後で、利用者の反応を集め、機能を追加していきます。
AIプロジェクトでは比較と評価を行う
AIモデルを動かしただけでは、研究や開発としての深さが不足します。複数の方法を比較し、どの条件で性能が変わるかを分析しましょう。
- 異なるモデルの精度を比較する
- 訓練データ量による違いを調べる
- 誤分類された事例を分析する
- 偏りや公平性の問題を確認する
- 処理時間やメモリ使用量を比較する
「精度が高かった」で終わらず、なぜその結果になったのか、どのような限界があるのかまで考察します。
AP学習とPython・AIをつなげる
UsUniNavでは、APで学んだ内容をPythonやAIプロジェクトへ応用することを推奨しています。
- AP Computer Science A：アルゴリズム、配列、クラス設計をプログラムへ使う
- AP Statistics：データ分析、回帰、仮説検定で結果を評価する
- AP Calculus BC：変化、最適化、数理モデルを理解する
- AP Physics C：実験データ処理や物理シミュレーションへ応用する
AP Scoreとプロジェクトがつながることで、学んだ知識を実際に使えることを示せます。
GitHubで開発過程を残す
GitHubには、完成したコードだけでなく、README、更新履歴、使用方法、課題、今後の改善案も整理します。
READMEには、次の内容を入れると分かりやすくなります。
- プロジェクトの目的
- 解決したい問題
- 使用した技術
- 実行方法
- 現在の成果
- 限界と今後の改善
更新履歴が残っていれば、継続的に改善した過程も示せます。
利用者や第三者から意見をもらう
プロジェクトは、自分だけで完成と判断するのではなく、実際に使ってもらうことが重要です。
友人、先生、家族、地域の団体などへ試作品を見せ、使いにくい点や必要な機能を聞きます。その意見をもとに改善すれば、単なる個人制作から、利用者を意識した開発へ発展します。
AIを使った部分を正確に説明する
ChatGPT、Claude、GitHub CopilotなどのAIツールを利用して開発すること自体は問題ではありません。ただし、AIが生成したコードをそのまま使い、本人が内容を説明できない状態は避けるべきです。
AIを使った場合は、どの部分で利用し、どのように検証・修正したかを説明できるようにします。最終的な設計、判断、検証については本人が責任を持ちます。
成果を数字で示す
大学出願では、「AIアプリを作った」という説明だけでなく、成果を具体的に示すと説得力が高まります。
- 何人が利用したか
- 何回改善・更新したか
- 処理時間を何％短縮したか
- モデルの精度がどの程度だったか
- 何件のデータを分析したか
- 利用者の行動や理解度がどう変化したか
数字を大きく見せる必要はありません。小規模でも、正確で検証可能な成果を示すことが重要です。
Activities欄では何を書くのか
Common AppのActivities欄では、使用した言語やライブラリを並べるだけでなく、本人の行動と成果を中心に記載します。
「Pythonと機械学習を勉強した」よりも、「学習データを分析するPythonツールを設計し、利用者の意見をもとに機能を改善した」と書く方が、主体性と成果が伝わります。
Essayでは技術説明だけにしない
Essayでプロジェクトを書く場合、コードやAIモデルの仕組みだけを詳しく説明してはいけません。
どの問題に気づき、何に失敗し、誰との関わりで考え方が変わり、どのように成長したかを中心にします。技術は、本人の人物像を伝えるための背景として使います。
高校生に適したPython・AIプロジェクト例
- 数学問題の誤答傾向を分析する学習支援ツール
- 地域の気象・環境データを可視化するWebアプリ
- 植物や実験画像を分類するAIモデル
- SATや学校試験の学習記録分析システム
- 物体運動や感染拡大のシミュレーション
- 学校内の情報検索を支援するチャットボット
テーマを選ぶ際は、本人が理解できる範囲から始め、データの利用許可、個人情報、著作権にも注意します。
避けたいプロジェクトの作り方
- 他人のコードをコピーして自分の作品として公開する
- 生成AIで作っただけで本人が仕組みを説明できない
- 実際には存在しない利用者数や成果を記載する
- 高度な専門用語だけを並べる
- 出願直前に形だけのプロジェクトを作る
- 個人情報や著作物を無断で学習データに使う
大学出願へつなげる7段階
- 身近な問題を一つ見つける
- 小さな試作品を完成させる
- 利用者や先生から意見を集める
- コードやモデルを改善する
- 成果と限界を分析する
- GitHubやレポートに記録する
- Activities欄とEssayで本人の役割を伝える
まとめ
高校生のPython・AIプロジェクトを大学出願へつなげるために重要なのは、技術の派手さではありません。
本人が問題を見つけ、小さく作り、第三者の反応をもとに改善し、成果と限界を正確に説明できることが重要です。
APや学校で学んだComputer Science、Statistics、Calculus、Physicsをプロジェクトへ応用し、GitHub、研究レポート、利用実績として記録することで、学力・主体性・実行力が一貫して伝わるActivityになります。
