講義を終えて教室を出ようとしたとき、学生に呼び止められました。
「先生、今日のところは試験に出ますか？」
正直、少しがっかりする質問です。「試験のためではなく、患者さんのために学んでほしい」——そう思う先生は多いはずです。けれども、この質問は学生の怠慢の証拠ではありません。むしろ、教育の重要な原理をまっすぐに示しています。
学生は、評価されるものを学ぶ。医学教育ではこれを「評価は学習を駆動する（assessment drives learning）」と呼びます。どれほど立派なシラバスを書き、どれほど工夫した講義をしても、学生の学習行動を実際に決めるのは試験です。期末が暗記中心のMCQ（多肢選択問題）なら、学生は暗記します。実技が評価されるなら、練習します。つまり評価は、成績をつけるための「後処理」ではなく、カリキュラムの中で最も強力な教育設計の道具なのです。
評価編の最初のこのモジュールでは、評価を考えるための3つの基本的な道具を紹介します。「何のために測るのか」（形成的評価と総括的評価）、「何を測るのか」（ミラーのピラミッド）、「どう選ぶのか」（評価のユーティリティ）です。
学習のための評価、学習の評価 — 形成的評価と総括的評価
評価には、目的の異なる2つの顔があります。
| 形成的評価 | 総括的評価 | |
|---|---|---|
| 目的 | 学習のための評価。学習の途中で現在地を知らせ、次の学習を方向づける | 学習の評価。到達度を判定し、合否・進級・資格を決める |
| タイミング | 学習の途中（随時） | 学習のまとまりの終わり |
| 結果の使い方 | フィードバックとして学生と教員に返す。成績には（原則）使わない | 成績・合否として記録される |
| 例 | 授業中の小テストと解説、実習中の口頭でのフィードバック、mini-CEX（ミニ臨床評価演習：指導医が実際の診療場面を観察して評価する方法。評価3で詳述）後の振り返り | 期末試験、卒業試験、OSCE（進級判定用）、医師国家試験 |
| 料理にたとえると | 調理中の味見 | お客さんに出した後の評価 |
「調理中の味見」と「お客さんの評価」のたとえは有名です。味見をしないシェフはいません。ところが日本の医学部の多くの科目は、味見なしで料理を出しています——つまり、学期中に学生が自分の理解度を確かめ、軌道修正する機会（形成的評価）がほとんどないまま、期末試験（総括的評価）で一発勝負になっているのです。
図: 形成的評価は調理中の味見、総括的評価は客に出した後の評価——目的もタイミングも異なる
学生の側から見るとどうでしょうか。15週の科目で、自分の理解が合っているかどうかを知る機会が期末の1回だけなら、学習の軌道修正は不可能です。ずれたまま15週間走り、試験で初めてずれに気づく。しかもその時点ではもう手遅れです。形成的評価は「甘い評価」ではなく、学習を成立させるためのインフラだと考えてください。授業冒頭の3問クイズ、中間の小テストと誤答解説、実習中の「今の診察、ここが良かった、次はここを」という一言——どれも立派な形成的評価であり、大がかりな仕組みは必要ありません。
何を測っているのか — ミラーのピラミッド
次の道具は「何を測るのか」を整理する枠組みです。Miller は1990年、臨床能力の評価を4つの層で表しました。ミラーのピラミッドです。
図: ミラーのピラミッド——臨床能力は「知っている」から「現場でする」まで4つの層で捉える
| 層 | 意味 | 問いの形 | 適する評価法 |
|---|---|---|---|
| Does（する） | 実際の診療現場で日常的に行動できる | 「現場で実際にやっているか」 | mini-CEX、DOPS、実習評価、多面評価、ポートフォリオ評価 |
| Shows how（やってみせる） | 模擬的な状況で実演できる | 「目の前でやってみせられるか」 | OSCE、シミュレーション教育での評価 |
| Knows how（使い方を知っている） | 知識を状況に適用できる | 「この患者ではどうするか」 | 臨床シナリオ型のMCQ、口頭試問 |
| Knows（知っている） | 事実として知っている | 「〜とは何か」 | 想起型のMCQ、筆記試験 |
重要なのは、上の層の能力は下の層の評価では測れないということです。心不全の病態を説明できる（Knows）ことと、目の前の患者の下腿浮腫と頸静脈怒張から心不全を疑える（Shows how / Does）ことは、別の能力です。MCQで満点の学生が病棟で患者を評価できない——多くの先生が実感するこのギャップは、学生の問題である前に、Knows しか測ってこなかった評価設計の問題かもしれません。
自分の科目のアウトカムが「〜を実施できる」「〜を評価できる」なのに、評価がMCQだけなら、測っている層とアウトカムの層がずれています。このずれの点検は、評価5で扱う構成的整合の中心テーマになります。
完璧な評価は存在しない — 評価のユーティリティ
では、上の層を測る評価法だけを使えばよいのでしょうか。そう単純ではありません。van der Vleuten は1996年、評価法の有用性（評価のユーティリティ）を次の掛け算で表しました。
ユーティリティ ＝ 妥当性 × 信頼性 × 教育的影響 × 受容性 × コスト
| 基準 | 問い |
|---|---|
| 妥当性 | 測りたいものを本当に測っているか |
| 信頼性 | 誰が・いつ採点しても同じ結果になるか。合否を分けられる精度があるか |
| 教育的影響 | この評価は学生の学習をどの方向に駆動するか |
| 受容性 | 学生・教員・組織に受け入れられるか |
| コスト | 作問・運営・採点にかかる時間と費用は現実的か |
掛け算であることがポイントです。どれか1つがゼロなら、全体もゼロになります。そして各評価法には得意・不得意があります。
図: 評価のユーティリティは掛け算の鎖——どれか1つの輪が切れれば全体が機能しない
- MCQ は信頼性とコストに優れますが、Knows / Knows how しか測れません。
- OSCE は Shows how を測れますが、ステーション数を確保しないと信頼性が上がらず、運営コストは高くなります。
- mini-CEX などの現場観察 は Does に迫れる唯一の方法群ですが、評価者による採点のばらつきという信頼性の課題を抱えます。
つまり、すべての基準で満点の単一評価は存在しません。だからこそ評価は「どの試験を選ぶか」ではなく「どう組み合わせるか」の設計問題になります。知識の広い範囲はMCQで、技能の実演はOSCEで、現場での行動は実習中の観察で——それぞれの弱点を別の方法が補うように組み合わせる。この発想は、評価編の残りのモジュール（評価2〜評価5）を貫く背骨です。
K教授の再設計ノート
学修目標を書き直し、講義と病棟指導を変えてきたK教授。次に評価に手をつけようとして、まず自分の科目の評価を棚卸ししてみました。表にすると一目瞭然でした。
| 評価 | 種類 | ミラーの層 |
|---|---|---|
| 期末MCQ50問 | 総括的評価 | ほぼ Knows、一部 Knows how |
——これだけ。15週の科目で、評価はこの1行だけだったのです。
形成的評価はゼロ。学生が自分の理解を確かめる機会は期末まで一度もありません。ミラーのピラミッドで見れば、Shows how と Does を測るものが何もない。「心不全患者の初期評価ができる」というアウトカムを掲げながら、測っているのは「心不全について知っているか」だけでした。学生が病棟で動けないのは当然です。彼らは「動けるか」を一度も問われていなかったのですから。
K教授はノートに方針を書きました。「①各講義の冒頭に前回の3問クイズを入れる（形成的・コストほぼゼロ）。②中間に小テストを置き、誤答の解説を返す。③期末MCQは残すが、臨床シナリオ型に作り替えて Knows how を測る。④Shows how と Does は、実習側の評価と接続する方法を実習責任者に相談する」。一つの試験を完璧にするのではなく、組み合わせで設計する——ユーティリティの発想です。ただし③を実行するには、シナリオ型MCQの作り方を学ぶ必要があります。それが次のモジュールの主題です。
まとめ
評価は成績をつけるための後処理ではなく、学生の学習を駆動する最も強力な設計道具です。試験の設計がシラバス以上に学生の学び方を決める以上、評価の設計は教育の設計そのものだといえます。その設計には2つの区別が出発点になります。学習の途中で現在地を返す形成的評価と、到達度を判定する総括的評価は目的が異なり、多くの科目に欠けているのは前者です。次に「何を測るか」。ミラーのピラミッドを使えば、MCQは Knows / Knows how、OSCEは Shows how、mini-CEXや実習評価は Does というように、評価法と測れる層の対応を点検できます。そして「どう選ぶか」。妥当性・信頼性・教育的影響・受容性・コストの掛け算という評価のユーティリティで見れば、すべてに優れた単一評価は存在せず、評価は組み合わせで設計するしかないことが分かります。まずはK教授のように、自分の科目の評価を1枚の表に棚卸しすることから始めてみてください。
さらに学ぶために
- Miller GE. The assessment of clinical skills/competence/performance. Academic Medicine. 1990. — ミラーのピラミッドの原典。わずか数ページで、臨床能力評価の共通言語を手に入れられます。
- van der Vleuten CPM. The assessment of professional competence: developments, research and practical implications. Advances in Health Sciences Education. 1996. — 評価のユーティリティ（掛け算モデル）の原典。「完璧な評価は存在しない」の根拠です。
- Biggs J, Tang C. Teaching for Quality Learning at University. — 評価が学習を駆動するという視点を、構成的整合の枠組みとして体系化した定番書。
- Wiggins G, McTighe J. Understanding by Design. — 「評価から先に設計する」逆向き設計の原典。設計2の内容と評価編をつなぐ橋になります。
- 医学教育モデル・コア・カリキュラム（令和4年度改訂版）。 — 日本の卒前教育のアウトカムの公式リファレンス。自科目の評価が何を測るべきかを確認する起点に。