目次(20項目)
青山学院大学では、2027年4月に青山キャンパスへ「統計データサイエンス学環」が開設される予定です。
ただ、名前を見たときに最初につまずきやすいのが、
「学部じゃなくて“学環”って何?」 「社会情報学部でもデータサイエンスは学べるのでは?」 「理工学部の情報テクノロジー学科とは何が違う?」 「データサイエンスといっても、実際はどれくらい数学やプログラミングをやるの?」
という部分でしょう。
先に結論を言うと、統計データサイエンス学環は、5学部の授業を広くつまみ食いする文理融合コースではありません。
主専攻は、かなりはっきりしています。
「統計学」と「データサイエンス」を専門として学び、その分析力を経済・経営・法律・教育など別分野へ使っていく学士課程です。
解析学、線形代数、統計学、Python、機械学習、ベイズモデリング、多変量解析、文章・画像・音声を扱う非構造化データ分析まで並んでいます。
マナビグラフでは、青山学院大学という大学名より先に、4年間で実際に何を勉強するのかから見ていきます。
青山学院大学「統計データサイエンス学環」の基本情報
統計データサイエンス学環は2027年4月開設予定。青山キャンパスに置かれ、入学定員は60人、授与される学位は「学士(データサイエンス)」です。大学公式の特設サイトでは基幹教員を20人程度としています(設置の届出書類では15名)。
| 項目 | 内容 |
|---|---|
| 名称 | 青山学院大学 統計データサイエンス学環 |
| 開設 | 2027年4月予定 |
| キャンパス | 青山キャンパス |
| 入学定員 | 60人 |
| 収容定員 | 240人 |
| 学位 | 学士(データサイエンス) |
| 基幹教員 | 20人程度(特設サイトの表記。設置の届出書類では15名) |
| 連係協力学部 | 教育人間科学部・経済学部・法学部・経営学部・理工学部 |
| 初年度納付金 | 1,838,000円 |
| アクセス | 表参道駅徒歩約5分/渋谷駅徒歩約10分 |
基本情報・学費・アクセスは大学公式の公表値です。
青山キャンパスに置かれる理系の学士課程だという点も特徴です。
理工学部と社会情報学部は相模原キャンパスにあります。大学側も、統計データサイエンス学環を青山キャンパス初の理系学士課程と位置づけています。
そもそも「学環」とは? 学部に所属しないの?
学環とは、複数の学部が連係してつくる「学部相当」の教育課程
青山学院大学は学環について、複数の学部が連係してつくる学部相当の教育課程と説明しています。
統計データサイエンス学環では、
- 教育人間科学部
- 経済学部
- 法学部
- 経営学部
- 理工学部
の5学部が連係します。
ただし、入学した学生が「経済学部所属だけれどデータサイエンスも学ぶ」という仕組みではありません。
学生自身は統計データサイエンス学環に所属し、卒業時には学士(データサイエンス)の学位を取得します。
つまり、
学部ではない
=大学の正規の学士課程ではない
という意味ではありません。
名称と組織のつくり方が通常の学部とは違う、と考えた方が分かりやすいでしょう。
なぜ「データサイエンス学部」ではなく「学環」にしたのか
青山学院大学は当初、小規模な「データサイエンス学部」の設置を検討していました。
しかし、高いレベルでのデータ分析などを学びつつ幅広い分野での視座を身に付けるとなると、単独の学部では難しいと判断。その一方で、既存学部を見るとデータサイエンスに関連する専門教員が複数の学部にいることが分かり、5学部連係の「学環」へ方針を変えたと説明されています。
ここから見えてくるのは、
「何でも学べるから学環にした」のではなく、データサイエンスという一つの専門を、複数分野へ展開するために学環にした
という構造です。
実際、大学側も学環の主たる学問領域を「統計とデータサイエンス」と明言しています。法律や経済などは主専攻そのものではなく、データ分析を使う先となるサブスペシャリティに近い位置づけです。
「いろいろ興味があるから、とりあえず学際系へ行きたい」
という理由だけなら、必ずしもこの学環である必要はありません。
一方で、
「統計・データ分析そのものを専門にしたい。ただし応用先をITだけに限定したくない」
のであれば、学環という仕組みにはかなり意味があります。
社会情報学部・理工学部とは何が違う?
青山学院大学でデータ、AI、プログラミングを学びたいと考えると、比較対象になるのが、
- 統計データサイエンス学環
- 社会情報学部
- 理工学部
です。
ただ、「どこでもAIを学べる」というところだけを見ると違いが分かりません。
見るべきなのは何を主語にして4年間学ぶのかです。
| 比較 | 統計データサイエンス学環 | 社会情報学部 | 理工学部・情報テクノロジー学科 |
|---|---|---|---|
| 学びの中心 | 統計・データサイエンス | 社会・情報・人間の融合 | 情報技術そのもの |
| データ分析 | 主専攻 | 学びの一部 | AI・機械学習などの一分野 |
| 数学・統計 | 解析・線形代数・統計理論から深く学ぶ | 数学・統計を基礎技能として学ぶ | 情報数学や線形代数・解析学などを必修・選択必修で学ぶ |
| プログラミング | Pythonをデータ分析の道具として学ぶ | 1年次から基礎プログラミング | ソフトウェア・AI・Web・ロボットなどへ展開 |
| AI・機械学習 | 統計と接続して基礎→応用 | 情報分野の選択肢の一つ | 中心的な専門領域の一つ |
| 社会科学 | 応用先・副専門として接続 | 学問の中心の一部 | 基本的には中心ではない |
| キャンパス | 青山 | 相模原 | 相模原 |
| 向いている関心 | データから説明・予測・判断したい | 人・社会・情報の関係を考えたい | 技術・システム自体を作りたい |
この違いをもう少し具体的に見ます。
統計データサイエンス学環と社会情報学部の違い
社会情報学部は「データの学部」ではなく「社会・情報・人間をつなぐ学部」
社会情報学部にも、統計学やプログラミングはあります。
1年次必修の「コンピューティング実習」では初級プログラミングを学び、「統計入門」ではコンピュータを使ったデータ分析を扱います。基礎科目でも英語・コンピュータ・数学・統計を学びます。
そのため、
「社会情報学部には統計やプログラミングがない。だから新学環ができた」
という理解は間違いです。
違うのはそれを何のために学ぶかです。
社会情報学部の中心は、
社会・情報・人間という3領域をつなぎ、複雑な社会問題を考えること。
3年次以降は、
- 社会・情報
- 社会・人間
- 人間・情報
の3コースから選んで融合領域へ進みます。
一方、統計データサイエンス学環では研究対象をより「データ」に絞ります。
学長も大学の広報誌の対談で、社会情報学を「情報(記号・データ・知識・意味)と人や社会の関わりを研究する文理融合系の学問」、データサイエンスを「研究対象をデータ(数値・テキスト・画像・ログなど)に絞り、データから知を引き出すことに特化した理系の学問」と説明しています。
したがって、
社会や人間を考えるためにデータ分析も使いたい → 社会情報学部
データ分析そのものを専門にして、それを社会やビジネスへ使いたい → 統計データサイエンス学環
という違いで見ると分かりやすいです。
統計データサイエンス学環と理工学部の違い
「AIを学びたい」だけでは選べない
理工学部といっても7学科があるため、本来は一括りに比較すべきではありません。
特に近いのは、
- 情報テクノロジー学科
- 数理サイエンス学科
- 経営システム工学科
でしょう。
なかでも情報テクノロジー学科では、
- デジタルメディア/CG・Web
- 高度機械学習/AI
- 人間情報学/XR
- ロボティクス/IoT
という4領域を学び、情報通信やソフトウェア設計からAI・ロボット工学まで広く扱います。
ここではコンピュータや情報技術そのものを理解し、システムを作ることが大きな軸になります。
対して統計データサイエンス学環で中心となるのは、
データをどう集め、どうモデル化し、何を読み取り、どんな判断につなげるか
です。
同じAIでも、
- AIシステムや情報技術を幅広く作りたい → 情報テクノロジー学科
- 統計理論とデータ分析を軸にAI・機械学習を使いたい → 統計データサイエンス学環
という違いが出ます。
大学側も、理工学部は科学・工学の基礎を積んで各専門へ進むのに対し、学環はデータサイエンスに特化すると説明しています。
統計はどこまで学ぶ? 「統計入門」で終わる学環ではない
この学環で一番注目したいのは、実は「データサイエンス」より前についている「統計」です。
大学公式でも、
- 学環共通科目
- データサイエンス専門科目
- 統計学専門科目
という3つの科目群を設け、統計学専門科目では確率論・数理統計学・統計調査などを扱う方針を示しています。
公開されている科目を見ると、さらに分かりやすくなります。
数学の土台
解析学Ⅰ・Ⅱ
一変数・多変数の微分積分を扱います。
線形代数学Ⅰ・Ⅱ
ベクトル・行列を学びます。
どちらも単に数学科目として置かれているのではなく、統計や機械学習の理論を理解する土台として組み込まれています。
統計の基礎
統計学基礎Ⅰ・Ⅱ
記述統計から推測統計へ進みます。
平均やグラフを出して終わる「データ活用」ではなく、標本から背後にある現象をどう推測するかという統計学へ入っていきます。
データを集めるところから学ぶ
統計調査Ⅰ・Ⅱ
調査設計やデータ収集、データの品質を扱います。
分析手法だけ知っていても、そもそもデータの集め方が悪ければ結果は信用できません。
「渡されたCSVをPythonに入れる」のではなく、何をどう測れば信頼できる分析になるのかまで学ぶ構成です。
さらに高度な統計へ
その先には、
- 多変量データ解析Ⅰ・Ⅱ
- ベイズモデリングⅠ・Ⅱ
などがあります。
複数の変数を同時に扱ったり、新しい情報を得るたびに確率的な判断を更新したりと、本格的な統計モデリングへ進みます。
つまりこの学環は、
「AI時代だから、とりあえずデータサイエンスを学ぶ」タイプのカリキュラムではなく、数学→統計理論→分析→応用という筋道をかなり意識した構成
と見てよいでしょう。
プログラミングはどう学ぶ? Pythonを基礎から始める
プログラミングについては、使用言語が公式に明記されています。
「プログラミング基礎Ⅰ・Ⅱ」でPythonを基礎から学ぶ予定です。
プログラミング自体が最終目的ではありません。
この学環では、
数学・統計を理解する
↓
Pythonでデータを処理する
↓
統計モデルを実装する
↓
機械学習で分類・予測する
↓
文章・画像・音声なども分析する
↓
実際の問題へ応用する
という流れになります。
「Pythonでアプリを作れるようになること」が中心ではありません。
統計やデータ分析を実際に動かすための道具としてPythonを使うと理解した方が近いです。
大学公式も、データサイエンスを「AIやツールを使いこなすだけではない」と説明し、問いを立て、必要なデータを設計し、分析し、解決策までまとめる一連のプロセスとして位置づけています。
機械学習・AIはどこまで学ぶ?
Pythonの入門で終わるわけでもありません。
公開科目には、
機械学習の基礎Ⅰ・Ⅱ
があり、分類・予測などの基本手法を扱います。
さらに、
機械学習の応用Ⅰ・Ⅱ
では深層学習や、モデルがなぜその結果を出したのかを説明するための解釈技術まで扱います。
そして、
非構造化データ分析Ⅰ・Ⅱ
では数表だけでなく、
- 文章
- 写真
- 音声
などを分析対象にします。
興味深いのは、公式が統計学と機械学習を同じものとして説明していないことです。
「統計学はデータの背景の理解を重視する一方、機械学習では高精度な予測を行うために、データから特徴を学習します」と区別しています。
これはこの学環の性格をよく表しています。
AIだけを学ぶのではなく、「なぜそう言えるのか」を考える統計と、「どれだけ予測できるか」を考える機械学習の両方をやる。
学環名に「統計」が入っている意味はここにあります。
図1
背景を説明する統計と、予測する機械学習
大学公式は、統計学と機械学習を同じものとして説明していない
統計学
- データの背景の理解を重視
- 「なぜそう言えるのか」を考える
同じものではない
機械学習
- 高精度な予測を行うために、データから特徴を学習
- 「どれだけ予測できるか」を考える
この学環では両方をやる。学環名に「統計」が入っている意味はここにある
1年から4年まで、どう学びが進む?
大学公式が示している流れを整理すると、おおむね次のようになります。
1年次:数学・統計・Pythonの土台をつくる
- 数学
- プログラミング
- 統計学
- 論理的思考
を中心に、理系的な基礎力を積みます。
2年次:データを整理し、正しく集め、分析する
分析方法だけでなく、
- データの構造
- データの品質
- 調査方法
へ進みます。
3年次:高度なモデルと多様なデータを扱う
より高度な分析方法へ進み、
- 文章
- 画像
- 音声
なども対象にします。
PBLや実務家による授業も組み込む計画です。
4年間の最後:卒業研究
「卒業研究Ⅰ・Ⅱ」では、自分で課題を設定し、これまで学んだ統計・データサイエンスを使って研究します。
ここまで見ると、
数学 → 統計 → Python → 機械学習 → 実データ → 研究
という縦の積み上げがかなり明確です。
図2
1年から4年まで、どう学びが進むか
大学公式が示している流れを整理したもの
-
1年次:数学・統計・Pythonの土台をつくる
数学・プログラミング・統計学・論理的思考を中心に、理系的な基礎力を積む
-
2年次:データを整理し、正しく集め、分析する
分析方法だけでなく、データの構造・データの品質・調査方法へ進む
-
3年次:高度なモデルと多様なデータを扱う
より高度な分析方法へ進み、文章・画像・音声なども対象にする。PBLや実務家による授業も組み込む計画
-
4年間の最後:卒業研究
卒業研究Ⅰ・Ⅱで、自分で課題を設定し、これまで学んだ統計・データサイエンスを使って研究する
プログラミング未経験でも大丈夫?
未経験から始める設計ではある。ただし数学を避ける学環ではない
Pythonについては大学自身が「基礎から丁寧に学ぶ」としています。
したがって、高校時代にプログラミング経験がないから、それだけで対象外というカリキュラムではありません。
ただし、
「プログラミング未経験でもいい」
と
「数学が苦手でもほとんど使わない」
はまったく別の話です。
アドミッション・ポリシーでも、高校卒業相当の外国語・数学・理科等の知識に加え、特に数学の基礎学力を求めています。
入学後も、
- 微分積分
- 線形代数
- 確率
- 数理統計
- 多変量解析
- ベイズ統計
- 機械学習
へ進むことになります(微分積分・線形代数は必修。確率から機械学習までは選択科目で、卒業までに統計学専門科目・データサイエンス専門科目からそれぞれ20単位を修得します)。
したがって、
「AIには興味があるけど数学はできるだけ避けたい」なら、学環名のイメージだけで決めない方がいい
と思います。
逆に、高校数学を「受験のために解くだけ」で終わらせず、
「この数学が実際のデータ分析にどうつながるのか知りたい」
という人には面白い構成です。
5学部連係なら、経済・法学・教育もたくさん勉強する?
ここも誤解しやすいところです。
5学部連係だからといって、
「経済学・法学・心理学・経営学・理工学を均等に勉強する」
わけではありません。
主専攻はあくまでも統計・データサイエンスです。
一方で応用例としては、
- ビジネス会計データ分析
- サプライチェーンマネジメント
などが公開されています。さらに大学側は、たとえば「法律×AI」を深めたい学生が法学部科目へ進めるような履修パスも構想として語っています。
この構造は、
統計を薄めて文理融合するのではなく、統計という軸を持ったうえで応用先を広げる
と考えると分かりやすいです。
この学環の強みはどこにありそうか
2027年開設予定なので、卒業実績まで含めた「実証済みの強み」とはまだ言えません。
ただし、カリキュラム上の特徴としては、かなり明確なものがあります。
1.「統計」をかなり正面から扱っている
データサイエンス系教育ではプログラミングやAIが目立ちやすいですが、この学環では、
解析学
→ 線形代数
→ 統計基礎
→ 統計調査
→ 多変量解析
→ ベイズモデリング
という統計側の体系も見えます。
「ツールが使える人」ではなく、「なぜその分析が成立するのか理解する人」を目指す設計になっている点は特徴です。
2.データサイエンスを専門にしながら応用分野を狭めない
データ分析は、金融にも、マーケティングにも、教育にも、法律にも使えます。
5学部連係は、この「使う先」を広げられる仕組みとして見ると意味があります。
3.1学年60人という少人数
大学は、1学年60人・基幹教員20人程度(特設サイトの表記。設置の届出書類では15名)という体制を掲げています。
大学側も、実データを用いた研究を教員と学生が取り組みやすい少人数体制を、学環を選んだ理由の一つとして説明しています。
ただし、単純に「学生3人につき教員1人の指導が受けられる」という意味ではありません。基幹教員数をそのまま授業上の教員学生比として解釈しない方がよいでしょう。
4.青山キャンパスで学ぶ
表参道駅から徒歩約5分、渋谷駅から徒歩約10分です。
企業・行政などの外部機関との共同研究を、大学側も構想しています。
産学連携の実績は、開設後に見たいところです。
一方で、新設だからこそ注意したいこと
最大の注意点は「実績がまだ存在しない」こと
統計データサイエンス学環は2027年4月開設予定です。
したがって2026年10月時点では、
- 在学生の授業評価
- 卒業生の進路
- 就職実績
- 大学院進学実績
- 研究室ごとの実際の運営
- PBLや企業連携の実施実績
はまだありません。
「データサイエンス人材は需要があるから就職に強い」
と、そのまま学環の就職力へ変換することはできません。
大学は将来の進路例として、
- データサイエンティスト
- AI・機械学習エンジニア
- コンサルティング
- マーケティング
- 金融・FinTech
- 製造・建設
- リーガルテック
- 教育・公共
- 大学院・研究
などを挙げていますが、これは想定される進路であり、卒業実績ではありません。
大学院進学まで考えた方がいい?
データサイエンスを高度な専門職として続けたいなら、大学院もかなり相性のよい分野です。
実際、学環設置をめぐる大学公式の対談では、学長と開設準備室側の双方が、より高度な専門性を身につけるため大学院進学を重視する考えを示しています。
研究開発や高度な統計・機械学習を専門にしたい人は、
4年間だけではなく、4年+大学院まで含めて進路を考える価値がある学問分野
でしょう。
どんな人なら統計データサイエンス学環を候補に入れたい?
学環名ではなくカリキュラムから考えると、特に相性がよさそうなのは次のような人です。
- 数学を実社会の問題へ使ってみたい
- 統計学そのものをしっかり学びたい
- Pythonでデータ分析をしたい
- AI・機械学習も「仕組み」から理解したい
- データから「なぜこうなっているのか」を考えるのが好き
- 経済・経営・教育・法律などにも興味があるが、専門の軸はデータ分析に置きたい
- 将来的にデータサイエンティストや分析職、研究職なども考えたい
特に、
「統計は好き。でも数学科ほど純粋数学一本ではなく、実際の社会データへ使いたい」
という人には確認する価値が高い学環です。
逆に、別の学部も比較した方がよい人
人間や社会そのものを中心に考えたい
→ 社会情報学部
統計・情報技術も使いますが、社会・人間・情報を横断すること自体が中心です。
アプリ・Web・ロボット・XR・ソフトウェアなどを作りたい
→ 理工学部 情報テクノロジー学科
データ分析より「情報技術を作る」側へ広く進みたいなら、こちらも比較すべきです。
数学そのものを深く研究したい
→ 理工学部 数理サイエンス学科
データへの応用より数学自体への興味が強いなら、数理サイエンス学科まで見た方がよいでしょう。
「青山キャンパスに行きたい」が最優先
キャンパスだけで学環を選ぶのはおすすめしません。
4年間、微積分・線形代数・統計・プログラミングと付き合う学環です。
キャンパスの魅力より、その勉強をしたいかを先に確認したいところです。
図3
関心から考える:学環・社会情報学部・理工学部
学環名ではなく、何を主語にして4年間学ぶのかから考える
何を主語にして4年間学びたい?
- データから説明・予測・判断したい
- 統計データサイエンス学環 例: 専門の軸はデータ分析に置き、経済・経営・教育・法律などへ応用する
- 人・社会・情報の関係を考えたい
- 社会情報学部 例: 統計・情報技術も使うが、社会・人間・情報を横断すること自体が中心
- 技術・システム自体を作りたい
- 理工学部 情報テクノロジー学科 例: アプリ・Web・ロボット・XR・ソフトウェアなど
- 数学そのものを深く研究したい
- 理工学部 数理サイエンス学科
入試難易度は? 2027年度が初年度なので数字の扱いに注意
2027年度入試について、河合塾Kei-Netは2026年9月7日更新のボーダー予想(2026年9月現在の予想)で、
- 一般選抜(全学部日程):偏差値60.0
- 大学入学共通テスト利用入学者選抜(Kei-Netの表記は[共テ]4科目型):82%
- 一般選抜(個別学部日程)の共通テストの部分(Kei-Netの表記は[共テ]個別学部日程):80%
をボーダー予想としています。
ただし、これは初年度入試に対する予想値です。
過去の合格者データから学環自体の難易度推移を判断できる段階ではありません。
また、青山学院大学は2027年度一般選抜の募集人員・試験科目・配点の概要を公表済みですが、正式な一般選抜・共通テスト利用の入学者選抜要項は、2026年10月3日時点で「11月中旬頃に公表予定」としています。受験する場合は、最終的に正式要項で確認してください。
偏差値は学校の価値を示す数字ではなく、あくまでその入試方式での難易度を見る指標として使うのがよいでしょう。
結局、青学の統計データサイエンス学環をどう見るべき?
統計データサイエンス学環を、
「青学に新しくできるAI系学部」
とだけ捉えると、本質をかなり落とします。
実際のカリキュラムを見ると、
数学を土台に統計を体系的に学び、Pythonで実装し、機械学習や高度なデータ解析へ進み、その分析力を経済・経営・教育・法律などへ広げる
という構造がかなり明確です。
その意味では、社会情報学部と理工学部の「中間」でもありません。
- 社会情報学部は、人・社会・情報をつなぐ
- 情報テクノロジー学科は、情報技術・システムをつくる
- 統計データサイエンス学環は、データから知識を取り出す方法を専門にする
という違いがあります。
一方で、新設である以上、就職実績や学生の評価はまだありません。
現時点で評価できるのは、制度とカリキュラムの設計です。
その設計だけを見るなら、「データサイエンス」という流行語を冠しただけではなく、解析学・線形代数・数理統計・ベイズ・機械学習・Python・卒業研究まで積み上げる専門課程として、かなり輪郭ははっきりしています。
だからこそ、志望を考えるなら、
「青学だから」ではなく、「自分は統計とデータ分析を4年間やりたいのか」
を最初の判断基準にするのがよいと思います。
FAQ
青山学院大学の「学環」は学部より下ですか?
制度上、通常の学部とは組織の作り方が異なりますが、学部相当の学士課程です。学生は統計データサイエンス学環に所属し、卒業すると「学士(データサイエンス)」が授与されます。
プログラミング初心者でも入れますか?
大学は「プログラミング基礎Ⅰ・Ⅱ」でPythonを基礎から学ぶとしています。一方で、数学の基礎力をアドミッション・ポリシーで求めており、入学後も微積分・線形代数・統計学などを学びます。
何のプログラミング言語を使いますか?
現時点で公式に確認できるのはPythonです。公開されている「プログラミング基礎Ⅰ・Ⅱ」でPythonを使用すると明記されています。
社会情報学部でもデータサイエンスは学べますか?
学べます。社会情報学部にも統計入門、コンピューティング実習、データ分析などがあります。ただし、社会情報学部では社会・情報・人間の融合が中心であり、統計データサイエンス学環では統計・データサイエンス自体が専門の中心です。
AIエンジニアを目指すなら学環と情報テクノロジー学科のどちらですか?
仕事内容によります。統計・データ分析・機械学習を軸にしたいなら学環、ソフトウェア、Web、XR、ロボティクスなど情報技術全体まで広げたいなら情報テクノロジー学科も比較すべきです。情報テクノロジー学科はAIだけでなく4つの技術領域を幅広く扱います。
就職に強いですか?
2027年開設予定のため、2026年10月時点では卒業生がおらず、学環自身の就職実績はまだ評価できません。大学はデータサイエンス、AI、コンサル、金融、製造、リーガルテック、公共分野、大学院などを想定進路として挙げています。
関連語
筆者 めめ
入試方式は、公式サイトで確認する
入試方式や
- リンク先のページ
- 「入学者選抜情報
(学部)」 (青山学院大学 統計 データサイエンス 学環の 公式サイト。 2026/10/29 確認)
筆者について
筆者の