JP2016114694A - 指導支援プログラム、方法、及び装置 - Google Patents

Abstract

【課題】 本発明の課題は、ドロップアウトが予測される学生に対する指導を支援することを目的とする。【解決手段】 上記課題は、ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、処理をコンピュータに実行させることを特徴とする指導支援プログラムにより達成される。【選択図】 図１４

Description

本発明は、指導支援プログラム、方法、及び装置に関する。

近年、大学において、退学、除籍により大学から離学（ドロップアウト）する学生の人数が年々増加傾向にある。そのため、学生にどのような指導をすればよいのか、どのような教材を用いればよいのかを、学習者の得点、偏差値、及び所属タイプ等に基づいて呈示するシステム等が知られている。

また、学生が履修した科目等の学業成績の分析を通して、学生が身に着けた能力に応じて次回履修すべき推奨科目を抽出する技術等が提案されている。

特開２００６−０７２１２２号公報 特開２０１２−１９４５０７号公報

しかしながら、学生がドロップアウトする要因は様々であり、上述した技術のように科目の学業成績に基づいた観点からでは、ドロップアウトする前の段階で、どの学生がドロップアウトしそうであるかを予測するのは困難である。

現状では、大学の職員又は教員が学生の様々な情報を参照し、個人の視点で注意喚起が必要な学生をピックアップし指導している。

ドロップアウトする学生数の増加は、学生からの学費収入の減少による経営面の問題、また、対外的な大学のブランドイメージの低下といった問題を引き起こす要因となっており、大学側では事前にドロップアウトの予兆を掴んで抑止したいというニーズが高まっている。その一方で、学生指導は、職員や教員の負担でもある。

したがって、１つの側面では、本発明は、ドロップアウトが予測される学生に対する指導を支援することを目的とする。

一態様によれば、上記課題は、ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、処理をコンピュータに実行させることを特徴とする指導支援プログラムが提供される。

また、上記課題を解決するための手段として、指導支援方法、指導支援装置、及び指導支援プログラムを記憶した記憶媒体とすることもできる。

ドロップアウトが予測される学生に対する指導を支援することができる。

指導支援装置のハードウェア構成を示す図である。 指導支援装置の機能構成例を示す図である。 各テーブルの構成例を示す図である。 第１重み付け部による第１重み付け処理の概要を説明するための図である。 第１重み付け処理を説明するためのフローチャート図である。 傾向分類処理を説明するためのフローチャート図である。 回復予測部のリスク値取得部によるリスク値取得処理の概要を説明するための図である。 第２重み付け処理を説明するためのフローチャート図である。 リスク値計算処理を説明するためのフローチャート図である。 期待値計算部による期待値計算処理の概要を説明するための図である。 リカバリ期待値計算処理を説明するためのフローチャート図である。 総合評価部による総合評価処理の概要を説明するための図である。 総合評価処理を説明するためのフローチャート図である。 結果表示部によって表示される結果画面例を示す図である。 学生カルテ画面の例を示す図である。

以下、本発明の実施の形態を図面に基づいて説明する。本実施例では、過去数年の傾向からドロップアウトする学生のパターンを掴んで、ドロップアウトするパターンに合致する学生のうち、大学側が指導した際にドロップアウトを回避可能な期待の高い学生を予測する。ドロップアウトとは、大学を卒業する前に退学、除籍により大学から離学することをいう。

本実施例に係る指導支援装置は、図１に示すようなハードウェア構成を有する。図１は、指導支援装置のハードウェア構成を示す図である。図１において、指導支援装置１００は、コンピュータによって制御される情報処理装置であって、ＣＰＵ（Central Processing Unit）１１と、主記憶装置１２と、補助記憶装置１３と、入力装置１４と、表示装置１５と、通信Ｉ／Ｆ（インターフェース）１７と、ドライブ装置１８とを有し、バスＢに接続される。

ＣＰＵ１１は、主記憶装置１２に格納されたプログラムに従って指導支援装置１００を制御する。主記憶装置１２には、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等が用いられ、ＣＰＵ１１にて実行されるプログラム、ＣＰＵ１１での処理に必要なデータ、ＣＰＵ１１での処理にて得られたデータ等を記憶又は一時保存する。

補助記憶装置１３には、ＨＤＤ（Hard Disk Drive）等が用いられ、各種処理を実行するためのプログラム等のデータを格納する。補助記憶装置１３に格納されているプログラムの一部が主記憶装置１２にロードされ、ＣＰＵ１１に実行されることによって、各種処理が実現される。

入力装置１４は、マウス、キーボード等を有し、ユーザが指導支援装置１００による処理に必要な各種情報を入力するために用いられる。表示装置１５は、ＣＰＵ１１の制御のもとに必要な各種情報を表示する。通信Ｉ／Ｆ１７は、有線又は無線などのネットワークを通じて通信を行う。通信Ｉ／Ｆ１７による通信は無線又は有線に限定されるものではない。

指導支援装置１００によって行われる処理を実現するプログラムは、例えば、ＣＤ−ＲＯＭ（Compact Disc Read-Only Memory）等の記憶媒体１９によって指導支援装置１００に提供される。

ドライブ装置１８は、ドライブ装置１８にセットされた記憶媒体１９（例えば、ＣＤ−ＲＯＭ等）と指導支援装置１００とのインターフェースを行う。

また、記憶媒体１９に、後述される本実施の形態に係る種々の処理を実現するプログラムを格納し、この記憶媒体１９に格納されたプログラムは、ドライブ装置１８を介して指導支援装置１００にインストールされる。インストールされたプログラムは、指導支援装置１００により実行可能となる。

尚、プログラムを格納する記憶媒体１９はＣＤ−ＲＯＭに限定されず、コンピュータが読み取り可能な、構造（structure）を有する１つ以上の非一時的（non-transitory）な、有形（tangible）な媒体であればよい。コンピュータ読取可能な記憶媒体として、ＣＤ−ＲＯＭの他に、ＤＶＤディスク、ＵＳＢメモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリであっても良い。

図２は、指導支援装置の機能構成例を示す図である。図２において、指導支援装置１００は、主に、傾向分析部４１と、回復予測部４４と、結果表示部５０とを有する。また、補助記憶装置１３には、学籍テーブル５１、学生属性テーブル５２、異動履歴テーブル５３、成績テーブル５４等が予め格納されている。更に、第１重み付けテーブル６１、年度傾向分析結果６２、第２重み付けテーブル６３、学生リスクテーブル６４、学生リカバリテーブル６５、注意喚起学生テーブル６６等が、傾向分析部４１と、回復予測部４４とによって作成され、補助記憶装置１３に記憶される。

傾向分析部４１は、学生の属性によってドロップアウトの傾向があるか否かを分析する。傾向分析部４１は、第１重み付け部４２と、傾向分類部４３とを有する。

第１重み付け部４２は、過去の学生毎のドロップアウト有無に基づいて、属性毎にドロップアウトとの相関性の程度を示す重み付けを行う。属性毎に、過去のドロップアウト有無の状況に基づく第１重み付け度を示す第１重み付けテーブル６１が補助記憶装置１３に記憶される。

傾向分類部４３は、第１重み付け部４２によって得られた第１重み付け度を用いて、各属性の年度経過による傾向を分析する。第１重み付けテーブル６１を参照し、年度毎の第１重み付け度を移動平均により、上昇傾向、下降傾向、又は不定傾向のいずれかに分類する。傾向分類部４３による傾向分析結果６２が補助記憶装置１３に記憶される。

回復予測部４４は、ドロップアウトする可能性のある学生のうち、再履修により修了する傾向のある学生を予測する。回復予測部４４は、リスク値取得部４５と、リカバリ期待値計算部４８と、総合評価部４９とを有する。

リスク値取得部４５は、リスク値計算対象の入学年度の学生に対して、ドロップアウトする可能性を示すリスク値を取得する。リスク値取得部４５は、第２重み付け部４６と、リスク値計算部４７とを有する。

第２重み付け部４６は、リスク値計算対象の入学年度の学生のドロップアウト有無に基づいて、属性毎にドロップアウトとの相関性の程度を示す重み付けを行う。属性毎に、リスク値計算対象の入学年度のドロップアウト有無の状況に基づく第２重み付け度を示す第２重み付けテーブル６３が補助記憶装置１３に記憶される。

リスク値計算部４７は、第２重み付け部４６によって得られた第２重み付け度を用いて、各学生のドロップアウトリスク（退学リスク）を算出する。学生毎に、ドロップアウトリスクを示した学生リスクテーブル６４が補助記憶装置１３に記憶される。

リカバリ期待値計算部４８は、過去の落第した学生のうち、２度目の履修で単位を修得した学生の傾向に基づいて、リスク値取得部４５の結果に基づいて、ドロップアウトリスクの高い学生に対して、再履修により単位修得可能な程度を示すリカバリ期待値を算出する。学生毎に、リカバリ期待値を示した学生リカバリテーブル６５が補助記憶装置１３に記憶される。リカバリとは、落第した科目を再履修により修了することである。リカバリ期待値は、リカバリする可能性の度合、即ち、落第した科目を再履修により修了できる期待値を示す。

総合評価部４９は、学生リスクテーブル６４と、学生リカバリテーブル６５とを参照して、学生毎に、ドロップアウトリスクとリカバリ期待値とに基づいて、ドロップアウトに係る指導の必要性を総合評価する。総合評価部４９は、学生毎に、ドロップアウトリスクとリカバリ期待値とを合算し、学生毎に、所属学部と、ドロップアウトリスクと、リカバリ期待値と、総合評価値とを対応付けた注意喚起学生テーブル６６を出力する。

結果表示部５０は、回復予測部４４による結果を表示装置１５に表示する。結果表示部５０は、注意喚起学生テーブル６６に基づいて、注意喚起することでリカバリする可能性の高い順に学生を一覧にして表示する。即ち、結果表示部５０は、リカバリ期待値に基づいて、再履修することで修了可能な程度を「高」、「中」、及び「低」の３段階で、ドロップアウトが予測される学生を分類する。そして、結果表示部５０は、リカバリ期待値を考慮して、ドロップアウトが予測される学生群を、再履修により修了する可能性が高い順に順位付け（ソート）して注意喚起リスト６５ｔ（図１４）を作成して、表示装置１５に表示する。

また、大学の職員又は教員等のユーザによって、一覧から学生が選択された場合、結果表示部５０は、選択された学生に係る学生カルテ画面Ｇ７１（図１５）を作成して表示する。学生カルテ画面Ｇ７１は、注意喚起学生テーブル６６から取得した選択された学生のデータに加えて、傾向分析結果６２に基づいて、ドロップアウトと相関関係にある属性のドロップアウトに対する影響度に関する情報を表示し、また、第２重み付けテーブル６３を用いて得た選択された学生の属性値をレーダーチャートで示す。

図３は、各テーブルの構成例を示す図である。図３において、学籍テーブル５１は、学生毎に、基本情報を対応付けたテーブルであり、学籍番号、内部管理番号、氏名、所属、入学年度等の項目を有する。

学籍番号は、学生証に記される、学生に一意に付与される番号を示す。内部管理番号は、管理番号を示し、学生を一意に識別可能である。氏名は、学生のフルネームを示す。所属学部は、学生が所属する学部を示す。入学年度は、学生が入学した年度を示す。

学生属性テーブル５２は、予め実証実験において取得したドロップアウトと関連する属性について、学生毎に管理するテーブルであり、主に、学生番号、男性フラグ、一般入試受験フラグ、ＡＯ（Admissions Office）入試フラグ、推薦入試受験フラグ、奨学金受給フラグ、１年前期、１年後期、１年後期−１年前期変化量等の項目を有する。

学籍番号は、学籍テーブル５１で登録済みの学籍番号を示す。男性フラグは、学生が男性又は女性かを示す。学生が男性の場合には「１」を示し、女性の場合には「０」を示す。

一般入試受験フラグは、一般入試受験による入学であるのか否かを示す。学生が、一般入試受験による入学である場合には「１」を示し、そうでない場合には「０」を示す。ＡＯ（Admissions Office）入試受験フラグは、ＡＯ入試受験による入学であるのか否かを示す。学生が、ＡＯ入試受験による入学である場合には「１」を示し、そうでない場合には「０」を示す。

推薦入試受験フラグは、推薦入試受験による入学であるのか否かを示す。学生が、推薦入試受験による入学である場合には「１」を示し、そうでない場合には「０」を示す。奨学金受給フラグは、奨学金を受給しているのか否かを示す。学生が、奨学金を受給している場合には「１」を示し、そうでない場合には「０」を示す。

１年前期は、学生の１年前期における履修及び修了状況に係るデータを示す。１年後期は、学生の１年後期における履修及び修了状況に係るデータを示す。１年後期−１年前期変化量は、学生の１年前期の結果と１年後期の結果に基づく変化量を示す。

１年前期、１年後期、及び１年後期−１年前期変化量の各々は、履修単位数、単位修得率、ＧＰＡ（Grade Point Average）、出席率平均、出席率分散等の項目を有する。

履修単位数は、学生が履修した科目の単位の合計を示す。単位修得数は、学生が修得した単位の合計を示す。ＧＰＡは、学生の成績を示す。出席率平均は、全授業日数に対する学生が出席した日数の割合を示す。出席率分散は、学生の出席率の分散を示す。

この例では、学生が入学後１年が経過した時点で、ドロップアウトリスクを計算する場合の構成例を示しているが、２年が経過した時点でドロップアウトリスクを計算してもよい。その場合、２年間の経過に基づいてドロップアウトのリスクを予測するために、２年前期、２年後期等の項目を追加し、１年後期−１年前期変化量の代わりに、２年後期−１年前期変化量としてもよい。以下の説明では、図３に示す例で説明する。

異動履歴テーブル５３は、異動があった学生を管理するテーブルであり、学籍番号、異動種類、異動年度等の項目を有する。

学籍番号は、異動の有った学生の学籍番号を示す。異動種類は、退学、除籍などを示す。異動年度は、学生が異動した年度を示す。

成績テーブル５４は、各学生の成績を管理するテーブルであり、学籍番号、年度、科目、及び合否等の項目を有する。学籍番号は、学籍テーブル５１で登録済みの学籍番号を示す。年度は、合否が示された年度を示す。科目は、履修した科目を示す。合否は、履修した科目に対する合否結果を示す。

次に、各処理部について説明する。先ず、傾向分析部４１による傾向分析処理について説明する。傾向分析処理は、第１重み付け部４２による第１重み付け処理と、傾向分類部４３による傾向分類処理とを有する。

図４は、第１重み付け部による第１重み付け処理の概要を説明するための図である。図４において、第１重み付け部４２は、学籍テーブル５１と、学生属性テーブル５２と、異動履歴テーブル５３とを参照して、過去の学生のドロップアウト有無から、各属性のドロップアウトとの相関性を示す第１重み付け度を算出する。

ドロップアウト有無については、異動履歴テーブル５３の異動種類から得られる。異動履歴テーブル５３の異動種類に「退学」が示される場合、その学生はドロップアウトしたと判断できる。学生属性テーブル５２の項目をドロップアウトとの相関性を検証する属性として取得する。各学生の項目の値が属性値となる。

学生属性テーブル５２で管理される各属性について、各学生の属性値とドロップアウトの有無に基づいて、第１重み付け度が取得される。

学籍テーブル５１に登録されている学籍番号によって、学生属性テーブル５２と、異動履歴テーブル５３とは関連付られるため、各学生のドロップアウト有無と、各属性の値とを取得可能である。

第１重み付け部４２は、年度毎に、各属性と第１重み付け度とを示した第１重み付けテーブル６１を補助記憶装置１３に出力し記憶する。

図５は、第１重み付け処理を説明するためのフローチャート図である。図５において、第１重み付け部４２は、学籍テーブル５１、学生属性テーブル５２、及び異動履歴テーブル５３の夫々を年度単位に分割して、年度単位テーブルを作成する（ステップＳ４２０１）。

そして、第１重み付け部４２は、学籍テーブル５１、学生属性テーブル５２、及び異動履歴テーブル５３の夫々から、最も古い入学年度を示す年度単位テーブルを読み込む（ステップＳ４２０２）。

第１重み付け部４２は、異動履歴の年度単位テーブルにおて、異動種類を参照して、「退学」を「１」、「退学」以外を「０」にマッピングした値を、退学フラグの値とする（ステップＳ４２０３）。

そして、第１重み付け部４２は、「学籍番号」、ドロップアウトリスク計算に用いる「学生属性群」、及び「退学フラグ」を示すデータを作成する（ステップＳ４２０４）。「学生属性群」は、学生属性テーブル５２の項目の全て又はその一部に相当する。ユーザが、予めドロップアウトリスク計算に用いる属性を、学生属性テーブル５２の項目から選択できるようにしてもよい。

作成されたデータには、学生毎に、ドロップアウトリスク計算に用いる「学生属性群」として、ドロップアウトリスク計算に用いる属性の値のセットと、「退学フラグ」の値が示される。

第１重み付け部４２は、ステップＳ４２０４で作成したデータから順にレコードを取得して、取得したレコードに示される「学籍番号」に対して、目的変数に「学生属性群」を設定し、説明変数に「退学フラグ」を設定して、ロジスティック回帰分析を行って、「学籍番号」毎のモデルを作成する（ステップＳ４２０５）。モデルを作成することにより、各属性の第１重み付け度を取得できる。

そして、第１重み付け部４２は、第１重み付けテーブル６１に、「入学年度」と「属性」と「重み付け度」とを示すレコードを追加する（ステップＳ４２０６）。モデルを作成した「学籍番号」毎に、処理対象とした「入学年度」における、「属性」毎に「第１重み付け度」を示したレコードが、第１重み付けテーブル６１に追加される。

その後、第１重み付け部４２は、全ての年度を処理したか否かを判断する（ステップＳ４２０７）。全ての年度を処理していない場合、第１重み付け部４２は、次に古い入学年度各テーブル５１〜５３の年度単位テーブルを読み込み（ステップＳ４２０８）、ステップＳ４２０３へと進み、上述同様の処理を繰り返す。

一方、全ての年度の処理を終了した場合、第１重み付け部４２は、この第１重み付け処理を終了する。

次に傾向分析部４１の傾向分類部４３によって行われる傾向分類処理について説明する。図６は、傾向分類処理を説明するためのフローチャート図である。傾向分類部４３は、過去５年、１０年等の所定年数を対象に、以下の処理を行う。

図６において、傾向分類部４３は、所定間隔で、年度経過の傾向の表示指示を入力装置１４から受信したか否かを判断する（ステップＳ４３０１）。年度経過の傾向の表示指示を受信していない場合（ステップＳ４３０１のＮＯ）、表示指示を受信するまで待ち状態となる。

一方、年度経過の傾向の表示指示を受信した場合、傾向分類部４３は、第１重み付け部４２によって作成された第１重み付けテーブル６１を参照して、各年度の、第１重み付け度の移動平均を計算し（ステップＳ４３０２）、属性毎に移動平均の推移を解析し、上昇傾向、下降傾向、又は不定傾向のいずれかに分類する（ステップＳ４３０３）。

上昇傾向にある属性は、所定年数の間に初期の頃よりドロップアウトとの相関性が高くなっていることを示す。言い換えると、ドロップアウトへの影響度が高くなっているともいえる。

下降傾向にある属性は、所定年数の間に初期の頃よりドロップアウトとの相関性が低くなっていることを示す。言い換えると、ドロップアウトへの影響度が低くなっているともいえる。

不定傾向にある属性は、所定年数の間に初期の頃から所定年数の年度経過において、上昇傾向も下降傾向も示さない、又は、上昇したり下降する変動があったとしてもいずれであるかを判断できないバラバラな傾向であることを示す。

傾向分類部４３による結果を示す傾向分析結果６２が補助記憶部１３に格納される。その後、傾向分類処理は終了し、また、傾向分析部４１による傾向分析処理も終了となる。

次に、回復予測部４４による回復予測処理について説明する。先ず、回復予測部４４のリスク値取得部４５によるリスク値取得処理を説明する。リスク値取得処理は、第２重み付け部４６による第２重み付け処理と、リスク値計算部４７によるリスク値計算処理部を有する。

図７は、回復予測部のリスク値取得部によるリスク値取得処理の概要を説明するための図である。図７において、回復予測部４４のリスク値取得部４５において、第２重み付け部４６は、学籍番号で関連付られる、学籍テーブル５１と、学生属性テーブル５２と、異動履歴テーブル５３とを参照して、リスク値計算対象の入学年度におけるドロップアウト有無から、各属性のドロップアウトとの相関性を示す第２重み付け度を取得すると共に、ドロップアウトするリスク値を予測するモデルを作成する。

学生属性テーブル５２で管理される各属性について、学生属性テーブル５２で管理される、リスク値計算対象の入学年度の各学生の属性値とドロップアウト有無に基づいて、第２重み付け度が取得される。

第２重み付け部４６は、リスク値計算対象の入学年度における、各属性と第２重み付け度とを示した第２重み付けテーブル６３を補助記憶装置１３に出力し記憶する。

そして、回復予測部４４のリスク値取得部４５において、リスク値計算部４７は、第２重み付けテーブル６３によって作成されたモデルを用いて、対象の入学年度の学生毎に学生属性テーブル５２から属性値を取得してモデルに代入し、リスク値を取得する。学籍番号とリスク値とを示す学生リスクテーブル６４が補助記憶装置１３に格納される。

図８は、第２重み付け処理を説明するためのフローチャート図である。図８において、第２重み付け部４６は、学籍テーブル５１、学生属性テーブル５２、及び異動履歴テーブル５３の各々から、リスク値計算対象の入学年度のレコードを抽出して、入学年度テーブルを作成する（ステップＳ４６０１）。

異動履歴の入学年度テーブルにおいて、異動種類参照して、「退学」を「１」、「退学」以外を「０」にマッピングした値を、退学フラグの値とする（ステップＳ４６０２）。

そして、第２重み付け部４６は、「学籍番号」、ドロップアウトリスク計算に用いる「学生属性群」、及び「退学フラグ」を示すデータを作成する（ステップＳ４６０３）。「学生属性群」は、学生属性テーブル５２の項目の全て又はその一部に相当する。ドロップアウトリスク計算に用いる属性は、傾向分析部４１で対象とした属性と同一である。

第２重み付け部４６は、ステップＳ４６０３で作成したデータから順にレコードを取得して、取得したレコードに示される「学籍番号」に対して、目的変数に「学生属性群」を設定し、説明変数に「退学フラグ」を設定して、ロジスティック回帰分析を行って、「学籍番号」毎のモデルを作成する（ステップＳ４６０４）。モデルを作成することにより、各属性の第２重み付け度を取得できる。

第２重み付け部４６によるモデルの作成では、傾向分析部４１の傾向分類部４３によって得られた傾向分析結果５２が参照され、過去においてドロップアウトとの相関性が上昇傾向にある属性では、上昇程度に応じて重み付けを大きくする方向に影響させる。一方、過去においてドロップアウトとの相関性が下降傾向にある属性では、下降程度に応じて重み付けを小さくする方向に影響させる。

そして、第２重み付け部４６は、第２重み付けテーブル６３に、「入学年度」と「属性」と「重み付け度」とを示すレコードを追加する（ステップＳ４６０５）。モデルを作成した「学籍番号」毎に、処理対象とした「入学年度」における、「属性」毎に「第２重み付け度」を示したレコードが、第２重み付けテーブル６３に追加される。

第２重み付け部４６による第２重み付け処理後に行われるリスク値計算部４７によるリスク値計算処理について説明する。図９は、リスク値計算処理を説明するためのフローチャート図である。

図９において、リスク値計算部４７は、学籍テーブル５１と、学生属性テーブル５２と、異動履歴テーブル５３の各々からリスク値計算対象の入学年度のレコードを抽出して、入学年度の各テーブルを作成する（ステップＳ４７０１）。

リスク値計算部４７は、「学籍番号」及び「学籍番号」、ドロップアウトリスク計算に用いる「学生属性群」、及び「退学フラグ」を示すデータを作成する（ステップＳ４７０２）。「学生属性群」は、学生属性テーブル５２の項目の全て又はその一部に相当する。ドロップアウトリスク計算に用いる属性は、傾向分析部４１で対象とした属性と同一である。

作成されたデータには、学生毎に、ドロップアウトリスク計算に用いる「学生属性群」として、ドロップアウトリスク計算に用いる属性の値のセットと、「退学フラグ」の値が示される。

リスク値計算部４７は、第２重み付け処理で作成したモデルに、学生のドロップアウトリスク計算に使う「学生属性群」を当て嵌めて、退学リスクを計算する（ステップＳ４７０３）。

そして、リスク値計算部４７は、学生リスクテーブルに「学籍番号」と「退学リスク値」とを示す学生リスクテーブル６４を出力する（ステップＳ４７０４）学生リスクテーブル６４は、補助記憶装置１３に記憶される。

次に、回復予測部４４のリカバリ期待値計算部４８について説明する。図１０は、期待値計算部による期待値計算処理の概要を説明するための図である。図１０において、リカバリ期待値計算部４８は、学籍テーブル５１と、学生属性テーブル５２と、異動履歴テーブル５３と、及び成績テーブル５４とを参照して、学生がドロップアウトする可能性から回復する期待値（リカバリ期待値）を算出する。

学籍テーブル５１と、学生属性テーブル５２と、異動履歴テーブル５３と、及び成績テーブル５４とは、学籍テーブル５１で登録された学籍番号で関連付けされていることは前述した通りである。

リカバリ期待値計算部４８は、リカバリ値計算対象の入学年度の学生のうち、落第した学生が修了できなかった科目を再履修することで修了するリカバリ率を取得する。リカバリ期待値計算部４８は、得られたリカバリ率から求めたトータルリカバリ率に対して、最大値を１００とし、最小値を０として、各学生の再履修することで修了できる見込みを示すリカバリ期待値を算出する。学籍番号毎にリカバリ期待値を示す学生リカバリテーブル６５が出力され補助記憶装置１３に格納される。

図１１は、リカバリ期待値計算処理を説明するためのフローチャート図である。図１１において、リカバリ期待値計算部４８は、学籍テーブル５１、学生属性テーブル５２、異動履歴テーブル５３、及び成績テーブル５４の各々から、リスク値計算対象の入学年度のレコードを抽出して、入学年度の各テーブルを作成する（ステップＳ４８０１）。そして、リカバリ期待値計算部４８は、学籍の入学年度テーブルから「学籍番号」を１つ取得する（ステップＳ４８０２）。

リカバリ期待値計算部４８は、成績の入学年度テーブルの合否を参照して、取得した「学籍番号」の学生が落第した科目があるか否かを判断する（ステップＳ４８０３）。落第した科目がない場合（ステップＳ４８０３のＮＯ）、リカバリ期待値計算部４８は、ステップＳ４８１５へと進む。

一方、落第した科目がある場合（ステップＳ４８０３のＹＥＳ）、リカバリ期待値計算部４８は、成績の入学年度テーブルを参照して、取得した「学籍番号」の学生が落第した科目を特定する（ステップＳ４８０４）。成績の入学年度テーブルを参照して、「学籍番号」を同一とするレコードにおいて、リカバリ期待値計算部４８は、合否が「否」を示す科目名を全て抽出する。そして、リカバリ期待値計算部４８は、ステップＳ４８０４で取得した科目名から１つを選択する（ステップＳ４８０５）。

リカバリ期待値計算部４８は、成績の入学年度テーブルを参照して、リスク値計算対象の入学年度から過去ｘ年間において、初回履修で落第した、即ち、修了できなかった学生をカウントする（ステップＳ４８０６）。また、リカバリ期待値計算部４８は、リスク値計算対象の入学年度から過去ｘ年間において、２度目の履修で単位修得した学生をカウントする（ステップＳ４８０７）。

そして、リカバリ期待値計算部４８は、学生が落第した科目のリカバリ率を計算する（ステップＳ４８０８）。

リカバリ率 ＝ 初回履修で落第した学生数
÷ ２度目の履修で単位修得した学生数
によって算出できる。

リカバリ期待値計算部４８は、同じ学生に対して、全ての科目名に対してリカバリ率を計算したか否かを判断する（ステップＳ４８０９）。全ての科目名に対してリカバリ率を計算していない場合（ステップＳ４８０９のＮＯ）、リカバリ期待値計算部４８は、ステップＳ４８０５で取得した科目名の中から次の科目名を１つ選択して（ステップＳ４８１０）、ステップＳ４８０６へと進み、上述した同様の処理を繰り返す。

一方、合否が「否」であった全ての科目に対してリカバリ率を計算した場合（ステップＳ４８０９のＹＥＳ）、リカバリ期待値計算部４８は、ステップＳ４８０５で複数の科目名を抽出したか否かを判断する（ステップＳ４８１１）。

抽出された科目名は１つであった場合（ステップＳ４８１１のＮＯ）、リカバリ期待値計算部４８は、抽出された科目名に対するリカバリ率をトータルリカバリ率とする（ステップＳ４８１２）。一方、複数の科目名を抽出した場合、リカバリ期待値計算部４８は、全てのリカバリ率を掛け算してトータルリカバリ率を取得する（ステップＳ４８１３）。

トータルリカバリ率を取得後、リカバリ期待値計算部４８は、「学籍番号」と「トータルリカバリ率」の組み合せを補助記憶装置１３に格納する（ステップＳ４８１４）。

そして、リカバリ期待値計算部４８は、全ての「学籍番号」に対して処理したか否かを判断する（ステップＳ４８１５）。未処理の「学籍番号」が存在する場合（ステップＳ４８１５のＮＯ）、リカバリ期待値計算部４８は、ステップＳ４８０２へと戻り、次の「学籍番号」の学生に対して上記同様の処理を繰り返す。

一方、全ての「学籍番号」に対して処理した場合（ステップＳ４８１５のＹＥＳ）、リカバリ期待値計算部４８は、「トータルリカバリ率」の最大値を１００とし、最小値を０として、各学生の「トータルリカバリ率」を評価することで「リカバリ期待値」を取得する（ステップＳ４８１６）。

そして、リカバリ期待値計算部４８は、「学籍番号」に「リカバリ期待値」を対応付けた学生リカバリテーブル６５を補助記憶装置１３に格納する（ステップＳ４８１７）。そして、リカバリ期待値計算処理は終了する。

次に、回復予測部４４の総合評価部４９について説明する。図１２は、総合評価部による総合評価処理の概要を説明するための図である。

図１２において、総合評価部４９は、リスク値計算部４７によって得られた学生リスクテーブル６４と、リカバリ期待値計算部４８によって得られた学生リカバリテーブル６５と、学籍テーブル５１とを参照して、リスク値計算対象の入学年度の学生のうち、履修科目を修了できなかった学生に関して、総合評価を行う。

学生リスクテーブル５４と、学生リカバリテーブル６５と、学籍テーブル５１とは、学籍番号で関連付けられている。

総合評価部４９は、学生リスクテーブル５４によって示される各学籍番号に対して、リスク値とリカバリ期待値とを合計することで総合評価を算出する。リスク値は、学生リスクテーブル６４から取得され、リカバリ期待値は、学生リカバリテーブル６５から取得される。

そして、総合評価部４９は、学籍テーブル５１において、学生リスクテーブル５４によって示される各学籍番号を示すレコードから氏名と、所属学部とを取得して、注意喚起学生テーブル６５を作成し、補助記憶装置１３に格納する。注意喚起学生テーブル６５では、学生リスクテーブル６４で示される学籍番号毎に、氏名、所属学部、リスク値、リカバリ期待値、総合評価等が対応づけられている。

図１３は、総合評価処理を説明するためのフローチャート図である。図１３において、総合評価部４９は、学生リスクテーブル６４と、学生リカバリテーブル６５とを参照して、学生リスクテーブル６４の学籍番号毎に、学生リスクテーブル６４からリスク値と、学生リカバリテーブル６５からリカバリ期待値とを取得する（ステップＳ４９０１）。

また、総合評価部４９は、リスク値計算対象の入学年度で学籍テーブル５１を参照して、学生リスクテーブル６４の学籍番号毎に、「氏名」と「所属学部」とを取得して、リスク値とリカバリ期待値とを対応付けた注意喚起学生テーブル６５を作成する（ステップＳ４９０２）。

注意喚起学生テーブル６５が作成されると、結果表示部５０は、注意喚起学生テーブル６５に基づいて、表示装置１５に優先的に注意喚起する学生順に一覧にして示した結果画面を表示する。

図１４は、結果表示部５０によって表示される結果画面例を示す図である。図１４において、結果画面Ｇ７０は、優先的に注意喚起する学生順に示した注意喚起リスト６５ｔを示す。

注意喚起リスト６５ｔは、注意喚起学生テーブル６５に相当し、学籍番号、氏名、所属学部、ドロップアウトリスク、リカバリ期待値、総合評価値等の項目を有する。

学籍番号は、学生に一意に付与される番号である。氏名は、学生のフルネームである。所属学部は、学生が所属する学部名である。

ドロップアウトリスクは、学生リスクテーブル６４から得られたリスク値を示すと共に、リスク分類をも示す。リスク分類は、リスク値が８０〜１００のとき「リスク高」を示し、リスク値が６０〜７９のとき「リスク中」を示し、リスク値が０〜５９のとき「リスク低」を示す。注意喚起リスト６５ｔにおいて、リスク分類毎に背景色又は文字色を変えて表示し、視認性を良くするようにしてもよい。

リカバリ期待値は、学生リカバリテーブル６５から得られたリカバリ期待値を示すと共に、期待の高さ分類も示す。期待の高さ分類は、リカバリ期待値が８０〜１００のとき「高」を示し、リカバリ期待値が６０〜７９のとき「中」を示し、リカバリ期待値が０〜５９のとき「低」を示す。注意喚起リスト６５ｔにおいて、期待の高さ分類毎に背景色又は文字色を変えて表示し、視認性を良くするようにしてもよい。

図１４の例では、学籍番号「b140011」の「工」学部に所属する「富士丘 太郎」が最も回復する可能性が高く、優先的に面談等により注意喚起する学生であることを示している。氏名「富士丘 太郎」のドロップアウトリスクは、リスク値「９５」を示し、ドロップアウトする可能性が「高」いことを示している。一方、リカバリ期待値は「９５」を示し、再履修により修了する可能性が「高」いことを示している。総合評価は「１９０」であることを示している。

また、学籍番号「c140211」の「理」学部に所属する「岡田 花子」のドロップアウトリスクは、リスク値「８２」を示し、ドロップアウトする可能性が「高」いことを示している。一方、リカバリ期待値は「６８」であり、再履修により修了する可能性は「中」程度であることを示している。総合評価は「１５０」である。

更に、学籍番号「g140414」の「経営」学部に所属する「田畑 三郎」のドロップアウトリスクは、リスク値「７１」を示し、ドロップアウトする可能性が「中」程度であることを示している。また、リカバリ期待値は「４９」であり、再履修により修了する可能性は「低」いことを示している。総合評価は「１２０」である。

リスク分類では、「富士丘 太郎」及び「岡田 花子」も「リスク高」に分類されるが、リカバリ期待値では、「富士丘 太郎」は「高」であり、「岡田 花子」は「中」を示す。ドロップアウトリスクが同程度の学生であっても、ドロップアウトリスクから正常な状態へ復帰する難易度は異なっている。

ドロップアウトリスクが同程度の学生群において、リカバリ期待値が高い順に学生を注意喚起リスト６５ｔに示すことで、ユーザは、正常な状態へ復帰する難易度を考慮した順で学生指導を行える。また、限られた人的リソースの中で、効率的に学生を選択して学生指導を行える。

ユーザは、このような結果画面Ｇ７０を参照して、例えば、入力装置１４を操作することにより、「富士丘 太郎」を選択すると、図１５のような学生カルテ画面Ｇ７１が表示される。

図１５は、学生カルテ画面の例を示す図である。図１５に示す学生カルテ画面Ｇ７１は、表示領域７１ａから７１ｃを有する。

表示領域７１ａは、ユーザが選択した「富士丘 太郎」のレコードを表示する。表示領域７１ｂは、経年でのドロップアウトへの影響度変化を表示する。表示域７１ｃは、学生の特徴を表示する。

表示領域７１ｂは、ドロップアウトと相関関係にある属性に関して、過去データに基づく経年でのドロップアウトへの影響度の変化を示す。この例では、「ＡＯ入試である」ことを示す属性１は、近年の傾向において、ドロップアウトに対する影響度が上昇中であることを示している。また、「１年前期のＧＰＡが低い」ことを示す属性２は、近年の傾向において、ドロップアウトに対する影響度が上昇中であることを示している。更に、「前期から後期へ跨った単位修得率が低い」ことを示す属性５では、ドロップアウトに対する影響度が下降中であることを示している。

表示領域７１ｂから、ユーザが属性を選択した場合には、選択された属性の経年での影響度の変化をグラフで表示するようにしてもよい。例えば、ユーザが属性１を選択すると、画面Ｇ７２が表示される。画面Ｇ７２には、縦軸に影響度を示し、横軸に年度を示したグラフが表示される。ユーザは、このグラフを参照することで、属性１が与えるドロップアウトへの影響度の把握を容易に行なうことができる。

表示領域７１ｃは、学生の特徴をレーダーチャートで示す。この例では、属性１〜属性６で示している。レーダーチャートでは、選択された学生の属性１〜属性６の属性値と、退学者の属性値とが表示される。退学者の属性値をゼロとし、退学者の属性値に対する相対値で学生の属性値をレーダーチャートで示すことにより、ドロップアウトと相関関係にある属性に対して、学生がドロップアウトするリスクを視覚的に容易に把握することができる。

上述したように、本実施例によれば、ドロップアウトリスクが同程度の学生群の中で、各学生が正常な状態へ復帰する難易度を考慮した順で大学側の職員又は教員に情報提供することが可能となり、大学側は限られた人的リソースの中で、効率的に、より改善する期待値の高い学生から選択して優先的に指導することができる。

従って、大学側では、再履修によって修了する可能性の高い学生を優先して相談の対象にすることができる。

本発明は、具体的に開示された実施例に限定されるものではなく、特許請求の範囲から逸脱することなく、主々の変形や変更が可能である。

以上の実施形態に関し、更に以下の付記を開示する。
（付記１）
ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、
前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、
算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、
処理をコンピュータに実行させることを特徴とする指導支援プログラム。
（付記２）
前記未修了の学生群の学生毎に、特定した前記複数の履修科目のうち、該学生が未修了の前記履修科目のリカバリ率同士を乗算して、再履修によって修了する可能性を示すリカバリ期待値を取得し、
前記リカバリ期待値の大きさに応じて、再履修によって前記履修科目を修了する可能性の度合に分類し、前記未修了の学生群を分類することを特徴とする付記１記載の指導支援プログラム。
（付記３）
前記リカバリ期待値を用いて、前記未修了の学生群を順位づけすることを特徴とする付記２記載の指導支援プログラム。
（付記４）
前記記憶部は、退学した学生の退学記録と、該退学と相関関係を示す属性の属性値とを記憶し、
前記記憶部参照することで取得した、リスク値計算対象の学生毎の、前記退学の有無及び前記属性値を用いて退学リスクを計算するモデルを作成し、
作成した前記モデルに前記リスク値計算対象の学生の前記属性値を与えることで、退学リスク値を取得し、
前記退学リスク値と前記リカバリ期待値とに基づいて、前記未修了の学生群を順位づけすることを特徴とする付記３記載の指導支援プログラム。
（付記５）
入力装置からの前記未修了の学生群内の学生の選択に応じて、前記属性毎に、退学者の前記属性値と比較可能に選択された該学生の属性値をグラフにして表示装置に表示させることを特徴とする付記４記載の指導支援プログラム。
（付記６）
前記記憶部を参照して、前記前の期の履修結果から前記属性毎の経年の前記退学に対する影響度を計算し、計算した該影響度に基づいて、該属性の変化傾向を分類し、
前記グラフに加えて、前記属性が分類された前記変化傾向を示すことを特徴とする付記５記載の指導支援プログラム。
（付記７）
前記入力装置からの前記属性の選択に応じて、選択された該属性の前記変化傾向を示すグラフを前記表示装置に表示させることを特徴とする付記４記載の指導支援プログラム。
（付記８）
ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、
前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、
算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、
処理をコンピュータが行うことを特徴とする指導支援方法。
（付記９）
ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出するリカバリ率算出部と、
算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う結果作成部と、
を有することを特徴とする指導支援装置。

１１ ＣＰＵ、 １２ 主記憶装置
１３ 補助記憶装置、 １４ 入力装置
１５ 表示装置、 １７ 通信Ｉ／Ｆ
１８ ドライブ装置、 １９ 記憶媒体
４１ 傾向分析部、 ４２ 第１重み付け部
４３ 傾向分類部、 ４４ 回復予測部
４５ リスク値取得部、 ４６ 第２重み付け部
４７ リスク値計算部、 ４８ リカバリ期待値計算部
４９ 総合評価部、 ５０ 結果表示部
５１ 学籍テーブル ５２ 学生属性テーブル
５３ 異動履歴テーブル ５４ 成績テーブル
６１ 第１重み付けテーブル ６２ 傾向分析結果
６３ 第２重み付けテーブル ６４ 学生リスクテーブル
６５ 学生リカバリテーブル ６６ 注意喚起学生テーブル
１００ 指導支援装置
Ｂ バス

Claims (6)

1. ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、
   前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、
   算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、
   処理をコンピュータに実行させることを特徴とする指導支援プログラム。
2. 前記未修了の学生群の学生毎に、特定した前記複数の履修科目のうち、該学生が未修了の前記履修科目のリカバリ率同士を乗算して、再履修によって修了する可能性を示すリカバリ期待値を取得し、
   前記リカバリ期待値の大きさに応じて、再履修によって前記履修科目を修了する可能性の度合に分類し、前記未修了の学生群を分類することを特徴とする請求項１記載の指導支援プログラム。
3. 前記リカバリ期待値を用いて、前記未修了の学生群を順位づけすることを特徴とする請求項２記載の指導支援プログラム。
4. 前記記憶部は、退学した学生の退学記録と、該退学と相関関係を示す属性の属性値とを記憶し、
   前記記憶部参照することで取得した、リスク値計算対象の学生毎の、前記退学の有無及び前記属性値を用いて退学リスクを計算するモデルを作成し、
   作成した前記モデルに前記リスク値計算対象の学生の前記属性値を与えることで、退学リスク値を取得し、
   前記退学リスク値と前記リカバリ期待値とに基づいて、前記未修了の学生群を順位づけすることを特徴とする請求項３記載の指導支援プログラム。
5. ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、
   前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出し、
   算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う、
   処理をコンピュータが行うことを特徴とする指導支援方法。
6. ある期において、それぞれ未修了の学生群が生じた複数の履修科目を特定し、前記複数の履修科目のそれぞれについて、前記ある期より前の期の履修結果を含む履修結果を記録した記憶部を参照して、再履修により修了できたリカバリ率を算出するリカバリ率算出部と、
   算出した前記リカバリ率を用いて、前記複数の履修科目の１以上を未修了の学生群の分類または順位づけを行う結果作成部と、
   を有することを特徴とする指導支援装置。

Images