JP2017068189A - 学習支援装置、学習支援方法、学習支援装置用プログラム - Google Patents
学習支援装置、学習支援方法、学習支援装置用プログラム Download PDFInfo
- Publication number
- JP2017068189A JP2017068189A JP2015196490A JP2015196490A JP2017068189A JP 2017068189 A JP2017068189 A JP 2017068189A JP 2015196490 A JP2015196490 A JP 2015196490A JP 2015196490 A JP2015196490 A JP 2015196490A JP 2017068189 A JP2017068189 A JP 2017068189A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- theme
- learner
- questions
- willingness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】学習者の回答意欲を促進するような学習問題を生成する。【解決手段】学習者103の学習意欲を促進するような学習問題101を生成する学習支援装置1は、学習問題の内容を表すコンテンツを取得し、前記学習問題に適用可能な問題テーマを取得し、前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題101を生成し、前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題する。【選択図】図1
Description
本発明は、学習者の興味を引くような問題を動的に作成し、回答意欲を維持促進させるとともに、過去の正答率から効率的な出題を行う学習支援装置、学習支援方法、学習支援装置用プログラムに関する。
今日、インターネットや端末の普及とともに、インターネット上を介したコンテンツの提供は活発化している。その中の一分野として、教育や学習に焦点を当てたオンライン学習はeラーニングと呼ばれ、従来紙や対面で行われていた学習プロセスに取って代わりつつある。
eラーニングによる恩恵として、良質な学習コンテンツを地域や時間帯を問わず一律に提供できるのみならず、回答者の回答内容の正誤や回答時間といったデータが全てデジタルに記録されているため、定量的に扱うことができ、より効率的な学習プロセスを提供することが可能である。
このような一例として、学習者ごとの正答率を計算し、それによって各問題に順位付けをする学習問題作成方法が開示されている。
特許文献1によれば、学習システムが提示した各学習問題について、正答率に基づいて、誤答を解答した学習者のその学習問題に対しての苦手度を算出して、各学習者ごとに、苦手度の大きさの順番に従って、誤答を解答した学習問題の選択順序を決定し、各学習問題に対応付けて作成された非提示の学習問題を記憶する記憶装置から、各学習者ごとに、その決定した選択順序に従って、その学習者に合った学習問題を作成する方法が開示されている。これにより、各学習者には、全問題を解かせるのではなく、解くべき問題だけを出題することが可能となっている。
しかしながら、特許文献1において開示されている手法は、単に苦手度に基づいて学習の効率化のみを最大化しているに過ぎず、より大局的見地に立った時の学習効率まで最大化しているとは言い切れない点があり、例えば学習者の学習意欲の維持、促進による高効率化といった観点に欠けているという課題が残っていた。
特に、技術の発達による端末の信頼性の向上や汎用化に伴い、現在では家庭内でタブレット端末を用いて幼児等の低年齢・低学年を対象に知育を行うサービスも増えている。このような学習者に対して、ただ難しく、苦手な問題だけを出しているばかりでは、学習がすぐに停滞してしまうことが容易に想像できる。
そこで、本発明の発明者は、回答の正答率や回答時間といった、回答に関するパラメータから学習者の学習意欲を測り、期待正答率を調整することで、学習者に間違えさせすぎずに苦手問題を出題することが可能である点に着目した。
また、本発明の発明者は問題を学習者の興味を引くようなテーマで動的に生成することで、意味的には同じ問題であっても、テーマにより学習者意欲の維持亢進を引き起こすことが可能であることに着目した。
本発明は、回答の正答率や回答時間といった回答データから学習者の学習意欲を測るとともに、過去の回答データから学習意欲を亢進させるテーマを用いて学習問題を動的に生成する学習支援装置、学習支援方法、及び学習支援装置用プログラムを提供する。
第1の特徴に係る発明は、学習者の学習意欲を促進するような学習問題を生成する学習支援装置であって、
学習問題の内容を表すコンテンツを取得する学習コンテンツ取得手段と、
前記学習問題に適用可能な問題テーマを取得する問題テーマ取得手段と、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成する学習問題生成手段と、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題する出題手段と、
を備えることを特徴とする学習支援装置を提供する。
学習問題の内容を表すコンテンツを取得する学習コンテンツ取得手段と、
前記学習問題に適用可能な問題テーマを取得する問題テーマ取得手段と、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成する学習問題生成手段と、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題する出題手段と、
を備えることを特徴とする学習支援装置を提供する。
第1の特徴に係る発明によれば、学習者の学習意欲を促進するような学習問題を生成する学習支援装置は、学習問題の内容を表すコンテンツを取得し、前記学習問題に適用可能な問題テーマを取得し、前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成し、前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題する。
第1の特徴に係る発明は、学習支援装置のカテゴリであるが、学習支援方法、及び、学習支援装置用プログラムのカテゴリにおいても、カテゴリに応じた同様の作用、効果を奏する。
第2の特徴に係る発明は、前記学習者の、過去の学習データを取得する学習データ取得手段と、
前記取得した学習データから、前記生成した問題に対する回答意欲を予測する回答意欲予測手段と、を備え、
前記予測した回答意欲を基に、前記一連の問題の全体回答意欲が所定の回答意欲を下回らないように出題を行うことを特徴とする、第1の特徴に係る発明である学習支援装置を提供する。
前記取得した学習データから、前記生成した問題に対する回答意欲を予測する回答意欲予測手段と、を備え、
前記予測した回答意欲を基に、前記一連の問題の全体回答意欲が所定の回答意欲を下回らないように出題を行うことを特徴とする、第1の特徴に係る発明である学習支援装置を提供する。
第2の特徴に係る発明によれば、第1の特徴に係る発明である学習支援装置は、前記学習者の、過去の学習データを取得し、前記取得した学習データから、前記生成した問題に対する回答意欲を予測し、前記予測した回答意欲を基に、前記一連の問題の全体回答意欲が所定の回答意欲を下回らないように出題を行う。
第3の特徴に係る発明は、前記予測した回答意欲と前記生成した問題に使われたテーマとの相関から、前期学習者に対して最も回答意欲を促進するテーマを推薦する問題テーマ推薦手段と、
を備えることを特徴とする、第2の特徴に係る発明である学習支援装置を提供する。
を備えることを特徴とする、第2の特徴に係る発明である学習支援装置を提供する。
第3の特徴に係る発明によれば、第2の特徴に係る発明である学習支援装置は、前記予測した回答意欲と前記生成した問題に使われたテーマとの相関から、前期学習者に対して最も回答意欲を促進するテーマを推薦する。
第4の特徴に係る発明は、前記取得した学習データから、前記生成した問題に対する期待正答率を予測する正答率予測手段と、を備え、
前記予測した回答意欲を基に、生成可能な問題のうち、前記一連の問題の全体回答意欲が所定の回答意欲を下回らない範囲において、最も期待正答率が低くなるように出題を行うことを特徴とする、第2又は第3の特徴に係る発明である学習支援装置を提供する。
前記予測した回答意欲を基に、生成可能な問題のうち、前記一連の問題の全体回答意欲が所定の回答意欲を下回らない範囲において、最も期待正答率が低くなるように出題を行うことを特徴とする、第2又は第3の特徴に係る発明である学習支援装置を提供する。
第4の特徴に係る発明によれば、第2又は第3の特徴に係る発明である学習支援装置は、前記取得した学習データから、前記生成した問題に対する期待正答率を予測し、前記予測した回答意欲を基に、生成可能な問題のうち、前記一連の問題の全体回答意欲が所定の回答意欲を下回らない範囲において、最も期待正答率が低くなるように出題を行う。
第5の特徴に係る発明は、前記正答率の予測においては、過去の学習データの統計に加え、当該学習データの測定日と予測を行う日の経過期間と、忘却曲線とに基づいて正答率の補正を行うことを特徴とする、第4の特徴に係る発明である学習支援装置を提供する。
第5の特徴に係る発明によれば、第4の特徴に係る発明である学習支援装置は、前記正答率の予測においては、過去の学習データの統計に加え、当該学習データの測定日と予測を行う日の経過期間と、忘却曲線とに基づいて正答率の補正を行う。
第6の特徴に係る発明は、学習者の学習意欲を促進するような学習問題を生成する学習支援装置が実行する学習支援方法であって、
学習問題の内容を表すコンテンツを取得するステップと、
前記学習問題に適用可能な問題テーマを取得するステップと、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップと、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップと、
を備えることを特徴とする学習支援方法を提供する。
学習問題の内容を表すコンテンツを取得するステップと、
前記学習問題に適用可能な問題テーマを取得するステップと、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップと、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップと、
を備えることを特徴とする学習支援方法を提供する。
第7の特徴に係る発明は、学習者の学習意欲を促進するような学習問題を生成する学習支援装置に、
学習問題の内容を表すコンテンツを取得するステップ、
前記学習問題に適用可能な問題テーマを取得するステップ、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップ、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップ、
を実行させることを特徴とする学習支援装置用プログラムを提供する。
学習問題の内容を表すコンテンツを取得するステップ、
前記学習問題に適用可能な問題テーマを取得するステップ、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップ、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップ、
を実行させることを特徴とする学習支援装置用プログラムを提供する。
本発明により、回答の正答率や回答時間といった回答データから学習者の学習意欲を測るとともに、過去の回答データから学習意欲を亢進させるテーマを用いて学習問題を動的に生成する学習支援装置、学習支援方法、及び学習支援装置用プログラムを提供することが可能となる。
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
[学習支援装置1の概要]
図1は、学習支援装置1の概要を表した図である。図1においては、学習支援装置1が問題を作成し、学習者に対する正答率と回答意欲を予測したうえで出題を行う一連の処理の流れが図式化されている。
図1は、学習支援装置1の概要を表した図である。図1においては、学習支援装置1が問題を作成し、学習者に対する正答率と回答意欲を予測したうえで出題を行う一連の処理の流れが図式化されている。
なお、図1の図中において、学習支援装置1は大きな点線の枠で表されている。この点線枠内で行われる処理が学習支援装置1の行う処理である。学習支援装置1は、記憶部に学習コンテンツリストデータベース50、問題テーマリストデータベース51、学習データデータベース52を備える。
はじめに、学習支援装置1は学習コンテンツリストデータベース50から、学習コンテンツを一つ取得する(ステップS01)。ここで、学習コンテンツは、学習の問題文の意味内容のみを表すもので、後述の問題テーマと組み合わせることで、一つの問題が生成される。
例えば、学習コンテンツの一例として、「Xが2と、Yが3、あわせて何?」という問題文と、「答え:5」という解答が考えられる。ここでは、XとYという名詞や、単位が欠落して状態の、数学的に和を問う問題の意味が表されている。学習コンテンツリストデータベース50には、このような学習コンテンツが複数格納されている。
次に、学習支援装置1は問題テーマリストデータベース51から、問題テーマを一つ取得する(ステップS02)。問題テーマは、問題が問う内容とは独立に問題を装飾するテーマで、例えば、「動物」、「恐竜」や「自動車」といった、学習者が問題に親しみを覚え興味を示すようなテーマが問題テーマリストデータベース51に複数格納されている。ここでは、後述の学習データを参照して、学習者の回答意欲をより高めるようなテーマを優先的に選んでもよい。
次に、学習支援装置1は、取得された学習コンテンツと問題テーマを組み合わせて、問題を作成する(ステップS03)。一例として、先述の学習コンテンツと、問題テーマ「動物」を組み合わせると、「ねずみが2匹と、ねこが3匹、あわせて何匹?」という問題が作成される。図1には、一例として作成された問題101が図示されている。
次に、学習支援装置1は、学習データデータベース52から過去の学習データを読み取り、問題を出題しようとしている学習者Aに対して正答率と回答意欲を予測する(ステップS04)。詳細な予測手順に関しては後述するが、学習データのパラメータとして、学習コンテンツ、問題テーマとそれに対する正答・誤答、及び回答に要した時間を用いてよい。
なお、予測に際しては学習者A自体の過去の学習データのみならず、学習進度が同程度と考えられる他の学習者の学習データを統計的に用いて予測を行ってよい。また、正答率については忘却曲線を参照して、忘却を加味した補正を行ってもよい。図1では、予測した正答率と、回答意欲102を一例として図示している。
最後に、学習支援装置1は、学習者に対して問題を出題する(ステップS05)。図1では、学習者Aが学習者103として図示されている。ここで、作成された問題を出題するか否かについて、先述の予測正答率、及び予測回答意欲を基に判断を行ってよい。
すなわち、学習の効率化という観点から見れば、学習者にはより回答意欲を高め、より正答率が低い問題を出題するのが望ましい。そこで、学習支援装置1は複数の問題を作成し、回答意欲が所定の基準を下回らない中で、正答率がなるべく低くなるような一連の問題の組み合わせを作成し、出題を行うことで、効率的な学習支援を行う。
以上が、学習支援装置1の概要である。
[学習支援装置1のシステム構成]
図2は、本発明の好適な実施形態である学習支援装置1のシステム構成図である。学習支援装置1は、公衆回線網3(インターネット網や第3世代、第4世代通信網など)を介して、一以上の学習者利用端末2と通信可能に接続されている。また、学習支援装置1は、記憶部に学習コンテンツリストデータベース50、問題テーマリストデータベース51、学習データデータベース52を備える。
図2は、本発明の好適な実施形態である学習支援装置1のシステム構成図である。学習支援装置1は、公衆回線網3(インターネット網や第3世代、第4世代通信網など)を介して、一以上の学習者利用端末2と通信可能に接続されている。また、学習支援装置1は、記憶部に学習コンテンツリストデータベース50、問題テーマリストデータベース51、学習データデータベース52を備える。
学習支援装置1は、後述の機能を備える家庭用又は業務用の電化製品である。学習支援装置1は、例えば、パーソナルコンピュータ、サーバ装置、携帯電話、携帯情報端末に加え、スマートフォン、タブレット端末、ネットブック端末、スレート端末、電子書籍端末、携帯型音楽プレーヤ等の情報家電であってよい。
学習者利用端末2は、学習支援装置1からの出題を受けることができる一般的な情報端末であってよい。
[各機能の説明]
図3に基づいて、各装置の構成について説明する。
図3に基づいて、各装置の構成について説明する。
学習支援装置1は、制御部11として、CPU(Central Processing Unit),RAM(Random Access Memory),ROM(Read Only Memory)等を備え、入出力部12として、制御部で制御したデータや画像を出力表示する表示部を備え、かつ、ユーザやサポート者からの入力を受付けるタッチパネルやキーボード、マウス等に加え、外部機器で撮影した画像を取り込む入出力デバイスを備えていてよい。
また、学習支援装置1は、データやファイルを記憶する記憶部13として、ハードディスクや半導体メモリ、記録媒体、メモリカード等による、データのストレージ部を備える。学習支援装置1は、記憶部13に学習コンテンツリストデータベース50、問題テーマリストデータベース51、学習データデータベース52を備える。
学習支援装置1において、制御部11が所定のプログラムを読み込むことで、入出力部12と協働して、出題モジュール14を実現する。また、学習支援装置1において、制御部11が所定のプログラムを読み込むことで、記憶部13と協働して、学習コンテンツ取得モジュール15、問題テーマ取得モジュール16、学習問題生成モジュール17、学習データ取得モジュール18、回答意欲予測モジュール19、問題テーマ推薦モジュール20、正答率予測モジュール21を実現する。
[学習問題出題処理]
図4は、学習支援装置1が実行する学習問題出題処理の処理手順を表すフローチャートである。図4に基づいて、先述の各モジュールの動作につき説明する。
図4は、学習支援装置1が実行する学習問題出題処理の処理手順を表すフローチャートである。図4に基づいて、先述の各モジュールの動作につき説明する。
はじめに、学習支援装置1の学習コンテンツ取得モジュール15は学習コンテンツリストデータベース50から、学習コンテンツを取得する(ステップS11)。ここで、学習コンテンツは、学習の問題文の意味内容のみを表すもので、後述の問題テーマと組み合わせることで、一つの問題が生成される。
学習コンテンツの一例として、「Xが2と、Yが3、あわせて何?」という問題文と、「答え:5」という解答が考えられる。ここでは、XとYという名詞や、単位が欠落して状態の、数学的に和を問う問題の意味が表されている。学習コンテンツリストデータベース50には、このような学習コンテンツが複数格納されている。
なお、学習コンテンツは文章に限定されず、図形や動画であったり、あるいは図形や動画等を生成するための数式やパラメータであったりしてもよい。一例として、「4」という数字に代えて、所定の画像を4個配置するといったことが考えられる。
次に、学習支援装置1の問題テーマ推薦モジュール20は、問題テーマリストデータベース51から、問題テーマを一つ推薦する(ステップS12)。問題テーマ推薦モジュール20は、対象の学習者が一人与えられたとき、当該学習者と問題テーマとの間で、過去の学習データから後述の予測回答意欲の相関関係を解析し、回答意欲を高めると考えられる問題テーマを推薦する。なお、対象の学習者が与えられない場合や、対象の学習者の学習データがまだ無い場合は、単に統計的に人気の高い問題テーマを推薦したり、ランダムに推薦を行ったりしてもよい。
次に、学習支援装置1の問題テーマ取得モジュール16は問題テーマリストデータベース51から、推薦された問題テーマを取得する(ステップS13)。ここで、問題テーマは、問題が問う内容とは独立に問題を装飾するテーマで、例えば、「動物」、「恐竜」や「自動車」といった、学習者が問題に親しみを覚え興味を示すようなテーマが問題テーマリストデータベース51に複数格納されている。
各問題テーマは、テーマに対応する名詞を複数格納していてもよいし、画像や動画を関連付けて記憶していてもよい。また、問題テーマの粒度に制約はなく、例えば「動物」というテーマと「猫」というテーマが独立に存在していてもよい。
次に、学習支援装置1の学習問題生成モジュール17は、取得された学習コンテンツと問題テーマを組み合わせて、問題を作成する(ステップS14)。一例として、先述の学習コンテンツと、問題テーマ「動物」を組み合わせると、「ねずみが2匹と、ねこが3匹、あわせて何匹?」という問題が作成される。
図5は、学習者利用端末に表示された問題の一例である。図5において、学習者利用端末51には、テーマが「動物」として作成された問題が表示されている。問題文52には動物の名称と単位が反映されており、問題図53及び問題図54として、動物を模した画像が表示されている。一方、学習者利用端末55には、テーマが「昆虫」として作成された問題が表示されている。問題文56には昆虫の名称と単位が反映されており、問題図57及び問題図58として、昆虫を模した画像が表示されている。
学習者利用端末51に表示された問題と、学習者利用端末55に表示された問題とでは、数学的な意味は同一であり、答えも同一である。しかしながら、特に抽象化能力が未発達である幼少期においては、問題を具体化し出題することで、学習を助ける狙いがある。本発明では、回答者が興味を持てる対象をテーマとして設定するために、後述のようにテーマごとの学習へ与える影響を統計的に算出することで、学習の効率化を図っている。
次に、学習支援装置1の学習データ取得モジュール18は、学習データデータベース52から、対象の学習者の過去の学習データを読み取る(ステップS15)。ここで、学習データのパラメータの一例として、過去に出題された学習コンテンツ、問題テーマと、それに対する学習者の正答・誤答といった回答結果に加え、回答に要した時間等を用いてよい。
次に、学習支援装置1の回答意欲予測モジュール19は、生成した問題に対する対象の学習者の回答意欲を予測する(ステップS16)。回答意欲の予測には、前述の学習データ、すなわち問題と学習者の組み合わせと、その正誤を用いる。回答意欲の予測手法は多岐に渡り、ユーザベースの予測手法、アイテムベースの予測手法、機械学習的手法、等が挙げられる。
一例として、ユーザベースの予測手法について説明する。ユーザベースの予測手法は、簡単に言ってしまえば学習者同士の類似度から、回答意欲を予測する手法である。ここでは、はじめに各学習者を問題ごとの正答率の特性からクラスタリングを行うことを考える。例えば、問題を所定の数抽出し、各学習者のそれぞれの問題に対する回答意欲をその学習者の特徴量ベクトルとして、クラスタリングを行う。このときクラスタリングには、K−means法等の一般的な手法を用いて良い。
クラスタリングの結果、各学習者はそれぞれクラスタに属することになる。そして、各クラスタの各問題に対する回答意欲は、当該クラスタに属する各学習者の回答意欲の平均値とし、この平均値を、当該クラスタに属する学習者の回答意欲の予測値とみなす。これにより、仮にある学習者が特定の問題に対して回答したことがなかった場合でも、似た学習者の学習データ、すなわち回答履歴によって、回答意欲を予測することが可能となる。
なお、上記回答意欲の算出は、例えば問題を解かずに未回答した割合に加えて、回答にかかった時間や、回答の正誤を参照して、一定の指標として算出してよい。また、上記の予測を、問題ではなくテーマのみで行うことで、各クラスタのテーマごとの回答意欲を予測し、先述のテーマの推薦に利用することが可能である。
なお、ここではユーザベースの予測手法について解説したが、学習者ではなく問題をクラスタリングするアイテムベースの予測手法によって回答意欲を予測することも可能である。または、学習者と問題のそれぞれを特徴量に変換し、SVMを初めとする機械学習的手法や回帰分析によって、回答意欲を予測してもよい。
次に、学習支援装置1の正答率予測モジュール21は、生成した問題に対する対象の学習者の期待正答率を予測する(ステップS17)。ここで、期待正答率の予測においては、回答意欲の予測手法と同様の手法を、回答意欲を正答率に置き換えて用いてよい。
次に、学習支援装置1の正答率予測モジュール21は、生成した問題に対する対象の学習者の期待正答率を、忘却曲線を基に補正する(ステップS18)。具体的には、学習データを記録した期日と、現在との経過期間から、学習者が回答を忘れてしまっている割合を忘却曲線から計算し、それを予測した期待正答率から割り引いてよい。
例えば、エビングハウスの忘却曲線においては、復習をしなかった場合の1日後の記憶度は26%と言われており、この数値を前述の期待正答率に掛け合わせて補正を行ってもよい。学習者が復習を行っている場合は、その復習の回数及びタイミングによって記憶度を計算してもよいし、上記の忘却曲線は、一般的に使われているものに限らず、この学習支援装置1に特有な忘却曲線を、学習データから生成しそれを用いてもよい。
最後に、学習支援装置1の出題モジュール14は、学習者に対して生成した問題を出題する(ステップS19)。ここで、作成された問題を出題するか否かについて、先述の予測正答率、及び予測回答意欲を基に判断を行ってよい。
すなわち、学習の効率化という観点から見れば、学習者にはより回答意欲を高め、より正答率が低い問題を出題するのが望ましい。そこで、学習支援装置1は複数の問題を作成し、回答意欲が所定の基準を下回らない中で、正答率がなるべく低くなるような一連の問題の組み合わせを作成し、出題を行うことで、効率的な学習支援を行うことが可能となる。
なお、学習支援装置1は、一度に複数の問題を出題する場合、以上の処理を繰り返して複数の問題を生成し、出題してよい。そうした場合、先述の判断基準となる予測回答意欲、及び予測正答率は、一連の問題の全体に対する予測回答意欲、及び予測正答率であってよい。すなわち学習支援装置1は、出題数よりも多くの問題の候補を生成し、その中からより望ましい組み合わせを探索し、最適化された結果を一連の問題として出題してもよい。
以上が、学習支援装置1が実行する学習問題出題処理の処理手順である。
上述した手段、機能は、コンピュータ(CPU,情報処理装置,各種端末を含む)が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、フレキシブルディスク、CD(CD−ROMなど)、DVD(DVD−ROM、DVD−RAMなど)等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置または外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置(記録媒体)に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。
1 学習支援装置、2 学習者利用端末、3 公衆回線網、50 学習コンテンツリストデータベース、51 問題テーマリストデータベース、52 学習データデータベース
Claims (7)
- 学習者の学習意欲を促進するような学習問題を生成する学習支援装置であって、
学習問題の内容を表すコンテンツを取得する学習コンテンツ取得手段と、
前記学習問題に適用可能な問題テーマを取得する問題テーマ取得手段と、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成する学習問題生成手段と、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題する出題手段と、
を備えることを特徴とする学習支援装置。 - 前記学習者の、過去の学習データを取得する学習データ取得手段と、
前記取得した学習データから、前記生成した問題に対する回答意欲を予測する回答意欲予測手段と、を備え、
前記予測した回答意欲を基に、前記一連の問題の全体回答意欲が所定の回答意欲を下回らないように出題を行うことを特徴とする、請求項1に記載の学習支援装置。 - 前記予測した回答意欲と前記生成した問題に使われたテーマとの相関から、前期学習者に対して最も回答意欲を促進するテーマを推薦する問題テーマ推薦手段と、
を備えることを特徴とする、請求項2に記載の学習支援装置。 - 前記取得した学習データから、前記生成した問題に対する期待正答率を予測する正答率予測手段と、を備え、
前記予測した回答意欲を基に、生成可能な問題のうち、前記一連の問題の全体回答意欲が所定の回答意欲を下回らない範囲において、最も期待正答率が低くなるように出題を行うことを特徴とする、請求項2または請求項3に記載の学習支援装置。 - 前記正答率の予測においては、過去の学習データの統計に加え、当該学習データの測定日と予測を行う日の経過期間と、忘却曲線とに基づいて正答率の補正を行うことを特徴とする、請求項4に記載の学習支援装置。
- 学習者の学習意欲を促進するような学習問題を生成する学習支援装置が実行する学習支援方法であって、
学習問題の内容を表すコンテンツを取得するステップと、
前記学習問題に適用可能な問題テーマを取得するステップと、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップと、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップと、
を備えることを特徴とする学習支援方法。 - 学習者の学習意欲を促進するような学習問題を生成する学習支援装置に、
学習問題の内容を表すコンテンツを取得するステップ、
前記学習問題に適用可能な問題テーマを取得するステップ、
前記学習コンテンツと、前記問題テーマを組み合わせることで、動的に学習問題を生成するステップ、
前記生成した一以上の学習問題を、一連の問題として、前記学習者に出題するステップ、
を実行させることを特徴とする学習支援装置用プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015196490A JP2017068189A (ja) | 2015-10-02 | 2015-10-02 | 学習支援装置、学習支援方法、学習支援装置用プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015196490A JP2017068189A (ja) | 2015-10-02 | 2015-10-02 | 学習支援装置、学習支援方法、学習支援装置用プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2017068189A true JP2017068189A (ja) | 2017-04-06 |
Family
ID=58494835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015196490A Pending JP2017068189A (ja) | 2015-10-02 | 2015-10-02 | 学習支援装置、学習支援方法、学習支援装置用プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2017068189A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101853091B1 (ko) * | 2017-05-19 | 2018-04-27 | (주)뤼이드 | 기계학습이 적용된 사용자 답변 예측 프레임워크를 통한 개인 맞춤형 교육 컨텐츠 제공 방법, 장치 및 컴퓨터 프로그램 |
KR101895959B1 (ko) * | 2017-05-19 | 2018-09-06 | (주)뤼이드 | 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램 |
WO2018212397A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 시험 점수를 추정하는 방법, 장치 및 컴퓨터 프로그램 |
KR20200048594A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 스터디맥스 | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 |
JP2021508065A (ja) * | 2018-10-16 | 2021-02-25 | ルイド インコーポレイテッド | 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム |
JP7112694B1 (ja) | 2022-01-27 | 2022-08-04 | Kiyoラーニング株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
KR102507880B1 (ko) * | 2022-07-12 | 2023-03-07 | 이정윤 | 기억률 산출 장치 및 방법 |
JP7447929B2 (ja) | 2021-12-07 | 2024-03-12 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2015
- 2015-10-02 JP JP2015196490A patent/JP2017068189A/ja active Pending
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959331B (zh) * | 2017-05-19 | 2022-01-25 | 日益得有限公司 | 运用设备学习框架的方法、装置及计算机程序 |
JP2021119397A (ja) * | 2017-05-19 | 2021-08-12 | ルィイド インコーポレイテッド | データを分析する方法、装置、及びコンピュータプログラム |
JP2020521244A (ja) * | 2017-05-19 | 2020-07-16 | リイイド インク | 試験点数を推定する方法、装置及びコンピュータプログラム |
WO2018212396A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 데이터를 분석하는 방법, 장치 및 컴퓨터 프로그램 |
WO2018212394A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 기계 학습 프레임워크를 운용하는 방법, 장치 및 컴퓨터 프로그램 |
JP2018194804A (ja) * | 2017-05-19 | 2018-12-06 | リイイド インク | 機械学習フレームワークを運用する方法、装置、及びコンピュータプログラム |
CN108959331A (zh) * | 2017-05-19 | 2018-12-07 | 日益得有限公司 | 运用设备学习框架的方法、装置及计算机程序 |
CN110366735A (zh) * | 2017-05-19 | 2019-10-22 | 日益得有限公司 | 分析数据的方法、设备及计算机程序 |
CN110651294A (zh) * | 2017-05-19 | 2020-01-03 | 日益得有限公司 | 估计考试分数的方法、设备及计算机程序 |
US11417232B2 (en) | 2017-05-19 | 2022-08-16 | Riiid Inc. | Method, apparatus, and computer program for operating machine-learning framework |
WO2018212397A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 시험 점수를 추정하는 방법, 장치 및 컴퓨터 프로그램 |
KR101895959B1 (ko) * | 2017-05-19 | 2018-09-06 | (주)뤼이드 | 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램 |
KR101853091B1 (ko) * | 2017-05-19 | 2018-04-27 | (주)뤼이드 | 기계학습이 적용된 사용자 답변 예측 프레임워크를 통한 개인 맞춤형 교육 컨텐츠 제공 방법, 장치 및 컴퓨터 프로그램 |
JP7474517B2 (ja) | 2018-10-16 | 2024-04-25 | ルイド インコーポレイテッド | 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム |
JP2022008867A (ja) * | 2018-10-16 | 2022-01-14 | ルイド インコーポレイテッド | 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム |
JP2021508065A (ja) * | 2018-10-16 | 2021-02-25 | ルイド インコーポレイテッド | 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム |
US11704578B2 (en) | 2018-10-16 | 2023-07-18 | Riiid Inc. | Machine learning method, apparatus, and computer program for providing personalized educational content based on learning efficiency |
KR20200048594A (ko) * | 2018-10-30 | 2020-05-08 | 주식회사 스터디맥스 | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 |
KR102126718B1 (ko) | 2018-10-30 | 2020-07-06 | 주식회사 스터디맥스 | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 |
JP7447929B2 (ja) | 2021-12-07 | 2024-03-12 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7112694B1 (ja) | 2022-01-27 | 2022-08-04 | Kiyoラーニング株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2023109459A (ja) * | 2022-01-27 | 2023-08-08 | Kiyoラーニング株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
KR102507880B1 (ko) * | 2022-07-12 | 2023-03-07 | 이정윤 | 기억률 산출 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ridge | From tagging to theorizing: deepening engagement with cultural heritage through crowdsourcing | |
Flavin | Disruptive technology enhanced learning: The use and misuse of digital technologies in higher education | |
JP2017068189A (ja) | 学習支援装置、学習支援方法、学習支援装置用プログラム | |
Law et al. | Human computation | |
Moreno-Marcos et al. | Analysing the predictive power for anticipating assignment grades in a massive open online course | |
Wu et al. | Taiwanese mothers’ beliefs about reading aloud with preschoolers: Findings from the parent reading belief inventory | |
Chee et al. | Professional development for scaling pedagogical innovation in the context of game-based learning: Teacher identity as cornerstone in “shifting” practice | |
Ahn | Human computation | |
Tavakoli et al. | An AI-based open recommender system for personalized labor market driven education | |
Sussman | Observational methods: the first step in science | |
Varadharajan et al. | Changing course: The paradox of the career change student-teacher | |
Zakaria et al. | Assessing Ethoshunt as a gamification-based mobile app in ethics education: pilot mixed-methods study | |
Pham et al. | Vietnamese pre-schoolers’ tablet use and early childhood learning: An ecological investigation | |
Chu | Culturally responsive teaching efficacy in inclusive education at Taiwanese preschools | |
Adewale et al. | Design of a personalised adaptive ubiquitous learning system | |
Paay et al. | Can digital personal assistants persuade people to exercise? | |
Beauchamp et al. | Effects of research and mentoring on underrepresented youths’ STEM persistence into college | |
Lowry | What Should Activist Scholars Teach in the Social Problems Classroom? Social Problems Literacy for Civic Engagement | |
Dorris et al. | PROTOCOL: A systematic review of mobile device use in the primary school classroom and its impact on pupil literacy and numeracy attainment | |
Sokolowich et al. | Taking the temperature of distance learners: Does university climate influence perceptions of belonging in a distance education environment? | |
Miočić et al. | The positive attitude approach for teaching in higher education: An untrodden path for policy and practice | |
Dalmina et al. | GamiProM: A Generic Gamification Model Based on User Profiles | |
Prescott | Influential factors in the adoption and implementation of educational technology at the University of Liverpool | |
Simbaqueba-Uribe et al. | Training courses by metaverse: intention of consumers in Colombia | |
Velez et al. | Learning Transdisciplinary Collaboration: Undergraduate Student Perceptions of Successes and Areas for Improvement in Transdisciplinary, Problem-Focused Honors Seminar Courses |