JP2017134184A - 学習者と教材の継続評価機能をする学習支援システム - Google Patents

Abstract

【課題】陳腐化したまたは誤りを含む教材が存在する可能性、問題の難易度や特性および学習者の特性によって記憶定着の難易度が異なる可能性を評価し高効率で実態に沿った学習支援を実現する学習支援システムの提供する。【解決手段】問題情報３１０には問題文と正解情報と達成目標値が含まれており、学習履歴情報４００には問題情報識別子３１１と学習者識別子２１０と成績情報４２０が含まれており、解析部１０４が学習履歴情報に基いて学習者の学力レベル確率分布７１１と問題の難易度レベル確率分布７２１を機械学習アルゴリズムによって継続的に推定し記録する手段７１２および、学習者の学力レベル確率分布と問題の難易度レベル確率分布および学習履歴情報を利用して、学習者が学習後の時間軸において学習済みの問題情報に関する記憶をどの程度失っているかを示す忘却関数を算出し記録する手段７１５と、を有することを特徴とする学習支援システム。【選択図】図７

Description

本発明は、ユーザの記憶定着のために情報を記録または取得し、スケジュールに従った反復学習を支援する方法、システムに関する。

近年、学習を目的としたコンテンツ配信サービスとして、人間の忘却リズムに従って復習を促すソフトウェアが公開されている。これらのソフトウェアによってユーザは従来単語帳などを用いて行ってきた暗記作業をより効率的に実施できるようになった。特許文献１は学習者の目標や忘却の度合いに応じて適切な学習コンテンツを提示する方法に関するものである。

特開２００７ー２３３３２４

しかしこれらソフトウェアの多くは英単語など特定分野に特化しており、その目的もTOEICや大学受験など領域が限られている。そのためユーザは目的に応じてソフトウェアを使い分けなければならず、過去の学習履歴の追跡や、過去の学習を前提とした記憶状況の把握が困難になってしまっている。

また、そうしたソフトウェアの多くは覚えるべき学習コンテンツの記憶難易度による忘却速度の違いに関しては考慮しておらず、特許文献０００１のように問題に対して難易度が設定される場合においても、難易度情報や忘却速度は管理者によって事前に与えられるものとしている。
これは、時代の変化に伴った学習コンテンツの意味合いの変化や、ユーザの個性・能力・興味に記憶難易度の差異を考慮しない状態を意味する。例えば、「Be Ambitious」という文章が歌詞中に含まれた楽曲が流行した時期と、それ以前を比較した際、英単語「Ambitious」の記憶難易度は異なる可能性があり、その影響は音楽への興味関心の度合いによって左右されうるが、これを算出する学習支援システムは存在していない。

このような課題の結果として学習者は自分の特性や目標に沿って最適な学習スケジュールを把握することが出来ず、ある程度の非効率を我慢しなければならない。また学習コンテンツに実際に設定された記憶難易度が実態と大きく離れており、学習者にとって非効率的なスケジュールが学習者に提示されてしまいっている可能性がある。また場合によって、無自覚のうちに既に陳腐化したあるいは誤りを含む情報が教材として存在した場合、それを正しい知識として記憶してしまう可能性も存在する。

本発明はこのような課題を解決するものであり、形式を問わない任意の教材に対する学習者の学習履歴に基いて、学習者と教材を継続的に統計評価する方法とシステムおよびそれを含む学習装置を提供するものであり、学習者毎の個性・能力・興味および教材毎の忘却速度・反復による定着強化率を算出することで、学習者および教材の特性および他者の学習結果により与えられる周囲環境の変化に応じて、都度最適な学習スケジュールを策定し学習者の学習効率を最大限に高めるものである。

上記の目的を達成するため、本発明にかかる学習支援システムでは、学習者の入力を判定し評価する学習システムであって、学習者の情報を蓄積する学習者情報蓄積部と、問題情報および問題情報の集合を教材情報として蓄積する教材情報保持部と、学習者情報および問題情報に紐付けて記録される学習履歴情報を蓄積する学習履歴蓄積部と、前記学習履歴情報を統計的に解析する機能を有する解析部と、前記解析部によって算出された結果を蓄積する解析情報蓄積部と、前記解析情報および前記学習履歴、教材情報を取得しユーザ向けに整形する機能を有する情報取得部と、前記情報取得部が取得した情報を表示する機能を有する表示部と、前記問題情報に対する回答を入力する問題解答入力部と、前記問題情報に対する回答と正答を比較し成績情報を算出する判定部と、前記問題情報を新規に作成する機能及び既存の問題情報を編集する機能を有する教材情報入力部と、を備えており、前記問題情報には問題文と正解情報と達成目標値が含まれており、前記学習履歴情報には問題情報の識別子と学習者の識別子と前記成績情報が含まれており、前記解析部が前記学習履歴情報に基いて学習者の学力レベルの確率分布と問題の難易度レベルの確率分布を機械学習アルゴリズムによって継続的に推定し記録する手段および、前記学習者の学力レベルの確率分布と前記問題の難易度レベルの確率分布および前記学習履歴情報を利用して、学習者が学習後の時間軸において学習済みの問題情報に関する記憶をどの程度失っているかを示す忘却関数を算出し記録する手段と、を有することを特徴とする。

かかる発明によれば、任意に作成された教材情報およびそれに付随する問題情報に関して、事前に詳細な情報の入力を課することなく難易度や学習に必要なスケジュールを推定することが可能となり、推定される数値精度を学習履歴の蓄積に伴って改善していくことが可能となる。さらに難易度が評価された問題情報に対する学習者の成績を追跡することで、より正確な学習者の学力評価の推定が可能となる。

またここで推定される学力評価は、「ある時点である問題を正解できたかどうか」や「ある問題を何回解いたか」といった一時的で固定的なものでなく、「学習を通して学んだ知識が記憶としてどの程度定着し、どの程度忘れているか」を示す、より実態に即した評価として与えられる。これはある特定の教材の効果を継続的に把握する必要がある場合や学習者が自身の学力をより正確に測定したい場合や、組織人員の評価において学習の実績でなく実際に記憶として定着し業務において即座に活用できることを評価したい場合などに有効である。

また推定される忘却関数は反復回数および時間の関数として得られ、推奨される反復回数や忘却想定日などを算出するために利用することができる。忘却関数が学習者の学力レベルの確率分布と問題の難易度レベルの確率分布および前記学習履歴情報を利用して継続的に算出されることで、学習者および教材の特性等の情報に応じて常に最適な学習スケジュールを策定し学習者の学習効率を最大限に高めることができる。

（請求項２）好ましくは、前記問題情報が関連の深い知識分野を１つ以上内包する領域を有し、学習者情報が学習者が興味関心を持っている知識分野を１つ以上内包する領域を有し、前記解析部が前記学習履歴情報に基づいて問題情報に関連の深い知識分野および学習者が興味関心を持っている知識分野を機械学習アルゴリズムによって継続的に推定し記録する手段を有し、前記推奨される反復回数および忘却想定日の算出において前記知識分野に関する情報を加えて利用する
ことが望ましい。

かかる場合、問題情報の知識的なカテゴリや学習者の興味関心のレベルに応じた記憶定着効率の変化を解析の要素として利用し、より適切な学習スケジュールを算出することが可能となる。これによって学習者の個性に応じた効果的な学習支援を実現できるだけでなく、学習者特性に応じて異なる各種問題情報の記憶定着度の分析などの分析も可能となり、例えば学校において生徒ごとに適切な教育計画をたてる必要がある、学習者自身の分野ごとの適性を把握したい、といった場合においても有効に活用することができる。

また知識分野が学習履歴からを推定されることで、問題情報が所属する知識分野や学習者の興味関心が作成者および学習者本人の事前設定のみに依存することなく、統計的に合理性のある値を事後的に設定することができる。これによって学習者および問題の特性に誤りが含まれる可能性を低減することが可能となり、学習者の評価や学習スケジュールの策定をより実態に即した形で実行することができる。

さらにここで推定された知識分野は本発明中の各解析で利用されるだけでなく、その他潜在的に必要とされる統計処理においても応用することが可能である。例えば、今需要が高まっている知識分野や習得者の少ない知識分野の推定に利用する、学習効率に直接関与しないものの市場価値のある統計資料として活用する、といったことが可能である。

（請求項３）さらに好ましくは、前記情報取得部が前記忘却関数から最適な学習スケジュールを算出し、前記学習スケジュールに合わせて学習者の再学習を促す通知を送信する機能を有することが望ましい。

かかる場合、解析によって得られる忘却関数および、そこから得られる推奨反復回数や忘却想定日を利用することで、学習者が知識を記憶に定着させるために最も最適なタイミングで再学習が促すことができ、学習者の学習効率をより向上することができる。
このとき通知を学習者が携帯する通信端末に送信することで、 自らの忘却状況と学習の必要性をより速やかに確認することも可能である。
さらにこのとき、メールやプッシュ通知等の機能を利用して学習者の携帯する通信端末に通史を送信することで、ユーザが主体的に情報にアクセスすることなく、また時間や場所に左右されることなく自動的に通知を受け取ることができる。

（請求項４）さらに好ましくは、前記解析部が前記学習履歴、前記学習者の学力評価および前記問題の難易度評価から問題情報に誤りが含まれている可能性もしくは既に問題情報によって与えられる知識が陳腐化している可能性の少なくともどちらか一方を機械学習アルゴリズムによって継続的に推定し記録する手段を有することが望ましい。

かかる場合、問題情報の難易度情報に加えて問題の信ぴょう性に該当する情報が蓄積される。これによって任意に作成された問題情報に関する評価を公平に保ち、他者が作成した誤情報を正しいものと誤解して記憶してしまうリスクや既に陳腐化し価値の無くなった知識に対して学習時間を割いてしまうリスクを低減する事が可能となる。この結果、本システムによって得られる学習スケジュールに準じた場合に得ることができる知識の価値を最大化することができる。

例えば問題の信ぴょう性が低いほど問題を正答した場合の学習者評価に対する影響を小さく、信ぴょう性が高い場合は学習者評価に対する影響を大きくする事で誤情報の影響を最小化する、といったことができる。また別の例として、信ぴょう性の低い問題情報を作成したユーザに対して、他の問題および学習履歴の影響をシステム全体にわたって小さくするなどのペナルティを施し、より正しい情報の作成を促すことも可能である。

さらに分析の結果が顕著に示され、明らかに間違った情報だと分かる場合には、システム管理者がその情報を訂正したり教材としての提示される頻度を下げてしまうことでシステム内情報の品質を高めることが可能である。

（請求項５）さらに好ましくは、ユーザが任意の教材情報を作成する機能を有し、前記任意の教材情報に対する受講権限または一定評価を獲得した場合の資格証明書を他者に販売する機能を有する情報売買システムを備えることが望ましい。

かかる場合、例えば学習者が自らの備忘として問題を作成する等の動作に関して、作成した問題情報を自らの記憶定着のみに利用するのでなく他者にそれを公開することに一定のインセンティブを与える、といったことができる。 すなわち、学習者は積極的に自らの記憶を問題情報として本システムに記録し、それを再学習するとともにその情報の販売を通して利益を獲得することができる。これによって学習者が既にノートやソフトウェアに既に問題化して保有している知識を本システムに記憶し直す行為をより一層誘起し、 本システムに記録される問題情報の量を十分に保つ効果がある。

また前記問題の信ぴょう性を利用しその価格を自動的に妥当な価格にすることも可能である。すなわち、信憑性の低い情報に関しては基本低価格もしくは無料の情報として公開することしかできず、信ぴょう性の高い情報にのみ価値を与えることができる。

また前記知識分野情報や問題情報中の文章解析によって類似問題の数を解析し、その情報の貴重性からその価格を自動的に妥当な値に設定することも可能である。すなわち、類似問題の多いありふれた情報に関しては基本低価格もしくは無料の情報として公開することしかできず、類似問題が少なく貴重な情報に対してのみ価値を与えるといったことが実現可能である。

また問題情報の作成者が任意の価格を設定することも可能である。この場合ユーザの学力評価や過去に作成した問題の信ぴょう性の高さに応じて設定される価格帯に制限を持たせ、情報の価値が実態に沿わない可能性を低減するといったことも可能である。これによって無価値な情報に法外な価格が設定されるような危険を低減することができる。

また教材が前記形式に沿って販売される場合、塾や学校など問題集を用意する必要がある場合において、書籍として問題集を購入したり組織内で自前の問題集を作成する必要がなくなり、第三者に評価された有効な教材をインターネットを通じて電子的に入手することができる。コピーや印刷にかかるコストが不要であることから、従来より安価な教材の調達を実現できる。

かかる発明によれば、任意に作成された教材に関して事前に知識を与えることなく難易度と記憶を定着されるまでに必要な学習スケジュールが算出可能となり、算出される数値精度を学習履歴の蓄積に伴い改善していくことができる。さらに難易度が評価された問題情報に対する学習者の成績を追跡することで、より正確な学習者の学力評価の算出が可能となる。

またここで算出される学力評価は、ある時点である問題を正解できたかどうかといった一時的なものでなく、学習を通して学んだ知識が記憶としてどの程度定着しているかといった、より実態に即した評価として与えられる。これはある特定の教材の効果を継続的に把握する必要がある場合や学習者が自身の学力をより正確に測定したい場合や、組織人員の評価において学習の実績でなく実際に記憶として定着し業務において即座に活用できることを評価したい場合などに有効である。また忘却関数が学習者の学力レベルと問題の難易度レベルから算出されることで、学習者および教材の特性および他者の学習結果により与えられる周囲環境の変化に応じて、都度最適な学習スケジュールを策定し学習者の学習効率を最大限に高めることができる。

以下に、本発明の実施形態を図面に基いて説明する。
説明を容易にするため、各図面において同一の構成要素に対しては同一の参照番号を付し、重複する説明は省略する。

図１は本発明における構成例、図２は学習者情報の形式、図３は教材情報と内包される問題情報の形式、図４は学習履歴情報の形式をそれぞれ示している。学習者情報２００に関しては学習者情報蓄積部１０１に蓄積され、少なくともシステム全体で一意であるように設定された識別子２１０を付し、認証情報２２０や年齢や出身地といったシステムに酔って任意に与えられる学習者特性２３０、興味関心のあると推定される知識分野２４０を蓄積する。学習者情報２００は学習者情報入力部１１０を通じて新規に作成される、もしくは他のシステムに記録されているアカウント情報とOAuth等の手段を用いて連携される。蓄積された学習者情報２００は解析部１０４、情報取得部１０６および表示部１０７から参照される。

教材情報３００に関しては教材情報入力部１１０を通じて作成され教材情報蓄積部１０２に記憶される。このとき、教材情報は１つ以上の問題情報３１０の集合とし、少なくともシステム全体で一意であるように設定された教材識別子３２０を含む。

教材情報３００に内包される問題情報３１０は、少なくともシステム全体で一意であるように設定された問題識別子３１１と、学習者に与える指示として設定された問題文３１２と、問題文の回答を評価するために設定する正解情報３１３、正解情報３１３と比較され得られた回答の評価に対して問題の達成成否を評価するために設定する達成目標値、問題文を補足するための画像・音声・動画等のデータを意味するアセット３１５、問題情報が所属する知識分野を表す知識分野３１６を内包する。

図８は問題情報の一例である。
ここで問題文３１２はユーザが認識可能な命令・質問等で与えられ、必要に応じてアセット３１５として保存された画像や動画、音声などを参考情報として提示する。

正解情報３１３の形式は文３１２に応じて規定される。例えば問題が文字列を入力する形式であれば正解とされる文字列が与えられ、４択問題であれば正解となる選択肢の情報が与えられる。また必要に応じて選択肢毎に異なる配点を与えることが可能である。すなわち、誤りである解に関しては0、一般的に△で示される十分でないがある程度正しい解に関しては0.5、十分正しいとみなせる解に関しては1.0を配点として付与する事が可能である。 図８の例では「11.2」を正解とし問題文に含まれる「リットル」を回答に含めた場合、本来では不要であることを示すため配点を0.8としている。

達成目標値３１４は前記正解情報３１３から得られる配点情報に対応し、達成目標値を超える得点を獲得した場合に「該当する問題を達成した」として扱う。
図８の例では達成目標値として0.8を設定しており、「11.2リットル」 と回答した場合でも達成として扱われる。すなわち、回答時に記録される学習履歴情報４００中の達成成否４３２として”ＴＲＵＥ”が与えられる。

知識分野３１６は分野名と該当する確率のペアの集合で与えられる。
例えば、問題文「窒素1molと水素3molを混合し、反応させたところ、窒素25%がアンモニアに変化した。標準状態で反応前後の混合気体の体積を比較するとき、その変化に関する記述としてもっとも適当なものを選べ」に対して、理科である可能性は９５％とする一方、物理学である可能性は４５％とする、といったように、統計的にみて関連性の高い知識分野をその実現可能性に紐付けて記録することができる。またこの例においては、用いられる単語としては化学に関するものが多く、また事前に化学の問題として設定されていたため理科および化学との関連性が高く、体積を問う問題であることから数学や物理学の可能性も高く与えられている。

教材情報３００および問題情報３１０の別の例では、教材「高校受験日本史基礎」に対して教材識別子３２０をＵＵＩＤに準じて設定する。
含まれる問題情報３１０としては問題識別子をＵＵＩＤに準じて設定し、問題文３１２および正解情報３１３、達成目標値３１４それぞれに「応仁の乱が発生したのは西暦何年であるか。」「1467：1.0」「1.0」を与えた問題１や、問題文３１２および正解情報３１３、達成目標値３１４、アセット３１５それぞれに「長州藩および薩摩藩の所在地をしめせ。」「地図上の座標２点それぞれに0.5（両方正解で1.0）」「1.0」「（地図画像）」を与えた問題２など、高校受験の日本史に関するものを複数設定する。

学習時、問題１は文字列の入力欄とともに表示され、問題２は地図画像と共に表示される。さらに入力された回答は判定部１０９によって正解情報および達成目標と比較され、結果を学習履歴情４００Ａとして学習履歴情報蓄積部１０３に記録する。回答の例として問題２において「北海道を示す座標」と「長崎県を示す座標」が入力された時、「長崎県を示す座標」が正解情報と一致することから一方を正解とし得点情報４３１として0.5を付与、達成目標値は満たしていないため回答時に記録される学習履歴情報４００中の達成成否４３２として「FALSE」を与える。

図５は解析部が学習履歴情報を解析し解析結果を出力するまでのフロー図、図７はＳ５２０ループ内で実施される処理の概要、図９は解析処置Ｓ５４０前後の情報の変化の例である。Ｓ５１０において予め定められたアルゴリズムに従って有効な学習履歴を抽出する。このアルゴリズムは解析処置Ｓ５４０が採用する機械学習アルゴリズムに従って適切に設定される。例えば少なくとも教材識別子３１１と得点情報４３１が適切に与えられた学習履歴情報４００をすべて抽出する場合や、直前に解析を行った時刻より以降に追加された学習履歴情報７００を抽出する、といった場合がある。抽出した学習履歴情報は情報が作成された時刻順にソートされＳ５２０のループにて計算に用いる。

Ｓ５３０においては、処理中の学習履歴情報４００に含まれる学習者識別子２１０および問題識別子３１１から一致する学習者情報２００と学習者解析情報７１０、および問題情報３１０と問題解析結果７２０を取得し取得した情報を元にＳ５４０において解析処理を施していく。

解析処理Ｓ５４０は事前に採用された機械学習アルゴリズムに準じて実行され、最新の解析結果として学習者解析情報７１０および問題解析結果７２０を更新する。またここで採用する機械学習アルゴリズムとしてはベイズ推論やニューラルテスト理論等を応用し、この時の解析結果はまたこれ以降の解析で再帰的に利用され処理毎に解析結果の精度を増すように計算を繰り返していく。すなわち、ある学習者および問題に対する学習成績から、それぞれの学力および難易度の段階的な確率分布を事後確率として与え、次問題を解く際の正解確率や記憶定着度の算出に利用し、再度計算する毎に確率分布の誤差を小さくするものである。

図７にてＳ５４０の解析結果は例を確認できる。各学習者に紐づく解析結果は学習者解析結果７１０の様に、各問題に紐づく解析結果は問題解析結果７２０のような形式をそれぞれ取ることができ、図７の情報に任意の情報を付加する、といった事も可能である。

学習者解析結果７１０に関しては、推定される学力レベルの確率分布７１１と各問題の難易度レベルに対して推定される正答率の確率分布７１７、および問題毎に推定される記憶情報として忘却想定日７１５や推奨反復回数７１６が記録される。学力レベル分布および推定達成率分布に関しては必要に応じて知識分野や問題情報毎に分類し、分類ごとに複数の確率分布を記憶することが可能である。例えば学力レベルが５段階で与えられた時、数学の学力レベルは５である確率７０％で最大であるが、英語の学力レベルは３である可能性６０％で最大を示す、といった状態も解析結果として定義可能である。推定達成率分布に関しても同様で、難易度３の数学の問題に対しての推定正答率が５０％であり、難易度３の英語の問題に対しての推定正答率が８０％である状態などが解析結果として定義可能である。知識分野が図８のように複数に与えられそれぞれが関連する確率で示される場合、最も確率が大きい分野を採用する方法や確率の比率にそれぞれの学力レベルまたは推定正答率を乗じた和を利用する方法など事前に定められたアルゴリズムに準じて計算される。

記憶情報７１２に関しては、該当する学習者が過去に回答した問題情報それぞれに対して、どの程度記憶が保持されており記憶が定着するまでにどの程度反復する必要があるかを推定された値として忘却関数７１５および忘却曲線７１５を元に記録される学習スケジュール７１６を保持する。忘却関数７１５はエビングハウスの忘却曲線の理論に基づき、時間・反復回数・問題の記憶難易度の少なくともいずれか一つの関数として与え、機械学習アルゴリズム等によって最適な関数を決定する。すなわち、問題情報に対する学習履歴が多ければ多いほど、学習者の学習履歴が多ければ多いほど、解析結果は高精度な関数として取得できる。

また忘却関数７１５を求めるための入力値として問題情報に関連する知識分野を与えることができる。これによって、学習者の知識分野毎の得意不得意や知識分野全体の覚えやすさを考慮して推奨反復回数や忘却想定日を推定することが可能となる。また学習者の知識分野毎の得意不得意や知識分野全体の覚えやすさを知識分野に相関する解析結果として出力ことも可能である。

学習スケジュール７１６に関しては、忘却関数７１５に指定期間等の情報を与えて得られる復習タイミングおよび反復回数を含み、学習者にいつ何を再学習すべきか適切に支援するために用いられる。このとき指定期間等スケジュールのもとになる値を算出するアルゴリズムは任意に与えられる。例えば、学ぶべき問題全てに対して個別に最も効率のよいタイミングを示す方法や、学ぶべき問題全体で無理のない学習量（例えば一日当たり１時間）を制約としたうえで学ぶべき問題を各日ピックアップして提示する、と言った方法がある。学習スケジュールは推奨されるタイミングで学習者に通知され、学習者は一見してそのとき学習すべき項目を把握する事ができる。

問題解析結果７３０に関しては、推定される難易度レベルの確率分布７２１と各学習者の学力レベルに対して推定される正答率の確率分布７２５、問題に誤りが含まれている可能性を評価する信ぴょう性７２６、問題の陳腐化や内容のわかりやすさなどを定量化した品質評価７２７、該当する問題に対する全学習履歴の通算として回答数７２２と正答率７２３、平均経過時間７２４が記録される。

回答数７２２に関しては、解析に用いるアルゴリズムによっては標本数として利用され、該当する問題情報の需要を示す指標として用いることも可能である。

正答率７２３に関しては解析に用いるアルゴリズムによっては難易度レベルの初期値として用いることができる。例えば毎回Ｓ５１０ですべての履歴情報を抽出し初期値を改善して解析をすべて１から実施する様なアルゴリズムにおいては、難易度レベルの初期値を正答率から与えることによって解析の精度を高める、といったことができる。

信ぴょう性７２６に関しては事前に設定されたアルゴリズムによって推定される。ここで利用されるアルゴリズムは実験的に決定するものとし、例えば高学力の学習者の誤り率が著しく高い場合や難易度レベルが発散し定まらない場合に信ぴょう性を低くする、といった方法で推定される。

品質評価７２７に関しては事前に設定されたアルゴリズムによって推定される。ここで利用されるアルゴリズムは実験的に決定するものとし、例えば正答率の急激に低下した場合や高学力の学習者の誤り率が著しく高い場合に品質評価を低くする、といった方法で推定される。

学力レベル分布７１１、難易度レベル分布７２１、推定達成率分布７１７・７２５に関して、これらの値は予め設定された機械学習アルゴリズムに準じて算出され、解析前後の数値の変化は部９のように説明される。図９の例では、学力レベルが５段階、難易度レベルが３段階で与えられ、学力レベル５の可能性が最大の学習者が難易度レベル３の可能性が最大の問題に対して得点１．０を獲得し達成したときの成績を用いて解析処理を行う。解析時には解析直前に参照できる解析結果を保持し事前確率として用いる。
解析処理の例として、推定達成率分布７２５Ａより正解した条件下での各学力レベルの尤度を計算、さらに７１１Ａを事前確率としてベイズの定理を適用することで事後確率７１７Ｂを推定し、推定達成率分布７１７Ａより正解した条件下での各難易度レベルの尤度を計算、さらに７２１Ａを事前確率としてベイズの定理を適用することで事後確率７２１Ｂを推定し、事後の学力レベル分布７１１Ｂによって過去の学習履歴情報から得られる学力対成績の行列を更新して新たな推定達成率分布７２５Ｂを推定し、事後の学力レベル分布７２５Ｂによって過去の学習履歴情報から得られる学力対成績の行列を更新して新たな推定達成率分布７１７Ｂを推定する。
上記の例において、最終的に更新され他推定達成率を初期値に用いて、もう一度Ｓ５２０のループを実行し精度を高めることも可能である。再帰的な計算によって時間はかかってしまう代わりに、より正確な値を求めることができる。

上記の説明はベイズ推論およびニューラルテストを応用したものを簡単に説明したものであるが、この他にも有効なアルゴリズムを任意に設定することが可能である。
この機械学習アルゴリズムによっては、推定達成率の代わりに獲得得点の期待値を置く場合や、このような項目自体不要とすることも可能である。

次にＳ５５０においては、前ステップで算出された解析結果を解析情報蓄積部１０５に記憶する。このとき各学習者解析結果７１０および問題解析結果７２０は最新のもので更新され、過去のものは別途必要に応じバックアップされる。さらにここで保存された解析情報は次以降の学習履歴情報処理フローＳ５２０において利用され、さらに精度の高い情報として更新される。図７の矢印はこのサイクルを簡単に表している。更に図９には前記サイクル中で解析情報がどのように更新されるかを示す。

図６は学習者が任意の教材に取り組む際ときのフロー図である。
Ｓ６１０において、本システムは予め定められたアルゴリズムに応じて適切な教材情報３００を取得する。このとき取得に用いられるアルゴリズムは教材または学習者の要件に応じて使い分けることが可能であり、単純に学習者がリクエストした教材を取得する場合に加えて、推定される忘却度が最下位の教材を取得する場合、教材を項目としたライトナーシステムを利用する場合など任意のアルゴリズムを採用することが可能である。また教材情報を取得する際、それがテストとして実行されるのかどうかを事前の設定もしくは学習者のリクエストとして与えることができ、Ｓ６７０にてテストかどうかによる分岐が処理される。

次にＳ６１１においては、取得された教材情報からループ処理の対象となる問題情報を抽出する。
このとき抽出に用いられるアルゴリズムは教材または学習者の要件に応じて使い分けることが可能であり、予め設定された順序に従ってすべての問題を抽出する場合や、推定される忘却度が低い問題を優先的に抽出する場合、問題を項目としたライトナーシステムに従う場合など任意のアルゴリズムを採用することが可能である。これによって再学習が必要な知識を優先的に学習したり、確定した順序のテストに取組みたい場合など要望に応じた形式での問題配信を実現できる。

さらにここで、教材情報と問題情報が事前に紐付けられたものではなく、教材と学習者の事前設定から推奨される問題を自動的に抽出するアルゴリズム利用可能である。例えば「数学トレーニング」という教材において、学習者の数学に対する学力に応じて正答率が５０％程度になるような難易度の問題を抽出する、といったことが可能である。

次にＳ６２０においては、取得した教材情報３００から問題情報３１０を抽出し問題毎のループ処理を開始する。ここで実行される一連のループ処理Ｓ６２１は抽出された問題すべての処理を完了するか学習者のリクエストによって終了されるものとし、処理の途中でループ対象が追加されるなどして変更されることも可能とする。

次にＳ６３０においては、抽出された問題情報３１０の問題文３１２を入力欄と共に表示部１０７に出力する。回答の入力欄は問題情報に応じて適切な形式で表示する。例えば入力問題の場合テキスト入力欄、選択問題の場合選択肢それぞれのボタンを表示するなどである。また必要に応じてアセット３１５を同時に表示する。また入力欄の表示タイミングを動画や音声の再生後など任意に設定することも可能である。例えば英語のリスニングの問題において、事前に与えられた音声を再生完了した際に入力欄を表示する、といったことが可能である。

ここで問題文と入力欄、アセットだけでなく、システムによって任意に与えられた要素を表示することができる。例えば、ヒント情報をリクエストするボタンおよびヒントの表示欄を配置し、テストとして実行されていない場合にヒントの閲覧を可能とすることや、メモの入力欄を表示し次回学習時にも継続して参照できるように保存しておく、といったことが可能である。

次にＳ６４０において学習者の入力が完了した後、判定部１０９で結果を判定する（Ｓ６５０）。学習者の入力した回答は判定部１０９によって問題の正解情報３１３および達成目標値３１４と比較され、その結果を成績情報４２０として取得する。このとき得点情報４３１は学習者の回答と正解情報を３１３を比較した結果であり、達成成否４３２は得点情報４３１と達成目標値３１４を比較した結果であり、経過時間４３３はＳ６３０の完了からＳ６４０の完了までに要した時間である。ここで作成された成績情報４２０はＳ６６０において問題識別子３１１および学習者識別子２１０と共に学習履歴情報４００として記録され、以降の解析で利用される。

次にＳ６７０において、テストとして実行されているかどうかを判断する。判断方法はシステムによって任意に設定可能だが、テストである旨が明示されない場合は原則「テストではない」としてＳ６７１に進む。進行中の回答がテストとして実行されている場合、その途中で答えや結果を開示する事なく、次の問題情報の処理にシフトする。

テストとして実行されていない場合Ｓ６７１の処理を実行する。すなわち問題情報への回答毎に成績情報４２０を表示部１０７に表示し、学習者が問題回答にともなって思考した内容や回答に至った理由を忘れないうちにフィードバックを与える。この後の処理はシステムによって任意に与えられるものとするが、たとえば間違えた問題に対してもう一度回答するように処理を追加したり、Ｓ６２０のループの最後に再回答対象として間違えた問題を追加するといったことが可能である。

またＳ６７１において成績情報の表示とともに、任意の要素を表示部１０７に表示することが可能である。例えば結果を受けての反省事項等をメモとして入力する入力欄や、教材作成者に対するフィードバックを入力する入力欄、結果を受けて忘却関数７１５および学習スケジュール７１６がどのように変更されるかといった解析結果等を表示する、といったことが可能である。

次にＳ６８０において次の問題情報の処理にシフトする。ここで次に処理対象となる問題情報を選択するアルゴリズムはシステムによって任意に与えられる。
例えばＳ６１１にて抽出された問題情報を順番に回答していく途中に息抜きとなるゲームを挿入したり、直前の問題に対して達成できなかった場合にもう一度同じ問題を処理する、といったことが可能である。

ループ処理Ｓ６２１が完了した後はＳ６９０にて、一連の学習結果を教材情報３００に対する学習結果として記録する。またこの過程は本発明に必ず必要なものではなくシステムによって任意に与えられる。本発明において解析に用いるために必要な情報は各問題情報３１０に対する学習履歴であるが、教材情報３００に関しても同様の情報を取得しておくことで教材全体の難易度や市場価値を解析することが可能となる。

図１０は教材作者１００１が作成した教材に対して解析結果が蓄積された際、教材作者にフィードバックを与え、公開にかかる価格を設定するフローを表したものである。図１０の教材３００は教材作者１００１によって作成処理Ｓ１０１０を実行されており、既に学習者からの回答を経て問題解析結果７２０を蓄積している。作成された教材は一定の基準を満たした場合に審査リクエストＳ１０１５を審査部に送信する。ここで前記基準に関してはシステムで任意に与えられる。例えば教材作成後一定期間を超過したタイミング、問題解析結果７２０が一定数を上回ったタイミングなどが設定可能である。

審査部１００３は審査リクエストＳ１０１５を受け取り審査処理を実効する。審査部１００３は解析部もしくは情報取得部が機能を兼ねる事が可能であり、物理的に分かれている必要性はない。審査処理はシステムに任意に与えられるが、教材および問題の内容または問題解析結果の少なくともどちらか一方から難易度・知識分野・信ぴょう性等を評価し教材の良し悪しをわかりやすくフィードバック情報として提示するものとする。更にここで得られた評価に対して妥当性のある価値として価格をフィードバック情報に含めることができる。ここでいう妥当性のある価値とは、一般に書籍として販売されている問題集や電子的に公開される学習コンテンツと比較された価格とする。

次に審査部１００３はＳ１０２０においてこのフィードバック情報を教材作者に送信する。このとき必要に応じて教材作者が教材を改良するように促すメッセージや価格の設定を促すメッセージを含めることが可能である。また審査の結果に応じて、フィードバック後に改善がなされない場合は教材を無効化するといった処理を施すことも可能である。

次に教材作者１００１はフィードバック情報に基いて編集および価格の設定Ｓ１０３０を実施することができる。これは任意に実行される処理であるが、Ｓ１０３０の実行に応じて再審査を実行したり、Ｓ１０３０が実行されない場合教材を無効化したりといった処理を付加することが可能である。

またシステムもしくは教材作者の事前の設定によって、審査部が査定した価格を教材の価格として直接設定する事が可能である。この場合、教材作者が手間を割くことなく教材の価格が常に適正価格に保たれ、内容の陳腐化や時代による価値基準の変化による市場価値と公開価格のギャップを小さくすることが可能である。

本発明の構成例を示す図である。 本発明学習者情報の形式を示す図である。 本発明教材情報と内包される問題情報の形式を示す図である。 本発明学習履歴情報の形式を示す図である。 本発明解析部が学習履歴を解析し解析結果を出力するまでのフロー図である。 本発明において学習者が任意の教材に取り組むときのフロー図である。 本発明解析部がS５２０ループ内で実施する処理の概要図である。 本発明問題情報の一例を示す図である。 本発明解析部が解析処理S５４０を実施する前後の情報の変化の例を示す図である。 本発明において教材作者が作成した教材に対して公開にかかる価格を設定するフローを示した図である。

１０１ 学習者情報蓄積部
１０２ 教材情報蓄積部
１０３ 学習履歴情報蓄積部
１０４ 解析部
１０５ 解析情報蓄積部
１０６ 情報取得部
１０７ 表示部
１０８ 問題回答入力部
１０９ 判定部
１１０ 教材情報入力部
１１１ 学習者情報入力部
２００ 学習者情報
２１０ 学習者識別子
２２０ 認証情報
２３０ 学習者特性
２４０ 知識分野
３００ 教材情報
３１０ 問題情報
３２０ 教材識別子
３１１ 問題識別子
３１２ 問題文
３１３ 正解情報
３１４ 達成目標値
３１５ アセット
３１６ 知識分野
４００ 学習履歴情報
４２０ 成績情報
４３１ 得点情報
４３２ 達成成否
４３３ 経過時間
S５１０ 学習履歴情報抽出
S５２０ 学習履歴情報処理
S５３０ 学習者に紐付けられた情報の取得
S５４０ 解析処理
S５５０ 解析情報の記憶
S６１０ 教材情報の取得
S６１１ 問題情報の抽出
S６２１ 抽出された問題情報に対するループ処理
S６２０ 問題情報毎の処理開始
S６３０ 問題および回答入力フォームの表示
S６４０ 回答の入力
S６５０ 結果判定
S６６０ 学習履歴の記録
S６７０ テストとしての実施判定
S６７１ 結果の表示
S６８０ 問題情報毎の処理終了および次の問題情報へのシフト
S６９０ 学習履歴の記録
７００ 解析情報
７１０ 学習者解析結果
７１１ 学力レベル分布
７１２ 記憶情報
７１４ 問題識別子
７１５ 忘却関数
７１６ 学習スケジュール
７１７ 学習者の推定達成率分布
７１８ 回答数
７２０ 問題解析結果
７２１ 難易度レベル分布
７２２ 回答数
７２３ 正答数
７２４ 平均経過時間
７２５ 問題情報の推定達成率分布
７２６ 信ぴょう性
７２７ 品質評価
７１１A 解析前の学力レベル分布例
７１７A 解析前の学習者の推定達成率分布例
７２１A 解析前の難易度レベル分布例
７２５A 解析前の問題情報の推定達成率分布例
７１１B 解析前の学力レベル分布例
７１７B 解析前の学習者の推定達成率分布例
７２１B 解析前の難易度レベル分布例
７２５B 解析前の問題情報の推定達成率分布例
１００１ 教材作者
１００３ 審査部
S１０１０ 教材の作成
S１０１５ 審査リクエストの送信
S１０２０ フィードバック情報の送信
S１０３０ 教材の編集および価格の設定
S１０３５ 審査部による教材の価格設定

Claims (5)

1. 学習者の入力を判定し評価する学習システムであって、
   学習者の情報を蓄積する学習者情報蓄積部と、
   問題情報および問題情報の集合を教材情報として蓄積する教材情報保持部と、
   学習者情報および問題情報に紐付けて記録される学習履歴情報を蓄積する学習履歴蓄積部と、
   前記学習履歴情報を統計的に解析する機能を有する解析部と、
   前記解析部によって算出された結果を蓄積する解析情報蓄積部と、
   前記解析情報および前記学習履歴、教材情報を取得しユーザ向けに整形する機能を有する情報取得部と、
   前記情報取得部が取得した情報を表示する機能を有する表示部と、
   前記問題情報に対する回答を入力する問題解答入力部と、
   前記問題情報に対する回答と正答を比較し成績情報を算出する判定部と、
   前記問題情報を新規に作成する機能及び既存の問題情報を編集する機能を有する教材情報入力部と、
   を備えており、
   前記問題情報には問題文と正解情報と達成目標値が含まれており、
   前記学習履歴情報には問題情報の識別子と学習者の識別子と前記成績情報が含まれており、
   前記解析部が前記学習履歴情報に基いて学習者の学力レベルの確率分布と問題の難易度レベルの確率分布を機械学習アルゴリズムによって継続的に推定し記録する手段および、前記学習者の学力レベルの確率分布と前記問題の難易度レベルの確率分布および前記学習履歴情報を利用して学習者が学習後の時間軸において学習済みの問題情報に関する記憶をどの程度失っているかを示す忘却関数を算出し記録する手段と、
   をすることを特徴とする学習支援システム。
   
2. 前記問題情報が関連の深い知識分野を１つ以上内包する領域を有し、
   学習者情報に学習者が興味関心を持っている知識分野を１つ以上内包する領域が含まれ、
   前記解析部が前記学習履歴情報に基づいて問題情報に関連の深い知識分野および学習者が興味関心を持っている知識分野を推定し記録する手段を有し、
   前記忘却関数の算出において前記知識分野に関する情報を加えて利用すること、
   を特徴とする請求項１に記載の学習支援システム。
   
3. 前記情報取得部または前記解析部が前記忘却関数から最適な学習スケジュールを算出し、前記学習スケジュールに合わせて学習者の再学習を促す通知を送信する機能を有すること、
   を特徴とする請求項１もしくは２いずれかに記載の学習支援システム。
   
4. 前記解析部が前記学習履歴、前記学習者の学力評価および前記問題の難易度評価から問題情報に誤りが含まれている可能性もしくは既に問題情報によって与えられる知識が陳腐化している可能性の少なくともどちらか一方を機械学習アルゴリズムによって継続的に推定し記録する手段を有すること、
   を特徴とする請求項１から３いずれかに記載の学習支援システム。
   
5. ユーザが任意の教材情報を作成する機能を有し、前記任意の教材情報に対する受講権限または一定評価を獲得した場合の資格証明書を他者に販売する機能を有する情報売買システムを備えた請求項１から４いずれかに記載の学習支援システム。