JP2020166816A - Information processing device - Google Patents
Information processing device Download PDFInfo
- Publication number
- JP2020166816A JP2020166816A JP2019204135A JP2019204135A JP2020166816A JP 2020166816 A JP2020166816 A JP 2020166816A JP 2019204135 A JP2019204135 A JP 2019204135A JP 2019204135 A JP2019204135 A JP 2019204135A JP 2020166816 A JP2020166816 A JP 2020166816A
- Authority
- JP
- Japan
- Prior art keywords
- score
- target
- prediction
- server
- learning effect
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims description 22
- 230000000694 effects Effects 0.000 claims abstract description 169
- 238000012360 testing method Methods 0.000 abstract description 83
- 238000000034 method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 50
- 230000001174 ascending effect Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 14
- 238000012797 qualification Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 230000008450 motivation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明の実施形態は、情報処理装置及び端末に関する。 Embodiments of the present invention relate to information processing devices and terminals.
近年、資格試験などの講座をインターネット経由で配信するサービスが広まっている。一般的に、受講者は、資格試験の合格を目指して、週単位の学習時間及びテーマごとの進め方などの学習スケジュールを自ら組む。 In recent years, services that deliver courses such as qualification exams via the Internet have become widespread. In general, students make their own study schedule, such as weekly study hours and how to proceed for each theme, with the aim of passing the qualification test.
このような受講者の作業を減らし、受講者を資格試験の合格へ導くために、受講者に対してアドバイスを配信するサービスが広まっている。例えば、特許文献1には、学習ペースが受講計画よりも遅れている場合、学習ペースを上げるようにアドバイスを行う技術が開示されている。 Services that deliver advice to students are widespread in order to reduce the work of such students and lead them to pass the qualification exam. For example, Patent Document 1 discloses a technique for giving advice to increase the learning pace when the learning pace is behind the attendance plan.
特許文献1に開示されているアドバイスは、学習時間に関するものである。そのため、受講者は、学習ペースの遅れを把握することはできるが、資格試験の合格に効果的な学習方法を把握することはできない。 The advice disclosed in Patent Document 1 relates to learning time. Therefore, the student can grasp the delay in the learning pace, but cannot grasp the effective learning method for passing the qualification test.
資格試験の学習テーマは、多岐にわたる。点数を伸ばしやすい学習テーマ及び点数を伸ばしにくい学習テーマは、受講者によって異なる。そのため、受講者は、学習時間を増やしたとしても効果的に学習を進めなければ、資格試験に合格することは難しい。受講者が全ての学習テーマに同程度の時間を割くことは、資格試験の合格に向けては好ましいことではない。 The learning themes of the qualification exam are diverse. The learning themes that make it easy to increase the score and the learning themes that make it difficult to increase the score differ depending on the student. Therefore, it is difficult for students to pass the qualification test unless they proceed with learning effectively even if they increase their study time. It is not desirable for students to spend the same amount of time on all learning themes in order to pass the qualification exam.
上記の課題を解決するために、講座の受講者に対して試験に合格するための望ましい行動を促す技術を提供する。 In order to solve the above problems, we will provide the technology to encourage the students of the course to take desirable actions to pass the examination.
実施形態によれば、情報処理装置は、試験に関する講座を構成する複数のレッスンのうち対象者の受講対象レッスンを特定する特定部と、前記受講対象レッスンの受講による学習効果を示す情報を取得する取得部と、前記学習効果を示す情報を前記対象者の端末へ出力する出力部と、を備える。 According to the embodiment, the information processing apparatus acquires a specific part that identifies the lesson to be taken by the subject among a plurality of lessons constituting the course related to the examination, and information indicating the learning effect of taking the lesson to be taken. It includes an acquisition unit and an output unit that outputs information indicating the learning effect to the terminal of the target person.
実施形態によれば、情報処理装置及び端末は、表示部に学習効果を表示させることで、対象者に対して試験に合格するための望ましい行動を促すことができる。 According to the embodiment, the information processing apparatus and the terminal can urge the subject to take a desirable action to pass the test by displaying the learning effect on the display unit.
以下、図面を参照しながら実施形態について詳細に説明する。
図1は、講座配信システム1及び端末2の構成例を示すブロック図である。
Hereinafter, embodiments will be described in detail with reference to the drawings.
FIG. 1 is a block diagram showing a configuration example of the course distribution system 1 and the terminal 2.
講座配信システム1について説明する。
講座配信システム1は、試験の講座の受講を登録している各受講者に対して、インターネットなどのネットワークを介して、講座のコンテンツを配信するシステムである。ここでは、講座配信システム1は、特定の受講者の所有する端末2に対して、特定の試験に関する講座を配信するものとする。以下では、端末2を所有する特定の受講者は、対象者とも称される。特定の試験は、対象試験とも称される。対象試験に関する講座は、対象講座とも称される。
The course distribution system 1 will be described.
The course distribution system 1 is a system that distributes the content of the course to each student who has registered to take the test course via a network such as the Internet. Here, the course distribution system 1 distributes a course related to a specific test to a terminal 2 owned by a specific student. In the following, a specific student who owns the terminal 2 is also referred to as a target person. A particular test is also referred to as a target test. Courses related to target exams are also called target courses.
試験は、合否を最終結果とする試験であっても、得点を最終結果とする試験であってもよく、限定されない。例えば、合否を最終結果とする試験は、資格の付与に関する試験である。資格の付与に関する試験は、国家資格の付与に関する試験であっても、民間資格の付与に関する試験であってもよい。例えば、得点を最終結果とする試験は、語学に関する試験である。 The test may be a test whose final result is pass / fail, or a test whose final result is a score, and is not limited. For example, a pass / fail test is a qualification test. The qualification examination may be a national qualification examination or a private qualification examination. For example, a test whose final result is a score is a language test.
各試験の講座は、複数のレッスンで構成される。各レッスンは、それぞれ、講義または演習である。例えば、講義は、動画または音声の視聴による受講形式である。講義は、ウェブ上でのテキストでの学習による受講形式であってもよい。講義は、動画または音声の視聴及びウェブ上でのテキストでの学習を組み合わせた受講形式であってもよい。演習は、ウェブ上での問題への回答による受講形式である。演習は、部分的に講義を含んでいるものであってもよい。各レッスンは、テーマなどの内容のまとまりに応じて構成される学習単位である。各レッスンは、受講者による1レッスンの受講時間が比較的短時間となるように構成される。これにより、対象者は、端末2を用いて、隙間時間を利用して効率よく各レッスンを受講することができる。 Each exam course consists of multiple lessons. Each lesson is a lecture or exercise, respectively. For example, a lecture is a form of attendance by watching video or audio. Lectures may be in the form of text-based learning on the web. Lectures may be in the form of a combination of video or audio viewing and text learning on the web. Exercises are a form of attendance by answering questions on the web. The exercise may partially include a lecture. Each lesson is a learning unit composed of a set of contents such as a theme. Each lesson is structured so that the time taken by the student for one lesson is relatively short. As a result, the target person can efficiently take each lesson by using the terminal 2 and utilizing the gap time.
講座配信システム1は、サーバ3、サーバ4及びサーバ5を備える。
サーバ3、サーバ4及びサーバ5は、ネットワークを介して、互いに通信可能に接続されている。サーバ3、サーバ4及びサーバ5については後述する。
The course distribution system 1 includes a server 3, a server 4, and a server 5.
The server 3, the server 4, and the server 5 are connected to each other so as to be able to communicate with each other via a network. The server 3, the server 4, and the server 5 will be described later.
端末2について説明する。
端末2は、対象者による対象講座の受講に用いられる装置である。例えば、端末2は、PC(Personal Computer)であるが、スマートフォン及びタブレットなどであってもよく、これらに限定されない。
The terminal 2 will be described.
The terminal 2 is a device used by the target person to attend the target course. For example, the terminal 2 is a PC (Personal Computer), but may be a smartphone, a tablet, or the like, and is not limited thereto.
端末2は、プロセッサ21、ROM(Read Only Memory)22、RAM(Random Access Memory)23、記憶装置24、通信インタフェース25、入力装置26及び表示装置27を備える。プロセッサ21、ROM22、RAM23、記憶装置24、通信インタフェース25、入力装置26及び表示装置27は、データバスなどを介して互いに接続される。図1では、通信インタフェースは、「通信I/F」と記載されている。 The terminal 2 includes a processor 21, a ROM (Read Only Memory) 22, a RAM (Random Access Memory) 23, a storage device 24, a communication interface 25, an input device 26, and a display device 27. The processor 21, ROM 22, RAM 23, storage device 24, communication interface 25, input device 26, and display device 27 are connected to each other via a data bus or the like. In FIG. 1, the communication interface is described as "communication I / F".
プロセッサ21は、端末2全体の動作を制御する。例えば、プロセッサ21は、CPU(Central Processing Unit)であるが、これに限定されない。プロセッサ21は、フィールドプログラマブルゲートアレイ(Field Programmable Gate Array)などを含む回路で構成されていてもよい。プロセッサ21は、ROM22または記憶装置24に予め記憶されているプログラムをRAM23に展開する。プロセッサ21は、RAM23に展開されたプログラムを実行することで、種々の動作を実行する。 The processor 21 controls the operation of the entire terminal 2. For example, the processor 21 is a CPU (Central Processing Unit), but is not limited thereto. The processor 21 may be composed of a circuit including a field programmable gate array (Field Programmable Gate Array) and the like. The processor 21 expands the program stored in advance in the ROM 22 or the storage device 24 into the RAM 23. The processor 21 executes various operations by executing the program expanded in the RAM 23.
ROM22は、予め制御用のプログラム及び制御データなどを記憶する不揮発性のメモリである。 The ROM 22 is a non-volatile memory that stores a control program, control data, and the like in advance.
RAM23は、プロセッサ31の処理中のデータなどを一時的に格納する揮発性のメモリである。 The RAM 23 is a volatile memory that temporarily stores data and the like being processed by the processor 31.
記憶装置24は、データ及びプログラムなどを記憶する不揮発性メモリで構成される装置である。例えば、記憶装置24は、HDD(Hard Disk Drive)またはSSD(Solid State Drive)などで構成されるが、これらに限定されない。 The storage device 24 is a device composed of a non-volatile memory for storing data, programs, and the like. For example, the storage device 24 is composed of an HDD (Hard Disk Drive), an SSD (Solid State Drive), or the like, but is not limited thereto.
記憶装置24は、プロセッサ21で実行されるプログラムを記憶する。プログラムは、ネットワークを介して端末2にダウンロードされてもよい。プログラムは、コンピュータ可読記憶媒体に記憶されたものが端末2にインストールされたものでもよい。 The storage device 24 stores a program executed by the processor 21. The program may be downloaded to the terminal 2 via the network. The program may be one stored in a computer-readable storage medium and installed in the terminal 2.
通信インタフェース25は、有線または無線で通信するためのインタフェースである。例えば、通信インタフェース25は、有線または無線の種々の規格に対応するインタフェースを含む。通信インタフェース25は、端末2と他の装置との間の通信を可能にする。 The communication interface 25 is an interface for communicating by wire or wirelessly. For example, the communication interface 25 includes interfaces corresponding to various wired or wireless standards. The communication interface 25 enables communication between the terminal 2 and another device.
入力装置26は、対象者による操作に基づいて指示を受け付ける装置である。例えば、入力装置26は、キーボードまたはタッチパッドなどであるが、これらに限定されない。例えば、入力装置26は、対象者による操作に基づいて対象レッスンの開始指示を受け付ける。対象レッスンは、対象講座を構成する複数のレッスンのうち対象者の受講の対象となるレッスンである。対象レッスンは、受講対象レッスンとも称される。ここでは、対象レッスンが未受講レッスンである例について説明する。対象レッスンが講義である場合、未受講は、未視聴を意味する。対象レッスンが演習である場合、未受講は、演習で提供される問題への未回答を意味する。以下では、対象レッスンが講義である場合、この講義は、対象講義とも称される。対象レッスンが演習である場合、この演習は、対象演習とも称される。 The input device 26 is a device that receives an instruction based on an operation by the target person. For example, the input device 26 is, but is not limited to, a keyboard, a touch pad, and the like. For example, the input device 26 receives an instruction to start a target lesson based on an operation by the target person. The target lesson is a lesson to be taken by the target person among a plurality of lessons constituting the target course. The target lesson is also called the target lesson. Here, an example in which the target lesson is a non-taken lesson will be described. If the target lesson is a lecture, not attending means not watching. If the target lesson is an exercise, not taking it means not answering the questions provided in the exercise. In the following, if the target lesson is a lecture, this lecture is also referred to as the target lecture. If the target lesson is an exercise, this exercise is also referred to as the target exercise.
表示装置27は、種々の画面を表示する装置である。例えば、表示装置27は、液晶ディスプレイであるが、これに限定されない。表示装置27は、表示部の例である。 The display device 27 is a device that displays various screens. For example, the display device 27 is a liquid crystal display, but is not limited thereto. The display device 27 is an example of a display unit.
なお、端末2のハードウェア構成は、上述の構成に限定されるものではない。端末2は、適宜、上述の構成要素の省略及び変更並びに新たな構成要素の追加を可能とする。 The hardware configuration of the terminal 2 is not limited to the above configuration. The terminal 2 makes it possible to omit or change the above-mentioned components and add new components as appropriate.
プロセッサ21に実装される各部について説明する。
プロセッサ21は、プログラムを実行することで、取得部211及び表示制御部212を実装する。
取得部211は、種々の情報をサーバ4から取得する。例えば、取得部211は、対象レッスンの受講による学習効果を示す情報をサーバ4から取得する。学習効果は、対象者による対象レッスンの受講によって得られる効果である。学習効果の例については後述する。以下では、学習効果を示す情報は、学習効果情報とも称される。
表示制御部212は、種々の情報を表示装置27に表示させる。例えば、表示制御部212は、学習効果を表示装置27に表示させる。
Each part mounted on the processor 21 will be described.
The processor 21 implements the acquisition unit 211 and the display control unit 212 by executing the program.
The acquisition unit 211 acquires various information from the server 4. For example, the acquisition unit 211 acquires information indicating the learning effect of taking the target lesson from the server 4. The learning effect is an effect obtained by taking the target lesson by the target person. An example of the learning effect will be described later. In the following, the information indicating the learning effect is also referred to as the learning effect information.
The display control unit 212 causes the display device 27 to display various information. For example, the display control unit 212 causes the display device 27 to display the learning effect.
サーバ3について説明する。
サーバ3は、各試験の講座の複数の受講者に関するデータの管理などに用いられる装置である。以下では、複数の受講者に関するデータは、複数の受講者データとも称される。ここでは、対象講座についての複数の受講者データを例にして説明する。対象講座についての複数の受講者データの例については後述する。
The server 3 will be described.
The server 3 is a device used for managing data related to a plurality of participants in each examination course. In the following, data on a plurality of students will also be referred to as a plurality of student data. Here, a plurality of student data for the target course will be described as an example. An example of multiple student data for the target course will be described later.
サーバ3は、プロセッサ31、ROM32、RAM33、記憶装置34及び通信インタフェース35を備える。プロセッサ31、ROM32、RAM33、記憶装置34及び通信インタフェース35は、データバスなどを介して互いに接続される。
プロセッサ31は、サーバ3全体の動作を制御する。プロセッサ31は、上述のプロセッサ21と同様のハードウェアで構成される。
ROM32は、上述のROM22と同様のハードウェアで構成される。
RAM33は、上述のRAM23と同様のハードウェアで構成される。
記憶装置34は、上述の記憶装置24と同様のハードウェアで構成される。記憶装置34は、対象講座についての複数の受講者データを記憶する。記憶装置34は、プロセッサ31で実行されるプログラムを記憶する。プログラムは、ネットワークを介してサーバ3にダウンロードされてもよい。プログラムは、コンピュータ可読記憶媒体に記憶されたものがサーバ3にインストールされたものでもよい。
通信インタフェース35は、上述の通信インタフェース25と同様のハードウェアで構成される。
なお、サーバ3のハードウェア構成は、上述の構成に限定されるものではない。サーバ3は、適宜、上述の構成要素の省略及び変更並びに新たな構成要素の追加を可能とする。
The server 3 includes a processor 31, a ROM 32, a RAM 33, a storage device 34, and a communication interface 35. The processor 31, ROM 32, RAM 33, storage device 34, and communication interface 35 are connected to each other via a data bus or the like.
The processor 31 controls the operation of the entire server 3. The processor 31 is composed of the same hardware as the processor 21 described above.
The ROM 32 is composed of the same hardware as the ROM 22 described above.
The RAM 33 is composed of the same hardware as the RAM 23 described above.
The storage device 34 is composed of the same hardware as the storage device 24 described above. The storage device 34 stores a plurality of student data for the target course. The storage device 34 stores a program executed by the processor 31. The program may be downloaded to the server 3 via the network. The program may be one stored in a computer-readable storage medium and installed on the server 3.
The communication interface 35 is composed of the same hardware as the communication interface 25 described above.
The hardware configuration of the server 3 is not limited to the above configuration. The server 3 makes it possible to omit or change the above-mentioned components and add new components as appropriate.
記憶装置34が記憶する対象講座についての複数の受講者データについて説明する。
複数の受講者データは、対象講座の受講を終了した者に関するデータだけでなく、対象講座を受講中の者に関するデータも含む。例えば、対象講座の受講を終了した受講者に関するデータは、対象講座を構成する全レッスンを受講した者に関するデータだけでなく、対象講座の途中のレッスンで受講を止めた者に関するデータを含んでもよい。複数の受講者データは、対象者に関するデータを含む。以下では、対象者に関するデータは、対象者データとも称される。複数の受講者データは、現在受講中の受講者の進捗及び新たな受講者の追加などに応じて更新される。
A plurality of student data for the target course stored in the storage device 34 will be described.
The plurality of student data includes not only data on those who have completed the target course but also data on those who are taking the target course. For example, the data on the students who have completed the target course may include not only the data on the persons who have taken all the lessons constituting the target course but also the data on the persons who stopped taking the lessons in the middle of the target course. .. The plurality of student data includes data on the target person. In the following, the data regarding the target person is also referred to as the target person data. Multiple student data will be updated according to the progress of the students currently taking the course and the addition of new students.
複数の受講者データは、各受講者について、受講履歴に関するデータを含む。
受講履歴は、対象講座を構成する複数のレッスンのうち、受講者が少なくとも一部を受講したレッスン毎の学習行動を記録したログである。受講履歴は、受講者が受講を完了させたレッスンだけでなく、受講者が途中まで受講したレッスンの学習行動も含む。以下では、受講者が受講を完了させたレッスンは、受講済レッスンとも称される。受講者が途中まで受講したレッスンは、受講途中レッスンとも称される。受講者が受講していないレッスンは、未受講レッスンとも称される。
The plurality of student data includes data on the attendance history for each student.
The attendance history is a log that records the learning behavior of each lesson in which the student took at least a part of the plurality of lessons constituting the target course. The attendance history includes not only the lessons that the student has completed, but also the learning behavior of the lessons that the student has taken halfway. In the following, lessons that students have completed are also referred to as completed lessons. Lessons that students take halfway are also called mid-course lessons. Lessons that students have not taken are also called untaken lessons.
レッスンが講義である場合について説明する。例えば、受講履歴は、レッスン毎に、講義の進捗状況(受講済、受講途中または未受講の何れか)、動画または音声の再生時間、及び、テキストを用いた学習時間(講義の利用時間)などの要素を含む。例えば、講義がテキストを用いた学習である場合、講義の進捗状況は、受講者による受講完了の入力に応じて受講済になり得る。なお、サーバ3は、講義の学習時間を自動的に記録してもよいが、受講者による端末での入力に応じて端末から収集するようにしてもよい。受講者は、端末で講義の学習時間を入力する場合、講座で配信されるテキストの学習時間を入力してもいいし、市販テキスト(例えば、市販テキストのうち各講義に関連する部分)の学習時間を入力してもよい。 Explain the case where the lesson is a lecture. For example, the attendance history includes the progress of the lecture (either attended, in the middle of attending, or not attending), the playback time of video or audio, and the learning time using text (lecture usage time) for each lesson. Includes elements of. For example, if the lecture is learning using textbooks, the progress of the lecture may be completed in response to the input of the completion of the lecture by the student. The server 3 may automatically record the learning time of the lecture, but may collect it from the terminal in response to the input by the student on the terminal. When inputting the study time of a lecture on the terminal, the student may input the study time of the text delivered in the course, or study the commercial text (for example, the part of the commercial text related to each lecture). You may enter the time.
レッスンが演習である場合について説明する。例えば、受講履歴は、レッスン毎に、演習の進捗状況(受講済、受講途中または未受講の何れか)、演習の得点または正答率、及び、演習の学習時間(演習の利用時間)などの要素を含む。なお、受講者が同じ演習を複数回受講する場合、受講履歴は、受講回数(例えば、初回受講、2回目受講など)と紐付けた演習の得点または正答率を含む。なお、サーバ3は、上述の講義の学習時間と同様に、演習の学習時間を自動的に記録してもよいが、受講者による端末での入力に応じて端末から収集するようにしてもよい。受講者は、端末で演習の学習時間を入力する場合、上述の講義の学習時間と同様に、講座で配信される演習の学習時間だけでなく、市販テキストに収録されている問題(例えば、市販テキストのうち各演習に関連する部分)の学習時間を入力してもよい。 Explain when the lesson is an exercise. For example, the attendance history is an element such as the progress of the exercise (either completed, in the middle of attending, or not attending), the score or correct answer rate of the exercise, and the learning time of the exercise (use time of the exercise) for each lesson. including. When a student takes the same exercise multiple times, the attendance history includes the score or correct answer rate of the exercise associated with the number of attendances (for example, the first attendance, the second attendance, etc.). The server 3 may automatically record the learning time of the exercise in the same manner as the learning time of the lecture described above, but may collect it from the terminal in response to the input by the student on the terminal. .. When the student inputs the learning time of the exercise on the terminal, the learning time of the exercise delivered in the course as well as the problem recorded in the commercial text (for example, commercially available) is similar to the learning time of the lecture described above. You may enter the study time of the part of the text related to each exercise).
複数の受講者データは、対象試験を実施に受けた受講者について、対象試験の得点に関するデータを含む。
対象試験の得点は、受講者が実際に対象試験を受けた結果である。なお、対象試験の得点は、本試験の結果に代えて、模擬試験の結果であってもよい。例えば、模擬試験は、外部の受験機関が開催する試験を含む。この例では、模擬試験の結果は、受講者の申告による。例えば、模擬試験は、講座に含まれているウェブ上で回答する試験を含む。この例では、模擬試験の結果は、受講履歴に含まれ得る。
The plurality of student data includes data on the score of the target test for the students who took the target test.
The score of the target test is the result of the student actually taking the target test. The score of the target test may be the result of the mock test instead of the result of the main test. For example, a practice test includes a test held by an external test institution. In this example, the results of the mock exam are reported by the students. For example, a mock exam includes a web-based exam included in the course. In this example, the results of the mock exam can be included in the attendance history.
なお、複数の受講者データは、各受講者について、受講者の経験に関するデータ及び受講者の属性に関するデータのうちの少なくとも一つを含んでいてもよい。 The plurality of student data may include at least one of the data related to the student's experience and the data related to the student's attributes for each student.
受講者の経験は、受講者が対象講座を受講する前に対象試験を過去に実際に受けた受験経験を含む。例えば、受験経験は、対象試験の受験回数及び対象試験の結果などの要素を含む。例えば、対象試験の過去の結果は、試験の運営機関から受講者に通知される正式な結果であってもいいし、受講者の自己採点による結果であってもよい。受講者の経験は、対象試験とは異なる試験についての過去の学習経験を含む。例えば、学習経験は、対象試験とは異なる試験の受験回数などの要素を含む。 Participant's experience includes the experience of actually taking the target exam in the past before the student took the target course. For example, the test experience includes factors such as the number of times the target test is taken and the result of the target test. For example, the past results of the target test may be formal results notified to the students by the test management organization, or may be the results of the students' self-scoring. Participant experience includes past learning experience with exams that differ from the target exam. For example, the learning experience includes factors such as the number of times a test is taken that is different from the target test.
受講者の属性は、受講者固有の特徴である。例えば、受講者の属性は、年齢、性別、職業及び業界などの要素を含む。 The attributes of the students are unique to the students. For example, student attributes include factors such as age, gender, occupation and industry.
複数の受講者データは、サーバ4によって収集され、サーバ3に保存される。例えば、サーバ4は、各受講者について、各レッスンのコンテンツの配信に応じてレッスンの受講履歴に関するデータを計測し、サーバ3に保存する。例えば、サーバ4は、各受講者による端末での入力に応じて端末から受講者の属性及び対象試験の得点に関するデータを収集し、サーバ3に保存する。 The plurality of student data is collected by the server 4 and stored in the server 3. For example, the server 4 measures the data related to the lesson attendance history for each student according to the distribution of the content of each lesson, and stores the data in the server 3. For example, the server 4 collects data on the student's attributes and the score of the target test from the terminal in response to the input by each student on the terminal, and stores the data on the server 3.
サーバ4について説明する。
サーバ4は、端末2からの要求の処理、サーバ3へのデータの保存及びサーバ5への要求の処理などに用いられる装置である。
The server 4 will be described.
The server 4 is a device used for processing a request from a terminal 2, storing data in a server 3, processing a request in a server 5, and the like.
サーバ4は、プロセッサ41、ROM42、RAM43、記憶装置44及び通信インタフェース45を備える。プロセッサ41、ROM42、RAM43、記憶装置44及び通信インタフェース45は、データバスなどを介して互いに接続される。
プロセッサ41は、サーバ4全体の動作を制御する。プロセッサ41は、上述のプロセッサ21と同様のハードウェアで構成される。プロセッサ41は、RAM43に展開されたプログラムを実行することで、種々の動作を実行する後述の各部を実装する。
ROM42は、上述のROM22と同様のハードウェアで構成される。
RAM43は、上述のRAM23と同様のハードウェアで構成される。
記憶装置44は、上述の記憶装置24と同様のハードウェアで構成される。記憶装置44は、プロセッサ41で実行されるプログラムを記憶する。プログラムは、ネットワークを介してサーバ4にダウンロードされてもよい。プログラムは、コンピュータ可読記憶媒体に記憶されたものがインストールされたものでもよい。
通信インタフェース45は、上述の通信インタフェース25と同様のハードウェアで構成される。
なお、サーバ4のハードウェア構成は、上述の構成に限定されるものではない。サーバ4は、適宜、上述の構成要素の省略及び変更並びに新たな構成要素の追加を可能とする。
The server 4 includes a processor 41, a ROM 42, a RAM 43, a storage device 44, and a communication interface 45. The processor 41, ROM 42, RAM 43, storage device 44, and communication interface 45 are connected to each other via a data bus or the like.
The processor 41 controls the operation of the entire server 4. The processor 41 is composed of the same hardware as the processor 21 described above. The processor 41 implements each part described later that executes various operations by executing a program expanded in the RAM 43.
The ROM 42 is composed of the same hardware as the ROM 22 described above.
The RAM 43 is composed of the same hardware as the RAM 23 described above.
The storage device 44 is composed of the same hardware as the storage device 24 described above. The storage device 44 stores a program executed by the processor 41. The program may be downloaded to the server 4 via the network. The program may be an installed program stored in a computer-readable storage medium.
The communication interface 45 is composed of the same hardware as the communication interface 25 described above.
The hardware configuration of the server 4 is not limited to the above configuration. The server 4 makes it possible to omit or change the above-mentioned components and add new components as appropriate.
プロセッサ41に実装される各部について説明する。
プロセッサ41は、プログラムを実行することで、開始要求取得部411、対象レッスン特定部412、予測要求出力部413、予測情報取得部414及び出力部415を実装する。
Each part mounted on the processor 41 will be described.
The processor 41 implements the start request acquisition unit 411, the target lesson identification unit 412, the prediction request output unit 413, the prediction information acquisition unit 414, and the output unit 415 by executing the program.
開始要求取得部411は、通信インタフェース45を介して、対象レッスンの開始要求を端末2から取得する。例えば、対象レッスンの開始要求は、対象者を特定する情報及び対象レッスンを特定する情報を含む。 The start request acquisition unit 411 acquires the start request of the target lesson from the terminal 2 via the communication interface 45. For example, a request to start a target lesson includes information that identifies the target person and information that identifies the target lesson.
対象レッスン特定部412は、以下に例示するように、対象レッスンを特定する。例えば、対象レッスン特定部412は、対象レッスンの開始要求に含まれる対象レッスンを特定する情報を参照して、対象レッスンを特定する。 The target lesson specifying unit 412 specifies the target lesson as illustrated below. For example, the target lesson specifying unit 412 identifies the target lesson by referring to the information for specifying the target lesson included in the start request of the target lesson.
予測要求出力部413は、通信インタフェース45を介して、対象試験の学習効果の予測要求をサーバ5へ出力する。学習効果の予測要求は、対象者を特定する情報及び対象レッスンを特定する情報を含む。 The prediction request output unit 413 outputs a prediction request for the learning effect of the target test to the server 5 via the communication interface 45. The learning effect prediction request includes information that identifies the target person and information that identifies the target lesson.
予測情報取得部414は、通信インタフェース45を介して、学習効果情報をサーバ5から取得する。学習効果情報は、学習効果の予測要求の応答としてサーバ5からサーバ4へ送信される。 The prediction information acquisition unit 414 acquires learning effect information from the server 5 via the communication interface 45. The learning effect information is transmitted from the server 5 to the server 4 as a response to the learning effect prediction request.
出力部415は、種々の情報及び指示を端末2へ出力する。
例えば、出力部415は、通信インタフェース45を介して、学習効果情報を端末2へ出力する。学習効果情報は、学習効果を対象者に知らせるメッセージに関する情報を含む。
The output unit 415 outputs various information and instructions to the terminal 2.
For example, the output unit 415 outputs the learning effect information to the terminal 2 via the communication interface 45. The learning effect information includes information about a message informing the subject of the learning effect.
例えば、出力部415は、対象レッスンの開始または完了時に端末2に学習効果を表示させる指示を端末2へ出力する。
端末2に学習効果を表示させる指示について説明する。
対象レッスンが講義である場合、例えば、対象レッスンの開始時は、端末2において対象講義の開始画面を表示するタイミングである。例えば、対象レッスンの完了時は、端末2において対象講義の終了画面を表示するタイミングである。対象レッスンが演習である場合、例えば、対象レッスンの開始時は、端末2において対象演習で提供される初期画面を表示するタイミングである。対象レッスンの完了時は、端末2において対象者が対象演習で提供される問題で獲得した得点または正答率の画面を表示するタイミングである。
For example, the output unit 415 outputs an instruction to the terminal 2 to display the learning effect at the start or completion of the target lesson.
An instruction for displaying the learning effect on the terminal 2 will be described.
When the target lesson is a lecture, for example, when the target lesson starts, it is the timing to display the start screen of the target lecture on the terminal 2. For example, when the target lesson is completed, it is the timing to display the end screen of the target lecture on the terminal 2. When the target lesson is an exercise, for example, at the start of the target lesson, it is the timing to display the initial screen provided by the target exercise on the terminal 2. When the target lesson is completed, it is the timing to display the screen of the score or the correct answer rate obtained by the target person in the question provided in the target exercise on the terminal 2.
例えば、出力部415は、後述する所定の受講基準を示す情報を端末2へ出力する。受講基準は、受講状態ということもできる。
所定の受講基準について説明する。
対象レッスンが講義である場合、所定の受講基準は、対象者が対象講義の視聴を完了することである。対象レッスンが演習である場合、所定の受講基準は、対象者が演習で第1の得点(所定の得点)以上または第1の正答率(所定の正答率)以上を獲得することである。第1の得点または第1の正答率の設定例については後述する。
For example, the output unit 415 outputs information indicating a predetermined attendance standard, which will be described later, to the terminal 2. The attendance standard can also be said to be the attendance status.
Explain the prescribed attendance criteria.
If the target lesson is a lecture, the prescribed attendance criterion is that the target person completes the viewing of the target lecture. When the target lesson is an exercise, the predetermined attendance standard is that the target person obtains a first score (predetermined score) or higher or a first correct answer rate (predetermined correct answer rate) or higher in the exercise. An example of setting the first score or the first correct answer rate will be described later.
対象レッスンの開始時に端末2に学習効果を表示させる場合について説明する。
例えば、出力部415は、対象レッスンのコンテンツと共に、学習効果情報及び対象レッスンの開始時に端末2に学習効果を表示させる指示を端末2へ出力する。出力部415は、所定の受講基準を示す情報を端末2へ出力してもよい。これにより、端末2の表示制御部212は、受講者が対象レッスンを開始するタイミングで、対象レッスンのコンテンツと共に学習効果を表示装置27に表示させる。さらに、端末2の表示制御部212は、同タイミングで、学習効果に関連付けて所定の受講基準を表示装置27に表示させる。
A case where the learning effect is displayed on the terminal 2 at the start of the target lesson will be described.
For example, the output unit 415 outputs the learning effect information and the instruction to display the learning effect on the terminal 2 at the start of the target lesson to the terminal 2 together with the content of the target lesson. The output unit 415 may output information indicating a predetermined attendance standard to the terminal 2. As a result, the display control unit 212 of the terminal 2 causes the display device 27 to display the learning effect together with the content of the target lesson at the timing when the student starts the target lesson. Further, the display control unit 212 of the terminal 2 causes the display device 27 to display a predetermined attendance standard in association with the learning effect at the same timing.
対象レッスンの完了時に端末2に学習効果を表示させる場合について説明する。
例えば、出力部415は、対象レッスンのコンテンツを端末2へ配信した後に、受講者による対象レッスンの完了に応じて、学習効果情報及び対象レッスンの完了時に端末2に学習効果を表示させる指示を端末2へ出力する。これに代えて、出力部415は、対象レッスンのコンテンツと共に、予め学習効果情報及び対象レッスンの完了時に端末2に学習効果を表示させる指示を端末2へ出力してもよい。これにより、端末2の表示制御部212は、受講者が対象レッスンを完了するタイミングで、対象レッスンのコンテンツと共に学習効果を表示装置27に表示させる。さらに、端末2の表示制御部212は、同タイミングで、学習効果に関連付けて所定の受講基準を表示装置27に表示させる。
A case where the learning effect is displayed on the terminal 2 when the target lesson is completed will be described.
For example, the output unit 415 delivers the learning effect information and an instruction to display the learning effect on the terminal 2 at the completion of the target lesson according to the completion of the target lesson by the student after delivering the content of the target lesson to the terminal 2. Output to 2. Instead of this, the output unit 415 may output the learning effect information and the instruction to display the learning effect on the terminal 2 to the terminal 2 in advance together with the content of the target lesson. As a result, the display control unit 212 of the terminal 2 causes the display device 27 to display the learning effect together with the contents of the target lesson at the timing when the student completes the target lesson. Further, the display control unit 212 of the terminal 2 causes the display device 27 to display a predetermined attendance standard in association with the learning effect at the same timing.
サーバ5について説明する。
サーバ5は、対象試験の得点予測モデルの生成及び得点予測モデルを用いた学習効果の予測などに用いられる装置である。得点予測モデルは、少なくとも受講対象者の受講履歴に基づいて、対象者が実際に対象試験を受けた場合に対象者が獲得可能な得点を予測するための学習済モデルである。以下では、学習済モデルで予測される対象試験の得点は、予測得点とも称される。
The server 5 will be described.
The server 5 is a device used for generating a score prediction model for a target test and predicting a learning effect using the score prediction model. The score prediction model is a trained model for predicting the score that the subject can obtain when the subject actually takes the target test, at least based on the attendance history of the subject. In the following, the score of the target test predicted by the trained model is also referred to as the predicted score.
サーバ5は、プロセッサ51、ROM52、RAM53、記憶装置54及び通信インタフェース55を備える。プロセッサ51、ROM52、RAM53、記憶装置54及び通信インタフェース55は、データバスなどを介して互いに接続される。
プロセッサ51は、サーバ5全体の動作を制御する。プロセッサ51は、上述のプロセッサ21と同様のハードウェアで構成される。プロセッサ51は、RAM53に展開されたプログラムを実行することで、種々の動作を実行する後述の各部を実装する。
ROM52は、上述のROM22と同様のハードウェアで構成される。
RAM53は、上述のRAM23と同様のハードウェアで構成される。
記憶装置54は、上述の記憶装置24と同様のハードウェアで構成される。記憶装置54は、得点予測モデルを記憶する。記憶装置54は、プロセッサ51で実行されるプログラムを記憶する。プログラムは、ネットワークを介してサーバ5にダウンロードされてもよい。プログラムは、コンピュータ可読記憶媒体に記憶されたものがサーバ5にインストールされたものでもよい。
通信インタフェース55は、上述の通信インタフェース25と同様のハードウェアで構成される。
なお、サーバ5のハードウェア構成は、上述の構成に限定されるものではない。サーバ5は、適宜、上述の構成要素の省略及び変更並びに新たな構成要素の追加を可能とする。
The server 5 includes a processor 51, a ROM 52, a RAM 53, a storage device 54, and a communication interface 55. The processor 51, ROM 52, RAM 53, storage device 54, and communication interface 55 are connected to each other via a data bus or the like.
The processor 51 controls the operation of the entire server 5. The processor 51 is composed of the same hardware as the processor 21 described above. The processor 51 implements each part described later that executes various operations by executing a program expanded in the RAM 53.
The ROM 52 is composed of the same hardware as the ROM 22 described above.
The RAM 53 is composed of the same hardware as the RAM 23 described above.
The storage device 54 is composed of the same hardware as the storage device 24 described above. The storage device 54 stores the score prediction model. The storage device 54 stores a program executed by the processor 51. The program may be downloaded to the server 5 via the network. The program may be one stored in a computer-readable storage medium and installed on the server 5.
The communication interface 55 is composed of the same hardware as the communication interface 25 described above.
The hardware configuration of the server 5 is not limited to the above configuration. The server 5 makes it possible to omit or change the above-mentioned components and add new components as appropriate.
プロセッサ51に実装される各部について説明する。
プロセッサ51は、プログラムを実行することで、教師データ要求部511、教師データ取得部512、モデル生成部513、モデル保存部514、予測要求取得部515、対象データ要求出力部516、対象データ取得部517、予測部518及び予測情報出力部519を実装する。
Each part mounted on the processor 51 will be described.
By executing the program, the processor 51 executes the teacher data request unit 511, the teacher data acquisition unit 512, the model generation unit 513, the model storage unit 514, the prediction request acquisition unit 515, the target data request output unit 516, and the target data acquisition unit. 517, a prediction unit 518 and a prediction information output unit 519 are implemented.
教師データ要求部511は、通信インタフェース55を介して、教師データの要求をサーバ3へ出力する。例えば、教師データ要求部511は、サーバ5で得点予測モデルを生成する際及び得点予測モデルを更新する際に教師データの要求をサーバ3へ出力する。教師データの要求は、対象講座についての複数の受講者データの要求を含む。対象講座についての複数の受講者データの要求は、受講履歴に関するデータ及び対象試験の得点に関するデータの要求を含む。対象講座についての複数の受講者データの要求は、受講者の経験に関するデータ及び受講者の属性に関するデータのうちの少なくとも一つの要求を含んでいてもよい。 The teacher data request unit 511 outputs a request for teacher data to the server 3 via the communication interface 55. For example, the teacher data request unit 511 outputs a teacher data request to the server 3 when the server 5 generates the score prediction model and when the score prediction model is updated. Requesting teacher data includes requesting multiple student data for the subject course. Requests for multiple student data for a subject course include requests for data on attendance history and data on subject exam scores. A plurality of student data requests for a subject course may include at least one request of data on the student's experience and data on the student's attributes.
教師データ取得部512は、通信インタフェース55を介して、教師データをサーバ3から取得する。教師データは、教師データの要求の応答としてサーバ3からサーバ5へ送信される。教師データは、複数の受講者のそれぞれについての受講履歴に関するデータ及び対象試験の得点に関するデータを含む。教師データは、複数の受講者のそれぞれについての受講者の経験に関するデータ及び受講者の属性に関するデータのうちの少なくとも一つを含んでいてもよい。 The teacher data acquisition unit 512 acquires teacher data from the server 3 via the communication interface 55. The teacher data is transmitted from the server 3 to the server 5 in response to the request for the teacher data. The teacher data includes data on the attendance history of each of the plurality of students and data on the scores of the target examinations. The teacher data may include at least one of the data on the student's experience and the data on the student's attributes for each of the plurality of students.
モデル生成部513は、以下に例示するように、少なくとも教師データに含まれる複数の受講者の受講履歴及び複数の受講者による対象試験の得点に基づいて得点予測モデルを生成する。上述のように複数の受講者データは更新されるので、モデル生成部513は、更新された教師データに基づいて得点予測モデルを生成する。なお、得点予測モデルを生成することは、得点予測モデルを更新することを含む。例えば、モデル生成部513は、夜間バッチで得点予測モデルを生成してもいいし、学習効果の予測のタイミングでリアルタイムに得点予測モデルを生成してもよい。 As illustrated below, the model generation unit 513 generates a score prediction model based on at least the attendance history of a plurality of students included in the teacher data and the scores of the target test by the plurality of students. Since the plurality of student data are updated as described above, the model generation unit 513 generates a score prediction model based on the updated teacher data. It should be noted that generating the score prediction model includes updating the score prediction model. For example, the model generation unit 513 may generate a score prediction model in a nighttime batch, or may generate a score prediction model in real time at the timing of predicting the learning effect.
モデル生成部513は、対象試験の得点を、得点予測モデルを生成するための目的変数として用いる。モデル生成部513は、受講履歴に含まれるレッスン毎の各要素を、得点予測モデルを生成するための特徴量として用いる。受講履歴に含まれるレッスン毎の各要素と対象試験の点数との間には、一定の相関関係がある。 The model generation unit 513 uses the score of the target test as an objective variable for generating a score prediction model. The model generation unit 513 uses each element for each lesson included in the attendance history as a feature amount for generating a score prediction model. There is a certain correlation between each element of each lesson included in the course history and the score of the target test.
例えば、特徴量は、受講履歴に含まれる講義の進捗である。講義が受講済である場合、講義が未受講である場合よりも、受講者の学習時間は長くなる傾向にあり得る。学習時間が長くなるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講履歴に含まれる動画または音声の再生時間である。動画または音声の再生時間が長くなるにつれ、受講者の学習時間は長くなる傾向にあり得る。学習時間が長くなるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講履歴に含まれる講義の利用時間である。講義の利用時間が長くなるにつれ、受講者の学習時間は長くなる傾向にあり得る。学習時間が長くなるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講履歴に含まれる演習の進捗である。演習が受講済である場合、演習が未受講である場合よりも、受講者の学習時間は長くなる傾向にあり得る。学習時間が長くなるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講履歴に含まれる演習の得点または正答率である。演習の問題は、過去問及び対象試験で出やすい問題で構成される。演習の得点または正答率が高くなるにつれ、受講者は、対象試験でも同様に高得点を得やすい傾向にあり得る。そのため、演習の得点または正答率が高くなるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講履歴に含まれる演習の利用時間である。演習の利用時間が長くなるにつれ、受講者の学習時間は長くなる傾向にあり得る。学習時間が長くなるにつれ、対象試験の点数は上がる傾向にあり得る。 For example, the feature quantity is the progress of the lecture included in the attendance history. If the lecture has been taken, the learning time of the student may tend to be longer than if the lecture has not been taken. As the learning time increases, the score of the target test may tend to increase. For example, the feature amount is the playback time of a moving image or audio included in the attendance history. As the video or audio playback time increases, the student's learning time can tend to increase. As the learning time increases, the score of the target test may tend to increase. For example, the feature quantity is the usage time of the lecture included in the attendance history. The longer the lecture is used, the longer the student's learning time can tend to be. As the learning time increases, the score of the target test may tend to increase. For example, the feature quantity is the progress of the exercise included in the attendance history. Students who have taken the exercises may tend to spend more time studying than those who have not taken the exercises. As the learning time increases, the score of the target test may tend to increase. For example, the feature quantity is the score or correct answer rate of the exercise included in the attendance history. Exercise questions consist of past questions and questions that are likely to appear in the target exam. As the score or correct answer rate of the exercise increases, the students may be more likely to get a high score in the target test as well. Therefore, as the score of the exercise or the percentage of correct answers increases, the score of the target test may tend to increase. For example, the feature amount is the usage time of the exercise included in the attendance history. As the usage time of the exercise increases, the learning time of the students may tend to increase. As the learning time increases, the score of the target test may tend to increase.
モデル生成部513は、受講者の経験を構成する各要素を、得点予測モデルを生成するための特徴量として用いてもよい。受講者の経験を構成する各要素と対象試験の点数との間には、一定の相関関係がある。例えば、特徴量は、受講者の経験に含まれる対象試験の受験回数である。対象試験の受験回数が多くなるにつれ、受講者は、対象試験を受けることに慣れる傾向にあり得る。受講者が対象試験を受けることに慣れるにつれ、対象試験の点数は上がる傾向にあり得る。例えば、特徴量は、受講者の経験に含まれる対象試験の過去の結果である。対象試験の点数は、対象試験の過去の結果よりも上がる傾向にあり得る。例えば、特徴量は、受講者の経験に含まれる対象試験とは異なる試験の受験回数である。何らかの試験の受験回数が多くなるにつれ、受講者は、試験を受けることに慣れる傾向にあり得る。受講者が試験を受けることに慣れるにつれ、対象試験の点数は上がる傾向にあり得る。 The model generation unit 513 may use each element constituting the student's experience as a feature amount for generating a score prediction model. There is a certain correlation between each element that constitutes the student's experience and the score of the target examination. For example, the feature quantity is the number of times the subject test is taken, which is included in the experience of the student. As the number of times a subject exam is taken increases, students may tend to become accustomed to taking the subject exam. As students become accustomed to taking the target exam, the score of the target exam can tend to increase. For example, the feature quantity is the past result of the target test included in the experience of the student. The score of the target test may tend to be higher than the past results of the target test. For example, the feature quantity is the number of times a test is taken that is different from the target test included in the student's experience. As the number of times an exam is taken increases, students may tend to become accustomed to taking the exam. As students become accustomed to taking the exam, the score of the target exam may tend to increase.
モデル生成部513は、受講者の属性を構成する各要素を、得点予測モデルを生成するための特徴量として用いてもよい。受講者の属性を構成する各要素と対象試験の点数との間には、一定の相関関係がある。例えば、特徴量は、受講者の属性に含まれる年齢である。年齢が上がるにつれ、記憶力は低下する傾向にあり得る。そのため、年齢が上がるにつれ、対象試験の点数は下がる傾向にあり得る。例えば、特徴量は、受講者の属性に含まれる性別である。試験は、男性向きのものもあれば、女性向きのものもあり得る。そのため、対象試験の点数は、性別によって異なる傾向にあり得る。例えば、特徴量は、受講者の属性に含まれる職業及び業界である。試験は、職業及び業界毎に関連性の高いものがある。例えば、ICT関連の職業及び業界の人は、情報処理関係の試験に向く傾向にあり得る。そのため、対象試験の点数は、職業及び業界によって異なる傾向にあり得る。 The model generation unit 513 may use each element constituting the attribute of the student as a feature amount for generating the score prediction model. There is a certain correlation between each element that constitutes the attributes of the students and the score of the target test. For example, the feature quantity is the age included in the attributes of the students. As we get older, our memory tends to decline. Therefore, as the age increases, the score of the target test may tend to decrease. For example, the feature quantity is the gender included in the attributes of the students. The exam may be for men or for women. Therefore, the scores of the target tests may tend to differ depending on the gender. For example, the feature quantity is the occupation and industry included in the attributes of the student. Exams are highly relevant for each occupation and industry. For example, people in ICT-related professions and industries may tend to be better suited for information processing-related exams. Therefore, the scores of the target tests may tend to differ depending on the occupation and industry.
モデル生成部513は、機械学習により、目的変数に対する各特徴量の関係を推定し、得点予測モデルを生成する。得点予測モデルは、予測得点を求めるために、各特徴量に対応する種々の変数を用いる。例えば、得点予測モデルは、各講義が受講済か否かを変数として用いる。例えば、得点予測モデルは、各演習の得点または正答率を変数として用いる。 The model generation unit 513 estimates the relationship between each feature amount with respect to the objective variable by machine learning, and generates a score prediction model. The score prediction model uses various variables corresponding to each feature amount in order to obtain the predicted score. For example, the score prediction model uses whether or not each lecture has been taken as a variable. For example, the score prediction model uses the score or correct answer rate of each exercise as a variable.
例えば、機械学習は、教師あり学習である。機械学習は、線形回帰及び決定木などの回帰の手法により予測モデルを生成するものでもよい。回帰の手法は、これらに限定されるものではない。機械学習は、ニューラルネットワーク、ランダムフォレスト、サポートベクターマシン及びディープラーニングなどの分類の手法により予測モデルを生成するものでもよい。分類の手法は、これらに限定されるものではない。 For example, machine learning is supervised learning. Machine learning may generate a predictive model by a regression method such as linear regression and decision tree. The regression method is not limited to these. Machine learning may generate predictive models by classification methods such as neural networks, random forests, support vector machines and deep learning. The classification method is not limited to these.
なお、モデル生成部513は、機械学習により、複数の受講者データを用いて得点予測モデルを生成する例について説明したが、機械学習を用いることなく得点予測モデルを生成してもよい。例えば、モデル生成部513は、複数の受講者データのうちから対象者データの受講履歴に相関のある任意の一人の受講者データを選択し、選択された受講者データに基づいて得点予測モデルを生成するようにしてもよい。 Although the model generation unit 513 has described an example of generating a score prediction model using a plurality of student data by machine learning, the score prediction model may be generated without using machine learning. For example, the model generation unit 513 selects any one student data having a correlation with the attendance history of the target person data from a plurality of student data, and creates a score prediction model based on the selected student data. It may be generated.
モデル保存部514は、モデル生成部513で生成された得点予測モデルに関する情報を記憶装置54に保存する。 The model storage unit 514 stores information about the score prediction model generated by the model generation unit 513 in the storage device 54.
予測要求取得部515は、通信インタフェース55を介して、学習効果の予測要求をサーバ4から取得する。予測要求取得部515は、学習効果の予測要求に含まれる対象者を特定する情報及び対象レッスンを特定する情報を取得する。 The prediction request acquisition unit 515 acquires a prediction request for the learning effect from the server 4 via the communication interface 55. The prediction request acquisition unit 515 acquires information for identifying the target person and information for specifying the target lesson included in the prediction request for the learning effect.
対象データ要求出力部516は、以下に例示するように、通信インタフェース55を介して、対象者に関するデータの要求をサーバ3へ出力する。以下では、対象者に関するデータは、対象者データとも称される。例えば、対象データ要求出力部516は、学習効果の予測要求に含まれる対象者を特定する情報を参照する。対象データ要求出力部516は、対象者を特定し、対象者データの要求をサーバ3へ出力する。対象者データの要求は、対象者を特定する情報を含む。 The target data request output unit 516 outputs a data request regarding the target person to the server 3 via the communication interface 55, as illustrated below. In the following, the data regarding the target person is also referred to as the target person data. For example, the target data request output unit 516 refers to the information that identifies the target person included in the learning effect prediction request. The target data request output unit 516 identifies the target person and outputs the target person data request to the server 3. The request for subject data includes information that identifies the subject.
対象データ取得部517は、通信インタフェース55を介して、対象者データをサーバ3から取得する。対象者データは、対象者についての受講履歴に関するデータを含む。対象者データは、対象者についての受講者の経験に関するデータ及び受講者の属性に関するデータのうちの少なくとも一つを含んでいてもよい。対象者データは、対象者データの要求の応答としてサーバ3からサーバ5へ送信される。 The target data acquisition unit 517 acquires the target person data from the server 3 via the communication interface 55. The target person data includes data related to the attendance history of the target person. The subject data may include at least one of data on the student's experience with respect to the subject and data on the attributes of the student. The target person data is transmitted from the server 3 to the server 5 as a response to the request for the target person data.
予測部518は、以下に例示するように、学習効果を予測する。
学習効果は、以下に例示する第1〜第5学習効果のうちの何れか1つを含む。
The prediction unit 518 predicts the learning effect as illustrated below.
The learning effect includes any one of the first to fifth learning effects exemplified below.
第1の学習効果は、対象試験の上昇予測得点である。第2の学習効果は、所定の受講基準を満たす場合の対象試験の予測得点である。以下では、所定の受講基準を満たす場合の対象試験の予測得点は、第1の予測得点とも称される。第3の学習効果は、第1の予測得点及び所定の受講基準を満たさない場合の対象試験の予測得点である。以下では、所定の受講基準を満たさない場合の対象試験の予測得点は、第2の予測得点とも称される。第4の学習効果は、所定の受講基準を満たす場合の目標点までの点数である。第5の学習効果は、所定の受講基準を満たす場合の目標点に達する可能性である。 The first learning effect is the expected increase score of the target test. The second learning effect is the predicted score of the target test when the predetermined attendance criteria are met. In the following, the predicted score of the target test when the predetermined attendance criteria are satisfied is also referred to as the first predicted score. The third learning effect is the first predicted score and the predicted score of the target test when the predetermined attendance criteria are not met. In the following, the predicted score of the target test when the prescribed attendance criteria are not met is also referred to as the second predicted score. The fourth learning effect is the score up to the target point when the predetermined attendance criteria are satisfied. The fifth learning effect is the possibility of reaching the target point when the predetermined attendance criteria are met.
第1の学習効果の予測について説明する。上昇予測得点は、対象者による対象レッスンの受講により上昇すると予測される対象試験の点数の増加分である。
まず、予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。次に、予測部518は、得点予測モデルを用いて、第2の予測得点を予測する。次に、予測部518は、第1の予測得点と第2の予測得点との差分を求める。差分は、上昇予測得点に相当する。これにより、予測部518は、第1の学習効果を示す情報を取得することができる。
The prediction of the first learning effect will be described. The expected increase score is the increase in the score of the target test that is expected to increase as the subject takes the target lesson.
First, the prediction unit 518 predicts the first predicted score by using the score prediction model. Next, the prediction unit 518 predicts the second predicted score by using the score prediction model. Next, the prediction unit 518 obtains the difference between the first prediction score and the second prediction score. The difference corresponds to the expected rise score. As a result, the prediction unit 518 can acquire information indicating the first learning effect.
第2の学習効果の予測について説明する。予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。これにより、予測部518は、第2の学習効果を示す情報を取得することができる。 The second prediction of the learning effect will be described. The prediction unit 518 predicts the first predicted score by using the score prediction model. As a result, the prediction unit 518 can acquire information indicating the second learning effect.
第3の学習効果の予測について説明する。まず、予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。次に、予測部518は、得点予測モデルを用いて、第2の予測得点を予測する。これにより、予測部518は、第3の学習効果を示す情報を取得することができる。 The prediction of the third learning effect will be described. First, the prediction unit 518 predicts the first predicted score by using the score prediction model. Next, the prediction unit 518 predicts the second predicted score by using the score prediction model. As a result, the prediction unit 518 can acquire information indicating the third learning effect.
第4の学習効果の予測について説明する。第4の学習効果で用いる目標点は、対象試験の合格を目標とする点数である。例えば、対象試験の合格点が固定であれば、目標点は、固定の合格点でもいいし、固定の合格点よりも高めの点数でもよい。例えば、対象試験の合格点が変動であれば、目標点は、過去の複数回の合格点の平均点でもいいし、平均点よりも高めの点数でもよい。まず、予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。次に、予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。次に、予測部518は、第1の予測得点から目標点までの差分を求める。差分は、目標点までの点数に相当する。これにより、予測部518は、第4の学習効果を示す情報を取得することができる。 The fourth prediction of the learning effect will be described. The target score used in the fourth learning effect is a score for passing the target test. For example, if the passing score of the target test is fixed, the target score may be a fixed passing score or a score higher than the fixed passing score. For example, if the passing score of the target test fluctuates, the target score may be the average score of a plurality of past passing scores, or may be a score higher than the average score. First, the prediction unit 518 predicts the first predicted score by using the score prediction model. Next, the prediction unit 518 predicts the first predicted score by using the score prediction model. Next, the prediction unit 518 obtains the difference from the first prediction score to the target point. The difference corresponds to the score up to the target point. As a result, the prediction unit 518 can acquire information indicating the fourth learning effect.
第5の学習効果の予測について説明する。第5の学習効果で用いる目標点は、第4の学習効果で用いる目標点と同じであってもよい。まず、予測部518は、得点予測モデルを用いて、第1の予測得点を予測する。次に、予測部518は、第1の予測得点及び目標点に基づいて、目標点に達する可能性を予測する。一例では、目標点に達する可能性は、合格率である。合格率は、目標点に対する第1の予測得点の割合である。この例では、予測部518は、目標点に対する第1の予測得点の割合を求める。別の例では、目標点に達する可能性は、合格判定である。合格判定は、複数段階のランクから選択されるランクである。例えば、複数段階のランクは、目標点に対する第1の予測得点の乖離または目標点に対する第1の予測得点の割合に応じて設定される。例えば、複数段階のランクは、A、B、C及びDの4段階のランクなどであるが、これに限定されない。この例では、予測部518は、複数段階のランクから、第1の予測得点から目標点までの差分に対応するランクを選択する。これに代えて、予測部518は、複数段階のランクから、目標点に対する第1の予測得点の割合に対応するランクを選択してもよい。これにより、予測部518は、第5の学習効果を示す情報を取得することができる。 The fifth prediction of the learning effect will be described. The target point used in the fifth learning effect may be the same as the target point used in the fourth learning effect. First, the prediction unit 518 predicts the first predicted score by using the score prediction model. Next, the prediction unit 518 predicts the possibility of reaching the target point based on the first predicted score and the target point. In one example, the likelihood of reaching a target point is the pass rate. The pass rate is the ratio of the first predicted score to the target score. In this example, the prediction unit 518 obtains the ratio of the first predicted score to the target point. In another example, the likelihood of reaching the target point is a pass decision. The pass judgment is a rank selected from a plurality of ranks. For example, the rank of a plurality of stages is set according to the deviation of the first predicted score from the target point or the ratio of the first predicted score to the target point. For example, the rank of a plurality of stages includes, but is not limited to, a rank of four stages of A, B, C, and D. In this example, the prediction unit 518 selects a rank corresponding to the difference from the first prediction score to the target point from the ranks of a plurality of stages. Instead, the prediction unit 518 may select a rank corresponding to the ratio of the first predicted score to the target point from the ranks of a plurality of stages. As a result, the prediction unit 518 can acquire information indicating the fifth learning effect.
予測情報出力部519は、通信インタフェース55を介して、予測部518で取得された学習効果情報をサーバ4へ出力する。学習効果情報は、学習効果の予測要求の応答としてサーバ5からサーバ4へ送信される。 The prediction information output unit 519 outputs the learning effect information acquired by the prediction unit 518 to the server 4 via the communication interface 55. The learning effect information is transmitted from the server 5 to the server 4 as a response to the learning effect prediction request.
対象講座を構成する複数のレッスンの構成例について説明する。
図2は、対象講座を構成する複数のレッスンの構成例を示す図である。
対象講座は、x(2以上)個のレッスンで構成されている。x個のレッスンは、y(1以上)個の講義と、y個の演習で構成されている。なお、講義の数は、演習の数と異なっていてもよい。講義と演習は、交互に配置されているが、これに限定されない。2以上の講義は、連続するように配置されてもよい。2以上の演習は、連続するように配置されてもよい。
An example of the composition of a plurality of lessons constituting the target course will be described.
FIG. 2 is a diagram showing a configuration example of a plurality of lessons constituting the target course.
The target course consists of x (2 or more) lessons. The x lessons consist of y (1 or more) lectures and y exercises. The number of lectures may differ from the number of exercises. Lectures and exercises are arranged alternately, but are not limited to this. Two or more lectures may be arranged in succession. Two or more exercises may be arranged in succession.
学習効果の予測例及び表示例について、対象講義と対象演習に分けて説明する。 Prediction examples and display examples of learning effects will be explained separately for target lectures and target exercises.
対象講義の例について説明する。
ここでは、図2に示されるレッスン1〜4は、視聴済レッスンであるものとする。レッスン5〜xは、未視聴レッスンであるものとする。レッスン5の講義3は、対象講義であるものとする。
An example of the target lecture will be explained.
Here, it is assumed that lessons 1 to 4 shown in FIG. 2 are already viewed lessons. Lessons 5 to x are assumed to be unviewed lessons. Lecture 3 of Lesson 5 shall be the target lecture.
まず、対象講義における第1の学習効果の予測例について説明する。
予測部518は、得点予測モデルを用いて、対象者が対象講義である講義3の視聴を完了する場合の第1の予測得点を予測する。対象者が対象講義である講義3の視聴を完了する場合は、所定の受講基準を満たす場合の一例である。ここでは、予測部518は、受講済レッスンであるレッスン1〜4についての得点予測モデルの変数に、対象者の受講履歴のデータを適用する。予測部518は、対象講義である講義3についての得点予測モデルの変数に、受講済を示すデータを適用する。予測部518は、未受講レッスンのうち対象講義を除くレッスン6〜xの得点予測モデルの変数に、空のデータを適用する。これに代えて、予測部518は、未受講レッスンのうち対象講義を除くレッスン6〜xの得点予測モデルの変数に、デフォルトのデータを適用してもよい。例えば、未受講レッスンが講義である場合、デフォルトのデータは、受講済を示すデータを含む。例えば、未受講レッスンが演習である場合、デフォルトのデータは、演習の得点または正答率が0を示すデータを含む。これに代えて、未受講レッスンが演習である場合、デフォルトのデータは、演習の得点または正答率が複数の受講者の初回受講時の得点または正答率の平均値を示すデータを含んでいてもよい。予測部518は、上述のデータを得点予測モデルの変数に適用し、第1の予測得点を予測する。
First, an example of predicting the first learning effect in the target lecture will be described.
The prediction unit 518 predicts the first predicted score when the subject completes viewing of the lecture 3 which is the target lecture by using the score prediction model. The case where the target person completes the viewing of the lecture 3 which is the target lecture is an example of the case where the predetermined attendance criteria are satisfied. Here, the prediction unit 518 applies the data of the attendance history of the target person to the variables of the score prediction model for the lessons 1 to 4 which have been taken. The prediction unit 518 applies data indicating that the lecture has been taken to the variables of the score prediction model for the lecture 3 which is the target lecture. The prediction unit 518 applies empty data to the variables of the score prediction model of lessons 6 to x excluding the target lectures among the lessons not taken. Instead, the prediction unit 518 may apply default data to the variables of the score prediction model of lessons 6 to x excluding the target lecture among the lessons not taken. For example, if the lesson not taken is a lecture, the default data includes data indicating that the lesson has been taken. For example, if the lesson not taken is an exercise, the default data includes data indicating that the exercise score or correct answer rate is 0. Alternatively, if the lesson not taken is an exercise, the default data may include data that indicates the average score or correct answer rate of the exercise when the first attendance of multiple students. Good. The prediction unit 518 applies the above-mentioned data to the variables of the score prediction model and predicts the first prediction score.
予測部518は、得点予測モデルを用いて、対象者が対象講義を視聴していない場合の第2の予測得点を予測する。対象者が対象講義を視聴していない場合は、所定の受講基準を満たさない場合の一例である。ここでは、予測部518は、受講済レッスンであるレッスン1〜4についての得点予測モデルの変数に、対象者の受講履歴のデータを適用する。予測部518は、対象講義である講義3についての得点予測モデルの変数に、未受講を示すデータを適用する。予測部518は、未受講レッスンのうち対象講義を除くレッスン6〜xについての得点予測モデルの変数に、空のデータを適用する。これに代えて、予測部518は、未受講レッスンのうち対象講義を除くレッスン6〜xの得点予測モデルの変数に、上述のデフォルトのデータを適用してもよい。予測部518は、上述のデータを得点予測モデルの変数に適用し、第2の予測得点を予測する。 The prediction unit 518 uses the score prediction model to predict the second predicted score when the subject is not watching the target lecture. If the target person does not watch the target lecture, this is an example of the case where the prescribed attendance criteria are not met. Here, the prediction unit 518 applies the data of the attendance history of the target person to the variables of the score prediction model for the lessons 1 to 4 which have been taken. The prediction unit 518 applies data indicating not attending to the variables of the score prediction model for the lecture 3 which is the target lecture. The prediction unit 518 applies empty data to the variables of the score prediction model for lessons 6 to x excluding the target lectures among the lessons not taken. Instead, the prediction unit 518 may apply the above-mentioned default data to the variables of the score prediction model of lessons 6 to x excluding the target lecture among the lessons not taken. The prediction unit 518 applies the above-mentioned data to the variables of the score prediction model and predicts the second prediction score.
なお、予測部518は、第1の予測得点と第2の予測得点の予測に際し、対象講義についての得点予測モデルの変数に適用するデータを除いて同じであることが好ましい。その理由は、対象講義の受講基準のみを変えることで、対象講義の受講によってもたらされる上昇予測得点の精度を向上させるためである。 It is preferable that the prediction unit 518 is the same except for the data applied to the variables of the score prediction model for the target lecture when predicting the first prediction score and the second prediction score. The reason is that by changing only the attendance criteria of the target lecture, the accuracy of the expected increase score brought about by attending the target lecture is improved.
次に、予測部518は、第1の予測得点と第2の予測得点との差分である上昇予測得点を求め、第1の学習効果を示す情報を取得する。得点予測モデルの変数に適用されるデータは、受講者毎に異なるので、上昇予測得点は、同じ対象講義であっても、受講者毎に異なる。同様に、上昇予測得点は、同じ受講者であっても、講義毎に異なる。 Next, the prediction unit 518 obtains an ascending prediction score, which is the difference between the first prediction score and the second prediction score, and acquires information indicating the first learning effect. Since the data applied to the variables of the score prediction model is different for each student, the ascending prediction score is different for each student even in the same target lecture. Similarly, the expected increase score will differ from lecture to lecture even for the same student.
対象講義における第2〜第5の学習効果の予測例は、上述の第1の学習効果の予測例と同様である。例えば、予測部518は、上述のように第1の予測得点を予測し、第2の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点及び第2の予測得点を予測し、第3の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点を予測し、第1の予測得点から目標点までの差分を求め、第4の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点を予測し、第1の予測得点及び目標点に基づいて目標点に達する可能性を求め、第5の学習効果を示す情報を取得する。 The second to fifth learning effect prediction examples in the target lecture are the same as the first learning effect prediction example described above. For example, the prediction unit 518 predicts the first prediction score as described above, and acquires information indicating the second learning effect. For example, the prediction unit 518 predicts the first predicted score and the second predicted score as described above, and acquires information indicating the third learning effect. For example, the prediction unit 518 predicts the first predicted score as described above, obtains the difference from the first predicted score to the target point, and acquires information indicating the fourth learning effect. For example, the prediction unit 518 predicts the first predicted score as described above, obtains the possibility of reaching the target point based on the first predicted score and the target point, and acquires information indicating the fifth learning effect. To do.
次に、対象講義についての第1の学習効果の表示例について説明する。
図3は、表示装置27に表示される対象講義についての第1の学習効果の表示例を示す図である。
Next, a display example of the first learning effect for the target lecture will be described.
FIG. 3 is a diagram showing a display example of the first learning effect for the target lecture displayed on the display device 27.
表示制御部212は、受講者が対象レッスンを開始するタイミングで、対象講義のコンテンツと共に上昇予測得点(例えば、8点)を表示装置27に表示させる。表示制御部212は、上昇予測得点に関連付けて、所定の受講基準を表示装置27に表示させてもよい。例えば、表示制御部212は、上昇予測得点に関連付けて、上昇予測得点が対象講義の受講の完了に関連することを示すメッセージを表示装置27に表示させる。メッセージの位置、大きさ及び出し方など表示態様は、対象者の注意を引くものであればよく、限定されない。対象者は、対象講義を受講すれば上昇予測得点を得ることができることを容易に把握することができる。 The display control unit 212 causes the display device 27 to display the expected increase score (for example, 8 points) together with the content of the target lecture at the timing when the student starts the target lesson. The display control unit 212 may display a predetermined attendance standard on the display device 27 in association with the increase prediction score. For example, the display control unit 212 causes the display device 27 to display a message indicating that the ascending predicted score is related to the completion of attending the target lecture in association with the ascending predicted score. The display mode such as the position, size, and output of the message may be any one that attracts the attention of the target person, and is not limited. The subject can easily grasp that the expected increase score can be obtained by taking the target lecture.
これに代えて、または、これと共に、表示制御部212は、受講者が対象レッスンを完了するタイミングで、同様に、対象講義のコンテンツと共に上昇予測得点を表示装置27に表示させる。表示制御部212は、上昇予測得点に関連付けて、所定の受講基準を表示装置27に表示させてもよい。例えば、表示制御部212は、同様に、上昇予測得点に関連付けて、上昇予測得点が対象講義の受講の完了に関連することを示すメッセージを表示装置27に表示させる。対象者は、対象講義の受講により、上昇予測得点を得ることができたことを容易に把握することができる。 Instead of, or together with this, the display control unit 212 causes the display device 27 to display the expected increase score together with the content of the target lecture at the timing when the student completes the target lesson. The display control unit 212 may display a predetermined attendance standard on the display device 27 in association with the increase prediction score. For example, the display control unit 212 similarly causes the display device 27 to display a message indicating that the ascending predicted score is related to the completion of attending the target lecture in association with the ascending predicted score. The subject can easily grasp that he / she was able to obtain the expected increase score by attending the target lecture.
なお、第2〜第5の学習効果の表示例については、上述の第1の学習効果の表示例と同様である。なお、取得部211が第1〜第5の学習効果のうちの2以上を含む学習効果情報を取得する場合、表示制御部212は、第1〜第5の学習効果のうちの2以上を表示装置27に表示させてもよい。 The display examples of the second to fifth learning effects are the same as the display examples of the first learning effect described above. When the acquisition unit 211 acquires learning effect information including two or more of the first to fifth learning effects, the display control unit 212 displays two or more of the first to fifth learning effects. It may be displayed on the device 27.
対象演習の例について説明する。
ここでは、図2に示されるレッスン1〜5は、視聴済レッスンであるものとする。レッスン6〜xは、未視聴レッスンであるものとする。レッスン6の演習3は、対象演習であるものとする。
An example of the target exercise will be described.
Here, it is assumed that lessons 1 to 5 shown in FIG. 2 are already viewed lessons. Lessons 6 to x are assumed to be unviewed lessons. Exercise 3 of Lesson 6 shall be the target exercise.
まず、対象演習における第1の学習効果の予測例について説明する。
予測部518は、得点予測モデルを用いて、対象者が対象演習である演習3で第1の得点以上または第1の正答率以上を獲得する場合の第1の予測得点を予測する。対象者が対象演習である演習3で第1の得点以上または第1の正答率以上を獲得する場合は、所定の受講基準を満たす場合の一例である。ここでは、予測部518は、受講済レッスンであるレッスン1〜5についての得点予測モデルの変数に、対象者の受講履歴のデータを適用する。予測部518は、対象演習である演習3についての得点予測モデルの変数に、第1の得点または第1の正答率を示すデータを適用する。予測部518は、未受講レッスンのうち対象演習を除くレッスン7〜xの得点予測モデルの変数に、空のデータを適用する。これに代えて、予測部518は、未受講レッスンのうち対象演習を除くレッスン7〜xの得点予測モデルの変数に、上述のデフォルトのデータを適用してもよい。予測部518は、上述のデータを得点予測モデルの変数に適用し、第1の予測得点を予測する。
First, an example of predicting the first learning effect in the target exercise will be described.
The prediction unit 518 predicts the first predicted score when the subject obtains the first score or more or the first correct answer rate or more in the exercise 3 which is the target exercise by using the score prediction model. The case where the subject obtains the first score or more or the first correct answer rate or more in the exercise 3 which is the target exercise is an example of the case where the predetermined attendance criteria are satisfied. Here, the prediction unit 518 applies the data of the attendance history of the target person to the variables of the score prediction model for the lessons 1 to 5 that have already been taken. The prediction unit 518 applies data indicating the first score or the first correct answer rate to the variables of the score prediction model for the exercise 3 which is the target exercise. The prediction unit 518 applies empty data to the variables of the score prediction model of lessons 7 to x excluding the target exercises among the lessons not taken. Instead, the prediction unit 518 may apply the above-mentioned default data to the variables of the score prediction model of lessons 7 to x excluding the target exercise among the lessons not taken. The prediction unit 518 applies the above-mentioned data to the variables of the score prediction model and predicts the first prediction score.
予測部518は、得点予測モデルを用いて、対象者が対象演習である演習3で第2の得点以上または第2の正答率以上を獲得する場合の第2の予測得点を予測する。対象者が対象演習である演習3で第2の得点以上または第2の正答率以上を獲得する場合は、所定の受講基準を満たさない場合の一例である。第2の得点は、第1の得点よりも低い得点である。第2の正答率は、第1の正答率よりも低い正答率である。第2の得点または第2の正答率は0でもいいし、複数の受講者の初回受講時の得点または正答率の平均値でもよい。ここでは、予測部518は、受講済レッスンであるレッスン1〜5についての得点予測モデルの変数に、対象者の受講履歴のデータを適用する。予測部518は、対象演習である演習3についての得点予測モデルの変数に、第2の得点または第2の正答率を示すデータを適用する。予測部518は、未受講レッスンのうち対象演習を除くレッスン7〜xの得点予測モデルの変数に、空のデータを適用する。これに代えて、予測部518は、未受講レッスンのうち対象演習を除くレッスン7〜xの得点予測モデルの変数に、上述のデフォルトのデータを適用してもよい。なお、予測部518は、第1の予測得点と第2の予測得点の予測に際し、対象演習についての得点予測モデルの変数に適用するデータを除いて同じであることが好ましい。予測部518は、上述のデータを得点予測モデルの変数に適用し、第2の予測得点を予測する。 The prediction unit 518 uses the score prediction model to predict the second predicted score when the subject obtains a second score or more or a second correct answer rate or more in the target exercise 3, exercise 3. When the subject obtains a second score or higher or a second correct answer rate or higher in Exercise 3, which is the target exercise, it is an example of a case where the prescribed attendance criteria are not met. The second score is a score lower than the first score. The second correct answer rate is a lower correct answer rate than the first correct answer rate. The second score or the second correct answer rate may be 0, or may be the average value of the scores or correct answer rates of a plurality of students at the time of the first attendance. Here, the prediction unit 518 applies the data of the attendance history of the target person to the variables of the score prediction model for the lessons 1 to 5 that have already been taken. The prediction unit 518 applies data indicating the second score or the second correct answer rate to the variables of the score prediction model for the exercise 3 which is the target exercise. The prediction unit 518 applies empty data to the variables of the score prediction model of lessons 7 to x excluding the target exercises among the lessons not taken. Instead, the prediction unit 518 may apply the above-mentioned default data to the variables of the score prediction model of lessons 7 to x excluding the target exercise among the lessons not taken. It is preferable that the prediction unit 518 is the same except for the data applied to the variables of the score prediction model for the target exercise when predicting the first prediction score and the second prediction score. The prediction unit 518 applies the above-mentioned data to the variables of the score prediction model and predicts the second prediction score.
予測部518は、第1の予測得点と第2の予測得点との差分である上昇予測得点を求め、第1の学習効果を示す情報を取得する。得点予測モデルの変数に適用されるデータは、受講者毎に異なるので、上昇予測得点は、同じ対象演習であっても、受講者毎に異なる。同様に、上昇予測得点は、同じ受講者であっても、演習毎に異なる。 The prediction unit 518 obtains an ascending prediction score, which is the difference between the first prediction score and the second prediction score, and acquires information indicating the first learning effect. Since the data applied to the variables of the score prediction model is different for each student, the ascending prediction score is different for each student even in the same target exercise. Similarly, the expected increase score will vary from exercise to exercise, even for the same student.
対象演習における第2〜第5の学習効果の予測例は、上述の第1の学習効果の予測例と同様である。例えば、予測部518は、上述のように第1の予測得点を予測し、第2の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点及び第2の予測得点を予測し、第3の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点を予測し、第1の予測得点から目標点までの差分を求め、第4の学習効果を示す情報を取得する。例えば、予測部518は、上述のように第1の予測得点を予測し、第1の予測得点及び目標点に基づいて目標点に達する可能性を求め、第5の学習効果を示す情報を取得する。 The second to fifth learning effect prediction examples in the target exercise are the same as the first learning effect prediction examples described above. For example, the prediction unit 518 predicts the first prediction score as described above, and acquires information indicating the second learning effect. For example, the prediction unit 518 predicts the first predicted score and the second predicted score as described above, and acquires information indicating the third learning effect. For example, the prediction unit 518 predicts the first predicted score as described above, obtains the difference from the first predicted score to the target point, and acquires information indicating the fourth learning effect. For example, the prediction unit 518 predicts the first predicted score as described above, obtains the possibility of reaching the target point based on the first predicted score and the target point, and acquires information indicating the fifth learning effect. To do.
ここで、演習3を例にして、第1の得点または第1の正答率の設定例について説明する。演習3の満点は、100点であるものとする。
予測部518は、0点から100点まで範囲について、複数の予測得点を予測する。例えば、予測部518は、所定の得点間隔(例えば、5点)で予測得点を予測する。
Here, an example of setting the first score or the first correct answer rate will be described by taking Exercise 3 as an example. The maximum score for Exercise 3 shall be 100 points.
The prediction unit 518 predicts a plurality of predicted scores in the range of 0 to 100 points. For example, the prediction unit 518 predicts the predicted score at a predetermined score interval (for example, 5 points).
図4は、演習3の得点と予測得点との関係を例示する図である。
図4に示すように、予測得点の伸び率は、演習3の得点が高くなるにつれ小さくなる。例えば、伸び率は、所定の得点間隔に対する予測得点の増加分である。伸び率は、演習3の得点と予測得点との関係のグラフの傾きに関連する。演習3の得点が80点から100点の範囲では、予測得点はほとんど変わらない。そのため、予測部518は、対象演習の得点に応じて予測される予測得点の伸び率が所定の伸び率を満たさなくなる得点(例えば、80点)を第1の得点とする。つまり、第1の得点は、対象演習の受講によって見込まれる予測得点と、対象者のモチベーションの維持とのバランスを考慮した得点である。なお、予測部518は、同様に、演習の正答率に応じて予測される対象試験の予測得点の伸び率が所定の伸び率を満たさなくなる正答率を第1の正答率とする。演習の得点と予測得点との関係は、受講者毎に異なる。そのため、第1の得点または第1の正答率は、同じ対象演習であっても、受講者毎に異なる。演習の得点と予測得点との関係は、演習毎に異なる。そのため、第1の得点または第1の正答率は、同じ受講者であっても、演習毎に異なる。なお、第1の得点または第1の正答率は、上述のように伸び率に基づいて決められてもよいが、予め設定された固定値(例えば60点または60%など)であってもよい。固定値は、各演習で共通であっても、異なっていてもよい。固定値は、任意に調整可能であってもよい。
FIG. 4 is a diagram illustrating the relationship between the score of Exercise 3 and the predicted score.
As shown in FIG. 4, the growth rate of the predicted score decreases as the score of Exercise 3 increases. For example, the growth rate is the increase in the predicted score with respect to a predetermined score interval. The growth rate is related to the slope of the graph of the relationship between the score of Exercise 3 and the predicted score. When the score of Exercise 3 is in the range of 80 to 100 points, the predicted score is almost the same. Therefore, the prediction unit 518 sets a score (for example, 80 points) at which the growth rate of the predicted score predicted according to the score of the target exercise does not satisfy the predetermined growth rate as the first score. That is, the first score is a score that considers the balance between the predicted score expected by attending the target exercise and the maintenance of the motivation of the target person. Similarly, the prediction unit 518 sets the correct answer rate at which the growth rate of the predicted score of the target test predicted according to the correct answer rate of the exercise does not satisfy the predetermined growth rate as the first correct answer rate. The relationship between the exercise score and the predicted score differs for each student. Therefore, the first score or the first correct answer rate differs for each student even in the same target exercise. The relationship between the exercise score and the predicted score is different for each exercise. Therefore, the first score or the first correct answer rate differs for each exercise even for the same student. The first score or the first correct answer rate may be determined based on the elongation rate as described above, but may be a preset fixed value (for example, 60 points or 60%). .. The fixed values may be common or different for each exercise. The fixed value may be arbitrarily adjustable.
なお、予測部518は、所定の受講基準を満たす場合の1つの第1の予測得点を予測する例について説明したが、これに限定されない。予測部518は、以下に例示するように、複数の第1の予測得点を予測してもよい。この例では、所定の受講基準は、複数の第1の得点または複数の第1の正答率に応じた複数の受講基準を含む。例えば、複数の第1の得点または複数の第1の正答率は、5点間隔の得点または5%間隔の正答率などの等間隔であってもいいし、等間隔でなくてもよい。複数の第1の得点または複数の第1の正答率は、演習の得点または正答率に応じて予測される対象試験の予測得点の伸び率が所定の伸び率を満たさなくなる得点または正答率を含んでいてもよい。 The prediction unit 518 has described an example of predicting one first predicted score when a predetermined attendance standard is satisfied, but the present invention is not limited to this. The prediction unit 518 may predict a plurality of first prediction scores as illustrated below. In this example, the predetermined attendance criteria include a plurality of attendance criteria according to a plurality of first scores or a plurality of first correct answer rates. For example, the plurality of first scores or the plurality of first correct answer rates may or may not be equal intervals such as scores at 5-point intervals or correct answer rates at 5% intervals. The plurality of first scores or the plurality of first correct answer rates include the score or the correct answer rate in which the growth rate of the predicted score of the target test predicted according to the score or the correct answer rate of the exercise does not satisfy the predetermined growth rate. You may be.
予測部518は、複数の第1の得点または複数の第1の正答率に応じた複数の第1の予測得点を予測する。予測部518は、複数の第1の予測得点と第2の予測得点との差分を求め、複数の受講基準毎の複数の上昇予測得点を予測する。予測部518は、複数の受講基準毎の上昇予測得点を含む第1の学習効果を示す情報を取得する。なお、予測部518は、第1の学習効果と同様に、複数の受講基準毎の値を含む第2〜第5の学習効果を取得することができる。 The prediction unit 518 predicts a plurality of first predicted scores according to a plurality of first scores or a plurality of first correct answer rates. The prediction unit 518 obtains the difference between the plurality of first predicted scores and the second predicted score, and predicts a plurality of predicted ascending scores for each of the plurality of attendance criteria. The prediction unit 518 acquires information indicating the first learning effect including the increase prediction score for each of the plurality of attendance criteria. In addition, the prediction unit 518 can acquire the second to fifth learning effects including the values for each of the plurality of attendance criteria as well as the first learning effect.
次に、対象演習についての第1の学習効果の表示例について説明する。
図5は、表示装置27に表示される対象演習についての第1の学習効果の表示例を示す図である。
Next, a display example of the first learning effect for the target exercise will be described.
FIG. 5 is a diagram showing a display example of the first learning effect for the target exercise displayed on the display device 27.
表示制御部212は、受講者が対象レッスンを開始するタイミングで、対象演習のコンテンツと共に上昇予測得点(例えば、10点)を表示する。表示制御部212は、上昇予測得点に関連付けて、所定の受講基準を表示装置27に表示させてもよい。例えば、表示制御部212は、上昇予測得点に関連付けて、上昇予測得点が第1の得点(例えば、80点)以上の獲得に関連することを示すメッセージを表示装置27に表示させる。表示制御部212は、第1の得点に代えて第1の正答率についてのメッセージを表示装置27に表示させてもよい。メッセージの位置、大きさ及び出し方など表示態様は、対象者の注意を引くものであればよく、限定されない。対象者は、上昇予測得点を得るための目標となる対象演習の得点または正答率を容易に把握し、対象演習に臨むことができる。 The display control unit 212 displays the expected increase score (for example, 10 points) together with the content of the target exercise at the timing when the student starts the target lesson. The display control unit 212 may display a predetermined attendance standard on the display device 27 in association with the increase prediction score. For example, the display control unit 212 causes the display device 27 to display a message indicating that the ascending predicted score is related to the acquisition of the first score (for example, 80 points) or more in association with the ascending predicted score. The display control unit 212 may display a message about the first correct answer rate on the display device 27 instead of the first score. The display mode such as the position, size, and output of the message may be any one that attracts the attention of the target person, and is not limited. The subject can easily grasp the score or correct answer rate of the target exercise, which is the target for obtaining the expected increase score, and can approach the target exercise.
なお、表示制御部212は、上昇予測得点と共に、対象演習の得点または正答率のそれぞれと予測得点との関係を示すグラフを表示装置27に表示させてもよい。図5では、第2の予測得点は、第2の得点を0とした例である。この例では、サーバ4の予測情報取得部414は、演習3の複数の得点または複数の正答率の予測得点を示す情報をサーバ5から取得する。サーバ4の出力部415は、第1の学習効果を含む学習効果情報と共に、演習3の複数の得点または複数の正答率の予測得点を示す情報を端末2へ出力する。端末2の取得部211は、第1の学習効果を含む学習効果情報と共に、演習3の複数の得点または複数の正答率の予測得点を示す情報をサーバ4から取得する。対象者は、対象演習の得点または正答率に応じた予想得点の推移を容易に把握することができる。 The display control unit 212 may display the graph showing the relationship between the score of the target exercise or the correct answer rate and the predicted score together with the predicted ascending score on the display device 27. In FIG. 5, the second predicted score is an example in which the second score is set to 0. In this example, the prediction information acquisition unit 414 of the server 4 acquires information indicating a plurality of scores of the exercise 3 or a plurality of prediction scores of the correct answer rate from the server 5. The output unit 415 of the server 4 outputs the information indicating the plurality of scores of the exercise 3 or the predicted scores of the plurality of correct answer rates to the terminal 2 together with the learning effect information including the first learning effect. The acquisition unit 211 of the terminal 2 acquires from the server 4 information indicating a plurality of scores of the exercise 3 or a plurality of predicted scores of the correct answer rate together with the learning effect information including the first learning effect. The subject can easily grasp the transition of the expected score according to the score of the target exercise or the correct answer rate.
なお、サーバ5の予測部518が第1の得点または第1の正答率の異なる複数の受講基準に応じた複数の上昇予測得点を予測する場合、表示制御部212は、複数の第1の得点または複数の第1の正答率のそれぞれに関連付けて複数の上昇予測得点を表示装置27に表示させてもよい。この例では、サーバ4の予測情報取得部414は、第1の学習効果を含む学習効果情報をサーバ5から取得する。第1の学習効果は、複数の受講基準毎の複数の第1の予測得点を含む。サーバ4の出力部415は、第1の学習効果を含む学習効果情報を端末2へ出力する。端末2の取得部211は、第1の学習効果を含む学習効果情報をサーバ4から取得する。対象者は、対象演習の得点または正答率に応じた上昇予測得点を容易に把握することができる。 When the prediction unit 518 of the server 5 predicts the first score or a plurality of ascending prediction scores according to a plurality of attendance criteria having different correct answer rates, the display control unit 212 determines the plurality of first scores. Alternatively, a plurality of predicted increase scores may be displayed on the display device 27 in association with each of the plurality of first correct answer rates. In this example, the prediction information acquisition unit 414 of the server 4 acquires the learning effect information including the first learning effect from the server 5. The first learning effect includes a plurality of first predicted scores for each of the plurality of attendance criteria. The output unit 415 of the server 4 outputs the learning effect information including the first learning effect to the terminal 2. The acquisition unit 211 of the terminal 2 acquires the learning effect information including the first learning effect from the server 4. The subject can easily grasp the score of the target exercise or the expected increase score according to the correct answer rate.
これに代えて、または、これと共に、表示制御部212は、受講者が対象レッスンを完了するタイミングで、同様に、対象演習のコンテンツと共に上昇予測得点を表示装置27に表示させる。表示制御部212は、上昇予測得点に関連付けて、所定の受講基準を表示装置27に表示させてもよい。例えば、表示制御部212は、上昇予測得点に関連付けて、上昇予測得点が第1の得点以上の獲得に関連することを示すメッセージを表示装置27に表示させる。表示制御部212は、第1の得点に代えて第1の正答率についてのメッセージを表示装置27に表示させてもよい。対象者は、上昇予測得点を得るための目標となる対象演習の得点または正答率を容易に把握し、対象演習の復習に臨むことができる。 Instead of, or together with this, the display control unit 212 causes the display device 27 to display the expected increase score together with the content of the target exercise at the timing when the student completes the target lesson. The display control unit 212 may display a predetermined attendance standard on the display device 27 in association with the increase prediction score. For example, the display control unit 212 causes the display device 27 to display a message indicating that the ascending predicted score is related to the acquisition of the first score or more in association with the ascending predicted score. The display control unit 212 may display a message about the first correct answer rate on the display device 27 instead of the first score. The subject can easily grasp the score or correct answer rate of the target exercise, which is the target for obtaining the expected increase score, and can review the target exercise.
なお、表示制御部212は、上述のように、上昇予測得点と共に、対象演習の得点または正答率のそれぞれと予測得点との関係を示すグラフを表示装置27に表示させてもよい。表示制御部212は、上述のように、複数の第1の得点または複数の第1の正答率のそれぞれに関連付けて複数の上昇予測得点を表示装置27に表示させてもよい。表示制御部212は、複数の第1の得点または複数の第1の正答率のうち、対象者の得点または正答率が超えた最も高い第1の得点または第1の正答率に対応する上昇予測得点を表示装置27に表示させてもよい。対象者は、自身が獲得した対象演習の得点または正答率によって得られる上昇予測得点を容易に把握することができる。 As described above, the display control unit 212 may display the graph showing the relationship between the score or the correct answer rate of the target exercise and the predicted score together with the ascending predicted score on the display device 27. As described above, the display control unit 212 may display a plurality of predicted ascending scores on the display device 27 in association with each of the plurality of first scores or the plurality of first correct answer rates. The display control unit 212 predicts an increase corresponding to the highest first score or first correct answer rate that exceeds the target person's score or correct answer rate among the plurality of first scores or the plurality of first correct answer rates. The score may be displayed on the display device 27. The subject can easily grasp the score of the target exercise that he / she has acquired or the expected increase score obtained by the correct answer rate.
なお、第2〜第5の学習効果の表示例については、上述の第1の学習効果の表示例と同様である。なお、取得部211が第1〜第5の学習効果のうちの2以上を含む学習効果情報を取得する場合、表示制御部212は、第1〜第5の学習効果のうちの2以上を表示装置27に表示させてもよい。 The display examples of the second to fifth learning effects are the same as the display examples of the first learning effect described above. When the acquisition unit 211 acquires learning effect information including two or more of the first to fifth learning effects, the display control unit 212 displays two or more of the first to fifth learning effects. It may be displayed on the device 27.
上述の得点予測モデルに関連する動作例について説明する。
図6は、得点予測モデルに関連する動作例を示すシーケンス図である。なお、図6に示される1以上の動作は、適宜変更または省略されてもよい。
An operation example related to the above-mentioned score prediction model will be described.
FIG. 6 is a sequence diagram showing an operation example related to the score prediction model. In addition, one or more operations shown in FIG. 6 may be changed or omitted as appropriate.
教師データ要求部511は、通信インタフェース45を介して、教師データの要求をサーバ3へ出力する(ステップS101)。プロセッサ31は、通信インタフェース35を介して、教師データの要求をサーバ5から取得する(ステップS102)。プロセッサ31は、記憶装置34から教師データを抽出し、通信インタフェース35を介して、教師データをサーバ5へ出力する(ステップS103)。教師データ取得部512は、通信インタフェース55を介して、教師データをサーバ3から取得する(ステップS104)。モデル生成部513は、教師データに基づいて得点予測モデルを生成する(ステップS105)。モデル保存部514は、得点予測モデルを記憶装置54に保存する(ステップS106)。 The teacher data request unit 511 outputs a request for teacher data to the server 3 via the communication interface 45 (step S101). The processor 31 acquires a request for teacher data from the server 5 via the communication interface 35 (step S102). The processor 31 extracts the teacher data from the storage device 34 and outputs the teacher data to the server 5 via the communication interface 35 (step S103). The teacher data acquisition unit 512 acquires teacher data from the server 3 via the communication interface 55 (step S104). The model generation unit 513 generates a score prediction model based on the teacher data (step S105). The model storage unit 514 stores the score prediction model in the storage device 54 (step S106).
上述の学習効果に関連する動作例について説明する。
図7は、学習効果に関連する動作例を示すシーケンス図である。なお、図7に示される1以上の動作は、適宜変更または省略されてもよい。
An operation example related to the above-mentioned learning effect will be described.
FIG. 7 is a sequence diagram showing an operation example related to the learning effect. In addition, one or more operations shown in FIG. 7 may be changed or omitted as appropriate.
プロセッサ21は、対象者による入力装置26での対象レッスンの開始の入力に応じて、通信インタフェース25を介して、対象レッスンの開始要求をサーバ4へ出力する(ステップS201)。開始要求取得部411は、通信インタフェース45を介して、対象レッスンの開始要求を端末2から取得する(ステップS202)。対象レッスン特定部412は、対象レッスンの開始要求を参照して、対象レッスンを特定する(ステップS203)。予測要求出力部413は、通信インタフェース45を介して、学習効果の予測要求をサーバ5へ出力する(ステップS204)。 The processor 21 outputs a start request of the target lesson to the server 4 via the communication interface 25 in response to the input of the start of the target lesson by the target person in the input device 26 (step S201). The start request acquisition unit 411 acquires the start request of the target lesson from the terminal 2 via the communication interface 45 (step S202). The target lesson specifying unit 412 specifies the target lesson with reference to the target lesson start request (step S203). The prediction request output unit 413 outputs a prediction request for the learning effect to the server 5 via the communication interface 45 (step S204).
予測要求取得部515は、通信インタフェース55を介して、学習効果の予測要求をサーバ4から取得する(ステップS205)。対象データ要求出力部516は、通信インタフェース55を介して、対象者データの要求をサーバ3へ出力する(ステップS206)。 The prediction request acquisition unit 515 acquires a prediction request for the learning effect from the server 4 via the communication interface 55 (step S205). The target data request output unit 516 outputs a request for target person data to the server 3 via the communication interface 55 (step S206).
プロセッサ31は、通信インタフェース35を介して、対象者データの要求をサーバ5から取得する(ステップS207)。プロセッサ31は、記憶装置34から対象者データを抽出し、通信インタフェース35を介して、対象者データをサーバ5へ出力する(ステップS208)。 The processor 31 acquires a request for target person data from the server 5 via the communication interface 35 (step S207). The processor 31 extracts the target person data from the storage device 34 and outputs the target person data to the server 5 via the communication interface 35 (step S208).
対象データ取得部517は、通信インタフェース55を介して、対象者データをサーバ3から取得する(ステップS209)。予測部518は、得点予測モデルを用いて、学習効果を予測する(ステップS210)。予測情報出力部519は、通信インタフェース55を介して、学習効果情報をサーバ4へ出力する(ステップS211)。 The target data acquisition unit 517 acquires the target person data from the server 3 via the communication interface 55 (step S209). The prediction unit 518 predicts the learning effect by using the score prediction model (step S210). The prediction information output unit 519 outputs the learning effect information to the server 4 via the communication interface 55 (step S211).
予測情報取得部414は、通信インタフェース45を介して、学習効果情報をサーバ5から取得する(ステップS212)。出力部415は、通信インタフェース45を介して、学習効果情報を端末2へ出力する(ステップS213)。取得部211は、通信インタフェース25を介して、学習効果情報をサーバ4から取得する(ステップS214)。表示制御部212は、学習効果を表示装置27に表示させる(ステップS215)。 The prediction information acquisition unit 414 acquires learning effect information from the server 5 via the communication interface 45 (step S212). The output unit 415 outputs the learning effect information to the terminal 2 via the communication interface 45 (step S213). The acquisition unit 211 acquires the learning effect information from the server 4 via the communication interface 25 (step S214). The display control unit 212 causes the display device 27 to display the learning effect (step S215).
なお、出力部415は、学習効果に応じて学習効果情報の出力の要否を切り替えるようにしてもよい。この例では、出力部415は、学習効果を所定の基準と比較する。所定の基準は、学習効果の大きさを判定するための基準である、所定の基準は、任意に変更可能である。出力部415は、比較結果に応じて学習効果情報の出力の要否を切り替える。例えば、第1の学習効果では、出力部415は、上昇予測得点を所定の基準と比較する。上昇予測得点が所定の基準以上である場合、出力部415は、上昇予測得点の表示を要と判断し、学習効果情報を端末2へ出力する。上昇予測得点が所定の基準未満である場合、出力部415は、上昇予測得点の表示を不要と判断し、学習効果情報の出力を省略する。なお、出力部415は、第2の学習効果については、第1の予測得点を所定の基準と比較してもよい。出力部415は、第2の学習効果については、第1の予測得点及び第2の予測得点のうちの少なくとも何れかを所定の基準と比較してもよい。出力部415は、第3の学習効果については、目標点までの点数を所定の基準と比較してもよい。出力部415は、目標点に達する可能性を所定の基準と比較してもよい。 The output unit 415 may switch the necessity of outputting the learning effect information according to the learning effect. In this example, the output unit 415 compares the learning effect with a predetermined reference. The predetermined standard is a standard for determining the magnitude of the learning effect, and the predetermined standard can be arbitrarily changed. The output unit 415 switches the necessity of outputting the learning effect information according to the comparison result. For example, in the first learning effect, the output unit 415 compares the ascending prediction score with a predetermined criterion. When the rise prediction score is equal to or higher than a predetermined reference, the output unit 415 determines that it is necessary to display the rise prediction score, and outputs the learning effect information to the terminal 2. When the ascending predicted score is less than a predetermined reference, the output unit 415 determines that the display of the ascending predicted score is unnecessary, and omits the output of the learning effect information. The output unit 415 may compare the first predicted score with a predetermined reference for the second learning effect. The output unit 415 may compare at least one of the first predicted score and the second predicted score with a predetermined criterion for the second learning effect. The output unit 415 may compare the score up to the target point with a predetermined reference for the third learning effect. The output unit 415 may compare the possibility of reaching the target point with a predetermined reference.
実施形態によれば、サーバ4は、学習効果情報を端末2へ出力することができる。端末2は、学習効果を表示装置27に表示させることができる。学習効果はレッスン毎に異なるが、対象者は、レッスン毎に学習効果を意識することができる。対象者は、学習効果を意識することで、学習効果に応じた強弱をつけて対象レッスンに取り組むことができる。例えば、対象者は、対象試験の得点への寄与度の低いレッスンに時間をかけすぎることを避けることができる。そのため、対象者は、各レッスンを効率よく受講することができる。また、対象者は、レッスン毎に学習効果を短期的な目標として意識することができるので、各レッスンを受講するモチベーションを維持することができる。このように、サーバ4及び端末2は、対象者に対して対象試験に合格するための望ましい行動を促すことができる。 According to the embodiment, the server 4 can output the learning effect information to the terminal 2. The terminal 2 can display the learning effect on the display device 27. The learning effect differs from lesson to lesson, but the subject can be aware of the learning effect from lesson to lesson. By being aware of the learning effect, the subject can work on the target lesson with different strengths according to the learning effect. For example, the subject can avoid spending too much time on lessons that contribute less to the score of the subject exam. Therefore, the target person can take each lesson efficiently. In addition, since the subject can be aware of the learning effect as a short-term goal for each lesson, the motivation to take each lesson can be maintained. In this way, the server 4 and the terminal 2 can urge the subject to take desirable actions to pass the subject test.
実施形態によれば、学習効果は、上述の第1〜第5の学習効果のうちの少なくとも何れか1つを含む。対象者は、種々の指標で対象レッスンの学習効果を把握することができる。 According to the embodiment, the learning effect includes at least one of the above-mentioned first to fifth learning effects. The subject can grasp the learning effect of the target lesson by various indexes.
実施形態によれば、上昇予測得点は、第1の予測得点と、第2の予測得点との差分である。これにより、サーバ4は、対象レッスンに関連する精度の高い上昇予測得点を取得することができる。 According to the embodiment, the ascending predicted score is the difference between the first predicted score and the second predicted score. As a result, the server 4 can acquire a highly accurate ascending prediction score related to the target lesson.
実施形態によれば、所定の受講基準は、対象者が対象講義の視聴を完了することである。この例によれば、サーバ4は、対象講義の視聴完了に関連する精度の高い上昇予測得点を取得することができる。実施形態によれば、所定の受講基準は、対象者が対象演習で第1の得点以上または第1の正答率以上を獲得することである。この例によれば、サーバ4は、対象演習の第1の得点以上または第1の正答率以上の獲得に関連する精度の高い上昇予測得点を取得することができる。 According to the embodiment, the predetermined attendance criterion is that the subject completes the viewing of the subject lecture. According to this example, the server 4 can acquire a highly accurate increase prediction score related to the completion of viewing of the target lecture. According to the embodiment, the predetermined attendance standard is that the subject obtains the first score or more or the first correct answer rate or more in the target exercise. According to this example, the server 4 can acquire a highly accurate increase prediction score related to the acquisition of the first score or more or the first correct answer rate or more of the target exercise.
実施形態によれば、第1の予測得点及び上昇予測得点は、複数の受講基準毎に予測される。対象者は、対象演習の得点または正答率に応じた学習効果を容易に把握することができる。 According to the embodiment, the first predicted score and the ascending predicted score are predicted for each of a plurality of attendance criteria. The subject can easily grasp the learning effect according to the score or the correct answer rate of the target exercise.
実施形態によれば、第1の得点または第1の正答率は、対象演習の得点または正答率に応じて予測される予測得点の伸び率が所定の伸び率を満たさなくなる得点または正答率である。または、複数の第1の得点または複数の第1の正答率は、演習の得点または正答率に応じて予測される予測得点の伸び率が所定の伸び率を満たさなくなる得点または正答率を含む。例えば、対象演習の得点が満点であれば、学習効果は、最大限見込まれる。しかしながら、対象者が全ての演習で満点を獲得することを目標にすると、対象者のモチベーションは低下する。他方、対象演習の得点が満点でなくても、学習効果は、対象演習の得点が満点の場合とほとんど変わらないことがある。対象者は、対象演習の受講によって見込まれる学習効果点と、対象者のモチベーションの維持とのバランスを考慮した第1の得点を目標にすることで、無理なく各演習を受講することができる。 According to the embodiment, the first score or the first correct answer rate is a score or a correct answer rate in which the growth rate of the predicted score predicted according to the score or the correct answer rate of the target exercise does not satisfy the predetermined growth rate. .. Alternatively, the plurality of first scores or the plurality of first correct answer rates include the score or the correct answer rate in which the growth rate of the predicted score predicted according to the score or the correct answer rate of the exercise does not satisfy the predetermined growth rate. For example, if the score of the target exercise is perfect, the learning effect is expected to be maximum. However, if the subject aims to get a perfect score in all the exercises, the subject's motivation will be reduced. On the other hand, even if the score of the target exercise is not perfect, the learning effect may be almost the same as the case where the score of the target exercise is perfect. The target person can take each exercise without difficulty by aiming for the first score in consideration of the balance between the learning effect point expected by taking the target exercise and the maintenance of the motivation of the target person.
実施形態によれば、学習効果は、少なくとも対象者の受講履歴及び対象レッスンの異なる受講基準に基づいて予測される。対象者の受講履歴及び対象レッスンの異なる受講基準は、上述のように、得点予測モデルによる学習効果の予測に用いられる。これにより、サーバ4は、精度の高い上昇予測得点を取得することができる。実施形態によれば、学習効果は、少なくとも対象者の受講履歴、対象レッスンの異なる受講基準、複数の受講者の受講履歴及び複数の受講者による対象試験の得点に基づいて予測される。複数の受講者の受講履歴及び複数の受講者による対象試験の得点は、上述のように、得点予測モデルの生成に用いられる。これにより、サーバ4は、精度の高い上昇予測得点を取得することができる。 According to the embodiment, the learning effect is predicted at least based on the attendance history of the subject and the different attendance criteria of the subject lesson. As described above, the attendance history of the subject and the attendance criteria of the subject lesson are used to predict the learning effect by the score prediction model. As a result, the server 4 can acquire a highly accurate ascending prediction score. According to the embodiment, the learning effect is predicted at least based on the attendance history of the subject, the different attendance criteria of the subject lesson, the attendance history of the plurality of students, and the scores of the target test by the plurality of students. The attendance history of a plurality of students and the scores of the target test by the plurality of students are used to generate a score prediction model as described above. As a result, the server 4 can acquire a highly accurate ascending prediction score.
実施形態によれば、サーバ4は、対象レッスンの開始または完了時に端末2に学習効果を表示させる指示を端末2へ出力する。これにより、対象者は、対象レッスンの受講前に、対象レッスンがどの程度対象試験の得点に寄与するのかを意識することができる。対象者は、学習効果に応じた強弱をつけて対象レッスンに取り組んだり、対象講義を受講するモチベーションを上げたりすることができる。対象者は、対象レッスンの受講後に、対象レッスンがどの程度対象試験の得点に寄与するのかを意識することができる。対象者は、学習効果に応じた強弱をつけて対象レッスンの復習に取り組むことができる。 According to the embodiment, the server 4 outputs an instruction to the terminal 2 to display the learning effect at the start or completion of the target lesson. As a result, the target person can be aware of how much the target lesson contributes to the score of the target test before taking the target lesson. The target person can work on the target lesson with different strengths according to the learning effect, and can increase the motivation to take the target lecture. After taking the target lesson, the target person can be aware of how much the target lesson contributes to the score of the target test. The target person can work on the review of the target lesson by adjusting the strength according to the learning effect.
実施形態によれば、サーバ4は、所定の受講基準を示す情報を端末2へ出力する。これにより、対象者は、表示装置27に表示される所定の受講基準を把握し、学習効果を得るために所定の受講基準を満たすことを意識して対象レッスンを受講することができる。 According to the embodiment, the server 4 outputs information indicating a predetermined attendance standard to the terminal 2. As a result, the target person can grasp the predetermined learning standard displayed on the display device 27 and take the target lesson while being aware that the predetermined learning standard is satisfied in order to obtain the learning effect.
実施形態によれば、サーバ4は、学習効果に応じて学習効果情報の出力の要否を切り替える。これにより、サーバ4は、学習効果の表示または非表示に応じて、対象者に対して対象レッスンで得られる効果の大小を知らせることができる。対象者は、学習効果の表示または非表示に応じて各レッスンに対する取り組み方に強弱をつけることで、各レッスンを効率よく受講することができる。 According to the embodiment, the server 4 switches the necessity of outputting the learning effect information according to the learning effect. As a result, the server 4 can notify the target person of the magnitude of the effect obtained in the target lesson according to the display or non-display of the learning effect. The target person can take each lesson efficiently by setting the strength of the approach to each lesson according to the display or non-display of the learning effect.
なお、サーバ4がサーバ2及びサーバ5とは別体の装置である例を説明したが、これに限定されない。サーバ4は、サーバ2及びサーバ5のうちの少なくとも何れかと一体とした装置であってもよい。サーバ4がサーバ2と一体の装置で構成される場合、サーバ4は、対象講座の受講者に関するデータを記憶する。サーバ4がサーバ5と一体の装置で構成される場合、サーバ4のプロセッサ41は、プロセッサ51を参照して説明した各部を適宜実装する。 Although the example in which the server 4 is a device separate from the server 2 and the server 5 has been described, the present invention is not limited to this. The server 4 may be a device integrated with at least one of the server 2 and the server 5. When the server 4 is composed of a device integrated with the server 2, the server 4 stores data related to the participants of the target course. When the server 4 is composed of a device integrated with the server 5, the processor 41 of the server 4 appropriately implements each part described with reference to the processor 51.
要するにこの発明は、本実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、本実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、本実施形態に示される全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合わせてもよい。
以下、本願の出願当初の特許請求の範囲の記載を付記する。
[C1]
試験に関する講座を構成する複数のレッスンのうち対象者の受講対象レッスンを特定する特定部と、
前記受講対象レッスンの受講による学習効果を示す情報を取得する取得部と、
前記学習効果を示す情報を前記対象者の端末へ出力する出力部と、
を備える情報処理装置。
[C2]
試験に関する講座を構成する複数のレッスンのうちの対象者の受講対象レッスンの受講による学習効果を示す情報を取得する取得部と、
前記学習効果を表示部に表示させる表示制御部と、
を備える端末。
[C3]
前記学習効果は、前記試験の上昇予測得点、所定の受講基準を満たす場合の前記試験の第1の予測得点、前記第1の予測得点及び前記所定の受講基準を満たさない場合の前記試験の第2の予測得点、前記所定の受講基準を満たす場合の目標点までの点数、並びに、前記所定の受講基準を満たす場合の前記目標点に達する可能性のうちの少なくとも何れか1つを含む、[C1]に記載の情報処理装置または[C2]に記載の端末。
[C4]
前記上昇予測得点は、前記第1の予測得点と、前記第2の予測得点との差分である、[C3]に記載の情報処理装置または[C3]に記載の端末。
[C5]
前記目標点までの点数は、前記第1の予測得点から前記目標点までの差分である、[C3]に記載の情報処理装置または[C3]に記載の端末。
[C6]
前記目標点に達する可能性は、前記第1の予測得点及び前記目標点に基づいて予測される、[C3]に記載の情報処理装置または[C3]に記載の端末。
[C7]
前記受講対象レッスンが講義である場合、前記所定の受講基準は、前記対象者が前記講義の視聴を完了することである、請求項3から6の何れか1項に記載の情報処理装置または[C3]から[C6]の何れか1項に記載の端末。
[C8]
前記受講対象レッスンが演習である場合、前記所定の受講基準は、前記対象者が前記演習で所定の得点以上または所定の正答率以上を獲得することである、[C3]から[C6]の何れか1項に記載の情報処理装置または[C3]から[C6]の何れか1項に記載の端末。
[C9]
前記所定の得点または前記所定の正答率は、前記演習の得点または正答率に応じて予測される前記試験の予測得点の伸び率が所定の伸び率を満たさなくなる得点または正答率である、[C8]に記載の情報処理装置または[C8]に記載の端末。
[C10]
前記所定の受講基準は、複数の得点または複数の正答率に応じた複数の受講基準を含み、
前記第1の予測得点は、前記複数の受講基準毎に予測される、[C8]に記載の情報処理装置または[C8]に記載の端末。
[C11]
前記所定の受講基準は、複数の得点または複数の正答率に応じた複数の受講基準を含み、
前記上昇予測得点は、前記複数の受講基準毎に予測される、[C8]に記載の情報処理装置または[C8]に記載の端末。
[C12]
前記複数の得点または前記複数の正答率は、前記演習の得点または正答率に応じて予測される前記試験の予測得点の伸び率が所定の伸び率を満たさなくなる得点または正答率を含む、[C10]または[C11]に記載の情報処理装置もしくは[C10]または[C11]に記載の端末。
[C13]
前記学習効果は、少なくとも前記対象者の受講履歴及び前記受講対象レッスンの異なる受講基準に基づいて予測される、[C1]に記載の情報処理装置または[C2]に記載の端末。
[C14]
前記学習効果は、少なくとも前記対象者の受講履歴、前記受講対象レッスンの異なる受講基準、複数の受講者の受講履歴及び前記複数の受講者による前記試験の得点に基づいて予測される、[C1]に記載の情報処理装置または[C2]に記載の端末。
[C15]
前記出力部は、前記受講対象レッスンの開始または完了時に前記端末に前記学習効果を表示させる指示を前記端末へ出力する、[C1]に記載の情報処理装置。
[C16]
前記出力部は、前記所定の受講基準を示す情報を前記端末へ出力する、[C3]から[C6]の何れか1項に記載の情報処理装置。
[C17]
前記出力部は、前記学習効果に応じて前記学習効果を示す情報の出力の要否を切り替える、[C1]に記載の情報処理装置。
In short, the present invention is not limited to the present embodiment as it is, and at the implementation stage, the components can be modified and embodied without departing from the gist thereof. In addition, various inventions can be formed by an appropriate combination of a plurality of constituent elements disclosed in the present embodiment. For example, some components may be deleted from all the components shown in the present embodiment. Furthermore, the components of different embodiments may be combined as appropriate.
Hereinafter, the description of the scope of claims at the time of filing the application of the present application will be added.
[C1]
Of the multiple lessons that make up the course related to the exam, a specific part that identifies the lesson for the target person and
The acquisition department that acquires information showing the learning effect of taking the lessons to be taken, and
An output unit that outputs information indicating the learning effect to the target person's terminal, and
Information processing device equipped with.
[C2]
Of the multiple lessons that make up the course related to the exam, the acquisition department that acquires information showing the learning effect of taking the target lesson, and the acquisition department
A display control unit that displays the learning effect on the display unit,
A terminal equipped with.
[C3]
The learning effect is the ascending predicted score of the test, the first predicted score of the test when the predetermined attendance standard is satisfied, the first predicted score, and the first of the test when the predetermined attendance standard is not satisfied. Includes at least one of the predicted score of 2, the score up to the target point when the predetermined attendance standard is met, and the possibility of reaching the target point when the predetermined attendance standard is met, [ The information processing device according to [C1] or the terminal according to [C2].
[C4]
The information processing apparatus according to [C3] or the terminal according to [C3], wherein the increase prediction score is a difference between the first prediction score and the second prediction score.
[C5]
The information processing device according to [C3] or the terminal according to [C3], wherein the score up to the target point is the difference from the first predicted score to the target point.
[C6]
The information processing apparatus according to [C3] or the terminal according to [C3], which is predicted based on the first predicted score and the target point, the possibility of reaching the target point.
[C7]
The information processing device according to any one of claims 3 to 6, wherein when the lesson to be taken is a lecture, the predetermined attendance standard is that the subject completes viewing of the lecture. The terminal according to any one of [C3] to [C6].
[C8]
When the lesson to be taken is an exercise, the predetermined attendance standard is that the subject obtains a predetermined score or more or a predetermined correct answer rate or more in the exercise, whichever is [C3] to [C6]. The information processing apparatus according to item 1 or the terminal according to any one of [C3] to [C6].
[C9]
The predetermined score or the predetermined correct answer rate is a score or a correct answer rate in which the growth rate of the predicted score of the test predicted according to the score or the correct answer rate of the exercise does not satisfy the predetermined growth rate, [C8. ] The information processing apparatus described in [C8] or the terminal described in [C8].
[C10]
The predetermined attendance criteria include a plurality of attendance criteria according to a plurality of scores or a plurality of correct answer rates.
The first predicted score is the information processing device according to [C8] or the terminal according to [C8], which is predicted for each of the plurality of attendance criteria.
[C11]
The predetermined attendance criteria include a plurality of attendance criteria according to a plurality of scores or a plurality of correct answer rates.
The information processing device according to [C8] or the terminal according to [C8], which is predicted for each of the plurality of attendance criteria, the increase prediction score.
[C12]
The plurality of scores or the plurality of correct answer rates include a score or a correct answer rate in which the growth rate of the predicted score of the test predicted according to the score or the correct answer rate of the exercise does not satisfy the predetermined growth rate [C10. ] Or the information processing apparatus according to [C11] or the terminal according to [C10] or [C11].
[C13]
The information processing device according to [C1] or the terminal according to [C2], which is predicted based on at least the attendance history of the subject and the different attendance criteria of the subject lesson.
[C14]
The learning effect is predicted based on at least the attendance history of the subject, different attendance criteria of the subject lesson, the attendance history of a plurality of participants, and the scores of the examination by the plurality of participants [C1]. The information processing apparatus according to the above or the terminal according to [C2].
[C15]
The information processing device according to [C1], wherein the output unit outputs an instruction to display the learning effect on the terminal at the start or completion of the lesson to be taken.
[C16]
The information processing device according to any one of [C3] to [C6], wherein the output unit outputs information indicating the predetermined attendance standard to the terminal.
[C17]
The information processing apparatus according to [C1], wherein the output unit switches the necessity of outputting information indicating the learning effect according to the learning effect.
1…講座配信システム、2…端末、3…サーバ、4…サーバ、5…サーバ、21…プロセッサ、22…ROM、23…RAM、24…記憶装置、25…通信インタフェース、26…入力装置、27…表示装置、31…プロセッサ、32…ROM、33…RAM、34…記憶装置、35…通信インタフェース、41…プロセッサ、42…ROM、43…RAM、44…記憶装置、45…通信インタフェース、51…プロセッサ、52…ROM、53…RAM、54…記憶装置、55…通信インタフェース、211…取得部、212…表示制御部、411…開始要求取得部、412…対象レッスン特定部、413…予測要求出力部、414…予測情報取得部、415…出力部、511…教師データ要求部、512…教師データ取得部、513…モデル生成部、514…モデル保存部、515…予測要求取得部、516…対象データ要求出力部、517…対象データ取得部、518…予測部、519…予測情報出力部。 1 ... Course distribution system, 2 ... Terminal, 3 ... Server, 4 ... Server, 5 ... Server, 21 ... Processor, 22 ... ROM, 23 ... RAM, 24 ... Storage device, 25 ... Communication interface, 26 ... Input device, 27 ... Display device, 31 ... Processor, 32 ... ROM, 33 ... RAM, 34 ... Storage device, 35 ... Communication interface, 41 ... Processor, 42 ... ROM, 43 ... RAM, 44 ... Storage device, 45 ... Communication interface, 51 ... Processor, 52 ... ROM, 53 ... RAM, 54 ... Storage device, 55 ... Communication interface, 211 ... Acquisition unit, 212 ... Display control unit, 411 ... Start request acquisition unit, 412 ... Target lesson identification unit, 413 ... Prediction request output Unit, 414 ... Prediction information acquisition unit, 415 ... Output unit, 511 ... Teacher data request unit, 512 ... Teacher data acquisition unit, 513 ... Model generation unit, 514 ... Model storage unit, 515 ... Prediction request acquisition unit, 516 ... Target Data request output unit, 517 ... Target data acquisition unit, 518 ... Prediction unit, 519 ... Prediction information output unit.
Claims (1)
前記受講履歴及び前記試験の得点を取得する取得部と、
少なくとも前記受講履歴及び前記試験の得点に基づいて受講者の前記試験の得点を予測する予測モデルを生成する生成部と、
前記予測モデルに基づいて、前記講座を構成する複数のレッスンのうち対象者の受講対象レッスンの学習効果を予測する予測部と、
前記受講対象レッスンの受講による学習効果を示す情報を前記対象者の端末へ出力する出力部と、
を備える情報処理装置。 A memory unit that stores the attendance history of multiple participants in the exam-related course and the scores of the exam,
The acquisition department that acquires the attendance history and the score of the examination,
A generator that generates a predictive model that predicts a student's score on the exam based on at least the attendance history and the score on the exam.
Based on the prediction model, a prediction unit that predicts the learning effect of the target lesson of the target person among the plurality of lessons constituting the course, and
An output unit that outputs information indicating the learning effect of taking the lesson to be taken to the terminal of the subject, and an output unit.
Information processing device equipped with.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204135A JP7171053B2 (en) | 2019-11-11 | 2019-11-11 | Information processing device, information processing method and information processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204135A JP7171053B2 (en) | 2019-11-11 | 2019-11-11 | Information processing device, information processing method and information processing program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019065403A Division JP6618226B1 (en) | 2019-03-29 | 2019-03-29 | Information processing device |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020166816A true JP2020166816A (en) | 2020-10-08 |
JP2020166816A5 JP2020166816A5 (en) | 2022-03-16 |
JP7171053B2 JP7171053B2 (en) | 2022-11-15 |
Family
ID=72717497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019204135A Active JP7171053B2 (en) | 2019-11-11 | 2019-11-11 | Information processing device, information processing method and information processing program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7171053B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6955079B1 (en) * | 2020-12-15 | 2021-10-27 | 株式会社ナガセ | Learning support device, learning support method and computer program |
WO2024009505A1 (en) * | 2022-07-08 | 2024-01-11 | Degas株式会社 | Processing device, processing method, and processing program |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005164810A (en) * | 2003-12-01 | 2005-06-23 | Nabitsuku Kk | Education support system |
JP2012168717A (en) * | 2011-02-14 | 2012-09-06 | Nagase Pc School Co Ltd | Information service system, information service server, program, information recording medium, and method of information service |
JP2015138419A (en) * | 2014-01-22 | 2015-07-30 | 秀太郎 武田 | Efficient learning time allocation device and learning time allocation program |
-
2019
- 2019-11-11 JP JP2019204135A patent/JP7171053B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005164810A (en) * | 2003-12-01 | 2005-06-23 | Nabitsuku Kk | Education support system |
JP2012168717A (en) * | 2011-02-14 | 2012-09-06 | Nagase Pc School Co Ltd | Information service system, information service server, program, information recording medium, and method of information service |
JP2015138419A (en) * | 2014-01-22 | 2015-07-30 | 秀太郎 武田 | Efficient learning time allocation device and learning time allocation program |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6955079B1 (en) * | 2020-12-15 | 2021-10-27 | 株式会社ナガセ | Learning support device, learning support method and computer program |
JP2022094804A (en) * | 2020-12-15 | 2022-06-27 | 株式会社ナガセ | Learning assistance device, learning assistance method and computer program |
WO2024009505A1 (en) * | 2022-07-08 | 2024-01-11 | Degas株式会社 | Processing device, processing method, and processing program |
Also Published As
Publication number | Publication date |
---|---|
JP7171053B2 (en) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11587454B2 (en) | Context-aware adaptive data processing application | |
US10810895B2 (en) | Facial expression recognition in educational learning systems | |
US20160063881A1 (en) | Systems and methods to assist an instructor of a course | |
JP6606750B2 (en) | E-learning system | |
JP6844288B2 (en) | Learning support system, support server | |
JP2022075401A (en) | System, method, and program for providing live distribution service | |
JP7171053B2 (en) | Information processing device, information processing method and information processing program | |
Khachikian et al. | Changes in student effort and grade expectation in the course of a term | |
JP6397146B1 (en) | Learning support apparatus and program | |
Skog et al. | Assessing physician leadership styles: application of the situational leadership model to transitions in patient acuity | |
Youngs et al. | Statistically-driven visualizations of student interactions with a French online course video | |
KR20070036021A (en) | Data extraction supporting system | |
JP6618226B1 (en) | Information processing device | |
JP6829509B1 (en) | Learning support system and learning support method | |
JP6661139B1 (en) | Information processing apparatus and information processing method | |
KR20160081683A (en) | System for providing learning contents | |
Fang et al. | External and Internal Predictors of Student Satisfaction with Online Learning Achievement. | |
US20160148530A1 (en) | Method and system for facilitating overcoming of addictive behavior | |
Struthers | The case for mixed methodologies in researching the teacher’s use of humour in adult education | |
JP2021026215A (en) | Information processor and information processing method | |
KR20160006586A (en) | Systme, method for providing avatar service and computer readable recording medium | |
JP7153829B1 (en) | Device, method and program for supporting continuous action within a predetermined period | |
JP7024184B2 (en) | Learning support programs, equipment, and methods | |
Sannicandro et al. | Analysis of completion and dropout rates in EduOpen MOOCs | |
JP7021758B1 (en) | Information processing equipment, information processing methods and information processing programs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220307 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220307 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220307 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220715 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221018 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7171053 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |