JP2021076735A - 学習効果推定装置、学習効果推定方法、プログラム - Google Patents
学習効果推定装置、学習効果推定方法、プログラム Download PDFInfo
- Publication number
- JP2021076735A JP2021076735A JP2019203782A JP2019203782A JP2021076735A JP 2021076735 A JP2021076735 A JP 2021076735A JP 2019203782 A JP2019203782 A JP 2019203782A JP 2019203782 A JP2019203782 A JP 2019203782A JP 2021076735 A JP2021076735 A JP 2021076735A
- Authority
- JP
- Japan
- Prior art keywords
- category
- learning
- data
- correct answer
- user
- 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
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
Abstract
Description
学習データ取得部11は、学習データを取得する(S11)。学習データとは、ユーザがコンテンツを学習したときの学習結果や学習状況のデータであり、コンテンツ、学習データには、学習目的別のカテゴリ(以下、単にカテゴリという)が予め割り振られている。
図3に示すように、コンテンツにはカリキュラム、アダプティブの二つの種別を設けてもよい。カリキュラムには、例えばシナリオ、練習問題などを含むことができる。アダプティブには、例えば演習問題などを含むことができる。
カテゴリとは、ユーザの学習内容を細分化して定義した学習目的を示す。例えば「1次方程式を解くことができる」をカテゴリ01、「連立方程式を解くことができる」をカテゴリ02、などと定義してもよい。また、上記をもっと細分化して、例えば「移項を用いて1次方程式を解くことができる」、「括弧のある1次方程式を解くことができる」、「係数に分数・小数を含む1次方程式を解くことができる」といったカテゴリを定義してもよい。
カテゴリ間に先行後続関係を定義してもよい。先行後続関係とはカテゴリの推奨学習順序を定義するパラメータである。より詳細には、先行後続関係とは、あるカテゴリを先行して学習した場合に、後続して学習するカテゴリの学習効果が高くなるように定めた重み付けパラメータである。例えば上述の例において、カテゴリ「sinθ,cosθの基本的な性質」を先行学習した場合、後続するカテゴリとして、カテゴリ「tanθの基本的な性質」を選択すれば、学習効果が高くなると見込まれる。
各コンテンツには、少なくとも一つのカテゴリが付与される。コンテンツに2以上のカテゴリを付与してもよい。図7の例では、コンテンツ_0101にカテゴリ01,02が、コンテンツ_0102にカテゴリ01が、コンテンツ_0201にカテゴリ02,03,04が、それぞれ付与されている。
モデル記憶部12Aは、学習データを入力とし、学習データに基づいてユーザのカテゴリ毎の正解確率を生成するモデル(DKTモデル)を記憶する。
DKTとは、Deep Knowledge Tracingの略である。Deep Knowledge Tracingとは、学習者(ユーザ)が知識を獲得していくメカニズムをニューラル・ネットワーク(Deep Learning)を用いてモデル化する技術である。
正解確率生成部12は、DKTモデルに学習データを入力して、カテゴリ毎の正解確率を生成する(S12)。
正解確率データベース12Bは、ステップS12で生成した正解確率の時系列データをユーザ毎、カテゴリ毎に蓄積する。図8A、図8B、図8Cに正解確率(理解度)の時系列データの例を示す。図8Aは、変動が大きい例を示す。グラフの横軸は、問題数(問と表記する)でもよいし、日数(DAYと表記する)でもよい。グラフの縦軸は正解確率(または後述する理解度)である。図8Aは例えば、問4、またはDAY4までカリキュラムの学習に取り組み、問4、またはDAY4までの学習データを逐次DKTモデルに入力することにより、正解確率が一時的に上昇したものの、問5、またはDAY5からアダプティブの学習を開始した結果、演習問題の正答率が芳しくなく、問5、またはDAY5以降の学習データを逐次DKTモデルに入力することにより、正解確率が一時的に下降したケースなどに該当する。図8Bは例えば、問1〜問8、またはDAY1〜DAY8まで継続して、アダプティブの学習に取り組んでおり、逐次学習データをDKTモデルに入力することにより、正解確率が僅かずつ上昇したケースなどが該当する。図8Cは例えば、問2、またはDAY2までカリキュラムの学習に取り組み、問2、またはDAY2までの学習データを逐次DKTモデルに入力することにより、正解確率がゆるやかに上昇し、問3、またはDAY3からアダプティブの学習に取り組み、学習データを逐次DKTモデルに入力することにより、正解確率がゆるやかに上昇したケースなどが該当する。
範囲データ取得部13は、所定のユーザの学習効果推定のためのカテゴリの範囲を指定するデータである範囲データを取得する(S13)。例えば、所定のユーザが学校の中間、期末テストの出題範囲の学習効果を推定したい場合、当該ユーザは、中間、期末テストで指定されている出題範囲をカテゴリに読み替え、読み替えたカテゴリ全てを範囲データとして指定(入力)する。また、所定のユーザが高校受験の数学に関し学習効果を推定したい場合、当該ユーザは、中学1年生〜中学3年生までに学習する数学のカテゴリ全てを範囲データとして指定(入力)する。
理解度信頼度生成部14は、ステップS13における範囲データを取得し、所定のユーザの範囲データ内の正解確率(例えば直近のデータ)に基づく理解度と、理解度の時系列データの変動が大きいほど小さい値となる信頼度を生成して、カテゴリに対応付けて出力する(S14)。例えば、理解度信頼度生成部14は、範囲データ内の各カテゴリの直近の正解確率を、各カテゴリの理解度として出力してもよい。また例えば、理解度信頼度生成部14は、正解確率が一定値以下であるならば、そのユーザは該当カテゴリを理解していないとみなして、理解度を0としてもよい。また例えば、理解度信頼度生成部14は、正解確率が一定値を超えていれば、正解確率をα倍してβを差し引いて補正した値を、理解度としてもよい。
レコメンド生成部15は、理解度と所定の第1の閾値との大小関係、および信頼度と所定の第2の閾値との大小関係に応じた場合分けのうち、少なくとも何れかの場合分けに属するカテゴリを、所定のユーザの次回学習の推奨ターゲットとする情報であるレコメンドを生成して出力する(S15)。
本発明の装置は、例えば単一のハードウェアエンティティとして、キーボードなどが接続可能な取得部、液晶ディスプレイなどが接続可能な出力部、ハードウェアエンティティの外部に通信可能な通信装置(例えば通信ケーブル)が接続可能な通信部、CPU(Central Processing Unit、キャッシュメモリやレジスタなどを備えていてもよい)、メモリであるRAMやROM、ハードディスクである外部記憶装置並びにこれらの取得部、出力部、通信部、CPU、RAM、ROM、外部記憶装置の間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、ハードウェアエンティティに、CD−ROMなどの記録媒体を読み書きできる装置(ドライブ)などを設けることとしてもよい。このようなハードウェア資源を備えた物理的実体としては、汎用コンピュータなどがある。
Claims (12)
- 学習目的別のカテゴリが割り振られているユーザの学習結果のデータである学習データを入力とし、前記学習データに基づいて前記ユーザの前記カテゴリ毎の正解確率を生成するモデルを記憶するモデル記憶部と、
前記モデルに前記学習データを入力して、前記カテゴリ毎の前記正解確率を生成する正解確率生成部と、
前記正解確率の時系列データを前記ユーザ毎に蓄積する正解確率データベースと、
所定の前記ユーザの学習効果推定のための前記カテゴリの範囲を指定するデータである範囲データを取得し、所定の前記ユーザの前記範囲データ内の前記正解確率に基づく理解度と、前記理解度の時系列データの変動が大きいほど小さい値となる信頼度を生成して、前記カテゴリに対応付けて出力する理解度信頼度生成部を含む
学習効果推定装置。 - 請求項1に記載の学習効果推定装置であって、
前記理解度と所定の第1の閾値との大小関係、および前記信頼度と所定の第2の閾値との大小関係に応じた場合分けのうち、少なくとも何れかの場合分けに属するカテゴリを、所定の前記ユーザの次回学習の推奨ターゲットとする情報であるレコメンドを生成して出力するレコメンド生成部を含む
学習効果推定装置。 - 請求項1に記載の学習効果推定装置であって、
進捗度を生成して出力するレコメンド生成部を含む
学習効果推定装置。 - 請求項1に記載の学習効果推定装置であって、
前記カテゴリは、少なくとも一つの何れかのカテゴリ集合に属しており、前記カテゴリ集合のそれぞれに目標カテゴリが1つまたは複数存在するものとし、
前記理解度信頼度生成部は、
前記範囲データ内に含まれる前記目標カテゴリの前記正解確率を対応する前記カテゴリ集合全体の理解度として生成し、前記カテゴリ集合全体の理解度に基づいて前記カテゴリ集合全体の信頼度を生成する
学習効果推定装置。 - 請求項1に記載の学習効果推定装置であって、
前記範囲データは、
前記ユーザが入力した前記カテゴリに基づいて取得されるか、または前記ユーザが入力したデータを前記カテゴリに変換し、変換した前記カテゴリに基づいて取得される
学習効果推定装置。 - 請求項2に記載の学習効果推定装置であって、
前記レコメンド生成部は、
予め定めたカテゴリの推奨学習順序を定義するパラメータである先行後続関係に基づいて、前記レコメンドを生成する
学習効果推定装置。 - 請求項3に記載の学習効果推定装置であって、
前記範囲データ内に複数の前記カテゴリ集合が含まれる場合に、所定の確率で複数の前記カテゴリ集合のうちの未学習の前記カテゴリ集合を指定し、指定された前記カテゴリ集合内の何れかのカテゴリを、所定の前記ユーザの次回学習の推奨ターゲットとする情報であるレコメンドを生成して出力するレコメンド生成部を含む
学習効果推定装置。 - 学習目的別のカテゴリが割り振られているユーザの学習結果のデータである学習データを入力とし、前記学習データに基づいて前記ユーザの前記カテゴリ毎の正解確率を生成するモデルを記憶するステップと、
前記モデルに前記学習データを入力して、前記カテゴリ毎の前記正解確率を生成するステップと、
前記正解確率の時系列データを前記ユーザ毎に蓄積するステップと、
所定の前記ユーザの学習効果推定のための前記カテゴリの範囲を指定するデータである範囲データを取得し、所定の前記ユーザの前記範囲データ内の前記正解確率に基づく理解度と、前記理解度の時系列データの変動が大きいほど小さい値となる信頼度を生成して、前記カテゴリに対応付けて出力するステップを含む
学習効果推定方法。 - 請求項8に記載の学習効果推定方法であって、
前記理解度と所定の第1の閾値との大小関係、および前記信頼度と所定の第2の閾値との大小関係に応じた場合分けのうち、少なくとも何れかの場合分けに属するカテゴリを、所定の前記ユーザの次回学習の推奨ターゲットとする情報であるレコメンドを生成して出力するステップを含む
学習効果推定方法。 - 請求項8に記載の学習効果推定方法であって、
前記カテゴリは、少なくとも一つの何れかのカテゴリ集合に属しており、前記カテゴリ集合のそれぞれに目標カテゴリが1つまたは複数存在するものとし、
前記範囲データ内に含まれる前記目標カテゴリの前記正解確率を対応する前記カテゴリ集合全体の理解度として生成し、前記カテゴリ集合全体の理解度に基づいて前記カテゴリ集合全体の信頼度を生成する
学習効果推定方法。 - 請求項10に記載の学習効果推定方法であって、
前記範囲データ内に複数の前記カテゴリ集合が含まれる場合に、所定の確率で複数の前記カテゴリ集合のうちの未学習の前記カテゴリ集合を指定し、指定された前記カテゴリ集合内の何れかのカテゴリを、所定の前記ユーザの次回学習の推奨ターゲットとする情報であるレコメンドを生成して出力するステップを含む
学習効果推定方法。 - コンピュータを請求項1から7の何れかに記載の学習効果推定装置として機能させるプログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019203782A JP6832410B1 (ja) | 2019-11-11 | 2019-11-11 | 学習効果推定装置、学習効果推定方法、プログラム |
CN202080077903.3A CN114730529A (zh) | 2019-11-11 | 2020-10-30 | 学习效果推定装置、学习效果推定方法以及程序 |
KR1020227015036A KR102635769B1 (ko) | 2019-11-11 | 2020-10-30 | 학습효과 추정 장치, 학습효과 추정 방법, 프로그램 |
US17/773,618 US20220398496A1 (en) | 2019-11-11 | 2020-10-30 | Learning effect estimation apparatus, learning effect estimation method, and program |
EP20886887.7A EP4060645A4 (en) | 2019-11-11 | 2020-10-30 | LEARNING EFFECT ESTIMATION DEVICE, LEARNING EFFECT ESTIMATION METHOD, AND PROGRAM |
PCT/JP2020/040868 WO2021095571A1 (ja) | 2019-11-11 | 2020-10-30 | 学習効果推定装置、学習効果推定方法、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019203782A JP6832410B1 (ja) | 2019-11-11 | 2019-11-11 | 学習効果推定装置、学習効果推定方法、プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021014426A Division JP7090188B2 (ja) | 2021-02-01 | 2021-02-01 | 学習効果推定装置、学習効果推定方法、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6832410B1 JP6832410B1 (ja) | 2021-02-24 |
JP2021076735A true JP2021076735A (ja) | 2021-05-20 |
Family
ID=74661751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019203782A Active JP6832410B1 (ja) | 2019-11-11 | 2019-11-11 | 学習効果推定装置、学習効果推定方法、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6832410B1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7065927B1 (ja) * | 2020-10-29 | 2022-05-12 | 株式会社Z会 | 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム |
CN115146716A (zh) * | 2022-06-22 | 2022-10-04 | 腾讯科技(深圳)有限公司 | 标注方法、装置、设备、存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03125179A (ja) * | 1989-10-09 | 1991-05-28 | Fujitsu Ltd | 学習者理解度診断処理方式 |
JP2005215023A (ja) * | 2004-01-27 | 2005-08-11 | Recruit Management Solutions Co Ltd | テスト実施システムおよびテスト実施方法 |
US20180151084A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Apparatus and method for providing personalized adaptive e-learning |
JP2018205447A (ja) * | 2017-05-31 | 2018-12-27 | 富士通株式会社 | ユーザの解答に対する自信レベルを推定する情報処理プログラム、情報処理装置及び情報処理方法 |
-
2019
- 2019-11-11 JP JP2019203782A patent/JP6832410B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03125179A (ja) * | 1989-10-09 | 1991-05-28 | Fujitsu Ltd | 学習者理解度診断処理方式 |
JP2005215023A (ja) * | 2004-01-27 | 2005-08-11 | Recruit Management Solutions Co Ltd | テスト実施システムおよびテスト実施方法 |
US20180151084A1 (en) * | 2016-11-30 | 2018-05-31 | Electronics And Telecommunications Research Institute | Apparatus and method for providing personalized adaptive e-learning |
JP2018205447A (ja) * | 2017-05-31 | 2018-12-27 | 富士通株式会社 | ユーザの解答に対する自信レベルを推定する情報処理プログラム、情報処理装置及び情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6832410B1 (ja) | 2021-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gitomer et al. | Assessing the assessment: Evidence of reliability and validity in the edTPA | |
Grund et al. | Multiple imputation of missing data for multilevel models: Simulations and recommendations | |
Everson | Value-added modeling and educational accountability: are we answering the real questions? | |
Stiehl et al. | The role of motivation to lead for leadership training effectiveness | |
US20190251477A1 (en) | Systems and methods for assessing and improving student competencies | |
Greene et al. | A two-tiered approach to analyzing self-regulated learning data to inform the design of hypermedia learning environments | |
Andrews-Todd et al. | Application of ontologies for assessing collaborative problem solving skills | |
CN110991195B (zh) | 机器翻译模型训练方法、装置及存储介质 | |
JP6832410B1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
Hussein et al. | Cloud computing based e-learning in Malaysian universities | |
US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
Mihalca et al. | Completion problems can reduce the illusions of understanding in a computer-based learning environment on genetics | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
Marcoci et al. | Better together: Reliable application of the post-9/11 and post-Iraq US intelligence tradecraft standards requires collective analysis | |
Bhaktha et al. | To score or not to score? A simulation study on the performance of test scores, plausible values, and SEM, in regression with socio-emotional skill or personality scales as predictors | |
Gorjón et al. | The negative impact of information and communication technologies overuse on student performance: Evidence from OECD countries | |
JP7090188B2 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
JP6903177B1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
WO2021095571A1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
CA2730456A1 (en) | System and method for a computerized learning system | |
Afanasyev et al. | Organization, development and implementation of intelligent learning environments | |
Çakiroğlu et al. | Exploring intrinsic cognitive load in the programming process: a two dimensional approach based on element interactivity | |
Wang et al. | POEM: a personalized online education scheme based on reinforcement learning | |
CN112231373A (zh) | 知识点数据的处理方法、装置、设备和计算机可读介质 | |
Wecks et al. | Using Machine Learning to Address Individual Learning Needs in Accounting Education |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191111 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201221 |
|
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: 20210112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6832410 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |