JP2022076490A - 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 - Google Patents

Abstract

【課題】網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる学力推定用モデル生成装置を提供する。【解決手段】予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する決定木生成部と、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する枝刈部と、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするカテゴリ生成部を含む。【選択図】図１

Description

本発明は、学力推定のためのモデルを生成する学力推定用モデル生成装置、学力推定用モデルを用いて学力を推定する学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラムに関する。

学習支援システムの従来技術として、例えば特許文献１が開示されている。特許文献１の学習支援システムは、サーバ装置、端末装置を含む。端末装置は、志望校情報をサーバ装置に送信し、志望校情報に基づいて特定された複数のレッスンを含むレッスン情報と当該レッスン情報に対応するチェックテスト情報とを、サーバ装置から受信し、チェックテスト情報に基づいてチェックテストを実行して、チェックテストの結果に基づいて学習者の学力レベルを判定し、レッスン情報及び判定された学力レベルに基づいて、所定時期に学習者が学習すべきレッスンを示す第１の画面を生成する。

特開２０１９－１２８３６５号公報

従来の学力推定には、志望校の出題範囲について網羅的に学習を進めた学習データを収集する必要があり、煩雑であった。また過去の学習データは時間とともに陳腐化していくため、現時点の学力推定の精度を下げる要因となっていた。

そこで本発明では、網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる学力推定用モデル生成装置を提供することを目的とする。

本発明の学力推定用モデル生成装置は、決定木生成部と、枝刈部と、カテゴリ生成部を含む。

決定木生成部は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する。枝刈部は、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する。カテゴリ生成部は、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとする。

本発明の学力推定用モデル生成装置によれば、網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる。

実施例１の学力推定用モデル生成装置の構成を示すブロック図。 実施例１の学力推定用モデル生成装置の動作を示すフローチャート。 葉ノード消去後の各末端をカテゴリとした決定木の例を示す図。 補助決定木を接続した決定木の例を示す図。 実施例１の学力推定装置の構成を示すブロック図。 実施例１の学力推定装置の動作を示すフローチャート。 コンピュータの機能構成例を示す図。

以下、本発明の実施の形態について、詳細に説明する。なお、同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。

［学力推定用モデル生成装置］
図１を参照して実施例１の学力推定用モデル生成装置の構成を説明する。同図に示すように本実施例の学力推定用モデル生成装置１は、決定木生成部１１と、枝刈部１２と、カテゴリ生成部１３と、補助決定木接続部１４と、パラメータ記憶部１５と、補足情報記憶部１６と、理解度生成部１７と、合否結果記憶部１８と、合格率生成部１９を含む。

以下、図２を参照して各構成要件の動作を説明する。

＜決定木生成部１１＞
決定木生成部１１は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する（Ｓ１１）。

＜枝刈部１２＞
枝刈部１２は、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する（Ｓ１２）。

＜カテゴリ生成部１３＞
カテゴリ生成部１３は、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとする（Ｓ１３）。

ステップＳ１１～Ｓ１３までを実行することにより得られる決定木の例を図３に示す。図３の例では、問題群＝全８問とした。ステップＳ１２を実行して分類結果のエントロピーが所定値以下の葉ノードを消去し、ステップＳ１３を実行して、新たな末端をカテゴリＡ～Ｌとした。

ステップＳ１２において、エントロピーが所定値以下となる葉ノードを削除したため、この決定木の各ルートは、問１～問８の全てを含むものとなっていない。例えば、問１、問２、問３を連続正解した解答者は直ちにカテゴリＡに分類される。これは、問１～問３までを連続で正解した解答者の集団は、その後の問題の解答においても正誤情報にほとんどばらつきがなかった（エントロピーが小さかった）ためと考えられる。例えば、問１～問３までを連続で正解できた集団は、残りの問題（問４～問８）も全て正解する学力があったために、問１～問３までの時点でエントロピーが収束して小さな値となったと想定される。

他の例として、例えば問１が正解、問２が不正解、問４～問５を連続正解した集団は、エントロピーが所定値を下回るため、カテゴリＣに分類される。この場合、決定木のルートに上がっていない問３、問６～問８に関しては、カテゴリＣに属する集団において、ほとんどバラツキなく正解または不正解の何れかに収束していると考えられる。例えば、問２が不正解であることに連動して、連関する問３はほとんど不正解に収束し、問１、問４～問５が正解であったことに連動して、連関する問６～問８は全問正解し、収束しているパターンなどが想定される。

＜補助決定木接続部１４＞
補助決定木接続部１４は、何れかのカテゴリにおけるエントロピーの値が所定値よりも大きい、または何れかのカテゴリに属する解答者の人数が所定値よりも小さい場合に、該当のカテゴリに達するまでに経由したノードのうちの何れかのノードよりも末端側に存在する、該当のカテゴリに達しない部分木を補助決定木として該当のカテゴリに接続して、該当のカテゴリに属する解答者を補助決定木の末端に存在するカテゴリに誘導する（Ｓ１４）。

ステップＳ１４で接続される補助決定木の例を図４に示す。同図の例において、カテゴリＪにおけるエントロピーの値が所定値よりも大きい、またはカテゴリＪに属する解答者の人数が所定値よりも小さいものとする。これは、カテゴリＪが、一般的な問１～問８の正誤情報の傾向とかけ離れた傾向を示しているために様々なタイプの解答者が偶発的に含まれている場合、あるいは、カテゴリＪに該当する解答者の人数がそもそも少なく、エントロピーが収束しなかった場合（例えばＪよりも末端にそれぞれ別の正誤情報を持つ解答者がごく少数、例えば１名ずつ存在するような場合）が想定される。

同図の例の場合、カテゴリＪに達するまでに経由したノードのうちの何れかのノード、例えばノード「問８」よりも末端側に存在する、カテゴリＪに達しない部分木（「問６」→カテゴリＫ、「問６」→カテゴリＬ）を補助決定木としてカテゴリＪに接続して、カテゴリＪに属する解答者を補助決定木の末端に存在するカテゴリＫ、Ｌの何れかに誘導する。

例えば、応用問題に該当する問題を学力が不足しているのにたまたま正解してしまった事例を多く含んでいると考えられるためにエントロピーが収束しない、あるいは学力が十分であるのに、あまり一般的でないミスをすることにより、たまたま不正解になってしまった事例を多く含んでいると考えられるためにエントロピーが収束しない、といった場合に、このようなカテゴリに属する解答者を、補助決定木が指し示す、より確からしいカテゴリに誘導することができるため、好適である。

同図の例では、問１、問４、問５が不正解であったにも関わらず問８を正解することがそもそもレアケースである場合（例えば問８は、問１、問４、問５の応用問題）などが想定できる。この場合、カテゴリＪは解答者を分類するカテゴリとして精度が低くなると考えられ、同図に示すように補助決定木で誘導を図ることにより、これらの解答者をカテゴリＫ、Ｌなどの別のカテゴリに振り替えることが可能となる。例えば、カテゴリＪに属する解答者が補助決定木によりカテゴリＬに属することになった場合、問８の正解は、例えば出題上の不備、採点方法の不備などにより、学力が伴わなくても正解することができる、すなわち外れ値または異常値としての正解、と捉えることができる。

＜パラメータ記憶部１５＞
パラメータ記憶部１５は、各問題の正誤情報と各学習分野の理解度とを関連付けるパラメータを記憶する（Ｓ１５）。図３、図４の例を用いれば、例えば問１→分野イ、問２→分野ロ、…、問８→分野チなどと、問題と分野が完全に１：１に関連付けられていてもよいし、問１→分野イ、ロ、ハ、…などと、一つの問題に複数の分野が関連付けられていてもよい。

＜補足情報記憶部１６＞
補足情報記憶部１６は、各学習分野についての解答者の学習進捗度、または各学習分野についての解答者の主観的理解度の情報である補足情報を記憶する（Ｓ１６）。

＜理解度生成部１７＞
理解度生成部１７はパラメータを用いて、カテゴリのそれぞれに属する解答者の各学習分野の理解度を生成し、生成した各学習分野の理解度を補足情報に基づいて補正する（Ｓ１７）。

パラメータを用いた理解度の生成例を以下の表に示す。

補足情報に基づいた理解度の補正例を以下の表に示す。例えば、カテゴリＡに分類された解答者が補足情報として問１＝「未学習」と回答した場合、問１が分野イ、ロ、ハに関連した出題であった場合は、理解度は例えば下表のように補正される。

また、カテゴリＡに分類された解答者が補足情報として問１＝「自信なし」と回答した場合、理解度は例えば下表のように補正される。

また、例えば理解度生成部１７は、所定のカテゴリに属する解答者向けに、目標となるカテゴリと現在属しているカテゴリの差分（各学習分野における理解度の差分）を表示してもよい（下表参照）。

＜合否結果記憶部１８＞
合否結果記憶部１８は、解答者が所定の学校を受験した結果である合否結果を記憶する（Ｓ１８）。

＜合格率生成部１９＞
合格率生成部１９は、カテゴリごとに、当該カテゴリに属する解答者の所定の学校における合格率を生成してカテゴリごとに出力する（Ｓ１９）。合格率の生成例を下表に示す。

例えば学校を偏差値、文系－理系、国公立－私立などの尺度を用いて複数のクラスに分類し、クラスごとに合格率を生成してもよい。この場合の合格率の生成例を下表に示す。

［学力推定装置］
以下、図５を参照して、上述の学力推定モデル生成装置１によって生成された学力推定モデルを用いて、学力を推定する装置である学力推定装置２の構成を説明する。

同図に示すように学力推定装置２は、学力推定用モデル記憶部２１と、学力推定部２２を含む。

＜学力推定用モデル記憶部２１＞
学力推定用モデル記憶部２１は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデル（すなわち、学力推定モデル生成装置１によって生成された学力推定用モデル）を記憶する。

＜学力推定部２２＞
学力推定部２２は、学力推定の対象者の正誤情報を取得し、学力推定用モデルに基づいて、対象者の学力を推定する（Ｓ２２）。ただし、学力推定の対象者の正誤情報は、学力推定用モデル生成時に用いられた問題群と同じ問題群についての正誤情報であるものとし、出題時期も揃っているものとする。例えば、モデル生成時に用いた正誤情報が、高校二年生の夏時点での正誤情報であった場合、学力推定の対象者の高校二年生の夏時点での正誤情報を入力するものとする。

＜補記＞
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入力部、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入力部、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。

ハードウェアエンティティの外部記憶装置には、上述の機能を実現するために必要となるプログラムおよびこのプログラムの処理において必要となるデータなどが記憶されている（外部記憶装置に限らず、例えばプログラムを読み出し専用記憶装置であるＲＯＭに記憶させておくこととしてもよい）。また、これらのプログラムの処理によって得られるデータなどは、ＲＡＭや外部記憶装置などに適宜に記憶される。

ハードウェアエンティティでは、外部記憶装置（あるいはＲＯＭなど）に記憶された各プログラムとこの各プログラムの処理に必要なデータが必要に応じてメモリに読み込まれて、適宜にＣＰＵで解釈実行・処理される。その結果、ＣＰＵが所定の機能（上記、…部、…手段などと表した各構成要件）を実現する。

本発明は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。また、上記実施形態において説明した処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。

既述のように、上記実施形態において説明したハードウェアエンティティ（本発明の装置）における処理機能をコンピュータによって実現する場合、ハードウェアエンティティが有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記ハードウェアエンティティにおける処理機能がコンピュータ上で実現される。

上述の各種の処理は、図７に示すコンピュータの記録部１００２０に、上記方法の各ステップを実行させるプログラムを読み込ませ、制御部１００１０、入力部１００３０、出力部１００４０などに動作させることで実施できる。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ（Random Access Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ－ＲＯＭ（Electrically Erasable and Programmable-Read Only Memory）等を用いることができる。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。

また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、ハードウェアエンティティを構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims (10)

1. 予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する決定木生成部と、
   生成された前記決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する枝刈部と、
   葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするカテゴリ生成部を含む
   学力推定用モデル生成装置。
2. 請求項１に記載の学力推定用モデル生成装置であって、
   何れかの前記カテゴリにおける前記エントロピーの値が所定値よりも大きい、または何れかの前記カテゴリに属する前記解答者の人数が所定値よりも小さい場合に、該当のカテゴリに達するまでに経由したノードのうちの何れかのノードよりも末端側に存在する、該当のカテゴリに達しない部分木を補助決定木として該当のカテゴリに接続して、該当のカテゴリに属する前記解答者を補助決定木の末端に存在するカテゴリに誘導する補助決定木接続部を含む
   学力推定用モデル生成装置。
3. 請求項１または２に記載の学力推定用モデル生成装置であって、
   各問題の正誤情報と各学習分野の理解度とを関連付けるパラメータを記憶するパラメータ記憶部と、
   前記パラメータを用いて、前記カテゴリのそれぞれに属する前記解答者の各学習分野の理解度を生成する理解度生成部を含む
   学力推定用モデル生成装置。
4. 請求項３に記載の学力推定用モデル生成装置であって、
   各学習分野についての前記解答者の学習進捗度、または各学習分野についての前記解答者の主観的理解度の情報である補足情報を記憶する補足情報記憶部を含み、
   前記理解度生成部は、
   生成した各学習分野の理解度を前記補足情報に基づいて補正する
   学力推定用モデル生成装置。
5. 請求項１から４の何れかに記載の学力推定用モデル生成装置であって、
   前記解答者が所定の学校を受験した結果である合否結果を記憶する合否結果記憶部と、
   前記カテゴリごとに、当該カテゴリに属する解答者の前記所定の学校における合格率を生成して前記カテゴリごとに出力する合格率生成部を含む
   学力推定用モデル生成装置。
6. 予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデルを記憶する学力推定用モデル記憶部と、
   学力推定の対象者の前記正誤情報を取得し、前記学力推定用モデルに基づいて、前記対象者の学力を推定する学力推定部を含む
   学力推定装置。
7. 予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成するステップと、
   生成された前記決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去するステップと、
   葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするステップを含む
   学力推定用モデル生成方法。
8. 予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデルに基づいて、学力推定の対象者の前記正誤情報を用いて、前記対象者の学力を推定するステップを含む
   学力推定方法。
9. コンピュータを請求項１から５の何れかに記載の学力推定用モデル生成装置として機能させるプログラム。
10. コンピュータを請求項６に記載の学力推定装置として機能させるプログラム。

Images