JP6322707B2

JP6322707B2 - 学習リコメンデーションシミュレーションのシステム及び方法

Info

Publication number: JP6322707B2
Application number: JP2016527979A
Authority: JP
Inventors: ワン・ジュヌ; ショウ・コール; 内野　寛治; 寛治内野; ラーソン・リチャード
Original assignee: Fujitsu Ltd; Massachusetts Institute of Technology
Current assignee: Fujitsu Ltd; Massachusetts Institute of Technology
Priority date: 2013-07-16
Filing date: 2013-07-16
Publication date: 2018-05-09
Anticipated expiration: 2033-07-16
Also published as: US20160155346A1; WO2015009286A1; JP2016530555A

Description

本開示は、概して、オンライン学習環境に関し、特に、学習リコメンデーションシミュレーションのシステム及び方法に関する。

オンライン学習環境は、カリキュラムへの効果的且つ効率的なアクセスを多数の学習者に提供する可能性を提供する。特定のカリキュラム及び該カリキュラム内の個々のトピックを選択することにおいて、リコメンデーションメカニズムは、特定の学習者及び／又は学習目標に適した最良の教材を特定するために、個別的なガイダンスを学習者及び教育者に提供することによって有用であり得る。

リコメンデーションシステムを評価する従来の方法は、例えば、実際の学習結果を測定する現実世界の現場実験の場合に見られるように、実際の生徒によって生成された現実世界のデータの収集及び解析に基づいてきた。しかし、そのような現実世界の現場実験は、費用、時間、及び柔軟性といった様々な要因によって制限され、広範な学習能力及び学習スタイルを持った多種多様な学習者に幅広く利用可能でない。

一態様において、学習リコメンデーションを評価するための開示されている方法は、トピックノードの非巡回集合としてトピックグラフを生成する工程を含む。トピックノードの夫々は、学習するための個々のトピックを表し、且つ、少なくとも１つの学習ナゲットを含む。トピックグラフを生成する工程は、トピックグラフにおける学習ナゲットの夫々について、品質評価、学習スタイル、学習目標、及び有効性評価を生成することを含む。方法は、複数の仮想的な学習者を生成する工程であって、仮想的な学習者の夫々について、認知モデルパラメータ、意志決定モデルパラメータ、学習能力パラメータ、学習目標、及び好ましい学習スタイルを生成することを含む工程を有してよい。方法は、トピックグラフからのトピックノードを、生成された仮想的な学習者から選択された第１の仮想的な学習者に薦める工程と、第１の仮想的な学習者がトピックグラフにおける第１のトピックノードを選択することを可能にする工程とを更に有してよい。方法は、第１のトピックノードに含まれる学習ナゲットを第１の仮想的な学習者に薦める工程と、第１の仮想的な学習者が、意志決定モデルパラメータに基づき、第１のトピックノードに含まれる第１の学習ナゲットを選択することを可能にする工程とを更に有してよい。方法は、第１の仮想的な学習者が、認知モデルパラメータに基づき、第１の学習ナゲットと相互に作用することを可能にする工程を更に有してよい。第１の仮想的な学習者が第１の学習ナゲットと相互に作用した後に、方法は、第１の仮想的な学習者についての第１の学習ナゲットの習得の評価を可能にする工程を有してよい。習得に基づき、方法は、第１の学習ナゲットについての有効性評価を更新する工程を有してよい。

学習リコメンデーションを評価するために更なる開示されている態様は、非一時的なコンピュータ可読媒体と、該コンピュータ可読媒体に記憶されているコンピュータ実行可能命令とを有する製品を含む。更なる態様は、メモリと、該メモリへ結合されるプロセッサと、ネットワークインタフェースと、前記メモリに記憶されているコンピュータ実行可能命令とを有する学習リコメンデーションシミュレーションシステムを含む。

実施形態の目標及び利点は、特許請求の範囲で特に示されている要素、特徴、及び組み合わせによって少なくとも実現され達成される。

前述の概要及び以下の詳細な説明はいずれも、請求される発明の限定ではなく、説明及び例示であることが理解されるべきである。

オンライン学習環境の実施形態の選択された要素のブロック図である。

学習リコメンデーションシミュレーションシステムの実施形態の選択された要素のブロック図である。

トピックグラフ生成部の実施形態の選択された要素を表すフローチャートである。

トピックグラフタクノソノミーの実施形態の選択された要素のブロック図である。

仮想学習者生成部の実施形態の選択された要素を表すフローチャートである。

学習リコメンデーションシミュレータの実施形態の選択された要素を表すフローチャートである。

学習ナゲット有効性評価プロセスを実行する方法の実施形態の選択された要素を表すフローチャートである。

仮想学習者プロセスを実行する方法の実施形態の選択された要素を表すフローチャートである。

以下の説明において、詳細は、開示される対象の議論を助けるために一例として示される。なお、当業者には当然のことながら、開示されている実施形態は、例示であって、全ての可能な実施形態を網羅するものではない。

特定の実施形態及びそれらの利点は、図１乃至７を参照して、最もよく理解される。図中、同じ参照符号は、同じ部品及び対応する部品を示すために使用される。

これより図面を参照すると、図１は、オンライン学習環境１００の実施形態の選択された要素を示すブロック図である。オンライン学習環境１００は、教材を配信し、且つ、例えば、カスタマイズされた及び／又は個人向けの学習機会を提供するために、例えばインターネットのようなネットワークを介して多数のユーザへアクセス可能なシステムを表してよい。オンライン学習環境１００の一例は、マサチューセッツ工科大学（ＭＩＴ）及びアメリカの富士通研究所によって開始されたプロジェクトであるGuided Learning Pathwaysと呼ばれる。

オンライン学習環境１００において、オープン教育リソース（ＯＥＲ；Open Educational Resource）リポジトリ１０４は、電子的にアクセス可能である、例えば、大学及び他の高等教育機関によるコースカリキュラムなどの、教材の集合を表してよい。キュレーティング／マイニング１０６を使用することによって、リポジトリ１０４は、学習メディアによるトピックグラフ１０８を生成するようアクセスされてよい。学習メディアによるトピックグラフ１０８において含まれるトピックグラフは、研究の対象又は分野についての基本的な学習トピック及び中核的なカリキュラム概念のカタログを整理するデータ構造を表してよい。学習メディアによるトピックグラフ１０８は、学習トピックどうしの間の必須の関係を然るべく含んでよく、様々な研究の分野についてそのような関係のマッピングを含んでよい。次いで、学習リコメンデーションシステム１５０は、オンライン学習環境１００のユーザのための個別的な学習リコメンデーションを提供してよい。

図１において、学習リコメンデーションシステム１５０によって提供される学習リコメンデーションは、ＯＥＲリポジトリ１０４において記憶され且つ学習メディアによるトピックグラフ１０８によって列記されている特定のトピック、教材、及び／又は他のメディアアイテムを含んでよい。個別的なカリキュラム１１０は、様々な実施形態における学習リコメンデーションシステム１５０の結果を表してよく、ＯＥＲリポジトリ１０４から入手できる所望のカリキュラムをナビゲートする個別的な学習経路を提供する。

ここで更に詳細に記載されるように、学習リコメンデーションシミュレーションシステム（図２を参照）は、オンライン学習サービスプロバイダ及び／又は学習システム設計者が、オンライン学習環境１００とともに含まれ得る、学習リコメンデーションシステム１５０によって表される最適な学習リコメンデーションアルゴリズムを評価し選択することを可能にしてよい。ここで開示される学習リコメンデーションシミュレーションシステムは、所与の学習者及び／又は所与のタイプの学習者についての有効性及び適合性に関して個々のトピック及び学習メディアを評価するよう、学習リコメンデーションシミュレーションを実行してよい。特に、ここで開示される学習リコメンデーションシミュレーションシステムは、学習リコメンデーションシミュレーションの間にトピックグラフ及び複数の仮想的な学習者を生成し、トピックグラフ内の特定のトピックに対して仮想的な学習者の学習インタラクションをシミュレートしてよい。学習リコメンデーションシミュレーションの結果は、オンライン学習システムプロバイダが、学習リコメンデーションシステムにおいて実施すべき最適な学習リコメンデーションアルゴリズムを種々のタイプのアルゴリズムの中から見つけることを可能にしてよい。学習リコメンデーションシミュレーションは、プロセッサにより実行可能な命令を記憶しているメモリ媒体へのアクセスを有するプロセッサによって実行されて自動化され得るので、ここで開示される学習リコメンデーションシミュレーションシステムは、様々なタイプの教育システムにおいて学習リコメンデーションを提供するときにオンラインリソースをサポートしてよい。

これより図２Ａを参照すると、学習リコメンデーションシミュレーションシステム２００の実施形態の選択された要素のブロック図が表されている。学習リコメンデーションシミュレーションシステム２００の提示は、図２Ａにおいて概要として記載されており、残りの図において更に詳細に記載される。図示されるように、学習リコメンデーションシミュレーションシステム２００は、トピックグラフ２０２を生じるトピックグラフ生成２１０、及び仮想的な学習者２２４を生じる仮想学習者生成２１２から開始してよい。図示されるように、トピックグラフ生成２１０は、トピックグラフ生成部２３０（図２Ｂ，３Ａ〜３Ｂを参照）によって実行されてよく、一方、仮想学習者生成２１２は、仮想学習者生成部２５０（図２Ｂ，４Ａ〜４Ｂを参照）によって実行されてよい。仮想的な学習者２２４は、仮想学習者属性２０７（更に図４Ｂを参照）、学習者意志決定モデル２２０、及び学習者認知モデル２２２を含むものとして表されている。

図２Ａにおいて、トピックグラフ２０２が生成された後、学習トピックリコメンデーション２１６は、入力として仮想学習者属性２０７を受け取り、出力として学習ナゲットを含む学習トピック２０３を学習ナゲットリコメンデーション２１８へ提供してよい。次いで、学習ナゲットリコメンデーション２１８は、入力として仮想学習者属性２０７を受け取ってよく、所望のリコメンデーションアルゴリズムを実行して、学習ナゲット候補２０４を生成し仮想的な学習者２２４に提示してよい。仮想的な学習者２２４は、選択された学習ナゲット２０５を生じるために学習者意志決定モデル２２０を使用してよい。学習ナゲットリコメンデーション２１８によって使用されるリコメンデーションアルゴリズムの一実施形態は、方法６００（図６を参照）において記載される。次いで、仮想的な学習者２２４は、学習者認知モデル２２２を用いて、選択された学習ナゲット２０５と相互に作用して、評価結果２０６を生成してよい。評価結果２０６は、学習ナゲットを含む学習トピック２０３及び仮想学習者属性２０７を更新するために使用されてよい。

図２Ａには、更に、コールドスタートのためのウォームアップ２１４が示されている。これは、コールドスタート性能を改善するよう学習リコメンデーションシミュレーションシステム２００を初期化するために特定のデータを学習トピックリコメンデーション２１６へ与える。学習リコメンデーションシミュレーションシステム２００のコールドスタートは、例えば仮想学習者属性２０７などの以前の行動データが起動時に利用可能でない場合に起こり得る。図示されるように、コールドスタートのためのウォームアップ２１４は、学習リコメンデーションシミュレーションシステム２００を初期化するよう合成データセットとして特定の期間にわたって仮想的な学習者についての新しい行動データを提供してよい。

これより図２Ｂを参照すると、学習リコメンデーションシミュレーションシステム２００の実施形態の選択された要素のブロック図が表されている。図２Ｂにおいて、学習リコメンデーションシミュレーションシステム２００は、図２Ａで表された機能を実施するための物理コンポーネント及び論理コンポーネントとして表され、プロセッササブシステム２８０、メモリサブシステム２１０、及びネットワークインタフェース２７０を然るべく有してよい。プロセッササブシステム２８０は、１つ以上の個々のプロセッシングユニットを表してよく、メモリサブシステム２１０及び／又は学習リコメンデーションシミュレーションシステム２００の他のコンポーネントによって記憶されているプログラム命令を実行し、データを解釈し、及び／又はデータを処理してよい。

図２Ｂにおいて、メモリサブシステム２１０は、プロセッササブシステム２８０へ通信上結合されてよく、ある期間の間プログラム命令及び／又はデータを保持するのに適したシステム、デバイス又は装置（例えば、コンピュータ可読媒体）を有してよい。メモリサブシステム２１０は、例えば、ランダムアクセスメモリ（ＲＡＭ）、電気的消去可能なプログラム可能読出専用メモリ（ＥＥＰＲＯＭ）、ＰＣＭＣＩＡカード、フラッシュメモリ、ソリッドステートディスク、ハードディスクドライブ、磁気テープライブラリ、光ディスクドライブ、光学磁気ディスクドライブ、コンパクトディスクドライブ、コンパクトディスクアレイ、ディスクアレイコントローラ、及び／又は揮発性若しくは不揮発性メモリのあらゆる適切な選択若しくはアレイなどの、様々なタイプのコンポーネント及びデバイスを含んでよい。不揮発性メモリは、電力がオフされた後にデータを保持するメモリをいう。メモリサブシステム２１０は、様々な実施形態において、異なる数の物理記憶デバイスを有してよい。

図２Ｂに示されるように、メモリサブシステム２１０は、トピックグラフ生成部２３０、情報記憶部２４０、仮想学習者生成部２５０、及び学習リコメンデーションシミュレータ２６０を有してよい。いくつかの実施形態では、トピックグラフ生成部２３０、仮想学習者生成部２５０、及び学習リコメンデーションシミュレータ２６０は、プロセッサ（例えば、プロセッササブシステム２８０）によって実行される場合に、更に詳細に記載されるような、特定のトピックのための学習リコメンデーションの生成をもたらすコンピュータ可読命令の各組を表してよい。情報記憶部２４０は、学習リコメンデーションシミュレーションシステム２００を用いて実行される学習シミュレーションに関連する様々なデータ及びパラメータを記憶してよい。

動作において、学習リコメンデーションシミュレーションシステム２００は、現実世界の現場実験に基づく現実世界のリコメンダーシステムに代わるものである学習リコメンデーションシミュレーションを提供してよい。現実世界のリコメンダーシステムは、費用及び時間がかかり得る。学習リコメンデーションシミュレーションは、例えば、広範な学習能力及び学習スタイルを持った多種多様な潜在的学習者に対するきめ細かい制御及び厳格な実験的設計といった、多くの利点を提供してよい。更には、学習リコメンデーションシミュレーションは、個人による現場実験が受ける道徳上及び実際上の制約とは無関係であり得る。

これより図３Ａを参照すると、トピックグラフを生成する動作を表すトピックグラフ生成部２３０（図２Ｂも参照）の実施形態の選択された要素が、フローチャート形式で示されている。トピックグラフ生成部２３０において表される特定の動作は、必要に応じて並べ替えられたり、又は削除されたりしてよいことが知られる。

トピックグラフ（図示せず。）は、個々のトピックノード及びトピックノード間の接続を有する有向の非巡回データ構造を記述してよい。トピックノードは、サブジェクト又は知識領域内の個々の基本概念又は対象を表してよい。例えば、従来の教育システムにおける典型的なコースシラバスは、トピックグラフにおけるトピックノードによって表されるトピックの組を有してよい。トピックグラフは、異なるコースごとにトピックの様々な組を有してよく、十分な複雑性をもって、異なるシリーズのコースを有する完全な教育プログラムを含んでよい。トピックノード間の接続は、個々のトピックノードどうしの間の必須の関係を表してよい。所与のトピックグラフは、互いに独立している１つ以上の個別的なカリキュラムグラフを然るべく含んでよい。トピックグラフによって表される教育プログラムの例は、高校又は大学の学位である。トピックグラフにおける特定の経路によって与えられる学習目標は、例えば、コースカリキュラムとして提供される特定の学位又は課程（例えば、専攻課程）を表してよい。

トピックグラフにおける夫々のトピックノードは、ここで使用されるように、１つ以上の学習ナゲットを含んでよい。学習ナゲットは、特定のトピックノードに属する教材をいう。学習ナゲットは、様々なタイプの、とりわけ、例えば、視覚的（画像、スライドショー、ビデオ、番組、映画、等）、聴覚的（ポッドキャスト、ラジオ番組、ナラティブ、音声著作物、等）、文字的（ノート、テキスト、印刷物、等）、及び運動感覚的（エクササイズ、身振り、スポーツ、等）なメディアアイテムを含んでよい。特定のパラメータ、又はメタデータは、更に詳細に記載されるように、例えば、品質評価、学習スタイル、学習目標、及び有効性評価のような、個々の学習ナゲットに関連付けられてよい。有効性評価は、時間にわたって学習ナゲットを使用する学習者の結果に関するフィードバック情報を表してよい。

図３Ａにおいて、トピックグラフ生成部２３０は、トピックグラフトポロジ特性を受け取ること（動作３０２）及び／又は既存の現実世界のトピックグラフからトピックグラフトポロジを取り出すこと（動作３０２）によって、開始してよい。次いで、例えば、トピックグラフのサイズ、学習ナゲットの数、トピックノード間の接続の数、等のような、トピックグラフのための境界条件が決定されてよい（動作３０４）。いくつかの実施形態において、境界条件は、ユーザからの入力として与えられる。トピックグラフは、トピックノードが個々のトピックを表すトピックノードの非巡回グラフとして生成されてよい（動作３０６）。夫々のトピックノードに関連する多数の学習ナゲットが生成されてよく（動作３０８）、夫々の学習ナゲットはナゲット属性を含む。異なるトピックノードは、異なる数の学習ナゲットを有してよいことが知られる。ナゲット属性は、品質評価、学習スタイル、学習目標、及び有効性評価を含んでよい。最後に、ナゲット属性の値が、生成された夫々のナゲットへ割り当てられてよい（動作３１０）。学習ナゲットの学習スタイル及び学習目標の属性値は、学習リコメンデーションシミュレーションシステム２００における特定のランダムモデルに従って割り当てられてよい。

これより図３Ｂを参照すると、トピックグラフタクノソノミーの実施形態の選択された要素のブロック図が表されている。図３Ｂにおいて、トピックグラフタクノソノミー３００は、トピックグラフにおいて含まれる構造及び要素の関係を定義してよい。トピックグラフ２０２は、上述されたように、個々のトピックの有向の非巡回グラフを表してよい。トピックグラフ２０２は、図３Ｂにおいて１：Ｎの関係で示されるように、Ｎ個のトピックノード３２１を含んでよい。次いで、トピックノード３２１は、図３Ｂにおいて１：Ｍの関係で示されるように、Ｍ個の学習ナゲット３２２を有してよい。Ｍは、トピックノード３２１の異なるインスタンスごとに異なってよいことが知られる。学習ナゲット３２２において含まれる実際のメディアアイテム（図示せず。）に加えて、学習ナゲット３２２の各インスタンスは、図３Ｂにおいて１：１の関係で示されるように、ナゲット属性と関連付けられてよい。図示されるように、ナゲット属性は、品質評価３２４、学習スタイル３２６、学習目標３２８、及び有効性評価３２９を含んでよい。品質評価３２４は、学習ナゲット３２２の学習品質の一定の指標であってよい。有効性評価３２９は、学習ナゲット３２２の学習価値の指標であってよく、各学習イベント後（すなわち、評価後）に学習リコメンデーションシミュレータ２６０によって更新されてよい。このように、学習リコメンデーションシミュレーションシステム２００は、トピックグラフ２０２において含まれる複数の学習ナゲット３２２についての有効性評価３２９を提供してよい。学習スタイル３２６は、学習ナゲット３２２が最も良く適している学習スタイルのタイプの記述子であってよい。例えば、学習ナゲット３２２がビデオコンテンツを含む場合に、学習スタイル３２６は、視覚的及び／又は受動的な学習スタイル、等を示してよい。学習目標３２８は、トピックグラフ２０２によって記述されるカリキュラムを使用するつもりである学習者の目標であってよい。学習目標３２８は、例えば、特定の専攻における課程といった、学習経路、又はトピックグラフ２０２における特定のトピックノードへの経路であってよい。学習者は、若干の初期知識に基づきトピックグラフ２０２において学習を開始してよく、学習者の個々の教育経験及び／又は知識レベルに応じて、異なった開始点から所与の学習目標３２８を然るべく開始してよい。学習ナゲット３２２の属性として、学習目標３２８は、学習ナゲット３２２において含まれる教材が到達するのを助けることができる、トピックグラフ２０２によって与えられる学習目標を表してよい。

これより図４Ａを参照すると、仮想的な学習者を生成する動作を表す仮想学習者生成部２５０（図２Ｂも参照）の実施形態の選択された要素が、フローチャート形式で示されている。仮想学習者生成部２５０において表される特定の動作は、必要に応じて並べ替えられたり、又は削除されたりしてよいことが知られる。

ここで使用される仮想的な学習者は、現実の個人の属性及び行動を表すシミュレートされた学習モジュールをいう。仮想的な学習者は、特定の学習目標を念頭に有し、好ましい学習スタイル、及び若干の事前知識を有する。学習リコメンデーションシミュレーションシステム２００における仮想的な学習者は、学習ナゲット３２２を学んでよく、時間にわたってトピックグラフ３２２をトラバースしてよい。学習リコメンデーションシミュレーションシステム２００において、仮想的な学習者は、人の学習プロセスをシミュレートするために認知モデルを用いて学習してよく、学習ナゲットリコメンデーションからの選択をシミュレートするために意志決定モデルを用いてよい。

仮想的な学習者が使用する認知モデルは、仮想的な学習者が得る知識の正確な評価を提供するのを支援してよい。学習リコメンデーションシミュレーションシステム２００において、Bayesian Knowledge Tracing（ＢＫＴ）モデルは、仮想的な学習者をシミュレートするために新規な様態において用いられる。ＢＫＴモデルは、特定の仮想的な学習者が、例えば、学習ナゲットによって提供されているような、現在のトピックに関する評価を正確に完了することができる確率を予測するために使用される一意的な認知属性を割り当てることを伴う。仮想的な学習者の認知モデルは、現在のトピックの習得を反映するために夫々の評価後に必要に応じて新しい値により更新される。現在のトピックの習得は、ＢＫＴモデルを用いて決定され、現在のトピックの習得についての特定の閾確率を超えるものとして定義される。ある実施形態では、ＢＫＴモデルは、動的なベイジアンネットワークとして表される。ＢＫＴモデルにおけるパラメータは表１において与えられる。

表１において記載されるパラメータに加えて、夫々の仮想的な学習者は、夫々のトピックノードについて再計算される学習能力パラメータを表す４つの重み値ｗＬ、ｗＧ、ｗＳ及びｗＴと関連付けられてよい。重み値は、トピックを理解することにおける仮想的な学習者の個別的な能力及び／又は行動を提供するよう意図される。特定の実施形態では、重み係数は、±２０％の範囲をもった値により初期化されてよい。重み係数は、重み付けされた値Ｗ及び新たに重みを調整されたパラメータｐＸ_ｎｅｗを決定するよう、重みｗＸを持ったパラメータｐＸについて式１及び２に従って適用されてよい。

Ｗ＝（ｐＸ＋ｗＸ）／（１−ｐＸ）式１

ｐＸ_ｎｅｗ＝Ｗ／（１＋Ｗ）式２

よって、トピックグラフにおける各トピックノードの結果は、夫々の仮想的な学習者についての個々の確率により計算される。次いで、習得度は、夫々のパラメータについてｐＸ_ｎｅｗを用いて計算されてよい。

学習リコメンデーションシミュレーションシステム２００において、仮想的な学習者は、意志決定モデルを用いてリコメンデーションのリストから学習ナゲットを選択してよい。意志決定モデルは、仮想的な学習者がこのとき彼らに与えられたリコメンデーションに従わないかもしれない特性を反映するよう選択される。所与の実施形態では、単純なランダムモデルが意志決定モデルとして使用される。例えば、一定の全体的な確率（例えば、８０％）が、学習ナゲットの特定のリコメンデーションに従うとの仮想的な学習者の決定を記述するために使用されてよい。

図４Ａにおいて、仮想学習者生成部２５０は、多数の仮想的な学習者を特定することによって開始してよい（動作４０２）。多数の仮想的な学習者は、ランダムに割り当てられた学習スタイル及び学習目標を持って生成されてよい（動作４０４）。認知モデルパラメータは、仮想的な学習者の知識を評価するために、多数の仮想的な学習の夫々に割り当てられてよい（動作４０６）。学習能力パラメータは、多数の仮想的な学習者の夫々について割り当てられてよい（動作４０８）。最後に、意志決定パラメータは、所与のトピックについて学習ナゲットを選択するために、多数の仮想的な学習者の夫々に割り当てられてよい（動作４１０）。

これより図４Ｂを参照すると、仮想学習者タクソノミー４００の実施形態の選択された要素のブロック図が表されている。図４Ｂにおいて、仮想学習者タクソノミー４００は、Ｋ個の仮想的な学習者２２４についての構造及び要素の関係を定義してよい。仮想的な学習者２２４は、図４Ｂにおいて仮想的な学習者２２４に対して１：１の関係で示されるように、好ましい学習スタイル４２２及び学習目標４２４を有してよい。意志決定モデルパラメータ４２３は、図４ＢにおいてＫ：１の関係で示されるように、全ての仮想的な学習者について大域的であってよい。図示されるように、仮想的な学習者２２４には、認知モデルパラメータＰ（Ｌ）４２４が含まれる。これは、Ｎ個のトピックノード３２１の夫々について１：１の関係で示される。他の認知モデルパラメータＰ（Ｇ）、Ｐ（Ｓ）、Ｐ（Ｔ）４２６は、全ての仮想的な学習者２２４について全体的に一定であるものとして示される。これは、図４ＢにおいてＫ：１の関係で示される。学習能力パラメータｗＬ、ｗＧ、ｗＳ、ＷＴ４２８は、夫々の仮想的な学習者２２４とともにＮ個のトピックノード３２１の夫々について１：１の関係で示され、夫々のトピックノード及び／又は学習ナゲットがトラバースされた後に再計算されてよい。

これより図５を参照すると、トピックリコメンデーション、選択及び評価を実行する動作を表す学習リコメンデーションシミュレータ２６０（図２Ｂも参照）の実施形態の選択された要素が、フローチャート形式で示されている。学習リコメンデーションシミュレータ２６０において表される特定の動作は、必要に応じて並べ替えられたり、又は削除されたりしてよいことが知られる。

図５において、学習リコメンデーションシミュレータ２６０は、トピックグラフ生成部２３０及び仮想学習者生成部２５０が実行された後に実行され得る動作を示す。学習リコメンデーションシミュレータ２６０は、仮想的な学習者に関連する学習目標及びその仮想的な学習者のトピックノードの習得に基づき、トピックノードに含まれるトピックノードを仮想的な学習者に薦めることによって、開始してよい（動作５０２）。動作５０２は、仮想的な学習者の学習目標に基づき、推薦するために、トピックノードを選択することを含んでよい。動作５０２は、仮想的な学習者が最低限の修得度を上回る習得を達成しているトピックノードを、推薦することから除外することを更に含んでよい。次のトピックノードの選択は、仮想的な学習者から受け取られてよい（動作５０４）。仮想的な学習者は、動作５０２において薦めされたトピックノードを選択することを強いられない。次のトピックに関連する学習ナゲットは、ナゲットリコメンデーションアルゴリズムに基づき仮想的な学習者に薦められてよい（動作５０６）。ナゲットリコメンデーションアルゴリズムは、学習ナゲットの学習目標と仮想的な学習者の学習目標との間の一致に基づくアルゴリズムを含んでよい。ナゲットリコメンデーションアルゴリズムは、学習ナゲットの学習スタイルと仮想的な学習者の好ましい学習スタイルとの間の一致に基づくアルゴリズムを含んでよい。ナゲットリコメンデーションアルゴリズムは、学習ナゲットの有効性評価に基づくアルゴリズムを含んでよい。そのようなアルゴリズムの組み合わせも、ある実施形態では使用されてよい。次のトピックに関連する次の学習ナゲットの、意志決定モデルに基づいた、仮想的な学習者による選択は、受け取られてよい（動作５０８）。仮想的な学習者が、認知モデルに基づき次の学習ナゲットと相互に作用した後、仮想的な学習者による次の学習ナゲットの習得の評価は可能にされてよい（動作５１０）。評価に基づき、次の学習ナゲットについての有効性評価は更新されてよい（動作５１２）。次いで、最低限の数の学習ナゲットが学ばれたかどうかが判断されてよい（動作５１４）。動作５１４の結果が‘いいえ’であるときは、学習リコメンデーションシミュレータ２６０は動作５０６に戻ってよい。動作５１４の結果が‘はい’であるときは、学習リコメンデーションシミュレータ２６０は、学習トピックの習得度が達成されたかどうかの更なる判断を行ってよい（動作５１５）。動作５１５の結果が‘いいえ’であるときは、学習リコメンデーションシミュレータ２６０は動作５０６に戻ってよい。動作５１５の結果が‘はい’であるときは、学習リコメンデーションシミュレータ２６０は、要求されている全ての学習トピックが習得されたかどうかの更なる判断を行ってよい（動作５１６）。動作５１６の結果が‘いいえ’であるときは、学習リコメンデーションシミュレータ２６０は動作５０２に戻ってよい。動作５１６の結果が‘はい’であるときは、学習リコメンデーションシミュレータ２６０は学習目標を達成してよい（動作５１８）。

これより図６を参照すると、学習ナゲット有効性評価プロセスを実行する方法６００の実施形態の選択された要素が、フローチャート形式で示されている。方法６００において表される特定の動作は、必要に応じて並べ替えられたり、又は削除されたりしてよいことが知られる。

方法６００は、学習ナゲットの有効性評価のためのデフォルト値を選択することによって、開始してよい（動作６０２）。仮想的な学習者が学習ナゲットと相互に作用した後、仮想的な学習者についての学習ナゲットの習得の評価は行われてよい（動作６０４）。次いで、仮想的な学習者の習得が高まったかどうかが判断されてよい（動作６０６）。動作６０６の結果が‘はい’であるときは、学習ナゲットの有効性評価は上げられてよい（動作６１０）。その後に、方法６００は動作６１６へ進んでよい。動作６０６の結果が‘いいえ’であるときは、学習ナゲットの有効性評価は下げられてよい（動作６１４）。その後に、方法６００は動作６１６へ進んでよい。方法６００の部分（すなわち、動作６０６〜６１６）は、動作５１２（図５を参照）の実施形態に相当し得ることが知られる。動作６１０及び６１４の後、結果は記録されてよく（動作６１６）、有効性評価はセーブされてよい（動作６１６）。方法６００の結果及び方法６００において記載される値は、情報記憶部２４０（図２Ｂを参照）を用いて記憶されてよいことが知られる。

これより図７を参照すると、仮想学習者プロセスを実行する方法７００の実施形態の選択された要素が、フローチャート形式で示されている。方法７００は、仮想的な学習者２２４（図４Ｂを参照）によって実行される動作を表してよい。方法７００において表される特定の動作は、必要に応じて並べ替えられたり、又は削除されたりしてよいことが知られる。

方法７００は、学習目標及び好ましい学習スタイルを決定することによって、開始してよい（動作７０２）。学習目標を達成するためのトピックノードのリコメンデーションが受け取られてよい（動作７０４）。次のトピックノードが選択されてよい（動作７０６）。次のトピックノードにおいて含まれる学習ナゲットのリコメンデーションが受け取られてよい（動作７０８）。意志決定モデルに基づき、次の学習ナゲットが次のトピックノードから選択されてよい（動作７１０）。認知モデルに基づき、方法７００は、対象を学習するよう次の学習ナゲットと相互に作用してよい（動作７１２）。次の学習ナゲットにおける対象の仮想的な学習者による習得の評価は完了してよい（動作７１４）。次いで、最低限の数の学習ナゲットが学ばれたかどうかが判断されてよい（動作７１６）。動作７１６の結果が‘いいえ’であるときは、方法７００は動作７１２に戻ってよい。動作７１６の結果が‘はい’であるときは、方法７００は、学習トピックの習得度が達成されたかどうかの更なる判断を行ってよい（動作７１８）。動作７１８の結果が‘いいえ’であるときは、方法７００は動作７０８に戻ってよい。動作７１８の結果が‘はい’であるときは、方法７００は、要求されている全ての学習トピックが習得されたかどうかの更なる判断を行ってよい（動作７２０）。動作７２０の結果が‘いいえ’であるときは、方法７００は動作７０４に戻ってよい。動作７２０の結果が‘はい’であるときは、方法７００は学習目標を達成してよい（動作７２２）。

ここで挙げられている全ての例及び条件付き後は、当該技術の促進に本発明者によって寄与される概念及び本発明を読者が理解するのを助ける教育上の目標を意図され、そのような具体的な上げられている例及び条件に制限されないものと解されるべきである。本発明の実施形態が詳細に記載されてきたが、様々な変更、置換及び代替が本発明の主旨及び適用範囲から逸脱することなしに行われ得ることが理解されるべきである。

Claims

学習リコメンデーションを評価する学習リコメンデーションシミュレーションシステムの作動方法であって、前記学習リコメンデーションシミュレーションシステムのプロセッサが、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも１つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記トピックグラフにおける第１のトピックノードを選択することを可能にする工程と、
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記第１のトピックノードに含まれる第１の学習ナゲットを選択することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用した後に、前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第１の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行する方法。
前記プロセッサが、前記評価の結果を記録する工程を更に実行し、
前記トピックグラフからのトピックノードを前記第１の仮想的な学習者に薦める工程は、
推薦するために、前記第１の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第１の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項１に記載の方法。
前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項１に記載の方法。
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程は、
前記第１の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第１の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも１つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項３に記載の方法。
前記第１の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項３に記載の方法。
前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項１に記載の方法。
前記第１の仮想的な学習者が前記第１の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第１の確率を含む、
請求項６に記載の方法。
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第２の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第３の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第４の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第５の確率と
を含む、
請求項６に記載の方法。
前記学習能力パラメータは、前記第２の確率の第１の重み係数と、前記第３の確率の第２の重み係数と、前記第４の確率の第３の重み係数と、前記第５の確率の第４の重み係数とを含む、
請求項８に記載の方法。
非一時的なコンピュータ可読媒体と、
前記コンピュータ可読媒体に記憶されているコンピュータ実行可能命令と
を有し、
前記命令は、プロセッサによって読み出し可能であり、実行される場合に、該プロセッサに、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも１つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記トピックグラフにおける第１のトピックノードを選択することを可能にする工程と、
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記第１のトピックノードに含まれる第１の学習ナゲットを選択することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用した後に、前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第１の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行させる、製品。
前記プロセッサに、前記評価の結果を記録させる命令を更に有し、
前記トピックグラフからのトピックノードを前記第１の仮想的な学習者に薦める工程は、
推薦するために、前記第１の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第１の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項１０に記載の製品。
前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項１０に記載の製品。
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程は、
前記第１の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第１の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも１つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項１２に記載の製品。
前記第１の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項１２に記載の製品。
前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項１０に記載の製品。
前記第１の仮想的な学習者が前記第１の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第１の確率を含む、
請求項１５に記載の製品。
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第２の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第３の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第４の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第５の確率と
を含む、
請求項１５に記載の製品。
前記学習能力パラメータは、前記第２の確率の第１の重み係数と、前記第３の確率の第２の重み係数と、前記第４の確率の第３の重み係数と、前記第５の確率の第４の重み係数とを含む、
請求項１７に記載の製品。
メモリと、
前記メモリへ結合されるプロセッサと、
ネットワークインタフェースと、
前記メモリに記憶されているコンピュータ実行可能命令と
を有し、
前記命令は、前記プロセッサによって読み出し可能であり、実行される場合に、該プロセッサに、
トピックノードの夫々が学習するための個々のトピックを表し且つ少なくとも１つの学習ナゲットを含む前記トピックノードの非巡回集合としてトピックグラフを生成する工程であって、前記トピックグラフにおける前記学習ナゲットの夫々について学習ナゲット属性を生成することを含む工程と、
複数の仮想的な学習者を生成する工程であって、該仮想的な学習者の夫々について仮想学習者属性を生成することを含む工程と、
前記トピックグラフからのトピックノードを、前記生成された仮想的な学習者から選択された第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記トピックグラフにおける第１のトピックノードを選択することを可能にする工程と、
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程と、
前記第１の仮想的な学習者が前記第１のトピックノードに含まれる第１の学習ナゲットを選択することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程と、
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用した後に、前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得の評価を可能にする工程と、
前記習得に基づき、前記第１の学習ナゲットについての学習ナゲット属性を更新する工程と
を実行させる、学習リコメンデーションシミュレーションシステム。
前記プロセッサに、前記評価の結果を記録させる命令を更に有し、
前記トピックグラフからのトピックノードを前記第１の仮想的な学習者に薦める工程は、
推薦するために、前記第１の仮想的な学習者についての学習目標に基づき、トピックノードを選択し、
推薦するために、前記第１の仮想的な学習者が最低習得度を上回る習得度に達したトピックノードを除外する
ことを含む、
請求項１９に記載の学習リコメンデーションシミュレーションシステム。
前記学習ナゲット属性は、品質評価と、学習スタイルと、学習目標と、有効性評価とを含む、
請求項１９に記載の学習リコメンデーションシミュレーションシステム。
前記第１のトピックノードに含まれる学習ナゲットを前記第１の仮想的な学習者に薦める工程は、
前記第１の仮想的な学習者の学習目標と学習ナゲットの学習目標との間の一致、
前記第１の仮想的な学習者の好ましい学習スタイルと学習ナゲットの学習スタイルとの間の一致、及び
学習ナゲットの有効性評価
のうちの少なくとも１つに基づきアルゴリズムから選択されたナゲットリコメンデーションアルゴリズムに基づき前記学習ナゲットを薦めることを含む、
請求項２１に記載の学習リコメンデーションシミュレーションシステム。
前記第１の学習ナゲットについての学習ナゲット属性を更新する工程は、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が高まる場合に前記有効性評価を上げ、
前記第１の仮想的な学習者についての前記第１の学習ナゲットの習得が低下する場合に前記有効性評価を下げる
ことを含む、
請求項２１に記載の学習リコメンデーションシミュレーションシステム。
前記仮想学習者属性は、認知モデルパラメータと、意志決定モデルパラメータと、学習能力パラメータと、学習目標と、好ましい学習スタイルとを含む、
請求項１９に記載の学習リコメンデーションシミュレーションシステム。
前記第１の仮想的な学習者が前記第１の学習ナゲットを選択することを可能にする工程は、前記意志決定モデルパラメータに基づき、該意志決定モデルパラメータは、仮想的な学習者が学習ナゲットリコメンデーションに従う第１の確率を含む、
請求項２４に記載の学習リコメンデーションシミュレーションシステム。
前記第１の仮想的な学習者が前記第１の学習ナゲットと相互に作用することを可能にする工程は、前記認知モデルパラメータに基づき、該認知モデルパラメータは、
仮想的な学習者が個々のトピックを以前に学習したことがある第２の確率と、
仮想的な学習者が前記評価の間に回答を正確に言い当てる第３の確率と、
仮想的な学習者が前記評価の間に不注意に誤った回答をする第４の確率と、
仮想的な学習者が学習ナゲットの習得に関わりなく個々のトピックを学習する第５の確率と
を含む、
請求項２４に記載の学習リコメンデーションシミュレーションシステム。
前記学習能力パラメータは、前記第２の確率の第１の重み係数と、前記第３の確率の第２の重み係数と、前記第４の確率の第３の重み係数と、前記第５の確率の第４の重み係数とを含む、
請求項２６に記載の学習リコメンデーションシミュレーションシステム。