JP6903177B1 - 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
- JP6903177B1 JP6903177B1 JP2020006241A JP2020006241A JP6903177B1 JP 6903177 B1 JP6903177 B1 JP 6903177B1 JP 2020006241 A JP2020006241 A JP 2020006241A JP 2020006241 A JP2020006241 A JP 2020006241A JP 6903177 B1 JP6903177 B1 JP 6903177B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- correct answer
- category
- answer probability
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims description 25
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- 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。[コンテンツ、学習データ]
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>
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)。
練習問題、演習問題の正誤情報を訓練データのベクトル、ラベルとして用いる場合、学習されるDKTモデルに偏りが生じる可能性がある。例えば、図11に示すように、あるカテゴリに関する学習が、状態1(当該カテゴリについての理解が不十分な状態)、状態2(当該カテゴリについて理解する過程で試行錯誤している状態)、状態3(当該カテゴリについて十分に理解した状態)のように、区分できると仮定した場合に、図11の「理想的なデータ」の表に示すように、状態3のデータを多く取得して訓練データとして用いることがDKTモデルの学習には理想的と言える。しかし、実際には同図の「実際のデータ」の表に示すように、状態3のデータはわずかしか得られない場合が多い。
例えば、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し、生成した正解確率に所定の値αを加算してなる補正正解確率を出力してもよい。例えばα=0.3と設定してもよい。
DKTモデルの訓練データにダミーデータを挿入してもよい。例えば図13に示すように、訓練データの状態3(データ番号11、12)の後に、状態3を模擬するダミーデータ(データ番号d1,d2,…,d6)を挿入して補正した補正訓練データを生成し、補正訓練データによりDKTモデルを学習してもよい。挿入するダミーデータの量は任意である。これにより、訓練データが図11に示す理想的なデータに近づくため、DKTモデルが出力する正解確率が所定の値p(<1)で飽和してしまう現象を防ぐことが出来る。
DKTモデルを学習する際の、損失関数に補正項を設けることにより、DKTモデルを補正してもよい。DKTモデルの損失関数Lは、例えば平均二乗誤差の場合は以下の式で表される。
[問題を解いていない期間を含めた学習]
例えば図14に示すように問題を解いていない期間(−)が挿入されている場合と、そうでない場合で、実施例1のDKTモデルに入力される訓練データに違いはなかった。
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 (13)
- 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し、生成した前記正解確率に所定の値を加算してなる補正正解確率を出力する正解確率生成部と、
前記補正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補正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。 - 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、生成した前記理解度に所定の値を加算してなる補正理解度と、前記信頼度を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。 - 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の値が属する範囲に基づいて生成されたラベルである理解度と、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。 - 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であって、ユーザが当該カテゴリについて十分に理解した状態を模擬するダミーデータを該当カテゴリの訓練データに挿入して補正した補正訓練データにより学習された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。 - 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であって、当該モデルの損失関数に直近の問題を所定数連続正答すると値1となり、それ以外の場合に値0となるパラメータと当該モデルが生成する正解確率との積に−1をかけてなる補正項を加えて学習された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。 - 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であって、正誤情報に加え、直前の問題を解いてから当該問題を解くまでの時間間隔を表すタイムスパン情報をパラメータとして持つ訓練データに基づいて学習された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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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し、生成した前記正解確率に所定の値を加算してなる補正正解確率を出力するステップと、
前記補正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補正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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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、生成した前記理解度に所定の値を加算してなる補正理解度と、前記信頼度を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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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の値が属する範囲に基づいて生成されたラベルである理解度と、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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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であって、ユーザが当該カテゴリについて十分に理解した状態を模擬するダミーデータを該当カテゴリの訓練データに挿入して補正した補正訓練データにより学習された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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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であって、当該モデルの損失関数に直近の問題を所定数連続正答すると値1となり、それ以外の場合に値0となるパラメータと当該モデルが生成する正解確率との積に−1をかけてなる補正項を加えて学習された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。 - 学習効果推定装置が各ステップを実行する学習効果推定方法であって、
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であって、正誤情報に加え、直前の問題を解いてから当該問題を解くまでの時間間隔を表すタイムスパン情報をパラメータとして持つ訓練データに基づいて学習された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。 - コンピュータを請求項1から6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 |
---|---|---|---|
JP2020006241A JP6903177B1 (ja) | 2020-01-17 | 2020-01-17 | 学習効果推定装置、学習効果推定方法、プログラム |
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 |
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 |
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 |
EP20886887.7A EP4060645A4 (en) | 2019-11-11 | 2020-10-30 | LEARNING EFFECT ESTIMATION DEVICE, LEARNING EFFECT ESTIMATION METHOD, AND PROGRAM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020006241A JP6903177B1 (ja) | 2020-01-17 | 2020-01-17 | 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 |
---|---|
JP6903177B1 true JP6903177B1 (ja) | 2021-07-14 |
JP2021113892A JP2021113892A (ja) | 2021-08-05 |
Family
ID=76753244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020006241A Active JP6903177B1 (ja) | 2019-11-11 | 2020-01-17 | 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) | JP6903177B1 (ja) |
Family Cites Families (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 |
KR20180061999A (ko) * | 2016-11-30 | 2018-06-08 | 한국전자통신연구원 | 개인 맞춤형 학습 제공 장치 및 그 방법 |
JP6957993B2 (ja) * | 2017-05-31 | 2021-11-02 | 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 |
-
2020
- 2020-01-17 JP JP2020006241A patent/JP6903177B1/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2021113892A (ja) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verstege et al. | Relations between students' perceived levels of self-regulation and their corresponding learning behavior and outcomes in a virtual experiment environment | |
CN110941723A (zh) | 一种知识图谱的构建方法、系统及存储介质 | |
CN107544973B (zh) | 一种对数据进行处理的方法和装置 | |
Pulukuri et al. | Improving learning outcomes and metacognitive monitoring: Replacing traditional textbook readings with question-embedded videos | |
CN110991195B (zh) | 机器翻译模型训练方法、装置及存储介质 | |
US20150056597A1 (en) | System and method facilitating adaptive learning based on user behavioral profiles | |
Gil | Short project-based learning with MATLAB applications to support the learning of video-image processing | |
Supianto et al. | Model-based analysis of thinking in problem posing as sentence integration focused on violation of the constraints | |
JP6832410B1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
Snow et al. | Leveraging evidence-centered design to develop assessments of computational thinking practices | |
Ahmadaliev et al. | A web-based instrument to initialize learning style: An interactive questionnaire instrument | |
CN114429212A (zh) | 智能学习知识能力跟踪方法、电子设备及存储介质 | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
Eglington et al. | How to optimize student learning using student models that adapt rapidly to individual differences | |
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 | |
CN111950852A (zh) | 一种用户行为分析与指导方法、装置、电子设备和可读存储装置 | |
JP7090188B2 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
CN116340624A (zh) | 自适应学习信息推荐方法、装置、设备及存储介质 | |
CA2730456A1 (en) | System and method for a computerized learning system | |
KR20220147539A (ko) | 사용자의 문제 풀이를 분석하여 사용자를 진단하는 방법 및 그 전자 장치 | |
Leitão et al. | New metrics for learning evaluation in digital education platforms | |
Jones et al. | The presentation of technology for teaching and learning mathematics in textbooks: Content courses for elementary teachers | |
Bernard et al. | Student performance in solving linear equations | |
Rüdian et al. | Predicting creativity in online courses |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210127 |
|
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: 20210615 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210622 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6903177 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |