JP6955079B1 - 学習支援装置、学習支援方法及びコンピュータプログラム - Google Patents

Abstract

【課題】志望校における併願校の選定を支援する装置を提供する。【解決手段】情報処理装置は、受験生の学習レベルと受験生が合格を目指す試験の出題傾向の分析結果とを保持する大容量記憶装置４と、受験生が試験の合格に向けて学習可能な複数の学習コンテンツを取得する単元ＤＢ管理部１０４と、取得した複数の学習コンテンツの各々について受験生が所定量学習したと仮定した場合の前記学習レベルの伸び幅Ｓを分析結果に基づいて推定する伸び幅算出部１０７を有する。制御部１０３は、伸び幅算出部で得られた伸び幅が所定値以上に大きくなる１つ以上の学習コンテンツを受験生が視認可能な出力装置３に表示させる。【選択図】図４

Description

本発明は、大学等の受験における学習を支援するための学習支援技術に関する。

受験生等の学習者は、進学に際して自身が希望する志望校を選定し、選定した志望校への合格を目標にした学習を行うのが一般的である。そのために、選定した志望校の受験科目や各科目における出題傾向に対応した学習を行うことで、学習時間を抑えつつ合格点をとるという、時間効率に優れた学習を行うことが望まれる。

受験生の学習支援技術として、例えば、特許文献１に開示された教育支援方法が知られている。この教育支援方法では、タブレットなどのユーザ端末を用い、ユーザに対して複数の知識のつながりの学習又は活用を支援する。より具体的には、この教育支援方法では、ユーザが新たに学習した知識と、ユーザが既に学習した知識のうちの少なくとも１の知識との間に共通する特徴が存在する場合、ユーザの端末に、その共通する特徴が存在することを提示する。特許文献１では、特徴が共通する複数の知識の間のつながりを提示させることによって、学習した知識の間につながりが生じた際、生徒は、そのようなつながりの存在を効率的に知り、また活用方法を体得していくことができる。

特許文献２は、学習者に弱点分野をきめ細かく示すとともに、その弱点分野に対する学習を、弱点を克服するまで繰り返すように学習者を導く学習支援を実施する技術を開示する。特許文献２においては、学習者が自分の弱点となる学習項目を容易に認識することができるようにし、またこの弱点が克服されるまで学習を繰り返すように学習者を導くことが可能になる。よって、学習者の学力の向上に貢献することができる。

特開２０１９−６６８７８号公報 特開２０１１−７００２１号公報

受験生は、志望校に合格するために合格点をとる学力を身に付けることが学習の目標である。その一方で、受験勉強に費やすことができる時間は限られている。そのため、限られた勉強時間で志望校に合格する学力を身に付けるために、学習者が優先的に学習すべき学習コンテンツを学習者に提示することが求められている。

本発明は、上記課題に鑑みてなされたものであり、受験生等の学習者が優先的に学習すべき学習コンテンツを提示することができる学習支援技術を提供することを主たる目的とする。

本発明の一態様となる学習支援装置は、受験生の学習レベルと前記受験生が合格を目指す試験の出題傾向の分析結果とを保持する保持手段と、前記受験生が前記試験の合格に向けて学習可能な複数の学習コンテンツを取得する取得手段と、取得した複数の学習コンテンツの各々について前記受験生が所定量学習したと仮定した場合の前記学習レベルの伸び幅を前記分析結果に基づいて推定する推定手段と、前記伸び幅に基づいて前記複数の学習コンテンツに対する学習順序の優先度を算出するとともに前記優先度をランキングする制御手段と、を有することを特徴とする。

本発明によれば、受験生が目標達成のために真に優先的に学習すべき情報を受験生に対して提示することが可能となる。

科目及び単元の説明図。 ジャンルの説明図。 情報処理装置の構成図。 情報処理装置の機能ブロック図。 （ａ）〜（ｃ）は、大容量記憶装置に保存されるデータの説明図。 優先的に学習すべき単元の優先度を算出するフローチャート。 志望校の受験科目に含まれない単元を含んだ単元データの説明図。

以下、図面を参照して実施の形態を詳細に説明する。
第１実施形態では、大学入学を志す学習者、すなわち受験生が、志望校に合格するための学力を得る場合において、その受験生に対して学習すべき学習コンテンツを提示させる場合の例を示す。また、そのような受験生向けの学習コンテンツとして、志望校の試験科目を分類し、細分化した項目の例について説明する。
例えば、受験生の志望校の入試科目として数学Ｉがあるとする。この場合、数学Ｉで学習すべき内容の中に、数と式、２次関数、図形と計量がある。これらの入試科目の内容は、例えば数と式では整式の展開、整式の因数分解などである。２次関数は、関数とグラフ、２次関数のグラフ、２次方程式、２次不等式などに細分化することができる。

以下の説明では、このように、学習コンテンツにおいて入学試験に合格するために必要な知識を所定の修得順序で整理したものを単元とする。より具体的には、この実施形態において、学習すべき科目の内容を教科書の章立てに沿って分類し、細分化されるものを「単元」という場合がある。「数学」における単元の例を図１に示す。図１の例では、単元が、大単元、中単元、小単元のように階層的に分類される。例えば、「数と式」と定めた大単元の中に、「整式の計算」、「実数」、「一次不等式」のような中単元が属し、「整式の計算」の中単元の中に、「整式の展開」及び「整式の因数分解」の小単元が属するように分類される。他の単元についても同様である。

なお、大単元、中単元、小単元の項目については、それぞれの項目ないしその内容を一意に識別可能な機械読み取り可能なデータ構造のコード（文字、数字、記号の組み合わせ）が、当該項目に対して１対１に関連付けられて所定の記録媒体（データ記録領域）に設定される。記録媒体に記録された単元ないしその内容の検索、探索、選別等は、これらのコードを用いて行われる。図１では３階層の例が示されているが、４階層以上であってもよいし、２階層であってもよい。

一方、上記単元とは別に、複数の単元にわたって共通ないし類似する知識（いずれかの単元を修了すれば、敢えて単元を履修しなくとも体得が効率的に可能）、一つの問題を解く際に前提として要求される一種類又は複数種類の条件把握法（題意把握の素養）、学習に際して体得しておくべき問題解決手順（解法メソッド）を視点とした分類が、学習の目的達成に、より合致する必要条件となることが、本願出願人による過去の学習支援実績により判明している。

以後の説明では、このような視点で分類したものを特に「ジャンル」という場合がある。ジャンルは、過去の全国共通試験問題、模試（模擬試験問題の略、以下同じ）、多くの大学の個別入試問題などの出題傾向の分析結果、過去の講座別修了試験に対する受験生の成績の因果関係、現在の複数の受験生の学習の進捗状況などを入力とする機械学習（ディープラーニング、後述）などにより、ジャンル（１）、（２）・・・（ｎ）のように少なくとも１つ、好ましくは、多面的かつ複数種類決定される。ジャンルは、科目毎に決定することができるが、例えば「数学」と「物理」のように、科目の垣根を越える場合もある。

ジャンル（１）の内容例を図２に示す。図２の例では、説明の便宜上、ジャンル（１）が、大分類、小分類のように２階層で分類されている。図示の例では、ジャンル（１）の大分類として、「問題の把握」、「グラフ・図形的な表現」、「上手な式変形」、「地道な処理」が解法アプローチ（大）、すなわち最上位の解法アプローチとして、機械学習により分類される。このような分類法は、「単元」ないしそれをグループ化するだけの単なる分類法では導出されることのない手法であり、複数の単元にわたって共通ないし類似する知識、一つの問題を解く際に前提として要求される一種類又は複数種類の条件把握法、学習に際して体得しておくべき問題解決の手順を視点としたものである。
なお、図２では２階層の例が示されているが、３階層以上であってもよい。

第１実施形態では、受験生へ提示予定の問題について、その問題が、どの単元（図１の例では大単元、中単元、小単元）、並びにどのジャンル（図２の例では解法アプローチ（大）、解法アプローチ（小））に属するものであるかを予め定義する。そして、これらのそれぞれの定義の内容について、受験生の過去の模試の結果や授業での確認テストの結果などを関連付けて記録しておく。関連付けは、大単元コード、中単元コード、小単元コード解法アプローチ（大）コード、解法アプローチ（小）コードを用いて行う。

これにより、単元やジャンル毎に、受験生の学習進捗状況あるいは過去の成績などからその受験生の学習の到達レベル、入試で獲得可能な予想得点などを求めることができる。また、単元やジャンルに限らず、多種多様の問題を、個別に定めた任意の基準（例えば適性分析基準、併願校との出題傾向の類似度）等によりいくつかに分類することもできる。以下の説明では、これらの大単元、中単元、小単元やジャンルの大分類や小分類、並びに個別に定めた基準等を「タグ」という場合がある。

第１実施形態では、また、タグごとに所定量あるいは所定時間学習を行った場合，学習者の学習レベルの伸び幅がどれだけ大きくなるかを表す情報、例えば受験生が所定量学習したと仮定した場合の学習レベルの伸び幅を推定し、伸び幅が所定値以上に大きくなる１つ以上の学習コンテンツを受験生が視認可能な表示装置に表示させる。この処理については、後で詳しく説明する。

（装置構成）
以下、本発明を適用した学習支援装置の実施の形態例を説明する。学習支援装置は、表示機能及び通信機能を有する情報処理装置とコンピュータプログラムとの協働により実現することができる。
図３は、学習支援装置として機能する情報処理装置の構成例を示す図である。この情報処理装置１は、例えばデータベース（以下、「ＤＢ」と記載する）を複数種有するデータベースシステムであり、大量のデータから所定の条件に基づいて検索したデータを出力するように構成される。情報処理装置１は、ＣＰＵ（Central Processing Unit）１０、ＲＯＭ（Read Only Memory）１１、ＲＡＭ（Random Access Memory）１２、及びＩ／Ｏインタフェース１３を基本構成要素として備える。ＣＰＵ１０、ＲＯＭ１１、ＲＡＭ１２、及びＩ／Ｏインタフェース１３は、バス１４を介して通信可能に接続される。Ｉ／Ｏインタフェース１３には、入力装置２、出力装置３、及び大容量記憶装置４が接続される大容量記憶装置４には、試験に合格した者の学習レベルが、学習コンテンツごとに時系列に変化する実績レベルとして保持されている。

入力装置２は、例えばキーボード、マウス、タッチパネル等である。出力装置３は、例えばディスプレイ、プリンタ等である。入力装置２は、受験生が試験の合格に向けて学習可能な複数の学習コンテンツを取得する取得手段として機能する。入力装置２は、情報処理装置１内部に設けられる構成であってもよく、通信ケーブルを介して接続される外部装置であってもよい。
大容量記憶装置４は、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等の書き換え可能な記憶装置である。大容量記憶装置４は、受験生の学習レベルと受験生が合格を目指す試験の出題傾向の分析結果とを保持する保持手段として機能する。大容量記憶装置４は、クラウドに設けられるオンラインストレージであってもよい。第１実施形態の大容量記憶装置４は、受験生が併願校を選定するのに有用な情報を提供するためのデータベースも構築される。

ＣＰＵ１０は、ＲＯＭ１１に格納されるコンピュータプログラムを実行することで、情報処理装置１の動作を制御する。ＲＡＭ１２は、ＣＰＵ１０が処理を行う際のワークエリアを提供する。ＣＰＵ１０は、Ｉ／Ｏインタフェース１３を介して入力装置２から入力されるデータや指示を受け付ける。ＣＰＵ１０は、Ｉ／Ｏインタフェース１３を介して出力装置３により情報を出力する。ＣＰＵ１０は、Ｉ／Ｏインタフェース１３を介して大容量記憶装置４にアクセス（書き込み及び読み出し）する。

図４は、情報処理装置１の機能ブロック図である。情報処理装置１は、例えばＣＰＵ１０がコンピュータプログラムを実行することにより複数の機能ブロックとして動作する。以下の説明では、主にタグとして単元を用いた例を示すが、タグはジャンル、あるいはその他の基準を用いることができる。
情報処理装置１は、入力部１０１、出力部１０２、制御部１０３、単元ＤＢ管理部１０４、受験生ＤＢ管理部１０５、及び伸び幅算出部１０７として動作する。大容量記憶装置４には、単元ＤＢ４０、受験生ＤＢ４１、試験結果ＤＢ４２が構築される。図５（ａ）〜（ｃ）は、大容量記憶装置４に保存されるデータの説明図である。

制御部１０３は、単元ＤＢ管理部１０４、受験生ＤＢ管理部１０５及び伸び幅算出部１０７を制御する。制御部１０３は、これらを制御することで、単元ＤＢ４０、受験生ＤＢ４１、及び試験結果ＤＢ４２に基づいて、受験生が優先的に学習すべき学習コンテンツを算出する際に有用となる情報を抽出する。学習コンテンツは、タグにより分類されるものであり、タグごとに、所定量あるいは所定時間学習を行った場合に学習レベルの伸び幅がどれだけ大きくなるかを表す値等が適宜計算され、更新自在に関連付けて記録される。

入力部１０１は、入力装置２から入力されるデータや指示を受け付けて、制御部１０３へ送信する。出力部１０２は、制御部１０３の制御により出力装置３から情報を出力する。第１実施形態では、出力部１０２は、出力装置３から、受験生が学習すべき単元を選定するのに有用な情報を画像として出力する。単元ＤＢ管理部１０４は、制御部１０３の制御に基づいて、単元ＤＢ４０に保存される単元データの作成、削除、更新、読み出し等を行う。

図５（ａ）は、単元データの説明図である。単元データは、単元を識別する単元ＩＤを付与して保存される。また、単元データは、数学、国語等の、その単元が属する科目と関連付けて保存される。一般に、受験生は、最初に学習する科目を選んでから学習を行うことが多い。このように科目ＩＤと単元ＩＤとを関連付け、最初に受験生が学習すべき科目を選択した後は、学習すべき科目ＩＤに属する単元から選択された単元を受験生に提示することにより、その科目に属する単元のみを受験生に提示することができる。

勿論、このような態様に限らず、単元ＩＤを科目とは関連付けずに単元データに保存し、学習すべき単元を、科目を問わずに受験生に提示するものとしてもよい。図５（ａ）には、科目を数学（特に数Ｉ）とした場合の科目ＩＤ（Ｓ）、単元名、単元ＩＤが示されている。単元としては、学習内容である「数と式」に含まれる、式の計算、実数、１次方程式、１次不等式、及び、集合と論理が示され、それぞれ、単元ＩＤとして、Ｓ１、Ｓ２、Ｓ３、Ｓ４及びＳ５が付与されている。
なお、図５（ａ）は、単元データの一部を例示したものであって、実際の単元データには、２次関数、図形と計量等の、志望校の受験科目（この例では数学）に関連付けられた単元の単元ＩＤ等が含まれるものであってよい。

単元データは、例えば入力装置２から各情報が入力され、この情報に基づく制御部１０３からの指示に応じて単元ＤＢ管理部１０４により作成される。単元データの内容に変更がある場合、変更内容が入力装置２から入力される。単元ＤＢ管理部１０４は、制御部１０３の指示に応じてこの変更内容により単元データを更新する。

単元ＤＢ管理部１０４は、また、制御部１０３の制御により単元ＤＢ４０を参照し、必要な情報の読み出しを行う。このようにすることで、例えば受験生が志望校を変更して志望校の入試に必要となる科目や単元が変更された場合、あるいは、学習指導要綱が変わって新たな科目や単元が導入または除外された場合であっても、それに応じて単元データの内容を変更することができる。
また、受験生の志望校の受験科目に属する科目及び単元のみを単元データに保存することで、受験に不要な科目や単元を受験生に提示しないようにもできる。

受験生ＤＢ管理部１０５は、制御部１０３の制御に基づいて、受験生ＤＢ４１に保存される受験生データの作成、削除、更新、読み出し等を行う。このような受験生データの内容例を図５（ｂ）に示す。受験生データには、例えば、「受験生名」ごとに受験生を識別する「受験生ＩＤ」を付与して（関連付けて）保存される。受験生データには、「受験生の在学校名」、「在学校ＩＤ」、「志望校情報」「成績履歴」等の項目が含まれる。

学習データは、本例では「受験生の在学校名」を含むが、「在学校ＩＤ」により識別される構成であってもよく、この場合、「受験生の在学校名」は、不可欠な情報ではない。
「志望校情報」は、当該受験生のその時点の志望校、学部、学科を表す「学校ＩＤ」、「学部ＩＤ」、「学科ＩＤ」を含む。「成績履歴」は、当該受験生の模擬試験等の結果（得点、偏差値等）を含む成績の履歴である。

受験生データは、例えば入力装置２から各情報が入力され、この情報に基づく制御部１０３の指示に応じて受験生ＤＢ管理部１０５により作成される。受験生データの内容に変更がある場合、変更内容が入力装置２から入力される。受験生ＤＢ管理部１０５は、制御部１０３の指示に応じて該変更内容により受験生データを変更する。
また、受験生ＤＢ管理部１０５は、制御部１０３の制御により受験生ＤＢ４１を参照し、必要な情報の読み出しを行う。

受験生ＤＢ管理部１０５は、制御部１０３の制御により、受験生の過去の模試の結果に基づいて試験結果データを生成して試験結果ＤＢ４２に保存する。試験結果データには、受験生が受験した模試とその単元毎の得点が記憶される。なお、この例では過去の模試の結果に基づいて試験結果を生成しているが、過去の模試に限らず、過去問や確認テスト等の任意の試験について試験結果データを生成するものとしてもよい。
図５（ｃ）は、試験結果データの説明図である。試験結果データは、受験生データから受験生名、受験生ＩＤ、在学校ＩＤ、及び成績履歴を抽出して生成される。図５（ｃ）の例では、第１模試（模試ＩＤ：Ｍ１）における「受験生名（受験太郎）」、「受験生ＩＤ（Ｊ１）」、「単元名」（式の計算、実数、１次方程式、１次不等式及び集合と論理）、「単元ＩＤ」が示されている。また、「単元」ごとに受験生の「得点率（％）」、「Ａライン得点率」、「配点」が示されている。受験生の「得点率（％）」は、受験生が得た得点を配点で割った値（％）である。「Ａライン得点率」は、志望校の合格可能性が所定値以上（「Ａライン」）となる得点率である。第１実施形態では、便宜上、志望校の合格可能性が８０％以上となる得点率をＡライン得点率とした。なお、Ａライン得点率に対応する合格可能性の確率は８０％に限られるものではなく、その他の数値や判定基準を用いてもよい。例えば、合格可能性が所定値以上となる他の基準による得点率をＡライン得点率としてもよい。

伸び幅算出部１０７は、試験結果ＤＢに保存された試験結果データを参照し、機械学習法で単元ごとに受験生の学習レベルの伸び幅を算出することにより、学習レベルの伸び幅を推定する。ここでいう伸び幅とは、受験生である受験生が所定量学習したと仮定した場合の学習レベルの伸び幅をさす。第１実施形態では、便宜上、所定の学習量の単位を１回の演習として、１回の演習を行ったと仮定した場合に予測される得点率の増加を学習レベルの伸び幅とした。より具体的には、１回の演習は、１回の学習あるいは１問の学習とすることができる。従って、伸び幅は、例えば、以下のように表される。

伸び幅（ｘ）＝１回の演習での予測増加得点率
ここで、１回の演習での予測増加得点率は任意の手法で求めることができるが、第１実施形態では、以下の３つの項目Ａ〜Ｃをパラメータとした。
Ａ 過去問演習回数
Ｂ Ａの過去問演習における直近の数回、例えば３回の平均得点率
Ｃ 修了判定テストでの得点率

例えばＡについては、過去問の演習回数が多ければ、受験生はその単元について理解や記憶が定着して点数が安定してくると考えられ、伸び幅を小さくする要因となり得る。例えばＢについては、平均得点率が高い場合、例えば１００点満点で９５点であれば、さらにその単元についての理解が深まったとしても、予測得点がさらに５点を超えて伸びることはない。一方、１００点満点で３０点の場合、その単元についての理解が深まると、あと７０点伸びる余地がある。従って、Ｂの値は、単元の平均得点率が低くなるとその値が大きくなるように定める。
Ｃについても、Ｂと同様にして、修了判定テストでの得点率が低いとその値が大きくなるように定める。また、修了判定テストは、その単元の内容をすべて学習し終えた後に行われるテストであり、過去問演習よりも入試に近い難易度で行われることから、過去問演習テストよりも、伸び幅に与える影響を大きくすることが好ましい。

これらのことから、伸び幅をＳとすると、Ｓは、単元毎にＡ〜Ｃのパラメータの少なくとも１つあるいは任意の組み合わせを用いて算出した値をその推定値とすることができる。例えばＡ、Ｂ、及びＣの値の加算値や平均値、あるいは、Ａ、Ｂ、及びＣの加重平均値を算出して得られた値を伸び幅の推定値とすることができる。なお、伸び幅の推定手法はこの例に限られるものではなく、Ａ、Ｂ及びＣの乗算値を伸び幅の推定値とする等、任意の他の手法を用いることができる。

なお、上述した例は、簡素化した一例である。その他の例としては、上述したＡ〜Ｂについて説明変数を数百程度設定し、人工知能（ＡＩ）や機械学習法（ディープラーニング）等を用いてこれらの説明変数から伸び幅を求める計算モデルを構築して伸び幅を求めるようにしてもよい。例えば「ＩＤ３アルゴリズム」等の、学習レベルの伸び幅の推定過程において決定木を用いた機械学習法や、この機械学習法を実行する機械学習ツールを用いて伸び幅を求めることもできる。例えば、機械学習ツールでは、複数種類の情報を入力とし、推定過程で生じる決定木をランダムに選択して伸び幅等を導出するようにしてもよい。

あるいは、決定木に基づくアンサンブル機械学習法である「Extra Trees」を用いてもよい。「Extra Trees」は、決定木におけるツリーの数を複数とし、ランダムのサブセット特徴量を用いるとともにランダムにツリー分割を行う手法である。「Extra Trees」は、概して、ランダムフォレスト等の手法よりもテストと学習のスコアの精度が高い傾向があることから、伸び幅を求める計算モデルとして好適である。

決定木以外の方法を用いて伸び幅を求める計算モデルを構築してもよい。例えば、以下に示す通り、決定木及び回帰手法を含んだ複数の手法を組み合わせて用いることも可能である。

制御部１０３は、伸び幅算出部１０７による処理結果を取得される単元ごとに算出された伸び幅から、受験生が優先的に学習すべき単元を特定する。
例えば、伸び幅が一番大きくなる単元、あるいは、伸び幅が所定値以上に大きくなる単元を「優先的に学習すべき単元」として特定する。また、制御部１０３は、優先的に学習すべき単元を表す画像を生成する。制御部１０３は、この優先的に学習すべき単元を表す画像を、出力部１０２を介して出力装置３から視認可能に出力する。出力装置３がディスプレイの場合、選定支援画像がディスプレイに表示される。出力装置３がプリンタの場合、選定支援画像が用紙に印刷される。これにより受験生に対して優先的に学習すべき単元が提示される。制御部１０３は、出力装置３から画像を出力する表示制御手段として機能する。

（優先的に学習すべき単元の決定法）
以下、優先的に学習すべき単元の決定法についての詳細例を説明する。上述の説明では、伸び幅が一番大きくなる単元、あるいは、伸び幅が所定値以上に大きくなる単元を「優先的に学習すべき単元」として特定した。
第１実施形態では、志望校での入試における得点の伸び幅が大きくなるほど優先度の値が大きくなるように、単元ごとに優先度を算出し、優先度が高い単元を受験生に提示する。優先度の算出では、伸び幅Ｓに加えて、伸び代及び出題頻度を用いる。

一例を挙げると、伸び代は、志望校のＡライン得点率と現在の得点率との差によって配点の値を補正した値を用いる。例えば、志望校のＡライン得点率と現在の得点率との差が大きくなるほどその値が大きくなるように配点を補正し、その補正後の値を伸び代とする。
また、出題頻度（β）の例として、志望校でのその単元の出題頻度（例えば志望校の直近１０年の出題頻度）を用いることができる。出題頻度が高くなるにつれて、出題頻度の値が大きくなる。
伸び幅Ｓを、伸び代と出題頻度とのうち少なくとも一方によって補正した値を優先度として用いる。
なお、伸び代は、この例に限られるものではなく、学習コンテンツや単元等の任意の学習範囲において、志望校に合格するための目標となる得点率と、受験生の得点率と、その志望校の入試におけるその学習範囲の出現頻度（あるいは予想配点）とにより定めることができる。伸び代は、学習範囲において、志望校の配点が高くなるほど大きくなり、かつ、受験生の得点率が低いほど大きくなるように定められる。このように定めることで、伸び代が大きい学習範囲は、得点率を高くすることで、志望校の入試における得点を高くする余地がある学習範囲を表すことになる。

このように、求められた伸び幅を用いることで、志望校の入試における得点の伸び幅を大きくするために優先的に学習すべき単元の優先度が算出される。その結果、受験生に対して、志望校に合格するためにどの単元を優先的に学習すべきかを提示することができる。例えば、優先度が一番高い単元が整式の計算、二番目に高い単元が集合、三番目に高い単元が一次不等式であれば、１位整式の計算、２位集合、３位一次不等式のようにランキングして受験生に表示する。これにより、受験生は、志望校での入試における得点の伸び幅を大きくするために自分がどの順番で単元を学習すべきかを容易に把握することができる。

（優先度の算出）
図６は、第１実施形態において優先的に学習すべき単元の優先度を算出する処理の手順を示すフローチャートである。この処理は、例えば制御部１０３が、入力部１０１を介して入力装置２から優先度算出処理の開始指示を受け付けることで開始される。開始指示には、受験生ＩＤ及び優先度を求める科目名が含まれている。

開始指示を受け付けた制御部１０３は、開始指示に含まれる受験生ＩＤに該当する受験生の第一志望校を確認する（Ｓ１０１）。制御部１０３は、受験生ＤＢ管理部１０５により受験生ＤＢ４１の該受験生ＩＤの受験生データを参照することで、該受験生の第一志望校（学校ＩＤ、学部ＩＤ、及び学科ＩＤ）を確認することができる。

第一志望校を確認した制御部１０３は、単元ＤＢ管理部１０４を通じて単元ＤＢ４０から科目名に対応する科目ＩＤと単元名及び単元ＩＤを抽出する（Ｓ１０２）。その後、制御部１０３は、受験生ＤＢ管理部１０５を通じて、受験生ＤＢ４１と試験結果ＤＢ４２の試験結果データから得られる入力された科目に関する成績履歴とを抽出する。これにより、上述した入力された科目に関する過去問演習回数、その過去問演習における直近３回の平均得点率、及び修了判定テストでの得点率を取得することができる。
伸び幅算出部１０７は、これらの過去問回数等と、受験生ＤＢ４１に保存された受験生データのＡライン得点率などから、上述したように単元ごとに伸び幅を求める（Ｓ１０３）。

制御部１０３は、単元ごとに求められた伸び幅に、上述した伸び代及び出題頻度を乗算することで、優先度を求める（Ｓ１０４）。制御部１０３は、求められた優先度を、出力部１０２を通じて出力装置１０３に出力する（Ｓ１０５）。好ましくは、伸び代を大容量記憶装置４に記憶された実績レベルと関連付けて出力装置１０３に出力する。

以上のような処理により、受験生に対して、志望校に応じた優先的に学習すべき単元の優先度を提示することができる。受験生は、提示された優先度から、志望校での入試得点を伸ばすために学習すべき単元を容易に知ることができるようになる。また、提示される単元は、志望校の試験科目に含まれる科目に絞られている。受験生は、志望校の試験科目に含まれるか否かを改めて確認することなく志望校の受験勉強を行うことができる。従って、受験生は、志望校での入試における得点を増やすために優先的に学習すべき単元を容易にしることができ、志望校に合格する可能性を高めるように効率良く受験勉強を行うことができる。

（変形例）
上述した例では、受験生が学習を行う時期を参照することなく優先度を算出した。しかし、受験生が学習を行う時期を参照したうえで伸び幅を算出することや、優先度の算出において受験生が学習を行う時期を参照して優先度を算出することもできる。
以下、受験生が学習を行う時期を参照したうえで伸び幅を算出する例を示す。
第１実施形態では、伸び幅を例えば上述したパラメータＡ、Ｂ及びＣの加算値として算出した。

ここで、受験が近い時期では、通常は修了判定テストの演習を行ってからかなり時間が経過しており、過去問の演習回数よりも後の時期に行われる過去問での得点率の重要性が相対的に高くなると考えられる。従って、例えば志望校の受験までの残りの日数をパラメータＤとして、パラメータＡ〜ＣにさらにパラメータＤを追加して単元毎に伸び幅を算出してもよい。例えばパラメータＡ〜Ｃから算出された値にパラメータＤを加算あるいは乗算して得られた値を伸び幅の推定値としてもよい。
このように受験の時期を参照したうえで伸び幅を算出することで、優先的に学習すべき単元をより正確に求めることができる。このとき、単元によってＤの定義を変更してもよい。

なお、上述の例では伸び幅の算出において係数Ｄを用いて受験の時期を参照したが、優先度の算出において受験の時期を参照するようにしてもよい。また、入試に関係ない科目であっても、その科目に関連する科目を勉強することで、入試に関係する科目の得点を高くすることが可能な場合もある。例えば志望校の入試の試験範囲が数ＩＩであり、数ＩＩＩは試験範囲に入っていない場合もある。しかし、例えば数ＩＩＩで履修する微分積分は数ＩＩの微分積分の発展であり、数ＩＩの範囲の微分積分の問題を解く場合、数ＩＩＩの知識を使うことで一層簡単に問題を解くことができる場合もある。

このように、志望校の受験科目には入っていない科目を敢えて学習することで、志望校での入試の得点率を高くすることができる場合もあるので、以下の例では志望校の受験科目には入っていない科目をも含めて伸び幅及び優先度を求める例を示す。
図７に、志望校の受験科目に数Ｉ、数ＩＩが含まれているが数ＩＩＩは含まれていない例における、単元ＤＢ４０に保存される単元データの一例を示す。図５（ａ）に示した例では例として数Ｉを示したが、図７の例では数ＩＩ（科目ＩＤ：Ｔ）及び数ＩＩＩが示されている。

図５（ａ）の例では、単元データには、志望校の受験科目（この例では数学）に含まれる単元のみが含まれる。しかし、図７の例では、数ＩＩについては志望校の受験科目に含まれるものの、志望校の受験科目には含まれない数ＩＩＩの単元である「漸近線（単元ＩＤ：Ｕ５）も含まれている。

これは、志望校の入試では数ＩＩＩの漸近線を直接的に問う問題は出題されないものの、漸近線の概念を理解することで、出題の背景を理解し、かつ、グラフや数列の極限を正しく推測したうえで解答を作成することができる場合があるからである。従って、志望校の受験科目ではないものの、受験科目である数ＩＩに特に関連のある単元である数ＩＩＩの「漸近線」を学習することで、結果的に得点率を高くすることができる。
以上のことから、上述した伸び幅及び優先度の算出において、志望校の受験科目に含まれない科目の単元ではあるものの志望校の受験科目の単元に関連性が深い単元を含めて算出を行うことで、志望校の入試における得点率を高くすることができる。

Claims (11)

1. 受験生の学習レベルと前記受験生が合格を目指す試験の出題傾向の分析結果とを保持する保持手段と、
   前記受験生が前記試験の合格に向けて学習可能な複数の学習コンテンツを取得する取得手段と、
   取得した複数の学習コンテンツの各々について前記受験生が所定量学習したと仮定した場合の前記学習レベルの伸び幅を前記分析結果に基づいて推定する推定手段と、
   前記伸び幅に基づいて前記複数の学習コンテンツに対する学習順序の優先度を算出するとともに前記優先度をランキングする制御手段と、
   を有することを特徴とする学習支援装置。
2. 前記推定手段は、前記学習コンテンツを少なくとも１回又は１問学習したと仮定した場合に前記学習レベルが変化する値を前記伸び幅と推定することを特徴とする、
   請求項１に記載の学習支援装置。
3. 前記保持手段は、前記試験に合格した者の学習レベルを前記学習コンテンツごとに時系列に変化する実績レベルとして保持しており、
   前記制御手段は、前記受験生の前記学習コンテンツでの得点率と前記受験生が合格を目指す試験での前記学習コンテンツの予想される配点とに基づいて定められる、前記学習コンテンツにおける伸び代を前記実績レベルと関連付けて出力することを特徴とする、
   請求項１又は２に記載の学習支援装置。
4. 前記制御手段は、当該学習コンテンツにおける伸び代と前記試験における出題頻度との少なくとも一方によって前記伸び幅を補正することを特徴とする、
   請求項３に記載の学習支援装置。
5. 前記学習コンテンツは、前記試験に合格するために必要な知識を所定の修得順序で整理した単元と、前記知識を複数の前記単元にまたがって整理した少なくとも１つのジャンルとを組み合わせて構成されており、前記学習レベルが、前記単元及び前記ジャンルごとに関連付けられていることを特徴とする、
   請求項１から４のいずれか一項に記載の学習支援装置。
6. 前記推定手段は、複数種類の情報を入力とし、推定過程で生じる決定木をランダムに選択する機械学習ツールにより前記伸び幅を導出することを特徴とする、
   請求項１から３のいずれか一項に記載の学習支援装置。
7. 前記伸び代は、前記試験における前記配点が高くなるほど大きくなり、かつ、前記受験生の前記得点率が低いほど大きくなることを特徴とする、
   請求項３又は４に記載の学習支援装置。
8. 前記伸び幅が、当該受験生の学習回数又は前記得点率によって増減することを特徴とする、請求項３又は４に記載の学習支援装置。
9. 前記伸び幅が、前記試験の受験日までの残日数に応じて増減することを特徴とする、
   請求項３、４、８のいずれか一項に記載の学習支援装置。
10. 情報処理装置により実行される学習支援方法であって、
    前記情報処理装置が、受験生の学習レベルと前記受験生が合格を目指す試験の出題傾向の分析結果とを保持し、
    前記情報処理装置が、前記受験生が前記試験の合格に向けて学習可能な複数の学習コンテンツを取得し、
    前記情報処理装置が、取得した複数の学習コンテンツの各々について前記受験生が所定量学習したと仮定した場合の前記学習レベルの伸び幅を前記分析結果に基づいて推定し、
    前記情報処理装置が、前記伸び幅に基づいて前記複数の学習コンテンツに対する学習順序の優先度を算出するとともに前記優先度をランキングすることを特徴とする、
    学習支援方法。
11. コンピュータを請求項１〜９のいずれか１項に記載の学習支援装置として機能させるためのコンピュータプログラム。

Images