JP6977901B2 - 学習材推薦方法、学習材推薦装置および学習材推薦プログラム - Google Patents

学習材推薦方法、学習材推薦装置および学習材推薦プログラム Download PDF

Info

Publication number
JP6977901B2
JP6977901B2 JP2021014145A JP2021014145A JP6977901B2 JP 6977901 B2 JP6977901 B2 JP 6977901B2 JP 2021014145 A JP2021014145 A JP 2021014145A JP 2021014145 A JP2021014145 A JP 2021014145A JP 6977901 B2 JP6977901 B2 JP 6977901B2
Authority
JP
Japan
Prior art keywords
learner
learning
learning material
concentration
data
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
Application number
JP2021014145A
Other languages
English (en)
Other versions
JP2021073604A (ja
Inventor
康之 友永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JP2021073604A publication Critical patent/JP2021073604A/ja
Priority to JP2021180084A priority Critical patent/JP7327455B2/ja
Application granted granted Critical
Publication of JP6977901B2 publication Critical patent/JP6977901B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、学習者が次に学習すべき学習材を推薦する学習材推薦方法に関する。
アクティブラーニングは、学習者による能動的な学習であるが、文部科学省用語集では、『教員による一方向的な講義形式の教育とは異なり、学修者の能動的な学修への参加を取り入れた教授・学習法の総称。学修者が能動的に学修することによって、認知的、倫理的、社会的能力、教養、知識、経験を含めた汎用的能力の育成を図る。発見学習、問題解決学習、体験学習、調査学習等が含まれるが、教室内でのグループ・ディスカッション、ディベート、グループ・ワーク等も有効なアクティブ・ラーニングの方法である。』とされている。
アクティブラーニングは、小中高校、塾、予備校などで提供されていた。近年、『MOOC (Massive Open Online Courses)』と呼ばれるウェブサービスも提供されるようになってきた。MOOCとして、例えば、株式会社ドコモgacco が提供する『gacco 』（登録商標）や、株式会社リクルートマーケティングパートナーズが提供する『スタディサプリ』（登録商標）がある。ウェブサービスでアクティブラーニングを提供する試みは、『EdTech』（Education × Technology）と呼ばれる。EdTechは、教育業界の生産性を飛躍的に高めるイノベーションの種として期待される。
国際公開第２０１４／１４１４１４号 米国特許第８３４１０９５号明細書
武田星児 他、「複数の生理指標を用いた運動ゲームにおける集中度推定法」、人工知能学会 第２９回全国大会、２０１５年 D.Bespalov et al. "Sentiment Classification with Supervised Sequence Embedding"、Springer-Verlag、２０１２年
アクティブラーニングでは、一般に、学習者が設定した「ゴール（学習者が取得したい能力、技術、知識）」を最短距離で達成するため、学習者の現在の「理解度」に応じて、次に学ぶべき最適な学習材が学習者に推薦される。また、一般に、学習者の「理解度」は、学習材を消化後の確認テストやアンケートにより定量的に測定される。しかし、学習者の「理解度」を測定するだけでは、学習者に最適な学習材を推薦できない下記のようなケースが存在する。
ケース１：学習者の理解度が高い場合、学習材が簡単なのか、最適なのか見分けられない。
ケース２：学習者の理解度が低い場合、学習材が難しいのか、学習意欲が低いのか見分けられない。
学習者の「理解度」（学習の進捗度）を推定する技術が、例えば、特許文献１に記載されている。その技術は、学習者の教材に対するパターン（具体的には、筆記が、文字単位、単語単位、文節単位のいずれの単位でなされているか等）から理解度が判定される。また、課題に対する学習者の同期度にもとづいて学習者の集中度が判定される。
しかし、特許文献１に記載されている技術では、判定結果が教師にフィードバックされるだけであって、判定結果を学習者にフィードバックする概念は、特許文献１に記載されている技術には存在しない。
本発明は、学習者の理解度および集中度にもとづいて，学習者が次に学習すべき学習材を推薦することを目的とする。
本発明による学習材推薦装置は、対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、対象学習者の集中度を推定する推定部と、対象学習者の第一の学習材に対する理解度と集中度とに基づいて特定される学習状態に基づいて、対象学習者に推薦するための第二の学習材を出力する出力部とを備え、予測モデルは、複数の学習者の学習者データの特徴量および第一の学習材データの特徴量と、複数の学習者の集中度との関係を機械学習して生成される
本発明による学習材推薦方法は、コンピュータが、対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、対象学習者の集中度を推定し、対象学習者の第一の学習材に対する理解度と集中度とに基づいて特定される学習状態に基づいて、対象学習者に推薦するための第二の学習材を出力し、予測モデルは、複数の学習者の学習者データの特徴量および第一の学習材データの特徴量と、複数の学習者の集中度との関係を機械学習して生成される。
本発明による学習材推薦プログラムは、コンピュータに、対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、対象学習者の集中度を推定する推定処理と、対象学習者の第一の学習材に対する理解度と集中度とに基づいて特定される学習状態に基づいて、対象学習者に推薦するための第二の学習材を出力する処理とを実行させ、予測モデルは、複数の学習者の学習者データの特徴量および第一の学習材データの特徴量と、複数の学習者の集中度との関係を機械学習して生成される。
本発明によれば、学習者の理解度および集中度にもとづいて、学習者が次に学習すべき学習材を推薦することができる。
本発明の要点を説明するための説明図である。 本発明による学習材推薦装置の第１の実施形態を示すブロック図である。 学習者データの一例を示す説明図である。 学習材データの一例を示す説明図である。 集中度ログの一例を示す説明図である。 理解度ログの一例を示す説明図である。 集中度予測スコアの一例を示す説明図である。 学習材推薦装置の（Ａ）集中度学習ステップの動作を示すフローチャートである。 学習材推薦装置の（Ｂ）集中度予測ステップの動作を示すフローチャートである。 学習材推薦装置の（Ｃ）学習材推薦ステップの動作を示すフローチャートである。 学習プロセス表の一例を示す説明図である。 第２の実施形態の学習材推薦装置の構成例を示すブロック図である。 第２の実施形態における学習材推薦装置の集中度予測ステップの動作を示すフローチャートである。 本発明による学習材推薦装置の主要部を示すブロック図である。 他の態様の学習材推薦装置の主要部を示すブロック図である。 別の態様の学習材推薦装置の主要部を示すブロック図である。
図１は、本発明の要点を説明するための説明図である。
上記のケース１の課題の解決策として、学習材推薦装置は、学習者の理解度が高く、かつ、学習者の成長度が高い場合、推薦した学習材は最適と判断する（図１における(1) best fit参照）。また、学習材推薦装置は、学習者の理解度が高く、かつ、学習者の成長度が低い場合、推薦した学習材は簡単である判断する。そして、学習材推薦装置は、学習材の難易度を上げるよう学習プロセスの方向性を修正する（図１における(2) too easy参照）。すなわち、学習プロセスを軌道修正する。
上記のケース２の課題の解決策として、学習材推薦装置は、学習者の理解度が低く、かつ、学習者の成長度が高い場合、推薦した学習材は難しいと判断する。そして、学習材推薦装置は、学習材の難易度を下げるよう学習プロセスを軌道修正する（図１における(3) too much参照）。また、学習材推薦装置は、学習者の理解度が低く、かつ、学習者の成長度が低い場合、学習者の学習意欲が低いと判断する。そして、学習材推薦装置は、学習者の学習意欲向上につながるように学習プロセスを軌道修正する（図１における(4) less motivated参照）。
なお、推薦した学習材による学習前後で、学習者の「成長度」を直接測定することは難しいと考えられる。そこで、下記の実施形態では、学習中の学習者の学習材への集中度合いを示す「集中度」と学習前後の学習者の「成長度」との間には強い相関があると仮定される。学習材推薦装置は、学習中の学習者の振る舞いデータ（例えば、ウェアラブル端末で測定された生体データや、ウェブアプリケーションで測定された端末操作ログデータ）から、学習中の学習者の「集中度」を推定し、「集中度」から学習前後の学習者の「成長度」を推定する。
振る舞いデータから「集中度」を推定する方法として種々の方法がある。一例として、上記の非特許文献１には、SCR（Skin Conductance Response ）の変動量とLF(Low Frequency)/HF(High Frequency)変動量と呼ばれる２つの統計量を用いて、運動中の人間の集中度を推定することが記載されている。
下記の実施形態では、学習中の学習者の「集中度」は、学習中の学習者の振る舞いデータ（学習者属性データ）と、学習中の学習材データ（学習材属性データ）と、学習者からの自己申告で採取された学習中の学習者の集中度（正解データ）との相関関係を機械学習（ディープラーニングなど）でモデル化することによって推定される。学習中の学習者の「成長度」は、学習中の学習者の「集中度」に回帰モデル（相関係数１と仮定）を適用して算出される。なお、「１」以外の相関係数を用いてもよい。
下記の実施形態で、さらに、図１における(1) best fitを除くケース（(2) too easy，(3) too much，(4) less motivated）で必要とされる学習プロセスの修正方法も提示される。
実施形態１．
図２は、本発明による学習材推薦装置の第１の実施形態を示すブロック図である。
図１に示す学習材推薦装置１は、学習者データ入力部１１、学習材データ入力部１２、集中度ログ入力部１３、理解度ログ入力部１４、推薦学習材出力部２１、学習者データ記憶部３１、学習材データ記憶部３２、集中度ログ記憶部３３、理解度ログ記憶部３４、予測モデル記憶部３５、集中度記憶部３６、学習者データ前処理部４１、学習材データ前処理部４２、集中度ログ前処理部４３、理解度ログ前処理部４４、学習者属性特徴抽出部４５、学習材属性特徴抽出部４６、集中度学習部４７、集中度推定部４８、および学習材推薦部４９を含む。
学習者データ入力部１１は、入力された学習者データを学習者データ記憶部３１に書き込む。学習材データ入力部１２は、入力された学習材データを学習材データ記憶部３２に書き込む。集中度ログ入力部１３は、入力された集中度ログを集中度ログ記憶部３３に書き込む。理解度ログ入力部１４は、入力された理解度ログを理解度ログ記憶部３４に書き込む。
推薦学習材出力部２１は、学習材推薦部４９による計算結果（学習者が次に学習すべき学習材に相当）を出力する。例えば、推薦学習材出力部２１は、次に学習すべき学習材（推薦される学習材）を特定可能な情報を、表示部に表示したり、他の端末（例えば、ユーザ端末）に送信したりする。
学習者データ記憶部３１は、学習者データを保持する。学習者データは、学習者に関する属性データである。学習者データとして、例えば、氏名、年齢、性別などのデモグラフィックデータ、学習履歴データ、学習者に関するSNS（Social Network Service ）データ（自己PR、学習ゴールなど）、学習中の学習者の振る舞いデータ（ウェアラブル端末で測定した生体データ、ウェブアプリケーションで測定した端末操作ログデータなど）がある。
図３は、学習者データ記憶部３１に記憶される学習者データの一例を示す説明図である。図３に示す例では、学習者データは、学習者IDに対応する氏名、年齢、自己PR、および学習ゴールのデータを含む。
学習材データ記憶部３２は、学習材データを保持する。学習材データは、学習材に関する属性データである。学習材データには、例えば、題名、難易度、想定学習者、学習所要時間などのメタ情報と、学習のためのテキスト、画像、映像、音声などのコンテンツ情報とが含まれる。
図４は、学習材データ記憶部３２に記憶される学習材データの一例を示す説明図である。図４に示す例では、学習材データは、学習材IDに対応する題名、難易度、想定読者、学習所要時間、および学習テキストを含む。
集中度ログ記憶部３３は、集中度に関するログデータ（集中度ログ）を保持する。集中度ログは、例えば、学習者が学習材を学習した際の集中度を示し、学習者が自己採点した実績値である。集中度は、例えば、[0,100] の範囲のスコアで示される。
図５は、集中度ログ記憶部３３に記憶される集中度ログの一例を示す説明図である。図５に示す例では、集中度ログは、学習者IDおよび学習材IDに対応して記憶される。
理解度ログ記憶部３４は、理解度に関するログデータ（理解度ログ）を保持する。理解度ログは、例えば、学習者が学習材を学習した際の理解度を示し、学習者に対する確認テストで採点された実績値である。理解度は、例えば、[0,100] の範囲のスコアで示される。
図６は、理解度ログ記憶部３４に記憶される理解度ログの一例を示す説明図である。図６に示す例では、理解度ログは、学習者IDおよび学習材IDに対応して記憶される。
予測モデル記憶部３５は、集中度学習部４７が生成した予測モデルを保持する。
集中度記憶部３６は、集中度推定部４８が出力した集中度、すなわち、学習者が学習材を学習した際の推定された集中度（以下、集中度予測スコアという。）を保持する。
図７は、集中度記憶部３６に記憶される集中度予測スコアの一例を示す説明図である。図７に示す例では、集中度予測スコアは、学習者IDおよび学習材IDに対応して記憶される。
学習者データ前処理部４１は、学習者データ記憶部３１を参照して、学習者に関する属性レコード（以下、学習者属性レコードという。）を読み出す。学習者データ前処理部４１は、学習者属性レコードが保持する当該学習者に関する属性情報から学習者属性ベクトルを生成する。
学習材データ前処理部４２は、学習材データ記憶部３２を参照して、学習材に関する属性レコード（以下、学習材属性レコードという。）を読み出す。学習材データ前処理部４２は、学習材属性レコードが保持する当該学習材に関する属性情報から学習材属性ベクトルを生成する。
集中度ログ前処理部４３は、集中度ログ記憶部３３を参照して、集中度に関するログデータを読み出す。集中度ログ前処理部４３は、ログデータを集中度学習部４７が処理可能なデータ形式に変換して、集中度実績スコアを生成する。集中度ログ前処理部４３は、例えば、[0,100] の範囲のスコア値をしきい値によって２値化して集中度実績スコアとする。
理解度ログ前処理部４４は、理解度ログ記憶部３４を参照して、理解度に関するログデータを読み出す。理解度ログ前処理部４４は、ログデータを学習材推薦部４９が処理可能なデータ形式に変換して、理解度実績スコアを生成する。理解度ログ前処理部４４は、例えば、[0,100] の範囲のスコア値をしきい値によって２値化して理解度実績スコアとする。
学習者属性特徴抽出部４５は、学習者データ前処理部４１が生成した学習者属性ベクトルから特徴抽出を行って学習者特徴ベクトルを生成する。学習材属性特徴抽出部４６は、学習材データ前処理部４２が生成した学習材属性ベクトルから特徴抽出を行って学習材特徴ベクトルを生成する。
集中度学習部４７は、学習者属性特徴抽出部４５が生成した学習者特徴ベクトルと、学習材属性特徴抽出部４６が生成した学習材特徴ベクトルと、集中度ログ前処理部４３が生成した集中度実績スコアとから、学習データセット（＜学習者特徴ベクトル，学習材特徴ベクトル，集中度実績スコア＞のデータ組を１レコードとするデータ集合）を生成する。そして、集中度学習部４７は、学習者特徴ベクトル、学習材特徴ベクトル、集中度実績スコアの間の関係性を機械学習して予測モデルを生成する。
集中度推定部４８は、学習者の集中度を予測（推定）する、具体的には、集中度推定部４８は、学習者属性特徴抽出部４５が生成した学習者特徴ベクトルと、学習材属性特徴抽出部４６が生成した学習材特徴ベクトルとから、予測データセット（＜学習者特徴ベクトル，学習材特徴ベクトル＞のデータ組を１レコードとするデータ集合）を生成する。そして、集中度推定部４８は、予測モデル記憶部３５が保持する予測モデルを適用して、予測データに対する集中度予測スコアとして[0,100] の範囲のスコア値を生成する。
学習材推薦部４９は、集中度記憶部３６を参照して、＜学習者，学習材＞ペアに対する集中度予測スコアを読み出す。学習材推薦部４９は、理解度ログ前処理部４４から当該ペアに対する理解度実績スコアを入力し、当該学習者が次に学習すべき学習材を推薦するための計算を行う。そして、学習材推薦部４９は、計算結果を推薦学習材出力部２１に伝達する。
学習材推薦装置１として、例えば、パーソナルコンピュータが使用可能ある。しかし、学習材推薦装置１として、サーバ等の様々な装置が使用されてもよい。本実施形態では、学習材推薦装置１としてサーバが用いられることを想定する。
従って、学習者データ前処理部４１、学習材データ前処理部４２、集中度ログ前処理部４３、理解度ログ前処理部４４、学習者属性特徴抽出部４５、学習材属性特徴抽出部４６、集中度学習部４７、集中度推定部４８、および学習材推薦部４９は、サーバのプログラム記憶部に格納されたプログラムにもとづいてＣＰＵ（Central Processing Unit ）が処理を実行することによって実現可能である。
また、学習者データ記憶部３１、学習材データ記憶部３２、集中度ログ記憶部３３、理解度ログ記憶部３４、予測モデル記憶部３５、および集中度記憶部３６は、サーバが有する記憶部で実現される。
図２には、学習者データ入力部１１、学習材データ入力部１２、集中度ログ入力部１３、理解度ログ入力部１４、および推薦学習材出力部２１を含む学習材推薦装置１が示されているが、それらにおける入力部および表示部は、例えば、サーバに接続される（直接または通信ネットワークを介して）１つまたは複数の端末（パーソナルコンピュータなど）で実現されてもよい。なお、その場合には、学習材推薦装置１として使用されるサーバは、学習者データ入力部１１、学習材データ入力部１２、集中度ログ入力部１３、理解度ログ入力部１４、および推薦学習材出力部２１を除く部分、または、学習者データ入力部１１、学習材データ入力部１２、集中度ログ入力部１３、理解度ログ入力部１４、および推薦学習材出力部２１における入力部（キーボードなど）および表示部（ディスプレイなど）を除く部分を実現する。
次に、学習材推薦装置１の動作を説明する。
学習材推薦装置１の動作は、
（Ａ）集中度学習ステップ、
（Ｂ）集中度予測ステップ、および
（Ｃ）学習材推薦ステップ
を含む。
（Ａ）集中度学習ステップでは、集中度学習部４７が、学習者属性特徴抽出部４５が生成した学習者特徴ベクトルと、学習材属性特徴抽出部４６が生成した学習材特徴ベクトルと、集中度ログ前処理部４３が生成した集中度実績スコアとの関係性を機械学習でモデル化し、予測モデルを生成する。集中度学習部４７は、予測モデルを予測モデル記憶部３５に格納する。
（Ｂ）集中度予測ステップでは、集中度推定部４８が、学習者属性特徴抽出部４５が生成した学習者特徴ベクトル（対象とする学習者に関する学習者特徴ベクトル）、および学習材属性特徴抽出部４６が生成した学習材特徴ベクトル（対象とする学習者が現在使用している学習材に関する学習者特徴ベクトル）に、予測モデル記憶部３５が保持する予測モデルを適用し、当該学習者が当該学習材を学習する際の集中度予測スコアを計算する。集中度推定部４８は、集中度予測スコアを集中度記憶部３６に格納する。
（Ｃ）学習材推薦ステップでは、学習材推薦部４９が、集中度記憶部３６が保持する当該学習者および当該学習材についての＜学習者，学習材＞ペアに対する集中度予測スコアと、理解度ログ前処理部４４から入力した当該ペアに対する理解度実績スコアとから、当該学習者が次に学習すべき学習材を決定する。学習材推薦部４９は、決定結果を推薦学習材出力部２１に出力する。
次に、図８のフローチャートを参照して、学習材推薦装置１の（Ａ）集中度学習ステップの動作をより詳しく説明する。
ステップＳ１０１で、集中度学習部４７は、集中度ログ前処理部４３を介して、集中度実績スコアを読み込む。
すなわち、集中度学習部４７は、集中度ログ前処理部４３を介して、集中度ログ記憶部３３が保持する＜学習者ID，学習材ID，集中度実績スコア＞のデータ組をすべて読み出す。このとき、集中度ログ前処理部４３は、集中度ログ記憶部３３が保持する集中度ログ（[0,100] の範囲の実数値）に対して適切な前処理を実行し、集中度ログから集中度実績スコアを生成する。
集中度ログ前処理部４３は、前処理として、例えば、あらかじめ設定されたしきい値にもとづいて集中度ログを２値化（０ or １）してもよい。集中度ログ前処理部４３は、一定間隔で値を丸めてもよい（一例として、「０，１０，２０，・・・」）。集中度ログ前処理部４３は、集中度ログの値をそのまま使用してもよい（０，１，２，・・・）。
集中度学習部４７は、ステップＳ１０３〜Ｓ１０８の処理を、ステップＳ１０１の処理で読み出した集中度実績スコアのレコード件数分繰り返す（ステップＳ１０２，Ｓ１０９）。
ステップＳ１０３で、集中度学習部４７は、学習者データ前処理部４１を介して、学習者属性ベクトルを生成する。
具体的には、集中度学習部４７は、学習者データ前処理部４１に対して、ステップＳ１０１の処理で読み込んだ集中度実績スコアの学習者IDにマッチする学習者データの読み込みを指示する。学習者データ前処理部４１は、学習者データ記憶部３１から、当該条件にマッチするレコードを読み出し、当該レコードをベクトル形式に変換して学習者属性ベクトルを生成する。
学習者データのベクトル化（数値化）は、例えば、次のように実行される。
集中度学習部４７は、年齢、性別などの数値・カテゴリ変数については、該当するコード項目を１とし、該当しないコード項目を０とする。
また、集中度学習部４７は、自己PRや学習ゴールなどのテキスト変数については、テキストを単語に分解する（形態素解析による。）。集中度学習部４７は、単語の出現頻度を数え、単語をベクトルの項目、頻度をベクトル値とする。数えられる頻度は、１単語ごとではなく、２単語〜５単語ごとでもよい。最適な単語数は、学習対象となる学習者の数、テキストの量によって異なる。学習対象のデータの一部をテスト用に学習対象から外し、そのデータを用いてテストして精度を検証することが行われるが、単語数を変えて検証することによって、最適な単語数を定めることができる。また、すべての文書において高頻度で出てくる単語、例えば助詞を除外するなど、頻度を数える対象となる単語を制限して、テキストの特徴、つまりそのテキストを作成した者の特徴が出るようにベクトル化（数値化）する。
なお、当該学習者がWeb サイトやSNS に投稿したテキスト等も利用者の特徴を表すデータに変換可能である。最近の学習者は、興味を持った事柄について、SNS やブログ等に書き込んでいる。よって、集中度学習部４７は、それらの情報を用いて、学習者の特徴を含むベクトル（数値化）を生成できる。例えば、集中度学習部４７は、上記のテキストを数値化する手法と同様の手法を用いる。すなわち、集中度学習部４７は、アクセス先のURL （Uniform Resource Locator）を分解し、その頻度または滞留時間をカウントし、URL で特定されるHTTP（Hypertext Transfer Protocol ）文書を単語に分解してカウントすることによって、Webアクセス履歴をベクトル化（数値化）する。
また、集中度学習部４７は、学習者が学習中の生体データ（発汗量、目の動き、心拍数、血圧、筋電量などの時系列データ）をウェアラブルセンサ等で測定し、生体データを当該学習者の特徴に加えてもよい。この場合、集中度学習部４７は、高速フーリエ変換（FFT）などのよく知られた手法を用いて、時系列データを空間データに変換すればよい。
ステップＳ１０４で、集中度学習部４７は、学習者特徴ベクトルを生成する。
すなわち、集中度学習部４７は、学習者属性特徴抽出部４５に対して、ステップＳ１０３の処理で生成された学習者属性ベクトルの読み込みを指示する。学習者属性特徴抽出部４５は、学習者属性ベクトルの特徴抽出を行って、学習者特徴ベクトルを生成する。
一般に、ステップＳ１０３の処理で作成される学習者属性ベクトルは、非常に大きいベクトル長のデータである。そのままでは後段の学習および予測への適用が困難である。そのため、学習者属性特徴抽出部４５は、特徴となるデータ項目のみを選択することによって、圧縮したベクトルを生成する。
特徴ベクトルの生成については、公知の手法を用いることができるが、例えば、上記の非特許文献２に記載されている方法を用いることができる。なお、非特許文献２には、自動処理する機構が開示されているが、主成分分析などによって、重要なベクトル項を手動で分析し、そのベクトル項を選択して、特徴ベクトルを生成するようにしてもよい。
ステップＳ１０５で、集中度学習部４７は、学習材属性ベクトルを生成する。
すなわち、集中度学習部４７は、学習材データ前処理部４２に対して、ステップＳ１０１の処理で読み込んだ集中度実績スコアの学習材IDにマッチする学習材データの読み込みを指示する。学習材データ前処理部４２は、学習材データ記憶部３２から、当該条件にマッチするレコードを読み出し、当該レコードをベクトル形式に変換して学習材属性ベクトルを生成する。なお、学習材データのベクトル化（数値化）は、ステップＳ１０３の処理でのベクトル化方法と同様の方法で実現可能である。
ステップＳ１０６で、集中度学習部４７は、学習材特徴ベクトルを生成する。
すなわち、集中度学習部４７は、学習材属性特徴抽出部４６に対して、ステップＳ１０５の処理で生成された学習材属性ベクトルの読み込みを指示する。学習材属性特徴抽出部４６は、学習材属性ベクトルの特徴抽出を行い、学習材特徴ベクトルを生成する。なお、学習材属性ベクトルの特徴抽出は、ステップＳ１０３の処理での特徴抽出と同様の方法（公知の手法等）で実現可能である。
ステップＳ１０７で、集中度学習部４７は、両方の特徴ベクトル間の類似度計算を行う。
すなわち、集中度学習部４７は、ステップＳ１０４の処理で生成された学習者特徴ベクトルと、ステップＳ１０６の処理で生成された学習材特徴ベクトルのコサイン類似度を計算する。なお、本実施形態では、２つのベクトルの類似度を測定するメトリックとしてコサイン類似度が例示される。しかし、その他、任意のノルム（L1ノルム、L2ノルム等）を用いることも可能である。
ステップＳ１０８で、集中度学習部４７は、機械学習パラメータの調整を行う。
すなわち、集中度学習部４７は、ステップＳ１０７の処理で計算された類似度と、ステップＳ１０１の処理で取得された集中度実績スコアとを用いて、機械学習パラメータを適切に調整する。
なお、機械学習アルゴリズムとして、教師ありの機械学習アルゴリズムの一手法であるＳＳＩ（Supervised Semantic Indexing：例えば、特許文献２参照）を用いることができるが、その他、一般的な機械学習手法を組み合わせてもよい。例えば、サポートベクタマシン、ニューラルネットワーク、ベイズ分類器などが広く知られている。
例えば、ＳＳＩは、２入力 (x, y)，１出力(s) の関数形を用いる。他の手法として、ルールベースの手法（入力 (x, y)に対して出力(s) を対応付けるルールを手作りするなど）、統計ベースの手法（入力 (x, y)をマージした合成変数(z) を作ってs=f(z)の問題に変換し、重回帰分析等を適用するなど）、学習ベースの手法（入力 (x, y)をマージした合成変数(z) を作ってs=f(z)の問題に変換し、ロジスティック回帰やSVM(support vector machine) 等を適用するなど）を使用することもできる。
ステップＳ１１０で、集中度学習部４７は、予測モデルの書き込み処理を行う。
すなわち、集中度学習部４７は、ステップＳ１０８の処理で適切に調整された機械学習パラメータを予測モデル記憶部３５に書き込む。
次に、図９のフローチャートを参照して、学習材推薦装置１の（Ｂ）集中度予測ステップの動作をより詳しく説明する。
ステップＳ２０１で、集中度推定部４８は、予測モデルの読み込み処理を行う。
すなわち、集中度推定部４８は、予測モデル記憶部３５から、ステップＳ１１０の処理で書き込まれた調整済みの機械学習パラメータを読み出す。
ステップＳ２０２で、集中度推定部４８は、学習者属性ベクトルを生成する。
すなわち、集中度推定部４８は、学習者データ前処理部４１に対して、集中度の推定対象となる学習者IDを学習者データ入力部１１から入力し、当該学習IDにマッチする学習者データの読み込みを指示する。学習者データ前処理部４１は、学習者データ記憶部３１から、当該条件にマッチするレコードを読み出す。学習者データ前処理部４１は、当該レコードをベクトル形式に変換して学習者属性ベクトルを生成する。
ステップＳ２０３で、集中度推定部４８は、学習者特徴ベクトルを生成する。
すなわち、集中度推定部４８は、学習者属性特徴抽出部４５に対して、ステップＳ２０２で生成した学習者属性ベクトルの読み込みを指示する。学習者属性特徴抽出部４５は、学習者属性ベクトルの特徴抽出を行い、学習者特徴ベクトルを生成する。学習者属性ベクトルの特徴抽出は、ステップＳ１０４の処理での方法と同様の方法で実現可能である。
ステップＳ２０４で、集中度推定部４８は、学習材属性ベクトルを生成する。
すなわち、集中度推定部４８は、学習材データ前処理部４２に対して、集中度の推定対象となる学習材IDを学習材データ入力部１２から受け取り、当該学習材IDにマッチする学習材データの読み込みを指示する。学習材データ前処理部４２は、学習材データ記憶部３２から、当該条件にマッチするレコードを読み込む。学習材データ前処理部４２は、当該レコードをベクトル形式に変換して学習材属性ベクトルを生成する。なお、学習材データのベクトル化（数値化）は、ステップＳ１０３の処理でのベクトル化方法と同様の方法で実現可能である。
ステップＳ２０５で、集中度推定部４８は、学習材特徴ベクトルを生成する。
すなわち、集中度推定部４８は、学習材属性特徴抽出部４６に対して、ステップＳ２０４の処理で生成された学習材属性ベクトルの読み込みを指示する。学習材属性特徴抽出部４６は、学習材属性ベクトルの特徴抽出を行い、学習材特徴ベクトルを生成する。学習材属性ベクトルの特徴抽出は、ステップＳ１０４の処理での方法と同様の方法で実現可能である。
ステップＳ２０６で、集中度推定部４８は、集中度予測スコアを算出する。
すなわち、集中度推定部４８は、ステップＳ２０３の処理で生成した学習者特徴ベクトルと、ステップＳ２０５の処理で生成した学習材特徴ベクトルとを用いて、ステップＳ２０１の処理で読み込まれた機械学習パラメータにもとづいて、当該学習者が当該学習材を学習した際の集中度予測スコアを計算する。
集中度予測スコアは、[0,100] の範囲の実数値である。一例として、集中度予測スコアは、パターン認識モデルの一つとして知られているサポートベクタマシンのprobability （確信度，信頼度）と呼ばれる数値である。
ステップＳ２０７で、集中度推定部４８は、集中度予測スコアの書き込み処理を行う。
すなわち、集中度推定部４８は、ステップＳ２０６の処理で算出された集中度予測スコアを、＜学習者ID，学習材ID，集中度予測スコア＞のデータ形式で集中度記憶部３６に書き込む。
なお、集中度の予測（推定）は、以下のように定式化できる。
s = f (x, y)
x ：学習者に関する特徴量を含む学習者データ（入力）
y ：学習材に関する特徴量を含む学習材データ（入力）
s ：集中度予測スコア（出力）
本実施形態では、入力変数は２種類であるが、入力変数を増やしてもよい。一例として、入力変数x,y 以外の入力変数z として、学習者の周辺状況を表すコンテキストデータが使用される。
また、入力変数の属性を増やすようにしてもよい。例えば、学習者に関する特徴量に関して、上述したSNS データや生体データに加えて他のデータを特徴量に追加してもよい。また、学習材に関する特徴量に関して、上述したコンテンツデータ（コンテンツ情報）の他に、書誌データなどを特徴量に追加してもよい。
次に、図１０のフローチャートを参照して、学習材推薦装置１の（Ｃ）学習材推薦ステップの動作をより詳しく説明する。
ステップＳ３０１で、学習材推薦部４９は、次に学習すべき学習材を推薦する対象の学習者に関する＜学習者ID，学習材ID＞を入力する。すなわち、学習材推薦部４９は、学習者データ入力部１１と学習材データ入力部１２とを介して、次に学習すべき学習材を推薦するために、＜学習者ID，学習材ID＞ペアを入力する。
ステップＳ３０２で、学習材推薦部４９は、＜学習者ID，学習材ID＞の集中度予測スコアを読み込む。すなわち、学習材推薦部４９は、集中度記憶部３６を参照し、ステップＳ３０１の処理で取得した＜学習者ID，学習材ID＞ペアにマッチする集中度予測スコアを読み込む。
ステップＳ３０３で、学習材推薦部４９は、＜学習者ID, 学習材ID＞の理解度実績スコアを読み込む。すなわち、学習材推薦部４９は、理解度ログ前処理部４４を介して、ステップＳ３０１の処理で取得したの処理で取得した＜学習者ID，学習材ID＞ペアにマッチする理解度実績スコアを読み込む。
ステップＳ３０４で、学習材推薦部４９は、集中度予測スコアから成長度予測スコアを計算する。すなわち、学習材推薦部４９は、ステップＳ３０２の処理で取得した＜学習者ID，学習材ID＞ペアに対する集中度予測スコアを成長度予測スコアに変換する。
上述したように、学習中の学習者の「集中度」と、学習前後の学習者の「成長度」との間には強い相関があると仮定される。本実施形態では、一例として、推定された集中度予測スコアがそのまま成長度予測スコアとして用いられる（相関係数１の回帰モデルと同等）。なお、学習材推薦部４９は、回帰モデルを用いて、集中度予測スコアと成長度予測スコアの間の変換式を厳密に組成してもよい。その場合、学習前後の学習者の成長度を学習者に自己申告させ、学習材推薦部４９は、成長度の集中度予測スコアとの相関関係をモデル化する。
ステップＳ３０５で、学習材推薦部４９は、成長度予測スコアと理解度実績スコアとから学習者の学習状態を判定する。すなわち、学習材推薦部４９は、ステップＳ３０３の処理で取得された理解度実績スコアと、ステップＳ３０４の処理で計算された成長度予測スコアとから、＜学習者ID，学習材ID＞ペアに対する学習者の学習状態を判定する。
学習状態は、理解度と成長度とを指標とした学習の進捗状況または達成度などである。本実施形態では、学習材推薦部４９は、学習状態の判定の際に、例えば図１に示されたような判定表を用いる。理解度実績スコアと成長度予測スコアとはいずれも[0,100] の範囲の実数値である。学習材推薦部４９は、あらかじめ設定したしきい値を用いて、理解度実績スコアと成長度予測スコアとを２値化（高いまたは低いのいずれかに分類）する。
学習者の学習状態は、以下の４象限のいずれかにマッピングされる。
(1) best fit：理解度実績スコアが高い かつ 成長度予測スコアが高い
(2) too easy：理解度実績スコアが高い かつ 成長度予測スコアが低い
(3) too much：理解度実績スコアが低い かつ 成長度予測スコアが高い
(4) less motivated：理解度実績スコアが低い かつ 成長度予測スコアが低い
ステップＳ３０６で、学習材推薦部４９は、学習プロセス表と学習者の学習状態から次に学習すべき学習材を推薦する。
すなわち、学習材推薦部４９は、ステップＳ３０５の処理で判定された学習者の学習状態と、あらかじめ作成されている学習プロセス表とから、当該学習者が次に学習すべき学習材を推薦する。学習プロセス表は、学習者が対象としている学習材について、学習者の学習状態に応じてどの学習材が次に選択されるべきかが設定された表である。学習プロセス表は、学習材推薦装置１の記憶部にあらかじめ格納されている。
図１１は、学習プロセス表の一例を示す説明図である。学習プロセス表は、＜学習材，学習者の学習状態＞の組み合わせに対して、次に学習すべき学習材がルールベースで設計された結果にもとづく表である。
以上に説明したように、本実施形態では、学習者が学習材を学習した際の理解度と、推定した学習中の当該学習者の成長度（集中度にもとづく）とから、当該学習者が次に学習すべき学習材を自動的に推薦することができる。
実施形態２．
第１の実施形態では、（Ａ）集中度学習ステップ、（Ｂ）集中度予測ステップ、および（Ｃ）学習材推薦ステップの３つのステップすべてが一つの学習材推薦装置１で実行される。しかし、インターネット経由で予測モデルを受信する（例えば、インターネット上に公開された予測モデルの配信サーバなどから受信する）ことによって、（Ａ）集中度学習ステップを実行せず、（Ｂ）集中度予測ステップおよび（Ｃ）学習材推薦ステップの２つのステップを実行する形態が考えられる。
図１２は、そのような考えにもとづく第２の実施形態の学習材推薦装置１０の構成例を示すブロック図である。
図１２に示す学習材推薦装置１０は、図１に示された学習材推薦装置１から、集中度ログ入力部１３、集中度ログ記憶部３３、集中度ログ前処理部４３、および集中度学習部４７が除外され、予測モデル受信部５１が付加された構成である。
なお、予測モデル受信部５１も、プログラムにもとづいてＣＰＵ（Central Processing Unit ）が処理を実行することによって実現可能である（ただし、データを受信するためのハードウェア部分を除く）。
予測モデル受信部５１は、予測モデル受信部５１は、インターネット経由で予測モデルを受信する。なお、予測モデルは、図８に例示された処理によって生成可能であるが、他の処理で生成されてもよい。
図１３は、第２の実施形態における学習材推薦装置１０の集中度予測ステップの動作を示すフローチャートである。
本実施形態では、集中度予測ステップにおいて、まず、予測モデル受信部５１が、予測モデルを受信し、予測モデルを予測モデル記憶部３５に格納する。そして、集中度推定部４８は、予測モデル記憶部３５から予測モデルを読み込む（ステップＳ４０１）。
その後の処理は、第１の実施形態におけるステップＳ２０２〜Ｓ２０７の処理と同じである。また、（Ｃ）学習材推薦ステップにおける動作も第１の実施形態における動作と同じである。
本実施形態では、予測モデルの配信サーバなどが提供する予測モデルを活用することによって、学習材推薦装置１０の構成が簡略化される。
実施形態３．
上記の各実施形態では、学習者の集中度と成長度の間に強い相関関係があると仮定し、集中度から間接的に成長度が推定された。しかし、直接的に成長度を予測してもよい。例えば、学習前後の学習者の成長度を学習者に自己申告させることによって、学習者の学習材による成長度を直接的に確定させるようにしてもよい。
その場合には、図２のブロック図において、集中度ログ入力部１３、集中度ログ記憶部３３、集中度記憶部３６、集中度ログ前処理部４３、集中度学習部４７、および集中度推定部４８における「集中度」を「成長度」に読み替えればよい。また、図８、図９および図１０のフローチャートにおいて、「集中度」を「成長度」に読み替えればよい。さらに、図１０のフローチャートにおいて、ステップＳ３０４の処理は不要である。
また、上記の各実施形態では、「集中度」を予測（推定）したが、「集中度」に代えて、「やる気度」などの別の変数を予測してもよい。その場合には、上記各実施形態における「集中度」を「やる気度」などに読み替えればよい。
また、肯定的な変数（「集中度」や「やる気度」）ではなく、否定的な変数（例えば、「ストレス度」）を使用してもよい。
図１４は、本発明による学習材推薦装置の主要部を示すブロック図である。図１４に示すように、学習材推薦装置１００は、学習者に関する特徴量を含む学習者データと学習材に関する特徴量を含む学習材データとにもとづいて、学習者の学習材への集中度合いを示す集中度を推定する推定手段１０１（例えば、集中度推定部４８で実現される。）と、集中度と、学習者の学習材に対する理解度とにもとづいて特定される学習状態にもとづいて、学習材と関連付けられた次の学習材候補から１つを選択する学習材選択手段１０２（例えば、学習材推薦部４９で実現される。）とを備えている。
推定手段１０１は、集中度から、学習材による学習者の集中度に相関する成長度を推定し、学習材選択手段１０２は、成長度を用いて学習材候補から１つを選択するように構成されていてもよい。
図１５は、他の態様の学習材推薦装置の主要部を示すブロック図である。図１５に示す学習材推薦装置１００は、複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して予測モデルを生成する予測モデル生成手段１０３（例えば、集中度学習部４７で実現される。）をさらに備え、推定手段１０１は、予測モデルを用いて集中度を推定するように構成されている。
図１６は、別の態様の学習材推薦装置の主要部を示すブロック図である。図１６に示す学習材推薦装置１００は、複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して生成された予測モデルを受信する予測モデル受信手段１０４（例えば、予測モデル受信部５１で実現される。）をさらに備え、推定手段１０１は、予測モデルを用いて集中度を推定するように構成されている。
学習材推薦方法、学習材推薦装置および学習材推薦プログラムは、以下のように構成されていてもよい。
（１）学習材にもとづく学習者の成長度のスコアと、前記学習者の前記学習材に対する理解度のスコアとから前記学習者の学習状態を判定し、判定結果にもとづいて前記学習者が次に学習すべき学習材を決定し、決定した学習材を提示する学習材推薦方法。
（２）学習状態の判定結果に応じて選択されるべき学習材を特定可能な情報が設定されたデータテーブル（例えば、学習プロセス表）から、学習者が次に学習すべき学習材を選択する（１）の学習材推薦方法。
（３）学習者から理解度の申告を入力し、学習者が申告した学習材に対する申告集中度（学習者が自己採点した実績値）と、学習者に関する学習者データおよび学習材に関する学習材データとから、学習者の学習材に対する集中度を推定し、前記集中度にもとづいて学習材による学習者の成長度を推定し、学習状態を、前記理解度と前記の成長度とを指標として判定する（１）または（２）の学習材推薦方法。
（４）学習者から理解度の申告を入力し、予測モデルを受信し、学習者に関する学習者データおよび学習材に関する学習材データとから、前記予測モデルを用いて学習者の学習材に対する集中度を推定し、前記集中度にもとづいて前記成長度を推定し、学習状態を、前記理解度と前記の成長度とを指標として判定する（１）または（２）の学習材推薦方法。
（５）学習材にもとづく学習者の成長度のスコアと、前記学習者の前記学習材に対する理解度のスコアとから前記学習者の学習状態を判定し、判定結果にもとづいて前記学習者が次に学習すべき学習材を決定する推薦学習材決定手段（例えば、学習材推薦部４９で実現される。）と、前記推薦学習材決定手段が決定した学習材を提示する推薦学習材提示手段（例えば、推薦学習材出力部２１で実現される。）とを備える学習材推薦装置。
（６）推薦学習材決定手段は、学習状態の判定結果に応じて選択されるべき学習材を特定可能な情報が設定されたデータテーブル（例えば、学習プロセス表）から、学習者が次に学習すべき学習材を選択する（５）の学習材推薦装置。
（７）推薦学習材決定手段は、学習状態を、学習者の学習材に対する理解度と学習材による学習者の成長度とを指標として判定し、学習者から理解度の申告を受ける理解度入力手段（例えば、理解度ログ入力部１４で実現される。）と、学習者が申告した学習材に対する申告集中度（学習者が自己採点した実績値）と、学習者に関する学習者データおよび学習材に関する学習材データとから、学習者の学習材に対する集中度を推定する集中度推定手段（例えば、集中度推定部４８で実現される。）と、前記集中度にもとづいて前記成長度を推定する成長度推定手段（例えば、学習材推薦部４９で実現される。）とを備える（６）または（７）の学習材推薦装置。
（８）推薦学習材決定手段は、学習状態は、学習者の学習材に対する理解度と学習材による学習者の成長度とを指標として判定し、学習者から理解度の申告を受ける理解度入力手段と、学習者に関する学習者データおよび学習材に関する学習材データとから、予測モデルを用いて学習者の学習材に対する集中度を推定する集中度推定手段（例えば、集中度推定部４８で実現される。）と、前記集中度にもとづいて前記成長度を推定する成長度推定手段と、前記予測モデルを当該学習材推薦装置の外部から受信する予測モデル受信手段（例えば、予測モデル受信部５１で実現される。）とを備える（５）または（６）の学習材推薦装置
（９）コンピュータに、学習材にもとづく学習者の成長度のスコアと、前記学習者の前記学習材に対する理解度のスコアとから前記学習者の学習状態を判定し、判定結果にもとづいて前記学習者が次に学習すべき学習材を決定する処理と、決定した学習材を提示する処理とを実行させるための学習材推薦プログラム。
（１０）コンピュータに、学習者から理解度の申告を入力する処理と、予測モデルを当該学習材推薦装置から受信する処理と、学習者に関する学習者データおよび学習材に関する学習材データとから、前記予測モデルを用いて学習者の学習材に対する集中度を推定する処理と、前記集中度にもとづいて前記成長度を推定する処理と、学習状態を、前記理解度と前記の成長度とを指標として判定する処理とを実行させるための（９）の学習材推薦プログラム。
なお、本発明は、一般企業において社員が利用する自己学習型システム（ウェブ教育など）や、教育業界（学校、塾、予備校など）で学生が利用する自己学習システム（通信教育など）に好適に適用可能であるが、それ以外にも、教育に関連する学習一般に広く適用可能である。
上記の実施形態の一部又は全部は以下の付記のようにも記載されうるが、本発明の構成は以下の構成に限定されない。
（付記１）学習者に関する特徴量を含む学習者データと学習材に関する特徴量を含む学習材データとにもとづいて、前記学習者の前記学習材への集中度合いを示す集中度を推定し、
前記集中度を推定するときに、前記学習者の前記学習材に対する理解度とにもとづいて特定される学習状態にもとづいて、前記学習材と関連付けられた次の学習材候補から１つを選択する
学習材推薦方法。
（付記２）前記推定ステップで、前記集中度から、前記学習材による前記学習者の前記集中度に相関する成長度を推定し、
前記成長度を用いて前記学習材候補から１つを選択する
付記１記載の学習材推薦方法。
（付記３）複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して予測モデルを生成し、
前記予測モデルを用いて前記集中度を推定する
付記１または付記２記載の学習材推薦方法。
（付記４）複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して生成された予測モデルを受信し、
前記予測モデルを用いて前記集中度を推定する
付記１または付記２記載の学習材推薦方法。
（付記５）学習者に関する特徴量を含む学習者データと学習材に関する特徴量を含む学習材データとにもとづいて、前記学習者の前記学習材への集中度合いを示す集中度を推定する推定手段と、
前記集中度と、前記学習者の前記学習材に対する理解度とにもとづいて特定される学習状態にもとづいて、前記学習材と関連付けられた次の学習材候補から１つを選択する学習材選択手段と
を備える学習材推薦装置。
（付記６）前記推定手段は、前記集中度から、前記学習材による前記学習者の前記集中度に相関する成長度を推定し、
前記学習材選択手段は、前記成長度を用いて前記学習材候補から１つを選択する
付記５記載の学習材推薦装置。
（付記７）複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して予測モデルを生成する予測モデル生成手段をさらに備え、
前記推定手段は、前記予測モデルを用いて前記集中度を推定する
付記５または付記６記載の学習材推薦装置。
（付記８）複数の学習者の各々の学習者データおよび複数の学習材の各々と、複数の学習者の各々の申告にもとづく集中度実績スコアとの間の関係性を機械学習して生成された予測モデルを受信する予測モデル受信手段をさらに備え、
前記推定手段は、前記予測モデルを用いて前記集中度を推定する
付記５または付記６記載の学習材推薦装置。
（付記９）コンピュータに、
学習者に関する特徴量を含む学習者データと学習材に関する特徴量を含む学習材データとにもとづいて、前記学習者の前記学習材への集中度合いを示す集中度を推定する推定処理と、
前記集中度と、前記学習者の前記学習材に対する理解度とにもとづいて特定される学習状態にもとづいて、前記学習材と関連付けられた次の学習材候補から１つを選択する学習材選択処理と
を実行させるための学習材推薦プログラム。
（付記１０）コンピュータに、
前記推定処理で、前記集中度から、前記学習材による前記学習者の前記集中度に相関する成長度を推定させ、
前記学習材選択処理で、前記成長度を用いて前記学習材候補から１つを選択させる
付記９記載の学習材推薦プログラム。
（付記１１）学習材推薦プログラムが格納されたコンピュータ読み取り可能な記録媒体であって、
前記学習材推薦プログラムは、プロセッサによって実行されるときに、
学習者に関する特徴量を含む学習者データと学習材に関する特徴量を含む学習材データとにもとづいて、前記学習者の前記学習材への集中度合いを示す集中度を推定する推定処理と、
前記集中度と、前記学習者の前記学習材に対する理解度とにもとづいて特定される学習状態にもとづいて、前記学習材と関連付けられた次の学習材候補から１つを選択する学習材選択処理とを実行する
記録媒体。
（付記１２）学習材推薦プログラムは、プロセッサによって実行されるときに、
前記推定処理で、前記集中度から、前記学習材による前記学習者の前記集中度に相関する成長度を推定し、
前記学習材選択処理で、前記成長度を用いて前記学習材候補から１つを選択する
付記１１記載の記録媒体。
以上、実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１７年３月１４日に出願された日本特許出願２０１７−０４８７７６を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１，１０ 学習材推薦装置
１１ 学習者データ入力部
１２ 学習材データ入力部
１３ 集中度ログ入力部
１４ 理解度ログ入力部
２１ 推薦学習材出力部
３１ 学習者データ記憶部
３２ 学習材データ記憶部
３３ 集中度ログ記憶部
３４ 理解度ログ記憶部
３５ 予測モデル記憶部
３６ 集中度記憶部
４１ 学習者データ前処理部
４２ 学習材データ前処理部
４３ 集中度ログ前処理部
４４ 理解度ログ前処理部
４５ 学習者属性特徴抽出部
４６ 学習材属性特徴抽出部
４７ 集中度学習部
４８ 集中度推定部
４９ 学習材推薦部
５１ 予測モデル受信部
１００ 学習材推薦装置
１０１ 推定手段
１０２ 学習材選択手段
１０３ 予測モデル生成手段
１０４ 予測モデル受信手段

Claims (6)

  1. 対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、前記対象学習者の集中度を推定する推定部と、
    前記対象学習者の前記第一の学習材に対する理解度と前記集中度とに基づいて特定される学習状態に基づいて、前記対象学習者に推薦するための第二の学習材を出力する出力部とを備え、
    前記予測モデルは、複数の学習者の学習者データの特徴量および前記第一の学習材データの特徴量と、前記複数の学習者の集中度との関係を機械学習して生成される
    学習材推薦装置。
  2. 前記第一の学習材データの特徴量は、前記第一の学習材の難易度と、学習所要時間との少なくとも１つに関する特徴量である
    請求項１に記載の学習材推薦装置。
  3. 前記学習者データの特徴量は、前記対象学習者の学習履歴と、ゴールと、生体情報との少なくとも１つに関する特徴量である
    請求項１または請求項２に記載の学習材推薦装置。
  4. 前記第二の学習材は、前記理解度に応じた学習内容に関するテキスト、画像、映像、音声の少なくとも１つである
    請求項１から請求項３のうちのいずれか１項に記載の学習材推薦装置。
  5. コンピュータが、
    対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、前記対象学習者の集中度を推定し、
    前記対象学習者の前記第一の学習材に対する理解度と前記集中度とに基づいて特定される学習状態に基づいて、前記対象学習者に推薦するための第二の学習材を出力し、
    前記予測モデルは、複数の学習者の学習者データの特徴量および前記第一の学習材データの特徴量と、前記複数の学習者の集中度との関係を機械学習して生成される
    学習材推薦方法。
  6. コンピュータに、
    対象学習者の学習者データの特徴量および第一の学習材データの特徴量と、予測モデルとに基づいて、前記対象学習者の集中度を推定する推定処理と、
    前記対象学習者の前記第一の学習材に対する理解度と前記集中度とに基づいて特定される学習状態に基づいて、前記対象学習者に推薦するための第二の学習材を出力する処理とを実行させ、
    前記予測モデルは、複数の学習者の学習者データの特徴量および前記第一の学習材データの特徴量と、前記複数の学習者の集中度との関係を機械学習して生成される
    学習材推薦プログラム。
JP2021014145A 2017-03-14 2021-02-01 学習材推薦方法、学習材推薦装置および学習材推薦プログラム Active JP6977901B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021180084A JP7327455B2 (ja) 2017-03-14 2021-11-04 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017048776 2017-03-14
JP2017048776 2017-03-14
JP2019505746A JP6835204B2 (ja) 2017-03-14 2018-01-26 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2019505746A Division JP6835204B2 (ja) 2017-03-14 2018-01-26 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021180084A Division JP7327455B2 (ja) 2017-03-14 2021-11-04 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Publications (2)

Publication Number Publication Date
JP2021073604A JP2021073604A (ja) 2021-05-13
JP6977901B2 true JP6977901B2 (ja) 2021-12-08

Family

ID=63523297

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2019505746A Active JP6835204B2 (ja) 2017-03-14 2018-01-26 学習材推薦方法、学習材推薦装置および学習材推薦プログラム
JP2021014145A Active JP6977901B2 (ja) 2017-03-14 2021-02-01 学習材推薦方法、学習材推薦装置および学習材推薦プログラム
JP2021180084A Active JP7327455B2 (ja) 2017-03-14 2021-11-04 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019505746A Active JP6835204B2 (ja) 2017-03-14 2018-01-26 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021180084A Active JP7327455B2 (ja) 2017-03-14 2021-11-04 学習材推薦方法、学習材推薦装置および学習材推薦プログラム

Country Status (3)

Country Link
US (1) US11763174B2 (ja)
JP (3) JP6835204B2 (ja)
WO (1) WO2018168220A1 (ja)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6636670B1 (ja) * 2019-07-19 2020-01-29 株式会社フォーサイト 学習システム、学習講義提供方法、およびプログラム
JP7530079B2 (ja) * 2019-07-19 2024-08-07 株式会社フォーサイト 学習システム、学習講義提供方法、およびプログラム
CN110489455A (zh) * 2019-08-14 2019-11-22 北京金山安全软件有限公司 学习资源推荐方法、装置、电子设备和存储介质
JP7492294B2 (ja) 2019-10-18 2024-05-29 株式会社フォーサイト 学習システム、学習講義提供方法、およびプログラム
WO2021240684A1 (ja) * 2020-05-27 2021-12-02 日本電気株式会社 学習装置、学習方法および学習プログラム
KR102265734B1 (ko) * 2020-08-25 2021-06-16 라이트하우스(주) 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템
CN113704610B (zh) * 2021-08-27 2024-03-05 华中师范大学 一种基于学习成长数据的学习风格画像生成方法及系统
WO2024062935A1 (ja) * 2022-09-21 2024-03-28 日本電気株式会社 情報処理装置、システム、情報処理方法、およびプログラム
JP7542164B1 (ja) 2024-01-10 2024-08-29 株式会社Compass プログラム、方法、情報処理装置、システム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724987A (en) * 1991-09-26 1998-03-10 Sam Technology, Inc. Neurocognitive adaptive computer-aided training method and system
JPH1078743A (ja) * 1996-09-05 1998-03-24 Omron Corp 学習制御装置、学習制御方法及び学習制御プログラム記憶媒体
JP2002108190A (ja) 2000-09-29 2002-04-10 Studybox Inc 教育システム、教育方法および記録媒体、並びに学習支援装置
JP3904869B2 (ja) * 2001-09-26 2007-04-11 株式会社東芝 学習支援装置および学習支援方法
JP4285012B2 (ja) * 2003-01-31 2009-06-24 株式会社日立製作所 学習状況判断プログラム及びユーザ状況判断システム
JP5222470B2 (ja) * 2006-03-09 2013-06-26 コニカミノルタエムジー株式会社 学習支援システム
JP2007310044A (ja) 2006-05-17 2007-11-29 Konica Minolta Medical & Graphic Inc 学習支援システム
US8341095B2 (en) 2009-01-12 2012-12-25 Nec Laboratories America, Inc. Supervised semantic indexing and its extensions
JP2013242434A (ja) 2012-05-21 2013-12-05 Sony Corp 情報処理装置、情報処理方法および情報処理システム
WO2014141414A1 (ja) 2013-03-13 2014-09-18 株式会社日立製作所 学習過程視覚化システム及び視覚化処理装置並びに視覚化方法

Also Published As

Publication number Publication date
JP2021073604A (ja) 2021-05-13
JP7327455B2 (ja) 2023-08-16
JP2022028719A (ja) 2022-02-16
WO2018168220A1 (ja) 2018-09-20
JP6835204B2 (ja) 2021-02-24
US20200057949A1 (en) 2020-02-20
JPWO2018168220A1 (ja) 2020-01-09
US11763174B2 (en) 2023-09-19

Similar Documents

Publication Publication Date Title
JP6977901B2 (ja) 学習材推薦方法、学習材推薦装置および学習材推薦プログラム
Lotfian et al. Curriculum learning for speech emotion recognition from crowdsourced labels
Qiao et al. Data mining techniques in analyzing process data: A didactic
CN105493130A (zh) 由参与度水平的实时识别驱动的适应性学习环境
CN114254208A (zh) 薄弱知识点的识别方法、学习路径的规划方法与装置
Isljamovıc et al. PREDICTING STUDENTS’ACADEMIC PERFORMANCE USING ARTIFICIAL NEURAL NETWORK: A CASE STUDY FROM FACULTY OF ORGANIZATIONAL SCIENCES
Khodeir Student modeling using educational data mining techniques
Fu et al. A support vector regression-based prediction of students' school performance
Rathi et al. Analysis of user’s learning styles and academic emotions through web usage mining
Kumar et al. Analysis of machine learning algorithms for facial expression recognition
JP2020177507A (ja) 試験問題予測システム及び試験問題予測方法
Pong-inwong et al. Teaching evaluation using data mining on moodle LMS forum
Pinto et al. Deep Learning for Educational Data Science
Tenriawaru et al. A new model of students participation measurement in e-learning systems based on meaningful learning characteristics: An initial investigation
Asiksoy et al. Classifying Engineering Students Performance in Online Education with Machine Learning: Affective, Cognitive, and Behavioral Aspects
Deshpande et al. Prediction of Suitable Career for Students using Machine Learning
Farhat et al. A Comparison of Machine Learning Algorithms for Emotional Intelligence Measure
Hossenally et al. Learning analytics for smart classroom system in a university Campus
US11900327B2 (en) Evaluation adjustment factoring for bias
Ekbote et al. A realistic mathematical approach for academic feedback analysis system
Romero-Gómez et al. Natural Language Processing Approach for Learning Process Analysis in a Bioinformatics Course
Bensba et al. Analysis of Students’ Emotions in an Online Learning Environment
Anbusegaran Unobtrusive Assessment Of Student Engagement Levels In Online Classroom Environment Using Emotion Analysis
Qadir et al. Personality Prediction Using Sklearn
Martínez Tornero Media Ad Exposure Scale: measuring the short-term impact of online ad exposure.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210201

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210201

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210409

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210511

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210709

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: 20211012

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211025

R150 Certificate of patent or registration of utility model

Ref document number: 6977901

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150