JP7090188B2 - 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
- JP7090188B2 JP7090188B2 JP2021014426A JP2021014426A JP7090188B2 JP 7090188 B2 JP7090188 B2 JP 7090188B2 JP 2021014426 A JP2021014426 A JP 2021014426A JP 2021014426 A JP2021014426 A JP 2021014426A JP 7090188 B2 JP7090188 B2 JP 7090188B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- category
- correct answer
- data
- user
- 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
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
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。
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)。
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 (3)
- 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 (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021014426A JP7090188B2 (ja) | 2021-02-01 | 2021-02-01 | 学習効果推定装置、学習効果推定方法、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021014426A JP7090188B2 (ja) | 2021-02-01 | 2021-02-01 | 学習効果推定装置、学習効果推定方法、プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019203782A Division JP6832410B1 (ja) | 2019-11-11 | 2019-11-11 | 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 |
---|---|
JP2021076862A JP2021076862A (ja) | 2021-05-20 |
JP7090188B2 true JP7090188B2 (ja) | 2022-06-23 |
Family
ID=75898337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021014426A Active JP7090188B2 (ja) | 2021-02-01 | 2021-02-01 | 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) | JP7090188B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009048098A (ja) | 2007-08-22 | 2009-03-05 | Fujitsu Ltd | スキル測定プログラム、該プログラムを記録したコンピュータに読み取り可能な記録媒体、スキル測定装置、およびスキル測定方法 |
JP2016109981A (ja) | 2014-12-09 | 2016-06-20 | 株式会社日立製作所 | 学習管理システムおよび学習管理方法 |
Family Cites Families (1)
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 |
-
2021
- 2021-02-01 JP JP2021014426A patent/JP7090188B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009048098A (ja) | 2007-08-22 | 2009-03-05 | Fujitsu Ltd | スキル測定プログラム、該プログラムを記録したコンピュータに読み取り可能な記録媒体、スキル測定装置、およびスキル測定方法 |
JP2016109981A (ja) | 2014-12-09 | 2016-06-20 | 株式会社日立製作所 | 学習管理システムおよび学習管理方法 |
Non-Patent Citations (1)
Title |
---|
Chris Piech、外6名,"Deep Knowledge Tracing",arXiv,米国,Cornell University,2015年06月19日,pp.1-13,https://arxiv.org/abs/1506.05908,[2021年12月06日検索] |
Also Published As
Publication number | Publication date |
---|---|
JP2021076862A (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gitomer et al. | Assessing the assessment: Evidence of reliability and validity in the edTPA | |
Grund et al. | Multiple imputation of missing data for multilevel models: Simulations and recommendations | |
Everson | Value-added modeling and educational accountability: are we answering the real questions? | |
CN111813921B (zh) | 题目推荐方法、电子设备及计算机可读存储介质 | |
Wang | Mutual information item selection method in cognitive diagnostic computerized adaptive testing with short test length | |
Greene et al. | A two-tiered approach to analyzing self-regulated learning data to inform the design of hypermedia learning environments | |
Andrews-Todd et al. | Application of ontologies for assessing collaborative problem solving skills | |
US20160155346A1 (en) | System and method for learning recommendation simulation | |
JP6832410B1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
Supianto et al. | Model-based analysis of thinking in problem posing as sentence integration focused on violation of the constraints | |
US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
Martinez-Lopez et al. | Analysis of the internet use and students' Web 2.0 digital competence in a Russian university | |
Iskrenovic-Momcilovic | Learning a programming language | |
Babcock et al. | Rasch versus classical equating in the context of small sample sizes | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
Marcoci et al. | Better together: Reliable application of the post-9/11 and post-Iraq US intelligence tradecraft standards requires collective analysis | |
Bhaktha et al. | To score or not to score? A simulation study on the performance of test scores, plausible values, and SEM, in regression with socio-emotional skill or personality scales as predictors | |
Gorjón et al. | The negative impact of information and communication technologies overuse on student performance: Evidence from OECD countries | |
JP7090188B2 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
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 | |
Gary et al. | Reducing the Bias of Norm Scores in Non-Representative Samples: Weighting as an Adjunct to Continuous Norming Methods | |
Blömeke et al. | A question of validity: Clarifying the hierarchical nature of teacher cognition | |
WO2017019055A1 (en) | Content selection based on predicted performance related to test concepts | |
Wecks et al. | Using Machine Learning to Address Individual Learning Needs in Accounting Education |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210201 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211126 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220125 |
|
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: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220613 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7090188 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |