JP7429060B2 - 情報処理装置、情報処理システム、情報処理方法、および、プログラム - Google Patents

情報処理装置、情報処理システム、情報処理方法、および、プログラム Download PDF

Info

Publication number
JP7429060B2
JP7429060B2 JP2022100926A JP2022100926A JP7429060B2 JP 7429060 B2 JP7429060 B2 JP 7429060B2 JP 2022100926 A JP2022100926 A JP 2022100926A JP 2022100926 A JP2022100926 A JP 2022100926A JP 7429060 B2 JP7429060 B2 JP 7429060B2
Authority
JP
Japan
Prior art keywords
correct answer
answer rate
item
learner
information processing
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
JP2022100926A
Other languages
English (en)
Other versions
JP2024002007A (ja
Inventor
崇人 本田
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.)
Japan Data Science Consortium Co Ltd JDSC
Original Assignee
Japan Data Science Consortium Co Ltd JDSC
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 Japan Data Science Consortium Co Ltd JDSC filed Critical Japan Data Science Consortium Co Ltd JDSC
Priority to JP2022100926A priority Critical patent/JP7429060B2/ja
Publication of JP2024002007A publication Critical patent/JP2024002007A/ja
Application granted granted Critical
Publication of JP7429060B2 publication Critical patent/JP7429060B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、情報処理装置、情報処理システム、情報処理方法、および、プログラム、例えば、学習を支援するためのｅラーニングシステムに関する。
昨今、ＰＣ（Personal Computer、パーソナルコンピュータ）などの情報処理装置を用いて通信ネットワークを経由して学習を支援するためのｅラーニングシステムが普及しつつある。ｅラーニングシステムにより、学習者に対し場所や時間を問わず学習可能とする環境が提供される。一般に、ある学習課程に対する進捗や習熟度は、学習者により異なりうる。画一的な教材の提供によれば、期待されるほど進捗が得られないことや、習得されないことがある。そのため、個々の学習者に適した学習体験を与えることが重要となる。
そこで、知識獲得予測（Knowledge Tracing）を導入し、学習者ごとの課題の順序を定め学習の効率化を図る試みがなされてきた。例えば、非特許文献１には、ＤＫＶＭＮ（Dynamic Key Value Memory Networks）モデルを導入し、学習の進捗に応じて学習者の習熟度（mastery level）を推定し、推定した習熟度から次の課題の正答率を予測することについて記載されている。ＤＫＶＭＮモデルにおいて、課題を基礎づける複数の潜在概念（latent concept）と課題との相関関係が表現され、潜在概念ごとに習熟度の時間変化が算出される。
Jiani Zhang, Xingjian Shi, Irwin King, Dit-Yan Yeung,"Dynamic Key-Value Memory Networks for Knowledge Tracing", [online], 17 Feb 2017, Cornell University, arXiv > cs > arXiv:1611.08108, Computer Science > Artificial Intelligence, [令和４年３月１０日検索]，インターネット <https://arxiv.org/abs/1611.08108>
一般に、ある課題への取り組みに対して、複数種類の能力が総合的に用いられる。そのため、１種類の能力の向上を図るだけでは、必ずしも学習者の能力向上をもたらさないことがある。例えば、数学の文章題を解くためには、問題に対する読解力を要する。他方、読解力は、国語の能力として扱われ、数学の学習だけでは習得できないことが通例である。ひいては、学習目的とする数学の成績を向上できないことがある。
本発明は上記の点に鑑みてなされたものであり、本発明の課題の一つは、学習者に対し、より適した学習体験を与えることができる情報処理装置、情報処理システム、情報処理方法、および、プログラムを提供することである。
（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとに所定のモデルのパラメータであるモデルパラメータを用いて当該評価項目の正答率である推定正答率を推定する正答率推定部と、前記推定正答率に基づいて前記学習者に対し提示する評価項目である提示項目を選択する項目選択部と、前記学習者の回答履歴に基づいて算出される正答率である実績正答率と前記推定正答率との差が減少するように前記モデルを学習するモデル学習部と、を備え、前記モデルパラメータは、少なくとも２種類の評価項目に対する取り組みに求められうる能力、または、学習による獲得が企図された能力の各種類について、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む。
（２）本発明の他の態様は、（１）の情報処理装置と、学習者ごとの回答履歴を取得する回答履歴取得部、を備える情報処理システムである。
（３）本発明の他の態様は、コンピュータに、（１）の情報処理装置として機能させるためのプログラムである。
（４）本発明の他の態様は、情報処理装置における方法であって、前記情報処理装置が、学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとに所定のモデルのパラメータであるモデルパラメータを用いて当該評価項目の正答率である推定正答率を推定するステップと、前記推定正答率に基づいて前記学習者に対し提示する評価項目である提示項目を選択する項目選択ステップと、前記学習者の回答履歴に基づいて算出される正答率である実績正答率と前記推定正答率との差が減少するように前記モデルを学習するモデル学習ステップと、を備え、前記モデルパラメータは、少なくとも２種類の評価項目に対する取り組みに求められうる能力、または、学習による獲得が企図された能力の各種類について、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む、情報処理方法である。
本発明によれば、学習者に対し、より適した学習体験を与えることができる。
本実施形態に係る情報処理システムの機能構成例を示す概略ブロック図である。 本実施形態に係る情報処理装置の概要を説明するための説明図である。 提示項目の第１選択例を示す図である。 提示項目の第２選択例を示す図である。 提示項目の第３選択例を示す図である。 提示項目の第４選択例を示す図である。 本実施形態に係る推定正答率の算出モデルの例を示す図である。 本実施形態に係る出題項目の選択処理の例を示すフローチャートである。 モデルパラメータの表示例を示す図である。 習熟度に基づく判定の表示例を示す図である。 本実施形態に係る情報処理システムの他の機能構成例を示す概略ブロック図である。
（概要）
以下、図面を参照しながら本発明の実施形態について説明する。まず、本実施形態の概要について説明する。図１は、本実施形態に係る情報処理システム１の機能構成例を示す概略ブロック図である。情報処理システム１は、情報処理装置１０と端末装置２０を含んで構成される。情報処理装置１０と端末装置２０は、ネットワークを経由して無線または有線で各種のデータを送受信可能に接続される。ネットワークは、インターネット、公衆ネットワーク、構内ネットワーク（ＬＡＮ：Local Area Network）、仮想専用線（ＶＰＮ：Virtual Private Network）、専用回線、などのいずれか１つまたは複数の組み合わせであってもよい。
情報処理装置１０は、端末装置２０への学習コンテンツを示すコンテンツデータの配信に係る処理を実行する。情報処理装置１０のユーザは、例えば、学習コンテンツの制作者、販売者、教育サービスの提供者、教育機関、試験機関、などのいずれであってもよい。端末装置２０のユーザは、学習者である。学習者は、情報処理装置１０から提供される学習コンテンツを用いて学習を行う者である。学習者は、受講者、会員、学生、生徒、訓練生、などとも呼ばれることがある。
１件の学習コンテンツは、複数の評価項目を含んで構成される。評価項目は、学習者による回答に対する評価対象物の構成単位である。個々の評価項目として、問題、課題、などが該当する。１件の学習コンテンツは、例えば、各１件の課程、講座、教科、または、教材に対応づけられていてもよいし、複数の課程、講座、教科、教材、または、それらの組に対応付けられてもよい。
個々の評価項目は、情報処理装置１０から提供され、端末装置２０を用いて学習期間中に提示される。学習者は、端末装置２０に提示された評価項目を用いて学習を行い、評価項目に対する回答を指示する。端末装置２０は、指示された回答を情報処理装置１０に送信する。情報処理装置１０は、評価項目ごとに回答を収集し、収集した回答を回答履歴として各学習者について取得する。情報処理装置１０は、取得された回答の正誤を、評価項目ごとに判定する。
情報処理装置１０は、学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとにモデルパラメータを用いて当該評価項目の推定正答率を推定する。情報処理装置１０は、推定した推定正答率に基づいて学習者に対し、次に提示する評価項目を提示項目として選択する。情報処理装置１０は、学習者の回答履歴に基づいて正答率を実績正答率として算出し、実績正答率と推定正答率との差が減少するようにモデルを学習する。モデルパラメータは、項目反応理論に基づく正答率のモデルのパラメータとして、複数種類の潜在能力のそれぞれについて、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む。潜在能力は、評価項目に対する取り組みに求められうる能力、または、学習による獲得が企図された能力を指す。潜在能力は、潜在スキル、などとも呼ばれる。よって、情報処理装置１０は、複数種類の潜在能力ごとに算出されるモデルパラメータを用いて、学習コンテンツをなす複数の評価項目が、学習者ごとに異なる順序で提示されうる。
なお、情報処理装置１０は、パーソナルコンピュータ（ＰＣ：Personal Computer）、ワークステーション、サーバ装置などの汎用の機器を用いたウェブサーバとして構成されてもよいし、専用の機器として構成されてもよい。端末装置２０は、ＰＣ、タブレット端末装置、スマートフォンなどの汎用の機器として構成されてもよいし、専用の機器として構成されてもよい。図１において、情報処理装置１０と端末装置２０の個数は、各１台であるが、一般的には端末装置２０の個数は複数台となる。また、学習者数は、端末装置２０の個数と等しいか、より多くなりうる。情報処理装置１０の台数は、１台に限らず、２台以上となりうる。
（情報処理装置）
次に、情報処理装置１０の機能構成例について説明する。情報処理装置１０は、制御部１２０、記憶部１４０、および、入出力部１５０を含んで構成される。
制御部１２０は、プロセッサを含んで構成される。プロセッサは、例えば、ＣＰＵ（Central Processing Unit）などである。プロセッサは、記憶部１４０に予め記憶させた所定のプログラムを読み出し、読み出したプログラムに記述された命令に示される処理を実行する。この実行により、次に説明する制御部１２０の機能をはじめとする情報処理装置１０の機能を発揮する。本願では、プログラムに記述された命令に示される処理を実行することを、「プログラムの実行」、「プログラムを実行する」などと呼ぶことがある。制御部１２０は、専用の部材を用いて実現されてもよい。
記憶部１４０は、制御部１２０が実行する処理に用いる各種のデータを記憶する。記憶部１４０は、制御部１２０が取得した各種のデータを記憶する。記憶部１４０は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）などの記憶媒体を含んで構成される。
入出力部１５０は、他の機器と無線または有線を用いて各種のデータの入力または出力する。入出力部１５０は、他の機器とネットワークを経由して接続してもよい。入出力部１５０は、例えば、入出力インタフェース、通信インタフェースなどのいずれか、または両者を含んで構成されてもよい。
次に、制御部１２０の機能構成例について説明する。制御部１２０は、回答履歴取得部１２２、正答率推定部１２４、項目選択部１２６、モデル学習部１２８、出力処理部１３０、および、学習者管理部１３２を含んで構成される。
回答履歴取得部１２２は、回答履歴を学習者ごとに取得し、取得した回答履歴を記憶部１４０に記憶する。回答履歴は、学習者ＩＤ（Identifier）ごとに保存される。学習者ＩＤは、個々の学習者の識別情報である。回答履歴は、評価項目ＩＤごとに、その学習者の回答を含んで構成される。評価項目ＩＤは、個々の評価項目の識別情報であり、評価項目ごとに異なる。回答履歴取得部１２２は、端末装置２０からの回答情報の受信ごとに、受信した回答情報で伝達される学習者の学習者ＩＤに対応付けられた回答履歴に、その回答情報に含まれる評価項目の評価項目ＩＤとその評価項目に対する回答を追加することにより、その回答履歴を更新する。なお、回答履歴取得部１２２は、その評価項目ＩＤに回答時刻をさらに対応付けて回答履歴に含まれるようにしてもよい。回答履歴は、評価項目ＩＤごとに回答時刻が含まれてもよい。回答時刻は、学習者が用いる端末装置２０から取得された時刻に相当する。
正答率推定部１２４は、記憶部１４０に記憶された学習者の回答履歴に基づいて、所定のモデルのモデルパラメータを用いて、学習対象とする評価項目ごとに推定正答率を算出する。正答率推定部１２４は、回答履歴の更新に応じてモデルパラメータを更新する。本実施形態において、「モデル」とは、ある入力値に対して、出力値を取得するための演算処理、または、その処理手順を指す。本実施形態に係るモデルは、回答履歴に基づいて上記のモデルパラメータを算出するまでの第１過程と、算出されたモデルパラメータから推定正答率を算出するまでの第２過程を含む。第１過程における演算処理に用いられるパラメータの組を「パラメータセット」と呼び、上記の「モデルパラメータ」と区別することがある。
正答率推定部１２４は、モデルパラメータから推定正答率を定める第２過程において、シグモイド関数を用いることができる。モデルパラメータには、少なくとも２種類の潜在能力のそれぞれの種類に対して、習熟度、難易度、および、識別度が含まれる。習熟度は、学習者が学習により獲得した能力の程度を示す。難易度は、評価項目に対する回答が正答となることの困難性の程度を示す。識別度は、評価項目の正誤の識別能力、つまり、正答率が学習者により分散する度合いを示す。推定正答率の算出対象とする評価項目は、次に提示される評価項目の候補である。評価項目の候補は、例えば、未回答の問題となる。再回答が許容される学習コンテンツにおいては、回答済みの問題が、評価項目の候補として含まれてもよい。
正答率推定部１２４は、評価項目ごとに算出した推定正答率を項目選択部１２６に出力し、算出した評価項目ごとの推定正答率を記憶部１４０に記憶する。なお、モデルの例については、後述する。
項目選択部１２６は、正答率推定部１２４から入力された評価項目ごとの推定正答率に基づいて、学習者に対して提示する提示項目を選択する。項目選択部１２６は、例えば、推定正答率が所定の目標正答率に近似する評価項目ほど優先して選択する。目標正答率として、その提示項目に関する習得により習熟度の実質的な向上が期待される値、例えば、０．５～０．７を項目選択部１２６に予め設定しておく。選択される提示項目は、次に提示される１件の評価項目、例えば、新たに出題される問題である。再回答が許容される学習コンテンツにおいては、出題済みの問題が再度提示される可能性がある。
項目選択部１２６は、選択した評価項目を提示項目として示す提示項目情報を出力処理部１３０に出力する。
モデル学習部１２８は、記憶部１４０に記憶された学習者ごとの回答履歴に示される評価項目に対する回答に基づいて算出される実績正答率と、その評価項目に対して所定のモデルを用いて推定された推定正答率との差分が減少（最小化）するように、モデルパラメータを算出する（モデル学習）。モデル学習において、提示項目に対する回答に応じて、モデルパラメータを定めるためのパラメータセットが再帰的に更新される。実績正答率と推定正答率の差分の大きさを示す損失関数として、例えば、差分二乗和、交差エントロピー、などのいずれが用いられてもよい。後述するように、第１段階と第２段階におけるモデル学習が同期していてもよいし、同期していなくてもよい。
出力処理部１３０は、学習者の端末装置２０に対して各種の情報を出力するための処理を実行する。例えば、記憶部１４０には、学習コンテンツを予め記憶させておく。学習コンテンツは、評価項目ごとに、評価項目ＩＤと評価項目コンテンツを含み、これらを対応付けて構成される。出力処理部１３０は、項目選択部１２６から入力される提示項目情報として評価項目ＩＤと合致する評価項目ＩＤに対応する評価項目コンテンツを特定する。出力処理部１３０は、特定した評価項目コンテンツを記憶部１４０から読み出し、出題要求の送信元となる学習者の端末装置２０に送信する。
学習者管理部１３２は、学習者に対する学習状況を管理する。学習者管理部１３２は、例えば、学習者ごとにアクセスの可否を判定する（アクセス管理）。アクセス管理により、アクセス要求に係る端末装置２０のユーザが正当な学習者であるか否かが判定される。例えば、記憶部１４０には、予め学習者データを記憶しておく。学習者データは、学習者ごとの学習者ＩＤと認証情報を含め、これらを対応付けて構成される。学習者管理部１３２は、学習者データを参照し、端末装置２０から受信したアクセス要求で伝達された学習者ＩＤと同一の学習者ＩＤに対応する認証情報と、端末装置２０から受信した認証情報とを照合して、その成否によりアクセスの可否を判定する（ログイン処理）。
学習者管理部１３２は、アクセス可と判定した学習者が用いる端末装置２０に対して、アクセス可を示すアクセス許否情報を送信し、学習コンテンツを提供可能とする。例えば、正答率推定部１２４は、アクセス可と判定された学習者の端末装置２０から出題要求が入力されるとき、推定正答率の算出を実行する。項目選択部１２６において、推定正答率に基づいて提示項目が選択される。出力処理部１３０により、選択された提示項目に係る提示項目コンテンツが、その端末装置２０に送信される。学習者管理部１３２は、アクセス否と判定した学習者が用いる端末装置２０に対して、アクセス否を示すアクセス許否情報を送信し、学習コンテンツの提供を行わない。
学習者管理部１３２は、学習者の進捗管理を行ってもよい。学習者データは、学習者ＩＤごとに進捗情報を含み、これらを対応付けて構成されてもよい。進捗情報には、学習コンテンツのうち、評価項目ごとの出題の有無と回答の有無を示す情報が含まれてもよい。学習者管理部１３２は、出題から回答までの期間が予め定めた基準回答期間を超える評価項目が存在する学習者の端末装置２０に対して、その評価項目に対する回答を案内するための回答案内情報（リマインダ）を送信してもよい。学習コンテンツには、予め学習期間が設定されてもよい。学習期間は、受講期間に相当する。学習者管理部１３２は、学習期間の終了までの期間が予め定めた学習案内期間未満になっても出題または回答がない評価項目が存在する学習者の端末装置２０に対して、学習を案内するための学習案内情報（リマインダ）を送信してもよい。
なお、学習者管理部１３２は、認証情報の照合に成功した学習者であっても、アクセス要求の送信元となる端末装置２０に対しては、アクセス否と判定する。
（端末装置）
次に、端末装置２０の機能構成例について説明する。端末装置２０は、制御部２２０、記憶部２４０、入出力部２５０、表示部２６０、および、操作入力部２７０を含んで構成される。
制御部２２０は、プロセッサを含んで構成される。プロセッサは、記憶部２４０に予め記憶させた所定のプログラムを読み出し、読み出したプログラムに記述された命令に示される処理を実行する。この実行により、次に説明する制御部２２０の機能をはじめとする端末装置２０の機能を発揮する。制御部２２０の機能を実現するためのプログラムは、例えば、学習コンテンツの提供に係る専用のアプリケーションプログラムとなりうる。
記憶部２４０は、制御部２２０が実行する処理に用いる各種のデータを記憶する。記憶部２４０は、制御部２２０が取得した各種のデータを記憶する記憶媒体を含んで構成される。
入出力部２５０は、他の機器と無線または有線を用いて各種のデータの入力または出力する。入出力部２５０は、他の機器とネットワークを経由して接続してもよい。入出力部２５０は、例えば、入出力インタフェース、通信インタフェースなどのいずれか、または両者を含んで構成されてもよい。
表示部２６０は、制御部２２０から入力される表示データに従って各種の表示情報を表示する。表示部２６０は、液晶ディスプレイ、有機エレクトロルミネッセンスディスプレイなどのいずれであってもよい。
操作入力部２７０は、ユーザである学習者の操作を受け付け、受け付けた操作に応じて操作信号を生成する。操作入力部２７０は、生成した操作信号を制御部２２０に出力する。操作入力部２７０は、マウス、キーボード、タッチセンサ、などの汎用の入力デバイスを備えてもよいし、ボタン、つまみ、ダイヤル、などの専用の部材を備えてもよい。なお、表示部２６０として機能するディスプレイと、操作入力部２７０として機能するタッチセンサは、一体化した単一のタッチパネルとして構成されてもよい。
次に、制御部２２０の機能構成例について説明する。制御部２２０は、表示処理部２２２と、入力処理部２２４を含んで構成される。
表示処理部２２２は、学習コンテンツの提示に係る各種の表示情報を表示部２６０に表示させる。例えば、表示処理部２２２は、表示情報としてログイン画面を示す表示データを表示部２６０に出力する。ログイン画面の表示により、学習者ＩＤと認証情報の入力が促される。
表示処理部２２２は、情報処理装置１０からアクセス可を示すアクセス許否情報が入力されるとき、または、既に出題した評価項目に対して回答がなされた後、情報処理装置１０に出題要求を送信する。表示処理部２２２は、情報処理装置１０から入力される評価項目コンテンツに基づいて評価項目画面を示す表示データを表示部２６０に出力する。評価項目画面の表示により、評価項目コンテンツが表示され、回答が促される。
表示処理部２２２は、情報処理装置１０からアクセス否を示すアクセス許否情報が入力されるとき、学習者認証に対する失敗を示すエラー画面を示す表示データを表示部２６０に出力する。
入力処理部２２４は、操作入力部２７０から入力される操作信号に基づいて学習コンテンツの提示または回答に係る処理を実行する。例えば、入力処理部２２４は、ログイン画面が表示されているとき、操作信号で指示される学習者ＩＤと認証情報を情報処理装置１０に送信する。入力処理部２２４は、評価項目コンテンツとして問題が表示されているとき、操作信号で指示される情報に基づいて問題に対する回答を構成し、構成した回答を示す回答情報を情報処理装置１０に送信する。
（推論・モデル学習）
次に、本実施形態に係る推論およびモデル学習の概要について説明する。図２は、本実施形態に係る推論およびモデル学習の概要を説明するための説明図である。情報処理装置１０は、所定のモデルを用いて推論Ｓ０２とモデル学習Ｓ０４を行う。
推論Ｓ０２において、回答履歴取得部１２２は、学習者の端末装置２０から評価項目ごとに回答情報を受信し、受信した回答情報に基づいて回答履歴を更新する。
正答率推定部１２４は、第１段階として、更新した回答履歴を用いて、学習対象とする評価項目ごとにモデルパラメータを算出する。正答率推定部１２４は、第２段階として、算出したモデルパラメータを用いて当該評価項目の推定正答率を算出する。モデルパラメータは、複数種類の潜在能力のそれぞれについて、少なくとも習熟度、難易度、および、識別度を含む。
項目選択部１２６は、推定した推定正答率に基づいて学習者に対し、次に提示する評価項目を提示項目として選択し、その学習者の端末装置２０に選択した提示項目に係る提示項目コンテンツを送信する。
モデル学習Ｓ０４において、モデル学習部１２８は、学習者の回答履歴に基づいて、評価項目ごとの実績正答率とモデルを用いて算出される推定正答率との差分が最小化されるようにモデルパラメータを求めるためのパラメータセットを更新する。更新対象となるパラメータセットは、主に第１段階に関わる。パラメータセットの更新において、例えば、最急勾配法、確率的勾配降下法、などの手法が利用可能である。
推論Ｓ０２とモデル学習Ｓ０４の一部または全部の過程は、同期していてもよい。例えば、モデル学習Ｓ０４におけるパラメータセットの更新は、学習者からの回答ごとになされてもよい。また、推論Ｓ０２とモデル学習Ｓ０４の一部または全部の過程は、同期していなくてもよい。例えば、モデル学習Ｓ０４におけるパラメータセットの更新は、学習者からの回答の有無に関わらず、予め定めた時間間隔（例えば、１時間～１か月）ごとになされてもよい。
（ヒント）
本実施形態では、一部または全部の評価項目に対応付けて、さらにヒントが設定されてもよい。あるヒントは、個々の評価項目に対する正答を導くことが企図された情報を含む。ヒントは、学習コンテンツの一部の構成要素として含まれてもよい。
回答履歴を用いて算出されるモデルパラメータには、個々のヒントに対するヒント貢献度が含まれてもよい。ヒント貢献度は、そのヒントの提示により正答に貢献する度合いを示すパラメータである。即ち、ヒント貢献度とは、そのヒントが評価項目の解決に向けて誘導する能力を定量化した値とみることもできる。正答率推定部１２４は、所定のモデルを用いて評価項目と、その評価項目に対応するヒントとのセットごとに推定正答率を算出する。項目選択部１２６は、算出した推定正答率が目標正答率に近似するセットほど優先して選択する。項目選択部１２６は、選択した評価項目とヒントのセットを学習者の端末装置２０に送信する。
正答率推定部１２４は、一例として、式（１）に従って推定正答率ｐを算出することができる。式（１）において、ｓｉｇｍｏｉｄ（…）は、実数…に対するシグモイド関数を示す。Ｎは、潜在能力の種類の数を示す。Ｎは、予め定めた２以上の整数である。ｃは、個々の潜在能力を示すインデックスである。ａｃは、ある評価項目に対する潜在能力ｃに関する識別度を示す。θｃは、ある学習者に対する潜在能力ｃに関する習熟度を示す。ｂｃは、ある評価項目に対する潜在能力ｃに関する難易度を示す。ｓｃは、あるヒントの評価項目に対する潜在能力ｃに関するヒント貢献度を示す。ａｃ、θｃ、ｂｃ、ｓｃは、それぞれ０以上１以下となるように正規化された実数である。なお、ヒントの提示を行わない場合には、ヒント貢献度ｓｃをゼロとみなして推定正答率ｐが算出される。
Figure 0007429060000001
端末装置２０の表示処理部２２２は、情報処理装置１０から受信した評価項目とヒントのそれぞれを示す表示データを表示部２６０に出力する。表示部２６０には、評価項目とヒントを示す画面が表示される。入力処理部２２４は、評価項目とヒントがいずれも表示されたとき、操作信号に基づいて評価項目とヒントのセットに対する回答を示す回答情報を情報処理装置１０に送信する。
情報処理装置１０の回答履歴取得部１２２は、端末装置２０から受信した回答情報で伝達される学習者ＩＤに対応付けられた回答履歴に、その回答情報に含まれる評価項目の評価項目ＩＤと対応するヒントＩＤのセットと対応付けて回答を追加することにより、その回答履歴を更新する。よって、正答率推定部１２４、項目選択部１２６、および、モデル学習部１２８における評価項目とヒントのセットごとに行われる演算に便宜である。
表示処理部２２２は、評価項目の表示よりも後にヒントを示す表示データを表示部２６０に出力してもよい。表示処理部２２２は、学習者の要求に応じてヒントを表示してもよい。例えば、表示処理部２２２は、操作入力部２７０からヒント要求を示す操作信号が入力されるとき、ヒントを示す表示データを出力する。また、表示処理部２２２は、評価項目の表示からの経過時間が予め定めた基準回答時間を超える場合に、ヒントを示す表示データを出力してもよい。
入力処理部２２４は、評価項目が表示され、ヒントが表示されていないときに、操作信号に基づいて評価項目に対するヒントを伴わずに回答を受け付けることがある。その場合、入力処理部２２４は、その評価項目に対応するヒントを提示せずに当該評価項目に対する回答を示す回答情報を情報処理装置１０に送信してもよい。その場合には、情報処理装置１０の回答履歴取得部１２２は、ヒントなしを示すヒントＩＤを用いて、評価項目に対するヒントを提示しなかったことを表す情報を回答履歴に含めてもよい。
よって、正答率推定部１２４、項目選択部１２６、および、モデル学習部１２８は、評価項目を提示しヒントを提示しなかった場合と、評価項目とヒントのいずれも提示した場合とを区別して処理を行うことができる。例えば、正答率推定部１２４は、ある評価項目に対して、ヒントを伴わない場合における推定正答率と、対応するヒントとのセットに対する推定正答率のそれぞれを算出することができる。正答率推定部１２４は、ヒントを伴わない場合には、ヒント貢献度をゼロとして推定正答率を算出する。項目選択部１２６は、ヒントを伴わずに評価項目を選択する場合に対する推定正答率が、評価項目とヒントのセットに対する推定正答率よりも目標正答率に近似する場合には、ヒントを伴わずに評価項目を選択することもありうる。このような場合には、ヒントの提示により、却って正答率が低下することが見込まれるためである。
１件の評価項目に対応づけられるヒントの個数は１個に限られず、２個以上となってもよい。２個以上のヒントは、同時に提示されてもよい、１個ずつ提示されてもよい。１個ずつ提示する場合、操作入力部２７０は、操作信号に基づいて、２個以上のヒントのいずれかを選択可能としてもよいし、個々のヒントの提示の要否を指示可能としてもよい。個々のヒントの提示順序は、操作信号に基づいて選択されてもよいし、疑似乱数を用いてランダムに選択されてもよいし、予め定められてもよい。予め定めた提示順序として、評価項目と対応付けて選択されたヒントの順列（後述）が用いられてもよい。操作入力部２７０は、ある評価項目についてヒントの有無の他、提示したヒントの組、または、ヒントの順列ごとに回答を受け付け、ヒントの組、または、順列ごとの回答を示す回答情報を情報処理装置１０に送信してもよい。
ヒントＩＤは、ヒントの組、または、ヒントの順列ごとに設定されてもよい。回答履歴取得部１２２は、端末装置２０から受信した回答情報で伝達される学習者ＩＤに対応付けられた回答履歴に、その回答情報に含まれる評価項目の評価項目ＩＤと対応するヒントＩＤのセットと対応付けて回答を追加することにより、その回答履歴を更新する。これにより、正答率推定部１２４、項目選択部１２６、および、モデル学習部１２８における評価項目とヒントの組、または、ヒントの順列ごとに行われる演算に便宜である。これにより、正答率推定部１２４、項目選択部１２６、および、モデル学習部１２８は、提示したヒントの組、または、ヒントの順列ごとに区別して処理を行うことができる。例えば、正答率推定部１２４は、ある評価項目に対して、ヒントの組、または、ヒントの順列ごとに推定正答率を算出することができる。その場合、ヒント貢献度は、ヒントの組、または、ヒントの順列ごとに算出されてもよい。そして、項目選択部１２６は、算出された推定正答率に基づいて、ある評価項目に対して、提示すべきヒントの組、または、ヒントの順列を定めることができる。
（提示項目の選択例）
次に、提示項目の選択例について説明する。図３は、提示項目の第１選択例を示す図である。図３は、正答率推定部１２４により、ヒントを伴わずに、次に提示する提示項目の候補ごとに算出した推定正答率を例示する。項目１、項目２、項目３のそれぞれについて、推定正答率は０．７６、０．６５、０．４７となる。項目選択部１２６において、目標正答率が０．６と設定されている場合、推定正答率が目標正答率に最も近似している項目２が提示項目として選択される。
図４は、提示項目の第２選択例を示す図である。図４は、正答率推定部１２４により、次に提示する提示項目とヒントの候補ごとに算出した推定正答率を例示する。項目２とヒント１のセット、項目２とヒント２のセット、項目２とヒント３のセットのそれぞれについて、推定正答率は０．６８、０．７１、０．７４となる。項目選択部１２６において、ヒントの提示後の目標正答率が０．７３と設定されている場合、推定正答率が目標正答率に最も近似しているセットをなす項目２とヒント３が、それぞれ提示項目と提示ヒントとして選択される。
図５は、提示項目の第３選択例を示す図である。図５は、正答率推定部１２４により、次に提示する提示項目とヒントのセットの候補ごとに算出した推定正答率を例示する。項目１とヒント１のセット、項目１とヒント２のセット、項目１とヒント３のセット、項目１とヒントなしのセットのそれぞれについて、推定正答率は０．７５、０．７６、０．６８、０．７６となる。項目選択部１２６は、推定正答率が高いセットほど優先して選択してもよい。ここで、項目１とヒントなし、つまり、ヒントを伴わずに項目１が提示項目として選択される。この場合、目標正答率が設定されなくてもよい。
図６は、提示項目の第４選択例を示す図である。図６は、正答率推定部１２４により、次に提示する提示項目と１件のヒントもしくは複数件のヒントの順列とのセットの候補ごとに算出した推定正答率を例示する。項目２とヒント１のセット、項目２とヒント２のセット、項目２とヒント３のセット、項目２とヒント１ならびにヒント２からなる系列のセットのそれぞれについて、推定正答率は０．６８、０．７１、０．７４、０．７５と算出される。項目選択部１２６は、推定正答率が高いセットほど優先して選択してもよい。その場合には、項目２と、ヒント１ならびにヒント２からなる順列が選択される。かかるヒントの順列は、提示項目の正答を導くうえで有効であることが期待される。
（推定正答率の算出モデル）
次に、本実施形態に係る推定正答率の算出モデルの例について説明する。図７は、本実施形態に係る推定正答率の算出モデルの例を示す図である。例示されるモデルは、ＫＶＭＭＡ（Key-Value Memory Matrix Attention）ネットワークとして構成される。この構成により、学習者ごとの回答履歴に基づき、評価項目、ヒント、および、学習者を跨いで潜在能力ごとにモデルパラメータを取得可能とする。ＫＶＭＭＡネットワークは、モデルパラメータに共通の状態がキー行列（Key Matrix）Ｍｋと値行列（Value Matrix）Ｍｖ ｔを用いて表現する機械学習モデルである。キー行列Ｍｋと値行列Ｍｖ ｔは、モデル学習により更新され、モデルパラメータの算出に用いられる。キー行列Ｍｋは、主に評価項目ならびにヒントと学習者の回答との関連性を表す。値行列Ｍｖ ｔは、主に学習者の能力と、評価項目ならびにヒントと学習者の回答のセットとの関連性を表される。正答率推定部１２４は、値行列Ｍｖ ｔを時刻ｔごとに更新する。回答ごとの更新により、値行列Ｍｖ ｔの時間経過特性が表される。時刻ｔは、学習者による回答時刻を示すインデックスである。キー行列Ｍｋ、値行列Ｍｖ ｔ、後述する埋込行列Ａ、Ｂ、Ｃは、いずれもモデルパラメータの算出までの第１過程において用いられるパラメータセットとなる。これらのパラメータセットは、モデル学習において上述の損失関数が最小化されるように再帰的に定められる。
図７の例では、モデルパラメータにヒント貢献度が含まれる。ヒントが提示されない場合、提示した１個のヒント、提示したヒントの組または順列が、それぞれ異なるヒントＩＤをもって識別される。
正答率推定部１２４は、埋込行列（embedding matrix）Ａから時刻ｔにおいて提示された評価項目ｑｔを表す埋込ベクトル（embedding vector）ｋｑ ｔを抽出する。埋込行列Ａは、ｄｋ行Ｑ列の行列である。ｄｋは、２以上の予め定めた整数である。ｄｋは、埋込ベクトルｋｑ ｔの要素数（次元数）に相当する。Ｑは、評価項目の件数を示す正の整数である。
正答率推定部１２４は、埋込ベクトルｋｑ ｔにキー行列Ｍｋを乗算し、重みベクトルｗｑ ｔを算出する。キー行列Ｍｋは、ｄｋ行Ｎ列の行列である。重みベクトルｗｑ ｔは、Ｎ列のベクトルとなる。正答率推定部１２４は、重みベクトルｗｑ ｔに関数ｆａ、ｆｂをそれぞれ作用して、識別度ベクトルａ、難易度ベクトルｂを算出する。識別度ベクトルａ、難易度ベクトルｂは、それぞれ識別度ａｃ、難易度ｂｃを要素として有する。関数ｆａ、ｆｂは、例えば、係数行列Ｗａ、Ｗｂとの乗算値に定数Ｃａ、Ｃｂをそれぞれ加えて得られる行列に対する何らかの活性化関数（例えば、シグモイド関数）となりうる。関数ｆａ、ｆｂのそれぞれのパラメータである係数行列Ｗａ、Ｗｂは、モデル学習において更新されるパラメータセットの一部となりうる。
正答率推定部１２４は、埋込行列Ｂから時刻ｔにおいて提示されたヒントｈｔを表す埋込ベクトルｋｈ ｔを抽出する。埋込行列Ｂは、埋込行列Ａとは別個のｄｋ行Ｈ列の行列である。埋込ベクトルｋｈ ｔの要素数もｄｋとなる。Ｈは、ヒントの件数を示す正の整数である。
正答率推定部１２４は、埋込ベクトルｋｈ ｔにキー行列Ｍｋを乗算して得られた重みベクトルｗｈ ｔの何らかの活性化関数（例えば、ソフトマックス（softmax）関数）をヒント貢献度ベクトルｓとして算出する。ソフトマックス関数は、個々の要素値を０以上１以下の値域に収め、かつ、要素値の総和を１となるように正規化する関数である。ヒント貢献度ベクトルｓは、ヒント貢献度ｓｃを要素として有するベクトルである。
正答率推定部１２４は、埋込行列Ｃから時刻ｔにおいて提示された評価項目ｑｔ、ヒントｈｔ、および、それらに対する回答ｒｔのセット（ｑｔ、ｈｔ、ｒｔ）を表す埋込ベクトルｖｔを抽出する。埋込行列Ｃは、埋込行列Ａ、Ｂとは別個のｄｖ行Ｐ列の行列である。ｄｖは、予め定めた２以上の整数であり、埋込ベクトルｖｔの要素数に相当する。Ｐは、得られた回答の件数に相当する。
正答率推定部１２４は、埋込ベクトルｖｔのシグモイド関数を忘却ベクトル（erase vector）ｅｔとして算出する。正答率推定部１２４は、キー行列Ｍｋに変換関数を作用して得られる行列に忘却ベクトルｅｔを乗算して得られるベクトル値を忘却更新量として算出する。変換関数は、ｄｋ行Ｎ列のキー行列Ｍｋを線形演算によりｄｖ行Ｎ列の行列に縮退する関数である。なお、ｄｋ＝ｄｖである場合には、キー行列Ｍｋに対する変換関数の演算を要しない。
正答率推定部１２４は、埋込ベクトルｖｔの双曲線正接関数を加算ベクトル（add vector）ｕｔとして算出する。正答率推定部１２４は、キー行列Ｍｋと加算ベクトルｕｔを乗算して学習更新行列を算出する。変換関数のパラメータは、モデル学習において更新されるパラメータセットの一部となりうる。
正答率推定部１２４は、１を各次元の要素として有する単位ベクトルから忘却更新量を差し引いて得られる忘却補正値を現時点の時刻ｔにおける値行列Ｍｖ ｔに乗じて忘却行列を算出し、算出した忘却行列に学習更新行列を加算して、次の時点の時刻ｔ＋１における値行列Ｍｖ ｔ＋１を算出する。忘却補正値の乗算により、誤答をもたらす知識の忘却が模擬（シミュレート）される。学習更新行列の加算により、正答をもたらす知識の獲得が模擬される。
正答率推定部１２４は、値行列Ｍｖ ｔを何らかの変換関数を用いて得られる要素数Ｎのベクトルに対し何らかの活性化関数（例えば、ソフトマックス関数）の関数値を時刻ｔにおける習熟度ベクトルθ（ｔ）として算出する。習熟度ベクトルθ（ｔ）は、潜在能力ｃごとの習熟度θｃ （ｔ）を要素として有する。変換関数は、例えば、列ごとの平均化、変換ベクトルｇの乗算などのいずれであってもよい。変換関数に係るパラメータ、例えば、変換ベクトルｇは、モデル学習において更新されるパラメータセットの一部となりうる。
正答率推定部１２４は、式（２）に従って、潜在能力ｃごとに得られた識別度ａｃ、難易度ｂｃ、ヒント貢献度ｓｃ、および、時刻ｔにおける学習者の習熟度θｃ （ｔ）を用いて推定正答率ｐｔを算出することができる。
式（１）、（２）に例示されるように、評価項目の識別度ａｃは、評価項目ごとの正誤のばらつきの大きさを表す。学習者の習熟度θｃ （ｔ）とヒント貢献度ｓｃは、学習者の能力、ヒントによる正答率ｐｔを向上させる能力を表す。評価項目の難易度ｂｃは、評価項目による推定正答率ｐｔの低下を表す。
Figure 0007429060000002
なお、上記の説明では、回答ごとに逐次にパラメータセットが更新され、更新されたパラメータセットに基づいて正答率を算出する場合を例にしたが、これには限らない。正答率推定部１２４は、回答時刻ごとの正答率の時間経過に基づいて目標時刻における正答率を算出してもよい。
例えば、モデル学習部１２８は、回答時刻ごとに、実績正答率と推定正答率との差が減少するようにモデルパラメータを定め、回答時刻ごとのモデルパラメータから目標時刻におけるモデルパラメータを予測する。目標時刻は、正答率の算出目標とする時刻を意味する。目標時刻は、現時点の時刻でもよいし、その前後の時刻であってもよい。目標時刻は、端末装置２０から指示される時刻であってもよい。ここで、正答率推定部１２４は、回答履歴を参照して回答時刻を特定することができる。予測において、例えば、線形予測などの手法を用いることができる。正答率推定部１２４は、目標時刻におけるモデルパラメータを推定し、推定したモデルパラメータに基づいて推定正答率を算出することができる。
また、正答率推定部１２４は、最後の回答時刻から目標時刻までの経過時間が長くなるほど増加するように誤答に基づく忘却更新量を調整してもよい。忘却更新量の調整において、例えば、経過時間の増加に応じて単調に増加し、一定値として１に漸近する関数（例えば、シグモイド関数、双曲線正接、など）が乗じられればよい。これにより、誤答による習熟度の変化量の増加が考慮される。また、正答率推定部１２４は、その経過時間が長くなるほど減少するように正答に基づく学習更新行列を定めてもよい。学習更新行列の調整において、例えば、経過時間の増加に応じて単調に減少し、０に収束する関数（例えば、指数関数、など）が乗じられればよい。これにより、正答による習熟度の変化量が減少し、時間経過による学習効果の減少が考慮される。正答率推定部１２４は、調整後の値行列Ｍｖ ｔ、ひいては習熟度を用いて推定正答率を算出することができる。
（出題項目の選択処理）
次に、本実施形態に係る出題項目の選択処理の例について説明する。図８は、本実施形態に係る出題項目の選択処理の例を示すフローチャートである。但し、図８の例では、ヒントの選択については考慮されていない。
（ステップＳ１０２）回答履歴取得部１２２は、学習者ごとの評価項目に対する回答を示す回答履歴を取得する。
（ステップＳ１０４）モデル学習部１２８は、学習者ごとの回答履歴から得られる実績正答率と、モデルを用いて推定された推定正答率との差分が減少するようにモデルパラメータを算出する。
（ステップＳ１０６）正答率推定部１２４は、算出したモデルパラメータを用いて、処理対象とする学習者について、学習対象の評価項目ごとに推定正答率を推定する。
（ステップＳ１０８）項目選択部１２６は、推定正答率が予め定めた目標正答率に最も近似する評価項目を出題項目として選択する。
（ステップＳ１１０）出力処理部１３０は、選択された出題項目に係る評価項目コンテンツを学習者の端末装置２０に送信する。
（ステップＳ１１２）回答履歴取得部１２２は、学習者の端末装置２０から出題項目に対する回答を受信する。
（ステップＳ１１４）回答履歴取得部１２２は、学習者の出題項目に対する回答を、その評価項目に対する回答として回答履歴に追加する。その後、ステップＳ１０４の処理に進む。図８の処理は、未回答の評価項目がなくなるまで繰り返される。
（応用例）
次に、本実施形態に係る情報処理装置１０の応用例について説明する。
出力処理部１３０は、学習者に対して算出されたモデルパラメータの一部または全部を、端末装置２０を経由して表示部２６０に出力してもよい。出力処理部１３０は、端末装置２０の入力処理部２２４から受信した出力要求で指示されるモデルパラメータを端末装置２０に送信してもよい。
出力処理部１３０は、例えば、潜在能力ごとに、指示された評価項目の習熟度と難易度の一方または両方を、出力要求に対する応答として端末装置２０に送信する。端末装置２０の表示処理部２２２は、指示されたモデルパラメータを含む表示画面を示す表示データを表示部２６０に出力する。表示部２６０には、指示されたモデルパラメータとして、評価項目の習熟度と難易度の一方または両方が表示される。
図９は、モデルパラメータの表示例を示す図である。図９の例では、評価項目として数学の「問題Ｄ」についての「難易度」と、会員番号「１２３４」の学習者「ＡＢＣ」の「習熟度」が、その評価項目に対する「問題分析」として表示されている。難易度と習熟度は、それぞれ潜在能力として、「読解力」、「図解力」、「計算力」のそれぞれについて表示されている。表示される値は、１以上１０以下の整数値となるように離散化されている。学習者の習熟度は、読解力に関しては難易度よりも低いが、図解力と計算力に関しては、それぞれ難易度よりも高い。このことから、学習者「ＡＢＣ」が「問題Ｄ」を取り組むうえで、十分な「図解力」と「計算力」を有する反面、「読解力」が不足することが示される。表示画面の「講評」の欄には、モデルパラメータに対応するメッセージとして「図解力と計算力は、まずまずですが、読解力に改善の余地があります」との文言を含めて表示画面が構成されている。また、不足する潜在能力である「読解力」に関しては、向上を促すためのメッセージとして「読解ドリルを受講し、国語の潜在アップも狙ってはいかがでしょうか」との文言を含めて表示画面が構成されている。
出力処理部１３０は、潜在能力ごとに得られた習熟度に基づいて、その習熟度の算出に用いた評価項目を含む学習コンテンツに係る学習課程の合否を判定してもよい。出力処理部１３０は、例えば、いずれの潜在能力に対する習熟度も、所定の判定基準値以上であるとき、その学習者について合格と判定する。出力処理部１３０は、習熟度の潜在能力間の平均値が、所定の判定基準値以上であるとき、その学習者に対して合格と判定してもよい。
出力処理部１３０は、合格と判定するとき、その学習者の端末装置２０に合格通知を送信してもよい。合格通知には、習熟度の他、実績正答率、学習に用いた評価項目、それらに対する正否、それらの数、判定結果、などの情報が含まれてもよい。
端末装置２０の表示処理部２２２は、情報処理装置１０から受信した合格通知を表す表示画面を示す表示データを生成し、表示部２６０に出力してもよい。表示部２６０には、合格通知を表す表示画面が表される。
図１０は、習熟度に基づく判定の表示例を示す図である。図１０の例では、会員番号「５６７８」の学習者「ＸＹＺ」に対する合格通知としての学習課程に対する「終了証」を示す。この例では、実績正答率として、科目１について「７６／９３」、科目２について「８２／９６」、科目３について「８６／９１」と表されている。実績正答率の分子、分母は、それぞれ得点、設問数を示す。この例では、終了時点の設問数は、各科目ともに学習コンテンツに含まれる１００問よりも少ない。即ち、１００問の全部に対して学習が完了する前に学習内容に対して十分に習熟したと習熟度に基づいて判定されたことが示される。「習得技能」の欄において、潜在能力として、「技能１」に対する習熟度として「７８」、「技能２」に対する習熟度として「８２」、「技能３」に対する習熟度として「８４」、「技能４」に対する習熟度として「８７」と表示されている。これらの値は、最小値が０、最大値が１００となるように正規化されている。習熟度に対する「判定」の欄において「合格」と通知されている。この判定は、出力処理部１３０における「技能１」～「技能４」のそれぞれについて得られた習熟度が、いずれも所定の判定基準値以上に達したとの判定による。このように学習コンテンツに含まれる全評価項目について学習がなされる前に、習熟度が一定以上の水準に達したと判定された学習者に対しては合格通知が伝達される。そのため、学習者は必ずしも必要とされない学習を回避することができる。
以上に説明したように、本実施形態に係る情報処理装置１０は、学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとに所定のモデルのパラメータであるモデルパラメータを用いて当該評価項目の正答率である推定正答率を推定する正答率推定部１２４を備える。情報処理装置１０は、推定した推定正答率に基づいて学習者に対し提示する評価項目である提示項目を選択する項目選択部１２６を備える。学習者の回答履歴に基づいて算出される正答率である実績正答率と推定正答率との差が減少するようにモデルを学習するモデル学習部１２８を備える。モデルパラメータは、少なくとも２種類の潜在能力の各種類について、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む。
この構成により、学習者の回答履歴に基づいて、複数種類の潜在能力ごとの習熟度、難易度、および、識別度を含むモデルパラメータが算出される。そして、算出されたモデルパラメータを用いて評価項目ごとに算出された推定正答率に基づいて提示項目が選択される。提示項目の選択において、潜在能力ごとの習熟度、難易度、および、識別度が用いられるので、学習者の能力に適した提示項目を提供することで、学習の効率化が図られる。
回答履歴は、提示項目に関連付けて提示したヒントを示すヒント情報を含んでもよい。モデルパラメータは、潜在能力の各種類について、ヒントの提示により正答に貢献するヒント貢献度を含んでもよい。正答率推定部１２４は、学習対象の評価項目と当該評価項目に対応するヒントのセットごとに推定正答率を推定してもよい。項目選択部１２６は、推定した推定正答率に基づいて、提示項目と当該提示項目に対応するヒントである提示ヒントとのセットを選択してもよい。
この構成により、ヒント情報を含む回答履歴に基づいてヒント貢献度が算出され、さらにヒント貢献度を用いて推定された推定正答率に用いて提示項目と提示ヒントが選択される。そのため、提示により期待される推定正答率に基づいて、提示項目に関連する提示ヒントが選択されるので、補正された学習者の能力に適したヒントを用いて学習の効率化が図られる。
項目選択部１２６は、ヒントを提示しない出題項目について、ヒントなしを示すヒント情報を含めて回答履歴を更新してもよい。
この構成により、ヒントを提示しない出題項目も、ヒントを提示する出題項目と同様に、ヒント情報を用いて、一元的に処理することができる。そのため、出題項目ごとに実行される処理の効率化が図られる。
項目選択部１２６は、複数件のヒントを提示した出題項目について、その複数件のヒントを示すヒント情報を含めて回答履歴を更新してもよい。
この構成により、提示したヒントの件数に関わらず、ヒントを示すヒント情報が回答履歴に含まれる。そのため、提示したヒントの件数に関わらず、ヒント情報を用いて、一元的に処理することができる。そのため、出題項目ごとに実行される処理の効率化が図られる。
回答履歴は、評価項目ごとの回答がなされた回答時刻を含んでもよい。モデル学習部１２８は、回答履歴に含まれた回答時刻ごとに、実績正答率と推定正答率との差が減少するようにモデルパラメータを定めてもよい。正答率推定部１２４は、目標時刻における推定正答率を推定してもよい。
この構成により、回答時刻ごとの実績正答率に基づいて、目標時刻における推定正答率が推定される。そのため、回答時刻が不規則であっても、学習時点とする目標時刻における推定正答率に基づいて、学習者の能力に適した評価項目が選択される。
正答率推定部１２４は、回答時刻からの時間経過に基づいて習熟度の回答時刻からの変化量を調整し、調整した習熟度を含むモデルパラメータに基づいて目標時刻における推定正答率を算出してもよい。
この構成により、回答時刻からの時間経過に基づいて調整した習熟度に基づいて目標時刻における推定正答率が推定される。そのため、回答時刻からの時間経過による学習効果の変化を考慮して、学習者の能力に適した評価項目が選択される。
情報処理装置１０は、潜在能力ごとに、少なくとも評価項目の習熟度と難易度の一方を出力する出力処理部１３０を備えてもよい。
この構成により、潜在能力ごとの学習者の習熟度、または、提示項目の学習に要する難易度が出力される。出力された習熟度、または、難易度に接した学習者は、自己の潜在能力ごとの習熟度、または、難易度に基づいて、よりきめ細やかな学習指針を得ることができる。
情報処理装置１０は、潜在能力ごとに推定された習熟度に基づいて、評価項目を含む学習課程の合否を判定する出力処理部１３０を備えてもよい。
この構成により、潜在能力ごとに推定された習熟度に基づいて、評価項目の難易度と識別度に関わらず、学習者の習得の度合いが判定される。そのため、学習者の能力本位で的確に合否が判定される。
以上、図面を参照してこの発明の実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
例えば、学習コンテンツに含まれる評価項目、ヒント、および、潜在能力は、上記に説明したものに限られず、任意に定められうる。
上記の説明では、評価項目に対する回答の候補が正答と誤答の２通りである場合を例にしたが、これには限られない。評価項目に対する回答は、その評価が正答である程度、つまり、正答率として定量化できるものであればよい。
モデルパラメータの算出に用いられる第１段階のモデルは、ＫＶＭＭＡネットワークに限られず、ＲＮＮ（Recurrent Neural Network）であってもよいし、ニューラルネットワーク以外の数理モデル、例えば、ＨＭＭ（Hidden Markov Model）であってもよい。
推定正答率の算出に用いられる第２段階のモデルは、モデルパラメータの変化に応じて推定正答率を単調に増加または減少させ、一定の値域に収めることができる数理モデルであればよい。かかる数理モデルは、例えば、シグモイド関数の他、双曲線正接、などであってもよい。
項目選択部１２６は、目標正答率に近似する推定正答率を与える評価項目、または、評価項目とヒントの設置を優先して選択する他、より高い推定正答率を与える評価項目、または、評価項目とヒントの設置を優先して選択してもよい。
対応するヒントが設定されている評価項目に対しては、正答率推定部１２４は、ヒントを提示しない場合と、提示する場合のそれぞれに対して、推定正答率を算出してもよい。項目選択部１２６は、ヒントを提示する場合における推定正答率からヒントを提示しない場合の推定正答率における差分が予め定めた基準値以下となるヒントは無効なヒントとして、そのヒントと評価項目とのセットを棄却してもよい。項目選択部１２６は、その差分が大きいセットほど、有効なヒントを含むセットとして優先して選択してもよい。
また、情報処理装置１０は、端末装置２０の表示処理部２２２と入力処理部２２４に相当する機能部を備えてもよい。その場合には、上記の情報処理装置１０と端末装置２０における各種情報の送受信が情報処理装置１０における入出力となる。
回答履歴取得部１２２は、情報処理装置１０とは、無線または有線で接続される別個の装置として、または、別個の装置の一機能として構成されてもよい。回答履歴取得部１２２をなす別個の装置は、例えば、ログサーバもしくはデータベースサーバとして構成されてもよい。図１１に例示される情報処理システム１は、情報処理装置１０と端末装置２０の他、回答履歴取得部１２２を備える。その場合、情報処理装置１０において、回答履歴取得部１２２が省略されてもよい。上記の回答履歴取得部１２２と情報処理装置１０の他部との入出力に代え、別個の装置と情報処理装置１０の他部との送受信がなされる。また、上記の回答履歴取得部１２２と端末装置２０との送受信に代え、別個の装置と端末装置２０との送受信がなされる。
端末装置２０において、表示部２６０と操作入力部２７０の一方または両方が省略されてもよい。端末装置２０は、操作信号の入力元、表示データの送信先となる機器と無線または有線で各種のデータを送受信可能に接続できればよい。
また、上述した実施形態における情報処理装置１０の一部、または全部を、ＬＳＩ（Large Scale integration）等の集積回路として実現してもよい。情報処理装置１０の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
１０…情報処理装置、２０…端末装置、１２０…制御部、１２２…回答履歴取得部、１２４…正答率推定部、１２６…項目選択部、１２８…モデル学習部、１３０…出力処理部、１３２…学習者管理部、１４０…記憶部、１５０…入出力部、２２０…制御部、２２２…表示処理部、２２４…入力処理部、２４０…記憶部、２５０…入出力部、２６０…表示部、２７０…操作入力部

Claims (11)

  1. 学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとに所定のモデルのパラメータであるモデルパラメータを用いて当該評価項目の正答率である推定正答率を推定する正答率推定部と、
    前記推定正答率に基づいて前記学習者に対し提示する評価項目である提示項目を選択する項目選択部と、
    前記学習者の回答履歴に基づいて算出される正答率である実績正答率と前記推定正答率との差が減少するように前記モデルを学習するモデル学習部と、を備え、
    前記モデルパラメータは、少なくとも２種類の評価項目に対する取り組みに求められうる能力、または、学習による獲得が企図された能力の各種類について、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む
    情報処理装置。
  2. 前記回答履歴は、提示項目に関連付けて提示したヒントを示すヒント情報を含み、
    前記モデルパラメータは、前記能力の各種類について、ヒントの提示により正答に貢献するヒント貢献度を含み、
    前記正答率推定部は、学習対象の評価項目と当該評価項目に対応するヒントのセットごとに前記推定正答率を推定し、
    前記項目選択部は、前記推定正答率に基づいて、前記提示項目と当該提示項目に対応するヒントである提示ヒントとのセットを選択する
    請求項１に記載の情報処理装置。
  3. 前記項目選択部は、ヒントを提示しない出題項目について、ヒントなしを示すヒント情報を含めて前記回答履歴を更新する
    請求項２に記載の情報処理装置。
  4. 前記項目選択部は、複数件のヒントを提示した出題項目について、
    前記複数件のヒントを示すヒント情報を含めて前記回答履歴を更新する
    請求項２に記載の情報処理装置。
  5. 前記回答履歴は、前記評価項目ごとの回答がなされた回答時刻を含み、
    前記モデル学習部は、
    前記回答時刻ごとに、前記実績正答率と前記推定正答率との差が減少するように、前記モデルパラメータを定め、
    前記正答率推定部は、
    目標時刻における前記推定正答率を推定する、
    請求項１に記載の情報処理装置。
  6. 前記正答率推定部は、
    前記回答時刻からの時間経過に基づいて前記習熟度の前記回答時刻からの変化量を調整し、
    当該習熟度を含むモデルパラメータに基づいて目標時刻における前記推定正答率を算出する
    請求項５に記載の情報処理装置。
  7. 前記能力ごとに、少なくとも前記評価項目の習熟度と難易度の一方を出力する出力処理部を備える
    請求項１に記載の情報処理装置。
  8. 前記習熟度に基づいて前記評価項目を含む学習課程の合否を判定する出力処理部を備える
    請求項１に記載の情報処理装置。
  9. 請求項１に記載の情報処理装置と、
    学習者ごとの回答履歴を取得する回答履歴取得部、を備える
    情報処理システム。
  10. コンピュータに、
    請求項１に記載の情報処理装置として機能させるためのプログラム。
  11. 情報処理装置における方法であって、
    前記情報処理装置が、
    学習者が学習した評価項目ごとの回答を示す回答履歴に基づき、学習対象の評価項目ごとに所定のモデルのパラメータであるモデルパラメータを用いて当該評価項目の正答率である推定正答率を推定するステップと、
    前記推定正答率に基づいて前記学習者に対し提示する評価項目である提示項目を選択する項目選択ステップと、
    前記学習者の回答履歴に基づいて算出される正答率である実績正答率と前記推定正答率との差が減少するように前記モデルを学習するモデル学習ステップと、を備え、
    前記モデルパラメータは、少なくとも２種類の評価項目に対する取り組みに求められうる能力、または、学習による獲得が企図された能力の各種類について、学習者の能力レベルを示す習熟度、評価項目に対する難易度、および、評価項目による正誤の識別度を含む
    情報処理方法。
JP2022100926A 2022-06-23 2022-06-23 情報処理装置、情報処理システム、情報処理方法、および、プログラム Active JP7429060B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022100926A JP7429060B2 (ja) 2022-06-23 2022-06-23 情報処理装置、情報処理システム、情報処理方法、および、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022100926A JP7429060B2 (ja) 2022-06-23 2022-06-23 情報処理装置、情報処理システム、情報処理方法、および、プログラム

Publications (2)

Publication Number Publication Date
JP2024002007A JP2024002007A (ja) 2024-01-11
JP7429060B2 true JP7429060B2 (ja) 2024-02-07

Family

ID=89473169

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022100926A Active JP7429060B2 (ja) 2022-06-23 2022-06-23 情報処理装置、情報処理システム、情報処理方法、および、プログラム

Country Status (1)

Country Link
JP (1) JP7429060B2 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
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
JP2018112659A (ja) 2017-01-11 2018-07-19 Kddi株式会社 異なる基準に基づく質問を混在させたユーザ適応型のテストプログラム、装置及び方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
JP2018112659A (ja) 2017-01-11 2018-07-19 Kddi株式会社 異なる基準に基づく質問を混在させたユーザ適応型のテストプログラム、装置及び方法

Also Published As

Publication number Publication date
JP2024002007A (ja) 2024-01-11

Similar Documents

Publication Publication Date Title
KR101715621B1 (ko) 프로그래밍 교육 시스템 및 그 구동 방법
CA2917447A1 (en) System and method for real-time analysis and guidance of learning
Abu Seman et al. Millennial learners’ acceptance and satisfaction of blended learning environment
US20130302772A1 (en) Electronic learning system
JP6247628B2 (ja) 学習管理システムおよび学習管理方法
JP7052224B2 (ja) 学習支援装置、学習支援システム及びプログラム
CN116383481B (zh) 一种基于学生画像的个性化试题推荐方法及系统
Wauters et al. Monitoring learners' proficiency: weight adaptation in the elo rating system
JP4447411B2 (ja) 学習者習得特性分析システム及びその方法並びにプログラム
JP7039015B2 (ja) 教材学習スケジュール決定装置
Eglington et al. How to optimize student learning using student models that adapt rapidly to individual differences
JP7429060B2 (ja) 情報処理装置、情報処理システム、情報処理方法、および、プログラム
Lukosch et al. Data Analytics of Mobile Serious Games: Applying Bayesian Data Analysis Methods.
Shminan et al. Dynamic student assessment to advocate personalized learning plan
Tang et al. Adaptive narrative game for personalized learning
Gottschalk et al. Persuasive skill development: On computational surveillance strategies for modeling learning statistics with PLOTLearner
Mutiawani et al. Implementing Item Response Theory (IRT) Method in Quiz Assessment System.
CN108140329A (zh) 信息处理设备、信息处理方法及程序
US20160111013A1 (en) Learning content management methods for generating optimal test content
Thien et al. Factors contributing to Gen Z's deep learning: investigating undergraduates' course experience in Malaysian private higher education institutions
KR101053828B1 (ko) 기억유지마감시각 예측 및 관리가 적용된 반복학습방법
RU2649550C2 (ru) Система критериально-ориентированного тестирования
EP3707691A1 (en) Learning management systems and methods therefor
Karl et al. Supporting the Pedagogical Evaluation of Educational Institutions with the Help of the WTCAi System
Keskin et al. Design of Assessment Task Analytics Dashboard Based on Elo Rating in E-Assessment

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230810

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230810

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231108

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: 20231222

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240119

R150 Certificate of patent or registration of utility model

Ref document number: 7429060

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150