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 PDFInfo
- 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
Links
- 230000010365 information processing Effects 0.000 title claims description 86
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000011156 evaluation Methods 0.000 claims description 180
- 238000012545 processing Methods 0.000 claims description 63
- 230000004044 response Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 21
- 230000007423 decrease Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 44
- 230000006870 function Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 6
- 101100070661 Caenorhabditis elegans hint-1 gene Proteins 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
(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。
(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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Claims (11)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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 |
-
2022
- 2022-06-23 JP JP2022100926A patent/JP7429060B2/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 |
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 |