JP7439914B2 - 予測装置、予測方法、及び、プログラム - Google Patents

予測装置、予測方法、及び、プログラム Download PDF

Info

Publication number
JP7439914B2
JP7439914B2 JP2022516574A JP2022516574A JP7439914B2 JP 7439914 B2 JP7439914 B2 JP 7439914B2 JP 2022516574 A JP2022516574 A JP 2022516574A JP 2022516574 A JP2022516574 A JP 2022516574A JP 7439914 B2 JP7439914 B2 JP 7439914B2
Authority
JP
Japan
Prior art keywords
student
data
model
prediction
classification
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
JP2022516574A
Other languages
English (en)
Other versions
JPWO2021214936A1 (ja
JPWO2021214936A5 (ja
Inventor
健 原
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 JPWO2021214936A1 publication Critical patent/JPWO2021214936A1/ja
Publication of JPWO2021214936A5 publication Critical patent/JPWO2021214936A5/ja
Application granted granted Critical
Publication of JP7439914B2 publication Critical patent/JP7439914B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/205—Education administration or guidance
    • 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

Landscapes

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

Description

本発明は、学生の進級状況を予測する技術に関する。
学生の成績や履修科目の修了状況などに基づいて、学生の退学や除籍などのドロップアウトを予測する手法が提案されている。例えば、特許文献１は、学生の退学の有無と、退学と相関関係を示す属性の属性値とを用いて退学リスクを計算するモデルを作成し、このモデルを用いて学生の退学の可能性を予測する手法を記載している。
特開２０１６－１１４６９４号公報
しかしながら、特許文献１の手法では、訓練データの偏りや学習済みモデルの複雑性が考慮されておらず、予測精度が低下する場合がある。
本発明の１つの目的は、学生の留年や退学などの進級状況を高精度で予測することが可能な予測装置を提供することにある。
本発明の一つの観点では、予測装置は、
学生に関する学生データを取得する取得手段と、
前記学生データに基づいて、訓練データを生成する前処理手段と、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段と、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習手段と、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する予測手段と、
を備え、
前記学生データは複数のデータ項目を含み、
前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習手段は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する。
本発明の他の観点では、コンピュータにより実行される予測方法は、
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測し、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する予測方法。
本発明のさらに他の観点では、プログラムは、
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する処理をコンピュータに実行させ、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する。
本発明によれば、学生の留年や退学などの進級状況を高精度で予測することが可能な予測装置を提供することが可能となる。
本発明の第１実施形態に係る予測装置の概略を示す。 予測装置のハードウェア構成を示すブロック図である。 予測装置の予測時の機能構成を示すブロック図である。 予測装置が使用するモデルの例を示す。 分類部による学生データの分類の例を示す。 予測装置による予測処理のフローチャートである。 予測装置の学習時の機能構成を示すブロック図である。 予測装置の学習時に使用する分類条件の例を示す。 予測装置によるモデル生成処理のフローチャートである。 第２実施形態に係る予測装置の機能構成を示すブロック図である。
以下、図面を参照して、本発明の好適な実施形態について説明する。
＜第１実施形態＞
［基本概念］
図１は、本発明の第１実施形態に係る予測装置の概略を示す。予測装置１００は、学生データベース（ＤＢ）５に接続されている。学生ＤＢ５は、大学や専門学校などの学校に通う学生に関する各種のデータ（以下、「学生データ」とも呼ぶ。）を記憶している。予測装置１００は、学生データに基づいて、学生の留年、退学などを含む進級の状態や進級の可否（以下、「進級状況」と呼ぶ。）を予測する。具体的に、ある学生について進級状況を予測する場合、予測装置１００は、予測の対象となる学生（以下、「対象学生」とも呼ぶ。）についての学生データを学生ＤＢ５から取得する。そして、詳細は後述するが、予測装置１００は、学生データに基づいて進級状況を推定するモデルを用いて、対象学生の留年、退学などの進級状況を予測する。また、予測装置１００は、必要に応じて、予測結果を外部装置へ出力する。
［ハードウェア構成］
図２は、予測装置１００のハードウェア構成を示すブロック図である。図示のように、予測装置１００は、インタフェース（ＩＦ）１１と、プロセッサ１２と、メモリ１３と、記録媒体１４と、データベース（ＤＢ）１５と、入力部１６と、表示部１７とを備える。
ＩＦ１１は、外部装置との間でデータの入出力を行う。具体的に、予測装置１００は、ＩＦ１１を通じて学生ＤＢ５から学生データを取得する。また、予測装置１００により生成された予測結果は、必要に応じてＩＦ１１を通じて外部装置へ出力される。
プロセッサ１２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのコンピュータであり、予め用意されたプログラムを実行することにより、予測装置１００の全体を制御する。具体的に、プロセッサ１２は、後述する予測処理及びモデル生成処理を実行する。
メモリ１３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などにより構成される。また、メモリ１３は、プロセッサ１２による各種の処理の実行中に作業メモリとしても使用される。
記録媒体１４は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、予測装置１００に対して着脱可能に構成される。記録媒体１４は、プロセッサ１２が実行する各種のプログラムを記録している。予測装置１００が各種の処理を実行する際には、記録媒体１４に記録されているプログラムがメモリ１３にロードされ、プロセッサ１２により実行される。
ＤＢ１５は、ＩＦ１１を通じて入力された学生データや、予測装置１００による予測結果などを記憶する。また、ＤＢ１５は、進級状況の予測に用いるモデルや、そのモデルを学習するために使用される訓練データを記憶する。予測に用いるモデルは、機械学習により学習されるモデルであり、ニューラルネットワークを用いたものでもよく、その他の機械学習モデルを用いたものでもよい。
入力部１６は、例えばキーボード、マウスなどであり、後述の予測処理やモデル生成処理を実行する際に、使用者が指示や入力を行うために使用される。表示部１７は、例えば液晶ディスプレイなどであり、使用者による操作画面や、予測装置１００が生成した予測結果を表示する。
［予測時の機能構成］
予測装置１００は、異種混合学習を利用して予測を行う。異種混合学習では、条件分岐を表すノードで構成されるツリー（木構造）と、複数の線形モデルとのセットで定義される予測モデルが生成され、各ツリーの葉には１つの予測モデルが割り当てられる。この予測モデルを利用する際には、まず、予測対象のデータ（各データ項目の値の組み合わせ）を利用してツリーを根から葉まで辿る。そして、辿り着いた葉に対応する線形モデルに予測対象のデータを入力することで、目的変数の値を得る。異種混合学習については、米国特許出願公開第２０１４／０２２２７４１Ａ１号明細書に記載されており、この文献の内容をここに取り込む。なお、異種混合学習の学習方法については、後述する［モデル生成処理］において説明する。予測装置１００は、異種混合学習を利用することで、より高精度に予測することが可能となる。
図３は、予測装置１００の予測時の機能構成を示すブロック図である。予測装置１００は、機能的には、分類部２１と、第１予測部２２ａ～第ｎ予測部２２ｎと、出力部２３とを備える。なお、以下の記述において、第１予測部２２ａ～第ｎ予測部２２ｎの各々を区別しない場合には、単に「予測部２２」と記す。
分類部２１は、学生ＤＢ５から学生データを取得し、学生データをそのデータの値に基づいて分類する。学生データは、各学生に関する各種のデータを含む。例えば、図４に示すように、学生データは、学生の性別、都道府県、通学時間、各学年における単位修得率、科目区分毎の評価など、複数のデータ項目を含む。分類部２１は、データ項目に関する条件分岐を有する木構造を用いて学生データを複数のグループに分類し、分類後の各学生データを第１予測部２２ａ～第ｎ予測部２２ｎへ出力する。
第１予測部２２ａ～第ｎ予測部２２ｎは、それぞれが１つのモデルを用いて進学状況の予測を行う。ここで「ｎ」は、分類部２１により分類されたグループ数に相当する。いま、分類部２１が、学生データを第１グループから第ｎグループのｎ個のグループに分類したとすると、第１予測部２２ａは第１モデルを用いて第１グループに属する学生の予測を行い、第２予測部２２ｂは第２モデルを用いて第２グループに属する学生の予測を行い、第ｎ予測部２２ｎは第ｎモデルを用いて第ｎグループに属する学生の予測を行う。第１～第ｎモデルは、それぞれ機械学習により学習済みのモデルである。各予測部２２ａ~２２ｎは、予測結果を出力部２３に出力する。
図４は、予測部２２が使用するモデルの例を示す。この例では、各モデルは、学生データの各データ項目の値と係数との積の総和を予測値として算出するものとする。予測値は、対象学生の進級確率又は留年確率、退学確率などを示す。各予測部２２は、予測値を予測結果として出力する。各係数は、各データ項目に関する重みを示し、学生の留年や退学に大きな影響を与えるデータ項目ほど大きな値となる。なお、図４の例は、正の係数は留年する方に影響を与え、負の係数は留年しない方に影響を与えることを意味している。図４から理解されるように、モデル毎に異なるデータ項目の組み合わせを用いることができる。図４の例では、第１モデルは科目区分毎の評価（「語学科目の評価」、「法律科目の評価」）を用いないモデルであり、第２モデルは「都道府県」、「通学時間」を用いないモデルとなっている。即ち、各モデルは、そのモデルに対応するグループに属する学生の留年や退学に与える影響が大きいデータ項目の値を大きい重みで使用するとともに、影響が小さいデータ項目の値を小さい重みで使用するか、又は、影響が小さいデータ項目を使用しないように生成される。
出力部２３は、複数の予測部２２のうち、対象学生について実際に予測を行った予測部２２から予測結果を受け取り、出力する。例えば、対象学生が第１グループに属する場合、第１予測部２２ａがその対象学生の進級状況の予測結果を生成して出力部２３へ出力する。このとき、第２～第ｎ予測部２２ｂ～２２ｎは、その対象学生の属するグループに対応しないので、予測は行わない。よって、出力部２３は、第１予測部２２ａが出力した予測結果を出力する。
図５（Ａ）は、分類部２１による学生データの分類の一例を示す。この例では、分類部２１は、木構造のノードを構成するデータ項目として「性別」を使用し、全ての学生データを、女子学生のグループＧ１と、男子学生のグループＧ２に分類する。予測部２２は、グループ毎に別のモデルを使用して予測を行う。具体的に、予測部２２は、女子学生のグループＧ１に属する学生については第１モデルを用いて進級状況を予測し、男子学生のグループＧ２に属する学生については第２モデルを用いて進級状況を予測する。
図５（Ｂ）は、分類部２１による学生データの分類の他の例を示す。この例では、分類部２１は、ノードを構成するデータ項目として「性別」と「３年の単位修得率」を用い、深さが２階層である木構造を利用して分類を行う。分類部２１は、全ての学生データを、女子学生のグループＧ１と、男子学生で３年の単位修得率が０．９未満であるグループＧ３と、男子学生で３年の単位修得率が０．９以上であるグループＧ４とに分類する。予測部２２は、グループ毎に別のモデルを使用して予測を行う。具体的に、予測部２２は、グループＧ１に属する学生については第１モデルを用いて進級状況を予測し、グループＧ３に属する学生については第３モデルを用いて進級状況を予測し、グループＧ４に属する学生については第４モデルを用いて進級状況を予測する。
このように、本実施形態では、予測装置１００は、異種混合学習により、学生データに含まれる１又は複数のデータ項目に関する条件分岐を有する木構造を用いて学生データを複数のグループに分類し、対象学生が属するグループに対応するモデルを用いてその対象学生の進級状況を予測する。現実の世界では、学生が留年したり退学したりする要因は、単純な学業の成績のみではなく、様々な要因が組み合わさっていることが多い。この点、本実施形態では、複数のデータ項目が示す要因が組み合わさって留年や退学につながる様々なケースを、各ケースに適したモデルを用いて精度よく予測することが可能となる。
なお、図４に示す学生データのデータ項目は一例に過ぎず、これら以外の各種のデータも学生データとして使用することができる。具体的に、学業成績に関するデータとしては、単位修得率の他に、ＧＰＡ（Ｇｒａｄｅ Ｐｏｉｎｔ Ａｖｅｒａｇｅ）などを使用してもよい。また、科目区分ごとの単位修得率のうち、特に学生が躓きやすい科目、即ち、単位を落としやすい科目区分に注目して学生データを使用してもよい。一般的には、一般教養科目の単位修得率やＧＰＡが低い場合でも留年に至る可能性が低いが、必須科目の単位修得率やＧＰＡが低い場合は、留年に至る可能性が高い。また、特定の科目区分における単位修得率と、留年との間に相関関係が認められるような場合もある。例えば、特定の法律系科目の単位を落とすと留年の確率が高いなどの傾向が認められる場合もある。よって、学業成績に関するデータは、一般教養と必須科目、法律系と語学系など、異なる観点による科目区分を用いて分類して使用するのが効果的である。
また、学業成績に関するデータ以外に、学生の属性に関するデータとしては、学生の出身地又は出身地域、出身高校、奨学金利用の有無、学費納入の遅延の有無、などを使用してもよい。また、学生の人間関係に関するデータとして、同居人の有無（一人住まい、家族と同居）、保証人の続柄、居住都道府県、地域などの保証人に関するデータ、部活動やサークル活動に関するデータなどを使用してもよい。また、学生の生活習慣に関するデータとして、通学時間以外に、通学手段（電車、自転車、バイクなど）などを使用してもよい。また、学生の学習習慣や学習に対する動機付けに関するデータとして、受講科目の時間帯や時間割、図書館の利用履歴、ｅラーニングの受講状況、レポート提出の遅延の有無、資格試験や語学検定試験の受験履歴などを使用してもよい。
［予測処理］
次に、予測装置１００による予測処理について説明する。図６は、予測処理のフローチャートである。この処理は、図２に示すプロセッサ１２が予め用意されたプログラムを実行し、図３に示す要素として動作することにより実現される。
まず、予測装置１００は、学生ＤＢ５から、対象学生の学生データを取得する（ステップＳ１１）。次に、分類部２１は、取得した学生データに基づいて、対象学生が属するグループを決定する（ステップＳ１２）。次に、予測部２２は、対象学生の学生データを用いて、対象学生の進級状況を予測する（ステップＳ１３）。具体的には、複数の予測部２２ａ～２２ｎのうち、ステップＳ１２で決定されたグループに対応する予測部２２が、学習済みモデルを用いて対象学生の進級状況を予測する。出力部２３は、予測を行った予測部２２から予測結果を受け取り、出力する（ステップＳ１４）。なお、出力部２３は、予測結果を外部装置へ出力してもよいし、内部に保存してもよいし、表示部１７に表示してもよい。
［学習時の機能構成］
図７は、予測装置の学習時の機能構成を示すブロック図である。学習時の予測装置１００ｘは、前処理部３１と、分類条件設定部３２と、第１～第ｎ予測部２２ａ～２２ｎと、モデル更新部３３とを備える。第１～第ｎ予測部２２ａ～２２ｎは、図３に示す予測時の予測装置１００と同様である。学習時の予測装置１００ｘは、第１～第ｎ予測部２２ａ～２２ｎに用いられる第１～第ｎモデルをそれぞれ学習する。
前処理部３１は、学生データに対して前処理を行い、モデルの学習に用いるのに適した訓練データＤ１を生成する。訓練データＤ１は、各モデルを学習するための教師データであり、入力データＤ２と、入力データＤ２に対する正解を示す正解ラベル（教師ラベル）Ｄ３とを含む。具体的には、入力データＤ２は、学生データに含まれる各データ項目、即ち、図４に例示する各データ項目の値である。また、入力データＤ２に対する正解ラベルＤ３は、その学生データに対応する学生が留年又は退学したか否かを示すデータである。
また、前処理部３１は、訓練データを生成する際、必要に応じて学生データを増量する。具体的には、前処理部３１は、実際に存在する学生について収集した学生データ（以下、「生データ」と呼ぶ。）に基づいて追加データを生成し、訓練データＤ１として使用する。即ち、訓練データＤ１は、生データに加えて、増量された追加データを含む。学生データを増量するのは、データ量が不足している条件の学生データを増やして全体的なデータの偏りをなくすためである。特に、現実に留年や退学する学生の数は全学生数に対して少ないため、学生の留年や退学などの進学状況を予測するモデルを生成する際にデータを増量して学習を行うことは、モデルの汎用性を高めるために有効である。
例えば、前処理部３１は、データ項目「都道府県」に関し、Ａ県の学生の生データが少ない場合、その県と同じ地域に属するＢ県の生データを用いてＡ県の学生データを作成する。同様に、前処理部３１は、データ項目「通学時間」について、通学時間「８０～９０分」の学生の生データが少ない場合、通学時間「６０～７０分」と通学時間「９０分以上」の生データを用いて通学時間「８０～９０分」の学生データを作成する。また、女子学生の学生データが男子学生の学生データより少ない場合、女子学生の学生データを増量して男子学生の学生データとのバランスをとってもよい。こうして、前処理部３１は、必要に応じて学生データを増量して、様々な条件についてバランスのとれた訓練データＤ１を生成し、分類条件設定部３２に出力する。
分類条件設定部３２は、各予測部２２のモデルの学習に使用する訓練データＤ１の分類条件を設定する。ここで「分類条件」とは、図８（Ａ）、８（Ｂ）などに例示する木構造により規定され、使用するモデル数、木構造の階層の深さ、各モデルに入力されるデータ項目、及び、各データ項目の値に基づくノードの分岐条件などを含む。言い換えると、分類条件は、予測部２２が使用する各モデルが適用されるグループを規定する条件である。なお、分類条件設定部３２は、最初は予め使用者などが設定した初期値を分類条件として設定し、その後は分類条件の一部をランダムに変更して設定する。
そして、分類条件設定部３２は、設定した分類条件に基づいて、訓練データＤ１を各モデルに対応するグループに分類する。即ち、分類条件設定部３２は、第１～第ｎ予測部２２ａ～２２ｎが使用するモデル毎に入力データＤ２を抽出する。例えば、図８（Ａ）に示すように、木構造のノードを構成するデータ項目として「性別」を使用する場合、分類条件設定部３２は、前処理部３１が生成した訓練データＤ１から、データ項目「性別」の訓練データＤ１を抽出する。そして、分類条件設定部３２は、データ項目「性別」の値を入力データＤ２として第１モデルを使用する第１予測部２２ａ及び第２モデルを使用する第２予測部２２ｂに出力するとともに、それらの学生が留年又は退学したか否かを示す正解ラベルＤ３をモデル更新部３３に出力する。
また、図８（Ｂ）に示すように、木構造のノードを構成するデータ項目として「性別」と「３年の単位修得率」を使用する場合、分類条件設定部３２は、前処理部３１が生成した訓練データＤ１から、データ項目「性別」及び「３年の単位修得率」の訓練データＤ１を抽出する。そして、分類条件設定部３２は、データ項目「性別」の値を入力データＤ２として第１モデルを使用する第１予測部２２ａに出力するとともに、それらの学生が留年又は退学したか否かを示す正解ラベルＤ３をモデル更新部３３に出力する。さらに、分類条件設定部３２は、データ項目「性別」と「３年の単位修得率」の値を入力データＤ２として第２モデルを使用する第２予測部２２ｂ及び第３モデルを使用する第３予測部２２ｃに出力するとともに、それらの学生が留年又は退学したか否かを示す正解ラベルＤ３をモデル更新部３３に出力する。
ここで、分類条件設定部３２は、以下の制約に従って分類条件を設定する。
（制約Ａ）分類に使用する木構造の階層数を所定階層数以下とする。
（制約Ｂ）各モデル（各グループ）の訓練データのサンプル数の、全サンプル数に対する割合（以下、「サンプル数割合」と呼ぶ。）を所定割合以上とする。
分類条件設定部３２は、分類条件として図８（Ａ）、８（Ｂ）に例示する木構造に基づいて各モデルが使用するデータ項目を設定するが、学生データに含まれるデータ項目は多数あり、それらを全て考慮すると、モデルが複雑になりすぎたり、少数の例外的なデータに対して過学習となり非実用的なモデルとなってしまう恐れがある。そこで、分類条件設定部３２は、制約Ａに基づいて木構造の深さを所定数以下として、モデルの階層構造が複雑になりすぎないようにする。
また、分類条件設定部３２は、制約Ｂに基づいて、各モデルの学習に使用する訓練データのサンプル数を、全サンプル数の所定割合以上とし、少数の例外的なデータを用いた学習を行わないようにする。具体的に、図８（Ｂ）の例では、第１～第３モデルを適用するグループＧ１～Ｇ３のサンプル数割合Ｒ１～Ｒ３は、以下のようになる。
Ｒ１＝２５００／８０００＝約３１％
Ｒ２＝３０００／８０００＝約３８％
Ｒ３＝２５００／８０００＝約３１％
となる。例えば、制約Ｂにおける所定割合が１０％に設定されていると仮定すると、各モデルに対応するグループＧ１～Ｇ３についてのサンプル数割合Ｒ１～Ｒ３は、いずれも制約Ｂを満足していることになる。
このように、分類条件設定部３２は、上記の制約Ａ、Ｂを用いて、モデルが複雑になりすぎたり、少数の例外的なデータについて過学習とならないようにする。なお、分類条件設定部３２は、後述するように、木構造の階層数や１つのモデルの学習に使用する訓練データのサンプル数割合などを変更しつつ、複数のモデルを生成する。
各予測部２２は、自身に対応するモデルを用いて、分類条件設定部３２から入力された入力データＤ２から、留年確率などの学生の進級状況の予測値を算出し、予測結果Ｄ４としてモデル更新部３３へ出力する。
モデル更新部３３は、予測部２２毎に、予測部２２から入力された予測結果Ｄ４と、分類条件設定部３２から入力された正解ラベルＤ３とを比較し、それらの誤差に基づいて更新データＤ５を各予測部２２に送って各予測部２２のモデルを更新する。こうして、各モデルの学習が行われる。モデル更新部３３は、所定の条件が具備された場合に、モデルの更新を終了し、得られたモデルを学習済みモデルとする。なお、分類条件設定部３２及びモデル更新部３３は、学習手段の一例である。
［モデル生成処理］
次に、モデル生成処理について説明する。図９は、予測装置によるモデル生成処理のフローチャートである。この処理は、図２に示すプロセッサ１２が予め用意されたプログラムを実行し、図７に示す各要素として動作することにより実現される。
まず、前処理部３１は学生ＤＢ１５から学生データを取得し、前処理を行う（ステップＳ２１）。具体的には、前処理部３１は、取得した学生データを用いて、各モデルの学習に使用する訓練データＤ１、即ち、入力データＤ２と正解ラベルＤ３のペアを生成する。なお、前処理部３１は、必要に応じて、データ数が不足している条件の学生データを増量して訓練データＤ１を生成する。
次に、分類条件設定部３２は、複数のモデルについての分類条件を設定する（ステップＳ２２）。具体的には、分類条件設定部３２は、図８（Ａ）、８（Ｂ）などに例示する木構造に基づいて、各予測部２２が使用するモデルの分類条件を決定する。なお、ステップＳ２２の最初の実行時には、分類条件設定部３２は、使用者などが予め設定された分類条件を使用する。
次に、モデル更新部３３は、各モデルの更新を行う（ステップＳ２３）。具体的には、まず、各予測部２２は、分類条件設定部３２から入力された入力データＤ２に基づき、その予測部２２が使用するモデルを用いて進級状況の予測を行い、予測結果Ｄ４をモデル更新部３３に出力する。モデル更新部３３は、予測部２２から入力された予測結果Ｄ４と、分類条件設定部３２から入力された正解ラベルＤ３とを比較し、その誤差に基づいて各予測部２２に更新データＤ５を出力し、モデルを更新する。こうして、モデル更新部３３は、各予測部２２が使用するモデルの更新を行う。
次に、分類条件設定部３２は、予定した分類条件の変更が終了したか否かを判定する（ステップＳ２４）。予定した分類条件の変更が終了していない場合（ステップＳ２４：Ｎｏ）、分類条件設定部３２は、ステップＳ２２へ戻って分類条件を変更し、変更後の分類条件についてモデルの学習を行う。具体的に、分類条件設定部３２は、前述の制約下で、木構造の階層数や、各モデルの学習に使用する訓練データのサンプル数割合をランダムに変更する。こうして、モデル更新部３３は、異なる複数の分類条件について、第１～第ｎモデルを含む学習済みモデル群を生成する。
一方、予定した分類条件の変更が終了した場合（ステップＳ２４：Ｙｅｓ）、分類条件設定部３２は、得られた複数の分類条件に対応する学習済みモデル群を評価し、最適なモデル群を、予測処理に使用するモデル群として選択する（ステップＳ２５）。そして、モデル生成処理は終了する。
なお、上記のモデル生成処理では、予め予定した全ての分類条件について学習済みのモデル群を生成してそれらの性能を比較し、ステップＳ２５でそれらのうち最適な学習済みモデル群を選択している。その代わりに、予め決められた評価基準を用いて最適なモデル群を決定してもよい。即ち、分類条件を変更しつつモデルを更新し、得られた学習済みモデル群の性能を予め決められた評価基準と比較し、その評価基準を超える性能を有する学習済みモデル群が得られた時点で処理を終了するようにしてもよい。
＜第２実施形態＞
次に、本発明の第２実施形態について説明する。図１０は、第２実施形態に係る予測装置の機能構成を示すブロック図である。予測装置５０は、取得手段５１と、前処理手段５２と、学習手段５３と、予測手段５４とを備える。取得手段５１は、学生に関する学生データを取得する。前処理手段５２は、学生データに基づいて、訓練データを生成する。学習手段５３は、訓練データに基づいて、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する。予測手段５４は、生成されたモデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する。
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、以下には限られない。
（付記１）
学生に関する学生データを取得する取得手段と、
前記学生データに基づいて、訓練データを生成する前処理手段と、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習手段と、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する予測手段と、
を備える予測装置。
（付記２）
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段を備え、
前記学習手段は、前記グループ毎に前記モデルを学習し、
前記予測手段は、前記対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する付記１に記載の予測装置。
（付記３）
前記学生データは複数のデータ項目を含み、
前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類する付記２に記載の予測装置。
（付記４）
前記学習手段は、
前記木構造の階層数を所定数以下に維持しつつ、前記階層数を変化させて異なる複数の分類を行い、
前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する付記３に記載の予測装置。
（付記５）
前記学習手段は、
前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ、前記割合を変化させて異なる複数の分類を行い、
前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する付記３又は４に記載の予測装置。
（付記６）
前記前処理手段は、前記学生データの少なくとも一部のデータ項目について、前記学生データの値を変更して前記訓練データを生成する付記１乃至５のいずれか一項に記載の予測装置。
（付記７）
前記学生データは、前記学生の人間関係、生活習慣、学習習慣、学習に対する動機付け、及び、前記学生の進級状況に影響を与える要素のうち少なくとも１つに関するデータ項目を含む付記１乃至６のいずれか一項に記載の予測装置。
（付記８）
前記学生データは、科目区分毎の前記学生の単位修得率及びＧＰＡの少なくとも１つを含む付記１乃至７のいずれか一項に記載の予測装置。
（付記９）
前記学生データは、前記学生の進級状況に影響を与える科目区分の単位修得率を含む付記１乃至８のいずれか一項に記載の予測装置。
（付記１０）
前記進級状況は、前記学生の留年及び退学の少なくとも一方を含む付記１乃至９のいずれか一項に記載の予測装置。
（付記１１）
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成し、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する予測方法。
（付記１２）
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成し、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する処理をコンピュータに実行させるプログラムを記録した記録媒体。
以上、実施形態及び実施例を参照して本発明を説明したが、本発明は上記実施形態及び実施例に限定されるものではない。本発明の構成や詳細には、本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。
５ 学生データベース（ＤＢ）
１２ プロセッサ
１３ メモリ
１５ データベース（ＤＢ）
２１ 分類部
２２ａ～２２ｎ 予測部
２３ 出力部
３１ 前処理部
３２ 分類条件設定部
３３ モデル更新部
５０、１００、１００ｘ 予測装置

Claims (8)

  1. 学生に関する学生データを取得する取得手段と、
    前記学生データに基づいて、訓練データを生成する前処理手段と、
    前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段と、
    前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習手段と、
    対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する予測手段と、
    を備え、
    前記学生データは複数のデータ項目を含み、
    前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
    前記学習手段は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する予測装置。
  2. 前記前処理手段は、前記学生データの少なくとも一部のデータ項目について、前記学生データの値を変更して前記訓練データを生成する請求項１に記載の予測装置。
  3. 前記学生データは、前記学生の人間関係、生活習慣、学習習慣、学習に対する動機付け、及び、前記学生の進級状況に影響を与える要素のうち少なくとも１つに関するデータ項目を含む請求項１又は２に記載の予測装置。
  4. 前記学生データは、科目区分毎の前記学生の単位修得率及びＧＰＡの少なくとも１つを含む請求項１乃至３のいずれか一項に記載の予測装置。
  5. 前記学生データは、前記学生の進級状況に影響を与える科目区分の単位修得率を含む請求項１乃至４のいずれか一項に記載の予測装置。
  6. 前記進級状況は、前記学生の留年及び退学の少なくとも一方を含む請求項１乃至５のいずれか一項に記載の予測装置。
  7. コンピュータにより実行される予測方法であって、
    学生に関する学生データを取得し、
    前記学生データに基づいて、訓練データを生成し、
    前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
    前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習処理を行い、
    対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測し、
    前記学生データは複数のデータ項目を含み、
    前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
    前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択する予測方法。
  8. 学生に関する学生データを取得し、
    前記学生データに基づいて、訓練データを生成し、
    前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
    前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも１つのモデルを機械学習により生成する学習処理を行い、
    対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する処理をコンピュータに実行させ、
    前記学生データは複数のデータ項目を含み、
    前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
    前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの１つの分類結果に対応するモデル群を選択するプログラム。
JP2022516574A 2020-04-23 2020-04-23 予測装置、予測方法、及び、プログラム Active JP7439914B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/017466 WO2021214936A1 (ja) 2020-04-23 2020-04-23 予測装置、予測方法、及び、記録媒体

Publications (3)

Publication Number Publication Date
JPWO2021214936A1 JPWO2021214936A1 (ja) 2021-10-28
JPWO2021214936A5 JPWO2021214936A5 (ja) 2022-12-22
JP7439914B2 true JP7439914B2 (ja) 2024-02-28

Family

ID=78270681

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022516574A Active JP7439914B2 (ja) 2020-04-23 2020-04-23 予測装置、予測方法、及び、プログラム

Country Status (3)

Country Link
US (1) US20230214950A1 (ja)
JP (1) JP7439914B2 (ja)
WO (1) WO2021214936A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016151639A1 (ja) 2015-03-26 2016-09-29 日本電気株式会社 人数予測システム、人数予測方法および人数予測プログラム
JP2019164738A (ja) 2018-03-20 2019-09-26 ヤフー株式会社 予測装置、予測方法、予測プログラム、生成装置、生成方法及び生成プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272164B (zh) * 2018-09-29 2021-09-28 清华大学深圳研究生院 学习行为动态预测方法、装置、设备及存储介质
WO2020186009A1 (en) * 2019-03-12 2020-09-17 Ellucian Company L.P. Systems and methods for aiding higher education administration using machine learning models
US11443235B2 (en) * 2019-11-14 2022-09-13 International Business Machines Corporation Identifying optimal weights to improve prediction accuracy in machine learning techniques

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016151639A1 (ja) 2015-03-26 2016-09-29 日本電気株式会社 人数予測システム、人数予測方法および人数予測プログラム
JP2019164738A (ja) 2018-03-20 2019-09-26 ヤフー株式会社 予測装置、予測方法、予測プログラム、生成装置、生成方法及び生成プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ソリューション動向 Solutions, 約８０％の精度で大学生の退学を予測機械学習エンジンに１０年間のデータ，日経ビッグデータ，日本，日経ＢＰ社，2017年01月10日，第３５号，p. 32
大友 愛子，学内データの活用 ～大学におけるIR(Institutional Research) への取組み～，ＦＵＪＩＴＳＵ，日本，富士通株式会社，2014年05月01日，Ｖｏｌ．６５ Ｎｏ．３，pp. 41-47
安部 恵介，成績不良の早期予測による留年・退学予防方式，電子情報通信学会２０１９年総合大会講演論文集 情報・システム２，日本，一般社団法人 電子情報通信学会，2019年03月05日，p. 132

Also Published As

Publication number Publication date
WO2021214936A1 (ja) 2021-10-28
US20230214950A1 (en) 2023-07-06
JPWO2021214936A1 (ja) 2021-10-28

Similar Documents

Publication Publication Date Title
Kardan et al. Prediction of student course selection in online higher education institutes using neural network
Lykourentzou et al. Dropout prediction in e-learning courses through the combination of machine learning techniques
Márquez-Vera et al. Predicting school failure and dropout by using data mining techniques
Jadrić et al. Student dropout analysis with application of data mining methods
Kiss et al. Predicting dropout using high school and first-semester academic achievement measures
Jimenez et al. Predicting the risk of academic dropout with temporal multi-objective optimization
Rahman et al. Feature selection methods in improving accuracy of classifying students' academic performance
Wanjau et al. Improving student enrollment prediction using ensemble classifiers
JP2024511216A (ja) 学習者の成長の追跡及び査定のためのシステム及び方法
Oreshin et al. Implementing a Machine Learning Approach to Predicting Students’ Academic Outcomes
JP7439914B2 (ja) 予測装置、予測方法、及び、プログラム
Stanković et al. Artificial neural network model for prediction of students’ success in learning programming
Chaudhary et al. Student future prediction using machine learning
Iraji et al. Students classification with adaptive neuro fuzzy
Saranya et al. ENHANCED PREDICTION OF STUDENT DROPOUTS USING FUZZY INFERENCE SYSTEM AND LOGISTIC REGRESSION.
Baran Diffusion of innovations in the systems thinking approach
Ruiz-Rodríguez et al. Classification of student success using Random Forest and Neural Networks
Wanjau Data mining model for predicting student enrolment in stem courses in higher education institutions
Lafi et al. Classification of Apple Diseases Using Deep Learning
Rahman et al. Grading system prediction of educational performance analysis using data mining approach
Petrov Multi-criteria Evaluation of Students’ Performance Based on Hybrid AHP-Entropy Approach with TOPSIS, MOORA and WPM
Arifin et al. Computer-based Techniques for Predicting the Failure of Student Studies Using the Decision Tree method
Ivanova et al. Application of Artificial Neural Networks in Intelligent Tutoring: A Contemporary Glance
Velasco et al. Predicting Licensure Examination Performance Using Data Mining Techniques
Chen et al. Intelligent preference selection model based on NRE for evaluating student learning achievement

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221007

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221007

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230808

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231002

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231128

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240109

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: 20240116

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240129

R151 Written notification of patent or utility model registration

Ref document number: 7439914

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151