WO2015015569A1 - 学業成績との相関因子特定方法 - Google Patents

学業成績との相関因子特定方法 Download PDF

Info

Publication number
WO2015015569A1
WO2015015569A1 PCT/JP2013/070620 JP2013070620W WO2015015569A1 WO 2015015569 A1 WO2015015569 A1 WO 2015015569A1 JP 2013070620 W JP2013070620 W JP 2013070620W WO 2015015569 A1 WO2015015569 A1 WO 2015015569A1
Authority
WO
WIPO (PCT)
Prior art keywords
face
academic achievement
students
academic
data
Prior art date
Application number
PCT/JP2013/070620
Other languages
English (en)
French (fr)
Inventor
純一郎 渡邊
矢野　和男
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to JP2015529254A priority Critical patent/JP6069506B2/ja
Priority to PCT/JP2013/070620 priority patent/WO2015015569A1/ja
Publication of WO2015015569A1 publication Critical patent/WO2015015569A1/ja
Priority to US15/009,105 priority patent/US20160148109A1/en

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
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Definitions

  • the present invention relates to a method for specifying a correlation factor with academic achievement and a correlation factor presentation system. More specifically, a large amount of data reflecting human relationships and various human behaviors measured by wearable sensors, sensors built into mobile phones, and other means are analyzed, and schools and study schools are analyzed. It is related to technology to improve academic performance in
  • Non-Patent Documents 1 and 2 factors that are out of control by school administrators, such as family income levels and childhood spending, have a greater impact on academic performance than factors that can be controlled, such as class size and investment in teacher training. give. There are many points to be discussed regarding the effect of class size, and it cannot be said that there is a clear effect [Non-Patent Document 3].
  • Non-Patent Document 4 the effects of classmates (peer effects) have been verified in each country and reported to have a certain effect [Non-Patent Document 4], but the mechanism is not clear, and in schools and cram schools, it has been conventional. Class formation is often done based on experience. The analysis of school factors in these previous studies examines differences in management methods such as class organization and the relationship between instructor skills and students' academic achievements, and the interaction and physical interaction between students and instructors, or between students. It does not focus on human behavior in the real world, such as active activity.
  • Non-Patent Document 5 a technology has also been proposed to clarify behaviors that have an influence on objective evaluations such as organizational productivity and accident failures, leadership / teamwork, rewarding / enrichment, and subjective evaluations such as stress / mental.
  • Non-Patent Document 3 mentioned above, various discussions have been made regarding the effect of class size, including discussions that question the effect, and it is the school administrator's control of class size that improves academic performance. Indicates that it is not guaranteed to be connected.
  • Non-Patent Document 4 a classmate effect (peer effect) that a student who is in a class with many classmates with good grades improves the grade is described, and there is a certain effect in each country. It has been reported. However, the mechanism is not well understood, and the class design is based on the experience of the school operator.
  • Non-Patent Document 5 described above, a large amount of data reflecting human behavior can be accumulated by sensor technology, mobile phone, and social network service. However, these human behavior data are used for techniques for analyzing correlations such as productivity of companies. Similarly, in the above-described Patent Document 1, the human behavior data is used to clarify the behavior affecting the productivity of the organization, the accident failure, and the like. Therefore, Non-Patent Document 5 and Patent Document 1 are not technologies related to factors related to improvement of academic achievement such as school in an educational environment.
  • the present invention has been made to solve such problems, and a typical purpose thereof is a technique for identifying and presenting quantitative indicators that affect academic performance in an educational environment. Is to provide.
  • Correlation factor specifying method with typical academic achievement correlates with academic achievement in an educational environment including a first person and a plurality of second persons of different occupations from the first person.
  • This is a method for identifying a factor.
  • the method for specifying a correlation factor with the academic achievement includes: calculating the first person and the plurality of second persons measured by a plurality of sensors respectively attached to the first person and the plurality of second persons by a computer; A first step of analyzing a relationship pattern between the first person and the plurality of second persons and between the plurality of second persons based on face-to-face data and physical quantities of the two persons; And a second step of analyzing a pattern having a strong correlation with the result among the relationship patterns by obtaining a correlation between the relationship pattern and the plurality of second human result data by the computer.
  • Correlation factor presentation system with typical academic achievement correlates with academic achievement in an educational environment including a first person and a plurality of second persons of different occupations from the first person.
  • This is a factor presentation system.
  • the system for presenting a correlation factor with the academic achievement includes the first person and the second person measured by a plurality of sensors respectively attached to the first person and the plurality of second persons.
  • the relationship pattern between the first person and the plurality of second persons and between the plurality of second persons is analyzed based on the face-to-face data and the physical quantity.
  • a computer for analyzing a pattern having a strong correlation with the performance among the relation patterns is provided.
  • FIG. 1 It is a figure which shows an example which converts the acceleration waveform of a teacher and a student into arrow notation in one embodiment of this invention.
  • FIG. 1 it is a flowchart which shows an example of the process which performs the correlation analysis of the synchronism of the physical motion of a teacher and a student, and academic achievement.
  • it is a scatter diagram showing an example of an experimental result of examining a correlation between a physical movement synchronization pattern (P ⁇ ⁇ ) between a teacher and a student and academic achievement.
  • P ⁇ ⁇ physical movement synchronization pattern
  • it is a scatter diagram showing an example of an experimental result of examining a correlation between a physical movement synchronization pattern (P ⁇ ) between a teacher and a student and an academic achievement.
  • P ⁇ physical movement synchronization pattern
  • it is a diagram showing an example of dividing an acceleration waveform between students into an active state and a non-active state.
  • it is a flow chart showing an example of processing for performing correlation analysis between synchrony of physical movements between students and academic achievement.
  • it is a scatter diagram which shows an example of the experimental result which investigated the correlation with the integration degree of the physical movement of the students which comprise a class, and the academic achievement of a class.
  • FIG. 1 shows an example of the facing network drawn using facing information in one embodiment of this invention.
  • it is a scatter diagram showing an example of an experimental result of examining a correlation between an index (order) of a face-to-face network of students or teachers constituting a class and academic achievement of the class.
  • it is a scatter diagram showing an example of an experimental result of examining a correlation between a face-to-face network index (clustering coefficient) of students or teachers constituting a class and academic achievement of the class.
  • it is a flowchart showing an example of processing for performing correlation analysis between face-to-face communication index and academic achievement.
  • FIG. 1 it is a diagram showing an example of a screen that displays a result of a correlation analysis (student A) between the synchronization of physical movements between a teacher and a student and academic achievement.
  • FIG. 1 it is a figure which shows an example of the screen which displays the result (student B) of the correlation analysis of the synchronism of the physical movement of a teacher and a student, and academic achievement.
  • it is a figure which shows an example of the screen which displays the result (class B) of the correlation analysis of the synchronism of the physical movement of a student, and academic achievement. It is a figure which shows an example of the screen which displays the result of the correlation analysis of a face-to-face communication parameter
  • it is a scatter diagram which shows an example of the experiment result (student individual) of a simulation.
  • it is a scatter diagram which shows an example of the experiment result (class) of simulation.
  • the constituent elements are not necessarily indispensable unless otherwise specified and apparently essential in principle. Needless to say.
  • the shapes, positional relationships, etc. of the components, etc. when referring to the shapes, positional relationships, etc. of the components, etc., the shapes are substantially the same unless otherwise specified, or otherwise apparent in principle. And the like are included. The same applies to the above numerical values and ranges.
  • a correlation factor specifying method with a typical academic achievement is in an educational environment including a first person and a plurality of second persons of different occupations from the first person. It is a method for identifying factors that correlate with academic achievement.
  • the method for specifying a correlation factor with the academic achievement includes: calculating the first person and the plurality of second persons measured by a plurality of sensors respectively attached to the first person and the plurality of second persons by a computer; Based on the face-to-face data (human relationship graph data 102) and physical quantity (physical movement data 103) with two humans, between the first human and the plurality of second humans and the plurality of second humans A first step (steps 105, 106, and 107) for analyzing a relationship pattern between the humans, and the calculator and the plurality of second human performance data (academic performance data (step 108) ), And a second step (step 109) for analyzing a pattern having a strong correlation with the score among the relation patterns (FIG. 1).
  • the first person is a teacher
  • the second person is a student
  • the educational environment is a school.
  • the teacher and the plurality of students are based on face-to-face data and physical quantities of the teacher and the plurality of students measured by a plurality of sensors respectively attached to the teacher and the plurality of students. And a relationship pattern between the plurality of students.
  • the correlation pattern is correlated with the academic achievement data of the plurality of students to analyze a pattern having a strong correlation with the academic achievement among the relation patterns.
  • a correlation factor presentation system with a typical academic achievement is in an educational environment including a first person and a plurality of second persons of occupations different from the first person.
  • This is a system for presenting factors that correlate with academic achievement.
  • the system for presenting a correlation factor with the academic achievement includes the first person and the plurality of persons measured by a plurality of sensors (sensors 201) respectively attached to the first person and the plurality of second persons.
  • the first person is a teacher
  • the second person is a student
  • the educational environment is a school.
  • the calculator determines whether the teacher and the plurality of students are based on face-to-face data and physical quantities of the teacher and the plurality of students measured by a plurality of sensors respectively attached to the teacher and the plurality of students. And a correlation pattern between the plurality of students and a correlation between the relationship pattern and the academic achievement data of the plurality of students. analyse.
  • This embodiment is a means for quantitatively and continuously measuring human relations in a school environment using a sensor, and identifying an index relating to human behavior that correlates with academic achievement from a large amount of human behavior data, and the indicator
  • the data that is the object of the present embodiment is human relation graph data here, but is data in general representing the communication state between people.
  • a wearable sensor such as a name tag type sensor node equipped with an infrared sensor or a small microphone is attached to a member of a school or a cram school, such as a student, teacher, or other office worker. This is a quantitative measurement of face-to-face communication.
  • a network structure can be obtained from such data by using a person as a node and establishing a link between persons with communication.
  • the wearable sensor may be a wristwatch type sensor node in addition to the name tag type sensor node.
  • the human relationship graph includes, for example, people and people who are unconsciously configured, such as mobile phone usage logs and email transmission / reception relationships. It may be data reflecting the connection.
  • the data targeted in this embodiment is called physical movement data here, but it is obtained from the wearable sensor, the acceleration sensor built in the mobile phone, etc. This is the physical movement of the members. From such data, for example, the school performance is measured quantitatively, such as the vitality of each class in the school, the vitality of each grade, the physical response of students to the teacher's behavior, and the physical synchronization of students. It is possible to investigate the correlation with.
  • a score for a test for checking the proficiency level carried out at a school, for example, a monthly or weekly regular test, and the human relationship graph data or physical movement data are input, It provides a means to calculate correlations between various indices and human behavior patterns derived from human relationship graph data and physical movement data and test scores, and to identify highly correlated indices and patterns.
  • an indicator or pattern that correlates with the specified academic achievement is used to support policy design when school administrators or students or their guardians take measures to improve academic achievement.
  • the present embodiment provides a means for predicting how the academic achievement will change when the specified index is changed.
  • the effects are as follows. According to the present embodiment, it is possible to quantitatively and automatically specify and present an index or pattern related to academic achievement from a large amount of human behavior data. According to the present embodiment, it is possible to design an education system based on quantitative human behavior data, not based on qualitative judgment such as the experience of a teacher or school administrator. According to the present embodiment, it is possible to predict how the academic achievement will change when the relationship between the teacher and the student in the school environment and the relationship between the students are changed. According to this embodiment, it is possible to effectively design specific measures for improving academic performance by specifying indicators based on quantitative data and effectively presenting relationships with academic performance. become.
  • a school is described as an example of an educational environment including a first person and a plurality of second persons having different occupations from the first person.
  • the present invention is not limited to this. is not.
  • it can be applied to other educational environments such as a cram school and a prep school.
  • FIG. 1 is a schematic diagram for explaining an example of the processing flow of the correlation factor specifying method and the correlation factor presentation system with academic achievement. More specifically, in FIG. 1, the overall process flow from identifying human behavior data in a school environment to a factor that correlates with academic achievement, and presenting measures to improve academic achievement based on that factor Is shown.
  • reference numeral 101 denotes an input step of human relationship graph data which is data representing human relationships and physical movement data.
  • 102 is human relationship graph data which is face-to-face information obtained based on information such as an infrared sensor
  • 103 is physical movement data obtained based on information such as an acceleration sensor.
  • Reference numeral 104 denotes an analysis processing step for human relationship graph data and physical movement data.
  • 105 is a step of analyzing the physical movement (acceleration waveform) between the teacher and the student
  • 106 is a step of analyzing the synchronization of the physical movement (acceleration waveform) between the students
  • 107 is This is an index calculation step for face-to-face communication between teachers and students or between students.
  • Reference numeral 108 denotes an input step of academic achievement data which is a productivity index in education.
  • Reference numeral 109 denotes a correlation analysis step between the academic achievement data in the input step 108 and the human behavior index which is the result of the analysis processing step 104.
  • Reference numeral 110 denotes an output step of data relating to an index or pattern that is specified as a result of the correlation analysis step 109 and correlates with the academic achievement.
  • the human relationship graph data and the human movement graph data 102 in the physical movement data input step 101 include, for example, face-to-face data and face-to-face data obtained by wearing a wearable sensor equipped with an infrared sensor, for example, a name tag type sensor.
  • Network information that reflects the situation.
  • communication data obtained using a mobile phone or an e-mail usage history may be used, but here, a face-to-face communication will be described as an example.
  • a node of the network is a person, and a link is drawn between nodes based on a rule that a link is established between nodes when communicating for a certain period of time or longer.
  • the physical relationship data 103 in the human relationship graph data and physical motion data input step 101 is, for example, a physical sensor obtained by wearing a wearable sensor equipped with an acceleration sensor, such as a name tag type sensor. It is information about movement. Specifically, it is a certain time, for example, the number of vibrations of the body per second. Data representing physical movements obtained from a mobile phone or the like may be input instead of data representing physical movements obtained by wearing such wearable sensors in consideration.
  • the acceleration waveform synchronism analysis step 105 between the teacher and the student is performed based on the human relationship graph data 102 and the physical motion data 103 input in step 101.
  • This is a process of performing an acceleration waveform synchronism analysis step 106 and a face-to-face communication index calculation step 107 between students.
  • the step 105 for analyzing the synchronism of the acceleration waveform between the teacher and the student is a number of zero crossings indicating how many times the acceleration signal goes back and forth in the unit time, for example, a numerical value representing physical movement from the physical movement data 103.
  • a numerical value representing physical movement from the physical movement data 103 are arranged in a time series, and the degree of coincidence between the time series fluctuation of the numerical value representing the physical movement of the teacher and the time series fluctuation of the numerical value representing the physical movement of the student is examined.
  • the inter-study acceleration waveform synchrony analysis step 106 arranges numerical values representing physical movements, for example, the number of zero crossings of acceleration signals, in time series from the physical movement data 103, so This is a process for examining the degree of coincidence of time-series fluctuations in numerical values representing movement.
  • the face-to-face communication index calculation step 107 is a process of calculating the degree, clustering coefficient, distance between nodes, and the like in the face-to-face network diagram representing the face-to-face relation from the human relation graph data 102.
  • the academic achievement data input step 108 is a process of inputting academic achievement data reflecting the student's academic achievement, such as a proficiency level confirmation test.
  • the human behavior index calculated in the analysis processing step 104 of the human relationship graph data and the physical movement data and the test input in the academic performance data input step 108 are performed. This is a process of calculating the correlation with the score.
  • the data output step 110 relating to the index and pattern correlating with the academic achievement is displayed in the form of a graph or the like indicating the index or the human behavior pattern correlated with the academic achievement specified as a result of the correlation analysis step 109 between the academic achievement data and the human action index. It is processing to do.
  • the acceleration waveform of the teacher and the student may be displayed in time series
  • the acceleration waveform of the students may be displayed in time series
  • a face-to-face network diagram may be displayed
  • face-to-face information May be output in the form of a matrix, or other information may be displayed.
  • FIG. 2 is a block diagram illustrating an example of a configuration of a correlation factor presentation system with academic achievement. More specifically, FIG. 2 shows an overall system configuration including a hardware configuration of a computer, a sensor, and a data management server via the Internet network.
  • 201 is a sensor for measuring human relation graph data and physical movement data
  • 202 is a data management server storing human relation graph data, physical movement data, academic achievement data, and the like.
  • Reference numeral 203 denotes a display device
  • 204 denotes an input device
  • 205 denotes a communication device
  • 206 denotes a CPU
  • 207 denotes a hard disk
  • 208 denotes a memory.
  • Reference numeral 209 denotes a face-to-face information database that stores face-to-face information that is human relationship graph data
  • 210 denotes an acceleration information database that stores acceleration information
  • 211 denotes a user attribute database that stores an index value for each user.
  • Reference numeral 212 denotes an analysis program.
  • analysis programs 212, 213 is an acceleration synchronization analysis program between teachers and students
  • 214 is an acceleration synchronization analysis program between students
  • 215 is a face-to-face communication index calculation program
  • 216 is academic performance data and human behavior Correlation analysis program with indicators.
  • Reference numeral 217 denotes an Internet network.
  • the human relationship graph data is face-to-face information such as “who and who are facing each other” obtained by an infrared sensor built in a wearable sensor such as a name tag type sensor.
  • the physical movement data is information representing the degree of physical movement such as “frequency of physical shaking per minute” obtained from a name tag type sensor or an acceleration sensor built in a mobile phone, for example. .
  • Human relationship graph data and physical movement data are input directly from the sensor 201 to the input device 204 of the system, or stored in the data management server 202 via the communication device 205 via the Internet 217. Stored in the hard disk 207.
  • the academic achievement data reflecting the academic achievement such as the score of the test is directly input to the input device 204 of the system by a method such as manual input, or the data stored in the data management server 202 is stored in the Internet network 217. And stored in the hard disk 207 via the communication device 205.
  • the human relationship graph data to be analyzed input via the input device 204 or the communication device 205 is temporarily stored in the face-to-face information database 209 in the hard disk 207.
  • the physical movement data to be analyzed input via the input device 204 or the communication device 205 is temporarily stored in the acceleration information database 210 in the hard disk 207.
  • the academic achievement data to be analyzed input via the input device 204 or the communication device 205 is temporarily stored in the user attribute database 211 in the hard disk 207.
  • User attribute values (distinguishing between teacher and student, sex, grade information, etc.) input via the input device 204 or the communication device 205 are temporarily stored in the user attribute database 211 in the hard disk 207. Is done.
  • the information on the acceleration stored in the acceleration information database 210 stored in the hard disk 207 is read into the memory 208 and analyzed by the CPU 206.
  • the calculation is executed by executing the acceleration synchronization analysis program 213 between the teacher and the student and the acceleration synchronization analysis program 214 between the students, and the calculation result is added to the user attribute database 211. .
  • the information regarding the face-to-face stored in the face-to-face information database 209 stored in the hard disk 207 is read into the memory 208, and the CPU 206 executes the face-to-face communication index calculation program 215 in the analysis program 212.
  • the calculation is executed, and the calculation result is added to the user attribute database 211.
  • FIG. 3A is a diagram illustrating an example of a data set stored in the meeting information database.
  • FIG. 3B is a diagram illustrating an example of a face-to-face network. More specifically, FIG. 3A shows an example of a data set related to face-to-face information, which is human relationship graph data input from the outside, in a system for presenting a correlation factor with academic achievement.
  • FIG. 3B shows an example of a face-to-face network diagram that can be drawn using FIG. 3A.
  • the data set related to the meeting time information shown in FIG. 3A is stored in the meeting information database 209 in FIG.
  • 301, 302, 303, and 304 are student or teacher user IDs arranged in the row direction, and 305, 306, 307, and 308 are student or teacher user IDs arranged in the column direction.
  • 309, 310, 311 and 312 are node numbers representing students or teachers in the face-to-face network diagram depicting the face-to-face relationship.
  • the link between the nodes of the face-to-face network is drawn according to the rule that, for example, a link is established if the face-to-face contact is 5 minutes or more per day.
  • the matrix element represents the meeting time of the students and teachers constituting the school, for example, the meeting time obtained by attaching the name tag type wearable sensor equipped with the infrared sensor to the students and teachers. For example, in minutes.
  • the method for measuring the meeting time may be measured using a wearable sensor as described above, or other methods may be used.
  • the matrix elements of User1 (301) and User2 (306) are 13.55, which indicates that User1 and User2 face each other for an average of 13.55 minutes per day, for example.
  • a network diagram representing the relationship between people at school can be drawn from the face-to-face relationship.
  • a person is a node and a rule such as “draw a link between nodes having a meeting time of 5 minutes or more” is defined, a network diagram composed of nodes and links can be drawn.
  • FIG. 3B when a network diagram is drawn using the rule of “draw a link between nodes having a meeting time of 5 minutes or more”, the matrix elements of User1 (301) and User2 (306) are 13.55 in FIG. 3A. Therefore, a link is drawn between the node 1 (309) and the node 2 (310). Similarly, since the matrix element of User1 (301) and User3 (307) is 15.7, a link is also drawn between node 1 (309) and node 3 (311).
  • FIG. 4 is a diagram illustrating an example of a data set stored in the acceleration information database. More specifically, FIG. 4 shows an example of a data set related to acceleration information, which is physical movement data input from the outside, in the correlation factor presentation system with academic achievement.
  • the data set relating to acceleration information shown in FIG. 4 is stored in the acceleration information database 210 in FIG.
  • 401 is time information described in the horizontal direction of the table representing the data set
  • 402 is the user ID of the teacher or student described in the vertical direction
  • 403 is a numerical value indicating the degree of physical movement. .
  • Time 401 is recorded in increments of 1 minute, for example.
  • the user ID 402 matches the user IDs 301 to 308 in FIG.
  • the numerical value 403 representing the degree of physical movement may be, for example, the number of times of vibration per minute, the value expressed in Hz which is the number of vibrations per second, It is a value that represents the activity and frequency of typical movements. For example, when the number of vibrations per minute is set, in the example of FIG. 4, for the student whose user ID 402 is User1, the time 401 is 1 minute (between 0 and 1 minute) and the numerical value 403 is 131. It shows that there were 131 vibrations per minute.
  • FIG. 5 is a diagram illustrating an example of a data set stored in the user attribute database.
  • the data set relating to the user attributes shown in FIG. 5 is stored in the user attribute database 211 in FIG.
  • 501 is a user ID of a student or teacher
  • 502 is a position indicating the type of job such as a teacher, student, or clerk
  • 503 is a subject in charge of a teacher or a subject that a student takes
  • 504 is a grade
  • 505 is Class names indicating classes in charge of teachers and classes attended by students
  • 506, 507, and 508 are test scores that reflect academic achievements.
  • the user IDs 501 such as students and teachers match the user IDs 301 to 308 and 402 recorded in the face-to-face information database 209 and the acceleration information database 210.
  • Position 502 is for identifying teachers, students, and other school staff such as office workers.
  • the subject 503 is the subject name of the subject in charge when the position 502 is a teacher, and the subject name of the subject when the position 502 is a student. If there are a plurality of subjects and subjects, a plurality of subject names are recorded. Yes. In the example of FIG. 5, they are arithmetic, Japanese language, science, and society.
  • grade 504 the grade is recorded for those who are students of position 502. In the example of FIG. 5, the fifth grade, the sixth grade, and the fourth grade.
  • the class name 505 is a unique ID number assigned to each subject 503, the class ID of the subject subject is the person who is in the position 502, and the class ID of the subject subject is the person who is the student in the position 502. has been written.
  • the classes are C1 to C6.
  • the score for the January test 506 is written for multiple subjects when taking multiple subjects.
  • a student whose user ID 501 is User 7 has taken arithmetic, national language, science, and social subjects, so the test score 506 for January is in this order, with 85 arithmetic points and Japanese language.
  • the score of 90 points, science 98 points, society 70 points is recorded.
  • the student whose user ID 501 is User 9 has taken only two subjects of mathematics and Japanese language, so the score of 506 for the January test is recorded with 92 points of arithmetic and 78 points of Japanese language in this order. Science and social scores are not recorded.
  • the score 507 for the February test and the score 508 for the March test are the user attributes shown in the example of FIG. 5 after the test is conducted and the result is scored, similar to the score 506 for the January test. It is recorded in the database 211.
  • sex and age may be added to the user attribute database.
  • FIG. 6 is a diagram showing acceleration waveforms of teachers and students and an example of converting them into arrow notations.
  • the acceleration waveform between the teacher and the student in FIG. 6 shows an example of physical movement data.
  • 601 is the teacher's acceleration waveform
  • 602 is the student's acceleration waveform
  • 603 is the time series obtained by converting the teacher's acceleration waveform into an arrow up / down
  • 604 is the student's acceleration waveform converted into an arrow up / down. Series.
  • the teacher's acceleration waveform 601 and the student's acceleration waveform 602 are, for example, arranged in a time series of vibration frequencies per unit time obtained from an acceleration sensor built in a name tag type wearable sensor worn by the teacher or student.
  • the numerical value 403 (FIG. 4) stored in the acceleration information database 210 of FIG. 2 is arranged in time series. Even if it is not a wearable sensor, you may use the data obtained from the acceleration sensor etc. which are incorporated in the mobile telephone, for example.
  • the time series 603 obtained by converting the teacher's acceleration waveform into an arrow up / down and the time series 604 obtained by converting the student's acceleration waveform into an arrow up / down can be obtained as follows.
  • a certain time frame compares the numerical value representing the degree of physical movement in the previous frame and the current frame, for example, the zero cross frequency of acceleration.
  • an upward arrow is assigned to the current frame. That is, if the frame difference is positive, an upward arrow “ ⁇ ” is allocated. If the zero cross frequency of the acceleration of the current frame is smaller than the zero cross frequency of the acceleration of the previous frame, a downward arrow is assigned to the current frame. That is, if the frame difference is negative, the downward arrow “ ⁇ ” is allocated.
  • the change in the movement of the student relative to the change in the movement of the teacher is: “teacher ⁇ and student ⁇ ”, “teacher ⁇ and student ⁇ ”, “teacher ⁇ and student ⁇ ”, “teacher ⁇ There are four patterns of “
  • each student calculates the ratio P ij of each of these four patterns with respect to the teacher's movement, using equation (1).
  • the total class time is the total class time that the student attended in the target period, for example, one month.
  • the correlation between the four ratios P ij calculated by the equation (1) and the student's academic performance, for example, the score 506 of the January test stored in the user attribute database 211 in FIG. 5 is calculated. In this way, you can know the correlation between teachers and students in what patterns they have physically interacted with during class.
  • FIG. 7 is a flowchart showing an example of processing for performing correlation analysis between the synchronization of physical movements between the teacher and the student and the academic achievement.
  • 701 is a step of inputting physical movement data
  • 702 is a processing step of converting an acceleration waveform into a time series of an upward arrow and a downward arrow
  • 703 is a ratio P ij expressed by equation (1) for each student.
  • steps 701 to 705 is performed by reading information on acceleration stored in the acceleration information database 210 in FIG. 2 into the memory 208, and the CPU 206 executing the acceleration synchronization analysis program 213 between the teacher and the student. Steps 701 to 705 are performed in order.
  • the physical motion data input step 701 for example, physical motion data obtained from a name tag type wearable sensor worn by a teacher or a student or an acceleration sensor built in a mobile phone is input to the system. .
  • physical motion data is already stored in the acceleration information database 210 of FIG. 2, there is no need to input it again.
  • the processing step 702 for converting the acceleration waveform into a time series of an upward arrow and a downward arrow reads a numerical value 403 (FIG. 4) stored in the acceleration information database 210 of FIG. Each time, a numerical value 403 representing the degree of physical movement in the previous frame and the current frame, here, the zero-cross frequency of acceleration is compared. Next, if the zero cross frequency of the current frame acceleration is larger than the zero cross frequency of the acceleration of the previous frame, an upward arrow is assigned to the current frame, and if the acceleration of the current frame exceeds the zero cross frequency of the previous frame acceleration If the zero cross frequency is small, a downward arrow is assigned to the current frame.
  • the processing step 703 for calculating the ratio P ij for each student calculates the value of the equation (1) for each student.
  • the processing step 705 for displaying a pattern having a correlation as a result of examining the correlation between the academic achievement and the ratio P ij , the presence or absence of the correlation and which pattern is correlated with the academic achievement are displayed on a display or the like.
  • FIG. 8A and FIG. 8B are scatter diagrams showing an example of an experimental result obtained by examining a correlation between a physical movement synchronization pattern between a teacher and a student and an academic achievement. More specifically, in FIG. 8A and FIG. 8B, the four ratios P ij calculated by the equation (1) and the student's individual results (average of deviation values of monthly tests of all subjects for three months) and This shows the result of calculating the correlation.
  • the target students are elementary school 5th and 6th graders and 82 people.
  • 801 is an experimental result obtained by examining the correlation between the ratio P ⁇ ⁇ and the student's grade.
  • 802 is the experimental result which investigated the correlation with ratio P ⁇ and a student's grade.
  • the student's individual academic achievement is represented here as a deviation value
  • the vertical axis is the deviation value
  • the horizontal axis is the ratio P ⁇ ⁇ and the ratio P ⁇ .
  • Each point represents 82 students.
  • correlation coefficient R and p value indicating statistical significance are shown.
  • FIG. 8A there is a proportional relationship (negative negative correlation) in which the deviation value decreases as P ⁇ ⁇ increases
  • FIG. 8B a proportional relationship (increase in the positive direction) that increases as P ⁇ increases. Correlation). This indicates that "students who are active when the teacher is quiet have poor grades", conversely, "students who are quiet when the teacher is quiet have good grades”. This result can be interpreted that a student who is noisy when the teacher is silently calling attention is bad, and a student who stops moving and focuses on the teacher's behavior is good.
  • FIG. 9 is a diagram illustrating an example in which the acceleration waveforms of students are divided into an active state and a non-active state.
  • the acceleration waveform between students in FIG. 9 shows an example of physical movement data.
  • reference numeral 901 denotes an acceleration waveform
  • reference numeral 902 denotes an acceleration threshold (Threshold).
  • the acceleration waveform 901 is obtained by, for example, arranging the vibration frequencies per unit time obtained from an acceleration sensor built in a name tag type wearable sensor worn by a student in time series. Numerical values 403 (FIG. 4) stored in the database 210 are arranged in time series. Even if it is not a wearable sensor, you may use the data obtained from the acceleration sensor etc. which are incorporated in the mobile telephone, for example.
  • the acceleration threshold 902 is, for example, the zero-crossing frequency of the average acceleration of all students, such as physical movements, dynamic movements such as running or talking with gestures, and sitting on a chair and writing notes. This value is divided into static movement.
  • an index U that represents the synchrony of physical movement between students in each class is defined as shown in equation (2), which is called unity here. .
  • T is the total class time during the period of interest
  • n t Non-active is determined at time t that it is Non-active
  • N is the total number of students in the class
  • max (a, b) is a function that takes the larger value of a and b.
  • the parentheses in the equation are calculated for each time frame and averaged over the entire time, that is, the degree of coincidence of the state per time frame, and the physical movement of students in the class is synchronized. It is defined as degree, that is, unity.
  • the unity U takes a value from 0.5 to 1.0, and the larger the value, the more the class members are performing similar physical movements. On the other hand, when the value is small, there are some students who are actively moving and some students who are hardly moving, which means that the physical movement of class members is disjoint.
  • FIG. 10 is a flowchart illustrating an example of a process for performing a correlation analysis between physical movement synchronism between students and academic achievement. More specifically, FIG. 10 is a flowchart for examining the relationship between the academic achievement of the class, that is, the average of the academic achievement of the class member, and the synchronization of physical movement between students of the class using the unity degree U. .
  • 1001 is a step for inputting physical movement data
  • 1002 is a processing step for determining an active state and a non-active state for each student constituting the class
  • 1003 is shown by equation (2) for each class.
  • a processing step for calculating the degree of unity U 1004 for calculating a correlation between the academic grade (average of academic grades of students constituting the class) and the unity U, and 1005 for displaying the result of the correlation analysis on a display or the like. Processing steps.
  • the processing in steps 1001 to 1005 reads information on acceleration stored in the acceleration information database 210 in FIG. 2 to the memory 208, and the CPU 206 executes the acceleration synchronism analysis program 214 between students. Steps 1005 are performed in order.
  • Physical motion data input step 1001 inputs physical motion data obtained from, for example, a name tag type wearable sensor worn by a student or an acceleration sensor built in a mobile phone to the system.
  • a name tag type wearable sensor worn by a student or an acceleration sensor built in a mobile phone When physical motion data is already stored in the acceleration information database 210 of FIG. 2, there is no need to input it again.
  • the numerical value 403 (FIG. 4) stored in the acceleration information database 210 of FIG.
  • this numerical value 403 for example, the zero cross value of acceleration, is above or below the threshold. If it is above the threshold, the Active state, below the threshold In the case of, it is a process for determining that it is in a non-active state.
  • the processing step 1003 for calculating the unity U for each class calculates the value of equation (2) for each class.
  • the processing step 1004 for calculating the correlation between the academic achievement (average of the academic achievement of students constituting the class) and the unity U is the academic achievement (class average of test scores) for each class correlated with U for each class? Check out.
  • the processing step 1005 for displaying the result of the correlation analysis the result of examining the correlation between the academic achievement and the unity U is displayed on the display of the display device 203 or the like.
  • FIG. 11 is a scatter diagram showing an example of an experimental result obtained by examining a correlation between the degree of physical movement between students constituting a class and the academic achievement of the class. More specifically, in FIG. 11, the unity U of each class is calculated for 31 classes of 5th and 6th graders, and the deviation value of each class (average of deviation values of students belonging to the class) and It shows the result of examining the correlation.
  • reference numeral 1101 denotes experimental results obtained by examining the correlation between the degree of unity U of each class and the deviation value of each class.
  • the horizontal axis is the unity U for each class calculated by equation (2) in a certain period
  • the vertical axis is the deviation value for each class (average of deviation values of class constituent students)
  • each point is for each class of 31 classes Represents.
  • FIG. 12 is a diagram illustrating an example of a face-to-face network drawn using face-to-face information. More specifically, FIG. 12 shows a face-to-face situation between people in schools such as students and teachers in a network diagram.
  • reference numeral 1201 denotes a node representing a person
  • 1202 denotes a link drawn based on a rule that a link is established if a person and a person face each other for a certain time.
  • the face-to-face information of members of a school or a cram school such as students or teachers is face-to-face information for each user stored in the face-to-face information database 209 in FIG.
  • the degree of node i is the number of links connected to node i, and the degree of i is 5 in the example of FIG. This means that Mr. i has faced five people for more than a certain time.
  • the clustering coefficient C i of node i is defined by equation (3).
  • k i is the number of nodes connected to the node i, that is, the degree
  • e i is the number of links between these nodes.
  • the face-to-face time information for each user stored in the face-to-face information database 209 in FIG. Implemented by the index calculation program 215.
  • Experiment result 3 is the result of examining the correlation between the student's academic achievement and face-to-face communication.
  • Experimental result 4 is the result of examining the correlation between academic achievement and face-to-face communication for each class.
  • the order for each class is the average of the individual students' degree k i constituting the class among all the class members.
  • the clustering coefficient for each class is the individual clustering coefficient C i for all class members. Calculated as the average of
  • FIG. 13A and FIG. 13B are scatter diagrams showing an example of experimental results obtained by examining the correlation between the face-to-face network index of students or teachers constituting a class and the academic achievement of the class. More specifically, in FIG. 13A and FIG. 13B, the degree and clustering coefficient for each class are calculated for 31 classes using the face-to-face information during the break, and the correlation with the academic achievement for each class is expressed. It is a thing.
  • 1301 is an experimental result showing the correlation between the class order and the class deviation value.
  • reference numeral 1302 denotes an experimental result representing the correlation between the class clustering coefficient and the class deviation value.
  • R 0.44, p ⁇ 0.02
  • FIG. 13A there is a proportional relationship (a positive correlation that rises to the right) in which the deviation value increases as the order increases.
  • FIG. 14 is a flowchart illustrating an example of processing for performing correlation analysis between a face-to-face communication index and academic achievement. More specifically, FIG. 14 is a flowchart for examining the correlation between the academic achievement and the index of the face-to-face network, that is, the degree and the clustering coefficient.
  • 1401 is an input step of human relationship graph data
  • 1402 is a degree as a face-to-face network index for each individual
  • 1403 is a processing step for determining whether to analyze for each class
  • 1404 Step for calculating the degree of each individual, the correlation between the clustering coefficient and the academic achievement for each individual, 1405 for the order for each class, the step for calculating the clustering coefficient, 1406 for the order for each class, the clustering coefficient for each class
  • steps 1401 to 1407 the information regarding the meeting stored in the meeting information database 209 in FIG. 2 is read into the memory 208, and the CPU 206 executes the index calculation program 215 for meeting communication, thereby performing steps 1401 to 1407. It is done in order.
  • the human relationship graph data input step 1401 is obtained by reading the face-to-face information database 209 from the face-to-face information obtained from an infrared sensor incorporated in a wearable sensor or the like worn by a student or teacher.
  • the processing step 1402 for calculating the face-to-face network index for each individual is a process for calculating the degree, the clustering coefficient, and other indices for each individual, that is, for each student, each teacher, or each other user. is there.
  • Processing step 1403 for determining whether to analyze for each class is processing for determining whether to analyze for each class (Yes) or whether to analyze for each individual (No).
  • an average class index (order for each class) is calculated from the network index (individual order or clustering coefficient for each individual) calculated in step 1402. , The clustering coefficient) is calculated (step 1405), and the correlation between the average index of these classes and the academic achievement (average of the grades of students constituting the class) for each class is calculated (step 1406).
  • Step 1403 when analyzing for each individual (No), the correlation between the network index (degree and clustering coefficient for each individual) calculated in step 1402 and the academic achievement for each individual is calculated. (Step 1404).
  • Processing step 1407 for displaying the analysis result displays the result of examining the correlation between the face-to-face network index and the academic achievement for each class or for each individual on the display of the display device 203 or the like.
  • Example of analysis result display> display examples of the above-described analysis results will be described with reference to FIGS.
  • display examples of the analysis result of the synchronization between the teacher and the student, the analysis result of the synchronization between the students, and the analysis result of the face-to-face communication will be described in order.
  • This analysis result is displayed on the display of the display device 203 or the like.
  • 15A and 15B are diagrams illustrating an example of a screen that displays a result of a correlation analysis between the synchronization of physical movements between a teacher and a student and academic achievement.
  • reference numeral 1501 denotes an analysis result display screen that displays the relationship between a student with good grades (student A) and a teacher.
  • reference numeral 1502 denotes an analysis result display screen that displays the relationship between a student with poor grades (student B) and the teacher.
  • 1503 and 1504 indicate the acceleration waveform of the teacher and the student
  • 1505 and 1506 indicate the movement pattern with the teacher that correlates with the student's academic achievement
  • 1507 and 1508 indicate the physical relationship with the student's teacher.
  • 1509 and 1510 are proposal messages for specific policy design support for improving academic performance
  • 1511 and 1512 are highlights of synchronization patterns between teachers and students that correlate with academic performance. .
  • 15A and 15B show screens for teachers, screens for students or parents of students may also be used.
  • 15A and 15B may be displayed on a personal computer display as the display device 203, or may be printed on paper and provided as a report.
  • the teacher and student acceleration waveform displays 1503 and 1504 display the target student and teacher numerical values 403 for a certain period from the data stored in the acceleration information database 210.
  • the waveform patterns of the teacher and students that correlate with the academic achievement are indicated by highlights 1511 and 1512 by hatching or the like.
  • the teacher's acceleration waveform and the student's acceleration waveform are based on the experimental result that P ⁇ correlates with the individual's academic performance among the indices calculated by the equation (1). Both areas are hatched.
  • the indications 1507 and 1508 of the degree of synchronization of physical movements with the student teacher indicate the ratio of the student-teacher synchronization pattern that correlates with academic achievement in the target period.
  • a student with good grades has a ratio P ⁇ of 65% of “the student becomes quiet when the teacher becomes quiet” in the class time (1507).
  • a student who is bad shows that the ratio P ⁇ of “the student becomes quiet when the teacher becomes quiet” in class time is only 26% (1508).
  • Measures proposal messages 1509 and 1510 contain proposals for measures to be implemented to improve academic performance based on the difference in the degree of synchronization between the physical movements of teachers and students.
  • “Please keep the current state” is proposed (1509)
  • “Student B ’s reaction during class is noted.
  • Other expressions may be used.
  • FIGS. 15A and 15B show examples of feedback screens for teachers. However, when giving feedback for students, for example, students with poor grades and low degree of physical movement synchronization with teachers. For that, the measure proposal message 1510 becomes like “Be more careful with the teacher's behavior”.
  • 15A and 15B are displayed in the process of displaying (705) a correlated pattern in the flowchart shown in FIG.
  • FIG. 16A and FIG. 16B are diagrams illustrating an example of a screen that displays a result of correlation analysis between students' physical movement synchrony and academic achievement.
  • reference numeral 1601 denotes an analysis result display screen that displays the relationship between the degree of synchronization of physical movements between students in a class with good grades (class A) and the academic achievements of the classes.
  • reference numeral 1602 denotes an analysis result display screen that displays the relationship between the degree of synchronization of physical movements between students in a class with poor grade (class B) and the academic achievement of the class.
  • 1603 and 1604 are displays of acceleration waveforms for each student constituting the class
  • 1605 and 1606 are displays of average acceleration waveforms of the students constituting the class
  • 1607 and 1608 are ones of the students of the class.
  • Degree indications 1609 and 1610 are measure proposal messages for supporting measure design for improving the academic achievement of the class.
  • 16A and 16B show screens for teachers, screens for students or parents of students may be used.
  • 16A and 16B may be displayed on a display of a personal computer that is the display device 203, or may be printed on paper and provided as a report.
  • the display of acceleration waveforms 1603 and 1604 of the students constituting the class displays data for a certain period from the numerical value 403 stored in the acceleration information database 210.
  • the display of the average acceleration waveform 1605 and 1606 of the students constituting the class is calculated using a numerical value 403 representing physical movement in each time frame for each student.
  • the student's unity display 1607 and 1608 displays values calculated by the calculation formula (2).
  • FIGS. 16A and 16B an example of a Ford back screen for teachers is shown.
  • the measure proposal message 1610 becomes “Please cooperate with your friends and participate in the class”.
  • FIG. 17 is a diagram illustrating an example of a screen that displays a result of correlation analysis between the face-to-face communication index and the academic achievement.
  • 1701 is a face-to-face network diagram
  • 1702 is a class ID
  • 1703 is a degree for each class
  • 1704 is a clustering coefficient for each class
  • 1705 is a message for suggesting measures for improving academic achievement for each class.
  • Face-to-face network diagram 1701 uses the face-to-face information database 209 to display the face-to-face situation in the target period as a face-to-face network.
  • FIG. 17 shows an example in which a face-to-face network of a certain school is drawn, but four classes (C1, C2, C3, C4) are included, and the shape and color of the node are changed for each class. The class is drawn so that it can be identified.
  • the class ID 1702 matches the class ID stored in the user attribute database 211.
  • the order 1703 for each class is displayed by, for example, the expression “number of people facing”, and the average order for each class is displayed.
  • the clustering coefficient 1704 for each class is displayed, for example, in the expression “closeness”, and the average clustering coefficient for each class is displayed.
  • the measure proposal message 1705 for improving academic achievements refers to the degree, clustering coefficient, and academic achievement for each class. For example, prepared for a class with poor academic achievement and a low degree and clustering coefficient. Select from several messages to display. In the example of FIG. 17, “calling students during break time” is displayed for class C1, and “secure break room” is displayed for class C2. For a class with good academic performance and a high degree and clustering coefficient, a message such as “maintain status” is issued. In the example of FIG. 17, “Maintain Current” is displayed for classes C3 and C4.
  • FIG. 17 shows an example of a feedback screen for teachers.
  • the measure proposal message 1705 is, for example, “Slightly chat with friends. "Please change your mind.”
  • FIG. 18A and FIG. 18B are scatter diagrams showing an example of simulation experimental results. More specifically, in FIG. 18A and FIG. 18B, the test deviation value is predicted for each student and for each class, and the actual deviation value and the predicted value are displayed in a scatter diagram.
  • 1801 is a scatter diagram showing the relationship between the predicted academic achievement for each student and the actual academic achievement.
  • reference numeral 1802 is a scatter diagram showing the relationship between the predicted academic achievement for each class and the actual academic achievement.
  • the predicted value of the academic achievement for each student is P ⁇ ⁇ , P ⁇ , and the number of people in the meeting as explanatory variables, the regression coefficient and intercept are calculated by multiple regression analysis, and the regression equation is calculated. It is calculated by doing. All these explanatory variables correlate with individual academic performance.
  • the predicted value of the academic achievement for each class is calculated with regression coefficients and intercepts by multiple regression analysis using the unity U, the degree of face-to-face network, and the clustering coefficient as explanatory variables, and the regression equation is calculated. It is calculated by doing. All of these explanatory variables correlate with class academic performance.
  • correlation factor specifying method and correlation factor presentation system with academic achievement in the present embodiment, it is not class design based on conventional experience, but based on human behavior data, teachers and students, or between students It is possible to provide an educational system that can improve academic performance by quantitative judgment and prediction using human relationship data.
  • step 105 to 107 by executing the programs 213 to 215, human beings are face-to-face data of a teacher and a student measured by the sensor 201 attached to the teacher and the student, respectively.
  • the relationship graph data 102 and the physical movement data 103 which is a physical quantity
  • a relationship pattern between the teacher and the students and between the students is analyzed.
  • step 109 by executing the program 216, the correlation between the relationship pattern and the student's academic achievement data is obtained, thereby analyzing the pattern having a strong correlation with the academic achievement among the relationship patterns.
  • step 105 the synchronization of the physical movement between the teacher and the student based on the physical movement data stored in the acceleration information database 210 by executing the program 213. Can be analyzed. Further, in step 106, by executing the program 214, it is possible to analyze the synchrony of physical movement between students based on the physical movement data stored in the acceleration information database 210. Further, in step 107, by executing the program 215, a face-to-face communication index can be calculated based on the human relationship graph data stored in the face-to-face information database 209.
  • step 109 by executing the program 216, the academic achievement data stored in the user attribute database 211, the first index related to face-to-face communication calculated in step 107, the second index related to physical movement calculated in step 105, Based on the third index relating to physical movement calculated in step 106, the correlation between the academic achievement data and the first to third indices can be analyzed. This makes it possible to design a system based on quantitative human behavior data, not based on qualitative judgments such as the experience of teachers and school operators.
  • step 110 the result of predicting the academic achievement can be displayed on the display device 203 using an index that affects the identified academic achievement. This makes it possible to predict how the academic achievement will change when the relationship between the teacher and the student in the school environment and the relationship between the students are changed.
  • the display device 203 can display measures for improving the academic achievement by controlling the index that affects the identified academic achievement.
  • specific policy design for improving academic achievement can be effectively performed by specifying an index based on quantitative data and effectively presenting the relationship with academic achievement.
  • a factor that correlates with academic achievement can be automatically specified by a computer. Even without it, it is possible to design and verify measures for improving academic performance in a timely and quantitative manner. Furthermore, it is possible to estimate, for example, which academic factors improve by changing which factors and how using the specified index or pattern.
  • the invention made by the present inventor has been specifically described based on the embodiment.
  • the present invention is not limited to the embodiment, and various modifications can be made without departing from the scope of the invention. Needless to say.
  • the above-described embodiment has been described in detail for easy understanding of the present invention, and is not necessarily limited to one having all the configurations described.
  • a school including a teacher and students has been described as an example of an educational environment.
  • the present invention is not limited to this, and other education such as a cram school and a prep school is provided. It can also be applied to the environment.
  • 1501 Analysis result display screen of the relationship between the physical movement synchronization between the teacher and the student with good grades and the academic achievement
  • 1502 Synchronism of physical movement between the teacher and the student with bad grade and the academic achievement Analysis result display screen
  • 1503, 1504 ... Display of acceleration waveform, 1505, 1506 ... Display of movement pattern with teacher correlated with academic achievement, 1507, 1508 ... Display of synchronization degree of physical movement with teacher , 1509, 1510 ... measure proposal message, 1511, 1512 ... highlighting of patterns correlated with academic achievement, 1601 ...
  • Analysis result display screen of relationship between physical movement synchronization between students in a class with good grades and academic achievement 1602 ... Synchronism of physical movement between students in a class with poor grades and academic grade Analysis result display screen, 1603, 1604 ... display of the acceleration waveform of the students composing the class, 1605, 1606 ... display of the average acceleration waveform of the students composing the class, 1607,1608 ... integration between the students Display, 1609, 1610 ... measure proposal message, 1701 ... Face-to-face network diagram, 1702 ... Class ID, 1703 ... Order for each class, 1704 ... Clustering coefficient for each class, 1705 ... Measure proposal message, 1801, 1802 ... Experimental results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

　学業成績との相関因子特定方法および相関因子提示システムにおいて、先生と生徒とにそれぞれ装着されたセンサにより測定された先生と生徒との対面データである人間関係グラフデータおよび物理量である身体的な動きデータに基づいて、先生と生徒との間および生徒同士の間の関係パターンを分析する。そして、関係パターンと生徒の学業成績データとの相関を取ることで、関係パターンのうち学業成績との相関が強いパターンを分析する。これにより、先生と生徒とを含む学校環境において、学業成績に影響を与える指標やパターンを、大量の人間行動データから定量的かつ自動的に特定し、提示することが可能になる。

Description

[規則37.2に基づきISAが決定した発明の名称]　学業成績との相関因子特定方法
　本発明は、学業成績との相関因子特定方法および相関因子提示システムに関する。より詳細には、ウェアラブルなセンサ、あるいは携帯電話などに内蔵されているセンサ、その他の手段によって測定される、人間関係や人間の様々な行動を反映した大量データ全般を解析し、学校や学習塾などにおける学業成績の向上、などを行う技術に関する。
　教育は、世界各国で関心が高い課題である。ＯＥＣＤ（Organization for Economic Co-operation and Development：経済協力開発機構）は、２０００年から３年ごとに１５歳から１６歳の子供の学習到達度調査（Programme for International Student Assessment：ＰＩＳＡ）を実施している。ＩＥＡ（The International Association for the Evaluation of Educational Achievement：国際教育到達度評価学会）も、１９９５年から小学校４年生および中学校２年生を対象に国際数学・理科教育動向調査（Trends in International Mathematics and Science Study：ＴＩＭＳＳ）を実施している。これらの調査結果に基づき、学校制度や教育内容の見直しが政府により検討されている。また、学習塾や予備校の市場規模は少子化に伴い横ばい、あるいは縮小傾向にある国々もある一方で、アジア諸国などでは学習塾の市場は年々拡大してきており、学習塾における補習の需要は高まっている。
　学業成績に影響する要因について、教育心理学や経済学の分野において多くの研究がなされている。研究の軸としては大きく２つあり、ひとつは家庭環境と学力との関係を調べたもの、もうひとつは学校環境と学力との関係を調べたものである。これらの研究によれば、学業成績を規定するのは家庭環境であり、学校環境の影響は小さい［非特許文献１，２］。すなわち、家庭の所得水準や幼少時の過ごし方などの学校運営者が制御不可能な因子の方が、クラスサイズや講師研修への投資額などの制御可能な因子よりも学業成績に強く影響を与える。クラスサイズの効果に関しては議論すべき点が多く残っており、はっきりとした効果があるとは言えない状況である［非特許文献３］。さらに、クラスメイトの効果（ピア効果）に関しては各国で検証され、一定の効果があることが報告されている［非特許文献４］が、そのメカニズムは明らかではなく、学校や学習塾においては従来の経験に基づいてクラス編成がなされることが多い。これらの先行研究における学校要因の分析は、クラス編成などの運営方法の違いや、講師のスキルと生徒の学業成績の関係を調べており、生徒と講師、あるいは生徒同士の対面のインタラクションや身体的な活発さなどの実世界における人間行動に着目したものではない。
　一方、センサ技術の発展や、携帯電話やソーシャルネットワークサービスの普及に伴い、実世界、およびサイバー空間における人間行動を反映した大量のデータが、時々刻々、大量に蓄積されている。これらの人間行動データと、企業の生産性の相関関係を分析する研究が盛んに行われている。その結果、一見ランダムに見える人間行動が、何らかのパターンを持っていたり、法則性に従っていたりすることが明らかになっている。さらに、特定のパターンが営業成績などの生産性と相関することも明らかになっている［非特許文献５］。また、組織の生産性や事故不良などの客観的評価、リーダシップ／チームワーク、やりがい／充実、ストレス／メンタルなどの主観的評価に影響を与えている行動を明らかにする技術も提案されている［特許文献１］。
J. S. Coleman, et al., Equality of Educational Opportunity, U.S. Govt. Print. Off.  (Washington, 1966). E. A. Hanushek, Assessing the Effects of School Resources on Student Performance: An Update, Educational Evaluation and Policy Analysis 19(2), pp. 141-164 (1997). L. Mishel, R. Rothstein, A. B. Krueger, E. A. Hanushek and J. K. Rice, The Class Size Debate, Economic Policy Institute (2002). A. Ammermueller and J. S. Pischke, Peer Effects in European Primary Schools: Evidence from PIRLS, Working Paper 12180, National Bureau of Economic Research, 2006. A. S. Pentland, The New Science of Building Great Teams, Harvard Business Review 90 (4), pp. 60-69 (2012).
国際公開ＷＯ２０１１／０５５６２８号公報
　上述した非特許文献１，２では、アンケート調査を基にして、家庭環境と学業成績との関係を調べている。このため、調査結果に含まれる曖昧さの除去や、教育環境の変化に伴ったタイムリーな調査の実施が困難であり、あくまで定性的な傾向を示したものである。
　また、上述した非特許文献３では、クラスサイズの効果に関して、その効果を疑問視する議論も含めたさまざまな議論がなされており、学校運営者がクラスサイズを制御することが学業成績の向上につながることが保証されていないことを示している。
　また、上述した非特許文献４では、成績の良いクラスメイトが多いクラスにいる生徒は、成績が良くなる、というクラスメイトの効果（ピア効果）に関して述べられており、各国で一定の効果があることが報告されている。しかしながら、そのメカニズムは良く分かっておらず、学校運営者の経験に基づいたクラス設計が行われている。
　すなわち、学業成績の向上に関係する因子に関する従来の研究では、経験に基づいた定性的な因子はいくつか候補があるが、それらは学校運営者にとって定量的な判断に基づいた学業成績向上に向けた施策設計を行うためには十分な判断材料とはなっていない。言い換えれば、学校運営者にとって制御可能な学業成績に影響を与える因子が見つかっていない。これは、定量的に効果を評価するための指標が構築されていないためである。また、定量的に効果を評価するための指標を構築するために必要な量および質のデータの収集が難しく、存在しないことも原因である。
　一方、上述した非特許文献５では、センサ技術、携帯電話やソーシャルネットワークサービスにより人間行動を反映した大量のデータを蓄積することができる。しかしながら、これらの人間行動データは、企業の生産性などの相関関係を分析する技術に用いられるものである。また、上述した特許文献１でも同様に、人間行動データは、組織の生産性や事故不良などに影響を与えている行動を明らかにするために用いられる。よって、非特許文献５、特許文献１は、教育環境における学校などの学業成績の向上に関係する因子に関する技術ではない。
　そこで、本発明は、このような課題を解決するためになされたものであり、その代表的な目的は、教育環境において、学業成績に影響を与える定量的な指標を特定し、提示する技術を提供することである。
　本発明の前記ならびにその他の目的と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
　本願において開示される発明のうち、代表的なものの概要を簡単に説明すれば、次のとおりである。
　（１）代表的な学業成績との相関因子特定方法は、第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績と相関する因子の特定方法である。前記学業成績との相関因子特定方法は、計算機により、前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサにより測定された前記第１の人間と前記複数の第２の人間との対面データおよび物理量に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析する第１ステップと、前記計算機により、前記関係パターンと前記複数の第２の人間の成績データとの相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する第２ステップと、を有する。
　（２）代表的な学業成績との相関因子提示システムは、第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績と相関する因子の提示システムである。前記学業成績との相関因子提示システムは、前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサにより測定された前記第１の人間と前記複数の第２の人間との対面データおよび物理量に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析し、前記関係パターンと前記複数の第２の人間の成績データとの相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する計算機を有する。
　本願において開示される発明のうち、代表的なものによって得られる効果を簡単に説明すれば以下のとおりである。
　すなわち、代表的な効果は、教育環境において、学業成績に影響を与える定量的な指標を特定し、提示することができる。
本発明の一実施の形態における学業成績との相関因子特定方法および相関因子提示システムの処理の流れの一例を説明する概略図である。 本発明の一実施の形態における学業成績との相関因子提示システムの構成の一例を示すブロック図である。 本発明の一実施の形態において、対面情報データベースに格納するデータセットの一例を示す図である。 本発明の一実施の形態において、対面ネットワークの一例を示す図である。 本発明の一実施の形態において、加速度情報データベースに格納するデータセットの一例を示す図である。 本発明の一実施の形態において、ユーザ属性データベースに格納するデータセットの一例を示す図である。 本発明の一実施の形態において、先生と生徒との加速度波形と、それらを矢印表記に変換する一例を示す図である。 本発明の一実施の形態において、先生と生徒との身体的な動きの同期性と学業成績との相関分析を行う処理の一例を示すフローチャートである。 本発明の一実施の形態において、先生と生徒との身体的な動きの同期パターン（Ｐ↓↑）と学業成績との相関関係を調べた実験結果の一例を示す散布図である。 本発明の一実施の形態において、先生と生徒との身体的な動きの同期パターン（Ｐ↓↓）と学業成績との相関関係を調べた実験結果の一例を示す散布図である。 本発明の一実施の形態において、生徒同士の加速度波形をＡｃｔｉｖｅ状態とＮｏｎ－ａｃｔｉｖｅ状態とに分ける一例を示す図である。 本発明の一実施の形態において、生徒同士の身体的な動きの同期性と学業成績との相関分析を行う処理の一例を示すフローチャートである。 本発明の一実施の形態において、クラスを構成する生徒同士の身体的な動きの一体度とクラスの学業成績との相関関係を調べた実験結果の一例を示す散布図である。 本発明の一実施の形態において、対面情報を用いて描いた対面ネットワークの一例を示す図である。 本発明の一実施の形態において、クラスを構成する生徒あるいは先生の対面ネットワークの指標（次数）とクラスの学業成績との相関関係を調べた実験結果の一例を示す散布図である。 本発明の一実施の形態において、クラスを構成する生徒あるいは先生の対面ネットワークの指標（クラスタリング係数）とクラスの学業成績との相関関係を調べた実験結果の一例を示す散布図である。 本発明の一実施の形態において、対面コミュニケーション指標と学業成績との相関分析を行う処理の一例を示すフローチャートである。 本発明の一実施の形態において、先生と生徒との身体的な動きの同期性と学業成績との相関分析の結果（生徒Ａ）を表示する画面の一例を示す図である。 本発明の一実施の形態において、先生と生徒との身体的な動きの同期性と学業成績との相関分析の結果（生徒Ｂ）を表示する画面の一例を示す図である。 本発明の一実施の形態において、生徒同士の身体的な動きの同期性と学業成績との相関分析の結果（クラスＡ）を表示する画面の一例を示す図である。 本発明の一実施の形態において、生徒同士の身体的な動きの同期性と学業成績との相関分析の結果（クラスＢ）を表示する画面の一例を示す図である。 本発明の一実施の形態において、対面コミュニケーション指標と学業成績との相関分析の結果を表示する画面の一例を示す図である。 本発明の一実施の形態において、シミュレーションの実験結果（生徒個人）の一例を示す散布図である。 本発明の一実施の形態において、シミュレーションの実験結果（クラス）の一例を示す散布図である。
　以下の実施の形態においては、便宜上その必要があるときは、複数のセクションまたは実施の形態に分割して説明するが、特に明示した場合を除き、それらは互いに無関係なものではなく、一方は他方の一部または全部の変形例、詳細、補足説明等の関係にある。また、以下の実施の形態において、要素の数等（個数、数値、量、範囲等を含む）に言及する場合、特に明示した場合および原理的に明らかに特定の数に限定される場合等を除き、その特定の数に限定されるものではなく、特定の数以上でも以下でもよい。
　さらに、以下の実施の形態において、その構成要素（要素ステップ等も含む）は、特に明示した場合および原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではないことは言うまでもない。同様に、以下の実施の形態において、構成要素等の形状、位置関係等に言及するときは、特に明示した場合および原理的に明らかにそうでないと考えられる場合等を除き、実質的にその形状等に近似または類似するもの等を含むものとする。このことは、上記数値および範囲についても同様である。
　［実施の形態の概要］
　まず、実施の形態の概要について説明する。本実施の形態の概要では、一例として、括弧内に実施の形態の対応する構成要素の符号等を付して説明する。
　（１）本実施の形態の代表的な学業成績との相関因子特定方法は、第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績と相関する因子の特定方法である。前記学業成績との相関因子特定方法は、計算機により、前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサにより測定された前記第１の人間と前記複数の第２の人間との対面データ（人間関係グラフデータ１０２）および物理量（身体的な動きデータ１０３）に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析する第１ステップ（ステップ１０５、１０６、１０７）と、前記計算機により、前記関係パターンと前記複数の第２の人間の成績データ（学業成績データ（ステップ１０８））との相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する第２ステップ（ステップ１０９）と、を有する（図１）。
　より好ましくは、前記第１の人間は先生であり、前記第２の人間は生徒であり、前記教育環境は学校である。前記第１ステップでは、前記先生と前記複数の生徒とにそれぞれ装着された複数のセンサにより測定された前記先生と前記複数の生徒との対面データおよび物理量に基づいて、前記先生と前記複数の生徒との間および前記複数の生徒同士の間の関係パターンを分析する。前記第２ステップでは、前記関係パターンと前記複数の生徒の学業成績データとの相関を取ることで、前記関係パターンのうち学業成績との相関が強いパターンを分析する。
　（２）本実施の形態の代表的な学業成績との相関因子提示システムは、第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績と相関する因子の提示システムである。前記学業成績との相関因子提示システムは、前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサ（センサ２０１）により測定された前記第１の人間と前記複数の第２の人間との対面データ（対面情報データベース２０９）および物理量（加速度情報データベース２１０）に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析し（プログラム２１３、２１４、２１５）、前記関係パターンと前記複数の第２の人間の成績データ（ユーザ属性データベース２１１）との相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する（プログラム２１６）計算機を有する（図２）。
　より好ましくは、前記第１の人間は先生であり、前記第２の人間は生徒であり、前記教育環境は学校である。前記計算機は、前記先生と前記複数の生徒とにそれぞれ装着された複数のセンサにより測定された前記先生と前記複数の生徒との対面データおよび物理量に基づいて、前記先生と前記複数の生徒との間および前記複数の生徒同士の間の関係パターンを分析し、前記関係パターンと前記複数の生徒の学業成績データとの相関を取ることで、前記関係パターンのうち学業成績との相関が強いパターンを分析する。
　（３）本実施の形態の概要において、他の特徴は以下の通りである。
　本実施の形態は、学校環境における人間関係をセンサを用いて定量的に継続的に計測し、その大量の人間行動データから、学業成績と相関する人間行動に関する指標を特定する手段と、その指標を制御することによって学業成績を向上させるための施策設計を支援する提示システムを提供する。具体的には、先生と生徒との対面データおよび身体的な動きを反映する加速度データなどの物理量を測定し、先生－生徒間および生徒間の関係パターンを分析し、関係パターンと生徒の成績との相関を取ることで、関係パターンのうち成績との相関が強いパターンを分析する方法およびシステムを提供する。
　本実施の形態で対象とするデータは、人間関係グラフデータとここでは呼ぶが、人と人とのコミュニケーション状態を表すデータ全般である。たとえば、赤外線センサや小型のマイクなどを搭載した名札型センサノードなどのウェアラブルセンサを、生徒や先生やその他事務員など、学校や学習塾などの構成員に装着させて得られる、人と人との対面コミュニケーションを定量的に測定したものである。このようなデータから、人をノードとし、コミュニケーションが存在する人と人の間にリンクを張ることにより、ネットワーク構造を得ることができる。ウェアラブルセンサとしては、名札型センサノードの他に、腕時計型センサノードなどでもよい。人間関係グラフとしては、このようなウェアラブルセンサを意識的に装着して計測できる対面データ以外にも、たとえば、携帯電話の使用ログや電子メールの送受信関係など、無意識的に構成される人と人との繋がりを反映したデータであってもよい。このような人間関係を定量的に捉えたデータと、学業成績との相関関係を調べることにより、学校環境における人間関係と学業成績との関係を定量的に調べることが可能になる。
　また、本実施の形態で対象とするデータは、身体的な動きデータとここでは呼ぶが、前記ウェアラブルセンサや携帯電話などに内蔵された加速度センサから得られる、生徒や先生などの学校や学習塾などの構成員の身体的な動きである。このようなデータから、たとえば学校におけるクラスごとの活気や、学年ごとの活気、先生の振る舞いに対する生徒の身体的な反応、生徒同士の身体的な同期性、などを定量的に計測し、学業成績との相関関係を調べることが可能である。
　また、本実施の形態では、学校において実施される習熟度を調べるためのテスト、たとえば月次や週次の定期試験、のスコアと、前記人間関係グラフデータや身体的な動きデータを入力し、人間関係グラフデータや身体的な動きデータから導かれるさまざまな指標や人間行動パターンと、テストのスコアとの相関関係を計算し、相関性の高い指標やパターンを特定する手段を提供する。
　また、本実施の形態では、学業成績向上に向けて、学校運営者あるいは生徒あるいは生徒の保護者が施策を行う場合の施策設計支援のために、特定された学業成績と相関する指標あるいはパターンを効果的に提示する提示システムを提供する。これにより、学校環境における人間行動に基づく定量的な制御可能な指標を提示し、学業成績向上に向けた行動を、学校運営者や先生、生徒自身、あるいは生徒の保護者が、迅速かつ効率的にとれるようになる。
　また、本実施の形態では、特定された指標を変化させた場合に、学業成績がどのように変化するかを予測する手段も提供する。
　本実施の形態の概要において、効果は以下の通りである。本実施の形態により、学業成績に関係した指標やパターンを、大量の人間行動データから定量的かつ自動的に特定し、提示することが可能になる。本実施の形態により、先生や学校運営者の経験などの定性的な判断に基づくのではなく、定量的な人間行動データに基づいた教育システムを設計することが可能になる。本実施の形態により、学校環境における先生と生徒との関係や、生徒同士の関係を変えた場合に学業成績がどのように変化するかを予測することが可能になる。本実施の形態により、学業成績向上に向けた具体的な施策設計を、定量的なデータに基づく指標の特定と、学業成績との関係性の効果的な提示により、効果的に行うことが可能になる。
　以下、上述した実施の形態の概要に基づいた一実施の形態を図面に基づいて詳細に説明する。なお、一実施の形態を説明するための全図において、同一機能を有するものは原則として同一の符号を付し、その繰り返しの説明は省略する。
　［一実施の形態］
　本実施の形態における学業成績との相関因子特定方法および相関因子提示システムについて、図１～図１８を用いて説明する。
　本実施の形態においては、第１の人間と、この第１の人間とは異なる職種の複数の第２の人間とを含む教育環境として、学校を例に説明するが、これに限定されるものではない。たとえば、学習塾、予備校などの他の教育環境にも適用できるものである。
　＜処理の流れ＞
　まず、図１を用いて、本実施の形態における学業成績との相関因子特定方法および相関因子提示システムの処理の流れを説明する。図１は、学業成績との相関因子特定方法および相関因子提示システムの処理の流れの一例を説明する概略図である。より具体的に、図１では、学校環境における人間行動データから学業成績と相関する因子を特定し、その因子に基づいて学業成績を向上させるための施策を提示するまでの全体的な処理の流れを示している。
　図１において、１０１は人間関係を表すデータである人間関係グラフデータと身体的な動きデータの入力ステップである。この入力ステップ１０１において、１０２は赤外線センサなどの情報に基づいて得られる対面情報である人間関係グラフデータ、１０３は加速度センサなどの情報に基づいて得られる身体的な動きデータ、である。１０４は人間関係グラフデータと身体的な動きデータの分析処理ステップである。この分析処理ステップ１０４のうち、１０５は先生と生徒との身体的な動き（加速度波形）の同期性分析ステップ、１０６は生徒同士の身体的な動き（加速度波形）の同期性分析ステップ、１０７は先生と生徒、あるいは生徒同士の対面コミュニケーションの指標計算ステップ、である。１０８は教育における生産性指標である学業成績データの入力ステップである。１０９は入力ステップ１０８の学業成績データと、分析処理ステップ１０４の結果である人間行動指標との相関分析ステップである。１１０は相関分析ステップ１０９の結果特定された、学業成績と相関する指標やパターンに関するデータの出力ステップである。
　人間関係グラフデータと身体的な動きデータの入力ステップ１０１における人間関係グラフデータ１０２とは、たとえば赤外線センサを搭載したウェアラブルなセンサ、たとえば名札型センサ、を人に装着して得られる対面データや対面状況を反映したネットワーク情報である。これ以外にも、たとえば携帯電話や電子メールの使用履歴などを用いて得られるコミュニケーションデータを用いてもよいが、ここでは、対面のコミュニケーションを例にして説明する。この場合、ネットワークのノードは人であり、ある一定時間以上コミュニケーションしている場合にノード間にリンクを張る、というルールに基づいてノード間にリンクが引かれる。このようにウェアラブルなセンサを意識して装着することにより作成する人間関係グラフでなくても、携帯電話の使用ログや電子メールの送受信記録などから構築できる人と人との繋がりを反映した情報を人間関係グラフとして入力してもよい。
　人間関係グラフデータと身体的な動きデータの入力ステップ１０１における身体的な動きデータ１０３とは、たとえば加速度センサを搭載したウェアラブルなセンサ、たとえば名札型センサ、を人に装着して得られる身体的な動きに関する情報である。具体的には、一定時間、たとえば１秒当たりの身体の振動回数、などである。このようにウェアラブルなセンサを意識して装着することにより得られる身体的な動きを表すデータでなくても、携帯電話などから得られる身体的な動きを表すデータを入力してもよい。
　人間関係グラフデータと身体的な動きデータの分析処理ステップ１０４は、ステップ１０１で入力された人間関係グラフデータ１０２と身体的な動きデータ１０３から、先生と生徒との加速度波形の同期性分析ステップ１０５、生徒同士の加速度波形の同期性分析ステップ１０６、対面コミュニケーションの指標計算ステップ１０７を行う処理である。
　先生と生徒との加速度波形の同期性分析ステップ１０５は、身体的な動きデータ１０３から、身体的な動きを表す数値、たとえば加速度信号が単位時間に何回ゼロレベルを行き来したかを表すゼロクロス回数、を時系列に並べ、先生の身体的な動きを表す数値の時系列的な変動と、生徒の身体的な動きを表す数値の時系列的な変動の一致度合いを調べる処理である。
　生徒同士の加速度波形の同期性分析ステップ１０６は、身体的な動きデータ１０３から、身体的な動きを表す数値、たとえば加速度信号のゼロクロス回数、を時系列に並べ、複数の生徒同士の身体的な動きを表す数値の時系列的な変動の一致度合いを調べる処理である。
　対面コミュニケーションの指標計算ステップ１０７は、人間関係グラフデータ１０２から、対面関係を表す対面ネットワーク図における次数、クラスタリング係数、ノード間の距離などを計算する処理である。
　学業成績データの入力ステップ１０８は、習熟度確認テストなど、生徒の学業成績を反映した学業成績データを入力する処理である。
　学業成績データと人間行動指標との相関分析ステップ１０９は、人間関係グラフデータと身体的な動きデータの分析処理ステップ１０４で計算した人間行動指標と、学業成績データの入力ステップ１０８で入力したテストの点数などとの相関関係を計算する処理である。
　学業成績と相関する指標やパターンに関するデータの出力ステップ１１０は、学業成績データと人間行動指標との相関分析ステップ１０９の結果特定された、学業成績と相関する指標や人間行動パターンをグラフなどで表示する処理である。たとえば、先生と生徒との加速度波形を時系列で表示してもよいし、生徒同士の加速度波形を時系列で表示してもよいし、対面ネットワーク図を表示してもよいし、あるいは対面情報をマトリクスの形で出力してもよいし、その他の情報を表示してもよい。またこれらの表示情報に加えて、学業成績向上に向けた施策設計を支援するような情報、たとえば先生との対面が極端に少ない生徒の名前や、授業中の活発度（身体的な動き）が極端に少ない生徒の名前、などを併せて提示してもよい。これらの出力は、ディスプレイに表示させてもよいし、紙などに印刷してもかまわない。
　＜システムの構成＞
　次に、図２を用いて、本実施の形態における学業成績との相関因子提示システムの構成を説明する。図２は、学業成績との相関因子提示システムの構成の一例を示すブロック図である。より具体的に、図２では、計算機のハードウェア構成、センサ、およびインタネット網を介したデータ管理サーバからなる全体的なシステム構成を示している。
　図２において、２０１は人間関係グラフデータや身体的な動きデータを計測するためのセンサ、２０２は人間関係グラフデータ、身体的な動きデータ、学業成績データなどを格納したデータ管理サーバ、である。２０３は表示装置、２０４は入力装置、２０５は通信装置、２０６はＣＰＵ、２０７はハードディスク、２０８はメモリ、である。２０９は人間関係グラフデータである対面時間情報を格納する対面情報データベース、２１０は加速度情報を格納する加速度情報データベース、２１１はユーザごとの指標値などを格納するユーザ属性データベース、である。２１２は分析プログラムである。この分析プログラム２１２のうち、２１３は先生と生徒との加速度の同期性分析プログラム、２１４は生徒同士の加速度の同期性分析プログラム、２１５は対面コミュニケーションの指標計算プログラム、２１６は学業成績データと人間行動指標との相関分析プログラム、である。２１７はインタネット網である。
　人間関係グラフデータは、たとえば名札型センサのようなウェアラブルセンサに内蔵されている赤外線センサで得られる「誰と誰が何分対面しているか」というような対面情報である。
　身体的な動きデータは、たとえば名札型センサや携帯電話に内蔵されている加速度センサから得られる「１分間の身体的な揺れの振動数」というような身体的な動きの度合いを表す情報である。
　人間関係グラフデータや身体的な動きデータは、センサ２０１から直接システムの入力装置２０４に入力するか、あるいは、データ管理サーバ２０２に蓄積されているものをインタネット網２１７を介して通信装置２０５を経由しハードディスク２０７に格納される。
　テストの点数のような学業成績を反映する学業成績データは、手入力などの方法で直接システムの入力装置２０４に入力するか、あるいは、データ管理サーバ２０２に蓄積されているものをインタネット網２１７を介して通信装置２０５を経由しハードディスク２０７に格納される。
　入力装置２０４あるいは通信装置２０５を介して入力された、分析対象とする人間関係グラフデータは、一旦、ハードディスク２０７の中の対面情報データベース２０９に格納される。
　入力装置２０４あるいは通信装置２０５を介して入力された、分析対象とする身体的な動きデータは、一旦、ハードディスク２０７の中の加速度情報データベース２１０に格納される。
　入力装置２０４あるいは通信装置２０５を介して入力された、分析対象とする学業成績データは、一旦、ハードディスク２０７の中のユーザ属性データベース２１１に格納される。
　入力装置２０４あるいは通信装置２０５を介して入力された、分析対象であるユーザの属性値（先生と生徒の区別や性別、学年情報など）は、一旦、ハードディスク２０７の中のユーザ属性データベース２１１に格納される。
　先生と生徒との加速度の同期性分析、生徒同士の加速度の同期性分析を行う場合には、ハードディスク２０７に格納した加速度情報データベース２１０に格納された加速度に関する情報をメモリ２０８に読み出し、ＣＰＵ２０６が分析プログラム２１２のうち、先生と生徒との加速度の同期性分析プログラム２１３、生徒同士の加速度の同期性分析プログラム２１４を実行することで、計算が実行され、計算結果はユーザ属性データベース２１１に追記される。
　対面コミュニケーションの指標計算を行う場合には、ハードディスク２０７に格納した対面情報データベース２０９に格納された対面に関する情報をメモリ２０８に読み出し、ＣＰＵ２０６が分析プログラム２１２のうち対面コミュニケーションの指標計算プログラム２１５を実行することで、計算が実行され、計算結果はユーザ属性データベース２１１に追記される。
　学業成績データと人間行動指標との相関分析を行う場合には、ハードディスク２０７に格納したユーザ属性データベース２１１に格納されたテストの点数などの学業成績に関する情報、指標計算プログラム２１５で計算した対面コミュニケーションに関する指標、および同期性分析プログラム２１３や２１４で計算した加速度に関する指標、をメモリ２０８に読み出し、ＣＰＵ２０６が分析プログラム２１２のうち学業成績データと人間行動指標との相関分析プログラム２１６を実行することで、計算が実行される。
　分析プログラム２１２の、先生と生徒との加速度の同期性分析プログラム２１３、生徒同士の加速度の同期性分析プログラム２１４、対面コミュニケーションの指標計算プログラム２１５、学業成績データと人間行動指標との相関分析プログラム２１６の実行による各計算結果は、視覚的に表示装置２０３に表示されたり、ハードディスク２０７に格納されたりする。
　＜データベース＞
　次に、図３～図５を用いて、上述した学業成績との相関因子提示システムにおける各データベースについて説明する。以下において、図２に示した対面情報データベース２０９、加速度情報データベース２１０、ユーザ属性データベース２１１を順に説明する。
　＜＜対面情報データベース＞＞
　図３Ａは、対面情報データベースに格納するデータセットの一例を示す図である。図３Ｂは、対面ネットワークの一例を示す図である。より具体的に、図３Ａでは、学業成績との相関因子提示システムに、外部から入力する人間関係グラフデータである対面時間情報に関するデータセットの例を示している。図３Ｂは、図３Ａを用いて描くことができる対面ネットワーク図の例を示している。図３Ａに示す対面時間情報に関するデータセットは、図２において対面情報データベース２０９に格納されるものである。
　図３Ａにおいて、３０１，３０２，３０３，３０４は生徒あるいは先生のユーザＩＤを行方向に並べたもの、３０５，３０６，３０７，３０８は生徒あるいは先生のユーザＩＤを列方向に並べたもの、である。図３Ｂにおいて、３０９，３１０，３１１，３１２は対面関係を描いた対面ネットワーク図における生徒または先生を表すノード番号である。
　図３Ｂにおいて、対面ネットワークのノード間のリンクは、たとえば、一日当たり５分以上対面していればリンクを張る、というルールに従って描画する。
　図３Ａにおいて、マトリクス要素は学校を構成する生徒や先生などの対面時間を表しており、たとえば、赤外線センサを搭載した名札型のウェアラブルセンサを生徒や先生に装着させて得られる対面時間などであり、たとえば分単位で記述してある。
　図３Ａにおいて、対面時間の計測方法は、上述したようなウェアラブルなセンサを用いて計測してもよいし、それ以外の方法を用いてもかまわない。
　図３Ａにおいて、同じ人同士、たとえばＵｓｅｒ１（３０１：括弧内は符号を示す）と（３０５）、Ｕｓｅｒ２（３０２）と（３０６）、Ｕｓｅｒ３（３０３）と（３０７）、Ｕｓｅｒ１００（３０４）と（３０８）、では、自分自身との対面であるから情報としてはゼロであるため、０と記入してある。
　図３Ａにおいて、Ｕｓｅｒ１（３０１）とＵｓｅｒ２（３０６）のマトリクス要素は１３．５５であり、これは、たとえば一日平均１３．５５分、Ｕｓｅｒ１とＵｓｅｒ２が対面していることを示している。
　図３Ａに示すような対面時間に関するデータセットを用いれば、学校において誰と誰がどの程度対面しているかという情報が得られる。
　図３Ｂにおいて、対面関係から学校における人と人との関係を表すネットワーク図を描くことができる。この場合、人をノードとし、たとえば「対面時間が５分以上のノード間にリンクを描く」というルールを定義すれば、ノードとリンクから構成されるネットワーク図を描くことができる。
　図３Ｂにおいて、「対面時間が５分以上のノード間にリンクを描く」というルールを用いてネットワーク図を描く場合、図３Ａにおいて、Ｕｓｅｒ１（３０１）とＵｓｅｒ２（３０６）のマトリクス要素は１３．５５であるから、ノード１（３０９）とノード２（３１０）の間にリンクを引く。同様に、Ｕｓｅｒ１（３０１）とＵｓｅｒ３（３０７）のマトリクス要素は１５．７であるから、ノード１（３０９）とノード３（３１１）の間にもリンクを引く。
　図３Ａにおいて、Ｕｓｅｒ２（３０２）とＵｓｅｒ３（３０７）のマトリクス要素は３．７５であるから、図３Ｂにおいて、ノード２（３１０）とノード３（３１１）の間にはリンクを引かない。
　図３Ｂにおいて、同様にして、ノード１００（３１２）とノード１（３０９）、およびノード１００（３１２）とノード３（３１１）の間にはリンクが引かれる。
　＜＜加速度情報データベース＞＞
　図４は、加速度情報データベースに格納するデータセットの一例を示す図である。より具体的に、図４では、学業成績との相関因子提示システムに、外部から入力する身体的な動きデータである加速度情報に関するデータセットの例を示している。図４に示す加速度情報に関するデータセットは、図２において加速度情報データベース２１０に格納されるものである。
　図４において、４０１はデータセットを表すテーブルの横方向に記述した時刻の情報、４０２は縦方向に記述した先生や生徒である人のユーザＩＤ、４０３は身体的な動き度合いを表す数値である。
　時刻４０１は、たとえば１分刻みで記録する。
　ユーザＩＤ４０２は、図３におけるユーザＩＤ３０１～３０８と一致する。
　身体的な動き度合いを表す数値４０３は、たとえば、１分当たりに何回振動したかという振動回数でもよいし、１秒当たりの振動回数であるＨｚで表される値でもよいし、その他、身体的な動きの活発さや頻度を表す値である。たとえば、１分当たりの振動回数とした場合に、図４の例では、ユーザＩＤ４０２がＵｓｅｒ１の生徒は、時刻４０１が１分（０～１分の間）の数値４０３が１３１であるため、この１分間で１３１回の振動があったことを示している。
　＜＜ユーザ属性データベース＞＞
　図５は、ユーザ属性データベースに格納するデータセットの一例を示す図である。図５に示すユーザ属性に関するデータセットは、図２においてユーザ属性データベース２１１に格納されるものである。
　図５において、５０１は生徒や先生などのユーザＩＤ、５０２は先生や生徒や事務員など職種の別を表す職位、５０３は先生の担当する教科や生徒の受講する教科、５０４は学年、５０５は先生の担当クラスや生徒の受講クラスを表すクラス名、５０６，５０７，５０８は学業成績を反映するテストの点数、である。
　生徒や先生などのユーザＩＤ５０１は、対面情報データベース２０９や加速度情報データベース２１０の記録されているユーザＩＤ３０１～３０８や４０２と一致する。
　職位５０２は、先生や生徒、そのほか事務員などの学校スタッフを識別するためのものである。
　教科５０３は、職位５０２が先生である人は担当教科名、職位５０２が生徒である人は受講教科名であり、担当教科、受講教科が複数ある場合には、複数の教科名が記録されている。図５の例では、算数、国語、理科、社会である。
　学年５０４は、職位５０２が生徒である人に対してその学年が記録されている。図５の例では、５学年、６学年、４学年である。
　クラス名５０５は、教科５０３ごとに割り振られた固有のＩＤ番号であり、職位５０２が先生である人は担当教科のクラスＩＤが、職位５０２が生徒である人は受講教科のクラスＩＤが、それぞれ書かれている。図５の例では、クラスＣ１～Ｃ６である。
　クラス名５０５は、教科５０３が複数ある場合には、対応するＩＤ番号が複数記録されている。
　１月のテストの点数５０６は、たとえば、月次テストのうち１月に行われた試験の結果が書かれている。
　１月のテストの点数５０６は、複数教科を受講している場合には、複数教科分記載されている。図５の例では、たとえばユーザＩＤ５０１がＵｓｅｒ７の生徒は、算数、国語、理科、社会の教科を受講しているため、１月のテストの点数５０６には、この順番で、算数８５点、国語９０点、理科９８点、社会７０点、という点数が記録されている。ユーザＩＤ５０１がＵｓｅｒ９の生徒は、算数と国語の２教科しか受講していないため、１月のテストの点数５０６には、この順番で、算数９２点、国語７８点、という点数が記録されており、理科と社会の点数は記録されていない。
　２月のテストの点数５０７、および、３月のテストの点数５０８は、１月のテストの点数５０６と同様に、テストが実施され結果が採点されたあとに、図５の例に示すユーザ属性データベース２１１に記録されていく。
　図５には示されていないが、図５で示している属性以外にも、たとえば、性別や年齢などもユーザ属性データベースに加えてもよい。
　＜先生と生徒との加速度の同期性分析＞
　次に、図６～図８を用いて、上述した先生と生徒との加速度の同期性分析について説明する。以下において、加速度波形１、フローチャート１、実験結果１を順に説明する。
　＜＜加速度波形１＞＞
　図６は、先生と生徒との加速度波形と、それらを矢印表記に変換する一例を示す図である。図６における先生と生徒との加速度波形は、身体的な動きデータの例を示すものである。
　図６において、６０１は先生の加速度波形、６０２は生徒の加速度波形、６０３は先生の加速度波形を矢印のアップダウンに変換した時系列、６０４は生徒の加速度波形を矢印のアップダウンに変換した時系列、である。
　先生の加速度波形６０１および生徒の加速度波形６０２は、たとえば、先生や生徒が装着している名札型のウェアラブルセンサに内蔵されている加速度センサから得られる、単位時間当たりの振動数を時系列に並べたものであり、図２の加速度情報データベース２１０に格納されている数値４０３（図４）を時系列に並べたものである。ウェアラブルセンサでなくても、たとえば携帯電話に内蔵されている加速度センサなどから得られるデータを用いてもよい。
　先生の加速度波形を矢印のアップダウンに変換した時系列６０３、および、生徒の加速度波形を矢印のアップダウンに変換した時系列６０４は、次のようにして得ることができる。
　まず、ある時間フレーム、たとえば１分ごとに、前のフレームと、現在のフレームで身体的な動き度合いを表す数値、たとえば加速度のゼロクロス周波数、を比較する。
　次に、もし、前フレームの加速度のゼロクロス周波数よりも現フレームの加速度のゼロクロス周波数が大きければ、現フレームに対して上向き矢印を割り振る。すなわち、フレーム差分が正なら上向き矢印「↑」を割り振る。もし、前フレームの加速度のゼロクロス周波数よりも現フレームの加速度のゼロクロス周波数が小さければ、現フレームに対して下向き矢印を割り振る。すなわち、フレーム差分が負なら下向き矢印「↓」を割り振る。
　矢印への変換方法は、これ以外のルールを用いてもかまわないし、上向き矢印と下向き矢印の２値でなくても時間フレームごとの変動を表す値であれば他の値を用いてもかまわない。
　図６で示した先生の加速度波形を矢印のアップダウンに変換した時系列６０３、および、生徒の加速度波形を矢印のアップダウンに変換した時系列６０４を用いて、先生と生徒との身体的な動きの同期性と学業成績との関係を調べる方法を説明する。
　先生の動きの変化に対する生徒の動きの変化には、「先生が↑で生徒も↑」、「先生が↑で生徒が↓」、「先生が↓で生徒が↑」、「先生が↓で生徒も↓」の４通りのパターンがある。
　対象とする期間、たとえば１ヶ月、において、それぞれの生徒が先生の動きに対してこれら４通りのパターンがそれぞれどの程度の割合Ｐijであったかを（１）式で計算する。
Figure JPOXMLDOC01-appb-M000001
　ここで、全授業時間とは、対象とする期間、たとえば１ヶ月、におけるその生徒が出席した授業時間の総和である。
　たとえば、「先生が活発になるときに生徒が静かになる割合」はＰ↑↓で表される。
　生徒ごとに（１）式で計算される４通りの割合Ｐijと生徒の学業成績、たとえば、図５のユーザ属性データベース２１１に格納されている１月のテストの点数５０６、との相関を計算すれば、先生と生徒がどのようなパターンで身体的に授業中に相互作用していれば学業成績が良いか、という相関関係を知ることができる。
　＜＜フローチャート１＞＞
　図７は、先生と生徒との身体的な動きの同期性と学業成績との相関分析を行う処理の一例を示すフローチャートである。
　図７において、７０１は身体的な動きデータの入力ステップ、７０２は加速度波形を上向き矢印と下向き矢印の時系列に変換する処理ステップ、７０３は生徒ごとに（１）式で示した割合Ｐijを計算する処理ステップ、７０４は学業成績と割合Ｐijとの相関を計算する処理ステップ、７０５は相関分析の結果を表示する処理、すなわち相関があるパターンを表示装置２０３のディスプレイなどに表示する処理ステップ、である。
　ステップ７０１～７０５による処理は、図２における加速度情報データベース２１０に格納されている加速度に関する情報をメモリ２０８に読み出し、ＣＰＵ２０６が先生と生徒との加速度の同期性分析プログラム２１３を実行することで、ステップ７０１からステップ７０５まで順に行われる。
　身体的な動きデータの入力ステップ７０１は、たとえば、先生や生徒が装着している名札型のウェアラブルセンサや携帯電話に内蔵されている加速度センサから得られる身体的な動きのデータをシステムに入力する。すでに身体的な動きのデータが、図２の加速度情報データベース２１０に格納されている場合は改めて入力する必要はない。
　加速度波形を上向き矢印と下向き矢印の時系列に変換する処理ステップ７０２は、図２の加速度情報データベース２１０に格納されている数値４０３（図４）をメモリ２０８に読み出し、ある時間フレーム、たとえば１分ごとに、前のフレームと、現在のフレームで身体的な動き度合いを表す数値４０３、ここでは加速度のゼロクロス周波数、を比較する。次に、もし、前フレームの加速度のゼロクロス周波数よりも現フレームの加速度のゼロクロス周波数が大きければ、現フレームに対して上向き矢印を割り振り、もし、前フレームの加速度のゼロクロス周波数よりも現フレームの加速度のゼロクロス周波数が小さければ、現フレームに対して下向き矢印を割り振る。
　生徒ごとに割合Ｐijを計算する処理ステップ７０３は、（１）式の値を生徒ごとに計算する。
　学業成績と割合Ｐijとの相関を計算する処理ステップ７０４は、ある期間において生徒ごとに計算した４通りのＰijのうち、どのパターンが生徒の学業成績、たとえばテストの点数５０６，５０７，５０８などと相関するかを調べる。
　相関があるパターンを表示する処理ステップ７０５は、学業成績と割合Ｐijとの相関を調べた結果、相関の有無や、どのパターンが学業成績と相関しているかをディスプレイなどに表示する。
　＜＜実験結果１＞＞
　図８Ａ、図８Ｂは、先生と生徒との身体的な動きの同期パターンと学業成績との相関関係を調べた実験結果の一例を示す散布図である。より具体的に、図８Ａ、図８Ｂでは、（１）式で計算される４通りの割合Ｐijと生徒個人の成績（３ヶ月分の全受講教科の月次テストの偏差値の平均）との相関を計算した結果を示したものである。対象生徒は小学校５，６年生であり、８２名である。
　図８Ａにおいて、８０１は割合Ｐ↓↑と生徒の成績との相関関係を調べた実験結果である。図８Ｂにおいて、８０２は割合Ｐ↓↓と生徒の成績との相関関係を調べた実験結果である。　図８Ａ、図８Ｂにおいて、生徒個人の学業成績は、ここでは偏差値で表しており、縦軸は偏差値、横軸は割合Ｐ↓↑、割合Ｐ↓↓である。各点は８２名の各生徒を表す。それぞれの図において、相関係数Ｒと統計的な有意性を示すｐ値を示している。
　図８Ａ、図８Ｂにおいて、生徒個人の学業成績を表す偏差値との間で、Ｐ↓↑とは相関係数Ｒ＝－０．５０（ｐ＜０．００００１）８０１、Ｐ↓↓とは相関係数Ｒ＝０．３１（ｐ＜０．０１）８０２で有意に相関することが分かる。図８ＡではＰ↓↑が大きくなるに従って偏差値が小さくなる比例関係（右下がりの負の相関）があり、図８ＢではＰ↓↓が大きくなるに従って偏差値が大きくなる比例関係（右上がりの正の相関）がある。これは、「先生が静かになるときに活発になる生徒は成績が悪い」こと、逆に、「先生が静かになるときに静かになる生徒は成績が良い」ことを示す。この結果は、先生が黙って注意を促しているときに騒がしい生徒は成績が悪く、動きを止めて先生の言動に注目する生徒は成績が良いと解釈できる。
　＜生徒同士の加速度の同期性分析＞
　次に、図９～図１１を用いて、上述した生徒同士の加速度の同期性分析について説明する。以下において、加速度波形２、フローチャート２、実験結果２を順に説明する。
　＜＜加速度波形２＞＞
　図９は、生徒同士の加速度波形をＡｃｔｉｖｅ状態とＮｏｎ－ａｃｔｉｖｅ状態とに分ける一例を示す図である。図９における生徒同士の加速度波形は、身体的な動きデータの例を示すものである。
　図９において、９０１は加速度波形、９０２は加速度の閾値（Ｔｈｒｅｓｈｏｌｄ）、である。
　加速度波形９０１は、たとえば、生徒が装着している名札型のウェアラブルセンサに内蔵されている加速度センサから得られる、単位時間当たりの振動数を時系列に並べたものであり、図２の加速度情報データベース２１０に格納されている数値４０３（図４）を時系列に並べたものである。ウェアラブルセンサでなくても、たとえば携帯電話に内蔵されている加速度センサなどから得られるデータを用いてもよい。
　加速度の閾値９０２は、たとえば全生徒の平均の加速度のゼロクロス周波数であり、身体的な動きを、走ったり、身振り手振りで会話をしたりする動的な動きと、椅子に座ってノートを書くような静的な動きとに分ける値である。
　加速度の閾値９０２より大きい振動数を持つ時間フレーム、たとえば１分ごと、は活発（Ａｃｔｉｖｅ）状態、加速度の閾値９０２より小さい振動数を持つ時間フレームは非活発（Ｎｏｎ－ａｃｔｉｖｅ）状態、と判定することができる。
　図９で示したＡｃｔｉｖｅ状態、Ｎｏｎ－ａｃｔｉｖｅ状態を使って、クラスごとの生徒同士の身体的な動きの同期性を表す指標Ｕを（２）式のように定義し、ここでは一体度と呼ぶ。
Figure JPOXMLDOC01-appb-M000002
　ここで、Ｔは対象とする期間における全授業時間、ｎt Activeは時刻ｔにＡｃｔｉｖｅだと判定されたクラス内の生徒の人数、ｎt Non-activeは時刻ｔにＮｏｎ－ａｃｔｉｖｅだと判定されたクラス内の生徒の人数、Ｎはクラス内の全生徒数、ｍａｘ（ａ，ｂ）はａとｂのうち大きい方の値を取る関数、である。たとえば、１０人の生徒から成るクラスで、時刻ｔにＡｃｔｉｖｅだと判定された生徒が６人、Ｎｏｎ－ａｃｔｉｖｅだと判定された生徒が４人だった場合、ｎt Active＝６、ｎt Non-active＝４となり、（２）式の括弧の中は、ｍａｘ（ｎt Active，ｎt Non-active）／Ｎ＝ｍａｘ（６，４）／１０＝０．６となる。（２）式の括弧の中を各時間フレームごとに計算し、それを全時間で平均したもの、すなわち、時間フレーム当たりの状態の一致度合い、をそのクラスの生徒同士の身体的な動きの同期度合い、すなわち一体度と定義する。
　一体度Ｕは０．５から１．０の値を取り、値が大きいほど、クラスメンバ同士が同じような身体的な動きをしていることを示す。逆に値が小さい場合には、活発に動いている生徒もいればほとんど動きがない生徒もおり、クラスメンバの身体的な動きがバラバラであることを意味する。
　＜＜フローチャート２＞＞
　図１０は、生徒同士の身体的な動きの同期性と学業成績との相関分析を行う処理の一例を示すフローチャートである。より具体的に、図１０では、一体度Ｕを用いてクラスの学業成績、すなわちクラスメンバの学業成績の平均、とクラスの生徒同士の身体的な動きの同期性との関係を調べるフローチャートである。
　図１０において、１００１は身体的な動きデータの入力ステップ、１００２はクラスを構成する生徒ごとにＡｃｔｉｖｅ状態とＮｏｎ－ａｃｔｉｖｅ状態とを判定する処理ステップ、１００３はクラスごとに（２）式で示した一体度Ｕを計算する処理ステップ、１００４は学業成績（クラスを構成する生徒の学業成績の平均）と一体度Ｕとの相関を計算する処理ステップ、１００５は相関分析の結果をディスプレイなどに表示する処理ステップ、である。
　ステップ１００１～１００５による処理は、図２における加速度情報データベース２１０に格納されている加速度に関する情報をメモリ２０８に読み出し、ＣＰＵ２０６が生徒同士の加速度の同期性分析プログラム２１４を実行することで、ステップ１００１からステップ１００５まで順に行われる。
　身体的な動きデータの入力ステップ１００１は、たとえば、生徒が装着している名札型のウェアラブルセンサや携帯電話に内蔵されている加速度センサから得られる身体的な動きのデータをシステムに入力する。すでに身体的な動きのデータが、図２の加速度情報データベース２１０に格納されている場合は改めて入力する必要はない。
　クラスを構成する生徒ごとにＡｃｔｉｖｅ状態とＮｏｎ－ａｃｔｉｖｅ状態とを判定する処理ステップ１００２は、図２の加速度情報データベース２１０に格納されている数値４０３（図４）をメモリ２０８に読み出し、まず、ある時間フレーム、たとえば１分ごとに、クラスを構成する生徒ごとに、この数値４０３、たとえば加速度のゼロクロスの値、が閾値より上か下かを調べ、閾値より上の場合はＡｃｔｉｖｅ状態、閾値より下の場合はＮｏｎ－ａｃｔｉｖｅ状態、であることを判定する処理である。
　クラスごとに一体度Ｕを計算する処理ステップ１００３は、（２）式の値をクラスごとに計算する。
　学業成績（クラスを構成する生徒の学業成績の平均）と一体度Ｕとの相関を計算する処理ステップ１００４は、クラスごとの学業成績（テスト点数のクラス平均）とクラスごとのＵが相関するかを調べる。
　相関分析の結果を表示する処理ステップ１００５は、学業成績と一体度Ｕとの相関を調べた結果を表示装置２０３のディスプレイなどに表示する。
　＜＜実験結果２＞＞
　図１１は、クラスを構成する生徒同士の身体的な動きの一体度とクラスの学業成績との相関関係を調べた実験結果の一例を示す散布図である。より具体的に、図１１では、小学校５年生と６年生の３１クラスを対象にして、各クラスの一体度Ｕを計算し、各クラスの偏差値（クラスに属する生徒の偏差値の平均）との相関を調べた結果を示したものである。
　図１１において、１１０１は各クラスの一体度Ｕと各クラスの偏差値と相関関係を調べた実験結果である。横軸はある期間において（２）式で計算されるクラスごとの一体度Ｕ、縦軸はクラスごとの偏差値（クラス構成生徒の偏差値の平均）であり、各点は３１クラスの各クラスを表す。
　図１１において、一体度Ｕが高いクラスほど偏差値が高いという相関関係があることが分かる（Ｒ＝０．４１，ｐ＜０．０２）。図１１では、一体度Ｕが大きくなるに従って偏差値が大きくなる比例関係（右上がりの正の相関）がある。これは、授業中に静かになるべき時には全生徒が静かになり、活発に行動すべき時には全員が行動するような、生徒同士が身体的に揃って同じような動きをするクラスは成績が良いことを意味する。逆に、たとえば一斉に問題を解いて解答をノートに書く時間帯に先生に質問したり、後ろの席を振り返ってしゃべったりするような生徒がいるクラスや、授業時間を通して発言が少なく、大きな動きがないような生徒がいるクラスは一体度が小さく、成績も悪い。
　＜対面コミュニケーションの分析＞
　次に、図１２～図１４を用いて、上述した対面コミュニケーションの分析について説明する。以下において、対面ネットワーク、実験結果３、実験結果４、フローチャート３を順に説明する。
　＜＜対面ネットワーク＞＞
　図１２は、対面情報を用いて描いた対面ネットワークの一例を示す図である。より具体的に、図１２では、生徒や先生などの学校における人と人との対面状況をネットワーク図で表したものである。
　図１２において、１２０１は人を表すノード、１２０２は人と人とがある一定時間以上対面していればリンクを張る、というルールに基づいて引かれたリンク、である。
　生徒や先生などの学校や学習塾の構成員の対面情報は、図２における対面情報データベース２０９に格納されているユーザごとの対面情報である。
　図１２を用いて、対面コミュニケーションの性質を表す次数とクラスタリング係数の説明を行う。
　ノードｉの次数とは、ノードｉに連結されているリンク数のことであり、図１２の例ではｉの次数は５である。これは、ｉさんは５人の人と一定時間以上対面していることを意味する。
　ノードｉのクラスタリング係数Ｃiは、（３）式で定義される。
Figure JPOXMLDOC01-appb-M000003
　ここで、ｋiはノードｉに連結しているノード数、すなわち次数、であり、ｅiはそれらのノード間のリンク数である。
　図１２の例では、ｋi＝５、ｅi＝４であるから、Ｃi＝２×４／５×４＝０．４である。
　次数やクラスタリング係数が大きいほど、ｉさんは周りの人と多く対面し、コミュニケーションが活発であることを意味する。
　次数やクラスタリング係数などの対面状況を反映した指標の計算は、図２における対面情報データベース２０９に格納されているユーザごとの対面時間情報をメモリ２０８に読み出し、ＣＰＵ２０６により分析プログラム２１２のうち対面コミュニケーションの指標計算プログラム２１５により実施する。
　＜＜実験結果３＞＞
　実験結果３は、生徒個人の学業成績と対面コミュニケーションとの相関を調べた結果である。８２名の小学校５，６年生の生徒のテストの点数と、休憩時間における対面人数、すなわち、休憩時間における対面ネットワークの次数、との相関を計算した結果、相関する傾向にあることが分かった（Ｒ＝０．２２，ｐ＜０．０５１）。すなわち、休憩時間中に一人で過ごす生徒よりも、他の生徒や先生などの多くの他人と対面する生徒の方が成績が良い傾向が見られる。
　＜＜実験結果４＞＞
　実験結果４は、クラスごとの学業成績と対面コミュニケーションとの相関を調べた結果である。クラスごとの次数は、クラスを構成する生徒個人の次数ｋiを、クラス構成メンバ全員で平均したものであり、同様に、クラスごとのクラスタリング係数は、個人のクラスタリング係数Ｃiをクラス構成メンバ全員で平均したもの、として計算される。
　図１３Ａ、図１３Ｂは、クラスを構成する生徒あるいは先生の対面ネットワークの指標とクラスの学業成績との相関関係を調べた実験結果の一例を示す散布図である。より具体的に、図１３Ａ、図１３Ｂでは、３１クラスに対して、休憩時間中の対面情報を利用して、クラスごとの次数とクラスタリング係数を計算し、クラスごとの学業成績との相関を表したものである。
　図１３Ａにおいて、１３０１はクラスの次数とクラスの偏差値との相関関係を表す実験結果である。図１３Ｂにおいて、１３０２はクラスのクラスタリング係数とクラスの偏差値との相関関係を表す実験結果である。
　図１３Ａにおいて、実験結果１３０１から、クラスの次数とクラスの偏差値は相関することが分かる（Ｒ＝０．４４、ｐ＜０．０２）。図１３Ａでは、次数が大きくなるに従って偏差値が大きくなる比例関係（右上がりの正の相関）がある。
　また図１３Ｂにおいて、実験結果１３０２から、クラスのクラスタリング係数とクラスの偏差値も相関することが分かる（Ｒ＝０．５７，ｐ＜０．００１）。図１３Ｂでは、クラスタリング係数が大きくなるに従って偏差値が大きくなる比例関係（右上がりの正の相関）がある。
　この結果は、休憩時間中の対面コミュニケーションが密であり、集団としてまとまっているクラスは成績が良いことを示す。
　＜＜フローチャート３＞＞
　図１４は、対面コミュニケーション指標と学業成績との相関分析を行う処理の一例を示すフローチャートである。より具体的に、図１４では、対面ネットワークの指標、すなわち次数やクラスタリング係数など、と学業成績との相関を調べるフローチャートである。
　図１４において、１４０１は人間関係グラフデータの入力ステップ、１４０２は個人ごとの対面ネットワーク指標である次数、クラスタリング係数を計算する処理ステップ、１４０３はクラスごとに分析するかを判定する処理ステップ、１４０４は個人ごとの次数、クラスタリング係数と個人ごとの学業成績との相関を計算する処理ステップ、１４０５はクラスごとの次数、クラスタリング係数を計算する処理ステップ、１４０６はクラスごとの次数、クラスタリング係数とクラスごとの学業成績との相関を計算する処理ステップ、１４０７は相関分析の結果を表示する処理ステップ、である。
　ステップ１４０１～１４０７による処理は、図２における対面情報データベース２０９に格納されている対面に関する情報をメモリ２０８に読み出し、ＣＰＵ２０６が対面コミュニケーションの指標計算プログラム２１５を実行することで、ステップ１４０１からステップ１４０７まで順に行われる。
　人間関係グラフデータの入力ステップ１４０１は、生徒や先生が装着するウェアラブルセンサなどに内蔵される赤外線センサから得られる対面情報を対面情報データベース２０９に格納したものを読み出したものである。
　個人ごとの対面ネットワーク指標を計算する処理ステップ１４０２は、上記説明したように各個人ごと、すなわち各生徒あるいは各先生あるいはその他の各ユーザごとに、次数やクラスタリング係数やその他の指標を計算する処理である。
　クラスごとに分析するかを判定する処理ステップ１４０３は、クラスごとに分析するか（Ｙｅｓ）、あるいは、個人ごとに分析するか（Ｎｏ）を判定する処理である。
　ステップ１４０３の判定の結果、クラスごとに分析する場合（Ｙｅｓ）は、まず、ステップ１４０２で計算した個人ごとのネットワーク指標（個人ごとの次数やクラスタリング係数）から、クラスの平均指標（クラスごとの次数、クラスタリング係数）を計算し（ステップ１４０５）、それらのクラスの平均指標と、クラスごとの学業成績（クラスを構成する生徒の成績の平均）との相関を計算する（ステップ１４０６）。
　ステップ１４０３の判定の結果、個人ごとに分析する場合（Ｎｏ）は、ステップ１４０２で計算した個人ごとのネットワーク指標（個人ごとの次数やクラスタリング係数）と、個人ごとの学業成績との相関を計算する（ステップ１４０４）。
　分析結果を表示する処理ステップ１４０７は、クラスごと、あるいは個人ごとの対面ネットワーク指標と学業成績との間の相関関係を調べた結果を表示装置２０３のディスプレイなどに表示する。
　＜分析結果の表示例＞
　次に、図１５～図１７を用いて、上述した各分析結果の表示例について説明する。以下において、先生と生徒との加速度の同期性分析結果、生徒同士の加速度の同期性分析結果、対面コミュニケーションの分析結果の各表示例を順に説明する。この分析結果は、表示装置２０３のディスプレイなどに表示される。
　＜＜先生と生徒との加速度の同期性分析結果＞＞
　図１５Ａ、図１５Ｂは、先生と生徒との身体的な動きの同期性と学業成績との相関分析の結果を表示する画面の一例を示す図である。
　図１５Ａにおいて、１５０１は成績が良い生徒（生徒Ａ）と先生との関係を表示する分析結果表示画面である。図１５Ｂにおいて、１５０２は成績が悪い生徒（生徒Ｂ）と先生との関係を表示する分析結果表示画面である。図１５Ａ、図１５Ｂにおいて、１５０３および１５０４は先生と生徒の加速度波形の表示、１５０５および１５０６は生徒の学業成績と相関する先生との動きパターンの表示、１５０７および１５０８は生徒の先生との身体的な動きの同期度合いの表示、１５０９および１５１０は学業成績改善に向けた具体的な施策設計支援のための施策提案メッセージ、１５１１および１５１２は学業成績と相関する先生と生徒との同期パターンの強調表示、である。
　図１５Ａ、図１５Ｂにおいては、先生向けの画面を示しているが、生徒向け、あるいは生徒の保護者向けの画面であってもよい。
　図１５Ａ、図１５Ｂに示すような表示は、表示装置２０３であるパソコンのディスプレイに表示されてもよいし、紙に印刷し、レポートとして提供されるものでもよい。
　先生と生徒の加速度波形の表示１５０３および１５０４は、加速度情報データベース２１０に格納されているデータから対象となる生徒と先生の数値４０３を、ある一定期間分を表示する。
　先生と生徒の加速度波形の表示１５０３および１５０４において、学業成績と相関する先生と生徒との波形パターンは、ハッチングなどにより強調表示１５１１および１５１２で示される。図１５Ａ、図１５Ｂの例では、（１）式で計算される指標のうち、Ｐ↓↓が個人の学業成績と相関するという実験結果をもとに、先生の加速度波形と生徒の加速度波形がともに減少する部分をハッチングしてある。
　生徒の学業成績と相関する先生との動きパターンの表示１５０５および１５０６には、（１）式で計算される４通りのパターンのうち、生徒個人の学業成績と相関するパターンが表現されており、図１５Ａ、図１５Ｂの例では、Ｐ↓↓が相関するから「先生↓、生徒↓」と記述されている。
　生徒の先生との身体的な動きの同期度合いの表示１５０７および１５０８は、対象期間における、学業成績と相関する生徒と先生の同期パターンの割合を示している。図１５Ａ、図１５Ｂの例では、成績が良い生徒は、授業時間において「先生が静かになった場合に生徒も静かになる」時間の割合Ｐ↓↓が６５％であること（１５０７）、成績が悪い生徒は、授業時間において「先生が静かになった場合に生徒も静かになる」時間の割合Ｐ↓↓が２６％しかないこと（１５０８）、を示している。
　施策提案メッセージ１５０９および１５１０には、先生と生徒の身体的な動きの同期度合いの違いに基づいて、学業成績向上に向けて実施すべき施策の提案が書かれている。図１５Ａ、図１５Ｂの例では、同期度合いが高い場合には「現状を維持しなさい。」と提案し（１５０９）、同期度合いが低い場合には「生徒Ｂの授業中の反応に注意して講義を行いなさい。」と提案する（１５１０）。これ以外の表現を用いてもかまわない。
　図１５Ａ、図１５Ｂにおいては、先生向けのフィードバック画面の例が示されているが、生徒向けのフィードバックをする場合には、たとえば成績が悪く、先生との身体的な動きの同期度合いが低い生徒向けには、施策提案メッセージ１５１０は「もっと先生の言動に注意しなさい。」のようになる。
　図１５Ａ、図１５Ｂに示すような表示は、図７に示したフローチャートのうち、相関があるパターンを表示（７０５）の処理において実施される。
　＜＜生徒同士の加速度の同期性分析結果＞＞
　図１６Ａ、図１６Ｂは、生徒同士の身体的な動きの同期性と学業成績との相関分析の結果を表示する画面の一例を示す図である。
　図１６Ａにおいて、１６０１は成績が良いクラス（クラスＡ）における生徒同士の身体的な動きの同期度合いとクラスの学業成績との関係を表示する分析結果表示画面である。図１６Ｂにおいて、１６０２は成績が悪いクラス（クラスＢ）における生徒同士の身体的な動きの同期度合いとクラスの学業成績との関係を表示する分析結果表示画面である。図１６Ａ、図１６Ｂにおいて、１６０３および１６０４はクラスを構成する生徒ごとの加速度波形の表示、１６０５および１６０６はクラスを構成する生徒の平均の加速度波形の表示、１６０７および１６０８はクラスの生徒同士の一体度の表示、１６０９および１６１０はクラスの学業成績向上に向けた施策設計支援のための施策提案メッセージ、である。
　図１６Ａ、図１６Ｂにおいては、先生向けの画面を示しているが、生徒向け、あるいは生徒の保護者向けの画面であってもよい。
　図１６Ａ、図１６Ｂに示すような表示は、表示装置２０３であるパソコンのディスプレイに表示されてもよいし、紙に印刷し、レポートとして提供されるものでもよい。
　クラスを構成する生徒の加速度波形の表示１６０３および１６０４は、加速度情報データベース２１０に格納されている数値４０３から、ある一定期間のデータを表示する。
　クラスを構成する生徒の平均の加速度波形の表示１６０５および１６０６は、生徒ごとの各時間フレームにおける身体的な動きを表す数値４０３を用いて計算する。
　生徒同士の一体度の表示１６０７および１６０８は、（２）式で示される計算式により計算される値を表示する。
　施策提案メッセージ１６０９および１６１０には、生徒同士の身体的な動きの同期度合いの違いに基づいて、学業成績向上に向けて実施すべき施策の提案が書かれている。図１６Ａ、図１６Ｂの例では、一体度が高い場合には「現状を維持しなさい。」と提案し（１６０９）、一体度が低い場合には「クラスにまとまりがありません。声量を少し下げて一体感を高めなさい。」と提案している（１６１０）。これ以外の表現を用いてもかまわない。
　図１６Ａ、図１６Ｂにおいては、先生向けのフォードバック画面の例が示されているが、生徒向けのフィードバックをする場合には、たとえばクラスの平均の学業成績が悪いクラスに属している生徒向けには、施策提案メッセージ１６１０は「もっとお友だちと協力して授業に参加しなさい。」のようになる。
　＜＜対面コミュニケーションの分析結果＞＞
　図１７は、対面コミュニケーション指標と学業成績との相関分析の結果を表示する画面の一例を示す図である。
　図１７において、１７０１は対面ネットワーク図、１７０２はクラスＩＤ、１７０３はクラスごとの次数、１７０４はクラスごとのクラスタリング係数、１７０５はクラスごとの学業成績向上に向けた施策提案メッセージ、である。
　対面ネットワーク図１７０１は、対面情報データベース２０９を用いて、対象期間における対面状況を対面ネットワークとして表示する。たとえば、図１７では、ある学校の対面ネットワークを描いた例を示しているが、４つのクラス（Ｃ１、Ｃ２、Ｃ３、Ｃ４）が含まれており、クラスごとにノードの形や色を変えて、クラスが識別できるように描画している。
　クラスＩＤ１７０２は、ユーザ属性データベース２１１に格納されているクラスＩＤと一致する。
　クラスごとの次数１７０３は、たとえば「対面人数」という表現で表示され、クラスごとの平均次数が表示される。
　クラスごとのクラスタリング係数１７０４は、たとえば「密接度」という表現で表示され、クラスごとの平均クラスタリング係数が表示される。
　学業成績の向上に向けた施策提案メッセージ１７０５は、クラスごとの次数、クラスタリング係数、学業成績を参照し、たとえば、学業成績が悪く、かつ、次数やクラスタリング係数も小さいクラスに対して、予め用意したいくつかのメッセージの中から選択して表示する。図１７の例では、クラスＣ１には「休憩時間に生徒への声掛け」、クラスＣ２には「休憩室を確保」と表示している。学業成績がよく、かつ次数やクラスタリング係数の値も大きいクラスに対しては、たとえば「現状維持」などのメッセージを出す。図１７の例では、クラスＣ３、Ｃ４に「現状維持」と表示している。
　図１７では、先生に向けたフィードバック画面の例になっているが、生徒向け、あるいは生徒の保護者向けフィードバック画面にする場合には、施策提案メッセージ１７０５は、たとえば「もう少しお友達とおしゃべりでもして気分転換してね。」などが表示される。
　＜シミュレーションの実験結果＞
　次に、図１８を用いて、上述した各分析結果に基づいたシミュレーションの実験結果について説明する。
　本実施の形態における学業成績との相関因子特定方法および相関因子提示システムを用いて特定された、学業成績と相関する要因を使えば、たとえば重回帰分析などの手法により、学業成績、すなわちテストの点数を予測することができる。
　図１８Ａ、図１８Ｂは、シミュレーションの実験結果の一例を示す散布図である。より具体的に、図１８Ａ、図１８Ｂでは、生徒個人ごとおよびクラスごとに、テストの偏差値を予測し、実際の偏差値と、予測値を散布図で表示したものである。
　図１８Ａにおいて、１８０１は生徒個人ごとに予測された学業成績と実際の学業成績との関係を示した散布図である。図１８Ｂにおいて、１８０２はクラスごとに予測された学業成績と実際の学業成績との関係を示した散布図である。
　図１８Ａにおいて、生徒個人ごとの学業成績の予測値は、Ｐ↓↑、Ｐ↓↓、および対面人数の３つを説明変数とし、重回帰分析により回帰係数と切片を算出し、回帰式を計算することで算出している。これらの説明変数は、いずれも個人の学業成績と相関するものである。
　図１８Ｂにおいて、クラスごとの学業成績の予測値は、一体度Ｕ、対面ネットワークの次数、およびクラスタリング係数の３つを説明変数とし、重回帰分析により回帰係数と切片を算出し、回帰式を計算することで算出している。これらの説明変数は、いずれもクラスの学業成績と相関するものである。
　図１８Ａ、図１８Ｂで示した予測値で計算に用いた説明変数以外に、本実施の形態における学業成績との相関因子特定方法および相関因子提示システムを用いて特定される、学業成績と相関する要因があれば、それらを用いて予測値を計算してもよい。
　図１８Ａにおいて、生徒個人ごとの学業成績の予測値と実際の学業成績（偏差値）とは有意に相関（Ｒ＝０．５５，ｐ＜０．００００００１）しており、予測値が実際の学業成績とよく合うことを示す。
　図１８Ｂにおいて、クラスごとの学業成績の予測値と実際の学業成績（偏差値）とは有意に相関（Ｒ＝０．６８，ｐ＜０．００００１）しており、予測値が実際の学業成績とよく合うことを示す。
　図１８Ａ、図１８Ｂに示すように、本実施の形態における学業成績との相関因子特定方法および相関因子提示システムを用いれば学業成績を予測することが可能であり、どの要因をどのように制御すれば学業成績が上がるか、ということをシミュレーションすることができる。たとえば、先生と生徒とがより一体となるような施策を実施すれば、クラスの偏差値が何点上がる、ということを予測することが可能になる。
　従って、本実施の形態における学業成績との相関因子特定方法および相関因子提示システムを用いれば、従来の経験に基づいたクラス設計などではなく、人間行動データに基づき、先生と生徒、あるいは生徒同士の人間関係データを用いた定量的な判断や予測により、学業成績を向上させられる教育システムを提供できるようになる。
　＜実施の形態の効果＞
　以上説明した本実施の形態における学業成績との相関因子特定方法および相関因子提示システムによれば、教育環境において、学業成績に影響を与える定量的な指標を特定し、提示することができる。より詳細には、以下の通りである。
　（１）本実施の形態によれば、ステップ１０５～１０７において、プログラム２１３～２１５の実行により、先生と生徒とにそれぞれ装着されたセンサ２０１により測定された先生と生徒との対面データである人間関係グラフデータ１０２および物理量である身体的な動きデータ１０３に基づいて、先生と生徒との間および生徒同士の間の関係パターンを分析する。そして、ステップ１０９において、プログラム２１６の実行により、関係パターンと生徒の学業成績データとの相関を取ることで、関係パターンのうち学業成績との相関が強いパターンを分析する。これにより、先生と生徒とを含む学校環境において、学業成績に影響を与える指標やパターンを、大量の人間行動データから定量的かつ自動的に特定し、提示することが可能になる。
　（２）本実施の形態によれば、ステップ１０５において、プログラム２１３の実行により、加速度情報データベース２１０に格納された身体的な動きデータに基づいて、先生と生徒との身体的な動きの同期性を分析することができる。また、ステップ１０６において、プログラム２１４の実行により、加速度情報データベース２１０に格納された身体的な動きデータに基づいて、生徒同士の身体的な動きの同期性を分析することができる。また、ステップ１０７において、プログラム２１５の実行により、対面情報データベース２０９に格納された人間関係グラフデータに基づいて、対面コミュニケーションの指標を計算することができる。そして、ステップ１０９において、プログラム２１６の実行により、ユーザ属性データベース２１１に格納された学業成績データ、ステップ１０７で計算した対面コミュニケーションに関する第１指標、ステップ１０５で計算した身体的な動きに関する第２指標、およびステップ１０６で計算した身体的な動きに関する第３指標に基づいて、学業成績データと第１～第３指標との相関を分析することができる。これにより、先生や学校運営者の経験などの定性的な判断に基づくのではなく、定量的な人間行動データに基づいたシステムを設計することが可能になる。
　（３）本実施の形態によれば、ステップ１１０において、表示装置２０３に、特定された学業成績に影響する指標を用いて学業成績を予測した結果を表示することができる。これにより、学校環境における先生と生徒との関係や、生徒同士の関係を変えた場合に学業成績がどのように変化するかを予測することが可能になる。
　（４）本実施の形態によれば、ステップ１１０において、表示装置２０３に、特定された学業成績に影響する指標を制御することによって学業成績を向上させるための施策を表示することができる。これにより、学業成績向上に向けた具体的な施策設計を、定量的なデータに基づく指標の特定と、学業成績との関係性の効果的な提示により、効果的に行うことが可能になる。
　（５）本実施の形態によれば、センサ２０１から得られる大量の定量的なデータに基づいて、計算機で学業成績と相関する要因を自動的に特定することができるため、アンケート調査などを行わなくても、タイムリーに、かつ、定量的に学業成績向上に向けた施策設計と検証を行うことができる。さらに、特定した指標やパターンを用いてどの要因をどのように変化させれば学業成績が向上するかなどを推定することができる。
　以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることはいうまでもない。たとえば、上記した実施の形態は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、実施の形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　たとえば、上記した実施の形態においては、教育環境として、先生と生徒とを含む学校を例に説明したが、本発明は、これに限定されるものではなく、学習塾、予備校などの他の教育環境にも適用可能である。
１０１…人間関係グラフデータと身体的な動きデータの入力ステップ、１０２…人間関係グラフデータ、１０３…身体的な動きデータ、１０４…人間関係グラフデータと身体的な動きデータの分析処理ステップ、１０５…先生と生徒との身体的な動きの同期性分析ステップ、１０６…生徒同士の身体的な動きの同期性分析ステップ、１０７…対面コミュニケーションの指標計算ステップ、１０８…学業成績データの入力ステップ、１０９…学業成績データと人間行動指標との相関分析ステップ、１１０…学業成績と相関する指標やパターンに関するデータの出力ステップ、
２０１…センサ、２０２…データ管理サーバ、２０３…表示装置、２０４…入力装置、２０５…通信装置、２０６…ＣＰＵ、２０７…ハードディスク、２０８…メモリ、２０９…対面情報データベース、２１０…加速度情報データベース、２１１…ユーザ属性データベース、２１２…分析プログラム、２１３…先生と生徒との加速度の同期性分析プログラム、２１４…生徒同士の加速度の同期性分析プログラム、２１５…対面コミュニケーションの指標計算プログラム、２１６…学業成績データと人間行動指標との相関分析プログラム、２１７…インタネット網、
３０１～３０８…ユーザＩＤ、３０９～３１２…ノード番号、
４０１…時刻、４０２…ユーザＩＤ、４０３…身体的な動き度合いを表す数値、
５０１…ユーザＩＤ、５０２…職位、５０３…教科、５０４…学年、５０５…クラス名、５０６…１月のテストの点数、５０７…２月のテストの点数、５０８…３月のテストの点数、
６０１…先生の加速度波形、６０２…生徒の加速度波形、６０３…先生の加速度波形を矢印のアップダウンに変換した時系列、６０４…生徒の加速度波形を矢印のアップダウンに変換した時系列、
７０１…身体的な動きデータの入力ステップ、７０２…加速度波形を上向き矢印と下向き矢印の時系列に変換する処理ステップ、７０３…生徒ごとに割合を計算する処理ステップ、７０４…学業成績と割合との相関を計算する処理ステップ、７０５…相関があるパターンを表示する処理ステップ、
８０１，８０２…実験結果、
９０１…加速度波形、９０２…加速度の閾値、
１００１…身体的な動きデータの入力ステップ、１００２…Ａｃｔｉｖｅ状態とＮｏｎ－ａｃｔｉｖｅ状態とを判定する処理ステップ、１００３…クラスごとに一体度を計算する処理ステップ、１００４…学業成績と一体度との相関を計算する処理ステップ、１００５…相関分析の結果を表示する処理ステップ、
１１０１…実験結果、
１２０１…ノード、１２０２…リンク、
１３０１，１３０２…実験結果、
１４０１…人間関係グラフデータの入力ステップ、１４０２…個人ごとの対面ネットワーク指標を計算する処理ステップ、１４０３…クラスごとに分析するかを判定する処理ステップ、１４０４…個人ごとにネットワーク指標と学業成績との相関を計算する処理ステップ、１４０５…クラスごとのネットワーク指標を計算する処理ステップ、１４０６…クラスごとにネットワーク指標と学業成績との相関を計算する処理ステップ、１４０７…相関分析の結果を表示する処理ステップ、
１５０１…先生と成績が良い生徒との身体的な動きの同期性と学業成績との関係の分析結果表示画面、１５０２…先生と成績が悪い生徒との身体的な動きの同期性と学業成績との関係の分析結果表示画面、１５０３，１５０４…加速度波形の表示、１５０５，１５０６…学業成績と相関する先生との動きパターンの表示、１５０７，１５０８…先生との身体的な動きの同期度合いの表示、１５０９，１５１０…施策提案メッセージ、１５１１，１５１２…学業成績と相関するパターンの強調表示、
１６０１…成績が良いクラスにおける生徒同士の身体的な動きの同期性と学業成績との関係の分析結果表示画面、１６０２…成績が悪いクラスにおける生徒同士の身体的な動きの同期性と学業成績との関係の分析結果表示画面、１６０３，１６０４…クラスを構成する生徒の加速度波形の表示、１６０５，１６０６…クラスを構成する生徒の平均の加速度波形の表示、１６０７，１６０８…生徒同士の一体度の表示、１６０９，１６１０…施策提案メッセージ、
１７０１…対面ネットワーク図、１７０２…クラスＩＤ、１７０３…クラスごとの次数、１７０４…クラスごとのクラスタリング係数、１７０５…施策提案メッセージ、
１８０１，１８０２…実験結果。

Claims (15)

  1. 　第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績との相関因子特定方法であって、
    　計算機により、前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサにより測定された前記第１の人間と前記複数の第２の人間との対面データおよび物理量に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析する第１ステップと、
    　前記計算機により、前記関係パターンと前記複数の第２の人間の成績データとの相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する第２ステップと、
    　を有する、学業成績との相関因子特定方法。
  2. 　請求項１記載の学業成績との相関因子特定方法において、
    　前記第１の人間は先生であり、前記第２の人間は生徒であり、前記教育環境は学校であり、
    　前記第１ステップでは、前記先生と前記複数の生徒とにそれぞれ装着された複数のセンサにより測定された前記先生と前記複数の生徒との対面データおよび物理量に基づいて、前記先生と前記複数の生徒との間および前記複数の生徒同士の間の関係パターンを分析し、
    　前記第２ステップでは、前記関係パターンと前記複数の生徒の学業成績データとの相関を取ることで、前記関係パターンのうち学業成績との相関が強いパターンを分析する、学業成績との相関因子特定方法。
  3. 　請求項２記載の学業成績との相関因子特定方法において、
    　前記第１ステップは、
    　第１プログラムの実行により、第１データベースに格納された前記物理量である身体的な動きデータに基づいて、前記先生と前記生徒との身体的な動きの同期性を分析する第１Ａステップと、
    　第２プログラムの実行により、前記第１データベースに格納された前記身体的な動きデータに基づいて、前記生徒同士の身体的な動きの同期性を分析する第１Ｂステップと、
    　第３プログラムの実行により、第２データベースに格納された前記対面データである人間関係グラフデータに基づいて、対面コミュニケーションの指標を計算する第１Ｃステップと、
    　を有する、学業成績との相関因子特定方法。
  4. 　請求項３記載の学業成績との相関因子特定方法において、
    　前記第２ステップは、
    　第４プログラムの実行により、第３データベースに格納された前記学業成績データ、前記第１Ｃステップで計算した対面コミュニケーションに関する第１指標、前記第１Ａステップで計算した身体的な動きに関する第２指標、および前記第１Ｂステップで計算した身体的な動きに関する第３指標に基づいて、前記学業成績データと前記第１～第３指標との相関を分析する第２Ａステップを有する、学業成績との相関因子特定方法。
  5. 　請求項４記載の学業成績との相関因子特定方法において、
    　表示装置に、前記第２Ａステップで特定された学業成績に影響する指標を表示する第３ステップをさらに有し、
    　前記第３ステップは、
    　前記第２Ａステップで特定された学業成績に影響する指標を用いて学業成績を予測した結果を表示する第３Ａステップを有する、学業成績との相関因子特定方法。
  6. 　請求項５記載の学業成績との相関因子特定方法において、
    　前記第３ステップは、
    　前記第２Ａステップで特定された学業成績に影響する指標を制御することによって学業成績を向上させるための施策を表示する第３Ｂステップを有する、学業成績との相関因子特定方法。
  7. 　請求項６記載の学業成績との相関因子特定方法において、
    　前記第１Ａステップでは、前記先生の身体的な動きを時系列で示す加速度波形を矢印のアップダウンに変換した時系列と、前記生徒の身体的な動きを示す加速度波形を矢印のアップダウンに変換した時系列とを用いて、前記先生と前記生徒との身体的な動きの同期性と学業成績との関係を調べ、
    　前記第１Ｂステップでは、前記生徒の身体的な動きを時系列で示す加速度波形を閾値で分けた活発状態と非活発状態とを用いて、前記生徒同士の身体的な動きの同期性と学業成績との関係を調べ、
    　前記第１Ｃステップでは、前記先生または前記生徒の人を表すノードと、前記人と前記人とが一定時間以上対面している場合に張るリンクとで表す対面ネットワークにおいて、前記ノードの次数とクラスタリング係数とを用いて、前記先生または前記生徒の身体的な動きの同期性と学業成績との関係を調べる、学業成績との相関因子特定方法。
  8. 　第１の人間と、前記第１の人間とは異なる職種の複数の第２の人間と、を含む教育環境における学業成績との相関因子提示システムであって、
    　前記第１の人間と前記複数の第２の人間とにそれぞれ装着された複数のセンサにより測定された前記第１の人間と前記複数の第２の人間との対面データおよび物理量に基づいて、前記第１の人間と前記複数の第２の人間との間および前記複数の第２の人間同士の間の関係パターンを分析し、前記関係パターンと前記複数の第２の人間の成績データとの相関を取ることで、前記関係パターンのうち成績との相関が強いパターンを分析する計算機を有する、学業成績との相関因子提示システム。
  9. 　請求項８記載の学業成績との相関因子提示システムにおいて、
    　前記第１の人間は先生であり、前記第２の人間は生徒であり、前記教育環境は学校であり、
    　前記計算機は、前記先生と前記複数の生徒とにそれぞれ装着された複数のセンサにより測定された前記先生と前記複数の生徒との対面データおよび物理量に基づいて、前記先生と前記複数の生徒との間および前記複数の生徒同士の間の関係パターンを分析し、前記関係パターンと前記複数の生徒の学業成績データとの相関を取ることで、前記関係パターンのうち学業成績との相関が強いパターンを分析する、学業成績との相関因子提示システム。
  10. 　請求項９記載の学業成績との相関因子提示システムにおいて、
    　前記計算機は、
    　前記物理量である身体的な動きデータを格納する第１データベースと、
    　前記対面データである人間関係グラフデータを格納する第２データベースと、
    　前記第１データベースに格納された前記身体的な動きデータに基づいて、前記先生と前記生徒との身体的な動きの同期性を分析する第１プログラムと、
    　前記第１データベースに格納された前記身体的な動きデータに基づいて、前記生徒同士の身体的な動きの同期性を分析する第２プログラムと、
    　前記第２データベースに格納された前記人間関係グラフデータに基づいて、対面コミュニケーションの指標を計算する第３プログラムと、
    　をさらに有する、学業成績との相関因子提示システム。
  11. 　請求項１０記載の学業成績との相関因子提示システムにおいて、
    　前記計算機は、
    　前記成績データである学業成績データを格納する第３データベースと、
    　前記第３データベースに格納された前記学業成績データ、前記第３プログラムで計算した対面コミュニケーションに関する第１指標、前記第１プログラムで計算した身体的な動きに関する第２指標、および前記第２プログラムで計算した身体的な動きに関する第３指標に基づいて、前記学業成績データと前記第１～第３指標との相関を分析する第４プログラムと、
    　をさらに有する、学業成績との相関因子提示システム。
  12. 　請求項１１記載の学業成績との相関因子提示システムにおいて、
    　前記計算機は、
    　前記第４プログラムで特定された学業成績に影響する指標を表示する表示装置をさらに有し、
    　前記表示装置は、
    　前記第４プログラムで特定された学業成績に影響する指標を用いて学業成績を予測した結果を表示する、学業成績との相関因子提示システム。
  13. 　請求項１２記載の学業成績との相関因子提示システムにおいて、
    　前記表示装置は、
    　前記第４プログラムで特定された学業成績に影響する指標を制御することによって学業成績を向上させるための施策を表示する、学業成績との相関因子提示システム。
  14. 　請求項１３記載の学業成績との相関因子提示システムにおいて、
    　前記第１プログラムでは、前記先生の身体的な動きを時系列で示す加速度波形を矢印のアップダウンに変換した時系列と、前記生徒の身体的な動きを示す加速度波形を矢印のアップダウンに変換した時系列とを用いて、前記先生と前記生徒との身体的な動きの同期性と学業成績との関係を調べ、
    　前記第２プログラムでは、前記生徒の身体的な動きを時系列で示す加速度波形を閾値で分けた活発状態と非活発状態とを用いて、前記生徒同士の身体的な動きの同期性と学業成績との関係を調べ、
    　前記第３プログラムでは、前記先生または前記生徒の人を表すノードと、前記人と前記人とが一定時間以上対面している場合に張るリンクとで表す対面ネットワークにおいて、前記ノードの次数とクラスタリング係数とを用いて、前記先生または前記生徒の身体的な動きの同期性と学業成績との関係を調べる、学業成績との相関因子提示システム。
  15. 　請求項８記載の学業成績との相関因子提示システムにおいて、
    　前記第１の人間と前記複数の第２の人間とにそれぞれ装着され、前記第１の人間と前記複数の第２の人間との対面データおよび物理量を測定する複数のセンサをさらに有する、学業成績との相関因子提示システム。
PCT/JP2013/070620 2013-07-30 2013-07-30 学業成績との相関因子特定方法 WO2015015569A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2015529254A JP6069506B2 (ja) 2013-07-30 2013-07-30 学業成績との相関因子特定方法
PCT/JP2013/070620 WO2015015569A1 (ja) 2013-07-30 2013-07-30 学業成績との相関因子特定方法
US15/009,105 US20160148109A1 (en) 2013-07-30 2016-01-28 System for Motion Analytics and Method for Analyzing Motion

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2013/070620 WO2015015569A1 (ja) 2013-07-30 2013-07-30 学業成績との相関因子特定方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/009,105 Continuation US20160148109A1 (en) 2013-07-30 2016-01-28 System for Motion Analytics and Method for Analyzing Motion

Publications (1)

Publication Number Publication Date
WO2015015569A1 true WO2015015569A1 (ja) 2015-02-05

Family

ID=52431150

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/070620 WO2015015569A1 (ja) 2013-07-30 2013-07-30 学業成績との相関因子特定方法

Country Status (3)

Country Link
US (1) US20160148109A1 (ja)
JP (1) JP6069506B2 (ja)
WO (1) WO2015015569A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018032276A (ja) * 2016-08-25 2018-03-01 株式会社内田洋行 教育学習活動支援システム
JP2019160193A (ja) * 2018-03-16 2019-09-19 株式会社 みずほ銀行 学習支援システム、学習支援方法及び学習支援プログラム
CN111599472A (zh) * 2020-05-14 2020-08-28 重庆大学 用于学生心理状态识别的方法及装置、计算机
WO2022118689A1 (ja) * 2020-12-01 2022-06-09 ソニーグループ株式会社 情報処理装置、情報処理方法および情報処理プログラム

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10621685B2 (en) 2017-04-03 2020-04-14 International Business Machines Corporation Cognitive education advisor
US20190102722A1 (en) * 2017-10-03 2019-04-04 International Business Machines Corporation System and method enabling dynamic teacher support capabilities
EP3769319B1 (en) * 2018-03-23 2023-01-18 Siemens Healthcare Diagnostics, Inc. Methods, apparatus, and systems for integration of diagnostic laboratory devices
JP7402140B2 (ja) * 2020-09-23 2023-12-20 株式会社日立製作所 登録装置、登録方法、および登録プログラム
JP7436083B1 (ja) 2023-10-20 2024-02-21 株式会社フレアリンク 信頼関係推定装置、信頼関係推定方法、及びコンピュータプログラム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010257166A (ja) * 2009-04-24 2010-11-11 Hitachi Ltd 組織評価装置および組織評価システム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010257166A (ja) * 2009-04-24 2010-11-11 Hitachi Ltd 組織評価装置および組織評価システム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HIROAKI DEGUCHI: "Web Base Kyocho Gakushu to Shugo Kogi o Yugo shita Blended-gata Gakushu no Jissen", SYMPOSIUM ON MULTIMEDIA, DISTRIBUTED, COOPERATIVE AND MOBILE SYSTEMS (DICOMO) RONBUNSHU 1997 TO 2006 NEN, vol. 2005, 6 July 2005 (2005-07-06), pages 301 - 304 *
HITACHI HIGH-TECHNOLOGIES CORP., BUSINESS MICROSCOPE, 19 July 2012 (2012-07-19) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018032276A (ja) * 2016-08-25 2018-03-01 株式会社内田洋行 教育学習活動支援システム
JP2019160193A (ja) * 2018-03-16 2019-09-19 株式会社 みずほ銀行 学習支援システム、学習支援方法及び学習支援プログラム
CN111599472A (zh) * 2020-05-14 2020-08-28 重庆大学 用于学生心理状态识别的方法及装置、计算机
CN111599472B (zh) * 2020-05-14 2023-10-24 重庆大学 用于学生心理状态识别的方法及装置、计算机
WO2022118689A1 (ja) * 2020-12-01 2022-06-09 ソニーグループ株式会社 情報処理装置、情報処理方法および情報処理プログラム

Also Published As

Publication number Publication date
US20160148109A1 (en) 2016-05-26
JPWO2015015569A1 (ja) 2017-03-02
JP6069506B2 (ja) 2017-02-01

Similar Documents

Publication Publication Date Title
JP6069506B2 (ja) 学業成績との相関因子特定方法
Khedhaouria et al. Technostress creators, personality traits, and job burnout: A fuzzy-set configurational analysis
Fabelico et al. Perseverance and passion in the teaching profession: Teachers' grit, self-efficacy, burnout, and performance
Khokhar et al. Linking ethical leadership to employees' performance: Mediating role of organizational citizenship behavior and counterproductive work behavior
Kim et al. Athletics, clubs, or music? The influence of college extracurricular activities on job prestige and satisfaction
Yorulmaz et al. The examination of teacher burnout in Turkey: A meta-analysis
Shupe et al. Role-related stress experienced by academic librarians
Manuel et al. 'As much as I love being in the classroom...': Understanding secondary English teachers' workload
Ceschi et al. The career decision-making competence: a new construct for the career realm
Stibe et al. Designing persuasive systems for user engagement in collaborative interaction
Maina Effect of performance management system on employee performance: A study of food and agriculture organization
Wildgaard An overview of author-level indicators of research performance
Wu et al. Developing measures for assessing the causality of safety culture in a petrochemical industry
Ladao et al. The Mediating Effect of Perceived Organizational Support on the Relationship between Authentic Leadership and Turnover Intention.
Bhakta et al. Training needs of early career researchers in research-intensive universities
Joshi et al. Choosing IT as a career: Exploring the role of self-efficacy and perceived importance of IT skills
Baras et al. ‘Smartphine': Supporting students' well-being according to their calendar and mood
Jaurigue et al. Rank-and-file employees' work attitude, motivation, and performance in an academe
Ranathunga et al. Impact of Techno-Stress on Job Satisfaction of Teachers in Government Schools in Sri Lanka: Evidence from Kurunegala Educational Zone
Mello The relationship between reports of psychological capital and reports of job satisfaction among administrative personnel at a private institution of higher education
Bodie et al. Measuring affective components of listening
Saigushev et al. Model of future engineers’ self-determination during professional training in technical university
Crawford et al. Leadership and teams, an assessment within the hospitality management classroom
Methlagl et al. Working as an ECE professional during Covid-19 in Austria: demands and resources profiles and their relations with exhaustion and work engagement
Sharma et al. Hybrid workplace: Unveiling the work-life imbalance factors and implications in the post-pandemic era

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13890680

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2015529254

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13890680

Country of ref document: EP

Kind code of ref document: A1