WO2022091562A1 - 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム - Google Patents

学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム Download PDF

Info

Publication number
WO2022091562A1
WO2022091562A1 PCT/JP2021/031717 JP2021031717W WO2022091562A1 WO 2022091562 A1 WO2022091562 A1 WO 2022091562A1 JP 2021031717 W JP2021031717 W JP 2021031717W WO 2022091562 A1 WO2022091562 A1 WO 2022091562A1
Authority
WO
WIPO (PCT)
Prior art keywords
academic ability
decision tree
category
academic
estimating
Prior art date
Application number
PCT/JP2021/031717
Other languages
English (en)
French (fr)
Inventor
淳 渡辺
倫也 上田
翔子 渡邉
Original Assignee
株式会社Ｚ会
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Ｚ会 filed Critical 株式会社Ｚ会
Priority to EP21885681.3A priority Critical patent/EP4239617A1/en
Priority to CN202180065915.9A priority patent/CN116194976A/zh
Priority to US18/025,656 priority patent/US20230351909A1/en
Publication of WO2022091562A1 publication Critical patent/WO2022091562A1/ja

Links

Images

Classifications

    • 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
    • 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

Definitions

  • the present invention relates to an academic ability estimation model generator that generates a model for academic ability estimation, an academic ability estimation device that estimates academic ability using an academic ability estimation model, an academic ability estimation model generation method, an academic ability estimation method, and a program.
  • Patent Document 1 is disclosed as a conventional technique of a learning support system.
  • the learning support system of Patent Document 1 includes a server device and a terminal device.
  • the terminal device sends the desired school information to the server device, receives the lesson information including a plurality of lessons specified based on the desired school information and the check test information corresponding to the lesson information from the server device, and receives the check test information.
  • the check test is executed based on, the learner's academic ability level is judged based on the result of the check test, and the lesson that the learner should learn at a predetermined time is shown based on the lesson information and the determined academic ability level. Generate the first screen.
  • an object of the present invention is to provide a model generator for scholastic ability estimation that does not require comprehensive learning data and can generate a model for scholastic ability estimation that accurately estimates the current academic ability.
  • the model generator for estimating academic ability of the present invention includes a decision tree generation unit, a pruning unit, and a category generation unit.
  • the decision tree generation unit generates a decision tree using correct / incorrect information indicating that a plurality of answerers who have answered a problem group consisting of a plurality of predetermined questions have answered each question correctly or incorrectly as teacher data.
  • the pruning section deletes the corresponding leaf node when the entropy of the classification result indicated by the leaf node, which is the end of the generated decision tree, is equal to or less than a predetermined value.
  • the category generator sets each of the new ends of the decision tree after deleting the leaf node as the category to which one of the answerers belongs.
  • the academic ability estimation model generator of the present invention it is possible to generate an academic ability estimation model that accurately estimates the current academic ability without requiring comprehensive learning data.
  • FIG. 1 The block diagram which shows the structure of the model generator for scholastic ability estimation of Example 1.
  • FIG. The flowchart which shows the operation of the model generator for scholastic ability estimation of Example 1.
  • the block diagram which shows the structure of the academic ability estimation apparatus of Example 1.
  • FIG. The flowchart which shows the operation of the academic ability estimation apparatus of Example 1.
  • the model generation device 1 for estimating academic ability of this embodiment includes a decision tree generation unit 11, a pruning unit 12, a category generation unit 13, an auxiliary decision tree connection unit 14, and a parameter storage unit 15.
  • a supplementary information storage unit 16, a comprehension level generation unit 17, a pass / fail result storage unit 18, and a pass rate generation unit 19 are included.
  • the decision tree generation unit 11 generates a decision tree using correct / incorrect information indicating that a plurality of answerers who have answered a problem group consisting of a plurality of predetermined problems have answered each question correctly or incorrectly as teacher data (decision tree generation unit 11). S11).
  • the pruning unit 12 erases the corresponding leaf node when the entropy of the classification result indicated by the leaf node which is the end of the generated decision tree is equal to or less than a predetermined value (S12).
  • the category generation unit 13 sets each of the new ends of the decision tree after deleting the leaf node as the category to which any of the answerers belongs (S13).
  • FIG. 3 shows an example of a decision tree obtained by executing steps S11 to S13.
  • the problem group 8 questions in total.
  • Step S12 is executed to erase the leaf nodes whose entropy of the classification result is equal to or less than a predetermined value, and step S13 is executed to set the new ends as categories A to L.
  • each route of this decision tree does not include all of Q1 to Q8.
  • the answerers who answered Q1, Q2, and Q3 consecutively are immediately classified into Category A. It is considered that this is because the group of answerers who answered questions 1 to 3 in succession had almost no variation in the correct / incorrect information (the entropy was small) in the answers to the subsequent questions.
  • a group that was able to answer questions 1 to 3 in succession had the academic ability to answer all the remaining questions (questions 4 to 8) correctly, so the entropy converged at the time of questions 1 to 3. It is assumed that the value was small.
  • a group in which Q1 is a correct answer, Q2 is an incorrect answer, and Q4 to Q5 are continuously answered correctly is classified into category C because the entropy is below a predetermined value.
  • questions 3 and 6 to 8 that are not on the route of the decision tree converge to either correct or incorrect answers with almost no variation in the group belonging to category C.
  • Q2 is an incorrect answer
  • the related Q3 almost converges to an incorrect answer
  • Q1 and Q4 to Q5 are correct answers
  • the related Q6 -Question 8 is assumed to be a pattern in which all questions are answered correctly and converged.
  • auxiliary decision tree connection 14 reaches the corresponding category when the entropy value in any category is larger than the predetermined value or the number of answerers belonging to any category is smaller than the predetermined value.
  • a subtree that does not reach the relevant category, which exists on the terminal side of any of the nodes that have passed through, is connected to the relevant category as an auxiliary decision tree, and the answerer belonging to the relevant category is the auxiliary decision tree. It leads to the category existing at the end of (S14).
  • FIG. 4 shows an example of the auxiliary decision tree connected in step S14.
  • the value of entropy in category J is larger than the predetermined value, or the number of answerers belonging to category J is smaller than the predetermined value. This is because category J accidentally includes various types of answerers because it shows a tendency that is far from the general tendency of correct / incorrect information in questions 1 to 8, or category J. It is assumed that the number of answerers corresponding to is small in the first place and the entropy does not converge (for example, there are very few answerers who have different correct / incorrect information at the end of J, for example, one person). Will be done.
  • a subtree that does not reach category J (“Q6") that exists on the terminal side of any node, for example, node "Q8", that has passed through until reaching category J.
  • ⁇ Category K, “Q6” ⁇ Category L) is connected to Category J as an auxiliary decision tree, and the answerer belonging to Category J is guided to either Category K or L existing at the end of the auxiliary decision tree.
  • the entropy does not converge because it is thought that there are many cases in which the problem corresponding to the applied problem is answered correctly even though the academic ability is insufficient, or the academic ability is sufficient, but it is not so common.
  • the auxiliary decision tree selects the answerers who belong to such a category. It is suitable because it can lead to a more probable category to point to.
  • category J is considered to be less accurate as a category for classifying answerers, and by guiding with an auxiliary decision tree as shown in the figure, these answerers are classified into other categories such as categories K and L. It is possible to transfer to. For example, if the answerer belonging to category J belongs to category L due to the auxiliary decision tree, the correct answer to question 8 will be correct even if it is not accompanied by academic ability due to, for example, inadequate questions or inadequate scoring method. It can be regarded as an outlier or a correct answer as an outlier.
  • the parameter storage unit 15 stores parameters that associate correct / incorrect information of each problem with the degree of understanding of each learning field (S15).
  • S15 the degree of understanding of each learning field
  • the problem and the field may be completely associated with 1: 1.
  • multiple fields may be associated with one problem, such as Q1 ⁇ field a, b, c, and so on.
  • the supplementary information storage unit 16 stores supplementary information which is information on the learning progress of the answerer in each learning field or the subjective understanding of the answerer in each learning field (S16).
  • the comprehension generation unit 17 generates the comprehension level of each learning field of the answerer belonging to each of the categories by using the parameter, and corrects the comprehension level of each generated learning field based on the supplementary information (S17).
  • the table below shows an example of how to generate comprehension using parameters.
  • the comprehension generation unit 17 may display the difference between the target category and the category currently belonging (difference in comprehension in each learning field) for the answerers who belong to a predetermined category (below). See table).
  • the pass / fail result storage unit 18 stores the pass / fail result, which is the result of the answerer taking an examination at a predetermined school (S18).
  • the pass rate generation unit 19 generates the pass rate of the answerer belonging to the category at a predetermined school for each category and outputs it for each category (S19).
  • An example of passing rate generation is shown in the table below.
  • schools may be classified into multiple classes using scales such as deviation value, liberal arts-science, national public-private, etc., and a pass rate may be generated for each class.
  • scales such as deviation value, liberal arts-science, national public-private, etc.
  • a pass rate may be generated for each class.
  • An example of generating the pass rate in this case is shown in the table below.
  • the academic ability estimation device 2 includes the academic ability estimation model storage unit 21 and the academic ability estimation unit 22.
  • the scholastic ability estimation model storage unit 21 is a decision tree generated as teacher data with correct / incorrect information indicating that a plurality of answerers who answered a problem group consisting of a plurality of predetermined problems answered each question correctly or incorrectly. Eliminate leaf nodes whose classification result entropy indicated by the terminal leaf node is less than or equal to a predetermined value, and make each of the new ends of the decision tree after the leaf node deletion a category to which one of the answerers belongs.
  • the academic ability estimation model generated by that is, the academic ability estimation model generated by the academic ability estimation model generator 1) is stored.
  • the academic ability estimation unit 22 acquires correct / incorrect information of the target person for academic ability estimation, and estimates the academic ability of the target person based on the academic ability estimation model (S22).
  • the correct / incorrect information of the subject of academic ability estimation shall be the correct / incorrect information about the same problem group as the problem group used when generating the model for academic ability estimation, and the questioning time shall be the same. For example, if the correct / incorrect information used at the time of model generation is the correct / incorrect information at the time of summer of the second year of high school, the correct / incorrect information at the time of summer of the second year of high school of the subject of academic ability estimation shall be input.
  • the device of the present invention is, for example, as a single hardware entity, an input unit to which a keyboard or the like can be connected, an output unit to which a liquid crystal display or the like can be connected, and a communication device (for example, a communication cable) capable of communicating outside the hardware entity.
  • Communication unit CPU (Central Processing Unit, cache memory, registers, etc.) to which can be connected, RAM and ROM as memory, external storage device as hard hardware, and input, output, and communication units of these.
  • CPU, RAM, ROM has a bus connecting so that data can be exchanged between external storage devices.
  • a device (drive) or the like capable of reading and writing a recording medium such as a CD-ROM may be provided in the hardware entity.
  • a physical entity equipped with such hardware resources there is a general-purpose computer or the like.
  • the external storage device of the hardware entity stores a program required to realize the above-mentioned functions and data required for processing of this program (not limited to the external storage device, for example, reading a program). It may be stored in a ROM, which is a dedicated storage device). Further, the data obtained by the processing of these programs is appropriately stored in a RAM, an external storage device, or the like.
  • each program stored in the external storage device (or ROM, etc.) and the data required for processing of each program are read into the memory as needed, and are appropriately interpreted and executed and processed by the CPU. ..
  • the CPU realizes a predetermined function (each configuration requirement represented by the above, ... Department, ... means, etc.).
  • the present invention is not limited to the above-described embodiment, and can be appropriately modified without departing from the spirit of the present invention. Further, the processes described in the above-described embodiment are not only executed in chronological order according to the order described, but may also be executed in parallel or individually depending on the processing capacity of the device that executes the processes or if necessary. ..
  • the processing function in the hardware entity (device of the present invention) described in the above embodiment is realized by the computer, the processing content of the function that the hardware entity should have is described by the program. Then, by executing this program on the computer, the processing function in the above hardware entity is realized on the computer.
  • the various processes described above can be performed by causing the recording unit 10020 of the computer shown in FIG. 7 to read a program for executing each step of the above method and operating the control unit 10010, the input unit 10030, the output unit 10040, and the like. ..
  • the program that describes this processing content can be recorded on a computer-readable recording medium.
  • the recording medium that can be read by a computer may be, for example, a magnetic recording device, an optical disk, a photomagnetic recording medium, a semiconductor memory, or the like.
  • a hard disk device, a flexible disk, a magnetic tape or the like as a magnetic recording device, and an optical disk such as a DVD (DigitalVersatileDisc), a DVD-RAM (RandomAccessMemory), or a CD-ROM (CompactDiscReadOnly). Memory), CD-R (Recordable) / RW (ReWritable), etc., MO (Magneto-Optical disc), etc. as a magneto-optical recording medium, EEP-ROM (Electrically Erasable and Programmable-Read Only Memory), etc. as a semiconductor memory. Can be used.
  • the distribution of this program is carried out, for example, by selling, transferring, renting, etc. a portable recording medium such as a DVD or CD-ROM in which the program is recorded. Further, the program may be stored in the storage device of the server computer, and the program may be distributed by transferring the program from the server computer to another computer via a network.
  • a computer that executes such a program first, for example, first stores a program recorded on a portable recording medium or a program transferred from a server computer in its own storage device. Then, when the process is executed, the computer reads the program stored in its own recording medium and executes the process according to the read program. Further, as another execution form of this program, a computer may read the program directly from a portable recording medium and execute processing according to the program, and further, the program is transferred from the server computer to this computer. You may execute the process according to the received program one by one each time.
  • ASP Application Service Provider
  • the program in this embodiment includes information used for processing by a computer and equivalent to the program (data that is not a direct command to the computer but has a property that regulates the processing of the computer, etc.).
  • the hardware entity is configured by executing a predetermined program on the computer, but at least a part of these processing contents may be realized in terms of hardware.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる学力推定用モデル生成装置を提供する。予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する決定木生成部と、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する枝刈部と、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするカテゴリ生成部を含む。

Description

学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム
　本発明は、学力推定のためのモデルを生成する学力推定用モデル生成装置、学力推定用モデルを用いて学力を推定する学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラムに関する。
　学習支援システムの従来技術として、例えば特許文献１が開示されている。特許文献１の学習支援システムは、サーバ装置、端末装置を含む。端末装置は、志望校情報をサーバ装置に送信し、志望校情報に基づいて特定された複数のレッスンを含むレッスン情報と当該レッスン情報に対応するチェックテスト情報とを、サーバ装置から受信し、チェックテスト情報に基づいてチェックテストを実行して、チェックテストの結果に基づいて学習者の学力レベルを判定し、レッスン情報及び判定された学力レベルに基づいて、所定時期に学習者が学習すべきレッスンを示す第１の画面を生成する。
特開２０１９－１２８３６５号公報
　従来の学力推定には、志望校の出題範囲について網羅的に学習を進めた学習データを収集する必要があり、煩雑であった。また過去の学習データは時間とともに陳腐化していくため、現時点の学力推定の精度を下げる要因となっていた。
　そこで本発明では、網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる学力推定用モデル生成装置を提供することを目的とする。
　本発明の学力推定用モデル生成装置は、決定木生成部と、枝刈部と、カテゴリ生成部を含む。
　決定木生成部は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する。枝刈部は、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する。カテゴリ生成部は、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとする。
　本発明の学力推定用モデル生成装置によれば、網羅的な学習データを必要とせず、現在の学力を精度よく推定する学力推定用モデルを生成することができる。
実施例１の学力推定用モデル生成装置の構成を示すブロック図。 実施例１の学力推定用モデル生成装置の動作を示すフローチャート。 葉ノード消去後の各末端をカテゴリとした決定木の例を示す図。 補助決定木を接続した決定木の例を示す図。 実施例１の学力推定装置の構成を示すブロック図。 実施例１の学力推定装置の動作を示すフローチャート。 コンピュータの機能構成例を示す図。
　以下、本発明の実施の形態について、詳細に説明する。なお、同じ機能を有する構成部には同じ番号を付し、重複説明を省略する。
［学力推定用モデル生成装置］
　図１を参照して実施例１の学力推定用モデル生成装置の構成を説明する。同図に示すように本実施例の学力推定用モデル生成装置１は、決定木生成部１１と、枝刈部１２と、カテゴリ生成部１３と、補助決定木接続部１４と、パラメータ記憶部１５と、補足情報記憶部１６と、理解度生成部１７と、合否結果記憶部１８と、合格率生成部１９を含む。
　以下、図２を参照して各構成要件の動作を説明する。
＜決定木生成部１１＞
　決定木生成部１１は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する（Ｓ１１）。
＜枝刈部１２＞
　枝刈部１２は、生成された決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する（Ｓ１２）。
＜カテゴリ生成部１３＞
　カテゴリ生成部１３は、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとする（Ｓ１３）。
　ステップＳ１１～Ｓ１３までを実行することにより得られる決定木の例を図３に示す。図３の例では、問題群＝全８問とした。ステップＳ１２を実行して分類結果のエントロピーが所定値以下の葉ノードを消去し、ステップＳ１３を実行して、新たな末端をカテゴリＡ～Ｌとした。
　ステップＳ１２において、エントロピーが所定値以下となる葉ノードを削除したため、この決定木の各ルートは、問１～問８の全てを含むものとなっていない。例えば、問１、問２、問３を連続正解した解答者は直ちにカテゴリＡに分類される。これは、問１～問３までを連続で正解した解答者の集団は、その後の問題の解答においても正誤情報にほとんどばらつきがなかった（エントロピーが小さかった）ためと考えられる。例えば、問１～問３までを連続で正解できた集団は、残りの問題（問４～問８）も全て正解する学力があったために、問１～問３までの時点でエントロピーが収束して小さな値となったと想定される。
　他の例として、例えば問１が正解、問２が不正解、問４～問５を連続正解した集団は、エントロピーが所定値を下回るため、カテゴリＣに分類される。この場合、決定木のルートに上がっていない問３、問６～問８に関しては、カテゴリＣに属する集団において、ほとんどバラツキなく正解または不正解の何れかに収束していると考えられる。例えば、問２が不正解であることに連動して、連関する問３はほとんど不正解に収束し、問１、問４～問５が正解であったことに連動して、連関する問６～問８は全問正解し、収束しているパターンなどが想定される。
＜補助決定木接続部１４＞
　補助決定木接続部１４は、何れかのカテゴリにおけるエントロピーの値が所定値よりも大きい、または何れかのカテゴリに属する解答者の人数が所定値よりも小さい場合に、該当のカテゴリに達するまでに経由したノードのうちの何れかのノードよりも末端側に存在する、該当のカテゴリに達しない部分木を補助決定木として該当のカテゴリに接続して、該当のカテゴリに属する解答者を補助決定木の末端に存在するカテゴリに誘導する（Ｓ１４）。
　ステップＳ１４で接続される補助決定木の例を図４に示す。同図の例において、カテゴリＪにおけるエントロピーの値が所定値よりも大きい、またはカテゴリＪに属する解答者の人数が所定値よりも小さいものとする。これは、カテゴリＪが、一般的な問１～問８の正誤情報の傾向とかけ離れた傾向を示しているために様々なタイプの解答者が偶発的に含まれている場合、あるいは、カテゴリＪに該当する解答者の人数がそもそも少なく、エントロピーが収束しなかった場合（例えばＪよりも末端にそれぞれ別の正誤情報を持つ解答者がごく少数、例えば１名ずつ存在するような場合）が想定される。
　同図の例の場合、カテゴリＪに達するまでに経由したノードのうちの何れかのノード、例えばノード「問８」よりも末端側に存在する、カテゴリＪに達しない部分木（「問６」→カテゴリＫ、「問６」→カテゴリＬ）を補助決定木としてカテゴリＪに接続して、カテゴリＪに属する解答者を補助決定木の末端に存在するカテゴリＫ、Ｌの何れかに誘導する。
　例えば、応用問題に該当する問題を学力が不足しているのにたまたま正解してしまった事例を多く含んでいると考えられるためにエントロピーが収束しない、あるいは学力が十分であるのに、あまり一般的でないミスをすることにより、たまたま不正解になってしまった事例を多く含んでいると考えられるためにエントロピーが収束しない、といった場合に、このようなカテゴリに属する解答者を、補助決定木が指し示す、より確からしいカテゴリに誘導することができるため、好適である。
　同図の例では、問１、問４、問５が不正解であったにも関わらず問８を正解することがそもそもレアケースである場合（例えば問８は、問１、問４、問５の応用問題）などが想定できる。この場合、カテゴリＪは解答者を分類するカテゴリとして精度が低くなると考えられ、同図に示すように補助決定木で誘導を図ることにより、これらの解答者をカテゴリＫ、Ｌなどの別のカテゴリに振り替えることが可能となる。例えば、カテゴリＪに属する解答者が補助決定木によりカテゴリＬに属することになった場合、問８の正解は、例えば出題上の不備、採点方法の不備などにより、学力が伴わなくても正解することができる、すなわち外れ値または異常値としての正解、と捉えることができる。
＜パラメータ記憶部１５＞パラメータ記憶部１５は、各問題の正誤情報と各学習分野の理解度とを関連付けるパラメータを記憶する（Ｓ１５）。図３、図４の例を用いれば、例えば問１→分野イ、問２→分野ロ、…、問８→分野チなどと、問題と分野が完全に１：１に関連付けられていてもよいし、問１→分野イ、ロ、ハ、…などと、一つの問題に複数の分野が関連付けられていてもよい。
＜補足情報記憶部１６＞
　補足情報記憶部１６は、各学習分野についての解答者の学習進捗度、または各学習分野についての解答者の主観的理解度の情報である補足情報を記憶する（Ｓ１６）。
＜理解度生成部１７＞
　理解度生成部１７はパラメータを用いて、カテゴリのそれぞれに属する解答者の各学習分野の理解度を生成し、生成した各学習分野の理解度を補足情報に基づいて補正する（Ｓ１７）。
　パラメータを用いた理解度の生成例を以下の表に示す。
Figure JPOXMLDOC01-appb-T000001
　補足情報に基づいた理解度の補正例を以下の表に示す。例えば、カテゴリＡに分類された解答者が補足情報として問１＝「未学習」と回答した場合、問１が分野イ、ロ、ハに関連した出題であった場合は、理解度は例えば下表のように補正される。
Figure JPOXMLDOC01-appb-T000002
　また、カテゴリＡに分類された解答者が補足情報として問１＝「自信なし」と回答した場合、理解度は例えば下表のように補正される。
Figure JPOXMLDOC01-appb-T000003
　また、例えば理解度生成部１７は、所定のカテゴリに属する解答者向けに、目標となるカテゴリと現在属しているカテゴリの差分（各学習分野における理解度の差分）を表示してもよい（下表参照）。
Figure JPOXMLDOC01-appb-T000004
＜合否結果記憶部１８＞
　合否結果記憶部１８は、解答者が所定の学校を受験した結果である合否結果を記憶する（Ｓ１８）。
＜合格率生成部１９＞
　合格率生成部１９は、カテゴリごとに、当該カテゴリに属する解答者の所定の学校における合格率を生成してカテゴリごとに出力する（Ｓ１９）。合格率の生成例を下表に示す。
Figure JPOXMLDOC01-appb-T000005
　例えば学校を偏差値、文系－理系、国公立－私立などの尺度を用いて複数のクラスに分類し、クラスごとに合格率を生成してもよい。この場合の合格率の生成例を下表に示す。
Figure JPOXMLDOC01-appb-T000006
　 
［学力推定装置］
　以下、図５を参照して、上述の学力推定モデル生成装置１によって生成された学力推定モデルを用いて、学力を推定する装置である学力推定装置２の構成を説明する。
　同図に示すように学力推定装置２は、学力推定用モデル記憶部２１と、学力推定部２２を含む。
＜学力推定用モデル記憶部２１＞
　学力推定用モデル記憶部２１は、予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデル（すなわち、学力推定モデル生成装置１によって生成された学力推定用モデル）を記憶する。
＜学力推定部２２＞
　学力推定部２２は、学力推定の対象者の正誤情報を取得し、学力推定用モデルに基づいて、対象者の学力を推定する（Ｓ２２）。ただし、学力推定の対象者の正誤情報は、学力推定用モデル生成時に用いられた問題群と同じ問題群についての正誤情報であるものとし、出題時期も揃っているものとする。例えば、モデル生成時に用いた正誤情報が、高校二年生の夏時点での正誤情報であった場合、学力推定の対象者の高校二年生の夏時点での正誤情報を入力するものとする。
＜補記＞
　本発明の装置は、例えば単一のハードウェアエンティティとして、キーボードなどが接続可能な入力部、液晶ディスプレイなどが接続可能な出力部、ハードウェアエンティティの外部に通信可能な通信装置（例えば通信ケーブル）が接続可能な通信部、ＣＰＵ（Central Processing Unit、キャッシュメモリやレジスタなどを備えていてもよい）、メモリであるＲＡＭやＲＯＭ、ハードディスクである外部記憶装置並びにこれらの入力部、出力部、通信部、ＣＰＵ、ＲＡＭ、ＲＯＭ、外部記憶装置の間のデータのやり取りが可能なように接続するバスを有している。また必要に応じて、ハードウェアエンティティに、ＣＤ－ＲＯＭなどの記録媒体を読み書きできる装置（ドライブ）などを設けることとしてもよい。このようなハードウェア資源を備えた物理的実体としては、汎用コンピュータなどがある。
　ハードウェアエンティティの外部記憶装置には、上述の機能を実現するために必要となるプログラムおよびこのプログラムの処理において必要となるデータなどが記憶されている（外部記憶装置に限らず、例えばプログラムを読み出し専用記憶装置であるＲＯＭに記憶させておくこととしてもよい）。また、これらのプログラムの処理によって得られるデータなどは、ＲＡＭや外部記憶装置などに適宜に記憶される。
　ハードウェアエンティティでは、外部記憶装置（あるいはＲＯＭなど）に記憶された各プログラムとこの各プログラムの処理に必要なデータが必要に応じてメモリに読み込まれて、適宜にＣＰＵで解釈実行・処理される。その結果、ＣＰＵが所定の機能（上記、…部、…手段などと表した各構成要件）を実現する。
　本発明は上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更が可能である。また、上記実施形態において説明した処理は、記載の順に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。
　既述のように、上記実施形態において説明したハードウェアエンティティ（本発明の装置）における処理機能をコンピュータによって実現する場合、ハードウェアエンティティが有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記ハードウェアエンティティにおける処理機能がコンピュータ上で実現される。
　上述の各種の処理は、図７に示すコンピュータの記録部１００２０に、上記方法の各ステップを実行させるプログラムを読み込ませ、制御部１００１０、入力部１００３０、出力部１００４０などに動作させることで実施できる。
　この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ（Random Access Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto-Optical disc）等を、半導体メモリとしてＥＥＰ－ＲＯＭ（Electrically Erasable and Programmable-Read Only Memory）等を用いることができる。
　また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ－ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
　このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。そして、処理の実行時、このコンピュータは、自己の記録媒体に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。また、このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。また、サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。なお、本形態におけるプログラムには、電子計算機による処理の用に供する情報であってプログラムに準ずるもの（コンピュータに対する直接の指令ではないがコンピュータの処理を規定する性質を有するデータ等）を含むものとする。
　また、この形態では、コンピュータ上で所定のプログラムを実行させることにより、ハードウェアエンティティを構成することとしたが、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims (10)

  1. 　予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成する決定木生成部と、
    　生成された前記決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去する枝刈部と、
    　葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするカテゴリ生成部を含む
    　学力推定用モデル生成装置。
  2. 　請求項１に記載の学力推定用モデル生成装置であって、
    　何れかの前記カテゴリにおける前記エントロピーの値が所定値よりも大きい、または何れかの前記カテゴリに属する前記解答者の人数が所定値よりも小さい場合に、該当のカテゴリに達するまでに経由したノードのうちの何れかのノードよりも末端側に存在する、該当のカテゴリに達しない部分木を補助決定木として該当のカテゴリに接続して、該当のカテゴリに属する前記解答者を補助決定木の末端に存在するカテゴリに誘導する補助決定木接続部を含む
    　学力推定用モデル生成装置。
  3. 　請求項１または２に記載の学力推定用モデル生成装置であって、
    　各問題の正誤情報と各学習分野の理解度とを関連付けるパラメータを記憶するパラメータ記憶部と、
    　前記パラメータを用いて、前記カテゴリのそれぞれに属する前記解答者の各学習分野の理解度を生成する理解度生成部を含む
    　学力推定用モデル生成装置。
  4. 　請求項３に記載の学力推定用モデル生成装置であって、
    　各学習分野についての前記解答者の学習進捗度、または各学習分野についての前記解答者の主観的理解度の情報である補足情報を記憶する補足情報記憶部を含み、
    　前記理解度生成部は、
    　生成した各学習分野の理解度を前記補足情報に基づいて補正する
    　学力推定用モデル生成装置。
  5. 　請求項１から４の何れかに記載の学力推定用モデル生成装置であって、
    　前記解答者が所定の学校を受験した結果である合否結果を記憶する合否結果記憶部と、
    　前記カテゴリごとに、当該カテゴリに属する解答者の前記所定の学校における合格率を生成して前記カテゴリごとに出力する合格率生成部を含む
    　学力推定用モデル生成装置。
  6. 　予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデルを記憶する学力推定用モデル記憶部と、
    　学力推定の対象者の前記正誤情報を取得し、前記学力推定用モデルに基づいて、前記対象者の学力を推定する学力推定部を含む
    　学力推定装置。
  7. 　予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして、決定木を生成するステップと、
    　生成された前記決定木の末端である葉ノードが示す分類結果のエントロピーが所定値以下である場合に該当する葉ノードを消去するステップと、
    　葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとするステップを含む
    　学力推定用モデル生成方法。
  8. 　予め定めた複数の問題からなる問題群に解答した複数人の解答者が各問題を正解または不正解したことを示す正誤情報を教師データとして生成された決定木の、末端である葉ノードが示す分類結果のエントロピーが所定値以下となる葉ノードを消去し、葉ノード消去後の前記決定木の新たな末端のそれぞれを何れかの解答者が属するカテゴリとすることにより生成された学力推定用モデルに基づいて、学力推定の対象者の前記正誤情報を用いて、前記対象者の学力を推定するステップを含む
    　学力推定方法。
  9. 　コンピュータを請求項１から５の何れかに記載の学力推定用モデル生成装置として機能させるプログラム。
  10. 　コンピュータを請求項６に記載の学力推定装置として機能させるプログラム。
PCT/JP2021/031717 2020-10-29 2021-08-30 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム WO2022091562A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21885681.3A EP4239617A1 (en) 2020-10-29 2021-08-30 Academic ability estimation model generation device, academic ability estimation device, academic ability estimation model generation method, academic ability estimation method, and program
CN202180065915.9A CN116194976A (zh) 2020-10-29 2021-08-30 学力估计用模型生成装置、学力估计装置、学力估计用模型生成方法、学力估计方法、程序
US18/025,656 US20230351909A1 (en) 2020-10-29 2021-08-30 Academic ability estimation model generation device, academic ability estimation device, academic ability estimation model generation method, academic ability estimation method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020181375A JP7065927B1 (ja) 2020-10-29 2020-10-29 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム
JP2020-181375 2020-10-29

Publications (1)

Publication Number Publication Date
WO2022091562A1 true WO2022091562A1 (ja) 2022-05-05

Family

ID=81383960

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/031717 WO2022091562A1 (ja) 2020-10-29 2021-08-30 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム

Country Status (5)

Country Link
US (1) US20230351909A1 (ja)
EP (1) EP4239617A1 (ja)
JP (1) JP7065927B1 (ja)
CN (1) CN116194976A (ja)
WO (1) WO2022091562A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016177161A (ja) * 2015-03-20 2016-10-06 Kddi株式会社 入力インタフェース構成プログラム、方法及び入力インタフェース提供装置
US20180151084A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Apparatus and method for providing personalized adaptive e-learning
JP2018205447A (ja) * 2017-05-31 2018-12-27 富士通株式会社 ユーザの解答に対する自信レベルを推定する情報処理プログラム、情報処理装置及び情報処理方法
JP2019128365A (ja) 2018-01-19 2019-08-01 株式会社ベネッセコーポレーション 学習支援システム
JP2020035409A (ja) * 2018-08-27 2020-03-05 楽天株式会社 特性推定装置、特性推定方法、及び特性推定プログラム等
JP6832410B1 (ja) * 2019-11-11 2021-02-24 株式会社Ｚ会 学習効果推定装置、学習効果推定方法、プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016177161A (ja) * 2015-03-20 2016-10-06 Kddi株式会社 入力インタフェース構成プログラム、方法及び入力インタフェース提供装置
US20180151084A1 (en) * 2016-11-30 2018-05-31 Electronics And Telecommunications Research Institute Apparatus and method for providing personalized adaptive e-learning
JP2018205447A (ja) * 2017-05-31 2018-12-27 富士通株式会社 ユーザの解答に対する自信レベルを推定する情報処理プログラム、情報処理装置及び情報処理方法
JP2019128365A (ja) 2018-01-19 2019-08-01 株式会社ベネッセコーポレーション 学習支援システム
JP2020035409A (ja) * 2018-08-27 2020-03-05 楽天株式会社 特性推定装置、特性推定方法、及び特性推定プログラム等
JP6832410B1 (ja) * 2019-11-11 2021-02-24 株式会社Ｚ会 学習効果推定装置、学習効果推定方法、プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Decision Tree / Supervised machine learning algorithms to solve classification problems", AGRICULTURAL INFORMATICS, 30 June 2019 (2019-06-30), XP055925292, Retrieved from the Internet <URL: https://axa.biopapyrus.jp/machine-learning/decision-tree> *

Also Published As

Publication number Publication date
CN116194976A (zh) 2023-05-30
US20230351909A1 (en) 2023-11-02
EP4239617A1 (en) 2023-09-06
JP2022076490A (ja) 2022-05-20
JP7065927B1 (ja) 2022-05-12

Similar Documents

Publication Publication Date Title
US20110307396A1 (en) Education Tool for Assessing Students
US20100255453A1 (en) Method and computer system of creating, storing, producing, and distributing examinations
CN111125342B (zh) 习题测试数据生成方法以及装置
CN107230406A (zh) 一种电子教育学习系统和方法
CN114254122A (zh) 测试题的生成方法、装置、电子设备和可读存储介质
JP6832410B1 (ja) 学習効果推定装置、学習効果推定方法、プログラム
WO2022091562A1 (ja) 学力推定用モデル生成装置、学力推定装置、学力推定用モデル生成方法、学力推定方法、プログラム
JP6831551B2 (ja) 学習支援装置、プログラム、学習支援方法、学習支援システム
Ariffin et al. Assessment of the students' utilization of a learning management system in a Malaysian higher education
JP7100678B2 (ja) 類題出題装置、類題出題方法、プログラム
JP6903177B1 (ja) 学習効果推定装置、学習効果推定方法、プログラム
JP2005221895A (ja) 試験システム、試験問題更新プログラム、および試験問題の自動更新方法
JP7273133B1 (ja) 添削者マッチング装置、添削者マッチング方法、プログラム
BR112021014029A2 (pt) Ambiente de livro de laboratório de vídeo
Wilson et al. Computer-based administration and grading of free-response practical examination items: a comparison of assessment programs and case study
Paterson et al. Uses of peer assessment in database teaching and learning
JP7090188B2 (ja) 学習効果推定装置、学習効果推定方法、プログラム
JP2022011660A (ja) 合格者クラスタ集合生成装置、習熟度目標決定装置、合格者クラスタ集合生成方法、習熟度目標決定方法、プログラム
KR102466922B1 (ko) 문제 은행 변환 방법 및 장치
Fleming An Approach to Improve Laboratory Notebook Feedback and Decrease Instructor Fatigue from Grading Undergraduate Laboratory Notebooks
Cornejo et al. E-learning System Customized in the Integral Process of Teaching Learning of Engineering Students
Costello et al. An introduction to value-added analysis
WO2021095571A1 (ja) 学習効果推定装置、学習効果推定方法、プログラム
WO2022118689A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
Rynne et al. Using the Examiners' Reports from GCSE 2019 to improve future performance

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: 21885681

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021885681

Country of ref document: EP

Effective date: 20230530