| Project/Area Number |
23K02685
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 09070:Educational technology-related
|
|---|
| Research Institution | Hiroshima University |
|---|
Principal Investigator |
林田 智弘 広島大学, 先進理工系科学研究科(工), 准教授 (20432685)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
|
|---|
| Keywords | 個別最適な学び / 学習者分類 / 機械学習 / データ分類 / 多基準評価 |
|---|
| Outline of Research at the Start |
本研究ではニューラルネットワーク (NN: Neural Network) などの機械学習を用いた学習者の分類手法を構築する。また，教育の効果を事後評価しフィードバックすることで，教育内容を効率的に改善できると考えられるが，教育効果を単一の指標で定量的に評価することは難しい。このため，本研究では，教育効果の多基準評価手法を構築し，各学習者の特性に対応した個別最適な学びのための支援システムの構築を目指す。
|
| Outline of Annual Research Achievements |
本研究課題では，ニューラルネットワーク (NN: Neural Network) などの機械学習を用いた学習者の分類手法を構築する。また，教育の効果を事後評価しフィードバックすることで，教育内容を効率的に改善できると考えられるが，教育効果を単一の指標で定量的に評価することは難しい。このため，本研究では，教育効果の多基準評価手法を構築し，各学習者の特性に対応した個別最適な学びのための支援システムの構築を目的としている。2023年度は，この中で特に，学習特性に基づく学習者の分類手法の構築に関する研究を進めた。
すなわち，教育者と学習者の相互作用を時系列データとして取り扱うため，従来研究では難しかった学習者特性の抽出ができると考えられる。このような時系列データは高次元の入出力関係を持つため，その特徴を把握するためには複雑なモデルが必要であるが，本研究では，時系列データに適合する多層構造のNNや深層強化学習を適用することで，これまでにない，汎用性の高い学習者分類手法を構築した。2023年9月に北海道科学大学で開催された，「2023年電気学会 電子・情報・システム部門大会」に於いて，"FNNを用いた成績予測精度向上のための学習者分類,"という題目でその研究成果が公表された。現在，同学会論文誌への掲載に向けて論文執筆を進めている。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究課題では，深層学習やNNなどの機械学習手法を用いて，研究目的①の「学習特性に基づく学習者の分類」のためのシステム構築を目的としている。また，学習者分類ごとの教育プログラムの改善のために，研究目的②の「教育プログラム効果に対する多基準評価手法の構築」を目指す。適切な学習者分類と教育効果の定量的評価手法の確立により，ICT技術を活用したCAIと教室などの現実の教育現場の効率的で効果的な連携が期待できる。本研究のスケジュールとして，1年目に学習者分類および教育評価手法を構築する。また，学習者データの収集と整理を並行して行い，2年目に学習者データの分類実験および個別最適な学びのプログラムの実証実験と多基準評価を実施する。この評価に基づいて，3年目に教育プログラムおよび学習者分類手法を改訂する。本研究課題により個別最適な学びのための学習者分類と教育評価手法が構築できれば，将来的な研究課題として，教育支援システムの実装に向けた検討を行う予定としていた。
「研究実績の概要」の通り，本研究課題1年目である2023年度には，研究目的①を計画通り進めており，おおむね順調に進展していると評価した。
|
| Strategy for Future Research Activity |
本研究課題の2年目となる2024年度には，学習者データの分類実験および個別最適な学びのプログラムの実証実験と多基準評価を実施する。この評価に基づいて，3年目に教育プログラムおよび学習者分類手法を改訂する。本研究課題により個別最適な学びのための学習者分類と教育評価手法が構築できれば，将来的な研究課題として，教育支援システムの実装に向けた検討を行う。
現在，学習者データ分類のためのデータ収集に向けて山口大学教育学部および山陽小野田市教育委員会等の関係機関と連携した準備を進めている。2024年度後半には，収集した実験データを用いた分類実験など，実践的研究を進めていきたい．
|
