2015 Fiscal Year Annual Research Report
eラーニングでのビッグデータに適応可能な学習支援システムの開発
| Project/Area Number |
25330419
|
|---|
| Research Institution | Japan Women's University |
|---|
Principal Investigator |
小川 賀代 日本女子大学, 理学部, 教授 (20318794)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
ハルトノ ピトヨ 中京大学, 工学部, 教授 (90339747)
|
|---|
| Project Period (FY) |
2013-04-01 – 2016-03-31
|
| Keywords | 学習支援システム / eラーニング / ログ解析 / Learning Analytics / SOM / 制限付きRBF |
|---|
| Outline of Annual Research Achievements |
日本国内においても、高等教育機関を中心にLMSが普及し、学習履歴データがサーバー上に蓄積され、ビッグデータになりつつある。これらの情報を解析することで、学習活動の改善、達成度の評価、将来的な能力の予測などに活用する期待が高まり、学会、論文誌等で注目を集めている。本研究では、eラーニングにおいて蓄積された膨大な情報から、個人の学習傾向を抽出し、個人に適した学習支援につなげることを目指している。
初年度の平成25年度までに、個人の学習傾向を抽出するための解析方法を提案し、2679人の学習履歴データ、及びeポートフォリオの蓄積データについて適応したところ、クラスタの特徴の解釈、個人の位置関係について、妥当性ある結果が得られ、提案手法の有効性が確認できた。平成26年度では、2679人のデータ解析を深化させ、コンテンツ設計者へのフィードバックに繋がる情報も抽出したり、「学習結果や行動の予測」について取り組んだ。さらに、属性を考慮したハイパーSOMを用いて、学習傾向から成績（属性）の予測を試み、予測率76.2%の結果が得られた。
これらの成果を踏まえ、平成27年度は、更なる向上を目指して、データの属性も考慮し、CRSOMを用いた、新たな手法についての検討を行った。従来のSOMの学習過程において、データのラベルは考慮されないが、CRSOMは、制限付きRBF（rRBF）ネットワークによって2次元に写像でき、非線形関係の可視化が可能な手法である。この提案システムを、一般的な評価用データセットに適用したところ、同じ属性をもつデータが密集して集まる傾向が得られた。さらに、実践的な複数の学習履歴データに対しても適用したところ、同じ属性をもつデータが密集して集まる傾向が得られた。これにより、属性のわからない新しいデータが入力してきた際、教師データを基に、識別率の高い学習傾向予測が得られることが期待される。
|
