Quantified individual learning support by learning path optimization based on correlation

Research Project

Project/Area Number	22K12323
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 62030:Learning support system-related
Research Institution	Cyber University
Principal Investigator	陳健サイバー大学, IT総合学部, 教授 (90839482)
Co-Investigator(Kenkyū-buntansha)	池田大樹サイバー大学, IT総合学部, 講師 (60879716)
Project Period (FY)	2022-04-01 – 2027-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000) Fiscal Year 2026: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000) Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Keywords	マイクロラーニング / ラベル伝播法 / 有向グラフ / グラフクラスタリング / 有向エッジ重み / 量的学習 / eラーニング / 相関関係 / 定量化学習
Outline of Research at the Start	正規教育の講義が導入されたMOOCが2000年代後半から公開されて以降、利用者が急速に増えたが、修了率が上がらない問題が残っている。主な原因として、①学習者が自ら適した学習内容を選択できない、②学習者が自ら学習計画を作成・管理できない等がある。本研究では、①学習内容をLU(Learning unit)に細分化し、学習時間を定量化する。②LUの相関性によって、領域、難易度別で階層的にクラスタリングする。③対象学習者と類似する参照学習者グループの成功したLP(Learning path)を抽出し、学習ステータスとLUの相関関係に基づいて学習目標ごとにLPを最適化し、学習計画の作成と管理を支援する。
Outline of Annual Research Achievements	本研究は、オンライン学習における学習ステータスと学習コンテンツの相関関係に基づいてラーニングパスを最適化し、定量化個人学習を支援することを目的とする。 2023年度は、主に①検証環境の構築（検証用デバイスの導入、検証用学習コンテンツの作成）；②研究用データの収集、関連学会への参加による情報収集；③学習履歴データの解析及び論文作成の3つについて研究を進めた。研究成果としては、以下の2点が挙げられる。（１）学習コンテンツのクラスタリング方法に関して、「Micro-Learning Units Clustering Algorithm Based on Directed Edge Weights Label Propagation」を提案し検証を実施した。ラベル伝播アルゴリズムに加えて、2つの改善を提案している。①ノードの使用率に応じてラベルの更新順序を決定し、現在のノードの前後の有向エッジの重みを使用してノード更新順序のランダム性を低減する。②使用された有向エッジ重みの累計値をラベルの更新条件に使用し、巨大なクラスタの形成を回避する。（２）学習コンテンツの適応性と学習者の利用嗜好に関するアンケートを実施した。学習者に対しては学習コンテンツの形式が影響するという結果が示唆された。この調査では、オンデマンド教育で使用されるテキスト、図表、音声、動画などの形式に加えて、仮想空間などの多様な形式、及び量的学習に関する学習時間、学習コンテンツ量に対する適応性に関するアンケート調査を行った。回答した学習者の多くは、音声・動画形式のコンテンツの利用には慣れていて、テキスト・図表形式のコンテンツに対しても抵抗感が少ない。また、動画コンテンツにおける字幕の利用について、主に字幕の表示方法に影響していることが分かった。さらにコンテンツの種別、学習時間と学習者の集中度合いに関しては、動画・音声形式と非動画・音声形式を利用する場合は、集中できる時間が違うという結果が分かった。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason （１）教育工学分野に関する研究会へ参加し、ネットワーク上の人間関係の動的視覚化、共感モデルに基づく学習方略、教師の情報活動能力を高める授業デザインなどに関する発表に聴講し、本研究における研究用の学習コンテンツ作成時に考慮すべき点などの情報収集を行った。（２）Open Universityが公開している学習履歴データを使用して、提案した学習コンテンツをクラスタリングするアルゴリズムを検証した。（３）個人学習に適した学習コンテンツを定量的に作成するため、学習コンテンツの適応性と学習者の利用嗜好に関するアンケートを実施し、考察結果を基に実験用LMS上に検証用の学習コンテンツの作成を行った。以上の理由から、順調に進展している。
Strategy for Future Research Activity	2024年度では、前年度の結果を踏まえ、研究内容に応じて、ラーニングパスの抽出方法を提案し、その提案を検証するために、テスト用学習コンテンツを改善し、個人学習に適した学習を支援する機能の設計・開発を目標とする。具体的には以下の通りである。（１）多様な学習スタイルによる個人化学習を支援するため、多様な学習スタイルに応じた学習シナリオにしたがって、多様な形式及び定量化の検証用の学習コンテンツを作成し、検証実験を行い、実験データを収集する予定である。（２）学習者の学習スタイルに応じて、学習コンテンツに基づくラーニングパスを抽出するために、収集した実験データを解析するアルゴリズムを検討し、個人学習に適したラーニングパスを抽出する方法を提案して検証する予定である。