| 研究課題/領域番号 |
16K16331
|
|---|
| 研究種目 |
若手研究(B)
|
| 配分区分 | 基金 |
|---|
| 研究分野 |
教育工学
|
|---|
| 研究機関 | 首都大学東京 |
|---|
研究代表者 |
近藤 伸彦 首都大学東京, 大学教育センター, 准教授 (10534612)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2019-03-31
|
| 研究課題ステータス |
完了 (2018年度)
|
| 配分額 *注記 |
3,900千円 (直接経費: 3,000千円、間接経費: 900千円)
2018年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2017年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2016年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 機械学習 / 教学IR / 予測モデル / 確率モデル / 修学状態 / 学習支援 / ラーニングアナリティクス / 教育工学 |
|---|
| 研究成果の概要 |
本研究では、大規模な教育データを活用して一人ひとりに応じた適切な学習支援を行うことをめざし、機械学習手法による学生の修学状態のモデル化と、これを用いた学習支援について検討した。大学の保有する学生に関するデータをもとに、いくつかのモデル化手法を用いて数値実験を行いその有用性を検討した。ベイジアンネットワーク、ランダムフォレスト等のよく知られたアルゴリズムを用いて、修学状態推移のモデル化や学習成果の予測モデル構築等を行い、一定の精度をもつモデル化が可能なことを示した。また、大学における教育データという特殊性をふまえたモデル化のフレームワークを提案し、汎用性のある知見として研究成果をまとめた。
|
| 研究成果の学術的意義や社会的意義 |
本研究成果は、汎用的な確率モデルとして知られるベイジアンネットワークを用いた大学生の修学状態の推移のモデル化のフレームワークの提案、機械学習による学習成果の予測モデルを構築することについての数値的な検証、の2つに大きくまとめられる。これらに共通するのは、「どのような大学にも対応できるモデル」ではなくそれぞれの大学の状況に応じた「モデル構築の方法論」について提案したことと、学期ごとの成績のような粒度の粗いデータと学習管理システムのログのような粒度の細かいデータをあわせて用いることの可能性について検討を行ったことであり、実際の大学の現場での活用に向けた知見をまとめたことに意義があると考えられる。
|
