|
平成29年度の研究では，独自に開発した2つのClassroom Response Systemを授業へ試験的に導入した際のデータを用いて，自律的な学習支援機能を実現するための方法について研究した．
まず，システムアーキテクチャについて再検討した．本研究では，自律的な学習支援機能をリアルタイム性とスケーラビリティを両立しながら実現するために，Agent Oriented Softwareの概念をシステムアーキテクチャとして導入することを検討していた．具体的な方策を検討するにあたり，JADEなどのエージェントフレームワークを使用する方法を検討したが，WebCRSは高いスケーラビリティを実現するためにSaaS型クラウドサービスでの運用を想定した実装になっている．既存のエージェントフレームワークはこのようなSaaS型クラウドサービスに最適化されておらず，前述の目的を両立しながらエージェントフレームワークを適用するのは容易でないことが分かった．そのため，WebCRSでは簡易的（疑似的）なモバイルエージェント層を独自に実装することにした．
自律的な学習支援の具体的な方法については，Classroom Response Systemの使用中にシステムが自動的に学習者の振舞いを分析して，必要に応じて教材を提示したり注意を喚起したりする機構について具体化と検証を行った．システムが自動収集する学習者の使用状況のログデータに対して，リアルタイムな分析処理を行うことを想定した機械学習による分類器の実装を試みた．その結果，ニューラルネットワークを用いる方法において，出題された問題の正答確率をわずかに超える精度で，学習者の応答が正解また不正解になることを事前に予測できることを示す結果が得られた．引き続きログデータを蓄積していくことにより精度を改善できる可能性もある．精度が高まれば，システムによる自律的な学習支援を効果的に行うことができるようになると期待される．
|
