| 研究課題/領域番号 |
16K01134
|
|---|
| 研究機関 | 東京工科大学 |
|---|
研究代表者 |
安藤 公彦 東京工科大学, 片柳研究所, 助教 (00551863)
|
|---|
| 研究分担者 |
柴田 千尋 東京工科大学, コンピュータサイエンス学部, 講師 (00633299)
田胡 和哉 東京工科大学, コンピュータサイエンス学部, 教授 (10188229)
稲葉 竹俊 東京工科大学, 教養学環, 教授 (10386766)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2019-03-31
|
| キーワード | IR / 教育ビッグデータ / ディープラーニング |
|---|
| 研究実績の概要 |
各学生の細かな情報や履修情報などが含まれる教務データ、対話データがあるCSCLデータ、細かな出席データ、LMS(moodle)の学習状態データをMicrosoft Azure上のMongoDBに格納し、本学クラウドサービスセンター内から統合的に扱えるシステムを構築した。
ディープラーニングを行うための環境の選定及び構築を行った。サーバ等の機器については平成28年度より本学に設置されたディープラーニング用機材があったためそれを利用できるよう整備し、活用できる状態にした。
対話データの各会話がどのような内容であるのか解析する前段階として、発言ごとに内容をディープラーニングで自動的に推定するシステムの構築および、その手法を開発・実装した。また、本内容について国際学会elml2017にて発表を行った。
要注意学生の抽出方法を検討し、(1)出席データの特に座席位置および正確な出席時刻に着目することで、知人関係の有無や、各講義に対する興味の強さを図れる、(2)LMSの詳細なログを使うことで、学外での各講義に対する取り組みを評価できる、(3)チャット等の対話データから学生の性格等が評価できる、と結論付け、29年度以降にディープラーニングを用いて要注意学生の抽出に用いる。
MicrosoftのOneDriveを用いて要注意学生の情報を各学部に知らせる機構を開発し、出席率や過去の成績等から抽出した要注意学生を一部学部にて実際に運用をした。また、各学部ごとに抽出すべきパラメータが異なることが明らかとなった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
ディープラーニングによる自動判別には人力による学習が必要であり非常に時間がかかるため、28年度は要注意学生の抽出機構の開発に主眼を置き、ディープラーニングの必要のないデータによる抽出を行った。
そのため、ディープラーニングによる抽出とその評価は次年度に持ち越された。
|
| 今後の研究の推進方策 |
29年度には出席情報およびLMS(Moodle)の情報、チャットデータによるディープラーニングでの要注意学生の抽出を中心に行う予定である。動画による抽出は30年度に持ち越される見込みとなる。
|
| 次年度使用額が生じた理由 |
予定していたディープラーニング用サーバが、28年度設置の学内の設備にて代用可能であることが分かったため、購入費用を次年度に持ち越した。
|
| 次年度使用額の使用計画 |
ディープラニング用の学内サーバが性能不足の場合、ディープラーニング用サーバを追加で購入をする。また、人工知能への学習のために人力での入力が多数必須であり、この人件費へ充てたい。
|
