| 研究課題/領域番号 |
21K20204
|
|---|
| 研究機関 | 秋田大学 |
|---|
研究代表者 |
細川 慎二 秋田大学, 評価・IRセンター, 助教 (00901034)
|
|---|
| 研究期間 (年度) |
2021-08-30 – 2024-03-31
|
| キーワード | 教学IR / Institutional Research / 教学マネジメント / 統計解析 / 機械学習 / 学修支援 / カリキュラム・マップ |
|---|
| 研究実績の概要 |
カリキュラム・マップは，教育課程において授業科目とディプロマ・ポリシー（以下：DP）の達成度（身に着けた能力）を関連付けることで，学修成果（GPA，DPの達成度etc…）や学生の成長を可視化する手法として活用されている。しかし，学修成果や学生の成長には，入試成績や課外活動（アルバイト・サークル活動etc...）などの授業科目以外の要因も影響を与えていると考えられているが，これらがどのように影響しているかは明らかになっていない。
そこで本研究では，カリキュラム・マップや学業成績，課外活動の内容・時間などの教学データを統計解析することで，学修成果に対する影響度を明らかにすること，学生の成長に関係があると考えられる在学中の過ごし方を「成長過程」と定義し，成長過程をタイプ別に分類すること，更にこれらの検討を通して，個々の学生に沿った学修支援を実現するためのシステムを開発・提案することを目指している。
2022年度では，前年度の検討結果からタイプ別に分類した成長過程に関する検討，学修成果予測モデル開発の検討を行った。タイプ別に分類した成長過程に関する検討では，分類した成長過程が学修成果に及ぼす影響の分析などを行い，成長過程の違いが学修成果に示す特徴を明らかにし，国内学会で発表2件，査読付き論文1本の掲載を行った。
また，学修成果予測モデル開発の検討では，目的変数は学修成果，説明変数はこれまでの検討結果を基に，入試区分，1・2年次成績，成長過程，進路など，入学～卒業までの教学データから決定し，複数の代表的な機械学習の手法（ニューラルネットワーク，決定木，ロジスティック回帰etc...）による予測モデルの性能評価を実施した。その結果，卒業時の学修成果が高いグループと低いグループ2つのカテゴリを予測するモデルとして，ニューラルネットワークを利用した予測モデルの予測精度が良好であることが分かった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
2022年度では，学修成果を予測する予測モデル構築のための説明変数の決定と，複数の機械学習手法による予測モデルの開発から性能評価までを計画していた。この計画通り，前年度の数値検討の結果を基に，説明変数を定め，複数の機械学習を利用した性能評価を行い，学修成果が高いグループと低いグループ2つのカテゴリを教学データから予測するモデル開発の検討を行うことができた。
更に，検討を行う中で15個ある学修成果を示す指標の組み合わせから，学修成果をタイプ別に分類できることを確認したため，タイプ別に分類した学修成果を目的変数とした学修成果の予測モデル開発の検討へ展開し取り組んでいる。
|
| 今後の研究の推進方策 |
2023年度では，これまでの検討結果を基に，目的変数である学修成果のカテゴリ数を増やした予測モデル開発の検討に取り組み，個々の学生に沿った学修支援を実現するためのシステムの開発・提案を目指す。
|
| 次年度使用額が生じた理由 |
コロナ禍の影響があり，初年度に参加を計画していた学会へ参加できなかったこと，学会がオンライン開催になったことなどにより，旅費を中心に消化することができずに次年度使用額が生じた。そのため，自身の研究を知ってもらい指摘を受け，より研究内容をブラッシュアップしていくためにも，対面が可能な学会などには積極的に参加をしていく。
|
