权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

学修支援を目的とした学習過程の分析と学習成果予測モデル開発に関する研究

用于学习支持目的的学习过程分析和学习结果预测模型开发研究

基本信息

批准号：
21K20204
负责人：
細川慎二
金额：
$ 2万
依托单位：
Akita University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Research Activity Start-up
财政年份：
2021
资助国家：
日本
起止时间：
2021-08-30 至 2024-03-31
项目状态：
已结题

项目摘要

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。

カリキュラム · マップは, education curriculum において knowledge subject とディプロマ · ポリシー below: (DP) の reached degrees (around にけた) を masato even pay けることで, learn repairing results (GPA, DP の reach a degree etc...). Youdaoplaceholder0 students や growth を visualization する techniques とてて Flexible use of されてるる. Youdaoplaceholder5 アト, academic achievements や, student や growth にに, entrance examination results や extracurricular activities (アババトト · サトト <s:1> activities etc...) などの knowledge subjects outside もの will influence を and えていると exam えられているが, これらがどのように influence しているかは Ming らかになっていない. そこで this study では, カリキュラム · マップや academic performance, extra-curricular activities の contents, time などの teaching データを statistical parsing することで, learn to fix results にす seaborne る affect を Ming らかにすること, students の growth に masato is があると exam えられるの in learning ごし party を "growing up" と define し, Don't grow up をタイプに classification すること, more にこれらの beg を検 tong して, a 々の students に along った learn repair support を be presently するためのシステムを open 発 · proposal することを refers している. Before 2022 では, annual の検 for results からタイプ don't に classification した grow に masato する検 please, learn repairing results to measure モデル open 発の検 line for をった. タイプ don't に classification した grow に masato する beg で検は, classification したが learning achievement に and growing ぼす influence のなどをい, growing process の violations いにが learn repairing results shown す, 徴を Ming らかにし, domestic society で発 table 2 pieces, check this の読 pay き paper first white jasmines load line をった. また, learning achievement can be モデル open 発の beg で検は, purpose - several は learning achievements, は - number これまでの検 for results をに, try to distinguish, 1, 2 years time, growing process, route など, admission to school までの teaching データからし decision, plural の representative のな machine learning technique (ニューラルネットワーク, Decide on the wood, ロジスティッ reply 帰etc...) Youdaoplaceholder0 pretest モデモデ <s:1> performance evaluation 価を actual performance た. その as a result, the high school の learn repairing results がいグループと low いグループ 2 つのカテゴリを be するモデルとして, ニューラルネットワークを using した be モデルの to good measuring precision がであることが points かった.