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。

课程图用于课程中，作为一种可视化学生成就（GPA，DP成就等）和学生成长的方法，通过将主题的成就与文凭政策联系起来（以下简称为DP）（以下称为DP）（Abilitative obilitative obilitative obilitative obilitative tablelum）。但是，人们认为除课程学科（例如入学考试结果和课外活动（兼职工作，俱乐部活动等））以外的其他因素对学术成绩和学生成长有影响，但尚不清楚这些影响如何。因此，本研究旨在通过统计分析课程图，学术成绩以及内容和时间的内容和时间来阐明对学术成果的影响，并定义对学术成果的影响程度，定义学生在上学时花费时间的方式，而他们在上学的过程中，认为与他们的成长相关，并通过类型进行研究，我们旨在通过类型的研究进行验证，我们旨在通过类型的研究进行范围，我们旨在通过类型的范围进行研究，我们旨在验证，我们旨在验证，我们旨在通过类型的范围进行研究，我们旨在探讨一定的研究，我们旨在通过研究，我们旨在探讨一定的研究，我们旨在探讨一定的研究，我们旨在通过研究，我们旨在通过类型的范围进行研究，我们旨在通过研究范围，我们旨在探讨他们的成长过程，我们旨在通过范围进行研究。学生。在2022年，我们根据上一年的结果讨论了按类型分类的增长过程，并研究了预测的学习成果模型的发展。在对按类型分类的增长过程的研究中，我们分析了分类增长过程对学习成果的影响，并揭示了在学习成果中显示的生长过程差异的特征，并在家庭学术会议上进行了两次演讲，并发表了一份同行评审的论文。 Furthermore, in the study of the development of a predictive model for learning outcomes, the objective variables were determined based on previous review results, and explanatory variables were determined from teaching data from admission to graduation, such as entrance examination category, first and second year grades, growth processes, career paths, etc., and performance evaluation of predictive models was carried out using multiple representative machine learning methods (neural networks, decision trees, logistic regression, etc.).结果，发现使用神经网络的预测模型的预测准确性是预测两类的模型：毕业时学业成绩高和低的组。