皆さん、こんにちは。研究生の李です。

先日の英語文献ゼミで読んだ論文について、その内容と私の感想を交えて紹介したいと思います。

論文タイトル：Knowledge Map Creation for Modeling Learning Behaviors in Digital Learning Environments

出版年:2019

著者名:Brendan Flanagan, Rwitajit Majumdar, Gökhan Akçapınar, Jingyun Wang and Hiroaki Ogata1

論文誌:Companion Proceedings of the 9th International Conference on Learning Analytics and Knowledge (LAK’19)

ページ :428-436

以下は、論文に記載されている内容の概要になります。

概要

デジタル学習環境における教育技術の急速な発展に伴い、学習行動データを用いて学生の知識状態をモデリングし分析することが教育研究の重要な方向性となっています。知識構造の重要な概念とその相互関係を視覚的に示す「知識マップ」は、Ausubel（1963）が提唱した「有意味学習（meaningful learning）」を促進するための重要なツールです。しかし、従来の知識マップの作成は通常、専門家による手動で行われ、多大な時間と労力を要するため、動的に変化する教育ニーズに対応することが難しいという課題がありました。また、これまでの研究では、テストの結果と知識マップを結びつけて学習者をモデル化する方法が主流でした。

これらの課題に対し、Flanaganらは、非構造化テキストから知識マップを自動生成・管理できるフレームワークを提案しました。このフレームワークは、学習分析技術を活用して、学生の学習行動と知識マップを結びつけることで、教育現場における新たなソリューションを提供しています。

システム設計と機能

本研究では、知識抽出プロセッサ（Knowledge Extraction Processor）を設計・実装し、既存のLAインフラストラクチャ（Learning Analytics infrastructure）と統合することを目指しています。

知識抽出プロセッサは、デジタル学習教材（PDFドキュメントなど）を解析して重要な概念を抽出し、それに基づいて知識マップを生成します。生成された知識マップは知識マップストアに保存され、教師が管理や修正を行えるようになっています。学生や教師は、ユーザ向けの知識ポータル（User facing Knowledge Portal）を通じてこれらのマップにアクセスし、学習内容に関連する概念の関係を確認したり、学習行動データ（出席、教材の閲覧、テスト結果など）に基づいて学習計画を調整したりすることができます。

本システムは、既存のLAインフラストラクチャとの統合を重視しており、学習管理システム（LMS）、デジタルリーダーツール、テストシステムなどとの連携を実現しています。学習記録ストア（LRS）と分析プロセッサを通じて、学生の学習行動データをリアルタイムで収集し、それを知識マップのノードにマッピングします。このようにして、学生の知識状態や学習行動が直感的に可視化され、学生は自分の学習進捗をよりよく理解することが可能になります。

知識マップ生成方法

非構造化学習教材から有意義な知識概念を抽出するため、本システムはテキストマイニングに基づく知識マップ生成方法を採用しています。まず、PDF解析ツールを使用して教材のテキスト内容を抽出し、形態素解析ツール（例：MeCab）を用いてテキストを分かち書きし、品詞をタグ付けします。次に、文中から重要な名詞句を抽出し、単語の共起行列を構築して概念間の関係を特定します。最後に、最小生成木アルゴリズムを使用してグラフの複雑性を最適化し、最も強い概念の関連性のみを残します。

生成された知識マップは、直接的に授業に使用されるわけではなく、初稿としてシステム内に保存されます。教師は編集ポータルを通じて、マップをさらに確認・調整できます。このプロセスには、不要なノードの削除、欠落した重要概念の追加、関連する学習リソースやテスト問題とのリンク付けが含まれます。このような手順により、知識マップ生成の効率を向上させるだけでなく、マップの正確性と実用性も確保しています。

実験と評価

システムの有効性を検証するため、研究チームは情報科学の授業で実験を行いました。自動生成された知識マップと手作業で作成された「ゴールドスタンダード」マップを比較した結果、自動生成されたマップは特に低い複雑性の閾値で主要な重要ノードを保持するなど、精度と再現率の面で良好なパフォーマンスを示しました。

自動生成されたマップは依然として教師による手動調整が必要ですが、完全に手作業で作成する場合と比べて、時間と労力を大幅に削減できることが明らかになりました。

応用シナリオと潜在的価値

知識マップシステムの応用は、知識構造の可視化にとどまらず、学習行動の分析や教育方針の決定においても重要な役割を果たします。

学生にとって、知識マップは学習ナビゲーションツールとして機能し、自分が既に習得した知識とまだ学ぶべき知識を把握するのに役立ちます。また、リンクされた学習資料やテスト問題を活用することで、知識の空白を埋めることができます。さらに、知識マップは学生が長期的な知識の振り返りや反省を行うことを支援し、時間の経過に伴う知識の蓄積を追跡し、知識体系の弱点を特定するのに役立ちます。

一方、教師にとって知識マップは全体像を把握するための有力なツールとなります。例えば、全ての学生の知識マップを統合して一つの総合的なマップを作成することで、学生に共通する知識の盲点を特定し、授業内容や進度を調整することが可能になります。また、このシステムを活用することで、特定の知識概念が学問体系においてどれほど重要であるか、あるいは学生にとって最も難しい内容が何であるかを把握することができます。

感想

本研究には主に2つのオリジナリティがあるように感じます。1つ目は、非構造化テキストデータから自動的に知識マップを生成する手法を提案した点で、従来の知識マップ構築プロセスの煩雑さや難しさを解消したことです。2つ目は、学生のテスト成績以外の行動データを知識マップに統合し、学生の学習状況をより包括的に反映した点です。これにより、学生や教師が学習計画や授業計画を調整する際の参考情報を提供しました。これらの革新は当時の研究において先進的でしたが、現在の視点から見ると、まだ改善の余地が大きいと感じます。

知識マップ生成の部分に関しては、本論文が出版されてから5年もたっているため、研究で提案されたアルゴリズムはすでに古くなっています。それくらい情報技術の発展は早いと実感していています。現在では、事前学習された大規模言語モデル（Pre-trained Large Language Models）を活用して、非構造化テキストから知識マップを生成する研究が増えています。この手法は、大量の非構造化テキストから知識点とその論理的関係をより効果的に抽出でき、知識マップの人工修正コストを大幅に削減します。しかし、テキスト自体が持つ曖昧さなどの問題のため、テキスト生成の知識マップは精度低い場合がたびたびあります。テキストの持つ内在的な限界を克服し、より正確な知識マップを生成することは、私の今後の研究で重要な課題の1つです。

学生の学習状況を知識マップに統合する機能について、本研究は学生のテスト成績データだけでなく、出席、教材の閲覧、回答などの行動データを取り入れ、複数の視点から学生の学習状態を客観的に示しています。しかし、これらの行動データとテスト成績は本質的に顕在データに分類され、データ量は増加してもデータの次元が実質的に拡張されていないと考えます。技術の進展に伴い、現在ではクリック、ページ移動、滞在時間、注釈といったより多様な学生行動データを収集することが可能です。たとえば、これらのデータは、デジタルゲームベースのアセスメント（Digital Game-Based Assessments, DGBAs）において、学生の学習状況を効果的に反映することが示されているなど、応用範囲が広がっています。

こ私も知識マップ関係の研究をしようと考えていますので、この論文は私の研究方向に大きな示唆を与えてくれました。今後は、本研究、また関連している研究で示されたアルゴリズムの改良を進めるとともに、より多様で有意義な行動データの活用を検討し、科学的な分析フレームワークと組み合わせることで、学生の学習状況をより包括的に反映することを目指したいと考えています。