教育データマイニング

教育データマイニング（EDM）は、データマイニング、機械学習、統計を教育現場（大学やインテリジェントな個別指導システムなど）から生成された情報に適用する研究分野です。高レベルでは、この分野では、多くの場合複数レベルの意味のある階層を持つこのデータを探索する方法の開発と改善を目指しており、そのような環境のコンテキストで人々がどのように学習するかについての新しい洞察を発見します。^{[1]そうすることで、EDMは}教育心理学と学習科学の研究者が調査する学習理論に貢献しました。^{[2]この分野は}学習分析の分野と密接に結びついており、2つは比較対照されてきました。^[3]

教育データマイニングとは、教育現場での人々の学習活動によって生成された、または学習活動に関連するデータの大規模なリポジトリから意味を自動的に抽出するために設計された技術、ツール、および研究を指します。 ^[4]多くの場合、このデータは広範囲で、きめ細かく、正確です。たとえば、いくつかの学習管理システム(LMS) は、各学生が各学習オブジェクトにアクセスした日時、アクセス回数、学習オブジェクトがユーザーのコンピューター画面に表示された時間などの情報を追跡します。別の例として、インテリジェントな個別指導システムは、学習者が問題の解決策を提出するたびにデータを記録します。提出時刻、解決策が期待された解決策と一致するかどうか、最後の提出から経過した時間、ソリューションコンポーネントがインターフェイスに入力された順序などを収集する場合があります。このデータの精度は非常に高いため、コンピューターベースの学習環境でのかなり短いセッション (たとえば30 分) でも、分析用の大量のプロセスデータが生成されることがあります。

他のケースでは、データの粒度はそれほど細かくありません。たとえば、学生の大学の 成績証明書には、学生が履修したコースのリスト、各コースで学生が取得した成績、学生が専攻を選択または変更した時期が時系列で記載されていることがあります。EDM は両方のタイプのデータを活用して、さまざまなタイプの学習者とその学習方法、ドメイン知識の構造、さまざまな学習環境に組み込まれた指導戦略の効果に関する有意義な情報を発見します。これらの分析により、生のデータを見ただけでは判別が難しい新しい情報が提供されます。たとえば、LMS のデータを分析すると、学生がコース中にアクセスした学習オブジェクトと最終的なコース成績との関係が明らかになる場合があります。同様に、学生の成績証明書データを分析すると、特定のコースでの学生の成績と専攻変更の決定との関係が明らかになる場合があります。このような情報は、学習環境の設計に関する洞察を提供し、学生、教師、学校管理者、教育政策立案者が教育リソースの操作、提供、管理方法について情報に基づいた決定を下すことを可能にします。

教育データの分析自体は新しい実践ではありませんが、コンピューティング能力の向上や、学生のコンピュータベースの学習環境の使用に関するきめ細かいデータを記録する機能など、教育技術の最近の進歩により、教育現場で生成される大量のデータを分析するための技術開発への関心が高まっています。この関心は、2000年から2007年にかけて、いくつかの国際研究会議の一環として開催された一連のEDMワークショップにつながりました。^[5] 2008年には、研究者グループがEDMに関する毎年恒例の国際研究会議を設立し、第1回会議はカナダのケベック州モントリオールで開催されました。^[6]

EDM への関心が高まるにつれ、EDM 研究者は研究結果を共有および普及するために、2009 年に学術誌「Journal of Educational Data Mining」を創刊しました。2011 年には、EDM 研究者同士を結び付け、この分野の成長を継続するために、EDM 研究者は International Educational Data Mining Society を設立しました。

2008年にピッツバーグ科学学習センター（ PSLC）のDataShopや国立教育統計センター（NCES）などの公共教育データリポジトリが導入されたことで、公共データセットにより教育データマイニングがよりアクセスしやすく実現可能になり、その成長に貢献しました。^[7]

ライアン・S・ベイカーとカリナ・ヤセフ^[8]は、 EDMの次の4つの目標を特定しました。

1. 学生の将来の学習行動を予測する-学生モデリングを使用すると、知識、行動、学習意欲などの詳細情報を含む学習者の特徴を組み込んだ学生モデルを作成することで、この目標を達成できます。学習者のユーザーエクスペリエンスと学習に対する全体的な満足度も測定されます。
2. ドメイン モデルの発見または改善– EDM のさまざまな方法とアプリケーションを通じて、新しいモデルを発見したり、既存のモデルを改善したりできます。例としては、学習者の興味を引く教育コンテンツを示したり、学生の学習スタイルをサポートする最適な指導シーケンスを決定したりすることが挙げられます。
3. 学習システムを通じて得られる教育支援の効果を研究する。
4. 学生モデル、EDM 研究分野、および使用されるテクノロジーとソフトウェアを構築して組み込むことで、学習と学習者に関する科学的知識を進歩させます。

教育データマイニングに関与する主なユーザーと利害関係者は 4 人います。これらは次のとおりです。

• 学習者– 学習者は、学生のニーズを理解し、学習者の経験とパフォーマンスを向上させる方法に関心を持っています。^[9]たとえば、学習者は、オンライン学習ツールとのやり取りや過去または同様の学習者からの洞察に基づいて、EDMツールを使用して使用できるアクティビティとリソースを提案することで、発見された知識から利益を得ることができます。^[10]低年齢の学習者の場合、教育データマイニングは、保護者に子供の学習の進捗状況を知らせることもできます。^[11]また、オンライン環境で学習者を効果的にグループ化することも必要です。課題は、複雑なデータを使用してこれらのグループを学習し、実用的なモデルを開発することで解釈することです。^[12]
• 教育者– 教育者は学習プロセスを理解し、教授法を改善するために使用できる方法を見つけようとします。 ^{[9]教育者はEDMのアプリケーションを使用して、}カリキュラムの構成方法、コース情報を提供するための最良の方法、最適な学習成果を得るために学習者を関与させるために使用するツールを決定できます。 ^[13]特に、人間の判断技術のためのデータの蒸留は、教育者が行動パターンをすばやく特定できるようにするため、教育者にEDMの恩恵をもたらす機会を提供します。これは、コース期間中の教授法をサポートしたり、将来のコースを改善したりするのに役立ちます。教育者は、学生の満足度とコース教材への関与を示す指標を決定し、学習の進捗状況を監視できます。 ^[13]
• 研究者– 研究者は、データマイニング技術の有効性の開発と評価に重点を置いています。^[9]研究者向けの年次国際会議は2008年に始まりました。EDMのトピックは、データマイニングを使用して組織の有効性を向上させることから学生のパフォーマンスまで多岐にわたります。
• 管理者– 管理者は、教育機関での導入に必要なリソースを割り当てる責任があります。^[9]教育機関が学生の成功に対してますます責任を負うようになるにつれて、EDM アプリケーションの管理は教育現場で一般的になりつつあります。教員やアドバイザーは、リスクのある学生を特定し、対処することに積極的になっています。しかし、意思決定者に情報を届け、アプリケーションをタイムリーかつ効率的に管理することが困難な場合があります。

教育データマイニングの分野での研究が進むにつれ、さまざまな教育の文脈に無数のデータマイニング技術が適用されてきました。いずれの場合も、学習環境の設計と軌道についてよりよい決定を下すために、生のデータを学習プロセスに関する意味のある情報に変換することが目標です。したがって、EDMは一般的に4つのフェーズで構成されています。^{[2] [5]}

1. EDM プロセスの第 1 段階 (前処理を除く) は、データ内の関係性を発見することです。この段階では、変数間の一貫した関係性を見つけることを目標として、教育環境のデータ リポジトリを検索します。このような関係性を識別するために、分類、回帰、クラスタリング、因子分析、ソーシャル ネットワーク分析、関連ルール マイニング、シーケンシャル パターン マイニングなど、いくつかのアルゴリズムが利用されています。
2. 過剰適合を避けるために、発見された関係性を検証する必要があります。
3. 検証された関係は、学習環境における将来のイベントを予測するために適用されます。
4. 予測は、意思決定プロセスとポリシー決定をサポートするために使用されます。

フェーズ3と4では、データは視覚化されるか、人間の判断のために何らかの方法で抽出されることが多い。^[2]データの視覚化に関するベストプラクティスについては、膨大な研究が行われてきた。

言及されている一般的な方法のカテゴリーのうち、予測、クラスタリング、関係マイニングは、あらゆる種類のデータマイニングに共通する普遍的な方法と考えられています。しかし、モデルによる発見と人間の判断のためのデータの蒸留は、教育用データマイニングの中でより顕著なアプローチであると考えられています。^[7]

モデルによる発見法では、予測、クラスタリング、または人間の推論知識工学によってモデルが開発され、その後、別の分析、つまり予測と関係マイニングのコンポーネントとして使用されます。^[7]予測法の使用では、作成されたモデルの予測を使用して新しい変数を予測します。^[7]関係マイニングの使用では、作成されたモデルにより、研究における新しい予測と追加変数間の分析が可能になります。^[7]多くの場合、モデルによる発見では、コンテキスト間での一般化が証明された検証済みの予測モデルが使用されます。

この方法の主な応用としては、学習環境における学生の行動、特性、文脈変数の関係を発見することなどが挙げられる。 ^[7]この方法を使用することで、幅広い文脈にわたる広範かつ具体的な研究課題をさらに発見することもできる。

人間は、自動化されたデータマイニング方法が提供する範囲を超えるデータについての推論を行うことができます。^{[7]教育データマイニングでは、}識別と分類という2つの主要な目的のために、データが抽出され、人間の判断に利用されます。^[7]

識別の目的で、データは抽出され、人間が、そうでなければ解釈が難しいかもしれないよく知られたパターンを識別できるようにします。たとえば、教育学の研究で古典的な学習曲線は、時間の経過に伴う学習と経験の関係を明確に反映するパターンです。

データは、データの特徴を分類する目的でも抽出され、教育用データ マイニングでは予測モデルの開発をサポートするために使用されます。分類は、予測モデルの開発を大幅に促進するのに役立ちます。

この方法の目的は、大量の教育データを理解し、意思決定を支援するために、情報を要約して有用でインタラクティブかつ視覚的に魅力的な方法で提示することです。^[9]特に、この方法は教育者がコース活動における使用情報と有効性を理解するのに役立ちます。^{[9]人間の判断のためのデータ抽出の主な用途には、学生の学習、行動、}コラボレーションの機会のパターンの特定、予測モデルでの将来の使用のためのデータのラベル付けなどがあります。^[7]

EDMの主な用途のリストは、クリストバル・ロメロとセバスチャン・ベンチュラによって提供されています。^[5]彼らの分類によると、EDMの応用分野は次のとおりです。

• データの分析と視覚化
• サポートインストラクターへのフィードバックの提供
• 学生への推奨事項
• 生徒の成績を予測する
• 学生モデル
• 生徒の望ましくない行動の検出
• 生徒のグループ分け
• ソーシャルネットワーク分析
• コンセプトマップの開発
• コースウェアの構築 – EDM は、オープンソースのMoodleなどのコース管理システムに適用できます。Moodle には、テスト結果、完了した読書の量、ディスカッション フォーラムへの参加など、ユーザーによるさまざまなアクティビティを含む使用データが含まれています。データ マイニング ツールを使用すると、各ユーザーの学習アクティビティをカスタマイズし、学生がコースを完了するペースを調整できます。これは、さまざまなレベルの能力を持つオンライン コースに特に役立ちます。
• 計画とスケジュール

モバイル学習環境に関する新たな研究でも、データ マイニングが有用であることが示唆されています。モバイル デバイスと標準のPCやWeb ブラウザーとの間でコンテンツ管理方法が異なるにもかかわらず、データ マイニングを使用すると、モバイル ユーザーにパーソナライズされたコンテンツを提供できます。

新しいEDMアプリケーションは、非技術者がデータマイニングツールやアクティビティを使用および参加できるようにすることに重点を置いており、 EDMのすべてのユーザーがデータの収集と処理をより簡単に利用できるようにします。例としては、ソーシャルネットワークとそれが学習成果や生産性に与える影響を分析する統計および視覚化ツールなどがあります。^[14]

1. 2013年10月、CourseraはEDMの主要な方法をどのように、いつ使用するかを教える「教育におけるビッグデータ」に関する無料オンラインコースを提供しました。^[15]このコースは2015年夏にedXに移行し、 ^[16]それ以来毎年edXで運営され続けています。コースアーカイブは現在オンラインで利用可能です。^[17]
2. コロンビア大学ティーチャーズカレッジでは学習分析学の修士課程を提供しています。^[18]

国際教育データマイニング協会が主催する査読付きの国際教育データマイニング会議では、かなりの量の EDM 研究成果が公開されています。

• 第1回教育データマイニング国際会議（2008年）^[19] – モントリオール、カナダ
• 第2回教育データマイニング国際会議（2009年）^[20] – スペイン、コルドバ
• 第3回教育データマイニング国際会議（2010年）^[21] – ピッツバーグ、ペンシルバニア州、米国
• 第4回教育データマイニング国際会議（2011年）^[22] – オランダ、アイントホーフェン
• 第5回教育データマイニング国際会議（2012年）^[23] – ギリシャ、ハニア
• 第6回教育データマイニング国際会議（2013年）^[24] – メンフィス、テネシー州、米国
• 第7回教育データマイニング国際会議（2014年）^[25] – ロンドン、イギリス
• 第8回教育データマイニング国際会議（2015年）^[26] – マドリード、スペイン
• 第9回教育データマイニング国際会議（2016年）^[27] – ノースカロライナ州ローリー、米国
• 第10回教育データマイニング国際会議（2017年）^[28] – 中国、武漢
• 第11回教育データマイニング国際会議（2018年）^[29] – バッファロー、ニューヨーク州、米国
• 第12回教育データマイニング国際会議（2019年）^[30] – モントリオール、ケベック州、カナダ
• 第13回教育データマイニング国際会議（2020年）^[31] – バーチャル
• 第14回教育データマイニング国際会議（2021年）^[32] – パリ、フランス

EDM 論文は、Journal of Educational Data Mining (JEDM) にも掲載されています。

EDM に関する多くの論文は、人工知能と教育、インテリジェント チュータリング システム、ユーザー モデリング、適応、パーソナライゼーションなどの関連会議で定期的に発表されています。

2011年、Chapman & Hall / CRC Press、Taylor and Francis Groupは、最初の教育データマイニングハンドブックを出版しました。このリソースは、教育データマイニングコミュニティに参加することに興味のある人のために作成されました。^[14]

2010年、教育現場からのデータを使用して、計算機協会のKDDカップが開催されました。 ^[33]データセットはDataShopによって提供され、認知チューターを使用する学生からの1,000,000を超えるデータポイントで構成されていました。^[34] 600チームが8,000ドルを超える賞金（Facebookによって寄付されました）をかけて競いました。参加者の目標は、提供されたデータから学習した後、新しいデータから最も正確な予測を行うアルゴリズムを設計することでした。優勝者は、特徴生成（表現学習の一種）、ランダムフォレスト、ベイジアンネットワークを活用したアルゴリズムを提出しました。^[35]

技術の進歩とともに、EDMアプリケーションの実装に関連するコストと課題があります。これには、ログに記録されたデータを保存するためのコストと、データシステムを管理する専任のスタッフを雇うことに関連するコストが含まれます。 ^[36]さらに、データシステムは互いにシームレスに統合されるとは限らず、統計ツールや視覚化ツールのサポートがあっても、データの簡略化されたバージョンを作成することは困難な場合があります。^[36]さらに、どのデータをマイニングして分析するかを選択することも難しい場合があり、^{[36]初期段階は非常に時間がかかり、労働集約的になります。EDM戦略と実装では、最初から最後まで、関係するすべての利害関係者の}プライバシーと倫理を守る必要があります^[36]。

• 一般化可能性– EDMの研究は、研究が行われた特定の教育環境と時期に特有のものである可能性があり、そのため他の機関には一般化できない可能性があります。また、研究によると、教育データマイニングの分野は西洋諸国と文化に集中しており、その結果、他の国や文化は研究と調査結果に反映されない可能性があります。 ^[8]将来のモデルの開発では、複数のコンテキストにわたるアプリケーションを考慮する必要があります。
• プライバシー– 個人のプライバシーは、データ マイニング ツールの適用において継続的な懸念事項です。無料でアクセスでき、ユーザー フレンドリなツールが市場に出回っているため、学習者が将来のパフォーマンスに役立つフィードバックを期待して学習システムに提供する情報によって、学生とその家族が危険にさらされる可能性があります。ユーザーがオンライン プライバシーについて理解を深めるにつれて、教育用データ マイニング ツールの管理者は、ユーザーのプライバシーを積極的に保護し、情報がどのように、誰と使用され、共有されるかについて透明性を確保する必要があります。EDM ツールの開発では、この分野の研究を進めながら、個人のプライバシーの保護を考慮する必要があります。
• 盗作– 盗作の検出は、教室内またはオンラインで、教育者や教員にとって継続的な課題です。しかし、特にデジタル盗作の検出と防止に関連する複雑さのため、教育データマイニングツールは現在、この問題に正確に対処できるほど洗練されていません。したがって、盗作関連の問題における予測機能の開発は、今後の研究の焦点となるべき分野です。
• 採用– EDM の採用がどの程度広まっているか、また教育機関がどの程度 EDM 戦略を適用し、実装を検討しているかは不明です。そのため、ユーザーが教育現場で EDM を採用することを妨げる障壁があるかどうかは不明です。

• ビッグデータ
• データマイニング
• 教育
• 教育技術
• 教育用語集
• 学習分析
• 機械学習
• 統計