JP6963454B2

JP6963454B2 - 学習継続システムおよび学習継続方法

Info

Publication number: JP6963454B2
Application number: JP2017192970A
Authority: JP
Inventors: 学歩山田
Original assignee: 株式会社増進会ホールディングス
Priority date: 2017-10-02
Filing date: 2017-10-02
Publication date: 2021-11-10
Anticipated expiration: 2037-10-02
Also published as: JP2019066698A

Description

本発明は、学習継続システムおよび学習継続方法に関するものである。

近年、学習者毎の学習状況に応じた教育サービス提供のために、アダプティブラーニングが用いられている。アダプティブラーニングは、学習者毎の学習履歴をリアルタイムに分析して個別最適化された問題および解説を自動提供することにより、学習者の目標達成を支援する（非特許文献１参照）。

株式会社技術評論者、"［Ｚ会キャリアアップコース］TOEIC(R)テストAdaptie［全レベル対応］3月28日開講！◆20％OFF！開講記念キャンペーン実施中は3月30日まで"、２０１６年３月２９日、[online]、[２０１６年３月２９日検索]、インターネット<URL: http://www.news2u.net/releases/144042>

しかし、アダプティブラーニングでは、学習者の学習効率の最適化が図られるものの、学習効率の最適化以外の目的を達成することは難しかった。また、アダプティブラーニングに限らず、学習効率の最適化以外に学習者の学習支援の元となる教育サービスの継続を促し得る対応は、講師などの個人の裁量に委ねられており、適切な対応が図られているわけではなかった。

本発明は、かかる観点に鑑みてなされたもので、学習者などの対象者毎の教育サービスの継続を促し得る適切な施策を提供する学習継続システムおよび学習継続方法を提供することを目的とするものである。

上述した諸課題を解決すべく、第１の観点による学習継続システムは、
複数の対象者毎の、行動特性および学習履歴、ならびに脱退済または継続中の状況と、該対象者毎に向けて実行した施策と、を記憶するメモリと、
前記脱退済の前記対象者の前記行動特性および前記学習履歴に基づいて前記脱退済の前記対象者の脱退に至る予測モデルを構築し、前記予測モデルに基づいて行動特性および学習履歴に対する脱退指数を異なる時期に算出し、過去に算出した前記脱退指数が閾値より大きく且つその後の前記脱退指数が前記閾値以下である前記継続中の対象者に対して過去の脱退指数の算出時からその後の脱退指数の算出時までの間に実行した施策をメモリから読出し、前記施策を評価し、評価結果に基づいて取るべき施策を提示する制御部とを備える
ことを特徴とするものである。

また、第２の観点による学習継続システムにおいて、
前記学習履歴は、前記対象者に提供する使役に対する該対象者の取組み状況を含み、
前記制御部は、前記取組み状況が前記脱退済の状況との相関性が検出されるときに、前記取組み状況に基づく前記使役の改善を取るべき施策として提示する
ことが好ましい。

また、第３の観点による学習継続システムにおいて、
前記予測モデルの構築は、前記脱退済の状況、ならびに該脱退済の前記対象者の前記行動特性および前記学習履歴の相関性の検出と、検出された前記相関性に基づいて前記脱退済の対象者の脱退に至る前記行動特性および前記学習履歴の推定とを含む
ことが好ましい。

また、第４の観点による学習継続システムにおいて、
前記脱退済の対象者の脱退に至る前記行動特性および前記学習履歴の推定は、前記脱退済の状況との相関性が検出された前記行動特性および前記学習履歴に基づいて前記複数の対象者毎の前記脱退指数の算出を含む
ことが好ましい。

また、第５の観点による学習継続システムにおいて、
前記制御部は、前記予測モデルに基づいて前記継続中の対象者に対して実行した施策の評価において、前記脱退指数を前記メモリに記憶させ、前記メモリから読出した最新より過去の前記脱退指数が閾値より大きくかつ最新の前記脱退指数が前記閾値以下である対象者を前記複数の対象者から抽出し、抽出した対象者数をカウントし、抽出した対象者向けに実行した施策を前記メモリから読出し、前記脱退済の状況との相関性が検出された前記行動特性および前記学習履歴毎に前記実行した施策に対する、当該実行した施策を行った前記対象者の数の前記カウントした対象者数に対する割合に基づいて評価した評価指数を算出する
ことが好ましい。

また、第６の観点による学習継続システムにおいて、
前記制御部は、前記評価結果に基づいて取るべき施策の提示において、最新の前記脱退指数が前記閾値より大きな対象者に、該対象者の前記行動特性および前記学習履歴に対して前記評価指数が上位である前記実行した施策を前記取るべき施策として提示する
ことが好ましい。

また、第７の観点による学習継続システムにおいて、
前記メモリは、時期毎に、前記行動特性および前記学習履歴、ならびに前記脱退済または前記継続中の状況を記憶し、
前記制御部は、前記時期毎に前記相関性の検出を行い、前記相関性が検出された行動特性および学習履歴に基づく前記取るべき施策を該時期毎に提示する
ことが好ましい。

上述したように本発明の解決手段を装置として説明してきたが、本発明はこれらに実質的に相当する方法、プログラム、プログラムを記録した記憶媒体としても実現し得るものであり、本発明の範囲にはこれらも包含されるものと理解されたい。

例えば、本発明の第７の観点を方法として実現させた学習継続方法は、
コンピュータに実行させる学習継続方法であって、
複数の対象者毎の、行動特性および学習履歴、ならびに脱退済または継続中の状況と、該対象者毎に向けて実行した施策と、を記憶する記憶ステップと、
前記脱退済の前記対象者の前記行動特性および前記学習履歴に基づいて、前記脱退済の対象者の脱退に至る予測モデルを構築する構築ステップと、
前記予測モデルに基づいて、行動特性および学習履歴に対する脱退指数を異なる時期に算出する算出ステップと、
過去に算出した前記脱退指数が閾値より大きく且つその後の前記脱退指数が前記閾値以下である前記継続中の対象者に対して過去の脱退指数の算出時からその後の脱退指数の算出時までの間に実行した施策をメモリから読出し、前記施策を評価する評価ステップと、
評価結果に基づいて、取るべき施策を提示する提示ステップとを備える
ことを特徴とするものである。

本発明によれば、学習者などの対象者毎の教育サービスの継続を促し得る適切な施策を提供可能となる。

本発明の一実施形態に係る学習継続システムを概略的に示すネットワークの構成図である。図１のサーバの内部構成を概略的に示す機能ブロック図である。図２の制御部が実行する情報取得の制御を説明するフローチャートである。図２の制御部が実行する脱退指数算出の制御を説明するフローチャートである。図２の制御部が実行する評価指数算出の制御を説明するフローチャートである。図２の制御部が実行する施策決定の制御を説明するフローチャートである。

以下、本発明の実施の形態について、図を参照して説明する。

図１は、本発明の一実施形態に係る学習継続システムを概略的に示すネットワークの構成図である。学習継続システム１０は、ネットワーク１１、学習者端末１２、運営者端末１３、サーバ１４、およびメモリ１５などを含んで構成される。学習継続システム１０は、例えば通信教育、学習講座、および定期的な試験等の教育サービス（提供する使役）を学習者に提供する運営者に用いられる。

ネットワーク１１は、有線および無線の少なくとも一方を含み又は複数の学習者端末１２、複数の運営者端末１３、およびサーバ１４を接続する。ネットワーク１１は、学習者端末１２、運営者端末１３、およびサーバ１４間で、情報および指令を伝達する。

学習者端末１２は、学習者（対象者）が用いるタブレット端末、スマートフォン、パーソナルコンピュータ等の情報処理装置である。学習者端末１２は、サーバ１４からネットワーク１１を経由して提供される、講座の映像、所定の組合わせの問題群、解答実績に基づいて変動する問題群、およびメニュー画面などを、取得して表示する。なお、メニュー画面においては、問題に対する解答の結果などに基づいて運営者から学習者に付与されるポイントが含まれる。

また、学習者端末１２は、表示された画像に対する利用者の入力を検出し、検出した入力に対応した機能を実行する。例えば、学習者端末１２が講座の映像中に一時停止、巻戻し、早送り、および停止などの入力を検出するとき、それぞれ映像の一時停止、巻戻し、早送り、および停止が行われる。また、学習者端末１２が問題群を表示中に解答の入力を検出するとき、学習者端末１２は解答をサーバ１４に送信して、正解および解説を表示する。また、学習者端末１２がメニュー画面を表示中に学習に関する質問、運営者に関する要望および質問、付与ポイントの使用、生活に関する質問、および進路に関する質問などの入力を検出するとき、当該入力内容をサーバ１４に通知する。

運営者端末１３は、運営者が用いるタブレット端末、スマートフォン、パーソナルコンピュータ等の情報処理装置である。運営者端末１３は、教育サービスの提供に必要な多様な情報の入力用の画像を表示し、入力画像における入力を検出し、サーバ１４に通知する。例えば、運営者端末１３は、現在の学習者および過去の学習者の脱退済または継続中の状況のいずれかの入力を検出する。また、運営者端末１３は、現在の学習者および過去の学習者に対して実行した施策の入力を検出する。また、運営者端末１３は、各学習者の学習履歴および行動特性に関する情報の入力を検出し、サーバ１４に通知する。なお、運営者端末１３は、学習履歴および行動特定に関する情報に関して、「いつ」、「誰が」、「何を」、および「どうした」という項目毎の入力を、使用者に要求する。

実行した施策は、例えば、学習者および保護者の何れかへの声かけ、「部活動は忙しいですか？」、「最近、学校の数学の授業はどうですか？」、「学校の授業で分からないところはありませんか？」、「英文法の解答が少し気になりますが、類似問題を使ってもう一度この部分の学習をしてみますか？」、「生活面で何か悩んでいることはありますか？」、および「将来の夢や進路などは、考えていますか？」などの声かけの内容、ならびに提供する教育サービスの変更などである。

学習履歴に関する情報は、例えば、採点者による採点結果および講評、学習者端末１２における解答に対する採点結果、郵送に基づく通信教育および定期的な試験における成績、学習者に提供した宿題の消化状況、学習講座の講師による各学習者の講座の理解状況、および学習者に提供する講座や問題群などの教育使役に対する、繰返し視聴および解答などの学習者の取組み状況である。

行動特性に関する情報は、例えば、学習講座への各学習者の出欠状況、学習講座への各学習者の絶対的または相対的な入退室時刻（なお、相対的な入退室時刻とは、学習講座の開始時刻および終了時刻それぞれに対する入室時刻および退室時刻の差である。）、学習講座における各学習者の発言数、学習講座における各学習者の質問および質問回数、学習講座終了後の各学習者のアンケートへの回答、各学習者に薦めた学習講座の履修状況、保護者会などの説明会への出席状況、各学習者からの相談回数および相談内容、各学習者の講座への集中力、各学習者の課外活動などの生活状況、各学習者の履修科目を減らすことの検討、各学習者の進路に関する悩みの有無、提供する教育サービス以外の運営者および各学習者間のトラブル、各学習者の履修する学習講座のざわつき度合い、各学習者に対する運営者側の担当の変更、各学習者の親族の進路状況、各学習者の受験に対する意識、および各学習者の受験に対する意識である。

また、運営者端末１３では、サーバ１４の管理および処理に基づく多様な情報を、例えば、モニタおよびプリンタを介して出力する。例えば、運営者端末１３は、サーバ１４から取得する未確認解答を出力する。また、運営者端末１３では、サーバ１４から取得する所定の統計値を出力する。また、運営者端末１３は、サーバ１４から取得する、運営者が取るべき施策を出力する。

サーバ１４は、例えば、運営者が用いるサーバ装置等の情報処理装置である。図２に示すように、サーバ１４は通信部１６および制御部１７を有する。通信部１６はネットワーク１１および制御部１７に接続され、ネットワーク１１および制御部１７間で情報および指令を伝達する。制御部１７はメモリ１５に接続され、必要に応じて情報のメモリ１５への記憶およびメモリ１５からの読出しを行う。

制御部１７は、教育サービスの提供および管理を行う。

例えば、制御部１７は、学習者端末１２の指令または運営者端末１３からの指令に基づいて、または所定の時期に、学習者端末１２に向けて講座の映像を送る。さらに、制御部１７は、講座の映像を送った学習者端末１２における一時停止、巻戻し、早送り、および停止の入力を、その映像における入力検出時期とともに取得する。さらに、制御部１７は、取得した一時停止、巻戻り、早送り、および停止の入力を映像における入力検出時期と関連付けて、学習者毎に、メモリ１５に記憶させる。

また、例えば、制御部１７は、学習者端末１２の指令または運営者端末１３からの指令に基づいて、または所定の時期に、学習者端末１２に向けて問題群を送る。さらに、制御部１７は、学習者端末１２から取得する問題群に対する解答をメモリ１５に記憶させ、解答を採点する採点者の割当を行いかつ当該採点者が用いる運営者端末１３に未確認解答として送る、または、制御部１７はメモリ１５から読出す正解に基づいて採点してもよい。さらに、制御部１７は、学習者端末１２に正解および解説を送る。さらに、制御部１７は、採点結果に基づいて、数値に応じた特典を学習者に付与するポイントをメモリ１５に記憶されたポイントに加算して記憶させる。さらに、制御部１７は、運営者端末１３から取得する採点結果、郵送に基づく通信教育および定期的な試験における成績、および制御部１７自身が採点した解答の採点結果をメモリ１５に学習者毎に記憶させる。

また、例えば、制御部１７は、採点結果に基づいて、複数の学習者の採点結果に関する所定の統計値を算出する。さらに、制御部１７は、運営者端末１３の指令に基づいて、算出した所定の統計値を運営者端末１３に通知する。さらに、制御部１７は、算出した所定の統計値を学習者毎にメモリ１５に記憶させる。

また、例えば、制御部１７は、学習者端末１２の指令に基づいて、メニュー画面などを学習者端末１２に送る。さらに、制御部１７は、学習者端末１２から取得する、メニュー画面において入力された学習に関する質問、運営者に関する要望および質問、付与ポイントの使用、生活に関する質問、および進路に関する質問などを学習者毎に、メモリ１５に記憶させる。

また、例えば、制御部１７は、運営者端末１３から取得する、学習者毎の脱退済または継続中の状況を、メモリ１５に記憶させる。また、制御部１７は、運営者端末１３から取得する、学習者毎に実行した施策を、メモリ１５に記憶させる。また、制御部１７は、採点者による採点結果および講評、学習者端末１２における解答に対する採点結果、郵送に基づく通信教育および定期的な試験における成績以外の学習履歴に関する情報、および行動特性に関する情報を、メモリ１５に記憶させる。

また、制御部１７は、メモリ１５に記憶した学習履歴および行動特性に基づいて、記憶した情報を加工する。例えば、制御部１７は、映像した講座に対する巻戻しの入力に基づいて、講座における繰返し視聴箇所を推定し、メモリ１５に記憶させる。また、制御部１７は、学習者端末１２に送った問題群に対する解答の取得間隔に基づいて、解答が長引く傾向のある問題を推定し、メモリ１５に記憶させる。また、制御部１７は、採点結果および試験の成績に基づいて、学習者毎の成績の推移をメモリ１５に記憶させる。また、制御部１７は、学習者毎の所定期間または単一の講座における質問の回数を集計し、メモリ１５に記憶させる。また、制御部１７は、学習者毎の質問の内容を分析し、否定的な質問であるか否かを判定し、判定結果をメモリ１５に記憶させる。なお、否定的な質問とは、学習内容の理解に繋がらない質問であって、問題などを解けないこと又は理解できないことを前提とした質問である。また、制御部１７は、学習者毎の付与ポイントの実質的に全ポイントの使用の有無を判定し、判定結果をメモリ１５に記憶させる。

また、制御部１７は、前述の否定的な質問であるか否かの判別は、学習者毎によって変えてもよい。例えば、制御部１７は、「答案の提出時期はいつ頃か」、「問題を解く時間はどの程度かかっているか」、「質問をするタイミングは、問題を解いている最中か又は解答確認時か」、「講師などからのお知らせに対する反応はどうか」等の、５０程度の情報に基づいて、学習者毎の標準状態を分析する。標準状態の分析は、例えば行動モデル、組合せ等に基づく評価、および決定木による従来公知の評価方法により行なってよい。制御部１７は、学習者の標準状態を基準にして、質問が否定的であるか否かを判別してよい。

また、制御部１７は、メモリ１５から読出した、脱退済の状況である学習者の行動特性および学習履歴ならびに行動特性および学習履歴それぞれから加工された情報に基づいて、学習者の脱退に至る予測モデルを構築する。

本実施形態において、予測モデルの構築は、例えば相関性の検出と、検出された相関性に基づく学習者の脱退に至る行動特性および学習履歴の推定とを含む。相関性は、脱退済の状況である学習者の行動特性ならびに学習履歴および当該行動特性および学習履歴に基づいて加工された情報と、脱退済の状況との相関性である。

相関性の検出について、さらに詳細に例示すると、相関性の検出は、ビッグデータの解析により行われるが、例えば、相関係数など算出し、事前に定めた閾値または全行動特性および全学習履歴の上位ｘ１％（ｘ１は正の実数）など統計的に定められる閾値などとの比較であってもよい。

さらに、制御部１７は、脱退済の状況との相関性が検出された行動特性および学習履歴を学習者の脱退に至る行動特性および学習履歴であると推定することにより、行動特性および学習履歴に基づく脱退の予測モデルを構築する。

さらに、制御部１７は、予測モデル、すなわち、学習者の脱退に至ると推定された行動特性および学習履歴などに基づいて、対象者に対して実行した施策を評価する。さらに、制御部１７は、評価結果に基づいて、運営者が取るべき施策を決定する。さらに、制御部１７は決定した取るべき施策を運営者端末１３に通知する。

学習者の脱退に至る行動特性および学習履歴の推定について、さらに詳細に例示すると、制御部１７は、継続中の状況である学習者の行動特性および学習履歴、ならびに行動特性および学習履歴から加工された情報と、脱退済の状況との相関性とを読出し、ビッグデータ解析により、学習者毎に、脱退指数を算出する。なお、制御部１７は、例えば、サポートベクトルマシンおよび回帰分析などに基づいて、ビッグデータ解析を行う。なお、脱退指数とは、学習者の脱退の可能性に対応する指数である。さらに、制御部１７は、算出した脱退指数をメモリ１５に記憶させる。

予測モデルに基づく学習者に対して実行した施策の評価について、さらに詳細に例示すると、制御部１７は、異なる時期に算出され、メモリ１５に蓄積された複数の脱退指数の組み合わせにおいて、過去の脱退指数が閾値より大きく、かつ最新の脱退指数が閾値以下である学習者を複数の学習者の中から抽出する。さらに、制御部１７は、抽出した学習者数を母集団としてカウントする。さらに、制御部１７は、抽出した学習者に対して実行した施策をメモリ１５から読み出す。

さらに、制御部１７は、読出後、実行した施策毎に、評価指数を算出する。評価指数は実行した施策の有効性を示す指数である。評価指数の算出は、当該実行した施策を行った学習者の数に対する、母集団としてカウントした学習者数の割合に基づく。また、評価指数は、施策毎に、当該実行した施策を行った学習者の行動特性および学習履歴毎に算出される。言い換えると、評価指数は、単に、実行した施策毎に算出されるのでなく、特定の行動特性および特定の学習履歴を有する学習者に対する施策を総合的に評価している。さらに、制御部１７は、算出した評価指数を、メモリ１５に記憶させる。

評価結果に基づく取るべき施策の提示について、さらに詳細に例示すると、制御部１７は、最新の脱退指数が閾値より大きな学習者に対して、当該学習者の行動特性および学習履歴に対して実行した施策中、評価指数が上位であった施策を、取るべき施策として決定する。なお、制御部１７は、実行した施策中、最大の評価指数であった施策を、取るべき施策として決定してもよいし、上位ｘ２番目（ｘ２は２以上の整数）などの複数の実行した施策を、取るべき施策として決定してもよい。さらに、制御部１７は、決定した、取るべき施策を運営者端末１３に通知する。

また、制御部１７は、学習履歴の一部である、学習者に提供する教育使役に対する学習者の取組み状況である場合、特定の施策を取るべき施策として運営者端末１３に通知することにより提示してもよい。例えば、制御部１７は、提供する講座において、脱退済の状況である学習者の視聴中断および繰返し視聴などの発生割合に基づいて、上述の相間性を算出する。さらに、制御部１７は、相間性が、例えば０．３以上の適切な値に設定される閾値を超える場合、学習者の取り組み状況に基づく当該教育使役の改善を、取るべき施策として提示する。

次に、本実施形態において、制御部１７が実行する情報取得の制御について、図３のフローチャートを用いて説明する。制御部１７は、ネットワーク１１からの情報を取得するとき、情報取得の制御を開始する。

ステップＳ１００において、制御部１７は、取得した情報を、学習者別にメモリ１５に記憶させる。記憶させると、プロセスはステップＳ１０１に進む。

ステップＳ１０１では、制御部１７は、ステップＳ１００においてメモリ１５に記憶させた情報が、必要に応じてメモリ１５に既に記憶されていた情報などとともに、加工可能な情報であるか否かを判定する。加工可能であるとき、プロセスはステップＳ１０２に進む。加工不可能であるとき、プロセスはステップＳ１０２およびＳ１０３をスキップし手情報取得の制御を終了する。

ステップＳ１０２では、制御部１７は、ステップＳ１００においてメモリ１５に記憶させた情報、および必要であればメモリ１５に既に記憶されていた情報をメモリ１５から読出す。さらに、制御部１７は、読出した情報を加工する。加工後、プロセスはステップＳ１０３に進む。

ステップＳ１０３では、制御部１７は、ステップＳ１０２において加工された情報をメモリ１５に記憶させる。メモリ１５に記憶させると、情報取得の制御は終了する。

次に、本実施形態において、制御部１７が実行する脱退指数算出の制御について、図４のフローチャートを用いて説明する。制御部１７は、定期的または周期的に、脱退指数算出の制御を開始する。

ステップＳ２００において、制御部１７は、脱退済の状況である学習者の行動特性および学習履歴をメモリ１５から読出す。メモリ１５から読出すと、プロセスはステップＳ２０１に進む。

ステップＳ２０１では、制御部１７は、ステップＳ２００においてメモリ１５から読出した行動特性および学習履歴と、脱退済の状況であることとの相関性を検出する。さらに、制御部１７は、相関性が検出された行動特性および学習履歴に基づいて、学習者毎の脱退指数を算出する。脱退指数を算出すると、プロセスはステップＳ２０２に進む。

ステップＳ２０２では、制御部１７は、ステップＳ２０１において算出した脱退指数を、学習者毎にメモリ１５に記憶させる。メモリ１５に記憶させると、脱退指数算出の制御は終了する。

次に、本実施形態において、制御部１７が実行する評価指数算出の制御について、図５のフローチャートを用いて説明する。制御部１７は、定期的または周期的に、評価指数算出の制御を開始する。

ステップＳ３００において、制御部１７は、過去の脱退指数が閾値より大きく、かつ最新の脱退指数が閾値以下である学習者を抽出する。さらに、制御部１７は、抽出した学習者の数をカウントする。さらに、制御部１７は、抽出した学習者に対して実行した施策をメモリ１５から読出す。メモリ１５から読出すと、プロセスはステップＳ３０１に進む。

ステップＳ３０１では、制御部１７は、ステップＳ３００において読出した、実行した施策毎に評価指数を算出する。評価指数を算出すると、プロセスはステップＳ３０２に進む。

ステップＳ３０２では、制御部１７は、ステップＳ３０１において算出した評価指数を、メモリ１５に記憶させる。メモリ１５に記憶させると、評価指数算出の制御を終了する。

次に、本実施形態において、制御部１７が実行する施策決定の制御について、図６のフローチャートを用いて説明する。制御部１７は、運営者端末１３からの要求指令に基づいて、施策決定の制御を開始する。

ステップＳ４００において、制御部１７は、最新の脱退指数が閾値より大きな学習者の行動特性および学習履歴をメモリ１５から読み出す。読み出しを行うと、プロセスはステップＳ４０１に進む。

ステップＳ４０１では、制御部１７は、実行した施策中、ステップＳ４００において読出した行動特性および学習履歴に対する評価指数が上位であった施策をメモリ１５から読み出す。読み出しを行うと、プロセスはステップＳ４０２に進む。

ステップＳ４０２では、制御部１７は、ステップＳ４０１において読出した施策を、運営者端末１３に通知する。運営者端末１３に通知すると、施策決定の制御を終了する。

以上のような構成の本実施形態の学習継続システム１０によれば、脱退済である学習者の行動特性および学習履歴に基づいて学習者の脱退に至る予測モデルを構築し、予測モデルに基づいて実行した施策を評価し、評価結果に基づいて取るべき施策が提示され得る。それゆえ、学習者毎の教育サービスの継続を促し得る適切な施策を提供し得る。

また、本実施形態の学習継続システム１０によれば、学習者に提供する教育サービスに対する、学習者の取り組み状況に基づいて、教育サービスの改善を取るべき施策として提示され得る。したがって、教育サービスの改善により学習者の不満を低減し得、結果として学習者の教育サービスの継続を促し得る。

また、本実施形態の学習継続システム１０によれば、過去に脱退指数が高くかつ後に脱退指数が低くなった学習者に対して実行した施策の評価が行われる。当該施策は、脱退する可能性を低減させ得る可能性がある。さらに、施策を評価し、評価結果に基づいて、脱退する可能性がある学習者に対して、運営者が適切な施策を取ることが可能となる。したがって、学習者の教育サービス継続を促し得る。

本発明を諸図面や実施形態に基づき説明してきたが、当業者であれば本開示に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本発明の範囲に含まれることに留意されたい。

例えば、本実施形態において、多様な行動特性および多様な学習履歴をそのものと、脱退済の状況との相関性を検出する構成であるが、月別などの時期毎の多様な行動特性および多様な学習履歴と、脱退済の状況との相関性を検出し、相関性が検出された行動特性および学習履歴に基づいて取るべき施策を時期毎に提示する構成であってもよい。学習者が教育サービスの脱退を検討する要因は時期によっても変動し得るので、上述のような構成により、提示する施策の最適化が図られ得る。

１０学習継続システム
１１ネットワーク
１２学習者端末
１３運営者端末
１４サーバ
１５メモリ
１６通信部
１７制御部

Claims

複数の対象者毎の、行動特性および学習履歴、ならびに脱退済または継続中の状況と、該対象者毎に向けて実行した施策と、を記憶するメモリと、
前記脱退済の前記対象者の前記行動特性および前記学習履歴に基づいて前記脱退済の前記対象者の脱退に至る予測モデルを構築し、前記予測モデルに基づいて行動特性および学習履歴に対する脱退指数を異なる時期に算出し、過去に算出した前記脱退指数が閾値より大きく且つその後の前記脱退指数が前記閾値以下である前記継続中の対象者に対して過去の脱退指数の算出時からその後の脱退指数の算出時までの間に実行した施策をメモリから読出し、前記施策を評価し、評価結果に基づいて取るべき施策を提示する制御部とを備える
ことを特徴とする学習継続システム。
請求項１に記載の学習継続システムであって、
前記学習履歴は、前記脱退済または前記継続中の対象者に提供する使役に対する該対象者の取組み状況を含み、
前記制御部は、前記取組み状況が前記脱退済の状況との相関性が閾値を超えたときに、前記取組み状況に基づく前記使役の改善を取るべき施策として提示する
ことを特徴とする学習継続システム。
請求項１または２に記載の学習継続システムであって、
前記予測モデルの構築は、前記脱退済の状況、ならびに該脱退済の前記対象者の前記行動特性および前記学習履歴の相関性の検出と、検出された前記相関性に基づいた前記脱退済の対象者の脱退に至る前記行動特性および前記学習履歴の推定とを含む
ことを特徴とする学習継続システム。
請求項３に記載の学習継続システムであって、
前記脱退済の対象者の脱退に至る前記行動特性および前記学習履歴の推定は、前記脱退済の状況との相関性が検出された前記行動特性および前記学習履歴に基づいて前記複数の対象者毎の前記脱退指数の算出を含む
ことを特徴とする学習継続システム。
請求項４に記載の学習継続システムであって、
前記制御部は、前記予測モデルに基づいて前記継続中の対象者に対して実行した施策の評価において、前記脱退指数を前記メモリに記憶させ、前記メモリから読出した最新より過去の前記脱退指数が閾値より大きくかつ最新の前記脱退指数が前記閾値以下である対象者を前記複数の対象者から抽出し、抽出した対象者数をカウントし、抽出した対象者向けに実行した施策を前記メモリから読出し、前記脱退済の状況との相関性が検出された前記行動特性および前記学習履歴毎に前記実行した施策に対する、当該実行した施策を行った前記対象者の数の前記カウントした対象者数に対する割合に基づいて評価した評価指数を算出する
ことを特徴とする学習継続システム。
請求項５に記載の学習継続システムであって、
前記制御部は、前記評価結果に基づいて取るべき施策の提示において、最新の前記脱退指数が前記閾値より大きな対象者に、該対象者の前記行動特性および前記学習履歴に対して前記評価指数が上位である前記実行した施策を前記取るべき施策として提示する
ことを特徴とする学習継続システム。
請求項３から請求項６の何れか１項に記載の学習継続システムであって、
前記メモリは、時期毎に、前記行動特性および前記学習履歴、ならびに前記脱退済または前記継続中の状況を記憶し、
前記制御部は、前記時期毎に前記相関性の検出を行い、前記相関性が検出された行動特性および学習履歴に基づく前記取るべき施策を該時期毎に提示する
ことを特徴とする学習継続システム。
コンピュータに実行させる学習継続方法であって、
複数の対象者毎の、行動特性および学習履歴、ならびに脱退済または継続中の状況と、該対象者毎に向けて実行した施策と、を記憶する記憶ステップと、
前記脱退済の前記対象者の前記行動特性および前記学習履歴に基づいて、前記脱退済の対象者の脱退に至る予測モデルを構築する構築ステップと、
前記予測モデルに基づいて、行動特性および学習履歴に対する脱退指数を異なる時期に算出する算出ステップと、
過去に算出した前記脱退指数が閾値より大きく且つその後の前記脱退指数が前記閾値以下である前記継続中の対象者に対して過去の脱退指数の算出時からその後の脱退指数の算出時までの間に実行した施策をメモリから読出し、前記施策を評価する評価ステップと、
評価結果に基づいて、取るべき施策を提示する提示ステップとを備える
ことを特徴とする学習継続方法。