JP7643143B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

近年、学習者に学習支援を行うためのシステム開発が進められている。例えば特許文献１には、学習者の学習計画実行及び記録の支援を行う学習支援プログラムが開示されている。

特許６５７２４１２号公報

しかしながら、特許文献１に係る発明は、単に予め学習者の学習計画（目標学習成果データ）を記憶しているにすぎず、目標学習成果データを自動的に作成することができない。

一つの側面では、学習者に対して適切な目標学習成果データを自動的に作成することが可能な情報処理装置等を提供することを目的とする。

一つの側面に係る情報処理装置は、第１期間における学習者の学習成果を示す単位期間ごとの学習成果データを時系列で取得する第１取得部と、前記第１取得部が取得した時系列の学習成果データを、前記単位期間ごとの学習成果データと、前記第１期間以降の目標達成のために必要な単位期間ごとの学習成果である目標学習成果データとの関係を学習した学習モデルに入力して、前記単位期間ごとの目標学習成果データを時系列順に出力する第１出力部と、前記単位期間が経過した場合に、前記学習者の実際の学習成果データを取得する第２取得部とを備え、前記第１出力部は、前記単位期間ごとの目標学習成果データと、前記第２取得部が取得した実際の学習成果データとを比較可能に出力し、さらに、前記第２取得部が取得した実際の学習成果データと、前記第１出力部が出力した目標学習成果データとに基づいて、目標を達成したか否かを判定する判定部と、前記判定部が目標を達成していないと判定した場合、アラートメッセージを出力する第２出力部とを備え、前記第１出力部は、前記第１取得部が取得した学習成果データに、前記第２取得部が取得した学習成果データを追加した学習成果データを前記学習モデルに入力して、前記単位期間ごとの目標学習成果データを出力することを特徴とする。

一つの側面では、学習者に対して適切な目標学習成果データを自動的に作成することが可能となる。

学習成果予測システムの概要を示す説明図である。 サーバの構成例を示すブロック図である。 訓練データＤＢのレコードレイアウトの一例を示す説明図である。 学習モデル管理ＤＢ及び学習者ＤＢのレコードレイアウトの一例を示す説明図である。 端末の構成例を示すブロック図である。 学習成果予測モデルに関する説明図である。 訓練データの一例を示す説明図である。 学習成果予測モデルの生成処理の手順を示すフローチャートである。 目標学習成果データを出力する際の処理手順を示すフローチャートである。 目標達成の判定処理を行う際の処理手順を示すフローチャートである。 目標学習成果データを示すグラフの表示画面の一例を示す説明図である。 実施形態２のサーバの構成例を示すブロック図である。 課題ＤＢ及び進捗ＤＢのレコードレイアウトの一例を示す説明図である。 学習すべき課題を目標学習成果データと共に出力する際の処理手順を示すフローチャートである。 学習すべき課題を特定する処理のサブルーチンの処理手順を示すフローチャートである。 目標学習成果データ及び課題を示すグラフの表示画面の一例を示す説明図である。

以下、本発明をその実施形態を示す図面に基づいて詳述する。

（実施形態１）
実施形態１は、第１期間における学習者の学習成果を示す単位期間ごとの学習成果データに基づき、人工知能（ＡＩ：Artificial Intelligence）を用いて、該第１期間以降の単位期間ごとの目標学習成果データを出力（予測）する形態に関する。図１は、学習成果予測システムの概要を示す説明図である。本実施形態のシステムは、情報処理装置１及び情報処理端末２を含み、各装置はインターネット等のネットワークＮを介して情報の送受信を行う。

情報処理装置１は、種々の情報に対する処理、記憶及び送受信を行う情報処理装置である。情報処理装置１は、例えばサーバ装置、パーソナルコンピュータまたは汎用のタブレットＰＣ（パソコン）等である。本実施形態において、情報処理装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。

情報処理端末２は、過去の学習成果データの受付及び送信、並びに、目標学習成果データの受信及び表示等を行う端末装置である。情報処理端末２は、例えばスマートフォン、携帯電話、アップルウォッチ（Apple Watch:登録商標）等のウェアラブルデバイス、タブレット、パーソナルコンピュータ端末等の情報処理機器である。以下では簡潔のため、情報処理端末２を端末２と読み替える。

本実施形態に係るサーバ１は、第１期間における学習者の学習成果を示す単位期間ごとの学習成果データを時系列で取得する。サーバ１は、取得した時系列の学習成果データを、第１期間における単位期間ごとの学習成果データと、目標を達成するための該第１期間以降の目標達成のために必要な単位期間ごとの学習成果である目標学習成果データとの関係を学習した学習モデルに入力して、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に出力する。なお、学習モデルに関しては後述する。サーバ１は、出力した時系列の目標学習成果データを端末２に送信する。

サーバ１は、単位期間が経過したと判定した場合、学習者の実際の学習成果データを端末２から取得する。サーバ１は、取得した実際の学習成果データと、学習モデルから出力された目標学習成果データとに基づいて、目標を達成したか否かを判定する。サーバ１は、目標を達成していないと判定した場合、目標未達成の旨を含むアラートメッセージを端末２に送信する。

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６及び大容量記憶部１７を含む。各構成はバスＢで接続されている。

制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐを読み出して実行することにより、サーバ１に係る種々の情報処理、制御処理等を行う。なお、制御プログラム１Ｐは、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。なお、図２では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。

記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐ又はデータ等を記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、端末２との間で情報の送受信を行う。

入力部１４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報を制御部１１へ出力する。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。

読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶部１７に記憶しても良い。また、ネットワークＮ等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、大容量記憶部１７に記憶しても良い。さらにまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。

大容量記憶部１７は、例えばＨＤＤ（Hard disk drive:ハードディスク）、ＳＳＤ(Solid State Drive:ソリッドステートドライブ)等の記録媒体を備える。大容量記憶部１７は、学習成果予測モデル１７１、訓練データＤＢ（database）１７２、学習モデル管理ＤＢ１７３及び学習者ＤＢ１７４を含む。

学習成果予測モデル１７１は、第１期間における単位期間ごとの学習成果データに基づいて該第１期間以降の単位期間ごとの目標学習成果データを予測（出力）する予測器であり、機械学習により生成された学習済みの学習モデルである。訓練データＤＢ１７２は、学習成果予測モデル１７１を構築（作成）するための訓練データを記憶している。学習モデル管理ＤＢ１７３は、学習済みの学習モデルに関する情報を記憶している。学習者ＤＢ１７４は、学習者に関する情報を記憶している。

なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はサーバ１に接続された外部記憶装置であっても良い。

サーバ１はコンピュータ単体で実行しても良いし、複数のコンピュータで分散して実行しても良いし、仮想マシンで分散して実行しても良い。

図３は、訓練データＤＢ１７２のレコードレイアウトの一例を示す説明図である。訓練データＤＢ１７２は、訓練ＩＤ列、入力列、出力列、科目列、学習レベル列及び到達目標レベル列を含む。

訓練ＩＤ列は、各訓練データを識別するために、一意に特定される訓練データのＩＤを記憶している。入力列は、第１期間における単位期間ごとの学習成果データを記憶している。出力列は、第１期間以降の単位期間ごとの目標学習成果データを記憶している。学習成果は、学習者の学習量（例えば、問題を解く数、または学習時間）に基づいて定量化された数値である。例えば、入力列は第１期間における単位期間（例えば、一ヵ月）ごとの問題数を記憶し、出力列は該第１期間以降の単位期間（例えば、一ヵ月）ごとの目標問題数を記憶しても良い。なお、学習成果の詳細は後述する。

科目列は、学習する科目（例えば、国語、数学または社会）を記憶している。学習レベル列は、学習者の学習レベル（例えば、学力偏差値）を記憶している。到達目標レベル列は、学習者の到達目標レベルを記憶している。なお、到達目標レベルは、高校もしくは大学の入学向けの試験、または学習者が志望する志望校等であっても良い。

図４は、学習モデル管理ＤＢ１７３及び学習者ＤＢ１７４のレコードレイアウトの一例を示す説明図である。
学習モデル管理ＤＢ１７３は、モデルＩＤ列、学習モデル列、種類列及び生成日時列を含む。モデルＩＤ列は、各学習済みの学習成果予測モデル１７１を識別するために、一意に特定される学習モデルのＩＤを記憶している。学習モデル列は、学習済みの学習成果予測モデル１７１のファイルを記憶している。

種類列は、学習モデルの種類を記憶している。種類は、例えば学習する科目により分類されても良く、または学習者の学習レベル（例えば、学力偏差値）により分類されても良く、更にまた、科目と学習レベルとの組み合わせにより分類されても良い。科目に基づいて分類された種類は、例えば「国語モデル」、「数学モデル」または「社会モデル」等を含む。学習レベルに基づいて分類された種類は、例えば「偏差値５０モデル」または「偏差値５５モデル」等を含む。科目と学習レベルとの組み合わせに基づいて分類された種類は、例えば「国語 偏差値５０モデル」または「数学 偏差値５０モデル」等を含む。生成日時列は、学習モデルを生成した日時情報を記憶している。

学習者ＤＢ１７４は、学習者ＩＤ列、期間列、実際学習成果列及び目標学習成果列を含む。学習者ＩＤ列は、各学習者を識別するために、一意に特定される学習者のＩＤを記憶している。期間列は、学習成果データに対応する期間を記憶している。期間は、１月といった月単位であっても、１週間といった週単位であっても良く、特に限定されない。実際学習成果列は、期間ごとの実際の学習成果データを記憶している。目標学習成果列は、期間ごとの目標学習成果データを記憶している。

なお、上述した各ＤＢの記憶形態は一例であり、データ間の関係が維持されていれば、他の記憶形態であっても良い。

図５は、端末２の構成例を示すブロック図である。端末２は、制御部２１、記憶部２２、通信部２３、入力部２４及び表示部２５を含む。各構成はバスＢで接続されている。

制御部２１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部２２に記憶された制御プログラム２Ｐを読み出して実行することにより、端末２に係る種々の情報処理、制御処理等を行う。なお、図５では制御部２１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部２２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部２１が処理を実行するために必要な制御プログラム２Ｐ又はデータ等を記憶している。また、記憶部２２は、制御部２１が演算処理を実行するために必要なデータ等を一時的に記憶する。

通信部２３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１と情報の送受信を行う。入力部２４は、キーボード、マウスまたは表示部２５と一体化したタッチパネルでも良い。表示部２５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部２１の指示に従い各種情報を表示する。

続いて、第１期間における単位期間ごとの学習成果データに基づき、該第１期間以降の単位期間ごとの目標学習成果データを出力する処理を説明する。本実施形態では、学習成果予測モデル１７１を用いて目標学習成果データを出力（予測）する。

図６は、学習成果予測モデル１７１に関する説明図である。本実施の形態においてサーバ１は、第１期間における単位期間ごとの学習成果データと、該第１期間以降の単位期間ごとの目標学習成果データとの関係を学習する機械学習を行い、学習成果予測モデル１７１を生成（作成）する。

例えば学習成果予測モデル１７１は、深層学習により生成されるニューラルネットワークであり、ＲＮＮ（Recurrent Neural Network）の一種であるＳｅｑ２Ｓｅｑ（Sequence to Sequence）である。学習成果予測モデル１７１は、第１期間における単位期間ごとの学習成果データの入力を受け付ける入力層と、入力データに基づく演算を行う中間層と、中間層での演算結果に基づいて該第１期間以降の単位期間ごとの目標学習成果データを出力する出力層とを有する。

入力層は、第１期間における単位期間ごとの学習成果データの入力を受け付ける複数のニューロンを有する。各ニューロンは、時系列順に従って単位期間ごとの学習成果データの入力を受け付ける。

中間層は、ＬＳＴＭ（Long short-term memory）ブロックと呼ばれる複数のニューロンで構成される。中間層の各ニューロンは、入力層の対応するニューロンに入力された学習成果データに基づき、演算を行う。ＬＳＴＭブロックでは、前のＬＳＴＭブロック（ニューロン）における演算結果、すなわち一つ前に出現する学習成果データに基づく演算結果を参照しながら演算を行う。これにより学習成果予測モデル１７１は、時系列順に基づいて第１期間以降の単位期間ごとの目標学習成果データを予測する。

出力層は、第１期間以降の単位期間ごとの目標学習成果データを時系列順に従って順次出力する複数のニューロンを有する。各ニューロンは、中間層の対応するニューロンでの演算結果に基づき、出力すべき単位期間ごとの目標学習成果データを予測する。

Ｓｅｑ２Ｓｅｑに係るニューラルネットワークは、図６に示すように、Ｅｎｃｏｄｅｒとして機能するネットワークと、Ｄｅｃｏｄｅｒとして機能するネットワークとに分類される。ラベル＜ＳＯＳ（Start of String）＞は、学習または予測処理時にデータの始まりを表す予約語である。ラベル＜ＥＯＳ(End of String)＞は、学習または予測処理時にデータの終わりを表す予約語である。

Ｅｎｃｏｄｅｒでは第１期間における単位期間ごとの時系列の学習成果データの入力を受け付け、中間層での演算を行う。Ｄｅｃｏｄｅｒでは、Ｅｎｃｏｄｅｒに入力された時系列の学習成果データに基づき、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に従って順次出力する。

図示のように、Ｅｎｃｏｄｅｒでは第１期間における単位期間ごとの時系列の学習成果データの入力を受け付け、中間層での演算を行う。単位期間は、１月といった月単位であっても、１週間といった週単位であっても良く、特に限定されない。なお、本実施形態では、月単位の例を説明する。例えば、４月、５月、６月及び７月それぞれの学習成果データを時系列順にＥｎｃｏｄｅｒに入力しても良い。

ＤｅｃｏｄｅｒではＥｎｃｏｄｅｒに入力された時系列の学習成果データに基づき、第１期間以降の単位期間ごとの目標学習成果データを予測する。

例えば、４月～７月の学習成果データが時系列順にＥｎｃｏｄｅｒに入力された場合、Ｄｅｃｏｄｅｒは、まず７月以降の８月の目標学習成果データを予測する。Ｄｅｃｏｄｅｒでは、８月の目標学習成果データを予測すると共に、予測した８月の目標学習成果データを次のＬＳＴＭブロックに入力し、９月の目標学習成果データを予測する。Ｄｅｃｏｄｅｒでは当該処理を繰り返し、１０月以降の目標学習成果データを順次予測して、最終的に単位期間ごとの目標学習成果データを予測する。例えば、４月～７月の学習成果データを学習成果予測モデル１７１に入力し、８月～翌年の３月の目標学習成果データを出力することができる。

なお、Ｓｅｑ２Ｓｅｑは学習成果予測モデル１７１の一例であって、サーバ１は、トランスフォーマー（Transformer）等の他のニューラルネットワークを学習成果予測モデル１７１として生成しても良い。また、学習成果予測モデル１７１はニューラルネットワークに限定されず、例えば決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）など、他の学習アルゴリズムに基づくモデルであっても良い。

例えばサーバ１は、訓練データＤＢ１７２に蓄積された訓練データを用いて、学習成果予測モデル１７１を生成する。訓練データは、第１期間における単位期間ごとの学習成果データと、該第１期間以降の単位期間ごとの目標学習成果データとが対応付けられた組み合わせのデータである。訓練データは、合格者である学習者から収集された大量の学習成果データに基づいて生成される。なお、訓練データは別途人手で作成されたデータであっても良い。

図７は、訓練データの一例を示す説明図である。図７は、学習成果グラフ１３ａを含む。学習成果グラフ１３ａは、学習者の所定期間（例えば、月次）ごとの学習成果データを示すグラフである。グラフの横軸は、学習者の学習期間（例えば、４月～翌年の２月）を示す。グラフの縦軸は、学習成果データの１つの種類である学習量を示す。例えば学習量は、所定期間内の学習者の解答済みの課題数、または所定期間内の学習者の学習時間等である。なお、学習成果は学習量に限定せず、他の学習成果に係る指標（例えば、点数）に基づいて定量化されても良い。

また、学習成果は、学習量と難易度との併用により定量化されても良い。難易度は、例えば段階分けされた課題の正答率ごとに設定される。例えば、正答率が０－２０％の課題は難易度「５」、正答率が２１－４０％の課題は難易度「４」、正答率が４１－６０％の課題は難易度「３」、正答率が６１－８０％の課題は難易度「２」、正答率が８１－１００％の課題は難易度「１」、といったように設定されても良い。

学習成果は、例えば、難易度と学習量との積で定量化できる。難易度「５」の課題に学習量「１０問」を設定した場合の学習成果が５０（５×１０）であり、難易度「４」課題に学習量「１０問」を設定した場合の学習成果が４０（４×１０）である。学習成果は、任意の算出式に基づいて定量化されても良い。

学習者の学習成果データに基づいて、期間と学習量との組み合わせにより訓練データを作成することができる。図示のように、合格者Ａ氏の４月～翌年の２月の学習成果データが学習成果グラフ１３ａに表示される。４月から翌年の２月までのＡ氏の学習成果データから１０組の訓練データを作成することができる。具体的には、先ず４月の学習成果データを入力データとし、５月～翌年の２月の学習成果データを出力データとする１組目の訓練データが作成される。次に、４月及び５月の学習成果データを入力データとし、６月～翌年の２月の学習成果データを出力データとする２組目の訓練データが作成される。このような学習成果データの組み合わせに基づいて、最終的に、４月～翌年の１月の学習成果データを入力とし、翌年の２月の学習成果データを出力とする１０組目の訓練データが作成される。

このように、一人の合格者（目標を達成した学習者）の学習成果データから、複数組の訓練データを生成することができる。従って、合格者である大勢の学習者の学習成果データを用いて、学習成果予測モデル１７１に学習用の訓練データを生成することができる。

続いて、図６に戻り、学習成果予測モデル１７１の生成処理を詳しく説明する。サーバ１は、訓練用の第１期間における単位期間ごとの学習成果データ（入力データ）を学習成果予測モデル１７１に時系列順に入力し、出力層から該第１期間以降の単位期間ごとの目標学習成果データ（出力データ）を取得する。サーバ１は、訓練データに含まれる正解の出力データと、学習成果予測モデル１７１から出力された出力データとを比較し、両者が近似するように、中間層での演算に用いる重み等の各種パラメータを最適化する。

これによりサーバ１は、学習成果予測モデル１７１を生成（構築）する。サーバ１は、生成した学習成果予測モデル１７１を学習モデル管理ＤＢ１７３に記憶する。本実施の形態においてサーバ１は、上記の学習成果予測モデル１７１を用いて単位期間ごとの目標学習成果データの予測を行い、第１期間における単位期間ごとの学習成果データに対し、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に出力する。

図８は、学習成果予測モデル１７１の生成処理の手順を示すフローチャートである。図８に基づき、機械学習を行って学習成果予測モデル１７１を生成する処理の内容について説明する。

サーバ１の制御部１１は、第１期間における単位期間ごとの学習成果データと、該第１期間以降の単位期間ごとの目標学習成果データとが対応付けられた訓練データを大容量記憶部１７の訓練データＤＢ１７２から複数取得する（ステップＳ１０１）。制御部１１は、取得した第１期間における単位期間ごとの学習成果データ、及び該第１期間以降の単位期間ごとの目標学習成果データに基づき、第１期間における単位期間ごとの学習成果データを入力として、該第１期間以降の単位期間ごとの目標学習成果データを出力とする学習成果予測モデル１７１を生成する（ステップＳ１０２）。

例えば、学習成果予測モデル１７１がＳｅｑ２Ｓｅｑに係るニューラルネットワークであり、第１期間における単位期間ごとの時系列の学習成果データを入力として、該第１期間以降の単位期間ごとの時系列の目標学習成果データを出力するニューラルネットワークである。制御部１１は、第１期間における単位期間ごとの学習成果データを時系列順に従って学習成果予測モデル１７１に順次入力し、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に従って順次出力する。制御部１１は、出力された単位期間ごとの目標学習成果データを、訓練データに含まれる正解の目標学習成果データと比較し、両者が近似するように中間層の各種パラメータを最適化して、学習成果予測モデル１７１を生成する。

制御部１１は、生成した学習成果予測モデル１７１を大容量記憶部１７の学習モデル管理ＤＢ１７３に記憶し（ステップＳ１０３）、一連の処理を終了する。具体的には、制御部１１は、生成した学習成果予測モデル１７１に対してモデルＩＤを割り振り、割り振ったモデルＩＤに対応付けて、学習成果予測モデル１７１のファイル及び生成日時を一つのレコードとして学習モデル管理ＤＢ１７３に記憶する。

また、学習する科目ごとに学習成果予測モデル１７１を生成することができる。具体的には、サーバ１は、科目ごとに訓練データを訓練データＤＢ１７２から取得する。例えば、国語用の学習成果予測モデル１７１が生成された場合、サーバ１は、「国語」である科目に対応する訓練データを訓練データＤＢ１７２から複数抽出しても良い。サーバ１は、抽出した訓練データを用いて学習成果予測モデル１７１を生成する。なお、学習成果予測モデル１７１の生成処理に関しては、上述した処理と同様であるため、説明を省略する。

サーバ１は、生成した学習成果予測モデル１７１を学習モデル管理ＤＢ１７３に記憶する。具体的には、サーバ１は、生成した学習成果予測モデル１７１に対してモデルＩＤを割り振り、割り振ったモデルＩＤに対応付けて、学習成果予測モデル１７１のファイル、モデルの種類及び生成日時を一つのレコードとして学習モデル管理ＤＢ１７３に記憶する。

また、学習者の学習レベルごとに学習成果予測モデル１７１を生成することができる。具体的には、サーバ１は、学習者の学習レベルごとに訓練データを訓練データＤＢ１７２から取得する。学習レベルは、例えば学力偏差値である。例えば、偏差値５０用の学習成果予測モデル１７１が生成された場合、サーバ１は、「偏差値５０」である学習レベルに対応する訓練データを訓練データＤＢ１７２から複数抽出しても良い。サーバ１は、抽出した訓練データを用いて学習成果予測モデル１７１を生成し、生成した学習成果予測モデル１７１を学習モデル管理ＤＢ１７３に記憶する。

また、学習者の到達目標レベルごとに学習成果予測モデル１７１を生成することができる。到達目標レベルは、現在の学習レベル（例えば、学力偏差値）より高いレベルである。具体的には、サーバ１は、学習者の到達目標レベルごとに訓練データを訓練データＤＢ１７２から取得する。例えば、目標偏差値５５用の学習成果予測モデル１７１が生成された場合、サーバ１は、「偏差値５５」である到達目標レベルに対応する訓練データを訓練データＤＢ１７２から複数抽出しても良い。サーバ１は、抽出した訓練データを用いて学習成果予測モデル１７１を生成し、生成した学習成果予測モデル１７１を学習モデル管理ＤＢ１７３に記憶する。

更にまた、科目と学習レベルとの組み合わせ、または、科目と到達目標レベルとの組み合わせによって、学習成果予測モデル１７１を生成することができる。例えば、国語偏差値５０モデル用の学習成果予測モデル１７１が生成された場合、サーバ１は、「国語」である科目と「偏差値５０」である学習レベルとに対応する訓練データを訓練データＤＢ１７２から複数抽出しても良い。サーバ１は、抽出した訓練データを用いて学習成果予測モデル１７１を生成し、生成した学習成果予測モデル１７１を学習モデル管理ＤＢ１７３に記憶する。

続いて、生成した学習成果予測モデル１７１の使用方法を説明する。

サーバ１は、第１期間における単位期間ごとの学習成果データを学習成果予測モデル１７１に入力して、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に出力する。サーバ１は、学習者ＩＤに対応付けて、学習成果予測モデル１７１から出力された単位期間ごとの目標学習成果データを学習者ＤＢ１７４に記憶する。

サーバ１は、単位期間ごとの目標学習成果データに基づき、該単位期間ごとの目標学習成果データを示すグラフを生成する。サーバ１は、生成したグラフを端末２に送信する。端末２は、サーバ１から送信されたグラフを受信し、受信したグラフを画面に表示する。なお、目標学習成果データの表示形式に関しては、グラフの形式に限定せず、例えばテキストまたは表の形式であって良い。

なお、サーバ１は、目標学習成果データを示すグラフを生成せず、目標学習成果データを端末２に送信しても良い。この場合、端末２は、サーバ１から送信された目標学習成果データに基づいてグラフを生成しても良い。

また、学習成果予測モデル１７１から出力された目標学習成果データに基づいて、目標を達成したか否かを判定することができる。具体的には、サーバ１は、単位期間（例えば、一ヵ月）が経過したか否かを判定する。サーバ１は、単位期間が経過したと判定した場合、該単位期間の学習者の実際の学習成果データの取得リクエストを端末２に送信する。

端末２は、サーバ１から送信された実際の学習成果データの取得リクエストに応じて、該単位期間の実際の学習成果データを取得する。例えば端末２は、単位期間の学習成果データの入力を受け付けても良い。または、端末２は、例えば課題（問題など）を提供するＥラーニングシステム（e-Learning）を通じて、単位期間の学習成果データを取得しても良い。

Ｅラーニングシステムは、学習を電子化したものであり、パソコン、タブレットまたはスマートフォン等を使ってインターネット等のネットワークを利用して学習するシステムである。学習者が、Ｅラーニングシステム上で提供された課題を学習することにより、学習成果データをＥラーニングシステムに記録することができる。

端末２は、学習者ＩＤと、取得した単位期間の実際の学習成果データとをサーバ１に送信する。サーバ１は、端末２から送信された学習者ＩＤ及び実際の学習成果データを受信する。サーバ１は、受信した該単位期間の実際の学習成果データを学習者ＤＢ１７４に記憶する。サーバ１は、受信した学習者ＩＤに基づいて、該単位期間の目標学習成果データを学習者ＤＢ１７４から取得する。サーバ１は、取得した目標学習成果データを端末２に送信する。端末２は、サーバ１から送信された該単位期間の目標学習成果データを実際の学習成果データと共に画面に表示する。

サーバ１は、該単位期間の実際の学習成果データと、該単位期間の目標学習成果データとを比較する。例えば、学習成果データが学習量（例えば、課題を解く数）である場合、サーバ１は実際の学習量と目標の学習量とを比較しても良い。

サーバ１は、実際の学習量が目標の学習量以上であると判定した場合、目標を達成したと判定する。逆に、サーバ１は、実際の学習量が目標の学習量未満であると判定した場合、目標を達成していないと判定する。サーバ１は、目標を達成していないと判定した場合、目標未達成の旨を含むアラートメッセージを端末２に送信する。端末２は、サーバ１から送信されたアラートメッセージを受信し、受信したアラートメッセージを画面に表示する。

図９は、目標学習成果データを出力する際の処理手順を示すフローチャートである。端末２の制御部２１は、入力部２４を介して学習する科目を受け付ける（ステップＳ２５１）。制御部２１は、学習者の学習レベル（例えば、学力偏差値）の入力を入力部２４により受け付ける（ステップＳ２５２）。制御部２１は、受け付けた科目及び学習レベルを通信部２３によりサーバ１に送信する（ステップＳ２５３）。

サーバ１の制御部１１は、端末２から送信された科目及び学習レベルを通信部１３により受信する（ステップＳ１５１）。制御部１１は、受信した科目及び学習レベルに基づいて、学習成果予測モデル１７１を特定する（ステップＳ１５２）。具体的には、制御部１１は、受信した科目及び学習レベルに対応する学習済みの学習成果予測モデル１７１を大容量記憶部１７の学習モデル管理ＤＢ１７３から取得することにより、学習成果予測モデル１７１を特定する。

なお、図９では、科目及び学習レベルに基づく学習成果予測モデル１７１の特定処理を説明したが、これに限るものではない。例えばサーバ１は、科目または学習レベルのうちのどちらの一方に基づいて学習成果予測モデル１７１を特定しても良い。

なお、上述した処理（ステップＳ２５１～Ｓ２５３、及びステップＳ１５１～１５２）が一度実行された場合、次回から処理の実行を省略することができる。

制御部２１は、第１期間（例えば、４月～６月）における単位期間（例えば、一ヵ月）ごとの学習成果データを取得する（ステップＳ２５４）。ステップＳ２５４の処理により、ステップＳ２５２の処理で受け付けた学習レベルに対応する学習成果データが取得される。制御部２１は、取得した学習成果データを通信部２３によりサーバ１に送信する（ステップＳ２５５）。例えば、制御部２１は、第１期間における単位期間ごとの学習成果データの入力を入力部２４により受け付け、受け付けた学習成果データをサーバ１に送信する。

サーバ１の制御部１１は、端末２から送信された学習成果データを通信部１３により受信する（ステップＳ１５３）。制御部１１は、特定した学習成果予測モデル１７１を用いて、目標学習成果データを取得する（ステップＳ１５４）。具体的には、制御部１１は、特定した学習成果予測モデル１７１に、第１期間における単位期間ごとの学習成果データを時系列順に入力して、該第１期間以降の単位期間ごとの目標学習成果データ（例えば、７月～翌年の２月の目標学習成果データ）を時系列順に出力する。

制御部１１は、取得した該第１期間以降の単位期間ごとの目標学習成果データを通信部１３により端末２に送信する（ステップＳ１５５）。端末２の制御部２１は、サーバ１から送信された目標学習成果データを通信部２３により受信する（ステップＳ２５６）。制御部２１は、受信した目標学習成果データを表示部２５により表示し（ステップＳ２５７）、処理を終了する。

図１０は、目標達成の判定処理を行う際の処理手順を示すフローチャートである。サーバ１の制御部１１は、単位期間（例えば、一ヵ月）が経過したか否かを判定する（ステップＳ１１１）。制御部１１は、単位期間が経過していないと判定した場合（ステップＳ１１１でＮＯ）、待機する。制御部１１は、単位期間が経過したと判定した場合（ステップＳ１１１でＹＥＳ）、単位期間の実際の学習成果データの取得リクエストを通信部１３により端末２に送信する（ステップＳ１１２）。

端末２の制御部２１は、サーバ１から送信された実際の学習成果データの取得リクエストを通信部２３により受信する（ステップＳ２１１）。制御部２１は、受信した取得リクエストに応じて、該単位期間の実際の学習成果データの入力を入力部２４により受け付ける（ステップＳ２１２）。制御部２１は、学習者ＩＤ、及び受け付けた実際の学習成果データを通信部２３によりサーバ１に送信する（ステップＳ２１３）。サーバ１の制御部１１は、端末２から送信された学習者ＩＤ及び実際の学習成果データを通信部１３により受信する（ステップＳ１１３）。

制御部１１は、受信した学習者ＩＤに基づいて、該単位期間の目標学習成果データを大容量記憶部１７の学習者ＤＢ１７４から取得する（ステップＳ１１４）。制御部１１は、取得した目標学習成果データを通信部１３により端末２に送信する（ステップＳ１１５）。端末２の制御部２１は、サーバ１から送信された目標学習成果データを通信部２３により受信する（ステップＳ２１４）。制御部２１は、該単位期間の実際の学習成果データ及び目標学習成果データを表示部２５により表示する（ステップＳ２１５）。

サーバ１の制御部１１は、実際の学習成果データと、取得した目標学習成果データとを比較し、目標を達成したか否かを判定する（ステップＳ１１６）。制御部１１は、目標を達成したと判定した場合（ステップＳ１１６でＹＥＳ）、処理を終了する。制御部１１は、目標を達成していないと判定した場合（ステップＳ１１６でＮＯ）、目標未達成の旨を含むアラートメッセージを通信部１３により端末２に送信する（ステップＳ１１７）。

端末２の制御部２１は、サーバ１から送信されたアラートメッセージを通信部２３により受信する（ステップＳ２１６）。制御部２１は、受信したアラートメッセージを表示部２５により表示し（ステップＳ２１７）、処理を終了する。なお、実際の学習成果データと目標学習成果データとに基づく目標達成の判定処理は、端末２側で行われても良い。

図１１は、目標学習成果データを示すグラフの表示画面の一例を示す説明図である。該画面は、種類選択コンボボックス１１ａ及びグラフ表示欄１１ｂを含む。種類選択コンボボックス１１ａは、学習モデルの種類を選択するためのコンボボックスである。グラフ表示欄１１ｂは、目標学習成果データを示すグラフを表示する表示欄である。

端末２は、種類選択コンボボックス１１ａの選択操作を受け付けた場合、選択された学習モデルの種類、及び第１期間における単位期間ごとの時系列の学習成果データ（例えば、４月～５月の学習成果データ）をサーバ１に送信する。サーバ１は、端末２から送信された学習モデルの種類及び時系列の学習成果データを受信する。サーバ１は、受信した学習モデルの種類に基づき、該当する学習済みの学習成果予測モデル１７１を学習モデル管理ＤＢ１７３から取得する。

サーバ１は、取得した学習成果予測モデル１７１に、受信した第１期間における単位期間ごとの学習成果データを時系列順に入力して、該第１期間以降の単位期間ごとの目標学習成果データ（例えば、６月～翌年の２月の目標学習成果データ）を時系列順に出力する。サーバ１は、出力した時系列の目標学習成果データに基づき、目標学習成果データを示すグラフを生成する。サーバ１は、生成したグラフを端末２に送信する。

端末２は、サーバ１から送信されたグラフを受信し、受信したグラフをグラフ表示欄１１ｂに表示する。図示のように、学習成果データと期間との関係を示す縦棒グラフは、グラフ表示欄１１ｂに表示される。縦棒グラフの横軸は、期間（例えば、４月～翌年の２月）を示す。縦棒グラフの縦軸は、学習成果データ（例えば、学習量）を示す。折れ線は、学習済みの学習成果データと目標学習成果データとを含む学習成果データの推移を示す線である。

実際の学習成果データが取得された場合、実際の学習成果データを目標学習成果データと共にグラフに表示することができる。例えば端末２は、６月の実際の学習成果データを取得した場合、取得した実際の学習成果データをサーバ１に送信する。サーバ１は、端末２から送信された実際の学習成果データを受信し、受信した実際の学習成果データをグラフに反映する。

サーバ１は、実際の学習成果データを反映したグラフを端末２に再送信する。端末２は、サーバ１から再送信されたグラフを受信してグラフ表示欄１１ｂに表示する。図示のように、６月の学習成果において、実際の学習成果データ（実績値）の縦棒と目標学習成果データ（目標値）の縦棒とは同時にグラフに表示される。

なお、実際の学習成果データに基づいてグラフを更新することができる。具体的には、サーバ１は、学習成果予測モデル１７１から出力された目標学習成果データに、端末２から送信された実際の学習成果データを追加した学習成果データを、学習成果予測モデル１７１に入力し、単位期間ごとの目標学習成果データを時系列順に出力する。

サーバ１は、出力した単位期間ごとの時系列の目標学習成果データに基づき、目標学習成果データを示すグラフを更新する。サーバ１は、更新したグラフを端末２に再送信する。端末２は、サーバ１から再送信されたグラフを受信し、受信したグラフをグラフ表示欄１１ｂに表示する。

なお、図１１では縦棒グラフの形式としたが、これに限らず、その他のグラフ形式であっても良い。

なお、本実施形態では、目標達成（合格）向けの学習成果予測モデル１７１の生成処理を説明したが、これに限るものではない。例えば、目標未達成（不合格）向けの学習成果予測モデル１７１を生成しても良い。具体的には、サーバ１は、目標未達成である学習者の第１期間における単位期間ごとの学習成果データと、該第１期間以降の単位期間ごとの目標学習成果データとの関係を学習する機械学習を行い、目標未達成向けの学習成果予測モデル１７１を生成する。目標未達成向けの学習成果予測モデル１７１を用いて、目標を達成する（合格）ための最低の目標学習成果データを取得することができる。

また、ＴＯＥＩＣ（登録商標）等の語学試験、検定試験（例えば、実用英語技能検定）、資格試験または昇進試験等を含むその他の試験向けの学習成果予測モデル１７１を生成しても良い。

本実施形態によると、学習成果予測モデル１７１を用いて、第１期間以降の単位期間ごとの目標学習成果データを予測することが可能となる。

本実施形態によると、学習する科目ごとに学習成果予測モデル１７１を作成することにより、科目ごとに目標学習成果データを予測することが可能となる。

本実施形態によると、学習者の学習レベルまたは到達目標レベルごとに学習成果予測モデル１７１を作成することにより、学習者の現状または目標に合わせて適当な目標学習成果データを予測することが可能となる。

本実施形態によると、実際の学習成果データと学習成果予測モデル１７１により予測された目標学習成果データとに基づき、目標を達成したか否かを判定することが可能となる。

本実施形態によると、目標を達成していないと判定した場合にアラートメッセージを出力することにより、学習者に該目標に向けた学習を促すことが可能となる。

（実施形態２）
実施形態２は、目標を達成するために学習すべき課題を、学習成果予測モデル１７１から予測された目標学習成果データと共に出力する形態に関する。なお、実施形態１と重複する内容については説明を省略する。

図１２は、実施形態２のサーバ１の構成例を示すブロック図である。図２と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、課題ＤＢ１７５及び進捗ＤＢ１７６が記憶されている。課題ＤＢ１７５は、目標学習成果データに応じて、目標を達成するために学習すべき課題を記憶している。進捗ＤＢ１７６は、学習者が学習した課題の進捗状況を記憶している。

図１３は、課題ＤＢ１７５及び進捗ＤＢ１７６のレコードレイアウトの一例を示す説明図である。
課題ＤＢ１７５は、課題ＩＤ列、科目列、学習レベル列、課題名称列、サムネイル画像列、ページ列及び課題数列を含む。課題ＩＤ列は、各課題を識別するために、一意に特定される課題のＩＤを記憶している。科目列は、課題の科目を記憶している。学習レベル列は、学習レベル（例えば、学力偏差値）を記憶している。課題名称列は、課題の名称を記憶している。サムネイル画像列は、課題のサムネイル画像を記憶している。ページ列は、課題のページを記憶している。課題数列は、課題のページに対応する課題数を記憶している。

進捗ＤＢ１７６は、学習者ＩＤ列、科目列、月列、実際学習成果列及び課題ＩＤ列を含む。学習者ＩＤ列は、各学習者を識別するために、一意に特定される学習者のＩＤを記憶している。科目列は、学習する科目を記憶している。月列は、学習者が学習した月を記憶している。実際学習成果列は、月ごとの実際の学習成果データを記憶している。課題ＩＤ列は、課題を特定する課題ＩＤを記憶している。

図１４は、学習すべき課題を目標学習成果データと共に出力する際の処理手順を示すフローチャートである。なお、図１４では、目標学習成果データが解答すべき課題数である例を説明するが、他の種類の学習成果データにも同様に適用することができる。

端末２の制御部２１は、学習者が学習する科目、学習者の学習レベルの入力を入力部２４により受け付ける（ステップＳ２３１）。制御部２１は、受け付けた科目及び学習レベルを通信部２３によりサーバ１に送信する（ステップＳ２３２）。サーバ１の制御部１１は、端末２から送信された科目及び学習レベルを通信部１３により受信する（ステップＳ１３１）。

制御部１１は、受信した科目及び学習レベルに基づき、学習成果予測モデル１７１を特定する（ステップＳ１３２）。具体的には、制御部１１は、受信した科目及び学習レベルに対応する学習済みの学習成果予測モデル１７１を大容量記憶部１７の学習モデル管理ＤＢ１７３から取得することにより、学習成果予測モデル１７１を特定する。

なお、上述した処理（ステップＳ２３１～Ｓ２３２、及びステップＳ１３１～１３２）が一度実行された場合、次回から処理の実行を省略することができる。

制御部２１は、対象期間（例えば、４月～６月）の実際の学習成果データの入力を入力部２４により受け付けた場合（ステップＳ２３３）、受け付けた実際の学習成果データを通信部２３によりサーバ１に送信する（ステップＳ２３４）。実際の学習成果データは、解題ＩＤ及び解答済みの課題数を含む。なお、課題を提供するＥラーニングシステムが利用された場合、制御部２１は、Ｅラーニングシステム上に記録された対象期間の実際の学習成果データを取得しても良い。

サーバ１の制御部１１は、端末２から送信された対象期間の実際の学習成果データを通信部１３により受信する（ステップＳ１３３）。制御部１１は、受信した実際の学習成果データを大容量記憶部１７の進捗ＤＢ１７６に記憶する（ステップＳ１３４）。具体的には、制御部１１は課題ＩＤに対応付けて、対象期間（例えば、６月）の解答数及び課題ＩＤを進捗ＤＢ１７６に記憶する。

制御部１１は、学習者の目標学習成果データを取得する（ステップＳ１３５）。具体的には、制御部１１は、受信した対象期間（例えば、４月～６月）の学習成果データを、特定した学習成果予測モデル１７１に入力して、該対象期間以降の単位期間ごとの目標学習成果データを取得する。なお、制御部１１は学習者ＩＤに基づいて、学習者ＤＢ１７４に記憶された該学習者の目標学習成果データを取得しても良い。

制御部１１は、取得した目標学習成果データに応じて、目標を達成するために学習すべき課題を特定する処理のサブルーチンを実行する（ステップＳ１３６）。なお、学習すべき課題の特定処理のサブルーチンに関しては後述する。

制御部１１は、取得した目標学習成果データ、及び該目標学習成果データに応じて特定した課題に関する情報を通信部１３により端末２に送信する（ステップＳ１３７）。課題に関する情報は、例えば課題ＩＤ、課題名称、サムネイル画像、課題のページ、及び課題のページに対応する課題数等を含む。

端末２の制御部２１は、サーバ１から送信された目標学習成果データ及び課題に関する情報を通信部２３により受信する（ステップＳ２３５）。制御部２１は、対象期間内の実際の学習成果データを、受信した目標学習成果データ及び課題に関する情報と共に表示部２５により表示し（ステップＳ２３６）、処理を終了する。

図１５は、学習すべき課題を特定する処理のサブルーチンの処理手順を示すフローチャートである。サーバ１の制御部１１は、科目及び学習レベルに基づいて、該当する課題の課題ＩＤを大容量記憶部１７の課題ＤＢ１７５から抽出する（ステップＳ１１）。制御部１１は、学習者ＩＤに基づいて、該学習者が学習終了した課題（学習終了課題）の課題ＩＤを大容量記憶部１７の進捗ＤＢ１７６から取得する（ステップＳ１２）。

制御部１１は、取得した学習終了の課題ＩＤに基づいて、学習者が学習していない課題（未学習課題）の課題ＩＤを課題ＤＢ１７５から抽出する（ステップＳ１３）。制御部１１は、抽出した未学習の課題ＩＤと目標学習成果データとに基づいて、学習すべき課題の課題ＩＤを課題ＤＢ１７５から抽出する（ステップＳ１４）。ここで抽出は、例えば課題ＩＤの小さい順に課題数の合計が目標学習成果に到達するまで行われる。制御部１１は、抽出した学習すべき課題の課題ＩＤに基づいて、学習すべき課題に関する情報を課題ＤＢ１７５から取得する（ステップＳ１５）。制御部１１は、学習すべき課題の特定処理のサブルーチンを終了してリターンする。

図１６は、目標学習成果データ及び課題を示すグラフの表示画面の一例を示す説明図である。なお、図１１と重複する内容については同一の符号を付して説明を省略する。該画面は、課題表示欄１２ａ及び進捗表示欄１２ｂを含む。課題表示欄１２ａは、目標学習成果データに応じて特定された課題の名称及びサムネイル画像を表示する表示欄である。進捗表示欄１２ｂは、課題の進捗状況を表示する表示欄である。なお、進捗表示欄１２ｂは、進捗状況を示すプログレスバーであって良く、または進捗率等を含む進捗情報を表示するためのテキストフィールドであって良く。

端末２は、種類選択コンボボックス１１ａにより選択された学習モデルの種類、及び第１期間における単位期間ごとの時系列の学習成果データをサーバ１に送信する。サーバ１は、端末２から送信された学習モデルの種類及び時系列の学習成果データを受信する。サーバ１は、受信した学習モデルの種類に基づき、該当する学習済みの学習成果予測モデル１７１を学習モデル管理ＤＢ１７３から取得する。

サーバ１は、取得した学習成果予測モデル１７１に、受信した第１期間（例えば、４月～５月）における単位期間ごとの学習成果データを時系列順に入力して、該第１期間以降の単位期間ごとの目標学習成果データを時系列順に出力する。サーバ１は、出力した時系列の目標学習成果データに基づき、目標学習成果データを示すグラフを生成する。

サーバ１は、学習モデルの種類に対応する科目と、出力した目標学習成果データとに応じて、目標を達成するために学習すべき課題を特定する。なお、学習すべき課題の特定処理に関しては、図１５の処理と同様であるため、説明を省略する。図示のように、「チャート式基礎 p.33-35 問題1-5」及び「数学問題集 p121-123 問題１－９」が特定される。

サーバ１は、課題ＤＢ１７５から抽出された課題数と、進捗ＤＢ１７６から取得された学習終了の課題数とに基づき、各課題の進捗率を算出する。なお、課題を提供するＥラーニングシステムが利用された場合、サーバ１は、Ｅラーニングシステム上に記録された学習すべき課題及び該課題の進捗状況（例えば、正答率または進捗率）を取得しても良い。サーバ１は、生成したグラフと、目標を達成するために学習すべき各課題に関する情報、及び各課題の進捗率を端末２に送信する。

端末２は、サーバ１から送信されたグラフ、各課題に関する情報（例えば、課題ＩＤ、課題名称、サムネイル画像及び課題のページ等）及び各課題の進捗率を受信する。端末２は、受信したグラフをグラフ表示欄１１ｂに表示し、課題のサムネイル画像、課題名称（例えば、チャート式基礎）及び課題のページ（例えば、ｐ．３３－３５ 問題１－５）を課題表示欄１２ａに表示し、進捗状況を進捗表示欄１２ｂに表示する。なお、グラフの表示に関しては、図１１と同様であるため、説明を省略する。

また、実際の学習成果データ（例えば、６月）が取得された場合、実際の学習成果データを目標学習成果データと共にグラフに表示する。なお、実際の学習成果データと目標学習成果データとの表示処理に関しては、図１１と同様であるため、説明を省略する。この場合、サーバ１は、課題ＩＤに基づいて、進捗ＤＢ１７６に記憶された解答済みの解答数と、実際の学習成果データに含まれている解答済みの解答数とに基づき、課題の進捗率を再算出する。サーバ１は、算出した課題の進捗率を進捗表示欄１２ｂに表示する。

本実施形態によると、目標学習成果データと、目標を達成するために学習すべき課題とを同時に出力することにより、適切な難易度の課題を提案することが可能となる。

本実施形態によると、目標学習成果データと、学習すべき課題の進捗状況とを同時に出力することにより、学習者の学習状況を把握することが可能となる。

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ 情報処理装置（サーバ）
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 読取部
１７ 大容量記憶部
１７１ 学習成果予測モデル
１７２ 訓練データＤＢ
１７３ 学習モデル管理ＤＢ
１７４ 学習者ＤＢ
１７５ 課題ＤＢ
１７６ 進捗ＤＢ
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
１Ｐ 制御プログラム
２ 情報処理端末（端末）
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 表示部
２Ｐ 制御プログラム

Claims (10)

1. 第１期間における学習者の学習成果を示す単位期間ごとの学習成果データを時系列で取得する第１取得部と、
   前記第１取得部が取得した時系列の学習成果データを、前記単位期間ごとの学習成果データと、前記第１期間以降の目標達成のために必要な単位期間ごとの学習成果である目標学習成果データとの関係を学習した学習モデルに入力して、前記単位期間ごとの目標学習成果データを時系列順に出力する第１出力部と、
   前記単位期間が経過した場合に、前記学習者の実際の学習成果データを取得する第２取得部とを備え、
   前記第１出力部は、前記単位期間ごとの目標学習成果データと、前記第２取得部が取得した実際の学習成果データとを比較可能に出力し、
   さらに、
   前記第２取得部が取得した実際の学習成果データと、前記第１出力部が出力した目標学習成果データとに基づいて、目標を達成したか否かを判定する判定部と、
   前記判定部が目標を達成していないと判定した場合、アラートメッセージを出力する第２出力部とを備え、
   前記第１出力部は、前記第１取得部が取得した学習成果データに、前記第２取得部が取得した学習成果データを追加した学習成果データを前記学習モデルに入力して、前記単位期間ごとの目標学習成果データを出力する
   情報処理装置。
2. 前記学習成果は、学習量により定量化された数値である
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記学習モデルは、学習する科目ごとに作成され、
   前記第１取得部は、前記学習モデルの科目に対応する学習成果データを取得する
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記学習モデルは、前記学習者の学習レベルごとに作成され、
   前記第１取得部は、前記学習モデルの学習レベルに対応する学習成果データを取得する
   ことを特徴とする請求項１から３までのいずれかひとつに記載の情報処理装置。
5. 前記学習モデルは、前記学習者の到達目標レベルごとに作成されている
   ことを特徴とする請求項１から４までのいずれかひとつに記載の情報処理装置。
6. 前記第１出力部は、前記単位期間ごとの目標学習成果データを示すグラフを出力する
   ことを特徴とする請求項１から５までのいずれかひとつに記載の情報処理装置。
7. 前記学習者の学習レベルを取得する第３取得部を備え、
   前記第１出力部が出力した目標学習成果データに応じて、目標を達成するために学習すべき課題を、前記第３取得部が取得した学習レベル毎に対応付けられた課題から特定する特定部と、
   前記特定部が特定した課題を、前記第１出力部が出力した目標学習成果データと共に出力する第３出力部と
   を備える請求項１から６までのいずれかひとつに記載の情報処理装置。
8. 前記学習者が学習した前記課題の進捗状況を取得する第４取得部を備え、
   前記第３出力部は、前記第４取得部が取得した前記進捗状況を、前記第１出力部が出力した目標学習成果データと共に出力する
   ことを特徴とする請求項７に記載の情報処理装置。
9. 第１期間における学習者の学習成果を示す単位期間ごとの学習成果データを時系列で取得し、
   取得した時系列の学習成果データを、前記単位期間ごとの学習成果データと、前記第１期間以降の目標達成のために必要な単位期間ごとの学習成果である目標学習成果データとの関係を学習した学習モデルに入力して、前記単位期間ごとの目標学習成果データを時系列順に出力し、
   前記単位期間が経過した場合に、前記学習者の実際の学習成果データを取得し、
   前記単位期間ごとの目標学習成果データと、取得した実際の学習成果データとを比較可能に出力し、
   取得した実際の学習成果データと、出力した目標学習成果データとに基づいて、目標を達成したか否かを判定し、
   目標を達成していないと判定した場合、アラートメッセージを出力し、
   取得した学習成果データに、取得した学習成果データを追加した学習成果データを前記学習モデルに入力して、前記単位期間ごとの目標学習成果データを出力する
   処理をコンピュータが実行する情報処理方法。
10. 第１期間における学習者の学習成果を示す単位期間ごとの学習成果データを時系列で取得し、
    取得した時系列の学習成果データを、前記単位期間ごとの学習成果データと、前記第１期間以降の目標達成のために必要な単位期間ごとの学習成果である目標学習成果データとの関係を学習した学習モデルに入力して、前記単位期間ごとの目標学習成果データを時系列順に出力し、
    前記単位期間が経過した場合に、前記学習者の実際の学習成果データを取得し、
    前記単位期間ごとの目標学習成果データと、取得した実際の学習成果データとを比較可能に出力し、
    取得した実際の学習成果データと、出力した目標学習成果データとに基づいて、目標を達成したか否かを判定し、
    目標を達成していないと判定した場合、アラートメッセージを出力し、
    取得した学習成果データに、取得した学習成果データを追加した学習成果データを前記学習モデルに入力して、前記単位期間ごとの目標学習成果データを出力する
    処理をコンピュータに実行させるプログラム。

Images