JP7775603B2 - 情報処理装置、情報処理方法、プログラム及びモデル生成方法 - Google Patents

Description

本発明は、学習に関する情報を出力する技術に関する。

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を記憶しているにすぎず、目標を達成するために必要な学習計画を自動的に作成することはできない。

本発明は、例えば、上記のような課題を解決するためになされたものであり、学習者に対し、所定の条件毎に、目標を達成するために必要な学習に関する情報を出力する情報処理装置を提供することにある。

本発明の１つの観点では、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データと、の関係を学習した学習済モデルを取得するモデル取得部と、学習者の学力を表す学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得部と、前記履歴取得部が取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記学習目標データを時系列に出力する目標出力部と、前記目標出力部が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力部と、前記学習レベルを含む条件毎に、訓練データを用いて、前記第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、前記学習済モデルを生成するモデル生成部と、前記学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで訓練データを生成する訓練データ生成部と、を備え、前記訓練データ生成部は、１人の学習者の学習履歴データから複数組の訓練データを生成する。この態様によれば、情報処理装置は、学習者の学力に応じた学習目標データを学習者に提供することができる。また、情報処理装置は、具体的に取り組むべき推薦問題を学習者に提供することができる。また、この態様によれば、情報処理装置は、訓練データを用いて、学習者の学力など任意の条件に対応する学習済モデルを生成することができる。また、情報処理装置は、目標を達成した１人の学習者の学習履歴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。

上記の情報処理装置の一態様では、前記条件は、学習内容の分野を含む。この態様によれば、情報処理装置は、例えば、数学における「三角関数」や「微積分」といった各分野にそれぞれ対応する学習目標データを学習者に提供することができる。また、情報処理装置は、各分野にそれぞれ対応する学習済モデルを生成することができる。

上記の情報処理装置の一態様では、前記条件は、学習内容に含まれる問題の難易度を含む。この態様によれば、情報処理装置は、問題の難易度毎に学習目標データを学習者に提供することができる。また、情報処理装置は、問題の各難易度にそれぞれ対応する学習済モデルを生成することができる。

上記の情報処理装置の一態様では、前記条件は、学習内容の分野及び前記学習内容に含まれる問題の難易度を含み、前記問題と、前記問題の難易度とを対応付けた問題情報を記憶する問題情報記憶部と、前記学習目標データに基づいて前記問題情報記憶部から、前記分野及び前記問題の難易度毎に前記推薦問題を特定する問題特定部と、を備え、前記問題出力部は、前記分野及び前記問題の難易度毎に、特定した推薦問題を出力する。この態様によれば、情報処理装置は、各分野においてそれぞれ問題の難易度毎に、具体的に取り組むべき推薦問題を学習者に提供することができる。

上記の情報処理装置の一態様では、前記問題情報記憶部は、前記問題を含む媒体と、当該媒体における問題の場所とをさらに対応付けて記憶しており、前記問題出力部は、前記推薦問題、又は、前記推薦問題を含む媒体及び当該媒体における推薦問題の場所を出力する。この態様によれば、情報処理装置は、各分野においてそれぞれ問題の難易度毎に、推薦問題が記載された媒体と、その場所とを学習者に提供することができる。これにより、学習者は、例えば、テキストの名称と、当該テキストにおいて推薦問題が記載されているページとを容易に認識することができる。

本発明の別の観点では、情報処理装置が実行する情報処理方法は、学習者の学力を表す学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習内容を示す学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで、１人の学習者の学習履歴データから複数組の訓練データを生成する訓練データ生成工程と、前記学習レベルを含む条件毎に、訓練データを用いて、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、学習済モデルを生成するモデル生成工程と、前記学習済モデルを取得するモデル取得工程と、前記学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得工程と、前記履歴取得工程により取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記学習目標データを時系列に出力する目標出力工程と、前記目標出力工程が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力工程と、を有する。情報処理装置は、この情報処理方法を実行することで、目標を達成した１人の学習者の学習履歴データから生成した複数組の訓練データを用いて、学習者の学力など任意の条件に対応する学習済モデルを生成することができる。また、情報処理装置は、この情報処理方法を実行することで、学習者の学力など任意の条件に対応する学習目標データを学習者に提供することができる。また、情報処理装置は、この情報処理方法を実行することで、具体的に取り組むべき推薦問題を学習者に提供することができる。

本発明の別の観点では、コンピュータによって実行されるプログラムは、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データと、の関係を学習した学習済モデルを取得するモデル取得部、学習者の学力を表す学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得部、前記履歴取得部が取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記条件に対応する学習目標データを時系列に出力する目標出力部、前記目標出力部が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力部、前記学習レベルを含む条件毎に、訓練データを用いて、前記第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、前記学習済モデルを生成するモデル生成部、前記学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで訓練データを生成する訓練データ生成部、として前記コンピュータを機能させ、前記訓練データ生成部は、１人の学習者の学習履歴データから複数組の訓練データを生成する。このプログラムをコンピュータにインストールして実行させることで、本発明に係る情報処理装置を構成させることができる。

本発明に係る情報処理装置によれば、学習者に対し、所定の条件毎に、目標を達成するために必要な学習に関する情報を出力することができる。

本発明のサーバを適用した学習目標予測システムの構成を示す。 サーバのハードウェア構成を示すブロック図である。 訓練データＤＢのデータ構成の一例である。 モデル管理ＤＢを説明する図である。 学習履歴ＤＢのデータ構成の一例である。 問題ＤＢのデータ構成の一例である。 サーバの機能構成を示すブロック図である。 端末装置のハードウェア構成を示すブロック図である。 学習目標予測モデルを説明する図である。 訓練データを説明する図である。 科目別目標画面の一例である。 分野別目標画面の一例である。 サーバによるモデル生成処理のフローチャートである。 目標画面表示処理のフローチャートである。 サーバによる推薦問題特定処理のフローチャートである。

以下、図面を参照しながら、本発明の実施の形態について説明する。
［全体構成］
図１は、本発明のサーバを適用した学習目標予測システムの構成を示す。学習目標予測システム１００は、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データに基づき、人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いて、当該第１期間以降における目標達成のために必要な学習内容を示す単位期間毎の学習目標データを予測して出力するシステムである。学習目標予測システム１００は、サーバ１０及び端末装置２０を含んでおり、インターネット等のネットワーク５を介してそれぞれ通信可能に構成されている。

サーバ１０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って、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。端末装置２０は、学習履歴データの受付及び送信、並びに、学習目標データの受信及び表示等を行う情報処理機器であって、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である。

本実施形態に係るサーバ１０は、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データを時系列で取得する。サーバ１０は、取得した時系列の学習履歴データを、第１期間における単位期間毎の学習履歴データと、当該第１期間以降において目標を達成するために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習した学習済モデルに入力して、当該第１期間以降の単位期間毎の学習目標データを時系列順に出力する。さらに、サーバ１０は、学習目標データに基づいて、学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する。なお、学習済モデルに関しては後述する。サーバ１０は、出力した時系列の学習目標データ及び推薦問題情報を端末装置２０に送信する。端末装置２０は、受信した学習目標データ及び推薦問題情報に基づいて、学習目標データに基づくグラフや推薦問題を表示する。

［サーバの構成］
図２は、サーバ１０のハードウェア構成を示すブロック図である。サーバ１０は、通信部１１と、制御部１２と、記憶部１３と、記録媒体１４と、表示部１５と、入力部１６とを備える。なお、これらの構成要素と、訓練データデータベース（以下、「データベース」を「ＤＢ」と記す。）３１と、モデル管理ＤＢ３２と、学習履歴ＤＢ３３と、問題ＤＢ３４とは、バス１９を介して相互に接続されている。

なお、サーバ１０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。

通信部１１は、ネットワーク５を通じて端末装置２０と通信を行うための通信ユニットである。具体的に、通信部１１は、端末装置２０へ学習目標データや推薦問題情報を送信したり、端末装置２０から後述する条件データを受信したりする。

制御部１２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１３に記憶されたプログラムを読み出して実行することにより、サーバ１０に係る種々の情報処理、制御処理等を行う。なお、プログラムは、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１２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１３はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のメモリ素子を含み、制御部１２が処理を実行するために必要なプログラム又はデータ等を記憶している。また、記憶部１３は、制御部１２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。

記録媒体１４は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、サーバ１０に対して着脱可能に構成される。記録媒体１４は、制御部１２が実行する各種プログラムを記録している。サーバ１０が生成処理や推薦問題表示処理を実行する際には、記録媒体１４に記録されているプログラムが記憶部１３にロードされ、制御部１２により実行される。

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１２の指示に従い各種情報を表示する。入力部１６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１２へ出力する。

訓練データＤＢ３１は、各種条件に対応する学習目標予測モデルの学習に用いる訓練データを記憶している。学習目標予測モデルは、第１期間における単位期間毎の学習履歴データに基づいて、当該第１期間以降の単位期間毎の学習目標データを予測（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モデルである。訓練データは、学習目標予測モデルを構築（生成）するためのデータである。

図３は、訓練データＤＢ３１のデータ構成の一例である。訓練データＤＢ３１は、各訓練データを識別する訓練ＩＤと、学習目標予測モデルの学習において入力される入力データと、当該入力データに対応する正解データとが対応付けられている。入力データは、条件データ及び学習履歴データから構成され、正解データは、学習目標データから構成される。

条件データは、学習履歴データに対応する条件に関するデータであって、科目、分野、難易度、学習レベル、目標レベル等を含む。科目は、例えば、「国語」や「数学」等であり、学習者が学習した科目である。分野は、例えば、「三角関数」や「微積分」等であり、各科目に含まれる学習者が学習した分野である。難易度は、例えば、１～５等の数値で段階的に表されており、学習者が学習した問題の難易度である。学習レベルは、所定の時期（例えば、受験時期の１年前）における学習者の学力を表すレベルであり、例えば、「偏差値４５」や「偏差値５０」等である。目標レベルは、所定の時期（例えば、受験時期）における学習者の学力を表すレベルであり、例えば、「偏差値６０」や「偏差値６５」等である。

なお、本実施形態において難易度は、問題の難易、正答率の高低など任意の概念に基づくものであって、項目応答理論（ＩＲＴ：Ｉｔｅｍ Ｒｅｓｐｏｎｓｅ Ｔｈｅｏｒｙ）等を用いて各問題を評価することで設定してもよいし、予め人為的に設定されていてもよい。

学習履歴データは、第１期間における単位期間毎の学習履歴データであって、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、本実施形態における学習履歴データは、学習者が取り組んだ問題（以下、「実績問題」とも呼ぶ。）の数を月単位で示す月別実績問題数である。学習目標データは、第１期間以降の単位期間毎の学習目標データであって、学習履歴データと同様に、学習者の学習量に基づいて定量化された数値である。例えば、本実施形態における学習目標データは、学習者が目標達成のために取り組む必要がある問題（以下、「目標問題」とも呼ぶ。）の数を月単位で示す月別目標問題数である。

なお、単位期間は１月といった月単位に限定されるものではなく、１週間といった週単位など任意に適用することができる。

モデル管理ＤＢ３２は、学習目標予測モデルと、当該学習目標予測モデルに関する情報とを対応付けて記憶している。図４は、モデル管理ＤＢ３２を説明する図である。図４（ａ）に示すように、モデル管理ＤＢ３２は、学習目標予測モデルを識別するモデルＩＤに対応付けて、科目、分野、難易度、学習レベル、目標レベル等から構成される条件毎に生成された学習目標予測モデルを記憶している。

例えば、図示のように、モデル管理ＤＢ３２は、モデルＩＤ「Ｍ００１」に対応付けて、科目「数学」、分野「三角関数」、難易度「１」という条件に対応する学習目標予測モデル５０ａを記憶している。また、管理ＤＢ３２は、モデルＩＤ「Ｍ００５」に対応付けて、科目「数学」、分野「三角関数」、難易度「５」という条件に対応する学習目標予測モデル５０ｂを記憶している。また、モデル管理ＤＢ３２は、モデルＩＤ「Ｍ０１１」に対応付けて、科目「数学」、分野「微積分」、難易度「１」という条件に対応する学習目標予測モデル５０ｃを記憶している。また、モデル管理ＤＢ３２は、モデルＩＤ「Ｍ０１５」に対応付けて、科目「数学」、分野「微積分」、難易度「５」という条件に対応する学習目標予測モデル５０ｄを記憶している。

図４（ｂ）は、モデル管理ＤＢ３２のデータ構成の一例である。具体的に、モデル管理ＤＢ３２は、モデルＩＤに対応付けて、条件データ及び学習目標予測モデルを記憶している。条件データは、学習目標予測モデルに対応する条件に関するデータであって、科目、分野、難易度、学習レベル、目標レベル等を含む。学習目標予測モデルは、具体的に、学習済みの学習目標予測モデルのファイルを記憶している。

学習履歴ＤＢ３３は、学習者と、当該学習者の学習履歴データとを対応付けて記憶している。図５は、学習履歴ＤＢ３３のデータ構成の一例である。学習履歴ＤＢ３３は、学習者を識別する学習者ＩＤと、学習者の学習履歴データと、学習履歴データに対応する条件データとが対応付けられている。条件データは、学習履歴データに対応する条件に関するデータであって、科目、分野、難易度、学習レベル、目標レベル等を含む。学習履歴データは、学習者の学習量に基づいて定量化された数値であって、例えば、月単位の実績問題数と、学習者が取り組んだ問題を識別する問題ＩＤを含む。

なお、本実施形態では、一例として、端末装置２０は使用する学習者の学習者ＩＤが予め紐付けられており、学習者が端末装置２０を使用して学習した学習履歴データは、自動的にサーバ１０の学習履歴ＤＢ３３に記憶されるものとする。また、条件データは、学習履歴データに基づいてサーバ１０が自動的に取得してもよいし、学習者等が人為的にサーバ１０に入力してもよい。サーバ１０による学習履歴データ及び条件データの取得方法は、これらに限定されるものではなく、任意に設定することができる。

問題ＤＢ３４は、問題を識別する問題ＩＤに対応付けて問題に関する情報を記憶している。図６は、問題ＤＢ３４のデータ構成の一例である。問題ＤＢ３４は、問題を識別する問題ＩＤと、科目と、分野と、難易度と、問題集名称と、サムネイル画像と、ページと、問題データとが対応付けられている。科目、分野、難易度は、それぞれ問題の科目、分野、難易度である。問題集名称は、問題が含まれる参考書やテキストといった問題集の名称である。サムネイル画像は、問題に対応するサムネイル画像であって、例えば、問題が含まれる問題集の表紙画像等である。ページは、問題集において問題が記載されているページである。問題データは、問題を表示するためのデータである。

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よい。また、各ＤＢは、例えばＨＤＤ（Ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録媒体により実現される。本実施形態において、記憶部１３と各種ＤＢは一体の記憶装置として構成されていてもよいし、別々の記憶装置であってもよい。また、各種ＤＢは、サーバ１０に接続された外部記憶装置であってもよく、その構成は任意に設定することができる。

図７は、サーバの機能構成を示すブロック図である。サーバ１０は、機能的には、訓練データ取得部４１と、学習目標予測モデル特定部４２と、学習目標予測モデル生成部４３と、学習履歴データ取得部４４と、学習目標予測部４５と、推薦問題特定部４６と、訓練データＤＢ３１と、モデル管理ＤＢ３２と、学習履歴ＤＢ３３、問題ＤＢ３４と、を備える。

なお、訓練データ取得部４１、学習目標予測モデル特定部４２、学習目標予測モデル生成部４３、学習履歴データ取得部４４、学習目標予測部４５及び推薦問題特定部４６は、制御部１２がプログラムを実行することにより実現される。

訓練データ取得部４１は、訓練データＤＢ３１から、学習目標予測モデルの学習に用いる訓練データを取得する。

学習目標予測モデル特定部４２は、学習履歴データに対応付けられた条件データに基づいて、モデル管理ＤＢ３２を参照し、条件に対応する学習目標予測モデルを特定する。

具体的に、学習目標予測モデル特定部４２は、訓練データに含まれる学習履歴データに対応付けられた条件データに基づいて、科目、分野、難易度、学習レベル、目標レベル等の条件を特定し、当該条件に対応する学習目標予測モデルを、モデル管理ＤＢ３２を参照して特定する。また、学習目標予測モデル特定部４２は、後述する学習履歴データ取得部４４が取得した学習履歴データに対応付けられた条件データに基づいて、科目、分野、難易度、学習レベル、目標レベル等の条件を特定し、当該条件に対応する学習目標予測モデルを、モデル管理ＤＢ３２を参照して特定する。

学習目標予測モデル生成部４３は、取得した訓練データに基づいて、条件毎に、学習履歴データを入力とし、学習目標データを出力とする学習目標予測モデルを生成する。具体的には、学習目標予測モデル生成部４３は、取得した訓練データに基づいて、学習目標予測モデル特定部４２により特定された学習目標予測モデルを学習する。

例えば、学習目標予測モデルは、Ｓｅｑ２Ｓｅｑに係るニューラルネットワークであり、訓練データに基づいて、所定期間における月単位の時系列の学習履歴データを入力とし、当該所定期間以降における月単位の時系列の学習目標データを出力とする。サーバ１０は、出力された月単位の学習目標データを、訓練データの正解データに含まれる学習目標データと比較し、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、学習目標予測モデルを生成する。

なお、学習目標予測モデル生成部４３により生成及び学習した学習目標予測モデルは、モデル管理ＤＢ３２に記憶される。

学習履歴データ取得部４４は、学習履歴ＤＢ３３から、学習履歴データを取得する。

学習目標予測部４５は、学習目標予測モデル特定部４２が特定した学習目標予測モデルを用いて、学習履歴データ取得部４４が取得した学習履歴データから、目標達成のために学習者に必要な学習内容を予測し、学習目標データを出力する。

推薦問題特定部４６は、学習目標予測部４５が出力した学習目標データに基づいて、問題ＤＢ３４を参照し、学習者が目標達成のために取り組むべき問題である推薦問題を特定する。具体的に、推薦問題特定部４６は、まず、学習目標データに基づいて、目標問題数を特定する。また、推薦問題特定部４６は、学習履歴データ取得部４４が取得した学習履歴データに基づいて、学習履歴ＤＢ３３を参照し、学習者が既に取り組んだ実績問題の問題ＩＤを特定する。そして、推薦問題特定部４６は、目標問題数となるように、問題ＤＢ３４から、条件に対応する問題であって、学習者が既に取り組んだ実績問題ではない問題を、各月単位で推薦問題に特定する。

また、推薦問題特定部４６は、問題ＤＢ３４から推薦問題に関する情報を取得し、推薦問題情報として出力する。具体的に、推薦問題特定部４６は、問題ＤＢ３４から、推薦問題の問題集名称、サムネイル画像、ページ、問題データ等を取得し、推薦問題情報として出力する。

上記の構成において、サーバ１０の学習目標予測モデル生成部４３、学習履歴データ取得部４４、学習目標予測部４５は、それぞれ本発明のモデル生成部、履歴取得部及び目標出力部の一例である。また、サーバ１０の推薦問題特定部４６は、本発明の問題出力部及び問題特定部の一例である。

［端末装置の構成］
図８は、端末装置２０のハードウェア構成を示すブロック図である。端末装置２０は、通信部２１と、制御部２２と、記憶部２３と、表示部２５と、入力部２６とを備える。なお、これらの構成要素は、バス２９を介して相互に接続されている。

通信部２１は、ネットワーク５を通じてサーバ１０と通信を行うための通信ユニットである。具体的に、通信部２１は、サーバ１０へ条件データを送信したり、サーバ１０から学習目標データや推薦問題情報を受信したりする。

制御部２２は、ＣＰＵ、ＭＰＵ、ＧＰＵ等の演算処理装置を含み、記憶部２３に記憶されたプログラムを読み出して実行することにより、端末装置２０に係る種々の情報処理、制御処理等を行う。なお、図８では制御部２２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２３はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部２２が処理を実行するために必要なプログラム又はデータ等を記憶している。また、記憶部２３は、制御部２２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。

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２２の指示に従い各種情報を表示する。入力部２６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２２へ出力する。

［学習目標予測モデル］
図９は、学習目標予測モデルを説明する図である。本実施形態においてサーバ１０は、第１期間における単位期間毎の学習履歴データと、第１期間以降の単位期間毎の学習目標データとの関係を学習し、学習目標予測モデルを生成する。

具体的に、学習目標予測モデルは、学年が始まる４月から受験を迎える翌年２月までの学習期間において、所定期間における月単位の学習履歴データと、所定期間以降における月単位の学習目標データとの関係を学習するものとする。

学習目標予測モデルは、例えば、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（Ｓｅｑｕｅｎｃｅｔｏ Ｓｅｑｕｅｎｃｅ）を適用することができる。学習目標予測モデルは、所定期間における月単位の学習履歴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当該所定期間以降における月単位の学習目標データを出力する出力層とを有する。

入力層は、所定期間における月単位の学習履歴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、時系列順に従って月単位の学習履歴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履歴データに基づき、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履歴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、学習目標予測モデルは、時系列順に基づいて所定期間以降の月単位の学習目標データを予測する。

出力層は、所定期間以降における月単位の学習目標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、出力すべき月単位の学習目標データを予測する。

Ｓｅｑ２Ｓｅｑに係るニューラルネットワークは、図９に示すように、Ｅｎｃｏｄｅｒとして機能するネットワーク部と、Ｄｅｃｏｄｅｒとして機能するネットワーク部とに分類される。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。図９では、４月、５月、６月及び７月それぞれの学習履歴データが時系列順にＥｎｃｏｄｅｒに入力されたものとする。

Ｅｎｃｏｄｅｒは、所定期間における月単位の時系列の学習量を表す学習履歴データの入力を受け付け、特徴量を出力するネットワーク部である。例えば、Ｅｎｃｏｄｅｒは、図９に示すように、４月の学習量～＜ＥＯＳ＞を入力として受け取り、特徴量を出力する。Ｄｅｃｏｄｅｒは、Ｅｎｃｏｄｅｒから出力された特徴量を基に、当該所定期間以降における月単位の学習量を表す学習目標データを時系列順に従って順次出力するネットワーク部である。例えば、Ｄｅｃｏｄｅｒは、図９に示すように、Ｅｎｃｏｄｅｒから出力された特徴量を基に、８月の学習量～２月の学習量を出力する。

ＤｅｃｏｄｅｒではＥｎｃｏｄｅｒに入力された時系列の学習履歴データに基づき、所定期間以降における月単位の学習目標データを予測する。例えば、４月～７月の学習履歴データが時系列順にＥｎｃｏｄｅｒに入力された場合、Ｄｅｃｏｄｅｒは、まず７月以降である８月の学習目標データを予測する。Ｄｅｃｏｄｅｒでは、８月の学習目標データを予測すると共に、予測した８月の学習目標データを次のＬＳＴＭブロックに入力し、９月の学習目標データを予測する。Ｄｅｃｏｄｅｒでは当該処理を繰り返し、１０月以降の学習目標データを順次予測して、最終的に月単位の学習目標データを予測する。例えば、４月～７月それぞれの学習履歴データを学習目標予測モデルに入力すると、８月～翌年の２月それぞれの学習目標データを出力することができる。

なお、Ｓｅｑ２Ｓｅｑは学習目標予測モデルの一例であって、サーバ１０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目標予測モデルとして生成しても良い。また、学習目標予測モデルはニューラルネットワークに限定されるものではなく、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。

［訓練データ］
サーバ１０は、例えば、訓練データＤＢ３１に蓄積された訓練データを用いて、学習目標予測モデルを生成する。訓練データは、所定期間における月単位の学習履歴データと、当該所定期間以降における月単位の学習目標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履歴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１０は、訓練データを説明する図である。図１０（ａ）は、学習履歴グラフ５２の一例である。学習履歴グラフ５２は、例えば、学年が始まる４月から受験を迎える翌年２月までの学習期間における、学習者（Ａさん）による月単位の学習履歴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２月）を示す。グラフの縦軸は、学習履歴データの１つの種類である実績問題数を示す。なお、学習履歴データは、実績問題数に限定されるものではなく、学習時間、点数、又はその組み合わせなど任意に設定することができる。

また、学習履歴データは、実績問題数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、段階分けされた問題の正答率毎に設定される。例えば、正答率が０－２０％の問題は難易度「５」、正答率が２１－４０％の問題は難易度「４」、正答率が４１－６０％の問題は難易度「３」、正答率が６１－８０％の問題は難易度「２」、正答率が８１－１００％の問題は難易度「１」、といったように設定されても良い。

学習履歴データは、例えば、難易度と実績問題数との積で定量化できる。難易度「５」の問題に実績問題数「１０問」を設定した場合の学習履歴データが５０（５×１０）であり、難易度「４」問題に学習量「１０問」を設定した場合の学習履歴データが４０（４×１０）である。学習履歴データは、任意の算出式に基づいて定量化されても良い。

学習者の学習履歴データに基づいて、期間と実績問題数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１０（ａ）に示すように、合格者Ａさんの４月～翌年２月の学習履歴データが学習履歴グラフ５２に表示される。４月から翌年２月までのＡさんの学習履歴データから１０組の訓練データを作成することができる。具体的には、図１０（ｂ）に示すように、まず４月の学習履歴データを入力データとし、５月～翌年２月の学習履歴データを正解データとする１組目の訓練データが作成される。次に、４月及び５月の学習履歴データを入力データとし、６月～翌年２月の学習履歴データを正解データとする２組目の訓練データが作成される。このような学習履歴データの組み合わせに基づいて、最終的に、４月～翌年の１月の学習履歴データを入力とし、翌年２月の学習履歴データを正解データとする１０組目の訓練データが作成される。

なお、訓練データは、学習者が取り組んだ問題の科目、分野、難易度、学習者の学習レベル、目標レベル等を条件データとして入力データに含めてもよい。

このように、一人の合格者（目標を達成した学習者）の学習履歴データから、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履歴データから、学習目標予測モデルに用いる学習用の訓練データを生成することができる。

続いて、図９に戻り、学習目標予測モデルの生成処理を詳しく説明する。サーバ１０は、訓練用の所定期間における月単位の学習履歴データ（入力データ）を学習目標予測モデルに時系列順に入力し、出力層から当該所定期間以降における月単位の学習目標データ（出力データ）を取得する。サーバ１０は、訓練データに含まれる正解データと、学習目標予測モデル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１０は、学習目標予測モデルを生成する。サーバ１０は、生成した学習目標予測モデルをモデル管理ＤＢ３２に記憶する。本実施形態においてサーバ１０は、上記の学習目標予測モデルを用いて月単位の学習目標データの予測を行い、所定期間における月単位の学習履歴データに対し、当該所定期間以降における月単位の学習目標データを時系列順に出力する。

［目標画面］
目標画面は、目標達成のために必要な学習内容を表示する画面である。まず、科目別目標画面について説明する。図１１は、科目別目標画面の一例である。科目別目標画面は、端末装置２０に表示される画面であって、条件選択コンボボックス６０と、グラフ表示欄６１と、問題表示欄６２と、を含む。条件選択コンボボックス６０は、科目や分野を選択するためのコンボボックスである。グラフ表示欄６１は、選択された条件に対応する学習履歴データと、学習目標データとを示すグラフを表示する表示欄である。問題表示欄６２は、推薦問題に関する情報を表示する表示欄である。

端末装置２０は、条件選択コンボボックス６０において科目の選択操作を受け付けた場合、端末装置２０を使用する学習者を識別する学習者ＩＤと、選択された科目を示す条件データと、をサーバ１０に送信する。サーバ１０は、端末装置２０から受信した学習者ＩＤ及び科目を示す条件データに基づいて、学習履歴ＤＢ３３から所定の期間における学習履歴データ（例えば、４月～５月の学習履歴データ）を取得する。サーバ１０は、受信した条件データに基づいて、モデル管理ＤＢ３２を参照することで、選択された科目に対応する学習目標予測モデルを特定する。

サーバ１０は、特定した学習目標予測モデルに、学習履歴ＤＢ３３から取得した学習履歴データを時系列順に入力して、所定の期間以降の学習目標データ（例えば、６月～翌年の２月の学習目標データ）を時系列順に出力する。サーバ１０は、出力した学習目標データと、学習履歴ＤＢ３３から取得した学習履歴データとに基づいて、実績問題数及び目標問題数を示すグラフを作成する。実績問題数を示すグラフは、例えば、６月の学習履歴データも含む、学習ＤＢ３３に記憶されている最新の学習履歴データに基づいて作成してもよい。また、サーバ１０は、出力した学習目標データに基づいて、問題ＤＢ３４を参照することで、目標問題数となるように推薦問題を特定し、当該推薦問題に関する推薦問題情報を取得する。そして、サーバ１０は、作成したグラフに関するグラフ情報と、推薦問題情報とを端末装置２０へ送信する。

端末装置２０は、サーバ１０から送信されたグラフ情報を受信し、実績問題数及び目標問題数を表すグラフをグラフ表示欄６１に表示する。図示のように、問題数と期間との関係を示す縦棒グラフは、グラフ表示欄６１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、学習量を定量化した問題数を示す。端末装置２０は、受信したグラフ情報に含まれる学習履歴データに基づいて、塗りつぶされた黒で表す実績問題数のグラフを各月単位で作成し、グラフ表示欄６１に表示する。また、端末装置２０は、受信したグラフ情報に含まれる学習目標データに基づいて、斜線で表す目標問題数のグラフを各月単位で作成し、表示する。

また、端末装置２０は、サーバ１０から送信された推薦問題情報を受信し、推薦問題に関する問題集名称、サムネイル画像、ページ等を問題表示欄６２に表示する。

なお、グラフ表示欄６１に表示するグラフは、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。

また、目標画面は、週毎、月毎といった任意のタイミングで、目標達成のために必要な学習内容を更新して表示してもよい。例えば、上述のような科目別目標画面において、月毎に目標達成のために必要な学習内容を更新する場合、サーバ１０は、次の月となった任意のタイミングで、特定した学習目標予測モデルに４月～６月までの学習履歴データを時系列に入力して、７月～翌年２月の学習目標データを出力する。つまり、更新された学習履歴データを入力することで、新たな学習目標データを出力する。サーバ１０及び端末装置２０は、更新された学習履歴データと、新たな学習目標データに基づいて、目標達成のために必要な学習内容が更新された科目別目標画面を作成、表示する。

次に、分野別目標画面について説明する。図１２は、分野別目標画面の一例である。分野別目標画面は、端末装置２０に表示される画面であって、条件選択コンボボックス６０と、難易度別のグラフ表示欄６１ａ～６１ｃと、難易度別の問題表示欄６２ａ～６２ｃと、を含む。条件選択コンボボックス６０は、科目及び分野を選択するためのコンボボックスである。グラフ表示欄６１ａ～６１ｃは、選択された科目及び分野に対応する学習履歴データと、学習目標データとを示すグラフを難易度別に表示する表示欄である。問題表示欄６２ａ～６２ｃは、推薦問題に関する情報を難易度別に表示する表示欄である。

端末装置２０は、条件選択コンボボックス６０において科目及び分野の選択操作を受け付けた場合、端末装置２０を使用する学習者を識別する学習者ＩＤと、選択された科目及び分野を示す条件データとをサーバ１０に送信する。サーバ１０は、端末装置２０から受信した学習者ＩＤと、科目及び分野を示す条件データとに基づいて、学習履歴ＤＢ３３から所定の期間における学習履歴データ（例えば、４月～５月の学習履歴データ）を、難易度別に取得する。サーバ１０は、受信した条件データが示す科目及び分野と、各難易度とに基づいて、モデル管理ＤＢ３２を参照することで、科目、分野及び各難易度に対応する学習目標予測モデルをそれぞれ特定する。

具体的に、サーバ１０は、受信した条件データが示す科目及び分野がそれぞれ「数学」及び「微積分」である場合、モデルＤＢ３２を参照することで、図４（ａ）に示す、科目「数学」、分野「微積分」、難易度「１」に対応する学習目標予測モデル５０ｃを特定する。また、サーバ１０は、科目「数学」、分野「微積分」、難易度「２」に対応する学習目標予測モデルと、科目「数学」、分野「微積分」、難易度「３」に対応する学習目標予測モデルと、科目「数学」、分野「微積分」、難易度「４」に対応する学習目標予測モデルと、科目「数学」、分野「微積分」、難易度「５」に対応する学習目標予測モデル５０ｄと、それぞれ特定する。

サーバ１０は、科目、分野及び各難易度に対応する学習目標予測モデルに、学習履歴ＤＢ３３から取得した各難易度の学習履歴データを時系列順にそれぞれ入力して、所定の期間以降の学習目標データ（例えば、６月～翌年の２月の学習目標データ）を時系列順にそれぞれ出力する。

具体的に、サーバ１０は、科目「数学」、分野「微積分」、難易度「１」に対応する学習目標予測モデル５０ｃに、学習履歴ＤＢ３３から取得した科目「数学」、分野「微積分」、難易度「１」に対応する学習履歴データを入力して、所定の期間以降の学習目標データを出力する。同様に、サーバ１０は、難易度「２」に対応する学習目標予測モデルに、難易度「２」に対応する学習履歴データを入力して、学習目標データを出力する。また、サーバ１０は、難易度「３」に対応する学習目標予測モデルに、難易度「３」に対応する学習履歴データを入力して、学習目標データを出力する。また、サーバ１０は、難易度「４」に対応する学習目標予測モデルに、難易度「４」に対応する学習履歴データを入力して、学習目標データを出力する。また、サーバ１０は、難易度「５」に対応する学習目標予測モデル５０ｄに、難易度「５」に対応する学習履歴データを入力して、学習目標データを出力する。

そして、サーバ１０は、出力した各難易度の学習目標データと、学習履歴ＤＢ３３から取得した各難易度の学習履歴データとに基づいて、難易度毎に実績問題数及び目標問題数を示すグラフを作成する。実績問題数を示すグラフは、学習ＤＢ３３に記憶されている最新の学習履歴データに基づいて作成してもよい。

また、サーバ１０は、出力した各難易度の学習目標データに基づいて、問題ＤＢ３４を参照することで、難易度毎に目標問題数となるように推薦問題をそれぞれ特定し、各難易度の推薦問題情報を取得する。そして、サーバ１０は、難易度毎に作成したグラフに関する各難易度のグラフ情報と、各難易度の推薦問題情報とを端末装置２０へ送信する。

。
端末装置２０は、サーバ１０から送信された各難易度のグラフ情報を受信し、各難易度の実績問題数及び目標問題数を表すグラフをそれぞれグラフ表示欄６１ａ～６１ｃにそれぞれ表示する。グラフの形式は、科目別目標画面と同様のため、説明は省略する。また、端末装置２０は、サーバ１０から送信された各難易度の推薦問題情報を受信し、各難易度の推薦問題を問題表示欄６２ａ～６２ｃにそれぞれ表示する。

なお、問題表示欄６２ａ～６２ｃは、推薦問題を表示しているが、科目別目標画面と同様に、推薦問題に関する問題集名称、サムネイル画像、ページを表示してもよいし、推薦問題と併せて表示してもよい。問題表示欄６２ａ～６２ｃの構成は任意に設定することができる。

また、グラフ表示欄６１ａ～６１ｃに表示するグラフは、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。

また、分野別目標画面も科目別目標画面と同様に、任意のタイミングで、目標達成のために必要な学習内容を更新して表示してもよい。

［モデル生成処理］
次に、機械学習を行って学習目標予測モデル５０を生成するモデル生成処理について説明する。図１３は、サーバ１０によるモデル生成処理のフローチャートである。この処理は、サーバ１０が予め用意されたプログラムを実行することにより実現される。

サーバ１０は、入力データと、正解データとが対応付けられた訓練データを訓練データＤＢ３１から取得する（ステップＳ１０１）。入力データは、科目、分野、難易度、学習レベル、目標レベルを含む条件データと、月別実績問題数を含む学習履歴データとを有する。

サーバ１０は、取得した入力データに基づいて、条件データに含まれる条件毎に、学習履歴データを入力とし、学習目標データを出力とする学習目標予測モデルを生成する（ステップＳ１０２）。

例えば、学習目標予測モデルは、Ｓｅｑ２Ｓｅｑに係るニューラルネットワークであり、所定期間における月単位の時系列の学習履歴データを入力とし、当該所定期間以降における月単位の時系列の学習目標データを出力とする。サーバ１０は、出力された月単位の学習目標データを、正解データに含まれる学習目標データと比較し、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、学習目標予測モデルを生成する。

具体的に、サーバ１０は、条件データに科目「数学」、分野「三角関数」、難易度「１」という条件が含まれている訓練データを用いて学習を行うことにより、図４（ａ）に示す、科目「数学」、分野「三角関数」、難易度「１」に対応する学習目標予測モデル５０ａを生成する。同様に、サーバ１０は、条件データに科目「数学」、分野「微積分」、難易度「５」という条件が含まれている訓練データを用いて学習を行うことにより、図４（ａ）に示す、科目「数学」、分野「微積分」、難易度「５」に対応する学習目標予測モデル５０ｄを生成する。

そして、サーバ１０は、生成した学習目標予測モデルをモデル管理ＤＢ３２に記憶し（ステップＳ１０３）、一連の処理を終了する。具体的には、サーバ１０は、生成した学習目標予測モデルに対してモデルＩＤを割り振り、割り振ったモデルＩＤに対応付けて、学習目標予測モデルのファイルを一つのレコードとしてモデル管理ＤＢ３２に記憶する。

［推薦問題表示処理］
次に、目標画面に実績問題数及び目標問題数を示すグラフと、推薦問題に関する情報とを表示する推薦問題表示処理について説明する。図１４は、推薦問題表示処理のフローチャートである。この処理は、サーバ１０及び端末装置２０がそれぞれ予め用意されたプログラムを実行することにより実現される。

まず、目標画面の条件選択コンボボックス６０において、科目のみが選択された場合の推薦問題表示処理について説明する。学習者は、端末装置２０に表示された目標画面の条件選択コンボボックス６０で科目を選択する。端末装置２０は、条件選択コンボボックス６０において科目の選択操作を受け付けると、学習者を識別する学習者ＩＤと、選択された科目を示す条件データとをサーバ１０に送信する（ステップＳ３０１）。サーバ１０は、端末装置２０から学習者ＩＤ及び条件データを受信する（ステップＳ３０２）。

サーバ１０は、端末装置２０から受信した学習者ＩＤ及び条件データに基づいて、学習履歴ＤＢ３３から所定の期間における学習履歴データを取得する（ステップＳ３０３）。そして、サーバ１０は、条件データが示す科目に基づいて、モデル管理ＤＢ３２を参照することで、科目に対応する学習目標予測モデルを特定する（ステップＳ３０４）。

サーバ１０は、科目に対応する学習目標予測モデルに、学習履歴ＤＢ３３から取得した学習履歴データを時系列順に入力して、所定の期間以降の学習目標データを時系列順に出力することで取得する（ステップＳ３０５）。そして、サーバ１０は、出力した学習目標データと、学習履歴ＤＢ３３から取得した学習履歴データとに基づいて、実績問題数及び目標問題数を示すグラフを作成し、グラフ情報を取得する（ステップＳ３０６）。

次に、サーバ１０は、学習目標データに基づいて推薦問題を特定する推薦問題特定処理を行う（ステップＳ４００）。図１５は、推薦問題特定処理のフローチャートである。推薦問題特定処理において、サーバ１０は、出力した学習目標データに基づいて、目標問題数を特定する（ステップＳ４０１）。また、サーバ１０は、取得した学習履歴データに基づいて、学習者が既に取り組んだ実績問題の問題ＩＤを特定する（ステップＳ４０２）。そして、サーバ１０は、目標問題数となるように、問題ＤＢ３４から、科目に対応する問題であって、学習者が既に取り組んだ実績問題ではない問題を各月単位で推薦問題に特定する（ステップＳ４０３）。サーバ１０は、問題ＤＢ３４から推薦問題に関する推薦問題情報を取得する（ステップＳ４０４）。これにより、サーバ１０は、推薦問題特定処理を終了し、推薦問題表示処理におけるステップＳ３０７の処理へ進む。

サーバ１０は、取得したグラフ情報及び推薦問題情報をサーバ１０へ送信する（ステップＳ３０７）。端末装置２０は、サーバ１０から送信されたグラフ情報及び推薦問題情報を受信し、目標画面において、図１１に示すように、実績問題数及び目標問題数を示すグラフと、推薦問題に関する問題集名称、サムネイル画像及びページとを表示する（ステップＳ３０８）。これにより、サーバ１０は、推薦問題表示処理を終了する。

次に、目標画面の条件選択コンボボックス６０において、科目及び分野が選択された場合の推薦問題表示処理について説明する。学習者は、端末装置２０に表示された目標画面の条件選択コンボボックス６０で科目及び分野を選択する。端末装置２０は、条件選択コンボボックス６０において科目及び分野の選択操作を受け付けると、学習者を識別する学習者ＩＤと、選択された科目及び分野を示す条件データとをサーバ１０に送信する（ステップＳ３０１）。サーバ１０は、端末装置２０から学習者ＩＤ及び条件データを受信する（ステップＳ３０２）。

サーバ１０は、端末装置２０から受信した学習者ＩＤ及び条件データに基づいて、学習履歴ＤＢ３３から所定の期間における学習履歴データを難易度別に取得する（ステップＳ３０３）。そして、サーバ１０は、条件データが示す科目及び分野と、各難易度とに基づいて、モデル管理ＤＢ３２を参照することで、科目、分野及び各難易度に対応する学習目標予測モデルをそれぞれ特定する（ステップＳ３０４）。

サーバ１０は、科目、分野及び各難易度に対応する学習目標予測モデルに、学習履歴ＤＢ３３から取得した各難易度の学習履歴データを時系列順にそれぞれ入力して、各難易度の所定の期間以降の学習目標データを時系列順に出力することで取得する（ステップＳ３０５）。そして、サーバ１０は、出力した各難易度の学習目標データと、学習履歴ＤＢ３３から取得した各難易度の学習履歴データとに基づいて、難易度毎に実績問題数及び目標問題数を示すグラフを作成し、各難易度のグラフ情報を取得する（ステップＳ３０６）。

次に、サーバ１０は、学習目標データに基づいて推薦問題を特定する推薦問題特定処理を行う（ステップＳ４００）。推薦問題特定処理において、サーバ１０は、出力した各難易度の学習目標データに基づいて、難易度毎に目標問題数を特定する（ステップＳ４０１）。また、サーバ１０は、取得したか各難易度の学習履歴データに基づいて、難易度毎に学習者が既に取り組んだ実績問題の問題ＩＤを特定する（ステップＳ４０２）。そして、サーバ１０は、目標問題数となるように、問題ＤＢ３４から、科目及び分野に対応する問題であって、学習者が既に取り組んだ実績問題ではない問題を、難易度毎に、各月単位で推薦問題に特定する（ステップＳ４０３）。サーバ１０は、問題ＤＢ３４から、各難易度の推薦問題に関する推薦問題情報を取得する（ステップＳ４０４）。これにより、サーバ１０は、推薦問題特定処理を終了し、推薦問題表示処理におけるステップＳ３０７の処理へ進む。

サーバ１０は、取得した各難易度のグラフ情報及び推薦問題情報をサーバ１０へ送信する（ステップＳ３０７）。端末装置２０は、サーバ１０から送信された各難易度のグラフ情報及び推薦問題情報を受信し、目標画面において、図１２に示すように、難易度毎に、実績問題数及び目標問題数を示すグラフと、推薦問題とを表示する（ステップＳ３０８）。これにより、サーバ１０は、推薦問題表示処理を終了する。

なお、上記の推薦問題表示処理では、目標画面の条件選択コンボボックス６０において科目及び分野を選択し、難易度毎にグラフ及び推薦問題を表示することとしているが、本発明はこれに限定されるものではなく、条件として挙げられている科目、分野、難易度、学習レベル、目標レベルのいずれを選択できることとしてもよい。また、グラフ及び推薦問題の表示方法は任意に設定することができる。

例えば、科目及び分野に加えて４月の学習レベル及び受験時の目標レベルを選択した場合、サーバ１０は、科目、分野、学習レベル及び目標レベルに対応する学習目標予測モデルを用いて、４月の学習レベル「偏差値５０」の学習者が受験時に目標レベル「偏差値６０」となるような学習目標データを難易度毎に出力し、推薦問題と共に学習者に提供することができる。

また、上記の推薦問題表示処理では、サーバ１０は、出力した学習目標データに基づいてグラフ情報を取得し、当該グラフ情報を端末装置２０に送信することとしているが、本発明はこれに限定されるものではなく、学習目標データを端末装置２０に送信することとしてもよい。この場合、端末装置２０が受信した学習目標データに基づいて任意のグラフを表示することとしてもよい。

本実施形態の学習目標予測システム１００を用いることで、科目に含まれる分野毎に、目標達成のために必要な学習量及び推薦問題を学習者に提供することができる。さらに、分野の難易度毎に、目標達成のために必要な学習量及び推薦問題を学習者に提供することができる。つまり、学習目標予測システム１００では、任意の条件に対応する学習目標予測モデルを生成して用いることで、条件毎に、目標達成のために必要な学習量及び推薦問題を学習者に提供することができる。これによれば、学習者は、例えば、分野「三角関数」の難易度毎に、どのような問題をどれだけの量取り組めばよいのか、容易に認識することができる。このように、本実施形態の学習目標予測システム１００は、各学習者に分野の難易度毎の学習量及び推薦問題を提供することで、「基礎的な問題を繰り返すことが大切」、「段階的に応用問題に取り組んでいく」といった学習における感覚的な概念を可視化及び定量化することができる。

なお、本実施形態の手法により、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目標予測モデルを生成しても良い。

５ ネットワーク
１０ サーバ
２０ 端末装置
３１ 訓練データＤＢ
３２ モデル管理ＤＢ
３３ 学習履歴ＤＢ
３４ 問題ＤＢ
４１ 訓練データ取得部
４２ 学習目標予測モデル特定部
４３ 学習目標予測モデル生成部
４４ 学習履歴データ取得部
４５ 学習目標予測部
４６ 推薦問題特定部
１００ 学習目標予測システム

Claims (7)

1. 第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データと、の関係を学習した学習済モデルを取得するモデル取得部と、
   学習者の学力を表す学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得部と、
   前記履歴取得部が取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記学習目標データを時系列に出力する目標出力部と、
   前記目標出力部が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力部と、
   前記学習レベルを含む条件毎に、訓練データを用いて、前記第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、前記学習済モデルを生成するモデル生成部と、
   前記学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで訓練データを生成する訓練データ生成部と、を備え、
   前記訓練データ生成部は、１人の学習者の学習履歴データから複数組の訓練データを生成する情報処理装置。
2. 前記条件は、学習内容の分野を含む請求項１に記載の情報処理装置。
3. 前記条件は、学習内容に含まれる問題の難易度を含む請求項１又は２に記載の情報処理装置。
4. 前記条件は、学習内容の分野及び前記学習内容に含まれる問題の難易度を含み、
   前記問題と、前記問題の難易度とを対応付けた問題情報を記憶する問題情報記憶部と、
   前記学習目標データに基づいて前記問題情報記憶部から、前記分野及び前記問題の難易度毎に前記推薦問題を特定する問題特定部と、を備え、
   前記問題出力部は、前記分野及び前記問題の難易度毎に、特定した推薦問題を出力する請求項３に記載の情報処理装置。
5. 前記問題情報記憶部は、前記問題を含む媒体と、当該媒体における問題の場所とをさらに対応付けて記憶しており、
   前記問題出力部は、前記推薦問題、又は、前記推薦問題を含む媒体及び当該媒体における推薦問題の場所を出力する請求項４に記載の情報処理装置。
6. 情報処理装置が実行する情報処理方法であって、
   学習者の学力を表す学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習内容を示す学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで、１人の学習者の学習履歴データから複数組の訓練データを生成する訓練データ生成工程と、
   前記学習レベルを含む条件毎に、訓練データを用いて、第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、学習済モデルを生成するモデル生成工程と、
   前記学習済モデルを取得するモデル取得工程と、
   前記学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得工程と、
   前記履歴取得工程により取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記学習目標データを時系列に出力する目標出力工程と、
   前記目標出力工程が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力工程と、
   を有する情報処理方法。
7. コンピュータによって実行されるプログラムであって、
   第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データと、の関係を学習した学習済モデルを取得するモデル取得部、
   学習者の学力を表す学習レベルを含む条件が対応付けされた学習履歴データを時系列で取得する履歴取得部、
   前記履歴取得部が取得した学習履歴データを、前記学習レベルを含む条件に対応する学習済モデルに入力して、前記条件に対応する学習目標データを時系列に出力する目標出力部、
   前記目標出力部が出力した学習目標データに基づいて、前記学習者が目標達成のために取り組むべき問題である推薦問題に関する情報を推薦問題情報として出力する問題出力部、
   前記学習レベルを含む条件毎に、訓練データを用いて、前記第１期間における学習者の学習内容を示す単位期間毎の学習履歴データと、前記第１期間以降において目標達成のために必要な学習内容を示す単位期間毎の学習目標データとの関係を学習し、前記学習済モデルを生成するモデル生成部、
   前記学習レベルを含む条件に対応し、且つ、目標を達成した学習者の学習履歴データを、単位期間毎に区切り、前半期間の学習履歴データを入力データ、後半期間の学習履歴データを正解データ、とすることで訓練データを生成する訓練データ生成部、として前記コンピュータを機能させ、
   前記訓練データ生成部は、１人の学習者の学習履歴データから複数組の訓練データを生成するプログラム。