TeamUp: Semantic Project Matching and Team Formation for Learning at Scale

技術概要：TeamUp – 大規模学習における意味的プロジェクトマッチングとチーム編成

問題提起
プロジェクトベース学習（PBL）は現代の工学教育の要であるが、200〜300 人以上の学生 cohort へこれを拡張することは、重要な教育的課題をもたらす。現在の割り当て方法は、手動のスパムスプレッドシート、その場限りの希望調査、および指導者の直感に依存しており、以下の 3 つの持続的な課題に対処できていない：

1. スキルとプロジェクトの不適切な適合：微妙な能力差が見落とされ、学生が関与しなくなるほど易しい、あるいは圧倒されてしまうほど難しいプロジェクトが割り当てられ、学生の「最近接発達領域（ZPD）」と整合しない。
2. 均質的なチームのクラスタリング：手動または学生自身による選択で構成されるチームは、しばしば同一の強みを持つ学生をグループ化し、問題解決や学習成果の向上に必要な認知的多様性を見逃している。
3. 機会の不平等な分配：原理的なメカニズムが欠如しているため、高パフォーマンスの学生は目に見えるプロジェクトを自ら選択する一方、過小評価されているグループは機会へのアクセスが制限される。

従来のアプローチは、割り当てを学習設計の問題ではなく、単なる物流最適化の問題として扱い、学生の能力とプロジェクト要件の多次元的な性質を捉え損ねている。

手法
TeamUp は、学習科学の原則に準拠しつつ、プロジェクト割り当てとチーム編成を自動化するために設計された軽量な埋め込みベースのシステムである。システムアーキテクチャは、以下の 4 つの中核コンポーネントを統合している：

1. データ準備と埋め込み生成：

   • 入力：学生は、自己評価したスキル習熟度、 coursework、プロジェクト経験、およびドメインの希望を含むプロフィールを提供する。履歴書のアップロードにより、NLP ベースの抽出が可能である。スーパーバイザーは、必須/任意のスキル、難易度評価、ドメインタグを定義してプロジェクトを定義する。
   • ベクトル化：すべてのテキストおよびカテゴリカルデータは、事前学習済み言語モデル（例：text-embedding-ada-002、Google Gemini）を使用して、高密度なベクトル表現に変換される。
   • 集約：学生埋め込み（$s$）は、スキルと経験の埋め込みの加重平均として計算される。ここで、重みは自己報告された習熟度レベルに対応する。プロジェクト埋め込みは、必須スキル（1.5 倍の重み）、任意スキル（0.75 倍の重み）、および説明を組み合わせて構成される。
   • 保存：ベクトルは PostgreSQL の pgvector 拡張機能を使用して保存され、個別のベクトルデータベースインフラを必要とせず、HNSW インデックスによる効率的な類似性検索を可能にする。

2. 類似性ベースのマッチング（ハイブリッドランキング）：

   • ベーススコア：初期マッチングは、学生とプロジェクトの埋め込み間のコサイン類似度を使用する。
   • 教育的調整：生類似度スコアは、以下の 3 つの制約によって修正される：
     • 難易度の整合（ZPD）：プロジェクトの難易度が学生の経験レベルと著しく不一致の場合、二次ペナルティが適用され、圧倒的または退屈な割り当てを防ぐ。
     • ドメインの希望：プロジェクトが学生の表明されたドメインの関心と一致する場合、スコアは 15〜20% 引き上げられ、自己決定理論を支援する。
     • 需要のバランス：プロジェクトの登録率が容量に近づくにつれてスコアは指数関数的に減衰し、需要の高いプロジェクトの公平な分配を確保する。

3. チーム相補性のモデリング：

   • 均質的なクラスタリングを防ぐため、TeamUp はスキル相補性を最大化する貪欲アルゴリズムを採用する。
   • 最も適合する学生から開始し、追加メンバーは相補性スコアに基づいて選択される：$comp(t, c) = \alpha \cdot sim(c, p) - \beta \cdot sim(t, c)$。ここで、$t$ は現在のチームの平均埋め込み、$c$ は候補者、$p$ はプロジェクトである。
   • この定式化は、プロジェクト適合性と、既存のチームメンバーと類似しすぎる候補者へのペナルティとのバランスを取る。チームの多様性は、チーム平均埋め込みベクトルの分散によって定量化される。

4. システムアーキテクチャ：

   • フロントエンドは Next.js/React、バックエンドは Supabase/PostgreSQL で構築されている。
   • 500 人以上の学生 cohort に対して、サブ秒のレイテンシでリアルタイムの推奨をサポートする。
   • 運用コストは学生あたり 0.10 ドル未満に抑えられている。

主要な貢献

1. 原理的な割り当てシステム：学習科学（ZPD、自己決定理論、協働学習）に基づいた意味的埋め込みベースのシステムであり、単純なキーワードマッチングや希望ランキングを超えたもの。
2. 認知的多様性のモデリング：埋め込み分散を通じてスキル相補性を明示的にモデル化するチーム編成の新たなアプローチ。多様なチームが均質なチームを上回るという原則を実用的に機能させる。
3. 責任ある AI 設計：スキル整合と根拠を示す透明性のある説明可能な推奨を提供し、最終決定権を指導者に保持する「人間ループ内」ツールとして設計されている。カスタムトレーニングデータや特殊な ML インフラを必要とせず、現実的な教育予算内で動作する。
4. 仮想検証：ランダム割り当てと比較して、システムが優れた割り当てを生成できることを示す仮想実験からの証拠。

結果（仮想実験）
システムは、250 のダミー学生プロフィールと 60 のプロジェクト記述を使用して評価され、TeamUp とランダム割り当てを比較した：

• マッチ品質：TeamUp は平均コサイン類似度 0.74 を達成し、ランダム割り当ての 0.43 を上回った。
• 難易度の整合：TeamUp の学生の 83% が経験レベルから 1 つの難易度レベル以内に配置されたのに対し、ランダム割り当てでは 34% にとどまった。
• チーム多様性：TeamUp のチームの 82% が 3 つ以上の技術領域をカバーしたのに対し、ランダムチームでは 41% だった。
• パフォーマンス：システムは 4.2 秒で全ての推奨を生成し（クエリあたりサブ秒）、全 cohort の API コストは 0.024 ドルだった。

意義と主張
本論文は、TeamUp が大規模 PBL の教育的課題に対するスケーラブルで費用対効果の高い解決策を提供すると主張している。意味的埋め込みを活用することで、システムは、微妙なスキルとプロジェクトの適合性を捉え、認知的多様性を育むという点において、手動割り当ての限界に対処する。

著者は明示的に、現在の結果は合成データを用いた仮想実験から得られた予備的なものであると述べている。ダミーデータは、実際の学生プロフィールの「複雑さ」、自己評価の不一致、または対人的なチームダイナミクスを捉えられないことを認めている。したがって、本論文は、TeamUp が実際には学習成果の向上や公平性を保証するとは主張していない。代わりに、システムは教育における責任ある AI のための有望な設計パターンとして位置づけられており、次の重要なステップは、公平性、ユーザー満足度、実際の学習成果を検証するために、実ユーザーによる制御された展開を行うことである。システムは人間の判断の代替物ではなく、定型マッチングを処理し、指導者がエッジケースや文脈に応じた判断に集中できるようにするためのツールとして位置づけられている。