A genetic algorithm for student academic resource allocation

あなたは宇宙船の船長になったと想像してください。ただし、あなたの貨物室には星の代わりに、何千もの異なる道具、ガジェット、そして地図が詰まっています。あなたの任務は？一人の乗客が、できるだけ早く、そして幸せに目的地に到達できるよう手助けすることです。問題は、その乗客には非常に特定のニーズがあることです。例えば、道に迷いやすかったり、スピード狂だったり、あるいは燃料が限られていたりする場合もあります。ただ闇雲にすべてを投げ与えるわけにはいきません。燃料タンクに収まる範囲内で、かつ彼らが成功する可能性を最大限に高めるような、完璧なアイテムの組み合わせを選び出さなければならないのです。これは現代教育における日常的な課題です。教師は膨大な数のレッスン、動画、演習のライブラリを持っていますが、生徒の学び方はそれぞれ異なります。数字を読むのに特別な助けが必要な生徒もいれば、猛スピードで突き進む準備ができている生徒もいます。一人の生徒のために最適な教材の組み合わせを見つけ出すことは、ピースの形が常に変わり続ける巨大で不可能なパズルを解こうとするようなものです。ここで、コンピュータサイエンスが「遺伝的アルゴリズム」という巧妙なトリックを駆使して登場します。これはデジタル進化実験室のようなものです。人間が完璧なリストを推測しようとする代わりに、コンピュータは何千ものランダムなリストを作成し、それらをテストし、そして最も優れたもの同士を「交配」させ、何度も組み合わせを変えながら、ほぼ完璧な解決策へと進化させていくのです。これは自然界が数学の問題を解く方法、つまり「適者生存」を宿題に応用したものなのです。

スペインの研究チームによるこの論文は、まさにこのパズルに取り組んでいます。すなわち、高校生のために最適な数学のリソースを自動的に選択する方法です。彼らはこの問題を「0–1バイナリ組合せ最適化」の課題として定義しています。平易な言葉で言えば、これはカタログ内の各アイテムに対して、それを含めるか（1）、あるいは除外するか（0）を決定することであり、その際、厳格な制限時間内に収めなければなりません。研究者たちは、リソースのリストが増えるにつれて、あらゆる可能な組み合わせをチェックすることは、コンピュータにとって迅速に行うには不可能である（まるでビーチの砂粒を一つずつ数えようとするようなもの）ことを知っています。そのため、彼らはすべての可能性をチェックすることなく優れた解を見つけ出すために、この「遺伝的アルゴリズム」の使用を提案しています。

チームは、まず生徒のプロフィールを確認するシステムを構築しました。彼らは、生徒の現在の成績、さまざまな数学領域（代数や幾何学など）における習熟度、さらには特定の学習上の課題までも考慮します。例えば、彼らは「診断係数」を用いて計画を調整します。能力が高い生徒には係数1.0を、失読症（ディスレクシア）の生徒には0.7を、計算障害（ディスカリキュリア）の生徒には0.5を割り当てます。この係数は音量調節ノブのように機能し、生徒のニーズに合わせてタスクの強度を下げます。また、システムは、簡単すぎる、あるいは難しすぎるリソースを排除し、生徒の現在のレベルと学年に一致するものだけを残します。

システムが適切なリソースのリストを作成したら、次はデジタルの進化を実行します。まず、リソースのさまざまな組み合わせをランダムに多数選びます。次に、これらの組み合わせがルールに違反していないかを確認します。具体的には、選択されたすべてのリソースを完了するために必要な合計時間が、彼らの実験で設定された最大学習時間である8,100分（135時間）を超えていないかを確認します。もし組み合わせが長すぎる場合は、特別な「修復メカニズム」が作動します。それは厳格な編集者のように機能し、合計時間が制限内に完璧に収まるまで、リストからアイテムをランダムに削除していきます。これにより、コンピュータが検討するすべての解決策が、実際に完了可能なものであることが保証されます。

研究者たちは、1,000個の数学リソースからなる合成カタログを使用して、このシステムをテストしました。彼らは、シミュレーションされた生徒のプロフィール、すなわち失読症を持つ高校2年生の生徒に焦点を当てました。生徒のレベルに合わないリソースをフィルタリングした後、コンピュータには217個の潜在的なアイテムが残りました。彼らは遺伝的アルゴリズムを10回実行し、結果に一貫性があるかどうかを確認するために、毎回異なるランダムなシード値から開始しました。結果は目覚ましいものでした。アルゴリズムは一貫して高品質な解を見つけ出し、迅速に「最高適合度」スコア4.3333へと収束しました。最良の実行では、システムは利用可能な217個のうち正確に77個のリソースを選択し、8,100分の制限時間を超えることなく、生徒のスケジュールを埋め尽くしました。10回の実行すべてにおいて結果が非常に似通っていたことは、この手法が非常に安定しており、信頼できることを示唆しています。

論文は、このアプローチがリアルタイムでのパーソナライズされた学習計画の作成に有効であることを結論付けています。しかし、著者らは、これが特定の数学モデルに基づいたシミュレーションであることを注意深く述べています。彼らは教育を永遠に解決したと主張しているのではなく、むしろ、意思決定を行うための強力なツールを手に入れたのだと述べています。今後、チームは、複数の課題を同時に抱える生徒（例えば、ギフテッドでありながら失読症でもある生徒）への対応を次のステップとして提案しています。将来のシナリオでは、コンピュータは相反する目標のバランスを取り、すべての異なるニーズに対して同時に最善を尽くす「パレート最適」な解を見つけ出す必要があるでしょう。しかし、現時点では、この遺伝的アルゴリズムは、混沌とした教育教材の山を、生徒の成功のためのオーダーメイドのロードマップへと変える有望な方法として立っています。