Multidimensional Exploration of Influencing Factors of College Students' Academic Performance: An Empirical Study Based on 18 Machine Learning Algorithms

あなたは、なぜ一部の大学生は試験で満点を取る一方で、他の学生は苦戦するのかという謎を解こうとしている探偵だと想像してください。長い間、教師や研究者たちはその手がかりを推測してきました。「家族のせいか？」「性格のせいか？」「学校のせいか？」と。この研究は、単に推測するのをやめ、真の答えを見つけ出すために、超強力なデジタル探偵部隊を使用することに決めました。

探偵部隊：18のアルゴリズム
研究者たちは、カリフォルニア大学アーバイン校の145人の学生からデータを収集しました。彼らは、個人の詳細（年齢や性別など）から家族の背景（両親の教育水準など）、学校での習慣（授業中どの程度集中しているかなど）に至るまで、30種類の「手がかり」を調査しました。

この事件を解決するために、彼らは単一の探偵を雇ったのではありません。18種類もの異なる機械学習アルゴリズムという、探偵チームを雇いました。これらのアルゴリズムは、18種類の異なるタイプの探偵だと考えてください。あるものは慎重な会計士（ロジスティック回帰）のようであり、あるものはパターンを見つけ出す芸術家（ニューラルネットワーク）のようであり、またあるものは電撃的な捜査官（LightGBM、XGBoost）のようです。彼らは皆、同じ証拠の山を調べ、誰が最も正確に学生の成績を予測できるかを競いました。

勝者：LightGBM
数値を走らせた後、一人の探偵が明確なチャンピオンとして際立ちました。それがLightGBMです。他の探偵たちも優秀でしたが、LightGBMは実質的にスーパーヒーローでした。このモデルは、1回につき0.985回（つまり98.5%の精度）の確率で予測を的中させました。その一貫性は非常に高く、結果が揺らぐこともありませんでした（安定性スコアは0）。実際、不合格になる可能性のある学生を見抜く能力が非常に高く、「特異度（Specificity）」において完璧なスコアである1を叩き出しました（これは誤報がほとんどないことを意味します）。

重大な事実の判明：何が本当に重要なのか
LightGBMの探偵が勝利した後、研究者たちは、なぜそのような予測を下したのかという理由を説明するよう求めました。彼らはSHAPと呼ばれる特別なツール（各手がかりが最終的な判定にどれだけ貢献したかを示す、拡大鏡のようなもの）を使用しました。

この拡大鏡が明らかにしたのは以下の通りです：

1. 個人的要因がボスである： 最も大きな手がかりは、すべて学生自身に関するものでした。

   • パートナーの有無： これが単独で最も影響力のある手がかりでした。データによれば、パートナーがいない学生の方が、予測される学業成績が高い傾向にありました。恋愛が一部の学生にとって、少しの「気を散らすもの」になっているようです！
   • 年齢： 22歳から25歳の学生が、最も優れたパフォーマンス予測を示しました。22歳未満の若い学生は、予測上やや苦戦する傾向にあります。これは、まだ集中すべき点を見いだせていないためかもしれません。
   • 性別： モデルは、女性の学生よりも男性の学生の成績をわずかに高く予測しました。著者らは、女性の学生は成績の変動に対して不安を感じやすく、それが負担になっている可能性があると示唆しています。
   • パートタイムの仕事： 意外にも、パートタイムの仕事を持っていることはポジティブな手がかりでした！これは、働くことが時間の管理に役立ち、実践的なスキルを学ぶ助けになることを示唆しています。

2. 学校での習慣が重要である：

   • 授業への集中（ClassListening）： 学生が授業中にどの程度耳を傾けているかは、極めて大きな要因でした。注意を払っていれば、成績は上がります。
   • 期待値： 興味深いことに、卒業時の予想成績が非常に高いことは、実はネガティブな手がかりとなりました。研究によれば、期待が高すぎると不安を招き、パフォーマンスを低下させる可能性があります。妥当な期待を持つことがより良いのです。

3. あまり重要ではないこと：

   • 家族の背景： ここにひねりがありました。この研究では、家族の要因（両親の学歴や職業など）は比較的弱い影響しか持たないことが明確に示されました。大学の成績の世界においては、家族の家系ではなく、学生自身の選択と学校環境が主な原動力なのです。

「ブラックボックス」問題の解決
通常、コンピュータモデルは「ブラックボックス」のようなものです。データを入れると結果が出てきますが、コンピュータがどのように判断したのかは分かりません。しかし、この研究はその箱をこじ開けました。SHAPツールを使用することで、彼らはモデルを「ガラスの箱」へと変え、どのレバー（「年齢」や「パートタイムの仕事」など）が結果を押し上げたり押し下げたりしたのかを、目に見えるようにしたのです。

魔法のツール：予測アプリ
これを実際の教師たちが活用できるように、研究者たちは（Shinyと呼ばれるものを使用して）無料のオンラインアプリを作成しました。教師がダッシュボード上で、「19歳」「パートナーあり」「授業に集中している」といった学生の詳細を入力すると、その学生が不合格になるリスクがあるかどうかを即座に予測してくれる様子を想像してください。

もしアプリが「満足度が低い」または「リスクあり」と表示した場合、それは単に赤い警告灯を灯すだけではありません。なぜそう判断したのかという理由も教えてくれます。例えば、「この学生は、パートナーがいて22歳未満であるため、リスクがあります」と表示されるかもしれません。これにより、教師は「恋愛と勉強のバランスを取るための具体的なアドバイス」を与えたり、「時間管理能力を養うためにパートタイムの仕事を探すよう促す」といった、具体的な指導を行うことができるのです。

結論
この研究は単に推測したのではなく、測定したのです。家族の背景も物語の一部ではありますが、大学での成功という物語における主要な登場人物は、学生自身（年齢、人間関係、仕事の習慣）であり、そして学校での振る舞い（集中力、期待の管理）であることを証明しました。最高のデジタル探偵（LightGBM）と明確な拡大鏡（SHAP）を使用することで、私たちは学生の成功を助けるための、より明確な地図を手に入れたのです。