A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education

学校を、単なる埃っぽい本が並ぶ静かな図書館としてではなく、荒波を進む活気あふれるハイテク宇宙船として想像してみてください。乗組員は学生であり、船のコンピュータは全員が航路を外れないよう、常にバイタルサインを監視しています。長い間、船の乗組員は誰かが沈み始めてから、つまり学生が多くの科目を落としてしまうまで助けを求めるのを待って、ログを確認するだけでした。しかし、それはエンジンから煙が出始めてから整備士を呼ぶようなもので、その時にはすでに、船を救うのが難しくなっていることが多いのです。この分野の科学者たちは、「ラーニング・アナリティクス（学習分析）」という手法を用いて、この状況を変えようとしています。彼らが用いている「教育データマイニング」とは、基本的には非常に賢い探偵のようなもので、学習時間、ログイン頻度、さらには気分に至るまで、数千もの小さな手がかりを調査し、問題が発生する「前」に誰がトラブルに陥るかを予測するのです。彼らが投げかけている大きな問いは、「単に誰が落第するかを教えるだけでなく、どのように苦戦しているのかを正確に伝え、適切なタイミングで助けられるような『水晶玉』を作ることができるか？」ということです。

この論文は、その水晶玉を構築することについてのものですが、少しひねりが加えられています。単に成績を見るのではなく、研究者たちは「マルチモーダル」なフレームワークを構築しました。これは、探偵が容疑者の成績表を見るだけでなく、日記やSNSの習慣、家族の背景、さらには睡眠スケジュールまでも一度にチェックするようなものです。星医族（興義民族大学）の方氏卓洮（Zhuotao Fang）氏らを中心とする研究チームは、1,194人の実際の大学生からデータを収集しました。彼らは一つの側面だけを見たのではありません。現在のGPA（成績）から、SNSの利用時間、さらには居住形態（一人暮らしか家族と同居か）に至るまで、31種類の異なる情報を統合したのです。

研究者たちは、学生を「低リスク（安全に航行中）」、「中リスク（少し揺れている、後押しが必要）」、「高リスク（転覆寸前）」という3つの明確なグループに分類できるかどうかを検証したいと考えました。これを行うために、彼らは「One-vs-Rest（一対多）」と呼ばれる巧妙なトリックを用いました。例えば、3人の異なるセキュリティガードがいると想像してください。一人のガードの仕事は、「高リスク」の学生を見つけ出し、他の全員を無視することだけです。二人目のガードは「中リスク」だけを探し、三人目のガードは「低リスク」だけを見ます。このように彼らを連携させることで、システムは学生がどこに該当するかを非常に精密に判断できるのです。

コンピュータモデルのトレーニングを開始する前に、チームは「t-SNE」と呼ばれる特殊な可視化ツールを使用しました。これは、巨大な31次元の部屋を、平らな2次元のフロアプランへと押しつぶす魔法の地図のようなものです。彼らがこのマップ上に学生をプロットしたところ、驚くべき光景が見られました。「高リスク」の学生は自然と密集した孤立した島を形成していた一方で、「低リスク」の学生は独自の明確な島を形成していたのです。これは、彼らが探していた手がかりが、優れた指紋スキャナーが瞬時に二人を識別できるように、実際にグループを分けるのに適していることを証明していました。

最終的なモデルをテストした結果、その成果は目覚ましいものでした。コンピュータは、学生のデータを見て、「この学生が高リスクグループに属する確率は95%である」と非常に高い自信を持って断言できる、熟練の船長のような存在でした。最も重要な手がかりは何だったでしょうか？ それは、学生の「前学期の成績」でした。過去の実績は将来のパフォーマンスの最も強力な予測因子であり、同じ方向へと引き寄せる重いアンカー（錨）のように機能することが判明したのです。しかし、モデルはまた、SNSに時間を費やしすぎることがレッドフラッグ（警告）である一方、授業への出席や毎日の学習は良い兆候であることを突き止めました。興味深いことに、家族の収入や性別などは、この特定のデータセットにおいては成績との直接的で単純な関連性は見られず、この文脈においては背景よりも日々の習慣の方が重要であることを示唆しています。

この研究は、このようなシステムが大学にとってゲームチェンジャーになり得ることを示唆しています。学生が失敗するのを待つのではなく、学生の「リスクスコア」がある一定のラインを超えた瞬間に、カウンセラーへ自動アラートを送信することができるのです。これにより、「プロアクティブな介入（先回りした介入）」が可能になります。つまり、カウンセラーは学生が実際に科目を落とす前に、「SNSでの時間が長くなり、出席率も下がっているようだけど、一緒に解決策を考えよう」と話し合うことができるのです。研究者たちは、彼らのモデルが非常に正確であり、ミスがほとんどなく、高リスクの学生が低リスクの学生よりも少ない場合でも混乱しないことを明らかにしました。

しかし、著者たちは、このシステムが完璧な魔法ではないことにも注意を払っています。データの一部は学生による自己申告の調査に基づいているため、人々が詳細を偽ったり、忘れたりしている可能性があります。また、モデルはある意味で「ブラックボックス」でもあります。リスクをうまく予測してはいるものの、人間のカウンセラーが理解しやすい形で「なぜ」を必ずしも説明できるわけではありません。チームは、将来的には、オンライン学習プラットフォームからのリアルタイムのログと直接接続することで、学生がフォームに記入するのを待つのではなく、ボタンをクリックした瞬間に何をしているかを正確に把握できるよう、システムをさらに改善できると考えています。とはいえ、現時点において、この研究は、成績、習慣、そして生活の詳細を組み合わせることで、よりスマートなセーフティネットを構築でき、船のコンピュータを受動的な記録装置から能動的な守護者へと変えられることを示しています。