Which disadvantaged students beat the odds in STEM? A design-consistent, fairness-audited machine learning study of 143,573 adolescents in 79 PISA 2022 education systems
本研究は、79の教育制度における143,573人の恵まれない環境にある青少年を対象としたPISA 2022のデータに対し、設計一貫性および公平性監査済みの機械学習手法を用いることで、数学的自己効力感がSTEMレジリエンスの最も強力な普遍的予測因子であることを特定すると同時に、予測モデルが重大な転送可能性の限界と女子および農村部の生徒に対する系統的なバイアスを有していることを明らかにし、文脈依存的かつ公平なスクリーニング戦略の必要性を強調するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
毎年、世界中の何百万人もの15歳が、数学と科学の理解度を測る標準化されたテストを受けています。数十年にわたり、研究者たちはこれらの結果に関する単純で根強い事実を知ってきました。それは、学生の家庭の富が、スコアの最も強力な予測因子の一つであるということです。貧しい背景を持つ子供たちはスコアが低くなる傾向があり、裕福な家庭の子供たちはスコเป็น高い傾向があります。この格差は、これらの科目の習熟度が科学、技術、工学、数学（STEM）分野のキャリアへの入り口となるため、極めて重要な意味を持ちます。しかし、物語は完全に決定論的なわけではありません。これらのテストに参加しているすべての国において、最も貧しい層の世帯に属しながらも、その逆境を跳ね返す学生たちが存在します。彼らは数学と科学の両方で高い成績を収め、不遇な環境が成功を不可能にするわけではないことを証明しています。これらの学生は「学術的レジリエンス（回復力）がある」と呼ばれます。教育者や政策立案者が長年抱いてきた疑問は、単にこれらの学生がどのような人物かということだけでなく、何が彼らの成功を助けているのかという点です。それは、彼ら自身の自信でしょうか？ 教師のサポートでしょうか？ それとも学校で利用できるリソースでしょうか？
長い間、この問いに答えることは伝統的な統計学に頼ってきましたが、統計学は学生の人生に影響を与える複雑な要因の網を解きほぐすことに苦戦することがよくあります。近年、研究者たちは、膨大な量のデータからパターンを見つけ出すことができる一種のコンピュータプログラムである機械学習を用いて、答えを探し始めています。しかし、これまでの初期の試たちの多くは、データの収集方法の特殊性を無視するという近道を選んでいました。彼らはデータを、注意深く設計された調査としてではなく、単なる名前のリストとして扱っており、また、結果が別の国でも通用するかどうかを確認することなく、構築に使用したのと同じデータに対してのみモデルをテストしていました。タイバ大学のオマール・アリビによる2026年の新しい研究は、これらの問題を解決することを目的としています。143,573人の恵まれない思春期の若者を対象とした79の異なる教育システムからのデータを分析することで、彼らはどの学生が逆境を跳ね返すかを予測するための機械学習モデルを構築しました。極めて重要なことに、彼らは調査のデザインを尊重するために細心の注意を払ってモデルを構築し、モデルが一度も見ることのなかった国々でテストを行い、異なるグループの学生を公平に扱っているかどうかを確認しました。
研究は、まず「逆境を跳ね返す」とは正確に何を意味するかを定義することから始まりました。彼らは、各国の社会経済的スケールの下位4分の1に属する学生のみに焦点を当てました。次に、彼らが高度な学習への準備ができていることを示唆するに十分に高い基準、すなわち数学と科学の両方において特定の習熟レベルに達しているかどうかを調べました。その結果、世界的に見て、これらの恵まれない学生のうち、この高い基準を満たしているのはわずか12.5パーセントであることがわかりました。この割合は国によって大きく異なり、一部のシステムでは0.1パーセント未満である一方、シンガポールでは62パーセントに達しました。この変動は、学生が成長できるかどうかにおいて、学校制度自体の環境が極めて大きな役割を果たしていることを示唆しています。
彼らが機械学習モデルを訓練して、どの学生がレジリエンスを発揮するかを予測させたとき、そのモデルは驚くべき精度を発揮しました。モデルは、国の平均的なパフォーマンスに基づく単純な推測よりもはるかに優れた精度で、苦戦している学生と成功している学生を区別することができました。モデルが見つけた最も強力な予測因子は、学校のリソースや家庭の所得レベルではなく、数学に対する自分自身の能力への信念でした。この感覚は「自己効力感」として知られ、あらゆる79カ国において単一最強の要因でした。数学の問題を解けるという自信を持つ学生は、たとえ大きな不遇に直面していたとしても、成功する可能性がはるかに高かったのです。コンピュータへのアクセスや、ストレスへの対処能力といった他の要因も重要な役割を果たしていました。興味深いことに、モデルは、学校外で有給の仕事に従事している学生は、学習に充てる時間が少なくなるため、レジリエンスを発揮する可能性が低いことも明らかにしました。
しかし、この研究は、これらのモデルがどのように使用されることが多いかという点における決定的な限界を明らかにしました。多くの国々のデータで訓練されたモデルを、未知の単一の国での結果を予測するために使用したところ、その精度は大幅に低下しました。モデルは依然として有用ではありましたが、グローバルな数値が示唆していたほど信頼できるものではありませんでした。より重要なことに、ある国で最も重要であった特定の要因は、別の国で重要であった要因とは異なることが頻繁にありました。唯一の例外は、自身の数学の能力に対する信念であり、これはどこでもトップの予測因子であり続けました。この発見は、あらゆる文化や教育システムに適用できる単一の普遍的な「成功の鍵となる材料」のリストが存在するという考えに異を唱えるものです。むしろ、自信は成功のための普遍的なエンジンであるが、その他の支持的な要因は、現地の文脈に強く依存していることを示唆しています。
彼らはまた、モデルがすべての学生を平等に扱っているかどうかを確認するために、公平性の監査も行いました。その結果、モデルは平均的には正確であるものの、グループごとに異なる種類のミスを犯していることが判明しました。モデルは、レジリエンスのある女子生徒を、レジリエンスのある男子生徒よりも特定できる確率が著しく低いことがわかりました。また、都市部の学生と比較して、農村部に住むレジリエンスのある学生を見つけ出す能力もはるかに低いことがわかりました。入力データから性別を除去すると、女子生徒に関する格差は消失しましたが、これはモデルが女子生徒にとって不利に働くショートカットとして性別を利用することを学習していたことを示唆しています。しかし、農村部の場所に関する情報をモデルから取り除いても、農村部の学生に関する格差は修正されませんでした。これは、農村部の学生に関する問題がモデルのバイアスにあるのではなく、むしろ農村地域の全体的な条件が、単一の基準による予測を困難にしていることを示していました。
本研究は、機械学習は学術的レジリエンスの背後にある要因を理解するのに役立つものの、これらのツールをどのように使用するかについては注意しなければならないと結論付けています。最も重要な教訓は、数学を学ぶ能力に対する自信は、恵まれない学生が成功するのを助ける強力で普遍的な力であるということです。しかし、あらゆる国のあらゆる学生に対して意思決定を行うために、単一のグローバルモデルに頼ることはリスクを伴います。成功を左右する要因は場所によって異なり、ある場所でうまく機能するモデルが、別の場所では的外れになる可能性があります。さらに、もしこれらのツールが学生を支援プログラムへと特定するために使用されるのであれば、女子生徒や農村部のコミュニティを体系的に見落としていないかどうかを、慎重にチェックしなければなりません。データの複雑さを尊重し、モデルが実際に使用される現実の世界でテストを行うことで、研究者は教育における格差を広げるのではなく、真に公平性を実現するためのツールを構築することができるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。