教育における説明可能なAI：生徒の成績予測を改善するために教育分野の知見を深層学習モデルに統合する

なぜ生徒の予測をより賢く行うことが重要なのか

学校では、どの生徒がつまずきやすく支援が必要かを見極めるために人工知能の導入が進んでいます。しかし、これらのシステムが密閉されたブラックボックスのように振る舞うと、思いがけない結果が強調されることがあります――たとえば十代の恋愛事情が学習時間よりも重要だと示すような場合です。そうなると教師や保護者は結果を信頼してよいか判断に困ります。本稿は、数学の成績をより正確に予測するだけでなく、数十年にわたる教育研究が示す知見と整合する「理由付け」を行える生徒成績予測システムの構築方法を示します。

生データからリスク警報へ

研究者らは、ポルトガルの公的に知られた395人の高校生データセットを用いました。各生徒は30項目の情報で記述されており、年齢・性別・家族構成のような基本的属性から、学習時間、欠席、補習といった学校関連情報、家族関係や自由時間、友人との外出といった社会生活や福祉の側面まで含まれます。目的は各生徒の最終的な数学の成績を予測し、「落第しそう」「順調」「優秀」の三つの実務的なカテゴリに振り分けることでした。人工ニューラルネットワーク（ANN）と呼ばれる深層学習モデルが、これらの要因にまたがる微妙なパターンを捉えるよう訓練されました。

ブラックボックスが誤るとき

元のANNはまずまずの精度を示しましたが、詳しく調べると気になる点が見つかりました。SHAPと呼ばれる現代的な説明手法を用いて、モデルが重視している特徴を分析したところ、いくつかの強いシグナルが教育研究で確立された知見と矛盾していました。たとえば通っている学校、恋愛状況、外出頻度が不自然に影響力を持つ一方で、保護者の学歴、母親の職業、早期の保育参加、家族の人数、週当たりの学習時間といった研究で裏付けられた要因には驚くほど低い重みしか割り当てられていませんでした。こうした不一致は、ANNが教育者にとって意味がある公平な関係というよりも、この特定のデータセットの偏りに引きずられていることを示唆しています。

教育者が知っていることをネットワークに教える

モデルを教育的な見地に沿わせるために、著者らはStudents’ Performance Prediction Explanation（SPPE）と名付けた新しい訓練戦略を提案しました。まず文献を精査して、特徴量を大まかに二つのグループに分類しました：学業成績と一貫して関連するもの（学習時間、保護者の学歴、高等教育志向など）と、影響が弱いか不確実性の高いもの（恋愛状況や一般的な家族関係の評価など）です。訓練中、SPPEはニューラルネットワークに対して前者への依存を高め、後者を抑えるよう促します。これは各特徴が予測にどれだけ寄与しているかを監視し、ネットワークが学習した重要度のパターンがこのドメイン知識から逸脱したときに穏やかなペナルティを付加することで実現されます。

より明瞭な説明と鋭い予測

SPPEの調整を経て、モデルの内部的な理由付けは教育者の期待とより合致するように変化しました。学習時間、保護者の背景、家族規模、早期教育の経験が重要度の上位に移り、学校固有の要因や外出、恋愛状況は影が薄くなりました。重要なことに、この再整列は精度を犠牲にするものではなく、むしろ向上させました。生徒がどの三段階の成績帯に入るかを予測する際、改善されたネットワークは約3分の2の生徒を正しく分類したのに対し、元のモデルは3分の1強にとどまりました。精度（precision）、再現率（recall）、F1スコアといった標準的な指標はすべて大きく向上し、統計検定によりその改善が偶然による可能性は低いことが示されました。著者らはまた、同じSPPE戦略が他のいくつかのニューラルネットワーク設計にも改善をもたらすことを示しており、この手法が一時的なトリックではなく頑健であることを示唆しています。

教室とAIにとっての意義

教育関係者や政策立案者にとって、この研究は高精度だが不透明なモデルと透明だが精度が低いモデルという不快な二択からの逃れ道を提示します。人間の専門知識を学習過程そのものに織り込むことで、SPPEは信頼性が高く正当化しやすい予測を生み出します：たとえば学習時間や長期的な教育志向が、たまたま通っている学校より重要視されるようになります。本研究はポルトガルの一つの数学データセットに焦点を当てていますが、より広いメッセージは、説明可能で知識に導かれたAIが、地域の文脈と専門家の判断を初めから組み入れる条件の下で、生徒支援におけるより良く公正な意思決定を支えうるということです。

引用: Qiang, M., Liu, Z. & Zhang, R. Explainable AI in education: integrating educational domain knowledge into the deep learning model for improved student performance prediction. Sci Rep 16, 9515 (2026). https://doi.org/10.1038/s41598-026-40538-y

キーワード: 生徒の成績予測, 説明可能なAI, 教育データマイニング, 教育におけるニューラルネットワーク, ドメイン知識の統合