学習分析アプローチを用いた技術教育における学生の中途退学リスクを予測するためのAIの活用

困っている学生への早期警告が重要な理由

多くの大学生は、成績が悪化するずっと前にオンライン授業でひそかに遅れをとっています。授業が要求水準が高くテンポも速い技術系分野では、それが短期間で中途退学につながりやすい。本研究は、オンライン学習プラットフォームの日常的な活動データをどのように早期警告システムに変えられるかを検討します。学生が教材をどのように移動しているかを解析することで、人工知能（AI）モデルは早期に問題を示すパターンを検出し、教師が的確な支援を行えるタイミングを提供します。

オンライン授業のデジタル足跡を追う

研究は、応用科学系大学のMoodle学習プラットフォームで教えられた2つのCAD（コンピュータ支援設計）コースに焦点を当てています。ファイルを開く、テストを試行する、課題を提出する、といったすべてのクリックが時刻付きログとして記録されます。80人の学生から得られた12,941件の記録を基に、導入ページのような単純な教材から複雑な複数工程の課題まで、49種類の学習資源を記述するデータセットを構築しました。これらのコースは中途退学率が通常より高かったため、活動パターンと学生の成功や失敗の関係を探るうえで有益な試験場となりました。

クリックを意味ある学習シグナルに変える

生のクリック数をそのままブラックボックスなアルゴリズムに入れるのではなく、本研究では教師が理解できる指標にデータを再構成する「重み付け属性」法を導入します。各リソースは主に三つの側面でスコア化されます：認知的負荷の高さ、学生の関与の頻度、コースが想定する所要時間。これらのスコアを組み合わせて、学生がその資源をどれだけうまく扱っているかを反映する単一の有効度指標を作ります。こうしてモデルは単に学生が危険にあると示すだけでなく、問題を引き起こしている可能性のある具体的な課題や教材を指摘します。

AIモデルが明らかにしたこと

重み付け指標に基づいて、より効果的な学習ツールとそうでないものを区別するために、ロジスティック回帰とランダムフォレストの2種類の予測モデルを訓練しました。比較的サンプル数が小さいことによる誤導を避けるため、研究者はどのデータを訓練用に、どのデータを検証用に使うかを回転させる反復的な交差検証を用いました。これらの検証を通じて、両モデルとも良好な性能を示し、ランダムフォレストがわずかに優れている一方で、シンプルなロジスティックモデルは解釈が容易でした。いずれの場合も、最も重要なシグナルは学生がある資源とどれだけ頻繁に関わるか、どれだけ長く滞在するか、そしてその資源が設定された難易度でした。

教師を置き換えるのではなく、より良いコース設計を目指す

結果は、複雑で時間を要する課題—複数工程のモデリングプロジェクトや大規模な宿題など—が学習成果の向上と強く結びついているのに対し、基本的な告知や短い概説は貢献度が低いことを示しています。これは、適切に設計された挑戦的な課題と十分な時間が学生の成功にとって重要であることを示唆します。研究はまた、早期警告システムが実際にどのように機能するかを概説しています：自動化されたダッシュボードがリスクのあるパターンを教員に示し、教員は例題の追加や負荷の調整、支援セッションの提供などで対応を決定します。重要なのは、このシステムは教員に情報を提供するよう設計されており、学生に関する決定を自動化するものではないという点です。

学生と教育者にとっての意味

一般読者にとっての主要なメッセージは、AIは学生が失敗する前に問題箇所を大学が察知するのを助けうるが、それは慎重に使われる場合に限られる、ということです。コース設計に関する洞察と慎重なデータ処理を組み合わせることで、重み付け属性法は生の活動ログを、コースのどの部分が学習を助け、どの部分が阻害しているかについての明確なシグナルに変えます。本研究はまだパイロット段階であり、一機関の少数の技術系コースに限定されるため結果は予備的です。それでも、データ駆動型ツールが教員のコース再設計や困難を抱える学生への早期介入を支援し、学生が学業からひそかに離れていく可能性を低くするという、より透明で公正かつ支援的なAI活用への具体的な道筋を示しています。

引用: Ovtšarenko, O. Using AI to forecast student dropout risk in technical education using a learning analytics approach. Sci Rep 16, 14616 (2026). https://doi.org/10.1038/s41598-026-44919-1

キーワード: 学生の中途退学リスク, 学習分析, オンライン技術教育, 予測モデリング, 早期警告システム