AIEdナレッジベースAIEd KB
このページの内容

このページを英語で読む

概念

ラーニングアナリティクス

作成日 2026-10-10 · 更新日 2026-10-10

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

ラーニングアナリティクス——学習とその最適化を理解する目的のための、学習者とその文脈に関するデータの測定、収集、分析、報告です。AI はラーニングアナリティクスを、記述的なダッシュボードから予測的・処方的なシステムへと変革しました。

検討すべき問い

  • 多くの人は、学習データをより多く集めれば自動的に教育が改善すると仮定します。このページは、アナリティクスが介入へとフィードバックされるときにのみ意味を持つ、と論じます——さもなければ、それらは学習を変えることなく単に記述し、旗を立てるだけです。あなたは、何の行動にもつながらなかったデータ収集をどこかで見たことがあるでしょうか。
  • あるダッシュボードが、ある学生が「危険にある」と告げたと想像してください——それは予測です。それを、教師や機関が実際に実行できる真正に実行可能な助言から切り分けるものは何でしょうか。このページは、予測だけでは十分でないと示唆しています。
  • このページは、AI がラーニングアナリティクスを、何が起きたかの記述から、何が起きるかの予測、次に何をすべきかの処方へと動かしたと述べています。この 3 つの世代のうち、あなたはどれを経験し、他には何が欠けていたでしょうか。
  • ある研究では、3 つの異なる AI モデルが同じ学生データに対して著しく異なる支援計画を生み出し、アナリティクス指標と推奨された助けとの間の関連はほとんど弱いものでした。これは、AI の助言を額面通りに信用することについて何を示唆するでしょうか。
  • ラーニングアナリティクスはプライバシーの緊張の中にあります。データがより細かければ、より明らかになり——そして介入もより強力になります。あなたやあなたの学生について何が収集されるかの線をどこに引くでしょうか。そして、それを決めるのは誰でしょうか。

はじめに

AI によって強化されたアナリティクス

  • 予測的アナリティクス: 学習者の相互作用データに対する機械学習が成果を予測します——危険にある学生の特定から知識状態の推定まで。
  • 検証は予測と同じくらい重要です。 Schuetze, Yan, and Carvalho (2025)は、予測的な知識状態モデル（BKT、BKT-with-Forgetting、AFM）が、完全なセッション履歴に遡及的に適合されるときには正確に見えるのに、時間に基づく交差検証——まさにアナリティクスが実際に展開される仕方である、先行するセッションから次のセッションを予測する方法——のもとでは、学習者のパフォーマンスを過大評価し、間隔／忘却の動態を見落とし、練習条件の順序を誤りうることを示しています。アナリティクスへの教訓——遡及的適合は縦断データ上の貧しい前方予測妥当性を隠しうるため、指標とダッシュボードのモデルはウォーク・フォワードで検証されるべきです。
  • 推定の背後にある項目と属性の対応関係を検証してください。 項目を属性に結び付ける Q 行列は仮定であり、データではありません。918 項目の分析的思考課題のうち 14 項目で棄却された項目は、修正後、見せかけの知識状態パターンを 14.2% から 3.8% へ削減しました——したがって習熟度のアナリティクスは、予測的な適合だけでなく Q 行列も監査すべきです（Feng & Huang, 2026）。
  • カリキュラムに根差した予測的アナリティクス: Pradeesh et al. (2026)は、成果基盤型教育（Outcome-Based Education）の中で LMS の相互作用と達成度データから直接コース成果を追跡し、OBE 親和性マッピング（コースとプログラム成果の関係）を用いて概念間の結びつきを構造化し、記憶拡張ネットワークを用いて成果を横断する影響をモデル化することで、知識状態を推定します。実在の大学の工学データで 89.81% の AUC に達し、DKT、DKVMN、EKT、SimpleKT を上回りましたが、汎用的な ASSISTments データでは同等（優位ではない）に留まりました。
  • 行動の時間枠を伴う解釈可能な進捗予測: Zhang, Jeffries & Koprinska (2025)は、大規模なオンラインプログラミングコースで、内容との相互作用ログの特徴からモジュール単位の学生の進捗を予測します。ブラックボックスと同等の精度（85–91%）を持つガラスボックスの決定木を用い、モジュールの締切の 7～8 日前まで「未提出」のドロップアウト結果に旗を立てます——生のリスクの旗ではなく、介入のための明示的でリアルタイムな時間枠です——そして、関与から離れたが危険にある者、関与から離れたが成功した者、関与し高い達成をする者、という探索的な類型も示しています。
  • 機関を横断する連合的で解釈可能なリスクモデリング（2026）。 Villegas-Ch et al. (2026)は、連合学習を通じて複数の（シミュレートされた）機関にわたりマルチタスク（成績＋ドロップアウト）モデルを訓練することで、リスクモデリングを単一機関の予測を超えて拡張します。これにより生の学生データは各機関から出ることはありません。統制された異質性（ラベルの偏り、クラスの不均衡、時間的ドリフト、構造的な欠測）のもとで、モデルは順位付けの精度（OULAD AUC 0.918）と構造的に安定した特徴量重要度の順位を保ちますが、確率的な較正はドリフトします——順位付けのパフォーマンスと確率の信頼性が乖離します。早期警戒システムにとってこれは、敷居に基づく介入には機関ごとの較正が必要かもしれないという注意であり、アナリティクスを識別力、較正、頑健性、解釈可能性を同時に評価せよという論拠です。
  • 合成データの検証は、プライバシーを保つアナリティクスの前提です。 4 つの年次学習習慣コホート（18 週間にわたり 117〜120 人の学習者）の合成版に対する構造的確認は、4 コホートのうち 2 つで分割記述子が密接に一致した一方、週ごとの変動は例外なく 2.6 倍から 4.9 倍低く（実コホートの 0.399〜0.539 に対し変動係数 0.086〜0.152）、25 件の検証依頼にわたり合成の予備データで得られた発見のうち実データで確認されたのは 36% のみでした（Inoue & Yasutake (2026)）。
  • 関与のアナリティクス: 関与の測定と強度のモデル化が、学生が AI システムとどう相互作用するかを定量化します。
  • フィードバックのアナリティクス: フィードバックの分類と質の評価が、学生が受け取るフィードバックを分析します。
  • ネットワーク分析: 共起ネットワーク分析と認識論的ネットワーク分析が、相互作用のパターンを明らかにします。
  • プライバシーの緊張: アナリティクスがより細かく AI 駆動になるにつれて、プライバシーの懸念は増大します。
  • 学生データのためのガバナンス見直しの枠組み。 LEAGUE は 6 つの柱——合法性、公平性、主体性、ガバナンス、有用性、設計による倫理——を提案し、FERPA と GDPR の遵守を床とし、モデルがドリフトするにつれ定期的な再評価を推奨しています（Varadaraju & Vijayakumar (2026)）。

コースの並行性をモデル化してください。列だけではありません。 TRACE は学期内のすべてのコースに同じ位置符号化を与え、コースと成績を結合して予測することで、成績予測の誤差を 0.1339 MAE に削減しました——10 年分の機関データにおいて、成績のみのトランスフォーマーからの 46.4% の削減です（Savala (2026)）。

ラーニングアナリティクスのサイクル

ラーニングアナリティクスは、正典的には、学習者の活動がデータを生み、それが尺度と指標に処理され、介入へと翻訳され、そして介入が学習者活動へフィードバックして輪を閉じる、というサイクルとして枠づけられます。介入の段階こそが、アナリティクスを単なる監視や予測から区別するものです。それがなければ、アナリティクスは記述し旗を立てるだけで、学習を変えることはありません。このサイクルは、AI ツール（ダッシュボード、フィードバック生成器、処方的な推薦器）がパイプラインのどこに位置し、どの段階を自動化するかを理解するための組織的な枠組みです。

学習者向けダッシュボードは、その到達範囲と同じ程度にしか優れていません。香港の第 9 学年の執筆研究では、プロンプト分類器はマクロ F1 0.757 に達し、46 人の学生の約 3 分の 1 が 3 つの生成 AI 使用ダッシュボードを開き、写し取りと学習志向のプロンプトにおけるグループ差は信頼できるものではありませんでした（Fong et al. (2026)）。

質的データの頻度符号化は入口であり、判定ではありません。10 人の参加者の研究では、ある教師は頻度符号化を生産的な入り方として読み、他の教師はそれが希だが決定的な回答を覆い隠すと警告しました。そのため設計は、すべての集約ビューを学生の原文のテキストに結び戻しています（Nguyen et al. (2026)）。

記述から介入へ

ラーニングアナリティクスは、ナレッジベースにおいて 3 つの世代を通じて進化してきました。記述的（何が起きたか）、予測的（何が起きるか）、処方的（私たちは何をすべきか）です。AI は処方的な層——教授上の介入を直接引き起こすアナリティクス——を可能にします。重要な最前線は実行可能性のギャップです。SC2R（Le, Abel & Laforge 2026）は、意思決定の支援には予測だけでは不十分であり、反実仮想の recourse（救済経路）は、推奨が意味的に実現可能で機械的に検証可能であるときにのみ、運用上有意味になることを示しています——タイミング、予算、不変性、そして SHACL 検証による可用性によって制約され、単にモデルとして妥当であるだけではなく。これはこの分野をリスクスコアを超えて、機関が実際に実行できる推奨へと動かし、人間の監視を保ちます。

処方的な層の直接的な実証的検証は、López-Pernas et al. (2026)から来ます。彼らは 3 つの LLM に、4,500 件の合成学生の小事例に対する支援計画の推奨を依頼しました。

アナリティクスが教室に届く仕方についての補完的で教師中心的な検証は、Mejia-Domenzain et al. (2026)から来ます。彼らは、機械学習から導かれた自己調整学習のプロファイルを 2 つのブレンドされた文脈で教師に伝えるためのラーニングアナリティクスダッシュボード（DashED）を設計しました。100 人の教師による研究は、アナリティクスの提示自体が行動への障壁であることを示しています。教師は、より複雑な設計（例えばヒートマップ）がより豊かな洞察を生む場合でも、体系的により単純で伝統的な図表（棒グラフ、円グラフ）を好み、より高い視覚化リテラシーがより深く詳細な解釈を予測しました（例えば、より多くの教師が時系列データの傾向を特定しました）。グループの比較については、教師は並置よりも重ね合わせを、明示的な差異の符号化よりも完全な情報を持つプロットを好みました。教師が提案した行動は、プロットの種類ではなく、表現された内容と彼らの教員層によって形作られました——大学の教師は週次のテストとコース単位の適応を好み、職業訓練の教師は直接的で個別化されたコーチングを提案しました——これは、処方的な段階が、基盤となるモデルと同程度に、アナリティクスがどう視覚化され文脈化されるかに依ることを際立たせています。彼らの発見は戒告的です。LA 指標と推奨された支援の間の相関はほとんど弱く、同じ学生に対してモデルを横断する推奨は著しく乖離し、支援はしばしば誰が最も必要としているかに関係なく配分されました。著者らは結論します。現在の LLM は、大規模な学生支援のための処方的モデルとしてはまだ信頼できないと——これは、処方的な段階が、出来合いの自動化ではなく、検証、微調整、人間の監視を依然として必要とすることを強化するものです。

スコアの次の段階——誰が支援を受け、それが必要なところに配分されたかどうか——は学生の支援と成功に属し、それはこのページの処方的な層が供給する働きかけ、紹介、配分の証拠を担っています。

誠実性に関する成果が同じ予測的な層に入ってきます。Akçapınar (2026)は、学期の最初の 8 週間のMoodle と動画プレーヤーの痕跡から AI 支援の不正リスクを予測し、ロジスティック回帰で AUC 0.763 に達し、そのシグナルは試験の最中ではなく試験の前に届くがゆえに使えると論じています。

補完的な研究系列は、アナリティクス自身の解釈を標的にします。Marques et al. (2026)の FACTRIA 枠組みは、指標の背後にあるバイアス要因——パイプライン、制度的、コース、人口統計——を組織化し、省察を促すチャットボットが、11 人の関係者が 1 件あたり測った下位要因を 1.41 から 3.45 へ引き上げ（d = 2.15）、彼らを直接的な読みから条件的な読みへと移行させました。

方法とネットワーク分析

ネットワーク手法はラーニングアナリティクスに中核です。推移ネットワーク分析（TNA）は学習者の行動の時間的系列をモデル化し（例えば、チャットボットが足場かけする執筆における改訂とチャットのループ）、認識論的ネットワーク分析（ENA）は、活動全体でコード／構成概念がどう共起するかを写像します——両者は、学習と学習者とAI の相互作用の産物だけでなく過程を明らかにします。（Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing）（Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing）

  • 自己主導的行動の系列＋マルコフ連鎖分析。 An, Hammock & Goel (2025)は、VERA で 822 個の生態系モデルを構築した 315 人のオンライン学習者のクリックストリームに対し、活動系列分析、階層的クラスタリング、マルコフ連鎖モデルを組み合わせました。9 つの細粒度で推移に基づく行動クラスターを、3 つのより広いパターン（観察、構築、探求）に蒸留しました。彼らの研究は、系列分析とマルコフ連鎖モデル化を組み合わせることで、人口統計学的または文脈的なデータがまったくない状況でも、非構造化された自己主導的課題において意味のある行動を掘り起こせることを示しています。

  • 行動の痕跡は認知的状態の尺度ではない——特に特別な支援を必要とする学習者については。 Vasileiou 他（2026）は、相互作用の痕跡（課題に費やした時間、繰り返される誤り、支援の求め、不規則な進捗）が、学習者がどこで支援を必要としているかを教師が見つけるのを助けうる一方、内的状態の透過的な尺度ではないと警告しています。すなわち、緩やかな反応は、注意深い思考、言語の処理、気の散り、アクセスできない設計、あるいは技術的な困難を反映しうるのです。「アルゴリズムは、行動データだけから、執行機能の欠如や診断的な状態を推論すべきでない」——アナリティクスは、専門的な評価と学習者との対話の内部における一つの情報源としては擁護できます。

  • LA と生成 AI は学習設計を異なる形で形づくる（2026）。 Claassen et al. (2026)は、11 の教師フォーカスグループで ENA を用い、ラーニングアナリティクスと生成 AIが学習設計の意思決定をどう知らせるかを比較しました。LA の議論は文脈情報、コース単位の設計、創造的な問題解決を中心とし（関与の診断と支援の標的化のための LA）、生成 AI の議論は評価設計と学生の自己決意のための設計を中心としました（着想と評価開発のための生成 AI）。文脈と創造性は両方において中心でした——これは、アナリティクスが教育的な文脈と教師の自律性の内側でのみ設計を知らせる、という想起材料です。

  • 設計のアナリティクス——痕跡ではなく計画された活動系列の採掘（2026）。 Divjak, Svetec and Horvat (2026)は、オープンな学習設計ツールで計画された 554 コースにわたる 29,064 件の教授・学習活動の設計された系列に、マルコフ連鎖と系列パターン採掘を適用しました。推移行列は評価から討議へのピーク（0.332）を示し、自己推移が練習（0.317）と習得（0.292）を支配し、最も強い連続規則は習得から評価から練習から練習でした（確信度 0.743、リフト 1.449）、一方、最も頻繁な 4 段階の経路は習得、練習、練習、評価（120 回の出現）でした。討議と評価は最も到達可能な類型で、制作は最も遠く散発的でした。この研究は、ラーニングアナリティクスが LMS の痕跡から始まる必要はないという想起材料です。設計時のデータは、どの学生も到着する前にコースの教育学的な文法を露呈しえます——ただし著者らは、反転授業、探究ベース、プロジェクトベースの設計との類似が意図の証拠ではないと強調しています。

  • 自己説明する蒸留 LLM（2026）: 2 段階のパイプラインが、ブラックボックスのラーニングアナリティクス推定器とその事後的解釈を、個人レベルの推定と言語による説明の両方を返す小さなオープンウェイトのLLMに蒸留します。忠実性第一の監査は、語りがそれが記述する帰属と一致するかどうかを評価します。シミュレーションは、指導者を伴うほぼ損失のない回復（r > .90）を示し、アナリティクスのためのより透明で展開可能な道を提供します（Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics）。

  • LA に基づく教育的介入の推進要因（2026）。 Svetec, Divjak & Kadoić (2026)は、デルファイ＋AHP＋SNAP を通じて、信頼できる LA に基づく教育的介入の 7 つの推進要因を特定し優先順位をつけました。制度的な戦略的指向、教育的およびその他の研究的基礎、利用可能な資源、教育的支援、倫理とデータガバナンス、関係者の関与、品質保証です。制度的な戦略的指向が最も高く（そして他の推進要因への影響力も最も大きく）、利用可能な資源が 2 番目でした。信頼性（倫理的な遵守、透明で偏りのないアルゴリズム、教育的妥当性）は、それなしには LA に基づく介入が意味をなさない前提として枠づけられています。

  • LLM 相互作用の深さは課題の質を予測するが想起は予測しない（2026）。 Tsiligkiris (2026)は、ターン単位の LLM 会話のテレメトリ（深さ／量／ペーシング）を学習の成果に結びつけます。説明を求める「深さ」は、独立に採点された課題の質を予測しました（β = 6.27）が、即時の想起は予測しませんでした——精緻化駆動の理解と検索駆動の定着との乖離であり、これはLLM相互作用が LA においてどう測定され評価されるかについての含意を持ちます。

  • 共有される相互作用の単位が欠けています。 33 研究からの 46 の分類法にわたり、共有されるメタ特性はありません——似たラベルが異なる現象を名指しています——そのためレビューは、対話とスキル習得とを相関させる単位として、相互作用エピソード（目標指向で境界づけられた交換）を提案します（Borchers, Jansen & Weidlich (2026)）。

  • ラーニングアナリティクスのための協働的談話のシミュレーション。 Fang (2026)は、微調整された参加者特異的な LLM エージェントを用いて協働的問題解決の対話を再現し、認識論的ネットワーク分析（ENA 距離 0.17、並べ替え検定 p = 0.65）で検証しました。この手法は、ラーニングアナリティクスの研究者に、新しい人間のデータを収集することなく、相互作用の動態、ターンの交替、主題コードの軌道を研究するために本物の協働的談話を生成する、スケーラブルな方法を提供します。

  • 開かれた再現可能なデータと痕跡対応のアナリティクス。 ASTRAは、協働的プログラミングにおける相互作用と参加の均衡を分析するための、痕跡対応のスキーマ（N=540。360 セッション。1,440 エピソード）を持つ合成ベンチマークを公開します。ログと痕跡のデータは、この文献において自己報告の自然な釣り合い重りです。同じ構成概念がしばしば 2 度測定され、1 度は尋ねることで、1 度は観察することで、そして両者は必ずしも一致しません。別途、SHAP 分析を用いた探索的な ML 枠組みは、大学生の ChatGPT の使用意図と最も強く結びつく学習関連の構成概念を特定し、解釈可能性を優先しました（An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education）。

  • 再検証される分析基盤——社内でのみ検証済み（2026）。 Bai et al. (2026)は、コードではなく構成値の変更によって、3 つのジョージア工科大学の AI アシスタントから公表された発見を再現しましたが、その主張は既存の単一機関データセットの再分析に依拠し、唯一の能力拡張は内部の人間によって行われました。

つながり

ラーニングアナリティクスは知識追跡（中核的な分析）、形成的評価（アナリティクス駆動の評価）、学生モデリング（アナリティクスが埋める学習者の表現）、プライバシー（倫理的な制約）、そしてEdTech プラットフォーム（アナリティクスが展開される場）と結びついています。処方的なアナリティクスがますますシミュレートされた学習者で評価されるようになるため——統制された検証で合成の学生コホートが実在のコホートを代替する場面——ラーニングアナリティクスは学生シミュレーションとも結びついています。

  • ダッシュボードが可視にするものが、教師が何に基づいて行動するかを決めます。 Köroğlu et al. (2026)は 27 件の実証研究（2016–2025）をレビューし、8 つの意思決定類型にわたる AI 支援の講師の意思決定についての社会技術的な分類法を構築しました。教授的、カリキュラム、評価、フィードバック、学習環境、感情的、管理的、倫理的です。ラーニングアナリティクスダッシュボードが最も頻繁に報告されたシステムであり、符号化は、行動的なテキストとログデータが知らせられる教授的、フィードバック、評価の意思決定への支援の集中を示し、感情的、倫理的、カリキュラム、学習環境の意思決定はほとんど支援されませんでした。著者らはこれを、能力の限界ではなく注意の効果として読みます。システムが行動的な学生データを可視にし実行可能にしたため、動機づけ、メタ認知、感情、環境への関心は、データが講師に検討を招いた範囲の外に落ちました。

過程レベルの計装は、記述的な層のもう一段下です。Prol et al. (2026)はオープンソースのパーソンズ問題プラットフォームを拡張し、すべてのブロックの配置、除去、提出を時系列の痕跡として記録し、各提出をブロック単位の正しさの色づけと試行履歴と対にし、そして任意にその痕跡を、反復的に現れる困難のパターンにラベルを付けるLLMパイプラインに通すようにしました。上級の Java ソフトウェア設計コースの 68 人の学生と入門 Python コースの 36 人にわたり、分析は同じ 3 つの困難——誤った例外の型を選ぶこと、return を throw の代わりに使うこと、誤った制御フローの順序——を表面化させました。正しさと試行の回数ではこれを露呈できません。それらは配置が正しかったかどうかに答えるのであって、過程が何であったかに答えるわけではないからです。AI は学生の採点者ではなく教員の解釈者として働き、その産出は成績ではなく、あるクラスの困難についての検討可能な仮説として枠づけられています。

  • 学習システムの壁——ログデータはプラットフォームを横断して一般化しません。 MATHia、i-Ready、IXL は、そもそも「試行」「ヒント」のような基本的な構成概念さえそれぞれ異なる仕方で定義しているため、モデルはそれらの間で移せません。進行中の対応策は動画の側からこの問題に攻めをかけます。Gemini のパイプラインが、チュータリングの画面録画を、ネイティブの MATHia ログを正解の基準として整列させた単一の脚本トランスクリプトに蒸留します。動画が単一のストリームでは回復しないものを回復するもの——ホワイトボードの足場かけ、外部ツールにおける静かな電卓の作業、そしてネイティブのログが「無活動」に還元してしまう画面外の文脈です。未解決の課題は、時間的なアンカリング、時計のドリフト、プラットフォームの出来事を他の学習過程から切り離すことに残っています。（Towards breaking the learning system wall using multimodal tutoring transcriptions）

関連する概念

関連する記事

関連するFAQ

メタデータ

学習と教授学生の関与
技術と手法知識追跡, 学習者モデル化と適応的教授, エドテック・プラットフォーム
評価と測定フィードバック, 形成的評価
研究方法と評価AI教育の評価（AI Ed Evaluation）
公平性、倫理、責任ある利用プライバシー
ページ種別Evaluation
SourceHistoryEditChat

このページを埋め込む

下のコードをコピーして、学習管理システムや他のウェブサイトにこのページを埋め込みましょう。埋め込み版ではページの内容のみが表示され、サイトのヘッダー・ナビゲーション・フッターは非表示になります。