ラーニングアナリティクス（LA）は、教育の分野で台頭してきた比較的新しい研究分野です。

これは、学生自身が提供するデータを分析するための一連のツールを使用します。これにより、各生徒のコースでの経験を適応させ、より効率的でダイナミックな学習方法を提供することが可能になります。

ラーニングアナリティクスは、学習の予測と助言を行い、学生の学習ニーズの特定と教育戦略の改善において、教員をさらにサポートすることを目的としています。

次のグラフは、ラーニングアナリティクスのプロセスを示しています。

まず、先生がゲームやクイズなどの学習環境をつくります。次に、生徒がこのタスクを実行し、各生徒に関するこのすべてのデータ（スコア、関与、...）がデータベースに格納されます。その後、このデータを分析して情報を取得し、影響を与える変数を特定し、スコアを予測するなどの作業を行います。

この分析のおかげで、教師は学習環境を修正し、より効率的に、生徒の個々のニーズに適応させることができます。そして、同じプロセスが何度も繰り返されます。

学習分析には多くのアプリケーションがあり、すべて生徒への教授法をより良く適応させることを目的としています。以下のセクションでは、最も重要なものを説明します。

データの可視化は、ラーニングアナリティクスの主要なアプリケーションです。これは、講師が生徒の継続的な活動を可視化し、分析することを支援することを目的としています。

データが蓄積されると、すべてのデータを簡単に視覚化できるダッシュボードを作成することが可能になります。

次の図は、ダッシュボードの例を示しています。

このダッシュボードでは、コース（数学）と学生（Mary Smith）に関する情報を可視化することができます。

コースの可視化には単位および学生数、性別によるスコア分布、直帰率、サイトでの1日の時間、異なる評価における合格および不合格の分布等、数学コースに関する情報が含まれます。

第二部では、特定の学生、Mary Smithに関するデータを可視化することができます。彼女の登録データの一部、エンゲージメントチャートとスコアチャートです。

PowerBIやTableauなど、学生のモニタリングに使用できるツールはたくさんあります。これらのツールは、データ内のインサイトを見つけるために使用され、データのビジュアルを提供するために、チャートやグラフの作成を支援します。

データの可視化により、学生がコンテンツにどのように関わっているかを簡単に理解できるため、何がうまくいっていて何がうまくいっていないのかを把握し、方法を改善することができます。

学習方法を改善するためには、最も影響力のある要因を認識することも重要です。

教師や学習組織は、どの点が最も重要であるかを認識することで、より注意を払うことができます。

これらの要因を見つけるために入力-目標相関を計算します。これは、すべての変数と目標変数、たとえばスコアとの相関を計算します。

次の図は、どの要因が変数final_scoreに最も影響を与えるかを示しています。

この例では、最も影響力のある要素は3つの評価 (評価1、評価2、評価3) で、正の相関があり、評価が良いほど、変数Final_scoreも良くなります。

取り組み (取り組み1、取り組み2および取り組み3) もまた、変数Final_scoreにプラスの影響を与えますが、評価よりも少なくなります。

最後に、性別の変数は変数Final_scoreにほとんど影響を与えません。

また、異常値の検出も重要です。特に、学習が困難な生徒や学習過程が不規則な生徒を検出することで、教師が彼らのニーズに合わせて学習方法を調整できるようにします。

次のプロットでは、生徒のスコアを生徒の学習意欲の関数として観察することができます。最小スコアは0、最大スコアは10で、エンゲージメントは学生がその日に教材を使用した回数で測定されます。

図のように、オレンジ色の丸で囲った2つの外れ値が選択されています。

右上の生徒については、点数は良いのですが（約9点）、この点数を取る生徒の8倍も勉強する必要があります。これは、集中力の問題や勉強に熱中することなど、いろいろなことが考えられるので、先生はこの生徒を見るべきでしょう。

左下の生徒については、多くのクラスメートと同じ時間勉強しているにもかかわらず、試験に合格することができず、悪い点数（1点前後）さえ取っている生徒です。同じように勉強している他の学生（約300人）を見てみると、ほとんどの学生が合格していることがわかります。これは、この生徒が学習困難であることを示している可能性があり、教師はこのケースも研究する必要があります。

全体として、点が集中している箇所から離れた場所にいるケースは、この人が他のクラスメートと異なる学習プロセスを持ち、異なる学習問題を示している可能性があるため、見直す必要があります。

ラーニングアナリティクスは、得点や退学の確率の予測にも利用されています。

何人の学生が合格して何人の学生が落第するか、コース変更率はどうなるか、グループ平均はどうなるかなど、コースの予測をすることが可能です。また、特定の学生の予測も可能です：予測スコア、退学の確率など。

次のグラフは、数学コースの予測例です。

数学コースは、合格率64％、不合格率28％、コース変更率8％と予測される。

次のグラフは、生徒のMary Smithの予測です。

ニューラルネットワークは、人工ニューロンの層で構成されるネットワークアーキテクチャからなる、生物学に着想を得た計算モデルとして定義することができます。

この構造はパラメータのセットを含んでおり、特定のタスクを実行するために調整することができます。例えば、退学者のリスクを評価したり、学生の最終的なスコアを予測したりすることができます。

次のグラフは、学生の最終的なスコアを予測するために使用されるニューラルネットワークの例を示しています。

入力層は黄色で示されており、各変数に1つずつ、合計8つのニューロンで構成されています。

この例では2つの隠れ層（青）があり、最初の層は3つのニューロン、2番目の層は1つのニューロンを持つだけです。

最後に、オレンジ色の出力層があり、出力変数である最終スコアに対応するニューロンは1つだけです。

8つの変数すべてのデータを導入すると、ニューラルネットワークの隠れ層が働いて、最終的なスコアの予測値を出力として返します。

学生への推薦も学習分析アプリケーションの1つである。

推薦アルゴリズムには、コンテンツベース、協調的推薦、会話型推薦など、さまざまな特徴に基づくものがある。次の図では、コンテンツベースと協調フィルタリングを表しています。

一方、協調フィルタリングは、類似した学生の記録を使用して、学生にコースを推薦する。

これらのアルゴリズムは、個人のニーズや興味にマッチするように使用されます。このような個人のニーズや興味に最も適したコースを見つけることで、退学確率を下げ、エンゲージメントを向上させることができます。

また、これらの情報は、コースの学習計画や学習プログラムのさらなる開発にも役立てることができます。

FLIP2Gは、欧州の教育・訓練・青少年・スポーツを支援する欧州連合（EU）のエラスムス＋プログラムの一環として実施されるプロジェクトで、データ駆動型の適応型ゲームによる教育・訓練の強化（Flipped classrooms）です。

このプロジェクトは、欧州の7つの高等教育機関、学校、民間企業によって実施されています。

(外部リンク)
・Aalborg University (Denmark).
・Nurogames (Germany).
・University of Macedonia (Greece).
・Artelnics (Spain).
・Northumbria University (United Kingdom).
・Mandoulides Schools (Greece).
・Revheim School (Norway).

Flip2Gプロジェクトは、高等教育機関、学校、民間企業の間でナレッジ・アライアンスを確立し、スキル開発を後押しするとともに、教育やトレーニングにデータ駆動型の斬新なアプローチを導入することを目的としています。

その結果、問題解決型学習や反転授業とゲーム型学習を組み合わせた新しい教育手法が確立され、学習プロセスに関する有益な知見が得られると期待されます。

これらの技術によってモチベーションを促進し、さらにカスタム学習経路を生成し、教育における自己主導的な学習を可能にする魅力的なモデルを精緻化することが可能になります。

この記事で見てきたように、ラーニングアナリティクスは学生の学習体験を向上させることができます。

ラーニングアナリティクスは、教育データを収集・処理、すでに起こったことを可視化、最も影響を与える要因を認識、困難や不規則な学習プロセスを持つ学生を検出、また起こりうることを予測し、コースを推奨することによって、教師や教育組織が学生にパーソナライズされたサポートを提供し、新しい教育学モデルを作成することをサポートすることができます。

すでにFlip2Gのような組織やプロジェクトがこれらの技術を活用しており、今後、他の多くの教育機関もこれらの技術を取り入れると予想されます。