データマイニングと外国語教育の接点としての自動採点研究
•
0 likes•1,281 views
早稲田大学CCDL研究所第１回シンポジウム「外国語教育研究におけるスピーキングとライティングの自動採点・評価」投影資料
Recommended
More Related Content
What's hot
Viewers also liked
Viewers also liked (18)
Similar to データマイニングと外国語教育の接点としての自動採点研究
Similar to データマイニングと外国語教育の接点としての自動採点研究 (20)
Recently uploaded
Recently uploaded (7)
データマイニングと外国語教育の接点としての自動採点研究
- 2. 本日の内容 • 1. 自己紹介 • 2. 高等教育/外国語教育を取り巻く課題 • 3. 最近取り組んでいる研究課題 • 4. 今後の展望 2
- 3. 1. 自己紹介 3
- 4. 職歴 • 2012/04-2015/03 • 専修大学附属高等学校 – 英語ライティング、コミュニケーション英語などを 担当 • 2015.04-現在 • 早稲田大学大学総合研究センター – 主に高等教育開発（統計リテラシー教育・アクティ ブラーニングマニュアル開発・グローバルMOOC・ 海外大学連携FD・教学IR）などに従事 4
- 6. 社会的背景 • 社会の高度情報化・情報発信の低コスト化 – 大量のデータが常に生成されている • 記憶媒体の大容量化・通信の高速化 – 膨大なデータの蓄積 ⇒整理されていない膨大なデータ 6
- 7. データマイニング (Adriaans & Zantinge, 1998) • 大量のデータの中から規則性や関連性など 意味あるパターンを自動的に抽出する手法 • 従来，データ解析は多変量解析などの統計 的手法が主流であったが，1990 年代の中頃， 人工知能の分野におけるルールの自動生成 の研究が行われたことがデータマイニングの 発端 7
- 8. 高等教育の現状 • Romero and Ventura (2013)は、「教育機関が 直面する一つの大きな課題は，急速な教育 データの増加とその管理上の意思決定の質 を改善するためのデータの使用である」という ことを指摘している。 8
- 9. エデュケーショナルデータマイニング • エデュケーショナルデータマイニング （≒Learning Analytics and Knowledge; LAK）が 近年，注目を集めている。 →教育における問題を処理するために，教育環 境から得られる特別なデータ集合に対してデー タマイニング技術を適用する (Romero & Ventura, 2013) 9
- 10. 教育データの特性 • 異なる情報源（システム）から、学習者の活動 の膨大な量のデータが提供される • 全ての学生が活動や演習などを必ずしも完 了していないため、不完全なデータが存在す る • 粒度の異なる多様なデータがある – 性別・アンケート・テスト得点etc… 10
- 11. なぜデータマイニングを用いるのか • 統計解析より，大量のデータが扱える。 • 実用性を重視し、データ解析の探索的側面を強 調 • 欠損値などを含む不完全なデータに対し頑健な 分析ができる。 →統計解析にも欠損値を扱う方法は存在するが， データマイニング手法の方がより頑健であることが 指摘されている。 11
- 12. エデュケーショナルデータマイニング と関連する主な領域 (Romero & Ventura, 2013) 12
- 13. エデュケーショナルデータマイニング により可能になること (Bousbia & Belamri, 2013) • 学習者モデリング – 知識、スキル、モチベーション、満足度、メタ認知、 態度、学習の進捗状況などの詳細な情報が組み 込まれたモデル • 学習者の成績や学習成果の予測 • 適応的な情報推薦 • 学習者の行動解析 – 個別指導、適応、パーソナライゼーションなど • 学生に関するリアルタイムデータの視覚化 13
- 15. 近年の動向 • データ形式の標準規格（田村, 2015） • IMS Caliper – 69+23項目 – 学習指導要領との関連付け • 文科省・電通 – 現在検討中、非公開 – 現状60項目 • EDUPUB LA – 44項目 15
- 16. 外国語教育 • 大学入試におけるパフォーマンス評価測定の 必要性 • ICTの普及 • 説明責任 →自動採点研究の必要性 16
- 17. 大学新入試、「ＡＩ」で採点 記述式を 短時間処理 ３２年度予定 • 大学入試センター試験の後継となる平成３２年 度開始予定の「大学入学希望者学力評価テス ト」で、新たに導入される記述式試験の採点業務 について、文部科学省が作業の効率性や安定 性を高めるため、人工知能（ＡＩ）の活用を含めた 技術開発を推進する方針であることが６日、分 かった。１１日の同省専門家会議で示される最 終報告案に盛り込まれる見込み。大学入試の採 点業務でのＡＩ導入は国内初とみられるが、技術 的な課題もあり実現までには曲折も予想される。 17
- 18. 測定において生じる誤差要因 （石岡・亀田, 2003） • 書き手、題目、形式、制限時間、テスト状況、 評定者 • 文字の巧拙 • 評定の系列的効果 • 課題選択 • その他（書き手の性別、人種など） 18
- 19. ライティング自動評価のユーザー別目的 Rudner (2004) • 教師 – 多くのエッセイを読み採点するという重荷からの 開放 • テスト業者 – 低コストで高品質の採点を可能にする • 研究者 – 自らの研究を統合させることが可能（第二言語習 得、自然言語処理、外国語教育など） 19
- 20. 自動採点研究で考えるべきこと • タスク • 特徴量（データ） • 手法 20
- 21. タスク • モード： – paper-based – computer-based • 測っている構成概念（杉田, 2016） – Accuracy – communicability • 測る能力： – リーディング – リスニング – スピーキング – ライティング – 技能統合 21
- 22. 特徴量（データ） • Complexity, Accuracy, Fluency, Vocabulary • Parser（Stanford parser, Berkeley parser, L2SCA, Coh-Metrixなど）から自動抽出できる変数 • 理論と実装のジレンマ（小林, 2016） 22
- 23. 手法 • 重回帰分析 • 機械学習（サポートベクターマシン, 決定木， 最近傍法, ランダムフォレスト） • 音声認識（スピーキングの場合） • テスト理論（IRT） 23
- 25. 最近取り組んでいる研究課題 Phase 1 • 英語学習者の文法的誤りはライティングの評価 をどの程度予測するか Phase 2 • Phase 1の結果を踏まえ、ライティングの全体的 評価に影響を与える文法的誤りの種類を検討 Phase 3 • Phase 1及びPhase 2の結果を踏まえて、評価に 寄与しやすい文法的誤りの自動検出 25
- 26. 背景 • これまでのライティング研究の多くは、第二言語として の英語ライティングを対象としているということである (Ortega, 2009) →日本の文脈を念頭に置いた，ライティング研究が必要 • 英語ライティングは指導が十分に行われていない(板 津・保田・大井， 2013) →学習者のエッセイ評価は教師にとって，大きな負担 →評定者間の評価の不一致の問題 26
- 27. なぜ今文法的誤りなのか • 自然言語処理の教育応用に対する外国語教 育からの検討 →英語教育と自然言語処理のクロスロード (小 町, 2014) • Common European Framework of references (CEFR)のCan-do statementにおける Grammatical Accuracyの記述の精緻化 27
- 28. なぜ今文法的誤りなのか • 自然言語処理の教育応用に対する外国語教 育からの検討 →英語教育と自然言語処理のクロスロード (小 町, 2014) • Common European Framework of references (CEFR)のCan-do statementにおける Grammatical Accuracyの記述の精緻化 28
- 29. 英語学習者支援のための共通タスク (小町, 2013) • Helping Our Own (HOO) 2011 European Workshop on Natural Language Generation 論文の文法的誤り訂正 ACL Anthology Reference Corpus • Helping Our Own (HOO) 2012 Building Educational Applications Workshop 前置詞と限定詞の文法的誤り訂正 Cambridge Learner Corpus 29
- 30. 英語学習者支援のための共通タスク (小町, 2013) • Native Language Identification Shared Task Building Educational Applications Workshop 英作文から英語学習者の母語推定 TOEFL11 データセット • Grammatical Error Correction CoNLL 2013 限定詞、前置詞、数、動詞の形、一致、スペル、句読点 の文法的誤り訂正 NUS Corpus of Learner English 30
- 31. 誤り検出・訂正ワークショップ 2012 • 英語学習者の作文の誤り自動検出のワーク ショップ。EDCW 2012 では、前置詞誤り・動詞 （主語-動詞の一致）誤りの2つのトラックに加 え、誤りの種類を限定しないパイロットトラック を実施。 • ソースコードは以下で公開されている。 • https://sites.google.com/site/edcw2012/ 31
- 32. なぜ今文法的誤りなのか • 自然言語処理の教育応用に対する外国語教 育からの検討 →英語教育と自然言語処理のクロスロード (小 町, 2014) • Common European Framework of references (CEFR)のCan-do statementにおける Grammatical Accuracyの記述の精緻化 32
- 36. 先行研究 • 自動エラータグ付与 (投野・望月, 2012) →対応する正解文さえ用意すれば編集距離を 用いて自動的にオリジナル文と正解文を対比し て差分を特定し，エラータグを付与するツール を開発中 • 小島・石井・金田・磐崎・赤松・金澤 （2014） →ライティング評価とテクストの言語的特徴の 関係についてメタ分析を行っており，文法的正 確さの重要性について言及している。 36
- 37. 学習者コーパスを用いた誤りに関す る先行研究 • スペリング（He, 1998) • 語彙（Chi Man-lai et al., 1994; Milton & Freeman 1996; Lenko-Szymanska, 2003） • 動詞（Källkvist, 1995） • 時制（Granger, 1999; Housen, 2002) • 冠詞（Mason & Uzar 2001） • 談話・照応関係（Flowerdew, 2000） • コロケーション（Tono, 1996; Nesselhauf, 2005） • 複数のエラー (Nicholls, 2003; Abe & Tono, 2005; Albert et al., 2009) 37
- 38. データ • Konan-JIEM Learner Corpus (KJLC) • 甲南大学と教育測定研究所（JIEM）が共同で収集、アノ テーションを行ったコーパス。日本人英語学習者の170 エッセイから成る。また、文法誤り情報と品詞／句情報が 人手で付与されている。 • 研究目的のためであれば言語資源協会を通じて、購入可 能。 • 成田 (2013) • 名詞句の後置修飾を分析 38
- 39. データ エッセイの数 170 エッセイを書いた学生の数 17 総文数 2409 総単語数 19285 異なり語数 2054 39 ※学習者はエッセイトピックを示された後、５分間のプランニングタイムを与えられ、 その後35分でエッセイを書く。
- 40. トピック University life Summer vacation Gardening My hobby My frightening experience Reading My home town Traveling My favorite thing Cooking 40
- 41. エラータグの種類 タグ 内容 n_num 名詞-単複エラー、加算、不可算 エラー n_lxc 名詞-語彙選択エラー n_o 名詞-その他のエラー pn 代名詞に関するエラー v_agr 動詞-人称・数の不一致 v_tns 動詞-時制エラー v_lxc 動詞-語彙選択エラー v_o 動詞-その他のエラー mo 助動詞に関するエラー aj 形容詞に関するエラー タグ 内容 av 副詞（句）に関するエラー prp 前置詞に関するエラー at 冠詞に関するエラー con 接続詞に関するエラー rel 関係詞に関するエラー itr 疑問詞に関するエラー o_lxc 二語以上から成る成句での語彙 選択ミス ord 語順エラー uk 特定不能なエラー、構成上の致 命的なミス f フラグメント（断片、未完の文等） 41
- 42. 誤りの割合 タイプ 割合 (%) 冠詞 19.23 名詞の単複 13.88 前置詞 13.56 動詞の時制 8.77 名詞の語彙選択 7.04 動詞の語彙選択 6.90 代名詞 6.62 動詞の人称・数の 不一致 5.25 形容詞 4.30 タイプ 割合 (%) 動詞その他 4.09 副詞 3.59 接続詞 2.04 語順 1.34 名詞その他 1.30 助動詞 0.88 語彙選択その他 0.74 関係詞 0.42 疑問詞 0.04 42
- 43. 成田(2013)による評価 • 日本の大学で英語教育に従事している教員2 名（英語母語話者）と筆者の3人が、以下のよ うな手順で評価した。 1. 各評価者は、1つのライティング・トピックに関し て作成された17人のエッセイを一度に全て読み、 質的に優れていると判断したエッセイのみマー キングする。 2. 評価者3人による１の評価結果を照合し、トピッ クごとに優れているとみなすことができるエッセ イを協議して選定する。 43
- 44. エッセイの例 (University life) My university life is very interesting. Because I <v_lxc crr="do">act</v_lxc> many things <prp crr="">since</prp> now. First I <uk crr="am a member of">join</uk> <at crr="a"></at> cercle. I feel <ord crr="very good about this"><prp crr="about"></prp> this very good</ord>. <uk crr="I kill time by">My killing time is</uk> writing <n_num crr="novels">novel</n_num> or drawing <n_num crr="pictures">picture</n_num>. 44
- 45. 頻度の変換 • sqrt((X+0.5))で変換（開平変換） • 分布の正規性や分布の等質性を満たすた め • 複数の条件のデータの平均 値と分散の間に「平均/分散 =定数」的な関係がある場合。 • あまり起きないようなこと。 頻度が5増えた場合（横軸）、 小さい値と大きい値で変換 後の値（縦軸）の増え方が 異なる。 45
- 46. トピックのクラスタリング • 頻度はトピックによって違う 今回はこのグループの英作文を対象 学習データ: 70 評価データ: 20 langtest.jpによる分析 46
- 47. 誤りの種類を選択 • 以下の条件から9種類を選択 – 極端に頻度が低くない – goodとpoorで平均値に差がある程度存在 文法的誤り 名詞の数 動詞の時制 副詞 名詞（その他） 動詞の語彙選択 前置詞 代名詞 形容詞 語順 47
- 48. 最近傍法 • 2変数で考えてみると … Goodの平均値 Poorの平均値 Poor Good 𝐷 𝑝, 𝑋 = (𝑥𝑖 − 𝑥)2 𝑠𝑑 𝑥 + (𝑦𝑖 − 𝑦)2 𝑠𝑑 𝑦 x y 値が小さい方のカテゴリが評価と なる。sdはその次元の標準偏差。 48
- 49. 予測方法 • 標準ユークリッド距離を利用した最近傍法 – 70の学習用データで9種類の文法的誤りの平 均値を”good”、”poor”それぞれで計算 – 評価データでは、各エッセイが文法的誤りの値 とGood、Poorの平均値への距離を計算 – その距離が近い方をそのエッセイの評価 – Cohen’s Kappa = .57 49
- 50. 考察 • 文法的誤りの頻度のみを用いても，学習者の ライティング評価は，それなりに高い精度で 予測が可能。 • 評価に寄与する文法的誤りのさらなる見当が 必要 → v_lxc（動詞の語彙に関するエラー） 50
- 51. 4. 今後の展望 51
- 52. 今後の展望 • 特徴量の整理（桜木, 2011; Innami & Koizumi, 2014; Kojima, 2011） • 産学・他分野（情報学・自然言語処理）との連 携 • 自動採点についてもっと議論できる場を 52
- 54. キー入力記録ログ • コンピュータのキー入力の記録。 • 心理言語学では以前からよく用いられている 手法であるが、近年では、外国語教育などで もよく用いられている。 • 尾関（1993）やSugiura & Ozeki (1994)などの 先駆的な研究も存在。 54
- 56. ライティング・プロセスの指標 （Deane, 2014; Deane & Zhang, 2015） • 語と語の間のポーズ • 文と文との間のポーズ • バックスペース • カットアンドペースト etc… 56
- 57. WritingMaetriX Corpus Project （石井・石井・草薙・阿部・ 福田・川口, 2014a, 2014b） • ライティングのキー入力記録システム WritingMaetriX (WMX)に基づく，ライ ティング・プロセス可視化コーパスの構 築 • WMXで記録した学習者の産出過程のデー タを大量に蓄積することで，母語別・習 熟度別の学習者のライティング・プロセ スを横断的・縦断的に分析 57
- 58. 学習者コーパス研究の必要性 （投野, 2013, pp. 13-14） • 「学習者コーパスの研究成果がSLA研究の分野に大 きなインパクトを与えているとはまだ言いがたい。」 • 「SLA研究者が使ってみたいと思うようなデータ収集 の方法を採用するなど，コーパス設計に一段と工夫 が必要。」 • 「学習者コーパス研究はまだ分野的にそこまで成熟 していない」 58
- 62. 自動採点についてもっと議論できる場を • 自動採点研究について議論し、人間/コン ピュータにできる/できないことについての理 解を深め、評価リテラシーを養っていくことが 重要であると思います。 62
- 63. 三つの提案 • L2言語指標事典の必要性 • 共通のデータを基に分析コンペティション。 データを固定し、手法への理解を深める。 • 学会の企画などでタスク・手法を固定して、異 なる群に同じ処遇を与え、産出されたデータ を解釈する。 63
- 64. 「データマイニングで英語教育はこう変わる」 『英語教育』（大修館書店）4-9月号 • 1. データに基づいた教育改善を目指して―エデュケー ショナルデータマイニング入門― • 2. 英作文に隠された文法的誤りのパターンを探る― アソシエーション分析― • 3. 新たなライティング研究の展望ーキー入力ログを用 いたプロセスの可視化ー • 4. ライティング自動採点・評価研究の最前線 • 5. 大規模公開オンライン講座・MOOCの潮流―学習者 のビッグデータに基づく教育改善や新たな教育手法 の開発― • 6. 今日から始めるデータマイニング―データ分析のプ ロセスと文献・ツール紹介― 64