教育における協調フィルタリングの可能性を考える
あなたに「ぴったり」な学びをかなえる技術

0. 趣旨説明

今回のBEAT Seminarでは、協調フィルタリング、推薦システムが新しい学習環境に利用可能ではないかということから「あなたに『ぴったり』な学びをかなえる技術」というテーマを設定しました。
まず、産業技術総合研究所の神嶌敏弘氏より協調フィルタリングと推薦システムの概要についてご説明いただきました。次に、「関心空間」代表取締役の前田邦宏氏に、実際協調フィルタリングを、人のつながりを作るためにインターネット上でどう用いるかについてお話しいただきました。その後、BEATの特任助教から、教育への応用に当たってのアイデアが紹介されました。

1.「推薦システムと協調フィルタリング」
神嶌敏弘氏（産業技術総合研究所 脳神経情報研究部門 情報数理研究グループ）

1.1. 推薦システムの背景

コンピュータが登場する以前は、情報を集めるのが大変であった。ところが、実際にコンピュータが登場すると、大容量化によって大量のデータの蓄積、高速通信が可能になり、今度は情報過多という状況が起きている。すなわち、情報が多すぎて、その中に情報があることはわかるが自分が欲しい情報がどこにあるのかわからない、また、どのように探したらよいかわからない、というように、せっかく情報があるのに利用できない状況になってしまっている。
このような情報過多の状況に対する一つの処方箋として、「推薦システム」がある。情報過多の状況でどうにかして情報を利用できないかと考えた時、もし人間であれば、ガイドブックを見る、他に詳しい人に聞く、などと言ったパターンがある。人間がこのように行う手順を、コンピュータを使って自動的に行おうと考えたのが「推薦システム」である。
「推薦システム」を使用した代表的なものにAmazon.comがある。マイストアを見ると、自分が過去に買った履歴から「この商品がお薦めです」という情報が出てくる。これは「特定の人の思考に合わせて商品を選ぶ」というパターンである。狭い意味では、「推薦システム」とは、このように個人化したパターンの形だが、他にも、「店舗の人が推薦するものを示す」「売れ筋のランキングを全体的に示す」といった個人化していないパターンも広い意味で「推薦システム」に含まれる。
「推薦システム」を実現するために必要な技術には、ヒューマンインタフェースの技術（推薦するアイテムの内容や、推薦しているものをどのように利用者に示すかを考えること）、認知心理系の技術（いかに好みというものをユーザーから引き出すか）がある。

1.2.「推薦システム」の実行過程

「推薦システム」の実行過程には、O-I-Pモデル（Output-Input-Process）と呼ばれる3つのステップがある。

1. データ入力…「欲しい」、「好き」、「嫌い」、という情報をシステムのユーザーが入力するステップ
2. 嗜好の予測…ユーザー自身が入力した嗜好データ、他のユーザーのデータ、推薦するアイテムのデータなどから計算してユーザーの嗜好の予測を行うステップ
3. 推薦の提示…ユーザーに分かりやすいように推薦情報を提示するステップ

1.2.1. データの入力　―嗜好データの獲得―

入力データとして代表的なものは、「嗜好データ（何が好き、嫌いか）」である。このデータを獲得するには、「明示的獲得（直接ユーザーに尋ねる）」と「暗黙的獲得（ユーザーのweb上のクリック回数などから予測する）」の2つの方法がある。

1.2.1.1. 明示的獲得

ユーザーに直接聞く方法であり、「採点法」と「格付け法」という代表的な2つの方法がある。

• 採点法（scoring method）…5つ星など「数字」で聞く方法
• 格付け法（rating method）…上中下、yes/noなど「段階」で聞く方法

「明示的獲得」の利点と不利点は、以下のようにまとめられる。

1.2.1.2. 暗黙的獲得

例えば、ユーザーがあるDVDを買ったとすると、「買ったならばそのDVDは好きに違いない」、あるいはユーザーがあるWebページを読み飛ばしたとすると、「読み飛ばしたページの内容には興味がない」と判断するなど、ユーザーの取る行動から、本人の好き嫌いを察する方法である。
「暗黙的獲得」の利点と不利点は、以下のようにまとめられる。

1.2.2. 嗜好の予測―「内容ベースフィルタリング」と「協調フィルタリング」―

推薦に使う手掛かりには大きく分けて「内容ベースフィルタリング（アイテムの特徴を利用するもの）」と、「協調フィルタリング（他人の意見を利用するもの）」がある。近年は、両者を混合したハイブリッド型が主流になっている。

1.2.2.1.「内容ベースフィルタリング」

アイテムの内容を表わす情報（記事であれば題名、日付、本文など）の特徴を利用するものであり、「直接指定型」と「間接指定型」の2つがある。

• 直接指定型…どんなものが好きか、アイテムの特徴を具体的にシステムに入力する方法
• 間接指定型…利用者の過去の嗜好データを収集して用いる方法

1.2.2.2.「協調フィルタリング」

ユーザーと嗜好の似ている他のユーザーらの情報を用いて、推薦情報を決定する方法である。いわゆる「口コミ」による推薦を、コンピュータで自動化しようというものである。「協調フィルタリング」には大きく分けて、「メモリベース法」と「モデルベース法」の2つがある。

メモリベース法

ユーザーが過去にそのシステムを利用した時のデータ（蓄積したデータ）そのものから推薦候補を予測する方法である。大きく「利用者間型」と「アイテム間型」に分けられる。

• 利用者間型
  ユーザーと思考パターンが類似した標本ユーザーを探索し、その標本ユーザーが好むものを推薦する。ミネソタ大のJohn Riedlを中心としたグループが開発した「Group Lens」方式が代表的である
• アイテム間型
  自分が好きなアイテムに似ているアイテムを推薦する方法。

「メモリベース法」の利点と不利点は、以下のようにまとめられる

モデルベース法

ユーザーがシステムを利用する前に、嗜好の規則性（モデル）を予め予測しておき、そのモデルを用いて推薦候補を予測する方法である。様々なモデルがあるが、代表的なものに、ある一回の評価付けで、どの利用者がどのアイテムを評価したかという同時確率でモデル化した「共起型モデル」がある。
「モデルベース法」の利点と不利点は、以下のようにまとめられる。

1.2.2.3.「内容ベースフィルタリング」と「協調フィルタリング」の比較

• 「セレンディピティ（serendipity）」の観点からの比較
  「セレンディピティ」とは、単に知らないだけでなく、意外性もある推薦のことである。この場合、「協調フィルタリング」の方が、本人の過去の履歴を見る「内容ベースフィルタリング」よりも「セレンディピティ」を起こしやすいといえる。
• 「ドメイン知識」の観点からの比較
  「ドメイン知識」とは、推薦対象の特徴である。アイテムの特徴を管理するデータベースの維持は高コストである。また、アイテムの特徴のみからユーザーにとって必要な推薦情報を予測することは困難である。よって、この場合も「協調フィルタリング」が有利である。
• 「cold-start問題」の比較
  新規ユーザーの場合、その人の過去の履歴はわからない。この場合、どのユーザーと嗜好データが似ているかがわからないため、本人による情報の入力による「内容ベースフィルタリング」の方が有利である。

1.2.3. 推薦の提示

予測したアイテムの推薦候補は、ユーザーにとって適切な形式で表示される必要がある。ユーザーによる推薦システムの利用目的には次のようなものがある。

• 適合アイテム発見
  ユーザーに明確な目的や、積極的な意志決定の動機があり、何か自分の嗜好に適合するアイテムを見つけ出そうとすること。
• 評価閲覧
  ユーザーに積極的な意志決定の動機はなく、閲覧の方向付けが目的であること。

「適合アイテム発見」と「評価閲覧」の場合では、推薦の提示方法は異なる。「適合アイテム発見」の場合、適切だと考えられる順にソートして表示する。

1.3. 推薦システムは役に立つのか？

たぶん一番お知りになりたいところはここだと思う。もちろん、役に立つ。
ただし、ユーザーの意図に合致した情報を提供する必要がある。重要なのは以下の2点である。

• 推薦理由の提示
  具体的にどんな情報を提供しているのかをユーザーに伝えなければならない。ユーザーが推薦を信用し受け入れやすくするためには、推薦そのものだけでなく、推薦の理由を提示することも重要である。
• 推薦手法選択の手がかりの提示
  ユーザーの利用目的に応じてユーザーにとって適切な選択が可能となるように、個人に応じた推薦方法の選択が可能になるようにしなければならない。

※参考サイト
videolectures.net（http://videolectures.net/）
英語だが、カンファレンスやチュートリアルを録画し、フリーで公開しているサイトである。簡単な推薦システムがあり、このビデオを見ている人はこのビデオを見ているということがわかる。

2.「関心空間に見る“気付き”を与え合う多次元協調フィルタリングの可能性」
前田邦宏氏（株式会社 関心空間 代表取締役）

2.1.「関心空間」とは

「関心空間 http://www.kanshin.com/」は、今から7年くらい前、2000年の7月にテストサイト（関心ドットコム）を作ったところから始まった。5名のスタッフの知り合い40名ぐらいに持ちかけて、非公開で自分の関心のあることを投稿して、それをお互いにつなげてコミュニケーションするというものである。当時の事業計画としては、いろんな企業にコミュニケーションする、コンシューマー同士がコミュニケーションしたり、企業とコンシューマーがコミュニケーションするためのコミュニティエンジンとしてカスタマイズして提供するものであった。
どういう仕組みかというと、自分の興味のあること（＝ここでは「キーワード」と呼ぶ。商品名・店舗名などの固有名詞）を数百字ぐらいの情報で自分の友達に説明し、1つのカード状の情報にする。その下にスレッドが出来て、掲示板のかたちになる。そして、そのキーワードに興味を持った別の人が、別のキーワードにつながりをつけることができる。これは、今でいうトラックバックに近い機能だが、当時はなかったため、我々はこれを「つながり」と呼んで、つながる理由をつけてつなげることをユーザーに勧めた、というものである。

2.2. 設計思想とその効果

実は、私はコミュニティや掲示板を作ることを主眼としてこのプラットフォームを設計したわけではない。「自分の好みの一つ先の情報を検索するにはどうすればよいか」という推薦システムの設計をしようと思い、こういう仕組みを作った。
2000年当時は、自分が投稿したエントリーに対して他人が勝手にリンクを貼って自分のページに導出するというのは、インターネットのエチケット上マナー違反と見なされていた。しかし、実際にこのような仕組みを作ってみたところ、ユーザーに好評で、私自身も自分が設計した時には想定していなかった効果もいろいろ見つけた。
ここで、突然であるが、自分の両親は徳島である。徳島では、お味噌汁はすだちを絞って入れる、という習慣があったが、東京の人に言うと「え？何それ？」ということがあった。実は、私が最初に投稿したのは「すだち」であった。本人が普通だと思っていることが他人にとって意外だ、という事実がどんどん判明した。いつも身近にいる人のプライベートな趣味を初めて知ることもあった。加えて、これまで自分の趣味と合うと思ってはいなかった情報が、自分のスタッフの1つ先の友人から手軽に手に入る、ということが連鎖的に起こった。
たとえば、「徳島の地元の人しか知らないつながり」ということで別のキーワードをつなげてくれた人がいた。あるいは、徳島つながりでなくても、「地元限定でしか食べられないB級グルメ」のつながりが生まれることもある。「好き」や「テイスト」はコンピュータにはわからない。何が「好きである」ことなのかを定義しなければならないためである。言語は検索できるが、郷土愛はわからない。キーワード同士のつながりは、人間が見れば、何のつながりかがわかる。

2.3. 今後の展望

その後、2001年にブログのトラックバック機能が公開された。他者の書いた記事・発言を自分の記事・発言とつなげていく連鎖が定着していったが、実はまだ実現していないことがある。それは、趣味の構造的な相似をマッチングさせるということである。
たとえば、人間だと、私が友人の家に行って本棚を見た時、中身を読まなくても、ぱっと見た時に、「コイツは○○系が好きなのかも…」というのが視覚的に、瞬間的にわかる。コンピュータでは、おそらく購買履歴というかたちでしかわからない。だからそのようなことをコンピュータでやりたい、と昔から思っている。今実際に行っているサービスの中では、まだその一部しか実現できていない。
現在「関心空間」には、「コレクション」という、ユーザーが投稿した情報をコレクションにして、一つのまとまりにする、という機能がある。そのコレクションを見て、共感した別の人がコメントをする。自分の投稿が別の人のコレクションに収納されることもある。コレクションとコレクションをつなぐこともできる。
4年ぐらい前に函館のスローライフなスポットを「関心空間」に投稿して、それを地理空間上にGPSのデータを使って可視化する、という地域マーケティングの意味もあるプロジェクトがあった（ハコダテスローマップ http://www.kanshin.jp/hakodate/index.php3?mode=top）。これは、何が目的かを直感的に実現している。1個目の投稿情報のその先にどんな投稿があるかを可視化している。1つ先だけでなく、さらにその先も見える。メタ情報がこの地図上に見えるのである。

2.4. まとめ

今回、「教育と協調フィルタリング」というテーマを聞いて、事例を調べてみたがあまりなかった。
エンゲストロームの活動理論、ヴィゴツキーの最近接発達領域や、たとえば、プログラムを勉強しましょうといった時に、それを教えている先生が、「この人はたぶんオブジェクト指向が苦手だな」など、ある傾向を読み取って、「こういう本を読んでみたら？」「考え方を変えてこういうアプローチをしてみたら？」など、外側から見えるけれど本人にはわからないことをアドバイスすることが実際の教室の中である、という話を聞いて、これをコンピュータで何とか連鎖的に起こすことができるのではないか？とずっと思っていた。
「関心空間」をはじめてやっと7年経ったが、当時と今とで時代が大きく変わった。ゆるいサービスの中で日常的にコミュニケーションをとれるようになり、つながりを作って、そこにメタ情報を付与して、そこから推薦情報を得るということが理解される時代になった。
よって、まさに「協調フィルタリング」を利用した推薦情報の提示はこれからの方法として面白いのではないかと思う。例えばQ&Aコミュニティのようなものも、「関心空間」でいうと投稿情報にスレッドが出来たという時代からあまり変わっていない。情報が多くなると、トップページから検索せざるを得なくなる。そのためにつながりにタグを付けてみると、今度はタグが多くなり、タグを検索しなければいけなくなるというループ状態になる。3万人に定常的によいつながりを与えるのは難しい。我々の今の課題は、「このつながりは誰にとって有意味であるか有意味でないか」というデータを集め、その人に個別化した推薦情報を出すというアプローチである。
さらに、今はGPSだけでなくセンサの情報などによって、目に見える情報以外も扱えるようになった。今までデジタル化できなかった情報が、現在のインターネット上にはある。それらの情報を「協調フィルタリング」を利用して、自分の実感として得られているもの（気分、存在感など）を交換し合うアプローチは、先端的なサービスを作っている人の中で議論になっている。

3.「BEATスタッフが提案する教育応用のアイデア」

3.1.「授業・講義推薦システム」と「進路提案システム」
北村　智（BEAT 特任助教）

3.1.1. はじめに

2つほどアイデアを出してみたい。「協調フィルタリング」が社会で使われる時、どういうものかを考えると、ユーザーが好きなものないしは、好きそうなものを推薦するという仕組みになっている。教育利用としてひねりを加えず考えるなら、例えば、好きそうな、得意そうな勉強を推薦する等である。

3.1.2. 授業・講義推薦システム

授業の履修状況や成績情報、その授業が面白かったかどうかというレーティングは、大学でも授業評価の観点からアンケートによる情報が集められるため、そのような情報を利用して、履修してみるとよさそうな授業・講義を推薦するシステムが大学にあってもよいかもしれない。
高校や中学校・小学校であると、カリキュラムの自由度が低いため難しいが、大学のような自由度の高いカリキュラムであれば考えられる。日本でも電通大の植野先生（2007）が「eラーニング・コース・リコメンデーション・システム」というものを実際に考案されているという事例もある。

3.1.3. 進路提案システム

進路を提案するというのも考えられる。興味関心や成績などの情報から、嗜好の近い人がどういうところに進学していると満足するのか、ということをもとにして、進学を考えると良さそうな大学・学部・学科などを推薦することも考えられる。卒業生の情報を蓄積していくと、データベースを構築することができるようになり、学校単位で運用可能になるのではないか。
ただし、実際には、何から推定するかということが一番の問題になる。推定の精度を高めるためには妥当なモデルを考えなければならないため、何を入力情報としなければならないのかが非常に大きな問題になる。よって、すぐに実現は難しいが、そのモデルが確立さえすればできるのではないかと思う。
他にも、就職する業界や職業、会社などどういうところを受けてみたらよいかということを迷っている人たちに対して提案できる仕組みも可能かもしれない。

3.2.「成績」を手がかりにする推薦システムの利用案
松河秀哉（BEAT 特任助教／大阪大学 大学教育実践センター 助教）

3.2.1. はじめに

推薦システムは、もともと販売促進の手段として使われているものである。一般的には、消費者の現状や要求を入力してもらって、好まれる物品の予測をして、当たれば購入してもらえる、ということになる。消費者に変わることは求められていない。
一方で、推薦システムを教育に応用することを考えた場合、学習者の現状と要求を入力して、そこでの好まれる学習を予測して、それが当たれば学習するのでよいのか？というと、それは違うだろう。通常、学習者に変わることを求めるのが教育である。
好まれるものがいいのか、というとそうではない。つまり、望まれるシステムは、現状・要求が入力されたら、現状を変えるような学習を予測し、学習者が希望を持って学習できるシステムではないかと思う。
そこで、具体的な例として「成績」を手がかりにするシステムが考えられる。たとえば、現在、ある勉強法を採用しながら成績が上がらない学習者がいるとする。そこに、現状は同じでも1年後にはこういう勉強法を取っている人は成績が上がっているんだよ、ということを提示してあげられれば、励みになるのではないか。

3.2.2. 学習者の個々の勉強法を蓄積し利用する

たとえば、英語の学習を考えた場合、「解らない単語があるときは必ず辞書を引く：はい／いいえ」、「英語のまま理解しようとする：はい／いいえ」、「日本語に直して考える：はい／いいえ」というように、学習者がどんな勉強の仕方をしていたかを聞き、その答えを蓄積する。
その蓄積データを利用して、ある勉強法をとっている人が1年後、別のある勉強法に変わっていると成績が上がる傾向がありますよ、というようにシステムから出したとすると、たとえば「じゃあ英語のまま理解しようとした方がいいんだな」と学習者は思うようになるのではないか。

3.2.3. 学習者の間違えている問題を自動的に収集する

学習者が間違えている問題をシステムで自動的に収集し、それらの問題間の関係を分析できれば、「この単元を理解するためには、この問題がちゃんと解ける必要がある」ということがわかるだろう。これを利用すれば、たとえば、ベクトルの問題がうまく解けない学習者に対して、「特に三角関数を頑張って勉強すること」といったことを推すことができる。

3.2.4. 学習者の勉強法を蓄積、かつ間違えている問題を自動的に収集する

学習者の勉強法が入力されて蓄積され、かつ間違えている問題を自動的に収集できたとする。現状の理解度がわかったとしたら、1年後理解度がこのように上がっている人は、実は今はとっていないような、このような勉強法をとっている、あるいはあなたのこの勉強法はいらないということが「推薦システム」からわかる。

3.3.「授業支援」における推薦システムの利用案
山田政寛（BEAT 特任助教）

3.3.1. はじめに

私自身も現職に就く前に5年間非常勤講師をやっていたため、その経験を基に考えたことがある。
授業という文脈で「推薦システム」の利用を考えると、教室の規模・人数の規模を考えなければならない。「協調フィルタリング」を扱った論文を読んでみると、簡単なシミュレーションなどの実験は100人、200人ぐらいのデータを使っていることが多い。人数が多いクラスであれば「協調フィルタリング」は有効かもしれない。しかし、特に国立大学では100人そろう授業はなかなか難しい。その場合は、比較的少人数でも耐えられる「内容ベースフィルタリング」の方がよいのかもしれない。
また、授業では、できるだけ正確なものを薦めないと学生の成績は伸びない。自分に合わないようなコンテンツを薦められても学生は困る。授業での「推薦システム」の利用を考えると、データの収集は明示的な方がよいのかもしれない。しかし、ずっと明示的なもので進めていくと、学生のモチベーションを下げてしまう。よって、途中から暗黙的に進めていけるものがよいかと思う。
ここでは、授業支援における「推薦システム」利用のアイデアをいくつか提示したい。

3.3.2. 学習進捗予想システム（教員への支援）

最近e-learningが増えており、特に1回も対面で学生と教員が会わない、という授業も増えてきている。その場合、教員が学習者のつまずきやモチベーションを把握することは難しい。そこで、学習者の履修している各科目の進捗や成績を蓄積し、学習者間の比較分析データから、活動学習者（アクティブユーザー）の未履修科目や進捗予測をして、重点的に支援が必要な学習者を示すことができれば、教員の支援になるのではないかと思う。

3.3.3. リスニング学習システムなどの外国語学習システムへの応用

私のバックグラウンドは、「外国語教育におけるITの活用」である。外国語教育では、Krashen(1985)が、I + 1という、教材などは、自分のレベルよりもちょっと高いものを与えることで学習能力が向上すると主張されている。またインプットが自分と関連性が高いものがよいという研究成果も多い。
そこで自分と興味関心が近く、さらにちょっとレベルが高い人の勉強している教材を提供するように「推薦システム」を応用できればよいのではないだろうか。

3.3.4. 自分より少しだけレベルの高い学習者のポートフォリオを見せる

先輩やレベルの高い学習者のポートフォリオを見せるという方法も考えられるのではないだろうか。成績や科目の好みが似ており、成績がちょっと上の人を抽出して、彼らのポートフォリオを推薦する。ただ、レベルが高い人のものをだらだらと見せたり、大きくレベルが高い人のものを見せても意味がないため、成功体験や「これなら私もできそうだな」というようなところを感じさせるために、徐々に成長を見せていけるような推薦になるのがよいのではないか。このような情報提示は、学習者が学習を継続させていくモチベーションにも関係すると考える。