大学のURLを、
適応型クイズと深い自己分析 に変える。
Hossler & Gallagherの大学選択モデル(Searchフェーズ)をAIで革新。
RAGによるハルシネーション排除、項目応答理論(IRT)による出題最適化、
そしてキャリア構築理論(CCT)に基づく対話が、受動的なWeb閲覧を「能動的な進路探究」へと昇華させます。
非構造化データからの知識抽出と自動作問生成 (AQG)
大学のWebサイト(シラバス、アドミッションポリシー等)のURLを入力するだけで、検索拡張生成(RAG)を用いて正確な情報を抽出し、LLMベースの構造化オントロジーにより教育的価値の高い「大学クイズ」を自動生成します。
RAGによるハルシネーション抑制
LLMの事前学習知識のみに依存せず、入力されたURLのテキストをベクトルデータベースに格納。クエリに最も関連するチャンクをプロンプトに付与することで、大学固有の最新情報に基づいた対話を実現し、事実誤認を防ぎます。
構造化オントロジーに基づくAQG
フラットなリストではなく、大学の知識体系を階層的・関係的なオントロジーとして定義し作問させます。これにより、適合率(Precision)と再現率(Recall)の最適なバランス(F1スコア 0.860水準)を実現し、文脈から逸脱しない高品質な設問を生成します。
作問生成アプローチの性能比較
LLMベースの構造化オントロジーが最もバランスの取れたF1スコアを示します。
項目応答理論 (IRT) と深層知識追跡 (DKT)
生成された設問群から「次にどの問題を出すべきか」を動的に決定します。素点ではなく、確率モデルを用いて利用者の潜在的な能力値 (θ) をリアルタイムに推定し、難易度が均衡する問題を提示することでフロー状態を維持します。
IRT (2PLモデル) による最適化
設問の識別力 (a) と困難度 (b) を考慮し、利用者の能力値 (θ) に応じて簡単すぎず難しすぎない問いを選択します。
DKTによる波及効果の予測
概念間の非線形関係をRNN(LSTM等)で学習。ある概念の理解が別の概念にどう波及するかを予測し、先回りしてトピックを推薦します。
項目応答関数 (ICC) シミュレーター
設問の困難度(b)と識別力(a)を動かし、学習者の能力(θ)に対する正答確率の変化を確認します。
キャリア構築対話と自己効力感の醸成
単なる知識テストを超え、大学の特性と学生の「主観的なナラティブ」を接続させます。構造化面接理論、キャリア構築理論(CCT)、アプリシエイティブ・インクワイアリー(AI)を対話エンジンに統合しています。
構造化対話メカニズム
非構造化面接のノイズを排除し、予測妥当性の高い「過去の行動(Past behavioral)」を引き出します。
大学選択(Searchフェーズ)を、
科学的データと対話で革新する。
「キャンパスコープ」は、SES(社会経済的地位)による情報アクセスの格差を是正し、すべての学生に高度なキャリアカウンセラーと専門チューターを提供するインフラとなります。システム導入に関するご相談をお待ちしております。
問い合わせフォームへ