一人ひとりに最適化される学び
すべての学習者が同じ道のりを同じ速度で進み、学生からの質問はすでに手一杯の教職員の前に積み上がり、誰が遅れているかを示すデータは学期が終わってから届きます。AppXcessは、お持ちの教育データをもとに、あるいは既に提供中の製品の中に、AI・分析・自動化を構築します。
適用領域
学習者から教育機関まで教育の現場で学習者を取りこぼす瞬間
教育機関やEdTech企業との対話では、ほぼ毎回この六つの状況が挙がります。いずれの場合も情報はすでに存在しているのに、まだ手を打てるうちにその情報で動ける人がいません。
三十人に一つの道のり
クラス全体が一つの順序を同じ速度で進むため、あと一週間必要だった学習者も、二週間前にはもう次に進める状態だった学習者も、どちらも十分に支援されません。
面談時間まで待たされる質問
夜十時に行き詰まった学習者は、誰かが対応できるまで尋ねる先がなく、その頃には解いていた問題の流れをたいてい見失っています。
学期末に届く成績データ
誰が遅れているかは成績が発表されるときに初めて明らかになりますが、それはもう手を打てる時期を過ぎた後です。
ボトルネックになる採点
受講者が増えれば評価の量も増えますが採点の余力は変わらないため、フィードバックは課題を出してからずっと後に届きます。
毎年作り直すコンテンツ
教材、問題集、講座の改訂資料を周期ごとに手作業で書き直し、機関内の別の誰かがすでに済ませた作業を繰り返すことも少なくありません。
四つのシステムをまたぐ事務
履修登録、時間割、学籍記録、学習プラットフォームがそれぞれ全体像の一部しか持たないため、二つ以上にまたがる業務は人が手作業で突き合わせます。
誰のために構築しどこから始めるか
六種類の組織が、教育のそれぞれ異なる立場から同じ問いを抱えて相談に訪れます。
EdTech企業
ロードマップにはAIが載り、顧客も求めていますが、この機能を自社内で作ることは、バックログの他のすべての課題と優先順位を争います。
チューター、個別最適化、分析の機能を、製品の横に付け足すのではなく、御社の製品とデータモデルの中に組み込んで構築します。
大学
学籍記録、学習プラットフォーム、評価データが別々に存在するため、機関全体に関わる一つの問いに答えるだけでもチームを組む必要があります。
すでにお使いのシステムの下に一つの教育データ基盤を置き、データの定義は一度だけ合意します。
学校
教職員が一週間のうちますます多くの時間を、授業ではなく採点、報告、事務に費やしています。
評価と事務のワークフローは自動化し、判断を要する決定は教員に委ねます。
教育訓練機関
受講者ごとに出発点が大きく異なるにもかかわらず、どこまで到達したかにかかわらず全員が同じ日程で講座を終えます。
適応型の学習経路と習熟度の記録により、進度がカレンダーではなく実際の能力に沿って進むようにします。
教育機関
教育課程の運営、資源配分、学習介入に関する決定を、すでに終わった期間を扱う報告書に基づいて下しています。
過ぎた学期を説明するだけでなく、今学期に起きていることを変えられるほど最新の学習分析を提供します。
教育出版社
教材や問題集を版・レベル・市場ごとに手作業で改訂し、複数の書籍にまたがって同じ作業を繰り返すことがよくあります。
お持ちの既存の出版コンテンツをもとに下書きと再構成を支援し、公開前には編集者が確認します。
教育分野の活用例とそれがもたらす変化
AI・データ・自動化が教育の現場で実際に役立つ九つの領域です。領域ごとに、課題、それに対してAppXcessが構築するもの、そして学習者や機関に生じる変化を整理しました。
AIチューター
夜十時に行き詰まった学習者は、誰かが対応できるまで尋ねる先がなく、その頃には解いていた問題の流れを見失っています。
お持ちの講座資料をもとに、その講座で使う用語で答えるチューターです。答えだけでなく考え方の道筋を示し、学習者が繰り返し行き詰まる箇所は教職員に知らせます。
学習者が実際に行き詰まった瞬間に助けを得られ、教職員は個々の質問だけでなく、そこに表れるパターンを把握できます。
個別最適化学習
クラス全体が一つの順序を同じ速度で進むと、あと一週間必要だった学習者も、二週間前には準備ができていた学習者も、どちらも十分に支援されません。
カレンダー上の到達地点ではなく、学習者が実際に示した能力に合わせて調整される学習経路を、お持ちの教育課程と評価データをもとに構築します。
進度が能力に沿って進み、必要の有無にかかわらず全員に同じ順序を当てはめることがなくなります。
学生サポート
履修登録、時間割、学費、締め切り、システムへのアクセスに関する質問が問い合わせの大半を占め、その窓口となるチャネルは年々増えています。
こうした質問に、機関自身のデータをもとに、質問者が持つ権限の範囲内で答えるアシスタントです。相談が必要な事案や複雑な事案は、ただちに担当者へ引き継ぎます。
定型的な質問は時間を問わず回答が得られ、教職員の時間は人が対応すべき対話のために確保されます。
学習分析
誰が遅れているかは成績が発表されるときに初めて明らかになり、それはもう手を打てる時期を過ぎた後です。
学習プラットフォーム、評価、学籍記録の全体にわたる参加度と達成度の兆候を、データが蓄積されるそばから読み取り、通知ごとにその根拠も併せて示します。
事後に原因を説明するのではなく、学期が進んでいる間に介入できるようになります。
評価の自動化
受講者が増えれば評価の量も増えますが採点の余力は変わらないため、フィードバックは課題を提出してからずっと後に届きます。
ルーブリックに沿った一次採点、フィードバックの下書き、問題集の生成など、評価の機械的な部分を支援し、成績の判定は教育者に委ねます。
学習者が課題の内容をまだ覚えているうちにフィードバックが届き、採点が講座の進行速度を左右しなくなります。
コンテンツ生成
教材、問題集、講座の改訂資料を周期ごとに手作業で書き直し、機関内の別のところですでに済ませた作業を繰り返すことも少なくありません。
既存の資料をもとに学習コンテンツの下書きを作成し、レベル・形式・言語に合わせて再構成します。学習者に届く前には教育者が確認します。
講座の改訂が白紙ではなく下書きから始まり、既存の資料を作り直すのではなく活用し直します。
知的な学習管理
履修登録、時間割、学籍記録、学習プラットフォームがそれぞれ全体像の一部しか持たないため、二つ以上にまたがる業務は人が手作業で突き合わせます。
これらのシステムをつなぐワークフローを構築し、定型的な手順は自動で処理し、例外はむやみに処理せず担当者へ引き継ぎます。
事務作業が受講者数に比例して増えなくなり、機関は四つではなく一つの全体像を見ながら運営できます。
機関ナレッジ検索
規程、過去問題、案内書、講座資料が複数のポータルに散らばっているため、教職員は毎週「どこにありますか」という同じ質問に答えています。
機関自身の文書全体を検索し、分かりやすい言葉で答えて出典を示し、質問者が閲覧する権限を持つ内容だけを返します。
学習者も教職員も必要な規程や文書を自分で見つけられ、すべての回答が出どころにつながります。
習熟度の記録
進度が成績と修了の有無だけで記録されるため、学習者が何を提出したかは分かっても、今どの能力を発揮できるかは分かりません。
評価の根拠をもとに習熟度の記録を作成し、運用中の学習成果の体系に結び付けて、学習者ごとのプロフィールに、すでに証明された能力とまだ残る能力を示します。
進級や学習支援を、講座に費やした時間ではなく、証明された能力に基づいて決められます。
教育データから実際の助けへ
教育機関に学習者のデータが不足しているわけではありません。たいてい欠けているのは、そのデータが今週一人の学習者を実際に助けるところまでつながる道筋です。その道筋は五つの段階から成ります。
学習者・教育データ
講座資料、参加・提出の記録、評価履歴、学籍記録を、新しい場所に複製するのではなく、今ある場所で連携します。
AIと分析
一般的な教育のベンチマークではなく、お持ちの教育課程と過去の学習者集団の履歴をもとに動作する、チューター・進級・達成度のモデルです。
インサイトと提案
どの学習者が遅れているか、学習者集団がどの概念で繰り返し行き詰まるか、次の一手は何であるべきかを、それぞれの根拠とともに示します。
学習・運用のアクション
学習経路の調整、チューターセッションの提案、フィードバックの下書き、チューターへの介入通知、事務手続きの完了といったアクションにつながります。
成果
まだ変化を生み出せるうちに支援が学習者に届き、一週間のうち繰り返し作業に費やす時間が減ります。
学生データとその扱い方
ここまでのすべては、識別可能な学習者の情報を扱い、その多くは未成年者に関する情報です。以下は、後から付け足す制御ではなく、モデルを選ぶ前に下す設計上の決定です。
学生データのプライバシー
データは設計段階から最小化し分離し、識別可能な学習者の情報を、業務上必要のない場所へは送りません。
学習者の情報が、業務に実際に必要な範囲を超えて広がること
安全なAIの導入
モデルはお持ちのインフラの中で実行できるため、データを活用するために動かす必要がありません。
教育データが、機関の管理下にある環境の外へ出ること
アクセス制御
検索は各利用者がすでに持つ権限に従い、その権限は回答を後から絞り込むのではなく、回答を組み立てる時点で適用します。
アシスタントが、質問者に閲覧権限のない記録を提示すること
データガバナンス
何を読み、何を保持し、モデルに何を渡したかを記録するため、データ保護の審査で具体的に確認できる材料が残ります。
システムが学習者について何を読み、何を保持したかを誰も説明できない状態
プライバシーに配慮したAI
何をどの目的で学習に使ってよいかは、データがあるという事実だけで前提とせず、お客様とともに決めて文書に残します。
誰も同意していない方法で、学習者のデータがモデルの学習に使われること
決定は人が下す
成績、進級、介入に関する決定は教育者に委ねられます。システムは根拠を示し下書きを作り、決定は人が下します。
人が一切関与しないまま、学習者について下される自動化された判断
コンプライアンスと認証について
このページは、FERPA、GDPR、ISO、SOC 2への準拠や認証を主張しません。教育分野のページでこうした点を通りすがりに掲げる業者には、むしろ注意したほうがよいでしょう。AppXcessが説明できるのは、システムをどのように構築するか、学習者データがどこにあるか、アクセス制御をどのように適用するかです。どの基準に照らして認証を受けるべきかは、地域や機関によって異なり、ウェブページのバッジではなく、データ保護責任者（DPO）と話し合うべき事柄です。
運用が始まると変わること
教育組織が期待できる成果を、ありのままに整理しました。
学習者エンゲージメントの向上
次の面談時間ではなく、学習者が行き詰まったその瞬間に助けを得られます。
より個別最適化された学習
全員に同じ速度を当てはめるのではなく、学習者が示した能力に合わせて学習の順序が調整されます。
学生サポートの改善
機関に関する定型的な質問は時間を問わず回答が得られ、相談が必要な事案や複雑な事案はより早く担当者へ届きます。
事務負担の軽減
採点支援、報告、システム間の処理が、授業に充てるべき時間をこれ以上奪わなくなります。
より良い学習インサイト
参加度と達成度の兆候を蓄積されるそばから読み取り、通知ごとに根拠を併せて示します。
より速い学事の意思決定
教育課程の運営、資源配分、学習介入に関する決定を、すでに終わった期間ではなく現在の状況に基づいて下します。
運用効率の改善
履修登録、時間割、学籍記録、学習プラットフォームの間のデータを、もはや手作業で突き合わせる必要がなくなります。
再利用されるコンテンツ
講座の改訂を毎回白紙から始めるのではなく、既存の資料から作った下書きから始めます。
このページと Academik.ai、どちらが最適でしょうか？
このページは、業界の視点から見た教育DXです。AppXcessが教育機関やEdTech企業向けに、お持ちの教育データをもとに、あるいは既に提供中の製品の中に構築するものをご紹介します。Academik.aiは、もう一つの選択肢です。チューター、適応型の学習経路、授業・評価支援、習熟度インサイトをあらかじめ備えた、AppXcess独自の教育AIプラットフォームです。すぐに導入できるプラットフォームをお探しなら Academik.ai から、既に運用中のシステムに機能を組み込みたい場合はこのページからお始めください。
このページには、実名の大学や学校、EdTechの顧客、学生数、導入数、学習成果の改善値、事例研究はありません。責任を持てないものは公開しないからです。代わりにお示しできるのは、AppXcessが教育分野で何を作るかを示す実際の稼働例であるAcademik.ai、お持ちの教育データのための参照アーキテクチャ、そして前提条件を明記して範囲を定めた第一段階の計画です。上記の成果にパーセントの数値を添えていないのは、それぞれの価値が、学習者、教育の提供体制、そして現在の出発点によって変わるからです。
このページを支える機能は教育分野に限らず、それぞれ専用のページで詳しくご紹介しています。AIソリューションはモデルとエージェントを、データ・AIは教育データが集まるプラットフォームを、エンタープライズ検索AIは質問者がすでに持つ権限の範囲内で、規程・過去問題・講座資料を見つけ出す検索機能を扱います。学生ではなく教職員向けの学習であれば、AI人材育成のページをご覧ください。
教育を変える準備はできていますか？
今、一週間の時間がどこに使われているかをお聞かせください。すべての学習者が一つの道のりを同じ速度で進んでいるか、質問が面談時間まで待たされているか、採点が時間割を左右しているか、達成度のデータが学期の後に届いているか、そしてそのデータがどのシステムにあるかも、あわせてお知らせください。それをもとに、何を構築できるか、第一段階に何が含まれるかを整理してお伝えします。