教材内容に基づく学習行動の解釈支援
詳細な学習ログ分析から得られる学習行動の違いを、教材のどの内容に関連して生じたのかという文脈と結び付け、教員が理解しやすい形で提示する手法を研究しています。教材ページを意味的にまとまりのある内容に整理し、学習行動の分析結果と対応付けたうえで、LLMを説明生成に限定して利用することで、分析根拠を保持しながら理解しやすく信頼性のあるフィードバックの実現を目指しています。
研究内容
ラーニングアナリティクス
メタ認知に基づく適応的学習支援
学習者が実際に何を理解しているかだけでなく、自分の理解状態をどれだけ正確に認識できているかを捉え、学習支援に活用する手法を研究しています。自由記述の学習振り返りとテスト結果を統合し、LLMと異種グラフニューラルネットワークを用いて学習者の知識認識を推定することで、過信や自信不足などの状態を捉え、知識不足と自己認識のずれに応じた個別フィードバックの実現を目指しています。
農業実習における学習行動の可視化と指導支援
農業実習中の学習者の活動を客観的に把握し、教員の振り返りや指導改善に活用するためのLearning Analyticsを研究しています。360度カメラと装着型カメラを用いて、学習者の位置、作業時間、作業状態を推定・可視化し、教員の観察だけでは把握しにくい実習中の行動をデータとして提示することで、実習後の振り返りや評価、より効果的な指導の支援を目指しています。
カリキュラム全体を俯瞰するLearning Analytics
個々の授業だけでなく、カリキュラム全体を通した学習のつながりや進捗を把握するためのLearning Analyticsを研究しています。カリキュラムマップ上に科目間の関連、個人の学習状況、過去の受講者の傾向、成績などを多層的に統合して可視化することで、学習者が長期的な視点から学習計画や振り返りを行える環境の実現を目指しています。
RAGによる教育チャットボットの高度化
生成AIを教育に活用する際の回答の正確性や授業内容との整合性を高めるため、Retrieval-Augmented Generation（RAG）を用いた教育チャットボットを研究しています。講義資料による体系的で正確な知識と、学生が作成した学習記事に含まれる多様な視点や学習経験を組み合わせることで、授業内容に即しながら柔軟で有用な学習支援を実現することを目指しています。
振り返り記述に基づく知識構造の分析
学習者が授業後に記述する振り返りから、どのような知識を捉え、どのように関連付けながら理解を構築しているかを分析する手法を研究しています。LLMを用いて振り返りを個人知識グラフとして表現し、繰り返し現れる部分構造（motif）を抽出することで、知識構築パターンを可視化・定量化します。これらの構造的特徴と学習成果との関係を明らかにし、成績予測やAt-risk学生の早期発見などの学習支援への活用を目指しています。
連合学習によるAt-risk学生の早期予測
複数の教育機関が学生データを直接共有せずに協調学習できる連合学習と、学生間の相対的な差分特徴を組み合わせ、学業不振リスクを予測する手法を研究しています。予測結果から支援の優先度を示すリスクランキングを生成し、プライバシーを保護しながら早期支援につなげることを目指しています。
協調的問題解決スキルの認識
学習者同士の対話データから、協調的問題解決に必要な複数のスキルを自動的に認識する技術を研究しています。発話者の役割や発話の交替など、対話の構造を考慮した言語モデルを用いることで、協働学習の分析や学習支援につなげることを目指しています。
時間情報を考慮した学習行動の埋め込み表現
電子教材の操作ログから、学習者がどのような順序と時間間隔で教材を操作したかを捉える学習行動表現を研究しています。E2Vecでは、ページ移動やマーカー操作などのイベントと操作間隔を系列として表現し、埋め込み技術を用いて学習行動をベクトル化します。単純な操作回数だけでは捉えにくい細かな学習行動の特徴を表現し、At-risk学生の予測などさまざまなLearning Analyticsへの活用を目指しています。
時系列予測
Koopman分離と多層注意による時系列予測
非定常な時系列に含まれる主要な動的パターンと局所的な変化を分離して扱うことで、高精度かつ効率的な時系列予測を実現する手法を研究しています。KUMAでは、入力に応じて変化するKoopmanモジュールによって時系列をKoopman dynamicsとresidual dynamicsに分離し、残差成分をU字型の多層Attention構造で処理します。これにより、時間分布の変化に対応しながら、計算量、情報の冗長性、情報不足のバランスをとった予測を目指しています。
Mambaによる時系列予測
時系列データに含まれる複雑な非線形依存関係をより効果的に捉えるため、Mambaを拡張した予測モデルを研究しています。負のフィードバック機構を導入することで、長期的な依存関係と非線形な変化を捉え、高精度な時系列予測につなげることを目指しています。
連続血糖値の時系列予測
時系列データから将来の状態を高精度に予測する深層学習モデルを研究しています。GluTANNでは、Transformerに独自の注意機構を導入し、連続血糖値の予測精度を維持しながら予測の不確実性を低減することを目指しています。
人を支援するAI
専門家知識に基づく乳幼児睡眠ログ分析と説明可能なフィードバック生成
乳幼児の睡眠ログから、保護者にも理解しやすく、根拠を追跡できるフィードバックを自動生成する手法を研究しています。年齢に応じた明示的なルールで睡眠状態を評価し、過去の医師コメントや専門知識を検索したうえで、LLMを説明生成に限定して利用します。評価と文章生成を分離することで、安全性・一貫性・解釈可能性を保ちながら、日常的な育児支援に活用できるフィードバックの実現を目指しています。
生成AIによる外国人保護者の学校文化理解支援
外国人保護者が日本の小学校における行事や暗黙のルール、行動規範などの「学校文化」を理解できるよう、生成AIを活用した対話型支援システムPAPAMAMA-TOMOを研究しています。学校から配布される文書を単に翻訳するのではなく、保護者が自然言語で質問すると、学校行事の準備物や文化的背景、期待される行動などを多言語で説明します。言語だけでなく文化の違いから生じる疑問や不安を軽減し、外国人保護者の学校生活への参加を支援することを目指しています。
混雑分析に基づく移動推薦と行動支援
複数地点の混雑状況を分析し、利用者に適切な移動先やタイミングを推薦することで、混雑緩和と人の行動支援を実現する手法を研究しています。実世界の人流データから各地点の重要度や混雑の遷移をモデル化し、アンケート調査から得られた人の移動傾向も考慮して、情報提供によって人の移動行動を変化させた場合の混雑緩和効果を分析します。
Wi-Fiセンシングによる混雑分析と人の行動支援
Wi-Fi端末から送信される信号を利用して、人が集まる場所の混雑状況を把握し、利用者の行動判断を支援するための分析手法を研究しています。Wi-Fiパケットセンサから得られる端末数による定量的な混雑と、利用者が感じる知覚的な混雑の関係を分析するとともに、複数地点・曜日・時間帯のデータをテンソル分解することで、場所ごとの特徴や地点間に共通する混雑パターンを抽出します。
画像処理
専門知識蒸留による高効率な物体追跡
映像中の対象を高速かつ高精度に追跡するため、複数の教師モデルから知識を学習する軽量なVisual Object Tracking手法を研究しています。一般的な追跡知識を持つ教師に加えて、遮蔽、高速移動、低解像度など特定の難条件に特化した教師を用意し、それぞれの知識を学生モデルへ蒸留することで、小型・高速でありながら複雑な状況でも高い追跡性能を維持することを目指しています。
少数パラメータ学習によるVision Transformer変化検出の適応
Vision Transformerを用いた変化検出モデルを、新しい撮影環境や背景変動に少ない計算コストで適応させる手法を研究しています。Attention出力やResidual ConnectionにMLP-Adapterを追加するとともに、Attention WeightにLoRAを導入し、モデル本体を大きく更新せずに少数の追加パラメータだけを学習します。これにより、未学習シーンに対する変化検出精度を改善しながら、再学習に必要な計算量を大幅に削減することを目指しています。
深層学習による背景差分の解析と理解
映像中の移動物体を背景から抽出する背景差分について、深層ニューラルネットワークがどのような特徴を学習し、前景と背景を識別しているのかを解析する研究に取り組んでいます。ネットワーク内部のフィルタや特徴マップを可視化し、観測画像と背景画像の差分抽出、影などの背景変動の抑制、前景物体の強調が各層でどのように実現されるかを明らかにすることで、高性能な背景差分モデルの設計原理の理解を目指しています。
深層学習による植物成長の画像予測
植物の成長過程を撮影した時系列画像から、将来の植物の形状や成長状態を画像として予測する手法を研究しています。コマツナの成長画像を用い、過去の複数時点の画像からその後の成長過程を深層学習モデルによって生成することで、成長初期の段階から将来の生育状態を予測し、生育不良の早期発見などへの活用を目指しています。
ライトフィールドを用いた背景変動に頑健な変化検出
映像監視において、揺れる木や自動ドア、照明変化などの背景変動による誤検出を抑えながら、対象物の変化を高精度に検出する手法を研究しています。ライトフィールドカメラを用いて検出対象となる空間だけを任意に合焦させ、光線の空間的一貫性を表すLocal Ray Patternと時間的な背景モデルを組み合わせることで、背景領域の影響を抑えた変化検出を実現します。
ライトフィールド画像を用いた透明物体セグメンテーション
通常の画像では背景の色や模様が透けて見えるため認識が難しい透明物体を、ライトフィールド画像の多視点情報を利用して抽出する手法を研究しています。視点間での対応関係から得られるLight-Field Linearityと遮蔽境界を組み合わせ、背景の見た目に依存せず透明物体らしさを推定し、Graph Cutによって物体領域を自動的に分離します。ガラスや容器など、従来の画像処理では扱いにくい対象の認識を可能にすることを目指しています。