ITパスポート 令和4年度 問4：システム戦略・AI活用に関する問題

答えは a「アダプティブラーニング」 です。

ふつうの授業はみんな同じ内容ですが、これは“自分専用の家庭教師”のようなもの。

一人ひとりの「どこまで分かったか」「どこでつまずいたか」をコンピュータが記録・分析して、その人にぴったりの問題や教材を出してくれます。だから効率よく学べます。

アダプティブ＝「適応する（合わせる）」という意味です。

👉 覚え方：アダプティブ＝“その人に合わせる”学習。

ほかの選択肢：b タレントマネジメント＝社員の能力を活かす人事／c ディープラーニング＝AIの学習方法／d ナレッジマネジメント＝会社の知識を共有する仕組み。

なぜこれが正解か

正解は a。アダプティブラーニング（適応学習）は、ITで個人の学習履歴を蓄積・解析し、学習者一人一人の進行度・理解度に応じて最適な教材や問題を提供することで、学習の効率と効果を高める仕組み。EdTech（教育×IT）の代表例。

各選択肢の解説

• b タレントマネジメント：社員の能力・スキル情報を管理し、適材適所の配置・育成を行う人材管理手法。
• c ディープラーニング：多層ニューラルネットワークによる機械学習の技術。学習“させる”のはAI側で、人の学習支援の仕組みではない。
• d ナレッジマネジメント：組織内の知識・ノウハウを共有・活用する経営手法。

覚え方・ひっかけ注意

「アダプティブ＝適応＝学習者に合わせる」。cディープラーニングは“AIの学習”、aアダプティブラーニングは“人の学習をAIが支援”と主体が逆。語感が似た「ラーニング」で迷わせる典型的ひっかけ。

理論的背景

アダプティブラーニング（Adaptive Learning：適応学習）は1960〜70年代のコンピュータ支援教育（CAI：Computer Assisted Instruction）を起源とし、1970年代に教育心理学者Benjamin Bloomが提唱した「2シグマ問題」（個別指導を受けた学習者は集団授業より2標準偏差分（約2σ）高い成績を達成できる）に由来する問題意識を背景に発展した。目標は「テクノロジーで個別指導の効果を大規模に実現すること」である。

現代のアダプティブラーニングは以下の技術基盤の上に構築される。

ラーニングアナリティクス（Learning Analytics）：学習者の解答ログ（正誤・解答時間・問題閲覧時間・復習回数）を収集・分析し、習熟度モデルを構築する。測定理論として古典的テスト理論（CTT）よりもIRT（Item Response Theory：項目反応理論）が精度が高く、各問題の難易度・識別力・推測係数を考慮した習熟度推定が可能。

知識追跡（Knowledge Tracing）：BKT（Bayesian Knowledge Tracing）やDKT（Deep Knowledge Tracing）といった機械学習モデルで、学習者がある知識コンポーネントを習得している確率を動的に推定する。DKTはLSTM（長短期記憶）を使ったニューラルネットワークで、問題解答系列から将来の正答確率を予測する。

推薦アルゴリズム：推定した習熟度と学習効果研究（間隔反復学習・望ましい困難さの原則）を組み合わせて「次に解くべき最適な問題」を選択する。Ankiなどのフラッシュカードアプリが実装するSM-2アルゴリズムも間隔反復の一実装。

実務での使われ方

教育現場：GIGAスクール構想（1人1台端末）による個別最適な学びの基盤として文部科学省が推進。AtamaPlus（予備校向け）・Qubena（小中学生向け）・Monoxer（語学・資格）などの国産EdTech企業がアダプティブラーニングを実装したサービスを展開している。大学入学共通テストの個別試験対策でも「弱点ドリル自動生成」として活用されている。

企業研修・リスキリング：Courseraが企業向けコースに習熟度別推薦機能を実装。Microsoftのラーニングパスや資格試験対策のMeasureUp・Udemyの一部コースも類似の適応型機能を持つ。

資格・試験対策：本サービスのような資格学習アプリもアダプティブ化が進んでおり「間違えた問題を優先出題」「理解済み問題の反復を抑制」「類似問題でのパターン確認」が標準機能となっている。

試験での位置づけ

ITパスポートのストラテジ系（ITの活用・新技術）分野で出題頻度が高まっている。問題文に「学習履歴の蓄積」「解析」「一人一人に最適化」というキーワードが揃えばアダプティブラーニングが正答。誤答候補のディープラーニングとの混同（「ラーニング」語の引っかけ）が最大の落とし穴。

上位資格では、EdTechの概念体系（アダプティブラーニング・MOOC・LMS・マイクロラーニング）、ラーニングアナリティクスとビッグデータ活用、教育×AI（IRT・知識追跡）の技術的背景まで問われる。

選択肢の発展補足

選択肢b（タレントマネジメント）：人材管理・HRM（Human Resource Management）の手法で、社員のスキル・経験・資格・評価情報を一元管理し、適材適所の人員配置・キャリア開発・サクセッションプランニングを実現する。SAPやWorkdayが代表的なシステム。学習者一人ひとりのコンテンツ最適化とは目的が異なり、組織視点での人材活用が主題。ただし、タレントマネジメントシステムとLMS（Learning Management System）が統合されたHCM（Human Capital Management）スイートでは、スキルギャップ分析に基づいて個人の学習コンテンツを推薦する機能があり、アダプティブラーニングと交差する領域が生まれている。

選択肢c（ディープラーニング）：ニューラルネットワークを多層化した機械学習アーキテクチャで、AIが（人間ではなく）学習する技術。画像認識・音声認識・自然言語処理の飛躍的な性能向上をもたらした。アダプティブラーニングの内部技術として活用される（DKT）場合もあり、「AIを使った学習支援（アダプティブ）」vs「AIが学ぶ技術（ディープラーニング）」という主体の違いが識別の核心。

選択肢d（ナレッジマネジメント）：野中郁次郎が1996年に提唱したSECIモデル（共同化・表出化・連結化・内面化の4プロセス）に基づく組織的知識管理。暗黙知（経験・勘）を形式知（マニュアル・データベース）に変換して組織全体で活用する経営手法。個人の学習履歴をAIが分析して最適化するという本問の文脈とは全く異なり、組織・集団の知識資産管理が主題。