ICT を活用した英語教育フレームワークの構築

ICT を 活 用 し た 英 語 教 育 フ レ ー ム ワ ー ク の 構 築
住 政二郎・流通科学大学
トーマス シャロー・流通科学大学
中川 典子・流通科学大学
濱田 真由美・流通科学大学
藤岡 千伊奈・流通科学大学
山本 勝巳・流通科学大学
〒651-2188 神戸市西区学園西町 3-1
078-796-4074・[email protected]
１．はじめに
本実践の目的は，（1）語彙・文法の側面から学生
の英語基礎力を養成し，（2）ICT を活用して 2 年間
を一貫した英語教育フレームワークを構築すること
である。入試制度の柔軟化に伴い，多様な英語力を
持つ学生が入学するようになった。学生の中には基
礎的な語彙・文法が未定着な学生も在籍する。また，
高等教育機関における英語力の養成は急務の課題で
あり，各大学は対応を迫られている。こうしたこと
を背景に，本学では 2013 年 4 月より，入学時のプレ
イスメント・テストから 2 年後の到達度テストまで
一貫した英語教育フレームを構築し，語彙・文法の
側面から英語基礎力の養成を計ることにした。
２．テストとレベル判定確率モデルの開発
プレイスメント・テストは 2004 年から 2012 年ま
での本学の入試過去問題を電子化し，語彙・文法セ
クションの問題項目（約 1,000 問）を正答率順に並
べて 100 問を抜粋して開発した。語彙・文法セクシ
ョンの問題項目は，語彙・文法レベルを統制して作
成されており，その性格上，本学の求める語彙・文
法力の指標といえる。語彙・文法セクションを利用
した理由は，プレイスメント・テストの目的が入学
者を 3 つのレベルに大まかに分類することであり，
ハイステイクス・テストのような精度が不要である
ことと，文法的知識は英語力の基礎的な貢献的技能
（contributory skills）と考えられるからである。
テストの結果のレベル判定には，ナイーブベイズ
分類の手法を使った。ナイーブベイズ分類とは確率
モデルに基づきデータを分類する手法である。身近
なところでは迷惑メールの分類に利用されている。
この手法をプレイスメント・テストの結果に応用す
ることで簡便にクラス判定を行うことができる。ま
た，訓練と学習を繰り返すことによって教育機関独
自の分類ルールを構築することができる。プレイス
メント・テストの結果を上級・中級・総合の 3 つに
分類する確率モデルは，ベイズの定理を展開するこ
とで得られる。
公益社団法人 私立大学情報教育協会
平成25年度 教育改革ICT戦略大会
P (H1 |D) > P (H2 |D) > P (H3 |D)
P (H1 |D) < P (H2 |D) > P (H3 |D)
P (H1 |D) < P (H2 |D) < P (H3 |D)
… (1)
… (2)
… (3)
式(1)は上級，式(2)は中級，および式(3)は総合クラ
スの確率モデルを表す。H 1 は上級，H 2 は中級，およ
び H 3 は総合クラスの事前確率を表す。ここでの事前
確率とは，あるテストを各レベルの学生が受験した
場合に正解する確率を表す。事前確率の設定は，各
レベルのクラス比，テスト実施側の期待値，および
テストの難易度などを考慮して主観的に設定できる。
学生の状況や教育現場のニーズに応じて主観を確率
モデルに反映できる点がベイズ定理の特徴である。D
は各テスト項目の正答率を表す（D: D 1 , D 2 , … D n ）。
プレイスメント・テストの実施に先んじて，本学
の全学部生 1,489 名を対象に同じテストを使った予
備テストを行った（α = .799）。この結果から上級・
中級・総合レベルに属する学生の正答率をテスト項
目ごとに算出した。この確率値をナイーブベイズ分
類で利用する確率モデルの各テスト項目（D: D 1 , D 2 ,
… D n ）の尤度として設定した。各テスト項目はラッ
シュモデルを用いて分析し，ミスフィットのテスト
項目には検討を加えた。また，クラス編成に合わせ
て事前確率（H: H 1 ，H 2 ，H 3 ）を設定し確率モデルを
構築した。構築された確率モデルを予備テストの結
果に適用し，既存学生の所属レベルとの一致度を検
証した結果は 68.33%であり，構築された確率モデル
に基づくナイーブベイズ分類の実用性が確認された。
３．プレイスメント・テストの実施
開発されたテストを使い，英語専修の入学生 653
名の学生を対象にプレイスメント・テストを実施し
た（M = 37.31, SD = 11.45, α = .855）。そして，ナ
イーブベイズ分類を使いクラス分けを行った。また，
ナイーブベイズ分類を使って自動的にレベル判定す
る Moodle モジュールも開発した（図 1）。この結果，
これまで公式な標準テストを使い発生していた負担
を大幅に軽減できるようになった。
は，学年別，学部別，レベル別，クラス別，そして担
当者別に集計することができる。受験結果は，テスト
項目，教材，そして授業方針の見直しなどに活用する
ことを予定している。
図１. Moodle モジュールによるレベル判定
４．英語教育フレームワークの構築
プレイスメント・テストから，必修英語科目の提供
が終わる 2 年次の到達度テストまで，一貫した英語教
育フレームワークを構築するために，電子化した語
彙・文法セクションの入試過去問題（約 1,000 問）を再
利用した。まず，約 1,000 のテスト項目を入試過去問題
の正答率順に並べ替え，20 問ずつを 1 セットに分割し，
合計 48 セットの問題群を作成した。さらに，48 セット
の問題群を 12 セットずつに 4 分割し，セット 1 からセ
ット 12 までを「基礎問題」（正答率 99.1%–66.4%），セ
ット 13 からセット 24 までを「標準問題」（正答率
66.4%–52.7%），セット 25 からセット 36 までを「応用
問題」
（正答率 52.6%–39.5%），セット 37 からセット 48
までを「発展問題」
（正答率 39.5%–3.2%）とした。1 年
生前期の配当科目である英語Ⅰでは「基礎問題」に，1
年生後期の配当科目である英語Ⅱでは「標準問題」に，
2 年生前期の配当科目である英語Ⅲでは「応用問題」に，
そして，2 年生後期の配当科目の英語Ⅳでは「発展問題」
に授業時間を使って取り組むことにした。全学部のす
べての共通英語科目の毎回の授業で 20 分から 30 分間
問題に取り組み，翌週には前週分の問題の小テストを
行う授業サイクルをガイドラインとして定めた。
問題項目はすべて英語科が独自に運用する Moodle
（http://gengo2.umds.ac.jp/）に配置した。図 2 は，Moodle
に配置された基礎問題である。Moodle には，入試過去
問題の他に，語学研修プログラムの動画，独自に開発
した動画文法教材，外部リンクを利用した単語学習問
題，および多読用の動画などが提供されている。これ
らの教材は，インターネットに接続された端末であれ
ば学外からも利用することができる。
問題項目への取り組みの成果は，各学年の前期およ
び後期の最終授業（第 15 回目授業）でテストを行い測
ることになっている。2 年生の後期のテストは，到達度
テストの役割を果たす。到達度テストも入試過去問題
のアイテムバンクから作成されており，プレイスメン
ト・テストと等化されている。つまり，必修英語科目
を履修する学生は，プレイスメント・テストの受験を
含め，2 年間を通して在学中に合計で 5 回のテストを受
験し，語彙・文法力定着の伸長チェックを受けること
になる。すべてのテストは Moodle で行い，テスト結果
公益社団法人 私立大学情報教育協会
平成25年度 教育改革ICT戦略大会
図２. 基礎問題一覧
５．まとめ
入試制度の柔軟化に伴い，多様な英語力を持つ学生
が入学するようになった。一方，高等教育機関におけ
る英語力の養成は急務の課題であり，各大学は対応を
迫られている。大学における英語教育は，一方で外部
環境の変化を視野に入れつつ，他方で内部環境の変化
にも目を向ける必要がある。従来のような担当者任せ
の英語教育では，内外の環境変化には対応できない。
本実践では，学生の英語力の伸長を定期的に測定す
る問題項目を整備し，プレイスメント・テストから，
到達度テストまで，必修英語教育 2 年間を一貫した英
語教育体制を構築した。この結果，これまで客観的な
指標で観察することができなかった学生全体の英語力
の分布状況を把握することができるようになった。ま
た，この英語教育体制を構築することによって，入口
と出口の明確化と成長プロセスの構造化 1 を行い，より
システム的な英語教育が可能になった。今後は，電子
化された問題項目と経年的に更新される確率モデルを
活用して，学生一人ひとりの英語力と学習進捗状況に
対応して学習を支援する適合型学習支援システムの開
発を取り組む予定である。
謝辞
本研究は JSPS 科研費 25870967 の助成を受けたもので
す。
注
1. 鈴木克明 (2012) 大学における教育方法の改善・開発.
日本教育工学会論文誌, 36(3): 171–179