習熟度別に難易度を自動調整！プログラミング問題の「ちょうどいい」を探すAI
📌 この記事の結論
- プログラミング問題の難易度は、学習者の習熟度によって感じ方が異なる。
- 新しいAI技術（FA–K-means）を使うことで、各習熟度グループに合わせた問題難易度分類が可能になる。
- この技術は、難易度分類の精度を大幅に向上させ、さらにグループ間の難易度基準の一貫性を保つことができる。
- 特に「正答率」と「平均試行回数」が、問題の難易度を判断する上で非常に重要である。
- 学習者は自分に合った難易度の問題を見つけやすくなり、挫折を防ぎながら効率的にスキルアップできる。
1. 習熟度別で難易度を調整するAIとは？
プログラミング学習では、多くの問題を解くことがスキルアップに繋がります。しかし、オンラインジャッジ（OJ）システムでは、問題の難易度が明確に示されていなかったり、初心者にとっては難しい問題でも、上級者には簡単に感じられるなど、習熟度によって感じ方が大きく異なります。
この課題を解決するため、本研究では学習者の習熟度（初心者、中級者、上級者）を考慮した上で、問題の難易度を自動的に分類する新しいAIフレームワークを提案しています。これにより、一人ひとりに「ちょうどいい」難易度の問題を提供し、効率的で楽しい学習をサポートすることを目指します。
2. 紹介する論文の概要
📄 論文情報
| タイトル | Cross-Group Aligned Problem Difficulty Clustering Using Attention-Weighted Feature Learning |
|---|---|
| 著者 | Md. Shahajada Mia, Yutaka Watanobe, Md. Mostafizer Rahman, Md Faizul Ibne Amin, Daniel M. Muepu, and Fang Liu |
| 掲載誌 | IEEE Access (予定) |
| 研究対象 | Aizu Online Judge (AOJ) の大規模なプログラミング問題提出ログ |
| 研究期間 | 2026年8月26日発表 |
研究の目的
プログラミングスキル習得において、オンラインジャッジ（OJ）プラットフォームは非常に有効ですが、問題の難易度が不明確であったり、学習者の習熟度によって難易度の感じ方が異なるという問題があります。これにより、初心者は難しすぎる問題で挫折しやすく、上級者は簡単すぎる問題で時間を無駄にすることがあります。
この研究の目的は、学習者の習熟度（初心者、中級者、上級者）を考慮した上で、プログラミング問題の難易度を正確かつ一貫性のある方法で分類するAIフレームワークを開発することです。
研究の方法
この研究では、大規模なオンラインジャッジシステム「Aizu Online Judge (AOJ)」のユーザーが問題を提出したログデータを使用しています。具体的には以下のステップで分析を進めました。
- 特徴量の抽出：各ユーザーの正答率や、各問題への平均試行回数、解決にかかった時間、さらに統計モデル（Raschモデル）で算出した潜在的な能力スコアや難易度スコアなど、多様なデータを抽出しました。
- ユーザーの習熟度分類：抽出したデータに基づき、K-meansというクラスタリング手法を用いて、ユーザーを「初心者」「中級者」「上級者」の3つの習熟度グループに分類しました。
- 問題難易度のクラスタリング（FA–K-means）：各習熟度グループに対して、問題の難易度を「易しい」「普通」「難しい」の3段階に分類します。ここで、特徴量アテンションメカニズム（Feature Attention Mechanism）をK-meansに統合した「FA–K-means」という新しいAI手法を提案しました。このメカニズムは、難易度分類に特に重要な特徴量（例えば正答率や試行回数）に、より大きな重みを与えて学習します。
- グループ間の一貫性調整：各習熟度グループで独立して分類された難易度ラベルが、グループ間で矛盾しないように「グローバルアライメント（全体的な調整）」ステップを導入しました。これにより、「初心者にとって難しい問題は、上級者にとっても難しい（あるいは同等以上の難易度）」といった、直感的な難易度順序が保たれるように調整します。この一貫性は、「非単調順序（Non-Monotonic Ordering: NMO）」という指標で評価しました。
- 評価と分析：提案手法を従来のK-meansやFuzzy c-meansなどのクラスタリング手法と比較し、クラスタリングの品質（シルエットスコア、Davies-Bouldin指数、Calinski-Harabasz指数）とグループ間の一貫性（NMO）で評価しました。
3. 研究結果のポイント3つ
この研究から得られた主要な結果は以下の3点です。
✅ ポイント1：習熟度グループごとに問題への反応が大きく異なる！
分析の結果、初心者、中級者、上級者では、同じ問題に対しても提出回数や正答率、解決にかかる時間などの行動パターンが大きく異なることが明確になりました（図の「ユーザー提出結果」や「特徴量の記述統計」を参照）。例えば、上級者ほど正答率が高く、試行回数が少ない傾向にあります。このことは、すべての学習者に一律の難易度を提示するのではなく、個々の習熟度に合わせて難易度を調整する必要があることを強く示しています。
✅ ポイント2：AIの「注目」機能（アテンションメカニズム）が難易度分類の精度を大幅に向上！
本研究で提案されたFA–K-means（Feature Attention-guided K-means）というAI手法は、従来のクラスタリング手法（K-means, Fuzzy c-means, Ward, BIRCH）と比較して、各習熟度グループ内での問題難易度分類の品質（クラスタリングのまとまりと分離度）が最も優れていることが示されました。これは、AIが難易度分類において重要な特徴量に「注目」し、その情報をより強く利用することで、より精度の高い分類が可能になったことを意味します。例えば、Pythonでプログラミングを学ぶ際、初心者が何度もエラーを出すような問題は「難しい」と判断し、上級者がすぐに正解する問題は「易しい」と判断するといった具合です。
✅ ポイント3：「全体的な調整」ステップで、グループ間の難易度の一貫性が大きく改善！
習熟度グループごとに難易度を分類するだけでは、「初心者には難しいが、上級者には簡単」といった直感に反する難易度順序が生じることがありました。この研究では、そうしたグループ間の難易度順序の不整合（非単調順序: NMO）を大幅に削減するための「グローバルアライメント（全体的な調整）」ステップを導入しました。この調整により、NMOは30.41%からわずか9.69%にまで低減され、すべての習熟度グループにわたって「易しい → 普通 → 難しい」という一貫した難易度スケールが確立されました。例えば、HTML/CSSでウェブページを作る問題が、初心者にとって「普通」であれば、上級者にとっては「易しい」と認識されるように、矛盾なく並べ替えられるようになったのです。
4. ADVANCEの現場から見た実感
堺市南区のプログラミングスクールADVANCEで実際にプログラミングを教えている講師としての意見は以下の三つです
🎮 現場で感じる3つの変化
難易度設定の重要性
この研究結果は、ADVANCEの現場での実感と完全に一致します。例えば、Scratchで基本的なブロックを学ぶ生徒と、Unityで複雑なゲームロジックを組む生徒では、問題に対する理解度や解決能力が全く異なります。初心者には「難しすぎる」問題はモチベーションの低下や挫折に直結します。逆に、上級者には「簡単すぎる」問題は飽きや学習効率の低下につながります。生徒一人ひとりのレベルに合わせた適切な難易度の問題を選ぶことは、学習効果を最大化し、楽しさを維持するために不可欠です。
「正答率」と「試行回数」が難易度を測る鍵
本研究で「正答率」と「平均試行回数」が難易度を分ける主要な指標として挙げられている点は、非常に納得できます。これは、ADVANCEの講師が普段、生徒の習熟度を判断する際の指標と重なります。例えば、JavaScriptの課題で、ある生徒が何度も試行錯誤を繰り返しても正解にたどり着けない場合、その問題は彼にとって「難しい」と判断します。一方で、別の生徒がサッと正解を出すようなら、彼にとってその問題は「易しい」と判断できます。これらの指標は、客観的に生徒の理解度や問題解決能力を把握する上で非常に役立ちます。
「ちょうどいい」難易度提供の可能性
AIが学習者の習熟度を考慮し、かつグループ間で一貫性のある難易度分類を自動で行えるようになることは、教育現場にとって大きな進歩です。これにより、講師は個々の生徒に合わせた課題をより効率的に選定できるようになり、生徒は常に「ちょっと頑張ればできる」という最適な学習ゾーンでプログラミングに取り組むことができます。これは、例えばRoblox Studioでゲームを作る際に、生徒のスキルに合わせて、より複雑なスクリプト（Lua言語）の課題を提示したり、逆に基礎的な部分を丁寧に繰り返したりといった、個別最適化された学習体験の実現に繋がると期待しています。
この研究は、プログラミング学習における「個別最適化」を加速させる画期的な一歩と言えるでしょう。ADVANCEでは、このような最新の研究知見も踏まえ、生徒一人ひとりに寄り添った質の高いプログラミング教育を提供し続けていきます。
5. 保護者の方へ：家庭でできること
この研究が示すように、お子様のプログラミング学習において「ちょうどいい」難易度の問題を選ぶことは、モチベーション維持と効果的な学習に直結します。ご家庭でできることとして、以下の3つのポイントを意識してみてください。
お子様の「できた！」を褒める
正答率や試行回数といったデータは重要ですが、一番大切なのはお子様自身の「できた！」という達成感です。たとえ簡単な問題でも、自分で考えて問題を解決できた経験は、次の学習への意欲に繋がります。「よく頑張ったね！」「すごいね！」と具体的に褒めてあげましょう。
焦らず、お子様のペースを尊重する
プログラミング学習は、すぐに結果が出るものではありません。特に初心者のうちは、何度も間違いを繰り返すこともあります。この研究でも「平均試行回数」が重要な指標でしたが、これは試行錯誤のプロセスそのものが学習の一部であることを示唆しています。他の子と比べるのではなく、お子様自身の成長ペースを温かく見守ってあげてください。
一緒にプログラミングに興味を持つ
お子様が取り組んでいるプログラミング（例えばScratchで動かしているゲームや、Pythonで書いた簡単なコード）について、「どうやって作ったの？」「次はどんなものを作るの？」と積極的に質問し、興味を示してあげましょう。お子様が自分の作ったものを説明する機会は、理解を深めるだけでなく、学習への自信を育むことにも繋がります。
🎮 ADVANCEで一緒にプログラミングを始めませんか？
堺市南区のプログラミングスクールADVANCEでは、Scratchからはじめて、Roblox、Unity(C#)まで段階的に学べます。
研究で効果が実証されたプログラミング教育を、ゲーム制作を通じて楽しく体験できます。
▶ ぼうけんを はじめる 無料体験会に申し込む！6. 参考文献
- Mia, M. S., Watanobe, Y., Rahman, M. M., Amin, M. F. I., Muepu, D. M., & Liu, F. (2026). Cross-Group Aligned Problem Difficulty Clustering Using Attention-Weighted Feature Learning. IEEE Access, Advance Article. DOI: 10.21203/rs.3.rs-9899773/v1