🎓 大学IRリテラシー開発プログラム

データ分析による教育改革の実践

プログラム進捗: 0%

📋 プログラム概要

🎯 学習目標

  • データドリブンな意思決定の実践
  • JASP統計分析の習得
  • LLM活用による新しい分析手法
  • エビデンスベースの改善提案

⏱️ プログラム構成

  • パート1: 学生募集データ分析（60分）
  • パート2: 入学試験妥当性検証（60分）
  • パート3: 3つのポリシー検証（60分）

🔧 使用ツール

  • JASP - 無料統計分析ソフト
  • ChatGPT/Claude - LLMテキスト分析
  • Excel/Google Sheets - データ前処理
  • このサイト - インタラクティブ学習

🎮 簡易デモ: データ分析の威力

ボタンをクリックして、データ分析の基本的な考え方を体験してみましょう：

📈 パート1: 学生募集データ分析と対策提言

📊 主要KPI設定

効果的な募集活動のための重要指標：

  • 志願倍率: 志願者数 ÷ 募集定員
  • 歩留率: 入学者数 ÷ 合格者数
  • 定員充足率: 入学者数 ÷ 入学定員
  • 転換率: 各段階での変換効率

🔍 分析手法

  • 時系列分析による傾向把握
  • 競合校との比較分析
  • セグメント別詳細分析
  • 多変量解析による要因特定
💡 クイズ: 志願倍率が3年連続で低下している場合、最初に確認すべきデータは？
A. 教員数の変化
B. 施設の老朽化状況
C. 競合校の動向と市場環境
D. 学費の変更履歴

📊 JASP実習: 基本統計分析

JASPを使った記述統計の計算例：

// データ読み込み後の基本統計 平均志願者数: 1,245名 標準偏差: 187名 中央値: 1,198名 最頻値: 1,150名 変動係数: 15.0%

🔍 パート2: 入学試験の妥当性検証

📊 文科省クロス分析

基本分析フレーム:

入学年度 × 入試種別 × 学科 ↓ 学年別GPA・退学率・留年率・休学率
  • 偏差値換算による公正な比較
  • 入試種別の予測妥当性検証
  • 多様性・公正性の定量評価

🏥 群馬パース大学の特徴

  • 3学部7学科: 看護・リハビリ・医療技術
  • 複数併願制: 第4志望まで判定
  • 高競争倍率: 前期5倍・後期20倍超
  • 国家試験: 90%以上の高合格率
  • 就職率: ほぼ100%（医療職特性）

⚖️ 偏差値換算の重要性

入試種別による難易度調整：

偏差値 = 50 + 10 × (個人得点 - 平均) / 標準偏差
  • 一般入試 vs 推薦入試の公正比較
  • 年度による問題難易度補正
  • 学科別重点科目の標準化

🧮 偏差値換算シミュレーション

入試種別別の成績分布と偏差値換算：

📈 文科省クロス分析で最も重要な観点は？
A. 入試成績の高い学生を多く確保する
B. 入試種別ごとの予測妥当性を検証する
C. 偏差値の高い大学との競合に勝つ
D. 志願者数を最大化する

🎯 パート3: 3つのポリシーの妥当性検証

🔄 AP-CP-DPの医療系特化

アドミッションポリシー（AP）

  • 医療職への強い意志
  • 基礎学力と協調性
  • 地域医療への貢献意欲

カリキュラムポリシー（CP）

  • 多職種連携教育
  • 段階的専門性向上
  • 実習重視の実践教育

ディプロマポリシー（DP）

  • 国家試験合格レベルの知識
  • チーム医療でのリーダーシップ
  • 地域医療への貢献能力

🚨 ドロップアウト予兆検出

早期警告システム階層化：

  • レベル1（注意）: GPA下位20%、出席率80%未満
  • レベル2（警戒）: 連続2学期GPA低下、実習評価C以下
  • レベル3（危険）: 留年確定、休学検討

予測要因：

  • 学習時間・出席率の変化
  • 実習評価・専門科目成績
  • 満足度・学習意欲
  • 経済状況・家族サポート

🤖 LLM活用: 新分析手法

従来の限界を超える：

  • 量的データの表面性克服
  • 潜在的ニーズの発見
  • 改善点の具体化
  • セグメント別深層分析

統合分析アプローチ：

  • JASP統計分析 × LLMテキスト分析
  • 量的根拠 × 質的洞察
  • 個別最適 × 全体最適

🤖 LLM統合分析デモ

満足度データ（量的 + 質的）の統合分析：

分析例: 看護学科3年生 ・満足度スコア: 3.2/5.0 (量的データ) ・自由記述: "実習病院によって指導レベルが..." ↓ LLM分析 ・感情スコア: -15 (やや不満) ・主要課題: 実習指導の標準化 ・改善提案: 指導者研修制度の導入
⚠️ 満足度向上プログラムの「落とし穴」とは？
A. 費用対効果が悪い
B. 表面的満足度を追求して本質的課題を見逃す
C. 教員の業務負担が増加する
D. 学生の自立性が低下する

🛠️ ツール活用ガイド

📊

JASP

無料統計分析ソフト

  • GUI操作で簡単
  • 豊富な統計手法
  • 美しいグラフ作成
  • 再現可能な分析
🤖

ChatGPT/Claude

LLMテキスト分析

  • 自然言語処理
  • 感情分析
  • 要約・分類
  • 洞察の発見
📈

Excel/Sheets

データ前処理

  • データクリーニング
  • 基本統計
  • グラフ作成
  • レポート作成

📁 演習用模擬データセット

群馬パース大学の実データに基づいた匿名化された演習用データです。JASPでの分析実習に活用してください。

📖 JASP分析手順ガイド

ダウンロードしたCSVファイルをJASPで分析する手順：

📂 Step 1: データ読み込み

  1. JASPを起動
  2. File → Open → ダウンロードしたCSVを選択
  3. データ型を確認（名義・順序・間隔尺度）
  4. 変数名の日本語表示確認

📊 Step 2: 記述統計

  1. Descriptives → Descriptive Statistics
  2. 分析対象変数を右パネルに移動
  3. 統計量を選択（平均・標準偏差・歪度など）
  4. ヒストグラムにチェック

🔗 Step 3: 相関分析

  1. Regression → Correlation Matrix
  2. 相関を見たい変数を選択
  3. Pearson/Spearmanを選択
  4. 散布図マトリックスを表示

📈 Step 4: 回帰分析

  1. Regression → Linear Regression
  2. 従属変数（例：GPA）を設定
  3. 独立変数（例：入試成績）を追加
  4. 残差プロットで仮定確認
💡 分析のポイント: ・欠損値の確認と処理方針の決定 ・外れ値の検出と対処法の検討 ・統計的仮定（正規性・等分散性）の確認 ・効果量の計算と実務的意義の解釈 ・多重検定の補正（Bonferroni調整等）

🔧 統合分析ワークフロー

効果的なデータ分析の流れ：

1. データ収集・前処理 (Excel/Sheets) ↓ 2. 統計分析・仮説検証 (JASP) ↓ 3. テキスト分析・深層洞察 (LLM) ↓ 4. 結果統合・可視化・報告書作成
🎯 どの場面でLLMが最も有効？
A. 数値データの平均値計算
B. 自由記述アンケートの内容分析
C. 相関係数の計算
D. グラフの作成

💡 このサイトは大学IRリテラシー開発プログラムの学習支援ツールです

📧 質問・要望: a-kimura@paz.ac.jp