データ分析・活用

1. 教育データの種類と収集方法

1.1 教育データの分類

学校現場で扱うデータは多岐にわたります。適切な分類と理解が効果的な活用の第一歩です。

主な教育データの種類

データ種別	具体例	活用目的	取扱注意度
学習データ	テスト結果、提出物、学習ログ、成績データ	学力向上、個別最適化学習	高
行動データ	出欠記録、遅刻・早退、保健室利用状況	生活指導、健康管理	高
アンケートデータ	学校評価、満足度調査、いじめ調査	学校運営改善、課題発見	中
ICT活用データ	端末利用時間、アプリ使用状況、ネットワーク利用	ICT活用促進、トラブル防止	中
施設・設備データ	機器台帳、保守履歴、故障記録	資産管理、予算計画	低

1.2 データ収集の方法

自動収集

説明: システムが自動的にデータを記録する方法

学習eポートフォリオ: Google Classroom、Microsoft Teamsなどでの学習記録
MDM（モバイルデバイス管理）: 端末の利用状況、アプリ使用状況
校務支援システム: 出欠記録、成績データの自動集計
LMS（学習管理システム）: 学習進捗、テスト結果の自動記録

メリット

教員の負担軽減（入力作業不要）
リアルタイムでのデータ取得
入力ミスの防止
大量データの効率的な収集

手動収集

説明: 教員やICT支援員が手作業でデータを入力・記録する方法

アンケート: Google Forms、Microsoft Formsでの質問紙調査
観察記録: 授業中の児童生徒の様子を記録
インタビュー: 教員や児童生徒への聞き取り
作品・レポート評価: 提出物の質的評価

注意点

入力ミスや記録漏れに注意
データ入力フォーマットの統一
定期的なバックアップ
収集目的の明確化と同意取得

1.3 データ品質の確保

データ品質管理のポイント

正確性（Accuracy）: データが事実を正しく反映しているか
完全性（Completeness）: 必要なデータが欠落していないか
一貫性（Consistency）: データが矛盾なく統一されているか
適時性（Timeliness）: データが最新で活用可能な状態か
妥当性（Validity）: データが定められたルール・形式に従っているか

データクレンジングの実践例

重複データの削除: 同じ児童生徒の記録が二重登録されていないか確認
欠損値の処理: 空白や未入力箇所の補完または除外
表記ゆれの統一: 「1年1組」「一年一組」「1-1」など表記の統一
異常値の検出: テスト結果が0点や100点以上など明らかな入力ミスの修正
形式の統一: 日付形式（yyyy/mm/dd）、氏名（姓・名の間隔）の統一

2. 基本的なデータ分析手法

2.1 記述統計（基礎集計）

データの全体像を把握するための基本的な統計量です。

主な統計量

統計量	意味	活用例	計算方法（Excel/スプレッドシート）
平均値	データの中心的傾向	クラス平均点の算出	`=AVERAGE(範囲)`
中央値	データを順に並べた時の中央値	極端な値の影響を避けた中心	`=MEDIAN(範囲)`
最頻値	最も多く出現する値	最も多い選択肢の特定	`=MODE(範囲)`
標準偏差	データのばらつき度合い	学力差の把握	`=STDEV(範囲)`
最大値/最小値	データの範囲	得点分布の把握	`=MAX(範囲)` / `=MIN(範囲)`
パーセンタイル	データの相対的位置	上位25%の児童生徒の特定	`=PERCENTILE(範囲, 0.75)`

2.2 データの比較分析

クロス集計

2つ以上の変数の関係を表形式で集計する手法

活用例

学年別×教科別の平均点比較
ICT活用頻度×学力向上の関係分析
家庭学習時間×成績の相関

ツール: Excel/Google スプレッドシートの「ピボットテーブル」機能が便利

時系列比較

同じ指標の時間的変化を追跡する分析

活用例

月次の端末利用時間の推移
学期ごとの学力テスト結果の変化
年間を通じた欠席率の推移

可視化: 折れ線グラフ、棒グラフで視覚的に表現

グループ間比較

異なるグループ間の指標を比較する分析

活用例

学年間の比較: 低学年・中学年・高学年の端末活用状況
学校間の比較: 市内複数校のICT活用度合い
介入前後の比較: 研修実施前と実施後の教員のICTスキル変化

2.3 相関分析

2つの変数間に関係があるかを調べる分析手法です。

相関係数の読み方

相関係数の値	関係性	教育現場の例
+0.7 ～ +1.0	強い正の相関	家庭学習時間が増えると成績も上がる傾向
+0.4 ～ +0.7	中程度の正の相関	ICT活用頻度が高いと授業満足度も高い傾向
-0.1 ～ +0.1	ほとんど相関なし	身長と成績の間には関係がない
-0.4 ～ -0.7	中程度の負の相関	欠席日数が多いと成績が下がる傾向
-0.7 ～ -1.0	強い負の相関	睡眠不足だと集中力が大幅に低下

計算方法: =CORREL(データ1の範囲, データ2の範囲)

相関分析の注意点

相関≠因果関係: 相関があっても必ずしも因果関係があるとは限らない
第三の変数の影響: 見かけ上の相関（疑似相関）に注意
サンプル数の確保: 少なすぎるデータでは信頼性が低い（最低30以上推奨）

3. 学習ログの分析と活用

3.1 学習ログとは

児童生徒のデジタル学習における行動記録（アクセス履歴、学習時間、進捗状況、正答率など）を指します。

学習ログの種類

ログの種類	収集内容	活用目的
操作ログ	クリック、ページ遷移、入力操作	つまずきポイントの特定
学習行動ログ	学習時間、繰り返し回数、休憩頻度	学習習慣の把握
成果ログ	テスト結果、正答率、提出状況	学力評価、個別指導
感情ログ	振り返りコメント、アンケート回答	学習意欲・満足度の測定

3.2 学習ログの分析手法

個別の学習状況把握

学習進捗の可視化: ダッシュボードで一人ひとりの進捗を一覧表示
つまずきの早期発見: 特定の単元で停滞している児童生徒の検出
学習ペースの把握: 速い/遅い学習者の特定と個別対応
学習パターンの分析: 朝型・夜型、集中時間帯の傾向把握

可視化例

学習時間の時系列グラフ
単元別の正答率ヒートマップ
学習進度の到達度マップ

クラス全体の傾向分析

全体の学習状況: クラス平均の学習時間、提出率
課題の難易度調整: 正答率が極端に低い/高い課題の特定
学習格差の把握: 学習時間・成績の分布と偏り
効果的な指導法の発見: 成績向上につながった教材・手法の特定

3.3 学習ログの活用事例

事例1: 個別最適化学習の実現

学校: A小学校（全学年でタブレット活用）

課題: 算数の習熟度に大きな差があり、一斉授業では対応困難

取り組み:

ドリル教材の学習ログを週次で分析
正答率70%以下の児童には補習教材を自動配信
90%以上の児童には発展問題を提示

成果: 学力の底上げと上位層の伸長を両立。児童の学習意欲も向上。

事例2: 不登校傾向の早期発見

学校: B中学校

課題: 不登校の兆候を早期に把握し、適切な支援を行いたい

取り組み:

オンライン課題の提出状況を毎日モニタリング
提出率が急激に低下した生徒をアラート
担任とSC（スクールカウンセラー）が連携して早期対応

成果: 不登校の未然防止件数が増加。保護者からも好評。

4. データ可視化ツールの活用

4.1 データ可視化の重要性

複雑なデータを視覚的に表現することで、直感的な理解と迅速な意思決定が可能になります。

可視化のメリット

理解の促進: 数値の羅列よりも図表の方が直感的に把握できる
傾向の発見: パターンや異常値が一目で分かる
コミュニケーション: 教員・管理職・保護者への説明が容易
意思決定の迅速化: 視覚的情報は判断を早める

4.2 グラフの種類と使い分け

目的別グラフの選び方

グラフの種類	適した用途	教育現場の例
棒グラフ	カテゴリ間の比較	学年別の平均点比較、教科別の得点分布
折れ線グラフ	時系列の変化	月次の端末利用時間推移、学期ごとの成績変化
円グラフ	全体に対する構成比	アンケートの選択肢別回答割合
散布図	2つの変数の相関	家庭学習時間と成績の関係
ヒストグラム	データの分布	テスト得点の分布、学習時間の分布
箱ひげ図	データのばらつきと中央値	クラス間の成績のばらつき比較
ヒートマップ	2次元データの密度表現	時間帯別×曜日別の端末利用状況

4.3 おすすめの可視化ツール

Excel / Google スプレッドシート

特徴: 最も身近で使いやすい表計算ソフト

メリット: 誰でも使える、多様なグラフが作成可能、データと一体管理
デメリット: 大量データには不向き、インタラクティブ性が低い
おすすめ機能: ピボットテーブル、条件付き書式、グラフ作成機能

Google データポータル（Looker Studio）

特徴: Google提供の無料BIツール

メリット: 無料、スプレッドシートと連携、リアルタイム更新、共有が容易
デメリット: 学習コストがやや高い、複雑な分析には限界
活用例: 学校全体のICT活用ダッシュボード、月次レポート自動生成

Tableau Public / Power BI

特徴: 本格的なビジネスインテリジェンス（BI）ツール

メリット: 高度な分析が可能、美しいビジュアル、大量データ対応
デメリット: 学習コストが高い、有料版が必要な場合も
活用例: 教育委員会レベルの広域データ分析、詳細な学力分析

4.4 ダッシュボードの作成

複数の指標を一画面で確認できるダッシュボードは、データドリブンな学校運営に不可欠です。

効果的なダッシュボードの設計

目的の明確化: 誰が・何のために・どのように使うかを明確に
KPIの選定: 重要な指標を3〜5個に絞る（多すぎると逆効果）
レイアウト設計: 最も重要な情報を左上に配置
色の使い方: 色数を絞り、警告色（赤）は本当に重要な箇所のみ
更新頻度の明示: データがいつ更新されたか表示

ダッシュボードの例

「ICT活用状況ダッシュボード」に含める指標例:

端末の平均利用時間（週次）
教員のICT活用率（アプリ別）
トラブル発生件数（月次推移）
オンライン課題の提出率（学年別）
研修受講状況（教員別の進捗）

5. EBPM（エビデンスに基づく政策立案）

5.1 EBPMとは

EBPM（Evidence-Based Policy Making）: 政策の企画立案をエビデンス（根拠・証拠）に基づいて行うこと。教育現場においても、勘や経験だけでなく、データに基づいた意思決定が求められています。

教育分野でのEBPM

文部科学省も「エビデンスに基づく教育政策の推進」を掲げており、学校現場でもデータ活用が重視されています。

全国学力・学習状況調査の活用
GIGA端末の利活用状況の把握と改善
教員の働き方改革の効果測定
ICT環境整備の費用対効果分析

5.2 EBPMのサイクル

PDCAサイクル × エビデンス

Plan（計画）: 現状データの分析 → 課題の特定 → 施策の立案
Do（実行）: 施策の実施 + データ収集の継続
Check（評価）: 効果測定 → エビデンスの検証
Act（改善）: 成果の確認 → 次の施策への反映

5.3 学校現場でのEBPM実践例

例1: ICT活用推進施策の効果検証

課題: 端末の利用が一部の教員・教科に偏っている

Plan（計画）:

現状調査: MDMデータから教員別・教科別の利用状況を分析
課題特定: 利用率が低い教員（全体の30%）を特定
施策立案: 利用率が低い教員向けに「短時間ミニ研修」を月1回実施

Do（実行）: ミニ研修を3ヶ月実施（各回30分、実践的な活用事例紹介）

Check（評価）:

3ヶ月後のMDMデータを再分析
対象教員の平均利用時間が2倍に増加
アンケートで満足度92%

Act（改善）: ミニ研修を全校展開。教科別のバリエーションも追加。

例2: 家庭学習の質向上

課題: オンライン課題の提出率が低い（全体の60%）

Plan（計画）:

現状分析: 提出状況と成績の相関を確認 → 強い正の相関あり
課題特定: 提出方法が分かりにくい、期限管理が困難
施策立案: リマインド機能付きの課題管理アプリ導入

Do（実行）: Google Classroomの通知機能を活用、期限3日前に自動リマインド

Check（評価）:

提出率が60% → 85%に向上
保護者からも「助かる」との声多数

Act（改善）: さらに保護者への通知機能も追加。他学年にも展開。

5.4 EBPMの注意点

データだけに頼らない

定性データも重要: 数値に表れない教員・児童生徒の声も聞く
因果関係の慎重な判断: 相関があっても因果とは限らない
短期的成果に囚われない: 教育効果は長期的視点で評価
現場の実情を尊重: データだけで一律の施策を押し付けない

6. 個人情報保護とデータ倫理

6.1 個人情報保護に関する法律

個人情報保護法

教育データには児童生徒の氏名、成績、健康情報などの「個人情報」が含まれます。個人情報保護法を遵守した取り扱いが必須です。

利用目的の明示: データを何のために使うかを明確に
本人または保護者の同意: 収集・利用前に同意を得る
適切な管理: 漏洩・紛失を防ぐセキュリティ対策
第三者提供の制限: 原則として本人の同意なく他者に渡さない

要配慮個人情報

個人情報保護法第2条第3項で定義される、特に慎重な取り扱いが必要な情報です。

法律上の要配慮個人情報: 病歴・健康状態（アレルギー、疾患など）、障害の有無など
教育現場で慎重な取り扱いが必要な情報: 学業成績・評価、家庭環境・経済状況

→ 要配慮個人情報は本人の同意なく取得・利用してはいけません。学業成績等も個人のプライバシーに関わる重要情報として、適切な管理と慎重な取り扱いが求められます。

6.2 匿名化・仮名化の手法

個人を特定できないようにデータを加工することで、安全にデータ分析が可能になります。

データの匿名化手法

手法	説明	具体例
削除	個人を特定できる項目を削除	氏名、住所、生年月日を削除
一般化	詳細情報を大まかなカテゴリに	年齢 → 年代（10代、20代）
トップ・ボトムコーディング	極端な値をまとめる	90点以上 → 「90点以上」
ノイズ付加	データに微小なランダム値を追加	成績にわずかな誤差を加える
仮名化	識別子を別のIDに置き換え	氏名 → 学生ID（A001、A002...）

再識別リスクに注意

複数のデータを組み合わせることで個人が特定される可能性（再識別リスク）があります。

例: 「6年生・女子・サッカー部」だけで個人が特定できる場合
対策: 少人数のグループはデータ公開を避ける、複数項目の組み合わせに注意

6.3 データ倫理

データ活用の倫理原則

透明性: データの収集・利用目的を明示し、保護者・児童生徒に説明
公平性: 特定の児童生徒に不利益が生じないよう配慮
安全性: データ漏洩・不正利用を防ぐセキュリティ対策
説明責任: データに基づく判断の根拠を説明できるようにする
人間中心: データはあくまで判断の材料。最終判断は人が行う

避けるべきデータ利用

差別・偏見の助長: データに基づく不当な扱い（例: 成績だけで児童生徒を評価）
プライバシー侵害: 本人の知らない間に詳細なデータを収集
目的外利用: 同意を得た目的以外でのデータ利用
過度な監視: 児童生徒の行動を必要以上に追跡・記録

同意書の記載事項

保護者からデータ利用の同意を得る際は、以下の内容を明記します。

収集するデータの種類: 学習ログ、成績、アンケート回答など
利用目的: 学習支援、授業改善、研究など
データの保管方法: 暗号化、アクセス制限など
第三者提供の有無: 教育委員会、研究機関への提供など
保管期間: 卒業後◯年まで、など
同意の撤回: いつでも同意を取り消せることを明記

7. データに基づく意思決定の実践

7.1 データ活用の意思決定プロセス

ステップ1: 意思決定の課題を明確にする

何を決めるのか？（例: 来年度の端末更新、研修内容の見直し）
誰が意思決定するのか？（管理職、ICT担当、教育委員会）
いつまでに決めるのか？（予算申請前、学期末まで）

ステップ2: 必要なデータを収集する

現状を把握するためのデータは何か？
どこから入手できるか？（校務支援システム、MDM、アンケート）
データの信頼性は十分か？

ステップ3: データを分析する

記述統計で全体像を把握
グラフ化で視覚的に理解
比較分析で差異を明確に
相関分析で関係性を探る

ステップ4: 選択肢を評価する

各選択肢のメリット・デメリットをデータで比較
コスト対効果を算出
リスクと機会を洗い出す

ステップ5: 決定と実行

データと現場の声を総合して最終判断
決定の根拠を記録（後で振り返るため）
実行計画を立てる

ステップ6: 結果を検証し、改善する

実施後のデータを収集
期待した効果が得られたか検証
うまくいかなかった点を分析し、次に活かす

7.2 実践例: 端末更新の意思決定

端末更新のタイミングと機種選定

課題: 現在の端末が導入から4年経過。更新すべきか？するならどの機種か?

収集したデータ:

端末の故障率推移（月次）
バッテリー持続時間の劣化状況
教員・児童生徒の満足度アンケート
他校の更新事例（機種、価格、評価）

分析結果:

故障率が1年前の2倍に増加 → 修理コストが増大
バッテリーが2時間しか持たない端末が全体の30% → 授業に支障
満足度は「普通」が最多 → 大きな不満はないが改善の余地あり
他校は5年で更新が多い → まだ1年は使えるが早めの検討が望ましい

選択肢の比較:

選択肢	コスト	メリット	デメリット
現行維持（修理で対応）	低	初期費用不要	故障増加、修理コスト増
一斉更新（高性能機種）	高	性能向上、故障減	予算確保が困難
段階的更新（中性能機種）	中	予算分散、リスク軽減	混在による管理複雑化

決定: 「段階的更新（中性能機種）」を採用

理由: 予算制約の中で最も現実的。故障率が高い学年から優先更新
実行計画: 今年度は3学年分を更新、残りは翌年度

検証: 更新後3ヶ月のデータで故障率が50%減、満足度も向上を確認

7.3 陥りやすい罠と対策

データ活用でよくある失敗

データの過信: 数値だけで判断し、現場の実情を無視
- 対策: データと定性情報（教員の声、観察）を組み合わせる
分析麻痺: データが多すぎて決められない
- 対策: 最も重要な指標を3つに絞る
確証バイアス: 自分の仮説に合うデータだけを見る
- 対策: 反対意見も探し、多角的に検証
短期志向: 即効性を求めすぎて本質的改善を見逃す
- 対策: 短期・中期・長期の指標をバランスよく設定

まとめ