教育データ（Kaggle）を用いて学習成果を分析し、LightGBM＋SHAPで指導施策に繋がる示唆を抽出。

• t検定で有意差確認（prep course の効果）
• 予測精度：MAE 4.60 / RMSE 6.1（平均66点に対し±6点）
• SHAPで重要因子（writing, prep course）を可視化

1 課題

• 生徒情報と数学の成績の関係を分析し、学習支援に向けた改善施策の仮説を提示する

2 背景

• スコアが高い要因を把握し、具体的な施策を提案する（単に勉強すればいいというアドバイスの脱却）
• 予想スコアを算出することで、事前にテストへの対策を提案する層を見つけ、早期対応したい

3 データ概要

• Kaggle: Students Performance in Exams （公開データを使用）

4 EDA・仮説

• EDA: 可視化（Plotly）
• 統計検定: t検定による有意差検証

5 モデル設計

• 機械学習: LightGBMによる予測モデル構築・特徴量重要度の算出
• モデル評価: MAE / RMSE による精度測定

6 分析からの施策

• SHAP値の高い writing score が低い生徒 → 補習や教材提供の優先対象とする
• test preparation course 未受講の生徒 → 学校内での受講推奨施策や案内資料に活用可能

7 再現手順

• requirements.txt に必要ライブラリを記載（pandas scipy plotly-express lightgbm random_state=42 など）

pip install -r requirements.txt
jupyter notebook StudentsPerformance.ipynb

8 成果・効果

• テスト準備講座（test preparation course）の有無で統計的に有意な差を確認（p = 1.5e-08） → 読解力（reading）が数学に強い影響を与えていることを発見
• LightGBM による予測：MAE=4.60 / RMSE=6.1 → 平均点66点に対して ±6点程度の誤差であり、事前に学習支援対象者を抽出を一定程度可能

9 課題と今後の展望

• 強相関する特徴量（reading, writing）の扱いを調整することで性能の向上が期待できる
• 今後は回帰モデルや因果推論を用いて test preparation course の効果を厳密に検証

10 Qiita記事

https://qiita.com/c62323440/items/f0d849158c7d5345f2fb