要約
英語教科課程への新規文学作品の統合は、教育者がテキストの読みやすさを迅速に評価し、多様な教室環境に適応させるためのスケーラブルなツールを欠いているため、依然として課題となっている。本研究では、トランスフォーマーに基づくテキスト分類と言語特徴分析を統合したマルチモーダルアプローチにより、このギャップを埋めることを提案する。対象は英国のキーレベル（Key Stages）に合致したテキストの適切なマッチングである。8種類の最先端トランスフォーマーを断片化されたテキストデータ上で微調整した結果、BERTが単モーダルモデルの中で最高のF1スコア0.75を達成した。一方、言語的特徴の分類を目的とした500種類の深層ニューラルネットワーク構造を探索したところ、F1スコア0.392を達成した。これらのモーダルの融合により顕著な性能向上が確認され、すべてのマルチモーダルアプローチが単モーダルモデルを上回った。特に、ELECTRAトランスフォーマーとニューラルネットワークを融合させた手法は、F1スコア0.996を達成した。単モーダルとマルチモーダルアプローチの間には、精度、適合率、再現率、F1スコアというすべての検証指標において統計的に有意な差が認められたが、推論時間に関しては有意差は見られなかった。本研究で提案するアプローチは、最終的に利害関係者向けのウェブアプリケーションとして実装され、非技術的関係者に対し、テキストの複雑さ、読解難易度、学習課程との整合性、学習適齢層に関するリアルタイムのインサイトと推薦を提供する。このアプリケーションにより、AIベースの推薦機能を授業計画に統合することで、データ駆動型の意思決定を可能にし、教員の手作業負担を大幅に軽減することが期待される。