【ITニュース解説】We Audited 1,000+ JAMB & WAEC Mathematics Questions Over 20 Years. Here Is What the Data Revealed.

アフリカの教育現場では、全国的な統一試験に合格するための方法について、さまざまな意見や「秘訣」が語り継がれてきた。教師は過去の経験に基づいたアドバイスをし、学習塾では独自の教材が販売され、学生たちは自分が学習しているトピックが実際の試験の何パーセントを占めるのかも知らずに、夜遅くまで問題を丸暗記するといった非効率な学習に時間を費やすことが珍しくなかった。このような状況に対し、ALOC Stationという組織は、「勘」や「経験」ではなく、「データ」に基づいた客観的な分析を通じて、試験の構造を明らかにするアプローチを取った。これは、ITの分野で「データ駆動型アプローチ」と呼ばれる、意思決定にデータを活用する現代的な手法の一例である。

ALOC Stationのエンジニアリングチームとカリキュラムチームは、数ヶ月間をかけて体系的な長期監査を実施した。彼らはプラットフォームデータベースに蓄積された12,645問もの問題の中から、ナイジェリアの入学試験であるJAMB UTMEと、西アフリカの統一試験であるWAEC WASSCEの数学に関する1,000問以上の検証済み過去問に焦点を当てた。これらは2000年から2024年までの20年以上にわたる広範な期間をカバーしている。分析にあたり、各問題はまず「正規化」というプロセスを経て、データの形式が統一され、比較可能な状態に整えられた。その後、国の定める科目シラバス（学習指導要領のようなもの）と照合され、正規のカリキュラムトピックに分類・インデックス付けされた。さらに、各問題は「Bloomの認知分類」というフレームワークに基づいて難易度が評価された。Bloomの認知分類は、学習目標を知識の習得からより複雑な思考能力まで段階的に評価するもので、具体的には「知識（Recall）」「理解（Comprehension）」「応用（Application）」「分析（Analysis）」「評価（Evaluation）」「創造（Creation）」といったレベルで構成される。これにより、単なる正誤だけでなく、その問題がどのような思考プロセスを要求するのかを客観的に数値化できた。

このデータに基づいた分析の結果、ナイジェリアの試験の「隠された構造」、なぜ学生が一生懸命勉強しても不合格になるのか、そして既存のEdTech（教育技術）製品がなぜアフリカで失敗しているのかが明らかになった。

まず、JAMB数学の出題傾向には「パワーロー」と呼ばれる極端な集中が見られた。高校の数学シラバスには集合論から行列まで24以上のトピックが挙げられているにもかかわらず、2000年から2024年のJAMB数学の1,093問を監査した結果、わずか4つの主要トピックが出題全体の65.2%以上を占めていることが判明した。具体的には、「幾何学」が20.3%、「代数学」が17.3%、「統計学」が15.2%、「数論」が12.4%であった。さらに「微積分」を加えると、上位5トピックだけで試験全体の75.4%以上を占める。一方で、行列やモジュラー演算、対数関数といった、教室で数週間もかけて学習するトピックは、すべて合わせても全体の4.5%未満しか出題されていないという現実が明らかになった。これは、学生が努力不足で不合格になるのではなく、学習リソースを非効率的に配分している、つまり「どこに集中して勉強すべきか」を誤っていることが原因であることを示唆している。

次に、試験形式の変更が内容に与える影響も分析から見えてきた。2013年から2015年にかけてJAMBが紙ベースの試験からCBT（Computer-Based Testing：コンピューターベースの試験）に移行したことで、出題傾向が大きく変化した。例えば、分度器などを使った手書きの図形描画を必要とする幾何学の問題は激減した。その代わりに、座標幾何学や初歩的な微積分学の出題が42%も増加した。これは、線形方程式や傾き、導関数といった問題が、デジタル化された多肢選択形式のインターフェースで瞬時に評価できるためである。WAECの理論問題（Paper 2）では、2015年以降、複合的な3D立体の体積を求める問題が増加し、厳密な多段階の代数的な証明が求められるようになった。このように、試験のデジタル化は、出題される問題の種類や難易度、求められるスキルに直接的な影響を与えることが示された。

さらに、JAMBとWAECの試験では、求められる認知レベル、つまりBloomの認知分類における難易度に明確な違いがあることも判明した。多くのEdTech製品や学習アプリが、これら二つの試験の過去問を区別なく練習問題として提供しているが、これは大きな誤りである。JAMB UTMEは、45分以内に40問を解くという極度の時間制限のもとで、速度と手続き的流暢さ（手順を正確かつ迅速にこなす能力）をテストする。問題はBloomの認知レベルで平均2.70〜2.80（5.0点満点）と、主にレベル1の「知識」やレベル2の「理解」に集中している。これに対し、WAEC WASSCE、特に理論問題（Paper 2）では、分析的な統合能力や多段階のモデリング能力が問われる。学生は証明を構築し、6段階にもわたる導出プロセスを記述する必要がある。平均のBloom難易度は3.10〜4.00に達し、レベル4の「分析」やレベル5の「評価」といった高度な思考力が要求される。JAMB向けに設計された多肢選択式の速度練習問題をWAECの受験生に与えても、WAECの理論問題で合否を左右する「方法点」（途中の計算過程に与えられる点）を獲得するための準備には役立たず、むしろ彼らの学習を妨げることにもなりかねない。

こうした分析を通じて、既存のEdTech製品が単にウェブサイトから過去問をスクレイピング（情報を自動収集）したり、紙の過去問集をOCR（光学文字認識）でデジタル化したりして、データベースに投入し、クイズアプリとして提供するだけのモデルがなぜ失敗するのかも明らかになった。まず、市販されている紙の過去問集には、14%から18%もの誤った、あるいは矛盾する解答が含まれているという問題がある。さらに、単なる問題文の羅列では、トピック分類が全くされていないため、学生の学習進捗に合わせて推薦する適応型学習や、特定の弱点を診断するテスト、カリキュラムの習熟度を示すツリー構造などを実現できない。ALOC Stationは、単なる生データではなく、「構造化されたメタデータ」こそがEdTechにおける真の競争優位性であると指摘している。ここでいう構造化されたメタデータとは、正規のカリキュラムトピックに紐付けられた「トピックノード」、前述の「Bloomの認知難易度評価」、そして検証済みの「段階的な解説」といった、データそのものの意味や性質を記述する詳細な情報のことを指す。これらは、単なる問題文よりもはるかに価値があり、スマートな学習システムを構築するための基盤となる。

ALOC Stationは、アフリカのEdTechエコシステム全体の発展を加速させるため、これらの発見をインタラクティブな公開ツールとして提供し、データに基づいた透明性を推進している。このデータは、公開されたREST APIを通じてプログラム的に利用することも可能である。例えば、特定の科目や試験タイプに基づいてトピックごとのベンチマークデータを取得するといった操作が、プログラミングによって実現できる。これは、ITエンジニアが自身のサービスやアプリケーションを開発する際に、ALOC Stationが提供する高品質な教育データを活用できることを意味する。

データに基づくアプローチは、教育分野においても非効率な学習方法を改善し、より効果的な教育ツールを開発するための重要な鍵となる。システムエンジニアを目指す皆さんにとっても、このようなデータ分析のプロセス、構造化データの設計、APIを通じたデータ連携の概念は、様々な分野で応用できる重要なスキルとなるだろう。