教育における合成データ：従来のリサンプリングと深層生成モデルに関する実証的洞察

要旨: 合成データ生成は、教育テクノロジーにおけるデータ不足やプライバシー上の懸念に対処する可能性を秘めている一方で、実務者には、従来のリサンプリング手法と現代の深層学習アプローチの選択に関する経験的な指針が欠けています。本研究は、10,000件の学生パフォーマンスデータセットを用いて、これらのパラダイムを比較する最初の体系的ベンチマークを提示します。分布の忠実性（Kolmogorov-Smirnov距離、Jensen-Shannonダイバージェンス）や、学習機械としての有用性（Train-on-Synthetic-Test-on-Realスコア：TSTR）、プライバシー保護（Closest Record までの距離：Distance to Closest Record）といった複数の次元にわたり、3つのリサンプリング手法（SMOTE、Bootstrap、ランダム・オーバーサンプリング）を3つの深層学習モデル（オートエンコーダ、変分オートエンコーダ、Copula-GAN）と比較します。その結果、根本的なトレードオフが明らかになりました。リサンプリング手法は、ほぼ完璧な有用性を達成する一方（TSTR: 0.997）、プライバシー保護にはまったく機能せず（DCR ~ 0.00）、深層学習モデルは大きな有用性コストと引き換えに強力なプライバシー保証を提供します（DCR ~ 1.00）。変分オートエンコーダは最適な妥協として現れ、83.3%の予測性能を維持しつつ、完全なプライバシー保護を実現します。さらに、実行可能な提言も示します。プライバシーを管理できる内部開発には従来のリサンプリングを用い、プライバシーが最優先となる外部へのデータ共有にはVAEを用います。本研究は、学習分析における合成データ生成のための基礎となるベンチマークと実務的な意思決定フレームワークを確立します。