数理・DS・AI教育プログラム認定制度（リテラシーレベル）
数理・DS・AI教育プログラム認定制度（リテラシーレベル）
数理・DS・AI教育プログラム認定制度（リテラシーレベル）
本学は、全学的な基盤教育に数理・DS・AIならびにICTに関する内容を学べる科目群を設置しています。
この科目群は、文部科学省が定める「数理・データサイエンス・AI教育プログラム（リテラシーレベル）」に認定されています。（認定の有効期限：令和11年3月31日まで）
（参考）
１．教育プログラムの名称
数理・AI・データサイエンスに関する教育プログラム
２．身につけることができる能力
本教育プログラムでは、AI・データサイエンスが実社会でどのように役立っているかを知り、基礎となる統計的分析の基本的な方法、データの可視化、機械学習などの知識とスキルを学修します。また、データサイエンスやAIが社会において、また自分自身の生活における課題や専門分野において活用できることを理解します。これらを通じてAIやデータを活用するためのリテラシーを高めます。
- AI、データサイエンスを含む情報科学の基礎知識とSociety5.0の動向を理解する。
- データを統計的に分析、可視化する能力を身につける。
- データを収集分析し、解決に必要な知見を抽出する能力を身につける。
- AI等の活用にめざす上で必要になるプログラミングの基礎的知識を身につける。
３．教育プログラムの修了要件、授業の方法及び内容
本学では、1年次科目「基礎情報処理」が開講されています。これらの単位を取得することで数理・AI・DSに関する教育プログラムを履修したこととなります。
| 学部 | 授業科目 | 授業の方法及び内容 |
|---|---|---|
| 家政学部 文学部 人間社会学部 理学部 国際文化学部 建築デザイン学部 食科学部 |
基礎情報処理（必修2単位） | 【授業の方法】 コンピュータを操作しながら具体的にリテラシーを身に着け ていく。 また、一部の内容でアクティブラーニング（反転授業）を行うことがある。 反転授業の場合、テキストや動画コンテンツに沿って予習し、授業内では各自が課題を進める。 【授業の内容】 インターネット／コンピュータリテラシーを身に着けることをねらいとする。 インターネットリテラシーとして、情報倫理とサイバーセキュリティを理解する。 コンピュータリテラシーとして、専門教育に向けた文書作成、データサイエンス、 人工知能技術の概要について学修することを目的とする。 |
※各科目の詳細（授業の方法および内容）はシラバス検索システムで確認をしてください。
４．実施体制
本教育プログラムの実施体制を下表に示します。
| 委員会等 | 役割 |
|---|---|
| 基盤教育センター 情報処理委員会 | プログラムの運営責任者 |
| 基盤教育センター メディアセンター |
プログラムの改善・進化 |
| 基盤教育センター（自己点検・評価委員会） メディアセンター（自己点検・評価委員会） |
プログラムの自己点検・評価 |
５．授業に含まれている内容・要素
| 授業に含まれる内容・要素 | 授業に含まれているスキルセットのキーワード | |
|---|---|---|
| （１）現在進行中の社会変化（第４次産業革命、Society 5.0、データ駆動型社会等）に深く寄与しているものであり、それが自らの生活と密接に結びついている | 1-1 | ・ビッグデータ、IoT、AI、ロボット 「基礎情報処理」 ・データ量の増加、計算機の処理性能の向上、AIの非連続的進化 「基礎情報処理」 ・第4次産業革命、Society 5.0、データ駆動型社会 「基礎情報処理」 |
| 1-6 | ・AI等を活用した新しいビジネスモデル(シェアリングエコノミー、商品のレコメンデーションなど) 「基礎情報処理」 ・AI最新技術の活用例（深層生成モデル、敵対的生成ネットワーク、強化学習、転移学習など） 「基礎情報処理」 |
|
| （２）「社会で活用されているデータ」や「データの活用領域」は非常に広範囲であって、日常生活や社会の課題を解決する有用なツールになり得るもの | 1-2 | ・構造化データ、非構造化データ（文章、画像/動画、音声/音楽など） 「基礎情報処理」 ・データのオープン化（オープンデータ） 「基礎情報処理」 |
| 1-3 | ・データ・AI活用領域の広がり(生産、消費、文化活動など) 「基礎情報処理」 | |
| （３）様々なデータ利活用の現場におけるデータ利活用事例が示され、様々な適用領域（流通、製造、金融、サービス、インフラ、公共、ヘルスケア等）の知見と組み合わせることで価値を創出するもの | 1-4 | ・データ可視化：複合グラフ、2軸グラフ、多次元の可視化、関係性の可視化、地図上の可視化、挙動・軌跡の可視化、リアルタイム可視化など 「基礎情報処理」 ・非構造化データ処理：言語処理、画像/動画処理、音声/音楽処理など 「基礎情報処理」 ・認識技術、ルールベース、自動化技術 「基礎情報処理」 |
| 1-5 | ・データサイエンスのサイクル（課題抽出と定式化、データの取得・管理・加工、探索的データ解析、データ解析と推論、結果の共有・伝達、課題解決に向けた提案） 「基礎情報処理」 ・流通、製造、金融、サービス、インフラ、公共、ヘルスケア等におけるデータ・AI利活用事例紹介 「基礎情報処理」 |
|
| （４）活用に当たっての様々な留意事項（ELSI、個人情報、データ倫理、ＡＩ社会原則等）を考慮し、情報セキュリティや情報漏洩等、データを守る上での留意事項への理解をする | 3-1 | ・個人情報保護、EU一般データ保護規則(GDPR)、忘れられる権利、オプトアウト 「基礎情報処理」 ・データ倫理：データのねつ造、改ざん、盗用、プライバシー保護 「基礎情報処理」 |
| 3-2 | ・情報セキュリティ：機密性、完全性、可用性 「基礎情報処理」 ・匿名加工情報、暗号化、パスワード、悪意ある情報搾取 「基礎情報処理」 ・情報漏洩等によるセキュリティ事故の事例紹介 「基礎情報処理」 |
|
| （５）実データ・実課題（学術データ等を含む）を用いた演習など、社会での実例を題材として、「データを読む、説明する、扱う」といった数理・データサイエンス・ＡＩの基本的な活用法に関するもの | 2-1 | ・データの分布(ヒストグラム)と代表値（平均値、中央値、最頻値） 「基礎情報処理」 ・データのばらつき（分散、標準偏差、偏差値） 「基礎情報処理」 |
| 2-2 | ・データ表現（棒グラフ、折線グラフ、散布図、ヒートマップ） 「基礎情報処理」 ・データの図表表現（チャート化） 「基礎情報処理」 |
|
| 2-3 | ・データの集計（和、平均） 「基礎情報処理」 ・データの並び替え、ランキング 「基礎情報処理」 ・データ解析ツール（スプレッドシート） 「基礎情報処理」 |
|
| 以下のオプションを含むもの 4‐2 アルゴリズム基礎 4‐3 データ構造とプログラミング基礎 4‐8 データ活用実践（教師あり学習） |
4-2 | ・アルゴリズムの表現（フローチャート、アクティビティ図） 「基礎情報処理」 ・並び替え（ソート） 「基礎情報処理」 ・探索（サーチ） 「基礎情報処理」 |
| 4-3 | ・数と表現、計算誤差、データ量の単位、文字コード、配列 「基礎情報処理」 ・変数、代入、繰り返し、場合に応じた処理 「基礎情報処理」 |
|
| 4-8 | ・教師あり学習による予測 例）売上予測、罹患予測、成約予測、離反予測など 「基礎情報処理」 ・データの収集（分析に必要なデータの確認、対象となるデータの収集） 「基礎情報処理」 ・データの加工（データクレンジング、サンプリング、簡単な説明変数の作成） 「基礎情報処理」 ・データの分析（単回帰分析、重回帰分析、ロジスティック回帰分析、モデルの評価） 「基礎情報処理」 ・データ分析結果の共有、課題解決に向けた提案 「基礎情報処理」 |
|
６．教育改善・質保証（自己点検・評価）
数理・AI・データサイエンスに関する教育プログラムに関する自己点検・評価結果を示します。以下のリンクから参照ください。
＜2020年度＞
＜2021年度＞
＜2022年度＞
＜2023年度＞
＜2024年度＞
閉じる