Knewton は、Wiley が所有する適応学習プラットフォームです。高等教育および幼稚園から高校まで向けにパーソナライズされた学習エンジンを提供し、世界中の多くの教科書出版社や教育機関で採用されています。

ニュートン

Knewton のコアパラメータと統計

Knewton は、アダプティブ ラーニング エンジンを教科書出版社のデジタル プラットフォームに組み込む「インフラストラクチャ層」のルートを採用しており、これにより出版社は学習者に直接販売するのではなく、最終的な生徒に到達できるようになります。このモデルは、その製品パラメータが一般的な DTC (消費者直販) 教育ツールとは本質的に異なることを判断します。つまり、その「ユーザー」は出版社や学校であり、学生自身ではありません。

パラメータ	値
製品のポジショニング	出版社と学校向けのアダプティブ ラーニング インフラストラクチャ
コアフォーム	クラウド API + パブリッシャー統合 SDK
対象ユーザー	教科書出版社、高等教育機関、幼稚園から高校までの学区
コアテクノロジースタック	ベイズ知識追跡、項目応答理論 (IRT)、協調フィルタリング推奨エンジン
ナレッジグラフの粒度	先行者/後継者の関係チェーンを含む、各分野の何千ものきめ細かいスキル ノード
サポートされている言語	主に英語ですが、その他の言語はパートナー出版社のニーズに応じます。
導入方法	クラウドSaaS（マルチテナントアーキテクチャ）
親会社	Wiley (2019 年に完全買収)
設立	2008年
本社	ニューヨーク、アメリカ
創業ラウンドの資金調達	累計約1億8,200万米ドル（買収前）
コア出版パートナー	ピアソン、センゲージ、マクミラン、ワイリー教育出版
教育段階をカバー	高等教育 (主要) + K-12

Knewton と従来の教育ソフトウェアの主な違い: Knewton は、独立した生徒/教師用アプリケーションを提供しませんが、API および SDK の形式で出版社のデジタル教材プロセスに組み込まれます。これは、学生が Pearson または Cengage インターフェイスを開くことを意味しますが、バックグラウンドでの質問推奨ロジックと習熟度スコアリングは Knewton エンジンによって駆動されます。発行者にとって、Knewton の統合コストには、単に JavaScript を埋め込むだけでなく、シングル サインオン ドッキング、コース コンテンツ マッピング、ナレッジ グラフの初期化が含まれます。

主流の適応学習ソリューションの中核的要素との比較

寸法比較	ニュートン	ALEKS (マグロウヒル)	ドリームボックス	セレゴ
ビジネスモデル	B2B インフラストラクチャ (エンジン認証)	B2B+B2C（コース制）	B2B (学校サブスクリプション)	B2B+B2C
対象ステージ	主に高等教育	K-12 から高等教育まで	K-8	高等教育
中核科目	数学、科学、経済学 (提携出版社による)	数学、化学	数学	学際的な
知識追跡方法	ベイジアンナレッジトレーシング + IRT	知識空間理論	ベイズ + 強化学習	間隔をあけた反復 + マスタリースコアリング
コンテンツソース	出版社によって提供され、Knewton によってインデックス付けされています。 McGraw-Hill 独自のコンテンツ	独自のコース	ユーザー/機関が自主的に作成
ブランドの認知度	バックエンド主導、学生には不透明	ブランドに依存しない、学生に見える	独立した製品	独立した製品
取得状況	買収 (ワイリー)	未取得 (マグロウヒル内部)	取得済み (Byju's)	独立して運営

各プランには「より良い」という絶対的な判断はなく、違いはエントリーポイントと資本構成にあります: Knewton はエンジンライセンスのルートを採用しており、対象範囲は協力出版社のコンテンツの幅広さによって制限されます。 McGraw-Hill の自社製品である ALEKS には、数学の分野における知識空間の深い理論的蓄積がありますが、新しい主題に拡張するにはコストがかかります。 DreamBox は Byju's に買収された後、幼稚園から高等学校までの数学の垂直分野に焦点を当てて資本注入を受けました。 Cerego 教育機関が独自の学習コンテンツを構築するシナリオにより適していますが、適応性の深さは最初の 3 つほど深くありません。

Knewton のユーザーと市場での認知度

Knewton の市場での評価は、C ポートでの評判よりも、主に B2B 協力の深さに反映されています。その中心となる採用シグナルは、大手出版社との継続的な協力と契約の更新です。

高等教育出版の浸透: Knewton は、世界トップ 3 の教科書出版社 (Pearson、Cengage、Macmillan) と緊密な統合協力関係を確立しています。ピアソンは、Knewton エンジンの一部を同社の主力デジタル プラットフォームである MyLab に埋め込んでいます。 Cengage の MindTap プラットフォームには、Knewton の適応型レコメンデーションも統合されています。買収前の公開データによると、Knewton エンジン主導のコース コンテンツは数学、統計、経済学、化学、生物学などの科目をカバーしており、何百万人もの学生ユーザーにサービスを提供してきました (具体的な数字は正確には開示されていないため、公式発表の可能性があります)。買収後、Knewton エンジンは WileyPLUS プラットフォームにさらに統合され、Wiley 独自のデジタル教科書の適応機能が形成されました。

買収後の統合状況: Wiley は 2019 年に全額現金取引で買収を完了し、Knewton は Wiley Education Services の一部となりました。買収価格は公表されていないが、外部からの推定額は1億ドル程度だった。買収後の主な変更点は次のとおりです。 創設者ホセ・フェレイラ氏の退社。製品ルートは「独立したエンジンから完全な市場販売へ」から「ワイリー自身の教育出版ビジネスへのサービスを優先」に変更されました。ブランドは徐々に無知化され、技術力は主に Wiley ブランドで提供されています。この統合パスは、外部パブリッシャー市場における Knewton の拡大ペースが鈍化する可能性があることを意味しますが、Wiley エコシステム内でのコア エンジンの適用の深化は継続します。

業界標準への影響: Knewton は、早期に「適応学習標準」の概念を推進しました。発行者がコンテンツ メタデータに注釈を付ける方法を統一するために、Knewton Adaptive Learning Standards (KALS) を立ち上げました。この規格の採用の度合いは業界の発展のペースによって制限されており、業界全体にとって必須の標準にはなっていません。ただし、その後の多くの適応型プラットフォームのコンテンツ構造化設計に影響を与えました。

学術的検証: アリゾナ州立大学などの複数の大学が、Knewton を利用したデジタル コースを採用した後、合格率が向上し、退学率が低下したと報告しています。これらの研究のほとんどは初期のパイロット データであり、コース設計や教師の参加などの複数の変数の影響を受けるため、適応エンジン自体に完全に起因するものではないことを指摘しておく必要があります。

Knewton のコスト上の利点

Knewton のコスト構造は、B2B 教育テクノロジー分野の「エンジン ライセンス料」モデルに属します。コストは比較的固定されており、生徒数に応じて直線的に増加しますが、C 側に直接請求されることはありません。

C サイド/学生費用: 学生は Knewton に直接支払いません。あなたの学校やコースが Knewton 主導のデジタル教科書を採用している場合、その使用コストは教科書の購入価格 (通常は 1 コースあたり 40 ～ 100 ドル) または学校のテクノロジー料金に含まれています。 Knewton のエンジン層は事実上知覚できず、個々の生徒に追加コストはかかりません。ただし、これは学校/出版社が実際に Knewton ライセンスを購入した場合に限ります。

B サイド/パブリッシャーの費用: Knewton は、「共著コースの数 + 登録学生の数」に基づいて年間エンジン ライセンス料金を請求します。具体的なレートは公開されておらず、業界経験の参考範囲は次のとおりです。

• 単一コースの認可: 年間費用は数万ドル程度です (生徒の規模によって変動します)。
• 複数のコース、複数の専門分野にまたがるパッケージ: 通常、段階的な割引は交渉可能です
• 新しいコンテンツ インデックス サービス: パブリッシャーは、メタデータ マーキング、スキル ノード マッピング、難易度調整など、独自のコンテンツを Knewton ナレッジ グラフにマッピングするためのエンジニアリング コストを負担する必要があります。
• テクニカル サポートと統合サービス: 通常は年会費に含まれていますが、徹底的にカスタマイズされた統合には追加の交渉が必要です

ビジネス/学校費用: Wiley を通じて購入すると、Knewton Engine は多くの場合、WileyPLUS または Wiley Digital Textbook ソリューションの一部としてパッケージ化されます。学校は Knewton の料金を別途支払う必要はありませんが、Wiley のデジタル プラットフォームの年会費またはコース登録に基づくプラットフォーム サービス料金を負担する必要があります。大学の一般的なフルプラットフォーム年間料金は、パートナーシップの規模に応じて、通常、学生 1 人あたり 20 ～ 60 ドルの範囲です。

隠れたエンジニアリングコスト (見落とされがち): Knewton のナレッジ グラフの初期化には、出版社や教育機関がコンテンツ アノテーションの人員への投資を必要とします。一般的な高等教育の教科書 (約 20 章と 300 ～ 500 のナレッジ ポイント) では、元の内容から Knewton ナレッジ グラフ マッピングの完成まで、教科書編集者とエンジニアの協力に 2 ～ 4 か月かかると推定されています。これは、Knewton エンジンを導入する際の非金銭的コストとしては最大であり、中小規模の出版社にとってはかなりの敷居となる可能性があります。

代替品とのコスト比較（演繹的見積り）

コスト ディメンション	Knewton (エンジンライセンス)	自社構築の適応システム	ALEKSを購入する	DreamBox を購入する
フロントエンド統合料金	API/SDK 統合 (数週間の作業)	フルスタック開発 (6 ～ 18 か月)	なし (スタンドアロン システム)	なし (スタンドアロン システム)
年間ライセンス料（概算）	数万ドルから数十万ドル	なし（セルフビルド工賃）	学生別 $20-50/年	学生別 $30-45/年
コンテンツ マッピングのコスト	中 (ナレッジ グラフのインデックス作成が必要)	高 (すべてのコンテンツを構築する必要がある)	低 (独自のコンテンツを使用)	低（独自のコースを使用）
対象拡大コスト	低 (発行者は新しいコンテンツを提供する必要がある)	高	中 (知識スペースを拡大する必要があります)	高 (規律は非常に限られています)
終了/切り替えコスト	高 (コンテンツ マッピング バインド)	中	高 (コンテンツロック)	低い

上記の表は、業界の一般的な経験に基づいた控除です。具体的な価格は、Knewton および Wiley からの公式見積もりに基づいて決定されます。

Knewton の主な機能

Knewton の機能設計は、独立した学習アプリケーションを構築するのではなく、「出版社のデジタル教科書にパーソナライズされた学習機能を提供できるようにする」という中心的な提案を中心に展開しています。 5 つのコア機能の間には強い因果関係があり、データの「収集→分析→推奨→フィードバック→反復」が完全なつながりを形成します。

1. アダプティブコンテンツ推奨エンジン (コア機能)

• 動作メカニズム: プラットフォーム上の生徒のすべてのクリック、解答時間、正誤モードを継続的に追跡し、科目知識マップと忘却曲線モデルを組み合わせて、次の問題の難易度と知識ポイントの最適な組み合わせをリアルタイムで計算します。
• 推奨される寸法: 現在の習熟度 (ベイズ事後確率)、忘れるリスク (特定の知識ポイントに最後に触れてからの日数)、学習効率の最適なパス (最も新しい知識ポイントを最短時間で習得する)。
• 価値ポイント: 単に間違った問題を再送信するのではなく、「なぜ間違っているのか」を推測し、事前知識の演習を進めます。たとえば、学生が微積分の導出問題で連続して間違いを犯した場合、エンジンは因数分解の基礎が弱いと判断し、導出問題を繰り返し出題する代わりに代数レベルの演習を進める可能性があります。
• リンクされた関係: レコメンデーション エンジンの品質はマスタリー スコアの精度に直接影響し、マスタリー スコアはレコメンデーション モデルにフィードバックされ、「練習 → スコア → 推論 → レコメンデーションの調整」という自己最適化サイクルが形成されます。

2. ナレッジグラフ診断（コンテンツ構造化インフラ）

• 動作メカニズム: 各コースの知識は数百から数千の「スキル ノード」に分類され、各ノードは概念定義、例、演習、ビデオ説明、その他のコンテンツにバインドされています。前駆関係、後続関係、および相関関係がノード間でマークされ、有向グラフを形成します。
• 価値ポイント: ナレッジ グラフはシステム全体の「骨格」です。ナレッジ グラフがないと、レコメンデーション エンジンはタグに基づいて大まかなレコメンデーションしか行うことができず、「因数分解の習得に失敗した → 推奨される事前演習」などの詳細な診断を行うことができません。
• リンケージ: ナレッジ グラフの粒度によって、マスタリー スコアの精度が決まります。ノードが細かいほど診断は正確になりますが、コンテンツの注釈のコストも高くなります。 Knewton の一般的な粒度は、コースあたり 300 ～ 800 のスキル ノードであり、ALEKS の知識スペース (通常 2000 ～ 5000 ノード) よりも低いですが、従来の教科書の章テーブル (通常 10 ～ 30 章) よりははるかに高くなります。

3. リアルタイムのマスタリースコアリング (ベイジアン推論エンジン)

• 作業メカニズム: ベイズ知識追跡 (BKT) モデルは、生徒の知識ステータスを隠れた変数としてモデル化するために使用されます。各回答は、各スキル ノードを習得する確率を継続的に更新するための観測信号として使用されます。ベイジアン法は、「10 問中 7 問正解する」という単純な統計とは異なり、小さなサンプルでの偏差を修正することができます（たとえば、難しい問題を 2 つ続けて正解すると、事後確率が大幅に向上します）。
• 主要パラメータ: (非公開のデフォルト設定を参考として) 学習率、推測確率、エラー確率、および初期マスタリング確率。これらのパラメータは科目や学年レベルによって異なるため、発行者は初期化段階でテスト データを通じてパラメータを調整する必要があります。
• リンケージ: 習熟度スコアはレコメンデーション エンジンの入力であるだけでなく、ダッシュボード分析のデータ基盤でもあります。 - 「クラスの 80% 以上が習熟している」は統計であり、その信頼性はスコアリング モデルの精度に依存します。

4. パブリッシャー統合ツール (API + SDK + コンテンツ管理バックエンド)

• 動作メカニズム: データ交換 (ユーザー登録、スコア返還、コンテンツ クエリ) 用の REST API とフロントエンド埋め込み用の JavaScript SDK を提供します。パブリッシャーは、ブランド インターフェイスを変更せずに、アダプティブ モジュールにアクセスできます。
• 3 レベルの統合深さ:
  • 浅い層: プラットフォームの練習モジュールのみを置き換え、質問の順序は Knewton エンジンによって決定されます。
  • 中レベル: すべての教科書の内容は、復習とジャンプの推奨事項を含む、Knewton の推奨パスに従っています。
  • 深さ: 適応効果を最大化するために、コース設計段階でコンテンツが Knewton 知識グラフ構造に従って配置されます。
• リンケージ: 統合の深さは適応効果に直接影響します。浅い統合では、エンジンは演習の順序にのみ影響しますが、深い統合では、読書の順序、復習のリマインダー、テスト準備の提案など、生徒の学習パス全体に影響を与える可能性があります。

5. 学習分析ダッシュボード

• 作業メカニズム: 教師と管理者に多次元のマスタリー視覚レポートを提供します。生徒個人、クラス、コース、学校全体の4つのレベルでのドリルダウンに対応しており、時系列を重ね合わせて習熟度の変化傾向を確認することができます。
• 代表的な機能: ナレッジ ポイント マスタリー ヒート マップ (緑 = マスタリー、赤 = 弱い)、生徒のグループ分けの提案 (習熟度によって階層化)、介入リマインダー (生徒が複数の質問に連続して不正解し、習熟度がしきい値を超えた)。
• リンケージ: ダッシュボードは、教師がシステムと対話するための中心的なインターフェイスです。教師はダッシュボード データに基づいて指導計画を調整し、手動介入 (追加の個別指導の手配など) によるフィードバック効果も後続のデータで追跡できます。

Knewton のモデルとバージョンの進化

Knewton の製品イテレーションは、一般的なセマンティック バージョン番号 (v2.0、v3.0 など) ではなく、「コア テクノロジー エンジンのアップグレード」に基づいています。買収前に、Knewton は 3 つの主要な技術段階を経ました。買収後はWileyエコシステムを中核とした統合期間に入った。

フェーズ 1: IRT 基本エンジン (2008 ～ 2012)

• 製品形式: SAT 準備をエントリーポイントとする単一の IRT (項目応答理論) エンジン。中心的な能力は、質問への回答のパフォーマンスに基づいて学生の能力レベルを推定し、次の問題の難易度を選択することです。
• 制限事項: 次元は 1 つであり、1 次元の能力値のみを出力し、詳細な知識診断を行うことはできません。標準的なテストの準備には適していますが、コースの学習には適していません。
• マイルストーン: 2011 年にピアソンと最初の大規模コラボレーションに署名し、MyLab へのエンジンの展開を開始しました。

フェーズ 2: ナレッジ グラフ + ベイジアン トラッキング (2012-2017)

• 製品形式: 多次元ナレッジ グラフを導入し、単次元 IRT をベイジアン ナレッジ トラッキングに基づくマルチスキル診断エンジンにアップグレードします。これは、Knewton の技術的な道における重要な転換点でした。
• 主な機能: 知識ポイント全体にわたる先行/後続関係の推論をサポートし、「問題 5 ができないのは、第 2 章の知識が習得されていないためです」などの根深い問題を診断できます。
• マイルストーン: 2013 年に Knewton Adaptive Learning Platform v2 を発売。 2015年にCengageおよびMacmillanと協力関係を締結。 2016 年の累計資金調達額は 1 億 8,000 万米ドルを超えました。

フェーズ 3: フルスタック アダプティブ プラットフォーム (2017 ～ 2019 年、買収前)

• 製品形態: エンジンから「エンジン＋コンテンツインデックスツール＋データ分析プラットフォーム」までのフルスタックソリューション。パブリッシャー向けのコンテンツ管理バックエンドとコース構築ツールの開始。
• 技術的なアップグレード: 協調フィルタリングとシーケンス モデルの導入により、推奨アルゴリズムはナレッジ グラフ構造に依存するだけでなく、推奨を行うために「同様の行動を持つ生徒」のグループ ディメンションも使用し始めます。
• マイルストーン: 2018 年に分析ダッシュボードの新バージョンをリリースしました。 2019 年に Wiley に買収され、独立した製品の反復サイクルは終了しました。

第 4 フェーズ: Wiley 統合期間 (2019 年から現在)

• 製品形態: Knewton エンジンは独立したブランド製品としては販売されなくなりましたが、Wiley Education Services の技術コンポーネントとして存在します。コア エンジンは反復を続けていますが、具体的なバージョン番号、変更ログ、機能の変更は公開されていません。
• テクノロジーの統合: エンジンは、WileyPLUS プラットフォームのユーザー システム、コンテンツ システム、決済システムと緊密に統合されています。 Wiley は、Knewton の適応能力と、OER (オープン教育リソース) およびオンライン学位プログラムにおけるリソースの強みを組み合わせています。
• 現在のステータス: エンジンはまだ実行および保守されていますが、外部発行者への独立したライセンスの販売は大幅に縮小しています。特定のエンジン バージョンおよび機能アップデート情報は公開されておらず、Wiley の公式発表が優先されます。

バージョンコンテキストの概要

ステージ	時間	コア技術	製品形態	主な出来事
IRT エンジン	2008-2012	項目応答理論	単一の API エンジン	ピアソンとの初コラボレーション
ナレッジグラフ + BKT	2012-2017	ベイジアン知識追跡	マルチスキル診断エンジン	累計1億8,000万米ドルの資金調達
フルスタック プラットフォーム	2017-2019	協調フィルタリング + シーケンス モデル	エンジン + ツール + 分析	ワイリーが買収
ワイリーの統合	2019年から現在まで	継続的反復 (具体的な非公開)	Wiley テクノロジー コンポーネント	ブランドの非認知化

Knewton の技術的利点

Knewton のテクノロジー選択では、「計算効率」と「指導の解釈可能性」の間で明確なトレードオフが行われました。エンドツーエンドの深層学習ソリューションを盲目的に追求するのではなく、より解釈しやすいベイズ手法システムを選択しました。

ベイジアン ナレッジ トレーシング (BKT) のエンジニアリング実装

Knewton のコア推論エンジンは、現在普及している Transformer やグラフ ニューラル ネットワークではなく、BKT モデル ファミリに基づいています。この選択の技術的な理由は次のとおりです。

• 小規模サンプル学習能力: BKT はわずか 3 ～ 5 個の観測データ ポイントで統計的に有意なマスタリー推定値を与えることができますが、深層学習ソリューションでは通常、安定するために 20 ～ 50 個のサンプルが必要です。学校の最初の週の生徒に対して、BKT は予備診断を行うことができますが、ニューラル ネットワークはノイズのみを与えることができます。
• 解釈性: 教師と生徒は、「因数分解の質問に 3 つ連続で正解したため、システムはこの知識点を習得したとみなしている (信頼度 92%)」という推論プロセスを理解できますが、ニューラル ネットワークのブラック ボックス出力にはこのような教えの説得力がありません。
• コンピューティング リソースへの依存性が低い: BKT の推論計算は CPU 上で完了でき、GPU 推論を必要としません。これは、Knewton エンジンが低コストのインフラストラクチャ上で実行でき、API 呼び出しごとに償却される限界費用が非常に低いことを意味します。

項目反応理論 (IRT) と BKT の相補的な使用

Knewton は IRT と BKT のデュアルエンジン戦略を採用しています。IRT は問題の難易度の調整と初期能力の推定を担当し、BKT は継続的なシーケンスの習熟状況の追跡を担当します。両者の役割分担は次のとおりです。

• IRT: 質問がオンラインになる前に、各質問の難易度、識別、および推測パラメータがテスト データによって調整されます。これは 1 回限りのオフライン計算であり、結果は静的メタデータとして質問バンクに保存されます。
• BKT: 生徒の学習プロセス中、IRT の調整された質問パラメーターと生徒のリアルタイムの回答シーケンスに基づいて、スキルの習熟度が動的に更新されます。これはオンライン推論であり、各回答後数十ミリ秒以内に更新されます。

レコメンデーション エンジンのコールド スタートと適応戦略

Knewton が推奨する戦略は、「保守的な開始 → 急速な適応 → 安定した収束」という 3 段階の設計を採用しています。

• コールド スタート フェーズ (最初の 3 ～ 5 つの質問): 推奨事項は教科書の章順と授業前の診断テストの結果に基づいており、過去のデータには依存しません。
• クイック適応フェーズ (5 ～ 20 の質問): IRT 能力値推定を使用して、生徒の現在のレベル範囲をすばやく見つけます。難易度は「難しすぎず、簡単すぎない」範囲（つまり i+1 エリア）に集中することをお勧めします。
• 安定収束段階 (20 問後): BKT モデルは徐々に収束し、学習効率を最大化するために、推奨戦略が「40% ～ 70% の範囲の習熟度で知識ポイントを進めることを優先する」ように変更されます。

アーキテクチャのスケーラビリティ

Knewton の SaaS アーキテクチャはマルチテナント分離を使用しており、各発行者のコース コンテンツ、学生データ、ナレッジ グラフは完全に論理的に分離されています。これは次のことを意味します:

• Pearson の統計コースと Cengage の化学コースは同じエンジン クラスタ上で実行されますが、エンジン モデル、パラメータ、コンテンツは相互に認識できません。
• 各発行者のコースは、相互に影響を与えることなく、BKT パラメーター (学習率、推測確率など) を個別に設定できます。
• エンジンの拡張は水平方向の拡張です - 新しい発行者やコースを追加しても、既存のサービスの品質は低下しません

技術的な制限

• コンテンツの品質に大きく依存: BKT とナレッジ グラフの精度は、コンテンツの注釈の品質に大きく依存します。発行者が提供する質問をスキル ノードに正確にマッピングできない場合、または難易度調整の偏差が大きすぎる場合、レコメンデーション リンク全体の信頼性が徐々に低下します。
• スパースフィードバックチャレンジ: 宿題の量が少ないコース (知識ポイントあたり 1 ～ 2 問のみ) の場合、BKT の事後確率更新範囲は限られており、マスタリースコアは長期間「不確実」の範囲に留まり、推奨の区別が弱くなる可能性があります。
• コンテンツの動的な適応性: コースのコンテンツが頻繁に調整される場合 (教師が毎週指導順序を変更するなど)、ナレッジ グラフの静的な構造は最新のコース設計をタイムリーに反映しない可能性があり、手動での同期が必要になります。

Knewton の使用方法

Knewton は、エンド学生向けのスタンドアロン アプリケーションやログインを提供しません。その利用経路は役割に応じて3つのカテゴリーに分かれており、それぞれのカテゴリーでは入り口や運用プロセスが大きく異なります。

役割 1: 教科書発行者/コンテンツ開発者の統合プロセス

出版社のエンジニアとコンテンツ チームは、Knewton エンジンをデジタル学習プラットフォームに接続する責任を負います。完全な統合プロセスには以下が含まれます。

1. コンテンツの準備: Knewton ナレッジ グラフ仕様に従って、教科書コンテンツのメタデータに注釈を付けます。各質問はスキル ノードにバインドされ、難易度パラメータでマークされ、先行/後続ナレッジ ポイント関係でマークされます。このプロセスには通常、Knewton 技術チームと協力して作業するコンテンツ編集者が関与します。
2. API ドッキング: Knewton が提供する REST API を介して、学生 ID の同期、回答データのレポート、推奨結果の取得のためのインターフェイスを確立します。コア API エンドポイントには次のものが含まれます。 ・ユーザー登録とコース登録
   • 解答記録の提出（質問ID、解答、解答時間、正誤その他を含む）
   • 次の質問/次のコンテンツの推奨リクエスト
   • マスタリーステータスのクエリ
3. フロントエンド SDK の埋め込み: 教科書のフロントエンド インターフェイスに Knewton JavaScript SDK を埋め込んで、推奨コンテンツを表示し、インタラクション データを収集します。
4. テストとチューニング: テスト環境でパイロット コースを実行し、特定の科目や学年レベルの学習特性に合わせて BKT パラメーターを調整します。
5. オンラインとモニタリング: 正式リリース後、推奨の品質と学生の交流データは分析ダッシュボードを通じてモニタリングされます。

役割 2: 教師/コース マネージャーの使い方

教師は Knewton エンジンを直接操作する必要はありませんが、統合プラットフォームの教師インターフェイスを通じて適応能力を獲得できます。

• クラスのマスタリー レポートを表示: コース プラットフォームの教師側にログインし、Knewton によって生成されたマスタリー ヒート マップを表示し、クラス内の共通および個別の弱点知識ポイントを特定します。
• 介入の提案を受け取る: システムは自動的に「高リスクの生徒」(習熟度の継続的な低下または複数の問題に対する連続した不正解) をマークし、教師はそれに応じて追加の個別指導を手配するか、指導ペースを調整します。
• 手動介入推奨戦略 (統合の深さに応じて): 一部の統合ソリューションでは、教師が特定の章を「学習する必要がある」ステータスとして手動でロックしたり、個々の生徒に推奨される難易度の範囲を調整したりできます。

役割 3: 生徒の無意味な経験

学生は通常、Knewton の存在を知りません。彼らの経験は、Knewton エンジンと統合された教育プラットフォームによって完全に定義されます。

• 操作パス: 教材プラットフォーム (Pearson MyLab、Cengage MindTap、WileyPLUS など) にログイン → コースに入る → プラットフォームのガイダンスに従って読書と演習を完了します。
• 適応型リフレクション: 各生徒には異なる一連の練習問題が与えられます。すべての生徒が同じ一連の問題を行うのではなく、システムは各生徒の習熟度に基づいて問題の難易度や知識ポイントの配分をリアルタイムで調整します。
• フィードバック プレゼンテーション: 生徒には、Knewton ブランドの採点ではなく、プラットフォーム固有の成績レポートと進捗バーが表示されます。

統合フォームの比較

統合レベル	API の依存関係	フロントエンドの仕事	内容の変更	適応深度	一般的な実装サイクル
練習用モジュールの交換	回答提出 + 推薦リクエスト	練習コンポーネントを置き換える	低 (質問タイプの適応のみ)	シーケンス適応を練習するだけ	4～8週間
グローバル学習パス	すべての API のエンドツーエンドのドッキング	SDK に深く組み込まれています	中 (章ページの適応)	フルリンク適応を読んで練習する	3～6か月
コースデザイン再構築	すべての API + メタデータ インターフェイス	フルカスタマイズ	高 (マップに従ってコンテンツを再構成)	適応効果を最大化	6～12か月

上記の機能は、Wiley 公式ドキュメントおよび統合マニュアルの対象となります。 API 認証と開発者アクセスのプロセスは、買収後に変更される可能性があります。最新の開発者ドキュメントを入手するには、Wiley Education Services に直接連絡することをお勧めします。

Knewton 製品の価格設定

Knewton は非公開の B2B 価格モデルを採用しており、個人ユーザーからの直接購入を受け付けていません。買収後、エンジンの価格は Wiley の総合的な教育ソリューションにパッケージ化され、個別に見積もられることはなくなります。

C サイド/個人: 無料で使用可能 (直接購入パスなし)

• 学生は学校または出版社のプラットフォームを通じてそれを使用し、Knewton サービスを個別に購入する必要も、その可能性もありません。
• 料金は教科書の価格または学校の技術サービス料金に組み込まれています。
• 個人サブスクリプション、無料試用アカウント、個別のログイン入り口はありません

B 面/出版社: エンジンのライセンス料 (非公開、以下は業界の経験を参考にしたものです)

・認可モデル：「対象講座数×年間登録者数」に応じてライセンス料を徴収

• 1コース年会費の参考範囲：数万ドル～数十万ドル（学生のレベルに応じて）
• 料金には通常、エンジン API 呼び出し割り当て、標準テクニカル サポート、ナレッジ グラフのメンテナンスと更新が含まれます。
• 含まれないもの: コンテンツ注釈の人的資源、緊密な統合開発、カスタマイズされたダッシュボード開発
• 実行可能な最小限の協力: 通常、少なくとも 3 ～ 5 つのコースまたは数万人の学生が必要であり、中小規模の出版社にとっては参入障壁が高くなります。

企業/学校: Wiley プラットフォーム パッケージの価格

• Wiley は Knewton エンジンを学校に個別に販売するのではなく、適応性を WileyPLUS のようなデジタル学習プラットフォームの組み込み機能にしています。
• 学校は Wiley プラットフォームのサブスクリプション料金を支払い、Knewton エンジンは個別に見積もられなくなりました。
• 参考費用：WileyPLUS 単体コースは受講者1名あたり約40ドル～100ドル（電子教科書＋アダプティブ機能含む）、コースの種類や協力規模により異なります。
• 大規模な協力のための学校向けにカスタマイズされた価格設定。見積もりを取得するには、Wiley 営業チームに連絡する必要があります。

競合製品との価格比較（非公式データ、機種選定の参考に）

製品	価格モデル	単身学生年会費参考（概算）｜最小購入単位	契約期間
Knewton (エンジンライセンス)	B2B ライセンス料金	学生 1 人あたり $5 ～ 15 (エンジン部分)	3～5コース	年間支払い
アレックス	学生ごとのサブスクリプション	20～50ドル	独身学生	毎月/四半期/毎年
ドリームボックス	学校の定期購読	$30-45	学校全体	年間支払額
セレゴ	学生 + コンテンツ別	15～30ドル	組織レベル	毎年

価格の透明性に関する声明: Knewton は Wiley に買収された後、今後は公開価格を公表しません。上記の数値は、買収前の既知の業界推計およびサードパーティの教育テクノロジー市場調査に基づいて導き出されたものであり、正式な有効性はありません。購入する前に、Wiley Education Services に連絡して最新の見積もりとライセンス条項を確認する必要があります。

Knewton アプリケーションのシナリオ

シナリオ 1: 高等教育のコアコース向けのアダプティブデジタル教科書

• 問題点: 大規模なクラス (100 ～ 500 人の生徒) で行われる微積分、統計、経済学の入門コース。非常に異なる背景を持つ生徒 (AP の基礎から長年数学に触れていない生徒まで)。固定進行の講義 + 均質な課題では、差別化されたニーズに対応できません。
• Knewton ソリューション: 出版社はこのコースのデジタル教科書に Knewton エンジンを統合しており、学生は読書後に適応演習を行うことができます。習熟レベルに達していない生徒には、追加の演習と復習のリマインダーが提供されます。コンテンツをマスターした生徒は、高度なコンテンツに直接ジャンプできます。
• コスト削減と効率の向上 (一般的な経験に基づく、非公式データ): 生徒数 300 人の大規模なクラスでは、教師は固定進行モードの下で「同じ質問の繰り返しの説明」という非効率な授業に対処するのに、週に約 4 ～ 6 時間を必要とします。アダプティブエンジン導入後は、中難易度問題の繰り返し相談が30％～50％（推定値）削減される見込みです。教師の質問に答える時間は、一般的な朗読の代わりに、1 対 1 またはグループを対象とした個別指導に移行できます。学生側の習熟標準テストの合格率は、初期の試験運用では 5 ～ 15 パーセントポイント増加したと報告されていますが、このデータはコース設計、教師の関与、学生の構成に大きく依存していることに注意することが重要です。

  シナリオ 2: MOOC/オンライン学位の大規模な個人化

• 問題点: オンライン コースには数千人から数万人の登録学生がおり、単一の課題や試験ではさまざまな学習の進度に対応できません。高い退学率の問題が顕著である。
• Knewton ソリューション: コース プラットフォームに Knewton エンジンを導入すると、各学生がパーソナライズされた練習パスを取得できます。エンジンは、生徒が継続的に衰弱していることを検出すると、特定のビデオを見ることを推奨します。生徒が基準に達していることが分かると、繰り返しの演習をスキップして、直接次の単元に進みます。
• 人間とマシンのコラボレーション境界 (必須の説明):
  • 100% 自動化: 推奨パスの生成、マスタリースコアリング、練習

シーケンス調整、最初の介入リマインダー

• 手動による確認が必要です: 授業を中退するリスクがある学生に対する指導と介入の決定、成績評価基準が異常な場合の成績評価、コース内容のナレッジマップの誤りの修正、デリケートな科目 (医学など) の主要なスキルの手動認証

シナリオ 3:幼稚園から高校までの学区レベルの学習診断と教育と研究の最適化

• 問題点: 学区の教育および研究スタッフは、数十の学校で共通する教育の質の問題に直面しています。彼らにはデータ主導の診断ツールが欠如しており、教育と研究の決定は主に経験的な判断とテストのスコア（遅れがあり、粗い）に依存しています。
• Knewton ソリューション: 学区は Knewton エンジンと統合されたデジタル学習プラットフォームを一律に採用しており、各学校の生徒データは学区レベルのダッシュボードに集約されています。教育スタッフと研究スタッフはマスタリー ヒート マップを使用して、学区全体の各知識ポイントに共通する長所と短所の分布を発見し、それに応じて教育と研究の焦点を調整します。
• コスト削減と効率向上による控除: 学区の教職員および研究スタッフがデータ ツールのサポートを受けていない場合、学期ごとの教育および研究計画を策定する際には、通常、前年度のテストのスコアとオフラインの授業視察のフィードバックに頼っています。データ収集から意思決定までのサイクルは約2～4か月です。リアルタイムマスタリーダッシュボードの導入後、教育および研究スタッフは、共通の知識の弱点を発見し、1～2週間以内に対象を絞った教育および研究アクションを開始できるようになり、意思決定サイクルが約60%～75%短縮されます（推定値には実際の検証が必要です）。

シナリオ 4: 教科書出版社のコンテンツ品質評価

• 問題点: 出版社はデジタル教科書コンテンツの開発に多額の資金を投資していますが、「どの章の質問が難しすぎるか、または簡単すぎるか」や「学生が一般にどの知識ポイントに行き詰まっているか」についての体系的なフィードバックが不足しています。
• Knewton ソリューション: Knewton エンジンによって収集された大量の生徒の回答データを通じて、出版社は以下を取得できます。
  • 各質問の真の難易度曲線 (IRT キャリブレーション値からの偏差分析)
  • 各章の知識ポイントの平均習得速度と収束速度
  • 学生が最も頻繁に行き詰まる先駆的な知識ポイントのリスト (知識グラフの限界点を特定するのに役立ちます)
• 価値ポイント: これらのデータは、教科書の内容のデザインを逆に最適化することができます。たとえば、特定の章の演習が飛びすぎていることがわかった場合は、次の改訂版で中程度の難易度の問題を追加できます。

Knewton は誰に適していますか?

Knewton の「ユーザー」は階層構造になっており、役割が異なれば利用方法、価値の獲得、意思決定のロジックもまったく異なります。

クニュートンを採用するのに適したキャラクター

• 出版社のデジタル学習プロダクト マネージャー: 教材のデジタル機能マトリックスの計画を担当します。 Knewton の価値は、プロダクト マネージャーに「時間をかけてテクノロジーを借りる」道を提供することです。社内に AI チームを構築する必要はなく、実証済みの適応型レコメンデーション機能は API 統合を通じて取得できます。 前提条件: 出版社はデジタル教材プラットフォームを持っているか、構築中です。 API 統合作業を担当する技術チームがあります。 不適合境界: コース コンテンツ自体の品質を改善する必要がある場合 (古いコンテンツ、演習の数が不足しているなど)、統合された適応エンジンでは根本的な問題を解決できないため、最初にコンテンツ品質のベースライン管理を実行する必要があります。

• 大学教育技術センターの教務管理スタッフ: 学校全体のデジタル教育ツールの評価と購入を担当します。 Knewton が Wiley プラットフォームのコンポーネントとして調達評価に参加したとき、焦点はエンジン自体ではなく、「Wiley コース カタログに当校が要求する専攻をカバーするコンテンツが含まれているかどうか」でした。 前提条件: 学校は Wiley とデジタル教科書パートナーシップを結んでいるか、確立中です。 不適切な境界: Wiley 以外の教科書が主に使用されている (たとえば、OpenStax などの OER チャネルから発行されている) か、学校が完全に自己編集した教科書によるカリキュラム システムを採用しており、Knewton エンジンの統合パスは直接適用できません。

• 学区教育研究員および教育スーパーバイザー: 学区レベルのデジタル プラットフォームの調達における需要定義と効果評価の役割を果たします。 Knewton エンジンが提供するマスタリー ヒート マップと教育および研究提案ツールは、教育および研究データのレベル向上に直接役立ちます。 前提条件: 学区にはすでにかなりのデジタル学習インフラストラクチャ (1 対 1 のデバイス カバレッジ、安定したネットワーク アクセス) が整備されています。 不適切な境界: 設備の基盤が弱く、教師のデジタル リテラシーが低い学区では、アダプティブ エンジンの導入により「需要と供給のギャップ」が生じる可能性があります。システムは洗練された習熟データを生成しますが、教師には解釈および介入する能力が欠けており、データは単なる形式的になってしまいます。

• 教育テクノロジー投資家のデューデリジェンスチーム: アダプティブ ラーニング トラックの投資対象を評価する際、Knewton の開発履歴は、テクノロジー ルートの選択 (BKT 対ディープ ラーニング)、ビジネス モデルの持続可能性 (エンジン ライセンス対消費者直販)、撤退の可能性 (戦略的買収対独立上場) など、業界の重要な参考資料となります。 不適合な境界: 次世代の AI 学習製品 (大規模な言語モデルに基づく 1 対 1 の家庭教師など) に焦点を当てている投資家にとって、Knewton のテクノロジー路線はもはや最先端の​​競争範囲に属していません。

Knewton が適さない、または推奨されないシナリオ

• 幼稚園から高校までの学校での直接購入: Knewton はエンジンを学校に直接販売せず、出版社または Wiley プラットフォームを通じて間接的に使用する必要があります。 「すぐに使えるアダプティブ ラーニング システムの購入」を検討している幼稚園から高等学校までの学校にとって、DreamBox (数学) または ALEKS はより簡単な選択肢です。
• 徹底的にカスタマイズされた学習パスを必要とする組織: Knewton の推奨ロジックは、発行者の事前設定されたナレッジ グラフとパラメーター構成に基づいています。ある程度のパラメータチューニングは可能ですが、「完全に柔軟なカスタマイズ」は実現できません。教育機関が学習パスに対して高度に個別化されたニーズを抱えている場合は、よりオープンなプラットフォームまたは自社構築のソリューションを検討する必要があるかもしれません。
• 英語以外で教えられるコース: Knewton エンジンは理論的には言語に依存しませんが、ナレッジ グラフの最初の構築は英語の教科書に基づいています。他言語へのローカライズ対応は出版社が独自に行う必要があり、実際の事例は少ないです。中国語やスペイン語など英語以外の言語を主な指導言語とするコースの場合は、まず該当言語での出版社協力事例があるか確認する必要があります。
• コンテンツが主にビデオ/インタラクティブ シミュレーションである学習シナリオ: Knewton のレコメンデーション エンジンは、主にテキストと従来の演習用に設計されています。コースの中心となる学習教材がビデオ、インタラクティブなシミュレーション、または実験室の操作である場合、Knewton のナレッジ グラフ モデルは、そのような非構造化学習活動を効果的に表現できない可能性があります。

Knewton の概要と展望

Knewton は、適応学習トラックの「インフラストラクチャ ルート」の最も代表的な製品の 1 つです。消費者向けブランドを学習者に直接構築するのではなく、出版社にとっては「舞台裏のエンジン」となり、毎年何百万人もの大学生が、ピアソンやワイリーのデジタル教科書を使用する際に、無意識のうちにパーソナライズされたおすすめを体験できるようになっている。この戦略は高等教育出版分野に深く浸透しましたが、その成長の上限が出版社のデジタル変革のペースと深く結びついていることも判明しました。

現在の核となる競争力

• 技術的成熟度: BKT + IRT の推論ルートは 10 年以上教育シナリオで検証されており、コンピューティング効率と教育の解釈可能性の間の工学的バランスを実現しており、学術および教育工学界によって認められた成熟したソリューションです。
• 出版社のエコロジカルな蓄積: ピアソン、センゲージ、マクミラン、ワイリーの主要出版社 4 社との協力の経験により、重要な先行者利益と業界の障壁が形成されました。競合他社は、コンテンツ標準と学生データ パイプラインを同時に切り替えるよう出版社を説得する必要があります。
• コンテンツ標準化のレガシー: Knewton が推進するコンテンツ メタデータ標準とナレッジ グラフ方法論は、多くの教育テクノロジー製品およびプラットフォームのコンテンツ構造化設計に間接的に影響を与えてきました。ブランドが消えても、その技術思想は「闇の知識」として業界に存在している。

現在の主な制限と不確実性

• 買収後の製品の独立性の低下: Wiley による買収後、Knewton は市場全体で独立したエンジン ライセンスを積極的に販売しなくなりました。外部のパブリッシャーが Knewton エンジンを入手するチャネルは狭まっており、ビジネス上の意思決定への影響は大きくなっています。Wiley 以外のパブリッシャーにとって、Knewton を選択することは、技術ルートの一部を競合他社の親会社に引き渡すことを意味します。
• 段階的なイノベーションのペースが鈍化: 買収後、エンジンの中核的なメンテナンスは Wiley 内で実行され、業界全体のバージョン更新と機能の反復のペースは独立運用期間よりも大幅に遅くなります。特定のエンジンの更新ログと機能リストは外部に公開されなくなり、外部ユーザーがエンジンの技術的な世代ギャップを評価することが困難になりました。
• AI の新しいパラダイム (LLM/GPT タイプ) による曖昧なポジショニング: 2023 年以降、大規模な言語モデルに基づく AI 家庭教師製品 (カーン アカデミーの Khanmigo、さまざまな GPT 駆動のパーソナライズされた学習アシスタントなど) が注目を集め始めています。 Knewton の BKT ルートと LLM ルートの間には技術哲学に根本的な違いがあります。前者は正確な確率的モデリングと解釈可能な推奨ロジックを追求するのに対し、後者は生成的でオープンな学習体験を追求します。 Knewton エンジンが LLM 機能をどのように統合するか (または統合するかどうか) については、現時点では公開情報がなく、次世代の AI 教育製品における Knewton エンジンの位置付けはまだ決まっていません。
• データ主権とコンプライアンス: 取得後、生徒データは Wiley インフラストラクチャに保存されます。特定のデータ処理契約、データ居住地域の GDPR/FERPA 準拠証明書、およびその他の情報は、Wiley の公式指示の対象となります。厳格なデータ主権要件 (特に欧州 GDPR 管轄区域) を持つ大学の場合、購入前に国境を越えたデータ処理の条件を Wiley と明確にする必要があります。

進化の方向性の推測 (業界の傾向に基づく非公式の推論)

Wiley エコシステム内での Knewton の開発には 3 つの道筋がある可能性があります。

1. 完全な組み込み: エンジンは Wiley のオールデジタル製品のバックエンド コンポーネントとして継続的に実行され、WileyPLUS などのプラットフォームに適応機能を提供しますが、ブランドは完全に非知化されています。これが最も可能性の高いパスです。
2. オープン リターン: Knewton エンジンに基づいて、Wiley は競合しないパブリッシャー向けにオープン アダプティブ スタンダードを立ち上げ、パブリッシャー間のデータ相互接続を再確立します。その可能性は低く、競争には明らかな障壁があります。
3. テクノロジーの移行: Wiley は、Knewton のアルゴリズム機能を新しいアーキテクチャ (ディープ ラーニングや LLM ハイブリッド ソリューションなど) に基づいた次世代エンジンに段階的に移行し、Knewton ブランドとテクノロジー ラインは段階的に廃止されます。

調達/採用のリスク評価

アダプティブ ラーニング テクノロジーへの道を評価している教育機関向け:

• 教科書出版社は、Knewton を評価する際に、Wiley が外部関係者 (Wiley 自身の出版事業だけでなく) と新しい Knewton エンジンのライセンス契約を締結しているかどうかの確認に重点を置く必要があります。エンジンの SLA およびテクニカル サポート条件。ナレッジグラフの対象範囲がそれ自体の内容と一致するかどうか。コンテンツアノテーションの技術的要件とコスト制限。 ALEKSとCeregoを同時に参考対象として選定し、三者によるパイロットコースのA/B効果比較を行った上で認定を決定することを推奨します。

• 大学の学術管理者は、Knewton を直接購入する必要はありませんが、Wiley デジタル教材プラットフォームを評価する際に、適応エンジンを「組み込み機能」として受け入れます。注目すべき次元: 実際のコースにおけるアダプティブ機能の使用率 (購入時にチェックされているかどうかだけを確認するのではなく)。教師が習熟レポートを解釈するために追加のトレーニングが必要かどうか。コース退会率と試験合格率に対する適応エンジンの実際の影響に関するデータ (サプライヤーは、約束された数字ではなく、同等の機関からケースを提供する必要があります)。

• 教育テクノロジーの起業家や投資家は、Knewton の開発履歴を現在のテクノロジー選択の参考として使用するのではなく、適応学習トラックの「レッスン」として学ぶ必要があります。 2025 年から 2026 年の適応学習競争は、「LLM ネイティブ + エージェント インタラクション」という新しい次元に入っており、Knewton の BKT ルートは、技術的なベンチマークではなく、歴史的な参照システムとしてより適しています。起業家にとって、Knewton が「買収後徐々に内部化する」という結果を打ち破ることができなかったことは、詳細な研究に値する事例である。これは、教育出版業界チェーンにおいて、テクノロジーエンジン層がコンテンツ流通チャネルも使いこなすことができない場合、その長期的な交渉上の立場が脆弱であることを示している。

関連ツール: カンミゴ、quizlet

バージョン情報

• Knewton 最新バージョン ：公式の正確な日付はまだありませんが、適応学習レコメンデーション エンジンは引き続き反復される予定です。 （~2026）
• ノウトン初版 ：Knewton が設立され、適応学習エンジンが開始された時期については、まだ正式な正確な日付はありません。 （~2008）