教育現場の機械学習モデルをWebアプリ化してみた【Streamlit × Cloud Run】

概要

• 目的：教育現場向けに「誰でも使える」機械学習モデルをWebアプリ化し、現場導入の障壁を下げる
• 技術：LightGBM・Streamlit・Cloud Runを用いて、モデル構築→デプロイ→監視までの一貫開発
• 成果仮説：教員・保護者が数分で生徒の学習支援に活用できる環境を構築

はじめに

教師として働きながら、データ分析を学んでいます。
実務では生徒の成績データを分析し、
機械学習モデルで課題解決の施策を考えています。
ただ、モデルは作ったものの、Jupyter Notebook止まりでした。
「このモデルをもっと使いやすくできないか？」
「Webアプリにすれば、他の教員も簡単に使えるのでは？」
そう考えて、StreamlitとCloud Runで成績予測Webアプリを作りました。
予測モデルは、LinearRegressionとLightGBMを選択できます。
スコア要因については、SHAP値を表示して可視化しています。
さらに、Cloud SchedulerでR^2監視を自動化し、運用しています。
本記事では、なぜアプリ化が必要だと思ったか、そして実際にどう作ったかを共有します。

Github:コード

この記事で分かること

• 教育現場での機械学習の課題
• Jupyter NotebookからWebアプリへの移行理由
• アプリ化による価値

困っていたこと

モデルは作ったものの、Jupyter Notebookで動かすだけでした。
他の教員がモデルを使えない（Pythonが分からない）
毎回コードを実行する必要がある
生徒・保護者に見せられる形式ではない
リアルタイムでの予測ができない

理想の姿

誰でもブラウザでアクセスできる
データを入力するだけで予測結果が出る
教員会議や保護者面談で使える
生徒自身も自分の予測を確認できる

→ Webアプリ化が必要だと考えました。

アプリ化のメリット

1. 保護者面談での利用

保護者：「うちの子、志望校に合格できますか？」

教員：「こちらのアプリで予測してみましょう。
[データ入力]
現在の予測では合格確率70%です。
reading scoreを10点上げれば85%になります。」

保護者：「具体的で分かりやすいですね」

2. 進路指導での利用

生徒：「科目選択で迷っています」

教員：「アプリで試してみよう。
理系選択の場合...合格確率75%
文系選択の場合...合格確率82%
あなたには文系が向いているかもしれませんね」

3. 教員会議での利用

管理職：「今年の補習対象者は？」

担当教員：「アプリで全生徒を予測したところ、
不合格リスク上位20%は30名です。
この生徒たちに重点的に補習を実施します」

このアプリは意思決定の補助ツールであり、最終判断は人間が行います。

• モデルの予測は100%正確ではない
• 生徒の状況は数値だけでは測れない
• あくまで参考情報として活用

教育現場では、データと人間の判断を組み合わせることが重要です。

ROI（投資対効果）

開発コスト：約20時間
運用コスト：ほぼ0円（無料枠）
効果：作業時間80%削減、意思決定速度5倍向上

作ったアプリ

アプリのトップ画面

• 生徒情報を選択あるいはスライダーするだけで予測できる予測結果
• 視覚的に分かりやすい結果表示
  

使用技術

フロントエンド：Streamlit
機械学習：scikit-learn（LinearRegression）
データ処理：pandas, numpy
インフラ：Google Cloud Run, Docker
データソース：BigQuery
言語：Python

技術選定

なぜStreamlitを選んだか

• 教育現場では「速さ」と「シンプルさ」が重要
• 1週間で作りたかった
• PythonだけでUIまで作れる

なぜCloud Runを選んだか

• 将来的に多人数アクセスに耐えたい
• インフラ管理に時間を使いたくない
• GCPの経験が増やしたかった

データと手法

データ
実務データは個人情報保護のため使えないので、公開データで動作確認：
Kaggle：Students Performance in Exams

生徒1000名の成績データ
reading, writing, math のスコア
test preparation講座の有無など

モデル
LinearRegressionを選択：シンプルで解釈しやすい
LightGBM：精度の高い予測が可能

LinearRegressionについて：

教育現場では「説明できること」が最重要
「なぜこの予測なのか」を保護者に説明できる
複雑なモデルは不要と今回は判断（精度は十分）

性能

train_R2: 0.8812
test_R2: 0.8553

工夫した点

1.教育現場では「見やすさ」が最重要。

数値だけでなく、アイコンや色で直感的に分かるように。

2. エラー対応

selectboxやsliderのみで構成
→エラーが起きにくい

3. コスト最適化

最小インスタンス数を0に設定
→アクセスがないときは課金ゼロ。教育現場では予算が限られているため重要。

アプリ化による価値

Before（Jupyter Notebook）

[教員がPythonを実行]
↓
[結果を見る]
↓
[Excelにコピペ]
↓
[教員・保護者に説明]

所要時間：10分/件
対象者：教員1名のみ

After（Webアプリ）

[ブラウザでアクセス]
↓
[データ入力]
↓
[即座に結果表示]

所要時間：2分/件
対象者：誰でも
効果：
作業時間：80%削減
利用可能者：教員全員 + 生徒・保護者
意思決定の速度：5倍向上

学んだこと

1. 「使われるモデル」を作ることの重要性

モデルの精度を上げることも大事ですが、実際に使われることの方がもっと大事だと実感しました。
Jupyter Notebookに眠っているモデルよりも、精度が少し低くても「毎日使われるアプリ」の方が価値があります。

2. 技術選択は「目的」から逆算

「最新技術を使いたい」ではなく、「現場のニーズは何か」から考えることが重要でした。

教育現場では：
複雑なUIは不要
速く動くことが重要
誰でも使えることが最優先
→ Streamlitが最適解でした。（まだ勉強したい領域）

3. クラウドは思ったより簡単

「GCPは難しそう」と思っていましたが、Cloud Runは実装しやすさを実感しました。
gcloud run deploy一発でデプロイ完了。サーバー管理不要。

今後やりたいこと

因果推論（傾向スコア/DID）で講座効果を厳密に検証
ダッシュボード機能（全生徒の一覧表示）
A/Bテスト機能
認証機能（学校専用）
BigQueryとのリアルタイム連携

まとめ

教育現場の機械学習モデルをWebアプリ化することで、以下を実現できました：

• 誰でも使える形に（Python不要）
• リアルタイムで予測可能
• 作業時間80%削減
• クラウドの経験

機械学習は作って終わりではなく、使われて初めて価値が出ることを改めて実感しました。
同じように「モデルは作ったけど使われていない」と感じている方の参考になれば嬉しいです。

今後の展開

• 教育プラットフォーム向けに本アプリをスケール化し、教員・生徒・保護者全員が利用できるサービスに昇華
• 多職種（教育設計、デザイナー、エンジニア）との協働による機能改善やUX最適化
• チーム開発や多種職種開発体制で、グローバル環境も見据えた運用を設計

最後まで読んでいただき、ありがとうございました！