LMS の学習ログを「受講完了率」 だけ見ていませんか。LRS（Learning Record Store）と ラーニングアナリティクス を活用すれば、学習行動の質 まで深堀りできます。本記事では実務的な活用法を解説します。
LMS のログでは見えないこと
従来の LMS が記録するのは主に以下：
- 受講開始日
- 受講完了日
- 完了率（%）
- テストスコア
これでは 「どう学んだか」 が見えません。同じ「完了」 でも、5 分で雑に終わらせた人と、3 時間かけて何度も復習した人を区別できないのです。
LRS で取れるデータの広さ
LRS（Learning Record Store）は xAPI で送信される 学習行動データ を蓄積するデータベース。記録できる粒度は格段に細かい：
- どのページに 何分滞在 したか
- どこで動画を 一時停止 したか
- どの問題を 何回間違えた か
- どのリンクを クリック したか
- 受講後、関連コンテンツへ どう遷移 したか
- 業務システム上での 実行ログ（業務適用の証拠）
これらは、学習者の 理解度・モチベーション・つまずきポイント を可視化する原データになります。
活用パターン 1：脱落予兆検知
LRS データの分析で見えるパターン：
- 受講開始から 3 日以上アクセスなし → 75% が完了せず脱落
- 動画を 50% 以下で離脱 が 2 回続く → モチベーション低下シグナル
- テストで連続不正解 → 内容が難しすぎる
これらを 自動アラート として人事に通知し、メンター介入のトリガーにできます。
活用パターン 2：コンテンツ改善
学習者の 「詰まりポイント」 をデータで特定できます。
例：
- 「リーダーシップ基礎」 シリーズの 第 3 章で半数が脱落 → コンテンツの難易度を見直す
- 「コンプライアンス研修」 で 特定の問題を 80% が間違える → 解説不足、リライト必要
- 動画を毎回 7 分目で巻き戻し → そこで重要だが分かりにくい説明がある
コンテンツ製作者にこれをフィードバックすることで、教材の質が継続的に上がります。
活用パターン 3：個別最適化（アダプティブラーニング）
LRS データを使えば、学習者ごとに異なる学習パス を提供できます。
- テストで「A 領域は得意、B 領域は苦手」 と判定 → B 領域の追加教材を自動推薦
- 「動画より読み物が好き」 という傾向 → 同テーマの記事系コンテンツを優先表示
- 「短時間学習傾向」 → マイクロラーニング中心に再編成
このパーソナライゼーションが、学習継続率と成果を大きく上げます。
活用パターン 4：研修 ROI の証明
経営層に「研修への投資効果」 を説明する時、LRS データは強力な根拠になります。
- 研修受講者 vs 未受講者の 業務 KPI 比較
- 学習時間と昇格率の相関 分析
- 研修種類別の受講後行動変容 の定量化
「研修受けた後、業務でこのスキルを N 回使った」 という証拠が、業務システム連携で取れるなら、ROI の議論が変わります。
活用パターン 5：組織全体の学習文化の可視化
個人レベルだけでなく、組織レベル の分析も可能。
- 部署別の 学習時間平均：学習文化の強い・弱い部署が見える
- マネジャーの学習量と部下の学習量の相関：マネジャー自身が学ぶチームの方が、部下も学ぶ
- 学習がエンゲージメントスコアに与える影響：定量的に証明
これらは経営層との対話の質を変えます。
LRS 導入のステップ
実務的に LRS を導入するステップ：
- xAPI 対応 LMS の確認 or 導入
- LRS の選定（OSS の Watershed、SaaS の Yet Analytics 等、または LMS 内蔵 LRS）
- 分析指標の設計（KPI / KGI を先に決める）
- 小規模パイロット（1 部署で 3 か月）
- ダッシュボード構築（経営層・マネジャー・本人の 3 種類）
- 全社展開
いきなり全社導入せず、パイロットで仮説検証 してから広げるのが鉄則です。
まとめ：「データドリブン人材育成」 はもう絵空事ではない
LRS とラーニングアナリティクスにより、人材育成の効果測定 は経験と勘の領域から、データに基づく科学的アプローチに変わりつつあります。
Karteur では、xAPI 対応・LRS 内蔵・学習ダッシュボードまでを統合提供しています。「研修やってます」 から「成果を出す研修運営」 への移行を支援します。
