R&Dエンジニア【進研ゼミ事業】

必須

• Claude Code や Codex を手足のように使いこなせること: AI コーディングエージェントを日常の研究・開発の主要な道具として使い、実験コード・評価スクリプト・論文原稿の生産性を自ら引き上げられること
• 確率・統計についての十分な理解: 確率モデル・ベイズ推定・統計的検定を理解し、実験結果の妥当性を自分で判断できること
• Deep Learning のモデルを構築した経験: PyTorch 等で自らモデルを設計・学習・評価した実務または研究の経験
• 教育への関心: 中高生の学びを変えるという事業ミッションへの共感

歓迎

• 人工知能学会や海外の AI 学会（NeurIPS ／ ICLR ／ ICML ／ AAAI ／ EDM ／ AIED ／ LAK 等）への投稿経験
• アプリケーション開発経験（Web ／ モバイル ／ API の設計と実装、本番運用の経験）
• 博士号を取得している、または企業の研究所出身
• Knowledge Tracing・教育データマイニング・アダプティブラーニングの研究または実装経験
• 項目反応理論（IRT）・階層ベイズなど教育測定の統計モデルの知識
• モデル軽量化（量子化 ／ 蒸留 ／ ONNX Runtime）や CPU 推論最適化の経験
• 特許出願の経験、または発明提案の経験

求める人物像

• 「研究のための研究」ではなく、成果が生徒の学びに届くことに価値を感じる方
• 専門家からの厳しいレビューを「条件を揃えて測り直す機会」として楽しめる方
• 実験の再現性・評価の厳密さを自分の矜持として持てる方
• AI エージェントに任せる部分と自分が深く考える部分を切り分け、自分の仕事のやり方を継続的に更新できる方
• 研究者としての専門性と、プロダクトに載せるエンジニアリングの両方を持ちたい方

使用ツール

採用背景

• 中高生事業本部では、「進研ゼミ中学講座／高校講座」をはじめ、AIチューター・AI塾・スタディキャストなど、中高生の学びをAIで再定義するプロダクト群を運営しています。その差別化技術の中核として、生徒一人ひとりの演習時系列や学習履歴から、任意の問題の正答確率を予測する学習AIエンジン「StudentTwin（Knowledge Tracingモデル）」を研究開発しています。
• StudentTwinは、問題IDや専門家が付与した単元タグを使用せず、問題文の意味埋め込みだけで生徒の習熟度を追跡する「識別子フリーKnowledge Tracing」という新しいアプローチを採用しています。公開ベンチマーク3種で既存手法を上回る結果を得ており、現在は国際会議（ICLR／LAKなど）への論文投稿を準備するとともに、関連特許2件を出願しています。
• 本ポジションでは、事業部CTOと共にStudentTwinの研究開発を担い、モデル設計・実験・論文化・プロダクト実装までを一貫して推進していただきます。「事業会社のR&Dが査読付き論文を発表し、その成果が翌月には進研ゼミやAI塾などの実プロダクトに実装される」というサイクルを回し、将来的には本部のR&Dを主導する立場を担っていただくことを期待しています。

ミッション

• StudentTwinをはじめとするR&D（学習AIエンジン、手書き文字認識の内製化、科目横断の埋め込み空間、特許化）を事業部CTOとともに推進し、研究開発を継続的に推進できる体制を構築することがミッションです。
• また、StudentTwinを前提とした学習プラン計算・問題生成・仮想テスト生成などの機能開発について、研究と実装の両面から推進していただきます。
• さらに、本部の方針として位置づけている研究成果の外部発表（学会・論文・特許）にも取り組み、事業への実装と研究者としてのキャリア形成を両立していただくことを期待しています。

業務内容

• Knowledge Tracing モデルの設計と実験: 生徒の演習時系列から正答確率を予測するモデル（Transformer ／ GRU 系・意味埋め込みベース）を設計し、公開データセットと自社学習ログで実験を回す
• 評価プロトコルの運用と改善: 生徒単位分割・時間順・未出題問題の hold-out を守った厳密評価（AUC ／ ECE ／ キャリブレーション）を設計・運用し、結果を再現可能な形で記録する
• CPU 完結推論のためのモデル軽量化: 量子化（INT8 ／ 三値）・蒸留・ONNX 化により、モデルサイズ 5MB 以下・CPU 状態更新 p50 200ms 以下の制約で動くモデルを作る
• 論文執筆と学会発表: 実験結果を国際会議（ICLR ／ NeurIPS ／ EDM ／ AIED ／ LAK 等）や人工知能学会に投稿し、社内外の研究者レビューに応答する
• 特許化: 新規性のあるアイデアを発明提案書に落とし、弁理士・知財部門と連携して出願する
• プロダクト実装への橋渡し: 研究コードを本番リポジトリ（TypeScript ラッパー + Python ワーカー構成）に移植し、プロダクトチームと API 仕様・レイテンシ要件を詰める
• 共同研究と外部連携: 社内の教育総合研究所、大学・外部研究者との共同研究を進め、教育データの取り扱い（プライバシー・匿名化）を設計する
• 隣接テーマの R&D: 手書き文字認識、学習コンテンツの埋め込み空間設計、生徒状態からの学習プラン最適化など、StudentTwin の周辺テーマにも段階的に広げる

入社後のキャリアパス

• 3ヶ月: StudentTwin の既存実験（公開データ 3 種・72 構成）を再現し、評価プロトコルとコードベースを把握する。事業部CTO と週次で研究テーマを議論する
• 6ヶ月: 自社学習ログでの評価を主導し、進行中の論文投稿（改訂・追試・レビュー応答）に共著者として貢献する
• 1年: R&D テーマを 1 つ主導し（例: KC 習熟プローブ、学習プラン最適化、手書き文字認識）、筆頭著者として論文投稿・特許出願を行う
• 2年: 本部 R&D の主担当として研究ロードマップを描き、2 人目以降の R&D 人材の採用・育成にも関わる

開発環境・チーム

• 研究対象プロダクト: 進研ゼミ（中高講座）／AI塾／AIチューター／テスパ神（学習プラン・問題生成）
• 技術スタック: Python ／ PyTorch ／ torchao（量子化）／ ONNX ／ scikit-learn ／ 埋め込み API（Gemini 等）／ TypeScript（推論ラッパー）／ AWS（Spot GPU での実験・ECS ／ Aurora）／ GitHub
• 開発プロセス: Claude Code ／ Codex による AI 駆動開発を全面採用。実験は Issue ／ PR 単位で記録し、評価結果は再現手順つきでリポジトリに残す。ADR・Spec によるドキュメント駆動
• 研究環境: 公開ベンチマーク（MOOCRadar ／ XES3G5M ／ MOOCCubeX 等）と自社学習ログ、AWS GPU 実験予算、社内の教育総合研究所によるレビュー
• チーム構成: 事業部CTO 直下の R&D ポジション。プロダクト開発チーム・知財部門・教育研究部門と横断で連携