教育のICT化が生徒の
学力に与える影響の分析

hard_report = {
    '教育用PC1台\n当たり児童数': {   # 期待符号 −
        '国語A': (0.147, ''),  '国語B': (-0.147, ''),
        '数学A': (-4.410, '*'), '数学B': (0.024, ''),
        'expect': '-',
    },
    '1学校当たり\n電子黒板整備台数': {  # 期待符号 +
        '国語A': (-3.268, '***'), '国語B': (-2.780, '**'),
        '数学A': (0.017, ''),     '数学B': (2.660, '*'),
        'expect': '+',
    },
    'デジタル教科書\n整備率': {  # 期待符号 +
        '国語A': (-0.435, '***'), '国語B': (0.028, ''),
        '数学A': (0.035, '*'),    '数学B': (0.043, '*'),
        'expect': '+',
    },
}


def sign_ok(coef, sig, expect):
    """有意かつ期待符号と一致すれば True（望ましい）、有意かつ逆なら False（望ましくない）、非有意は None。"""
    if sig == '':
        return None
    matched = (coef > 0 and expect == '+') or (coef < 0 and expect == '-')
    return matched


print("\n=== [2] 原論文 表5・表6 の固定効果推定値（ハードICT指標）【報告値の可視化】===")
print("※係数はPDF原本の報告値。SSDSEにテストスコア・ICT環境が無いため再計算ではない。")
print(f"{'指標':<24}{'期待':<6}" + "".join(f"{s:<10}" for s in subjects))
for var, dd in hard_report.items():
    label = var.replace('\n', '')
    row = f"{label:<22}{'('+dd['expect']+')':<6}"
    for s in subjects:
        c, sg = dd[s]
        row += f"{c:>6.3f}{sg:<4}"
    print(row)
print("判定: 数学=デジタル教科書が数学A・Bとも望ましい方向(+,有意)。教育用PC1台当たり児童数は")
print("      数学Aで望ましい方向(-4.410*)。国語=電子黒板(-3.268***)・デジタル教科書(-0.435***)が")
print("      期待と逆＝ハード整備が国語で逆効果の可能性。ICT機器の効果は教科によって異なる。")

# ==============================================================================
# パート3：原論文 表5・表6 の交互作用項（報告値の可視化）
#   ハード面×ソフト面（教員のICT活用指導力・研修受講率）の相乗効果。

interactions = [
    ('国語A: 電子黒板 × 指導力',   0.039, '***'),
    ('国語A: デジタル教科書 × 指導力', 0.005, '***'),
    ('国語B: 電子黒板 × 指導力',   0.035, '**'),
    ('数学A: 教育用PC × 指導力',   0.066, '*'),
    ('数学A: 電子黒板 × 研修受講率', 1.023, '*'),
    ('数学A: 電子黒板 × 指導力',   -0.039, '**'),
]
print("\n=== [3] 原論文 表5・表6 の交互作用項【報告値の可視化】===")

# 表4（下三角）の報告値を対称行列に展開
lower = {
    (1, 0): 0.482,
    (2, 0): -0.14,  (2, 1): -0.222,
    (3, 0): 0.632,  (3, 1): 0.408,  (3, 2): -0.097,
    (4, 0): 0.411,  (4, 1): 0.292,  (4, 2): -0.22,  (4, 3): 0.561,
    (5, 0): 0.2,    (5, 1): 0.006,  (5, 2): 0.76,   (5, 3): 0.209, (5, 4): 0.038,
    (6, 0): 0.205,  (6, 1): 0.084,  (6, 2): 0.285,  (6, 3): 0.163, (6, 4): 0.084, (6, 5): 0.363,
    (7, 0): 0.147,  (7, 1): -0.049, (7, 2): 0.316,  (7, 3): 0.192, (7, 4): 0.156, (7, 5): 0.409, (7, 6): 0.252,
    (8, 0): 0.124,  (8, 1): -0.214, (8, 2): 0.467,  (8, 3): 0.157, (8, 4): 0.067, (8, 5): 0.646, (8, 6): 0.212, (8, 7): 0.511,
}
n = 9
corr_mat = np.eye(n)
for (i, j), v in lower.items():
    corr_mat[i, j] = v
    corr_mat[j, i] = v

print("\n=== [4] 原論文 表4 の説明変数間相関行列【報告値の可視化】===")
print("※値はすべてPDF原本の報告値。強い相関は 電子黒板×研修受講率 0.632、教育用PC×児童生徒数 0.76 など。")

df_b = pd.read_csv(DATA_B, encoding='cp932', skiprows=[1])
d = df_b[df_b['SSDSE-B-2026'] == 2023].copy().reset_index(drop=True)
assert len(d) == 47, f"47都道府県を期待したが {len(d)} 行"

d['都道府県'] = d['Prefecture']
d['教育費割合'] = d['L322108'] / d['L3221'] * 100          # 消費支出に占める教育費の割合(%)
d['教員当児童生徒数'] = (d['E2501'] + d['E3501']) / (d['E2401'] + d['E3401'])

region_map = {
    '北海道': '北海道・東北', '青森県': '北海道・東北', '岩手県': '北海道・東北',
    '宮城県': '北海道・東北', '秋田県': '北海道・東北', '山形県': '北海道・東北',
    '福島県': '北海道・東北', '茨城県': '関東', '栃木県': '関東', '群馬県': '関東',
    '埼玉県': '関東', '千葉県': '関東', '東京都': '関東', '神奈川県': '関東',
    '新潟県': '中部', '富山県': '中部', '石川県': '中部', '福井県': '中部',
    '山梨県': '中部', '長野県': '中部', '岐阜県': '中部', '静岡県': '中部', '愛知県': '中部',
    '三重県': '近畿', '滋賀県': '近畿', '京都府': '近畿', '大阪府': '近畿',
    '兵庫県': '近畿', '奈良県': '近畿', '和歌山県': '近畿',
    '鳥取県': '中国・四国', '島根県': '中国・四国', '岡山県': '中国・四国',
    '広島県': '中国・四国', '山口県': '中国・四国', '徳島県': '中国・四国',
    '香川県': '中国・四国', '愛媛県': '中国・四国', '高知県': '中国・四国',
    '福岡県': '九州・沖縄', '佐賀県': '九州・沖縄', '長崎県': '九州・沖縄',
    '熊本県': '九州・沖縄', '大分県': '九州・沖縄', '宮崎県': '九州・沖縄',
    '鹿児島県': '九州・沖縄', '沖縄県': '九州・沖縄'
}
region_colors = {
    '北海道・東北': '#4e9af1', '関東': '#e05c5c', '中部': '#f0a500',
    '近畿': '#5cb85c', '中国・四国': '#9b59b6', '九州・沖縄': '#f39c12'
}
d['地域'] = d['都道府県'].map(region_map)

r_ctrl, p_ctrl = stats.pearsonr(d['教育費割合'], d['教員当児童生徒数'])

fig4, ax4 = plt.subplots(figsize=(10, 7.5))
for region, color in region_colors.items():
    m = d['地域'] == region
    ax4.scatter(d.loc[m, '教育費割合'], d.loc[m, '教員当児童生徒数'],
                c=color, label=region, s=80, zorder=3,
                edgecolors='white', linewidths=0.6)
for _, row in d.iterrows():
    name = (row['都道府県'].replace('県', '').replace('府', '')
            .replace('都', '').replace('道', ''))
    ax4.annotate(name, (row['教育費割合'], row['教員当児童生徒数']),
                 fontsize=7.5, ha='center', va='bottom',
                 xytext=(0, 4), textcoords='offset points', color='#333')
# 回帰直線（実データ）
b1, b0 = np.polyfit(d['教育費割合'], d['教員当児童生徒数'], 1)
xs = np.linspace(d['教育費割合'].min(), d['教育費割合'].max(), 50)
ax4.plot(xs, b0 + b1 * xs, color='#444', ls='--', lw=1.5, zorder=2,
         label=f'回帰直線 (r={r_ctrl:.3f})')
ax4.set_xlabel('消費支出に占める教育費の割合（%）　※SSDSE-B 実再現', fontsize=11)
ax4.set_ylabel('小中1学校教員当たりの児童・生徒数（人）　※SSDSE-B 実再現', fontsize=11)