英語力と相関があるものは何か

国際社会で外国人と意思疎通するには何が必要かを考えた著者らは、世界で最も広く話される言語である英語に着目した。日本は学習言語の9割以上が英語であるにもかかわらず、EF EPI 英語能力指数（2021）で世界112か国・地域中78位と低い。そこで「日本の英語力を上げるために必要なことは何か」を最終目標に、まず「英語力と相関があるものは何か」を明らかにすることをテーマとした。

分析の進め方はシンプルで力強い。まず「英語に触れる時間が長いほど英語力が上がる」という仮説を立て、その仮説に沿って外国人人口・授業での英語使用率・ALTの人数という触れる機会の代理指標を選ぶ。次にそれらと中高生の英語力の相関を散布図で一つずつ確かめ、相関が弱かったALTについては活用方法やALTが抱える問題まで掘り下げる。高校生らしく「身近な仮説を数字で一つずつ検証する」探究の姿勢が全体を貫いている。

高校生の部 英語教育実施状況調査・SSDSE-D・ナレッジステーション 相関分析 散布図 指標の自作（1校あたりALT）

使用データと再現可能性の整理

目的変数は中高生の英語力で、文部科学省「英語教育実施状況調査（H30）」の基準に基づく。具体的には中学生＝CEFR A1レベル（英検3級）相当以上、高校生＝CEFR A2レベル（英検準2級）相当以上の生徒の割合である。説明側の変数は外国人人口割合（SSDSE-D-2021）、授業での英語使用率・ALTの人数と活用方法（同調査）、中学校数・高校数（ナレッジステーション R1）を組み合わせている。年度・出典の異なるデータを組み合わせている点は注意が必要である。

表1　主なデータと出典（原論文 表3 より）

＊外国人人口割合は原論文が SSDSE-D-2021 から取得した変数。ALT については「1校あたりのALT活用人数＝都道府県別ALT活用人数÷学校数」として著者が加工した指標を用いている。

分析の流れ：仮説 → RQ1の相関 → RQ2のALT深掘り

① 仮説：英語に触れる時間が英語力を高める

著者らは「海外滞在が長い人ほどTOEICが高い」という図1から、英語に触れる時間が長いほど英語力が上がると仮説を立てた。そのうえで、触れる機会の代理指標として「外国人人口」「授業での英語使用率」「ALTの人数」を選んだ。

② リサーチクエスチョン1：3要因と英語力の相関

3要因と中高生の英語力の相関係数を散布図で一つずつ求めた（図2〜図9）。ALTについては既存データに無い「1校あたりのALT活用人数」をALT活用人数÷学校数で自作して比較している。

③ リサーチクエスチョン2：ALTの深掘り

ALTの活用人数と英語力に「かなり強い相関」が出なかったことを最も意外に感じた著者らは、ALTの活用方法別（生徒とのやり取り／発音指導／授業外交流）に相関を取り直し（図11〜図16）、さらにALTが日本人教師との間で抱える問題（表4）まで調べた。

外国人人口割合・授業での英語使用率・1校あたりALT活用人数と、中高生の英語力の相関係数が原論文 図2〜図9 に報告されている。この図はその報告値をそのまま可視化したものである（目的変数の英語力が英語教育実施状況調査由来でSSDSE-Bに無いため再計算できない）。

=== [1] RQ1：3要因と中高生の英語力の相関（原論文 図2〜図9 の報告値）===
目的変数「中高生の英語力」は英語教育実施状況調査(H30)由来・SSDSE に無く再計算不可（報告値の転記）
要因                  対象               相関係数r   強さ（原論文 表1 の定義）
外国人人口割合             中学生              +0.29   弱い相関
外国人人口割合             高校生              +0.05   ほとんど相関がない
授業での英語使用率           中学生              +0.23   弱い相関
授業での英語使用率           高校・普通科           +0.25   弱い相関
授業での英語使用率           高校・専門学科          +0.31   弱い相関
授業での英語使用率           高校・総合学科          +0.17   ほとんど相関がない
1校あたりALT活用人数        中学生              +0.25   弱い相関
1校あたりALT活用人数        高校生              +0.42   やや相関
→ 最も強い相関: 1校あたりALT活用人数×高校生（r=+0.42／やや相関）
※ 「かなり強い相関(0.7以上)」は一つも無い。ALT活用人数×高校生の r=0.42 が最大（やや相関）。
※ 外国人人口割合は中学生で弱い相関(0.29)だが、高校生ではほとんど相関がない(0.05)。

図1：外国人人口割合・授業での英語使用率・1校あたりALT活用人数と中高生の英語力の相関係数。報告値の可視化（再計算ではない）（原論文 図2〜図9）。赤＝やや相関(0.4〜)／橙＝弱い相関(0.2〜)／灰＝ほとんど相関なし。点線は表1の目安(0.2/0.4/0.7)。英語力がSSDSE-Bに無いため再計算不可。

ALTの活用人数と英語力に強い相関が出なかった理由を探るため、著者はALTの活用方法別（生徒とのやり取り／発音モデル・発音指導／授業外での交流）に中高生の英語力との相関を取り直した（原論文 図11〜図16）。この図はその報告値をそのまま可視化したものである。

=== [2] RQ2：ALTの活用方法別と英語力の相関（原論文 図11〜図16 の報告値）===
全て原論文の報告値の転記。英語力は SSDSE に無いため再計算不可。
ALTの活用方法                     中学生r     高校生r   高校生の強さ
生徒とのやり取りに活用                 +0.11    +0.17   ほとんど相関がない
発音モデル・発音指導に活用               +0.11    +0.21   弱い相関
授業外での交流に活用                  +0.21    +0.27   弱い相関
→ 相対的に高いのは「授業外での交流に活用」（中0.21／高0.27＝いずれも弱い相関）。
※ どの活用方法でも「やや相関(0.4以上)」に届かず、活用方法と英語力の相関は総じて弱い。

図2：ALTの活用方法別（生徒とのやり取り／発音指導／授業外交流）と中高生の英語力の相関係数。報告値の可視化（再計算ではない）（原論文 図11〜図16）。青＝中学生／濃緑＝高校生。点線は0.2＝弱い相関の境界。英語力がSSDSE-Bに無いため再計算不可。

活用方法を変えてもALTと英語力に強い相関が出ないことから、著者は「ALTは学校教育に参加しづらい立場にあるのではないか」と仮説を立て、ALTが日本人教師との間で抱える問題（原論文 表4・回答者209人）を調べた。この図はその報告値をそのまま可視化したものである。

=== [3] 表4 ALTが日本人教師との間で抱えている問題（原論文の報告値・回答者209人）===
伏見美瑳「日本におけるALTの現状と問題点の改善」の調査。複数回答・SSDSE 外の報告値。
問題（自由記述の分類）                          回答数      割合
日本人教師がめったに英語を話さない                    101   48.3%
その他                                  104   49.8%
日本人教師が英語を理解していない                      99   47.4%
日本人教師がめったに話しかけてくれない                   91   43.5%
日本人教師がALTの強みを理解しようとしてくれない             65   31.1%
日本人教師が意見を尊重してくれない                     36   17.2%
日本人教師が授業計画で意見を求めない                    30   14.4%
→ 最多は「日本人教師がめったに英語を話さない」(101人／回答者209人中）。
※ 著者はここから「ALTが日本人教師とコミュニケーションを取れていない」ことが
  英語力に関係しているのではないか、と考察している（因果の証明ではない）。

図3：ALTが日本人教師との間で抱えている問題（回答者209人・複数回答）。報告値の可視化（再計算ではない）（原論文 表4、伏見美瑳の調査より）。赤＝90人以上。アンケート結果でSSDSE-Bには無い。

以下の相関・数値はすべて原論文の報告値である。相関分析とALTの深掘りから、著者は次のように整理した。

RQ1：3要因と英語力の相関（原論文の報告値）

RQ2：ALTの深掘りでわかったこと（報告値）

ALTの活用方法別でも「授業外での交流」（高0.27）が最も高い程度で、いずれも弱い相関にとどまった。一方、ALTが日本人教師との間で抱える問題では、回答者209人中101人が「日本人教師がめったに英語を話さない」と回答するなど、ALTと日本人教師のコミュニケーション不足が浮かび上がった。

原論文の目的変数（中高生の英語力）はSSDSE-Bに無く、授業での英語使用率・ALTの人数もSSDSE-Bに無い。唯一SSDSE-Bで組み立てられるのは「外国人人口割合」。原論文が中学生の英語力と弱い相関(r=0.29)を報告したこの変数を、SSDSE-Bの総人口と日本人人口から構築してみる。

194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214

df = pd.read_csv(DATA_B, encoding='cp932', header=0, skiprows=[1])
df['SSDSE-B-2026'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
d = df[df['SSDSE-B-2026'] == 2023].copy().reset_index(drop=True)
d['A1101'] = pd.to_numeric(d['A1101'], errors='coerce')   # 総人口
d['A1102'] = pd.to_numeric(d['A1102'], errors='coerce')   # 日本人人口
d['外国人人口割合'] = (d['A1101'] - d['A1102']) / d['A1101'] * 100

print('\n=== [4] SSDSE-B から外国人人口割合を構築（実再現・2023年・都道府県）===')
print('外国人人口割合 = (総人口 A1101 − 日本人人口 A1102) / 総人口 A1101 × 100')
print(f'対象: {len(d)}都道府県 / 原論文が中学生英語力と弱い相関(r=0.29)を報告した相手方を SSDSE-B で構築')
dr = d.sort_values('外国人人口割合', ascending=False)
print('外国人人口割合が高い上位5都府県:')
for _, r in dr.head(5).iterrows():
    print(f"  {r['Prefecture']:<5} {r['外国人人口割合']:>6.2f}%")
print('外国人人口割合が低い下位5県:')
for _, r in dr.tail(5).iterrows():
    print(f"  {r['Prefecture']:<5} {r['外国人人口割合']:>6.2f}%")
print(f'→ 全国平均 {d["外国人人口割合"].mean():.2f}%。東京・愛知・群馬・三重・岐阜など')
print('  都市部や製造業が盛んな県で高い。原論文はこの外国人人口割合と中学生の英語力の相関を r=0.29')
print('  （弱い相関）と報告したが、英語力が SSDSE に無いため相関そのものは再計算不可。')
print('  ここで実再現できるのは「相関の相手方（外国人人口割合）の作り方と地域差」だけである。')

=== [4] SSDSE-B から外国人人口割合を構築（実再現・2023年・都道府県）===
外国人人口割合 = (総人口 A1101 − 日本人人口 A1102) / 総人口 A1101 × 100
対象: 47都道府県 / 原論文が中学生英語力と弱い相関(r=0.29)を報告した相手方を SSDSE-B で構築
外国人人口割合が高い上位5都府県:
  東京都     4.53%
  愛知県     3.77%
  群馬県     3.73%
  三重県     3.36%
  岐阜県     3.26%
外国人人口割合が低い下位5県:
  新潟県     0.89%
  山形県     0.78%
  岩手県     0.77%
  青森県     0.59%
  秋田県     0.55%
→ 全国平均 1.89%。東京・愛知・群馬・三重・岐阜など
  都市部や製造業が盛んな県で高い。原論文はこの外国人人口割合と中学生の英語力の相関を r=0.29
  （弱い相関）と報告したが、英語力が SSDSE に無いため相関そのものは再計算不可。
  ここで実再現できるのは「相関の相手方（外国人人口割合）の作り方と地域差」だけである。

原論文が中学生の英語力と弱い相関（r=0.29）を報告した相手方は外国人人口割合だった。その外国人人口割合を、SSDSE-Bの(総人口−日本人人口)/総人口×100で都道府県別にランキングにする。これは実データからの再計算（実再現）で、原論文の外国人人口割合(H30・SSDSE-D)に対し本再現は2023年・SSDSE-Bである点に注意（地図の代わりにランキングで地域差を表現）。

図4：都道府県別 外国人人口割合ランキング（SSDSE-B 2023年、N=47）。実再現／都道府県粒度。外国人人口割合＝(総人口 A1101−日本人人口 A1102)/総人口×100。破線＝全国平均。色＝地方ブロック。英語力がSSDSE-Bに無いため、再現したのは相関の相手方（外国人人口割合）の側だけ。

結果の解釈と考察（原論文「5」）

著者は相関分析とALTの深掘りを総合し、「日本の英語力とかなり強い相関があるものは見つからなかった」と結論づけた。ただし負の相関も無かったことから「教育制度は整っているが効果が出ていない」と解釈し、相対的に強かったALTに改善の余地を見た（すべて報告値に基づく著者の考察）。

ALTに着目した提言（原論文 5-1）

3要因の中で最も相関が強かったのは1校あたりALT活用人数×高校生（r=0.42・やや相関）。ALTの人数は年々増加しており、政府もALTを増やす取り組みを進めている。著者はALTの採用基準の見直しと日本人教師とのコミュニケーション改善を行えば、英語力が向上する可能性があると提言した。

「日本人自身にも問題」という視点（原論文 5-1）

強い相関のある外的要因が見つからず、負の相関も無かったことから、著者は日本の英語力が低いのは日本人自身の学習姿勢にも問題があるのではないかと考察した。ALTが日本人教師との間で抱える問題（表4）も、この「使う機会・話す姿勢」の不足という視点に接続している。

原論文のデータ出典は SSDSE-D（社会生活基本調査）でした。同じ SSDSE-D-2023 の「英語」学習行動者率を使い、英語力の地域差の背景を確認します。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

d_raw = pd.read_csv('data/raw/SSDSE-D-2023.csv', encoding='cp932', header=1)
d_raw = d_raw[(d_raw['男女の別'] == '0_総数') & (d_raw['地域コード'] != 'R00000')]
d = d_raw.set_index('都道府県')
dv = lambda c: pd.to_numeric(d[c], errors='coerce')
b_raw = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
b = b_raw[(b_raw['年度'] == 2021) & b_raw['地域コード'].str.match(r'^R\d{5}$', na=False)].set_index('都道府県')
bv = lambda c: pd.to_numeric(b[c], errors='coerce')

eng = dv('英語')
print('英語学習（学業以外）行動者率 上位5県:')
for p2, v in eng.nlargest(5).items(): print(f'  {p2}: {v:.1f}%')
X = pd.DataFrame({'log住宅地価格': np.log(bv('標準価格（平均価格）（住宅地）')),
                  '大学学生数割合': bv('大学学生数') / bv('総人口') * 100})
r1, p1 = stats.pearsonr(X['log住宅地価格'], eng)
r2, p2 = stats.pearsonr(X['大学学生数割合'], eng)
print(f'英語学習率 × 都市度(log地価): r = {r1:+.3f} (p={p1:.4f})')
print(f'英語学習率 × 大学学生数割合 : r = {r2:+.3f} (p={p2:.4f})')

まとめと今後の課題

本研究は、中高生の英語力（CEFR A1／A2 相当以上の割合）を軸に、外国人人口・授業での英語使用率・1校あたりALT活用人数との相関分析、さらにALTの活用方法別の相関とALTが抱える問題の調査を組み合わせ、「かなり強い相関があるものは無い／最大はALT活用人数×高校生の r=0.42（やや相関）」という結果を得た（いずれも報告値）。強い相関の不在を発見として引き受け、ALTの採用基準見直しと日本人教師とのコミュニケーション改善を提言した探究の姿勢が見どころである。

データ・コードのダウンロード

このページの外国人人口割合ランキング（図4）は、以下から再現できます。

🐍 再現コード（.py） 📊 SSDSE-B-2026.csv

※ 図1（3要因の相関係数）・図2（ALT活用方法別の相関）・図3（ALTが抱える問題）は、目的変数の中高生の英語力（英語教育実施状況調査H30）や授業での英語使用率・ALTの人数がSSDSE-B外のため、原論文の報告値を可視化したものです。図4はSSDSE-Bの総人口・日本人人口から外国人人口割合を構築した実再現ですが、英語力がSSDSE-Bに無いため「相関の相手方（外国人人口割合）の作り方と地域差」の再現です。

🐍 ブラウザで動かす — インストール不要でこの論文の分析を再現する

このページの分析は、この画面の中でそのまま実行できます。 Python をインストールする必要も、CSV をダウンロードする必要もありません。 下のセルの 「▶ ブラウザで実行」 を上から順に押すか、 「▶ 最初から全部実行」 で一気に流してください。 表示されるのは、本文の図表とまったく同じ計算の結果です （動かしているのは再現スクリプト code/2022_H5_13_shorei.py そのもの）。

コードは書き換えられます。「✏️ 書き換える」で数字や変数を変えて ▶ を押すと、 結果がどう変わるかをその場で確かめられます（元に戻すボタンつき）。 ページを開いた時点で裏で実行環境の準備が始まっているので、待ち時間はほとんどありません。 初回だけ実行環境の取得にインターネット接続が必要です。