データサイエンス学科（総合型選抜Ⅰ期（面接型）【フィールド・スタディーズ】）入試日程

出願締切から二次試験まで約6週間の標準的な日程です。

出願後に試験対策へ切り替える時間は限られているため、準備の並走が必要です。

出願締切の2〜3週間前には書類を完成させ、残りを面接・小論文対策に充てる計画が効果的です。

書類と二次試験対策を並走させる意識で準備を進めてください。

合格発表まで試験から約2週間と結果が早く出るため、一般入試との併願計画も立てやすい入試です。

データサイエンス学科（総合型選抜Ⅰ期（面接型）【課題・作品】）入試日程

出願締切から二次試験まで約6週間の標準的な日程です。

出願後に試験対策へ切り替える時間は限られているため、準備の並走が必要です。

出願締切の2〜3週間前には書類を完成させ、残りを面接・小論文対策に充てる計画が効果的です。

書類と二次試験対策を並走させる意識で準備を進めてください。

合格発表まで試験から約2週間と結果が早く出るため、一般入試との併願計画も立てやすい入試です。

データサイエンス学科（総合型選抜Ⅱ期（基礎学力型・奨学金対象））入試日程

出願締切から二次試験まで約4週間の標準的な日程です。

出願後に試験対策へ切り替える時間は限られているため、準備の並走が必要です。

出願締切の2〜3週間前には書類を完成させ、残りを面接・小論文対策に充てる計画が効果的です。

書類と二次試験対策を並走させる意識で準備を進めてください。

合格発表まで試験から約1週間と結果が早く出るため、一般入試との併願計画も立てやすい入試です。

データサイエンス学科（総合型選抜Ⅰ期（面接型）【コンテスト・コンクール】）入試日程

出願締切から二次試験まで約6週間の標準的な日程です。

出願後に試験対策へ切り替える時間は限られているため、準備の並走が必要です。

出願締切の2〜3週間前には書類を完成させ、残りを面接・小論文対策に充てる計画が効果的です。

書類と二次試験対策を並走させる意識で準備を進めてください。

合格発表まで試験から約2週間と結果が早く出るため、一般入試との併願計画も立てやすい入試です。

総合型選抜Ⅰ期（面接型）【フィールド・スタディーズ】

データサイエンス学科

募集10名に対し、倍率1.6倍は狙い目の水準です。

しっかりと準備した受験生には十分にチャンスがある入試と言えます。

志望動機と活動実績を丁寧に整理すれば合格に届く可能性が高い学科です。

おすすめの学科

倍率面でチャレンジしやすい学科は以下の通りです。

• データサイエンス学科：倍率1.6倍と最も競争が少なく、志望動機が明確であれば積極的に狙いたい選択肢です。

総合型選抜Ⅰ期（面接型）【課題・作品】

データサイエンス学科

募集10名に対し、倍率1.6倍は狙い目の水準です。

しっかりと準備した受験生には十分にチャンスがある入試と言えます。

志望動機と活動実績を丁寧に整理すれば合格に届く可能性が高い学科です。

おすすめの学科

倍率面でチャレンジしやすい学科は以下の通りです。

• データサイエンス学科：倍率1.6倍と最も競争が少なく、志望動機が明確であれば積極的に狙いたい選択肢です。

総合型選抜Ⅱ期（基礎学力型・奨学金対象）

データサイエンス学科

募集10名に対し、倍率2倍は狙い目の水準です。

しっかりと準備した受験生には十分にチャンスがある入試と言えます。

志望動機と活動実績を丁寧に整理すれば合格に届く可能性が高い学科です。

おすすめの学科

倍率面でチャレンジしやすい学科は以下の通りです。

• データサイエンス学科：倍率2倍と最も競争が少なく、志望動機が明確であれば積極的に狙いたい選択肢です。

総合型選抜Ⅰ期（面接型）【コンテスト・コンクール】

データサイエンス学科

募集10名に対し、倍率1.6倍は狙い目の水準です。

しっかりと準備した受験生には十分にチャンスがある入試と言えます。

志望動機と活動実績を丁寧に整理すれば合格に届く可能性が高い学科です。

おすすめの学科

倍率面でチャレンジしやすい学科は以下の通りです。

• データサイエンス学科：倍率1.6倍と最も競争が少なく、志望動機が明確であれば積極的に狙いたい選択肢です。

総合型選抜Ⅰ期（面接型）【フィールド・スタディーズ】

データサイエンス学科

出願基準

• 高校卒業（見込み含む）と同等以上の学力を有する者。
• 高等学校入学相当年度から出願時までの間に、各自が学外で課題を発見し、解決策を検討したフィールド・スタディーズの経験が必須。
• フィールド・スタディーズの対象：国際交流、課外活動、クラブ活動（部活動含む）、ボランティアなど。

出願書類

• 調査書。
• エントリーシート。
• 写真。
• フィールドスタディーズにおける体験をわかりやすく記録し報告する資料（紙で提出、動画不可）。
• フィールドスタディーズから生まれた魅力的な制作物（企画書、設計図、賞状、ポスターなど。賞状などはコピーでも可）。
• 宛名ラベル。

試験内容

• 1次選考：書類審査（エントリーシート、調査書、課題・作品等）。
• 2次選考（対面）：書類審査及び面接・口頭試問（20分程度）。

総合型選抜Ⅰ期（面接型）【課題・作品】

データサイエンス学科

出願基準

• 高校卒業（見込み含む）と同等以上の学力を有する者
• 指定課題・作品を提出できる者
• 1次選考倍率：1.6倍
• 2次選考倍率：1.5倍
• 募集人数：10名程度

出願書類

• 調査書
• エントリーシート
• 写真
• 課題・作品（以下のいずれか選択）

①マンダラート（9×9マス、中央に目標、周囲に達成要素を記入）：（1）大学入学後の自分の目標と実現ステップ、（2）データサイエンティストの目標と実現ステップ、（3）未来のあるべき姿と実現ステップ、（4）自分自身をデータで表現のいずれか選択

②自作IT作品（アプリケーション・サービス・Webコンテンツ等、ツール・言語不問、オープンソースAIツール使用可）：A4紙1枚にアプリ名・URL・簡単な説明を記入、共同製作物の場合は担当部分を明示

• 宛名ラベル

試験内容

• 1次選考：書類審査
• 2次選考：対面形式（①書類審査 ②面接・口頭試問20分程度）
• 出願締切：2025年9月10日
• 2次試験日：2025年10月19日
• 合格発表：2025年11月1日

総合型選抜Ⅱ期（基礎学力型・奨学金対象）

データサイエンス学科

出願基準

• 調査書：評定平均値の指定なし
• 数学・国語の基礎理解：統計的思考と論理表現の両立が評価される
• 英語外部検定：基準スコア達成者は英語のみなし得点を利用可能
• データ分析への関心：ICT活用経験やプログラミング素養が加算される

出願書類

• 調査書
• エントリーシート
• 写真
• 申請型奨学金制度申込書（申請者のみ）
• 英語資格検定試験成績証明書（英語外部検定活用方式の申請者のみ）
• 宛名ラベル

試験内容

1次試験（2025年11月23日実施）：基礎学力検査（マークシート方式）

• 1時限：英語コミュニケーションⅠ・Ⅱ、論理・表現Ⅰ
• 2時限：現代の国語、言語文化（古文独立問題の選択可。漢文独立問題の出題なし）、数学Ⅰ・Ⅱ・A・B（数列）・C（ベクトル）（いずれか1科目選択）
• 3時限：数学Ⅰ・A（数学2科目の選択不可）

2次試験（2025年12月7日実施）：面接・書類審査

• 面接試験（データ分析への適性、ビジネス思考、学習志向など）
• 出願書類の総合評価

倍率：1次2.0倍、2次2.0倍

選考方法

• 1次試験：基礎学力検査で第1段階選抜を実施
• 2次試験：面接と書類審査により最終合否を判定
• 合格発表：2025年12月12日

総合型選抜Ⅰ期（面接型）【コンテスト・コンクール】

データサイエンス学科

出願基準

• 高校卒業（見込み含む）と同等以上の者
• 学外のコンテスト・コンクール等において優秀な実績を残した者（高等学校入学相当年度から出願時までの実績に限定）

対象コンテスト（例）

• Kaggle、SIGNATE等のデータサイエンス・コンペティションにエントリーした者
• ロボコン、ヒーローズ・リーグ、ハッカソン等にエントリーした者
• オープンデータ・アプリコンテストにエントリーした者

出願書類

• 調査書
• エントリーシート
• 写真
• 実績を証明できるもの（コンテスト実施要項のコピー、賞状、参加証明等）
• 宛名ラベル
• エントリーに関する簡単な説明文（コンテスト内容・自身の役割などを記載）

試験内容

• 1次選考：書類審査（エントリーシート、調査書、課題・作品等）
• 2次選考（対面）：書類審査、面接・口頭試問（20分程度）
• 募集人数：10名
• 倍率：1次 1.6倍、2次 1.5倍
• 出願期間：2025年9月10日（水曜）
• 2次試験日：2025年10月19日（日曜）
• 合格発表：2025年11月1日（土曜）

総合型選抜Ⅰ期（面接型）【フィールド・スタディーズ】

データサイエンス学科

出願書類の書き方

データやIT、統計に対する強い興味と、それを実践の中でどう活用したか、が読み取れるエントリーシートが評価されます。

フィールド・スタディーズの経験の中で「データを見た」「数字から気づくことがあった」といった、定量的思考の芽生えを述べることが効果的です。

プログラミング経験、データ分析ツール（ExcelやPython等）の活用経験、統計学への関心など、あれば必ず記載してください。

二次試験の対策

面接では、数学的素養と論理的思考力が試されます。

高校数学の確率統計分野に関する基本概念（平均、分散、相関、確率分布など）を、単なる計算ではなく、その意味や実装応用を理解していることが重要です。

また、ビジネスや社会課題の中で「データが果たす役割」について、自分の考えを持つことが大切です。

AI・機械学習・ビッグデータといった最新の技術トレンドについても、基礎的な理解があると面接がスムーズです。

面接で問われること

フィールド・スタディーズの経験の中で「問題をどう定量的に捉えたか」が問われます。

また「データサイエンスを学んで、社会でどう貢献したいのか」というビジョンについて、説得力のある説明が求められます。

対策スケジュール

6月から数学の確率統計分野、および基礎的なプログラミング（Pythonなど）の学習を開始。

7月〜8月は、フィールド・スタディーズの経験を「データサイエンスの視点」で再解釈する作業に注力します。

8月下旬からは、ビジネスケースやデータ分析事例についての研究を進め、「データで何ができるか」という質問に対して、具体的な答えを用意してください。

総合型選抜Ⅰ期（面接型）【課題・作品】

データサイエンス学科

出願書類の書き方

課題は2択。

①マンダラート型（推奨）：9×9マスの中央に大きな目標を置き、周囲の8マスに「その目標を達成するための要素」を記入、さらにその8マスそれぞれの周囲に「実現ステップ」を記入する思考フレームワークです。

4パターンから選択可：

• 大学入学後の目標：「AIに関する資格を取得する」→「機械学習の理論習得」「プログラミング言語習得」「データ分析実習」など
• データサイエンティスト目標：「某企業のDX推進を支援するDSになる」→「業界知識習得」「統計スキル」「コミュニケーション力」など
• 未来のあるべき姿：「貧困問題をデータ分析で解決する」→「経済統計の習得」「NGO連携」「提案型思考」など
• 自分をデータ化：「自分の活動時間をビジュアル化する」「自分の成長をグラフ化する」など

視覚的な説得力と、論理的な階層構造が重要。

手書き、パソコン、描画ツールなど、形式は自由です。

ただし「何を達成したいのか」「そのために何が必要か」の因果関係が明確に見えることが必須。

②IT作品型（プログラミング経験者向け）：

自分で作成したアプリ、ウェブサイト、スマートフォンアプリなどを提出。

言語・ツール・フレームワークは自由。

ChatGPT等のAIツール使用も認められています。

ただし、提出物はA4紙1枚の説明+URLまたはファイル。

その1枚で「何を作ったのか」「なぜ作ったのか」「技術的にどこが難しかったのか」「今後改善する点は」を簡潔に説明する必要があります。

共同製作物の場合、「自分の担当部分は何か」を明確に。

単なるコピー・改造ではなく「自分のオリジナル要素」が見える作品が高評価。

二次試験の対策

マンダラート選択者：「なぜその目標を選んだのか」「その目標は本当に実現可能か」「そのプロセスで何が最も難しいと思うか」という質問に、論理的に答える準備が必須。

また、マンダラートは「目標設定」の思考ツールなので、「この目標達成のために、大学入学後どんな勉強をするのか」まで答えられると説得力が高まります。

IT作品選択者：「このコードはどんな意味か」「なぜそのアルゴリズムを選んだのか」「ユーザーの立場に立つと、どこに改善の余地があるか」といった技術的・ユーザー視点の質問に答える準備が必須。

作品の背景にある「問題意識」を語れることが重要。

面接で問われること

• 選んだ課題・作品の背景にある思考プロセス
• データサイエンス分野への深い理解度
• 技術的課題を解決する能力（IT作品の場合）
• 現実的な目標設定能力（マンダラート選択の場合）

対策スケジュール

【P】マンダラート選択：目標を明確にし、その実現ステップを設計することが目標。

IT作品選択：実装可能なアプリ企画を練ることが目標。

【R】7月中にマンダラートまたはアプリ企画の初版を作成。

複数の先生に「目標設定が現実的か」「技術実装は可能か」を確認。

【E】8月中にマンダラート完成版またはIT作品をほぼ完成させる。

改善フィードバックを受けて修正。

【A】9月から面接対策として「なぜこの目標か」「なぜこの作品か」を1分で説明する練習を週3回実施。

対策期間は約3ヶ月。

プログラミング経験がない場合はマンダラート、経験がある場合はIT作品の選択を推奨。

総合型選抜Ⅱ期（基礎学力型・奨学金対象）

データサイエンス学科

出願書類の書き方

エントリーシート：データの価値を理解する視点

データサイエンス学科では、「データをどう活かして社会課題を解決するか」という問いへの回答が重視されます。

単なる「プログラミングに興味がある」「統計が好き」ではなく、具体的なデータ活用例（マーケティング分析、社会統計、予測モデルなど）を挙げ、その背景にある意思決定プロセスやビジネス価値を理解していることを示すことが効果的です。

例えば、「Eコマースの購買データから消費者ニーズを読み解き、商品企画に活かす仕組みに興味がある」というように、具体的な業務領域とデータ分析の結びつきを述べると説得力が生まれます。

また、高等学校での学習経験（表計算ソフトでのデータ処理、実験データの統計分析など）があれば記述し、データに対する初歩的な理解を示すことも評価につながります。

基礎学力検査の対策

英語（1時限）：データサイエンス領域の英語

機械学習、アルゴリズム、クラウドコンピューティングなど、データサイエンス関連の英語論文・記事を読む訓練が直結します。

「machine learning」「predictive analytics」などの専門用語の英語表現に慣れることで読解効率が上がります。

選択科目（2時限）：戦略的選択

国語を選ぶ場合、論説文・評論でビジネス、経営、データ活用に関するテーマが出題される可能性があります。

数学を選ぶ場合、確率・統計（分布、期待値、回帰分析）がデータサイエンスの基礎になるため、深い理解が有利です。

数学（3時限）：統計基礎の定着

データサイエンス学科の基礎は数学です。

特に平均値、分散、相関係数などの統計量と、それが意味する情報を深く理解することが重要です。

また、集合や論理の概念も、データベース設計やプログラミングの基礎になります。

面接で問われること

• データ分析への適性： 複雑なデータをどう解釈するか
• ビジネス思考： データ分析結果をビジネス判断にどう活かすか
• 問題解決能力： 与えられた課題をデータ分析で解く手段を考える力
• 学習意欲： プログラミング、機械学習などの技術習得への意欲
• 倫理観： プライバシー保護やデータ活用の倫理的課題への理解

対策スケジュール

7月〜9月（受験前4ヶ月）：

• 基礎学力検査の過去問演習
• エントリーシート初稿作成（具体的なデータ活用例とビジネス価値の結びつけ）
• データサイエンスの入門書を1冊読了（例：「データサイエンス超入門」）

10月（受験前2ヶ月）：

• 選択科目（国語または数学）の重点学習
• ビッグデータ、AI、プログラミングなど、データサイエンス関連のニュース・トレンドの定期学習
• 表計算ソフト（ExcelやGoogle Sheets）の使用経験を深める
• エントリーシート第2稿作成

11月（受験1ヶ月前）：

• 1次試験模試実施
• 統計学の基本概念（確率分布、仮説検定など）の習得
• Pythonなどのプログラミング言語の基本について学習（オンライン講座等を活用）
• 実際のデータセットを使った簡易的な分析練習

12月（2次試験直前）：

• 面接練習：データ分析課題への説明訓練
• 最新のデータサイエンス活用事例（企業の分析、社会調査など）の学習
• 心身の管理

総合型選抜Ⅰ期（面接型）【コンテスト・コンクール】

データサイエンス学科

出願書類の書き方

データサイエンス系コンテストは「成果物」が重要です。

【P】単なる「参加しました」では不十分。

コンテストのテーマ、自身の実装内容、得られた結果、改善点を具体的に記述します。

【R】説明文では、「使用した技術やアルゴリズム」「なぜそのアプローチを選んだか」「精度向上のための工夫」などを技術的に述べることで、実力を示します。

【E】「単なる参加」ではなく「学習・成長」を示す内容にすることが評価につながります。

【A】実績資料の整理に2週間、エントリーシート・説明文の作成に3週間をかけることを推奨します。

二次試験の対策

面接では「あなたのコードは本当に書いたのか」「技術的な理解度は」が問われます。

コンテスト作品の詳細なコード説明、アルゴリズムの選定理由、本番中の試行錯誤プロセスを説明できるよう準備してください。

また、「データサイエンスで何を成し遂げたいのか」という長期的な目標も述べられることが重要です。

面接で問われること

• コンテストのテーマと具体的な実装内容
• 選用した技術・ツール・言語の理由
• 得られた結果と評価
• 改善したいと思った点
• データサイエンス学科への志望理由・将来目標

対策スケジュール

• 7月末：コンテスト作品の整理・技術文書の作成
• 8月上旬：エントリーシート初稿・説明文作成
• 8月中旬：複数回の添削・技術的妥当性チェック
• 9月初旬：最終版完成・出願
• 10月上旬：データサイエンス・機械学習の最新動向習得
• 10月上旬：コード説明の反復練習（実際のコードを読みながら説明する）
• 10月中旬：面接モック（技術的詰問への対応）
• 10月19日：本番試験

​総合型選抜Ⅰ期（面接型）【フィールド・スタディーズ】

Q1: プログラミング経験がなくても受験できますか？

A: 受験は可能ですが、高校数学の確率統計についての理解は必須です。

入学までに基礎的なプログラミング（Python等）を学習しておくことをお勧めします。

Q2: 面接でプログラミングやSQL、機械学習について詳しく聞かれますか？

A: 高度な技術的質問よりも、「なぜデータサイエンスなのか」「データで何がしたいのか」という動機と視点が中心です。

ただし基本用語の理解は持っておいた方が良いでしょう。

Q3: 倍率1.5倍から1.6倍は難易度としてどの程度ですか？

A: 比較的狭き門ですが、データサイエンスへの明確な関心と数学基礎があれば、合格は十分可能です。

面接での準備を確実に行うことが重要です。

Q4: 統計学の専門知識まで必要ですか？

A: 高校数学の確率統計の範囲で大丈夫です。

大学でじっくり学ぶものなので、完全な専門知識は要求されません。

Q5: フィールド・スタディーズでデータ分析的なプロジェクトをしていなくても大丈夫ですか？

A: もちろん大丈夫です。

どんな経験でも「そこからデータとして何が読み取れるか」という観点で、データサイエンス的な思考を示すことができれば評価されます。

総合型選抜Ⅰ期（面接型）【課題・作品】

Q1. マンダラートって何ですか？

大谷翔平が使っていた目標設定フレームワークです。

9×9マスの中央に「最終目標」を置き、その周囲8マスに「達成のための8つの要素」、さらにその8マスそれぞれの周囲に「具体的なアクション」を記入します。

階層的思考の可視化ができるため、マネジメント・起業家育成で広く使われています。

YouTubeで「マンダラート 書き方」と検索すればテンプレートが見つかります。

Q2. マンダラートとIT作品、どちらを選ぶべきですか？

プログラミング経験がある→IT作品推奨（技術的な深さが評価される）

プログラミング経験がない→マンダラート推奨（思考の論理性が評価される）

ただし「自分が作りたいと思う作品がある」なら、プログラミングを学んでIT作品に挑戦するのも一つの選択肢。

Q3. IT作品で、既存サービス（ChatGPT、ノーコードツール）を使ってもいいですか？

はい、オープンソースやノーコードツール使用は認められています。

ただし「何が自分のオリジナルか」「そのツールを選んだ理由は何か」が説明できることが必須。

完全なコピーは避け、何らかのカスタマイズ・独自要素を組み込むことが重要。

Q4. 倍率が1.6→1.5倍ですが、データサイエンス学部は入りやすいですか？

倍率は標準的です。

ただしデータサイエンス学部は「技術的な基礎」が必要な分、入試でも理系知識が問われる傾向があります。

倍率より「自分が提出する課題・作品の説得力」が合否を決定します。

Q5. マンダラートを手書きしたい場合、見た目の美しさは評価されますか？

内容の論理性が最優先。

見た目より「なぜその8要素を選んだのか」「各要素の実現ステップは現実的か」が重視されます。

ただし「読みやすさ」は大事。

デジタルで作成する方が、フォント・レイアウトで見やすさを確保しやすいです。

総合型選抜Ⅱ期（基礎学力型・奨学金対象）

Q1. プログラミングの経験がなくても対策可能ですか？

A. 可能です。

ただし、大学進学後はプログラミング技術が必須になるため、入試までにPythonなど簡単な言語に触れることで、学習への準備度が示され、面接でも説得力が生まれます。

無料のオンライン学習サイト（Progate、Codecademyなど）を活用すれば、初心者でも基本は習得できます。

Q2. 統計が得意でない場合、合格は難しいですか？

A. 合格は可能です。

1次試験では3科目の合計評価のため、国語や英語で高得点を取ることで補完できます。

ただし、統計概念（平均値、分散、相関）は大学での基礎になるため、入試までに基本は理解しておくことが実践的です。

Q3. 「プログラミングに興味がある」と面接で述べても大丈夫ですか？

A. それだけでは不十分です。

「プログラミングで何を実現したいのか」「データ分析を通じてどう社会に貢献するのか」という目的意識が問われます。

具体的な業務領域（マーケティング、医療、環境問題など）でのデータ活用を想定した回答が評価されます。

Q4. データサイエンス学部と工学部（数理工学科）、どちらを選ぶべきですか？

A. 数理工学科は「数学・物理の理論研究」、データサイエンス学科は「ビジネス・社会課題へのデータ活用」が中心です。

自分の興味（理論 vs. 実践）で判断してください。

Q5. 面接で最新のAI技術についての知識を聞かれますか？

A. 直接的には少ないですが、「データサイエンスのトレンドに関心があるか」という問いの中で、ChatGPTなどの生成AIへの見方を聞かれる可能性があります。

「便利だから使う」ではなく、「倫理的課題を理解した上で活用する」という思慮深い回答が評価されます。

総合型選抜Ⅰ期（面接型）【コンテスト・コンクール】

Q. Kaggleで初心者向けコンペに参加しましたが、ランキング下位でも出願できますか？

A. 出願要件は「エントリーしたことを証明できる」ことです。

順位は問いません。

ただし、「入賞」を謳うなら、それなりの成績（例：上位10%など）が必要です。

「参加した」と「入賞した」は区別して記述してください。

評価は「参加」でもされますが、「自分は何を学んだか」が重要です。

Q. チーム参加のコンテストの場合、個人の貢献をどうアピールしたらいいですか？

A. チーム成果と「あなたの役割」を明確に分けて述べてください。

「私はデータ前処理とモデル構築を担当し、精度向上に×%貢献した」というように、具体的に自分の仕事を特定します。

フレームワークを使っただけ、指導されたままに実装しただけ、では弱いです。

「なぜそのアプローチを選んだか」という自分の判断が見えることが大切です。

Q. ハッカソンやロボコンなどの非データサイエンス系コンテストでもいいですか？

A. 対象です。

出願要件には「Kaggle、SIGNATE等のデータサイエンス・コンペティションにエントリーした者」と並んで「ロボコン、ハッカソン等にエントリーした者」が明記されています。

ただし、「数値解析やデータ処理の要素がある」「AIやプログラミングの応用がある」など、データサイエンスと関連のあるテーマが望ましいです。

Q. 複数のコンテストに参加した場合、全て説明する必要がありますか？

A. 全て列挙する必要はありませんが、「最も成果を挙げたもの」または「データサイエンス学科での学習と関連性が高いもの」を2～3個厳選して説明することをお勧めします。

複数の実績を羅列するより、1つ1つを深く説明する方が技術的理解度が伝わります。

エントリーシートではスペース制限もあるため、戦略的に記述してください。

Q. 参加したコンテストのサイトが閉鎖されてしまいました。どう証明したらいいですか？

A. 参加証明書、修了証、成績通知メール、SNS投稿のスクリーンショットなど、参加・実績を示す他の書類で対応してください。

スクリーンショットには日付情報が含まれていることが望ましいです。

また、出願時に状況を簡潔に説明する一文を添えると、審査官の理解が深まります。

Q. AI・機械学習の知識はまだ浅いのですが、これからの学習意欲をアピールできますか？

A. もちろんです。

重要なのは「現在の技術力」より「学習欲」と「課題解決への姿勢」です。

「コンテストを通じて○○という課題に気づき、大学でさらに深く学びたい」という動機が明確であれば、高い評価につながります。

ただし、技術的な誤解や浅い理解は避け、「今は未熟だが成長する意志がある」という誠実さが伝わることが大切です。

武蔵野大学データサイエンス学部の総合型選抜入試について、重要なポイントを振り返ります。

• 出願基準：学科ごとに評定平均・英語資格・欠席日数などの条件が異なるため、志望学科の募集要項を必ず個別に確認すること
• 出願書類：志望理由書・活動報告書では「なぜ武蔵野大学のデータサイエンス学部でなければならないか」という具体的な根拠が問われる。書類の完成度が合否を大きく左右する
• 二次試験：面接・小論文では自身の経験と将来像を論理的に語る力が評価される。繰り返しの練習が不可欠
• スケジュール：出願締切から逆算して準備を進めること。書類と試験対策を並走させる計画が合格への鍵

総合型選抜入試で合格する人材像

この入試で合格をつかむのは、「なぜこの学科でなければならないのか」を自分の言葉で語れる受験生です。

学力だけでなく、高校時代の活動や経験を学科の学びと結びつけて表現できること、そして面接や書類を通じて大学で何を実現したいかを具体的に示せることが求められます。

データサイエンス学部を目指すあなたへ：総合型選抜入試は、あなた自身の想いや経験を直接伝えられる入試です。

「なぜ武蔵野大学のデータサイエンス学部でなければならないのか」という問いに、自分の言葉で答えられるよう準備を進めてください。

応援しています。