▶ 株式会社オルツの特許一覧 ▶ カン ホースーンの特許一覧
特開2022-32935アンケート調査のためのシステム、プログラム、および方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022032935
(43)【公開日】2022-02-25
(54)【発明の名称】アンケート調査のためのシステム、プログラム、および方法
(51)【国際特許分類】
G06Q 50/10 20120101AFI20220217BHJP
【ＦＩ】
G06Q50/10
【審査請求】有
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2021032842
(22)【出願日】2021-03-02
(31)【優先権主張番号】P 2020137016
(32)【優先日】2020-08-14
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】515018091
【氏名又は名称】株式会社オルツ
(71)【出願人】
【識別番号】518143369
【氏名又は名称】カン ホースーン
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100107489
【弁理士】
【氏名又は名称】大塩 竹志
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(74)【代理人】
【識別番号】100181674
【弁理士】
【氏名又は名称】飯田 貴敏
(74)【代理人】
【識別番号】100181641
【弁理士】
【氏名又は名称】石川 大輔
(74)【代理人】
【識別番号】230113332
【弁護士】
【氏名又は名称】山本 健策
(72)【発明者】
【氏名】カン ホースーン
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049CC11
(57)【要約】 （修正有）
【課題】デジタルクローンアンケート調査を実現可能な、アンケート調査のためのシステム等を提供する。
【解決手段】アンケート調査のためのシステムにおけるプロセッサ部１２０は、受信手段１２１と、複数のパーソナライズドＡＩ（ＰＡＩ１～ＰＡＩＭ）を有する回答生成手段１２２と、集計手段１２３と、を備える。受信手段１２１は、アンケート調査のための質問を受信する。回答生成手段１２２のパーソナライズドＡＩの各々は、受信した質問に対して回答を出力する。集計手段１２３は、複数のパーソナライズドＡＩの各々からの出力を集計する。
【選択図】図４Ａ
【解決手段】アンケート調査のためのシステムにおけるプロセッサ部１２０は、受信手段１２１と、複数のパーソナライズドＡＩ（ＰＡＩ１～ＰＡＩＭ）を有する回答生成手段１２２と、集計手段１２３と、を備える。受信手段１２１は、アンケート調査のための質問を受信する。回答生成手段１２２のパーソナライズドＡＩの各々は、受信した質問に対して回答を出力する。集計手段１２３は、複数のパーソナライズドＡＩの各々からの出力を集計する。
【選択図】図４Ａ
【特許請求の範囲】
【請求項1】
アンケート調査のためのシステムであって、
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備えるシステム。
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備えるシステム。
【請求項2】
前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、請求項１に記載のシステム。
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、請求項１に記載のシステム。
【請求項3】
前記複数のパーソナライズドＡＩの各々は、相互に異なる個人の表現を学習しており、前記複数のパーソナライズドＡＩの各々は、前記学習した個人の表現に従って、文章を生成することが可能であり、
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
請求項２に記載のシステム。
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
請求項２に記載のシステム。
【請求項4】
文章に込められた感情を認識することが可能な感情認識手段をさらに備え、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
請求項３に記載のシステム、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
請求項３に記載のシステム、
【請求項5】
前記感情認識手段は、
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
請求項４に記載のシステム。
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
請求項４に記載のシステム。
【請求項6】
前記複数のパーソナライズドＡＩの各々は、前記個人の表現の偏りを是正することなく、前記個人の表現を学習している、請求項３～５のいずれか一項に記載のシステム。
【請求項7】
前記個人の表現は、実在する個人による表現である、請求項６に記載のシステム。
【請求項8】
前記個人の表現は、仮想的な個人による表現である、請求項６に記載のシステム。
【請求項9】
アンケート調査のための方法であって、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含む方法。
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含む方法。
【請求項10】
アンケート調査のためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせる、プログラム。
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせる、プログラム。
【請求項11】
個人の表現を学習したパーソナライズドＡＩを作成する方法であって、
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
【請求項12】
質問に対して回答を出力可能なパーソナライズドＡＩを作成する方法であって、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
【請求項13】
前記複数の個人の表現は、
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、請求項１２に記載の方法。
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、請求項１２に記載の方法。
【請求項14】
前記少なくとも１つの仮想的なライフログは、少なくとも１つのパーソナライズドＡＩから生成されている、請求項１３に記載の方法。
【請求項15】
前記１つの学習済モデルを決定することは、前記個人が回答した結果に最も近い回答を出力する１つの学習済モデルを決定することを含む、請求項１２～１４のいずれか一項に記載の方法。
【請求項16】
前記１つの学習済モデルを決定することは、
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、請求項１２～１５のいずれか一項に記載の方法。
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、請求項１２～１５のいずれか一項に記載の方法。
【請求項17】
前記１つの学習済モデルを決定することは、
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、請求項１６に記載の方法。
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、請求項１６に記載の方法。
【請求項18】
前記所定の条件は、前記複数の学習済モデルから出力された複数の回答および前記少なくとも１つの第２の学習済モデルから出力された回答のうちのいずれか１つと、前記個人が回答した結果との類似度が所定の閾値を超えることを含む、請求項１７に記載の方法。
【請求項19】
前記複数のパーソナライズドＡＩは、請求項１１～１７に記載の方法に従って作成されたパーソナライズドＡＩを含む、請求項１～８のいずれか一項に記載のシステム。
【請求項20】
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのシステムであって、
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
【請求項21】
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、アンケート調査のためのシステム、プログラム、および方法に関し、より具体的には、複数のパーソナライズドＡＩを利用した、アンケート調査のためのシステム、プログラム、および方法に関する。本発明は、さらに、パーソナライズドＡＩを作成するための方法等にも関する。より具体的には、質問に対して回答を出力可能なパーソナライズドＡＩを作成する方法等に関する。
【背景技術】
【0002】
従来から、アンケート調査のためには、複数の人物に回答させ、回答を集計するという作業が必要であった。例えば、特許文献１は、アンケート参加メンバーにインターネットを介してアンケートに回答させるシステムを開示している。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－１２５１１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、デジタルクローンアンケート調査を実現可能な、アンケート調査のためのシステム等を提供することを目的とする。さらには、本発明は、アンケート調査のためのシステム等に用いることができるパーソナライズドＡＩを作成するための方法等を提供することを目的とする。
【課題を解決するための手段】
【0005】
一実施形態において、本発明は、例えば、以下の項目を提供する。
（項目１）
アンケート調査のためのシステムであって、
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備えるシステム。
（項目２）
前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、項目１に記載のシステム。
（項目３）
前記複数のパーソナライズドＡＩの各々は、相互に異なる個人の表現を学習しており、前記複数のパーソナライズドＡＩの各々は、前記学習した個人の表現に従って、文章を生成することが可能であり、
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
項目２に記載のシステム。
（項目４）
文章に込められた感情を認識することが可能な感情認識手段をさらに備え、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
項目３に記載のシステム、
（項目５）
前記感情認識手段は、
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
項目４に記載のシステム。
（項目６）
前記複数のパーソナライズドＡＩの各々は、前記個人の表現の偏りを是正することなく、前記個人の表現を学習している、項目３～５のいずれか一項に記載のシステム。
（項目７）
前記個人の表現は、実在する個人による表現である、項目６に記載のシステム。
（項目８）
前記個人の表現は、仮想的な個人による表現である、項目６に記載のシステム。
（項目９）
アンケート調査のための方法であって、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含む方法。
（項目１０）
アンケート調査のためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせる、プログラム。
（項目１１）
個人の表現を学習したパーソナライズドＡＩを作成する方法であって、
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
（項目１２）
質問に対して回答を出力可能なパーソナライズドＡＩを作成する方法であって、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
（項目１３）
前記複数の個人の表現は、
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、項目１２に記載の方法。
（項目１４）
前記少なくとも１つの仮想的なライフログは、少なくとも１つのパーソナライズドＡＩから生成されている、項目１３に記載の方法。
（項目１５）
前記１つの学習済モデルを決定することは、前記個人が回答した結果に最も近い回答を出力する１つの学習済モデルを決定することを含む、項目１２～１４のいずれか一項に記載の方法。
（項目１６）
前記１つの学習済モデルを決定することは、
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、項目１２～１５のいずれか一項に記載の方法。
（項目１７）
前記１つの学習済モデルを決定することは、
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、項目１６に記載の方法。
（項目１８）
前記所定の条件は、前記複数の学習済モデルから出力された複数の回答および前記少なくとも１つの第２の学習済モデルから出力された回答のうちのいずれか１つと、前記個人が回答した結果との類似度が所定の閾値を超えることを含む、項目１７に記載の方法。
（項目１９）
前記複数のパーソナライズドＡＩは、項目１１～１７に記載の方法に従って作成されたパーソナライズドＡＩを含む、項目１～８のいずれか一項に記載のシステム。
（項目２０）
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのシステムであって、
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
（項目２１）
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目１）
アンケート調査のためのシステムであって、
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備えるシステム。
（項目２）
前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、項目１に記載のシステム。
（項目３）
前記複数のパーソナライズドＡＩの各々は、相互に異なる個人の表現を学習しており、前記複数のパーソナライズドＡＩの各々は、前記学習した個人の表現に従って、文章を生成することが可能であり、
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
項目２に記載のシステム。
（項目４）
文章に込められた感情を認識することが可能な感情認識手段をさらに備え、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
項目３に記載のシステム、
（項目５）
前記感情認識手段は、
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
項目４に記載のシステム。
（項目６）
前記複数のパーソナライズドＡＩの各々は、前記個人の表現の偏りを是正することなく、前記個人の表現を学習している、項目３～５のいずれか一項に記載のシステム。
（項目７）
前記個人の表現は、実在する個人による表現である、項目６に記載のシステム。
（項目８）
前記個人の表現は、仮想的な個人による表現である、項目６に記載のシステム。
（項目９）
アンケート調査のための方法であって、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含む方法。
（項目１０）
アンケート調査のためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせる、プログラム。
（項目１１）
個人の表現を学習したパーソナライズドＡＩを作成する方法であって、
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
（項目１２）
質問に対して回答を出力可能なパーソナライズドＡＩを作成する方法であって、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
（項目１３）
前記複数の個人の表現は、
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、項目１２に記載の方法。
（項目１４）
前記少なくとも１つの仮想的なライフログは、少なくとも１つのパーソナライズドＡＩから生成されている、項目１３に記載の方法。
（項目１５）
前記１つの学習済モデルを決定することは、前記個人が回答した結果に最も近い回答を出力する１つの学習済モデルを決定することを含む、項目１２～１４のいずれか一項に記載の方法。
（項目１６）
前記１つの学習済モデルを決定することは、
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、項目１２～１５のいずれか一項に記載の方法。
（項目１７）
前記１つの学習済モデルを決定することは、
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、項目１６に記載の方法。
（項目１８）
前記所定の条件は、前記複数の学習済モデルから出力された複数の回答および前記少なくとも１つの第２の学習済モデルから出力された回答のうちのいずれか１つと、前記個人が回答した結果との類似度が所定の閾値を超えることを含む、項目１７に記載の方法。
（項目１９）
前記複数のパーソナライズドＡＩは、項目１１～１７に記載の方法に従って作成されたパーソナライズドＡＩを含む、項目１～８のいずれか一項に記載のシステム。
（項目２０）
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのシステムであって、
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
（項目２１）
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
【発明の効果】
【0006】
本発明によれば、複数のパーソナライズドＡＩを利用した、アンケート調査のためのシステム等を提供することができ、これらのシステム等により、デジタルクローンアンケート調査を実現することができる。これにより、複数の人物に回答させる従来のアンケート調査に比べて、高速かつ低価格でアンケート調査を行うことができるようになる。
【図面の簡単な説明】
【0007】
【図1A】複数の人物にアンケートを回答させる従来のアンケート調査のためのシステムＳによる従来のアンケート調査の手法の流れの一例を示す図
【図1B】本発明によるデジタルクローンアンケート調査の手法の一例を示す図
【図2A】本発明によるデジタルクローンアンケート調査のためのユーザインターフェースの一例を示す図
【図2B】本発明によるデジタルクローンアンケート調査のためのユーザインターフェースの一例を示す図
【図2C】本発明によるデジタルクローンアンケート調査のためのユーザインターフェースの一例を示す図
【図3】アンケート調査のためのシステム１００の構成の一例を示す図
【図4A】プロセッサ部１２０の構成の一例を示す図
【図4B】プロセッサ部１２０の代替実施形態であるプロセッサ部１２０’の一例を示す図
【図5】アンケート調査のためのシステム１００による処理の一例（処理５００）を示すフローチャート
【図6】処理５００におけるステップＳ５０２の詳細なフローを示すフローチャート
【図7】アンケート調査のためのシステム１００による処理の別の一例（処理７００）を示すフローチャート
【図8】アンケート調査のためのシステム１００による処理の別の一例（処理８００）を示すフローチャート
【図9】実在する個人の情報を利用して、パーソナライズドＡＩを作成するためのフロー９００の一例の概念図
【図10】実在しない仮想的な個人の情報を利用して、パーソナライズドＡＩを作成するためのフロー１０００の一例の概念図
【図11】アンケート調査のためのシステム１００による処理の別の一例（処理１１００）を示すフローチャート
【図12A】処理１１００におけるステップＳ１１０５の具体的なステップの一例を示すフローチャート
【図12B】処理１１００におけるステップＳ１１０５の具体的なステップの別の一例を示すフローチャート
【発明を実施するための形態】
【0008】
以下、図面を参照しながら、本発明の実施の形態を説明する。
【0009】
１．デジタルクローンアンケート調査
図１Ａは、複数の人物にアンケートを回答させる従来のアンケート調査の手法の流れの一例を示す。図１Ａに示される例では、従来のアンケート調査のためのシステムＳを利用してアンケート調査が行われることを説明する。
図１Ａは、複数の人物にアンケートを回答させる従来のアンケート調査の手法の流れの一例を示す。図１Ａに示される例では、従来のアンケート調査のためのシステムＳを利用してアンケート調査が行われることを説明する。
【0010】
ステップＳ１では、質問者Ｑが、システムＳに質問を入力する。質問者Ｑは、例えば、自身の情報端末に質問を入力することによって、情報端末を介してシステムＳに質問を入力することができる。システムＳは、質問を受信すると、複数の回答者Ｒ１～ＲＭのそれぞれに質問に対して回答させるために、複数の回答者Ｒ１～ＲＭのそれぞれに質問を送信する。本明細書では、「Ｍ」、「ｍ」、「Ｎ」、「ｎ」等の単一の英文字は、別様に示さない限り、２以上の整数を意味する。
【0011】
ステップＳ２では、複数の回答者Ｒ１～ＲＭのそれぞれが、システムＳから質問を受け取る。複数の回答者Ｒ１～ＲＭのそれぞれは、例えば、自身の情報端末を介して質問を受信することができる。
【0012】
ステップＳ３では、複数の回答者Ｒ１～ＲＭのそれぞれが、質問に対する回答をシステムＳに入力する。複数の回答者Ｒ１～ＲＭのそれぞれは、例えば、質問に対する回答を自身の情報端末に入力することによって、情報端末を介してシステムＳに回答を入力することができる。
【0013】
システムＳは、複数の回答者Ｒ１～ＲＭのそれぞれから回答を受信すると、それぞれの回答を集計する。
【0014】
ステップＳ４では、システムＳが、集計された回答を質問者Ｑに提供する。質問者Ｑは、例えば、自身の情報端末を介して集計された回答を受信することができる。これにより、質問者Ｑは、質問に対するアンケート調査の結果を得ることができる。
【0015】
このように、従来のアンケート調査の手法では、各回答者に質問を回答させる必要があり、これは、時間および費用がかかる。特に、回答者の数が増えるほど、結果を得るために必要な時間および費用は大きくなる。
【0016】
本発明の発明者は、従来のアンケート調査に取り代わる新たなアンケート調査の手法を開発した。それは、人間の代わりに質問に対して回答する「デジタルクローン」を利用する、デジタルクローンアンケート調査である。「デジタルクローン」は、個人の情報、例えば、個人の行動や思想を学習することにより、その人らしい活動をすることが可能な「パーソナライズドＡＩ」によって実現され得る。ここで、個人の情報は、実在する人物の情報であってもよいし、実在しない仮想的な人物の情報であってもよい。例えば、実在する人物から得られた情報を学習した「パーソナライズドＡＩ」は、よりその人物らしい活動をすることが可能である。例えば、実在する人物から得られた情報が利用可能でない場合であっても、仮想的な人物の情報を利用することにより、パーソナライズドＡＩが構築され得る。
【0017】
図１Ｂは、本発明によるデジタルクローンアンケート調査の手法の一例を示す。図１Ｂに示される例では、複数の「パーソナライズドＡＩ」にアンケートを回答させることによって得られた回答を集計し、集計された結果をアンケート調査の結果として質問者に示す。
【0018】
ステップＳ１１では、質問者Ｑが、システム１００に質問を入力する。質問者Ｑは、例えば、自身の情報端末に質問を入力することによって、情報端末を介してシステム１００に質問を入力することができる。
【0019】
ステップＳ１２では、システム１００において、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭのそれぞれに質問を提供する。複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭは、それぞれ異なる個人の情報を学習したＡＩ（人工知能）である。複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭに質問すると、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭのそれぞれは、その質問に対する回答を出力することができる。
【0020】
ステップＳ１３では、システム１００において、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭのそれぞれが質問に対する回答を出力する。
【0021】
ステップＳ１４では、システム１００が、集計された回答を質問者Ｑに提供する。質問者Ｑは、例えば、自身の情報端末を介して集計された回答を受信することができる。これにより、質問者Ｑは、質問に対するアンケート調査の結果を得ることができる。
【0022】
このように、本発明によるデジタルクローンアンケート調査では、複数の回答者の代わりに複数のパーソナライズドＡＩが質問に対して回答するため、結果を得るために必要な時間および費用を大きく削減することができる。これにより、例えば、アンケート調査に対するハードルを低くすることができ、多種多様な分野におけるアンケート調査の利用が促進される。
【0023】
図２Ａ～図２Ｃは、本発明によるデジタルクローンアンケート調査のためのユーザインターフェースの一例を示す。図２Ａ～図２Ｃに示されるユーザインターフェースは、例えば、質問者Ｑの情報端末の表示部に表示される。図２Ａ～図２Ｃに示されるユーザインターフェースは、例えば、Ｗｅｂアプリケーションによって質問者Ｑの情報端末に表示される画面であってもよいし、質問者Ｑの情報端末にインストールされたアプリケーションによって質問者Ｑの情報端末に表示される画面であってもよい。
【0024】
図２Ａは、デジタルクローンアンケート調査のための質問入力画面１０の一例を示す。
【0025】
質問入力画面１０は、質問入力部１１と、調査詳細設定ボタン１２と、見積額表示部１３と、ＡＳＫボタン１４とを備えている。
【0026】
質問者Ｑは、質問入力部１１に質問を入力することができる。質問の入力の仕方は問わない。例えば、キーボード等を介してテキストベースで質問を入力するようにしてもよいし、マイク等を介して音声ベースで質問を入力するようにしてもよい。
【0027】
調査詳細設定ボタン１２は、アンケート調査のための詳細を設定するときに選択されるボタンであり、調査詳細設定ボタン１２が選択されると、図１Ｂに示される調査詳細設定部１５が展開される。
【0028】
見積額表示部１３には、アンケート調査のための見積額が表示される。見積額は、例えば、アンケート調査のための詳細に応じて変動し得る。
【0029】
ＡＳＫボタン１４は、アンケート調査を開始するためのボタンであり、ＡＳＫボタン１４が選択されると、デジタルクローンアンケート調査が開始され、デジタルクローンアンケート調査が完了した後、図２Ｃの結果表示画面２０に遷移する。
【0030】
図２Ｂは、調査詳細設定部１５が展開された質問入力画面１０の一例を示す。
【0031】
質問者Ｑは、調査詳細設定部１５に調査の詳細を入力することができる。質問の入力の仕方は問わない。例えば、キーボード等を介してテキストベースで調査の詳細を入力するようにしてもよいし、マイク等を介して音声ベースで調査の詳細を入力するようにしてもよいし、複数の選択肢の中から調査の詳細を選択するようにしてもよい。図２Ｂに示される例では、調査のための詳細として、アンケート調査の対象者のサンプル数、アンケート調査の精度、アンケート調査の対象者の性別、アンケート調査の対象者の年齢を設定することができる。他の任意の事項を調査のための詳細として設定することができる。
【0032】
図２Ｃは、デジタルクローンアンケート調査による回答表示画面２０の一例を示す。
【0033】
結果表示画面２０には、デジタルクローンアンケート調査による結果が表示される。結果表示画面２０は、条件表示部２１と、結果表示部２２と、所要時間表示部２３と、グラフ表示部２４と、Ｎｅｘｔ Ｑｕｅｓｔｉｏｎボタン２５とを備えている。
【0034】
条件表示部２１には、デジタルクローンアンケート調査が行われた条件が表示される。図２Ｃに示される例では、１万人の２０～２５歳の女性を対象としたアンケート調査であったため、その条件が条件表示部２１に表示されている。
【0035】
回答表示部２２には、デジタルクローンアンケート調査の結果がテキストで表示される。図２Ｃに示される例では、「次期大統領選で、○○氏を支持しますか？」という質問に対して、４０００人が支持すると回答し、６０００人が支持しないと回答したという結果が表示されている。
【0036】
所要時間表示部２３には、デジタルクローンアンケート調査のために要した時間が表示される。図２Ｃに示される例では。所要時間が１００秒であったことが表示されている。
【0037】
グラフ表示部２４には、デジタルクローンアンケート調査の結果がグラフで表示される。図２Ｃに示される例では、円グラフで、デジタルクローンアンケート調査の結果が表示されている。グラフ表示部２４には、他の任意の形式のグラフで、デジタルクローンアンケート調査の結果を表示することができる。
【0038】
Ｎｅｘｔ Ｑｕｅｓｔｉｏｎボタン２５は、次の質問でのデジタルクローンアンケート調査に進むためのボタンである。例えば、Ｎｅｘｔ Ｑｕｅｓｔｉｏｎボタン２５が選択されると、質問入力画面１０に遷移する。
【0039】
このように、質問者Ｑは、アンケート調査のための質問を質問入力画面１０に入力するだけで、その質問に対するアンケート調査の結果を得ることができる。
【0040】
上述したシステム１００は、後述するアンケート調査のためのシステムによって達成され得る。アンケート調査のためのシステムは、複数のパーソナライズドＡＩを利用する。
【0041】
２．アンケート調査のためのシステムの構成
図３は、アンケート調査のためのシステム１００の構成の一例を示す。
図３は、アンケート調査のためのシステム１００の構成の一例を示す。
【0042】
システム１００は、データベース部２００に接続されている。また、システム１００は、少なくとも１つの端末装置３００にネットワーク４００を介して接続されている。
【0043】
なお、図３では、３つの端末装置３００が示されているが、端末装置３００の数はこれに限定されない。任意の数の端末装置３００が、ネットワーク４００を介してシステム１００に接続され得る。
【0044】
ネットワーク４００は、任意の種類のネットワークであり得る。ネットワーク４００は、例えば、インターネットであってもよいし、ＬＡＮであってもよい。ネットワーク４００は、有線ネットワークであってもよいし、無線ネットワークであってもよい。
【0045】
システム１００の一例は、デジタルクローンアンケート調査のためサービスを提供するサービスプロバイダに設置されているコンピュータ（例えば、サーバ装置）であるが、これに限定されない。端末装置３００の一例は、質問者が利用するコンピュータ（例えば、端末装置）であるが、これに限定されない。ここで、コンピュータ（サーバ装置または端末装置）は、任意のタイプのコンピュータであり得る。例えば、端末装置は、スマートフォン、タブレット、パーソナルコンピュータ、スマートグラス、スマートウォッチ等の任意のタイプの端末装置であり得る。
【0046】
システム１００は、インターフェース部１１０と、プロセッサ部１２０と、メモリ１３０部とを備える。
【0047】
インターフェース部１１０は、システム１００の外部と情報のやり取りを行う。システム１００のプロセッサ部１２０は、インターフェース部１１０を介して、システム１００の外部から情報を受信することが可能であり、システム１００の外部に情報を送信することが可能である。インターフェース部１１０は、任意の形式で情報のやり取りを行うことができる。
【0048】
インターフェース部１１０は、例えば、システム１００に情報を入力することを可能にする入力部を備える。入力部が、どのような態様でシステム１００に情報を入力することを可能にするかは問わない。例えば、入力部がタッチパネルである場合には、ユーザがタッチパネルにタッチすることによって情報を入力するようにしてもよい。あるいは、入力部がマウスである場合には、ユーザがマウスを操作することによって情報を入力するようにしてもよい。あるいは、入力部がキーボードである場合には、ユーザがキーボードのキーを押下することによって情報を入力するようにしてもよい。あるいは、入力部がマイクである場合には、ユーザがマイクに音声を入力することによって情報を入力するようにしてもよい。あるいは、入力部がカメラである場合には、カメラが撮像した情報を入力するようにしてもよい。あるいは、入力部がデータ読み取り装置である場合には、システム１００に接続された記憶媒体から情報を読み取ることによって情報を入力するようにしてもよい。あるいは、入力部が受信器である場合、受信器がネットワークを介してシステム１００の外部から情報を受信することにより入力してもよい。この場合、ネットワークの種類は問わない。例えば、受信器は、インターネットを介して情報を受信してもよいし、ＬＡＮを介して情報を受信してもよい。
【0049】
例えば、インターフェース部１１０の入力部は、端末装置からアンケート調査のための質問を受信し得る。アンケート調査のための質問は、例えば、テキストベースの質問であってもよいし、音声ベースの質問であってもよい。
【0050】
例えば、インターフェース部１１０の入力部は、過去に行われたアンケート調査の結果を受信し得る。過去に行われたアンケート調査の結果は、例えば、端末装置から受信されてもよいし、データベース部２００から受信されてもよいし、他の場所から受信されてもよい。過去に行われたアンケート調査は、例えば、多肢選択式のアンケート調査であってもよいし、記述式または論述式のアンケート調査であってもよい。
【0051】
インターフェース部１１０は、例えば、システム１００から情報を出力することを可能にする出力部を備える。出力部が、どのような態様でシステム１００から情報を出力することを可能にするかは問わない。例えば、出力部が表示画面である場合、表示画面に情報を出力するようにしてもよい。あるいは、出力部がスピーカである場合には、スピーカからの音声によって情報を出力するようにしてもよい。あるいは、出力部がデータ書き込み装置である場合、システム１００に接続された記憶媒体に情報を書き込むことによって情報を出力するようにしてもよい。あるいは、出力部が送信器である場合、送信器がネットワークを介してシステム１００の外部に情報を送信することにより出力してもよい。この場合、ネットワークの種類は問わない。例えば、送信器は、インターネットを介して情報を送信してもよいし、ＬＡＮを介して情報を送信してもよい。
【0052】
例えば、インターフェース部１１０の出力部は、端末装置に、アンケート調査の結果を送信し得る。
【0053】
プロセッサ部１２０は、システム１００の処理を実行し、かつ、システム１００全体の動作を制御する。プロセッサ部１２０は、メモリ部１３０に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、システム１００を所望のステップを実行するシステムとして機能させることが可能である。プロセッサ部１２０は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。
【0054】
メモリ部１３０は、システム１００の処理を実行するために必要とされるプログラムやそのプログラムの実行に必要とされるデータ等を格納する。メモリ部１３０は、アンケート調査のための処理をプロセッサ部１２０に行わせるためのプログラム（例えば、後述する図５～７に示される処理を実現するプログラム）および／またはパーソナライズドＡＩを作成するための処理をプロセッサ部１２０に行わせるためのプログラム（例えば、後述する図８、図１１、図１２Ａ、図１２Ｂに示される処理を実現するプログラム）を格納してもよい。ここで、プログラムをどのようにしてメモリ部１３０に格納するかは問わない。例えば、プログラムは、メモリ部１３０にプリインストールされていてもよい。あるいは、プログラムは、ネットワークを経由してダウンロードされることによってメモリ部１３０にインストールされるようにしてもよい。この場合、ネットワークの種類は問わない。メモリ部１３０は、任意の記憶手段によって実装され得る。
【0055】
データベース部２００には、例えば、パーソナライズドＡＩを作成するためのデータが格納される。パーソナライズドＡＩは、個人の情報を学習することにより、その人らしい活動をすることが可能なＡＩである。例えば、パーソナライズドＡＩは、個人の表現を学習し、その個人の表現に従って文章を生成することが可能なパーソナライズド文章生成モデルであり得る。例えば、データベース部２００には、パーソナライズドＡＩを作成するためのデータとして、プロンプト（文章の書き出し）を入力すると、その続きの文章を生成することが可能な文章生成モデルと、個人の表現を学習するためのアルゴリズムと、学習に用いられる個人の表現とが格納され得る。ここで、個人の情報は、実在する人物の情報であってもよいし、実在しない仮想的な人物の情報であってもよい。個人の情報が仮想的な人物の情報である場合、個人の情報は、人間が理解可能な情報である必要はない。仮想的な人物の情報は、例えば、意味を持たない文字または記号の羅列であってもよい。学習に用いられる個人の情報は、例えば、ライフログに含まれる情報であり得る。ライフログは、実在する人物のライフログであってもよいし、仮想的な人物の仮想的なライフログであってもよい。
【0056】
あるいは、データベース部２００には、例えば、作成されたパーソナライズドＡＩ（例えば、個人の情報を学習した学習済のモデル）が格納される。
【0057】
図２に示される例では、データベース部２００は、システム１００の外部に設けられているが、本発明はこれに限定されない。データベース部２００をシステム１００の内部に設けることも可能である。このとき、データベース部２００は、メモリ部１３０を実装する記憶手段と同一の記憶手段によって実装されてもよいし、メモリ部１３０を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２００は、システム１００のための格納部として構成される。データベース部２００の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２００は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２００は、システム１００の外付けハードディスク装置として構成されてもよいし、ネットワークを介して接続されるクラウド上のストレージとして構成されてもよい。
【0058】
図４Ａは、プロセッサ部１２０の構成の一例を示す。
【0059】
プロセッサ部１２０は、受信手段１２１と、回答生成手段１２２と、集計手段１２３とを備える。
【0060】
受信手段１２１は、アンケート調査のための質問を受信するように構成されている。受信手段１２１は、例えば、インターフェース部１１０を介してシステム１００の外部から受信されたアンケート調査のための質問をインターフェース部１１０から受信する。アンケート調査のための質問は、例えば、テキストベースの質問であってもよいし、音声ベースの質問であってもよい。
【0061】
受信されたアンケート調査のための質問は、後続の手段によって処理可能な形式に変換されるようにしてもよい。例えば、アンケート調査のための質問が音声ベースの質問である場合には、テキストベースの質問に変換するようにしてもよい。
【0062】
回答生成手段１２２は、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭを用いて、アンケート調査のための質問に対する複数の回答を生成するように構成されている。複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、質問に対する回答を出力するように構成されている。回答生成手段１２２によって生成された複数の回答の各々は、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々から出力された回答に対応し得る。
【0063】
複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、相互に異なる個人の情報を学習している。これにより、パーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、その人らしい活動をすることが可能である。例えば、パーソナライズドＡＩ ＰＡＩＭは、入力された質問に対して、その人らしい回答を出力することができる。回答は、例えば、テキストベースでの回答であってもよいし、音声ベースの回答であってもよい。
【0064】
例えば、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、個人の表現を学習し、その個人の表現に従って文章を生成することが可能なパーソナライズド文章生成モデルであり得る。この場合、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、入力された質問に対して、学習した個人の表現に従った文章で回答を生成することができる。本発明の発明者は、個人の表現には、個人の思想または感情が反映されているため、パーソナライズド文章生成モデルによって生成された回答には、個人の思想または感情が反映されているとみなすことができると考えた。パーソナライズド文章生成モデルによって生成された回答をアンケート調査に利用することにより、個人の思想または感情を反映させた、精度の高いアンケート調査結果を得ることができる。
【0065】
例えば、パーソナライズド文章生成モデルは、個人の情報を大量に学習させることによって一から作成されたモデルであってもよいし、汎用の文章生成モデルを個人の情報でファインチューニングすることによって作成されたモデルであってもよい。好ましくは、パーソナライズド文章生成モデルは、汎用の文章生成モデルを個人の情報でファインチューニングすることによって作成されたモデルであり得る。ファインチューニングすることによってパーソナライズド文章生成モデルを作成することは、ファインチューニングのために必要な学習データ量を、一からモデルを作成する場合よりもはるかに少なくすることができ、かつ、ファインチューニングのために必要なコスト（時間およびメモリ）を、一からモデルを作成する場合よりもはるかに小さくすることができるからである。
【0066】
一例において、パーソナライズド文章生成モデルは、ＯｐｅｎＡＩによって開発された汎用の文章生成モデルＧＰＴ－２ｍｏｄｅｌを個人の情報でファインチューニングすることによって作成され得る。ＧＰＴ－２ｍｏｄｅｌは、プロンプト（文章の書き出し）を与えると、その続きの文章を生成することができるモデルである。現在、ＧＰＴ－２ｍｏｄｅｌは、英語、中国語、イタリア語、韓国語等の言語で利用可能である。利用可能な言語以外の言語、例えば、日本語でのモデルを作成する場合には、その言語の文章でＧＰＴ－２ｍｏｄｅｌを訓練することによって、その言語で文章を生成することが可能な文章生成モデルを作成し、作成された文章生成モデルを個人の情報でファインチューニングすることによって、パーソナライズド文章生成モデルを作成することができる。なお、ＧＰＴ－２ｍｏｄｅｌは一例であり、本発明は、ＧＰＴ－２ｍｏｄｅｌをベースにしたパーソナライズド文章生成モデルに限定されない。パーソナライズド文章生成モデルは、例えば、用途または性能に応じて、他のモデルをベースにして作成することが可能である。
【0067】
パーソナライズドＡＩを作成するために、個人の種々の情報を利用することができる。ここで、個人の情報は、実在する人物の情報であってもよいし、実在しない仮想的な人物の情報であってもよい。個人の情報が実在する人物の情報である場合、個人の情報は、例えば、実在する個人によって作成された文章（例えば、メール、チャット、ＳＮＳへの投稿）を含むが、これに限定されない。例えば、個人の情報は、例えば、実在する個人の行動を撮影した映像、実在する個人が発話した音声等を含むようにしてもよい。個人の情報が実在しない人物の情報である場合、個人の情報は、例えば、仮想的に作成された文章、仮想的に作成された映像、仮想的に作成された音声等を含み得る。パーソナライズドＡＩを作成するために利用される個人の情報は、個人の感情が含まれていることが好ましい。これにより、パーソナライズドＡＩは、個人の感情を反映させた回答を生成することができるようになるからである。
【0068】
通常、学習素材を学習させる際には、機械学習の偏りを防ぐために、偏りの無い学習素材を作成する必要がある。学習素材に偏りがあると、学習済モデルは、偏りのある結果を出力するからである。パーソナライズドＡＩを作成するために個人の情報を学習させる際には、通常の機械学習とは異なり、個人の情報の偏りを是正することなく、個人の情報を学習させる。作成されたパーソナライズドＡＩは、偏りのある結果を出力することになるが、この「偏り」こそが「個性」であるとみなすことができるのである。このようにして、パーソナライズドＡＩは、「個性」を含んだ出力を提供することができるようになる。
【0069】
複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、例えば、１つの質問を入力されると、１つの回答を生成することができる。これを複数回繰り返すことにより、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、複数の回答を出力することができる。各パーソナライズドＡＩによる出力は、必ずしも正確に質問に対して回答しているわけではない。各パーソナライズドＡＩから複数の回答を出力することにより、各パーソナライズドＡＩから統計的に正確な回答を生成することができる。繰り返しの回数は、例えば、５回以上、１０回以上、５０回以上、１００回以上、１０００回以上、１００００回以上等の任意の回数であり得る。繰り返しの回数は、回答の精度に応じて変更することができる。精度を高める場合には、繰り返しの回数を多くする（例えば、１００回以上）ことができる。
【0070】
集計手段１２３は、複数の回答を集計するように構成されている。集計手段１２３は、任意の手法で複数の回答を集計することができる。集計手段１２３は、例えば、複数の回答のうちの第１の回答（例えば、Ｙｅｓという回答）の数および第２の回答（例えば、Ｎｏという回答）の数を計算するようにしてもよいし、複数の回答のうちの第１の回答（例えば、Ｙｅｓという回答）の割合および第２の回答の割合（例えば、Ｎｏという回答）を計算するようにしてもよい。
【0071】
例えば、集計手段１２３は、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からのそれぞれの回答を集計することができる。例えば、集計手段１２３は、１つのパーソナライズドＡＩからの１個の回答をそのパーソナライズドＡＩからの回答として、Ｍ個のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答（すなわち、Ｍ個の回答）を集計することができる。例えば、集計手段１２３は、１つのパーソナライズドＡＩからのＮ個の回答をそのパーソナライズドＡＩからの回答として、Ｍ個のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答（すなわち、Ｎ×Ｍ個の回答）を集計することができる。
【0072】
例えば、集計手段１２３は、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答文章を複数のカテゴリのうちの１つに分類することにより、集計することができる。複数のカテゴリは、例えば、ポジティブな回答、ネガティブな回答等を含むが、これらに限定されない。集計手段１２３は、例えば、自然言語処理を利用して複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答文章を複数のカテゴリのうちの１つに分類することができる。
【0073】
集計手段１２３による出力は、インターフェース部１１０を介してシステム１００の外部に出力される。
【0074】
図４Ｂは、プロセッサ部１２０の代替実施形態であるプロセッサ部１２０’の一例を示す。プロセッサ部１２０’は、プロセッサ部１２０’が感情認識手段１２４を備えている点で、プロセッサ部１２０と異なっている。図４Ｂでは、図４Ａを参照して説明した構成要素と同じ構成要素には同じ参照番号を付し、ここでは、それらの構成要素についての説明を省略する。
【0075】
プロセッサ部１２０’は、受信手段１２１と、回答生成手段１２２と、感情認識手段１２４と、集計手段１２３とを備える。
【0076】
感情認識手段１２４は、文章に込められた感情を認識することが可能なように構成されている。感情認識手段１２４は、文章に込められた感情を認識することが可能な任意の公知の感情解析エンジンによって達成され得る。
【0077】
感情認識手段１２４は、例えば、入力された文章に込められた感情を複数の分類に分類する感情分類器（Ｉｎｔｅｎｔ Ｃｌａｓｓｉｆｉｅｒ）であり得る。複数の分類は、任意の数の分類であり得る。例えば、複数の分類は、ネガティブ／ポジティブ、または、優しい／厳しい等の２つの分類であってもよいし、喜び／怒り／悲しみ等の３つの分類であってもよいし、喜／怒／哀／楽等の４つの分類であってもよいし、４よりも多い分類、例えば、１００分類であってもよい。
【0078】
感情分類器は、機械学習を利用して、文章に含まれている感情を複数の分類に分類することができる。感情分類器は、任意の機械学習手法を用いて作成されることができる。感情分類器を作成するための機械学習手法は、例えば、決定木、サポートベクターマシン、または、深層ニューラルネットワーク等であり得る。感情分類器は、例えば、教師あり学習によって作成され得る。
【0079】
感情分類器を作成するための学習データとして、例えば、感情を表現している文章を利用することができる。感情を表現している文章には、どの分類の感情を表現しているかを示すラベルを付しておく。例えば、感情を表現している文章を入力用教師データとし、その文章のラベルを出力用教師データとして学習させることにより、感情分類器を作成することができる。感情を表現している文章は、例えば、ベクトルとして表現したうえで、入力用教師データとして利用されることができる。例えば、単語袋モデル（ｂａｇ－ｏｆ－ｗｏｒｄｓ ｍｏｄｅｌ）を用いる手法、文脈的単語の意味表現ベクトル（ｃｏｎｔｅｘｔｕａｌｉｚｅｄ ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ）を用いる手法（例えばＢＥＲＴ、ＥｌＭｏ等）、ＭＵＳＥ（Ｍｕｌｔｉｌｉｎｇｕａｌ Ｕｎｉｖｅｒｓａｌ Ｓｅｎｔｅｎｃｅ Ｅｎｃｏｄｉｎｇ：https://arxiv.org/abs/1907.04307）によって、文章をベクトルとして表現することができる。
【0080】
例えば、文章が表現する感情がポジティブまたはネガティブのいずれであるかを出力する感情分類器を作成する場合、ネガティブな感情を表現している文章、およびポジティブな感情を表現している文章を学習することになる。ネガティブな感情を表現している第１の文章、ポジティブな感情を表現している第２の文章、・・・等を学習する場合の入力用教師データと出力用教師データとの組は、（第１の文章のベクトル表現，ネガティブ）、（第２の文章のベクトル表現，ポジティブ）、・・・等であり得る。このようにして学習された感情分類器に、或る文章のベクトル表現を入力すると、その文章が表現する感情がポジティブまたはネガティブのいずれであるかを出力することができるようになる。
【0081】
例えば、文章が表現する感情が喜びまたは怒りまたは悲しみのいずれであるかを出力する感情分類器を作成する場合、喜びの感情を表現している文章、怒りの感情を表現している文章、および悲しみの感情を表現している文章を学習することになる。喜びの感情を表現している第１の文章、怒りの感情を表現している第２の文章、悲しみの感情を表現している第３の文章、・・・等を学習する場合の入力用教師データと出力用教師データとの組は、（第１の文章のベクトル表現，喜び）、（第２の文章のベクトル表現，怒り）、（第３の文章のベクトル表現，悲しみ）、・・・等であり得る。このようにして学習された感情分類器に、或る文章のベクトル表現を入力すると、その文章が表現する感情が喜びまたは怒りまたは悲しみのいずれであるかを出力することができるようになる。
【0082】
感情認識手段１２４は、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からのそれぞれの回答に込められた感情を認識することができる。感情認識手段１２４は、例えば、１つのパーソナライズドＡＩからの１つの回答に込められた感情を認識することにより、その１つの感情をそのパーソナライズドＡＩからの回答に込められた感情として認識することができる。あるいは、感情認識手段１２４は、例えば、１つのパーソナライズドＡＩからの複数の回答のそれぞれに込められた感情を認識することにより、その複数の感情をそのパーソナライズドＡＩからの回答に込められた感情として認識することができる。あるいは、感情認識手段１２４は、例えば、１つのパーソナライズドＡＩからの複数の回答のそれぞれに込められた感情を認識し、複数の感情のうちのいくつかの感情をそのパーソナライズドＡＩからの回答に込められた感情として認識することができる。複数の感情のうちのいくつか感情は、例えば、複数の感情のうち、認識された数が多い上位いくつかの感情、認識された数が所定数以上の感情等であり得る。あるいは、感情認識手段１２４は、例えば、１つのパーソナライズドＡＩからの複数の回答のそれぞれに込められた感情を認識し、複数の感情のうちの１つの感情をそのパーソナライズドＡＩからの回答に込められた感情として認識することができる。複数の感情のうちの１つの感情は、例えば、複数の感情のうち、認識された数が最も多い感情であり得る。
【0083】
感情認識手段１２４は、例えば、認識された感情に基づく出力を生成することができる。出力は、例えば、認識された感情が何であるかを示す出力であってもよいし、パーソナライズドＡＩからの回答が何であるかを示す出力であってもよい。出力は、例えば、認識された複数の感情のうちの各感情の割合を示す出力であってもよい。例えば、感情認識手段１２４は、認識された複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、認識された複数の感情のうち第２の感情が最も多い場合に第２の出力を生成することができる。一例において、感情認識手段１２４は、複数の感情のうちポジティブな感情が最も多い場合に第１の出力（例えば、認識された感情がポジティブであることを示す出力、または、パーソナライズドＡＩからの回答がＹｅｓであることを示す出力）を生成し、複数の感情のうちネガティブな感情が最も多い場合に第２の出力（例えば、認識された感情がネガティブであることを示す出力、または、パーソナライズドＡＩからの回答がＮｏであることを示す出力）を生成することができる。一例において、感情認識手段１２４は、複数の感情のうちポジティブな感情が６０％であり、ネガティブな感情が４０％である場合に、（ポジティブ６０％，ネガティブ４０％）を示す出力を生成することができる。
【0084】
このように、感情認識手段１２４は、Ｍ個のパーソナライズドＡＩの各々からのそれぞれ１つの回答（すなわち、計Ｍ個の回答）からＭ個の感情を認識し、認識された感情に基づく出力を生成するようにしてもよいし、Ｍ個のパーソナライズドＡＩの各々からのそれぞれＮ個の回答（すなわち、Ｍ×Ｎ個の回答）からＭ×Ｎ個の感情を認識し、認識された感情に基づく出力を生成するようにしてもよいし、Ｍ個のパーソナライズドＡＩの各々からのそれぞれＮ個の回答（すなわち、Ｍ×Ｎ個の回答）からＭ×ｎ個の感情を認識し、認識された感情に基づく出力を生成するようにしてもよい（Ｎ＞ｎ）。
【0085】
集計手段１２３は、感情認識手段１２４による出力を集計することができる。集計手段１２３は、例えば、感情認識手段１２４による出力が示す感情を集計するようにしてもよいし、感情認識手段１２４による出力が示す感情を質問に対する回答に対応付けて集計するようにしてもよい。集計手段１２３は、例えば、感情認識手段１２４による出力が示すパーソナライズドＡＩからの回答を集計することができる。
【0086】
例えば、集計手段１２３は、複数の感情のうちの第１の感情（例えば、ポジティブな感情）の数および第２の感情（例えば、ネガティブな感情）の数を計算するようにしてもよいし、複数の感情のうちの第１の感情（例えば、ポジティブな感情）の割合および第２の感情（例えば、ネガティブな感情）を計算するようにしてもよい。例えば、集計手段１２３は、複数の感情のうちの第１の感情（例えば、ポジティブな感情）を第１の回答（例えば、Ｙｅｓの回答）に対応付け、第２の感情（例えば、ネガティブな感情）を第２の回答（例えば、Ｎｏの回答）に対応付けて、それらの数または割合を計算するようにしてもよい
【0087】
集計手段１２３による出力は、インターフェース部１１０を介してシステム１００の外部に出力される。
【0088】
上述した図４Ａおよび図４Ｂに示される例では、プロセッサ部１２０、１２０’の各構成要素が同一のプロセッサ部１２０、１２０’内に設けられているが、本発明はこれに限定されない。プロセッサ部１２０、１２０’の各構成要素が複数のプロセッサ部に分散される構成も本発明の範囲内である。このとき、複数のプロセッサ部は、同一のハードウェア部品内に位置してもよいし、近傍または遠隔の別個のハードウェア部品内に位置してもよい。
【0089】
なお、上述したシステム１００の各構成要素は、単一のハードウェア部品で構成されていてもよいし、複数のハードウェア部品で構成されていてもよい。複数のハードウェア部品で構成される場合は、各ハードウェア部品が接続される態様は問わない。各ハードウェア部品は、無線で接続されてもよいし、有線で接続されてもよい。本発明のシステム１００は、特定のハードウェア構成には限定されない。プロセッサ部１２０、１２０’をデジタル回路ではなくアナログ回路によって構成することも本発明の範囲内である。本発明のシステム１００の構成は、その機能を実現できる限りにおいて上述したものに限定されない。
【0090】
３．アンケート調査のためのシステムによる処理
図５は、アンケート調査のためのシステム１００による処理の一例（処理５００）を示すフローチャートである。処理５００は、システム１００のプロセッサ部１２０において行われ得る。
図５は、アンケート調査のためのシステム１００による処理の一例（処理５００）を示すフローチャートである。処理５００は、システム１００のプロセッサ部１２０において行われ得る。
【0091】
ステップＳ５０１では、プロセッサ部１２０の受信手段１２１が、アンケート調査のための質問を受信する。受信手段１２１は、例えば、インターフェース部１１０を介してシステム１００の外部から受信されたアンケート調査のための質問をインターフェース部１１０から受信する。
【0092】
ステップＳ５０２では、プロセッサ部１２０の回答生成手段１２２が、複数のパーソナライズドＡＩを用いて、ステップＳ５０１で受信された質問に対する複数の回答を出力する。回答生成手段１２２は、例えば、Ｍ個のパーソナライズドＡＩを用いてＭ個の回答を生成するようにしてもよいし、Ｍ個のパーソナライズドＡＩのそれぞれからＮ個の回答を生成することにより、Ｍ×Ｎ個の回答またはＭ×ｎ個の回答を生成するようにしてもよい（Ｎ＞ｎ）。
【0093】
複数のパーソナライズドＡＩの各々は、相互に異なる個人の情報を学習している。これにより、複数のパーソナライズドＡＩの各々は、入力された質問に対して、その人らしい回答を出力することができる。複数のパーソナライズドＡＩの各々は、例えば、個人の表現を学習し、その個人の表現に従って文章を生成することが可能なパーソナライズド文章生成モデルであり得る。このとき、複数のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々は、入力された質問に対して、学習した個人の表現に従った文章で回答を生成することができる。
【0094】
例えば、パーソナライズド文章生成モデルであるパーソナライズドＡＩは、プロンプト（文章の書き出し）を与えると、学習した個人の表現に従って、その続きの文章を生成することができるため、質問に関連するプロンプトをパーソナライズドＡＩに入力することにより、質問の回答を得ることができる。質問に関連するプロンプトは、例えば、質問の種類に応じて予め設定されたテンプレートから選択されるようにしてもよいし、質問に基づいて作成されるようにしてもよいし、質問者によって設定されるようにしてもよいし、アンケート調査のサービスのサービスプロバイダによって設定されるようにしてもよい。質問に関連するプロンプトが質問に基づいて作成される場合には、例えば、予め設定されたテンプレートに基づいてプロンプトを作成するようにしてもよいし、機械学習を利用してプロンプトを生成するようにしてもよい。
【0095】
パーソナライズドＡＩは、学習した個人の表現に従って、これらのプロンプトの続きの文章を生成することができる。生成された文章が、質問に対する回答となる。
【0096】
ステップＳ５０３では、プロセッサ部１２０の集計手段１２３が、複数のパーソナライズドＡＩの各々からの出力を集計する。例えば、集計手段１２３は、１つのパーソナライズドＡＩからの１個の回答をそのパーソナライズドＡＩからの回答として、Ｍ個のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答（すなわち、Ｍ個の回答）を集計することができる。例えば、集計手段１２３は、１つのパーソナライズドＡＩからのＮ個の回答をそのパーソナライズドＡＩからの回答として、Ｍ個のパーソナライズドＡＩ ＰＡＩ１～ＰＡＩＭの各々からの回答（すなわち、Ｎ×Ｍ個の回答）を集計することができる。集計手段１２３は、例えば、複数の回答のうちの第１の回答（例えば、Ｙｅｓという回答）の数および第２の回答（例えば、Ｎｏという回答）の数を計算するようにしてもよいし、複数の回答のうちの第１の回答（例えば、Ｙｅｓという回答）の割合および第２の回答の割合（例えば、Ｎｏという回答）を計算するようにしてもよい。
【0097】
処理５００により、アンケート調査のための質問に対する回答を複数のパーソナライズドＡＩの各々から得ることができる。これにより、複数の人物にアンケートを回答させる従来のアンケート調査に比べて、高速かつ低価格でアンケート調査を行うことができる。
【0098】
図６は、処理５００におけるステップＳ５０２の詳細なフローを示す。図６では、Ｍ個のパーソナライズドＡＩの各々からＮ個の回答を取得するためのステップを説明する。各ステップにおける下付き文字Ｍは、第ＭのパーソナライズドＡＩを用いた処理であることを示している。ここで、Ｎは２以上の任意の整数であり、例えば、５、１０、５０、１００、１０００、１００００等の任意の整数であり得る。Ｎは、アンケート調査の回答の精度に応じて変更することができる。精度を高める場合には、Ｎを大きくする（例えば、１００以上）ことができる。
【0099】
ステップＳ６０１１では、変数ｎ＝１が定義される。
【0100】
ステップＳ６０２１では、第１のパーソナライズドＡＩに、ステップＳ５０１で受信された質問が入力される。
【0101】
ステップＳ６０３１では、第１のパーソナライズドＡＩから第ｎの回答を出力する。ここでは、第１の回答が出力される。第１のパーソナライズドＡＩは、例えば、第１の人物の情報を学習しており、第１の人物のようにふるまうことができる。従って、第１のパーソナライズドＡＩは、入力された質問に対して、あたかも第１の人物が回答したかのような回答を出力することができる。例えば、第１のパーソナライズドＡＩは、第１の人物の表現を学習しており、入力された質問に対する回答として、第１の人物の表現に従った文章を生成して出力することができる。出力された回答は、例えば、メモリ等に格納される。
【0102】
ステップＳ６０４１では、変数ｎがインクリメントされる。
【0103】
ステップＳ６０５１では、変数ｎがＮと比較される。変数ｎがＮ以上である場合、第１のパーソナライズドＡＩを用いた処理を完了することができる。変数ｎがＮより小さい場合、ステップＳ６０２１に戻り、変数ｎがＮ以上になるまでステップＳ６０２１～ステップＳ６０５１を繰り返す。これにより、第１のパーソナライズドＡＩからＮ個の回答を得ることができる。
【0104】
第１のパーソナライズドＡＩを用いた処理（ステップＳ６０１１～ステップＳ６０５１）の前、後、または同時に、第２のパーソナライズドＡＩを用いた処理（ステップＳ６０１２～ステップＳ６０５２）、第３のパーソナライズドＡＩを用いた処理（ステップＳ６０１３～ステップＳ６０５３）、・・・第ＭのパーソナライズドＡＩを用いた処理（ステップＳ６０１Ｍ～ステップＳ６０５Ｍ）を行うことができる。これにより、Ｍ個のパーソナライズドＡＩの各々からＮ個の回答を得ることができる。すなわち、計Ｍ×Ｎ個の回答を得ることができる。
【0105】
Ｍ個のパーソナライズドＡＩの全てから回答が得られると、ステップＳ５０３に進むことができる。
【0106】
各パーソナライズドＡＩによる出力は、必ずしも正確に質問に対して回答しているわけではない。ステップＳ５０２において、各パーソナライズドＡＩから複数の回答を出力することにより、各パーソナライズドＡＩから統計的に正確な回答を生成することができる。これにより、アンケート調査の精度が向上する。
【0107】
図７は、アンケート調査のためのシステム１００による処理の別の一例（処理７００）を示すフローチャートである。処理７００は、システム１００のプロセッサ部１２０’において行われ得る。
【0108】
ステップＳ７０１では、プロセッサ部１２０’の受信手段１２１が、アンケート調査のための質問を受信する。ステップＳ７０１は、上述したステップＳ５０１と同様であり、説明を省略する。
【0109】
ステップＳ７０２では、プロセッサ部１２０’の回答生成手段１２２が、複数のパーソナライズドＡＩを用いて、ステップＳ５０１で受信された質問に対する複数の回答を出力する。回答生成手段１２２は、例えば、文章の形式で、回答を出力することができる。ステップＳ７０２は、上述したステップＳ５０２と同様であり、説明を省略する。
【0110】
ステップＳ７０３では、プロセッサ部１２０’の感情認識手段１２４が、複数のパーソナライズドＡＩの各々から出力された回答に込められた感情を認識する。感情認識手段１２４は、例えば、文章に込められた感情を複数の分類に分類する感情分類器であり得、複数のパーソナライズドＡＩの各々から出力された回答に込められた感情を複数の分類のうちの１つに分類することによって、感情を認識することができる。複数の分類は、任意の数の分類であり得る。例えば、複数の分類は、ネガティブ／ポジティブ、または、優しい／厳しい等の２つの分類であってもよいし、喜び／怒り／悲しみ等の３つの分類であってもよいし、喜／怒／哀／楽等の４つの分類であってもよいし、４よりも多い分類、例えば、１００分類であってもよい。
【0111】
感情分類器は、例えば、機械学習を利用して、文章に込められた感情を複数の分類に分類することができる。複数のパーソナライズドＡＩの各々から出力された文章を感情分類器に入力すると、複数のパーソナライズドＡＩの各々から出力された文章に込められた感情を出力することができる。例えば、第１のパーソナライズドＡＩから出力された第１の回答の文章を感情分類器に入力すると、第１の回答の文章に込められた感情を出力し、第１のパーソナライズドＡＩから出力された第２の回答の文章を感情分類器に入力すると、第２の回答の文章に込められた感情を出力することができ、・・・第Ｎの回答を感情分類器に入力すると、第Ｎの回答の文章に込められた感情を出力することができる。このようにして、第１のパーソナライズドＡＩの出力からＮ個の感情を認識することができる。例えば、第１のパーソナライズドＡＩから出力された文章を感情分類器に入力すると、第１のパーソナライズドＡＩから出力された文章に込められた感情を出力し、第２のパーソナライズドＡＩから出力された文章を感情分類器に入力すると、第２のパーソナライズドＡＩから出力された文章に込められた感情を出力することができ、・・・第ＭのパーソナライズドＡＩから出力された文章を感情分類器に入力すると、第ＭのパーソナライズドＡＩから出力された文章に込められた感情を出力することができる。このようにして、Ｍ個のパーソナライズドＡＩの出力からＭ個の感情を認識することができる。
【0112】
ステップＳ７０４では、プロセッサ部１２０’の感情認識手段１２４が、ステップＳ７０３で認識された感情に基づく出力を生成する。出力は、例えば、認識された感情が何であるかを示す出力であってもよいし、パーソナライズドＡＩからの回答が何であるかを示す出力であってもよい。出力は、例えば、認識された複数の感情のうちの各感情の割合を示す出力であってもよい。
【0113】
例えば、感情認識手段１２４は、１つのパーソナライズドＡＩからＮ個の感情が認識された場合に、１つの出力を生成するようにしてもよいし、Ｎ個の出力を生成するようにしてもよいし、ｎ個の出力を生成するようにしてもよい（Ｎ＞ｎ）。例えば、感情認識手段１２４は、認識されたＮ個の感情のうち第１の感情が最も多い場合に第１の出力（例えば、認識された感情が第１の感情であることを示す出力、または、パーソナライズドＡＩからの回答が第１の回答であることを示す出力）を生成し、認識されたＮ個の感情のうち第２の感情が最も多い場合に第２の出力（例えば、認識された感情が第２の感情であることを示す出力、または、パーソナライズドＡＩからの回答が第２の回答であることを示す出力）を生成することができる。例えば、感情認識手段１２４は、認識されたＮ個の感情のうち上位ｎ個の感情についての出力（例えば、認識された感情が第１～第ｎの感情であることを示す出力、または、パーソナライズドＡＩからの回答が第１～第ｎの回答であることを示す出力）を生成することができる（Ｎ＞ｎ）。
【0114】
感情認識手段１２４は、Ｍ個のパーソナライズドＡＩのそれぞれに対して、認識された感情に基づく出力を生成することができる。すなわち、感情認識手段１２４は、Ｍ個のパーソナライズドＡＩの各々から認識された感情に基づく１つの出力（計Ｍ個の出力）を生成するようにしてもよいし、Ｍ個のパーソナライズドＡＩの各々から認識されたＮ個の感情に基づくＮ個の出力（計Ｍ×Ｎ個の出力）を生成するようにしてもよいし、Ｍ個のパーソナライズドＡＩの各々から認識されたＮ個の感情に基づくｎ個の出力（計Ｍ×ｎ個の出力）を生成するようにしてもよい（Ｎ＞ｎ）。
【0115】
ステップＳ７０５では、プロセッサ部１２０’の集計手段１２３が、ステップＳ７０４で生成された感情に基づく出力を集計する。集計手段１２３は、例えば、感情認識手段１２４による出力が示す感情を集計するようにしてもよいし、感情認識手段１２４による出力が示す感情を質問に対する回答に対応付けて集計するようにしてもよい。集計手段１２３は、例えば、感情認識手段１２４による出力が示すパーソナライズドＡＩからの回答を集計することができる。
【0116】
例えば、集計手段１２３は、複数の感情のうちの第１の感情（例えば、ポジティブな感情）の数および第２の感情（例えば、ネガティブな感情）の数を計算するようにしてもよいし、複数の感情のうちの第１の感情（例えば、ポジティブな感情）の割合および第２の感情（例えば、ネガティブな感情）を計算するようにしてもよい。例えば、集計手段１２３は、複数の感情のうちの第１の感情（例えば、ポジティブな感情）を第１の回答（例えば、Ｙｅｓの回答）に対応付け、第２の感情（例えば、ネガティブな感情）を第２の回答（例えば、Ｎｏの回答）に対応付けて、それらの数または割合を計算するようにしてもよい。集計手段１２３は、例えば、優しい／厳しい、喜び／怒り／悲しみ、喜／怒／哀／楽等の感情であっても、質問に対する種々の回答に対応付けて集計することができる。
【0117】
集計された結果は、インターフェース部１１０を介してシステム１００の外部に出力される。例えば、集計された結果は、質問者に提示される。
【0118】
図２Ａに示された「次期大統領選で、○○氏を支持しますか？」という質問が入力された場合を例に、ステップＳ７０１～ステップＳ７０５の処理の一例を説明する。例示の簡単のために、３つのパーソナライズドＡＩを利用する例を説明する。
【0119】
ステップＳ７０１では、受信手段１２１が、「次期大統領選で、○○氏を支持しますか？」という質問を受信する。
【0120】
ステップＳ７０２では、回答生成手段１２２が、３つのパーソナライズドＡＩを用いて、「次期大統領選で、○○氏を支持しますか？」に対する回答を文章の形式で出力する。３つのパーソナライズドＡＩの各々は、プロンプトを入力すると、その続きの文章を生成することができる。ここで、「次期大統領選で、○○氏を支持しますか？」という質問の場合、質問に関連するプロンプトは、「私の考えでは○○氏は、」、「私は○○氏が好きか嫌いかで言うと、」、「私は○○氏に反対か賛成かと言うと、」、「個人的には○○氏のことを、」等であり得るが、これらに限定されない。
【0121】
例えば、第１の個人の表現を学習したパーソナライズドＡＩに質問に関連するプロンプト（例えば、「私の考えでは○○氏は、」）を入力すると、第１の個人の表現に従って、プロンプトの続きの文章（例えば、「勝つと思うなあ」）を生成することができ、第２の個人の表現を学習したパーソナライズドＡＩに質問に関連するプロンプト（例えば、「私の考えでは○○氏は、」）を入力すると、第２の個人の表現に従って、プロンプトの続きの文章（例えば、「うまくいく＾＾」）を生成することができ、第３の個人の表現を学習したパーソナライズドＡＩに質問に関連するプロンプト（例えば、「私の考えでは○○氏は、」）を入力すると、第３の個人の表現に従って、プロンプトの続きの文章（例えば、「よくはないと思料いたします」）を生成することができる。それぞれのパーソナライズドＡＩには、複数のプロンプトを入力し、複数の回答を得るようにしてもよい。
【0122】
ステップＳ７０３では、感情認識手段１２４が、３つのパーソナライズドＡＩの各々から出力された回答（例えば、「勝つと思うなあ」、「うまくいく＾＾」、「よくはないと思料いたします」）に込められた感情を認識する。感情認識手段１２４は、例えば、「勝つと思うなあ」および「うまくいく＾＾」、に込められた感情がポジティブな感情であると認識し、「よくはないと思料いたします」に込められた感情がネガティブな感情であると認識することができる。
【0123】
ステップＳ７０４では、感情認識手段１２４が、認識された感情に基づく出力を生成する。感情認識手段１２４は、例えば、第１のパーソナライズドＡＩからの回答に込められた感情がポジティブであり、第２のパーソナライズドＡＩからの回答に込められた感情がポジティブであり、第３のパーソナライズドＡＩからの回答に込められた感情がネガティブであることを示す出力を生成することができる。
【0124】
ステップＳ７０５では、集計手段１２３が、出力を集計する。集計手段１２３は、例えば、（ポジティブ：６６．７％、ネガティブ：３３．３％）として集計することができる。あるいは、ポジティブな感情＝Ｙｅｓの回答、ネガティブな感情＝Ｎｏの回答と対応付けて、（Ｙｅｓ：６６．７％、Ｎｏ：３３．３％）として集計することができる。
【0125】
このようにして、「次期大統領選で、○○氏を支持しますか？」という質問に対して、３つのパーソナライズドＡＩによるアンケート調査によって、（ポジティブ：６６．７％、ネガティブ：３３．３％）または（Ｙｅｓ：６６．７％、Ｎｏ：３３．３％）という結果が示されることになる。
【0126】
図９は、実在する個人の情報を利用して、パーソナライズドＡＩを作成するためのフロー９００の一例の概念図を示す。フロー９００では、複数の実在する個人の情報を利用して、複数のパーソナライズドＡＩが作成される。図９に示される例では、個人１の情報から第1のパーソナライズドＡＩ ＰＡＩ１が作成され、個人２の情報から第２のパーソナライズドＡＩ ＰＡＩ２が作成されている。このように、１人の個人の情報から１つのパーソナライズドＡＩが作成される。
【0127】
まず、パーソナライズドＡＩを作成するために利用される複数のモデルが準備される。複数のモデルは、例えば、文章を生成することが可能なモデルであり得る。文章生成モデルは、例えば、プロンプト（文章の書き出し）を入力すると、その続きの文章を生成することが可能なモデルであり得る。
【0128】
次いで、複数の個人のそれぞれの情報が準備される。複数の個人のそれぞれの情報は、例えば、それぞれの個人によって作成された文章（例えば、メール、チャット、ＳＮＳへの投稿）、それぞれの個人の行動を撮影した映像、それぞれの個人が発話した音声等を含む。個人の情報は、例えば、個人のライフログに含まれる。
【0129】
複数のモデルと、複数の個人の情報とが準備されると、ステップＳ９１において、複数のモデルのそれぞれが、個人の情報を学習する。これにより、個人の情報を学習した複数の学習済モデル、すなわち、パーソナライズドＡＩが作成される。例えば、複数のモデルのうちの第１のモデルが個人１の情報を学習することにより、第１のパーソナライズドＡＩ ＰＡＩ１が作成され、複数のモデルのうちの第２のモデルが個人２の情報を学習することにより、第２のパーソナライズドＡＩ ＰＡＩ２が作成される。第１のパーソナライズドＡＩ ＰＡＩ１は、個人１らしい活動をすることができ、例えば、あたかも個人１がアンケートに回答したかのような回答を生成することができる。第２のパーソナライズドＡＩ ＰＡＩ１は、個人２らしい活動をすることができ、例えば、あたかも個人２がアンケートに回答したかのような回答を生成することができる。
【0130】
フロー９００は、例えば、図８に示される処理８００によって実施され得る。
【0131】
図８は、アンケート調査のためのシステム１００による処理の別の一例（処理８００）を示すフローチャートである。処理８００は、パーソナライズドＡＩを作成するための処理であり、システム１００のプロセッサ部１２０または１２０’において行われ得る。以下では、システム１００のプロセッサ部１２０において行われることを例に説明する。
【0132】
ステップＳ８０１では、プロセッサ部１２０は、文章を生成することが可能なモデルを準備する。プロセッサ部１２０は、例えば、データベース部２００に格納されている文章生成モデルをデータベース部２００から取得することができる。文章生成モデルは、例えば、プロンプト（文章の書き出し）を入力すると、その続きの文章を生成することが可能なモデルであり得る。
【0133】
ステップＳ８０２では、プロセッサ部１２０は、文章を生成することが可能なモデルに個人の表現を学習させる。これは、図９におけるステップＳ９１に対応している。このとき、個人の表現の偏りを是正することなく、個人の表現を学習させる。例えば、文章を生成することが可能なモデルを個人の表現でファインチューニングすることができる。既存のモデルをファインチューニングすることによって、モデルを一から作成する場合よりも、必要な学習データ量を少なくすることができ、時間コスト、メモリコストを小さくすることができる。
【0134】
通常、学習素材を学習させる際には、機械学習の偏りを防ぐために、偏りの無い学習素材を作成する必要がある。これに対して、ステップＳ８０２では、上述したように、通常の機械学習とは異なり、個人の表現の偏りを是正することなく、個人の表現を学習させる。これにより、作成されたパーソナライズドＡＩは、偏りのある結果を出力することになる。この「偏り」こそが「個性」であるとみなすことができ、パーソナライズドＡＩは、個性を含んだ文章を出力することができるようになる
【0135】
図１０は、実在しない仮想的な個人の情報を利用して、パーソナライズドＡＩを作成するためのフロー１０００の一例の概念図を示す。フロー１０００では、複数の実在しない仮想個人の情報を利用して、１人の個人のパーソナライズドＡＩが作成される。図１０に示される例では、個人１が質問に回答した結果と、仮想個人の情報とに基づいて、個人１のパーソナライズドＡＩが作成される。
【0136】
まず、ステップＳ１０１において、個人１に対して質問が提示される。質問は、任意の質問であり得る。
【0137】
次に、ステップＳ１０２において、個人１が質問に対して回答する。個人１は、任意の態様で質問に対して回答することができる。例えば、個人１は、紙のアンケート用紙を介して質問に回答するようにしてもよいし、情報端末を介して質問に回答するようにしてもよいし、口頭で質問に回答するようにしてもよい。
【0138】
他方で、パーソナライズドＡＩを作成するために利用される複数のモデルが準備される。複数のモデルは、例えば、文章を生成することが可能なモデルであり得る。文章生成モデルは、例えば、プロンプト（文章の書き出し）を入力すると、その続きの文章を生成することが可能なモデルであり得る。
【0139】
次いで、複数の仮想個人のそれぞれの情報が準備される。複数の仮想個人のそれぞれの情報は、例えば、仮想的に作成された文章、仮想的に作成された映像、仮想的に作成された音声等を含み得る。文章、映像、音声等は、例えば、無作為に作成され得る。仮想個人の情報は、人間が理解可能な情報である必要はない。仮想個人の情報は、例えば、意味を持たない文字または記号の羅列であってもよい。例えば、仮想個人の情報は、既に作成されたパーソナライズドＡＩから出力される情報であってもよい。仮想個人の情報は、例えば、仮想的に作成された仮想的なライフログ（フェイクログ）に含まれ得る。フェイクログは、例えば、既に作成されたパーソナライズドＡＩから出力されるライフログであり得る。
【0140】
仮想個人の情報は、任意の手法で作成することができる。上述したように、仮想個人の情報は、人間が理解可能な情報である必要はないため、どのような手法で作成された情報であっても、仮想個人の情報として機能するからである。
【0141】
例えば、仮想個人の情報は、ランダム関数を利用して作成されることができる。一例において、仮想個人の情報は、文字（例えば、５０音の文字、アルファベット等）および／または記号の表からランダムに文字または記号を選択し、選択された文字または記号を羅列することによって作成されることができる。
【0142】
例えば、仮想個人の情報は、実在する個人のライフログから作成されることができる。一例において、複数の実在する個人のライフログをシャッフルすることにより、作成されることができる。例えば、複数の実在する個人のライフログのうちの１つのライフログの一部（例えば、少なくとも１文字、少なくとも１語、少なくとも１句、少なくとも１節、少なくとも一文、少なくとも一段落等）を他の１または複数のライフログの一部で置換することによって、仮想個人の情報を作成することができる。例えば、複数の実在する個人のライフログを記憶したプールの中からランダムに文字、語、句、節、文、段落等を選択することによって、仮想個人の情報を作成することができる。複数の実在する個人のライフログに限らず、他の任意の情報（例えば、文章、映像、音声等）が、仮想個人の情報を作成するために利用され得る。
【0143】
例えば、仮想個人の情報は、既に作成されたパーソナライズドＡＩを用いて作成されることができる。既に作成されたパーソナライズドＡＩにプロンプト（文章の書き出し）を与えたときに出力された文章を仮想個人の情報とすることができる。
【0144】
複数のモデルと、複数の仮想個人の情報とが準備されると、ステップＳ１０３において、複数のモデルのそれぞれが、仮想個人の情報を学習する。これにより、仮想個人の情報を学習した複数の学習済モデル、すなわち、パーソナライズドＡＩが作成される。例えば、複数のモデルのうちの第１のモデルが仮想個人１の情報を学習することにより、第１のパーソナライズドＡＩ ＰＡＩ１が作成され、複数のモデルのうちの第２のモデルが仮想個人２の情報を学習することにより、第２のパーソナライズドＡＩ ＰＡＩ２が作成される。第１のパーソナライズドＡＩ ＰＡＩ１は、仮想個人１らしい活動をすることができ、例えば、あたかも仮想個人１がアンケートに回答したかのような回答を生成することができる。第２のパーソナライズドＡＩ ＰＡＩ１は、仮想個人２らしい活動をすることができ、例えば、あたかも仮想個人２がアンケートに回答したかのような回答を生成することができる。
【0145】
複数のパーソナライズドＡＩが作成されると、ステップＳ１０４で、複数のパーソナライズドＡＩのそれぞれに、ステップＳ１０１で個人１に提示された質問と同じ質問が提示される。
【0146】
ステップＳ１０５では、複数のパーソナライズドＡＩのそれぞれが、質問に対する回答を出力する。複数のパーソナライズドＡＩのそれぞれは、あたかも仮想個人が質問に回答したかのような回答を出力する。
【0147】
次いで、複数のパーソナライズドＡＩのそれぞれからの回答のうち、個人１による回答に最も近い回答が特定され、その回答を出力したパーソナライズドＡＩが、個人１のパーソナライズドＡＩであると決定される。これは、同じ質問に対して同様に回答したパーソナライズドＡＩであれば、個人１の思想と同様の思想に基づいた出力を生成することができるであろうという推測に基づいている。個人１およびパーソナライズドＡＩの双方に回答させる質問が複数または複雑であるほど、個人１のパーソナライズドＡＩであると決定されるパーソナライズドＡＩは、個人１の思想をより反映したものになり得る。
【0148】
実在しない仮想的な個人の情報を利用して、パーソナライズドＡＩを作成することにより、実在する個人の情報が利用不可能な場合であっても、パーソナライズドＡＩを作成することができる。例えば、個人のライフログを有しない企業であっても、個人に対して行ったアンケートの結果があれば、パーソナライズドＡＩを作成することができるのである。
【0149】
このようにして作成されたパーソナライズドＡＩは、例えば、疑似的な市場調査に利用することができる。例えば、顧客に実際にアンケートを取ることなく、複数のパーソナライズドＡＩにアンケートに回答させることにより、簡易かつ低コストで、市場の動向を調査することができる。
【0150】
フロー１０００は、例えば、図１１に示される処理１１００によって実装され得る。
【0151】
図１１は、アンケート調査のためのシステム１００による処理の別の一例（処理１１００）を示すフローチャートである。処理１１００は、パーソナライズドＡＩを作成するための別の処理であり、システム１００のプロセッサ部１２０または１２０’において行われ得る。以下では、システム１００のプロセッサ部１２０において行われることを例に説明する。
【0152】
ステップＳ１１０１では、プロセッサ部１２０は、個人が質問に対して回答した結果を取得する。これは、図１０におけるステップＳ１０２に対応し得る。個人は、実在する人物である。質問は、任意の質問であり得る。質問は、例えば、多肢選択回答式の質問であってもよいし、記述回答式または論述回答式の質問であってもよい。質問は、任意の数であり得る。質問の数が多いほど好ましい。質問の数が多いほど、処理１１００により生成されるパーソナライズドＡＩの精度が高くなる傾向があるからである。
【0153】
プロセッサ部１２０が、個人が質問に対して回答した結果をどこから取得するかは問わない。例えば、個人が質問に対して回答した結果がデータベース部２００に格納されている場合には、プロセッサ部１２０は、データベース部から個人が質問に対して回答した結果を取得することができる。あるいは、例えば、プロセッサ部１２０は、個人の端末装置３００から個人が質問に対して回答した結果を取得することができる。あるいは、例えば、プロセッサ部１２０は、ネットワーク４００に接続された他の場所から個人が質問に対して回答した結果を取得することができる。
【0154】
ステップＳ１１０２では、プロセッサ部１２０は、文章を生成することが可能な複数のモデルを準備する。プロセッサ部１２０は、例えば、データベース部２００に格納されている文章生成モデルをデータベース部２００から取得することができる。文章生成モデルは、例えば、プロンプト（文章の書き出し）を入力すると、その続きの文章を生成することが可能なモデルであり得る。
【0155】
ステップＳ１１０３では、プロセッサ部１２０は、文章を生成することが可能な複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する。これは、図１０におけるステップＳ１０３に対応している。このとき、１つのモデルに対して、１人の個人の表現を学習させる。すなわち、複数のモデルのうちの１つに複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成される。例えば、ステップＳ１１０２でｎ個のモデルが準備された場合、第１のモデルに第１の個人の表現を学習させることにより、１個目の学習済モデルが生成され、第２のモデルに第２の個人の表現を学習させることにより、２個目の学習済モデルが生成され、・・・第ｎのモデルに第ｎの個人の表現を学習させることにより、ｎ個目の学習済モデルが生成される。これにより、ｎ個の学習済モデルが生成される。
【0156】
個人の表現は、実在する人物による表現であってもよいし、実在しない仮想的な人物による表現であってもよい。好ましくは、個人の表現は、少なくとも１人の仮想的な個人の表現を含む。これにより、作成された学習済モデルは、仮想的な個人の表現で文章を作成することが可能なモデルとなる。ここで、仮想的な個人の表現は、必ずしも人間が理解可能な情報である必要はなく、仮想的な個人の情報は、例えば、意味を持たない文字または記号の羅列であってもよい。
【0157】
複数の個人の表現は、例えば、複数のライフログから抽出され得る。すなわち、複数の個人の表現は、例えば、複数のライフログを取得することと、取得された複数のライフログから複数の個人の表現を抽出することとによって準備されることができる。このとき、好ましくは、複数のライフログは、少なくとも１つの仮想的なライフログを含み得る。仮想的なライフログは、例えば、作成済のパーソナライズドＡＩから出力された情報を記録したものであり得る。
【0158】
個人の表現を学習させるとき、個人の表現の偏りを是正することなく、個人の表現を学習させることが好ましい。通常、学習素材を学習させる際には、機械学習の偏りを防ぐために、偏りの無い学習素材を作成する必要がある。これに対して、ステップＳ１００３では、上述したように、通常の機械学習とは異なり、個人の表現の偏りを是正することなく、個人の表現を学習させる。これにより、作成された学習済モデルは、偏りのある結果を出力することになる。この「偏り」こそが「個性」であるとみなすことができ、学習済モデルは、個性を含んだ文章を出力することができるようになる。例えば、学習済モデルにプロンプト（文章の書き出し）を与えると、学習済モデルは、学習した個人の表現に従って、その続きの文章を生成することができる
【0159】
個人の表現を学習させるとき、例えば、文章を生成することが可能なモデルを個人の表現でファインチューニングするようにしてもよい。既存のモデルをファインチューニングすることによって、モデルを一から作成する場合よりも、必要な学習データ量を少なくすることができ、時間コスト、メモリコストを小さくすることができる。
【0160】
ステップＳ１１０４では、プロセッサ部１２０は、ステップＳ１１０３で生成された複数の学習済モデルのそれぞれから、質問に対する回答を出力する。これは、図１０におけるステップＳ１０４およびステップＳ１０５に対応している。質問は、ステップＳ１１０１で個人が回答した結果が取得された質問と同一の質問である。例えば、複数の学習済モデルは、プロンプト（文章の書き出し）を与えると、学習した個人の表現に従って、その続きの文章を生成することができるため、質問に関連するプロンプトを複数の学習済モデルのそれぞれに入力することにより、複数の学習済モデルのそれぞれから質問の回答を得ることができる。質問に関連するプロンプトは、例えば、質問の種類に応じて予め設定されたテンプレートから選択されるようにしてもよいし、質問に基づいて作成されるようにしてもよいし、質問毎に設定されるようにしてもよいし、パーソナライズドＡＩの作成者によって設定されるようにしてもよい。質問に関連するプロンプトが質問に基づいて作成される場合には、例えば、予め設定されたテンプレートに基づいてプロンプトを作成するようにしてもよいし、機械学習を利用してプロンプトを生成するようにしてもよい。
【0161】
学習済モデルは、学習した個人の表現に従って、これらのプロンプトの続きの文章を生成することができる。生成された文章が、質問に対する回答となる。あるいは、上述した感情認識手段１２４により、生成された文章に込められた感情を認識し、認識された感情を質問に対する回答としてもよい。あるいは、上述した感情認識手段１２４により、生成された文章に込められた感情を認識し、認識された感情に基づく出力を生成し、上述した集計手段１２３により、生成された出力を集計した結果を質問に対する回答としてもよい。
【0162】
例えば、ｎ個の学習済モデルが生成された場合、１個目の学習済モデルから質問に対する第１の回答を出力し、２個目の学習済モデルから質問に対する第２の回答を出力し、・・・ｎ個目の学習済モデルから質問に対する第ｎの回答を出力する。これにより、ｎ個の回答が生成される。
【0163】
ステップＳ１１０５では、プロセッサ部１２０は、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果とに基づいて、１つの学習済モデルを決定する。プロセッサ部１２０は、例えば、ステップＳ１１０１で取得された結果と同一の回答を出力した１つの学習済モデルを決定することができる。あるいは、プロセッサ部１２０は、例えば、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果との類似度に基づいて、１つの学習済モデルを決定することができる。プロセッサ部１２０は、例えば、ステップＳ１１０１で取得された結果に最も近い回答を出力した１つの学習済モデルを決定することができる。ここで、類似度として任意の公知の指標を利用することができる。
【0164】
例えば、ステップＳ１１０１で取得された結果が多肢選択回答式の質問に対する回答であった場合には、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果とを定量的に比較することができる。例えば、ステップＳ１１０１で取得された結果が記述回答式または論述回答式の質問に対する回答であった場合には、ステップＳ１１０１で取得された結果を定量データに変換することにより、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果とを定量的に比較することができるようになる。例えば、記述回答式または論述回答式の質問に対する回答の定量化は、回答の内容を分析することによって行われる。これは、例えば、人間によって行われてもよいし、ＡＩによって行われてもよい。あるいは、これは、例えば、感情認識手段１２４により、込められた感情を認識を分析することによって行われてもよい。
【0165】
決定された１つの学習済モデルは、個人が質問に対して回答した結果と同一または類似する回答を出力することができるため、個人のパーソナライズドＡＩであるとみなすことができる。これは、同じ質問に対して個人と同様に回答したパーソナライズドＡＩであれば、個人の思想と同様の思想に基づいた出力を生成することができるであろうという推測に基づいている。決定された１つの学習済モデルから別の質問に対する回答を出力させると、その回答は、あたかも個人が回答したかのような回答であると期待される。
【0166】
処理１１００によれば、学習に用いる個人の表現が、少なくとも１人の仮想的な個人の表現を含んでいたとしても、パーソナライズドＡＩを作成することができる。例えば、十分な数の個人の情報を有していない場合、または、個人の情報を全く有していない場合でさえも、個人が回答した結果があれば、パーソナライズドＡＩを作成することができるのである。これは、パーソナライズドＡＩの作成の可能性を広げ、ひいては、デジタルクローンアンケート調査の可能性も広げ得る。
【0167】
図１２Ａは、処理１１００におけるステップＳ１１０５の具体的なステップの一例を示す。この例は、処理１１００の過程で作成された複数の学習済モデルのうちの少なくとも１つに、仮想的な個人の表現を出力させ、出力された仮想的な個人の表現を用いて学習済モデルを作成する処理を含む。
【0168】
例えば、図１２Ａに示される処理は、個人のパーソナライズドＡＩであるとみなすことができる学習済モデルが存在しない場合、例えば、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果との類似度のいずれも所定の閾値を超えない場合に、行われることができる。
【0169】
ステップＳ１２０１では、プロセッサ部１２０は、ステップＳ１１０３で作成された複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力する。複数の学習済モデルのうちの少なくとも１つは、例えば、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１１０１で取得された結果との類似度に基づいて、決定されることができる。例えば、複数の学習済モデルのうちの少なくとも１つは、類似度が最も高い少なくとも１つの学習済モデルであり得る。例えば、複数の学習済モデルのうちの少なくとも１つは、類似度が所定値よりも大きい少なくとも１つの学習済モデルであり得る。実在する個人の回答により近い回答を出力可能な学習済モデルを用いることにより、出力される仮想的な個人の表現が、実在する個人に近いものとなり得るからである。これは、最終的に作成される実在する個人のパーソナライズドＡＩの精度を向上させることにつながり得る。ステップＳ１１０３で作成された複数の学習済モデルのうちの少なくとも１つは、プロンプトを与えられるとその続きの文章を出力することができるため、例えば、これを利用して、仮想的な個人の表現を出力することができる。
【0170】
ステップＳ１２０２では、文章を生成することが可能な複数のモデルに、ステップＳ１２０１で出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成する。ステップＳ１２０２は、ステップＳ１１０３と同様の処理である。ステップＳ１２０２では、１つのモデルに対して、１人の仮想的な個人の表現を学習させる。すなわち、複数のモデルのうちの１つに少なくとも１つの仮想的な個人の表現のうちの１つを学習させることにより、１つの第２の学習済モデルが生成される。例えば、ステップＳ１２０１でｎ個の仮想的な個人の表現が出力された場合、第１のモデルに第１の仮想的な個人の表現を学習させることにより、１個目の第２の学習済モデルが生成され、第２のモデルに第２の仮想的な個人の表現を学習させることにより、２個目の第２の学習済モデルが生成され、・・・第ｎのモデルに第ｎの仮想的な個人の表現を学習させることにより、ｎ個目の第２の学習済モデルが生成される。これにより、ｎ個の第２の学習済モデルが生成される。
【0171】
仮想的な個人の表現を学習させるとき、仮想的な個人の表現の偏りを是正することなく、仮想的な個人の表現を学習させることが好ましい。通常、学習素材を学習させる際には、機械学習の偏りを防ぐために、偏りの無い学習素材を作成する必要がある。これに対して、ステップＳ１２０２では、上述したように、通常の機械学習とは異なり、仮想的な個人の表現の偏りを是正することなく、仮想的な個人の表現を学習させる。これにより、作成された第２の学習済モデルは、偏りのある結果を出力することになる。この「偏り」こそが「個性」であるとみなすことができ、第２の学習済モデルは、仮想的な個人の個性を含んだ文章を出力することができるようになる。例えば、第２の学習済モデルにプロンプト（文章の書き出し）を与えると、第２の学習済モデルは、学習した仮想的な個人の表現に従って、その続きの文章を生成することができる。
【0172】
仮想的な個人の表現を学習させるとき、例えば、文章を生成することが可能なモデルを個人の表現でファインチューニングするようにしてもよい。既存のモデルをファインチューニングすることによって、モデルを一から作成する場合よりも、必要な学習データ量を少なくすることができ、時間コスト、メモリコストを小さくすることができる。
【0173】
ステップＳ１２０３では、プロセッサ部１２０は、ステップＳ１２０２で生成された少なくとも１つの第２の学習済モデルから、質問に対する回答を出力する。ステップＳ１２０３は、ステップＳ１１０４と同様の処理である。質問は、ステップＳ１１０１で個人が回答した結果が取得された質問と同一の質問である。例えば、第２の学習済モデルは、プロンプト（文章の書き出し）を与えると、学習した仮想的な個人の表現に従って、その続きの文章を生成することができるため、質問に関連するプロンプトを第２の学習済モデルに入力することにより、第２の学習済モデルから質問の回答を得ることができる。質問に関連するプロンプトは、例えば、質問の種類に応じて予め設定されたテンプレートから選択されるようにしてもよいし、質問に基づいて作成されるようにしてもよいし、質問毎に設定されるようにしてもよいし、パーソナライズドＡＩの作成者によって設定されるようにしてもよい。質問に関連するプロンプトが質問に基づいて作成される場合には、例えば、予め設定されたテンプレートに基づいてプロンプトを作成するようにしてもよいし、機械学習を利用してプロンプトを生成するようにしてもよい。
【0174】
第２の学習済モデルは、学習した仮想的な個人の表現に従って、これらのプロンプトの続きの文章を生成することができる。生成された文章が、質問に対する回答となる。あるいは、上述した感情認識手段１２４により、生成された文章に込められた感情を認識し、認識された感情を質問に対する回答としてもよい。あるいは、上述した感情認識手段１２４により、生成された文章に込められた感情を認識し、認識された感情に基づく出力を生成し、上述した集計手段１２３により、生成された出力を集計した結果を質問に対する回答としてもよい。
【0175】
例えば、ｎ個の第２の学習済モデルが生成された場合、１個目の第２の学習済モデルから質問に対する第１の回答を出力し、２個目の第２の学習済モデルから質問に対する第２の回答を出力し、・・・ｎ個目の第２の学習済モデルから質問に対する第ｎの回答を出力する。これにより、ｎ個の回答が生成される。
【0176】
ステップＳ１２０４では、プロセッサ部１２０は、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答と、ステップＳ１２０３で少なくとも１つの第２の学習済モデルから出力された少なくとも１つの回答と、ステップＳ１１０１で取得された結果とに基づいて、１つの学習済モデルを決定する。プロセッサ部１２０は、例えば、複数の学習済モデルおよび少なくとも１つの第２の学習済モデルの中から、ステップＳ１１０１で取得された結果と同一の回答を出力した１つの学習済モデルを決定することができる。あるいは、プロセッサ部１２０は、例えば、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答およびステップＳ１２０３で少なくとも１つの第２の学習済モデルから出力された少なくとも１つの回答と、ステップＳ１１０１で取得された結果との類似度に基づいて、複数の学習済モデルおよび少なくとも１つの第２の学習済モデルの中から、１つの学習済モデルを決定することができる。プロセッサ部１２０は、例えば、ステップＳ１１０１で取得された結果に最も近い回答を出力した１つの学習済モデルを決定することができる。ここで、類似度として任意の公知の指標を利用することができる。
【0177】
例えば、プロセッサ部１２０は、例えば、複数の学習済モデルおよび少なくとも１つの第２の学習済モデルの中から、少なくとも２つの学習済モデルを抽出し、抽出された２つの学習済モデルに基づいて、１つの学習済モデルを生成するようにしてもよい。例えば、抽出された２つの学習済モデルを平均することにより、１つの学習済モデルを生成することができる。
【0178】
決定された１つの学習済モデルは、個人が質問に対して回答した結果と同一または類似する回答を出力することができるため、個人のパーソナライズドＡＩであるとみなすことができる。
【0179】
図１２Ｂは、処理１１００におけるステップＳ１１０５の具体的なステップの別の一例を示す。この例は、処理１１００の過程で作成された複数の学習済モデルのうちの少なくとも１つに、仮想的な個人の表現を出力させ、出力された仮想的な個人の表現を用いて学習済モデルを作成する処理を含み、実在する個人が回答した結果に類似する回答を出力することが可能な学習済モデルが生成されるまで、当該処理を繰り返すことを特徴としている。
【0180】
ステップＳ１２０１～ステップＳ１２０３は、図１２Ａを参照して上述したステップと同様であり、ここでは説明を省略する。
【0181】
ステップＳ１２０５では、プロセッサ部１２０は、所定の条件を満たすか否かを判定する。
【0182】
所定の条件は、例えば、ステップＳ１１０４で複数の学習済モデルから出力された複数の回答およびステップＳ１２０３で少なくとも１つの第２の学習済モデルから出力された回答のうちのいずれか１つと、ステップＳ１１０１で取得された結果との類似度が所定の閾値を超えることであり得る。上述したように、類似度として任意の公知の指標を利用することができる。また、所定の閾値として任意の閾値を設定することができる。所定の閾値を高くするほど、処理１１００によって生成されるパーソナライズドＡＩの精度が高くなり得る。あるいは、所定の条件は、例えば、ステップＳ１２０１～ステップＳ１２０３を繰り返した回数が所定の閾値を超えることであり得る。繰り返しの回数を制限することにより、処理が発散することを回避することができる。あるいは、所定の条件は、例えば、処理の経過時間が所定の閾値を超えることであり得る。処理の時間を制限することにより、処理が発散することを回避することができる。
【0183】
ステップＳ１２０５で所定の条件を満たすと判定される場合、ステップＳ１２０４’に進む。ステップＳ１２０５で所定の条件を満たさないと判定される場合、ステップＳ１２０１～ステップＳ１２０３が繰り返される。
【0184】
ステップＳ１２０１～ステップＳ１２０３が繰り返される場合、ステップＳ１２０１では、複数の学習モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することに加えて、ステップＳ１２０２で生成された少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することができる。これにより、ステップＳ１２０２では、複数の学習モデルのうちの少なくとも１つから出力された仮想的な個人の表現に加えて、少なくとも１つの第２の学習済モデルから出力された仮想的な個人の表現も学習に用いられることになる。
【0185】
ステップＳ１２０４’では、プロセッサ部１２０は、複数の学習済モデルおよび少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす学習済モデルを特定する。
【0186】
所定の条件は、例えば、類似度が所定の閾値を超えることであり得る。あるいは、所定の条件は、繰り返しの回数または処理の経過時間が閾値を超えたときに、類似度が最も高いことであり得る。
【0187】
特定された学習済モデルが、個人のパーソナライズドＡＩであるとみなされ得る。このようにして作成されたパーソナライズドＡＩは、より精度よく、個人の思想と同様の思想に基づいた出力を生成することができることが期待される。
【0188】
【0189】
図５～図８、図１１～図１２Ｂを参照して上述した例では、図５～図８、図１１～図１２Ｂに示される各ステップの処理は、プロセッサ部１２０または１２０’とメモリ部１３０に格納されたプログラムとによって実現することが説明されたが、本発明はこれに限定されない。図５～図８、図１１～図１２Ｂに示される各ステップの処理のうちの少なくとも１つは、制御回路などのハードウェア構成によって実現されてもよい。
【0190】
具体例を用いて、個人のパーソナライズドＡＩであるとみなすことができるパーソナライズドＡＩを作成することを説明する。本例では、ランダムに作成したフェイクログを用いて、複数のパーソナライズドＡＩを作成し、作成された複数のパーソナライズドＡＩのそれぞれに質問に回答させることによって、個人の回答と同一の回答を出力可能なパーソナライズドＡＩを識別する。
【0191】
１００組のフェイクログを利用して１００個のパーソナライズドＡＩを作成する。１つの文章生成モデルに１組のフェイクログを学習させる。１００組のフェイクログはランダム関数を用いてランダムな文字および記号列として作成される。
【0192】
個人に与えられる質問は、○または×の２選択で回答する問いを合計２問備える質問である。回答は、○○、○×、×○、××の４通りのうちのいずれかとなる。或る個人に、この質問に回答させる。
【0193】
他方で、１００個のパーソナライズドＡＩのそれぞれに、同一の質問（○または×の２選択で回答する問いを合計２問そなえる）に回答させる。
【0194】
或る個人による回答が○×であったとき、１００個のパーソナライズドＡＩのうち、○×と回答したパーソナライズドＡＩが、個人の回答と同一の回答を出力可能なパーソナライズドＡＩとして識別される。
【0195】
この例では、４分の１の確率で個人の回答と同一の回答を出力可能なパーソナライズドＡＩが識別されると見込まれる。
【0196】
このように、質問の回答の「場合の数」に対して十分に大きい数のパーソナライズドＡＩを作成することにより、個人の回答と同一の回答を出力可能なパーソナライズドＡＩが識別される可能性は十分に高くなると考えられる。作成すべきパーソナライズドＡＩの数が発散しないようにするため、または、計算量が膨大にならないようにするために、回答の「場合の数」を制限することが好ましくあり得る。
【0197】
上述した例では、システム１００が、デジタルクローンアンケート調査のためサービスを提供するサービスプロバイダに設置されているコンピュータ（例えば、サーバ装置）である場合を例に説明したが、本発明は、これに限定されない。システム１００は、プロセッサ部を備える任意の情報処理装置であり得る。システム１００は、例えば、ユーザの端末装置であってもよい。
【実施例0198】
（パーソナライズドＡＩの作成）
本実施例では、既存の文章生成モデルをベースにして、個人の表現に従った文章を日本語で生成することが可能なパーソナライズドＡＩを作成した。
本実施例では、既存の文章生成モデルをベースにして、個人の表現に従った文章を日本語で生成することが可能なパーソナライズドＡＩを作成した。
【0199】
既存の文章生成モデルとして、ＯｐｅｎＡＩによって開発された汎用の文章生成モデルＧＰＴ－２ｍｏｄｅｌを利用した。ＧＰＴ－２ｍｏｄｅｌは、２０２０年時点では日本語に非対応であったため、まずは、日本語の文章を生成することが可能な日本語版ＧＰＴ－２ｍｏｄｅｌを作成した。
【0200】
日本語版ＧＰＴ－２ｍｏｄｅｌを作成するための学習データを作成するために、日本語のＷｉｋｉｐｅｄｉａ ＸＭＬ ｄｕｍｐ ｆｉｌｅ（https://dumps.wikimedia.org/jamwiki/20200501）のデータを利用し、コーパスデータを生成した。コーパスデータから、Ｗｉｋｉｐｅｄｉａの記事の９０％を含むトレーニングデータ、Ｗｉｋｉｐｅｄｉａの記事の５％を含むバリデーションデータ、Ｗｉｋｉｐｅｄｉａの記事の５％を含むテストデータを生成した。
【0201】
ＧＰＴ－２ｍｏｄｅｌをトレーニングデータで訓練し、訓練されたモデルをバリデーションデータおよびテストデータで検証およびテストした。訓練は、Ｈｕｇｇｉｎｇｆａｃｅ’ｓ ｔｒａｎｓｆｏｒｍｅｒｓ ｌｉｂｒａｒｙから利用可能なＰｙｔｏｒｃｈ ｉｍｐｌｅｍｅｎｔａｔｉｏｎを使用して１ ＧＰＵ ＧｅＦｏｒｃｅ ＲＴＸＴＭ ２０８０上で行った。モデルのサイズは、ＧＰＴ－２ ｓｍａｌｌの１０２４よりも小さい７６８のｅｍｂｅｄｄｉｎｇ ｓｉｚｅ、ｐｏｓｉｔｉｏｎ ｅｍｂｅｄｄｉｎｇ ｓｉｚｅ、ｃｏｎｔｅｘｔ ｓｉｚｅを用いたこと以外は、Ｎ＝１２層を有するＧＰＴ－２ ｓｍａｌｌに対応している。３２のバッチサイズに対応する、ｇｒａｄｉｅｎｔ ａｃｃｕｍｕｌａｔｉｏｎ ｓｔｅｐ １６のバッチサイズ２を使用した。１ｅ－４の初期学習率を使用した。５エポックでモデルを訓練した。
【0202】
ｐｅｒｐｌｅｘｉｔｙの尺度を用いて、訓練されたＧＰＴ－２ｍｏｄｅｌをテストデータで評価した。ｐｅｒｐｌｅｘｉｔｙは、１９．３１であった。
【0203】
次に、訓練された日本語版ＧＰＴ－２ｍｏｄｅｌを或る１人の個人の表現でファインチューニングした。まず、その個人の表現のテキストを収集した。その個人によるチャット履歴およびソーシャルメディアへの投稿からその個人の表現のテキストを収集した。収集されたテキストから、短すぎる文、含まれる単語が少なすぎる文、ＵＲＬ、句読点等を除去した。表１は、収集されたテキストの統計を示している。
【表1】
【0204】
収集されたテキストを用いて、日本語版ＧＰＴ－２ｍｏｄｅｌをファインチューニングした。ファインチューニングのために用いられるデータに過剰適合しないように、２ｅ－５の学習率でファインチューニングした。
【0205】
表２は、ファインチューニングをしていない日本語版ＧＰＴ－２ｍｏｄｅｌによって生成された文章と、ファインチューニングした日本語版ＧＰＴ－２ｍｏｄｅｌによって生成された文章とを示す。「この報告書は」、「このプロジェクトは」、「自然言語処理は」という３つのプロンプトを与えたときのそれぞれの結果が示されている。
【表2-1】
【表2-2】
【表2-3】
【0206】
表２では、ファインチューニングをしていない日本語版ＧＰＴ－２ｍｏｄｅｌが、より堅苦しい表現で文章を生成している一方で、ファインチューニングした日本語版ＧＰＴ－２ｍｏｄｅｌが、個人の表現に従って、文章を生成していることが分かる。注目すべきは、ファインチューニングした日本語版ＧＰＴ－２ｍｏｄｅｌが、個人の表現として、＾＾等の絵文字を使用することまでも学習していることである。
【0207】
ファインチューニングした日本語版ＧＰＴ－２ｍｏｄｅｌにより、個人の表現で文章を生成することが可能なパーソナライズドＡＩを実現することができる。
【0208】
本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。
【産業上の利用可能性】
【0209】
本発明は、複数のパーソナライズドＡＩを利用した、アンケート調査のためのシステム等を提供することができるという点で有用である。
【符号の説明】
【0210】
Ｑ 質問者
ＰＡＩ１～ＰＡＩＭ パーソナライズドＡＩ
１００ システム
１１０ インターフェース部
１２０ プロセッサ部
１３０ メモリ部
２００ データベース部
３００ 端末装置
４００ ネットワーク
ＰＡＩ１～ＰＡＩＭ パーソナライズドＡＩ
１００ システム
１１０ インターフェース部
１２０ プロセッサ部
１３０ メモリ部
２００ データベース部
３００ 端末装置
４００ ネットワーク
【図1A】
【図1B】
【図2A】
【図2B】
【図2C】
【図3】
【図4A】
【図4B】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12A】
【図12B】
【手続補正書】
【提出日】2021-12-01
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
アンケート調査のためのシステムであって、
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備え、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、システム。
アンケート調査のための質問を受信する受信手段と、
複数のパーソナライズドＡＩであって、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力するように構成されている、複数のパーソナライズドＡＩと、
前記複数のパーソナライズドＡＩの各々からの出力を集計する集計手段と
を備え、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計手段は、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計する、システム。
【請求項2】
前記複数のパーソナライズドＡＩの各々は、相互に異なる個人の表現を学習しており、前記複数のパーソナライズドＡＩの各々は、前記学習した個人の表現に従って、文章を生成することが可能であり、
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
請求項１に記載のシステム。
前記複数のパーソナライズドＡＩの各々は、前記質問に対する回答として、前記学習した個人の表現に従った文章を出力する、
請求項１に記載のシステム。
【請求項3】
文章に込められた感情を認識することが可能な感情認識手段をさらに備え、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
請求項２に記載のシステム、
前記感情認識手段は、
前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答に込められた複数の感情を認識することと、
前記認識された複数の感情に基づく出力を生成することと
を行うように構成されており、
前記集計手段は、前記複数の感情に基づく出力を集計する、
請求項２に記載のシステム、
【請求項4】
前記感情認識手段は、
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
請求項３に記載のシステム。
前記複数の感情のうち第１の感情が最も多い場合に第１の出力を生成し、
前記複数の感情のうち第２の感情が最も多い場合に第２の出力を生成する、
請求項３に記載のシステム。
【請求項5】
前記複数のパーソナライズドＡＩの各々は、前記個人の表現の偏りを是正することなく、前記個人の表現を学習している、請求項２～４のいずれか一項に記載のシステム。
【請求項6】
前記個人の表現は、実在する個人による表現である、請求項５に記載のシステム。
【請求項7】
前記個人の表現は、仮想的な個人による表現である、請求項５に記載のシステム。
【請求項8】
アンケート調査のための方法であって、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含み、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計することは、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計することを含む、方法。
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を含み、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計することは、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計することを含む、方法。
【請求項9】
アンケート調査のためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせ、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計することは、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計することを含む、プログラム。
アンケート調査のための質問を受信することと、
複数のパーソナライズドＡＩを用いて、前記質問に対する複数の回答を出力することと、
前記複数のパーソナライズドＡＩの各々からの出力を集計することと
を前記プロセッサ部に行わせ、前記複数のパーソナライズドＡＩの各々は、前記受信された質問に対して回答を出力することを複数回繰り返すことによって複数の回答を出力し、
前記集計することは、前記複数のパーソナライズドＡＩの各々から出力された前記複数の回答を集計することを含む、プログラム。
【請求項10】
個人の表現を学習したパーソナライズドＡＩを作成する方法であって、
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
文章を生成することが可能なモデルを準備することと、
前記モデルに、個人の表現の偏りを是正することなく、前記個人の表現を学習させることと
を含む、方法。
【請求項11】
質問に対して回答を出力可能なパーソナライズドＡＩを作成する方法であって、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、方法。
【請求項12】
前記複数の個人の表現は、
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、請求項１１に記載の方法。
複数のライフログを取得することと、
前記複数のライフログから複数の個人の表現を抽出することと
によって準備され、前記複数のライフログは、少なくとも１つの仮想的なライフログを含む、請求項１１に記載の方法。
【請求項13】
前記少なくとも１つの仮想的なライフログは、少なくとも１つのパーソナライズドＡＩから生成されている、請求項１２に記載の方法。
【請求項14】
前記１つの学習済モデルを決定することは、前記個人が回答した結果に最も近い回答を出力する１つの学習済モデルを決定することを含む、請求項１１～１３のいずれか一項に記載の方法。
【請求項15】
前記１つの学習済モデルを決定することは、
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、請求項１１～１４のいずれか一項に記載の方法。
（１）前記複数の学習済モデルのうちの少なくとも１つから少なくとも１つの仮想的な個人の表現を出力することと、
（２）前記複数のモデルに前記出力された少なくとも１つの仮想的な個人の表現を学習させることにより、少なくとも１つの第２の学習済モデルを生成することであって、前記複数のモデルのうちの１つに１つの仮想的な個人の表現を学習させることにより、１つの第２の学習済モデルが生成される、ことと、
（３）前記少なくとも１つの第２の学習済モデルから前記質問に対する回答を出力することと、
（４）前記複数の学習済モデルから出力された複数の回答と、前記少なくとも１つの第２の学習済モデルから出力された回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む、請求項１１～１４のいずれか一項に記載の方法。
【請求項16】
前記１つの学習済モデルを決定することは、
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、請求項１５に記載の方法。
所定の条件を満たすまで、前記（１）～前記（３）を繰り返すことであって、前記（１）は、前記少なくとも１つの第２の学習済モデルから少なくとも１つの仮想的な個人の表現を出力することをさらに含み、前記（４）は、
前記複数の学習済モデルおよび前記少なくとも１つの第２の学習済モデルの中から、所定の条件を満たす１つの学習済モデルを特定すること
を含む、請求項１５に記載の方法。
【請求項17】
前記所定の条件は、前記複数の学習済モデルから出力された複数の回答および前記少なくとも１つの第２の学習済モデルから出力された回答のうちのいずれか１つと、前記個人が回答した結果との類似度が所定の閾値を超えることを含む、請求項１６に記載の方法。
【請求項18】
前記複数のパーソナライズドＡＩは、請求項１０～１７に記載の方法に従って作成されたパーソナライズドＡＩを含む、請求項１～７のいずれか一項に記載のシステム。
【請求項19】
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのシステムであって、
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
個人が質問に対して回答した結果を取得する手段と、
文章を生成することが可能な複数のモデルを準備する手段と、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成する手段であって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、手段と、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力する手段と、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定する手段と
を備えるシステム。
【請求項20】
質問に対して回答を出力可能なパーソナライズドＡＩを作成するためのプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
個人が質問に対して回答した結果を取得することと、
文章を生成することが可能な複数のモデルを準備することと、
前記複数のモデルに複数の個人の表現を学習させることにより、複数の学習済モデルを生成することであって、前記複数のモデルのうちの１つに前記複数の個人の表現のうちの１つを学習させることにより、１つの学習済モデルが生成され、前記複数の個人の表現は、少なくとも１人の仮想的な個人の表現を含む、ことと、
前記複数の学習済モデルのそれぞれから前記質問に対する回答を出力することと、
前記複数の学習済モデルから出力された複数の回答と、前記結果とに基づいて、１つの学習済モデルを決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。