特開 2023-184563 複数のコンテンツタイプの教育コンテンツの理解度ベースの識別

(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】P2023184563

(43)【公開日】2023-12-28

(54)【発明の名称】複数のコンテンツタイプの教育コンテンツの理解度ベースの識別

(51)【国際特許分類】

   G06F 16/9035 20190101AFI20231221BHJP

【ＦＩ】

G06F16/9035

【審査請求】有

【請求項の数】15

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2023176986

(22)【出願日】2023-10-12

(62)【分割の表示】P 2021545762の分割

【原出願日】2019-03-01

(31)【優先権主張番号】62/801,617

(32)【優先日】2019-02-05

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】502208397

【氏名又は名称】グーグル エルエルシー

【氏名又は名称原語表記】Ｇｏｏｇｌｅ ＬＬＣ

【住所又は居所原語表記】１６００ Ａｍｐｈｉｔｈｅａｔｒｅ Ｐａｒｋｗａｙ ９４０４３ Ｍｏｕｎｔａｉｎ Ｖｉｅｗ， ＣＡ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】アルトゥール・ロドリゲス

(72)【発明者】

【氏名】ミンディー・ブルックス

(72)【発明者】

【氏名】ラファエル・ダンタス・デ・カストロ

(72)【発明者】

【氏名】ソニア・フランケル

(72)【発明者】

【氏名】ブルーノ・ジニス・デ・ポーラ

(57)【要約】

【課題】複数のコンテンツタイプの教育コンテンツの理解度ベースの識別を開示する。
【解決手段】
方法は、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定するステップであって、理解度ランク付け信号が、少なくとも1つの機械学習モデルからコンテンツアイテムに対して生成された学習属性スコアに基づく、ステップと、ユーザ要求に対応するユーザの学習レベルを決定するステップと、学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいてコンテンツアイテムをランク付けするステップと、コンテンツアイテムの前記ランク付けに従って、コンテンツアイテムの推奨を提供するステップとを含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

処理デバイスによって、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定するステップであって、前記理解度ランク付け信号が、少なくとも1つの機械学習モデルから前記コンテンツアイテムに対して生成された学習属性スコアに基づく、ステップと、
前記ユーザ要求に対応するユーザの学習レベルを決定するステップと、
前記学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて前記コンテンツアイテムをランク付けするステップと、
前記コンテンツアイテムの前記ランク付けに従って、前記処理デバイスによって、前記コンテンツアイテムの推奨を提供するステップと、
前記ユーザの前記学習レベルの新しい学習レベルへの変化を識別するステップと、
前記新しい学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて、前記コンテンツアイテムの前記推奨を更新するステップと、
前記コンテンツアイテムの前記更新されたランク付けに従って、前記コンテンツアイテムの前記推奨を自動的に更新するステップと
を備える、方法。

【請求項2】

前記ユーザ要求が、アプリケーションの一部への検索クエリまたはナビゲーションのうちの少なくとも1つを備える、請求項1に記載の方法。

【請求項3】

前記アプリケーションが、クライアントデバイスのホーム画面のユーザインターフェース上のアプリケーションランチャを備える、請求項2に記載の方法。

【請求項4】

前記ユーザ要求が、学習体験に関連付けられる主題に対応する、請求項1に記載の方法。

【請求項5】

前記コンテンツアイテムが、アプリケーション、ビデオ、書籍、またはウェブページのうちの少なくとも1つを備える、請求項1に記載の方法。

【請求項6】

前記推奨を提供するステップが、ランクの低いコンテンツアイテムよりもランクの高いコンテンツアイテムを推奨するステップを備える、請求項1に記載の方法。

【請求項7】

前記コンテンツアイテムに対する前記ユーザの関心レベルに基づいて前記コンテンツアイテムの前記ランク付けを修正するステップをさらに備える、請求項1に記載の方法。

【請求項8】

前記学習属性スコアが、魅力、深さ、発想性、学習の影響、または発達の適切性のうちの2つ以上を備える学習属性に対応する、請求項1に記載の方法。

【請求項9】

前記少なくとも1つの機械学習モデルが、複数の学習レベルの各々の学習属性ごとの機械学習モデルを備える、請求項8に記載の方法。

【請求項10】

前記少なくとも1つの機械学習モデルが、サンプルコンテンツアイテムの手動評価およびあらかじめ定められた学習レベルを使用してトレーニングされる、請求項1に記載の方法。

【請求項11】

前記少なくとも1つの機械学習モデルによって生成された前記学習属性スコアが、前記理解度ランク付け信号を生成するために、組み合わされる、請求項1に記載の方法。

【請求項12】

前記学習属性スコアを組み合わせることが、前記学習属性スコアに重みを適用することを備える、請求項11に記載の方法。

【請求項13】

前記コンテンツアイテムのうちの少なくとも1つを学習ツリーに配置するために、前記理解度ランク付け信号が使用される、請求項1に記載の方法。

【請求項14】

前記ユーザの前記学習レベルが、ユーザアーティファクト、ユーザメトリック、または前記学習レベルの手動ユーザ入力のうちの少なくとも1つに基づく、請求項1に記載の方法。

【請求項15】

前記コンテンツアイテムの前記更新された推奨に基づいて、クライアントデバイスのユーザインターフェース(UI)を介して提供される推奨されるコンテンツアイテムを自動的にインストールするステップ、自動的にアンインストールするステップ、または自動的に更新するステップのうちの少なくとも1つをさらに備える、請求項1に記載の方法。

【請求項16】

メモリと、
前記メモリに結合された処理デバイスと
を備え、前記処理デバイスが、
ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定することであって、前記理解度ランク付け信号が、少なくとも1つの機械学習モデルから前記コンテンツアイテムに対して生成された学習属性スコアに基づく、決定することと、
前記ユーザ要求に対応するユーザの学習レベルを決定することと、
前記学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて前記コンテンツアイテムをランク付けすることと、
前記コンテンツアイテムの前記ランク付けに従って、前記コンテンツアイテムの推奨を提供することと、
前記ユーザの前記学習レベルの新しい学習レベルへの変化を識別することと、
前記新しい学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて、前記コンテンツアイテムの前記推奨を更新することと、
クライアントデバイスのユーザインターフェース(UI)を介して提供される推奨されるコンテンツアイテムを、前記コンテンツアイテムの前記更新された推奨に基づいて自動的にインストールさせることと
を行う、システム。

【請求項17】

前記ユーザ要求が、アプリケーションの一部への検索クエリまたはナビゲーションのうちの少なくとも1つを備える、請求項16に記載のシステム。

【請求項18】

前記コンテンツアイテムが、アプリケーション、ビデオ、書籍、またはウェブページのうちの少なくとも1つを備える、請求項16に記載のシステム。

【請求項19】

前記少なくとも1つの機械学習モデルが、複数の学習レベルの各々の学習属性ごとの機械学習モデルを備え、前記学習属性スコアが、魅力、深さ、発想性、学習の影響、または発達の適切性のうちの2つ以上を備える学習属性に対応する、請求項16に記載のシステム。

【請求項20】

前記少なくとも1つの機械学習モデルが、サンプルコンテンツアイテムの手動評価およびあらかじめ定められた学習レベルを使用してトレーニングされる、請求項16に記載のシステム。

【請求項21】

前記少なくとも1つの機械学習モデルによって生成された前記学習属性スコアが、前記理解度ランク付け信号を生成するために、組み合わされ、前記学習属性スコアを組み合わせることが、前記学習属性スコアに重みを適用することを備える、請求項16に記載のシステム。

【請求項22】

前記ユーザの前記学習レベルが、ユーザアーティファクト、ユーザメトリック、または前記学習レベルの手動ユーザ入力のうちの少なくとも1つに基づく、請求項16に記載のシステム。

【請求項23】

前記処理デバイスが、前記コンテンツアイテムの前記更新された推奨に基づいて、前記クライアントデバイスの前記UIを介して提供される推奨されるコンテンツアイテムを自動的にアンインストールすること、または自動的に更新することのうちの少なくとも1つをさらに行う、請求項16に記載のシステム。

【請求項24】

実行されると、処理デバイスに、
前記処理デバイスによって、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定することであって、前記理解度ランク付け信号が、少なくとも1つの機械学習モデルから前記コンテンツアイテムに対して生成された学習属性スコアに基づく、決定することと、
前記ユーザ要求に対応するユーザの学習レベルを決定することと、
前記学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて前記コンテンツアイテムをランク付けすることと、
前記コンテンツアイテムの前記ランク付けに従って、前記処理デバイスによって、前記コンテンツアイテムの推奨を提供することと、
前記ユーザの前記学習レベルの新しい学習レベルへの変化を識別することと、
前記新しい学習レベルと前記コンテンツアイテムの前記それぞれの理解度ランク付け信号との間のマッピングに基づいて、前記コンテンツアイテムの前記推奨を更新することと、
前記コンテンツアイテムの前記更新されたランク付けに従って、前記コンテンツアイテムの前記推奨を自動的に更新することと
を備える動作を実行させる命令を記憶する、非一時的機械可読記憶媒体。

【請求項25】

前記ユーザ要求が、アプリケーションの一部への検索クエリまたはナビゲーションのうちの少なくとも1つを備える、請求項24に記載の非一時的機械可読記憶媒体。

【請求項26】

前記コンテンツアイテムが、アプリケーション、ビデオ、書籍、またはウェブページのうちの少なくとも1つを備える、請求項24に記載の非一時的機械可読記憶媒体。

【請求項27】

前記コンテンツアイテムに対する前記ユーザの関心レベルに基づいて前記コンテンツアイテムの前記ランク付けを修正することをさらに備える、請求項24に記載の非一時的機械可読記憶媒体。

【請求項28】

前記少なくとも1つの機械学習モデルが、複数の学習レベルの各々の学習属性ごとの機械学習モデルを備え、前記学習属性スコアが、魅力、深さ、発想性、学習の影響、または発達の適切性のうちの2つ以上を備える学習属性に対応する、請求項24に記載の非一時的機械可読記憶媒体。

【請求項29】

前記少なくとも1つの機械学習モデルによって生成された前記学習属性スコアが、前記理解度ランク付け信号を生成するために、組み合わされ、前記学習属性スコアを組み合わせることが、前記学習属性スコアに重みを適用することを備える、請求項24に記載の非一時的機械可読記憶媒体。

【請求項30】

前記コンテンツアイテムの前記更新された推奨に基づいて、クライアントデバイスのユーザインターフェース(UI)を介して提供される推奨されるコンテンツアイテムを自動的にインストールすること、自動的にアンインストールすること、または自動的に更新することのうちの少なくとも1つをさらに備える、請求項24に記載の非一時的機械可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、コンテンツ共有プラットフォームの分野に関し、特に、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別に関する。

【背景技術】

【0002】

インターネットでは、コンテンツ共有プラットフォームを使用すると、ユーザは相互に接続して情報を共有することができる。そのようなプラットフォームのコンテンツ共有の態様により、ユーザは、ビデオコンテンツ、画像コンテンツ、オーディオコンテンツ、テキストコンテンツ、ウェブサイト、アプリケーション、チャネル、プレイリストなどのコンテンツ(総称して「メディアアイテム」または「コンテンツアイテム」と呼ばれ得る)をアップロード、閲覧、および共有することができる。そのような閲覧および共有可能なコンテンツアイテムは、オーディオクリップ、ムービークリップ、TVクリップ、およびミュージックビデオ、ならびにビデオブログ、短いオリジナルビデオ、絵画、写真、他のマルチメディアコンテンツなどのアマチュアコンテンツを含み得る。ユーザは、メディアアイテムを使用、再生、および/または消費する(たとえば、デジタルビデオを見る、および/またはデジタル音楽を聴く)ために、コンピューティングデバイス(スマートフォン、セルラー電話、ラップトップコンピュータ、デスクトップコンピュータ、ネットブック、タブレットコンピュータ、ネットワーク接続テレビなど)を使用し得る。

【発明の概要】

【課題を解決するための手段】

【0003】

以下は、本開示のいくつかの態様の基本的な理解を提供するための、本開示の簡略化された要約である。この要約は、本開示の広範な概要ではない。これは、本開示の重要な要素または不可欠な要素を特定することも、本開示の特定の実装形態の範囲または特許請求の範囲を描写することも意図されていない。その唯一の目的は、後で提示されるより詳細な説明の前置きとして、本開示のいくつかの概念を簡略化された形で提示することである。

【0004】

本開示の一態様では、方法は、処理デバイスによって、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定するステップであって、理解度ランク付け信号が、少なくとも1つの機械学習モデルからコンテンツアイテムに対して生成された学習属性スコアに基づく、ステップと、ユーザ要求に対応するユーザの学習レベルを決定するステップと、学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいてコンテンツアイテムをランク付けするステップと、コンテンツアイテムのランク付けに従って、処理デバイスによって、コンテンツアイテムの推奨を提供するステップとを含む。

【0005】

いくつかの実装形態では、本方法は、ユーザの学習レベルの新しい学習レベルへの変化を識別するステップと、新しい学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいて、コンテンツアイテムの推奨を更新するステップと、コンテンツアイテムの更新されたランク付けに従って、コンテンツアイテムの推奨を自動的に更新するステップとをさらに含む。

【0006】

一実装形態では、本方法のユーザ要求は、アプリケーションの一部への検索クエリまたはナビゲーションのうちの少なくとも1つを含む。さらに、アプリケーションは、クライアントデバイスのホーム画面のユーザインターフェース上のアプリケーションランチャであり得る。さらに、ユーザ要求は、学習体験に関連付けられる主題に対応し得る。

【0007】

一実装形態では、コンテンツアイテムは、アプリケーション、ビデオ、書籍、またはウェブページのうちの少なくとも1つを含む。さらに、本方法の推奨を提供するステップは、ランクの低いコンテンツアイテムよりもランクの高いコンテンツアイテムを推奨するステップを含み得る。さらに、本方法は、コンテンツアイテムに対するユーザの関心レベルに基づいてコンテンツアイテムのランク付けを修正するステップをさらに含み得る。

【0008】

いくつかの実装形態では、学習属性スコアは、魅力、深さ、発想性(sparkability)、学習の影響、または発達の適切性のうちの2つ以上を含む学習属性に対応する。少なくとも1つの機械学習モデルは、複数の学習レベルの各々の学習属性ごとの機械学習モデルを含み得る。さらに、少なくとも1つの機械学習モデルは、サンプルコンテンツアイテムの手動評価およびあらかじめ定められた学習レベルを使用してトレーニングされ得る。一実装形態では、少なくとも1つの機械学習モデルによって生成された学習属性スコアは、理解度ランク付け信号を生成するために、組み合わされる。

【0009】

一実装形態では、本方法の学習属性スコアを組み合わせることは、学習属性スコアに重みを適用することを含む。さらに、コンテンツアイテムのうちの少なくとも1つを学習ツリーに配置するために、理解度ランク付け信号が使用され得る。さらに、ユーザの学習レベルは、ユーザアーティファクト、ユーザメトリック、または学習レベルの手動ユーザ入力のうちの少なくとも1つに基づき得る。いくつかの実装形態では、本方法は、コンテンツアイテムの更新された推奨に基づいて、クライアントデバイスのユーザインターフェース(UI)を介して提供される推奨されるコンテンツアイテムを自動的にインストールするステップ、自動的にアンインストールするステップ、または自動的に更新するステップのうちの少なくとも1つをさらに含み得る。

【0010】

上記の方法の動作を実行するためのコンピューティングデバイス、および本明細書で説明される様々な実装形態が開示される。上記の方法および本明細書で説明される様々な実装形態に関連付けられる動作を実行するための命令を記憶するコンピュータ可読媒体もまた開示される。

【0011】

本開示は、添付の図面の図において、限定としてではなく、例として示されている。

【図面の簡単な説明】

【0012】

【図1】本開示の実装形態が実装され得る例示的なネットワークアーキテクチャを示すブロック図である。

【図2】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための方法を示す流れ図である。

【図3】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のためのユーザの学習レベルを識別するための方法を示す流れ図である。

【図4A】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための、理解度ランク付け信号を生成し、理解度ランク付け信号を利用するための方法を示す流れ図である。

【図4B】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための、理解度ランク付け信号を生成し、理解度ランク付け信号を利用するための方法を示す流れ図である。

【図5】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための機械学習モデルをトレーニングするための方法を示す流れ図である。

【図6】ある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための漸進的なコンテンツ推奨更新のための方法を示す流れ図である。

【図7】本開示の実装形態による、理解度ベースの教育コンテンツの提案を提供する学習アプリケーションのホーム画面のユーザインターフェースの例示的なスクリーンショットを示す図である。

【図8】ある実装形態による、コンピュータシステムの一実装形態を示すブロック図である。

【発明を実施するための形態】

【0013】

本開示の態様および実装形態は、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別を対象とする。要求しているユーザの理解レベルに適切で関連性のある教育コンテンツの識別、キュレーション、および提示を可能にする学習コンテンツシステムの実装形態について説明する。教育コンテンツとは、有益な、情報提供の、学術的な、および/または安全な(たとえば、成人用、暴力的、または露骨ではない)1つまたは複数のコンテンツアイテムを指し得る。

【0014】

本開示の実装形態は、教育的であり、コンテンツと相互作用しているユーザにとって対応する理解レベルであるコンテンツを識別し得る。たとえば、学習コンテンツシステムは、ユーザにとって教育的であるトピック(たとえば、主題、人、場所、物など)を識別することと、これらのトピックの異なるユーザ理解レベルグループのコンテンツアイテム(たとえば、アプリケーション、ビデオ、書籍、ウェブサイトなど)を識別することと、理解度および他のメトリック(たとえば、関心レベルなど)に従って、識別されたコンテンツアイテムをランク付けすることと、コンテンツ共有プラットフォームの学習コンテンツインターフェースにコンテンツを公開することとを行い得る。一実装形態では、学習コンテンツインターフェースは、コンテンツ共有プラットフォームに関連付けられる学習固有のアプリケーションのホーム画面ユーザインターフェース(UI)を含み得る。

【0015】

学習および/または教育環境向けの既存のコンテンツキュレーション解決策は、一般に、ユーザの異なる学習レベル(理解レベル)に適切で関連性のある教育コンテンツを識別、キュレート、および提示するプロセスを自動化しない。学習および/または教育環境向けの既存のコンテンツキュレーション解決策は、通常、コンテンツのコーパス全体から少数のコンテンツセットを人間が選択するホワイトリストアプローチを提供する。しかしながら、コンテンツキュレーションの現在のプラットフォームでは、人間がレビューするのに実際的であるよりも多くのアップロードされたコンテンツが解析され得る(たとえば、毎分多くのプラットフォームにアップロードされた300時間のビデオ、毎日のように利用可能で紹介されている多数のアプリケーション、書籍、およびウェブサイトなど)。本開示の態様とは異なり、これらの既存の解決策は、通常、アルゴリズム的に実行されておらず、大量のコンテンツを使用せず、および/または高い割合の着信する新しいコンテンツ、ならびに大量の基本コンテンツも持たない。

【0016】

本開示の実施形態によって対処される技術的問題は、教育的価値とユーザへの理解度の観点から、ユーザのためにキュレートする理想的なコンテンツアイテムのセットを決定しようとするときに、クライアントデバイスとサーバとの間の過剰な通信によって、不必要な処理リソースおよびネットワーク帯域幅リソースが消費される可能性があることである。たとえば、特定のユーザの理解レベルに対応する関連する教育コンテンツの検索クエリをタイプ入力すると、ユーザにとって最も関連性の高いコンテンツにドリルダウンするために、複数の試行が必要になることがよくある。複数の要求は、クライアントデバイスとサーバデバイスの両方において処理リソースを望ましくなく消費する可能性がある。これは、バッテリの寿命が限られており、ネットワークを介して複数の要求を処理するとバッテリが消耗し、デバイスのネットワーク帯域幅が消費されるクライアントデバイスにおいて特に問題になる。

【0017】

さらに、アプリケーション内の検索クエリまたはユーザナビゲーションの結果として、無関係で望ましくないコンテンツアイテムがユーザに提示されるたびに、ユーザは、アプリケーション内の新しい検索要求または追加のナビゲーションを介して更新されたコンテンツを要求し続けることができる。これらの追加の要求は、更新された要求に基づいてコンテンツアイテムを検索するために、クライアントデバイスからサーバに送信される。サーバは、検索またはナビゲーションのユーザインターフェースを表示しているクライアントデバイスに、異なるコンテンツアイテムを含む新しい結果を提案として送信し得る。更新された提案を転送するためのデータペイロードは、サムネイル、メディアコンテンツアイテムの完全なビデオファイル、およびメタデータ(たとえば、メディアコンテンツアイテムのタイトルおよび説明)を含み得る。ユーザが検索クエリを入力するか、ナビゲートを続けるときに複数のデータペイロードを送信すると、ルックアップを実行するためにサーバにおいて処理リソースを消費すること、提案されたコンテンツアイテムのリストを表示することによってクライアントデバイスにおいてリソースを処理すること、更新された要求が入力されたときに複数のデータペイロードを送信することによってネットワーク帯域幅リソースを消費することなどが行われ得る。これにより、ユーザが所望のコンテンツアイテムの提案に到達するまでのプロセスが遅くなる。

【0018】

ランク付けされた検索結果は、既存の検索エンジンにおいても利用されている。しかしながら、この知られている解決策は、要求しているユーザの学習レベル(理解レベル)と合致および/または一致する教育コンテンツを決定する際の不正確さに悩まされている。さらに、これらの知られている解決策は、ユーザの理解レベルが変化しても、ユーザに提案されたコンテンツを漸進的に更新することはない。

【0019】

上記で識別された技術的問題に対する技術的解決策は、教育的であり、コンテンツと相互作用しているユーザにとって適切な学習レベル(理解レベル)であるコンテンツを識別することを含み得る。たとえば、学習コンテンツシステムは、教育的であるコンテンツ(たとえば、アプリケーション、ビデオ、書籍、ウェブサイトなど)を識別するために機械学習を利用することと、異なるユーザ学習レベル(理解レベル)グループに対してそのようなコンテンツをアルゴリズム的に選択することと、ユーザの学習レベルおよび他のメトリック(たとえば、関心レベルなど)に従って、選択されたコンテンツをランク付けすることと、コンテンツ共有プラットフォームの学習コンテンツインターフェースにコンテンツを公開することとを行い得る。一実装形態では、学習コンテンツインターフェースは、コンテンツ共有プラットフォームに関連付けられる学習固有のアプリケーションのホーム画面UIを含み得る。あるいは、学習コンテンツプラットフォームは、様々なサードパーティプラットフォーム(たとえば、様々なソーシャルネットワーキングプラットフォーム、検索エンジンプラットフォーム、メディアサービスプラットフォーム、オンラインニュースプラットフォーム、コンテンツ共有プラットフォームなど)のユーザの適切な学習レベルにおける教育コンテンツを識別するサービスを提供し得る。

【0020】

さらに、学習コンテンツシステムは、ユーザに提供されるコンテンツキュレーションを動的かつ漸進的に更新することによって、ユーザの学習レベルの変化に対応するために、ユーザの学習レベルを継続的および/または定期的に再評価することができる。ユーザの学習レベルが次のレベルに向上する(または、より低いレベルに戻る)場合、学習コンテンツシステムは、ユーザによってアクセスされているコンテンツアイテムの理解度ランク付け信号の、ユーザの更新された学習レベルへのマッピングを再評価することができる。結果として、学習コンテンツシステムは、ユーザのために新しいおよび/または異なるコンテンツを動的に表示し、そのような更新されたコンテンツを要求するためのユーザの介入なしにそのようなコンテンツをユーザに提供することができる。これは、ユーザの介入なしに実行され得るため、コンテンツキュレーション(学習アプリケーションまたは他のサービスを使用)に関して、シームレスで、漸進的で、関連性のあるエクスペリエンスを提供する。さらに、クライアントデバイスとサーバとの間の通信の発生が少なくなるため、ユーザにとって最も関連性が高く、教育的で、理解しやすいコンテンツを表示するための処理リソースとネットワーク帯域幅が削減される。

【0021】

一実装形態では、コンテンツアイテムは、コンテンツの推奨に基づいて、コンピューティングデバイス上に自動的にインストール、アンインストール、および/または更新することができる。たとえば、ユーザの学習レベルが次のレベルに向上すると、ユーザの新しいレベルに適した新しいコンテンツを、ユーザの介入なしにユーザのコンピューティングデバイスに自動的にインストールすることができる。同様に、ユーザの新しいレベルに適さなくなった古いコンテンツを、ユーザの介入なしに、ユーザのコンピューティングデバイスから自動的にアンインストールすることができる。別の例として、ユーザの新しいレベルに適さなくなったコンテンツは、更新されたコンテンツがユーザの新しいレベルに適切であるように、自動的に更新することができる(たとえば、コンテンツを異なるバージョンに置き換えるか、プラグインをインストールすることによって)。これにより、デバイス上の適切なセキュリティ権限、および/またはコンテンツをインストールまたはアンインストールする方法に関する十分な技術的知識を有するユーザなどは、コンピューティングデバイス上のコンテンツの手動インストール、アンインストール、および更新に関連付けられる問題を克服または軽減することができる。さらに、ユーザの学習レベルに適さなくなったコンテンツを自動的にアンインストールすることによって、コンピューティングデバイスの有限のデータ記憶容量をより有効に活用することができる。

【0022】

したがって、技術的効果は、ユーザの学習(理解)レベルに対応する教育コンテンツを表示するために必要な通信の数を削減することを含み得る。通信の数を削減すると、機械学習モデルに基づくバックエンドサーバ上で発生するコンテンツアイテムの識別とユーザの理解(学習レベル)の合致が向上するため、検索中に発生する処理リソース(リモートコントロール、クライアントデバイス、バックエンドサーバのすべての)とネットワーク帯域幅リソースも削減し得る。

【0023】

コンテンツアイテムがアフィニティスコアおよびユーザ履歴に基づいてランク付けされる、知られている解決策とは対照的に、本開示の実施形態では、機械学習は、要求するユーザの学習レベル(理解レベル)と合致する、および/または一致する、さらに、ユーザの変化する学習(理解)レベルに合致するように、ユーザの介入なしに漸進的に更新される、教育コンテンツを識別するために利用される。

【0024】

本開示は、しばしば、単純さと簡潔さのためにビデオを参照する。しかしながら、本開示の教示は、一般にメディアアイテムに適用され、たとえば、ビデオ、オーディオ、テキスト、画像、プログラム命令などを含む、様々なタイプのコンテンツまたはメディアアイテムに適用することができる。

【0025】

図1は、本開示の一実装形態による、例示的なシステムアーキテクチャ100を示している。システムアーキテクチャ100は、クライアントデバイス110Aから110Z、ネットワーク105、データストア106、コンテンツ共有プラットフォーム120、サーバ130、および他のプラットフォームサーバ150を含む。一実装形態では、ネットワーク105は、パブリックネットワーク(たとえば、インターネット)、プライベートネットワーク(たとえば、ローカルエリアネットワーク(LAN)またはワイドエリアネットワーク(WAN))、ワイヤードネットワーク(たとえば、イーサネットネットワーク)、ワイヤレスネットワーク(たとえば、802.11ネットワークまたはWi-Fiネットワーク)、セルラーネットワーク(たとえば、ロングタームエボリューション(LTE)ネットワーク)、ルータ、ハブ、スイッチ、サーバコンピュータ、および/またはそれらの組合せを含み得る。一実装形態では、データストア106は、メモリ(たとえば、ランダムアクセスメモリ)、キャッシュ、ドライブ(たとえば、ハードドライブ)、フラッシュドライブ、データベースシステム、あるいはデータを記憶することができる別のタイプのコンポーネントまたはデバイスであり得る。データストア106はまた、複数のコンピューティングデバイス(たとえば、複数のサーバコンピュータ)にわたることができる複数の記憶コンポーネント(たとえば、複数のドライブまたは複数のデータベース)を含み得る。

【0026】

クライアントデバイス110Aから110Zはそれぞれ、パーソナルコンピュータ(PC)、ラップトップ、モバイル電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続テレビなどのコンピューティングデバイスを含み得る。いくつかの実装形態では、クライアントデバイス110Aから110Zは、「ユーザデバイス」とも呼ばれ得る。各クライアントデバイスは、メディアビューア111を含む。一実装形態では、メディアビューア111は、ユーザが画像、ビデオ、ウェブページ、ドキュメントなどのコンテンツを閲覧することを可能にするアプリケーションであり得る。たとえば、メディアビューア111は、ウェブサーバによって提供されるコンテンツ(たとえば、ハイパーテキストマークアップ言語(HTML)ページ、デジタルメディアアイテムなどのウェブページ)にアクセス、検索、提示、および/またはナビゲートすることができるウェブブラウザであり得る。メディアビューア111は、コンテンツ(たとえば、ウェブページ、メディアビューア)をユーザにレンダリング、表示、および/または提示することができる。メディアビューア111はまた、ウェブページ(たとえば、オンライン業者によって販売された製品に関する情報を提供し得るウェブページ)に埋め込まれた埋込みメディアプレーヤ(たとえば、フラッシュ(登録商標)プレーヤまたはHTML5プレーヤ)を表示し得る。

【0027】

別の例では、メディアビューア111は、ユーザがデジタルメディアアイテム(たとえば、デジタルビデオ、デジタル画像、電子書籍など)を閲覧することを可能にするスタンドアロンアプリケーションであり得る。メディアビューア111は、アプリケーションランチャ(ランチャアプリケーション、ランチャアプリ、またはランチャとも呼ばれる)であり得る。アプリケーションランチャは、ユーザが他のコンピュータプログラムを見つけて起動するのに役立つコンピュータプログラムを指し得る。アプリケーションランチャは、モバイルデバイスにおけるアプリケーションエクスペリエンスのバックボーンを提供することと、起動時にデフォルトで開くなどの基本機能を実行することと、モバイルデバイスのホームボタンにデフォルトで割り当てられることと、インストール後のアプリケーション(「アプリ」)を記憶する場所を提供することとなどを行い得る。本開示の態様によれば、メディアビューア111は、アクセスするユーザの学習(理解)レベルに適したコンテンツをユーザが閲覧および検索することを可能にする教育固有または学習固有のアプリケーションであり得る。

【0028】

メディアビューア111は、サーバ130および/またはコンテンツ共有プラットフォーム120によって、クライアントデバイス110Aから110Zに提供され得る。たとえば、メディアビューア111は、コンテンツ共有プラットフォーム120によって提供されるウェブページに埋め込まれた埋込みメディアプレーヤであり得る。別の例では、メディアビューア111は、サーバ130からダウンロードされるアプリケーションであり得る。

【0029】

一般に、コンテンツ共有プラットフォーム120またはサーバ130、150によって実行されるものとして一実装形態で説明される機能は、必要に応じて、他の実装形態におけるクライアントデバイス110Aから110Zでも実行することができる。さらに、特定のコンポーネントに起因する機能は、一緒に動作する異なるコンポーネントまたは複数のコンポーネントによって実行することができる。コンテンツ共有プラットフォーム120はまた、適切なアプリケーションプログラミングインターフェースを通じて他のシステムまたはデバイスに提供されるサービスとしてアクセスすることができ、したがって、ウェブサイトにおける使用に限定されない。

【0030】

一実装形態では、コンテンツ共有プラットフォーム120および/またはサーバ130、150は、1つまたは複数のコンピューティングデバイス(ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータなど)、データストア(たとえば、ハードディスク、メモリ、データベース)、ネットワーク、ソフトウェアコンポーネント、および/またはユーザにメディアアイテムへのアクセスを提供するために、および/またはユーザにメディアアイテムへのアクセスを提供するために使用され得るハードウェアコンポーネントであり得る。たとえば、コンテンツ共有プラットフォーム120は、ユーザがメディアアイテムを消費、アップロード、検索、承認(「いいね」)、嫌い、および/またはコメントすることを可能にし得る。コンテンツ共有プラットフォーム120はまた、ユーザにメディアアイテムへのアクセスを提供するために使用され得るウェブサイト(たとえば、ウェブページ)またはアプリケーションバックエンドソフトウェアを含み得る。

【0031】

本開示の実装形態において、「ユーザ」は、単一の個人として表され得る。しかしながら、本開示の他の実装形態は、ユーザのセットおよび/または自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。たとえば、ソーシャルネットワークにおけるコミュニティとしてフェデレーションされた個々のユーザのセットは、「ユーザ」と見なされ得る。別の例では、自動化された消費者は、コンテンツ共有プラットフォーム120のトピックチャネルなどの自動化された取込みパイプラインであり得る。

【0032】

コンテンツ共有プラットフォーム120は、複数のチャネル(たとえば、チャネルA 122AからチャネルZ 122Z)を含み得る。チャネル122A～122Zは、共通のソースから入手可能なデータコンテンツ、あるいは共通のトピック、テーマ、または実体を有するデータコンテンツであり得る。データコンテンツは、ユーザによって選択されたデジタルコンテンツ、ユーザによって利用可能なデジタルコンテンツ、ユーザによってアップロードされたデジタルコンテンツ、コンテンツプロバイダによって選択されたデジタルコンテンツ、放送局によって選択されたデジタルコンテンツなどであり得る。たとえば、チャネルXは、ビデオYおよびZを含むことができる。チャネル122A～122Zは、チャネル上でアクションを実行することができるユーザである所有者に関連付けることができる。所有者がデジタルコンテンツをチャネル上で利用可能にする、所有者が別のチャネルに関連付けられるデジタルコンテンツを選択する(たとえば、いいね)、所有者が別のチャネルに関連付けられるデジタルコンテンツにコメントするなどの所有者のアクションに基づいて、異なるアクティビティをチャネル122A～122Zに関連付けることができる。チャネル122A～122Zに関連付けられるアクティビティは、チャネルのアクティビティフィードに収集することができる。チャネル122A～122Zの所有者以外のユーザは、関心のある1つまたは複数のチャネルにサブスクライブすることができる。「サブスクライブ」の概念は、「いいね」、「フォロー」、「友達承認」などとも呼ばれ得る。

【0033】

ユーザがチャネル122A～122Zにサブスクライブすると、チャネルのアクティビティフィードからの情報がユーザに提示され得る。ユーザが複数のチャネルにサブスクライブしている場合、ユーザがサブスクライブしているチャネルごとのアクティビティフィードをシンジケート化されたアクティビティフィードに組み合わせることができる。シンジケート化されたアクティビティフィードからの情報をユーザに提示することができる。チャネル122A～122Zには、独自のフィードがある場合がある。たとえば、コンテンツ共有プラットフォームにおいてチャネルのホームページにナビゲートすると、そのチャネルによって生成されたフィードアイテムがチャネルのホームページ上に表示され得る。ユーザは、ユーザがサブスクライブしているすべてのチャネルからのコンテンツアイテムの少なくともサブセットで構成されるフィードであるシンジケートフィードを有している場合がある。シンジケートフィードは、ユーザがサブスクライブしていないチャネルからのコンテンツアイテムも含み得る。たとえば、コンテンツ共有プラットフォーム120または他のソーシャルネットワークは、推奨されるコンテンツアイテムをユーザのシンジケートフィードに挿入してもよく、またはユーザの関連する接続に関連付けられるコンテンツアイテムをシンジケートフィードに挿入してもよい。

【0034】

各チャネル122A～122Zは、1つまたは複数のコンテンツアイテム121を含み得る。コンテンツアイテム121の例は、デジタルビデオ、デジタル映画、デジタル写真、デジタル音楽、ウェブサイトコンテンツ、ソーシャルメディアアップデート、電子書籍(e書籍)、電子雑誌、デジタル新聞、デジタルオーディオブック、電子ジャーナル、ウェブブログ、本当にシンプルなシンジケーション(RSS)フィード、電子コミック書籍、ソフトウェアアプリケーションなどを含むことができるが、これらに限定されない。いくつかの実装形態では、コンテンツアイテム121は、メディアアイテムとも呼ばれる。

【0035】

コンテンツアイテム121は、インターネットおよび/またはモバイルデバイスアプリケーションを介して消費され得る。簡潔さと単純さのために、オンラインビデオ(以下、ビデオとも呼ばれる)、アプリケーション(「アプリ」)、書籍、および/またはウェブサイトが、本明細書全体のコンテンツアイテム121の例として使用される。本明細書で使用される場合、「コンテンツ」、「コンテンツアイテム」、「メディア」、メディアアイテム」、「オンラインメディアアイテム」、「デジタルメディア」、および「デジタルメディアアイテムは、デジタルメディアアイテムをエンティティに提示するように構成されたソフトウェア、ファームウェア、またはハードウェアを使用して実行またはロードできる電子ファイルを含むことができる。一実装形態では、コンテンツ共有プラットフォーム120は、データストア106を使用してコンテンツアイテム121を記憶し得る。いくつかの実装形態では、サーバ130、150および他の外部データソースも、コンテンツアイテム121を記憶および提供し得る。

【0036】

一実装形態では、サーバ130は、1つまたは複数のコンピューティングデバイス(たとえば、ラックマウントサーバ、サーバコンピュータなど)であり得る。一実装形態では、サーバ130は、コンテンツ共有プラットフォーム120の一部として含まれ得る。他の実装形態では、サーバ130は、コンテンツ共有プラットフォーム120とは別個のサービスである。サーバ130は、学習コンテンツシステム140を含み得る。学習コンテンツシステム140は、アクセスするユーザの学習(理解)レベルに適切かつ関連する教育コンテンツの識別、キュレーション、および提示を可能にする。教育コンテンツとは、有益な、情報提供の、学術的な、および/または、多くの場合安全な(たとえば、成人用、暴力的、または露骨ではない)1つまたは複数のコンテンツアイテムを指し得る。

【0037】

本開示の実装形態は、コンテンツと相互作用し、および/またはコンテンツにアクセスしているユーザにとって、教育的であり、適切な学習(理解)レベルであるコンテンツを識別し得る。たとえば、学習コンテンツシステム140は、ユーザにとって教育的であるトピック(たとえば、主題、人、場所、物など)を識別することと、これらのトピックの異なるユーザ学習レベル(理解レベル)グループのコンテンツアイテム(たとえば、アプリケーション、ビデオ、書籍、ウェブサイトなど)をアルゴリズム的に選択および推奨することと、理解度および他の属性(たとえば、関心度、深さなど)に従って、推奨コンテンツをランク付けすることと、学習コンテンツシステム140またはコンテンツ共有プラットフォーム120の学習コンテンツインターフェースにコンテンツを公開することとを行い得る。一実装形態では、学習コンテンツインターフェースは、コンテンツ共有プラットフォーム120および/またはサーバ130に関連付けられる学習固有のアプリケーションのホーム画面UIを含み得る。あるいは、学習コンテンツシステム140は、様々なサードパーティプラットフォーム(たとえば、様々なソーシャルネットワーキングプラットフォーム、メディアサービスプラットフォーム、検索エンジンプラットフォーム、オンラインニュースプラットフォーム、コンテンツ共有プラットフォーム)のユーザの適切な学習レベルで教育コンテンツを識別するサービスを提供し得る。

【0038】

いくつかの実装形態では、サーバ130の学習コンテンツシステム140は、本開示の実装形態を提供するために、コンテンツ共有プラットフォーム120および/または他のプラットフォームサーバ150と相互作用し得る。本開示の実装は、コンテンツ共有プラットフォームの観点から説明されているが、実装形態はまた、一般に、ユーザ間の接続を提供する任意のタイプのソーシャルネットワーク、ユーザにコンテンツを提供する任意のタイプのメディアサービスプラットフォーム、任意のタイプの検索エンジンプラットフォーム、任意のタイプのオンラインニュースプラットフォームなどに適用され得る。本開示の実装形態は、ユーザにチャネルサブスクリプションを提供するコンテンツ共有プラットフォームに限定されない。

【0039】

本明細書で説明するシステムがユーザについての個人情報を収集する、または個人情報を利用する可能性がある状況では、ユーザは、学習コンテンツシステム140および/またはコンテンツ共有プラットフォーム120がユーザ情報(たとえば、ユーザのソーシャルネットワーク、ソーシャルアクションまたはアクティビティ、職業、ユーザの好み、またはユーザの現在の位置についての情報)を収集するかどうかを制御する、またはユーザにより関連性のあるコンテンツをコンテンツサーバから受信するかどうかおよび/または受信する方法を制御する機会を提供され得る。さらに、特定のデータは、記憶または使用される前に1つまたは複数の方法で処理される場合があるため、個人を特定できる情報は削除される。たとえば、ユーザの個人を特定できる情報を決定できないようにユーザのIDが処理されてもよく、ユーザの特定の場所を決定できないように、位置情報が取得されるユーザの地理的位置(都市、郵便番号、州レベルなど)が一般化されてもよい。したがって、ユーザは、ユーザに関する情報がどのように収集され、学習コンテンツシステム140および/またはコンテンツ共有プラットフォーム120によって使用されるかを制御し得る。

【0040】

本明細書の説明に加えて、ユーザは、本明細書に記載のシステム、プログラム、または機能がユーザ情報(たとえば、ユーザのソーシャルネットワーク、ソーシャルアクションまたはアクティビティ、職業、ユーザの好み、ユーザの現在地、またはユーザの学習レベルに関する情報)の収集を可能にするかどうか、およびいつ可能にするか、およびユーザにサーバからコンテンツまたは通信が送信されるかどうかの両方について、ユーザが選択できるようにする制御を提供され得る。さらに、特定のデータは、記憶または使用される前に1つまたは複数の方法で処理される場合があるため、個人を特定できる情報は削除される。たとえば、ユーザの個人を特定できる情報を決定できないようにユーザのIDが処理されてもよく、ユーザの特定の場所を決定できないように、位置情報が取得されるユーザの地理的位置(都市、郵便番号、州レベルなど)が一般化されてもよい。したがって、ユーザは、ユーザに関するどの情報が収集されるか、その情報がどのように使用されるか、およびどの情報がユーザに提供されるかを制御し得る。

【0041】

学習コンテンツシステム140は、単一のコンテンツプラットフォーム(たとえば、ソーシャルネットワーク、メディアサービスプロバイダ、検索エンジン、オンラインニュースプロバイダなど)と相互作用してもよく、複数のコンテンツプラットフォーム間で利用されてもよい(たとえば、他のサードパーティコンテンツプラットフォームによって利用されるコンテンツ共有プラットフォームのサービスとして提供される)。一実装形態では、学習コンテンツシステム140は、機械学習(ML)モデル141、トレーニングエンジン142、学習ツリー143、信号生成エンジン144、およびコンテンツ推奨エンジン145、ならびにUI生成エンジン146を含む。一般性を失うことなく、多かれ少なかれコンポーネントを学習コンテンツシステム140に含めることができる。たとえば、モジュールのうちの2つを1つのモジュールに組み合わせたり、モジュールのうちの1つを2つ以上のモジュールに分割したりし得る。一実施形態では、複数のモジュールのうちの1つまたは複数は、異なるコンピューティングデバイス上に存在し得る(たとえば、異なるサーバコンピュータ、単一のクライアントデバイス上、または複数のクライアントデバイス間で分散されているなど)。さらに、モジュールのうちの1つまたは複数は、異なるコンテンツ共有プラットフォーム、サードパーティのソーシャルネットワーク、および/または外部サーバ上に存在し得る。

【0042】

学習コンテンツシステム140は、データストア106に通信可能に結合することができる。たとえば、学習コンテンツシステム140は、ネットワークを介して(たとえば、図1に示されるようにネットワーク105を介して)データストア106に結合され得る。別の例では、学習コンテンツシステム140は、学習コンテンツシステム140が存在するサーバに直接結合され得る(たとえば、サーバ130に直接結合され得る)。データストア106は、メモリ(たとえば、ランダムアクセスメモリ)、キャッシュ、ドライブ(たとえば、ハードドライブ)、フラッシュドライブ、データベースシステム、あるいはデータを記憶することができる別のタイプのコンポーネントまたはデバイスであり得る。データストア106はまた、複数のコンピューティングデバイス(たとえば、複数のサーバコンピュータ)にわたることができる複数の記憶コンポーネント(たとえば、複数のドライブまたは複数のデータベース)を含み得る。データストア106は、コンテンツアイテムデータ190、トレーニングデータ191、理解度データ192、および学習レベルデータ193を含む。

【0043】

上記のように、学習コンテンツシステム140は、本開示の実装形態においてアクセスするユーザの学習(理解)レベルに適切かつ関連する教育コンテンツの識別、キュレーション、および提示を可能にする。教育コンテンツとは、有益な、情報提供の、学術的な、および/または、多くの場合安全な(たとえば、成人用、暴力的、または露骨ではない)1つまたは複数のコンテンツアイテムを指し得る。

【0044】

本開示の実装形態は、スコアを決定し、コンテンツアイテムに関連付けられる様々な学習属性に関連付けることができるMLモデルを生成する。そのような「学習属性」は、魅力、深さ、発想性、学習の影響、および発達の適切性を含み得るが、これらに限定されない。本明細書に記載されているものよりも多かれ少なかれ学習属性が、本開示の実施によって利用され得る。本明細書で提供される学習属性の説明は、網羅的であることを意味するものではなく、他の学習属性もまた、本開示の実装形態において利用され得、および/または他の用語は、上記の学習属性を説明するために使用され得る。

【0045】

魅力の学習属性は、ユーザがコンテンツアイテムに関与する可能性を指す。深さの学習属性は、ユーザに主題を教えるという観点から、コンテンツアイテムがどれだけ深くまたは徹底的であるかを指す。発想性の学習属性は、コンテンツアイテムが、コンテンツアイテムのコンテンツについてさらに学習するように、および/またはコンテンツアイテムに類似した他のコンテンツアイテムに関与するように、ユーザを刺激する程度の尺度を指す。学習の影響の学習属性は、コンテンツアイテムがユーザに新しい学習または価値を伝えているかどうかの尺度を指す。発達の適切性の学習属性は、コンテンツアイテムがユーザにとってどれほど難しい可能性があるか(たとえば、簡単すぎる、ちょうどいい、難しすぎるなど)の尺度を指す。

【0046】

上記の学習属性の組合せは、コンテンツアイテムに関連付けられる理解レベルを示すことができる。理解レベル(本明細書では「学習レベル」とも呼ばれる)は、ユーザに提示されている何かを理解および解釈する能力を指す。たとえば、読むことに関しては、理解とは、読まれている単語を正しく識別する行為以上のものを指す。代わりに、読むことの例では、理解とは、読まれている単語を正しく理解して解釈することを指す。さらに、読むことに関しては、理解は(1)読んだものを解読すること、(2)読んだものとすでに知られているものを結びつけること、および(3)読んだものについて深く考えることを含む。

【0047】

したがって、本開示の実装形態は、コンテンツアイテムの学習属性ごとの学習属性スコアを生成するために、1つまたは複数の機械学習(ML)モデルを利用する。生成された学習属性スコアは、コンテンツアイテムに関連付けられている理解レベルを示すために利用することができる。学習属性スコアによって示される理解レベルは、本明細書では、理解度ランク付け信号と呼ばれることがある。コンテンツアイテムの理解度ランク付け信号に対応する理解レベルを有するユーザにコンテンツアイテムをランク付け、推奨、および/またはキュレートするために、コンテンツアイテムの理解度ランク付け信号を使用することができる。いくつかの実装形態では、コンテンツアイテムをランク付け、推奨、および/またはキュレートするために、学習属性スコアを個別に利用することができる。そのような場合、学習属性スコアはそれぞれ、コンテンツアイテムの理解度ランク付け信号と見なされ得る。

【0048】

いくつかの実装形態では、コンテンツアイテムの学習属性は、異なる学習レベルでスコアリングされる。一実施形態では、学習レベルは、教育的コンテキストにおける学年レベルに類似している可能性がある(たとえば、幼稚園前(K前)、幼稚園(K)、1年生、...、12年生、大学レベル、卒業レベル、大学院レベルなど)。そのため、いくつかの実装形態では、MLモデルは、各学習レベルにおける学習属性ごとにトレーニングされ得る。たとえば、第1のMLモデルは、第1の学習レベル(たとえば、K前レベル)において魅力学習属性のためにトレーニングされ得、第2のMLモデルは、第2の学習レベル(たとえば、Kレベル)において魅力学習属性のためにトレーニングされ得るなどである。結果として、コンテンツアイテムは、複数のMLモデル141によって生成された各学習レベルにおける学習属性スコア(学習属性ごとに)を有し得る。

【0049】

上記に従って、コンテンツアイテムの学習属性スコア(したがって、理解度ランク付け信号)を生成するようにトレーニングされた1つまたは複数のMLモデル141をトレーニングするために、トレーニングエンジン142を利用し得る。トレーニングエンジン142は、本明細書に記載の実施形態のうちのいくつかを実行するためにハードウェア、ファームウェア、およびソフトウェアで構成されるコンピュータ、マイクロプロセッサ、ロジックデバイス、あるいは他のデバイスまたはプロセッサなどの1つまたは複数の処理デバイスを含み得る。トレーニングエンジン142は、MLモデル141をトレーニングして、学習属性スコアの生成を実行するために、トレーニングエンジン142によってトレーニングデータとして使用される(たとえば、データストア106にトレーニングデータ191として記憶される)トレーニングデータファイルのセットごとのトレーニングデータファイルおよび対応する要約を含むか、またはそれらにアクセスし得る。

【0050】

MLモデル141は、トレーニング入力および対応するターゲット出力(たとえば、データストア106のトレーニングデータ191に見られるように)を使用してトレーニングエンジン142によって作成されるモデルアーティファクトを参照することができる。トレーニング入力は、トレーニングデータファイルのセットを含み得、対応するターゲット出力は、それぞれのトレーニング入力の学習属性スコアであり得る。いくつかの実施形態では、トレーニングデータファイルおよび対応するターゲット出力は、特定のフォーマット(たとえば、箇条書きリスト)を含み得る。一実装形態では、トレーニングデータは、トピックおよび/または学習レベルで識別されるサンプルコンテンツアイテムを含み得る。一実装形態では、コンテンツアイテムのメタデータは、トピックおよび/または学習レベルを含む(そのようなメタデータは、たとえば、コンテンツアイテムデータ190としてデータストア106に記憶され得る)。サンプルコンテンツは、各学習レベルにおける学習属性ごとの学習属性スコアを使用して手動で評価される。これらの手動評価はターゲット出力である。一実装形態では、教師あるいは他の教育または主題の専門家は、サンプルコンテンツの各学習レベルにおける学習属性ごとに手動評価を提供することができる。

【0051】

MLモデル141は、ターゲット出力を予測および/または結果として生じる可能性のあるテキスト内の単語、句、または文の特徴を学習するために、トレーニング入力およびターゲット出力を使用し得る。特徴は、テキスト内の特定の単語の出現、単語またはフレーズの頻度、単語またはフレーズの共起、文中の単語の数、テキスト内の単語の配置などを含み得る。上記のように、複数のMLモデル141がトレーニングされ得る。たとえば、第1のMLモデル141は、第1の学習レベルにおいて魅力学習属性についてトレーニングされ得、第2のMLモデル141は、第2の学習レベルにおいて魅力学習属性についてトレーニングされ得、各学習レベルにおける魅力学習属性について以下同様である。同様に、第3のMLモデル141は、第1の学習レベルにおいて深さ学習属性についてトレーニングされ得、第4のMLモデル141は、第2の学習レベルにおいて深さ学習属性についてトレーニングされ得、各学習レベルにおける深さ学習属性について以下同様である。この無駄なことに、MLモデル141は、各学習レベルにおける学習属性ごとにトレーニングされ得る。他の実装形態では、各学習レベルの学習属性スコアを生成するために、単一のMLモデル141がトレーニングされ得る。

【0052】

いくつかの実装形態では、MLモデル151は、コンテンツタイプと学習属性の組合せごとにトレーニングされ得る。たとえば、MLモデルは、各学習レベルにおける学習属性ごとにビデオ用にトレーニングされ得る。追加のMLモデルは、各学習レベルにおける学習属性ごとにアプリケーション(アプリ)用にトレーニングされ得る。同様に、MLモデルは、各学習レベルにおける学習属性ごとに、書籍、ウェブサイト、および他のコンテンツタイプ用にトレーニングされ得る。

【0053】

トレーニングされると、新しいコンテンツアイテムの各学習レベルにおける学習属性ごとに学習属性スコアを取得するために、MLモデル141が新しいコンテンツアイテムに適用され得る。そのため、新しいコンテンツアイテムは、適用されている学習レベルのMLモデル141に基づいて、同じ学習属性(たとえば、魅力、深さ、発想性、学習の影響、発達の適切性)に対して様々な異なる学習属性スコアを有することができる(たとえば、第1の学習レベルにおける魅力スコアは、第2の学習レベルの魅力スコアとは異なる場合がある)。以下でさらに説明するように、コンテンツアイテムがどの学習レベルに理想的であるかを示すために、MLモデル141から生成された学習属性スコアを使用することができる。

【0054】

一実装形態では、学習属性スコアは数値であり得る。たとえば、学習属性スコアは、コンテンツアイテムが特定の学習属性にとってどの程度重要であるか/関連性があるかを示すスケール(たとえば、0から1、1から5、0または1から100など)上の数値であり得、値が大きいほど、コンテンツアイテムが学習属性にとってより重要である/関連性が高いことを示す。いくつかの実装形態では、学習属性スコアがしきい値を下回るコンテンツアイテムは、結果グループから除外され得る。

【0055】

一実装形態では、コンテンツアイテムに対して生成された学習属性スコアは、後で使用するために記憶され得る。たとえば、コンテンツアイテムの学習属性スコアは、コンテンツアイテムとともに、コンテンツアイテムデータ190に、またはデータストア106の理解度データ192として記憶され得る。いくつかの実装形態では、生成された学習属性スコアは、コンテンツアイテムのオンザフライのランク付け、推奨、および/またはキュレーションのためにリアルタイムで利用される。

【0056】

一実装形態では、異なるタイプのコンテンツアイテムは、MLモデル141による取込みのために異なる方法で処理され得る。たとえば、単語の頻度および共起、単語の配置などを分析するために、書籍とテキストが解析され得る。ビデオの場合、オーディオおよびテキストを抽出し、議論されている内容を識別するために、光学式文字認識(OCR)および自然言語処理(NLP)技法がビデオに適用され得る。さらに、ビデオのメタデータは、MLモデル141への入力としても利用され得る。アプリケーション(「アプリ」)の場合、アプリとの相互作用をエミュレートし(アプリ内をナビゲートするなど)、結果として生じる相互作用のスクリーンショットを撮ることによって、関連する用語がアプリから抽出され得る。次いで、キャプチャされたスクリーンショット画像は、MLモデル141による取込みのためにアプリケーションのコンテンツを抽出するために、テキストに対するOCR(および任意のオーディオに対するNPL)を介して分析され得る。ウェブページの場合、MLモデル141による取込みのためにコンテンツを抽出するために、上記の技法の組合せが利用され得る。

【0057】

いくつかの実装形態では、トレーニングされたMLモデル141は、生成された学習属性スコアに関して受信されたフィードバックに基づいて定期的に更新され得る。これにより、学習属性スコアに関して受信されたリアルタイムのフィードバックに基づいて、MLモデル141の継続的な改善と開発が可能になる。

【0058】

信号生成エンジン144は、MLモデル141を、ユーザのためにコンテンツアイテムをランク付け、推奨、および/またはキュレートする目的で、新しいコンテンツアイテムに適用させることができる。一実装形態では、コンテンツアイテムは、ユーザによって要求された検索クエリに応答して信号生成エンジン144によって分析され得る。いくつかの実装形態では、コンテンツアイテムは、アプリケーションの特定の部分へのユーザによるナビゲーションに応答して、信号生成エンジン144によって分析され得る。いくつかの実装形態では、コンテンツアイテムは、ユーザがアプリケーションを初期化することに応答して信号生成エンジン144によって分析され得る(たとえば、アプリケーションのランディングページ上でキュレーションされたコンテンツ)。

【0059】

信号生成エンジン144は、MLモデル141によって生成された学習属性スコアを様々な方法で利用し得る。一実施形態では、信号生成エンジン144は、コンテンツ共有プラットフォーム120および/またはサーバ130に関連付けられる学習固有のアプリケーションの学習コンテンツインターフェースにキュレートされたコンテンツアイテムを提供するために、MLモデル141によって生成された学習属性スコアを利用する。学習仕様アプリケーションは、クライアントデバイス110A～110Zのメディアビューア111を介してユーザに提供され得る。より具体的には、信号生成エンジン144は、教育的であり、学習固有のアプリケーションを介してコンテンツと相互作用しているユーザにとって適切な理解レベルにあるコンテンツアイテムをキュレートするために、コンテンツアイテムの学習属性スコアを利用し得る。学習固有のアプリケーションの例示的なユーザインターフェース(UI)は、図7に関して以下でより詳細に議論される。

【0060】

いくつかの実装形態では、信号生成エンジン144は、学習コンテンツシステム140によって他の用途のために(たとえば、以下でさらに論じられる学習ツリー143)、および他のプラットフォームサーバ150によって使用するために、コンテンツアイテムのランク付け信号を生成するために、MLモデル141によって生成された学習属性スコアを利用する。たとえば、他のプラットフォームサーバ150は、これらに限定されないが、検索エンジン、ソーシャルネットワーク、メディアサービスプロバイダ、オンラインニュースプロバイダなどのコンテンツアイテムを推奨するためのサービスを提供し得る。他のプラットフォームサーバ150は、他のプラットフォームサーバ150によって提供されるコンテンツをランク付けおよび/または推奨するために、学習属性スコアから信号生成エンジン144によって生成された理解度ランク付け信号を利用し得る。

【0061】

信号生成エンジン144は、異なるコンテンツキュレーション結果を提供するために、異なる方法でMLモデル141によって提供される学習属性スコアを利用することができる。たとえば、信号生成エンジン144は、学習属性スコアを、コンテンツアイテムのランク付け、推奨、および/またはキュレーションに使用される単一の組み合わされた理解度ランク付け信号に組み合わせることができる。学習属性スコアは、平均(average)、加重平均、平均(mean)、最頻値、あるいは1つまたは複数の値を生成するために数値を組み合わせる任意の知られている数学関数など、様々な関数に基づいて組み合わせることができる。

【0062】

信号生成エンジン144は、キュレーションの目的に基づいてスコアを組み合わせる際に、他の属性よりも高い属性のうちの1つまたは複数に重みを付けることができる。たとえば、ユーザが特定の主題領域への追加の関心を獲得することを奨励し得るコンテンツアイテムをキュレートするために、信号生成エンジン144は、コンテンツアイテムの魅力および/または発想性の学習属性スコアを、深さ、学習の影響、および発達の適切性の他の学習属性スコアよりも高く重み付けすることができる。同様に、ユーザがより難しいコンテンツに挑戦しようとする場合、発達の適切性の学習属性スコアが他の学習属性スコアよりも高く重み付けされ得るなどである。いくつかの実装形態では、信号生成エンジン144は、学習属性スコアの他のものを無視しながら、学習属性スコアのサブセットを考慮に入れることができる。

【0063】

いくつかの実装形態では、信号生成エンジン144は、特定の学習レベルのユーザが理解するが依然として不足している(still be challenged by)コンテンツアイテムを識別する理解度ランク付け信号を生成するために、学習属性スコアの組合せを構造化し得る。そのため、理解度ランク付け信号の生成は、それらの学習属性(たとえば、発達の適切性、深さ)をより強く重み付けし、次いで、コンテンツアイテムが平均よりもわずかに難しいことを示すスコアがより高いコンテンツアイテムを選択する場合がある。

【0064】

理解度ランク付け信号が信号生成エンジン144によって生成されると、この信号は、推奨および/またはキュレーションのためのコンテンツアイテムを識別するために、コンテンツ推奨エンジン145に渡され得る。本明細書に記載の学習固有のアプリケーションなどであるがこれに限定されない、アプリケーションのユーザのためのコンテンツの推奨および/またはキュレーションの目的で、コンテンツ推奨エンジン145は、キュレートされたコンテンツにアクセスするユーザの学習レベルを決定する。以下に記載されるように、決定された学習レベルはまた、ユーザの関連付けられるユーザ(たとえば、家族)のためのものであり得る。ユーザの学習レベルは、データストア106の学習レベルデータ193において記憶および維持され得る。いくつかの実装形態では、ユーザの学習レベルは、ユーザが在籍している、またはユーザが最近完了した教育学年レベルと相関し得る。一実装形態では、学習レベルは、ユーザの学習レベルを示すために使用される数値であり得る。しかしながら、ユーザの学習レベルの他の表現も想定される。

【0065】

いくつかの実装形態では、ユーザの学習レベルは、ユーザが提供した年齢に基づくことができる。特定の年齢内で、学習レベルは、ユーザがその年齢および/またはその特定の学習レベルにいた期間に基づいて適合され得る。いくつかの実装形態では、ユーザの学習レベルは、学習固有のアプリケーションおよび/またはコンテンツ共有プラットフォーム120および/またはサードパーティコンテンツプラットフォームとのユーザ相互作用の履歴を含むユーザアーティファクトに基づくことができる。いくつかの実装形態では、ユーザの学習レベルは、ユーザによって提供されるか、またはユーザとの相互作用を介して決定される語彙レベルなどの学習レベルメトリックに基づくことができる。さらなる実装形態では、ユーザの学習レベルは、ユーザの学習レベルを示すユーザが示す入力に基づくことができる。ユーザの学習レベルは、上記の要因のうちのいずれか、および/または上記の要因の組合せ、ならびに他の学習レベルの決定に基づき得る。たとえば、ユーザの学習レベルは、ユーザによって生成されたアーティファクト(たとえば、学習固有のアプリケーション内のユーザ履歴)へのMLの適用に基づいて決定され得る。

【0066】

いくつかの実装形態では、ユーザは複数の関連付けられる学習レベルを有する場合がある。たとえば、ユーザは、第1の主題領域(たとえば、数学)に関連付けられる第1の学習レベルを有し、第2の主題領域(たとえば、英語芸術(ELA))に関連付けられる第2の(異なる)学習レベルを有し得るなどである。さらに、ユーザの学習レベルは、ユーザが進行する(または後退する)につれて調整され得る。したがって、コンテンツ推奨エンジン145は、ユーザの学習レベルの変化を識別するために、ユーザの学習レベルを定期的に評価または決定することができる。いくつかの実装形態では、プライマリユーザに関連付けられるユーザの学習レベルが利用され得る。たとえば、ユーザの家族の学習レベルは、その家族に固有のコンテンツをキュレートするために決定され、利用され得る。

【0067】

コンテンツ推奨生成エンジン145は、ユーザの決定された学習レベルを、ユーザのためにキュレートされているコンテンツアイテムについて信号生成エンジン144によって生成された理解度ランク付け信号にマッピングしてもよく、対応してもよい。コンテンツ推奨エンジン145は、コンテンツアイテムのどの学習属性スコアがユーザの決定された学習レベルと最も密接に一致するかを識別することによって、ユーザの決定された学習レベルをエンジン145によってキュレートされているコンテンツアイテムにマッピングし得る。コンテンツ推奨エンジン145は、学習属性スコアをユーザの学習レベルにマッピングするための様々な異なるアプローチを利用し得る。一実装形態では、ユーザの学習レベルに合致する学習レベルの最も高い学習属性スコアを有するコンテンツアイテムは、他のコンテンツアイテムよりも上位にランク付けされる。たとえば、ユーザが第3の学習レベルにあると決定された場合、コンテンツ推奨エンジン145は、第3の学習レベルにおいて最も高い学習属性スコアを有するコンテンツアイテムを、第3の学習レベルにおいてより低い学習属性スコアを有する他のコンテンツアイテムよりも上にランク付けし得る。したがって、コンテンツ推奨エンジン145は、第3の学習レベルにあるユーザにとって最も教育的で理解しやすいと思われるコンテンツアイテムを表示し得る。

【0068】

一実装形態では、学習コンテンツシステム140は、コンテンツ推奨エンジン145によってユーザに提供されるコンテンツキュレーションを更新するために、ユーザの学習レベルを継続的および/または定期的に再評価することができる。ユーザの学習レベルが次のレベルに向上する(または、より低いレベルに戻る)場合、コンテンツ推奨エンジン145は、ユーザによってアクセスされているコンテンツアイテムの理解度ランク付け信号の、ユーザの更新された学習レベルへのマッピングを再評価することができる。結果として、コンテンツ推奨エンジン145は、ユーザのために新しいおよび/または異なるコンテンツを表示し、そのようなコンテンツをユーザに提示するためにUI生成エンジン146に提供し得る。これは、ユーザの介入なしに自動的に実行され得るため、コンテンツキュレーション(学習アプリケーションまたは他のサービスを使用)に関して、シームレスで、漸進的で、関連性のあるエクスペリエンスを提供する。本明細書で論じられるように、自動は、クライアントデバイスまたは他の方法からの手動入力および/またはユーザ介入なしにプロセスを実行することを指す場合がある。さらに、クライアントデバイス110A～110Zとサーバ130との間の通信の発生が少なくなるため、ユーザにとって最も関連性が高く、教育的で、理解しやすいコンテンツを表示するための処理リソースとネットワーク帯域幅が削減される。

【0069】

一実装形態では、上記の議論に従って、コンテンツアイテムは、コンテンツの推奨に基づいて、コンピューティングデバイス上に自動的にインストール、アンインストール、および/または更新することができる。たとえば、ユーザの学習レベルが次のレベルに向上すると、ユーザの新しいレベルに適した新しいコンテンツを、ユーザの介入なしにユーザのコンピューティングデバイスに自動的にインストールすることができる。同様に、ユーザの新しい学習レベルに適さなくなった古いコンテンツを、ユーザの介入なしに、ユーザのコンピューティングデバイスから自動的にアンインストールすることができる。別の例として、ユーザの新しい学習レベルに適さなくなったコンテンツを、更新されたコンテンツがユーザの新しいレベルに適切であるように、自動的に更新することができる(たとえば、コンテンツを異なるバージョンに置き換えるか、プラグインをインストールすることによって)。これにより、クライアントデバイス上の適切なセキュリティ権限、および/またはコンテンツをインストールまたはアンインストールする方法に関する十分な技術的知識を有するユーザなどは、コンピューティングデバイス上のコンテンツの手動インストール、アンインストール、および更新に関連付けられる問題を克服または軽減することができる。さらに、ユーザの学習レベルに適さなくなったコンテンツを自動的にアンインストールすることによって、コンピューティングデバイスの有限のデータ記憶容量をより有効に活用することができる。

【0070】

一実装形態では、信号生成エンジン144によって生成された理解度ランク付け信号の特定の使用例は、学習ツリー143を使用し得る。学習ツリー143は、教育主題に関連する情報を含むデータ構造である。学習ツリー143は、学習標準がドメイン、サブドメイン、トピック、およびスキルに均一にマッピングされ得る構造である。学習ツリー143は、ルートノードおよび対応する子ノードがエッジを介して互いに接続されたツリーグラフとして構造化することができる。したがって、学習ツリー143は、人が標準化された方法で学習し得るすべてのもの(教育科目、ならびに社会的および感情的スキルを含む)からのマッピングを可能にし得る。

【0071】

学習ツリー143内の各ノードは、ベースノードに関連するコンテンツの識別を含むベースノード(すなわち、ボトムノード)とともに、教育トピックに関するより詳細な情報にドリルダウンすることができる。学習ツリー143において、ベースノードは、学習レベルに従って編成され得、その学習レベルにおいて特定の主題、トピック、またはスキルを習得するための条件をリストし得る。たとえば、光合成のトピックに対応するベースノードは、第1の学習レベルに固有であり得、一方、同じく光合成のトピックに対応する別のベースノードは、第2の学習レベルに固有であり得るなどである。学習ツリー143は、様々な教育主題領域および発達マイルストーンを構造化された設定にマッピングし、学習ツリー143によって与えられる情報の対応するサポートコンテンツを提供するために、知識グラフと同様に利用され得る。

【0072】

一実施形態では、理解度ランク付け信号は、コンテンツを学習ツリー143に配置するためにコンテンツ推奨エンジン145によって使用され得る。コンテンツアイテムは、学習レベルに対応する学習ツリー143のベースノードに配置され得る。したがって、特定のコンテンツアイテムを対応するベースノードに配置するために、理解度ランク付けを使用することができる。たとえば、学習レベル「X」において最も高い学習属性スコアを有するコンテンツアイテムは、学習レベル「X」に関連付けられる学習ツリー143のベースノードに対応して配置され得る。

【0073】

推奨および/またはキュレートするコンテンツアイテムがコンテンツ推奨エンジン145によって識別されると、識別されたコンテンツは、次いで、UI生成モジュール146に提供され得る。UI生成モジュール146は、選択されたコンテンツを、アクセスするユーザに、教育的かつ包括的に関連するコンテンツとして表示するページまたは画面を生成するために、フォーマットおよび他のUI要素を関連付けることができる。上記のように、コンテンツは、クライアントデバイス110A～110Z上のメディアビューア111を介して表示され得る。いくつかの実装形態では、UIに表示される前に、選択されたコンテンツのオプションの手動(たとえば、人間)によるレビューがある。

【0074】

さらなる実装形態では、学習インターフェースは、UIに表示するために生成および/または選択され得る。以下でさらに説明する図7は、アクセスするユーザにとって教育的で理解しやすいものとしてキュレーションされたコンテンツを提供する学習インターフェースの例示的な学習アプリケーションのホーム画面UI700を提供する。上記のように、学習アプリケーションは、クライアントデバイスおよびクライアントデバイスのプログラムの管理を自動化することによって、ユーザのアプリケーションエクスペリエンスを合理化できる、クライアントデバイス上のアプリケーションランチャであり得る。たとえば、アプリケーションランチャは、アプリケーションストアにナビゲートする必要のないアプリケーションの自動ダウンロード、アプリケーションの自動起動、アプリケーションの自動削除、ならびに/または設定管理(たとえば、ネストされたバッテリインジケータなど)および家族のアカウント管理(たとえば、親ゾーン)の容易さを提供することができる。

【0075】

本明細書の説明は、ユーザの学習レベルに関連し、理解しやすいコンテンツ共有プラットフォームの教育コンテンツアイテムを識別するという観点から、コンテンツキュレーションについて説明している。個々のコンテンツアイテム(たとえば、ビデオ、アプリ、ウェブサイト、書籍など)、プレイリスト、およびコンテンツ共有プラットフォームのチャネルを含むがこれらに限定されない、異なるタイプのコンテンツが識別され得る。一実装形態では、学習コンテンツシステム140、230は、学習固有のアプリケーションのホーム画面または学習固有のアプリケーションのウェブページに表示するためのコンテンツをキュレートする。学習固有のアプリケーションは、コンテンツ共有プラットフォーム120などのコンテンツ共有プラットフォームによって、または別のタイプのプラットフォームによって提供され得る。他の実装形態では、学習コンテンツシステムモジュール140は、検索結果、推奨、次の/関連するコンテンツの視聴などの他の目的のために、教育的で理解しやすいコンテンツをキュレートし得る。

【0076】

図2は、本開示のある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための方法200を示す流れ図である。方法200は、ハードウェア(たとえば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど)、ソフトウェア(たとえば、ハードウェアシミュレーションを実行するために処理デバイス上で実行される命令)、またはそれらの組合せを備える処理ロジックによって実行され得る。一実装形態では、方法200は、図1に示されるように、学習コンテンツシステム140によって実行され得る。

【0077】

説明を簡単にするために、本開示の方法は、一連の行為として描写および説明されている。しかしながら、本開示に従った行為は、様々な順序でおよび/または同時に、ならびに本明細書に提示および記載されていない他の行為とともに発生する可能性がある。さらに、開示された主題に従って方法を実装するために、図示されたすべての行為が必要とされるわけではない。さらに、当業者は、本方法が、状態図またはイベントを介して一連の相互に関連する状態として代替的に表すことができることを理解し、認識するであろう。さらに、本明細書に開示された方法は、そのような方法をコンピューティングデバイスに輸送および転送することを容易にするために、製造品に記憶することができることを認識されたい。本明細書で使用される「製造品」という用語は、任意のコンピュータ可読デバイスまたは記憶媒体からアクセス可能なコンピュータプログラムを包含することを意図している。

【0078】

方法200は、ブロック210において始まり、そこで、処理デバイスは、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定し得る。ユーザ要求は、検索クエリ、アプリケーション内のコンテンツをナビゲートする要求、またはコンテンツプロバイダプラットフォーム(様々なソーシャルネットワーキングプラットフォーム、検索エンジンプラットフォーム、メディアサービスプラットフォーム、オンラインニュースプラットフォーム、コンテンツ共有プラットフォームなど)との任意の他のユーザの相互作用であり得る。一実装形態では、理解度ランク付け信号は、少なくとも1つのMLモデルからコンテンツアイテムに対して生成された学習属性スコアに基づいている。学習属性スコアは、魅力、深さ、発想性、学習の影響、および発達の適切性の学習属性に対応し得る。一実装形態では、各学習レベルにおける学習属性ごとに学習属性スコアを生成するために、MLモデルが利用され得る。

【0079】

ブロック220において、処理デバイスは、ユーザ要求に対応するユーザの学習レベルを決定し得る。一実装形態では、ユーザの学習レベルは、ユーザが提供した年齢、ユーザアーティファクト、学習レベルメトリック、ユーザの学習レベルを示すユーザ構成、および/または上記の要素の組合せ、ならびに他の学習レベルの決定の1つまたは複数に基づくことができる。たとえば、ユーザの学習レベルは、ユーザによって生成されたアーティファクトへのMLの適用(たとえば、学習固有のアプリケーション内のユーザ履歴)および/またはユーザの他の特性(たとえば、ユーザの年齢、学年レベルなど)に基づいて決定され得る。

【0080】

ブロック230において、処理デバイスは、学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいてコンテンツアイテムをランク付けし得る。一実装形態では、マッピングは、ユーザの決定された学習レベルと最も密接に一致するコンテンツアイテムの学習属性スコアを識別し得る。いくつかの実装形態では、学習属性スコアをユーザの学習レベルにマッピングするために、様々な他の異なるアプローチを使用することができる。たとえば、ユーザの学習レベルと最もよく相関する学習レベルの最も高い学習属性スコアを有するコンテンツアイテムは、他のコンテンツアイテムよりも上位にランク付けされる。結果として、特定の学習レベルでユーザにとって最も教育的で理解しやすいと思われるコンテンツアイテムをユーザに表示することができる。

【0081】

最後に、ブロック240において、処理デバイスは、コンテンツアイテムのランク付けに従って、処理デバイスによってコンテンツアイテムの推奨を提供し得る。一実装形態では、推奨されるコンテンツアイテムを、ユーザにとって教育的かつ理解に関連するコンテンツとして提供するページまたは画面が生成され得る。たとえば、ページまたは画面は、ユーザがアクセスしている学習固有のアプリケーションのインターフェースであり得る。

【0082】

図3は、本開示のある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のためのユーザの学習レベルを識別するための方法300を示す流れ図である。方法300は、ハードウェア(たとえば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど)、ソフトウェア(たとえば、ハードウェアシミュレーションを実行するために処理デバイス上で実行される命令)、またはそれらの組合せを備える処理ロジックによって実行され得る。一実装形態では、方法300は、図1に示されるように、学習コンテンツシステム140によって実行され得る。

【0083】

方法300は、ブロック310において始まり、そこで、処理デバイスは、ユーザ要求に対応するユーザを識別し得る。次に、ブロック320において、処理デバイスは、ユーザアーティファクトを識別し得る。一実装形態では、ユーザアーティファクトは、コンテンツアイテムの消費のユーザ履歴を含む。ブロック330において、処理デバイスは、ユーザ学習レベルを測定するユーザメトリックを識別し得る。ブロック340において、処理デバイスは、構成設定におけるユーザ学習レベルの任意の手動ユーザ入力を識別し得る。最後に、ブロック350において、処理デバイスは、識別されたユーザアーティファクト、ユーザメトリック、および手動のユーザ入力に基づいて、ユーザの学習レベルを決定し得る。

【0084】

図4Aおよび図4Bは、本開示のいくつかの実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための、理解度ランク付け信号を生成し、理解度ランク付け信号を利用するための方法400、450を示す流れ図である。方法400、450は、ハードウェア(たとえば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど)、ソフトウェア(たとえば、ハードウェアシミュレーションを実行するために処理デバイス上で実行される命令)、またはそれらの組合せを備える処理ロジックによって実行され得る。一実装形態では、方法400および450は、図1に示されるように、学習コンテンツシステム140によって実行され得る。

【0085】

図4Aを参照すると、方法400は、本開示の一実施形態に従って、理解度ランク付け信号を決定する。方法400は、ブロック410において始まり、そこで、処理デバイスは、コンテンツアイテムの理解度ランク付け信号の要求を受信し得る。ブロック420において、方法400は、基礎となるシステムにおいて構成された学習レベルごとにブロック422および424を実行する。各学習レベルにおいて、処理デバイスは、ブロック422において、複数の学習属性の各々について1つまたは複数のMLモデルをコンテンツアイテムに適用し得る。1つまたは複数のMLモデルは、それぞれの学習レベルの学習属性ごとに学習属性スコアを生成する。次いで、ブロック424において、処理デバイスは、MLモデルから生成された学習属性スコアを、それぞれの学習レベルにおけるコンテンツアイテムの最終的な理解度ランク付け信号に組み合わせる。上記のように、いくつかの実装形態では、学習属性スコアは、推奨されるコンテンツのタイプの所望の結果に応じて重み付けされ得る(たとえば、理解の観点から、より「魅力的な」コンテンツを推奨する、またはより「難しい」コンテンツを推奨するなど)。いくつかの実装形態では、学習属性スコアを組み合わせることはできず、代わりに、ランク付け、推奨、および/またはキュレーションの目的で個別に利用され得る。

【0086】

ブロック420～424を介して学習レベルごとにコンテンツアイテムの理解度ランク付け信号が生成されると、方法400はブロック430に進み、そこで、処理デバイスは生成された個々の学習属性スコアおよび各学習レベルにおけるコンテンツアイテムの最終的な理解度ランク付け信号を返すことができる。最後に、ブロック440において、処理デバイスは、生成された個々の学習属性スコアおよび各学習レベルにおけるコンテンツアイテムの最終的な理解度ランク付け信号を記憶し得る。

【0087】

図4Bを参照すると、方法450は、本開示の実装形態に従って、コンテンツアイテムを学習ツリーに配置するために決定された理解度ランク付け信号を利用する。方法450は、ブロック460において始まり、そこで、処理デバイスは、学習ツリーに配置されているコンテンツアイテムの理解度ランク付け信号の要求を受信し得る。一実装形態では、学習ツリーは、教育主題に関連する情報を含むデータ構造を指す。ブロック470において、処理デバイスは、各学習レベルにおいてコンテンツアイテムの理解度ランク付け信号を生成するために、1つまたは複数のMLモデルをコンテンツアイテムに適用し得る。一実装形態、図4Aの方法400は、コンテンツアイテムの理解度ランク付け信号を生成されるために使用され得る。

【0088】

ブロック480において、処理デバイスは、学習レベルの中でコンテンツアイテムの生成された最高の理解度ランク付け信号を決定し得る。最後に、ブロック490において、処理デバイスは、ブロック480の決定された学習レベルに対応する学習レベルにおいて、学習ツリー内にコンテンツアイテムを配置し得る。

【0089】

図5は、本開示のある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のためのMLモデルをトレーニングするための方法500を示す流れ図である。方法500は、ハードウェア(たとえば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど)、ソフトウェア(たとえば、ハードウェアシミュレーションを実行するために処理デバイス上で実行される命令)、またはそれらの組合せを備える処理ロジックによって実行され得る。一実装形態では、方法500は、図1に示されるように、学習コンテンツシステム140によって実行され得る。

【0090】

方法500は、ブロック510において始まり、そこで、処理デバイスは、コンテンツアイテムの識別された学習レベルおよびコンテンツアイテムの教育的トピック適合(たとえば、コンテンツアイテムの主題領域)を示すメタデータを有するサンプルコンテンツアイテムを取得し得る。続いて、ブロック520において、処理デバイスは、基礎となるシステムに対して構成された学習レベルごとに、異なる学習属性に関してサンプルコンテンツアイテムの手動評価を取得し得る。一実装形態では、異なる学習属性は、魅力、深さ、発想性、学習の影響、および発達の適切性を含むが、これに限定されない。

【0091】

ブロック530において、処理デバイスは、トレーニングデータを使用して1つまたは複数のMLモデルをトレーニングし得る。一実装形態では、トレーニングデータは、ブロック510において決定されたメタデータの特徴と、ブロック520において取得された手動評価のラベルとを含む。1つまたは複数のMLモデルは、魅力、深さ、発想性、学習の影響、および発達の適切性を含む学習属性ごとにトレーニングされる。最後に、ブロック540において、処理デバイスは、MLモデルによって生成された理解度ランク付け信号に関して受信されたフィードバックに基づいて、トレーニングされたMLモデルを更新し得る。

【0092】

図6は、本開示のある実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための漸進的なコンテンツ推奨更新のための方法600を示す流れ図である。方法600は、ハードウェア(たとえば、回路、専用ロジック、プログラマブルロジック、マイクロコードなど)、ソフトウェア(たとえば、ハードウェアシミュレーションを実行するために処理デバイス上で実行される命令)、またはそれらの組合せを備える処理ロジックによって実行され得る。一実装形態では、方法600は、図1に示されるように、学習コンテンツシステム140によって実行され得る。

【0093】

図6を参照すると、方法600は、ブロック610において始まり、そこで、処理デバイスは、ユーザ要求に対応するコンテンツアイテムのそれぞれの理解度ランク付け信号を決定し得る。一実装形態では、理解度ランク付け信号は、少なくとも1つのMLモデルからコンテンツアイテムに対して生成された学習属性スコアに基づいている。学習属性スコアは、魅力、深さ、発想性、学習の影響、および発達の適切性の学習属性に対応し得る。一実装形態では、各学習レベルにおける学習属性ごとに学習属性スコアを生成するために、MLモデルが利用され得る。

【0094】

ブロック620において、処理デバイスは、ユーザ要求に対応するユーザの学習レベルを決定し得る。続いて、ブロック630において、処理デバイスは、学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいてコンテンツアイテムをランク付けし得る。一実装形態では、マッピングは、ユーザの決定された学習レベルと最も密接に一致するコンテンツアイテムの学習属性スコアを識別し得る。ブロック640において、処理デバイスは、コンテンツアイテムのランク付けに従って、処理デバイスによってコンテンツアイテムの推奨を提供し得る。一実装形態では、推奨されるコンテンツアイテムを、教育的かつ包括的にユーザに関連するコンテンツとして提供するページまたは画面が生成され得る。たとえば、ページまたは画面は、ユーザがアクセスしている学習固有のアプリケーションのインターフェースであり得る。

【0095】

続いて、ブロック650において、処理デバイスは、ユーザの学習レベルの新しい学習レベルへの変化を識別し得る。一実装形態では、ユーザの学習レベルは、学習レベルが変化したかどうかを決定するために定期的および/または継続的に評価され得る。ブロック660において、処理デバイスは、新しい学習レベルとコンテンツアイテムのそれぞれの理解度ランク付け信号との間のマッピングに基づいて、コンテンツアイテムの推奨を更新し得る。最後に、ブロック670において、処理デバイスは、ブロック660から、コンテンツアイテムの更新されたランク付けに従って、コンテンツアイテムの推奨を自動的に更新し得る。一実装形態では、推奨の自動更新は、ユーザの介入またはクライアントデバイスを介したユーザからの手動入力なしに推奨を更新することを含む。

【0096】

図7は、本開示の実装形態による、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別を提供する学習アプリケーションのホーム画面UI700の例示的なスクリーンショットを示している。図7は、コンテンツ共有プラットフォームの学習アプリケーションのホーム画面ページを閲覧しているユーザに提供される学習アプリケーションのホーム画面のUI700の例示的なスクリーンショットを示している。

【0097】

学習アプリケーションのホーム画面UI700は、UI700の下部で実行されるナビゲーションバー730を含み得、これは、ホームアイコン730、書籍アイコン732、再生アイコン733、ビデオアイコン740、およびアクティビティアイコン735を含む。ナビゲーションバー730はまた、お気に入り(たとえば、スターアイコン)およびデバイスステータスインジケータ(ネットワーク接続、バッテリステータス、時間など)を含むステータスアイコン740を含み得る。検索アイコン705は、UI700にも表示される。

【0098】

学習アプリケーションのホーム画面UI700はまた、UI700の異なるセクションにおけるコンテンツ推奨を提供し得る。たとえば、「トップピック」セクション710は、コンテンツアイコン711～714を表示し得る。UI700の「最近」セクション720は、コンテンツアイコン721～726を表示し得る。コンテンツアイコン711～714、721～716は、これらに限定されないが、ビデオ、アプリ、書籍、ウェブサイト、チャネル、またはプレイリストなどのコンテンツアイテムに対応し得る。コンテンツアイコン711はトップアプリ1であり、コンテンツアイコン712はトップビデオ1であり、コンテンツアイコン713はトップビデオ2であり、コンテンツアイコン714はトップ書籍1である。コンテンツアイコン721はアプリ1であり、コンテンツアイコン722はアプリ2であり、コンテンツアイコン73はウェブサイト1であり、コンテンツアイテム724はウェブサイト2であり、コンテンツアイコン725は書籍1であり、コンテンツアイコン726はビデオ1である。

【0099】

ユーザがコンテンツアイコン711～714、721～726のうちの1つまたは複数を選択した場合、コンテンツアイコンに対応するコンテンツが、UI700を表示している下にあるクライアントデバイスにダウンロードされるようにし得る。いくつかの実装形態では、コンテンツアイコン711～714、721～726のうちの1つまたは複数を選択すると、コンテンツアイコン711～714、721～716に対応する特定のコンテンツが開かれ、UI700に表示されるようにし得る。いくつかの実装形態では、コンテンツアイコン711～714、721～726があらかじめ定められた方法(たとえば、左クリック、2本の指の選択など)で相互作用されると、コンテンツアイコン711～714、721～726を保存716および/または削除715するためのオプションを含むクイックオプションウィンドウ715が表示され得る。

【0100】

特定のセクション710、720のために表示されるコンテンツアイコン711～714、721～716は、図1から図6に関して上記のプロセスに従って学習コンテンツシステムによってユーザのためにキュレーションされた教育的で理解しやすいコンテンツであり得る。たとえば、図7に示されるように、コンテンツアイコン711～714、721～726は、ビデオ、アプリ、ウェブサイト、書籍、チャネル、プレイリストなどに対応し、UI700にアクセスしているユーザにとって教育的かつ理解に関連するものとしてユーザ向けにキュレーションされている。コンテンツアイコン711～714は、UI700にアクセスしているユーザの学習レベルに最も合致するものとして選択およびランク付けされたコンテンツアイテムであり得る。コンテンツアイコン721～726は、学習アプリケーションにおいてユーザによって最近アクセスされたコンテンツアイテムであり得る。

【0101】

UI700に示されるように、コンテンツアイコン711～714、721～726の表示は、アイコンに対応するコンテンツのタイプに基づいて異なる場合がある。たとえば、ビデオコンテンツアイコン712、713、726は、丸い角の縁で表示され、異なるコンテンツタイプ(たとえば、アプリ、書籍、ウェブサイトなど)の他のコンテンツアイコンは、四角い角の縁で表示される。本明細書に示されているものとは異なるコンテンツタイプに対して異なる表示オプションが可能であり、想定される。

【0102】

図8は、コンピュータシステム800の例示的な形態における機械の概略図を示しており、その中で、機械に、本明細書で論じられる方法論のいずれか1つまたは複数を実行させるための命令のセットが実行され得る。代替の実装形態では、機械は、ローカルエリアネットワーク(LAN)、イントラネット、エクストラネット、またはインターネット内の他の機械に接続(たとえば、ネットワーク化)され得る。機械は、クライアントサーバネットワーク環境におけるサーバまたはクライアント機械の容量において動作してもよく、ピアツーピア(または、分散)ネットワーク環境におけるピア機械として動作してもよい。機械は、パーソナルコンピュータ(PC)、タブレットPC、セットトップボックス(STB)、携帯情報端末(PDA)、セルラー電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチまたはブリッジ、あるいはその機械によって実行されるべきアクションを指定する命令のセット(シーケンシャル、またはその他)を実行することができる任意の機械であり得る。さらに、単一の機械のみが示されているが、「機械」という用語はまた、本明細書で論じられる方法論のいずれか1つまたは複数を実行するための命令のセット(または、複数のセット)を個別にまたは共同で実行する機械の任意の集合を含むものと解釈されるべきである。一実装形態では、コンピュータシステム800は、図1に関して説明したように、学習コンテンツシステム140を実行するサーバ102などのサーバを代表し得る。

【0103】

例示的なコンピュータシステム800は、処理デバイス802、メインメモリ804(たとえば、読取り専用メモリ(ROM)、フラッシュメモリ、ダイナミックランダムアクセスメモリ(DRAM)(同期DRAM(SDRAM)またはランバスDRAM(RDRAM)など))、静的メモリ806(たとえば、フラッシュメモリ、静的ランダムアクセスメモリ(SRAM)など)、およびバス808を介して互いに通信するデータ記憶デバイス818を含む。本明細書に記載の様々なバスを介して提供される信号のいずれも、他の信号と時分割多重化され、1つまたは複数の一般的なバスを介して提供され得る。さらに、回路コンポーネントまたはブロック間の相互接続は、バスまたは単一の信号線として示され得る。バスの各々は、代替的に1つまたは複数の単一信号線であり得、単一信号線の各々は、代替的にバスであり得る。

【0104】

処理デバイス802は、マイクロプロセッサ、中央処理装置などのような1つまたは複数の汎用処理デバイスを表す。より具体的には、処理デバイスは、複雑な命令セットコンピューティング(CISC)マイクロプロセッサ、縮小命令セットコンピュータ(RISC)マイクロプロセッサ、超長命令語(VLIW)マイクロプロセッサ、あるいは他の命令セットを実装するプロセッサ、または命令セットの組合せを実装するプロセッサであり得る。処理デバイス902はまた、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)、デジタル信号プロセッサ(DSP)、ネットワークプロセッサなどの1つまたは複数の専用処理デバイスであり得る。処理デバイス802は、本明細書で論じられる動作およびステップを実行するための処理ロジック826を実行するように構成される。

【0105】

コンピュータシステム800は、ネットワークインターフェースデバイス822をさらに含み得る。コンピュータシステム800はまた、ビデオディスプレイユニット810(たとえば、液晶ディスプレイ(LDC)または陰極線管(CRT))、英数字入力デバイス812(たとえば、キーボード)、カーソル制御デバイス814(たとえば、マウス)、および信号生成デバイス820(たとえば、スピーカ)を含み得る。

【0106】

データ記憶デバイス818は、コンピュータ可読記憶媒体824(機械可読記憶媒体とも呼ばれる)を含み得、その上に、本明細書に記載の機能の方法論のうちのいずれか1つまたは複数を具体化する命令826(たとえば、ソフトウェア)の1つまたは複数のセットが記憶される。命令826はまた、コンピュータシステム800によるその実行中に、完全にまたは少なくとも部分的に、メインメモリ804内および/または処理デバイス802内に存在し得、メインメモリ804および処理デバイス802もまた、機械可読記憶媒体を構成する。命令826はさらに、ネットワークインターフェースデバイス822を介してネットワーク874を介して送信または受信され得る。

【0107】

コンピュータ可読記憶媒体824はまた、本明細書で説明されるように、複数のコンテンツタイプの教育コンテンツの理解度ベースの識別のための方法を実行するための命令を記憶するために使用され得る。コンピュータ可読記憶媒体824は、例示的な実装形態では単一の媒体であることが示されているが、「機械可読記憶媒体」という用語は、1つまたは複数の命令セットを記憶する単一の媒体または複数の媒体(たとえば、集中型または分散型データベース、および/または関連付けられるキャッシュおよびサーバ)を含むと解釈されるべきである。機械可読媒体は、機械(たとえば、コンピュータ)によって可読な形式(たとえば、ソフトウェア、処理アプリケーション)で情報を記憶するための任意のメカニズムを含む。機械可読媒体は、これに限定されないが、磁気記憶媒体(たとえば、フロッピーディスク)、光記憶媒体(たとえば、CD-ROM)、光磁気記憶媒体、読取り専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、消去可能なプログラマブルメモリ(たとえば、EPROMおよびEEPROM)、フラッシュメモリ、または電子命令を記憶するために適した別のタイプの媒体を含み得る。

【0108】

前述の説明は、本開示のいくつかの実装形態の十分な理解を提供するために、特定のシステム、コンポーネント、方法などの例などの多数の特定の詳細を示している。しかしながら、本開示の少なくともいくつかの実装形態は、これらの特定の詳細なしに実施され得ることが当業者には明らかであろう。他の例では、よく知られているコンポーネントまたは方法は、本開示を不必要に曖昧にすることを回避するために、詳細に説明されていないか、または単純なブロック図形式で提示されている。したがって、記載されている特定の詳細は単なる例示にすぎない。特定の実装形態は、これらの例示的な詳細とは異なる場合があり、依然として本開示の範囲内であると考えられる。

【0109】

本明細書全体を通して「一実装形態」または「ある実装形態」への言及は、その実装形態に関連して説明される特定の機能、構造、または特性が少なくとも1つの実装形態に含まれることを意味する。したがって、本明細書全体の様々な場所における「一実装形態では」または「ある実装形態では」という句の出現は、必ずしもすべてが同じ実装形態を指すとは限らない。さらに、「または」という用語は、排他的な「または」ではなく、包括的な「または」を意味することを意図している。

【0110】

本明細書の方法の動作は、特定の順序で示され、説明されているが、各方法の動作の順序は、特定の動作が逆の順序で実行されるように、または特定の動作が少なくとも部分的に他の動作と同時に実行され得るように変更され得る。別の実装形態では、別個の動作の命令またはサブ動作は、断続的および/または交互の方法であり得る。

【符号の説明】

【0111】

100 システムアーキテクチャ
102 サーバ
105 ネットワーク
106 データストア
110A～110Z クライアントデバイス
111 メディアビューア
120 コンテンツ共有プラットフォーム
121 コンテンツアイテム
122A チャネルA
122Z チャネルZ
130 サーバ
140 学習コンテンツシステム
141 機械学習(ML)モデル
142 トレーニングエンジン
143 学習ツリー
144 信号生成エンジン
145 コンテンツ推奨エンジン
146 UI生成エンジン
146 UI生成モジュール
150 他のプラットフォームサーバ
151 MLモデル
190 コンテンツアイテムデータ
191 トレーニングデータ
192 理解度データ
193 学習レベルデータ
200 方法
300 方法
400 方法
450 方法
500 方法
600 方法
700 学習アプリケーションのホーム画面UI
705 検索アイコン
710 「トップピック」セクション
711～714 コンテンツアイコン
711 トップアプリ1
712 トップビデオ1
712 ビデオコンテンツアイコン
713 ビデオコンテンツアイコン
713 トップビデオ2
714 トップ書籍1
715 クイックオプションウィンドウ
715 削除
716 保存
720 「最近」セクション
721～726 コンテンツアイコン
721 アプリ1
722 アプリ2
73 ウェブサイト1
724 ウェブサイト2
725 書籍1
726 ビデオコンテンツアイコン
726 ビデオ1
730 ナビゲーションバー
730 ホームアイコン
732 書籍アイコン
733 再生アイコン
735 アクティビティアイコン
740 ビデオアイコン
740 ステータスアイコン
800 コンピュータシステム
802 処理デバイス
804 メインメモリ
806 静的メモリ
808 バス
810 ビデオディスプレイユニット
812 英数字入力デバイス
814 カーソル制御デバイス
818 データ記憶デバイス
820 信号生成デバイス
822 ネットワークインターフェースデバイス
824 コンピュータ可読記憶媒体
826 処理ロジック
826 命令
874 ネットワーク
902 処理デバイス

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5】

【図6】

【図7】

【図8】

【手続補正書】

【提出日】2023-11-10

【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】

処理デバイスによって、ユーザの検索クエリを受信するステップと、
前記処理デバイスによって、前記ユーザの学習レベルを決定するステップと、
前記処理デバイスによって、前記ユーザの前記検索クエリから得られる複数のコンテンツアイテムのそれぞれの理解度ランキング信号を決定するステップと、
前記処理デバイスによって、前記コンテンツアイテムの前記それぞれの理解度ランキング信号に基づいて前記複数のコンテンツアイテムをランク付けするステップと、
ランキングを使用して、前記複数のコンテンツアイテムのうちのコンテンツアイテムのサブセットを学習ツリーに配置するステップと、
前記ユーザの前記学習レベルに従って、前記処理デバイスによって、コンテンツアイテムの前記サブセットの推奨を提供するステップと、
前記ユーザの前記学習レベルの新しい学習レベルへの変化を識別するステップと、
前記コンテンツアイテムの更新された前記ランキングに従って、前記新しい学習レベルに基づいて、コンテンツアイテムの前記サブセットの前記推奨を自動的に更新するステップと
を備える、方法。

【請求項2】

ユーザ要求が、学習体験に関連付けられる主題に対応する、請求項1に記載の方法。

【請求項3】

前記複数のコンテンツアイテムが、アプリケーション、ビデオ、書籍、またはウェブページのうちの少なくとも1つに対応する、請求項1に記載の方法。

【請求項4】

前記コンテンツアイテムに対する前記ユーザの関心レベルに基づいて前記複数のコンテンツアイテムの前記ランキングを修正するステップをさらに備える、請求項1に記載の方法。

【請求項5】

前記コンテンツアイテムの更新された前記推奨に基づいて、クライアントデバイスのユーザインターフェース(UI)を介して提供される推奨されるコンテンツアイテムを自動的にインストールするステップ、自動的にアンインストールするステップ、または自動的に更新するステップのうちの少なくとも1つをさらに備える、請求項1に記載の方法。

【請求項6】

前記ユーザの前記学習レベルを決定するステップが、1つまたは複数のアプリケーションを介したコンテンツアイテムの消費のユーザ履歴、ユーザの教育学年レベル、またはユーザの語彙レベルを備えるユーザの学習レベルメトリックのうちの2つ以上に基づく、請求項1に記載の方法。

【請求項7】

前記ユーザの教育学年レベルまたは前記ユーザの語彙レベルのうちの少なくとも1つが、前記ユーザによって提供されるか、または前記1つまたは複数のアプリケーションとのユーザ対話に基づいて決定される、請求項6に記載の方法。

【請求項8】

前記ユーザの前記学習レベルを決定するステップが、トレーニングされた機械学習モデルを、1つまたは複数のアプリケーションを介したコンテンツアイテムの消費のユーザ履歴、前記ユーザの教育学年レベル、または前記ユーザの語彙レベルを備える前記ユーザの学習レベルメトリックのうちの2つ以上に適用するステップを備える、請求項1に記載の方法。

【請求項9】

前記学習ツリーが、1つまたは複数のエッジを介して1つまたは複数の子ノードにそれぞれが接続された複数のベースノードを有するツリーグラフであり、前記複数のベースノードの各々が、複数の学習レベルのうちの1つに対応する、請求項1に記載の方法。

【請求項10】

前記それぞれの理解度ランキング信号が、少なくとも1つの機械学習モデルを使用して前記複数のコンテンツアイテムに対して生成された学習属性スコアに基づいて決定される、請求項1に記載の方法。

【請求項11】

前記学習属性スコアが、魅力、深さ、発想性、学習の影響、または発達の適切性のうちの2つ以上を備える学習属性に対応する、請求項10に記載の方法。

【請求項12】

前記少なくとも1つの機械学習モデルが、複数の学習レベルの各々の学習属性ごとの機械学習モデルを備える、請求項10に記載の方法。

【請求項13】

前記少なくとも1つの機械学習モデルが、サンプルコンテンツアイテムの手動評価およびあらかじめ定められた学習レベルを使用してトレーニングされる、請求項10に記載の方法。

【請求項14】

前記少なくとも1つの機械学習モデルによって生成された前記学習属性スコアが、前記理解度ランキング信号を生成するために、組み合わされる、請求項10に記載の方法。

【請求項15】

請求項1から14のいずれか一項に記載の前記方法を実行するためのシステム。

【外国語明細書】