特許 7229469 情報処理装置、方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-02-17

(45)【発行日】2023-02-28

(54)【発明の名称】情報処理装置、方法、及びプログラム

(51)【国際特許分類】

   G06Q 50/20 20120101AFI20230220BHJP

【ＦＩ】

G06Q50/20

【請求項の数】 10

(21)【出願番号】P 2019142878

(22)【出願日】2019-08-02

(65)【公開番号】P2021026433

(43)【公開日】2021-02-22

【審査請求日】2021-08-20

(73)【特許権者】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(73)【特許権者】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(74)【代理人】

【識別番号】100108855

【弁理士】

【氏名又は名称】蔵田 昌俊

(74)【代理人】

【識別番号】100075672

【弁理士】

【氏名又は名称】峰 隆司

(74)【代理人】

【識別番号】100179062

【弁理士】

【氏名又は名称】井上 正

(72)【発明者】

【氏名】児玉 翠

(72)【発明者】

【氏名】社家 一平

(72)【発明者】

【氏名】秦 崇洋

(72)【発明者】

【氏名】武見 充晃

(72)【発明者】

【氏名】斎藤 璃紗

【審査官】加内 慎也

(56)【参考文献】

【文献】特開２０１７－１１１２９２（ＪＰ，Ａ）

【文献】小林 嵩大，律動的運動におけるパーソナルテンポ用いたスランプ脱出システムの提案，第８１回（２０１９年）全国大会講演論文集（１） コンピュータシステム ソフトウェア科学・工学 データとウェブ，日本，一般社団法人情報処理学会，2019年02月28日，1-431～1-432

【文献】双見 京介，Ｓｕｃｃｅｓｓ Ｉｍｐｒｉｎｔｅｒ：条件づけ刺激を用いたメンタル制御支援システム，インタラクション２０１６論文集，日本，一般社団法人情報処理学会，2016年03月04日，106～115

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

ユーザが第１の課題を実施した第１の結果を示す第１の成否データ系列に基づいて、失敗に応じて広げられる探索空間の変化量を示す探索変化量を推定して前記探索変化量の推定値を得る探索変化量推定部と、
前記探索変化量の推定値を示す情報又は前記探索変化量の推定値に基づいて決定される前記ユーザが次に実施すべき課題を出力する情報出力部と、
を備え、
前記探索変化量推定部は、前記第１の課題と同数の課題を前記ユーザが実施したというシミュレーションを前記探索変化量に対応する第１のパラメタを用いて実施して第２の成否データ系列を生成し、前記第１の成否データ系列と前記第２の成否データ系列との間の誤差を算出し、前記誤差に基づいて前記第１のパラメタを更新する処理を繰り返し行うことにより、前記探索変化量を推定し、
前記探索変化量推定部は、前記シミュレーションにおいて、前記第１のパラメタに基づいて各課題に成功するか失敗するかを決定する、
情報処理装置。

【請求項2】

前記探索変化量推定部は、前記第１の成否データ系列に基づいて、課題の実施のたびに前記探索空間を狭める度合いを示す学習率をさらに推定して前記学習率の推定値を得るものであり、
前記探索変化量推定部は、前記シミュレーションを前記第１のパラメタと前記学習率に対応する第２のパラメタとを用いて実施して前記第２の成否データ系列を生成し、前記第１の成否データ系列と前記第２の成否データ系列との間の誤差を算出し、前記誤差に基づいて前記第１のパラメタ及び前記第２のパラメタを更新する処理を繰り返し行うことにより、前記探索変化量及び前記学習率を推定し、
前記探索変化量推定部は、前記シミュレーションにおいて、前記第１のパラメタ及び前記第２のパラメタに基づいて各課題に成功するか失敗するかを決定する、
請求項１に記載の情報処理装置。

【請求項3】

前記ユーザが第２の課題を実施した第２の結果と前記探索変化量の推定値及び前記学習率の推定値とに基づいて、前記探索空間の広さを示す探索量を推定する探索量推定部
をさらに備え、
前記探索量推定部は、前記ユーザが前記第２の課題に成功したことを前記第２の結果が示す場合に、前記探索空間を前記学習率の推定値に応じて狭め、前記ユーザが前記第２の課題に失敗したことを前記第２の結果が示す場合に、前記探索空間を前記探索変化量に応じて広げる、
請求項２に記載の情報処理装置。

【請求項4】

前記探索量推定部は、前記探索空間が成功により前記学習率に応じて狭まり、失敗により前記探索変化量に応じて広がるというモデルを用いて、前記探索量の推定を行う、
請求項３に記載の情報処理装置。

【請求項5】

前記推定された探索量に基づいて、複数の課題の中から前記ユーザが次に実施すべき課題を選択する課題選択部
をさらに備え、
前記情報出力部は前記選択された課題を出力する、
請求項３又は４に記載の情報処理装置。

【請求項6】

前記課題選択部は、前記推定された探索量により示される前記探索空間の広さが基準よりも広い場合に、前記第２の課題のうち前記ユーザが最後に実施した第２の課題よりも簡単な課題を、前記ユーザが次に実施すべき課題として選択する、
請求項５に記載の情報処理装置。

【請求項7】

前記課題選択部は、前記ユーザが最後に実施した前記第２の課題の難易度から前記推定された探索量に事前に定められたスケーリング係数を乗じた値を減算した差を前記ユーザが次に実施すべき課題の難易度として算出し、前記複数の課題のうち、前記算出した難易度よりも低く、且つ、前記算出した難易度に最も近い難易度の課題を、前記ユーザが次に実施すべき課題として選択する、
請求項６に記載の情報処理装置。

【請求項8】

前記課題選択部は、前記ユーザが最後に実施した前記第２の課題の難易度から前記推定された探索量に事前に定められたスケーリング係数及び前記ユーザが最後に実施した前記第２の課題の難易度を乗じた値を減算した差を前記ユーザが次に実施すべき課題の難易度として算出し、前記複数の課題のうち、前記算出した難易度よりも低く、且つ、前記算出した難易度に最も近い難易度の課題を、前記ユーザが次に実施すべき課題として選択する、
請求項６に記載の情報処理装置。

【請求項9】

コンピュータによって実行される情報処理方法であって、
ユーザが第１の課題を実施した第１の結果を示す第１の成否データ系列に基づいて、失敗に応じて広げられる探索空間の変化量を示す探索変化量を推定して前記探索変化量の推定値を得る第１工程と、
前記探索変化量の推定値を示す情報又は前記探索変化量の推定値に基づいて決定される前記ユーザが次に実施すべき課題を出力する第２工程と、
を備え、
前記第１工程は、前記第１の課題と同数の課題を前記ユーザが実施したというシミュレーションを前記探索変化量に対応する第１のパラメタを用いて実施して第２の成否データ系列を生成し、前記第１の成否データ系列と前記第２の成否データ系列との間の誤差を算出し、前記誤差に基づいて前記第１のパラメタを更新する処理を繰り返し行うことにより、前記探索変化量を推定することを含み、
前記シミュレーションにおいて、前記第１のパラメタに基づいて各課題に成功するか失敗するかが決定される、
情報処理方法。

【請求項10】

コンピュータを、
ユーザが第１の課題を実施した第１の結果を示す第１の成否データ系列に基づいて、失敗に応じて広げられる探索空間の変化量を示す探索変化量を推定して前記探索変化量の推定値を得る探索変化量推定手段、及び
前記探索変化量の推定値を示す情報又は前記探索変化量の推定値に基づいて決定される前記ユーザが次に実施すべき課題を出力する情報出力手段
として機能させ、
前記探索変化量推定手段は、前記第１の課題と同数の課題を前記ユーザが実施したというシミュレーションを前記探索変化量に対応する第１のパラメタを用いて実施して第２の成否データ系列を生成し、前記第１の成否データ系列と前記第２の成否データ系列との間の誤差を算出し、前記誤差に基づいて前記第１のパラメタを更新する処理を繰り返し行うことにより、前記探索変化量を推定し、
前記探索変化量推定手段は、前記シミュレーションにおいて、前記第１のパラメタに基づいて各課題に成功するか失敗するかを決定する、
情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の態様は、情報処理装置、方法、及びプログラムに関する。

【背景技術】

【0002】

スポーツや勉強において、調子が一時的に悪化し，実力に対して達成可能な課題に対しても失敗（誤答）することを繰り返す場合がある。このようなスランプは、特にスランプが長引いた時に、自信の喪失又はモチベーション低下を引き起こす。つまり、学習の効果を効率的に上げるためには、ユーザがスランプに陥ることを回避することが望ましい。

【0003】

ところで、複数のユーザの試行や問題を解いた際のデータを用いて、ユーザのレベルを推定する手法が存在する。例えば、項目反応理論は、複数の学習者が回答した問題の特性（難易度）と学生の能力とを同時に取り扱うことで、同一のテストを受けなくとも、学習者の理解度を測定して学習者間で比較することが可能であることが知られている（非特許文献１）。また、学習者の理解度を推定し、推定した理解度に応じた難易度の問題を提示する学習システムが知られている（非特許文献２）。

【先行技術文献】

【非特許文献】

【0004】

【文献】月原由紀、鈴木敬一、廣瀬英雄、「項目反応理論による評価を加味した数学テストとe-learningシステムへの実装の試み」、コンピュータ＆エデュケーション 24 (2008): 70-76.

【文献】Chen, Chih-Ming, Hahn-Ming Lee, and Ya-Hui Chen. "Personalized e-learning system using item response theory." Computers & Education 44.3 (2005): 237-255.

【発明の概要】

【発明が解決しようとする課題】

【0005】

非特許文献２に開示されるような学習システムでは、学習者のレベルに応じた出題がなされるものの、失敗による後のパフォーマンスへの影響やスランプ要素を考慮していないため、学習者がスランプに陥ることを予防することはできない。

【0006】

本発明は、上記の事情を鑑みてなされたものであり、ユーザがスランプに陥ることを予防することを可能にする情報処理装置、方法、及びプログラム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】

【0007】

本発明の第１の態様では、情報処理装置は、ユーザが第１の課題を実施した第１の結果に基づいて、失敗に応じて広げられる探索空間の変化量を示す探索変化量を推定する探索変化量推定部と、前記推定された探索変化量に基づく情報を出力する情報出力部と、を備える。

【0008】

本発明の第２の態様では、情報処理装置は、前記ユーザが第２の課題を実施した第２の結果と前記推定された探索変化量とに基づいて、前記探索空間の広さを示す探索量を推定する探索量推定部をさらに備える。

【0009】

本発明の第３の態様では、前記探索変化量推定部は、前記第１の結果に基づいて、課題の実施のたびに前記探索空間を狭める度合いを示す学習率をさらに推定し、前記探索量推定部は、前記第２の結果と前記推定された探索変化量と前記推定された学習率とに基づいて、前記探索量を推定する。

【0010】

本発明の第４の態様では、前記探索量推定部は、前記探索空間が成功により狭まり、失敗により広がるというモデルを用いて、前記探索量の推定を行う。

【0011】

本発明の第５の態様では、情報処理装置は、前記推定された探索量に基づいて、複数の課題の中から前記ユーザが次に実施すべき課題を選択する課題選択部をさらに備え、前記情報出力部は前記選択された課題を出力する。

【0012】

本発明の第６の態様では、前記課題選択部は、前記推定された探索量により示される前記探索空間の広さが基準よりも広い場合に、前記第２の課題のうち前記ユーザが最後に実施した第２の課題よりも簡単な課題を、前記ユーザが次に実施すべき課題として選択する。

【0013】

本発明の第７の態様では、前記選択された課題は、前記ユーザが最後に実施した前記第２の課題の難しさを表す値と前記推定された探索量に基づいて決定される値との差により示される難しさよりも低い難しさを有する。

【0014】

本発明の第８の態様では、前記選択された課題は、前記ユーザが最後に実施した前記第２の課題の難しさを表す値と前記推定された探索量及び前記ユーザが最後に実施した前記第２の課題の難しさに基づいて決定される値との差により示される難しさよりも低い難しさを有する。

【発明の効果】

【0015】

第１の態様によれば、ユーザの探索変化量が算出される。例えば、算出された探索変化量はユーザやその指導者へフィードバックすることができる。これにより、ユーザや指導者は、ユーザの状況を把握することができ、ユーザがスランプに陥らないように対策を立てることができるようになる。また、例えば、算出された探索変化量は、ユーザがスランプに陥ることがないようにユーザに提示する課題を選択することを可能にする。

【0016】

第２の態様によれば、ユーザの探索量が算出される。一例として、算出された探索量はユーザやその指導者へフィードバックすることができる。これにより、ユーザや指導者は、ユーザの状況を把握することができ、ユーザがスランプに陥らないように対策を立てることができるようになる。他の例では、算出された探索量は、ユーザがスランプに陥ることがないようにユーザに提示する課題を選択することを可能にする。

【0017】

第３の態様によれば、探索量の推定精度が向上する。

【0018】

第４の態様によれば、課題成否に伴うユーザの探索空間の変化を容易に追うことが可能となる。

【0019】

第５の態様によれば、ユーザの探索空間が広がりすぎた場合に、より容易な課題をユーザに提示することが可能となる。その結果、ユーザが次の課題に成功しやすくなり、ユーザがスランプに陥ることを予防することができる。

【0020】

第６の態様によれば、ユーザの探索空間が過度に広がる前に、ユーザが最後に実施した課題より簡単な課題をユーザに提示することが可能となる。その結果、ユーザが次の課題に成功しやすくなり、ユーザがスランプに陥ることを予防することができる。

【0021】

第７及び第８の態様によれば、ユーザの状況に適した課題を提示することが可能となる。

【0022】

要するに本発明によれば、ユーザがスランプに陥ることを予防することを可能にする情報処理装置、方法、及びプログラムを提供することができる。

【図面の簡単な説明】

【0023】

【図1】一実施形態に係る課題提示装置を例示するブロック図。

【図2】図１に示した成否データ保存部を例示する図。

【図3】図１に示した課題データ保存部を例示する図。

【図4】図１に示した探索パラメタ保存部を例示する図。

【図5】図１に示した探索変化量推定部を例示するブロック図。

【図6】図１に示した課題提示装置のハードウェア構成例を示すブロック図。

【図7】一実施形態に係るパラメタを推定する処理の一例を示すフローチャート。

【図8】一実施形態に係る課題を提示する処理の一例を示すフローチャート。

【図9】図１に示した探索量推定部における入力データ及び出力データの例を示す図。

【図10】一実施形態に係る課題提示装置を例示するブロック図。

【図11】一実施形態に係る課題提示装置を例示するブロック図。

【発明を実施するための形態】

【0024】

以下、図面を参照しながら本発明の実施形態を説明する。

【0025】

一度失敗すると何度も連続して失敗してしまう現象は成否による探索空間の広がりによって説明することができる。このことについて、ダーツ又はボールの投擲のように物体を特定のターゲット内へ到達させる動作を例に説明する。ユーザは失敗又は成功に応じて体の動かし方を調整しながら良い動作を獲得していく。投擲が成功したときには動作のポリシが正しいと考えられるため、あえて他の動作を試行するといった探索をする必要はない。ユーザは、成功を重ねるごとに動作を精緻に実行するようになる、すなわち、探索空間を狭めていく。一方、投擲が失敗したときには動作のポリシが誤っていると考えられるため、良い動作を探索するために他の動作を試行すること、すなわち、探索空間を広げることが望ましい。

【0026】

成否による探索空間の広がりは、例えば、下記の式１のようなモデルで表すことができる。

【数1】

σ_ｔは時点ｔでの探索量を表す。探索量は探索空間の広さを示す。探索量の初期値σ_０は課題の種類に応じて定められる。Δσは探索変化量を表す。探索変化量は失敗に応じて広げられる探索空間の変化量を示す。ｌｒは、学習率を表す。学習率は、試行（課題の実施）のたびに探索空間を狭める度合いを示す。学習率は例えば０から１までの小数をとり、１に近いほど次の試行における探索空間の狭まり度合いが小さく、０に近いほど次の試行における探索空間の狭まり度合いが大きくなる。通常は、学習率は０．９９といった１に近い値となる。ｒ_ｔは成否を表し、ｒ_ｔ＝１は成功を示し、ｒ_ｔ＝０は失敗を示す。よって、このモデルは、探索空間が成功により狭まり、失敗により広がることを表現する。

【0027】

探索空間が広がると、探索空間のうちターゲットが占める割合が小さくなるため、物体がターゲット内に到達する確率が低くなり、失敗しやすくなる。すなわち、このモデルによれば、一度失敗すると、次の試行では前回の試行よりも失敗する可能性が高くなり、連続的に失敗してしまう現象を再現することが可能となる。

【0028】

上記のモデルは、課題の成否に伴うユーザの探索空間の変化を追うことを可能にする。ユーザがスランプに陥ることを回避するためには、課題の失敗に伴い探索空間が過大に拡大することを防ぐこと、すなわち、探索空間が広がりすぎた場合に成功しやすい課題を与えることが有効である。

【0029】

一実施形態によれば、ユーザが課題を実施した結果に基づいてユーザの探索変化量を推定し、推定した探索変化量に基づいて探索空間が過度に広がらないような課題を選択して提示する情報処理装置が提供される。当該情報処理装置によれば、ユーザがスランプに陥ることを予防することが可能となる。その結果、ユーザが効率的に学習を行うことができるようになる。ここで、学習は、勉強のような知識の獲得に限らず、スポーツ又は楽器の練習などを含む。

【0030】

また、なんらかの理由により情報処理装置による具体的な課題提示ができない場合には、情報処理装置は探索変化量及び探索量をユーザやその指導者へフィードバックするようにしてもよい。これにより、ユーザや指導者は、ユーザの状況を把握することが可能となり、ユーザがスランプに陥らないように対策を立てることができるようになる。例えば、指導者による指導方法を調整することが可能となる。また、ユーザ自身が練習内容や勉強内容を工夫することが可能になる。

【0031】

［構成］
図１は、一実施形態に係る課題提示装置（情報処理装置ともいう）１０を概略的に例示する。図１に示すように、課題提示装置１０は、成否データ保存部１１、課題データ保存部１２、探索パラメタ保存部１３、探索変化量推定部１４、探索量推定部１５、課題選択部１６、課題出力部１７、出題ポリシ再現部１８、及びパラメタ提示部１９を備える。

【0032】

成否データ保存部１１は、ユーザが課題を実施した結果を含む成否データを保存する。例えば、成否データ保存部１１は、ユーザＩＤ、課題ＩＤ、成否情報、日時情報、及び出題ポリシ情報を保存する。ユーザＩＤはユーザを識別する情報である。課題ＩＤはユーザが実施した課題を識別する情報である。成否情報は、ユーザが課題を実施した結果を示し、成功又は失敗に応じた値をとる。上記の例を参照すると、成功は物体がターゲット内に到達したことを示し、失敗は物体がターゲット内に到達しなかったことを示す。また、課題が勉強に関する問題である例では、成功は問題に対する回答が正解であったことを示し、失敗は問題に対する回答が不正解であったことを示す。日時情報はユーザが課題を実施した日時を示す。出題ポリシ情報は出題ポリシの種類を識別する情報である。出題ポリシは、ユーザの課題成否に応じた次の課題の選択ルールを示す。

【0033】

課題データ保存部１２は、事前に用意された複数の課題に関するデータを保存する。例えば、課題データ保存部１２は、課題ＩＤ、課題特徴量情報、及び課題難易度情報を保存する。課題特徴量情報は課題の特徴量を示す。課題難易度情報は課題の難易度を示す。課題データ保存部１２は、難易度の信頼度を示す信頼度情報、難易度の算出に用いられた成否データなどの情報をさらに保存してよい。

【0034】

探索パラメタ保存部１３は各ユーザの探索パラメタを保存する。探索パラメタは探索変化量及び学習率を含む。探索変化量及び学習率は探索変化量推定部１４により推定される。

【0035】

探索変化量推定部１４は、成否データ保存部１１からユーザの成否データを取得する。探索変化量推定部１４は、ユーザが課題を実施した結果に基づいて、ユーザの探索変化量及び学習率を推定する。後述するように、探索変化量推定部１４は、探索変化量及び学習率の推定のために、課題データ保存部１２を参照する。探索変化量推定部１４は、推定したユーザの探索変化量及び学習率を探索パラメタ保存部１３に保存する。

【0036】

探索量推定部１５は、成否データ保存部１１からユーザの成否データを取得し、探索パラメタ保存部１３からこのユーザの探索変化量及び学習率を取得する。探索量推定部１５は、ユーザが課題を実施した結果と、探索変化量推定部１４により推定されたユーザの探索変化量及び学習率と、に基づいて、ユーザの探索量を推定する。探索量推定部１５は、推定したユーザの探索量を課題選択部１６に与える。

【0037】

課題選択部１６は、探索量推定部１５により推定されたユーザの探索量に基づいて、課題データ保存部１２に用意された複数の課題の中から、ユーザが次に実施すべき課題を選択する。

【0038】

課題出力部１７は、課題選択部１６により選択された課題を出力する。一例として、課題出力部１７は、課題提示装置１０が備える出力装置（例えば表示装置）を通してユーザに課題を提示する。他の例では、課題出力部１７は、パーソナルコンピュータ（ＰＣ）又はタブレットなどの端末を通してユーザに課題を提示するために、課題を示す情報を端末に送信する。なお、課題提示は、ユーザ以外の者（例えば指導者など）に対して行うようにしてもよい。

【0039】

出題ポリシ再現部１８は、探索変化量推定部１４の要求に応じて、ユーザの出題ポリシ情報に従ってシミュレーション上の課題を出力する。出題ポリシ再現部１８は成否データ保存部１１からユーザの出題ポリシ情報を取得する。

【0040】

パラメタ提示部１９は、探索変化量推定部１４により推定された探索変化量、探索量推定部１５により推定された探索量、又はこれらの両方を示すパラメタ情報をユーザに提示する。一例として、パラメタ提示部１９は、課題提示装置１０が備える出力装置（例えば表示装置）を通じてユーザへパラメタ情報を提示する。他の例では、パラメタ提示部１９は、ＰＣ又はタブレットなどの端末を通してユーザにパラメタ情報を提示するために、パラメタ情報を端末に送信する。なお、パラメタ情報提示は、ユーザ以外の者（例えば指導者など）に対して行うようにしてもよい。

【0041】

課題出力部１７及びパラメタ提示部１９は、探索変化量推定部１４により推定された探索変化量に基づく情報を出力する情報出力部に相当する。探索変化量推定部１４により推定された探索変化量に基づく情報は、探索変化量推定部１４により推定された探索変化量そのものを示す情報、探索量推定部１５により推定された探索量を示す情報、及び／又は課題選択部１６により選択された課題を示す情報を含む。

【0042】

図２は、成否データ保存部１１が保持するテーブルの一例を示している。図２に示すテーブルは、成否データＩＤ、ユーザＩＤ、課題ＩＤ、成否、日時、出題ポリシという６つのフィールド（カラム）を有する。成否データＩＤはデータレコードを識別する情報である。成否のフィールドにおいて、値“１”は成功を示し、値“０”は失敗を示す。物体をターゲット内へ到達させる例を再び参照すると、１Ｄ１Ｕという課題ポリシは、１度成功したらターゲットの半径を所定量（例えば１ｍｍ）小さくし、１度失敗したらターゲットの半径を所定量（例えば１ｍｍ）大きくするというルールを示す。課題ポリシ情報２Ｄ１Ｕは、２度成功したらターゲット半径を所定量小さくし、１度失敗したらターゲット半径を所定量大きくするというルールを示す。

【0043】

図３は、課題データ保存部１２が保持するテーブルの一例を示している。図３に示すテーブルは、課題ＩＤ、課題特徴量、課題難易度、信頼度、算出に用いられた成否データＩＤという５つのフィールドを有する。算出に用いられた成否データＩＤのフィールドは、課題難易度の算出に用いられた成否データのＩＤを格納する。

【0044】

図４は、探索パラメタ保存部１３が保持するテーブルの一例を示している。図４に示すテーブルは、ユーザＩＤ、探索変化量、学習率という３つのフィールドを有する。図４の例では、探索変化量及び学習率が探索パラメタである。

【0045】

図５は、探索変化量推定部１４の構成の一例を概略的に示している。図５に示すように、探索変化量推定部１４は、データ系列抽出部５１、シミュレーション実行部５２、誤差評価部５３、及びパラメタ更新部５４を備える。

【0046】

データ系列抽出部５１は、成否データ保存部１１から、ユーザの探索パラメタを推定するために使用する成否データ系列を抽出する。成否データ系列は、ユーザが一連の課題を実施した結果を含む。一連の課題は、例えば、連続する２つの課題間の時間間隔が所定時間間隔未満であり、同じ出題ポリシを有する。

【0047】

シミュレーション実行部５２は、ユーザが上記一連の課題と同数の課題を実施したというシミュレーションを実行して成否データ系列を生成する。シミュレーションに使用する課題は出題ポリシ再現部１８により供給される。

【0048】

誤差評価部５３は、データ系列抽出部５１により得られた成否データ系列とシミュレーション実行部５２により得られた成否データ系列との間の誤差を算出する。

【0049】

パラメタ更新部５４は、誤差評価部５３により算出された誤差に基づいて、探索変化量及び学習率を更新する。

【0050】

シミュレーション実行部５２、誤差評価部５３、及びパラメタ更新部５４は、最適化手法に基づいて探索パラメタを決定する。例えば、シミュレーション実行部５２が、パラメタ更新部５４により更新された探索変化量及び学習率を用いてシミュレーションを再度実行し、誤差評価部５３が、データ系列抽出部５１により得られた成否データ系列とシミュレーション実行部５２により新たに得られた成否データ系列との間の誤差を算出し、パラメタ更新部５４が、誤差評価部５３により新たに算出された誤差に基づいて、探索変化量及び学習率を更新する。この処理を終了条件が満たされるまで繰り返す。最適化手法としては、勾配法、ニュートン法、バリア関数法、ペナルティ関数法、簡約勾配法、内点法、単体法などを使用することができる。

【0051】

なお、学習率は、推定対象とせずに、固定値としてもよい。本実施形態のように学習率が推定対象に含まれる場合、探索量推定部１５における探索量の推定精度が向上し、探索空間が広がりすぎたか否かをより適切に判断することが可能になる。探索量の初期値が推定対象に含まれてもよい。

【0052】

図６は、本発明の一実施形態に係るコンピュータ装置６０のハードウェア構成の一例を概略的に示している。図６に示すコンピュータ装置６０は、図１に示した課題提示装置１０の一例であり得る。

【0053】

図６に示すように、コンピュータ装置６０は、ハードウェアとして、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、プログラムメモリ６３、補助記憶装置６４、通信インタフェース６５、及び入出力インタフェース６６を備える。ＣＰＵ６１は、バス６７を介して、ＲＡＭ６２、プログラムメモリ６３、補助記憶装置６４、通信インタフェース６５、及び入出力インタフェース６６と通信する。

【0054】

ＣＰＵ６１は汎用ハードウェアプロセッサの一例である。ＲＡＭ６２はワーキングメモリとしてＣＰＵ６１に使用される。ＲＡＭ６２はＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）などの揮発性メモリを含む。プログラムメモリ６３は、課題提示プログラムを含む種々のプログラム及びプログラムを実行するために必要な設定データを非一時的に記憶する。プログラムメモリ６３に記憶されている各プログラムはコンピュータ実行可能命令を含む。プログラム（コンピュータ実行可能命令）は、ＣＰＵ６１により実行されると、ＣＰＵ６１に所定の処理を実行させる。プログラムメモリ６３として、例えば、ＲＯＭ（Read-Only Memory）、補助記憶装置６４の一部、又はその組み合わせが使用される。補助記憶装置６４はデータを非一時的に記憶する。補助記憶装置６４は、ハードディスクドライブ（ＨＤＤ）又はソリッドステートドライブ（ＳＳＤ）などの不揮発性メモリを含む。

【0055】

課題提示プログラムは、ＣＰＵ６１により実行されると、ここで説明される一連の処理をＣＰＵ６１に実行させる。例えば、ＣＰＵ６１は、課題提示プログラムに従って、探索変化量推定部１４、探索量推定部１５、課題選択部１６、課題出力部１７、出題ポリシ再現部１８、及びパラメタ提示部１９として機能する。成否データ保存部１１、課題データ保存部１２、及び探索パラメタ保存部１３は、例えば、補助記憶装置６４により実現される。

【0056】

通信インタフェース６５は、他の装置と通信するためのインタフェースである。通信インタフェース６５は、無線モジュール、有線モジュール、又はその組み合わせを備える。入出力インタフェース６６は、入力装置及び出力装置を接続するための複数の端子を備える。入力装置の例は、キーボード、マウス、マイクロフォンなどを含む。出力装置の例は、表示装置、スピーカなどを含む。

【0057】

プログラムは、コンピュータで読み取り可能な記憶媒体に記憶された状態でコンピュータ装置６０に提供されてよい。この場合、例えば、コンピュータ装置６０は、記憶媒体からデータを読み出すドライブ（図示せず）をさらに備え、記憶媒体からプログラムを取得する。記憶媒体の例は、磁気ディスク、光ディスク（ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＤＶＤ－ＲＯＭ、ＤＶＤ－Ｒなど）、光磁気ディスク（ＭＯなど）、半導体メモリを含む。また、プログラムを通信ネットワーク上のサーバに格納し、コンピュータ装置６０が通信インタフェース６５を使用してサーバからプログラムをダウンロードするようにしてもよい。

【0058】

実施形態において説明される処理は、ＣＰＵ６１などの汎用プロセッサがプログラムを実行することにより行われることに限らず、ＡＳＩＣ（Application Specific Integrated Circuit）などの専用ハードウェアプロセッサにより行われてもよい。ここで使用する処理回路（processing circuitry）という語は、少なくとも１つの汎用ハードウェアプロセッサ、少なくとも１つの専用ハードウェアプロセッサ、又は少なくとも１つの汎用ハードウェアプロセッサと少なくとも１つの専用ハードウェアプロセッサとの組み合わせを含む。図６に示す例では、ＣＰＵ６１、ＲＡＭ６２、及びプログラムメモリ６３が処理回路に相当する。

【0059】

［動作］
上述した構成を有する課題提示装置１０の動作例を説明する。

【0060】

図７は、課題提示装置１０が探索パラメタを推定する手順の一例を概略的に示している。図７のステップＳ７１において、データ系列抽出部５１は、成否データ保存部１１から、あるユーザのパラメタを推定するために使用する成否データ系列を抽出する。例えば、データ系列抽出部５１は、成否データ保存部１１からユーザの成否データを取得し、取得した成否データを時間順にソートする。このとき、一定時間Ｔ１以上成否データに間隔がある場合又は出題ポリシが変更になった場合は、成否データは区切られて複数の成否データ系列が生成される。一定時間Ｔ１はユーザにより事前に設定され得る。一定時間Ｔ１は例えば１０分である。データ系列抽出部５１は、成否データ系列のうちの最新のものを選択する。

【0061】

ステップＳ７２において、データ系列抽出部５１は、抽出した成否データ系列の長さＭを取得する。

【0062】

ステップＳ７３において、シミュレーション実行部５２は、ユーザが課題をＭ回実施するというシミュレーションを実行し、Ｍ回分の成否データである成否データ系列を得る。例えば、まず、シミュレーション実行部５２は、データ系列抽出部５１により抽出された成否データ系列から、出題ポリシ情報、初期の成否情報ｒ_１、及び初期の課題ＩＤを取得する。シミュレーション実行部５２は、下記の式１に従って、初期の成否情報ｒ_１から次の試行における探索量を求める。

【数2】

ここで、ｔは系列中での順番を表す。

【0063】

シミュレーション実行部５２は、出題ポリシ再現部１８に対して課題ＩＤと成否ｒ_ｔを入力し、出題ポリシ再現部１８から、次に出題すべき課題の課題ＩＤを取得する。シミュレーション実行部５２は、下記の式２に従って、ユーザの次の試行時のパフォーマンスの予測値ｘ_ｔ＋１を求める。

【数3】

ここで、Ｎ（０，σ_ｔ）は、平均０、分散σ_ｔの正規分布を仮定する。

【0064】

シミュレーション実行部５２は、課題データ保存部１２から、出題されている課題の難易度ｂ_ｔ＋１を取得する。シミュレーション実行部５２は、下記の式３に従って、パフォーマンスｘ_ｔ＋１と難易度ｂ_ｔ＋１を比較し、次の試行が成功するか否かを判定する。

【数4】

【0065】

シミュレーション実行部５２は、上記の処理をＭ－１回繰り返すことでＭ回分の成否データを得る。

【0066】

なお、簡単すぎる課題を実施した場合には探索空間の広がりが起こらない可能性がある。この場合は、シミュレーション実行部５２は、成功失敗にかかわらず、式１に代えて下記の式１′を使用することができる。

【数5】

【0067】

なお、対象とする課題の種類に依存して、ユーザの内的状態を表すθ_ｔを用いることができる。その場合、シミュレーション実行部５２は、式２に代えて下記の式２′を使用することができる。

【数6】

【0068】

ステップＳ７４において、誤差評価部５３は、データ系列抽出部５１により抽出された成否データ系列とシミュレーション実行部５２により得られた成否データ系列とを比較し、誤差を算出する。誤差を算出する方法は複数ある。

【0069】

一例では、誤差評価部５３は、データ系列抽出部５１及びシミュレーション実行部５２からの成否データ系列の各々に対して、１回、２回、・・・、ｈ１回連続で失敗する頻度をカウントする。それにより、誤差評価部５３は、データ系列抽出部５１からのデータ系列に関する連続失敗頻度Ｆ_ａと、シミュレーション実行部５２からのデータ系列に関する連続失敗頻度Ｆ_ｓと、を得る。同様にして、誤差評価部５３は、データ系列抽出部５１及びシミュレーション実行部５２からのデータ系列の各々に対して、１回、２回、・・・、ｈ２回連続で成功する頻度をカウントして、データ系列抽出部５１からのデータ系列に関する連続成功頻度Ｓ_ａと、シミュレーション実行部５２からのデータ系列に関する連続成功頻度Ｓ_ｓと、を得る。ここで、ｈ１は連続失敗の最大回数を示し、ｈ２は連続成功の最大回数を示す。誤差評価部５３は、連続失敗頻度Ｆ_ａと連続失敗頻度Ｆ_ｓとの差及び連続成功頻度Ｓ_ａと連続成功頻度Ｓ_ｓとの差に基づいて、誤差を算出する。誤差評価部５３は、例えば下記の式３に従って、誤差Ｌを求める。

【数7】

【0070】

他の例では、誤差評価部５３は、成否パタンの比較に基づいて誤差を算出してよい。データ系列抽出部５１からの成否データ系列をｒ_ａ、シミュレーション実行部５２からの成否データ系列をｒ_ｓと表したときに、誤差評価部５３は、成否データ系列ｒ_ａと成否データ系列ｒ_ｓとの間の差に基づいて誤差を算出する。誤差評価部５３は、例えば下記の式４に従って、誤差Ｌを求める。

【数8】

【0071】

さらに他の例では、誤差評価部５３は、データ系列抽出部５１からの成否データ系列とシミュレーション実行部５２からのデータ系列との間での成功率の差に基づいて、誤差を算出してよい。誤差評価部５３は、例えば下記の式５に従って、誤差Ｌを求める。

【数9】

【0072】

ステップＳ７５において、パラメタ更新部５４は、パラメタである探索変化量及び学習率を更新する。

【0073】

探索変化量推定部１４は、更新後のパラメタを用いてＳ７３～Ｓ７５の処理を再帰的に実行する。Ｓ７３～Ｓ７５の処理は、終了条件が満たされるまで、例えば、誤差の低減が収束するまで、繰り返される。

【0074】

終了条件が満たされると（ステップＳ７６；Ｙｅｓ）、ステップＳ７７において、パラメタ更新部５４は、更新後のパラメタを探索パラメタ保存部１３に保存する。これにより、パラメタ推定は終了する。

【0075】

図８は、課題提示装置１０が課題を提示する手順の一例を概略的に示している。図８のステップＳ８１において、探索パラメタ保存部１３に存在するユーザＩＤについて、成否データ保存部１１において新たな成否データが発生した場合に、探索量推定部１５は、成否データ保存部１１から、課題提示に使用する成否データを抽出する。例えば、探索量推定部１５は、成否データ保存部１１からユーザの成否データを取得し、取得した成否データを時間順にソートする。このとき、一定時間Ｔ１以上成否データに間隔がある場合又は出題ポリシが変更になった場合は、成否データは区切られて複数の成否データ系列が生成される。探索量推定部１５は、成否データ系列のうちの最新のものを選択する。例えば、図９に示すような２５回分の成否データが入力データとして得られる。

【0076】

ステップＳ８２において、探索量推定部１５は、抽出した成否データ系列に基づいて、現在の探索量を推定する。例えば、探索量推定部１５は、探索パラメタ保存部１３からユーザの探索変化量及び学習率を取得し、取得した探索変化量及び学習率と抽出した成否データ系列とを用いて、上記の式１に従って探索量を求める。図９に示すような２５回分の成否データが探索量推定部１５に入力される例では、探索量推定部１５は、２５個の探索量を含むデータ系列を出力し、それらのうちの最新値（この例では０．２３）が現在の探索量として課題選択部１６に与えられる。

【0077】

ステップＳ８３において、課題選択部１６は、探索量推定部１５により推定された探索量と課題特徴量とに基づいて、事前に用意された複数の課題の中から、ユーザが次に実施すべき課題を選択する。課題を選択する方法は複数ある。

【0078】

例えば、ｔ回目に実施した課題の難しさを表す特徴量をＤｔとする。特徴量Ｄｔは課題データ保存部１２に保存されている。ここでは、課題が難しいほど値が大きくなるように特徴量Ｄｔを規定する。

【0079】

失敗がＲ回続いた場合、かつ、探索量σ_ｔがＳＴ以上であった（探索量σ_ｔにより示される探索空間の広さが基準よりも広い）場合、課題選択部１６は、例えば下記の式６に従って、ユーザが次に実施すべき課題の難しさＤ′_ｔ＋１を求める。

【数10】

ここで、Ｋは、課題の種類に依存して事前に定められるスケーリング係数を表し、正の小数である。また、上記ＳＴは課題に応じて定められる探索量の許容量である。上記Ｒは、課題に応じて事前に定められる整数であり、例えば１、２又は３であり得る。

【0080】

課題選択部１６は、課題データ保存部１２を参照し、得られたＤ′_ｔ＋１より小さく、かつ、最も近い特徴量を持つ課題を選択する。

【0081】

なお、特徴量Ｄｔに応じて難しさを下げる幅を定める方が有効な場合がある。この場合、下記の式７′を使用してもよい。

【数11】

【0082】

上記のいずれの場合においても、選択された課題はユーザが最後に実施した課題よりも簡単な課題となる。

【0083】

ユーザが最後に実施した課題の特徴量に基づいて課題選択を行うことにより、簡単すぎず、ユーザの状況に適した課題をユーザに提示することが可能になる。

【0084】

ステップＳ８４において、課題出力部１７は、課題選択部１６により選択された課題を端末のディスプレイに表示するために、端末に出力する。

【0085】

図７に示した処理と図８に示した処理は、同じフェーズで実行されもよく、異なるフェーズで行われてもよい。図７の処理と図８の処理が同じフェーズで実行される場合、パラメタ推定に使用する成否データが課題提示に使用する成否データと同じであり得る。例えば、探索変化量推定部１４が図９に示した入力データ（２５回分の成否データ）を用いてパラメタ推定を行い、その後に探索量推定部１５が同じ入力データを用いて現在の探索量を算出してもよい。また、図７の処理と図８の処理が異なるフェーズで実行される場合、パラメタ推定に使用する成否データは課題提示に使用する成否データと異なる。例えば、探索変化量推定部１４は、図９に示した入力データよりも前に得られた成否データを用いてパラメタ推定を行う。

【0086】

［効果］
本実施形態に係る課題提示装置１０は、ユーザが課題を実施した結果に基づいて探索変化量及び学習率を推定し、ユーザが課題を実施した結果と推定された探索パラメタ及び学習率とに基づいて探索量を推定し、推定された探索量に基づいて、複数の課題の中からユーザが次に実施すべき課題を選択し、選択された課題を出力する。これにより、ユーザの探索空間が広がりすぎた場合に、より簡単な課題をユーザに提示することが可能となる。より簡単な課題が提示されるので、ユーザが次の課題に成功する可能性が高くなる。ユーザが課題に成功すると、ユーザがスランプに陥ることが予防される。

【0087】

探索量推定は、探索空間が成功により狭まり、失敗により広がるというモデル（例えば上記の式１）を用いて行われる。これにより、課題成否に伴うユーザの探索空間の変化を容易に追うことが可能となり、探索空間が広がりすぎたか否かをより適切に判断することが可能になる。

【0088】

推定された探索量により示される探索空間の広さが基準よりも広い場合に、ユーザが最後に実施した課題よりも簡単な課題が選択される。これにより、ユーザの探索空間が過度に広がる前に、ユーザが最後に実施した課題より簡単な課題をユーザに提示することが可能となる。その結果、ユーザが次の課題に成功する可能性が高くなり、ユーザがスランプに陥ることを予防することができる。

【0089】

また、課題提示装置１０は、推定した探索変化量、推定した探索量、又はこれらの両方を示すパラメタ情報をユーザに提示してよい。これにより、ユーザや指導者は、ユーザの状況を把握することができる。例えば課題提示装置１０が課題を提示できない状況が生じた場合であっても、ユーザや指導者は、ユーザがスランプに陥らないように対策を立てることができるようになる。

【0090】

［変形例］
図１に示した構成要素のいくつかは削除されてもよい。例えば、成否データ保存部１１、課題データ保存部１２、及び探索パラメタ保存部１３は、課題提示装置１０の外部に設けられてもよい。また、課題提示装置１０はパラメタ提示部１９を備えなくてもよい。

【0091】

また、課題提示に関与する部分が削除されてもよい。一実施形態に係る情報処理装置は、探索変化量推定部１４及びパラメタ提示部１９を備え、探索変化量推定部１４により推定された探索変化量をユーザに提示してよい。一実施形態に係る情報処理装置は、探索変化量推定部１４、探索量推定部１５、及びパラメタ提示部１９を備え、探索変化量推定部１４により推定された探索変化量及び探索量推定部１５により推定された探索量を示すパラメタ情報をユーザに提示する。これらの実施形態の各々によれば、ユーザのスランプへの陥りやすさをユーザやその指導者へフィードバックすることができる。その結果、ユーザや指導者はユーザがスランプに陥らないように対策を立てることができるようになる。

【0092】

図１０は、一実施形態に係る課題提示装置１００を概略的に示している。図１０において、図１に示した要素と同様の要素に同じ符号を付して、重複する説明を省略する。

【0093】

図１０に示すように、課題提示装置１００は、成否データ保存部１１、課題データ保存部１２、探索パラメタ保存部１３、探索変化量推定部１４、探索量推定部１５、課題選択部１６、課題出力部１７、出題ポリシ再現部１８、パラメタ提示部１９、課題特徴量推定部１０１、及び習熟度推定部１０２を備える。課題提示装置１００は、課題提示装置１０に課題特徴量推定部１０１及び習熟度推定部１０２を追加したものに相当する。

【0094】

課題特徴量推定部１０１は、成否データ保存部１１に保存されている多数のユーザに関する成否データに基づいて、各課題の難易度を推定する。課題特徴量推定部１０１は、例えば項目反応理論などの手法を用いて、各課題の難易度を算出する。課題特徴量推定部１０１は、推定した各課題の難易度を課題データ保存部１２に保存する。

【0095】

習熟度推定部１０２は、成否データ保存部１１に保存されている多数のユーザに関する成否データと、課題データ保存部１２に保存されている課題それぞれの難易度と、に基づいて、各ユーザの習熟度を推定する。習熟度推定部１０２は、例えば項目反応理論などの手法を用いて、各ユーザの習熟度を算出する。算出された習熟度は、上記の式２′に含まれるθ_ｔとして使用することができる。

【0096】

上述した構成を有する課題提示装置１００は、習熟度などのユーザの内的状態を推定することができ、ユーザのパフォーマンスがユーザの内的状態に依存する場合に、より適切な課題をユーザに提示することが可能となる。

【0097】

図１１は、一実施形態に係る課題提示装置１１０を概略的に示している。図１１において、図１又は図１０に示した要素と同様の要素に同じ符号を付して、重複する説明を省略する。

【0098】

図１１に示すように、課題提示装置１１０は、成否データ保存部１１、課題データ保存部１２、探索パラメタ保存部１３、探索変化量推定部１４、探索量推定部１５、課題選択部１６、課題出力部１７、出題ポリシ再現部１８、パラメタ提示部１９、課題特徴量推定部１０１、習熟度推定部１０２、ユーザデータ保存部１１１、目標データ保存部１１２、及び技能評価部１１３を備える。課題提示装置１１０は、課題提示装置１００にユーザデータ保存部１１１、目標データ保存部１１２、及び技能評価部１１３を追加したものに相当する。

【0099】

ユーザデータ保存部１１１は、課題実施時のユーザに関するデータを含むユーザデータを保存する。ユーザデータは、例えば、課題である運動を実施しているユーザを撮影した映像データ、ユーザに取り付けられた加速度センサからの加速度データ、又はユーザが投擲したダーツ若しくはボールの着地点を示す着地点データなどを含む。

【0100】

目標データ保存部１１２は、課題実施時の手本ユーザに関するデータを含む目標データを保存する。手本ユーザは、例えば専門家又は先生などの手本とすべきユーザを指す。目標データは、ユーザデータ保存部１１１に保存されるデータの形式と同様の形式のデータを保存する。

【0101】

技能評価部１１３は、ユーザデータ保存部１１１に保存されているユーザデータと目標データ保存部１１２に保存されている目標データとに基づいて、課題の成否を判定する。技能評価部１１３は、判定結果を成否データとして成否データ保存部１１に保存する。また、技能評価部１１３は、ユーザと手本ユーザとの乖離度合いを算出してよく、算出した乖離度合いを成否データ保存部１１に保存してよい。

【0102】

上述した構成を有する課題提示装置１１０は、ユーザの成否データを自動で生成することが可能である。

【0103】

［実施例］
・実施例１ 到達運動課題
ロボットアーム、ＰＣのマウス、又はタブレットなどの操作に応じて動くカーソルを特定の大きさを有するターゲット内へ到達させる課題を想定する。この際、ターゲットが大きければ、カーソルをターゲット内へ到達させることは容易であり、一方、ターゲットが小さければ、カーソルをターゲット内へ到達させることは難しい。

【0104】

ユーザが課題を実施すると、各試行の成否（カーソルがターゲット内に到達したかどうか）を示す成否データが成否データ保存部１１に保存される。成否データ保存部１１に保存される情報は、図２に示したように、例えば、成否データＩＤ、ユーザＩＤ、課題ＩＤ、成否情報、日時情報、出題ポリシ情報を含む。

【0105】

課題データ保存部１２は一連の課題で提示されるターゲットの情報を保存する。課題データ保存部１２に保存される情報は、図３に示したように、例えば、課題ＩＤ、課題特徴量、課題難易度を含む。本実施例では、ターゲットの大きさが課題の難しさに大きく影響するため、課題特徴量としてターゲットの半径を用いる。課題難易度は正の小数値であり、本実施例のようにターゲットの大きさによって課題の難しさが定まる場合であれば、例えば、あらかじめ設定された値（例えば１０ｃｍ）からターゲット半径を引いた値を難易度とすることができる。

【0106】

なお、例えば、視覚外乱、操作の時間遅れ、又は力学的外乱が加えられるといった、課題の難しさへ影響する要因がターゲットの大きさ以外にもある場合、課題特徴量は半径以外の値にも基づいて算出することができる。半径以外の値としては、例えば、これまでユーザが試行した際の成功率、項目反応理論を用いた場合に算出される難易度などがある。

【0107】

あるユーザの成否データが充分に溜まったら、探索変化量推定部１４が探索変化量を推定する。推定の結果として得られた探索パラメタは探索パラメタ保存部１３に保存される。あるユーザの探索パラメタが探索パラメタ保存部１３に保存されている場合、スランプを予防するアダプティブ出題が可能となる。アダプティブ出題のためには、探索量推定部１５が１試行ごとに探索量推定を行い、課題選択部１６が推定された探索量に応じた課題を選択し、課題出力部１７が選択された課題をユーザへ提示する。

【0108】

・実施例２ 勉強
算数、国語、英語といった学校教育の教科又は趣味などを含む学習教材に対して、何かしらの課題の出題とユーザの反応に基づく正誤が判定される場合、図１０に示した課題提示装置１００により、ユーザがスランプに陥ることを防ぐアダプティブ出題が可能である。

【0109】

ユーザが課題を実施した際の正誤や時刻などの情報が成否データ保存部１１に保存される。課題特徴量推定部１０１が、項目反応理論などを用いて、複数ユーザの正誤データに基づいて各課題の難易度を判定し、課題データ保存部１２に保存する。課題提示処理については、実施例１で説明したものと同様であるので、説明を省略する。

【0110】

本実施例の場合、式２′を用いることが効果的である。この場合、習熟度推定部１０２が、成否データ保存部１１に保存されているユーザの正誤、及び課題データ保存部１２に保存される課題難易度を用いて、項目反応理論を用いてユーザの習熟度を算出する。算出された習熟度は式２′のθ_ｔとして使用される。なお、習熟度の算出には、例えば、非特許文献１に説明されるような項目反応理論を用いることができるが、習熟度の算出方法は項目反応理論に限定されない。

【0111】

・実施例３ その他の運動課題
ダーツ、投球、跳び箱、ダンス、ゴルフといったスポーツの課題に対しても実施形態に係る課題提示装置を適用可能である。

【0112】

本実施例では、例えば、図１１に示した課題提示装置１１０が使用される。ユーザデータ保存部１１１は課題実施時のユーザの動画データを保存する。目標データ保存部１１２は課題実施時の手本ユーザの動画データを保存する。技能評価部１１３は、ユーザデータ保存部１１１及び目標データ保存部１１２に保存されている動画データに基づいて課題の成否を算出する。例えば、特許第５５２５４０７号公報に開示される骨格抽出方法を用いることで、動画データから手足の動き及び関節角度を評価することが可能である。課題がダンスに関するものである場合、技能評価部１１３は、ユーザデータ保存部１１１及び目標データ保存部１１２に保存されている動画データそれぞれから骨格の動きを算出し、ユーザの運動が手本ユーザの運動とどれだけ近いかを評価する。この評価方法は、ユーザデータ及び目標データそれぞれから各関節角度の時系列データを生成し、時系列データに対して相関係数又は差分を求めることを含む。動画による動きの定量評価は、ダンス以外にも、器械体操、ゴルフ若しくは野球のバッティング動作、野球のピッチング、又はダーツの投擲といったあらゆる動作に適用可能である。

【0113】

ダーツの着地点の点数又は野球のバッティングの飛距離といった、動画での判定を介さずとも技能を評価できる場合が多く存在する。その場合は、技能評価部１１３が、ダーツの着地点の点数又は野球のバッティングの飛距離といった値を直接に取得し、取得した値に基づいて課題の成否を求めることができる。

【0114】

課題特徴量推定部１０１は、多数ユーザのデータに対して、どれくらいの割合のユーザがその課題を成功できたかによって課題の難易度を推定する。ここでは、項目反応理論などを使用することができる。

【0115】

上記のような前処理を行うことで、到達運動課題以外の運動課題の対しても探索量変化の推定及び探索量に応じた課題選択が可能となる。

【0116】

・実施例４ リハビリテーション
実施形態に係る課題提示装置はリハビリテーションにも適用可能である。本実施例では、例えば、図１１に示した課題提示装置１１０が使用される。

【0117】

例えば、ユーザが脳卒中患者であってある程度の運動が可能であるとする。ユーザの動きを撮影した動画データがユーザデータ保存部１１１に保存され、目標とする健常者の動きを撮影した動画データが目標データ保存部１１２に保存される。技能評価部１１３は、実施例３に関して上述したものと同様にして、動画データからユーザが課題を達成できているかどうかを判定することができる。また、動画データを用いる方法以外にも、ペグなどの物体を把持し特定の場所に持っていくことができたか、上着の着脱が一人でできるかといった、人手で判定可能なものに対しては、人手での判定結果を技能評価部１１３に直接入力するようにしてもよい。

【0118】

麻痺の程度によっては、動作自体が困難な場合もある。その場合、筋電図及び脳波を用いてリハビリテーションが行われる場合がある。そのような場合には、患者の筋電図及び脳波などの神経生理学的計測指標をユーザデータ保存部１１１に保存し、同一の課題を実施する健常者のデータを目標データ保存部１１２に保存し、技能評価部１１３が、両者の波形を比較することで課題の達成具合を判定し、その結果を成否データ保存部１１に保存する。

【0119】

なお、技能評価部１１３は、例えば、筋電図及び脳波それぞれに対してフーリエ変換又はウェーブレット変換を適用して周波数スペクトルを算出し、患者の周波数特性が健常者と同様のパタンとなるかを判定することを含み得る。特定周波数に対する閾値といった課題成否の判定基準が事前に明らかである場合、目標データ保存部１１２への入力なしに技能評価部１１３が評価を行うことも可能である。

【0120】

上記のような取得データに対する前処理を行うことで、リハビリテーションに対しても探索変化量の推定及び探索量に応じた課題選択が可能となる。

【0121】

・実施例５ 音楽演奏練習
実施形態に係る課題提示装置は音楽演奏練習にも適用可能である。本実施例では、例えば、図１１に示した課題提示装置１１０が使用される。

【0122】

例えば、カラオケ採点のように演奏された音程及びタイミングを一音ごとに判定することができれば、一音一音を１つの課題とみなして、一連の成否データを得ることができる。この際、ユーザデータ保存部１１１にユーザによる演奏音などのデータを保存し、目標データ保存部１１２は楽譜又は手本となる演奏データを保存し、技能評価部１１３が、一音一音が正しく演奏されているかを判定し、その結果を成否データ保存部１１に保存する。このような前処理を行うことで、音楽演奏に対しても他の実施例と同様にして探索変化量の推定及び探索量の推定が可能となる。

【0123】

探索量に応じた課題選択を行う場合、一音ごとに出題することは現実的ではないため、曲又はフレーズ単位での出題が望ましい。その場合、曲又はフレーズの平均値又は最大値の難易度を用いて、課題を選択することにより、音楽演奏練習の場合でも適切に探索量に応じた課題選択が可能となる。

【0124】

・実施例６ 課題提示が困難な場合、課題提示を伴わない場合
なんらかの理由により、各実施形態に係る課題提示装置による課題提示が困難な場合、探索変化量推定部１４により推定された探索変化量、及び探索量推定部１５により推定された探索量を示すパラメタ情報を、出力装置を通じてユーザ及び指導者へ提示することで、ユーザ又は指導者が課題の難易度や量を調整する、指導者が指導方法を調整する、ということが可能になる。また、各実施形態に係る課題提示装置によるパラメタ情報提示を用いれば、課題の出題という形式以外での学習体験に対してもスランプを回避する難易度調整が可能となる。例えば、語学学習において、実践的な会話を体験する場合には、具体的な課題を定義することは難しい。そこで、あらかじめ実施された関連する語学学習の課題のデータから推定されたパラメタを話者に提示しておくことで、しゃべるスピードや会話内容を調整し、スランプに陥りにくい学習体験を提供することが可能となる。

【0125】

なお、本発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要素における適当な組み合わせにより種々の発明が抽出され得る。

【符号の説明】

【0126】

１０…課題提示装置
１１…成否データ保存部
１２…課題データ保存部
１３…探索パラメタ保存部
１４…探索変化量推定部
１５…探索量推定部
１６…課題選択部
１７…課題出力部
１８…出題ポリシ再現部
１９…パラメタ提示部
５１…データ系列抽出部
５２…シミュレーション実行部
５３…誤差評価部
５４…パラメタ更新部
６０…コンピュータ装置
６１…ＣＰＵ
６２…ＲＡＭ
６３…プログラムメモリ
６４…補助記憶装置
６５…通信インタフェース
６６…入出力インタフェース
６７…バス
１００…課題提示装置
１０１…課題特徴量推定部
１０２…習熟度推定部
１１０…課題提示装置
１１１…ユーザデータ保存部
１１２…目標データ保存部
１１３…技能評価部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】