特許 7571794 情報処理方法、情報処理装置、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】2024-10-15

(45)【発行日】2024-10-23

(54)【発明の名称】情報処理方法、情報処理装置、及びプログラム

(51)【国際特許分類】

   G06Q 30/0203 20230101AFI20241016BHJP

【ＦＩ】

G06Q30/0203

【請求項の数】 7

(21)【出願番号】P 2022563287

(86)(22)【出願日】2020-11-17

(86)【国際出願番号】 JP2020042849

(87)【国際公開番号】W WO2022107222

(87)【国際公開日】2022-05-27

【審査請求日】2023-04-12

(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

(74)【代理人】

【識別番号】110004381

【氏名又は名称】弁理士法人ＩＴＯＨ

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(74)【代理人】

【識別番号】100124844

【弁理士】

【氏名又は名称】石原 隆治

(72)【発明者】

【氏名】冨永 登夢

(72)【発明者】

【氏名】倉島 健

(72)【発明者】

【氏名】戸田 浩之

(72)【発明者】

【氏名】山本 修平

【審査官】鈴木 和樹

(56)【参考文献】

【文献】国際公開第２０２０／１９５９２７（ＷＯ，Ａ１）

【文献】特開２００２－０３２５５２（ＪＰ，Ａ）

(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】

ユーザに対する質問を端末に送信し、前記質問に対するユーザからの回答を前記端末から受信する情報処理装置が、
前記端末から、前記ユーザの経験を示す情報である経験データと、前記ユーザによる前記質問への回答を取得する処理と、
前記ユーザの特性を示す情報である個人特性データと、前記経験データと、前記回答の履歴である回答履歴と、を記憶部に記憶する処理と、
前記個人特性データと、前記経験データと、前記回答履歴と、に基づいて、前記ユーザの返答率を推定するためのモデルを生成する処理と、
前記個人特性データと、前記経験データと、前記モデルとに基づいて、前記ユーザの返答率を推定する処理と、
前記ユーザの返答率が所定の条件を満たすタイミングで、前記ユーザに対する質問を前記ユーザの前記端末に送信する送信処理と、
を実行する情報処理方法。

【請求項2】

前記個人特性データには、前記ユーザの性格、精神状態、嗜好、性別、年齢、及び職種の少なくとも一つを示す情報が含まれる、
請求項１に記載の情報処理方法。

【請求項3】

前記経験データには、前記ユーザの端末のセンサにより取得された情報、及び前記ユーザの端末における前記ユーザの行動履歴の少なくとも一つを示す情報が含まれる、
請求項１または２に記載の情報処理方法。

【請求項4】

前記回答履歴には、前記ユーザに対する質問の送付時刻、当該質問に対する回答の有無、及び当該質問に対する回答時刻の少なくとも一つが含まれる、
請求項１から３のいずれか一項に記載の情報処理方法。

【請求項5】

前記送信処理は、前記ユーザの返答率が所定の条件を満たすタイミングで、前記ユーザに対する質問への回答のリマインドを、さらに送信する、
請求項１から４のいずれか一項に記載の情報処理方法。

【請求項6】

ユーザに対する質問を端末に送信し、前記質問に対するユーザからの回答を前記端末から受信する情報処理装置であって、
前記端末から、前記ユーザの経験を示す情報である経験データと、前記ユーザによる前記質問への回答を取得する取得部と
前記ユーザの特性を示す情報である個人特性データと、前記経験データと、前記回答の履歴である回答履歴とを記憶する記憶部と、
前記個人特性データと、前記経験データと、前記回答履歴と、に基づいて、前記ユーザの返答率を推定するためのモデルを生成する生成部と、
前記個人特性データと、前記経験データと、前記モデルとに基づいて、前記ユーザの返答率を推定する推定部と。
前記ユーザの返答率が所定の条件を満たすタイミングで、前記ユーザに対する質問を前記ユーザの前記端末に送信する通知部と、
を有する、情報処理装置。

【請求項7】

ユーザに対する質問を端末に送信し、前記質問に対するユーザからの回答を前記端末から受信する情報処理装置に、
前記端末から、前記ユーザの経験を示す情報である経験データと、前記ユーザによる前記質問への回答を取得する処理と、
前記ユーザの特性を示す情報である個人特性データと、前記経験データと、前記回答の履歴である回答履歴と、を記憶部に記憶する処理と、
前記個人特性データと、前記経験データと、前記回答履歴と、に基づいて、前記ユーザの返答率を推定するためのモデルを生成する処理と、
前記個人特性データと、前記経験データと、前記モデルとに基づいて、前記ユーザの返答率を推定する処理と、
前記ユーザの返答率が所定の条件を満たすタイミングで、前記ユーザに対する質問を前記ユーザの前記端末に送信する処理と、
を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理方法、情報処理装置、及びプログラムに関する。

【背景技術】

【0002】

従来、日常生活におけるユーザ（被験者）の行動や経験を、ある一定期間にわたって経時的に自己報告させることでサンプリングする手法であるＥＭＡ（Ecological Momentary Assessment）が知られている。このＥＭＡは、特定の時間帯にユーザに対してモバイル端末などを通じて質問を送信し、ユーザからの回答を得ることで実施される。

【0003】

ＥＭＡは、ユーザの回答数がデータセットの規模を決定するため、より多くの回答を得ることが望ましい。一方で、質問を受け取ることによるユーザへの認知的及び精神的負担を抑える必要がある。また、ユーザ実験の性質上、ユーザ間で回答量が大きく偏ることは避けるべきである。そのため、質問回数は特定の頻度で固定される場合が多い。

【0004】

一般的な問題設定として、Ｎ人のユーザに対してＤ日間の実験期間を有し、１日Ｋ回ＥＭＡの質問（ＥＭＡアンケート）を送る場合を想定する。この時、ユーザｉが日付ｄである一つのＥＭＡアンケートｋに返答する確率（返答率）をR_(i,d,k)∈[0,1]とすると、期待されるＥＭＡ回答数Ｖは、以下の式（１）により算出できる。

【0005】

【数1】

従って、ＥＭＡ研究における返答数Ｖの最大化とは、返答率R_(i,d,k)の最大化を指す。

【0006】

従来のＥＭＡ研究では、予め決められた回数のＥＭＡアンケートを特定の時間帯にユーザに送る戦略を採用している。実験期間の長さにもよるが、１日１回から数回程度で実施される場合が多い（例えば、非特許文献１を参照）。

【0007】

このような研究では、ユーザへの謝礼を継続的に与える（例えば、非特許文献２を参照）、質問内容を平易化する（例えば、非特許文献３を参照）といった戦略で返答率を上げる試みがなされている。

【先行技術文献】

【非特許文献】

【0008】

【文献】Rui Wang, Fanglin Chen, Zhenyu Chen, Tianxing Li, Gabriella Harari, Stefanie Tignor, Xia Zhou, Dror Ben-Zeev, and Andrew T. Campbell. 2014. StudentLife: assessing mental health, academic performance and behavioral trends of college students using smartphones. In Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp '14). Association for Computing Machinery, New York, NY, USA, 3-14. ＜URL：https://doi.org/10.1145/2632048.2632054＞

【文献】Stephen M. Mattingly, Julie M. Gregg, Pino Audia, Ayse Elvan Bayraktaroglu, Andrew T. Campbell, Nitesh V. Chawla, Vedant Das Swain, Munmun De Choudhury, Sidney K. D'Mello, Anind K. Dey, Ge Gao, Krithika Jagannath, Kaifeng Jiang, Suwen Lin, Qiang Liu, Gloria Mark, Gonzalo J. Martinez, Kizito Masaba, Shayan Mirjafari, Edward Moskal, Raghu Mulukutla, Kari Nies, Manikanta D. Reddy, Pablo Robles-Granda, Koustuv Saha, Anusha Sirigiri, and Aaron Striegel. 2019. The Tesserae Project: Large-Scale, Longitudinal, In Situ, Multimodal Sensing of Information Workers. In Extended Abstracts of the 2019 CHI Conference on Human Factors in Computing Systems (CHI EA '19). Association for Computing Machinery, New York, NY, USA, Paper CS11, 1-8. ＜URL：https://doi.org/10.1145/3290607.3299041＞

【文献】John P. Pollak, Phil Adams, and Geri Gay. 2011. PAM: a photographic affect meter for frequent, in situ measurement of affect. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '11). Association for Computing Machinery, New York, NY, USA, 725-734. ＜URL：https://doi.org/10.1145/1978942.1979047＞

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかしながら、従来技術では、返答率が低下する場合がある。

【0010】

一側面では、返答率を向上させることができる技術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】

【0011】

一つの案では、ユーザに対する質問を端末に送信し、前記質問に対するユーザからの回答を前記端末から受信する情報処理装置が、前記端末から、前記ユーザの経験を示す情報である経験データと、前記ユーザによる前記質問への回答を取得する処理と、前記ユーザの特性を示す情報である個人特性データと、前記経験データと、前記回答の履歴である回答履歴と、を記憶部に記憶する処理と、前記個人特性データと、前記経験データと、前記回答履歴と、に基づいて、前記ユーザの返答率を推定するためのモデルを生成する処理と、前記個人特性データと、前記経験データと、前記モデルとに基づいて、前記ユーザの返答率を推定する処理と、前記ユーザの返答率が所定の条件を満たすタイミングで、前記ユーザに対する質問を前記ユーザの前記端末に送信する送信処理と、を実行する。

【発明の効果】

【0012】

一側面によれば、返答率を向上させることができる。

【図面の簡単な説明】

【0013】

【図1】実施形態に係る通信システムの構成について説明する図である。

【図2】実施形態に係る情報処理装置のハードウェア構成例について説明する図である。

【図3】実施形態に係る情報処理装置の構成の一例を示す図である。

【図4】実施形態に係る情報処理装置のモデル生成処理の一例について説明するフローチャートである。

【図5A】実施形態に係る個人特性データベースの一例について説明する図である。

【図5B】実施形態に係る経験データベースの一例について説明する図である。

【図5C】実施形態に係る回答履歴データベースの一例について説明する図である。

【図6】実施形態に係る情報処理装置の推定時の処理の一例について説明するフローチャートである。

【発明を実施するための形態】

【0014】

以下、図面を参照して、本開示の実施形態を説明する。

【0015】

＜全体構成＞
図１は、実施形態に係る通信システム１の構成について説明する図である。図１の例では、通信システム１は、情報処理装置１０、端末２０Ａ、端末２０Ｂ、及び端末２０Ｃを有する。以下で、端末２０Ａ、端末２０Ｂ、及び端末２０Ｃを区別しなくてよい場合は、単に「端末２０」とも称する。なお、情報処理装置１０、及び端末２０の数は、図１の例に限定されない。

【0016】

情報処理装置１０と端末２０とは、例えば、５Ｇ（5th Generation、第５世代移動通信システム）、４Ｇ、ＬＴＥ（Long Term Evolution）、３Ｇ等の携帯電話網、無線ＬＡＮ（Local Area Network）、及びインターネット等のネットワークＮを介して通信を行う。

【0017】

情報処理装置１０は、例えば、サーバ等の情報処理装置である。情報処理装置１０は、ＥＭＡアンケート（「質問」の一例。）を端末２０に送信する。また、情報処理装置１０は、ＥＭＡアンケートに対するユーザからの回答を端末２０から受信する。

【0018】

端末２０は、ユーザが利用する端末である。端末２０は、例えば、スマートフォン、タブレット、パーソナルコンピュータ、ウェアラブルデバイス等の端末でもよい。

【0019】

＜情報処理装置１０のハードウェア構成＞
図２は、実施形態に係る情報処理装置１０のハードウェア構成例について説明する図である。図２の例では、情報処理装置１０は、それぞれバスＢで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、及びインタフェース装置１００５等を有する。

【0020】

情報処理装置１０での処理を実現する情報処理プログラムは、記録媒体１００１によって提供されてもよい。この場合、情報処理プログラムを記録した記録媒体１００１がドライブ装置１０００にセットされると、情報処理プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、情報処理プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされた情報処理プログラムを格納すると共に、必要なファイルやデータ等を格納する。

【0021】

メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って処理を実行する。インタフェース装置１００５は、ネットワークに接続するためのインタフェースとして用いられる。

【0022】

なお、記録媒体１００１の一例としては、ＣＤ－ＲＯＭ、ＤＶＤディスク、又はＵＳＢメモリ等の可搬型の記録媒体が挙げられる。また、補助記憶装置１００２の一例としては、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリ等が挙げられる。記録媒体１００１及び補助記憶装置１００２のいずれについても、コンピュータ読み取り可能な記録媒体に相当する。

【0023】

なお、情報処理装置１０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）等の集積回路により実現されてもよい。

【0024】

＜情報処理装置１０の構成＞
次に、図３を参照し、情報処理装置１０の構成について説明する。図３は、実施形態に係る情報処理装置１０の構成の一例を示す図である。

【0025】

情報処理装置１０は、記憶部１１、取得部１２、生成部１３、推定部１４、及び通知部１５を有する。これら各部は、情報処理装置１０にインストールされた１以上のプログラムと、情報処理装置１０のＣＰＵ１００４等のハードウェアとの協働により実現されてもよい。

【0026】

記憶部１１は、各種の情報を記憶する。記憶部１１は、例えば、ユーザの特性を示す情報である個人特性データを記憶する個人特性データベース１１１と、ユーザの経験を示す情報である経験データを記憶する経験データベース１１２と、ユーザによる質問への回答の履歴である回答履歴を記憶する回答履歴データベース１１３等を有する。

【0027】

取得部１２は、各種の情報を取得し、記憶部１１に記憶する。取得部１２は、例えば、端末２０から受信した経験データを、経験データベース１１２に記録させる。また、取得部１２は、例えば、端末２０から受信した回答に関する情報を回答履歴データベース１１３に記録させる。

【0028】

生成部１３は、記憶部１１に記憶されている情報に基づいて、ユーザの返答率（回答率）を推定するためのモデルを生成する。

【0029】

推定部１４は、記憶部１１に記憶されている情報と、生成部１３により生成されたモデルとに基づいて、ユーザの返答率を推定する。

【0030】

通知部１５は、推定部１４により推定されたユーザの返答率が所定の条件を満たすタイミングで、質問を当該ユーザの端末２０に送信する。また、通知部１５は、推定部１４により推定されたユーザの返答率が所定の条件を満たすタイミングで、質問への回答のリマインド等を当該ユーザの端末２０に送信する。

【0031】

＜処理＞
《モデル生成時の処理》
次に、図４から図５Ｃを参照し、実施形態に係る情報処理装置１０のモデル生成処理の一例について説明する。図４は、実施形態に係る情報処理装置１０のモデル生成処理の一例について説明するフローチャートである。図５Ａは実施形態に係る個人特性データベース１１１の一例について説明する図である。図５Ｂは実施形態に係る経験データベース１１２の一例について説明する図である。図５Ｃは実施形態に係る回答履歴データベース１１３の一例について説明する図である。なお、情報処理装置１０は、例えば、所定の周期で、図４に示す処理を実行してもよい。

【0032】

ステップＳ１０１において、情報処理装置１０の取得部１２は、各ユーザの返答率を推定するモデルを生成するための学習用データを記憶部１１の個人特性データベース１１１、経験データベース１１２、及び回答履歴データベース１１３から取得する。

【0033】

（個人特性データベース１１１）
図５Ａの例では、個人特性データベース１１１には、ユーザＩＤに対応付けて、個人特性データが記録されている。ユーザＩＤは、端末２０のユーザの識別情報である。個人特性データには、例えば、ユーザの人格（性格）、精神状態、嗜好、性別、年齢、及び職種などを示す情報が含まれてもよい。個人特性データベース１１１に記録される情報は、例えば、質問紙または端末２０等でのアンケート調査に基づいて事前に登録されていてもよい。

【0034】

ステップＳ１０１の処理で、取得部１２は、ユーザｉ（なお、ｉは１以上の整数）の個人特性データに含まれるＮ項目の個人特性データＰ_ｉ ^１，Ｐ_ｉ ^２，・・・，Ｐ_ｉ ^Ｎをそれぞれ多段階の評価値として取得する。なお、Ｎは１以上の整数である。なお、個人特性データに含まれる各項目の評価値の段階数は同一でもよいし、異なっていてもよい。

【0035】

（経験データベース１１２）
図５Ｂの例では、経験データベース１１２には、ユーザＩＤ及び経験日時の組に対応付けて、経験データが記録されている。経験日時は、経験データに係る経験が発生した日時である。経験日時は、例えば、経験データが情報処理装置１０に取得された日時でもよい。経験データには、ユーザの端末２０のセンサにより取得された情報が含まれてもよい。当該センサには、例えば、マイクセンサ、深度センサ、光センサ、加速度センサ、温度センサ、ＧＰＳ（Global Positioning System）センサ、及びカメラセンサなどが含まれてもよい。また、当該センサには、例えば、デジタルデバイスに搭載される各種のセンサが含まれてもよい。

【0036】

経験データには、例えば、端末２０のマイクで収集された音声に基づいて解析された、ユーザの会話の累積時間等が含まれてもよい。これにより、例えば、ユーザが誰かと会話している際にアンケートが送信された場合は返答率が低下する等の傾向がある場合に、当該傾向を利用することができる。

【0037】

また、経験データには、例えば、端末２０の加速度センサで収集された加速度に基づいて解析された、ユーザの運動の累積時間等が含まれてもよい。これにより、例えば、ユーザが徒歩または走行している際にアンケートが送信された場合は返答率が低下する等の傾向がある場合に、当該傾向を利用することができる。

【0038】

経験データには、ユーザの端末２０におけるユーザの行動履歴が含まれてもよい。この場合、当該行動履歴には、例えば、ＳＮＳ（Social Networking Service）及びメール等でのメッセージの送受信履歴、及び特定のＷｅｂサイトの閲覧履歴等が含まれてもよい。

【0039】

これにより、例えば、ユーザがメッセージのやり取り、及びＥＣ（Electronic Commerce）サイトでのオンラインショッピングをしている際にアンケートが送信された場合は返答率が低下する等の傾向がある場合に、当該傾向を利用することができる。また、例えば、ユーザが特定のニュースサイト等を閲覧している際にアンケートが送信された場合は返答率が向上する等の傾向がある場合に、当該傾向を利用することができる。

【0040】

ステップＳ１０１の処理で、取得部１２は、経験ログに含まれるＭ項目の直近（日時が新しい順）の経験ログＥ_ｉ,ｄ,ｔ ^１，Ｅ_ｉ,ｄ,ｔ ^２，・・・，Ｅ_ｉ,ｄ,ｔ ^Ｍを時系列のログとして取得する。なお、Ｍは１以上の整数である。

【0041】

ここで、ｍ番目の項目の経験ログＥ_ｉ,ｄ,ｔ ^ｍは、時刻ｔ－ｈから時刻ｔまでの間に観測されたｎ時点分の計測データから構成され、ある時刻ｔにおける計測値をｅ_ｉ,ｄ,ｔ ^ｍとする場合、以下の式（２）のようにベクトルとして表現される。

【0042】

【数2】

なお、経験ログに含まれる各項目のベクトルの要素数（計測回数）は同一でもよいし、異なっていてもよい。また、経験ログに含まれる各項目の単位（回、時間、度、bpmなど）は異なっていてもよい。

【0043】

（回答履歴データベース１１３）
図５Ｃの例では、回答履歴データベース１１３には、ユーザＩＤ及び質問ＩＤの組に対応付けて、回答履歴データが記録されている。質問ＩＤは、情報処理装置１０が端末２０に送信した質問（ＥＭＡアンケート）の識別情報である。

【0044】

回答履歴データには、質問ＩＤに係る質問をユーザＩＤに係るユーザの端末２０に送信した時刻（送付時刻）、当該質問への当該ユーザからの回答の有無、及び当該質問への当該ユーザからの回答を受信した時刻（回答時刻）が含まれている。

【0045】

ステップＳ１０１の処理で、取得部１２は、特定の時間帯［Ｔ_０,Ｔ_１］に特定のユーザｉに送付した質問ｋの送付時刻ｔ_ｉ,ｋ ^ｓ∈［Ｔ_０,Ｔ_１］と、当該質問ｋに対する回答の有無ｚ_ｉ,ｋ＝｛０，１｝と、当該回答が有った場合の回答時刻ｔ_ｉ,ｋ ^ｒを取得する。

【0046】

続いて、情報処理装置１０の生成部１３は、取得部１２により取得された学習用データに基づいて、各ユーザの返答率を推定するためのモデルを生成する（ステップＳ１０２）。ここで、生成部１３は、まず、時間帯［Ｔ_０,Ｔ_１］における返答率の最大値の推定値Ｒ_ｉ,ｄ,ｋを以下の式（３）により定義してもよい。なお、ユーザの個人特性データをＰ_ｉ、日付ｄに実施される特定の質問をｋ、当該ｋが実施される時間帯を［Ｔ_０,Ｔ_１］、ある時刻ｔ－ｈから時刻ｔにおける直近の経験データをＥ_ｉ,ｄ,ｔ、返答率と個人特性及び直近の経験との関係を表す（記述する）関数（返答率推定関数）をｆとする。

【0047】

【数3】

ここで、Θはパラメータ集合を指す。生成部１３は、Θにより、個人特性データＰ_ｉと直近の経験データＥ_ｉ,ｄ,ｔとを用いて、時刻Ｔ_０からＴ_１までの返答率の時間変化Ｒ_ｉ,ｄ,ｋ（ｔ）を推定（導出）できる。

【0048】

生成部１３は、以下のような処理により、各ユーザの返答率を推定するためのモデルとして返答率推定関数ｆを決定してもよい。まず、生成部１３は、個人特性データと、直近の経験データと、質問に対する回答の有無と、質問の送付時刻と、質問の送付時刻と回答時刻との差分（質問送付から回答受領までに経過した時間）との対応関係を、機械学習等によりモデル化する。

【0049】

ここで、生成部１３は、例えば、あるＥＭＡアンケートｋに対する返答率を以下の式（４）ように決定（定義）してもよい。

【0050】

【数4】

また、生成部１３は、例えば、個人特性データＰ_ｉ、直近の経験ログＥ_ｉ,ｄ,ｔ、及びパラメータ集合Θに基づいて推定される返答率Ｒ＾_ｉ,ｄ,ｋを以下の式（５）のように決定（定義）してもよい。

【0051】

【数5】

そして、生成部１３は、式（４）及び式（５）に基づいて、以下の式（６）の最適化問題の解を算出（導出）してもよい。

【0052】

【数6】

そして、生成部１３は、式（６）から算出されたパラメータ集合Θにより、各ユーザの返答率を推定するためのモデルである返答率推定関数ｆを生成（決定、構成）する。

【0053】

《推定時の処理》
次に、図６を参照し、実施形態に係る情報処理装置１０の推定時の処理の一例について説明する。図６は、実施形態に係る情報処理装置１０の推定時の処理の一例について説明するフローチャートである。なお、情報処理装置１０は、例えば、新規の質問が情報処理装置１０のオペレータ等により登録された以降の所定の周期で、図６に示す処理を実行してもよい。

【0054】

ステップＳ２０１において、情報処理装置１０の取得部１２は、各ユーザの返答率を推定するための推定用データを記憶部１１の個人特性データベース１１１、及び経験データベース１１２から取得する。

【0055】

ここで、取得部１２は、個人特性データベース１１１から、ステップＳ１０１の処理と同様に、ユーザｉの個人特性データに含まれるＮ項目の個人特性データＰ_ｉ ^１，Ｐ_ｉ ^２，・・・，Ｐ_ｉ ^Ｎをそれぞれ多段階の評価値として取得する。

【0056】

また、取得部１２は、経験データベース１１２から、ステップＳ１０１の処理と同様に、経験ログに含まれるＭ項目の直近（日時が新しい順）の経験ログＥ_ｉ,ｄ,ｔ ^１，Ｅ_ｉ,ｄ,ｔ ^２，・・・，Ｅ_ｉ,ｄ,ｔ ^Ｍを時系列のログとして取得する。

【0057】

続いて、情報処理装置１０の推定部１４は、上述した図４の処理で生成部１３により生成されたモデルと、取得部１２により取得された推定用データに基づいて、各ユーザの返答率を推定する（ステップＳ２０２）。ここで、推定部１４は、取得部１２により個人特性データベース１１１、及び経験データベース１１２から取得されたデータを以下の式（７）の返答率推定関数ｆに代入することにより、時刻Ｔ_０からＴ_１における返答率が最大化する時刻ｓを推定してもよい。なお、図６の推定時の処理における時刻Ｔ_０及び時刻Ｔ_１は、それぞれ、図４のモデル生成時の処理で説明した時刻Ｔ_１よりも後の時刻である。そのため、図６の推定時の処理における式（２）、式（５）、及び式（７）等における時刻Ｔ_０、時刻Ｔ_１は、それぞれ、時刻Ｔ_２、時刻Ｔ_３等と読み替えてもよい。

【0058】

【数7】

続いて、情報処理装置１０の通知部１５は、推定部１４により推定された返答率が所定の条件を満たすタイミングで、質問に関する情報を端末２０に送信する（ステップＳ２０３）。ここで、通知部１５は、例えば、推定部１４により推定された、返答率が最大化する時刻ｓにおいて、質問に関する情報を端末２０に送信してもよい。

【0059】

質問に関する情報は、例えば、質問自体のデータでもよいし、質問が閲覧できるＷｅｂサイト等のＵＲＬ（Uniform Resource Locator）等でもよい。また、質問に関する情報は、既に送信した質問に対する回答を促すリマインドのメッセージ等でもよい。

【0060】

通知部１５は例えば、ユーザの有するモバイル端末へのメール、当該モバイル端末のアプリケーションまたはＯＳ（Operating System）の機能を用いた通知及びリマインダ等により通知を行ってもよい。

【0061】

＜変形例＞
図４のステップＳ１０２において、生成部１３は、例えば、ニューラルネットワーク（Neural Network: ＮＮ）等の機械学習手法により、各ユーザの返答率を推定するためのモデルを生成してもよい。

【0062】

情報処理装置１０の各機能部のうち少なくとも一部は、例えば１以上のコンピュータにより提供されるクラウドコンピューティングにより実現されていてもよい。この場合、例えば、記憶部１１、及び生成部１３等を、外部の情報処理装置に設けた構成としてもよい。

【0063】

＜本開示の効果＞
従来技術は、実験期間中のユーザの返答率は謝礼金額や質問の難易度に依存し、時間に対して一定であるという考え方に基づいて返答率の向上を図っていた。しかしながら、実際にはユーザのある期間における返答率は時間に対して一定ではない。例えば、ある個人が日常生活の中で経験した出来事によって、ある時刻では返答する意欲は高くなり返答率が上昇し、ある時刻では意欲が低下し返答率が下降し得ると考えられる。

【0064】

上述した本開示の技術によれば、ユーザの返答率を推定し、ユーザの返答率が高いと推定されるタイミングでユーザに対して介入を行う。それにより、例えば、返答率を向上させることができる。

【0065】

以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

【符号の説明】

【0066】

１ 通信システム
１０ 情報処理装置
１１ 記憶部
１２ 取得部
１３ 生成部
１４ 推定部
１５ 通知部
２０ 端末
１１１ 個人特性データベース
１１２ 経験データベース
１１３ 回答履歴データベース

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図5C】

【図6】