特許 7604991 情報処理装置、情報処理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】2024-12-16

(45)【発行日】2024-12-24

(54)【発明の名称】情報処理装置、情報処理方法及びプログラム

(51)【国際特許分類】

   G09B 5/14 20060101AFI20241217BHJP

   G06Q 50/20 20120101ALI20241217BHJP

   G16Y 10/55 20200101ALI20241217BHJP

   G16Y 20/40 20200101ALI20241217BHJP

   G16Y 40/20 20200101ALI20241217BHJP

   G16Y 40/30 20200101ALI20241217BHJP

【ＦＩ】

G09B5/14

G06Q50/20 300

G16Y10/55

G16Y20/40

G16Y40/20

G16Y40/30

【請求項の数】 9

(21)【出願番号】P 2021055816

(22)【出願日】2021-03-29

(65)【公開番号】P2022152881

(43)【公開日】2022-10-12

【審査請求日】2024-01-29

(73)【特許権者】

【識別番号】000002897

【氏名又は名称】大日本印刷株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】伊藤 直之

(72)【発明者】

【氏名】生駒 拓也

(72)【発明者】

【氏名】内田 昌希

【審査官】宇佐田 健二

(56)【参考文献】

【文献】特開２０１６－０８５２８４（ＪＰ，Ａ）

【文献】特開２０２０－１９７７７８（ＪＰ，Ａ）

【文献】特開２０１５－１６６８１５（ＪＰ，Ａ）

【文献】特開２００７－０２５３９３（ＪＰ，Ａ）

【文献】特開２０１５－０１８０９６（ＪＰ，Ａ）

【文献】特開２０１２－１９４５０７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０９Ｂ １／００－ ９／５６，１７／００－１９／２６

Ｇ０６Ｑ ５０／２０

Ｇ１６Ｙ １０／００－４０／６０

(57)【特許請求の範囲】

【請求項1】

学習者の学習状況を示す時系列の学習状況データと、前記学習状況データに対する指導者のコメントとを受け付ける受付部と、
所定期間ごとの時系列の学習状況データと前記学習状況データに対するコメントとを入力した場合に前記コメントの妥当性を推定するよう学習済みの第１学習モデルに、前記受付部が受け付けた学習状況データとコメントとを入力して、前記コメントの妥当性を推定した推定結果を出力する出力部と
を備える情報処理装置。

【請求項2】

前記第１学習モデルに、学習状況データと、前記学習状況データに対する複数のコメントとを入力して、各コメントの妥当性を推定した推定結果を出力し、
出力した推定結果に基づき、妥当でないコメントを修正すべきコメントとして出力する
ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記第１学習モデルは、前記学習者の性格を示す予め設定された性格タイプ毎に作成されている
ことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記学習者の識別情報と、前記学習者の性格タイプとを対応付けて記憶する記憶部
を備える請求項１から３までのいずれかひとつに記載の情報処理装置。

【請求項5】

前記コメントを選択可能な複数のコメントが登録されており、
前記受付部は、前記複数のコメントからコメントの選択を受け付ける
ことを特徴とする請求項１から４までのいずれかひとつに記載の情報処理装置。

【請求項6】

所定期間ごとの時系列の学習状況データを入力した場合に前記学習状況データに対する指導者のコメントを出力するよう学習済みの第２学習モデルに、前記受付部が受け付けた学習状況データを入力して、前記学習状況データに対するコメントを出力する第２出力部
を備える請求項１から５までのいずれかひとつに記載の情報処理装置。

【請求項7】

前記第２学習モデルは、予め設定された前記学習者の性格タイプ毎に作成されている
ことを特徴とする請求項６に記載の情報処理装置。

【請求項8】

学習者の学習状況を示す時系列の学習状況データと、前記学習状況データに対する指導者のコメントとを受け付け、
所定期間ごとの時系列の学習状況データと前記学習状況データに対するコメントとを入力した場合に前記コメントの妥当性を推定するよう学習済みの第１学習モデルに、受け付けた学習状況データとコメントとを入力して、前記コメントの妥当性を推定した推定結果を出力する
処理をコンピュータが実行する情報処理方法。

【請求項9】

学習者の学習状況を示す時系列の学習状況データと、前記学習状況データに対する指導者のコメントとを受け付け、
所定期間ごとの時系列の学習状況データと前記学習状況データに対するコメントとを入力した場合に前記コメントの妥当性を推定するよう学習済みの第１学習モデルに、受け付けた学習状況データとコメントとを入力して、前記コメントの妥当性を推定した推定結果を出力する
処理をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

【背景技術】

【0002】

近年、学習者に学習支援を行うためのシステムの開発が進められている。例えば特許文献１には、教師あるいは添削担当者が生徒の課題の解答状況を監視して、解答に対するコメントを行なえるコンピューターシステムによる集合教育方法が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１５－０１８０９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に係る発明は、指導者（例えば、教師または添削担当者）のコメントの妥当性のチェックを行うことができない。

【0005】

一つの側面では、指導者のコメントの妥当性のチェックを行うことが可能な情報処理装置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】

【0006】

一つの側面に係る情報処理装置は、学習者の学習状況を示す時系列の学習状況データと、前記学習状況データに対する指導者のコメントとを受け付ける受付部と、所定期間ごとの時系列の学習状況データと前記学習状況データに対するコメントとを入力した場合に前記コメントの妥当性を推定するよう学習済みの第１学習モデルに、前記受付部が受け付けた学習状況データとコメントとを入力して、前記コメントの妥当性を推定した推定結果を出力する出力部とを備える。

【発明の効果】

【0007】

一つの側面では、指導者のコメントの妥当性のチェックを行うことが可能となる。

【図面の簡単な説明】

【0008】

【図1】コメントチェックシステムの概要を示す説明図である。

【図2】サーバの構成例を示すブロック図である。

【図3】訓練データＤＢのレコードレイアウトの一例を示す説明図である。

【図4】学習モデル管理ＤＢ及び学習者ＤＢのレコードレイアウトの一例を示す説明図である。

【図5】コメントＤＢのレコードレイアウトの一例を示す説明図である。

【図6】学習者端末の構成例を示すブロック図である。

【図7】指導者端末の構成例を示すブロック図である。

【図8】妥当性推定モデルに関する説明図である。

【図9】妥当性推定モデルの生成処理の手順を示すフローチャートである。

【図10】コメントの妥当性の推定結果の表示画面の一例を示す説明図である。

【図11】コメントの妥当性の推定処理を行う際の処理手順を示すフローチャートである。

【図12】コメントの妥当性の推定処理を行う際の処理手順を示すフローチャートである。

【図13】実施形態２のサーバの構成例を示すブロック図である。

【図14】実施形態２の訓練データＤＢのレコードレイアウトの一例を示す説明図である。

【図15】コメント推定モデルに関する説明図である。

【図16】コメントの推定結果の表示画面の一例を示す説明図である。

【図17】コメントの生成処理を行う際の処理手順を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明をその実施形態を示す図面に基づいて詳述する。

【0010】

（実施形態１）
実施形態１は、学習者の学習状況を示す学習状況データと該学習状況データに対する指導者のコメントとに基づき、人工知能（ＡＩ：Artificial Intelligence）を用いて、指導者のコメントの妥当性を推定する形態に関する。図１は、コメントチェックシステムの概要を示す説明図である。本実施形態のシステムは、情報処理装置１、情報処理端末２及び情報処理端末３を含み、各装置はインターネット等のネットワークＮを介して情報の送受信を行う。

【0011】

情報処理装置１は、種々の情報に対する処理、記憶及び送受信を行う情報処理装置である。情報処理装置１は、例えばサーバ装置、パーソナルコンピュータまたは汎用のタブレットＰＣ（パソコン）等である。本実施形態において、情報処理装置１はサーバ装置であるものとし、以下では簡潔のためサーバ１と読み替える。

【0012】

情報処理端末２は、学習者の学習状況データの受付及び送信、並びに、指導者のコメント受信及び表示等を行う端末装置である。情報処理端末２は、例えばスマートフォン、携帯電話、アップルウォッチ（Apple Watch:登録商標）等のウェアラブルデバイス、タブレット、パーソナルコンピュータ端末等の情報処理機器である。以下では簡潔のため、情報処理端末２を学習者端末２と読み替える。

【0013】

情報処理端末３は、学習者の学習状況データに対する指導者のコメントの受付及び送信、並びに、コメントの妥当性の推定結果の受信及び表示等を行う端末装置である。情報処理端末３は、例えばスマートフォン、携帯電話、アップルウォッチ等のウェアラブルデバイス、タブレット、パーソナルコンピュータ端末等の情報処理機器である。以下では簡潔のため、情報処理端末３を指導者端末３と読み替える。

【0014】

本実施形態に係るサーバ１は、学習者の学習状況を示す時系列の学習状況データと、該学習状況データに対する指導者のコメントとを取得する。サーバ１は、所定期間ごとの時系列の学習状況データと該学習状況データに対するコメントとを入力した場合に該コメントの妥当性を推定するよう学習済みの学習モデルに、取得した学習状況データと指導者のコメントとを入力して、該コメントの妥当性を推定した推定結果を出力する。なお、学習モデルに関しては後述する。

【0015】

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、読取部１６及び大容量記憶部１７を含む。各構成はバスＢで接続されている。

【0016】

制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐを読み出して実行することにより、サーバ１に係る種々の情報処理、制御処理等を行う。なお、制御プログラム１Ｐは、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。なお、図２では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。

【0017】

記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐ又はデータ等を記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、学習者端末２及び指導者端末３との間で情報の送受信を行う。

【0018】

入力部１４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報を制御部１１へ出力する。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。

【0019】

読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、大容量記憶部１７に記憶しても良い。また、ネットワークＮ等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、大容量記憶部１７に記憶しても良い。さらにまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。

【0020】

大容量記憶部１７は、例えばＨＤＤ（Hard disk drive:ハードディスク）、ＳＳＤ(Solid State Drive:ソリッドステートドライブ)等の記録媒体を備える。大容量記憶部１７は、妥当性推定モデル（第１学習モデル）１７１、訓練データＤＢ（database）１７２、学習モデル管理ＤＢ１７３、学習者ＤＢ１７４及びコメントＤＢ１７５を含む。

【0021】

妥当性推定モデル１７１は、学習者の学習状況データと該学習状況データに対する指導者のコメントとに基づいて該コメントの妥当性を推定する推定器であり、機械学習により生成された学習済みの学習モデルである。訓練データＤＢ１７２は、妥当性推定モデル１７１を構築（作成）するための訓練データを記憶している。学習モデル管理ＤＢ１７３は、学習済みの妥当性推定モデル１７１に関する情報を記憶している。学習者ＤＢ１７４は、学習者に関する情報を記憶している。コメントＤＢ１７５は、指導者が使用可能なコメントを記憶している。

【0022】

なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はサーバ１に接続された外部記憶装置であっても良い。

【0023】

サーバ１はコンピュータ単体で実行しても良いし、複数のコンピュータで分散して実行しても良いし、仮想マシンで分散して実行しても良い。

【0024】

図３は、訓練データＤＢ１７２のレコードレイアウトの一例を示す説明図である。訓練データＤＢ１７２は、訓練ＩＤ列、入力列、出力列及び性格タイプ列を含む。

【0025】

訓練ＩＤ列は、各訓練データを識別するために、一意に特定される訓練データのＩＤを記憶している。入力列は、学習状況列及びコメント列を含む。学習状況列は、学習者の学習状況を示す時系列の学習状況データを記憶している。学習状況データは、学習者の学習量、学力偏差値、点数、または、これらの組み合わせにより定量化される数値である。学習量は、例えば所定期間（例えば、一ヵ月）内の学習の課題数、または所定期間内の学習時間等である。例えば、課題数と学習時間とを組み合わせた学習量を利用した場合、１０問の学習量に１時間の学習時間を設定し、学習状況データが１０（１０×１）となる。なお、学習状況データは、任意の算出式に基づいて定量化されても良い。

【0026】

コメント列は、学習状況データに対する指導者のコメントを記憶している。出力列は、コメントの妥当性を示す情報を記憶している。性格タイプ列は、学習者の性格タイプを記憶している。なお、性格タイプに関しては後述する。

【0027】

図４は、学習モデル管理ＤＢ１７３及び学習者ＤＢ１７４のレコードレイアウトの一例を示す説明図である。
学習モデル管理ＤＢ１７３は、モデルＩＤ列、学習モデル列、種類列及び生成日時列を含む。モデルＩＤ列は、各学習済みの学習モデルを識別するために、一意に特定される学習モデルのＩＤを記憶している。学習モデル列は、学習済みの学習モデルのファイルを記憶している。種類列は、学習モデルの種類を記憶している。種類列には、例えば学習者の性格タイプに基づいて生成された学習モデルの種類が記憶される。例えば、種類列には、「性格タイプＡモデル」または「性格タイプＢモデル」等が記憶されている。生成日時列は、学習モデルを生成した日時情報を記憶している。

【0028】

学習者ＤＢ１７４は、学習者ＩＤ列及び性格タイプ列を含む。学習者ＩＤ列は、各学習者を識別するために、一意に特定される学習者のＩＤを記憶している。性格タイプ列は、学習者の性格を示す性格タイプを記憶している。なお、性格タイプに関しては、例えば、各学習者に対して性格タイプの診断を実施することにより、各学習者の性格タイプを取得し、取得した性格タイプを学習者ＩＤに対応付けて学習者ＤＢ１７４に登録する。

【0029】

なお、学習者に対する性格タイプの診断に関しては、例えば、エコグラムと呼ばれる性格診断手法により、「厳しさ度」、「優しさ度」、「冷静度」、「自由気まま度」、「従順度」といった性格特性のスコアを算出し、算出したスコアに基づいて、各学習者がどの性格特性に最も当てはまるかを診断しても良い。または、ＯＫグラムと呼ばれる性格診断手法により、「他者否定性」、「他者肯定性」、「自己否定性」、「自己肯定性」といった性格特性のスコアが算出し、算出したスコアに基づいて、各学習者がどの性格特性に最も当てはまるかを診断しても良い。更にまた、例えば、予め各学習者に対していくつかの質問を行い、質問に対する回答に基づき得られた情報を分析して各学習者がどの性格特性を診断しても良い。例えば性格タイプは、「褒められて伸びるタイプ」及び「厳しくして伸びるタイプ」等を含む。

【0030】

図５は、コメントＤＢ１７５のレコードレイアウトの一例を示す説明図である。コメントＤＢ１７５は、コメントＩＤ列及びコメント列を含む。コメントＩＤ列は、各コメントを識別するために、一意に特定されるコメントのＩＤを記憶している。コメント列は、指導者のコメントの内容を記憶している。

【0031】

なお、上述した各ＤＢの記憶形態は一例であり、データ間の関係が維持されていれば、他の記憶形態であっても良い。

【0032】

図６は、学習者端末２の構成例を示すブロック図である。学習者端末２は、制御部２１、記憶部２２、通信部２３、入力部２４及び表示部２５を含む。各構成はバスＢで接続されている。

【0033】

制御部２１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部２２に記憶された制御プログラム２Ｐを読み出して実行することにより、学習者端末２に係る種々の情報処理、制御処理等を行う。なお、図６では制御部２１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部２２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部２１が処理を実行するために必要な制御プログラム２Ｐ又はデータ等を記憶している。また、記憶部２２は、制御部２１が演算処理を実行するために必要なデータ等を一時的に記憶する。

【0034】

通信部２３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１と情報の送受信を行う。入力部２４は、キーボード、マウスまたは表示部２５と一体化したタッチパネルでも良い。表示部２５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部２１の指示に従い各種情報を表示する。

【0035】

図７は、指導者端末３の構成例を示すブロック図である。指導者端末３は、制御部３１、記憶部３２、通信部３３、入力部３４及び表示部３５を含む。各構成はバスＢで接続されている。

【0036】

制御部３１はＣＰＵ、ＭＰＵ等の演算処理装置を含み、記憶部３２に記憶された制御プログラム３Ｐを読み出して実行することにより、指導者端末３に係る種々の情報処理、制御処理等を行う。なお、図７では制御部３１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。記憶部３２はＲＡＭ、ＲＯＭ等のメモリ素子を含み、制御部３１が処理を実行するために必要な制御プログラム３Ｐ又はデータ等を記憶している。また、記憶部３２は、制御部３１が演算処理を実行するために必要なデータ等を一時的に記憶する。

【0037】

通信部３３は通信に関する処理を行うための通信モジュールであり、ネットワークＮを介して、サーバ１と情報の送受信を行う。入力部３４は、キーボード、マウスまたは表示部３５と一体化したタッチパネルでも良い。表示部３５は、液晶ディスプレイ又は有機ＥＬディスプレイ等であり、制御部３１の指示に従い各種情報を表示する。

【0038】

続いて、学習者の時系列の学習状況データと、該学習状況データに対する指導者のコメントとに基づき、該指導者のコメントの妥当性を推定する処理を説明する。本実施形態では、妥当性推定モデル１７１を用いてコメントの妥当性を推定した推定結果を出力する。

【0039】

図８は、妥当性推定モデル１７１に関する説明図である。本実施の形態においてサーバ１は、学習者の時系列の学習状況データ及び該学習状況データに対する指導者のコメントと、該コメントの妥当性との関係を学習する機械学習を行い、妥当性推定モデル１７１を生成（作成）する。

【0040】

例えば妥当性推定モデル１７１は、深層学習により生成されるニューラルネットワークであり、ＲＮＮ（Recurrent Neural Network）の一種であるアテンションモデル（Attention Model）である。

【0041】

アテンションモデルに係る妥当性推定モデル１７１は、図８に示すように、Ｅｎｃｏｄｅｒとして機能するネットワークと、Ｄｅｃｏｄｅｒとして機能するネットワークとに分類される。ラベル＜ＥＯＳ(End of String)＞は、学習または推定処理時にデータの終わりを表す予約語である。

【0042】

Ｅｎｃｏｄｅｒは、ＬＳＴＭ（Long-Short Term Memory）ブロックと呼ばれる複数のニューロンで構成される。Ｅｎｃｏｄｅｒでは、所定期間（例えば、一ヵ月または一週間）ごとの学習状況データ及び該学習状況データに対するコメントの入力を受け付け、ＬＳＴＭブロックでの演算を行う。ＬＳＴＭブロックでは、前のＬＳＴＭブロック（ニューロン）における演算結果、すなわち一つ前に出現する学習状況データ及びコメントに基づく演算結果を参照しながら演算を行う。これにより妥当性推定モデル１７１は、時系列順に基づいて学習状況データに対応するコメントの妥当性を推定する。

【0043】

指導者のコメントは、単一または複数であっても良い。単一のコメントは、例えば「もっと頑張って。」である。複数のコメントは、例えば「よくできたね。」及び「とても頑張ったね。」である。Ｅｎｃｏｄｅｒは、各時刻の入力データに対応付けられた隠れ状態ベクトル（hidden states）をＡｔｔｅｎｔｉｏｎレイヤーに渡す。

【0044】

Ａｔｔｅｎｔｉｏｎレイヤーは、Ｅｎｃｏｄｅｒから渡された各時刻の隠れ状態ベクトルを受け取る。Ａｔｔｅｎｔｉｏｎレイヤーは、Ｅｎｃｏｄｅｒから入力された各時刻の隠れ状態ベクトルのスコアを計算する。例えば、ソフトマックス（Ｓｏｆｔｍａｘ）関数を用いてスコアを計算しても良い。各隠れ状態ベクトルにソフトマックスを通したスコアを乗算することにより、高スコアの隠れ状態を増幅させ、低スコアの隠れ状態をかき消すことができる。

【0045】

Ａｔｔｅｎｔｉｏｎレイヤーは、変換後の隠れ状態ベクトルをＤｅｃｏｄｅｒに渡す。Ｄｅｃｏｄｅｒは、ＬＳＴＭブロックと呼ばれるニューロンで構成される。Ｄｅｃｏｄｅｒは、Ａｔｔｅｎｔｉｏｎレイヤーから入力された各時刻の隠れ状態ベクトルを足し合わせ、Ｄｅｃｏｄｅｒの隠れ状態ベクトルと結合して変換し、Ｄｅｃｏｄｅｒの最終的な隠れ状態ベクトルを得る。Ｄｅｃｏｄｅｒは、最終的な隠れ状態ベクトルに基づき、該コメントの妥当性を推定した推定結果を出力する。Ｄｅｃｏｄｅｒから出力される推定結果は、例えば、妥当性を示す連続的な確率値（例えば「０」から「１」までの範囲の値）である。

【0046】

図示のように、Ｅｎｃｏｄｅｒでは時系列の学習状況データ（例えば、４月、５月及び６月の学習状況データ）及び該学習状況データに対するコメント（例えば、もっと頑張ってね）の入力を受け付け、中間層での演算を行う。具体的には、サーバ１は、コメントを複数の文節に区切る。文節は、文の構成要素で、文を実際の言葉として不自然にならない程度に区切ったとき得られる最小のひとまとまりのものである。例えば、コメントが「もっと頑張ってね」である場合、サーバ１は「もっと頑張ってね」から「もっと」、「頑張って」及び「ね」を含む三つの文節に区切る。サーバ１は、区切った各文節と時系列の学習状況データとを組み合わせる。例えば、「もっと」文節と４月の学習状況データとを組み合わせ、「頑張って」文節と５月の学習状況データとを組み合わせ、「ね」文節と６月の学習状況データとを組み合わせる。サーバ１は、文節と学習状況データとを組み合わせた複数のデータを順次に各ＬＳＴＭブロックに入力する。図８では、月単位の学習状況データを説明したが、これに限らず、例えば、週単位の学習状況データであっても良い。

【0047】

Ｅｎｃｏｄｅｒは、各時刻の入力データに対応付けられた隠れ状態ベクトルをＡｔｔｅｎｔｉｏｎレイヤーに渡す。Ａｔｔｅｎｔｉｏｎレイヤーは、各時刻の隠れ状態ベクトルの変換処理を行い、変換後の隠れ状態ベクトルをＤｅｃｏｄｅｒに渡す。Ｄｅｃｏｄｅｒは、Ａｔｔｅｎｔｉｏｎレイヤーから入力された各時刻の隠れ状態ベクトルと、Ｄｅｃｏｄｅｒの隠れ状態ベクトルとを結合して変換し、該コメントの妥当性を推定した推定結果を出力する。

【0048】

なお、アテンションモデルは妥当性推定モデル１７１の一例であって、例えばサーバ１は、Ｓｅｑ２Ｓｅｑ（Sequence to Sequence）等の他のニューラルネットワークを妥当性推定モデル１７１として生成しても良い。また、妥当性推定モデル１７１はニューラルネットワークに限定されず、例えば決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）など、他の学習アルゴリズムに基づくモデルであっても良い。

【0049】

例えばサーバ１は、訓練データＤＢ１７２に蓄積された訓練データを用いて、妥当性推定モデル１７１を生成する。訓練データは、学習者の時系列の学習状況データ及び該学習状況データに対するコメントと、該コメントの妥当性を示す情報とが対応付けられた組み合わせのデータである。訓練データは、学習者から収集された大量の学習状況データ及び学習状況データに対応する指導者のコメントに基づいて生成される。なお、訓練データは別途人手で作成されたデータであっても良い。

【0050】

サーバ１は、訓練用の時系列の学習状況データ及び指導者のコメントを入力データとして妥当性推定モデル１７１に入力し、出力層からコメントの妥当性を推定した推定結果（出力データ）を取得する。サーバ１は、訓練データに含まれる正解の出力データと、妥当性推定モデル１７１から出力された出力データとを比較し、両者が近似するように、中間層での演算に用いる重み等の各種パラメータを最適化する。

【0051】

これによりサーバ１は、妥当性推定モデル１７１を生成（構築）する。サーバ１は、生成した妥当性推定モデル１７１を学習モデル管理ＤＢ１７３に記憶する。本実施の形態においてサーバ１は、上記の妥当性推定モデル１７１を用いて学習者の学習状況データに対するコメントの妥当性の推定を行い、学習状況データ及び指導者のコメントに対し、該コメントの妥当性を推定した推定結果を出力する。

【0052】

図示のように、学習状況データに対応するコメントに対し、「妥当」の確率値が「０．９０」であり、且つ、「不当」の確率値が「０．１０」である推定結果が出力される。また、所定閾値を利用して推定結果を出力しても良い。例えばサーバ１は、「妥当」の確率値（０．９０）が所定閾値（例えば、０．８５）以上であると判定した場合、該コメントが妥当である推定結果を出力する。または、サーバ１は、「不当」の確率値（０．８７）が所定閾値（例えば、０．８５）以上であると判定した場合、該コメントが不当である推定結果を出力する。

【0053】

また、サーバ１は、指導者のコメントが複数のコメントを含む場合、妥当性推定モデル１７１を用いて、それぞれのコメントの妥当性を推定した推定結果を出力する。例えば、指導者のコメントが「よくできたね」及び「とても頑張ったね」を含む場合、サーバ１は、妥当性推定モデル１７１を用いて、「よくできたね」の妥当性の推定結果と、「とても頑張ったね」の妥当性の推定結果との両方を出力する。

【0054】

例えばサーバ１は、「よくできたね」コメントに対し、「妥当」の確率値が「０．９０」であり、且つ、「不当」の確率値が「０．１０」である推定結果を出力する。また、サーバ１は、「とても頑張ったね」に対し、「妥当」の確率値が「０．１５」であり、且つ、「不当」の確率値が「０．８５」である推定結果を出力する。この場合、サーバ１は、該指導者のコメントの推定結果に基づいて、不当である「とても頑張ったね」コメントを修正すべきコメントとして出力する。

【0055】

図９は、妥当性推定モデル１７１の生成処理の手順を示すフローチャートである。図９に基づき、機械学習を行って妥当性推定モデル１７１を生成する処理の内容について説明する。

【0056】

サーバ１の制御部１１は、学習者の時系列の学習状況データ及び該学習状況データに対するコメントと、該コメントの妥当性を示す情報とが対応付けられた訓練データを大容量記憶部１７の訓練データＤＢ１７２から複数取得する（ステップＳ１０１）。制御部１１は、取得した時系列の学習状況データ及び該学習状況データに対するコメントと、該コメントの妥当性を示す情報とに基づき、時系列の学習状況データ及び該学習状況データを入力として、該コメントの妥当性を推定した推定結果を出力とする妥当性推定モデル１７１を生成する（ステップＳ１０２）。

【0057】

例えば、妥当性推定モデル１７１はアテンションモデルに係るニューラルネットワークであり、学習状況データ及び該学習状況データに対するコメントを入力として、該コメントの妥当性を推定した推定結果を出力するニューラルネットワークである。制御部１１は、時系列の学習状況データ及びコメントを妥当性推定モデル１７１に入力し、該コメントの妥当性を推定した推定結果を出力する。制御部１１は、出力された妥当性の推定結果を、訓練データに含まれる妥当性を示す正解の情報と比較し、両者が近似するように中間層の各種パラメータを最適化して、妥当性推定モデル１７１を生成する。

【0058】

制御部１１は、生成した妥当性推定モデル１７１を大容量記憶部１７の学習モデル管理ＤＢ１７３に記憶し（ステップＳ１０３）、一連の処理を終了する。具体的には、制御部１１は、生成した妥当性推定モデル１７１に対してモデルＩＤを割り振り、割り振ったモデルＩＤに対応付けて、妥当性推定モデル１７１のファイル及び生成日時を一つのレコードとして学習モデル管理ＤＢ１７３に記憶する。

【0059】

また、学習者の性格を示す予め設定された性格タイプ毎に妥当性推定モデル１７１を生成することができる。具体的には、サーバ１は、学習者の性格タイプごとに訓練データを訓練データＤＢ１７２から取得する。例えば、性格タイプＡの妥当性推定モデル１７１を生成する場合、サーバ１は、「性格タイプＡ」である性格タイプに対応する訓練データを訓練データＤＢ１７２から複数抽出する。サーバ１は、抽出した訓練データを用いて性格タイプＡの妥当性推定モデル１７１を生成する。

【0060】

続いて、生成した妥当性推定モデル１７１の使用方法を説明する。

【0061】

学習者端末２は、学習者の学習状況を示す時系列の学習状況データ（例えば、学習者の点数、学力偏差値または学習量）の入力を受け付ける。例えば学習者端末２は、学習者の三ヵ月（例えば、４月、５月及び６月）の学習量を受け付ける。なお、学習者が、例えば課題を提供するＥラーニング（e-Learning）システムを利用した場合、学習者端末２は、Ｅラーニングシステムに記憶された該学習者の学習状況データを取得しても良い。学習者端末２は、取得した学習者の学習状況データをサーバ１に送信する。サーバ１は、学習者端末２から送信された学習者の時系列の学習状況データを受信し、受信した学習状況データを指導者端末３に送信する。なお、学習状況データは、学習者端末２から指導者端末３に直接送信されても良い。

【0062】

指導者端末３は、サーバ１から送信された学習者の学習状況データを受信し、受信した学習状況データに対応する指導者のコメントを取得する。例えば、指導者端末３は、予め登録された複数のコメントをコメントＤＢ１７５から取得し、取得した複数のコメントを画面に表示する。指導者端末３は、画面に表示されている複数のコメントからコメントの選択を受け付けても良い。なお、指導者端末３は、指導者のコメントの入力を直接受け付けても良い。指導者端末３は、取得した指導者のコメントを学習状況データと共にサーバ１に送信する。

【0063】

サーバ１は、指導者端末３から送信された学習者の学習状況データと、該学習状況データに対応するコメントとに基づき、該コメントの妥当性を推定する。具体的には、サーバ１は、時系列の学習状況データと該学習状況データに対応するコメントとを妥当性推定モデル１７１に入力して、該コメントの妥当性を推定した推定結果を出力する。

【0064】

サーバ１は、出力した推定結果に基づき、コメントが妥当であると判定した場合、コメントの推定結果を指導者端末３に送信する。指導者端末３は、サーバ１から送信されたコメントの妥当性の推定結果を受信し、受信した推定結果を画面に表示する。サーバ１は、該コメントを学習者端末２に送信する。学習者端末２は、サーバ１から送信されたコメントを学習状況データと共に画面に表示する。

【0065】

また、妥当性推定モデル１７１を用いて、学習状況データに対する複数のコメントの妥当性を推定することができる。具体的には、サーバ１は、学習状況データと、該学習状況データに対する複数のコメントとを妥当性推定モデル１７１に入力し、各コメントの妥当性を推定した推定結果を出力する。サーバ１は、出力した妥当性の推定結果に基づき、妥当でないコメントを修正すべきコメントとして取得する。サーバ１は、妥当性の推定結果と修正すべきコメントとを指導者端末３に送信する。指導者端末３は、サーバ１から送信された妥当性の推定結果及び修正すべきコメントを受信し、受信した推定結果及び修正すべきコメントを画面に表示する。

【0066】

図１０は、コメントの妥当性の推定結果の表示画面の一例を示す説明図である。該画面は、学習状況データ表示欄１１ａ、コメント選択コンボボックス１１ｂ、選択ボタン１１ｃ、コメント表示欄１１ｄ、チェックボタン１１ｅ及びチェック結果表示欄１１ｆを含む。

【0067】

学習状況データ表示欄１１ａは、学習者の学習状況データを表示する表示欄である。コメント選択コンボボックス１１ｂは、学習状況データに対する指導者のコメントの選択を受け付けるコンボボックスである。なお、コンボボックスに限定せず、例えば、指導者のコメントの手入力を受け付けるテキストフィールドであっても良い。選択ボタン１１ｃは、指導者のコメントの選択を受け付けるボタンである。コメント表示欄１１ｄは、選択されたコメントを表示する表示欄である。チェックボタン１１ｅは、コメントの妥当性のチェックを行うボタンである。チェック結果表示欄１１ｆは、コメントの妥当性のチェック結果を表示する表示欄である。

【0068】

指導者端末３は、サーバ１から学習者の時系列の学習状況データを取得する。指導者端末３は、取得した学習状況データに基づいて、該時系列の学習状況データを示すグラフを生成する。なお、時系列の学習状況データを示すグラフはサーバ１側で生成されても良い。指導者端末３は、生成したグラフを学習状況データ表示欄１１ａに表示する。

【0069】

図示のように、学習状況データと期間との関係を示す縦棒グラフは、学習状況データ表示欄１１ａに表示される。縦棒グラフの横軸は、期間（例えば、４月～翌年の２月）を示す。縦棒グラフの縦軸は、学習状況データ（例えば、学習量または学習時間）を示す。なお、図１０では縦棒グラフの形式としたが、これに限らず、その他のグラフ形式であっても良い。

【0070】

指導者端末３は、予め設定された指導者用の複数のコメントをサーバ１のコメントＤＢ１７５から取得し、取得した複数のコメントをコメント選択コンボボックス１１ｂに設定する。例えば指導者端末３は、予めコメントＤＢ１７５に登録された「もっと頑張って。」、「よくできたね。」及び「とても頑張ったね。」を取得してコメント選択コンボボックス１１ｂに設定する。指導者端末３は、選択ボタン１１ｃのタッチ（クリック）操作を受け付けた場合、コメント選択コンボボックス１１ｂにより選択されたコメントを取得する。指導者端末３は、選択された指導者のコメントをコメント表示欄１１ｄに表示する。

【0071】

また、コメントを複数選択することもできる。例えば、指導者端末３は、コメント選択コンボボックス１１ｂにより「よくできたね。」の選択を受け付けた場合、受け付けた「よくできたね。」をコメント表示欄１１ｄに表示する。また、指導者端末３は、コメント選択コンボボックス１１ｂにより「とても頑張ったね。」の選択を受け付けた場合、受け付けた「とても頑張ったね。」をコメント表示欄１１ｄに「よくできたね。」の次の行に表示する。

【0072】

指導者端末３は、チェックボタン１１ｅのタッチ操作を受け付けた場合、選択されたコメントを、学習者の学習状況データと共にサーバ１に送信する。サーバ１は、指導者端末３から送信された学習状況データと該学習状況データに対応するコメントとに基づき、妥当性推定モデル１７１を用いて該コメントの妥当性を推定（チェック）する。サーバ１は、該コメントの妥当性を推定した推定結果（チェック結果）を指導者端末３に送信する。

【0073】

指導者端末３は、サーバ１から送信されたコメントの推定結果を受信し、受信した推定結果をチェック結果表示欄１１ｆに表示する。図示のように、選択された「よくできたね。」及び「とても頑張ったね。」コメントに対し、「よくできたね。」が妥当、且つ、「とても頑張ったね。」が妥当でない（不当とする）推定結果がチェック結果表示欄１１ｆに表示される。妥当でないコメントの表示形式に関しては、例えば太字または斜体で表示されても良い。また、指導者端末３は、妥当でないコメントに対し、妥当でない旨を含むメッセージ（例えば、「学習者Ａにとってはこのアドバイスは好ましくないです」）をチェック結果表示欄１１ｆに出力しても良い。

【0074】

図１１及び図１２は、コメントの妥当性の推定処理を行う際の処理手順を示すフローチャートである。学習者端末２の制御部２１は、学習者の学習状況を示す時系列の学習状況データを取得する（ステップＳ２１１）。例えば、制御部２１は、時系列の学習状況データの入力を入力部２４により受け付けても良い。または、学習者がＥラーニングシステムを利用した場合、制御部２１は、Ｅラーニングシステムに記憶された該学習者の学習状況データを通信部２３により取得しても良い。制御部２１は、学習者ＩＤと、取得した学習者の学習状況データとを通信部２３によりサーバ１に送信する（ステップＳ２１２）。

【0075】

サーバ１の制御部１１は、通信部１３を介して、学習者端末２から送信された学習者ＩＤ及び学習状況データを受信し（ステップＳ１１１）、受信した学習者ＩＤ及び学習状況データを指導者端末３に送信する（ステップＳ１１２）。指導者端末３の制御部３１は、サーバ１から送信された学習者ＩＤ及び学習状況データを通信部３３により受信し（ステップＳ３１１）、受信した学習者ＩＤ及び学習状況データを表示部３５により表示する（ステップＳ３１２）。

【0076】

制御部３１は、予め設定された指導者用の複数のコメントを大容量記憶部１７のコメントＤＢ１７５から取得する（ステップＳ３１３）。制御部３１は、取得した複数のコメントを表示部３５により表示する（ステップＳ３１４）。なお、制御部３１は、指導者のコメントの入力を入力部３４により直接受け付けても良い。制御部３１は、表示されている複数のコメントから、該学習状況データに対応するコメントの選択を入力部３４により受け付ける（ステップＳ３１５）。制御部３１は、学習者ＩＤ、学習状況データ、及び選択されたコメントを通信部３３によりサーバ１に送信する（ステップＳ３１６）。

【0077】

サーバ１の制御部１１は、指導者端末３から送信された学習者ＩＤ、学習状況データ及びコメントを通信部１３により受信する（ステップＳ１１３）。制御部１１は、受信した学習者ＩＤに基づいて、学習者の性格タイプを大容量記憶部１７の学習者ＤＢ１７４から取得する（ステップＳ１１４）。制御部１１は、取得した性格タイプに基づいて妥当性推定モデル１７１を特定する（ステップＳ１１５）。具体的には、制御部１１は、取得した性格タイプに基づいて、該当する妥当性推定モデル１７１を大容量記憶部１７の学習モデル管理ＤＢ１７３から取得して特定する。

【0078】

制御部１１は、受信した学習状況データ及びコメントに基づき、特定した妥当性推定モデル１７１を用いて該コメントの妥当性を推定する（ステップＳ１１６）。具体的には、制御部１１は、学習状況データとコメントとを妥当性推定モデル１７１に入力して、該コメントの妥当性を推定した推定結果を出力する。なお、制御部１１は、学習状況データに対する複数のコメントを妥当性推定モデル１７１に入力した場合、各コメントの妥当性を推定した推定結果を出力する。

【0079】

制御部１１は、出力した推定結果に基づき、コメントが妥当であるか否かを判定する（ステップＳ１１７）。なお、指導者のコメントが複数のコメントを含む場合、制御部１１は、各コメントが妥当であるか否かを判定する。制御部１１は、いずれかのコメントが妥当でないと判定した場合、指導者のコメントが妥当でないと判定する。

【0080】

制御部１１は、コメントが妥当でないと判定した場合（ステップＳ１１７でＮＯ）、コメントの推定結果及び修正すべきコメント（妥当でないコメント）を通信部１３により指導者端末３に送信する（ステップＳ１１８）。指導者端末３の制御部３１は、サーバ１から送信された推定結果及び修正すべきコメントを通信部３３により受信し（ステップＳ３１７）、受信した推定結果及び修正すべきコメントを表示部３５により表示する（ステップＳ３１８）。

【0081】

制御部１１は、コメントが妥当であると判定した場合（ステップＳ１１７でＹＥＳ）、通信部１３を介して、コメントの推定結果を指導者端末３に送信し（ステップＳ１１９）、該コメントを学習者端末２に送信する（ステップＳ１２０）。

【0082】

指導者端末３の制御部３１は、サーバ１から送信された推定結果を通信部３３により受信し（ステップＳ３１９）、受信した推定結果を表示部３５により表示する（ステップＳ３２０）。学習者端末２の制御部２１は、サーバ１から送信されたコメントを通信部２３により受信する（ステップＳ２１３）。制御部２１は、学習状況データと受信したコメントとを表示部２５により表示し（ステップＳ２１４）、処理を終了する。

【0083】

本実施形態によると、妥当性推定モデル１７１を用いて、学習者の学習状況データに対応する指導者のコメントの妥当性を推定することが可能となる。

【0084】

本実施形態によると、学習者の性格タイプ毎に妥当性推定モデル１７１を作成することにより、性格タイプ毎にコメントの妥当性を推定するため、学習者に対して適切なコメントを生成することが可能となる。

【0085】

（実施形態２）
実施形態２は、学習者の学習状況データに基づき、人工知能を用いて指導者のコメントを生成する形態に関する。なお、実施形態１と重複する内容については説明を省略する。

【0086】

図１３は、実施形態２のサーバ１の構成例を示すブロック図である。図２と重複する内容については同一の符号を付して説明を省略する。大容量記憶部１７には、コメント推定モデル（第２学習モデル）１７６が記憶されている。コメント推定モデル１７６は、学習者の学習状況データに基づいて指導者のコメントを推定する推定器であり、機械学習により生成された学習済みの学習モデルである。訓練データＤＢ１７２は、コメント推定モデル１７６を構築するための訓練データを記憶している。学習モデル管理ＤＢ１７３は、学習済みのコメント推定モデル１７６に関する情報を記憶している。

【0087】

図１４は、実施形態２の訓練データＤＢ１７２のレコードレイアウトの一例を示す説明図である。なお、図３と重複する内容については説明を省略する。訓練データＤＢ１７２は、訓練ＩＤ列、入力列、出力列及び性格タイプ列を含む。入力列は、学習者の時系列の学習状況データを記憶している。なお、学習状況データに関しては、実施形態１と同様であるため、説明を省略する。出力列は、学習状況データに対する指導者のコメントを記憶している。

【0088】

図１５は、コメント推定モデル１７６に関する説明図である。本実施の形態においてサーバ１は、学習者の時系列の学習状況データと、該学習状況データに対応する指導者のコメントとの関係を学習する機械学習を行い、コメント推定モデル１７６を生成（作成）する。

【0089】

例えばコメント推定モデル１７６は、深層学習により生成されるニューラルネットワークであり、ＲＮＮの一種であるアテンションモデルである。

【0090】

アテンションモデルに係るコメント推定モデル１７６は、図８に示すように、Ｅｎｃｏｄｅｒとして機能するネットワークと、Ｄｅｃｏｄｅｒとして機能するネットワークとに分類される。ラベル＜ＥＯＳ＞は、学習または推定処理時にデータの終わりを表す予約語である。

【0091】

Ｅｎｃｏｄｅｒは、ＬＳＴＭブロックと呼ばれる複数のニューロンで構成される。Ｅｎｃｏｄｅｒでは時系列の学習状況データの入力を受け付け、ＬＳＴＭブロックでの演算を行う。ＬＳＴＭブロックでは、前のＬＳＴＭブロックにおける演算結果、すなわち一つ前に出現する学習状況データに基づく演算結果を参照しながら演算を行う。これによりコメント推定モデル１７６は、時系列順に基づいて学習状況データに対応するコメントを推定する。

【0092】

Ｅｎｃｏｄｅｒは、各時刻の入力データに対応付けられた隠れ状態ベクトル（hidden states）をＡｔｔｅｎｔｉｏｎレイヤーに渡す。Ａｔｔｅｎｔｉｏｎレイヤーは、Ｅｎｃｏｄｅｒから渡された各時刻の隠れ状態ベクトルを受け取り、受け取った各時刻の隠れ状態ベクトルに対し変換処理を行う。なお、隠れ状態ベクトルの変換処理に関しては、図８と同様であるため、説明を省略する。

【0093】

Ａｔｔｅｎｔｉｏｎレイヤーは、変換後の隠れ状態ベクトルをＤｅｃｏｄｅｒに渡す。Ｄｅｃｏｄｅｒは、ＬＳＴＭブロックと呼ばれるニューロンで構成される。Ｄｅｃｏｄｅｒは、Ａｔｔｅｎｔｉｏｎレイヤーから入力された各時刻の隠れ状態ベクトルを足し合わせ、Ｄｅｃｏｄｅｒの隠れ状態ベクトルと結合して変換し、Ｄｅｃｏｄｅｒの最終的な隠れ状態ベクトルを得る。Ｄｅｃｏｄｅｒは、最終的な隠れ状態ベクトルに基づき、該学習状況データに対応するコメントを推定した推定結果を出力する。

【0094】

図示のように、Ｅｎｃｏｄｅｒでは時系列の学習状況データ（例えば、４月、５月及び６月の学習状況データ）の入力を受け付け、中間層での演算を行う。Ｅｎｃｏｄｅｒは、各時刻の入力データに対応付けられた隠れ状態ベクトルをＡｔｔｅｎｔｉｏｎレイヤーに渡す。Ａｔｔｅｎｔｉｏｎレイヤーは、各時刻の隠れ状態ベクトルの変換処理を行い、変換後の隠れ状態ベクトルをＤｅｃｏｄｅｒに渡す。Ｄｅｃｏｄｅｒは、Ａｔｔｅｎｔｉｏｎレイヤーから入力された各時刻の隠れ状態ベクトルと、Ｄｅｃｏｄｅｒの隠れ状態ベクトルとを結合して変換し、該学習状況データに対応するコメント（例えば、「もっと頑張って。」）を出力する。

【0095】

なお、アテンションモデルはコメント推定モデル１７６の一例であって、例えばサーバ１は、Ｓｅｑ２Ｓｅｑ等の他のニューラルネットワークをコメント推定モデル１７６として生成しても良い。また、コメント推定モデル１７６はニューラルネットワークに限定されず、例えば決定木、ランダムフォレスト、ＳＶＭなど、他の学習アルゴリズムに基づくモデルであっても良い。

【0096】

例えばサーバ１は、訓練データＤＢ１７２に蓄積された訓練データを用いて、コメント推定モデル１７６を生成する。訓練データは、学習者の時系列の学習状況データと、該学習状況データに対応するコメントとが対応付けられた組み合わせのデータである。訓練データは、学習者から収集された大量の学習状況データ及び学習状況データに対応する指導者のコメントに基づいて生成される。なお、訓練データは別途人手で作成されたデータであっても良い。

【0097】

サーバ１は、訓練用の時系列の学習状況データを入力データとしてコメント推定モデル１７６に入力し、出力層から該学習状況データに対応するコメントを推定した推定結果（出力データ）を取得する。サーバ１は、訓練データに含まれる正解の出力データと、コメント推定モデル１７６から出力された出力データとを比較し、両者が近似するように、中間層での演算に用いる重み等の各種パラメータを最適化する。

【0098】

これによりサーバ１は、コメント推定モデル１７６を生成する。サーバ１は、生成したコメント推定モデル１７６を学習モデル管理ＤＢ１７３に記憶する。本実施の形態においてサーバ１は、上記のコメント推定モデル１７６を用いて学習者の学習状況データに対するコメントの推定を行い、学習状況データに対し、該学習状況データに対応するコメントを推定した推定結果を出力する。

【0099】

また、学習者の性格タイプ毎にコメント推定モデル１７６を生成することができる。具体的には、サーバ１は、学習者の性格タイプごとに訓練データを訓練データＤＢ１７２から取得する。例えば、性格タイプＡのコメント推定モデル１７６を生成する場合、サーバ１は、「性格タイプＡ」である性格タイプに対応する訓練データを訓練データＤＢ１７２から複数抽出する。サーバ１は、抽出した訓練データを用いて性格タイプＡのコメント推定モデル１７６を生成する。

【0100】

図１６は、コメントの推定結果の表示画面の一例を示す説明図である。該画面は、学習状況データ表示欄１２ａ、生成ボタン１２ｂ及びコメント表示欄１２ｃを含む。学習状況データ表示欄１２ａは、学習者の学習状況データを表示する表示欄である。生成ボタン１２ｂは、コメントを生成（推定）するボタンである。コメント表示欄１２ｃは、生成されたコメントを表示する表示欄である。

【0101】

指導者端末３は、サーバ１から学習者の時系列の学習状況データを取得する。指導者端末３は、取得した学習状況データに基づいて、該時系列の学習状況データを示すグラフを生成する。なお、時系列の学習状況データを示すグラフはサーバ１側で生成されても良い。指導者端末３は、生成したグラフを学習状況データ表示欄１２ａに表示する。なお、なお、グラフの表示に関しては、図１０と同様であるため、説明を省略する。

【0102】

指導者端末３は、生成ボタン１２ｂのタッチ操作を受け付けた場合、時系列の学習状況データをサーバ１に送信する。サーバ１は、指導者端末３から送信された時系列の学習状況データをコメント推定モデル１７６に入力して、該学習状況データに対応する指導者のコメントを出力する。サーバ１は、出力した指導者のコメントを指導者端末３に送信する。指導者端末３は、サーバ１から送信された指導者のコメントを受信してコメント表示欄１２ｃに表示する。

【0103】

図１７は、コメントの生成処理を行う際の処理手順を示すフローチャートである。サーバ１の制御部１１は、学習者の時系列の学習状況データを取得する（ステップＳ１３１）。例えば、制御部１１は、学習者の学習状況データを通信部１３により学習者端末２から取得しても良い。または、学習者がＥラーニングシステムを利用した場合、制御部１１は、Ｅラーニングシステムに記憶された該学習者の学習状況データを取得しても良い。

【0104】

制御部１１は、学習者ＩＤと、取得した時系列の学習状況データとを通信部１３により指導者端末３に送信する（ステップＳ１３２）。指導者端末３の制御部３１は、サーバ１から送信された学習者ＩＤ及び学習状況データを通信部３３により受信する（ステップＳ３３１）。制御部３１は、受信した学習者ＩＤ及び学習状況データを表示部３５により表示する（ステップＳ３３２）。

【0105】

制御部３１は、受信した学習状況データに対応するコメントの生成操作を入力部３４により受け付けた場合（ステップＳ３３３）、コメントの生成リクエストを通信部３３によりサーバ１に送信する（ステップＳ３３４）。例えば、制御部３１は、コメントを生成するためのボタンのタッチ操作を入力部３４により受け付けた場合、コメントの生成リクエストを生成する。生成リクエストには、学習者ＩＤ及び時系列の学習状況データが含まれる。制御部３１は、生成したコメントの生成リクエストを通信部３３によりサーバ１に送信する。

【0106】

サーバ１の制御部１１は、指導者端末３から送信されたコメントの生成リクエストを通信部１３により受信する（ステップＳ１３３）。制御部１１は、受信した生成リクエストに含まれた学習者ＩＤに基づいて、学習者の性格タイプを大容量記憶部１７の学習者ＤＢ１７４から取得する（ステップＳ１３４）。制御部１１は、取得した性格タイプに基づいてコメント推定モデル１７６を特定する（ステップＳ１３５）。具体的には、制御部１１は、取得した性格タイプに基づいて、該当するコメント推定モデル１７６を大容量記憶部１７の学習モデル管理ＤＢ１７３から取得して特定する。

【0107】

制御部１１は、特定したコメント推定モデル１７６に、受信した生成リクエストに含まれた時系列の学習状況データを入力して、該学習状況データに対応する指導者のコメントを生成（推定）する（ステップＳ１３６）。制御部１１は、生成した指導者のコメントを通信部１３により指導者端末３に送信する（ステップＳ１３７）。指導者端末３の制御部３１は、サーバ１から送信された指導者のコメントを通信部３３により受信する（ステップＳ３３５）。制御部３１は、受信した指導者のコメントを表示部３５により表示し（ステップＳ３３６）、処理を終了する。

【0108】

本実施形態によると、学習者の時系列の学習状況データに基づき、コメント推定モデル１７６を用いて、該学習状況データに対応する指導者のコメントを生成することが可能となる。

【0109】

本実施形態によると、学習者の性格タイプ毎にコメント推定モデル１７６を作成することにより、性格タイプ毎に指導者のコメントを推定するため、適切なコメントの作成に役立つことが可能となる。

【0110】

本実施形態によると、学習状況データに対する複数のコメントの中の修正すべきコメントを出力することにより、適切なコメントの作成に役立つことが可能となる。

【0111】

本実施形態によると、指導者のコメントを自動的に生成することにより、指導者の作業負担を大幅に減ることが可能となる。

【0112】

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0113】

１ 情報処理装置（サーバ）
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 読取部
１７ 大容量記憶部
１７１ 妥当性推定モデル（第１学習モデル）
１７２ 訓練データＤＢ
１７３ 学習モデル管理ＤＢ
１７４ 学習者ＤＢ
１７５ コメントＤＢ
１７６ コメント推定モデル（第２学習モデル）
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
１Ｐ 制御プログラム
２ 情報処理端末（学習者端末）
２１ 制御部
２２ 記憶部
２３ 通信部
２４ 入力部
２５ 表示部
２Ｐ 制御プログラム
３ 情報処理端末（指導者端末）
３１ 制御部
３２ 記憶部
３３ 通信部
３４ 入力部
３５ 表示部
３Ｐ 制御プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】