Nothing Special   »   [go: up one dir, main page]

JP2021507416A - ユーザ固有ユーザインターフェースの生成 - Google Patents

ユーザ固有ユーザインターフェースの生成 Download PDF

Info

Publication number
JP2021507416A
JP2021507416A JP2020534445A JP2020534445A JP2021507416A JP 2021507416 A JP2021507416 A JP 2021507416A JP 2020534445 A JP2020534445 A JP 2020534445A JP 2020534445 A JP2020534445 A JP 2020534445A JP 2021507416 A JP2021507416 A JP 2021507416A
Authority
JP
Japan
Prior art keywords
user
task
model
reliability
user interface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020534445A
Other languages
English (en)
Other versions
JP7343504B2 (ja
Inventor
クン・ユ
シュロモ・ベルコフスキー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commonwealth Scientific and Industrial Research Organization CSIRO
Original Assignee
Commonwealth Scientific and Industrial Research Organization CSIRO
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2017905135A external-priority patent/AU2017905135A0/en
Application filed by Commonwealth Scientific and Industrial Research Organization CSIRO filed Critical Commonwealth Scientific and Industrial Research Organization CSIRO
Publication of JP2021507416A publication Critical patent/JP2021507416A/ja
Application granted granted Critical
Publication of JP7343504B2 publication Critical patent/JP7343504B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/38—Creation or generation of source code for implementing user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0257—User requested
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本開示は概して、ユーザ固有ユーザインターフェースの生成に関する。具体的には、ユーザ固有ユーザインターフェースを生成する(612)ためのコンピュータ実装方法(600)が提供される。方法(600)は、学習フェーズおよび実行フェーズを含む。学習フェーズは、1つまたは複数のあらかじめ定義されたタスクをユーザに提示するステップであって、あらかじめ定義されたタスクは、あらかじめ定義されたタスク特徴を含む(602)ステップと、あらかじめ定義されたタスクをユーザが完了する間、ユーザ対話特徴をキャプチャする(604)ステップと、1つまたは複数のあらかじめ定義されたタスクに対する、ユーザによる決定を示すユーザ決定入力をキャプチャする(606)ステップと、あらかじめ定義されたタスク特徴と、ユーザ対話特徴と、ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを作成する(608)ステップとを含む。実行フェーズは、現在のタスク特徴におけるユーザ固有信用モデルを査定する(610)ステップと、現在のタスク特徴におけるユーザ固有信用モデルを査定したことに基づいて、ユーザインターフェース要素をユーザインターフェース中に選択的に含め、そうすることによって、ユーザ固有ユーザインターフェースを生成する(612)ステップとを含む。

Description

関連出願の相互参照
本出願は、その内容全体が参照により本明細書に組み込まれる、2017年12月21日に出願されたオーストラリア仮特許出願第2017905135号からの優先権を主張する。
本開示は、ユーザ固有ユーザインターフェースを生成するための、コンピュータ実装方法、ソフトウェア、デバイスおよびシステムに関する。
モバイルフォンおよびパーソナルコンピュータ、ならびにマシンを含むデバイスなどのコンピュータシステムにおけるユーザインターフェースはますます複雑になる。同時に、これらのシステムのユーザは、これらのデバイスをどのように使うかが、大きく異なる。その結果、一部のユーザにとって有用なユーザインターフェースは、他のユーザには有用でない。これは、ユーザ満足度の低下と、最適でない意思決定とにつながる。
本明細書に含まれている文書、作用、材料、デバイス、物品などのいかなる考察も、これらの事物のいずれかまたはすべてが、先行技術基準の一部を形成するか、または添付の特許請求の範囲の各々の優先日前に存在していたという理由から本開示に関連する分野における共通の一般知識であったということを認めるものと解釈すべきでない。
S.B. Kotsiantis、Supervised Machine Learning: A Review of Classification Techniques, Informatica 31(2007) 249-268、2007
ユーザ固有ユーザインターフェースを生成するための方法が提供される。この方法は、各ユーザ向けに個々にトレーニングされるとともに、その特定のユーザが、ユーザインターフェースの異なる機能性または特徴にどのように信用を置いているかを記述するモデルを使う。したがって、ユーザが信用する機能性のみをユーザに提供することが可能である。
本明細書においてユーザインターフェースへの言及が行われるとき、これは、コンピュータスクリーン上に表示されるグラフィカルユーザインターフェースに限定されるのではなく、ラジオボタンおよびスイッチなどのハードウェアコントロールを備える物理的ユーザインターフェースも包含する。
ユーザ固有ユーザインターフェースを生成するための方法は、
1つまたは複数のあらかじめ定義されたタスクをユーザに提示するステップであって、あらかじめ定義されたタスクは、あらかじめ定義されたタスク特徴を含む、ステップと、
あらかじめ定義されたタスクをユーザが完了する間、ユーザ対話特徴をキャプチャするステップと、
1つまたは複数のあらかじめ定義されたタスクに対する、ユーザによる決定を示すユーザ決定入力をキャプチャするステップと、
あらかじめ定義されたタスク特徴と、ユーザ対話特徴と、ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを作成するステップとを含む学習フェーズと、
現在のタスク特徴におけるユーザ固有信用モデルを査定するステップと、
現在のタスク特徴におけるユーザ固有信用モデルを査定したことに基づいて、ユーザインターフェース要素をユーザインターフェース中に選択的に含め、そうすることによって、ユーザ固有ユーザインターフェースを生成するステップとを含む実行フェーズとを含む。
ユーザインターフェースは、
グラフィカルユーザインターフェース、
マシンまたはデバイスユーザインターフェース、および
オンラインショップインターフェースのうちの1つまたは複数を含み得る。
ユーザインターフェース要素は販売品であってよい。
ユーザインターフェース要素は、オプションまたはコントロールであってよい。
ユーザの決定を予測するコンピュータ実装方法は、
ユーザによって実施される第1のタスクに関連付けられた第1のタスクデータを受信するステップと、
第1のタスクデータに基づいて信頼性レベルを判断するステップと、
信頼性レベルに基づいて、ユーザ用の信頼性モデルを判断するステップと、
ユーザによって実施される第2のタスクに関連付けられた第2のタスクデータを受信するステップと、
信頼性モデルおよび第2のタスクデータに基づいて、ユーザの決定を予測するステップとを含む。
人間とマシン(または人間とシステム)の信用は、人々がインテリジェントシステムと連携する仕方に影響する際に、重要な役割を果たし、すなわち、人間によって置かれる適切な信用は、人間とシステムの協力に有益であり、人間の労力を省き、協力の実施を向上するが、適切でない信用、たとえば、ユーザが、保証されるよりもシステムを信用するか、または信頼できるシステムを信用しないことは、不適切なシステム使用またはタスク失敗にさえもつながり得る。この方法の利点は、信用の較正、およびデバイスが特定のユーザの信用を得ることができるかどうか、ならびに/または何らかの情報もしくはサービスが特定のユーザの信用プロファイルに適しているかを決定するための、信用モデルの適用である。直接的影響は、情報配信機構が、異なるユーザのニーズに適合するようにカスタマイズされ得ることである。所与のユーザに対して、信用プロファイルに基づいて、使用決定が予測することができ、これは、人間がコンピュータと対話するやり方を拡張するための有用なツールであり得、すなわち、決定実行効率が、自動的に大きく改善され得る。これは、ユーザの信用を定量化し、異なるユーザの信用レベルの品質比較により、どの特徴が、ユーザの、ある特定のカテゴリの信用を強化するかについて、設計者が正確な決定を行うことができるという点で、製品設計を容易にする。
第2のタスクデータは、デバイスに関連付けられ得る。
ユーザの予測は、デバイスを制御するためのユーザの決定を予測することを含み得る。
コンピュータ実装方法は、第1のタスクデータに基づいて、第1のユーザ決定データを判断するステップをさらに含み得る。
コンピュータ実装方法は、第1のタスクデータに基づいて、ユーザ行動データを判断するステップをさらに含み得る。
信頼性モデルを判断することは、第1のタスクデータ、信頼性レベル、第1のユーザ決定データおよびユーザ行動データに基づき得る。
コンピュータ実装方法は、信頼性レベルを予測するステップをさらに含み得る。
コンピュータ実装方法は、ユーザマシン性能を予測するステップをさらに含み得る。
コンピュータシステムの出力は、
ユーザの予測される決定、
信頼性レベル、および
ユーザマシン性能のうちの1つまたは複数に基づいて変更され得る。
コンピュータシステムの出力を変更することは、情報の流れを管理するようにユーザインターフェースを変更することを含み得る。
ユーザ用の信頼性モデルは、教師あり機械学習方法によって構築され得る。
教師あり機械学習方法は、人工ニューラルネットワークであってよい。
信頼性モデルへの入力は、
標準タスクのセット用のタスクパラメータ、
第1のタスクデータに基づくユーザ行動、
第1のタスクデータに基づくユーザ決定、および
第1のタスクデータに基づく信頼性レベルのうちの1つまたは複数を含み得る。
標準タスクのセット用のタスクパラメータは、
カテゴリ、
難易度、および
提示のうちの1つまたは複数を含み得る。
コンピュータ実装方法は、ユーザの生理学的信号を表すデータを受信するステップをさらに含んでよく、ユーザ行動は、生理学的信号を含む。
第1のタスクデータに基づくユーザ決定は、
yes、
no、および
多分を含み得る。
信頼性レベルは、
比較的高い、および
比較的低い、を含み得る。
マシン可読命令であるソフトウェアは、コンピュータシステムによって実施されると、コンピュータシステムに上記方法を実施させる。
ユーザの決定を予測するためのコンピュータシステムは、
ユーザによって実施される第1のタスクに関連付けられた第1のタスクデータを受信し、
第1のタスクデータに基づいて信頼性レベルを判断し、
信頼性レベルに基づいて、ユーザ用の信頼性モデルを判断し、
ユーザによって実施される第2のタスクに関連付けられた第2のタスクデータを受信し、
信頼性モデルおよび第2のタスクデータに基づいて、ユーザの決定を予測するためのプロセッサを備える。
学習フェーズは、あらかじめ定義されたタスク特徴から重要特徴を判断するステップと、重要特徴と、ユーザ対話特徴と、ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを作成するステップとをさらに含む。
1つまたは複数のあらかじめ定義されたタスクは、第1のユーザインターフェースを通してユーザに提示され、現在のタスク特徴は、第2のユーザインターフェースを通して提供される。
第1のユーザインターフェースは、第2のユーザインターフェースとは異なる。
第1のインターフェースは第1のデバイスに関連付けられ、第2のインターフェースは第2のデバイスに関連付けられ、第1のデバイスは第2のデバイスとは異なる。
本明細書を通して、「備える、含む(comprise)」という単語、または「comprises」または「comprising」などの変化形は、記述する要素、整数もしくはステップ、または要素、整数もしくはステップのグループの包含を含意するのであって、どの他の要素、整数もしくはステップ、または要素、整数もしくはステップのグループの除外も含意するのではないものと理解されることとする。
次に、添付の図面を参照して、例が記載される。
ユーザの決定を予測するための方法を実装するシステムの例示的な概観を示す図である。 図1の例を拡張し、新たな例示的システムおよび情報フローを示す図である。 システムが提供する選択肢を示す図である。 異なるレイヤのモデル構築および査定を示す図である。 例示的決定木を示す図である。 ユーザ固有ユーザインターフェースを生成するための方法を示す図である。
本開示は、ユーザ固有適応型システムを生成するための方法を提供し、その考え方は、各ユーザ用の信用モデルを判断することに基づくユーザインターフェース適応の以下の例により解釈される。この記述全体を通して、信用性は、信頼性と一緒に、互いの同義語として使われる。信用は、信用し合っている関係のユーザ側を指す場合があり、信用性は、信用されるというシステム側特性を示す場合がある。本開示は最初に、信頼性の較正(すなわち、信用性)について記述し、次いで、信用ベースのユーザ適応型システムの例として、ユーザ固有ユーザインターフェースを生成するための方法について記述する。
信用がインターフェースのみに限らず、システムのいくつかの機能、モジュールまたはパラメータも信用をもたらし得る対話システムも提供される。
以下の開示は、信頼性の較正(すなわち、トレーニング)および信頼性モデルの適用について記載する。信頼性モデルは、デバイスが信頼できると判断されるかどうかを決定するのに使うことができ、または信用モデルとして使うことができる。所与のユーザについて、ユーザ決定は信頼性モデルに基づいて予測することができ、コンピュータによって実施されるすべてのタスクが、他のタスクと同程度に信頼できるわけではないので、信頼性モデルは、人間がコンピュータと対話するやり方を拡張するための有用なツールであり得る。このように、決定実行は自動化されてよく、効率性が向上され得る。
図1は、ユーザの決定を予測するための方法を実装するシステムの例示的な概観を示す。この方法は、ユーザによって実施される第1のタスクに関連付けられた第1のタスクデータを受信するステップと、第1のタスクデータに基づいて信頼性レベルを判断するステップと、信頼性レベルに基づいて、ユーザ用の信頼性モデルを判断するステップと、ユーザによって実施される第2のタスクに関連付けられた第2のタスクデータを受信するステップと、信頼性モデルおよび第2のタスクデータに基づいて、ユーザの決定を予測するステップとを含む。
この例では、ユーザ102は、カスタマイズされた自動化システム110と対話している。システム110は、マウス104、ディスプレイ106、およびビデオキャプチャデバイス108を備える。ユーザは、システム110と通信する、心拍数を測定するデバイス103を装着している。
この例では、ユーザ102は、自分自身の情報をシステム110に登録する。この情報は、質問表120を使って収集することができ、質問は、ユーザが好む対話法、ユーザのデバイス使用習慣、および同様の行動特徴を対象とし得る。質問は、履歴対話データにも基づいてよい。
システム110は、122において、ユーザによって行われる決定など、ユーザの対話行動を追跡し、124において、ガルバニック皮膚反応(GSR)、脳波記録(EEG)、および眼球追跡信号など、ユーザのバイオメトリックデータを測定する。システム110は、(たとえば、質問表を再度使用することによって)ユーザの自己報告信用または確信レベル126についての情報も収集する。
システム110は次いで、データを外部サーバ112に通信する。サーバ112は次いで、ユーザの対話に基づいて、ユーザの信頼性レベル130を判断する。サーバ112は次いで、ユーザ用の信頼性モデル132も判断する。サーバ112は、自動化システム110の正確さ、信頼性および提示の方法を含む、システム110のパラメータを監視する。自動化システム110は、信頼性モデルをトレーニングするために使われ、その間、信頼性モデルトレーニングにとって重大な特徴が判断される。再度、同じプロセスが、サーバ112によって、信用モデルをトレーニングするのに使われてよい。
ユーザが、新たなシステムと対話するとき、新たなシステムのパラメータは、信用モデルによって選択された特徴と一緒に、信頼性モデルにおいて組み合わされ、処理される。モデルは、ユーザの信頼性レベルを算出し、ユーザの決定パターンを予測する。
信用モデルの出力は、制御モジュールの入力であり得る。図1のこの例では、自動化システムは、システム110へ150において通信される予測ユーザ決定134によって制御される。これは、たとえば、人間とシステムの協力に有害と見なされる、低レベルの認知された信頼性が識別された場合に行われてよく、稼動モードの調節または自動化システム110の出力など、指定されたコマンドがトリガされ得る。さらなる例では、ユーザインターフェースが、ユーザの信用をユーザインターフェースまで拡大するユーザ固有ユーザインターフェースに調節される。コマンドは、ユーザの信頼性レベルを向上し、したがって人間とマシンの協力効率を保証することを目指し得る。
図2は、図1の例を拡張し、新たな例示的システム210および情報フローを示す。この例では、図1の例において構築された信頼性モデル160は、図1でのように、システムにとって外部であるよりもむしろ、システムの一部であり、ユーザ102向けに買物経験をカスタマイズすることについての情報を、システムに提供する。この例では、第2のタスクユーザ102は、自宅用に新しいジューサーを購入することを考えている。ユーザ102は、家電、ブレンダーおよび機械ジューサーに詳しいが、以前に電気ジューサーを使ったことはない。
ユーザ102は、いくつかの電気デバイスを操作するように依頼され、ユーザの生理学的特徴が測定される。システム200は、いくつかの生理学的測定値を使用して、ユーザ202の決定を予測する。図1の例示的システムでのように、心拍数モニタ203、マウス204、ディスプレイ206およびビデオキャプチャデバイス208がある。ビデオキャプチャデバイス208は、ユーザの視覚的行動を追跡するのに使うことができ、頭の動きを監視し、眼の動作を追跡し、手の動きを監視することを含み得る。
システム210は、生理学的特徴120を測定するためのいくつかのモジュールを有し、それらは、手の動きを測定するためのモジュール224'、眼の動きを測定するためのモジュール224''、心拍数を測定するためのモジュール224'''および呼吸数を測定するためのモジュール224''''を含む。
システム210は、ユーザのオンラインショッピング興味および信頼性プロファイルに基づいて質問表を用意する。例示的な質問表が、以下のように示される。
Figure 2021507416
この例では、ユーザは、1つのカテゴリ、すなわち家電を選択している。応答して、システム210は、次の質問が以下のようになると判断する。
Figure 2021507416
システム210は、1つの特定の項目がユーザ向けに判断されるまで、同様の厳選された質問を生成すればよい。この例では、システムは、ユーザが電気ジューサーに興味があると判断するために、十分に絞り込み型の質問を生成している。
ユーザが電気ジューサーに興味があると判断されると、システム210は、232において、電気ジューサーの認知された信頼性を予測する信頼性モデル160を判断することができる。
Figure 2021507416
この例では、システムは、ユーザのバイオメトリックデータ224を測定する。ユーザ102が、製品を比較するためにそれぞれのウェブサイトをチェックするとき、ユーザの眼およびマウスの動きが、タイムスタンプとともにキャプチャされる。この例では、ガルバニック皮膚反応(GSR)信号が、ユーザが腕に着けているバンド203を使って、比較プロセスを通してすべて収集される。
この例では、ユーザ102のマウス204カーソルは、ウェブページの製品記述部にとどまっており、同時に、ユーザの視界はジューサーのモーター電力に焦点が合っている。ユーザ102は、モーター電力が2000ワットよりも低いジューサーには多くの時間を費やさない。ユーザは、他の顧客からの、製品のレビューをチェックしに戻るが、眼球追跡に基づき、ユーザは否定的レビューに興味があるだけであり、それらの各々には5秒よりも費やす。ユーザは、ジューサーの保証もチェックするが、ウェブページを素早くスクロールし、すべての4つのジューサーについての保証情報をチェックするわけではない。
システムは、ユーザ対話データ222を追跡し、収集する。この例では、以下の決定および実績が収集される。
ユーザが最大時間を費やしたジューサー、
ユーザが最小時間を費やしたジューサー、および
上述したような、ジューサーについてのそれぞれの評価。
この例でのように、システムは、製品についての情報を記憶し、収集し、または照会する。たとえば、システム210は、各ジューサーについてのレビューを記憶し、したがって、ユーザが、最も肯定的なレビューをもつジューサーに最大時間を費やしていることが立証され得る。同様に、システム210は、各ジューサーの電力についてのデータを記憶し、したがって、ユーザは、最も少ない電力をもつジューサーにはより少ない時間を費やしていることが立証され得る。システム210自体は、データを記憶する必要がなく、関連データは、インターネットなどの通信ネットワークを介してサードパーティデータソースから照会されればよい。
図3は、ユーザ報告情報220、対話行動222、バイオメトリックデータ224および信頼性レベル226に基づいてシステムが提供する選択肢を示す。図3の例では、第1のジューサー302が強力であり、最も肯定的なレビューを有する。第2のジューサー304は最も強力であるが、より肯定的でないレビューを有する。第3のジューサー306は強力であるが、最も否定的なレビューを有する。第4のジューサー308は最も強力でなく、2番目に否定的なレビューを有する。ユーザ102は、ジューサー308が十分に強力でないので、それには非常にわずかな時間を費やす。ユーザ102は、かなりの量の時間をジューサー306に費やすが、ジューサーの否定的レビューによって悪影響を受けると思われる。
さらなる詳細
信用
人間とマシンの対話におけるユーザ信用を表すために、様々な定義が提案され得る。1つの定義は、「信用は、不確実性および脆弱性を特徴とする状況において、エージェントが、個人の目標を達成するのを助ける姿勢として定義され得る」ところである。
人間自動化信用は、3つのレイヤの変動性、すなわち、属性的信用、状況的信用および学習型信用で記述され得る。
属性的信用は、マシンを信用する、ユーザの生来の傾向を反映し、文化的、人口統計学的、およびパーソナリティ要因を包含する。
状況的信用は、実施されるべきタスク、システムの複雑さおよびタイプ、ユーザの作業負荷、認知されたリスクおよび利益、ならびにそれどころか雰囲気など、より具体的な要因を指す。
学習型信用は、システム自体に直接関連した構成の経験的側面をカプセル化する。この変数は、2つの成分にさらに分解される。1つは、初期学習型信用であり、評判またはブランド認識など、対話の前に獲得される、システムの任意の知識からなる。学習された信用のこの初期状態は次いで、動的学習型信用によって影響され、この信用は、ユーザがシステムと対話し、信頼性、予測可能性、および有用性など、システムの性能特性の経験的知識を発展させ始めると、発展する。
本開示では、システムは、ユーザの応答、行動ならびに生理学的およびバイオメトリック測定値に基づいて、信用の客観的測定値を生成する。つまり、本開示におけるシステムは、個々のユーザの主観的信用の判断よりもむしろ、信用の客観的測定値を使用する。この区別は重要であり、というのは、システムは、ユーザの主観的信用についての予測を行うことを提案せず、むしろ、システムは、客観的な測定された信用についての予測を行うだけであり、これは、客観的に測定された信用がユーザに対する主観的信用と等しくない場合、予測における違いを大幅にもたらし得るからである。この意味において、本開示は、ユーザの信用の客観的測定値を意味するための信頼性という用語に言及する。信用の判断は、技術的システムの物理パラメータを監視することに類似した技術的プロセスになることに留意されたい。
信頼性モデルの構築
信頼性モデルは、行動およびタスクコンテキストに基づいてユーザの決定を予測するのに使うことができる。生理学的測定値の各々が、信頼性モデルへの入力になる。ユーザ決定は、これらの測定値に基づいて予測され得る。
図4は、異なるレイヤのモデル構築および査定を示す。入力特徴のセット402があり、これは、ユーザがユーザインターフェースと対話する間に測定される。次いで、特徴抽出レイヤ404があり、これは、測定されたデータを、モデルのパラメータとして使われ得る特徴に変換する。未加工測定値は、単一の数値特徴にコンバートされ得る。たとえば、サーバ112は、眼の動きを分析して、まばたきを検出し、1分当たりのまばたきの瞬目率を数値として算出し、これは、機械学習方法において、モデルを作成するのに使われ得る。モデル構築406サーバ112は、入力特徴402と、ユーザによって行われる測定された決定(または出力特徴)との間の関係をモデルが最も正確に表すことができるように、1つまたは複数のモデルを構築する。図4では、最終的ユーザ決定も、405に示される特徴抽出レベル404に示されている。
サーバ112がモデルを構築すると、サーバ112は、モデルパラメータ406を算出することによってモデルをトレーニングする。一般論として、モデルとは、入力に基づいて出力を推定するための数学的規則である。数学的規則は、入力の加重和の重みなど、いくつかのパラメータを含む。トレーニング中、サーバ112は、入力および出力特徴値を与えるトレーニングサンプルを検討し、モデルによって算出された出力が、トレーニングサンプルの中の実際に観察される出力と可能な限り近くなるように、モデルパラメータを調整する。基本的に、これは、モデル出力と観察される出力との間の違いがすべての学習サンプルにわたって最小限にされるような内部パラメータを算出することを伴う。最終的に、モデルは、出力408〜410を算出するように査定され得る。これは、ユーザがまだ現在のユーザインターフェースと対話していないので、出力がわからない現在の入力特徴値を与えることを意味する。モデルを使って、サーバ112は、ユーザがユーザインターフェースと対話することによって出力を与える前に出力を予測することができる。
一例として、以下の行動信号が抽出され得る。
マウスの動き、ボタンのクリックおよびマウススクローラのスクロール、
眼の動き、および視野の焦点、
タイムスタンプにより、マウスおよび眼の動作と整合されたGSR信号。
システム210は、マウスの動き速度、マウスポーズ時間、マウスポーズロケーション、およびマウススクロール速度を含む、マウス入力のいくつかの特徴を追跡することができる。同様に、システムは、瞳孔固定内容、瞳孔固定時間、および瞬目を含む、ユーザの眼についてのいくつかの特徴を追跡することができる。
以下を含む行動および生理学的特徴が抽出され得る。
GSR信号ピーク、
GSR信号の谷間、
GSRピーク間距離、および
GSR立上り時間。
以下を含む信用関連特徴が抽出され得る。
信用される内容、
信用されない内容。
対応する信用関連応答は、以下を含む。
機能に対する信用評価、
透明性に対する信用、
評判に対する信用、
社会的認識に対する信用、
最終的ユーザ決定。
上で言及した学習サンプルは、ユーザ対話中に測定されたデータならびにユーザインターフェースを通して提供される、現在のタスクからの特徴を含む。データは、
{x,Y)=(x_{1},x_{2},x_{3},...,x_{k},Y)}
という形で記録されてよく、上式で、xは入力変数(入力特徴)であり、Yはユーザ決定(ラベル)である。したがって、入力特徴値(x1、x2、x3、x4)のベクトルが、所与のタスク向けの入力変数から構築され得る。
図4に示すように、信頼性モデルは、他の手法の中でも、決定木学習モデル、もしくはランダムフォレスト、ニューラルネットワークまたはサポートベクトルマシンなどを使用して構築され得る。一般に、モデルは、決定木学習方法が一例である教師あり機械学習方法を使用して構築されるものである。決定木とは、例を分類するための単純表現である。決定木は、項目についての観察を、項目についての結論(および予測)にするのに使うことができるので、予測モデルとして有用である。本開示では、信頼性モデルの好ましい実装形態は、信用を入力としてとるとともに、特定の項目またはシステムによって実施されるアクションに関連付けられたユーザの信用についての予測を行う特有の形の決定木を使用する。ID3(Iterative Dichotomiser 3)およびC4.5ツリー生成アルゴリズムにおいて使われる情報利得などのツリー構築方法が使われ得る。
C4.5は、情報エントロピーの概念を使って、ID3と同じやり方で、トレーニングデータのセットから決定木を構築する。トレーニングデータは、すでに分類されているサンプルの集合S=s1,s2,...である。各サンプルs1は、p次元ベクトル(x1,i,x2,i,...,xp,i)からなり、ここでxjは、サンプルの属性値または特徴、ならびにsiが入るクラスを表す。
ツリーの各ノードにおいて、C4.5は、そのサンプル集合を、一方のクラスまたは他方のクラスにおいて強化された部分集合に最も効果的に分割するデータの属性を選ぶ。分割基準は、正規化された情報利得(エントロピーの違い)である。最も高い正規化情報利得をもつ属性が、決定を行うために選ばれる。C4.5アルゴリズムは次いで、小さい方の部分集合に対して循環する。
このアルゴリズムは、いくつかの基本事例を有する。
・リスト中のサンプルはすべて、同じクラスに属す。これが起こると、決定木用のリーフノードを単に作成し、そのクラスを選ばせる。
・特徴のうちのどれも、いかなる情報利得ももたらさない。この場合、C4.5は、クラスの期待値を使って、ツリーの中でより高い決定ノードを作成する。
・以前見られなかったクラスのインスタンスに遭遇する。再度、C4.5は、期待値を使って、ツリーの中でより高い決定ノードを作成する。
擬似コード中で、決定木を組み立てるための一般アルゴリズムは、以下のようになる。
1)上記基本事例をチェックする。
2)各属性aについて、aにおける分裂から、正規化された情報利得比を見つける。
3)a_bestを、最も高い正規化情報利得をもつ属性とする。
4)a_bestにおいて分裂する決定ノードを作成する。
5)a_bestにおいて分裂することによって取得された部分集合に対して循環し、それらのノードを、ノードの子として追加する。
それ以上の詳細は、S.B. Kotsiantis、Supervised Machine Learning: A Review of Classification Techniques, Informatica 31(2007) 249-268、2007において見ることができ、これは、参照により本明細書に含まれ、http://www.rulequest.com/において入手可能である。
信頼性モデルは、人工ニューラルネットワークとして実装されるか、または他の機械学習手法(サポートベクトルマシンなど)を使って構築されてもよい。ただし、決定木モデルを使うことには、いくつかの利益がある。特に、予測のための所与の状況がモデル中で容易に観察可能であることは有用であり、対照的に、人工ニューラルネットワークはしばしば、予測がどのように行われたか、および決定を行うための最も重要な特徴を理解するのが難しい。これは、ニューラルネットワークが、入力および出力レイヤの間のニューロンのいくつかのレイヤにいくつかの重みを割り当て、概して、最も重要な特徴に関して、重みが何を意味するかを確かめるのが簡単でないからである。
いくつかの実施形態では、予測を判断するために組み合わせることができる、決定木と、ニューラルネットワーク(および可能性としては他の手法)の組合せとしてモデルを実装することが可能である。このように使われて、ニューラルネットワークはたとえば、決定木へのデータの過剰適合、決定木モデルへの大幅な変更を生じ得る、トレーニングデータの変更に対抗するのに、またはモデルによって実施される予測の正確さを単に向上するのに有益であり得る。
図5は、入力データから構築されたユーザ向けの例示的決定木である。この例示的決定木は、例示目的のために簡略化されており、実際には、決定木は大幅に複雑な場合がある。この例では、ユーザの予測される決定である、単一の目標出力結果がある。決定木とは、各内部(非リーフ)ノードが入力特徴で標示されるツリーである。入力特徴で標示されたノードから生じる端部は、ユーザ決定の可能値の各々で標示され、または端部は、異なる入力特徴における従属決定ノードにつながる。
この例では、ツリー中の第1の要素は、入力変数「ユーザが自動設定を変更するか?」である。この入力は、タスクデータから測定されるか、またはユーザの視覚的監視と組み合わされてよい。第1の質問への回答がyesである場合、次のステップは、ユーザの眼の動きを判断することである。ユーザの眼の動きが比較的安定している場合、予測される決定は、ユーザがオーブンを購入することである。ユーザの眼の動きが素早く変わっている場合、予測される決定は「購入しない」である。
ユーザが自動設定を変更しない場合、次の問合せは、ユーザの心拍数がどうであるかを判断することである。ユーザの心拍数が1分当たり90回の拍動(90bpm)を超える場合、予測される出力結果は「購入しない」である。ユーザの心拍数が90以下の場合、予測される決定は「購入する」である。
上述した手順は、対応する信用応答をもつ信頼できる特徴集合が収集されるまで、何度か繰り返して執り行われる必要があり得る。
ユーザ決定予測のための信用モデルを構築するために、信用する特徴がモデル、たとえば、対応するユーザ決定をもつサポートベクトルマシン(SVM)に供給される。典型的な教師ありモデルトレーニング手順が執り行われ、信用モデルが構築され得る。
信頼性モデルの出力
いくつかの出力が本明細書に記載されたが、他の出力も可能である。これらは、予測される信頼性または信用レベル、ユーザによる決定など、ユーザ対話の予測、予測されるユーザマシン性能を含む。出力は、特定のアクションを実施するように、またはコンピュータシステムにおけるプログラムコマンドなどのコマンドを実行するように、マシンを制御するためのトリガなどの制御用トリガも含み得る。
予測
図1の信頼性モデル160は、入力としてのユーザ行動およびタスクパラメータと、出力としてのユーザ決定および信頼性レベルとの間の関係をモデル化する。したがって、システム110は、新規タスクのコンテキストにおいて、ユーザの行動について測定を行い、タスクパラメータと行動特徴の両方を信頼性モデルに入力することができる。新規タスクに対して、ユーザの行動およびタスクパラメータが入力として与えられると、信頼性モデルは、信頼性のユーザの知覚を予測または査定することができる。同様に、信頼性モデルは、同じ入力をもつユーザの決定、ならびに予測されるユーザマシン性能を予測することができる。
3タイプの予測があり得る。
予測される信頼性レベル、
予測される決定、および
予測される性能。
信頼性レベル
信頼性レベルは、どのようなタイプまたは特性の情報またはデバイスが、信頼性のユーザの測度に影響することが可能であり、どれができないかを識別するのを支援する。信頼性レベルは、製品設計、情報伝搬および使いやすさのために使われ得る。信頼性レベルは、ユーザの視点からの、デバイスまたは製品の信頼性の量的測度である。
予測される決定
予測される決定は、ユーザエクスペリエンスを合理化するようにユーザインターフェースを変更するのに使うことができる。たとえば、システム110が、リンクが信頼できないのでユーザがそのリンクをクリックしないと予測する場合、そのリンクは、ユーザに対して表示されないか、または隠されてよい。こうすることにより、ユーザの時間を節約し、ユーザのエクスペリエンスを向上することができる。
この意味において、および図6に示すように、コンピュータシステム210は、ユーザ固有ユーザインターフェースを生成するための方法600を実施する。この方法は、学習フェーズおよび実行フェーズを含む。学習フェーズにおいて、システム210は、602において、1つまたは複数のあらかじめ定義されたタスクをユーザに提示し、あらかじめ定義されたタスクは、あらかじめ定義されたタスク特徴を含む。タスクは、ユーザ行動に依存しないが、同じまたは同様の形で複数のユーザに与えられるという意味で、あらかじめ定義される。タスクは、質問表を完成し、(ブレンダーを選択する例について上述したように)製品を査定するタスクまたは他のタスクを含み得る。タスク特徴は、製品カテゴリおよび本明細書に記載される他の特徴など、タスクに関連したいかなる特徴も含み得る。システム210は次いで、あらかじめ定義されたタスクをユーザが完了する間、604において、本明細書に記載されるマウスの動き、眼の動きなどを含むユーザ対話特徴をキャプチャする。
システムはまた、606において、質問表の質問への回答または選択された製品など、1つまたは複数のあらかじめ定義されたタスクに対する、ユーザによる決定を示すユーザ決定入力をキャプチャする。システム210は次いで、608において、あらかじめ定義されたタスク特徴と、ユーザ対話特徴と、ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを構築し、トレーニングする。
次に、実行フェーズ中、システム210は、610において、現在のタスク特徴における作成されたユーザ固有信用モデルを査定し、これらの特徴は、ユーザが現在直面しているが、必ずしもあらかじめ定義されているわけではないタスクの特徴である。つまり、これらのタスクの出力結果はまだわかっていない。現在のタスク特徴におけるユーザ固有信用モデルを査定したことに基づいて、システム210は、612において、ユーザインターフェース要素をユーザインターフェース中に選択的に含め、そうすることによって、ユーザ固有ユーザインターフェースを生成する。たとえば、システム210は、この特定のユーザによって信用されるユーザインターフェース要素を含めるだけである。これは、信用されるこれらのユーザインターフェース特徴を有する特定の製品を提供することも含み得る。たとえば、異なるピザオーブンが、異なる制御を有してよく、システム210は、この特定のユーザ向けに、信用される制御を有するピザオーブンを示すだけである。
ユーザ用の信用モデルを構築するための初期ステップとして、ユーザには最初に、標準タスクが提示される。タスクのパラメータ、たとえばタスクの難しさ、および提示法が、異なるユーザ決定および主観的信用レベル(両方とも、質問表を使って収集され得る)を誘発するように操作され得る。同時に、ユーザ行動およびユーザ決定に関連した生理学的信号が記録される。ユーザ用の信用モデルを構築するための第2のステップとして、ユーザの行動、決定、信用レベルおよび対応するタスクパラメータが、教師あり機械学習方法でモデルをトレーニングするために一緒に使用されるが、決定木学習モデルは一例にすぎない。
ユーザ信用モデルは、ユーザ行動と、タスクパラメータと、その結果のユーザ決定および信用レベルとの間の関係を示すとき、以下の3つの意味で使用され得る。
・所与の新規タスク用に、ユーザの信用を査定するために、ユーザの行動およびタスクパラメータを入力としてとる、
・所与の新規タスク用に、ユーザの決定を予測するために、タスクパラメータを入力としてとる、
・所与の新規タスク用に、ユーザの実施を予測するために、ユーザの行動および/またはタスクパラメータを入力としてとる。
予測されるユーザマシン性能
信頼性モデルは、ユーザとマシンがチームとしてどのように対話または協調し得るかを予測するのに使うことができる。これは、信頼性モデルが、どのようなタイプのマシンエラーがユーザによって許容され得るかを確かめることができることを意味する。たとえば、飛行機を操縦するパイロットであるユーザは、テイクオフおよび着陸フェーズにおける自動操縦エラーを許容する場合があり、それは、パイロットが、その時点で航空機の完全制御を有し、自動操縦が、自動化のためではなく情報提供として使われるからである。一方、航空機が高い高度で巡航している間のどの自動操縦エラーも許容されず、それは、自動操縦が、航空機のかなりの制御を有するからである(ただし、必要な場合は依然として手動でオーバーライドされ得る)。
ユーザ信用モデル適用
構築されたモデルは、所与の特徴のうちのどれが、ユーザの信用レベルを差別化する際により有力であるかを判断することが可能である。つまり、モデルは、どの特徴がユーザの信用レベルに最も影響するかを判断するために検査され得る。その結果、モデルは、最も有効な特徴のセットを使って、たとえば、ユーザが興味をもつであろう所与のウェブサイトのセットについて、確度を有してユーザ決定を予測することが可能である。つまり、ユーザの操作が観察され得る場合、ユーザの最終的決定が予測され得る。
さらに、ユーザの行動特徴に基づいて、異なる製品に対する信用評価および嗜好を含む他の信用情報が予測され得る。さらなるステップは、ユーザにとってのみ興味対象である製品を薦めることであり、このとき、行動特徴は、信用される内容およびユーザが信用しない内容を判断し、したがって信用される内容のみを選択的にユーザに示すように、同様のモデルをトレーニングするのにも使うことができる。
図7は、本明細書で開示した方法を実施することが可能なコンピュータシステム700を示す。コンピュータシステム700は、バス704により、制御インターフェースデバイス710、ネットワークインターフェースデバイス712および眼球動作キャプチャインターフェースデバイス714に接続されたプロセッサ702を備える。バス704は、プロセッサ702をメモリ720にも接続し、メモリ720は、プロセッサ702に、本明細書で開示した方法を実施させるプログラムコードを記憶している。プログラムコードは、ユーザモジュール722、ネットワークモジュール724、バイオメトリクスモジュール726、モード構築モジュール727および制御モジュール728を備える。制御インターフェースデバイス710は、マウスカーソル動き検出器750、手の動きセンサー752、心拍数センサー754、体温センサー756および指湿気センサー758に接続される。アイキャプチャインターフェース714は、アイキャプチャデバイス760に接続される。
例
ユーザKは、新居用に新しいピザオーブンを買いたいが、これまでピザオーブンを使ってみたことがない。ユーザKは以前、多くの異なるタイプの電子レンジ、コンロ、電子レンジを使ったことがある。
どのピザオーブンを買うかを決定する難しさにより、信用関連セッションが、ユーザKの家において、ユーザKを助けるために執り行われる。ユーザKは、いくつかの選択された電気デバイスを操作し、デバイスの各機能をどの程度信用するかを評価するように依頼され、ユーザKの行動も、カメラで録画される。
特定の信用モデルが、どのような情報をユーザKが使ったか(たとえば、電子レンジの中の食べ物の色をチェックする)、どの程度ユーザKがデバイスを信用するか(リアルタイム調査に基づく)、ならびにユーザKの次の決定は何であるか(たとえば、自動機能をオーバーライドするか、または単に放置する)、および最終的出力結果(たとえば、食べ物の味)にどの程度満足したかに関する、収集されたデータに基づいて、ユーザK用に構築される。
どの所与のピザオーブンに対しても、その機能が、ユーザKの信用モデルにそれぞれ、および自動的にマップされ、したがって、機能の最適な組合せをもつピザオーブンが自動的にオンラインで見つかり、これは、ユーザKの最大限の信用を満たすことが期待される。
同様の技術が、ユーザKが、どのような種類のオンライン情報がユーザKにとって信用できるか(必ずしも、他者にとって信用できるわけではない)を見つけるのを助けるのに使われてよく、これは、ウェブブラウジングコンテキストでの別の信用モデルのトレーニングを必要とし得る。
利点
ユーザとサービス/情報/デバイスとの間の正確な一致
信用の較正、およびデバイスが特定のユーザの信用を得ることができるかどうか、何らかの情報またはサービスが特定のユーザの信用プロファイルに適しているかを決定するための、信用モデルの適用。直接的影響は、情報配信機構が、異なるユーザのニーズに適合するようにカスタマイズされ得ることである。
ユーザ決定容易化:
所与のユーザに対して、信用プロファイルに基づいて、使用決定はどうにかして予測することができ、これは潜在的に、人間がコンピュータと対話するやり方を拡張するための有用なツールであり得、すなわち、決定実行効率が、自動的に大きく改善され得る。
ユーザ信用定量化:
この技術は、ユーザの信用を定量化することを目指し、異なるユーザの信用レベルの品質比較により、どの特徴が、ユーザのある特定のカテゴリの信用を強化するかについて、設計者が正確な決定を行うことができるという点で、製品設計を容易にする。
アプリケーション
本明細書に記載される方法は、以下のアプリケーション用に使うことができる。
・ユーザ信用較正、信用モデル構築、信用測定およびユーザ決定/実績予測のための方法。
・信用モデル構築のためのフレームワークであって、重要な入力データは、ユーザの行動、ユーザが行った決定、タスクおよびコンテキストの特性、ならびにユーザの報告/観察された信用レベルを含む。
・所与のコンテキストにおける所与のタスクについて、どの程度の信用をユーザが所与の情報について、または協力パートナーに置き得るかを判断するのに、構築された信用モデルを使うための方法。
・所与のコンテキストにおける所与のタスクについて、検出された信用レベルに従って、どのような決定がユーザによって行われ得るかを予測するのに、構築された信用モデルを使うための方法。
・ユーザがマシンと団結するとき、チーム実績がどのようになるかを、獲得された信用知識に従って予測するのに、構築された信用モデルを使うための方法。
・オンライン情報にアクセスするときの、ユーザ向けの信用調査プラットフォーム:
現在のオンライン情報が、毎秒大量に作成および更新されるが、ユーザは、それらすべてを信用しなくてもよい。限られた時間が与えられると、ユーザは、オンラインコンテンツアクセスに費やす場合があり、本明細書において開示する方法は、ユーザによって信用される内容のみがユーザへ正しく送達されることを可能にする。
・サイバーセキュリティアプリケーションのための信用調査:
サイバーセキュリティは、信用が重要な構成要素である現在進行中の関心事である。開示する方法は、マルウェア、フィッシングeメールおよび他のフォーマットのサイバーセキュリティ攻撃にユーザが曝されるリスクを決定するための手段として、ユーザの信用レベルを測定する。
・ユーザ信用モデリングおよび定量化のための大規模データ収集:
ユーザの信用および意思決定手順の汎用モデルを構築するために、クラウドソーシングプラットフォーム、たとえばCrowdFlowerを使って、大規模のユーザデータを収集する。
・人間とマシンとの間の信用マッチング:
測定された信用レベルは、目標マシン、たとえば、特定のユーザについて、どのような種類の自動機械学習システム、オンライン探索システムのどの特性、またはどのようなカテゴリのマシンパートナーがユーザの信用プロファイルに合致し得るかにマッチングされてよい。
本開示の広い一般的範囲から逸脱することなく、上に記載した実施形態に対して、多数の変形および/または修正が行われてよいことが、当業者には諒解されよう。本実施形態は、したがって、すべての点において、例示的であって限定的ではないと見なされるべきである。
103 デバイス
104 マウス
106 ディスプレイ
108 ビデオキャプチャデバイス
110 自動化システム、システム
112 外部サーバ、サーバ
203 心拍数モニタ、バンド
204 マウス
206 ディスプレイ
208 ビデオキャプチャデバイス
210 システム
224' 手の動きを測定するためのモジュール
224'' 眼の動きを測定するためのモジュール
224''' 心拍数を測定するためのモジュール
224'''' 呼吸数を測定するためのモジュール
700 コンピュータシステム
702 プロセッサ
704 バス
710 制御インターフェースデバイス
712 ネットワークインターフェースデバイス
714 眼球動作キャプチャインターフェースデバイス、アイキャプチャインターフェース
720 メモリ
722 ユーザモジュール
724 ネットワークモジュール
726 バイオメトリクスモジュール
727 モード構築モジュール
728 制御モジュール
750 マウスカーソル動き検出器
752 手の動きセンサー
754 心拍数センサー
756 体温センサー
758 指湿気センサー
760 アイキャプチャデバイス

Claims (21)

  1. ユーザ固有ユーザインターフェースを生成するための方法であって、
    1つまたは複数のあらかじめ定義されたタスクをユーザに提示するステップであって、前記あらかじめ定義されたタスクは、あらかじめ定義されたタスク特徴を含む、ステップと、
    前記あらかじめ定義されたタスクを前記ユーザが完了する間、ユーザ対話特徴をキャプチャするステップと、
    前記1つまたは複数のあらかじめ定義されたタスクに対する、前記ユーザによる決定を示すユーザ決定入力をキャプチャするステップと、
    前記あらかじめ定義されたタスク特徴と、前記ユーザ対話特徴と、前記ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを作成するステップと
    を含む学習フェーズ、および
    現在のタスク特徴における前記ユーザ固有信用モデルを査定するステップと、
    前記現在のタスク特徴における前記ユーザ固有信用モデルを査定したことに基づいて、ユーザインターフェース要素を前記ユーザインターフェース中に選択的に含め、そうすることによって、ユーザ固有ユーザインターフェースを生成するステップと
    を含む実行フェーズ
    を含む方法。
  2. 前記学習フェーズは、前記あらかじめ定義されたタスク特徴から重要特徴を判断するステップと、前記重要特徴と、前記ユーザ対話特徴と、前記ユーザ決定入力との間の関係をモデル化するユーザ固有信用モデルを作成するステップをさらに含む、請求項1に記載の方法。
  3. 前記1つまたは複数のあらかじめ定義されたタスクは、第1のユーザインターフェースを通して前記ユーザに提示され、前記現在のタスク特徴は、第2のユーザインターフェースを通して提供される、請求項1または請求項2に記載の方法。
  4. 前記第1のユーザインターフェースは前記第2のユーザインターフェースとは異なる、請求項3に記載の方法。
  5. 前記第1のインターフェースは第1のデバイスに関連付けられ、前記第2のインターフェースは第2のデバイスに関連付けられ、前記第1のデバイスは前記第2のデバイスとは異なる、請求項3または請求項4に記載の方法。
  6. 前記ユーザインターフェースは、
    グラフィカルユーザインターフェース、
    マシンまたはデバイスユーザインターフェース、および
    オンラインショップインターフェースのうちの1つまたは複数を含む、請求項1から5のいずれか一項に記載の方法。
  7. 前記ユーザインターフェース要素は販売品である、請求項1から6のいずれか一項に記載の方法。
  8. 前記ユーザインターフェース要素はオプションまたはコントロールである、請求項1から7のいずれか一項に記載の方法。
  9. ユーザの決定を予測するコンピュータ実装方法であって、
    前記ユーザによって実施される第1のタスクに関連付けられた第1のタスクデータを受信するステップと、
    前記第1のタスクデータに基づいて信頼性レベルを判断するステップと、
    前記信頼性レベルに基づいて、前記ユーザ用の信頼性モデルを判断するステップと、
    前記ユーザによって実施される第2のタスクに関連付けられた第2のタスクデータを受信するステップと、
    前記信頼性モデルおよび前記第2のタスクデータに基づいて、前記ユーザの決定を予測するステップとを含むコンピュータ実装方法。
  10. 前記第2のタスクデータはデバイスに関連付けられる、請求項9に記載のコンピュータ実装方法。
  11. 前記ユーザの前記予測は、前記デバイスを制御するための前記ユーザの決定を予測することを含む、請求項10に記載のコンピュータ実装方法。
  12. 前記第1のタスクデータに基づいて、第1のユーザ決定データを判断するステップをさらに含む、請求項9、10または11に記載のコンピュータ実装方法。
  13. 前記第1のタスクデータに基づいて、ユーザ行動データを判断するステップをさらに含む、請求項12に記載のコンピュータ実装方法。
  14. 前記信頼性モデルを判断することは、前記第1のタスクデータ、前記信頼性レベル、前記第1のユーザ決定データおよびユーザ行動データに基づく、請求項13に記載のコンピュータ実装方法。
  15. 前記信頼性レベルを予測し、前記ユーザマシン性能を予測するステップをさらに含み、コンピュータシステムの出力は、
    前記ユーザの前記予測される決定、
    前記信頼性レベル、および
    前記ユーザマシン性能のうちの1つまたは複数に基づいて変更される、請求項9から14のいずれか一項に記載のコンピュータ実装方法。
  16. 前記コンピュータシステムの前記出力を変更することは、情報の流れを管理するように前記ユーザインターフェースを変更することを含む、請求項15に記載のコンピュータ実装方法。
  17. 前記ユーザ用の前記信頼性モデルは、教師あり機械学習方法によって構築される、請求項9から16のいずれか一項に記載のコンピュータ実装方法。
  18. 前記信頼性モデルへの入力は、
    標準タスクのセット用のタスクパラメータ、
    前記第1のタスクデータに基づくユーザ行動、
    前記第1のタスクデータに基づくユーザ決定、および
    前記第1のタスクデータに基づく信頼性レベルのうちの1つまたは複数を含む、請求項17に記載のコンピュータ実装方法。
  19. 前記ユーザの生理学的信号を表すデータを受信するステップをさらに含み、前記ユーザ行動は、生理学的信号を含む、請求項9から18のいずれか一項に記載のコンピュータ実装方法。
  20. コンピュータシステムによって実施されると、前記コンピュータシステムに、請求項1から19のいずれか一項に記載の方法を実施させるマシン可読命令であるソフトウェア。
  21. ユーザの決定を予測するためのコンピュータシステムであって、
    前記ユーザによって実施される第1のタスクに関連付けられた第1のタスクデータを受信し、
    前記第1のタスクデータに基づいて信頼性レベルを判断し、
    前記信頼性レベルに基づいて、前記ユーザ用の信頼性モデルを判断し、
    前記ユーザによって実施される第2のタスクに関連付けられた第2のタスクデータを受信し、
    前記信頼性モデルおよび前記第2のタスクデータに基づいて、前記ユーザの決定を予測するためのプロセッサを備えるコンピュータシステム。
JP2020534445A 2017-12-21 2018-12-21 ユーザ固有ユーザインターフェースの生成 Active JP7343504B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
AU2017905135 2017-12-21
AU2017905135A AU2017905135A0 (en) 2017-12-21 Generating a user-specific user interface
PCT/AU2018/051376 WO2019119053A1 (en) 2017-12-21 2018-12-21 Generating a user-specific user interface

Publications (2)

Publication Number Publication Date
JP2021507416A true JP2021507416A (ja) 2021-02-22
JP7343504B2 JP7343504B2 (ja) 2023-09-12

Family

ID=66992464

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020534445A Active JP7343504B2 (ja) 2017-12-21 2018-12-21 ユーザ固有ユーザインターフェースの生成

Country Status (7)

Country Link
US (1) US20210208753A1 (ja)
EP (1) EP3729248A4 (ja)
JP (1) JP7343504B2 (ja)
KR (1) KR20200123086A (ja)
AU (1) AU2018386722A1 (ja)
SG (1) SG11202005834YA (ja)
WO (1) WO2019119053A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198685B (zh) * 2019-12-20 2023-08-25 上海淇玥信息技术有限公司 基于用户状态生成前端交互页面的方法及其装置、系统、服务器、存储介质
CN111695695B (zh) * 2020-06-09 2023-08-08 北京百度网讯科技有限公司 用户决策行为量化分析方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031216A1 (en) * 2011-07-29 2013-01-31 Myxer, Inc. Systems and methods for generation of customized media playlists
US20140052682A1 (en) * 2012-08-16 2014-02-20 Samsung Electronics Co., Ltd. Using physical sensory input to determine human response to multimedia content displayed on a mobile device
US20160232457A1 (en) * 2015-02-11 2016-08-11 Skytree, Inc. User Interface for Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions and Features
US20160277424A1 (en) * 2015-03-20 2016-09-22 Ashif Mawji Systems and Methods for Calculating a Trust Score
US20170290504A1 (en) * 2016-04-08 2017-10-12 Vizzario, Inc. Methods and Systems for Obtaining, Aggregating, and Analyzing Vision Data to Assess a Person's Vision Performance

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208730A1 (en) * 2006-03-02 2007-09-06 Microsoft Corporation Mining web search user behavior to enhance web search relevance
US7991841B2 (en) * 2007-10-24 2011-08-02 Microsoft Corporation Trust-based recommendation systems
US10373177B2 (en) * 2013-02-07 2019-08-06 [24] 7 .ai, Inc. Dynamic prediction of online shopper's intent using a combination of prediction models
GB2518003A (en) * 2013-09-10 2015-03-11 Belegin Ltd Method and apparatus for generating a plurality of graphical user interfaces
GB2521433A (en) 2013-12-19 2015-06-24 Daimler Ag Predicting an interface control action of a user with an in-vehicle user interface

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031216A1 (en) * 2011-07-29 2013-01-31 Myxer, Inc. Systems and methods for generation of customized media playlists
US20140052682A1 (en) * 2012-08-16 2014-02-20 Samsung Electronics Co., Ltd. Using physical sensory input to determine human response to multimedia content displayed on a mobile device
US20160232457A1 (en) * 2015-02-11 2016-08-11 Skytree, Inc. User Interface for Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions and Features
US20160277424A1 (en) * 2015-03-20 2016-09-22 Ashif Mawji Systems and Methods for Calculating a Trust Score
US20170290504A1 (en) * 2016-04-08 2017-10-12 Vizzario, Inc. Methods and Systems for Obtaining, Aggregating, and Analyzing Vision Data to Assess a Person's Vision Performance

Also Published As

Publication number Publication date
KR20200123086A (ko) 2020-10-28
WO2019119053A1 (en) 2019-06-27
US20210208753A1 (en) 2021-07-08
EP3729248A1 (en) 2020-10-28
EP3729248A4 (en) 2021-12-15
AU2018386722A1 (en) 2020-07-02
SG11202005834YA (en) 2020-07-29
JP7343504B2 (ja) 2023-09-12

Similar Documents

Publication Publication Date Title
US11080775B2 (en) Recommending meals for a selected group
US11012659B2 (en) Intelligent illumination and sound control in an internet of things (IoT) computing environment
US10110677B2 (en) Context-aware decision making
Martínez-García et al. Memory pattern identification for feedback tracking control in human–machine systems
Gonzalez et al. Embedding emotional context in recommender systems
Blasco et al. Needs identification methodology for inclusive design
Durães et al. Modelling a smart environment for nonintrusive analysis of attention in the workplace
JP7343504B2 (ja) ユーザ固有ユーザインターフェースの生成
WO2023192631A1 (en) System and method for conducting mental health assessment and evaluation, matching needs, and predicting content and experiences for improving mental health
Hulstijn et al. Metrics for evaluating explainable recommender systems
Drouet et al. User experience evaluation methods: lessons learned from an interactive TV case-study
Hashemi et al. Uixsim: A user interface experience analysis framework
Yan et al. A stochastic dominance based approach to consumer-oriented Kansei evaluation with multiple priorities
Rincon et al. Using emotions for the development of human-agent societies
Yu et al. Exploring folksonomy and cooking procedures to boost cooking recipe recommendation
Andreoletti et al. A framework for emotion-driven product design through virtual reality
Yen et al. Adaptive user interfaces in complex supervisory tasks
de Kervenoael et al. Consumers’ perceived value of Social IoT based online community: investigating social awareness processes surrounding smart kitchen robot appliances
Thakkar et al. Personalized Recommendation Systems using Multimodal, Autonomous, Multi Agent Systems
Graefe et al. How Well Does the Algorithm Know Me? A Structured Application of the Levels of Adaptive Sensitive Responses (LASR) on Technical Products
Benaissa et al. Design aesthetics recommender system based on customer profile and wanted affect
JPWO2020170845A1 (ja) 情報処理装置、及び、プログラム
Ferrari et al. Using Voice and Biofeedback to Predict User Engagement during Product Feedback Interviews
KR102615456B1 (ko) 스누젤렌 기반의 xr 멘탈케어 콘텐츠 플랫폼 시스템
Licona et al. Improving the usability of home automation using conventional remote controls

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211221

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211221

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230227

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230526

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230807

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230831

R150 Certificate of patent or registration of utility model

Ref document number: 7343504

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150