CN108369521A - 智能虚拟助理系统及相关方法 - Google Patents

智能虚拟助理系统及相关方法 Download PDF

Info

Publication number
CN108369521A
CN108369521A CN201680064009.6A CN201680064009A CN108369521A CN 108369521 A CN108369521 A CN 108369521A CN 201680064009 A CN201680064009 A CN 201680064009A CN 108369521 A CN108369521 A CN 108369521A
Authority
CN
China
Prior art keywords
user
game
data
processor
intelligent virtual
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.)
Pending
Application number
CN201680064009.6A
Other languages
English (en)
Inventor
W·思高乐
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.)
Aidandifu Co Ltd
Original Assignee
Aidandifu Co Ltd
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
Application filed by Aidandifu Co Ltd filed Critical Aidandifu Co Ltd
Publication of CN108369521A publication Critical patent/CN108369521A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
    • A63F13/44—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment involving timing of operations, e.g. performing an action within a time slot
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/45—Controlling the progress of the video game
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/80—Special adaptations for executing a specific game genre or game mode
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • 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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
    • A63F2300/8064—Quiz
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Abstract

本发明提供智能虚拟助理系统及相关方法。所述智能虚拟助理系统包括处理器和被耦接至所述处理器的存储器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器完成以下操作：从至少一个活动应用程序接收指示多个活动和多个提示的至少一个输入参数；基于所述至少一个输入参数确定活动流程；以及基于所述活动流程生成智能虚拟助理应用程序。本发明公开的智能虚拟助理系统及相关方法可用于建议和指导人们，例如有特殊需要的儿童和成人，如自闭症人群。

Description

智能虚拟助理系统及相关方法
相关申请的交叉引用
本申请根据35U.S.C.第119(e)节的规定要求于2015年9月2日提交的名称为“智能虚拟助理系统和相关方法”的美国专利临时申请第62/213,276号的优先权，该申请的全部内容通过引用方式并入本申请。
背景技术
有特殊需求的成年人经常需要帮助来处理生活中的众多后勤需求，例如准时起床准备上班、使用公共运输系统赴约、记住在药房填写处方并被提醒吃药、购买食品、做饭、定期打扫房间等等。虽然现在许多有特殊需求的成年人依靠朋友和家人来帮助他们完成这些任务，但仍然还有很多人没有这种支持。尽管计算机技术每年都在继续其奇迹般的进步速度，变得更快、更小、更便携和更智能，但能够口头交流并指导人们完成这些简单任务的人工智能系统仍然是缺失的。
发明内容
本发明提供智能虚拟助理系统及相关方法。所述智能虚拟助理系统包括处理器；以及存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：从至少一个活动应用程序接收指示多个活动和多个提示的至少一个输入参数；基于所述至少一个输入参数确定活动流程；以及基于所述活动流程生成智能虚拟助理应用程序。本发明公开的智能虚拟助理系统及相关方法可用于建议和指导人们，例如有特殊需求的儿童和成人，如自闭症人群。
本发明提供智能虚拟助理系统，所述智能虚拟助理系统包括：处理器；以及存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：从至少一个活动应用程序接收指示多个活动和多个提示的至少一个输入参数；基于所述至少一个输入参数确定活动流程；以及基于所述活动流程生成智能虚拟助理应用程序。
本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括可执行指令，当所述可执行指令由处理器执行时，使得所述处理器实现以下操作：接收指示用户的个人特性的多个用户数据；将所述多个用户数据转换成按分数划分用户的矩阵；基于所述按分数划分用户的矩阵生成第一用户群；基于所述按分数划分用户的矩阵生成第二用户群；以及基于所述第一用户群和所述第二用户群中每个的结果确定至少一个相似度；其中，所述按分数划分用户的矩阵的每列表示对一个任务给出的分数，以及所述按分数划分用户的矩阵的每行表示执行所述任务的用户。
本发明还提供智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括：处理器；以及存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：接收指示智能虚拟助理应用程序内的使用模式的多个用户交互数据；基于所述多个用户交互数据确定用户交互的第一路径；以及基于所述用户交互的第一路径预测用户交互的第二路径。
本发明还提供智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括：处理器；以及存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：通过智能虚拟助理应用程序接收指示用户问题的文本数据；接收指示映射信息的训练集数据，所述映射信息将现有问题映射至答案；将所述文本数据转换成矢量空间表示；基于所述训练集数据和所述矢量空间表示生成对所述用户问题的多个候选响应，所述多个候选响应中的每个候选响应包括概率权重分数；基于所述概率权重分数确定所述多个候选响应的排名；以及基于所述排名向所述智能虚拟助理应用程序提供响应。
本发明还提供系统、方法和工具，所述系统、方法和工具通过分析人们在玩游戏时如何做出决定和反应来识别个人的能力、技能和兴趣。例如，服务器接收指示多个游戏的游戏数据，所述多个游戏被设计以评估至少一个个人特性。所述至少一个个人特性可包括人类能力、认知技能或职业兴趣中的至少一个。在接收到所述游戏数据时，所述服务器可确定与所述多个游戏中的第一游戏相关联的第一比较游戏表现。所述第一比较游戏表现是基于如所述游戏数据和比较游戏信息确定的。所述比较游戏信息指示与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较。在确定所述第一比较游戏表现时，所述服务器可从所述第一比较游戏表现中导出个人特性并提供所述个人特性的指示。
通过使用游戏和技术，用于识别个人能力、技能和兴趣的系统和方法可以提供关于个人认知、社交和交际优缺点的方向性认识，而某种意义上这些之前可能仅被“偶然”发现。
本文展现的对个人能力、技能和兴趣的识别可建立在三个经过时间检验的框架上：Howard Gardner的多元智能；George McCloskey关于执行功能(EFs)的研究；以及JohnHolland关于职业兴趣的研究。Howard Gardner的多元智能研究概述了一整套的人类能力。George McCloskey关于执行功能(EFs)的研究描述了一系列认知技能，这些认知技能一起工作以帮助一个人学习和“产生”输出并实现目标。John Holland关于职业兴趣的研究帮助人们根据他们喜欢怎样使用他们的时间来探索职业。
可为喜欢玩的儿童和成人提供一套游戏。游戏本身可能被设计以收集关于玩家如何反应、回答问题、做出决定等的数据。用户玩的游戏越多，关于他们的能力和执行功能技巧的信息就收集的越多。
游戏可以在父母(以及父母邀请的教育工作者、治疗师等)的观察下执行，以实现对个人360度的观察。例如，家长/专业人员可以完成McCloskey执行功能调查(MEFS)和自闭症之声(Autism Speaks)基于社区的技能评估(CSA)，以提供有关个人的更多信息。将来自与该个体最密切合作的人的观察与来自游戏的数据结合在一起，可以为一致部分和可能的分歧提供有价值的见解。这可能有助于为个体突出优势领域和发展需求。
来自游戏和调查的所有数据都可以被分析并显示在“仪表板”上，并就个人的Gardner智能、EF和职业兴趣这些方面进行报告。通过将对个人能力的认知和对报告中个人兴趣及志向的了解相结合，可以显示出个人的优势和兴趣，以支持每个个体探索令人满意的教育和职业选择。家长可以选择与其他同儿童一起工作的专业人士和教育工作者来分享这些报告。
人工智能平台可用于识别每个个体的能力、技能或兴趣。人工智能平台可以提供一个人类形象来与用户交互。所述人类形象可以利用语音识别和会话语境。所述人类形象可基于人工智能引擎，从而通过网站、移动设备、可穿戴设备等来引导玩家。例如，所述人类形象可以回答玩家的问题，并以直观且易于理解的方式向玩家及其父母展示结果。所述人工形象还可以被训练，用与个人客户合作的心理学专家参与交谈的方式提出问题，从而建立EF技能。在一个实施例中，人类形象可为用户提供生活指导的功能以处理他们可能在日常活动中碰到的情况。
个体的能力、技能和兴趣可以通过分析个体在玩游戏时如何做出决定和反应的数据来识别。这些分析的结果可能会为家长提供一些方向性的认识，让他们了解向什么方向进一步探索以建立优势领域，以及针对弱势领域做出决策。随着时间的推移，人工智能平台可能会受到“训练”，以心理学家与客户交谈的方式进行一对一对话以建立EF技能。根据研究结果，个人和家庭可以识别能力、技能和兴趣，让每个人都能追求令人满意的未来。
附图说明
结合下面的附图可更好地了解下面对示例的详细描述。为了说明的目的，在附图中示出了示例性实施例，然而，主题不限于所公开的具体构件和工具。在附图中：
图1是根据一个实施例的示例性识别系统的系统示意图，所述识别系统可提供个人特性的指示；
图2是一个可由图1所示的识别系统执行的示例性处理流程；
图3是根据一个实施例的可使用网站来实施以识别个人特性的示例性流程；
图4A-4E示出了根据一个实施例的账户注册以识别个人特性的示例性流程；
图5示出了根据一个实施例的被设计以评估用户特性的游戏的数据收集的示例性流程；
图6示出了根据一个实施例的生成比较游戏信息的示例性处理流程；
图7示出了根据一个实施例所述的确定玩家表现的示例性处理流程；
图8示出了根据一个实施例的报告玩家相对表现的示例性处理流程；
图9示出了根据一个实施例的报告玩家相对表现的另一个示例性处理流程；
图10是根据一个实施例的用于识别个人特性的示例性网站在用户进入该网站时的屏幕截图；
图11是根据一个实施例的用于识别个人特性的示例性网站在用户选择玩游戏时的屏幕截图；
图12是根据一个实施例的用于识别个人特性的示例性网站在用户选择信息页面以了解个人特性时的屏幕截图；
图13是根据一个实施例的用于识别个人特性的示例性网站在用户选择“仪表板”页面时的屏幕截图；
图14是根据一个实施例的用于识别个人特性的示例性网站在用户选择深入探究页面时的另一个屏幕截图；
图15是根据一个实施例的示出用于识别个人特性的示例性网络概览的系统示意图；
图16是根据一个实施例的示出当注册用户在网站玩游戏以识别个人特性时数据收集的流程图；
图17是根据一个实施例的示出当注册用户玩游戏时数据挖掘过程的流程图；
图18是根据一个是实施例的示出授权的人对玩家表现的查阅过程的流程图；
图19示出了根据一个实施例的可用于识别个人特性的游戏的类型；
图20示出了根据一个实施例的重制游戏的示例；
图21示出了根据一个实施例的用于收集详细数据的自定义游戏的示例；
图22示出了根据一个实施例的使用人脸识别以收集详细数据的自定义游戏的示例性流程；
图23示出了根据一个实施例的使用旋律识别以收集详细数据的自定义游戏的示例性流程；
图24示出了根据一个实施例的使用模式识别以收集详细数据的自定义游戏的示例性流程；
图25示出了根据一个实施例的具有不同理解模式来收集详细数据的自定义游戏的示例；
图26示出了根据一个实施例的用于收集详细数据的自定义游戏的示例；
图27示出了根据一个实施例的用于评估能力区域的定制游戏的示例；
图28示出了根据一个实施例的人工智能平台与用户交互的示例性处理流程；
图29是根据一个实施例的与智能虚拟助理(Abby)的高级用户交互的图示；
图30是根据一个实施例的示出智能虚拟助理平台的系统的框图；
图31是示出图30所述智能虚拟助理系统的示例性核心框架的框图；
图32A示出了根据一个实施例的示例性移动应用程序中的智能虚拟助理的屏幕截图；
图32B示出了根据一个实施例的用户点击导航栏时智能虚拟助理的屏幕截图；
图33是根据一个实施例的示出用户与智能虚拟助理系统互动的流程图；
图34是根据一个实施例的由智能虚拟助理系统处理自然语言的流程图；
图35是根据一个实施例的由智能虚拟助理系统进行活动逻辑处理的流程图；
图36示出了根据一个实施例的实施智能虚拟助理系统的人工智能中的用户空间表示；
图37是从图36所示示例性空间表示提取用户的潜在人格因素的流程图；
图38示出了根据一个实施例的示例性影像和预测；
图39是根据一个实施例的示出用户改进和危险的预测的曲线图；
图40是根据一个实施例的示出对用户感兴趣项目的预测的示意图；
图41是根据一个实施例的示出智能虚拟助理系统如何理解用户交互并主动预测用户意图的流程图；
图42是根据一个实施例的示出智能虚拟助理系统如何准备新问题的答案的流程图；
图43是根据一个实施例的示出自动问题提取的流程图；
图44是根据一个实施例的示出用户意图的预测的框图；
图45是根据一个实施例的示出示例性工作流程的流程图；
图46是根据一个实施例的示出示例性监控过程的流程图；
图47是根据一个实施例的示出任务管理器和相关工作流程的框图；
图48是根据一个实施例的示出提醒管理器和相关工作流程的框图；
图49是根据一个实施例的示出教育管理器和相关工作流程的框图；
图50A是示例性通信系统的系统示意图，在所示通信系统中可实施一个或多个本发明公开的实施例；
图50B是示例性设备的系统示意图，所示设备可实施游戏并可用在图50A所示的通信系统中；
图51是示例性处理器的框图，在所示处理器中可实施个人能力、技能和兴趣的识别；
图52是Howard Gardner关于了解能力的研究的描述；
图53是用于了解认知技能的执行功能的描述；
图54是可以通过游戏评估的具有7个群集的33个自我调节功能的描述；
图55是Holland关于了解兴趣的研究的描述；
图56是说明受ASD影响的人群和自闭症成本的柱状图；
图57是根据一个实施例的示出智能虚拟助理平台的系统的框图；
图58是根据一个实施例的示出具有意图的自然语言处理模型创建的流程图；
图59是根据一个实施例的示出将意图匹配至用户问题的流程图；
图60示出了根据一个实施例的对话自然语言处理的示例性数据流；
图61示出了根据一个实施例的安排事件的示例性数据流。
具体实施方式
自闭症是我们这个时代最大的童年流行病之一，多达100万自闭症谱系患者将在未来十年内长大成人。具体而言，每68名儿童就有一名(每42个男孩就有一名)被确认患有自闭症谱系障碍(Autism Spectrum Disorder(ASD)，来源于CDC，2014年5月)，自闭症谱系障碍的发病率高于所有非常规儿童疾病(例如青少年糖尿病、儿童癌症等)。预计从现在到2030年，在美国将有多达100万自闭症青少年成为成年人。此外，在美国约有65％至80％的自闭症成年人处于失业状态。而相比于其他残障人士，那些受雇的自闭症成年人工作时间更少，收入也更低。许多自闭症成年人没有独立住房，同时需要家长支持。
图56是说明受ASD影响的人群和自闭症成本的柱状图。如图56所示，自闭症是英国成本最高的病症，其远远超过心脏病、癌症和中风的总和。在图56中，每个柱状图的上部表示‘19岁以上’，每个柱状图的下部表示0-18岁。
因此，除非创造出新的工具来帮助这些人追求有成效的生活，否则在未来几十年他们可能会称为社会的负担。
普通孩子的父母可能有学校成绩、标准化考试成绩、多年的课外活动和晚餐对话来帮助他们指导孩子成长。学校成绩和标准化考试成绩，如SAT、ACT、专业兴趣组(professionalinterest batteries)等，可以帮助家长评估他们的孩子对学校和学院兴趣方面的能力。多年的课外活动，如舞蹈、体育运动和晚餐对话，可以作为衡量工具对未通过纸面测试评估的领域的兴趣和能力进行评估。
然而，对于自闭症儿童的父母来说，这些最基本的评估指标往往是不可靠的或缺失的。自闭症青少年的成绩和考试分数可能不尽如人意。自闭症青少年可能交流不畅。他们可能在某些没有通过传统手段进行评估的领域有优势，这些领域的优势由于缺乏表达手段而被隐藏起来。因此对于许多自闭症家庭，做计划的关键工具是缺失的，这导致了日后不太理想的高等教育/职业追求、就业不足/失业和住房及交通挑战。
在一个实施例中，识别个人能力、技能和兴趣的系统和方法可对自闭症儿童的潜在能力、执行功能技巧和兴趣提供指导性认识。了解能力和兴趣可以成为帮助儿童追求高等教育/职业计划的第一步。具体来说，它可以帮助父母确定他们的孩子在许多能力和技能上能达到的当前极限(“撞墙”)，尤其是那些未经学校和标准化考试传统地评估的能力和技能。此外，它可以帮助儿童在研究表明可行的方面培养技能，特别是在“执行功能”方面。
在一个实施例中，识别个人能力，技能和兴趣的系统和方法可使用3个经过时间检验的框架来识别特性。这3个经过时间检验的框架可包括：Howard Gardner的多元智能研究；执行功能；以及John Holland关于职业兴趣的研究。
Howard Gardner的多元智能研究概述了一整套的人类能力。传统测试评估的能力是语言、逻辑和数理。传统评估工具忽略的其他能力是空间、身体、运动、音乐、人际和内省(intrapersonal)。
多元智能是一种智能的理论，它将智能划分为具体的(主要是感觉的)“形式”，而不是将智能看作是由单一的综合能力支配。心理学家历来认为，智力可以用一个单一因素来衡量和表示，如智商(IQ)分数。多元智能是30年前哈佛大学教育学院的Howard Gardner教授提出的一个不同的概念。多元智能表明，没有单个的智能，但有8种不同的智能：1)语言；2)数理逻辑；3)空间；4)音乐；5)身体-运动；6)人际；7)内省；8)自然探索。Gardner教授认为，每个人都拥有所有8种智能的独特组合。这8种智能在图52中被进一步描述。
执行功能描述了一系列认知技能，这些技能一起工作以帮助人们学习和“产生”输出并实现目标。其中，这些技能可能包括“自我调节”功能，即管理一个人注意力、参与、记忆、提问以及高效优化开发解决方案的能力；“自我实现”和“自我决定”功能，即使一个人能够有效地与他人互动并创建自己的长期计划和目标。当执行功能技能失效时，一个人的行为会变得失控，从而限制了其上学或工作的能力。
执行功能(EF)是一组负责指导一个人的理解、情绪、认知和行为的心理过程。EF的有效协调和控制使得一个人可以接受和处理信息、计划行动并执行这些计划。相反，对EF无法有效控制会导致一些行为，这些行为带来在学校和工作环境中的困难。根据“执行功能的Holarchical模型”(HMEF)的创始人George McCloskey博士的说法，执行控制有五种不同的水平。参考图53，在自我管理水平中，HMEF规定了33项独立的EF技能。如图54所示，可以通过游戏评估大约15种自我调节EF技能。
John Holland关于职业兴趣的研究帮助人们根据他们喜欢花时间做的事来探索职业。约翰霍普金斯大学John Holland教授在多年的研究中发展了一种职业偏好的类型学。Holland职业偏好类型学通常使用Holland模式中各种类型的首字母表示--RIASEC。Holland认为，人们的偏好适合于一个或多个类别：现实型(行动者)、研究型(思想者)、艺术型(创作者)、社交型(辅助者)、企业型(说服者)和常规型(组织者)。这六个类别描述了对特定工作相关环境的偏好。理论中隐含着一个概念，即一个人的职业应该反映一个人的偏好，以便此人在他或她所选择的职业中实现人生价值。例如，一个“户外人士”不会喜欢整天坐在办公室隔间的环境中。Holland的RIASEC类型学有助于向人们强调他们可能觉得最有趣的工作环境类型，并且这种类型学在过去数十年中被职业咨询专业人士广泛接受。RIASEC和Holland代码在图55中被进一步描述。
在一个实施例中，识别个人能力、技能和兴趣的系统和方法可以将对个人能力(Gardner的能力和执行功能技能)的理解与对Holland描述的兴趣的理解相结合，从而能够追求与每个人的情况一致的教育/职业选择。
图1示出了根据一个实施例的示例性识别系统，所示识别系统可基于游戏数据和游戏表现提供个人特性的指示。例如，服务器20包括处理器和存储器。被耦接至处理器的存储器可包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，可使所述处理器实现以下操作：接收指示多个游戏的游戏数据，确定与所述多个游戏中的第一游戏相关联的第一比较游戏表现，从所述第一比较游戏表现中获得个人特性以及提供所述个人表现的指示。
所述多个游戏中的每个游戏可被设计以评估至少一个个人特性：人类能力、认知技能或职业兴趣。人类能力可包括：数学技能、逻辑推理技能、语言技能、视觉空间技能、音乐技能、身体运动技能、人际技能、内省技能、自然探索技能等。认知技能可包括注意力功能、参与功能、优化功能、效率功能、记忆功能、探究功能、解决方案功能等。
如图1所示，每个游戏都可由移动通信设备12、平板电脑14、计算机16、多媒体主机游戏机18或可穿戴式设备来玩。每个游戏可通过无线和/或有线网络将游戏数据传输至服务器20。所述第一比较游戏表现是基于如所述游戏数据和比较游戏信息来确定的。所述比较游戏信息可包括与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较。
在一个实施例中，所述比较游戏信息可包括基准表，所述基准表显示用户的游戏表现的分数和表现水平。所述基准表还可显示其他用户的游戏表现的分数和表现水平。具体来说，所述用户的游戏表现可包括至少一个度量(metric)，这些度量是对个人特性的测量指标(measurements)，这些个人特性例如数学技能、逻辑推理技能、注意力功能、参与功能或记忆功能等。为了确定用户已玩游戏的分数和表现水平，首先可确定至少一个与游戏相关的度量。基于该度量，可计算每个度量的原始分数并计算这些原始分数的平均数。最后，基于这些平均的原始分数，可确定每个度量的分数和表现水平。
在另一个实施例中，与用户已玩的游戏相关联的第一比较游戏表现可包括与游戏相关联的每个度量的至少一个百分比排名。例如，当用户玩Word Grid时，比较游戏表现可包括在所有其他用户中该用户在逻辑推理技能领域中的用户百分比信息。具体来说，可基于用户游戏表现与其他用户相应的游戏表现之间的比较来确定用户的百分比信息。
图2示出了一个可由图1所示识别系统执行的示例性处理流程。例如，在步骤30处，在服务器处接受来自多个游戏中的每个游戏的游戏数据，所述多个游戏被设计以评估至少一个个人特性。所述个人特性可包括个人的能力、技能和/或兴趣。在接收到游戏数据时，可在步骤32处由服务器确定与多个游戏中的第一游戏相关联的第一比较游戏表现。所述第一比较游戏表现是基于如游戏数据和比较游戏信息确定的。比较游戏信息可包括与第一游戏相关联的游戏表现和与多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较。在步骤34处，可从所述第一比较游戏表现获得个人特性，且可在步骤36处，由服务器提供个人特性的指示。
在一个实施例中，玩家可在个人电脑、移动设备、平板电脑、多媒体主机游戏机、可穿戴式设备等上玩游戏。这些游戏可被设计以通过游戏的重点来评估Gardner多元智能的一些方面：语言、数理逻辑、空间、音乐。没有类似于IQ测试那样的固定的方式来测量多元智能。通过图2所示的处理，会提供个人能力、技能和兴趣的指导性认识，而不是提供一个“多元智能分数”。这种认识可以通过游戏来获得，这些游戏会变得越来越困难因此需要特定领域的特殊技能/智能才能达到最高水平。通过分析玩家如何对所提出的挑战做出反应的数据，可以获得该玩家与玩过该游戏的其他玩家相比较的比较游戏表现。如果玩家在游戏某个特定领域的是所有玩家中排名的前10％，则很可能该领域是这名玩家的优势领域。
如上所述，游戏可被设计以采集多个智能。一些智能，比如逻辑、数学、视觉和空间，本身可以更好地被游戏评价。可创建额外的游戏来评估人际技能，或利用如Xbox Kinect的技术来评估身体运动能力。
游戏也可以被设计来评估执行功能，重点关注33个自我调节功能并转向自我实现和自我决定。执行功能传统上是由受过培训的心理学家和专业人员直接观察来衡量。McCloskey博士通过创建McCloskey执行功能量表(MEFS)推动了该领域的发展。MEFS可由家长、教育人员、其他专业人员和个体自身(如果能够对人360°的观察)来完成。除了通过MEFS进行直接观察之外，游戏还可以提供一些可以使用游戏检测到的玩家在EF技能方面的概况。
人们相信有效的执行功能在课堂和工作场所都至关重要。有效掌握EF技能可以让一个人集中注意力、参与、优化他/她的计划以实现效率以及生成/执行解决方案。这些技能可以使一个人课堂和工作场所都取得成功。
这些游戏可以被设计以通过职业兴趣调查的互动版本来评估Holland兴趣组。在评估RIASEC时，传统的基于单词的RIASEC调查不太可能被使用，因为很大一部分患有如自闭症、阅读障碍的人在使用这些工具方面存在困难。相反，基于图像的职业兴趣评估工具可以用来评估职业兴趣。基于图像的职业兴趣评估工具可能会要求参与者在使用文本、图像和语音呈现的一对职业之间进行选择。这种RIASEC类型的多媒体演示最有可能让测试者真正理解每个项目。使用离散选择分析科学，可以比更传统的方法更有效地推断出最优选的工作环境。可以使用职业兴趣评估来确定个人的主要工作兴趣。进而，这些信息可以用来识别个人可能认为最满意的职业。
在一个实施例中，需要肢体移动的游戏可被设计以评估身体运动的方面。例如，使用Xbox Kinect运动检测器的游戏评估身体运动的方面。在另一个实施例中，游戏可被设计使用诸如Skype等视频会议工具来远程评估上述的个人能力、技能和兴趣。另外，游戏可被设计以在国家或世界各地的中心进行面对面的评估。
图3是根据一个实施例的可使用网站来实施以识别个人特性的示例性流程。如图3所示，进入网站的用户可登陆其账户，玩游戏，接收关于Howard Gardner多元智能研究、执行功能及John Holland职业兴趣研究的信息，以及通过仪表板查看已完成游戏的结果。网站可通过网页、移动应用程序等来实施。
图4A-4E示出了根据一个实施例的多个为识别个人特性的账户注册流程。例如，网站可基于用户的年龄具有不同的注册过程。图4A示出了12岁或12岁以下的儿童的账户注册流程。图4B示出了13岁到17岁之间的儿童的账户注册流程。图4C示出了18岁以上的儿童或成人的账户注册流程。图4D示出了父母的账户注册流程。图4E示出了教育人员的账户注册流程。
在一个实施例中，注册可以是免费的，并且需要使用户能够完全访问游戏中的所有关卡。可以要求订阅来访问关于孩子的能力、技能和兴趣的父母报告。这些报告可以提供宝贵的见解，帮助家长探索孩子的优势领域并为孩子计划丰富的未来。
图5示出了根据一个实施例的被设计以评估用户特性的游戏的数据收集流程。当用户玩游戏时，可使用应用编程接口(API)来将游戏数据存储在数据库中。游戏数据可通过无线/有线网络发送至云端服务器中。各种游戏为每个关卡和回合收集的数据元素的示例如下：
日期/时间标识
关卡号
是否成功完成该关卡(是/否)？
分数
可用时间
已用时间
已用时间占可用时间的百分比
停车数量
理论最小步数
已用步数
已用镜子数量
理论需要镜子的最小值
是否使用提示模式(是/否)
可能的词数
正确的词数
丢失的词数
网格上方块的数量
是否错误点击数字或空白处
序列中待记住的高数字
隐藏彩蛋数
发现彩蛋数
错误点击数
已用提示次数
正确答案数
错误答案数
关卡中的儿童数
关卡中的成人数
关卡中的老人数
关卡中显示出的问题数
错误匹配数
数字间最大间隔数
线上呈现的小球总数
开启的小球数
用户点击正确小球以完成匹配的次数
用户为奖励分数分组相同数字而开启的次数
最后未清除的球数
显示的独特项目数
显示的重复项目数
未点击的重复项目的数目
正确点击数
错误点击数
显示形状数
已用形状数
排除形状数
未触碰形状数
旋转数
立方体总数
可见立方体数
隐藏立方体数
错误答案数
跷跷板数
问题权重数
错误答案数
待比较图片数
待寻找的不同数
错误点击数
已用提示次数
矩阵大小
旋转数
总点击数
灯泡数
总点击数
完成所需最小理论点击数
重置数
图6示出了根据一个实施例的生成比较游戏信息的示例性处理流程。比较游戏信息可表示玩家与游戏中的其他玩家相比玩得怎么样。比较游戏信息可以具有基准表格的格式。
参考图6，准备基准表的过程可以查看玩过各种游戏的所有玩家来创建基准表。基准表可帮助确定在第99百分位、第98百分位等处所需的分数和/或表现水平。如图6所示，能力领域可以为逻辑、数学、音乐、注意力、专注等。筛选(filters)可提供查阅所有玩家的某项能力，或基于(除其他可能)性别、年龄、临床诊断等选择比较组。在一个实施例中，批处理可以周期性地启动，例如每小时、每几个小时或每天。批处理的周期可以预先确定。
图7示出了根据一个实施例的确定玩家表现的示例性处理流程。如图6所述，一旦计算出基准表，则可使用确定玩家水平的处理来利用游戏的数据确定数据库中的每个玩家与所有其他玩家相比如何。在图7中，能力领域可以为逻辑、数学、音乐、注意力、专注等。筛选可提供查阅所有玩家的某项能力，或基于(除其他可能)性别、年龄、临床诊断等选择比较组。在一个实施例中，批处理可以周期性地启动，例如每小时、每几个小时或每天。批处理的周期可以预先确定。
图8示出了根据一个实施例的在仪表板上报告玩家相对表现的示例性处理流程。一旦玩家在各个筛选组中的与其他玩家表现相比的相对表现已经确定，则可以使用仪表板向父母和其他授权的成年人显示所得结果数据。在图8中，筛选可提供查阅所有玩家的某项能力，或基于(除其他可能)性别、年龄、临床诊断等选择比较组。能力领域也可为逻辑、数学、音乐、注意力、专注等。
图9示出了根据一个实施例的报告玩家相对表现的另一个示例性流程。如图8所述，一旦玩家在各个筛选组中的与其他玩家表现相比的相对表现已经确定，则可以使用仪表板向父母和其他授权的成年人显示结果数据。在图9中，筛选可提供查阅所有玩家的某项能力，或基于(除其他可能)性别、年龄、临床诊断等选择比较组。能力领域也可为逻辑、数学、音乐、注意力、专注等。
在一个实施例中，游戏结果和报告可发送给家长和/或订阅该服务的职业人士。授权的家长和/或职业人士可通过网站、移动应用程序等来查阅个人报告。家长(或订阅的教育人员/职业人士)可选择在家长同意的情况下将报告发送给其他人。
图10是根据一个实施例的用于识别个人特性的示例性网站在用户进入该网站时的屏幕截图。该网站可包括基于人工智能引擎的人类形象作为用户界面。人类形象可识别自然语言和语音以吸引用户进入网站。人类形象可通过多种渠道来实现，比如个人电脑、平板个人电脑、移动设备、可穿戴设备等。
在一个实施例中，人类形象可听取用户的评论并对评论给出回应。例如，如果用户询问人类形象关于其医疗信息的问题，则随后人类形象可为用户提供诸如自闭症、ADHD、阅读障碍和其他医疗状况的医疗信息。人类形象还可提供关于个人特性的信息，比如多元智能、执行功能和工作/职业兴趣。在另一个实施例中，人类形象可建议用户应该玩的游戏以评估他们的多元智能和执行功能。该类建议可基于用户的使用模式而定。例如，人类形象可采用协同筛选技术来基于用户的使用模式来预测游戏。人类形象也可能要求玩家在工作选项之间进行选择。人类形象的声音可以用真人录音来实现。人类形象可以采用多种形式的界面，例如个人助理、电子邮件、音频、机器人、卡通等。在一个实施例中，形象可以是文字的语音生成化身。
人类形象也可为用户提供生活指导的功能。人类形象提供的生活指导可包括建议、教育、监控、提醒等。通过生活指导过程，人类形象可解决用户在一天中可能遇到的各种情况。这种情况可能出现在任何情形下，例如学校、工作环境、住房、交通或用户每天都要面对的社会环境。下面说明了人类形象(Abby)和用户之间的生活指导对话的示例：
Abby在应用程序启动时问候
您好，我是Abby。我将全天陪伴您，回答您可能遇到的问题并帮助您安排好生活。请尽管问我问题，我会尽我所能来帮助您。
对话序列1：
用户：Abby，我必须在明天早上准时上班，那么你可以设置早上6点的闹钟吗？
Abby：当然没问题。您是否希望我同样打电话给你并附一个提醒？
用户：是的，请这样做。闹钟响后15分钟，你可以打电话给我并附一个提醒吗？
Abby：好的，我将在早上6:15给您打电话？
Abby：我看到“取牛奶”仍然在您的待办事项清单上。您昨天在回家的路上是否去了杂货店？
用户：没有，我忘了
Abby：当您今天下公交车走回家时，您想让我提醒你吗？
用户：是的，请这样做。你怎么知道我什么时候下公交？
Abby：一开始时您给了我手机的GPS接入权限，所以我可以看到您在哪里。当我看到你到达您平常乘坐的公共汽车的站点时，我会打电话给您。杂货店里还有什么其他需要的吗？
如果答案为“是”
用户：有，你可以在清单中加入麦片和面包吗？
Abby：已添加。
如果答案为“否”
用户：没有，谢谢
Abby：没问题。如果您希望我添加任何内容，请随时告诉我。
对话序列2：
用户：我的父母本周末会来吃晚饭，我想给他们做炸玉米饼。你能告诉我如何准备吗？
Abby：当然没问题。有不同类型的炸玉米饼。普通的牛肉炸玉米饼最受欢迎，但鸡肉、虾肉、鱼肉也同样是备选选项。您想做哪一种？
用户：牛肉炸玉米饼是他们喜欢的。
Abby：好的。我会通过电子邮件给您发送菜谱。您是否也希望我将食材添加到购物清单中？
如果答案为“是”
用户：是的，请这样做。
Abby：已完成。明天当您在杂货店时，就会在购物清单中看到。
如果答案为“否”
用户：不，谢谢
Abby：没问题。如果您希望我添加任何内容，请随时告诉我。
对话序列3：
用户：我应该什么时候服用药物？
Abby：您应该在医生指导的时间服用药物。如果您希望，我可以帮助您为每种药物创建提醒。创建这个时间表可能需要一些时间，具体取决于您需要服用的药物数量。您想现在创建时间表吗？
如果答案为“否”
用户：不是现在，Abby
Abby：没问题。如果您希望我帮助您创建此时间表，请随时告诉我。
如果答案为“是”
用户：是的，请这样做。
Abby：好的，让我们开始吧。首先，你需要拿到你需要服用的药瓶。我会等候您的。当您准备好时请告诉我
用户：准备好了
Abby：您需要服用什么药？
用户：立普妥
Abby：收到。您需要多久服用一次？
用户：药瓶上说每天一次
Abby：好的。说明书上是否指示了一个特定的时间？
用户：它说睡前。
Abby：好的，您是否想让我在每天晚上9点您睡觉前提醒你？
如果答案为“是”
用户：是的，请这样做
Abby：已完成。您的待办事项提醒将在每天晚上9点进行来提醒您服药。
如果答案为“否”
用户：不，我想换个时间
Abby：没问题。您想什么时候提醒？
用户：我通常在晚上11点左右睡觉，那么请在那时提醒我
Abby：已添加。您的待办事项提醒将在每天晚上11点进行来提醒您服药
Abby：好的，我们已经设置好您的第一种药物了。您想为另一种药设置提醒吗？
如果答案为“是”
用户：是的，请这样做
Abby在第4步重新启动循环
如果答案为“否”
用户：不，已经完成了
Abby：好的
对话序列4：
用户：我应该给多少钱作为餐馆小费？
Abby：美国服务员和女服务员通常希望账单的18％作为小费。如果您告诉我账单的总额，我可以为您计算小费。您想让我为您计算一笔小费吗？
如果答案为“是”
用户：是的，请这样做。
Abby：好的，您的账单总额是多少？
用户：27.85美元
Abby：好的，27.85美元的18％是5.02美元。您可以把它凑到5.00美元
如果答案为“否”
用户：不，谢谢
Abby：没问题。有任何事我能帮助的话，请告诉我。
如上所述，人类形象可以提供用户提出的各种问题的答案。下面说明了人类形象和用户之间的问题和答案示例：
问题：有人对我说了TGIF。什么意思？
回答：TGIF是“感谢上帝，今天是星期五”的缩写简称。这意味着这个人很高兴工作周结束了，是周末的时间了
问题：行人过路标志是什么意思？
回答：这意味着行人有权跨越马路线，即使不在交通灯下，车辆也需要停下来。您会看到一个标志......检查以确保没有汽车或要来的汽车或汽车已经停下来了，在人行横道标线之间迅速穿过马路
问题：如果行人信号灯没有改变来让我过马路，我该怎么办？
回答：始终等待直到看到上面显示有“行走的人”的标志为止。您可能需要按一个按钮来告诉信号灯您正在等待过马路。看一下是否有与此图片类似的按钮。如果找到，就按下它。
问题：这条路上没有人行道。我应该走在路的那一边？
回答：你应该总是迎着车辆行走，这样汽车来到身边时，您就可以看到它们。
问题：可以在公共汽车或火车上把我的脚放在对面的空座位上吗？
回答：您不应该把你的腿和脚放在座位上，因为别人可能需要坐在那里，它应该保持清洁。
问题：如果公共汽车或火车上的人靠我太近而让我感觉不舒服，该怎么办？
回答：您应该悄悄地站起来并移动到另一个远一些的地方，并坐在您觉得安全的人周围。您也可以跟列车管理员说明情况。
问题：“差一刻九点”是什么意思？
回答：意思是8:45。由于每小时有60分钟，所以一刻钟意味着15分钟。差一刻九点就是9点前的15分钟，也就是8:45。
问题：如何完成我不喜欢或不同意的工作任务？
回答：这是一个非常难以回答的问题。这实际上取决于需要做什么以及您为什么不喜欢或不同意工作任务。有时候有不做某件事的充分理由，因为这件事不恰当的或错误的。但其他时候，即使您不喜欢它，任务仍然需要完成。弄清楚您的情况的最好方法是与一位值得信赖的同事讨论。您也可以考虑向老板提出您的担心，并就您需要做什么来寻求他或她的指导。
问题：我的杂货总额是56.67美元，但我只有20美元的钞票。我应该怎样付给收银员钱？
回答：您应该给他/她3张20美元的钞票，也就是是60美元，他/她会给您找零的。
问题：我在3周内没有收到工资支票，我该怎么办？
回答：你应该打电话给你的雇主，并解释您很久没有收到薪水了。问问他们需要做什么。
问题：有我不认识的一些人在门口要我让他们进来，我该怎么办？
回答：除非您认识他们，或者他们有充分的理由进入房子，否则您绝不应该让任何人进入您的房子。好的理由可能是有人来送快递，可能需要您签字。如果您不确定，请致电您的父母或您信任的某人询问。图11是根据一个实施例的用于识别个人能力、技能和兴趣的示例性网站在用户选择玩游戏时的屏幕截图。在一个实施例中，游戏可以是儿童、青少年和成年人在他们的手机、个人电脑或平板电脑上玩的有趣的休闲游戏。这些游戏可以被设计以深入了解三个重要领域：个人的多元智能、执行功能和职业兴趣。游戏的时长可以差别很大，从几分钟到几十分钟不等。这可能取决于玩家的晋级能力和继续玩下去的兴趣。游戏可能会让玩家选择停止或继续。
在另一个实施例中，游戏可以被设计成直观的且不需要监管的。由于游戏测试个人的能力，所以父母/成年人并不会帮助个人玩游戏(除非该人有运动障碍并且可以从运动支持中受益)。虽然这些游戏是为自闭症青少年设计的，但任何人都可以玩——不论年龄大小、不论临床诊断如何。
图12是根据一个实施例的用于识别个人特性的示例性网站在用户选择信息页面以了解个人能力时的屏幕截图。如图12所示，信息页面可详细地解释Howard Gardner多元智能、George McCloskey关于执行功能(EFs)的研究、John Holland关于职业兴趣的研究。
图13是根据一个实施例的用于识别个人特性的示例性网站在用户选择仪表板以查看结果时的屏幕截图。仪表板页面可包括基于从游戏传送的游戏数据对个人Gardner智能、EF和职业兴趣的分析。
图14是根据一个实施例的用于识别个人特性的示例性网站在用户选择深入探索页面以进一步查看结果时的另一个屏幕截图。仪表板页面可显示对个人Gardner智能、EF和职业兴趣中的一个的详细分析。
图15是根据一个实施例的示出用于识别个人特性的示例性网络概览的系统示意图。用于识别个人能力、技能和兴趣的系统可包括报告引擎、游戏数据收集、注册/订阅数据收集、数据仓库(data warehouse)、内容数据库、数据提取和数据采掘过程。
图16是根据一个实施例的示出当注册用户在网站玩游戏以识别个人特性时数据收集的流程图。在该实施例中，注册的13岁儿童可以返回至网站来玩诸如Word Grid的游戏。例如，儿童登录到网站并执行认证以检查儿童是否是授权用户。一旦儿童通过认证，儿童就会在主页上由一个人类形象迎接。如果孩子选择了诸如Word Grid之类的游戏，则游戏会由人类形象来解释。儿童玩Word Grid。一旦儿童完成定时关卡，游戏API就执行以将游戏特定参数发布至内容数据库。参数可包括：游戏账号、儿童账号、日期、分数、可能的词数、正确的词数、遗漏的词数、已用的提示、可用关卡时间和已用关卡时间。
图17是根据一个实施例的示出当注册用户玩游戏时数据挖掘过程的流程图。在将游戏特定参数发布到内容数据库时，系统调度器可以启动数据提取过程。一旦启动数据提取过程，就将从内容数据库中提取新记录，并为每个可用的度量将游戏玩耍统计数据标准化。例如，由Word Grid测量的能力可包括：语言和空间。由Word Grid测量的执行功能可包括：注意力/感知力、注意力/专注度，解决方案/生成方案。在为每个度量使游戏玩耍统计数据标准化时，在人员、数据和度量关卡加载的原始分数用以下等式计算：
Word Grid专有计算
●语言——(关卡*10)+(可能的单词数+正确的单词数)-遗漏的单词数+(提示值)
●空间——(关卡*10)+(正确的单词数)
Word Grid执行功能测量
●注意力/感知力——(可能的单词数+正确的单词数+已用时间)
●注意力/专注度——已用时间+(已用时间百分比*10)+正确的单词数
●解决方案/生成方案——(正确的单词数+遗漏的单词数+(提示值)
在计算原始分数时，对于每个度量的每次测量都对游戏玩耍统计数据进行平均，并将每个度量的儿童的平均值发布到数据仓库。针对每个度量重新计算基准，并且每天针对每个度量计算每个儿童的百分比。这些基准和儿童的百分比会发布到每个度量的数据库中。
图18是根据一个实施例的示出授权的人查阅玩家表现以识别个人特性的过程的流程图。如图20所示，家长和授权成人可返回至仪表板页面来查阅玩家的表现。希望查阅玩家表现的成人用户首先可登陆网站或移动应用程序，随后可被授权查阅表现。一旦成人用户被授权，则人类形象将在主页上向成人用户打招呼。为了查阅玩家的表现，成人用户可选择仪表板并选择某一儿童查阅结果。成人用户可以在数据库中链接到他们有权查阅的每个关联儿童。如果有多个儿童与成人相关联，则成人会被提示选择要查阅的儿童。如果只有一个儿童与成人相关联，则默认显示该儿童的结果。
选择儿童时，针对该儿童的结果报告被编辑和排版。成人可以应用筛选来使该儿童与多个地区的儿童人群相比较。可用的报告筛选可以是：
●儿童临床诊断
●儿童性别
●儿童年龄组别——13岁以下/13到17岁/18岁及18岁以上
在应用筛选后，可再次编辑和排版儿童的结果报告。成人可以与基准相比较着查看儿童的汇总结果。在一个实施例中，成人可以应用筛选来使被测儿童与多个地区的儿童人群相比较。结果报告可能包括：儿童能力分析、职业兴趣分析和执行功能分析。
图19示出了根据一个实施例的可用于识别个人特性的游戏的类型。可以设计三种类型的游戏来评估个人的能力、技能和兴趣：重制、自定义和定制。重制游戏可以是修改现有游戏以实现数据收集的游戏。其可适用于选定的能力领域，如数学、逻辑和空间。自定义游戏可以是为了捕获更多数据或探索当前游戏不能探索的某些领域而开发的游戏。定制游戏可以是一种被开发以评估当前未评估或评估不足的技能领域的游戏。
图20示出了根据一个实施例的重制游戏的示例。如图20所示，重制游戏可评估诸如逻辑、空间处理、视觉记忆、数学和语言等能力。评估逻辑的重制游戏可包括：Parking Lot、Seesaw Logic、Rainbow Mechanic和Christmas Tree Light-up。评估空间处理的重制游戏可包括：Spot the Difference、Share Inlay、Count the Cubes和Count the Sheep。评估视觉记忆的重制游戏可包括：Pattern Memory和Memory III。评估数学的重制游戏可包括：Bus Driver Math和Quick Calculate。评估语言的重制游戏可包括Word Search。每个重制游戏还可评估多个执行功能，例如专注度、参与、启动和停止、记忆处理、计划能力、时间敏感度等。
当一个关卡结束时，收集并传递给API的The Parking Lot的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
停车数量
理论最小步数
已用步数
游戏延长次数
当一个关卡结束时，收集并传递给API的Rainbow Mechanic的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
已用镜子数量
理论需要镜子的最小值
是否使用提示模式(是/否)
当一个关卡结束时，收集并传递给API的Word Grid的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
可能单词数
正确单词数
遗漏单词数
已用提示次数
当一个关卡结束时，收集并传递给API的Sequence Master的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
网格上的方块数量
是否错误点击数字或空白处(是或否)
序列中待记住的高数字
游戏延长次数
当一个关卡结束时，收集并传递给API的Easter Egg Hunt的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
隐藏彩蛋数
发现彩蛋数
错误点击数
已用提示次数
游戏延长次数
当一个关卡结束时，收集并传递给API的Pattern Memory II的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
网格中方框总数
已用颜色数量
错误点击数
是否错误点击错误颜色或空白方块(是或否)
游戏延长次数
当一个关卡结束时，收集并传递给API的Count the Sheep的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
查看移动羊群可用时间
回答已用时间
羊群数量
狼的数量
提供的答案
游戏延长次数
当一个关卡结束时，收集并传递给API的Bus Driver’s Math的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
正确答案数
错误答案数
关卡中的儿童数
关卡中的成人数
关卡中的老人数
关卡中显示出的问题数
当一个关卡结束时，收集并传递给API的Spot the Difference II的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
图像名
正确答案数
错误点击数
已用提示数量
游戏延长次数
当一个关卡结束时，收集并传递给API的Number Twins的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
错误匹配数
匹配数字间最大间隔数
游戏延长次数
当一个关卡结束时，收集并传递给API的Math Lines的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
显示小球总数
开启的小球数
为完成匹配开启的小球次数
相同编号小球之后射击的小球次数
未清理小球数
游戏延长次数
当一个关卡结束时，收集并传递给API的More of Less的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
矩阵中方块数量
已用运算符(多于或少于)
错误答案数
当一个关卡结束时，收集并传递给API的Double Bubble的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
显示的唯一项目数
显示的重复项目数
未点击的重复项目数
正确点击数
错误点击数
游戏延长次数
当一个关卡结束时，收集并传递给API的Scene Memory的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
查看图像可用时间
回答已用时间
关卡中的项目数
已变项目数
已发现正确项目数
游戏延长次数
当一个关卡结束时，收集并传递给API的Find the Suspect的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
显示的嫌疑人数
已选图像
正确图像
游戏延长次数
当一个关卡结束时，收集并传递给API的Find the Pair的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
正确形状
显示的形状总数
错误数
当一个关卡结束时，收集并传递给API的Shape Inlay的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
显示形状数
已用形状数
排除形状数
未触碰形状数
旋转数
游戏延长次数
当一个关卡结束时，收集并传递给API的Quick Calculate的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
问题
正确答案
错误答案数
当一个关卡结束时，收集并传递给API的Count the Cubes的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
立方体总数
可见立方体数
隐藏立方体数
错误答案数
提示按钮点击次数
当一个关卡结束时，收集并传递给API的Seesaw Logic的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
跷跷板数
问题权重数
错误答案数
当一个关卡结束时，收集并传递给API的Spot the Difference的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
显示画面数
待寻找的不同数
错误点击
已用提示数量
游戏延长次数
当一个关卡结束时，收集并传递给API的Memory III的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
显示配对数
总点击数
当一个关卡结束时，收集并传递给API的Moving Memory的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
矩阵大小
旋转数
总点击数
当一个关卡结束时，收集并传递给API的Christmas Tree Light Up的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
已用提示数量
灯泡数
总点击数
完成所需理论最小点击数
重置数
当一个关卡结束时，收集并传递给API的Math Search的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
等式
错误答案数
游戏延长次数
当一个关卡结束时，收集并传递给API的Memory的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
总点击数
当一个关卡结束时，收集并传递给API的Tower of Hanoi II的游戏数据可能包括：
日期/时间标识
关卡
是否成功(是或否)
分数
已用时间
总步数
理论最小步数
游戏延长次数
图21示出了根据一个实施例的用于收集详细数据的自定义游戏的示例。游戏1Greater可通过显示两个“卡片”来操作，每个卡片都显示数字或等式。数字可以适应性地呈现，其难度可以增加到高中几何的水平。玩家被要求选择哪个卡片的值更大(或者如果它们相等，则点击“相等”按钮)。游戏通过[20]关显示越来越难的问题。一些参数如下：
●玩家可以在一个关卡中完成3个问题以进入下一个关卡
●玩家在1-10关有1分钟来解决问题，在11-20关有2分钟来解决问题
●当玩家回答错误5个问题时，游戏会结束
系统可能需要随机选择多个参数来显示这两张卡片，包括：
●每张卡上要显示的问题类型(例如，加法、物体的面积、代数方程等)
●问题中使用的数值
●要在某些问题类型中使用的数学运算符(例如括号问题)
有11中类型的问题：
加法
减法
乘法
除法
指数
正方形、矩形、圆形的周长
三角形的周长
正方形、矩形、圆形的面积
三角形的面积
体积
带括号的等式，其中每个括号内可以包含上述任何类别的问题——例如
(342-125)X(53-32)
当游戏开始时，在开始计算分数前呈现“第0关”以给玩家一个对游戏的感觉。完成后，游戏开始于“第1关”。完成3个正确答案后，系统可能会显示“祝贺您完成第1关。进入第2关。”完成第10关后，系统可能会显示“祝贺您完成第10关。您想停止还是继续？”可显示“停止”和“继续”按钮。如果玩家决定继续，系统会将“错误问题”计数器重置为零，然后再次开始计算错误问题数。在游戏结束时或者玩家选择结束游戏时，显示“恭喜！”，并且显示玩家在该游戏中相对于他/她拥有的最后5个分数的分数。
分数可以通过以下方式获得：
●正确答案：每次问题得到正确回答时，都会根据以下两个部分奖励分数：
●关卡号乘以10，并且该值作为“正确答案分”给予玩家(例如，第1关中的正确答案产生10分。第20关的正确答案则产生200分)。
●对剩余的每秒按照“时间奖励分数”给予分数。
●关卡奖励：每次关卡完成后，关卡号乘以100并将这些分数给予玩家(完成第1关后将奖励100分；完成第20关后奖励2000分)
●连续正确答案奖励：
●连续正确回答5个问题则最后一个正确答案的分数乘以5(例如，如果5个连续问题的最后一个正确答案应获得100分，则连续5次回答正确的奖励分数为500分)
●连续正确回答10个问题则最后一个正确答案的分数乘以10
回答错误可以扣除分数。对于每个错误的响应，可以扣除相当于关卡号5倍的分数。Greater的以下元素被捕获并传回给API：
日期/时间标识
关卡
是否成功(是或否)
分数
可用时间
已用时间
已用时间占可用时间的百分比
从游戏开始起最频繁回答正确的问题类型
从游戏开始起最频繁回答错误的问题类型
对于提交给玩家的每个问题，可以将下列项目转储到API以外的文件中：
用户ID
日期/时间标识
关卡
问题类型
已传递问题
已给出的答案
答案是否正确(是/否)？
可用时间
已用时间
图21中的游戏2Motion可通过显示图片来操作。图片可以适应性地呈现，其难度可以增加到同时显示15个画面以评估多任务处理。每个画面中的对象数量可以变化以评估逻辑推理和计划性。游戏3Berserk可将Greater和Motion结合成一个同时进行的游戏。卡片和图片可以适应性地呈现。
图22示出了根据一个实施例的使用人脸识别以收集详细数据的自定义游戏的示例性流程。游戏Faces可连续适应性地呈现渐渐复杂的图片，这些图片中有从事各种活动的人并提出问题。提出的问题可包括：
●Derek的吉他的颜色是什么？
●最后一张图片中有多少张人脸？
●拿着文件夹的人有多少？
●人们拿着的黄色文件夹有多少？
当启动Faces时，在第0关，将向玩家呈现1个人的图片。玩家有5秒的时间来查看图片和图片中人物的名字。玩家需要关注的三个元素：(1)人物的姓名；(2)他们在图片中正在做什么；以及(3)可提出问题的方面，例如衣服的颜色或图案、图片中的人物拿着什么、人物周围的环境等等。在照片显示一定的时间后，一个调整到某个人脸部的照片会出现。此时，玩家可被询问系统随机选择的以下问题之一：
●图中显示的人的姓名是什么？Sophia
●Sophia正在做什么？打网球
●Sophia拿着什么？网球拍
系统可以给玩家4个选项以供选择。
Faces可以用于4人图像。例如，具有四个人的图片可以带着名字“Marilyn，Jayden，Andy，Aubrie”展示一个设定的时间。提出的问题可包括：
●Marilyn鞋子的颜色是什么？红色
●Jayden拿着什么？剪贴板
●Andy的文件夹的颜色是什么？紫色
●她叫什么？Aubrie
在第1关中，对于测验之前显示一张图片，可以向玩家呈现从单人脸图像中随机选择的图片5秒。然后系统通过显示关于刚才展示的图片的随机问题来测验玩家。如果玩家给出的答案不对，则会给玩家显示正确答案并显示展示图片中个人的完整图片。然后，系统重复步骤1。如果玩家回答正确，则继续至步骤2。
对于测验前显示两张图片，可以向玩家呈现具有1张人脸的新图片5秒。可以向玩家可呈现带1张人脸的另一张新图片5秒。系统为选定图像随机从3个可能的测验问题中选择一个来测验玩家。如果玩家回答错误，则在测验步骤之前重复这两个图片。如果玩家回答正确，则继续至下一个步骤。
通过在测验前显示三张照片，然后在测验前显示四张照片，游戏会变得越来越困难。一旦玩家在4张图片后回答问题，他们会前进至下一关。
第2关及以上的关卡可以与第1关工作方式相同，但系统可以从具有2个或更多人脸的图像中随机选择。
关卡：
第1关：1张人脸
第2关：2张人脸
第3关：3张人脸
第4关：4张人脸
第5关：5张人脸
第6关：6张人脸
第7关：7张人脸
第8关：8张或更多的人脸
在测试玩家时，系统可以在该时间点前显示的任何人脸中进行选择。也就是说，即使玩家可能处于第3关(3张人脸的图像)，系统仍然可以从第1关中显示的人脸中进行选择。
如果玩家正确回答以下3个问题中的任何一个，玩家就可得分：(1)个人姓名；(2)他们的活动；以及(3)特殊问题的答案。对于1张人脸的图像，玩家可以获得100分，2张人脸的图形可以获得200分以及3张人脸的图像可以获得300分，以此类推。回答错误不扣分。在玩家获得20个正确答案或5个错误答案时，Faces游戏结束。
在每关结束时，系统可以使用API来记录下列数据元素：
日期/时间标识
关卡
分数
呈现的姓名问题数
正确回答的姓名问题数
呈现的活动问题数
正确回答的活动问题数
呈现的特殊问题数
正确回答的特殊问题数
正确答案的最大间隔图像数(即，玩家能够记住人脸的最长间距)
在每关的结束时，系统也可以使用API来记录下列数据元素：
日期/时间标识
关卡
是否成功(是或否)
分数
正确姓名数
正确男性姓名数
正确男性姓名数
正确姓名百分比
正确男性姓名百分比
正确男性姓名百分比
正确活动数
正确活动百分比
玩家正确回答姓名的图片中人物最大数量
1个人物的图片中正确回答数
2个人物的图片中正确回答数
3个人物的图片中正确回答数
4个人物的图片中正确回答数
5个人物的图片中正确回答数
6个人物的图片中正确回答数
7个人物的图片中正确回答数
8个或更多人物的图片中正确回答数
1个人物的图片中正确回答百分比
2个人物的图片中正确回答百分比
3个人物的图片中正确回答百分比
4个人物的图片中正确回答百分比
5个人物的图片中正确回答百分比
6个人物的图片中正确回答百分比
7个人物的图片中正确回答百分比
8个或更多人物的图片中正确回答百分比
图23示出了根据一个实施例的使用旋律识别以收集详细数据的自定义游戏的示例性流程。游戏Melodies可以测试音乐记忆，而不是某人是否已经知道旋律。因此，游戏的真正价值可以来自在玩家认错旋律后知道发生了什么。当我们再次提供时，他/她是否能够记住旋律的名字。事实上，玩家已经知道音乐作品有助于提高他的得分，但游戏的真正价值在于它在第一次玩时与第二次或第三次或第四次玩时正确回答的跟踪。
在第0关练习中，在一个屏幕上，系统可以显示一个好看的背景，播放一个片段，并要求玩家从4种可能的选项中进行选择——其中3个选项是音乐作品名称，第5个选项是“我不知道；从未听过这个”。
系统可以从我们的收藏中或“以前错误”列表中的所有可能的部分中随机选择播放一个片段。对于前4个片段，系统只会从先前未播放的收藏中随机选择。此后，系统从未播放列表与从“先前错误”列表中选择的概率均为50％。一旦玩家回答正确一段片段，则不再呈现该片段。
系统可要求玩家从4个可能的选项中进行选择。如果玩家提供了正确的答案，系统会记录该片段已被正确回答，将正确答案数加1，提高分数并再次进入步骤1。如果玩家提供了错误的答案或回答“不知道”，则系统将：(1)带着该片段的正确名称再次播放该片段；(2)将该片段的“错误数”增加1，并将该片段放入“先前错误”的音乐片段队列中以进行再次选择；(3)将游戏的错误数增加1；以及(4)再次进入步骤1。
由于此游戏确实没有关卡，所以游戏一直持续到玩家达到10个错误的答案或20个正确的答案为止。如果游戏达到10个错误答案的限制而结束，则系统显示“游戏结束，想再试一次？”如果游戏以达到20个正确答案的限制而结束，则系统显示“祝贺您获得20个正确答案-您有很棒的音乐记忆。想继续吗？”系统使用API写入数据。如果玩家想要继续，系统会重新启动正确/错误答案的计数器并继续，直到玩家达到下一个10次错误/20次正确的限制。
在游戏结束或每“轮”结束时，系统可以通过API将以下内容写入数据库：
日期/时间标识
分数
首次回答正确的片段数(即玩家已知道该片段)
第1次出现时正确回答的片段百分比
第2次出现时正确回答的片段数
第2次出现时正确回答的片段百分比
第3次或之后出现时正确回答的片段数(即玩家已了解该片段)
第3次出现时正确回答的片段百分数
多次出现后仍回答错误的片段数
另外，对于玩家已经知道、学会以及从未学过的片段，系统可以持续跟踪的个人姓名/账号。对于呈现的每个片段，系统都可以向文件写入具有以下项目的记录：
用户账号
日期/时间标识
音乐片段名称/识别号
玩家提供的答案
玩家是否回答正确(是/否)
如果玩家回答正确，需要呈现多少次玩家才能获得正确的结果(1次，2次，3次等)
在游戏结束或每“轮”结束时，系统也可以通过API将以下内容写入数据库：
日期/时间标识
关卡
是否成功(是或否)
分数
第1次聆听时正确回答旋律数(即已了解该旋律)
第2次聆听时正确回答旋律数
第3次聆听时正确回答旋律数
第4次聆听时正确回答旋律数
第1次聆听时正确回答旋律百分比(即已了解该旋律)
第2次聆听时正确回答旋律百分比
第3次聆听时正确回答旋律百分比
第4次聆听时正确回答旋律百分比
正确回答的古典片段百分比
正确回答的爵士片段百分比
正确回答的流行片段百分比
正确回答的古典摇滚片段百分比
正确回答的乡村民谣片段百分比
正确回答的童谣片段百分比
图24示出了根据一个实施例的使用模式识别以收集详细数据的自定义游戏的示例性流程。如图24所示，游戏Patterns可连续适应性地呈现渐渐复杂的模式，混合形状、数字和字母板。
图25示出了根据一个实施例的具有不同理解模式来收集详细数据的自定义游戏的示例。大多数自闭症学生在阅读理解测试上表现欠佳，但失败的原因尚不清楚。可能的欠佳原因如下：(1)由于一段文字的感官超载，他们无法收到信息；(2)他们无法理解收到的信息；或(3)由于运动问题他们不能提供答案。如图25所述，提供不同的理解模式可以将可能干扰自闭症学生理解的因素分离。例如，在一系列问题中不同展示选项的适应性随机展示可以分离受访者的首选交互模式。
图26示出了根据一个实施例的用于收集详细数据的自定义游戏(Arrows、MathBubbles和Bumpers)的示例。游戏Arrows主要可衡量玩家可否在干扰的情况下集中注意力。在游戏结束或每“轮”结束时，系统可以通过API将以下内容写入数据库：
日期/时间标识
关卡
是否成功(是或否)
分数
与鸟群相反的正确答案数(即焦点中的鸟与剩下的鸟群飞行方向相反)
与鸟群一致的正确答案数
与鸟群相反时正确时间百分比—这也许是唯一最能揭示注意力的指标
与鸟群一致时的正确时间百分比
回答的平均速度
正确回答的平均速度—与鸟群相反
正确回答的平均速度—与鸟群一致
错误回答的平均速度—与鸟群相反
错误回答的平均速度—与鸟群一致
游戏Bumpers的主要目的是逻辑推理过程(Bumpers的视觉回忆是次要的)。在游戏结束或每“轮”结束时，系统可以通过API将以下内容写入数据库：
日期/时间标识
关卡
是否成功(是或否)
分数
网格大小(单元格数量)
正确尝试次数
错误尝试次数
关卡中每一轮中显示的最大桨数
关卡中每一轮中触碰的最大桨数
回答使用的最短时间
回答使用的最长时间
关卡中所有轮的所有正确答案所触碰的总桨数
已用提示次数
游戏Math Bubbles可主要衡量逻辑运算。算术问题可根据下表生成：
所生成的较大的数字总是在展示的方程中作为第一个。对于除法，随机生成的较大的数字是分子，较小的数字是分母。所有问题的答案可以是整数。
玩家从第一关开始。为了继续至下一关，玩家需连续正确回答五个问题。如果回答错误，则该关卡重新开始。问题的操作是从该关卡的可用选项中随机选择。然后这两个数字按照上面列出的范围随机生成。不管以后的失败，一旦最高关卡完成，玩家就可以收到15级难度问题，直到他们失败或决定退出。每正确回答50个问题，将向玩家显示一个界面写着“恭喜！您已正确回答50个问题！您可以现在带着您当前分数退出，也可以选择继续并从你离开的地方回答另外的50个问题。”玩家在此处可点击来确定是继续还是停止。
在Math Bubbles，可从四个方面进行计分：(1)问题难度；(2)气泡速度；(3)屏幕上气泡的密度；以及(4)回答所用时间。问题的难度分是问题的关卡数x10。例如，正确回答第6关问题则获得60分。
气泡有三种可能的速度：1倍速、1.5倍速、2倍速。速度乘数与问题的难度分数相乘。如果在1.5倍速下正确回答第6关问题，则回答问题现在获得1.5x 60分或90分。慢速气泡可能需要12秒到达屏幕底部。中速气泡可能需要8秒到达屏幕底部，而快速气泡可能需要6秒到达屏幕底部。
气泡的密度取决于气泡释放之间允许的时间。基础释放速率(慢)是每12秒一个，具有1倍乘数。中速释放速率是每9秒一个，具有1.5倍乘数。快速释放速率是每4.5秒一个，具有2倍乘数。如果在第6关以中等速率释放的之前的气泡在6秒后释放(1.5倍乘数)，则得分为90x 1.5＝135。
回答所需时间是计分的最后一个因素。如果泡泡在屏幕的前1/3处正确回答，则应用2倍乘数。如果泡泡在屏幕的中间1/3处正确回答，则应用1.5倍乘数。如果泡泡在屏幕的最后1/3处正确回答，则应用1倍乘数。这在最后乘以现有分数。如果使用与之前相同的泡泡在屏幕的中间1/3处回答，则最终得分为135×1.5＝202.5，其将四舍五入到最接近的整数，在本例中为203。
分数的计算公式为：
(问题难度x10)x(速度倍数)x(速率倍数)x(回答问题时间倍数)
起始速度为1倍速，起始释放速率为每8秒一个。每正确回答15个问题，速度和释放速率都会增加一个等级，直到达到3级(快速)。如果玩家回答问题错误，则速度和速率的等级降1级。例如，如果玩家已连续正确回答32个问题(因此释放速度和速率都为2倍数)，而第33个问题回答错误，则速度和释放速率都降至1.5倍，直到再次连续正确回答15个问题为止。
在游戏结束或每“轮”结束时，系统可以通过API将以下内容写入数据库：
日期/时间标识
关卡
是否成功(是或否)
分数
正确解决问题数
正确解决加法问题数
正确解决减法问题数
正确解决乘法问题数
正确解决除法问题数
遗漏/错误问题数
最大“顶数”的值——方程中的第一个数字
最大“底数”的值——方程中的第二个数字
最大“答案”的值
屏幕中一次出现的最大问题数
图27示出了根据一个实施例的用于评估能力领域的定制游戏的示例。这些定制游戏可评估困难能力领域，比如肢体运动。这种类型的游戏可以通过使用利用Kinect相机的现有Xbox游戏创建，以评估身体移动能力。
图28是根据一个实施例的基于智能虚拟助理平台来提供生活指导功能的示例性过程。如上所述，人类形象可听取用户的评论、问题或陈述。用户可提出他们在一天行程中遇到的任何类型的问题。例如，用户可询问人类形象“我的老板要求我一些我不同意的事情。我该如何回应。”一旦在运行人工智能引擎的服务器上接收到用户的评论，评论可以被剖析为名词、动词和修饰词以推断语句的意图。如果用户已登录，那么用户的评论将被存储在用户档案数据库中。在发布评论后，名词、动词和修饰词的组合可在问题&答案知识数据库中查找。如果在问题&答案知识数据库找到问题，那么人类形象可通过播放相关视频来产生答案。之后，人类形象可继续监视后续评论并执行知识数据库中包含的额外处理规则。如果在问题&答案知识数据库未找到问题，人类形象则可播放信息说明她不知道所提问题的答案。此后，人工智能平台可以将问题提交给管理员仪表板进行后续处理。
基于智能虚拟助理平台的人类形象可在任何设备或介质上教育、监控和提醒用户。智能虚拟助理平台可利用来自任何资源的数据来提高其指导能力。例如，用户可具有追踪睡眠和步数的可穿戴式设备。智能虚拟助理可将这些数据提取到系统中以评估模式并与协议交叉引用。智能虚拟助理还可监视用户做的其他举动以向用户提供建议。智能虚拟助理平台可结合自然语言理解、人工智能、机器学习、可定制知识库、客户数据、客户交互、诸如规则和程序之类的工作流程等。
图29示出了根据一个实施例的以各种形式与智能虚拟助理(Abby)的高级用户交互。用户可通过任何设备或媒介与Abby互动。这些设备或媒介可包括网络、电话(IVR)、移动设备、平板电脑、眼镜、可穿戴设备等。智能虚拟助理可以采用多种形式的界面，例如，网站上的助理、移动个人助理、短信、电子邮件、电话中的音频、交互式屏幕、在机器人内部等。可以向用户呈现各种形式的可视或可听媒体，诸如人类形象、文本、按钮、视频、文档、链接、音频、图像、图表、形状等。
图30示出了根据一个实施例的智能虚拟助理平台的整个系统。智能虚拟助理平台可设计为云端应用程序，取决于所需体积的多小，其可在一台服务器上或水平扩展的应用上运行。如图30所示，智能虚拟助理平台可包括各种类型的云端环境下的服务器。每种类型的服务器可包括自己的服务器集群。因此，如果系统中的任何节点发生故障，其余节点可自动接管。智能虚拟助理可由管理员用户通过门户网站进行配置。这意味着非开发人员用户可在不编程的情况下构建和管理智能虚拟助理。智能虚拟助理平台可与其他系统和设备集成以提取和推送数据。这些系统和设备可包括网络服务、移动/可穿戴设备、个人电脑、平板电脑、平面文件、文件传输协议、套接字连接、CSV、物联网设备等。
图31示出了图30所述智能虚拟助理系统的示例性核心框架。核心框架可包括以下类型的服务器：Abby-网络、Abby-Rest、Abby-域、Abby-SIP网关、Abby语音服务器、Abby呼叫、Abby自动语音识别/语音合成(ASR/TTS)、Abby处理服务器、Abby-数据库、Abby-数据仓库等等。Abby-网络是一个网络服务器，用于为网站/移动应用程序提供服务。例如，Abby-网络可为管理员用户提供管理门户网站，以便他们可以配置他们自己的智能虚拟助理。Abby-Rest是为系统提供RESTful API的服务器，它可以为系统暴露端点。智能虚拟助理的客户应用程序和图形用户界面可以调用这些端点。Abby-域是运行服务/实体(Services/Entities)并连接到数据库的服务器。Abby-SIP网关是一种SIP网关代理，连接到运营商并管理入站和出站调用量。Abby语音服务器是一种用于自然语言处理(NLP)的语音服务器。Abby呼叫是控制电话呼叫和运行交互式语音应答(IVR)的服务器。Abby ASR/TTS是执行自动语音识别(ASR)和语音合成(TTS)的服务器。Abby处理服务器是用于机器学习(ML)、人工智能(AI)、媒体转换、数据操作、工作流程、提醒等的后台处理服务器。
图32A示出了根据一个实施例的在移动应用程序中的智能虚拟助理的用户界面。图32B示出了根据一个实施例的在用户点击导航栏时智能虚拟助理的用户界面。移动应用程序可安装在移动设备或可穿戴设备中，并且可向用户提供如上所述的网站拥有的相同功能。例如，用户可注册账号、玩游戏以及接收关于他们个人特性的信息。移动应用程序也可通过如图32A所示的人类形象来提供生活指导功能。人类形象可接收用户的问题并给出包含在知识数据库中的答案。
如图32A所示，智能虚拟助理可在界面的中心并可被设计以提供人类生活指导功能。与智能虚拟助理(Abby)的互动可通过点击麦克风按钮让用户说话并且Abby进行响应来实现。用户还可点击屏幕以在导航栏中滑动，从而使得用户可以浏览应用程序的任务、提醒、监控、教育和配置文件部分。任务部分可位于Abby显示用户应该执行的建议任务的位置。这些任务可基于Abby对用户的配置文件。这些任务也可由Abby门户分配、定制或个性化，Abby门户是用户与Abby互动的界面。提醒部分可位于Abby提醒用户事件的位置。动态事件可以从第三方系统中拖入，如医疗记录或医生办公室。提醒也可连接至第三方系统。例如，即使用户没有登录到应用程序，Abby也可以通过任何其他传送系统提醒用户。监控可以是自动或自行上报的。例如，如果Abby配置为跟踪用户的体重，Abby可以从支持蓝牙的体重称将数据导入系统。如果用户没有这样的体重称，则他/她可直接在Abby提供的表格上输入体重。教育部分可位于Abby根据他们与Abby的互动而动态地教育用户的地方。用户可通过Abby门户来配置教育部分。教育还可包括可用于Abby和Abby门户的回授法(teach-back method)来确定对主题的理解水平。这使Abby能够为该用户重新执行和动态配置教育。
图33示出了用户与智能虚拟助理系统互动的示例过程。例如，一旦在运行智能虚拟助理的系统处接收到用户的查询或请求，系统就会检查用户是否在系统中注册。如果用户被授权，系统可确定是否需要自然语言处理(NLP)。之后，系统可继续进行活动(campaign)处理流程并将其响应发送给用户。
图34示出了根据一个实施例的由个人智能助理(Abby)系统处理自然语言的示例性过程。首先，Abby可通过其用户界面接收用户的口头或书面请求。如图34所示，AbbyRest-NLP服务可接受请求并启动处理参数。该参数可包括活动、知识库、协同(company)、语言、用户输入、其他配置参数等。处理完参数后，可以执行一系列操作：清除用户输入、拼写检查(如开启)、替换动态变量、评估正则表达式等。之后，可评估状态和环境并将其设置到存储器中。然后可执行任何模式或第三方查找，以便系统可处理动态查询。在此之后，用户输入可被分成语音的几部分并与知识库进行比较。可以对结果评分并与环境和状态进行比较。可返回高于阈值的最高得分结果。如果结果集不包括任何高于阈值的结果，但产生了高于最小阈值的结果，则可返回最可能的结果的列表。如果没有找到高于最小阈值的结果，则可返回默认目标/路径。结果可包括带有JavaScript对象表示(JSON)的复杂对象，该对象包括视频、音频、文本、文档、链接、表单、用户界面信息和配置变量。
图35示出了根据一个实施例的智能虚拟助理系统如何处理活动逻辑。具体来讲，活动逻辑可包括系统如何决定、系统如何响应以及系统决定谁下一步做什么。取决于用户互动的界面，请求可以通过HTTP或SIP(SMTP可以被认为是HTTP)进入服务器。第一步是评估输入请求和参数。系统可检查活动状态和提示类型。基于状态和提示类型，系统可确定需要采取什么行动以及需要评估哪些规则。例如，提示可能需要评估用户输入并从以前的提示中引入变量。该提示可能还需要评估其他活动变量以登录到第三方系统并检索帐户信息。提示操作和规则完成后，系统可准备要返回的响应。活动可以是一种应用程序。其可包括提示或提示的集合。
图36示出了根据一个实施例的实施智能虚拟助理系统的人工智能中的用户空间表示。如图36所示，在系统内可给予用户空间表示。该表示可在预处理阶段出现。数据可以作为(按分数划分用户)的矩阵输入，其中每列表示对一个任务给出的分数，每行表示用户。这可以是基本的向量空间表示，其将每个用户视为d维空间中的一个点。使用这种表示，应用程序可以将用户聚类到固定数量的组中，并预测其他类似用户的结果。
图37示出了如何从图36所述的用户向量空间表示提取用户潜在的个性因素的示例性过程。矩阵分解技术可用于发现向量空间矩阵数据中的潜在“主题”。例如，可在一组文本文档中自动发现一组主题。这允许对游戏进行软分组以及将用户映射到主题。在一个实施例中，人们可以检查出现的主题以确定它们对应的内容，例如，测量表现的特定方面、与不同的执行功能匹配等。
图38示出了根据一个实施例的目前示例性影像和预测。通过机器学习，可以学习使用训练影像为真人实景形象建模。也可以在视频剪辑的空间中提出概率模型。在给出前一组帧的情况下，这允许预测哪个帧最有可能的。因此，最终可生成合成影像。
图39示出了根据一个实施例的用户改进和危险的预测。例如，可基于用户与系统如何交互的短暂历史来学习预测模型。预测模型可包括用户将如何随着时间改进以及何时用户有不再使用该系统的危险。
图40示出了根据一个实施例的对用户感兴趣项目的预测。基于用户过去的兴趣以及其他类似用户的兴趣，可学习预测哪些项目会使用户感兴趣。例如，系统可调整协同过滤技术来预测用户感兴趣的项目。
图41是根据一个实施例的示出智能虚拟助理系统如何理解用户交互并主动预测用户意图的流程图。通过使用机器学习，可发现使用模式及其相互关系，从而系统可以了解某人使用系统的原因、他们希望实现的目标以及他们可能采取的下一步行动。这些见解可进一步应用于指导建议以及潜在地推动销售。通过活动，可预测用户可能的路径。此外，可确定来自不满意用户的导致销售损失的常见“退出点”。也可创建在用户询问之前回答问题的主动建议。可通过系统实现更自然的导航，就像自动输入搜索引擎建议可以实现更轻松地使用Google一样。除了面向用户的方面外，面向后端的客户端也可利用相同的分析功能，为客户和活动提供有价值的见解。这项知识可直接帮助制作更好的活动策略。有了这项知识，系统可以：(1)通过活动找到并预测可能的途径；(2)了解和预测客户进入系统时的高级用户意图；以及(3)根据历史交互数据预测可能的下一个问题和主题。
图42是根据一个实施例的示出智能虚拟助理系统如何规划新问题的答案的示例性流程图。让用户相信系统不智能的最快捷方式之一是以“我不知道”和“我不明白您的查询”重复回应他们的查询。机器学习可用来回答问题&答案系统中的新问题。给定一组可能的答案，以及将现有问题映射到这些答案的训练集，系统可制定针对系统没见过的新问题的每个答案的可能性权重。这可能需要用到自然语言处理，具体而言，将句子转换成向量空间表示并学习预测给定句子特征的答案的多类分类算法。
图43是根据一个实施例的示出自动问题提取的示例性流程图。对于自由格式的客户提供的文本文档，目标是最终自动以一列问题及这些问题的答案填充知识库。然后可手动管理这个知识库以确保质量，并添加自动过程遗失的任何问题/答案对。
图44是根据一个实施例的示出用户意图预测的框图。如图38所示，给定历史用户数据和当前用户环境，系统可知道用户可能访问哪些可能的第一状态。找到这些相关性可为用户提供主动的建议，以及预测他们需要帮助的问题。
图45是根据一个实施例的示出工作流程的流程图。工作流程引擎可以是基于规则集触发动作的状态和调度系统。该引擎是可动态配置和管理业务逻辑的地方。每个工作线程(worker)都可通过一个或多个事件、规则和条件来触发。工作线程做的动作可以是以下一种或多种动作：运行活动、推送Abby回复、发送电子邮件、访问第三方网络服务、发送呼叫、发送短信、创建提醒、创建任务等等。工作线程可按照计划运行，例如，一个工作线程关闭或开启。
图46是根据一个实施例的示出监控过程的流程图。监控可以是捕获和记录关于特定项目信息的动作。例如，系统可让用户记录他们的体重和从第三方或蓝牙设备获取数据。工作流程工作线程可配置数据收集方法、频率和捕获数据的规则。可以在嵌套的工作线程的工作流程引擎中设置复杂的规则，以检查正在被监控的数据的多个部分。例如，如果用户：(1)是患有充血性心力衰竭的患者，在三天内增加四磅；(2)一直在服用他们的处方药(另一项可监控的项目)；(3)在运动后，他们的心率需要较长的时间才能恢复到正常的静息心率(另一个监控项目)，工作线程或工作线程组会注意到这一点，并激发诸如呼叫其医生的事件。
图47是根据一个实施例的示出任务的框图。任务可以是待做项目，例如活动、触发工作流程引擎中的工作线程、简单的数据收集、提醒或教育项目。任务可由用户角色、Abby门户管理员用户或用户创建。在一个实施例中，任务可由工作线程触发事件动态地创建。任务可以是计划的或不按计划的。例如，充血性心力衰竭患者需要每天称体重，或者医生需要在患者的任务清单上预约。
图48是根据一个实施例的示出提醒的框图。提醒可以是由Abby门户管理员用户创建的用户定义的提醒。其也可由工作流程工作线程动态地创建。所有提醒都可以有工作流程工作线程触发事件。触发事件可指定提醒通知的传送方式。例如，需要提醒充血性心力衰竭患者每天早晨服用他们的药物。患者可在通知偏好中设置提醒。在一个实施例中，通过设置提醒，患者可每天早上接收到电话，以提醒他们服用他们的药物。
图49是根据一个实施例的示出教育的框图。教育可以是给定学科领域的预定义学习模块。这些学习模块可通过将智能虚拟助理设置为指导者来以交互方式执行。智能虚拟助理还可提供回顾教学(teach backs)和触发提醒，以强化教育资料。此外，智能虚拟助理可跟踪用户的进度并在系统中对他们的结果评分。
图57是根据一个实施例的示出智能虚拟助理平台的示例性系统的框图。平台包括两个主要部件，私有虚拟云5720和数据访问层5730。
私有虚拟云5720包括互相交互以建立本发明所述功能的部件：知识库5702、NLP服务群集5704、调度器群集5706、消息服务器5708、处理流程服务器5710、配置服务器5712、注册服务器5714和守门(gatekeeper)群集5716。
私有虚拟云5720的每个部件包括或创建用于智能虚拟助理平台的一个或多个服务，其中大部分对于私有虚拟云5720是私有的。例如，知识库5702包括知识库服务，该知识库服务包括一个或多个意图引擎并为活动流程访问其他平台部件，知识库的功能如图59、60和61进一步所示。NLP服务群集包括NLP服务器实例，所述NLP服务器实例处理来自用户输入的NLP查询并创建和访问NLP训练模型，如下所述。调度器群集5706包括为用户安排事件的调度器服务。消息服务器5708包括消息服务以在私有虚拟云5720内外的部件和服务之间排列事件和传输数据。处理流程服务器5710包括跟踪和路由活动状态的处理流程服务以及包括电子邮件、短信和推送服务。配置服务器5712包括配置服务，该配置服务经由源代码存储库5718配置和更新平台。注册服务器5714包括用于向平台注册新用户的注册服务。守门群集5716包括网关服务，网关服务是唯一面向用户的服务并且用于处理用户请求和交互。服务可在使用平台期间被动态地实体化以补偿超额的用户负载。
数据访问层5730充当至数据存储5732的网关，并提供API，平台服务可使用所述API来访问存储在数据存储5732中的数据。这些数据的示例包括语言语料库、NLP训练模型、活动状态、用户进度或信息以及对智能虚拟助理平台和用户有用的任何其他数据。
在一些实施例中，可能存在非本地的扩展数据存储，“数据仓库”，其允许私有虚拟云5720的部件的服务出于分析和机器学习目的而导出数据。例如，事件可在私有虚拟云5720之外被发送到消息队列，在消息队列中它们被引导到文件系统用于存储和编目。文件系统然后可以在将事件发送到数据库之前将事件引导到分析工具或进程。由平台处理的问题事件可被发送到查询/导出进程以在它们被存储到数据仓库前分析在平台中执行的查询的类型。包括错误事件和客户交互事件在内的其他事件可能会在被存储到数据仓库前被发送到机器学习进程进行分析。事件的机器学习分析可让平台从其错误和成功中学习并随着时间的推移而改进。其他分析工具(如使用联机分析处理(OLAP)的分析工具)可能会被管理员使用以进一步分析存储在数据仓库中的数据以获取趋势、统计数据、培训数据和其他有用的分析。
图58是根据一个实施例的示出具有意图(intent)的示例性NLP模型创建的流程图。首先，在方框5802处，管理员创建活动并将问题或问题-响应对输入进平台中。随后，在方框5804处，管理员将“意图”分配给问题。或者，管理员可同时输入具有指定意图的多个问题或问题-响应对，如通过文本文件。意图是一个标签，它为问题或查询提供含义，并有助于通过各种平台部件发送查询。对于每个意图，都有一个特定的处理器(handler)服务来处理它发送的查询。平台中可能有无限数量的意图和无限数量的意图处理器。例如，意图可以是“LOCATION”，其向平台指示用户正在询问位置信息，并且用户请求应该被相应地路由。然后可将用户查询发送到“LOCATION”意图处理器服务以进行处理，其可包括数据库查找、因特网搜索或其他处理，以得到用户正在请求的信息。训练数据可通过文本文件或其他合适的方式输入，并可看起来像下面的示例数据，其中所有大写字母中的单词或词语是意图且每个意图之后的单词包括匹配的问题/查询：
LOCATION世界上最高的山峰在哪里？
LOCATION埃菲尔铁塔位于哪里？
PERSON谁是美国总统？
PERSON谁是俄罗斯总统？
SCHEDULE_COMMAND提醒我明天早上9点遛狗。
SCHEDULE_COMMAND预约明天上午10点去看医生
在方框5806处，问题和分配的意图都通过NLP服务群集5704添加到NLP训练部件中，该服务群集收集无数添加到平台的带有意图的问题。然后训练部件在方框5808处使用机器学习来基于问题的语料库和分配的意图创建训练NLP模型。然后，训练NLP模型可用于将意图与在用户与平台交互期间询问的问题相匹配。例如，在训练了数百或数千个问题意图组合后，如果平台得到正确训练，则“谁是加拿大总统”的查询将与“PERSON”意图匹配。“谁是加拿大总统”这句话可能不在训练数据集中，但是因为模型“学会”如何将意图与句子相匹配，所以能够返回与训练集中句子结构和含义相匹配的其他句子的意图。
图59是根据一个实施例的示出将意图匹配至用户问题的流程图。在与平台的交互期间，在方框5902处，用户通过询问或告知平台一条信息来向平台展示查询。如果查询被说出，则平台在方框5904处使用语音识别软件将语音转换为文本，否则查询将转到方框5906处。在方框5906处，文本被发送到知识库服务的意图引擎。在方框5908处，意图引擎使用关于图58描述的NLP训练模型来确定查询的意图。当意图引擎试图使用NLP训练模型将问题与意图匹配时，NLP训练模型基于用于训练NLP训练模型的训练数据/语料库返回“百分比匹配”。例如，NLP训练模型可返回80％的匹配，表示基于输入的训练问题-意图对，返回的匹配有80％信心分数。在方框5910处，针对平台中的阈值要求测试百分比匹配以确定匹配是否可接受，这是可配置的设置。例如，在允许将查询发送到特定的意图处理器之前，可将平台设置为85％匹配阈值要求。因此，NLP训练模型在85％信心分数以下的任何意图对该平台来说都是不匹配的。如果匹配的意图低于平台的阈值，则可使用默认意图来路由查询。在图59的示例性流程图中，不匹配流向方框5912并将意图设置为平台的“INFORMATION”的默认意图，然后可通过尝试最接近的意图匹配、尝试重新匹配意图或要求用户提供更多信息来进行处理。如果匹配的意图满足阈值要求，则将该查询发送到针对该特定意图的意图处理器，如方框5914所示。在方框5916处，意图处理器处理查询以向用户返回答案。例如，如果用户对该平台说，“提醒我今天下午5点给我妈打电话”，则会首先使用语音识别对语音进行语音分析。该文本然后将被发送到意向引擎，其中训练模型将“SCHEDULE_COMMAND”意图匹配用户的表达或查询。假设NLP训练模型将SCHEDULE_COMMAND意图与足够高的阈值进行匹配，则查询将被发送到SCHEDULE_COMMAND意图的处理器，然后处理器可处理查询并为用户创建日历事件。
图60示出了根据一个实施例的对话NLP的示例性数据流。更具体地说，图60显示了当执行诸如图59的步骤时通过平台的信息数据流。所示云是私有虚拟云5720，但为了便于描述，并没有显示所有平台部件。首先，用户6040通过语音、文本、短信、网络电话、聊天等与平台交互以形成发送到守门群集5716的守门服务6016的请求或查询。如上所述，守门服务是唯一面向用户的服务，而所有其他服务都在私有虚拟云5720的内部。守门服务6016将查询路由至知识库5702的知识库服务6002。
然后知识库5702将查询传递给处理流程服务器5710的处理流程服务6010，以确定该查询是否是用户的现有对话的一部分。如关于图59所述，知识库服务6002然后使用其意图引擎来验证用户6040的意图并将该查询传递给适当的意图处理器。更具体地说，可能有几种不同的结果，尽管在这里描述了这些处理流程中的四个，但是本说明书不应被解释为将平台限制于这四个处理流程。如果意图触发了启用状态的对话，则查询被路由到处理流程服务6010以跟踪对话状态和环境。如果意图不需要知识库服务6002，例如那些用于重复响应或用户闲谈的意图，则查询被发送到适当的意图管理器以正确和快速地处理该请求。如果意图是调度命令，比如以上如图59所述的SCHEDULE_COMMAND意图，则查询被路由到调度器群集5706的调度器服务6006以为用户6040调度事件。如果意图需要知识库5702，则将查询发送到知识库处理器以基于NLP训练模型和任何其他相关数据及算法来确定对查询的响应，如图58和图59所述的用于确定关于事实信息的过程。在确定意图之后，知识库5702或意图管理器可调用NLP服务群集5704的NLP服务6004以找到匹配的意图，并处理用户搜索中的词类和任何具名实体，比如“妈妈”或“艾菲尔铁塔”，以确定如何处理查询和如何对用户6040做出响应。最后，来自意图管理器的匹配或触发的响应被返回给用户6040。
来自平台的响应可被编辑格式以向任何客户说明，并可不限于文本或形象语音或视频。客户端可用任何适当的方式来处理响应，并且该响应可与其他变量一起定制以触发某些过程，比如图形用户界面处理。响应也可能包括调试和记录有关如何创建响应的信息。下面是一个JavaScript对象标记(JSON)格式的示例响应：
由平台创建的响应可将返回的信息与使用第三方API 6050从第三方供应商检索的内容绑定。知识库5702可将用户查询映射到内部的多个响应，并且也可以由第三方响应密钥来触发。整个响应可由第三方返回，或者它可返回供知识库5702使用的密钥。例如，如果平台对用户6040请求的信息没有足够的训练，则诸如第三方API 6050之类的外部API可使响应由平台外部的第三方进行处理。第三方API 6050可返回映射到现有知识库响应的密钥。如果存在外部API响应类型，则可忽略所有其他响应类型，如文本、视频等。
图61示出了根据一个实施例的调度事件的示例性数据流。更具体地，图61显示了当执行如上简要所述的调度时通过平台的信息数据流。所示云是私有虚拟云5720，但为了便于描述，并没有显示所有平台部件。首先，用户6040通过语音，文本、短信、网络电话、聊天等与平台交互以形成发送到守门群集5716的守门服务6016的请求或查询。如上所述，守门服务是唯一面向用户的服务，而所有其他服务都在私有虚拟云5720的内部。守门服务6016将查询路由至知识库5702的知识库服务6002。然后知识库5702将查询传递给调度器群集5706的调度器服务6006。调度器服务6006然后可为用户6040创建、更新、读取或移除调度的事件。在调度器服务6006完成其动作之后，可将通用响应返回给用户6040以通知用户已采取的动作。例如，如果调度器服务6006创建事件，那么平台可返回诸如“我已经创建了您的事件”或“我已经将您与医生上午10点的预约添加到您的日历”的响应。或者，响应可包括查询的所有细节，以与其他具有添加的知识数据库5702响应同样的格式；事件的细节，比如日期、时间、标题、循环等可被包括并具体解析出。如果需要，该数据可能随后会在对另一个系统或平台的API调用中使用。例如，如果用户6040想要安排“明天上午10点”的事件，那么平台可以返回“您与医生在2016年9月2日上午10点于美国宾夕法尼亚州小镇菲克大街123号的预约已经创建”。如果除了平台之外用户6040想要在移动设备上安排该事件，则可容易地制作对移动操作系统的API调用来安排事件，因为事件的具体细节已经被解析出并可容易地分配给API属性。
每个事件都作为事件记录存储在知识库5702中，并创建事件通知的触发并将其存储在调度器服务6006中。每个触发可能有一个或多个关联的通知事件类型，例如短信、电子邮件或推送通知。当到达事件或事件警报的时间时，触发启动，通知事件经处理流程服务器5710被传递给处理器。通知事件可以是向用户6040发送短信消息、向用户6040发送电子邮件、向注册到用户6040的应用程序发送推送通知或任何其他向用户通知事件的适当方法。在图61的示例中，短信服务6062是短信通知事件的处理器，电子邮件服务6064是电子邮件通知事件的处理器，推送服务6066是推送通知事件的处理器。短信服务6062、电子邮件服务6064和推送服务6066是在处理流程服务器5710上的服务。
图50A是示例性通信系统100的示意图，其中可实施一个或多个本发明公开的实施例。通信系统100可为向多个无线用户和游戏玩家提供诸如语音、数据、视频、消息、广播、游戏等内容的多址系统。通信系统100可使多个无线用户能够通过共享包括无线带宽的系统资源来访问这样的内容。例如，通信系统100可采用一种或多种信道接入方法，比如，码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交FDMA(OFDMA)、单载波FDMA(SC-FDMA)等。图50A所示的通信系统在本发明中也称作网络。
如图50A所示，通信系统100可包括无线发射/接收单元(WTRU)102a、102b、102c、102d，无线接入网(RAN)104、核心网络106、公共交换电话网络(PSTN)108、因特网110以及其他网络112，尽管可理解的是，所公开的实施例考虑了任何数量的WTRU，基站、网络和/或网络元件。WTRU 102a、102b、102c、102d中的每个都可以是任何类型的被配置为在无线环境中操作和/或通信的设备。通过示例的方式，WTRU 102a、102b、102c、102d可被配置成发射和/或接收无线信号，并可包括用户设备(UE)、移动电台、移动设备、固定或移动用户单元、寻呼机、蜂窝电话、掌上电脑(PDA)、智能手机、笔记本电脑、上网本、个人计算机、无线传感器、消费电子产品、平板电脑、多媒体主机游戏机、可穿戴设备等。
通信系统100还可包括基站114a和基站114b。基站114a、114b中的每个可为任何类型的被配置成与WTRU 102a、102b、102c、102d中至少一个无线联接的设备，以便于访问一个或多个通信网络，比如，核心网络106、因特网110和/或网络112。通过示例的方式，基站114a、114b可以是基站收发台(BTS)、基站(Node-B)、演进型基站(eNode B)、家庭基站(Home NodeB)、家庭演进型基站(Home eNode B)、站点控制器(site controller)、访问接入点(AP)、无线路由器等。尽管基站114a、114b中的每个都被描述为单个元件，但应了解，基站114a、114b可包括多个互连的基站和/或网络元件。
基站114a可以是RAN 104的一部分，其还可包括其他基站和/或网络元件(未示出)，比如，基站控制器(BSC)、无线网络控制器(RNC)、中继节点等。基站114a和/或基站114b可被配置以在可称为小区(cell)(未示出)的特定地理区域内发射和/或接收无线信号。小区可以进一步被分成小区分区(cell sector)。例如，与基站114a相关联的小区可以被划分成三个分区。因此，在一个实施例中，基站114a可包括三个收发器，即每个小区的分区具有一个。在另一个实施例中，基站114a可采用多入多出(MIMO)技术，因此可以对小区的每个分区使用多个收发器。
基站114a、114b可与WTRU 102a、102b、102c、102d中的一个或多个通过空中接口116进行通信，空中接口可以是任何合适的无线通信线路(例如射频(RF)、微波、红外(IR)、紫外线(UV)、可见光等)。空中接口116可使用任何合适的无线接入技术(RAT)来建立。
更具体地，如上所述，通信系统100可以是多址系统并可采用一个或多个信道接入方案，比如CDMA、TDMA、FDMA、OFDMA、SC-FDMA等。例如，RAN104中的基站114a和WTRU 102a、102b、102c可实现诸如可利用宽带CDMA(WCDMA)来建立空中接口116的通用移动电信系统(UMTS)陆地无线接入(UTRA)的无线电技术。WCDMA可包括诸如高速分组接入(HSPA)和/或演进型HSPA(HSPA+)之类的通信协议。HSPA可包括高速下行分组接入(HSDPA)和/或高速上行分组接入(HSUPA)。
在另一个实施例中，基站114a和WTRU 102a,102b,102c可实施诸如演进型UMTS陆地无线接入(E-UTRA)之类的无线电技术，后者使用长期演进(LTE)和/或高级LTE(LTE-A)来建立空中接口116。
在其他实施例中，基站114a和WTRU 102a,102b,102c可实施无线电技术，比如，IEEE802.16(即，全球微波互联接入(WiMAX))、CDMA2000、CDMA2000 1X、CDMA2000EV-DO、暂时标准2000(IS-2000)、暂时标准95(IS-95)、暂时标准856(IS-856)、全球移动通信系统(GSM)、增强型数据速率GSM演进(EDGE)、GSM EDGE(GERAN)等。
图50A所示的基站114b可以是无线路由器、家庭基站(Home Node B)、家庭演进型基站(Home eNode B)或访问接点，并可利用任何合适的RAT来促进局部区域(比如商业场所、家庭、车辆、校园等)中的无线连接。在一个实施例中，基站114b和WTRU 102c、102d可实施诸如IEEE 802.11的无线电技术来建立无线局域网(WLAN)。在另一个实施例中，基站114b和WTRU102c、102d可实施诸如IEEE 802.15的无线电技术来建立无线个人局域网(WPAN)。在又一个实施例中，基站114b和WTRU 102c、102d可利用蜂窝式RAT(例如，WCDMA、CDMA 2000、GSM、LTE、LTE-A等)来建立微微蜂窝(picocell)或飞微蜂窝(femtocell)。如图50A所示，基站114b可具有至因特网110的直通连接。因此，基站114b不需要经由核心网络106接入因特网110。
RAN 104可与核心网络106通信，后者可以是任何类型被配置成向WTRU 102a、102b、102c、102d提供语音、数据、应用程序和/或网络电话(VoIP)的网络。例如，核心网络106可提供呼叫控制、计费服务、移动定位服务、预付费呼叫、因特网连接、视频分配等和/或执行诸如用户认证的高级安全功能。即使未出现在图50A中，但应了解，RAN 104和/或核心网络106可与其他RAN进行直接或间接通信，其他RAN可采用与RAN 104相同的RAT或不同的RAT。例如，除了被连接到可利用E-UTRA无线电技术的RAN 104之外，核心网络106还可与采用GSM无线电技术的另一个RAN(未示出)进行通信。
核心网络106还可充当用于WTRU 102a、102b、102c、102d接入PSTN 108、因特网110和/或其它网络112的网关。PSTN 108可包括提供普通老式电话服务(POTS)的电路交换电话网络。因特网110可包括互连计算机网络和设备的全球系统，所述的互连计算机网络和设备使用通用通信协议，比如在TCP/IP网际协议套中的传输控制协议(TCP)、用户数据报协议(UDP)和因特网协议(IP)之类的通用通信协议。网络112可包括由其他服务提供商拥有和/或运营的有线或无线通信网络。例如，网络112可包括连接到一个或多个RAN的另一个核心网络，其可采用与RAN104相同的RAT或不同的RAT。
通信系统100中所有或一部分的WTRU 102a、102b、102c、102d可包括多模式功能，即WTRU 102a、102b、102c、102d可包括多个收发器，用于通过不同的无线连接与不同的无线网络通信。例如，图50A所示的WTRU 102c可被配置成与可使用蜂窝式无线电技术的基站114a通信，以及与可使用IEEE802无线电技术的基站114b通信。
图50B是可实施本发明公开的移动应用程序的示例性WTRU 102的系统示意图。如图50B所示，WTRU 102可包括处理器118、收发器120、发射/接收元件122、扬声器/麦克风124、小键盘126、显示器/触摸板128、不可移动存储器130、可移动存储器132、电源134、全球定位系统(GPS)芯片组136和其他外围设备138。应了解，在保持与实施例一致的同时，WTRU 102可包括前述元件的任何子组合。
处理器118可以是通用处理器、专用处理器、常规处理器、数字信号处理器(DSP)、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、供专门应用的集成电路(ASIC)、现场可编程门阵列(FPGA)电路、任何其他类型的集成电路(IC)以及状态机等。处理器118可执行使WTRU 102能够在无线环境中运行的信号编码、数据处理、功率控制、输入/输出处理和/或任何其他功能。处理器118可被耦接至收发器120，后者可被耦接至发射/接收元件122。尽管图50B描述了处理器118和收发器120为单独的部件，但应了解，处理器118和收发器120可一起集成在电子组件或芯片中。
发射/接收元件122可被配置成通过空中接口116从基站或向基站(例如，基站114a)接收或发射信号。例如，在一个实施例中，发射/接收元件122可以是被配置成发射和/或接收RF信号的天线。在另一个实施例中，发射/接收元件122可以是被配置成发射和/或接收诸如IR、UV或可见光信号的发射器/检测器。在又一个实施例中，发射/接收元件122可被配置成发射和/或接收RF和光信号。应了解，发射/接收元件122可被配置成发射和/或接收任何无线信号的组合。
另外，尽管发射/接收元件122在图50B中被表示为单个元件，但WTRU 102可包括任何数量的发射/接收元件122。更具体地，WTRU 102可采用MIMO技术。因此，在一个实施例中，WTRU102可包括两个或多个发射/接收元件122(例如，多个天线)，用于通过空中接口116发射和接收无线信号。
收发器120可被配置成调制要由发射/接收元件122发送的信号并且解调由发射/接收元件122接收的信号。如上所述，WTRU 102可具有多模式功能。因此，收发器120可包括多个收发器，用于例如使WTRU 102能够经由多个RAT(例如，UTRA和IEEE 802.11)进行通信。
WTRU 102的处理器118可被耦接至扬声器/麦克风124、小键盘126和/或显示器/触摸板128(例如，液晶显示器(LCD)显示装置或有机发光二极体(OLED)显示装置)并可从中接收用户输入数据。处理器118还可将用户数据输出至扬声器/麦克风124、小键盘126和/或显示器/触摸板128。另外，处理器118可访问来自任何类型的合适存储器(比如不可移除存储器130和/或可移除存储器132)的信息并将数据存储在其中。不可移除存储器130可包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘或任何其他类型的存储器存储设备。可移除存储器132可包括用户身份模块(SIM)卡、记忆棒、安全数字(SD)存储卡等。在其他实施例中，处理器118可从物理上不位于WTRU 102上的存储器(比如，服务器或家用计算机(未示出))访问信息并将数据存储在这些存储器中。
处理器118可从电源134接收电力，并可被配置为向WTRU 102中的其他部件分配和/或控制电力。电源134可以是任何类型的用于向WTRU 102供电的合适设备。例如，电源134可包括一个或多个干电池(例如，镍镉(NiCd)、镍锌(NiZn)、镍金属氢化物(NiMH)、锂离子(Li离子)等)、太阳能电池、燃料电池等。
处理器118还可被耦接至GPS芯片组136，该GPS芯片组可被配置为提供关于WTRU102当前位置的位置信息(例如，经度和纬度)。除了或代替来自GPS芯片组136的信息，WTRU 102可通过空中接口116从基站(例如，基站114a、114b)接收位置信息和/或基于从两个或更多个附近基站接收的信号的时间来确定其位置。应了解，在保持与实施例一致的同时，WTRU 102可通过任何合适的位置确定方法来获取位置信息。
处理器118还可被耦接至其他外围设备138，这些外围设备可包括提供附加特征、功能和/或有线或无线连接的一个或多个软件和/或硬件模块。例如，外围设备138可包括加速度计、电子罗盘、卫星收发器、数字照相机(用于照片或视频)、通用串行总线(USB)端口、振动装置、电视收发器、免提耳机、蓝牙模块、调频(FM)无线电单元、数字音乐播放器、媒体播放器、视频游戏机模块和互联网浏览器等。
图51是可被使用在本发明所述的任何实施例中的处理器1158的框图，包括作为移动设备210、310和610的一个或多个组件，作为网络设备或相关设备的一个或多个组件，和/或作为可实现本发明所述的主题的任何部分的任何第三方系统或子系统的一个或多个组件。应强调，图51所示的框图是示例性的，且并不旨在暗示具体实施例。因此，处理器1158可在单个处理器或多个处理器中实现。多个处理器可以是分布式的或位于中心的。多个处理器可通过硬接线或其组合进行无线通信。
如图51所示，处理器1158包括处理部分1160、存储部分1162和输入/输出部分1164。处理部分1160、存储部分1162和输入/输出部分116被耦接在一起(图51中未示出耦接)，以实现这些部分之间的通信。输入/输出部分1164能够提供和/或接收组件、命令和/或指令，以用于例如请求和接收APN、MNC和/或MCC，建立和终止通信会话，发射和接收数据访问，请求数据和响应，发送、接收、存储和处理文本、数据和语音通信，执行有效处理无线电资源请求的软件，接收和存储无线电资源请求、无线电资源请求处理偏好和配置，和/或执行本发明描述的任何其他功能。
处理器1158可被实施为客户端处理器和/或服务器处理器。在基本的配置中，处理器1158可包括至少一个处理部分1160和存储部分1162。存储部分1162可存储与建立、发射、接收和/或处理文本、数据和/或语音通信、通信相关数据和/或内容、语音呼叫、其他电话通信等结合使用的任何信息。例如，存储部分能够存储APN、MNC、MCC、无线电资源请求、用于高效无线电资源请求处理系统的软件、文本和数据通信、呼叫、语音邮件、多媒体内容、可视语音邮件应用等。取决于处理器的确切配置和类型，存储部分1162可以是易失性的(诸如RAM)1166，非易失性的(诸如ROM、闪存等)1168或其组合。处理器1158可具有其他特征/功能。例如，处理器1158可包括附加存储器(可移除存储器1170和/或不可移除存储器1172)，包括但不限于磁盘或光盘、磁带、闪存、智能卡或其组合。诸如存储器和存储元件1162、1170、1172、1166和1168之类的计算机存储介质可包括以任何方法或技术实现的易失性和非易失性、可移除和不可移除介质，用于存储诸如计算机可读指令、数据结构、程序模块或其他数据。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用光盘(DVD)或其他光存储器、盒式磁带、磁带、磁盘存储器或其它磁存储设备、通用串行总线(USB)兼容存储器、智能卡或可用于存储期望的信息并可由处理器1158访问的任何其他介质。任何该类计算机存储介质都可为处理器1158的一部分。
处理器1158还可包括允许处理器1158通过例如无线接入网络(RAN)与其他设备进行通信的通信连接1180。通信连接1180是通信介质的一个示例。通信介质通常在诸如载波或其他传输机制等已调制数据信号中来具体化计算机可读指令、数据结构、程序模块或其他数据，并包括任何信息传递介质。术语“已调制数据信号”是指一个或多个特性被以对信号中的信息进行编码的方式设置或改变的信号。作为示例而非限制，通信介质包括有线媒体，比如有线网络或可与陆线电话一起使用的直接有线连接，以及无线媒体，比如声学、RF、红外、蜂窝和其他无线媒体。本发明使用的术语计算机可读介质包括存储介质和通信介质。处理器1158还可具有诸如键盘、小键盘、鼠标、笔、语音输入设备、接触式输入装备等的输入设备1176，也还可以包括诸如显示器、扬声器、打印机等的输出设备1174。
虽然已经结合各种通信设备和计算设备/处理器描述了识别个人能力、技能和兴趣的系统和方法的示例性实施例，但是这些基本概念可应用于任何通信或计算设备，处理器或应用于能够实施系统和方法来识别个人的能力，技能和兴趣的系统中。本发明描述的各种技术可结合硬件或软件或者在适当的情况下结合两者来实现。因此，用于识别个人能力、技能和兴趣或其某些方面或部分的系统和方法可采取体现在有形永久性介质(比如软盘、CD-ROM、硬盘驱动器或任何其他机器可读存储介质)的程序代码的形式，其中，当程序代码被加载到诸如计算机等机器并由其执行时，该机器成为用于识别个人能力、技能和兴趣的装置。在可编程计算机上执行程序代码的情况下，计算设备通常将包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。如果需要，程序可用汇编语言或机器语言来实现。该语言可以是编译或解释的语言，并可与硬件实现结合使用。
应该理解的是，如本发明所述的存储介质、存储器、计算机可读存储介质和机器可读存储介质具有具体的、有形的物理结构。众所周知，信号没有具体的、有形的物理结构。存储介质、存储器、计算机可读存储介质和机器可读存储介质以及本发明描述的任何计算机可读存储介质不应被解释为信号。存储介质、存储器、计算机可读存储介质和机器可读存储介质以及本发明描述的任何计算机可读存储介质不应被解释为暂时性信号。存储介质、存储器、计算机可读存储介质和机器可读存储介质以及本发明描述的任何计算机可读存储介质不应被解释为传播性信号。存储介质、存储器、计算机可读存储介质和机器可读存储介质以及本发明描述的任何计算机可读存储介质应被解释为具有具体的物理有形结构的制品。
用于识别个人能力、技能和兴趣的方法和系统也可通过以程序代码的形式体现的通信来实践，该程序代码通过某些传输介质传输，比如通过电线或电缆，通过光纤或通过任何其他传输形式，其中，当程序代码被接收、加载到诸如EPROM、门阵列、可编程逻辑器件(PLD)、客户端计算机等机器并由其执行时，机器变成识别个人能力、技能和兴趣的设备。当在通用处理器上实施时，程序代码与处理器组合以提供独特的装置，该装置运行以用于调用识别个人能力、技能和兴趣的功能，如本发明所述。此外，与智能漫游和互通系统连接使用的任何存储技术可能总是硬件和软件的组合。
尽管已经结合各个附图的各种实施例描述了用于识别个人能力、技能和兴趣的系统和方法，但是应当理解，可使用其他类似的实施例，或者可对所描述的实施例进行修改和添加，以用于执行与识别个人能力、技能和兴趣相同的功能而不会与之偏离。例如，本领域技术人员将认识到，如本申请中所描述的用于识别个人能力、技能和兴趣的系统和方法可应用于任何环境，无论是有线还是无线的，并可应用于任何数量的通过通信网络连接并跨网络交互的这样的设备。因此，用于识别个人能力、技能和兴趣的系统和方法不应局限于任何单个实施例，而是应该在与所附权利要求相符的宽度和范围上进行解释。
本发明的方面包括以下内容：
一种方法包括：在服务器上接收指示多个游戏的游戏数据，所述多个游戏中的每一个被设计以评估至少一个个人特性；由所述服务器确定与所述多个游戏中的第一游戏相关联的第一比较游戏表现，所述第一比较游戏表现基于所述游戏数据和比较游戏信息，所述比较游戏信息指示与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较；由所述服务器从所述第一比较游戏表现中导出个人特性；以及由所述服务器提供所述个人特性的指示。
在该方法中，所述至少一个个人特性包括人类能力、认知技能或职业兴趣中的至少一个。例如，所述人类能力可包括：数学技能、逻辑推理技能、语言技能、视觉空间技能、音乐技能、肢体运动技能、人际交往技能，内省技能和自然探索技能。例如，认知技能可包括注意力功能、参与功能、优化功能、效率功能、记忆功能、调查功能、解决功能。
在该方法中，所述比较游戏表现可包括至少一个基准表，所述至少一个基准表指示与所述第一游戏相关联的游戏表现以及与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现的分数和表现水平。例如，与所述第一游戏相关联的游戏表现可包括至少一个度量，所述至少一个度量指示基于所述游戏数据对至少一个个人特性的测量标准。该方法可进一步包括：确定与所述第一游戏相关联的至少一个度量；基于所述至少一个度量计算所述至少一个度量中每个度量的原始分数；平均所述至少一个度量中每个度量的原始分数；以及基于所述原始分数确定所述至少一个度量中每个度量的分数和表现水平。本发明中，与所述第一游戏相关联的所述第一比较游戏表现包括与所述第一游戏相关联的至少一个度量中每个度量的至少一个百分比排名。
所述方法可进一步包括基于与所述第一游戏相关联的游戏表现和与所述多个游戏中至少一个其他游戏相关联的相应游戏表现之间的比较，确定与所述第一游戏相关联的游戏表现中的每个游戏表现的至少一个百分比排名。
在附加实施例中，所述方法可进一步包括基于与所述第一游戏相关联的游戏表现和与所述多个游戏中至少一个其他游戏相关联的相应游戏表现之间的比较，确定与所述第一游戏相关联的游戏表现中的每个游戏表现的至少一个百分比排名。
本发明的其他方面包括系统，所述系统包括：处理器；以及存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使所述处理器实现以下操作：接收指示多个游戏的游戏数据，所述多个游戏中的每个游戏被设计以评估至少一个个人特性；确定与所述多个游戏中的第一游戏相关联的第一比较游戏表现，所述第一比较游戏表现基于所述游戏数据和比较游戏信息，所述比较游戏信息指示与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较；从所述第一比较游戏表现中导出个人特性；以及提供所述个人特性的指示。
这些系统可被设计使得所述至少一个个人特性包括人类能力、认知技能或职业兴趣中的至少一个。替代地，这些系统的设计中，所述比较游戏表现包括至少一个基准表，所述基准表指示与所述第一游戏相关联的游戏表现以及与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现的分数和表现水平。例如，与所述第一游戏相关联的游戏表现可包括至少一个度量，所述至少一个度量指示基于所述游戏数据对至少一个个人特性的测量标准。同样，此处的操作可进一步包括：确定与所述第一游戏相关联的至少一个度量；基于所述至少一个度量计算所述至少一个度量中每个度量的原始分数；平均所述至少一个度量中每个度量的原始分数；以及基于所述原始分数确定所述至少一个度量中每个度量的分数和表现水平。因此，与所述第一游戏相关联的第一比较游戏表现可包括与所述第一游戏相关联的至少一个度量中每个度量的至少一个百分比排名。
在其他实施例中，提供计算机可读存储介质，所述计算机可读存储介质包括可执行指令，当所述可执行指令由处理器执行时，使所述处理器实现以下操作：接收指示多个游戏的游戏数据，所述多个游戏中的每个游戏被设计以评估至少一个个人特性；由服务器确定与所述多个游戏中的第一游戏相关联的第一比较游戏表现，所述第一比较游戏表现基于所述游戏数据和比较游戏信息，所述比较游戏信息指示与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现之间的比较；由服务器从所述第一比较游戏表现中导出个人特性；以及由所述服务器提供所述个人特性的指示。在这些实施例中，所述至少一个个人特性可包括人类能力、认知技能或职业兴趣中的至少一个。另外，所述比较游戏表现可包括至少一个基准表，所述至少一个基准表指示与所述第一游戏相关联的游戏表现和与所述多个游戏中的至少一个其他游戏相关联的相应游戏表现的分数和表现水平。此处，与所述第一游戏相关联的游戏表现可包括至少一个度量，所述至少一个度量指示基于所述游戏数据对至少一个个人特性的测量标准。同样，所述操作可进一步包括：确定与所述第一游戏相关联的至少一个度量；基于所述至少一个度量计算所述至少一个度量中每个度量的原始分数；平均所述至少一个度量中每个度量的原始分数；以及基于所述原始分数确定所述至少一个度量中每个度量的分数和表现水平。例如，与所述第一游戏相关联的第一比较游戏表现包括与所述第一游戏相关联的至少一个度量中每个度量的至少一个百分比排名。
在其他实施例中，本发明的计算机可读存储介质可进一步包括：基于与所述第一游戏相关联的游戏表现和与所述多个游戏中至少一个其他游戏相关联的相应游戏表现之间的比较，确定与所述第一游戏相关联的游戏表现中的每个游戏表现的至少一个百分比排名。

Claims (17)

1.一种智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括：
处理器；以及
存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：
从至少一个活动应用程序接收指示多个活动和多个提示的至少一个输入参数；
基于所述至少一个输入参数确定活动流程；以及
基于所述活动流程生成智能虚拟助理应用程序。
2.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括可执行指令，当所述可执行指令由处理器执行时，使得所述处理器实现以下操作：
接收指示用户的个人特性的多个用户数据；
将所述多个用户数据转换成按分数划分用户的矩阵；以及
基于所述按分数划分用户的矩阵生成第一用户群；
基于所述按分数划分用户的矩阵生成第二用户群；以及
基于所述第一用户群和所述第二用户群中每个的结果确定至少一个相似度；
其中，所述按分数划分用户的矩阵的每列表示对一个任务给出的分数，以及所述按分数划分用户的矩阵中的每行表示执行所述任务的用户。
3.一种智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括：
处理器；以及
存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：
接收指示智能虚拟助理应用程序内的使用模式的多个用户交互数据；
基于所述多个用户交互数据确定用户交互的第一路径；以及
基于所述用户交互的第一路径预测用户交互的第二路径。
4.一种智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括：
处理器；以及
存储器，所述存储器被耦接至所述处理器，所述存储器包括至少一个可执行指令，当所述至少一个可执行指令由所述处理器执行时，使得所述处理器实现以下操作：
通过智能虚拟助理应用程序接收指示用户问题的文本数据；
接收指示映射信息的训练集数据，所述映射信息将现有问题映射至答案；
将所述文本数据转换成矢量空间表示；
基于所述训练集数据和所述矢量空间表示生成对所述用户问题的多个候选响应，所述多个候选响应中的每个候选响应包括概率权重分数；
基于所述概率权重分数确定所述多个候选响应的排名；以及
基于所述排名向所述智能虚拟助理应用程序提供响应。
5.一种智能虚拟助理系统，其特征在于，所述智能虚拟助理系统包括私有虚拟云和数据访问层；
其中，所述私有虚拟云包括知识库、自然语言处理服务群集、调度器群集、消息收发服务器、处理流程服务器、配置服务器、注册服务器和守门群集；并且
所述数据访问层充当数据存储的网关，并提供应用程序界面，所述私有虚拟云可使用所述应用程序界面来访问存储在所述数据存储中的数据。
6.根据权利要求5所述的系统，其特征在于，所述数据存储存放语言语料库、自然语言处理训练模型、活动状态、用户进度和用户信息。
7.一种方法，其特征在于，所述方法包括：
由智能虚拟助理系统接收事件数据；
使用机器学习算法分析所述事件数据；
由智能虚拟助理平台将所述事件数据保存至数据仓库。
8.根据权利要求7所述的方法，其特征在于，所述事件数据为错误数据，其中，所述机器学习算法用来避免未来的错误。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
分析保存在所述数据仓库中的所述事件数据的趋势、统计数据和训练数据。
10.根据权利要求7所述的方法，其特征在于，所述事件数据为客户数据，其中，所述机器学习算法用来改善与所述智能虚拟助理系统的用户交互。
11.一种智能虚拟助理系统中的方法，其特征在于，所述方法包括：
接收问题；
接收分配给所述问题的意图；
将所述问题和意图发送至自然语言处理训练部件；以及
使用所述训练部件训练自然语言处理模型。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
接收问题；以及
使用所述训练的自然语言处理模型将意图分配给所述问题。
13.根据权利要求11所述的方法，其特征在于，所述方法还包括：
接收语音查询；
将所述语音查询转换为文本查询；
将所述文本查询发送至意图引擎；以及
为所述文本查询确定匹配意图。
14.根据权利要求13所述的方法，其特征在于，所述方法还包括：
确定所述匹配意图的置信度分数；
确定所述置信度分数是否满足阈值要求；
确定所述置信度分数不满足所述阈值要求；以及
给所述查询分配默认意图。
15.根据权利要求13所述的方法，其特征在于，所述方法还包括：
确定所述匹配意图的置信度分数；
确定所述置信度分数是否满足阈值要求；
确定所述置信度分数满足所述阈值要求；以及
将所述文本查询分配给所述匹配意图的处理器。
16.根据权利要求14或15中任一项所述的方法，其特征在于，所述方法还包括：
确定对所述文本查询的响应；以及
输出所述响应。
17.根据权利要求11到16中任一项所述的方法，其特征在于，所述接收由守门服务或知识库服务来执行。
CN201680064009.6A 2015-09-02 2016-09-02 智能虚拟助理系统及相关方法 Pending CN108369521A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562213276P 2015-09-02 2015-09-02
US62/213,276 2015-09-02
PCT/US2016/050223 WO2017041008A1 (en) 2015-09-02 2016-09-02 Intelligent virtual assistant systems and related methods

Publications (1)

Publication Number Publication Date
CN108369521A true CN108369521A (zh) 2018-08-03

Family

ID=58188487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680064009.6A Pending CN108369521A (zh) 2015-09-02 2016-09-02 智能虚拟助理系统及相关方法

Country Status (5)

Country Link
US (1) US20180308473A1 (zh)
EP (1) EP3347812A4 (zh)
KR (1) KR20180108562A (zh)
CN (1) CN108369521A (zh)
WO (1) WO2017041008A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284387A (zh) * 2018-10-19 2019-01-29 昆山杜克大学 刻板特异用语检测系统、方法、计算机设备和存储介质
CN110308792A (zh) * 2019-07-01 2019-10-08 北京百度网讯科技有限公司 虚拟角色的控制方法、装置、设备及可读存储介质
CN112365892A (zh) * 2020-11-10 2021-02-12 杭州大搜车汽车服务有限公司 人机对话方法、装置、电子装置及存储介质
CN114979029A (zh) * 2022-05-16 2022-08-30 百果园技术(新加坡)有限公司 一种虚拟机器人的控制方法、装置、设备及存储介质

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10315113B2 (en) 2015-05-14 2019-06-11 Activision Publishing, Inc. System and method for simulating gameplay of nonplayer characters distributed across networked end user devices
US10769185B2 (en) * 2015-10-16 2020-09-08 International Business Machines Corporation Answer change notifications based on changes to user profile information
US11334803B2 (en) * 2016-04-20 2022-05-17 Carnegie Mellon University Data processing system to detect neurodevelopmental-specific learning disorders
US10437841B2 (en) * 2016-10-10 2019-10-08 Microsoft Technology Licensing, Llc Digital assistant extension automatic ranking and selection
US20180137401A1 (en) * 2016-11-16 2018-05-17 Microsoft Technology Licensing, Llc Security systems and methods using an automated bot with a natural language interface for improving response times for security alert response and mediation
US20180364798A1 (en) * 2017-06-16 2018-12-20 Lenovo (Singapore) Pte. Ltd. Interactive sessions
US10765948B2 (en) 2017-12-22 2020-09-08 Activision Publishing, Inc. Video game content aggregation, normalization, and publication systems and methods
US10489507B2 (en) * 2018-01-02 2019-11-26 Facebook, Inc. Text correction for dyslexic users on an online social network
US10706085B2 (en) * 2018-01-03 2020-07-07 Oracle International Corporation Method and system for exposing virtual assistant services across multiple platforms
US10991369B1 (en) * 2018-01-31 2021-04-27 Progress Software Corporation Cognitive flow
US10874947B2 (en) * 2018-03-23 2020-12-29 Sony Interactive Entertainment LLC Connecting a player to expert help in real-time during game play of a gaming application
US11087090B2 (en) * 2018-03-23 2021-08-10 Servicenow, Inc. System for focused conversation context management in a reasoning agent/behavior engine of an agent automation system
US11232365B2 (en) * 2018-06-14 2022-01-25 Accenture Global Solutions Limited Digital assistant platform
US11532007B2 (en) * 2018-08-16 2022-12-20 Frank S. Maggio Systems and methods for implementing user-responsive reactive advertising via voice interactive input/output devices
US11238508B2 (en) * 2018-08-22 2022-02-01 Ebay Inc. Conversational assistant using extracted guidance knowledge
JP7271558B2 (ja) 2018-09-11 2023-05-11 エルジー・ケム・リミテッド 架橋ポリオレフィン分離膜及びその製造方法
US11205422B2 (en) 2018-10-02 2021-12-21 International Business Machines Corporation Methods and systems for managing chatbots with data access
US11017028B2 (en) 2018-10-03 2021-05-25 The Toronto-Dominion Bank Systems and methods for intelligent responses to queries based on trained processes
US10831989B2 (en) 2018-12-04 2020-11-10 International Business Machines Corporation Distributing updated communications to viewers of prior versions of the communications
US11113370B2 (en) 2018-12-05 2021-09-07 Bank Of America Corporation Processing authentication requests to secured information systems using machine-learned user-account behavior profiles
US11176230B2 (en) 2018-12-05 2021-11-16 Bank Of America Corporation Processing authentication requests to secured information systems based on user behavior profiles
US11048793B2 (en) 2018-12-05 2021-06-29 Bank Of America Corporation Dynamically generating activity prompts to build and refine machine learning authentication models
US11036838B2 (en) 2018-12-05 2021-06-15 Bank Of America Corporation Processing authentication requests to secured information systems using machine-learned user-account behavior profiles
US11159510B2 (en) 2018-12-05 2021-10-26 Bank Of America Corporation Utilizing federated user identifiers to enable secure information sharing
US11120109B2 (en) 2018-12-05 2021-09-14 Bank Of America Corporation Processing authentication requests to secured information systems based on machine-learned event profiles
CN109446121B (zh) * 2018-12-11 2024-01-30 李卓钢 智能识别计算设备
US11679330B2 (en) * 2018-12-18 2023-06-20 Activision Publishing, Inc. Systems and methods for generating improved non-player characters
US11854433B2 (en) * 2019-02-04 2023-12-26 Pearson Education, Inc. Systems and methods for item response modelling of digital assessments
US11422989B2 (en) 2019-02-04 2022-08-23 Pearson Education, Inc. Scoring system for digital assessment quality
US11423035B2 (en) 2019-02-04 2022-08-23 Pearson Education, Inc. Scoring system for digital assessment quality with harmonic averaging
WO2020186348A1 (en) * 2019-03-20 2020-09-24 The Royal Institution For The Advancement Of Learning / Mcgill University Method and system for generating a training platform
US11093715B2 (en) 2019-03-29 2021-08-17 Samsung Electronics Co., Ltd. Method and system for learning and enabling commands via user demonstration
US11468881B2 (en) 2019-03-29 2022-10-11 Samsung Electronics Co., Ltd. Method and system for semantic intelligent task learning and adaptive execution
US11315082B2 (en) 2019-04-17 2022-04-26 Mikko Vaananen Mobile secretary meeting scheduler
US20200333875A1 (en) * 2019-04-17 2020-10-22 Samsung Electronics Co., Ltd. Method and apparatus for interrupt detection
JP7449462B2 (ja) * 2019-04-18 2024-03-14 イヴァノヴァ マードジェヴァ，ユリアナ インタラクティブシステムおよび使用方法
US10860535B1 (en) * 2019-05-31 2020-12-08 Verizon Patent And Licensing Inc. Systems and methods for utilizing machine learning and natural language processing to provide a dual-panel user interface
JP2022545592A (ja) * 2019-11-02 2022-10-28 遊戯橘子数位科技股▲ふん▼有限公司 ゲームアカウントの評価方法及びシステム
US11712627B2 (en) 2019-11-08 2023-08-01 Activision Publishing, Inc. System and method for providing conditional access to virtual gaming items
US11290536B2 (en) 2019-11-19 2022-03-29 International Business Machines Corporation Updating automated communication replies based on detected situations
CN111125335B (zh) * 2019-12-27 2021-04-06 北京百度网讯科技有限公司 问答处理方法、装置、电子设备和存储介质
US20210365891A1 (en) * 2020-05-20 2021-11-25 Lifestyle Learning LLC Career navideer lifestyle survey module for exploration of life choices
US11351459B2 (en) 2020-08-18 2022-06-07 Activision Publishing, Inc. Multiplayer video games with virtual characters having dynamically generated attribute profiles unconstrained by predefined discrete values
US11524234B2 (en) 2020-08-18 2022-12-13 Activision Publishing, Inc. Multiplayer video games with virtual characters having dynamically modified fields of view
CN112035567B (zh) * 2020-08-21 2023-12-12 腾讯科技（深圳）有限公司 一种数据处理方法、装置及计算机可读存储介质
US11636269B2 (en) * 2020-10-15 2023-04-25 Fmr Llc Content creation and prioritization
US20230030822A1 (en) * 2021-07-31 2023-02-02 Khoros, Llc Automated predictive response computing platform implementing adaptive data flow sets to exchange data via an omnichannel electronic communication channel independent of data source
WO2022154403A1 (ko) * 2021-01-12 2022-07-21 삼성전자 주식회사 검색어를 제공하는 방법 및 이를 지원하는 전자 장치
US11816137B2 (en) 2021-01-12 2023-11-14 Samsung Electronics Co., Ltd Method for providing search word and electronic device for supporting the same
US11699431B2 (en) 2021-09-08 2023-07-11 Allstate Solutions Private Limited Methods and systems for codeless chatbot development
US20230237922A1 (en) * 2022-01-21 2023-07-27 Dell Products L.P. Artificial intelligence-driven avatar-based personalized learning techniques

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103221952A (zh) * 2010-09-24 2013-07-24 国际商业机器公司 词法答案类型置信度估计和应用
US10055681B2 (en) * 2013-10-31 2018-08-21 Verint Americas Inc. Mapping actions and objects to tasks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120296638A1 (en) * 2012-05-18 2012-11-22 Ashish Patwa Method and system for quickly recognizing and responding to user intents and questions from natural language input using intelligent hierarchical processing and personalized adaptive semantic interface
WO2014197336A1 (en) * 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
US20150066817A1 (en) * 2013-08-27 2015-03-05 Persais, Llc System and method for virtual assistants with shared capabilities

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103221952A (zh) * 2010-09-24 2013-07-24 国际商业机器公司 词法答案类型置信度估计和应用
US10055681B2 (en) * 2013-10-31 2018-08-21 Verint Americas Inc. Mapping actions and objects to tasks

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284387A (zh) * 2018-10-19 2019-01-29 昆山杜克大学 刻板特异用语检测系统、方法、计算机设备和存储介质
CN110308792A (zh) * 2019-07-01 2019-10-08 北京百度网讯科技有限公司 虚拟角色的控制方法、装置、设备及可读存储介质
CN110308792B (zh) * 2019-07-01 2023-12-12 北京百度网讯科技有限公司 虚拟角色的控制方法、装置、设备及可读存储介质
CN112365892A (zh) * 2020-11-10 2021-02-12 杭州大搜车汽车服务有限公司 人机对话方法、装置、电子装置及存储介质
CN114979029A (zh) * 2022-05-16 2022-08-30 百果园技术(新加坡)有限公司 一种虚拟机器人的控制方法、装置、设备及存储介质
CN114979029B (zh) * 2022-05-16 2023-11-24 百果园技术(新加坡)有限公司 一种虚拟机器人的控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP3347812A4 (en) 2019-08-28
US20180308473A1 (en) 2018-10-25
KR20180108562A (ko) 2018-10-04
EP3347812A1 (en) 2018-07-18
WO2017041008A1 (en) 2017-03-09

Similar Documents

Publication Publication Date Title
CN108369521A (zh) 智能虚拟助理系统及相关方法
US11539657B2 (en) Contextually-based automatic grouped content recommendations to users of a social networking system
US11914974B2 (en) Systems and methods employing unique device for generating random signals and metering and addressing, e.g., unusual deviations in said random signals
US11722737B1 (en) System, method, and program product for interactively prompting user decisions
Te Morenga et al. Co-designing an mHealth tool in the New Zealand Māori community with a “Kaupapa Māori” approach
de Barbaro Automated sensing of daily activity: A new lens into development
Naughton A brief history of the future
US20190320030A1 (en) System and method for automated hybrid network creation
Tucker The Naked Future: What happens in a world that anticipates your every move?
CN109074751A (zh) 用双推荐引擎实现内容提供的系统和方法
US20170333796A1 (en) Identifying an individual's abilities, skills and interests through gaming data analytics
US20190355269A1 (en) Diagnostic analyzer for visual-spatial content
US20200111043A1 (en) System and method for providing personalized planning
Heft et al. Can the identity of a behavior setting be perceived through patterns of joint action? An investigation of place perception
Son et al. Parental math talk during home cooking and math skills in head start children: The role of task management talk
US20150286650A1 (en) Decision Making and Activity Recommendations Engine via Online Persona
US20170255875A1 (en) Validation termination system and methods
Fancourt et al. Creative interventions for symptoms of postnatal depression: a process evaluation of implementation
CN204425398U (zh) 智能早教系统及装置
Champlin et al. A game co-design method to elicit knowledge for the contextualization of spatial models
CN106485618A (zh) 一种校园综合信息服务平台及实现方法
US20150052209A1 (en) System and method for structured message entry for use in social media platforms
Axak et al. The Agent-Based Learning Platform
The National Academies Keck Futures Initiative Art, design and science, engineering and medicine frontier collaborations: Ideation, translation, realization: Seed idea group summaries
US20220092515A1 (en) Personal, professional, cultural (ppc) insight system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180803

WD01 Invention patent application deemed withdrawn after publication