DE102016101650A1 - Korrektur von bias in messwerten der affektiven reaktion - Google Patents

Korrektur von bias in messwerten der affektiven reaktion Download PDF

Info

Publication number
DE102016101650A1
DE102016101650A1 DE102016101650.0A DE102016101650A DE102016101650A1 DE 102016101650 A1 DE102016101650 A1 DE 102016101650A1 DE 102016101650 A DE102016101650 A DE 102016101650A DE 102016101650 A1 DE102016101650 A1 DE 102016101650A1
Authority
DE
Germany
Prior art keywords
user
event
bias
value
affective response
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.)
Withdrawn
Application number
DE102016101650.0A
Other languages
English (en)
Inventor
Ari M. Frank
Gil Thieberger
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.)
Affectomatics Ltd
Original Assignee
Affectomatics 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 Affectomatics Ltd filed Critical Affectomatics Ltd
Publication of DE102016101650A1 publication Critical patent/DE102016101650A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

Einige Aspekte dieser Offenlegung umfassen Systeme, Verfahren und/oder Computerprogramme, die zur Korrektur von Bias in Messwerten der affektiven Reaktion verwendet werden können, die unter Verwendung von Sensoren erfasst werden, die physiologische Signale und/oder Verhaltenssignale von Benutzern messen. Ein Bias kann eine Tendenz, Haltung und/oder Neigung sein, die die affektive Reaktion eines Benutzers auf eine Erfahrung beeinflussen kann. Einige der hierin beschriebenen Ausführungsformen umfassen die Bestimmung eines Modells der Bias des Benutzers aus Messwerten der affektiven Reaktion des Benutzers und Beschreibungen von Ereignissen, zu denen die Messwerte gehören. Das Modell kann dazu verwendet werden, die Messwerte des Benutzers in Bezug auf zumindest einige der Effekte der Bias des Benutzers zu korrigieren. Ein solcher Korrekturprozess kann dazu beitragen, dass auf der Grundlage der Messwerte generierte Ergebnisse präziser sind und der Datenschutz des Benutzers gesichert ist, wenn die Messwerte oder die Ergebnisse offengelegt werden.

Description

  • STAND DER TECHNIK
  • Aspekte dieser Offenlegung umfassen Systeme, Verfahren und/oder Computerprodukte, die sich mit Messwerten der affektiven Reaktion befassen, die zu Ereignissen gehören, bei denen Benutzer Erfahrungen haben.
  • Einige Aspekte der hierin beschriebenen Ausführungsformen umfassen crowd-basierte Applikationen, wie beispielsweise die Generierung von crowd-basierten Bewertungen, die auf der Grundlage von Messwerten der affektiven Reaktion von Benutzern auf die Erfahrungen berechnet werden. Beispiele für crowd-basierte Ergebnisse beinhalten die Berechnung von Bewertungen für die Erfahrungen, Rankings der Erfahrungen, Benachrichtigungen in Bezug auf die affektive Reaktion auf Erfahrungen und die Bestimmung von Parametern von Funktionen, die eine affektive Reaktion auf Erfahrungen beschreiben.
  • Andere Aspekte der hierin beschriebenen Ausführungsformen umfassen das Lernen über Benutzer durch Messwerte ihrer affektiven Reaktion auf Erfahrungen. Durch die Analyse der Beziehung zwischen den Messwerten der affektiven Reaktion von Benutzern auf Ereignisse und den Merkmalen der Ereignisse (hierin auch als „Faktoren der Ereignisse” bezeichnet) können Informationen über Vorurteile (Bias) des Benutzers gewonnen werden. Solche Informationen können verwendet werden, um den Benutzer besser zu verstehen. Zusätzlich oder alternativ können die Informationen über Bias dazu verwendet werden, die Effekte bestimmter Bias aus Messwerten der affektiven Reaktion des Benutzers zu entfernen (d. h. zur Normalisierung der Messwerte); die normalisierten Messwerte können verwendet werden, um weniger durch Bias verzerrte, crowd-basierte Ergebnisse zu berechnen.
  • ZUSAMMENFASSUNG
  • Aspekte dieser Offenlegung umfassen Systeme, Verfahren und/oder Computerprodukte, die sich mit Messwerten der affektiven Reaktion befassen, die zu Ereignissen gehören, bei denen Benutzer Erfahrungen haben.
  • Einige Aspekte der hierin beschriebenen Ausführungsformen umfassen crowd-basierte Applikationen, wie beispielsweise die Generierung von crowd-basierten Bewertungen, die auf der Grundlage von Messwerten der affektiven Reaktion von Benutzern auf die Erfahrungen berechnet werden. Beispiele für crowd-basierte Ergebnisse beinhalten die Berechnung von Bewertungen für die Erfahrungen, Rankings der Erfahrungen, Benachrichtigungen in Bezug auf die affektive Reaktion auf Erfahrungen und die Bestimmung von Parametern von Funktionen, die eine affektive Reaktion auf Erfahrungen beschreiben.
  • Andere Aspekte der hierin beschriebenen Ausführungsformen umfassen das Lernen über Benutzer durch Messwerte ihrer affektiven Reaktion auf Erfahrungen. Durch die Analyse der Beziehung zwischen den Messwerten der affektiven Reaktion von Benutzern auf Ereignisse und den Merkmalen der Ereignisse (hierin auch als „Faktoren der Ereignisse” bezeichnet) können Informationen über Vorurteile (Bias) des Benutzers gewonnen werden. Solche Informationen können verwendet werden, um den Benutzer besser zu verstehen. Zusätzlich oder alternativ können die Informationen über Bias dazu verwendet werden, die Effekte bestimmter Bias aus Messwerten der affektiven Reaktion des Benutzers zu entfernen (d. h. zur Normalisierung der Messwerte); die normalisierten Messwerte können verwendet werden, um weniger durch Bias verzerrte, crowd-basierte Ergebnisse zu berechnen.
  • Einige der offenbarten Ausführungsformen bieten einen oder mehrere der folgenden Vorteile:
    Aspekte dieser Offenlegung umfassen Systeme, Verfahren und/oder Computerprodukte, die sich mit Messwerten der affektiven Reaktion befassen, die zu Ereignissen gehören, bei denen Benutzer Erfahrungen haben. In einigen Ausführungsformen werden die Messwerte unter Verwendung von Sensoren erfasst, die physiologische Signale und/oder Verhaltenssignale von Benutzern messen. In einigen Ausführungsformen können die Messwerte für verschiedene crowd-basierte Applikationen verwendet werden, wie beispielsweise zur Generierung von crowd-basierten Ergebnissen, die auf der Grundlage von Messwerten der affektiven Reaktion von Benutzern auf die Erfahrungen berechnet werden. Beispiele für crowd-basierte Ergebnisse beinhalten die Berechnung von Bewertungen für die Erfahrungen und Rankings der Erfahrungen. Diese Bewertungen und Rankings können automatisch und ohne großen Aufwand der Benutzer generiert werden und tragen dazu bei, die Qualität der vielen Erfahrungen, die Personen in ihrem tagtäglichen Leben haben, zu erkennen.
  • Messwerte der affektiven Reaktion enthalten häufig Bias. Ein Bias ist eine Tendenz, Haltung und/oder Neigung, die die affektive Reaktion, die ein Benutzer auf eine Erfahrung hat, beeinflussen kann. Die Bestimmung der Bias kann somit zu einem besseren Verständnis des Benutzers beitragen. Einige der hierin beschriebenen Ausführungsformen umfassen die Bestimmung eines Modells von Bias von Benutzern aus Messwerten der affektiven Reaktion und Beschreibungen von Ereignissen, zu denen die Messwerte gehören. Diese Bestimmung kann durch automatisches Erfassen von Messwerten mit Sensoren und/oder automatische Identifizierung von Ereignissen (z. B. durch einen Software-Agenten) erfolgen. Somit kann das Modell der Bias ohne einen notwendigerweise erforderlichen Benutzereingriff (z. B. Befragung eines Benutzers oder aktives Protokollieren von Ereignissen durch den Benutzer) in Erfahrung gebracht werden.
  • Da die Messwerte Bias enthalten, können auf der Grundlage der Messwerte gezogene Schlussfolgerungen weniger präzise sein. Beispielsweise kann eine Bewertung einer Erfahrung, die auf der Grundlage von Messwerten der affektiven Reaktion eines Benutzers berechnet wurde, die Bias des Benutzers (z. B. gegenüber der Umgebung, anderen Personen, Inhaltselementen etc.) und nicht unbedingt die Vorzüge der Erfahrung widerspiegeln. Somit haben einige der hierin beschriebenen Ausführungsformen den Vorteil, dass sie eine automatische Korrektur von zumindest einigen Effekten der Bias eines Benutzers ermöglichen, indem die Messwerte der affektiven Reaktion des Benutzers unter Verwendung eines Modells der Bias des Benutzers korrigiert werden. In einigen Fällen kann dies präzisere Ergebnisse ermöglichen. Darüber hinaus ermöglichen einige Aspekte der hierin beschriebenen Ausführungsformen eine Filterung von Messwerten, die wahrscheinlich hohe Bias-Niveaus enthalten, was auch dazu beitragen kann, dass die auf der Grundlage der Messwerte berechneten Ergebnisse präziser bleiben.
  • Darüber hinaus können einige in den Messwerten deutlich werdenden Bias persönlichen Merkmalen und/oder Neigungen entsprechen, die ein Benutzer möglicherweise nicht offenbaren möchte. Somit kann die Korrektur von Bias in Messwerten und/oder die Filterung von Bias in Messwerten zur Wahrung des Datenschutzes von Benutzern beitragen.
  • KURZE BESCHREIBUNG DER ZEICHNUNGEN
  • Die Ausführungsformen werden hierin beispielshalber mit Bezug auf die beiliegenden Zeichnungen beschrieben. In den Zeichnungen zeigen:
  • 1 ein System, das für die Bestimmung eines Bias-Modells auf der Grundlage von Messwerten der affektiven Reaktion konfiguriert ist;
  • 2 ein System, das ein Bias-Wert-Bestimmungsmodul zur Bestimmung von Bias-Werten verwendet;
  • 3 ein System, das einen Trainer eines Emotionsreaktions-Prädiktors (ERP-Trainer) zur Bestimmung eines ERP-Modells verwendet;
  • 4 ein System, das für die Bestimmung eines Bias-Modells konfiguriert ist, das die Bias mehrerer Benutzer umfasst;
  • 5 ein System, das für die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers unter Verwendung eines Bias-Werts konfiguriert ist;
  • 6 ein System, das für die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers unter Verwendung eines ERP konfiguriert ist;
  • 7 ein System, in dem ein Software-Agent an der Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers beteiligt ist;
  • 8 ein System, das für die Korrektur eines Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, konfiguriert ist;
  • 9 ein System, das für die Korrektur eines Bias hinsichtlich einer Begleitperson einer Erfahrung konfiguriert ist;
  • 10 ein System, das für die Korrektur eines Bias eines Benutzers hinsichtlich eines Merkmals eines Dienstleisters konfiguriert ist;
  • 11 ein System, das für die Korrektur eines Bias eines Benutzers hinsichtlich eines Elements in einem durch den Benutzer aufgenommen Inhalt konfiguriert ist;
  • 12 ein System, das für die Berechnung eines crowd-basierten Ergebnisses auf der Grundlage von Messwerten der affektiven Reaktion konfiguriert ist, die hinsichtlich eines Bias korrigiert wurden;
  • 13 ein System, das für die Filterung von Messwerten konfiguriert ist, die ein Bias hinsichtlich eines bestimmten Faktors beinhalten;
  • 14 ein System, das dazu konfiguriert ist, Bewertungen auf eine Weise offenzulegen, die das Risiko für den Datenschutz von Benutzern, die zur Berechnung der Bewertungen verwendete Messwerte der affektiven Reaktion beigetragen haben, reduziert;
  • 15 ein System, das für eine Bewertung eines Risikos für den Datenschutz eines Benutzers, der einen zur Berechnung einer Bewertung verwendeten Messwert der affektiven Reaktion beigetragen hat, konfiguriert ist;
  • 16 ein System, das für eine Bewertung eines Risikos für den Datenschutz von Benutzern durch die Offenlegung von auf der Grundlage von Messwerten der affektiven Reaktion der Benutzer berechneten Bewertungen konfiguriert ist;
  • 17a ein System, das für die Bestimmung eines Modells konfiguriert ist, das zur Bestimmung eines Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird;
  • 17b ein System, das für die Kontrolle der Weiterleitung von Messwerten der affektiven Reaktion auf der Grundlage von Bedenken hinsichtlich des Datenschutzes konfiguriert ist;
  • 18a ein System, das für die Bestimmung eines Modells konfiguriert ist, das mit einem Wert einer Bewertung verbundene Merkmale umfasst und zur Bestimmung eines Risikos für den Datenschutz durch die Offenlegung der Bewertung verwendet werden kann;
  • 18b ein System, das für die Kontrolle der Offenlegung einer Bewertung einer Erfahrung aufgrund von Bedenken hinsichtlich des Datenschutzes konfiguriert ist;
  • 19 ein System, das Sensoren und Benutzeroberflächen umfasst;
  • 20a einen Benutzer und einen Sensor;
  • 20b einen Benutzer und eine Benutzeroberfläche;
  • 20c einen Benutzer, einen Sensor und eine Benutzeroberfläche;
  • 21 ein System, das für die Berechnung einer Bewertung einer bestimmten Erfahrung konfiguriert ist;
  • 22 ein System, das für die Berechnung von Bewertungen bestimmter Erfahrungen konfiguriert ist;
  • 23a ein System, in dem das Erfassungsmodul Messwerte der affektiven Reaktion verarbeitet;
  • 23b ein System, in dem ein Software-Agent Messwerte der affektiven Reaktion verarbeitet;
  • 24 eine Ausführungsform eines Emotionszustands-Schätzers (EZS);
  • 25 eine Ausführungsform eines Basislinien-Normalisators;
  • 26a eine Ausführungsform eines Bewertungsmoduls unter Einbeziehung eines statistischen Testmoduls, das personalisierte Modelle verwenden kann;
  • 26b eine Ausführungsform eines Bewertungsmoduls unter Einbeziehung eines statistischen Testmoduls, das allgemeine Modelle verwenden kann;
  • 26c eine Ausführungsform eines Bewertungsmoduls unter Einbeziehung eines arithmetischen Bewerters; und
  • 27 eine Computersystemarchitektur, die in verschiedenen Ausführungsformen dieser Offenlegung verwendet werden kann.
  • DETAILLIERTE BESCHREIBUNG
  • Ein Messwert der affektiven Reaktion eines Benutzers wird durch Messung eines physiologischen Signals des Benutzers und/oder eines Verhaltenssignals des Benutzers gewonnen. Ein Messwert der affektiven Reaktion kann einen oder mehrere Rohwerte und/oder verarbeitete Werte (z. B. infolge von Filterung, Kalibrierung und/oder Merkmalsextraktion) umfassen. Die Messung der affektiven Reaktion kann unter Verwendung verschiedener bestehender und/oder noch zu erfindender Messgeräte, wie beispielsweise Sensoren, erfolgen. Optional kann jedes Gerät, das einen Messwert eines physiologischen Signals eines Benutzers und/oder eines Verhaltenssignals eines Benutzers erfasst, als ein Sensor gelten. Ein Sensor kann auf unterschiedliche Weise mit dem Körper eines Benutzers verbunden sein. Zum Beispiel kann ein Sensor ein Gerät sein, das in den Körper des Benutzers implantiert ist, an dem Körper des Benutzers befestigt ist, in einen durch den Benutzer getragenen und/oder angezogenen Gegenstand eingebettet ist (z. B. kann ein Sensor in ein Smartphone, eine Smartwatch und/oder ein Kleidungsstück eingebettet sein) und/oder das getrennt vom Benutzer ist (z. B. eine Kamera, die Aufnahmen des Benutzers macht). Zusätzliche Informationen bezüglich Sensoren sind zumindest im Abschnitt 1 (Sensoren) dieser Offenlegung zu finden.
  • „Affekt” und „affektive Reaktion” beziehen sich hierin auf die physiologische und/oder verhaltensbezogene Manifestation des emotionalen Zustands einer Entität. Die Manifestation des emotionalen Zustands einer Entität kann hierin als „emotionale Reaktion” bezeichnet und synonym mit dem Begriff „affektive Reaktion” verwendet werden. Eine affektive Reaktion bezieht sich typischerweise auf aus Messwerten und/oder Beobachtungen einer Entität gewonnene Werte, während emotionale Zustände typischerweise durch Modelle vorausgesagt und/oder durch die die Emotionen fühlende Entität mitgeteilt werden. Zum Beispiel kann entsprechend der hierin typischen Verwendungsweise der Begriffe gesagt werden, dass ein emotionaler Zustand einer Person auf der Grundlage von Messwerten der affektiven Reaktion der Person bestimmt werden kann. Darüber hinaus können die Begriffe „Zustand” und „Reaktion” hierin bei Verwendung in Formulierungen wie „emotionaler Zustand” oder „emotionale Reaktion” synonym verwendet werden. Gemäß der typischen Verwendungsweise dieser Begriffe jedoch wird der Begriff „Zustand” verwendet, um eine Verfassung, in der sich ein Benutzer befindet, zu bezeichnen, und wird der Begriff „Reaktion” verwendet, um eine Äußerung des Benutzers aufgrund der Verfassung, in der sich der Benutzer befindet, und/oder aufgrund einer Änderung der Verfassung, in der sich der Benutzer befindet, zu beschreiben.
  • Es ist zu beachten, dass ein „Messwert der affektiven Reaktion” gemäß der Verwendungsweise hierin einen oder mehrere Werte umfassen kann, die ein physiologisches Signal und/oder ein Verhaltenssignal eines Benutzers beschreiben und die unter Verwendung eines Sensors gewonnen wurden. Optional können diese Daten auch als ein „Rohmesswert” einer affektiven Reaktion bezeichnet werden. Folglich kann beispielsweise ein Messwert der affektiven Reaktion durch jede Art von durch einen Sensor zurückgelieferten Wert, wie etwa eine Herzfrequenz, ein Gehirnwellenmuster, eine Abbildung eines Gesichtsausdrucks etc., repräsentiert werden.
  • Zusätzlich kann sich ein „Messwert der affektiven Reaktion” gemäß der Verwendungsweise hierin auf ein Produkt der Verarbeitung des einen oder der mehreren ein physiologisches Signal und/oder Verhaltenssignal eines Benutzers beschreibenden Werte (d. h. ein Produkt der Verarbeitung der rohen Messdaten) beziehen. Die Verarbeitung dieses Wertes oder dieser Werte kann eine oder mehrere der folgenden Vorgänge umfassen: Normalisierung, Filterung, Merkmalsextraktion, Bildverarbeitung, Komprimierung, Verschlüsselung und/oder jedwede anderen Techniken, die weiterhin in dieser Offenlegung beschrieben werden und/oder auf dem technischen Gebiet bekannt sind und auf Messdaten angewendet werden können. Optional kann ein Messwert der affektiven Reaktion ein Wert sein, der eine Größe und/oder Qualität einer affektiven Reaktion beschreibt (z. B. ein Wert, der eine positive oder negative affektive Reaktion angibt, wie etwa ein Zufriedenheitsgrad auf einer Skala von 1 bis 10, und/oder jeder andere Wert, der durch Verarbeitung des einen oder der mehreren Werte abgeleitet werden kann).
  • Es ist zu beachten, dass es möglich ist, einen Messwert der affektiven Reaktion (z. B. ein Ergebnis der Verarbeitung roher Messdaten) aus einem anderen Messwert der affektiven Reaktion (z. B. ein durch einen Sensor erfasster Rohwert) abzuleiten, da sowohl die Rohdaten als auch die verarbeiteten Daten als Messwerte der affektiven Reaktion gelten können. Ebenso kann ein Messwert der affektiven Reaktion in einigen Ausführungsformen aus mehreren Messwerten der affektiven Reaktion abgeleitet werden. Beispielsweise kann der Messwert ein Ergebnis der Verarbeitung der mehreren Messwerte sein.
  • In einigen Ausführungsformen kann ein Messwert der affektiven Reaktion als ein „affektiver Wert” bezeichnet werden; gemäß der Verwendungsweise in dieser Offenlegung ist ein affektiver Wert ein Wert, der unter Verwendung eines Moduls, einer Funktion, eines Schätzers und/oder Prädiktors auf der Grundlage eines Inputs generiert wird, der den einen oder die mehreren ein physiologisches Signal und/oder Verhaltenssignal eines Benutzers beschreibende Werte umfasst, die wie oben beschrieben entweder in roher oder verarbeiteter Form vorliegen. Von daher kann ein affektiver Wert in einigen Ausführungsformen ein Wert sein, der einen oder mehrere Messwerte der affektiven Reaktion repräsentiert. Optional repräsentiert ein affektiver Wert mehrere über einen Zeitraum erfasste Messwerte der affektiven Reaktion eines Benutzers. Ein affektiver Wert kann angeben, wie sich der Benutzer während der Nutzung eines Produkts gefühlt hat (z. B. auf der Grundlage mehrerer Messwerte, die über einen Zeitraum von einer Stunde während der Nutzung des Produkts erfasst wurden) oder wie sich der Benutzer während eines Urlaubs gefühlt hat (z. B. basiert der affektive Wert auf mehreren Messwerten der affektiven Reaktion des Benutzers, die über einen Zeitraum von einer Woche, während der der Benutzer im Urlaub war, erfasst wurden).
  • In einigen Ausführungsformen werden die Messwerte der affektiven Reaktion eines Benutzers überwiegend ungefragt erfasst, d. h. der Benutzer wird nicht ausdrücklich zur Initiierung und/oder Teilnahme am Messvorgang aufgefordert. Die Messwerte der affektiven Reaktion eines Benutzers können demnach insofern als passiv gelten, als dass es möglich ist, dass der Benutzer nicht benachrichtigt wird, wenn die Messwerte erfasst werden, und/oder dass der Benutzer sich nicht bewusst ist, dass die Messwerte erfasst werden. Eine weitere Erörterung hinsichtlich der Messwerte der affektiven Reaktion und affektiver Werte ist zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) dieser Offenlegung zu finden.
  • Die hierin beschriebenen Ausführungsformen können die Berechnung eines repräsentativen Werts aus einer Vielzahl von Messwerten der affektiven Reaktion eines oder mehrerer Benutzer, die eine Erfahrung hatten, umfassen; ein solcher Wert kann hierin als „eine Bewertung einer Erfahrung”, „eine Erfahrungsbewertung” oder einfach kurz als „Bewertung” bezeichnet werden. Optional kann die Bewertung als eine „crowd-basierte Bewertung” und/oder eine „aggregierte Bewertung” gelten, wenn die Bewertung aus Messwerten mehrerer Benutzer abgeleitet wird. Optional kann eine Bewertung als eine „personalisierte Bewertung”, „persönliche Bewertung” und dergleichen bezeichnet werden, wenn die Bewertung derart für einen bestimmten Benutzer oder eine bestimmte Benutzergruppe berechnet wird, dass unterschiedliche Benutzer oder unterschiedliche Benutzergruppen Bewertungen mit unterschiedlichen Werten erhalten können. Auf ähnliche Weise können Erfahrungen in einigen Ausführungsformen auf der Grundlage einer Vielzahl von Messwerten der affektiven Reaktion von Benutzern, die die Erfahrungen hatten, gerankt und/oder verglichen werden. Eine Form des Vergleichs von Erfahrungen, wie beispielsweise eine Einstufung von Erfahrungen (oder eine teilweise Einstufung von Erfahrungen) kann hierin als ein „Ranking” der Erfahrungen bezeichnet werden. Optional kann das Ranking als ein „personalisiertes Ranking”, „persönliches Ranking” und dergleichen bezeichnet werden, wenn das Ranking derart für einen bestimmten Benutzer oder eine bestimmte Benutzergruppe berechnet wird, dass unterschiedliche Benutzer oder unterschiedliche Benutzergruppen unterschiedliche Rankings erhalten können.
  • Des Weiteren kann eine Bewertung und/oder ein Ranking, die/das auf der Grundlage von eine bestimmte Erfahrungsart betreffenden Messwerten der affektiven Reaktion berechnet wurde, auf der Grundlage der Erfahrungsart bezeichnet werden. Zum Beispiel kann eine Bewertung eines Orts als eine „Ortsbewertung” bezeichnet werden und kann ein Ranking von Hotels als ein „Hotelranking” bezeichnet werden etc. Ferner können eine Bewertung, ein Ranking und/oder Funktionsparameter je nach der Art der affektiven Reaktion bezeichnet werden, wenn die Bewertung, das Ranking und/oder die Funktionsparameter, die auf der Grundlage von Messwerten berechnet werden, sich auf eine bestimmte Art von affektiver Reaktion beziehen. Zum Beispiel kann eine Bewertung als eine „Zufriedenheitsbewertung” oder „Komfortbewertung” bezeichnet werden. In einem anderen Beispiel kann eine Funktion, die die Zufriedenheit durch einen Urlaub beschreibt, als eine ”Zufriedenheitsfunktion” oder ”Zufriedenheitskurve” bezeichnet werden.
  • Wenn hierin angegeben wird, dass eine Bewertung, ein Ranking und/oder Funktionsparameter auf der Grundlage von Messwerten der affektiven Reaktion berechnet werden, bedeutet dies, dass die Werte der Bewertung, des Rankings und/oder der Funktionsparameter auf der Grundlage der Messwerte und möglicherweise anderer Messwerte der affektiven Reaktion und/oder anderer Arten von Daten bestimmt werden. Zum Beispiel kann eine auf der Grundlage eines Messwerts einer affektiven Reaktion berechnete Bewertung auch auf der Grundlage anderer Daten, die zur Bestimmung des Werts der Bewertung verwendet werden, berechnet werden (z. B. eine manuelle Bewertung, durch semantische Analyse einer Kommunikation abgeleitete Daten und/oder eine demographische statistische Größe eines Benutzers). Des Weiteren kann die Berechnung der Bewertung auf einem Wert basieren, der aus einem vorherigen Messwert des Benutzers berechnet wurde (z. B. ein weiter unten beschriebener Basislinienwert der affektiven Reaktion).
  • Gemäß der Verwendungsweise hierin umfasst eine Erfahrung etwas, das einem Benutzer widerfährt und/oder das der Benutzer tut, und das den physiologischen und/oder emotionalen Zustand des Benutzers auf eine durch Messung der affektiven Reaktion des Benutzers feststellbare Weise beeinflussen kann. Optional können Erfahrungen zu unterschiedlichen Gruppen und/oder Arten gehören, wie beispielsweise der Aufenthalt an einem Ort, die Aufnahme eines bestimmten Inhalts, das Erleben einer sozialen Interaktion (z. B. in der physischen Welt oder einer virtuellen Welt), das Ausüben von Sport, das Bereisen einer bestimmten Route, der Verzehr einer Substanz und/oder die Nutzung eines Produkts. In einigen Ausführungsformen können Erfahrungen eine Aktivität in der physischen Welt (z. B. das Verbringen von Zeit in einem Hotel) und/oder eine Aktivität in virtuellen Umgebungen (z. B. das Verbringen von Zeit in einer virtuellen Welt oder in einem virtuellen Chatraum) beinhalten. In einigen Ausführungsformen ist eine Erfahrung etwas, das der Benutzer aktiv wählt und dessen sich der Benutzer bewusst ist; zum Beispiel: Der Benutzer entscheidet sich, einen Urlaub zu machen. In anderen Ausführungsformen kann eine Erfahrung dahingegen etwas sein, das dem Benutzer widerfährt und dessen sich der Benutzer möglicherweise nicht bewusst ist. Beispielsweise kann ein Benutzer ein Lebensmittel verzehren, das ohne Wissen des Benutzers einen bestimmten Zusatzstoff enthält; dieses Beispiel gleicht einer Erfahrung des Verzehrs des Zusatzstoffs, selbst wenn dem Benutzer nicht bewusst ist, dass er/sie ihn verzehrt. Ein Benutzer kann dieselbe Erfahrung mehrere Male während unterschiedlicher Zeiträume haben. Zum Beispiel kann die Erfahrung des Aufenthalts in der Schule bestimmten Benutzern an jedem Wochentag außer an Feiertagen widerfahren. Jedes Mal, wenn ein Benutzer eine Erfahrung hat, kann dies als ein „Ereignis” gelten. Jedes Ereignis hat eine zugehörige Erfahrung und einen zugehörigen Benutzer (der die zugehörige Erfahrung hatte). Des Weiteren kann ein Ereignis als eine „Instanziierung” einer Erfahrung bezeichnet werden, und die Zeit, während der eine Instanziierung eines Ereignisses stattfindet, kann hierin als der „Instanziierungszeitraum” des Ereignisses bezeichnet werden. Das bedeutet, dass der Instanziierungszeitraum eines Ereignisses der Zeitraum ist, während dem der zu dem Ereignis gehörende Benutzer die zu dem Ereignis gehörende Erfahrung hatte. Optional kann ein Ereignis einen zugehörigen Messwert der affektiven Reaktion haben, welcher ein Messwert des zugehörigen Benutzers durch Erleben der zugehörigen Erfahrung ist (während der Instanziierung des Ereignisses oder kurz danach).
  • Die Bestimmung, ob unterschiedliche Ereignisse zur selben Erfahrung oder zu unterschiedlichen Erfahrungen gehören, kann von der betrachteten Ausführungsform abhängen. Zum Beispiel gilt in einer Ausführungsform, dass ein Ereignis, bei dem ein Benutzer mit einem Fahrrad in der Stadt fährt, zu einer anderen Erfahrung gehört als ein Ereignis, bei dem ein Benutzer Mountainbiken geht. In einer anderen Ausführungsform können diese beiden Ereignisse jedoch als zur selben Erfahrung (z. B. der Erfahrung des Fahrradfahrens) gehörend gelten. Ebenso wird in einigen Ausführungsformen auf eine Erfahrungsart verwiesen. Auch in diesem Fall kann die Bestimmung der Erfahrungsart von der Ausführungsform abhängen. Zum Beispiel gelten in einer Ausführungsform der Besuch eines Kinos und das Fahrradfahren im Park als unterschiedliche Erfahrungsarten (sie können z. B. als Erfahrungen der Art „Aufnahme von Inhalten” beziehungsweise „Ausüben von Sport” gelten). In einer anderen Ausführungsform können beide Erfahrungen jedoch als zur Art „Freizeitaktivität” gehörend gelten. Zusätzliche Informationen bezüglich Erfahrungen und Ereignissen sind zumindest in den Abschnitten 3 (Erfahrungen), 4 (Ereignisse) und 5 (Identifizierung von Ereignissen) zu finden. Ein Ereignis kann gemäß verschiedener, als „Faktoren” bezeichneter Aspekte des Ereignisses charakterisiert werden.
  • Die affektive Reaktion eines Benutzers kann in verschiedenen hierin beschriebenen Ausführungsformen als ein Produkt von Bias des Benutzers betrachtet werden. Gemäß der Verwendungsweise hierin ist ein Bias eine Tendenz, Haltung und/oder Neigung, die die affektive Reaktion, die ein Benutzers auf eine Erfahrung hat, beeinflussen kann. Folglich kann ein Bias als verantwortlich für einen bestimmten Teil der affektiven Reaktion auf die Erfahrung betrachtet werden; ein Bias kann zudem als eine bestimmte Änderung des Werts eines Messwerts der affektiven Reaktion eines Benutzers auf die Erfahrung betrachtet werden, die nicht stattgefunden hätte, wenn das Bias nicht existiert hätte. Bei der Betrachtung eines Bias, das eine zu einem Ereignis gehörende affektive Reaktion beeinflusst (d. h. die affektive Reaktion des zu dem Ereignis gehörenden Benutzers auf die zu dem Ereignis gehörende Erfahrung), kann das Bias als durch eine Reaktion eines Benutzers auf einen oder mehrere das Ereignis charakterisierende Faktoren bedingt betrachtet werden. Solche Faktoren werden hierin als „Faktoren eines Ereignisses”, „Ereignisfaktoren” oder einfach als „Faktoren” bezeichnet. Optional können die Faktoren eines Ereignisses durch eine Beschreibung des Ereignisses (z. B. durch einen Ereignis-Annotator und/oder ein Modul, das die Beschreibung des Ereignisses empfängt) bestimmt werden. Weitere Informationen zu Faktoren von Ereignissen sind zumindest im Abschnitt 12 (Faktoren von Ereignissen) zu finden.
  • Gemäß der typischen Verwendungsweise hierin entspricht ein Faktor eines Ereignisses einem Aspekt eines Ereignisses. Der Aspekt kann den zu dem Ereignis gehörenden Benutzer, wie beispielsweise eine Situation des Benutzers, betreffen (z. B. dass der Benutzer müde, zu spät oder hungrig ist). Zusätzlich oder alternativ kann der Aspekt die zu dem Ereignis gehörende Erfahrung betreffen (z. B. die Erfahrung ist ein soziales Spiel, beinhaltet Clowns oder den Verzehr eines scharfen Lebensmittels). Zusätzlich oder alternativ kann der Aspekt die Art und Weise des Stattfindens der Erfahrung betreffen wie beispielsweise ein Detail der Instanziierung des Ereignisses. Zum Beispiel kann ein Faktor indizieren, dass das Ereignis 30 Minuten lang dauerte, dass das Ereignis im Freien stattfand oder, etwas konkreter, dass es leicht regnete, während der zu dem Ereignis gehörende Benutzer die zu dem Ereignis gehörende Erfahrung hatte, und dass der Benutzer keinen Regenschirm hatte.
  • Die Faktoren sind üblicherweise objektive Werte und repräsentieren häufig die im Wesentlichen selbe Sache für verschiedene Benutzer. Zum Beispiel können die Faktoren aus einer Analyse von Beschreibungen von Ereignissen abgeleitet werden und von daher dasselbe für verschiedene Benutzer betreffende Ereignisse repräsentieren. Zum Beispiel wird ein Faktor, der zu „einer Erfahrung, die im Freien stattfindet” gehört, üblicherweise dasselbe für unterschiedliche Benutzer und sogar unterschiedliche Erfahrungen bedeuten. In einem anderen Beispiel ist ein Faktor, der zum Trinken von 500 ml einer Limonade gehört, üblicherweise eine sachliche Aussage über das, was ein Benutzer getan hat.
  • Im Gegensatz zu den Faktoren von Ereignissen, die überwiegend objektive Werte sind, repräsentiert ein Bias gemäß der Verwendungsweise hierin die Art und Weise, mit der ein Benutzer auf einen Faktor reagiert (d. h. das Bias repräsentiert die Auswirkung des Faktors auf eine affektive Reaktion) und ist daher üblicherweise subjektiv und kann zwischen Benutzern variieren. Zum Beispiel kann ein erster Benutzer scharfe Lebensmittel mögen, während ein zweiter Benutzer diese nicht mag. Ein den ersten und zweiten Benutzer betreffendes erstes und zweites Ereignis können beide durch einen Faktor charakterisiert werden, der zu dem Verzehr eines scharfen Lebensmittels gehört. Die Art und Weise der Reaktion der Benutzer (ihr individuelles Bias) kann jedoch völlig unterschiedlich sein; für den ersten Benutzer steigert dessen Bias den Genuss des Benutzers durch den Verzehr des scharfen Lebensmittels, während das Bias des zweiten Benutzers den Genuss des Benutzers durch den Verzehr des scharfen Lebensmittels reduziert.
  • Wie oben erwähnt kann davon ausgegangen werden, dass ein Bias einen Einfluss auf den Wert eines Messwerts der affektiven Reaktion hat, der zu einem Ereignis gehört, bei dem ein Benutzer eine Erfahrung hat. Dies kann bedingt sein durch ein Auftreten eines zu dem Bias gehörenden Faktors in dem Ereignis, auf den der Benutzer reagiert und welcher die Änderung der affektiven Reaktion im Vergleich zu der affektiven Reaktion bewirkt, die der Benutzer auf die Erfahrung gehabt hätte, wenn dieser Faktor nicht aufgetreten wäre (oder wenn der Faktor weniger dominant in dem Ereignis gewesen wäre).
  • Die Effekte von Bias können in einigen Ausführungsformen auf dieselbe Weise wie die Messwerte der affektiven Reaktion betrachtet werden (z. B. indem ein Bias als die erwartete Änderung von Werten einer gemessenen affektiven Reaktion ausgedrückt wird). Somit können die Bias durch Einheiten angegeben werden, die zu Werten von physiologischen Signalen, Verhaltenssignalen und/oder emotionalen Reaktionen gehören. Darüber hinaus können die Bias als eine oder mehrere der in dieser Offenlegung diskutierten, verschiedenen Arten affektiver Werte ausgedrückt werden. Obwohl hierin häufig als ein Skalarwert angegeben (z. B. eine Änderung einer Bewertung mit Sternen oder eine Änderung von auf einer Skala von 1 bis 10 ausgedrückten Glücks oder Zufriedenheit), kann ein Bias ähnlich wie affektive Werte eine Änderung eines multidimensionalen Werts angeben (z. B. ein Vektor, der eine in einem multidimensionalen Raum, wie etwa im Raum von Valenz (Wertigkeit)/Arousal (Erregung)/Power (Macht), ausdrückte Änderung einer emotionalen Reaktion angibt). Darüber hinaus werden die Bias hierin häufig als positiv oder negativ bezeichnet. Dies bezieht sich üblicherweise auf eine Änderung der affektiven Reaktion, die gewöhnlich aus der Sicht des Benutzers, der durch das Bias beeinflusst wird, als besser oder schlechter angesehen wird. So kann ein positives Bias zum Beispiel zu einer Erhöhung in einer Bewertung mit Sternen führen, wenn die Messwerte durch eine Bewertung mit Sternen ausgedrückt werden, in der ein höherer Wert das Erleben einer besseren Erfahrung bedeutet. Ein negatives Bias kann einem Vektor in Richtung von Traurigkeit und/oder Angst entsprechen, wenn die Messwerte der affektiven Reaktion als Vektoren in einem multidimensionalen Raum angegeben werden, in dem die verschiedenen Bereiche des Raumes unterschiedlichen Emotionen, die der Benutzer fühlen kann, entsprechen.
  • In einigen Ausführungsformen können die Bias durch Werte angegeben werden (hierin als „Bias-Werte” bezeichnet), die den Einfluss von Faktoren eines Ereignisses auf die affektive Reaktion quantifizieren (z. B. ein zu dem Ereignis gehörender Messwert). Die Bias-Werte können zum Beispiel Zufallsvariablen sein (z. B. können die Bias-Werte durch Parameter von Verteilungen angegeben werden). In einem anderen Beispiel können die Bias-Werte Skalarwerte oder multidimensionale Werte wie Vektoren sein. Gemäß der hierin typischen Verwendungsweise quantifiziert ein Bias-Wert den Effekt, den ein bestimmter Faktor eines Ereignisses auf die affektive Reaktion des Benutzers hat. In einigen Ausführungsformen können die Bias-Werte durch Modelle bestimmt werden, die unter Verwendung von Trainingsdaten generiert werden, die Samples umfassen, die Faktoren von Ereignissen und Labels beschreiben, wobei die Labels aus zu den Ereignissen gehörenden Messwerten der affektiven Reaktion abgeleitet werden. In einigen Ausführungsformen kann die Tatsache, dass unterschiedliche Benutzer eine unterschiedliche Reaktion auf die individuellen Faktoren eines Ereignisses und/oder unterschiedliche Kombinationen von Faktoren des Ereignisses haben können, durch unterschiedliche, zu bestimmten Faktoren (oder Kombinationen dieser) gehörende Bias-Werte der Benutzer angegeben werden. Eine ausführlichere Erörterung der Bias-Werte findet sich zumindest in Abschnitt 13 (Bias-Werte).
  • In anderen Ausführungsformen können die Bias durch eine Funktion (hierin als „Bias-Funktion” bezeichnet) angegeben werden, die optional einen Prädiktor der affektiven Reaktion, wie etwa einen Emotionsreaktions-Prädiktor (ERP), umfassen kann. Bei diesem Verfahren empfängt die Bias-Funktion Merkmalswerte als Input, die Faktoren eines Ereignisses repräsentieren. Optional können die Faktoren Aspekte des zu einem Ereignis gehörenden Benutzers, der zu dem Ereignis gehörenden Erfahrung und/oder Aspekte der Instanziierung des Ereignisses beschreiben. Nach dem Empfang eines die Faktoren umfassenden (oder auf den Faktoren basierenden) Inputs generiert der Prädiktor eine Prognose der affektiven Reaktion für den Benutzer. Bei diesem Verfahren können die Bias eines Benutzers (d. h. die „Bias-Funktion” des Benutzers) durch die Art und Weise, mit der die Werte von Faktoren den Wert der prognostizierten affektiven Reaktion beeinflussen, ins Spiel kommen. Somit kann der Prädiktor die Bias-Funktion des Benutzers modellieren, welche die Ergebnisse verschiedener Denkprozesse des Benutzers in Bezug auf Faktoren repräsentiert. Diese Denkprozesse bestimmen die Natur der affektiven Reaktion des Benutzers. Die Natur dieser Denkprozesse und/oder ihre Ergebnisse können charakteristisch für die Psyche, die Weltanschauung, moralische Werte, Erfahrungen etc. des Benutzers sein. Deshalb würde der oben beschriebene Prädiktor in einer typischen Situation nicht notwendigerweise dieselben Ergebnisse für unterschiedliche Benutzer produzieren (da unterschiedliche Personen üblicherweise eine unterschiedliche Psyche, eine unterschiedliche Weltanschauung etc. haben). Angesichts eines ersten und eines zweiten Benutzers kann ein Prädiktor, der die Bias-Funktion jedes Benutzers modelliert, eine unterschiedliche Prognose der affektiven Reaktion für den ersten Benutzer im Vergleich zu der für den zweiten Benutzer produzierten Prognose produzieren, zumindest in einigen Fällen, wenn beide Benutzer im Wesentlichen dieselbe Erfahrung haben und sich im Wesentlichen in derselben Situation befinden, sodass der Prädiktor in beiden Fällen im Wesentlichen dieselben Faktoren empfängt. Eine ausführlichere Erörterung der Bias-Funktionen findet sich zumindest im Abschnitt 14 (Bias-Funktionen).
  • Bei der Handhabung von Messwerten der affektiven Reaktion, wie etwa bei der Berechnung einer Bewertung einer Erfahrung auf der Grundlage der Messwerte, gelten die Messwerte in einigen Ausführungsformen als das Produkt von Bias. Wenn davon ausgegangen wird, dass die Messwerte durch Bias beeinträchtigt sind, können zumindest einige dieser Bias berücksichtigt werden, z. B. durch Normalisierung und/oder Transformationen zur Korrektur der Bias. Optional kann dies zu Ergebnissen führen, die zumindest in Bezug auf die korrigierten Bias als nicht durch Bias verzerrt gelten. Beispielsweise kann basierend auf wiederholten Beobachtungen festgestellt werden, dass die affektive Reaktion eines Benutzers auf das Verzehren eines Lebensmittels durchschnittlich einen Punkt höher als der Durchschnitt aller Benutzer ist (z. B. auf einer Zufriedenheitsskala von eins bis zehn). Daher kann der Wert des Messwerts des Benutzers bei der Berechnung einer Bewertung, die angibt, wie sich Benutzer angesichts des Verzehrs einer bestimmten Mahlzeit gefühlt haben, korrigiert werden, indem ihm ein Punkt abgezogen wird, um das positive Bias des Benutzers gegenüber dem Lebensmittel zu korrigieren. Die resultierende Bewertung wird durch solche Korrekturen hoffentlich mehr von der Qualität der Mahlzeit und weniger von der Zusammensetzung der Benutzer, die die Mahlzeit gegessen haben, und deren unterschiedlichen Haltungen gegenüber Lebensmitteln abhängen.
  • Es folgt eine Beschreibung verschiedener Ausführungsformen, die Bias zum Gegenstand haben. Einige der nachfolgend beschriebenen Ausführungsformen umfassen Systeme, Verfahren und/oder Computerprodukte, in denen das Bias eines oder mehrerer Benutzer auf der Grundlage von Messwerten der affektiven Reaktion modelliert wird. Einige der nachfolgend beschriebenen Ausführungsformen umfassen die Korrektur eines bestimmten Bias in Messwerten der affektiven Reaktion. Wie im Abschnitt 8 (crowd-basierte Applikationen) erörtert, kann die Behandlung von Bias in einigen Ausführungsformen für die Generierung der verschiedenen crowd-basierten Ergebnisse, wie beispielsweise Bewertungen von Erfahrungen, Rankings von Erfahrungen und andere Arten von Ergebnissen relevant sein.
  • 1 zeigt eine Ausführungsform eines Systems, das für die Bestimmung eines Bias-Modells auf der Grundlage von Messwerten der affektiven Reaktion konfiguriert ist. Das System umfasst mindestens die folgenden Module: Sample-Generator 705 und Bias-Modell-Bestimmungsmodul 710. Die in 1 dargestellte Ausführungsform kann wie andere in dieser Offenlegung beschriebene Systeme durch einen Computer realisiert werden, wie etwa durch den Computer 400, der mindestens einen Speicher 402 und einen Prozessor 401 umfasst. Der Speicher 402 speichert die im Folgenden beschriebenen computerausführbaren Module, und der Prozessor 401 führt die in dem Speicher 402 gespeicherten computerausführbaren Module aus. Es ist darauf hinzuweisen, dass die Erfahrungen, auf die sich die in 1 dargestellte Ausführungsform bezieht, sowie andere Erfahrungen betreffende Ausführungsformen in dieser Offenlegung jedwede in dieser Offenlegung erwähnten Erfahrungen oder eine Teilmenge von in dieser Offenlegung beschriebenen Erfahrungen sein können (z. B. eine oder mehrere der im Abschnitt 3 (Erfahrungen) erwähnten Erfahrungen).
  • Der Sample-Generator 705 ist dazu konfiguriert, einen die Faktoren 703 und Messwerte 704 umfassenden Input zu empfangen und die Samples 708 auf der Grundlage des Inputs zu generieren. Die Faktoren 703 sind Faktoren von Ereignissen; jedes Ereignis umfasst einen zu dem Ereignis gehörenden Benutzer, der eine zu dem Ereignis gehörende Erfahrung hat. Die Messwerte 704 sind zu den Ereignissen gehörende Messwerte der affektiven Reaktion; ein zu dem Ereignis gehörender Messwert der affektiven Reaktion ist ein Messwert der affektiven Reaktion des zu dem Ereignis gehörenden Benutzers, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, während der Benutzer die Erfahrung hat (oder kurz danach). Von daher kann ein Messwert als ein Messwert der affektiven Reaktion des (zu dem Ereignis gehörenden) Benutzers auf die (zu dem Ereignis gehörende) Erfahrung gelten. Optional basiert ein Messwert der affektiven Reaktion eines Benutzers auf eine Erfahrung auf mindestens einem der folgenden Werte: (i) ein Wert, der durch Messung des Benutzers mit dem Sensor erfasst wird, während der Benutzer die Erfahrung hat und (ii) ein Wert, der durch Messung des Benutzers mit dem Sensor höchstens eine Stunde, nachdem der Benutzer die Erfahrung hatte, erfasst wird. Ein Messwert der affektiven Reaktion eines Benutzers auf eine Erfahrung kann hierin auch als ein „Messwert eines Benutzers, der die Erfahrung hatte” bezeichnet werden.
  • Die Messwerte 704 der affektiven Reaktion werden mit Sensoren erfasst, wie beispielsweise der Sensor 102, der mit dem Benutzer 101 verbunden ist. Ein Messwert der affektiven Reaktion eines Benutzers ist indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals des Benutzers und ein Wert eines Verhaltenssignals des Benutzers. Die hierin beschriebenen Ausführungsformen können verschiedene Arten von Sensoren umfassen, die zur Erfassung der Messwerte 704 und/oder anderer in dieser Offenlegung erwähnter Messwerte der affektiven Reaktion verwendet werden können. Zusätzliche Informationen bezüglich Sensoren sind zumindest im Abschnitt 1 (Sensoren) zu finden. Zusätzliche Informationen bezüglich der Art und Weise der Erfassung und/oder Verarbeitung der Messwerte 704 und/oder anderer in dieser Offenlegung erwähnter Messwerte sind zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) zu finden. Es ist darauf hinzuweisen, dass die Messwerte 704 und/oder andere in dieser Offenlegung erwähnten Messwerte der affektiven Reaktion, obgleich nicht in 1 dargestellt, dem Sample-Generator 705 über ein anderes Aggregationsmodul, wie etwa das Erfassungsmodul 120, bereitgestellt werden können. Zusätzliche Informationen darüber, wie das Erfassungsmodul 120 Messwerte erfassen, verarbeiten und/oder weiterleiten kann, sind zumindest im Abschnitt 9 (Erfassung von Messwerten) zu finden. Optional kann das Erfassungsmodul 120 eine Komponente des Sample-Generators 705 sein. Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 1 dargestellten Systems zudem einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 704 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • In einigen Ausführungsformen wird die Identifizierung der Ereignisse, wie etwa der Ereignisse, zu denen die Faktoren 703 und/oder die Messwerte 704 gehören, sowie anderer in dieser Offenlegung erwähnter Ereignisse, zumindest teilweise durch den Ereignis-Annotator 701 durchgeführt. Optional generiert der Ereignis-Annotator 701 Beschreibungen der Ereignisse, anhand derer die Faktoren der Ereignisse bestimmt werden können. Optional kann der Ereignis-Annotator 701 zudem die Faktoren 703 auswählen und/oder deren Werte festlegen (z. B. den Faktoren 703 Gewichtungen zuweisen).
  • Die Bestimmung von Faktoren von Ereignissen und/oder von Gewichtungen der Faktoren der Ereignisse kann die Anwendung verschiedener Informationsquellen (z. B. Kameras und andere Sensoren, Kommunikationen eines Benutzers und/oder durch einen Benutzer aufgenommener Inhalt) und verschiedene Analyseformen umfassen (z. B. Bilderkennung und/oder semantische Analyse). Optional ist jeder Faktor der Faktoren in einer Beschreibung eines Ereignisses indikativ für mindestens eines der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Optional kann eine Beschreibung eines Ereignisses indikativ für die Gewichtungen der Faktoren sein, und eine Gewichtung eines Faktors, die in einer Beschreibung eines Ereignisses angegebenen wird, ist indikativ dafür, wie wichtig der Faktor für das Ereignis ist.
  • Zusätzliche Informationen bezüglich der Identifizierung von Ereignissen und/oder Faktoren der Ereignisse sind zumindest im Abschnitt 5 (Identifizierung von Ereignissen) und im Abschnitt 12 (Faktoren von Ereignissen) zu finden. In einigen Ausführungsformen kann der Ereignis-Annotator 701 und/oder können bestimmte durch den Ereignis-Annotator 701 verwendete Module Teil eines im Namen des Benutzers 101 operierenden Software-Agenten sein, wie beispielsweise der Software-Agent 108.
  • Jedes der durch den Sample-Generator 705 generierten Samples 708 gehört zu einem Ereignis und umfasst einen oder mehrere auf der Grundlage einer Beschreibung des Ereignisses bestimmte Merkmalswerte und ein auf der Grundlage des Messwerts der affektiven Reaktion bestimmtes Label.
  • Der Begriff „Merkmalswerte” wird hierin üblicherweise verwendet, um Daten anzugeben, die einem auf maschinellem Lernen basierten Prädiktor bereitgestellt werden können. Somit kann eine Beschreibung eines Ereignisses, die indikativ für die Faktoren 703 ist, in Merkmalswerte umgewandelt werden, um zum Trainieren eines Modells von Bias und/oder zur Prognose einer zu einem Ereignis gehörenden affektiven Reaktion verwendet zu werden (z. B. durch einen ERP, wie im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) beschrieben). Üblicherweise, jedoch nicht notwendigerweise, können Merkmalswerte Daten sein, die als ein Vektor numerischer Werte (z. B. Ganzzahl oder Realwerte) angegeben werden können, wobei jede Position in dem Vektor einem bestimmten Merkmal entspricht. In einigen Ausführungsformen können die Merkmalswerte jedoch andere Arten von Daten, wie Text, Bilder und/oder andere digital gespeicherte Informationen, umfassen.
  • In einigen Ausführungsformen werden die Merkmalswerte eines Samples durch den Merkmalsgenerator 706 generiert, der ein Modul sein kann, das in dem Sample-Generator 705 enthalten ist und/oder durch den Sample-Generator 705 verwendet wird. In einem Beispiel konvertiert der Merkmalsgenerator 706 eine Beschreibung eines Ereignisses in einen oder mehrere Werte (Merkmalswerte). Optional gehören die aus der Beschreibung des Ereignisses generierten Merkmalswerte zu den Faktoren des Ereignisses (d. h. das Ereignis charakterisierenden Faktoren). Optional gehört jeder Faktor der ein Ereignis charakterisierenden Faktoren zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Zum Beispiel können die Merkmalswerte die Gewichtungen der Faktoren selbst haben und/oder auf der Grundlage der Gewichtungen der Faktoren berechnet werden. Eine weitere Erörterung hinsichtlich der Faktoren von Ereignissen ist zumindest in Abschnitt 12 (Faktoren von Ereignissen) dieser Offenlegung zu finden.
  • In einigen Ausführungsformen sind die Labels für die Samples Werte, die indikativ für eine emotionale Reaktion ist, die zu Ereignissen gehört, zu denen die Samples gehören. Zum Beispiel ist ein Label eines Samples, das zu einem bestimmten Ereignis gehört, ein Wert, der indikativ für die emotionale Reaktion des zu dem bestimmten Ereignis gehörenden Benutzers auf das Erleben der zu dem bestimmten Ereignis gehörenden Erfahrung ist. Üblicherweise wird die zu einem Ereignis gehörende emotionale Reaktion anhand eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion bestimmt, der ein Messwert des zu dem Ereignis gehörenden Benutzers ist und erfasst wird, während der Benutzer die zu dem Ereignis gehörende Erfahrung hat oder kurz danach (wie ausführlicher im Abschnitt 2 (Messwerte der affektiven Reaktion) erörtert).
  • Die Labels der Samples 708 können als affektive Werte gelten. Optional werden die Labels durch den Label-Generator 707 generiert, der die Messwerte 704 empfängt und sie in affektive Werte konvertiert. Optional verwendet der Label-Generator 707 zur Durchführung dieser Konvertierung einen Emotionszustands-Schätzer (EZS), welcher ausführlicher im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) erörtert wird.
  • In einem Beispiel ist ein Label eines zu einem Ereignis gehörenden Samples indikativ für einen Grad von mindestens einer der folgenden Emotionen: Glück, Zufriedenheit, Gelassenheit, Aufmerksamkeit, Zuneigung, Zärtlichkeit, Begeisterung, Schmerz, Angst, Verdruss, Stress, Aggression, Furcht, Traurigkeit, Müdigkeit, Apathie und Wut. In einem anderen Beispiel kann ein Label eines zu einem Ereignis gehörenden Samples ein numerischer Wert sein, der angibt, wie positiv oder negativ die affektive Reaktion auf das Ereignis war.
  • Das Bias-Modell-Bestimmungsmodul 710 ist dazu konfiguriert, die Samples 708 zur Generierung des Bias-Modells 712 zu verwenden. Je nach der Art des verwendeten Verfahrens zur Modellierung von Bias kann das Bias-Modell-Bestimmungsmodul 710 die Samples 708 auf verschiedene Weise verwenden und/oder kann das Bias-Modell 712 unterschiedliche Werte umfassen. Ein Verfahren, das verwendet werden kann und in 2 dargestellt ist, umfasst die Verwendung des Bias-Wert-Bestimmungsmoduls 714 zur Bestimmung der Bias-Werte 715 aus den Samples 708. Ein weiteres Verfahren, das verwendet werden kann und in 3 dargestellt ist, umfasst die Verwendung eines Trainers eines Emotionsreaktions-Prädiktors (ERP-Trainer 718) zur Bestimmung des ERP-Modells 719 aus den Samples 708. Es folgt eine detailliertere Beschreibung dieser beiden Verfahren.
  • Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 2 und/oder 3 dargestellten Systems einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 704 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • In einigen Ausführungsformen verwendet das Bias-Modell-Bestimmungsmodul 710 das Bias-Wert-Bestimmungsmodul 714 zum Trainieren des Bias-Modells 712, welches in diesen Ausführungsformen die Bias-Werte 715 umfasst. Optional ist das Bias-Wert-Bestimmungsmodul 714 dazu konfiguriert, die Samples 708 zur Bestimmung der Bias-Werte 715 zu verwenden. Optional gehört jeder Bias-Wert zu einem Faktor, der mindestens eines der zum Generieren der Samples 708 verwendeten Ereignisse charakterisiert (d. h. jeder Bias-Wert gehört zu mindestens einem Faktor der Faktoren 703). Optional ist ein Bias-Wert, der zu einem Faktor gehört, indikativ für eine Größenordnung einer erwarteten Auswirkung des Faktors auf einen Messwert, der zu einem Ereignis gehört, das durch den Faktor charakterisiert wird. Optional kann ein Bias-Wert einem numerischen Wert (der die erwartete Auswirkung angibt) entsprechen. Zusätzlich oder alternativ kann der Bias-Wert einer Werteverteilung entsprechen, die eine Verteilung der Auswirkungen eines zu dem Bias-Wert gehörenden Faktors angibt.
  • Die Bias-Werte werden ausführlicher im Abschnitt 13 (Bias-Werte) erörtert. Dieser Abschnitt behandelt zudem die verschiedenen Verfahren, nach denen die Bias-Werte auf der Grundlage von Samples bestimmt werden können, z. B. durch das Bias-Wert-Bestimmungsmodul 714. Insbesondere kann das Bias-Wert-Bestimmungsmodul verschiedene, in dem zuvor genannten Abschnitt erörterte Optimierungsverfahren anwenden, um eine Zuordnung zu den Bias-Werten 715 zu finden, die eine objektive Funktion in Bezug auf die Samples minimiert, wie beispielsweise in Gl. (2), Gl. (3), Gl. (5) beschrieben, und/oder eine allgemeine Funktionsoptimierung wie etwa f(B →, V), beschrieben in dem zuvor genannten Abschnitt.
  • In einer Ausführungsform, in der zumindest einige der Bias-Werte affektive Werte sind, ist das Bias-Wert-Bestimmungsmodul 714 dazu konfiguriert, einen Vorgang anzuwenden, der ein Optimierungsproblem löst, welches verwendet wird, um eine Zuordnung zu den Bias-Werten 715 zu finden, die ein lokales Minimum einer Fehlerfunktion ist (wie etwa die in den oben aufgeführten Gleichungen erwähnten Funktionen). Optional ist der Wert der Fehlerfunktion proportional zu den Differenzen zwischen den Labels der Samples 708 und Schätzungen der Labels, die unter Verwendung der Zuordnung zu den Bias-Werten bestimmt werden. Zum Beispiel kann eine Schätzung eines Labels eines Samples, das zu einem Ereignis gehört, eine Funktion der Faktoren sein, welche das Ereignis und die Zuordnung zu den Bias-Werten charakterisieren, wie etwa die in Gl. (1) beschriebene lineare Funktion.
  • In einer anderen Ausführungsform, in der zumindest einige der Bias-Werte Verteilungen affektiver Werte entsprechen, ist das Bias-Wert-Bestimmungsmodul 714 dazu konfiguriert, einen Vorgang anzuwenden, der eine Maximum-Likelihood-Schätzung der Bias-Werte 715 in Bezug auf die Samples 708 bestimmt. Optional erfolgt die Bestimmung der Maximum-Likelihood-Schätzung durch Maximieren der in Gl. (5) im Abschnitt 13 (Bias-Werte) ausgedrückten Likelihood.
  • Je nach der Zusammensetzung der zum Generieren der Samples 708 verwendeten Ereignissen können die Bias-Werte 715 verschiedene Arten von Werten umfassen. In einer Ausführungsform sind die zum Generieren der Samples 708 verwendeten Ereignisse in erster Linie Ereignisse, die einen bestimmten Benutzer betreffen; folglich können die Bias-Werte 715 als Bias-Werte des bestimmten Benutzers gelten. In einigen Ausführungsformen umfasst eines oder umfassen mehrere der Samples 708 einen bestimmten Faktor, der zu Ereignissen verschiedener Benutzer gehört; folglich kann ein Bias-Wert, der zu dem bestimmten Faktor gehört, als repräsentativ für das Bias mehrerer Benutzer gelten. Zum Beispiel kann derselbe Faktor die Außentemperatur angeben, in der Benutzer eine Erfahrung haben; somit kann ein zugehöriger Bias-Wert, der anhand von Samples mehrerer Benutzer bestimmt wird, indikativ dafür sein, wie die Temperatur die mehreren Benutzer (im Durchschnitt) beeinflusst. In einigen Ausführungsformen können die Samples 708 verschiedene Benutzer betreffende Samples umfassen, wobei jeder Benutzer jedoch eine Menge zugehöriger Faktoren haben kann. Somit können die Bias-Werte 715 als eine Matrix gelten, in der jede Zeile die Bias-Werte eines Benutzers für einen von n möglichen Faktoren enthält, sodass die Position i, j in der Matrix den Bias-Wert des Benutzers i hinsichtlich des j-sten Faktors enthält.
  • In einigen Ausführungsformen verwendet das Bias-Modell-Bestimmungsmodul 710 den ERP-Trainer 718, der dazu konfiguriert ist, das Bias-Modell 712, welches in diesen Ausführungsformen das ERP-Modell 719 für einen ERP umfasst, unter Verwendung der Samples 708 zu trainieren. Optional verwendet der ERP-Trainer 718 einen auf maschinellem Lernen basierten Trainingsalgorithmus, um das ERP-Modell 719 mit die Samples 708 umfassenden Trainingsdaten zu trainieren. Durch die Verwendung eines ERP kann es in einigen Ausführungsformen möglich sein, ein Bias als eine (möglicherweise nichtlineare) Funktion von Faktoren zu modellieren. Dieses Verfahren zur Modellierung eines Bias wird ausführlicher im Abschnitt 14 (Bias-Funktionen) beschrieben.
  • In einer Ausführungsform ist der ERP dazu konfiguriert, Merkmalswerte eines zu einem Ereignis gehörenden Samples zu empfangen und das ERP-Modell 719 zum Erstellen einer Prognose eines Labels des Samples auf der Grundlage der Merkmalswerte zu verwenden. Optional repräsentiert das durch den ERP auf der Grundlage des Modells und der Merkmalswerte eines zu einem Ereignis gehörenden Samples prognostizierte Label eine erwartete affektive Reaktion des Benutzers. Optional ist der ERP dazu konfiguriert, ein Label für ein Sample durch die Anwendung des ERP-Modells 719 zur Berechnung einer nichtlinearen Funktion von Merkmalswerten des Samples zu prognostizieren. ERP und die verschiedenen Trainingsverfahren, die zur Bestimmung ihrer Modelle verwendet werden können, werden ausführlicher im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) erörtert.
  • In einigen Ausführungsformen prognostiziert ein ERP, das das ERP-Modell verwendet, nicht dieselben Werte für alle ihm als Query gegebenen Samples (d. h. Query-Samples). Insbesondere gibt es ein erstes und zweites Query-Sample, welche nicht identische Merkmalswerte haben, und für die der ERP verschiedene Labels prognostiziert. Wenn das erste und zweite Sample beispielsweise als Vektoren angegeben werden, gibt es mindestens eine Position in den Vektoren, für die der Wert an dieser Position im Vektor des ersten Samples sich von dem Wert an dieser Position im Vektor des zweiten Samples unterscheidet. In einem Beispiel gehört das erste Sample zu einem ersten Ereignis, das eine erste Erfahrung betrifft, die sich von einer zweiten Erfahrung unterscheidet, die im Zusammenhang mit einem zweiten Ereignis steht, zu dem das zweite Sample gehört. In einem anderen Beispiel gehört das erste Sample zu einem ersten Ereignis, das einen ersten Benutzer betrifft, der sich von einem zweiten Benutzer unterscheidet, der im Zusammenhang mit einem zweiten Ereignis steht, zu dem das zweite Sample gehört. Optional bedeutet die Prognose verschiedener Labels durch den ERP, z. B. in den beiden oben genannten Beispielen, dass eine affektive Reaktion, die zu dem Ereignis gehört, zu dem das erste Sample gehört, gemäß der Prognose des ERP nicht identisch mit einer affektiven Reaktion ist, die zu dem Ereignis gehört, zu dem das zweite Sample gehört.
  • Die Zusammensetzung der Samples 708, die zum Trainieren des Bias-Modells 712 verwendet werden, können in einigen Ausführungsformen eine signifikante Bedeutung für die Art der Modellierung von Bias haben, die mit dem Bias-Modell 712 erreicht werden kann. Es folgen einige Beispiele dafür, wie die Zusammensetzung der Samples 708 zwischen den verschiedenen Ausführungsformen der gemäß 1 modellierten Systeme variieren kann.
  • In einigen Ausführungsformen gehören die Faktoren 703 und die Messwerte 704 zu Ereignissen, die überwiegend eine bestimmte Erfahrung oder eine bestimmte Erfahrungsart betreffen. Folglich beschreibt das durch die Samples 708 bestimmte Bias-Modell 712 Bias, die zu Faktoren gehören, die im Zusammenhang mit der bestimmten Erfahrung oder der bestimmten Erfahrungsart stehen. In anderen Ausführungsformen gehören die Faktoren 703 und die Messwerte 704 zu Ereignissen, die unterschiedliche Erfahrungen und/oder Erfahrungen verschiedener Arten betreffen, wodurch das Bias-Modell 712 in der Lage sein kann, Bias hinsichtlich einer breiten Vielzahl von Faktoren widerzuspiegeln.
  • In einigen Ausführungsformen beziehen sich die Ereignisse, zu denen die Faktoren 703 und die Messwerte 704 gehören, auf einen bestimmten Benutzer (z. B. der Benutzer 101). Somit kann das in diesen Ausführungsformen bestimmte Bias-Modell 712 als ein Modell der Bias des bestimmten Benutzers gelten. In anderen Ausführungsformen betreffen die Ereignisse, zu denen die Samples 708 gehören, mehrere Benutzer. Dies wird in 4 dargestellt, in der der Sample-Generator 705 die Messwerte 776 der zu der Crowd 100 gehörenden Benutzer sowie die Faktoren 777 empfängt, die zu diese mehreren Benutzer betreffenden Ereignissen gehören.
  • Die Samples 778, die auf der Grundlage der Messwerte 776 und der Faktoren 777 generiert werden, werden durch das Bias-Modell-Bestimmungsmodul 710 zum Generieren des Bias-Modells 779 verwendet, von dem gelten kann, dass es die Bias mehrerer Benutzer modelliert. Diese Zeichnung dient zur Veranschaulichung eines Szenarios, in dem die Messwerte mehrerer Benutzer zum Trainieren eines Bias-Modells verwendet werden, dies bedeutet jedoch keine Einschränkung anderer in dieser Offenlegung beschriebener Ausführungsformen hinsichtlich der Verwendung von Daten eines einzigen Benutzers. Außerdem können die durch den Sample-Generator 705 empfangenen Messwerte in vielen der hierin beschriebenen Ausführungsformen von verschiedenen Benutzern stammen (z. B. die Benutzer 100), und ebenso können die Faktoren 703 Faktoren sein, die mehrere Benutzer betreffen. Somit kann das aus solchen Daten bestimmte Bias-Modell 712 in einigen Ausführungsformen als die Bias verschiedener Benutzer modellierend gelten, während das Bias-Modell 712 in anderen Ausführungsformen als die Bias eines bestimmten Benutzers modellierend gelten kann.
  • Es ist zu beachten, dass in verschiedenen Ausführungsformen unterschiedliche Anzahlen von Benutzern zu der Crowd 100 gehören können. Beispielsweise ist die Anzahl der Benutzer in einigen Ausführungsformen relativ klein, wie etwa mindestens drei, mindestens fünf oder mindestens zehn Benutzer. In anderen Ausführungsformen kann die Anzahl der Benutzer jedoch viel größer sein, z. B. mindestens hundert, mindestens tausend oder hunderttausend Benutzer oder sogar mehr. Ebenso kann die Anzahl der verschiedenen mit Ereignissen verbundenen Erfahrungen, zu denen die Messwerte und Faktoren, die zur Modellierung von Bias verwendet werden, gehören, in den hierin beschriebenen Ausführungsformen recht unterschiedlich sein. Beispielsweise können die Daten in einigen Ausführungsformen Ereignisse beinhalten, die eine einzige Erfahrung betreffen. In anderen Ausführungsformen können die Daten viele Ereignisse beinhalten, von denen jedes eine der vielen im Abschnitt 3 (Erfahrungen) beschriebenen Erfahrungen umfasst.
  • In einigen Ausführungsformen kann derselbe Faktor in den Beschreibungen verschiedener Ereignisse vorhanden sein, die möglicherweise verschiedene Benutzern und/oder verschiedene Erfahrungen betreffen. In einem Beispiel ist eine Beschreibung eines ersten Ereignisses, das einen ersten Benutzer betrifft, der eine erste Erfahrung hat, indikativ für einen bestimmten Faktor und ist eine Beschreibung eines zweiten Ereignisses, das einen zweiten Benutzer betrifft, der eine zweite Erfahrung hat, indikativ für den bestimmten Faktor. Optional sind der erste und zweite Benutzer derselbe Benutzer; alternativ können sie verschiedene Benutzer sein. Optional unterscheidet sich die erste Erfahrung von der zweiten Erfahrung und überschneidet sich der Instanziierungszeitraum des ersten Ereignisses nicht mit dem Instanziierungszeitraum des zweiten Ereignisses.
  • Die Beschreibungen der Ereignisse, zu denen die Faktoren 703 und die Messwerte 704 gehören, sind nicht unbedingt identisch, selbst wenn sie die selbe Erfahrung betreffen. In einigen Ausführungsformen kann eine Beschreibung eines Ereignisses einen Faktor enthalten, der zu dem zu dem Ereignis gehörenden Benutzer gehört. Somit können verschiedene Ereignisse aufgrund unterschiedlicher Charakteristik der zu den Ereignissen gehörenden Benutzer unterschiedliche Beschreibungen und unterschiedliche aus diesen Beschreibungen generierte Samples haben, auch wenn sie die exakt selbe Erfahrung betreffen (z. B. das Betrachten desselben Abschnitts eines digitalen Inhalts).
  • In einem Beispiel umfassen die Samples 708 ein erstes Sample, das zu einem ersten Ereignis gehört, bei dem ein erster Benutzer eine bestimmte Erfahrung hatte, und ein zweites Sample, das zu einem zweiten Ereignis gehört, bei dem ein zweiter Benutzer die bestimmte Erfahrung hatte. In diesem Beispiel sind die Merkmalswerte des ersten Samples nicht identisch mit den Merkmalswerten des zweiten Samples. Optional ist dies dadurch begründet, dass zumindest einige der den ersten Benutzer beschreibenden Faktoren in einer Beschreibung des ersten Ereignisses (aus der das erste Sample generiert wird) nicht dieselben Faktoren sind wie die den zweiten Benutzer in einer Beschreibung des zweiten Ereignisses (aus der das zweite Sample generiert wird) beschreibenden Faktoren.
  • In einem anderen Beispiel umfassen die Samples 708 ein erstes Sample, das zu einem ersten Ereignis gehört, bei dem ein bestimmter Benutzer eine bestimmte Erfahrung hatte, und ein zweites Sample, das zu einem zweiten Ereignis gehört, bei dem der bestimmte Benutzer die bestimmte Erfahrung hatte. In diesem Beispiel sind die Merkmalswerte des ersten Samples nicht identisch mit den Merkmalswerten des zweiten Samples. Optional ist dies dadurch begründet, dass zumindest einige der die Instanziierung des ersten Ereignisses beschreibenden Faktoren in einer Beschreibung des ersten Ereignisses (aus der das erste Sample generiert wird) nicht dieselben Faktoren sind, wie die die Instanziierung des zweiten Ereignisses in einer Beschreibung des zweiten Ereignisses (aus der das zweite Sample generiert wird) beschreibenden Faktoren. Zum Beispiel können die Faktoren, die die Länge der bestimmten Erfahrung, die Umgebungsbedingungen und/oder die Situation des bestimmten Benutzers beschreiben, für die verschiedenen Instanziierungen unterschiedlich sein.
  • Die Tatsache, dass die Beschreibungen von Ereignissen und die aus ihnen generierten Samples nicht identisch für alle Benutzer und/oder Erfahrungen sind, kann dazu führen, dass in den Beschreibungen der Ereignisse unterschiedliche Faktoren als die Ereignisse charakterisierend angegeben werden. Optional kann dies auch dazu führen, dass verschiedene Merkmale in den Samples 708 unterschiedliche Merkmalswerte haben.
  • In einem Beispiel umfassen die Ereignisse, zu denen die Faktoren 703 und die Messwerte 704 gehören, ein erstes, zweites, drittes und viertes Ereignis, und umfassen die Faktoren 703 einen ersten und zweiten Faktor. In diesem Beispiel indiziert eine erste Beschreibung des ersten Ereignisses, dass der erste Faktor das erste Ereignis charakterisiert, und indiziert die erste Beschreibung nicht, dass der zweite Faktor das erste Ereignis charakterisiert. Zusätzlich indiziert eine zweite Beschreibung des zweiten Ereignisses, dass der zweite Faktor das zweite Ereignis charakterisiert, und indiziert die zweite Beschreibung nicht, dass der erste Faktor das zweite Ereignis charakterisiert. Darüber hinaus indiziert eine dritte Beschreibung des dritten Ereignisses, dass der erste und zweite Faktor das dritte Ereignis charakterisieren. Und zusätzlich indiziert eine vierte Beschreibung des vierten Ereignisses nicht, dass der erste Faktor das vierte Ereignis charakterisiert, und indiziert die vierte Beschreibung nicht, dass der zweite Faktor das vierte Ereignis charakterisiert.
  • In einigen Ausführungsformen kann ein Faktor, der einen zu einem Ereignis gehörenden Benutzer beschreibt, aus einem Profil des Benutzers stammen, wie etwa eines der Profile 128, das für eine Personalisierung von crowd-basierten Ergebnissen verwendet wird. Optional umfasst das Profil des Benutzers Informationen, die eine oder mehrere der folgenden Angaben beschreiben: eine Angabe einer Erfahrung, die der Benutzer hatte, ein demographisches Charakteristikum des Benutzers, ein genetisches Charakteristikum des Benutzers, ein statisches, den Körper des Benutzers beschreibendes Attribut, eine medizinische Erkrankung des Benutzers, eine Angabe eines Inhaltselements, das der Benutzer aufgenommen hat, und einen durch eine semantische Analyse einer Kommunikation des Benutzers abgeleiteter Merkmalswert.
  • In einigen Ausführungsformen kann eine Beschreibung eines Ereignisses indikativ für mindestens einen Faktor sein, der den zu dem Ereignis gehörenden Benutzer charakterisiert und aus einem Modell des Benutzers erhalten wird. Optional umfasst das Modell die Bias-Werte des Benutzers, wie etwa die Bias-Werte 715. Somit können die Faktoren eines Ereignisses (und/oder die Gewichtungen der Faktoren) ihre Werte von dem Bias-Modell 712 erhalten und die Ergebnisse einer früheren Analyse der Bias des zu dem Ereignis gehörenden Benutzers und/oder anderer Benutzer repräsentieren.
  • In einigen Ausführungsformen ist der Sample-Generator 705 (und/oder der Merkmalsgenerator 706) dazu konfiguriert, einen oder mehrere Merkmalswerte eines zu einem Ereignis gehörenden Samples auf der Grundlage eines für das Ereignis relevanten crowd-basierten Ergebnisses zu genieren. In diesen Ausführungsformen kann der Sample-Generator 705 zusätzlich zu den Faktoren 703 und den Messwerten 704 die crowd-basierten Ergebnisse 115 empfangen, die für die Ereignisse relevant sind, zu denen die Faktoren 703 und die Messwerte 704 gehören. Optional ergibt sich das für ein Ereignis relevante crowd-basierte Ergebnis aus mindestens einem der folgenden Ergebnisse: eine Bewertung der zu dem Ereignis gehörenden Erfahrung, die auf der Grundlage der Messwerte der affektiven Reaktion der Benutzer berechnet wird, und ein Rang der zu dem Ereignis gehörenden Erfahrung, der durch ein Ranking von Erfahrungen bestimmt wird, das auf der Grundlage der Messwerte der affektiven Reaktion der Benutzer generiert wird. Eine weitere Erörterung der crowd-basierten Ergebnisse ist zumindest im Abschnitt 8 (Crowd-basierte Applikationen) und im Abschnitt 10 (Bewertung) zu finden.
  • In einem Beispiel ist ein für ein Ereignis relevantes crowd-basiertes Ergebnis indikativ für den Wert einer für die zu dem Ereignis gehörende Erfahrung berechnete Bewertung. Zum Beispiel kann das crowd-basierte Ergebnis der Wert der Bewertung selbst oder eine aus der Bewertung abgeleitete Angabe sein, wie etwa eine Angabe darüber, ob die Bewertung einen Schwellenwert erreicht oder ob die Bewertung innerhalb eines bestimmten Perzentils von Bewertungen liegt. In einem anderen Beispiel kann ein für ein Ereignis relevantes crowd-basiertes Ergebnis ein der zu dem Ereignis gehörenden Erfahrung gegebenes Ranking und/oder ein aus dem Ranking abgeleiteter Wert sein, wie etwa eine Angabe darüber, ob der Rang der Erfahrung einen bestimmten Schwellwert erreicht.
  • In einer Ausführungsform werden die Messwerte der affektiven Reaktion, die zur Berechnung eines für ein Ereignis relevantes crowd-basiertes Ergebnisses verwendet werden, vor der Instanziierung des Ereignisses erfasst. In einer anderen Ausführungsform wird das für das Ereignis relevante crowd-basierte Ergebnis auf der Grundlage zumindest einiger der Messwerte 703 berechnet. Optional wird ein zu dem Ereignis gehörender Messwert zur Berechnung des für das Ereignis relevanten crowd-basierten Ergebnisses verwendet. Optional wird das crowd-basierte Ergebnis dann zur Bestimmung mindestens einer der das Ereignis charakterisierenden Faktoren verwendet. Zum Beispiel kann das crowd-basierte Ergebnis indikativ für die Qualität der zu dem Ereignis gehörenden Erfahrung sein, wie bestimmt auf der Grundlage von Messwerten von Benutzern, die die Erfahrung zeitnah zu dem zu dem Ereignis gehörenden Benutzer hatten (z. B. innerhalb von ein paar Minuten, ein paar Stunden oder ein paar Tagen, nachdem der Benutzer die Erfahrung hatte). Optional wird das crowd-basierte Ergebnis auf der Grundlage zumindest einiger vor der Instanziierung des Ereignisses erfasster Messwerte und auf der Grundlage zumindest einiger nach der Instanziierung des Ereignisses erfasster Messwerte berechnet.
  • Es folgen Beschreibungen von Schritten, die in verschiedenen, eine Bestimmung von Bias-Modellen umfassenden Verfahren durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 1, 2, 3 und/oder 4 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst ein Verfahren zur Bestimmung von Bias-Werten von Benutzern mindestens die folgenden Schritte:
    Schritt 1, Empfang von zu Ereignissen gehörenden Messwerten. Optional betrifft jedes Ereignis einen zu dem Ereignis gehörenden Benutzer, der eine zu dem Ereignis gehörende Erfahrung hat, und ist ein zu dem Ereignis gehörender Messwert ein Messwert der affektiven Reaktion des Benutzers, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, während der Benutzer die Erfahrung hat.
  • Schritt 2, Empfang einer Beschreibung des Ereignisses für jedes Ereignis, welche indikativ für das Ereignis charakterisierende Faktoren ist. Optional gehört jeder Faktor der das Ereignis charakterisierenden Faktoren zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Schritt 3, Generierung von zu den Ereignissen gehörenden Samples. Optional umfasst jedes zu einem Ereignis gehörende Sample: auf der Grundlage der Beschreibung des Ereignisses bestimmte Merkmalswerte und ein auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmtes Label. In einem Beispiel umfassen die Samples ein erstes Sample, das zu einem ersten Ereignis gehört, bei dem ein erster Benutzer eine bestimmte Erfahrung hatte, und ein zweites Sample, das zu einem zweiten Ereignis gehört, bei dem ein zweiter Benutzer die bestimmte Erfahrung hatte. Zusätzlich sind die Merkmalswerte des ersten Samples nicht identisch mit den Merkmalswerten des zweiten Samples.
  • Und Schritt 4, Bestimmung der Bias-Werte unter Verwendung der in Schritt 3 generierten Samples. Jeder Bias-Wert gehört zu einem Faktor, der mindestens eines der Ereignisse charakterisiert, und ist indikativ für eine Größenordnung einer erwarteten Auswirkung des Faktors auf einen Messwert, der zu einem Ereignis gehört, das durch den Faktor charakterisiert wird.
  • Die Bestimmung der Bias-Werte in Schritt 4 kann in verschiedenen Ausführungsformen auf verschiedene Weise durchgeführt werden. In einer Ausführungsform kann die Bestimmung der Bias-Werte die Lösung eines Optimierungsproblems beinhalten, das verwendet wird, um eine Zuordnung zu den Bias-Werten zu finden, die ein lokales Minimum einer Fehlerfunktion ist. Der Wert der Fehlerfunktion ist proportional zu den Differenzen zwischen den Labels der Samples und den Schätzungen der Labels. Optional ist eine Schätzung eines Labels eines Samples, das zu einem Ereignis gehört, eine Funktion der das Ereignis charakterisierenden Faktoren und der Zuordnung zu den Bias-Werten. In einer weiteren Ausführungsform umfasst die Bestimmung der Bias-Werte die Ermittlung einer Maximum-Likelihood-Schätzung der Bias-Werte in Bezug auf die Samples.
  • In einer Ausführungsform umfasst ein Verfahren zur Bestimmung einer Bias-Funktion aus mehrere Benutzer betreffenden Ereignissen mindestens die folgenden Schritte:
    Schritt 1, Empfang von zu Ereignissen gehörenden Messwerten. Optional betrifft jedes Ereignis einen zu dem Ereignis gehörenden Benutzer, der eine zu dem Ereignis gehörende Erfahrung hat, und ist ein zu dem Ereignis gehörender Messwert ein Messwert der affektiven Reaktion des Benutzers, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, während der Benutzer die Erfahrung hat.
  • Schritt 2, Empfang einer Beschreibung des Ereignisses für jedes Ereignis, welche indikativ für das Ereignis charakterisierende Faktoren ist. Optional gehört jeder Faktor der das Ereignis charakterisierenden Faktoren zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Schritt 3, Generierung von zu den Ereignissen gehörenden Samples. Optional umfasst jedes zu einem Ereignis gehörende Sample: auf der Grundlage der Beschreibung des Ereignisses bestimmte Merkmalswerte und ein auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmtes Label. Die in diesem Schritt generierten Samples umfassen ein erstes Sample, das zu einem ersten Ereignis gehört, bei dem ein erster Benutzer eine bestimmte Erfahrung hat, und ein zweites Sample, das zu einem zweiten Ereignis gehört, bei dem ein zweiter Benutzer die bestimmte Erfahrung hat. Zusätzlich umfassen das erste und zweite Sample nicht dieselben Merkmalswerte.
  • Und Schritt 4, Training eines Modells für einen Emotionsreaktions-Prädiktor (ERP) unter Verwendung der in Schritt 3 generierten Samples. Der ERP ist dazu konfiguriert, Merkmalswerte eines zu einem Ereignis gehörenden Samples zu empfangen und das Modell zur Erstellung einer Prognose eines Labels des Samples auf der Grundlage der Merkmalswerte zu verwenden. Optional erfolgt das Training des Modells unter Verwendung eines auf maschinellem Lernen basierten Trainingsalgorithmus zum Trainieren des Modells mit die Samples umfassenden Trainingsdaten.
  • In einer Ausführungsform umfasst ein Verfahren zur Bestimmung einer Bias-Funktion eines Benutzers unter Verwendung crowd-basierter Ergebnisse mindestens die folgenden Schritte:
    Schritt 1, Empfang von zu Ereignissen gehörenden Messwerten. Optional betrifft jedes Ereignis den Benutzer, der eine zu dem Ereignis gehörende Erfahrung hat, und ist ein zu dem Ereignis gehörender Messwert ein Messwert der affektiven Reaktion des Benutzers, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, während der Benutzer die Erfahrung hat.
  • Schritt 2, Empfang für jedes Ereignis: einer Beschreibung des Ereignisses, die indikativ für das Ereignis charakterisierende Faktoren ist, und eines für das Ereignis relevanten crowd-basierten Ergebnisses, das auf der Grundlage von Messwerten der affektiven Reaktion von Benutzer bestimmt wird, die die zu dem Ereignis gehörende Erfahrung hatten.
  • Schritt 3, Generierung von zu den Ereignissen gehörenden Samples; wobei jedes zu einem Ereignis gehörende Sample umfasst: mindestens einen Merkmalswert, der auf der Grundlage der das Ereignis charakterisierenden Faktoren bestimmt wird, mindestens einen Merkmalswert, der auf der Grundlage des für das Ereignis relevanten crowd-basierten Ergebnisses bestimmt wird, und ein Label, das auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmt wird.
  • Und Schritt 4, Training eines Modells für einen Emotionsreaktions-Prädiktor (ERP) unter Verwendung der Samples. Der ERP ist dazu konfiguriert, Merkmalswerte eines zu einem Ereignis gehörenden Samples zu empfangen und das Modell zur Generierung eines Labels für das Sample auf der Grundlage der Merkmalswerte zu verwenden; das Label für das Sample ist indikativ für eine erwartete affektive Reaktion des Benutzers auf das Ereignis. Optional beinhaltet das Training in diesem Schritt die Verwendung eines auf maschinellem Lernen basierten Trainingsalgorithmus zum Trainieren des Modells mit die Samples umfassenden Trainingsdaten.
  • In einer Ausführungsform kann das oben beschriebene Verfahren optional einen Schritt enthalten, der die Generierung des crowd-basierten Ergebnisses in der Beschreibung des Ereignisses von Schritt 2 umfasst. In einem Beispiel kann die Generierung des crowd-basierten Ergebnisses die Berechnung einer Bewertung für die zu dem Ereignis gehörende Erfahrung auf der Grundlage der Messwerte der affektiven Reaktion der Benutzer, die die zu dem Ereignis gehörende Erfahrung hatten, beinhalten. In einem anderen Beispiel kann die Generierung des crowd-basierten Ergebnisses die Generierung eines Rankings von Erfahrungen auf der Grundlage von Messwerten der affektiven Reaktion beinhalten, die die Messwerte der affektiven Reaktion der Benutzer umfassen, die die zu dem Ereignis gehörende Erfahrung hatten.
  • Einige der in dieser Ausführungsform beschriebenen Verfahren, wie etwa die oben beschriebenen Verfahren, die die Bestimmung eines Bias-Modells beinhalten, z. B. ein Bias-Werte umfassendes Modell und/oder ein Modell für einen ERP, können zusätzliche optionale Schritte, die im Folgenden beschrieben werden, enthalten.
  • In einer Ausführungsform kann ein Verfahren zur Bestimmung eines Bias-Modells optional einen Schritt beinhalten, der die Erfassung von zu Ereignissen gehörenden Messwerten der affektiven Reaktion mit einem Sensor umfasst. Optional ist jeder zu einem Ereignis gehörender Messwert indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals des zu dem Ereignis gehörenden Benutzers und ein Wert eines Verhaltenssignals des zu dem Ereignis gehörenden Benutzers.
  • Das Verfahren zur Bestimmung eines Bias-Modells kann optional einen Schritt enthalten, der die Generierung einer Beschreibung eines Ereignisses auf der Grundlage von eines oder mehrere der folgenden Daten umfassenden Daten beinhaltet: eine Bildaufnahme, die durch ein Gerät des zu dem Ereignis gehörenden Benutzers aufgenommen wird, eine Kommunikation des zu dem Ereignis gehörenden Benutzers und die Analyse eines durch den zu dem Ereignis gehörenden Benutzer aufgenommenen Inhalts.
  • In einer Ausführungsform kann ein Verfahren zur Bestimmung eines Bias-Modells optional einen Schritt enthalten, der die Verwendung eines Profils eines zu einem Ereignis gehörenden Benutzers zum Generieren der Beschreibung des Ereignisses umfasst. Optional ist die Beschreibung des Ereignisses indikativ für mindestens einen Faktor, der den zu dem Ereignis gehörenden Benutzer charakterisiert und der in dem Profil des Benutzers beschrieben wird. Optional umfasst das Profil des Benutzers Informationen, die eine oder mehrere der folgenden Angaben beschreiben: eine Angabe einer Erfahrung, die der Benutzer hatte, ein demographisches Charakteristikum des Benutzers, ein genetisches Charakteristikum des Benutzers, ein statisches, den Körper des Benutzers beschreibendes Attribut, eine medizinische Erkrankung des Benutzers, eine Angabe eines Inhaltselements, das der Benutzer aufgenommen hat, und einen durch eine semantische Analyse einer Kommunikation des Benutzers abgeleiteter Merkmalswert.
  • Wie oben beschrieben kann ein Messwert der affektiven Reaktion eines Benutzers in einigen Ausführungsformen als die verschiedenen Bias, die der Benutzer haben kann, widerspiegelnd gelten. Solche Bias können sich als eine Reaktion auf einen zugehörigen Faktor manifestieren, der eine Änderung des Werts des Messwerts der affektiven Reaktion bewirkt (oder von dem erwartet wird, dass er eine Änderung bewirkt). In einigen Ausführungsformen kann es vorteilhaft sein, die Effekte bestimmter Bias aus den Messwerten zu entfernen, bevor die Messwerte für verschiedene Zwecke verwendet werden, wie etwa zum Trainieren von Modellen oder Berechnen von Bewertungen oder anderer crowd-basierter Ergebnisse auf der Grundlage der Messwerte. Das Entfernen der Effekte bestimmter Bias kann hierin auch als „Korrigieren” der Messwerte hinsichtlich der bestimmten Bias oder als „Normalisieren” der Messwerte hinsichtlich der bestimmten Bias bezeichnet werden.
  • Es ist zu beachten, dass die Verwendung von Begriffen wie „Korrigieren” oder „korrigiert” (z. B. „Korrigieren eines Bias” oder ein „korrigierter Messwert”) nicht implizieren soll, dass die Korrektur die Effekte der Bias vollständig aus einem Messwert entfernt. Vielmehr ist das Korrigieren eines Bias ein Versuch, das erfolgreich oder nicht erfolgreich in der Minderung der Effekte eines Bias sein kann. Ein korrigierter Messwert (hinsichtlich eines Bias) ist also ein Messwert, der insofern etwas verbessert sein kann, als dass die Effekte eines Bias auf seinen Wert gemindert sein können. Das Korrigieren eines Bias garantiert nicht, dass alle Effekte des Bias entfernt werden und/oder dass alle Effekte des Bias auf exakte Weise entfernt werden. Zusätzlich bedeutet das Korrigieren eines Bias (das in einem korrigierten Messwert resultiert) nicht, dass andere Bias (für die die Korrektur nicht durchgeführt wurde) entfernt werden oder dass andere Formen von Rauschen und/oder Fehlern in dem Messwert verringert werden.
  • In einigen Ausführungsformen kann die Korrektur zumindest einiger Bias gerechtfertigt sein, da es Bias gibt, die sich auf Bedingungen und/oder Einstellungen beziehen können, die für die Instanziierung des gegebenen Ereignisses und/oder für den zu dem Ereignis gehörenden Benutzer spezifisch sind, jedoch nicht generell für die meisten zu derselben Erfahrung gehörenden Ereignisse oder für die meisten Benutzer zutreffen. Wenn solche Bias nicht korrigiert werden, können aus den Messwerten der affektiven Reaktion gezogene Schlussfolgerungen, wie etwa auf der Grundlage der Messwerte berechnete Bewertungen von Erfahrungen oder unter Verwendung der Messwerte trainierte Modelle, falsch sein. Es folgen einige Beispiele für Szenarien, in denen die Korrektur von Messwerten hinsichtlich bestimmter Bias vorteilhaft sein kann.
  • Einige der im Folgenden beschriebenen Ausführungsformen umfassen Systeme, Verfahren und/oder Computerprodukte, in denen ein Bias in einem Messwert der affektiven Reaktion korrigiert wird. Die im Folgenden beschriebenen Ausführungsformen zeigen unterschiedliche Verfahren zur Korrektur von Bias, die sowohl die Korrektur unter Verwendung eines Bias-Werts (wie in 5 dargestellt) und die Korrektur unter Verwendung eines ERP (wie in 6 dargestellt) beinhalten. Beide Verfahren umfassen den Empfang eines Messwerts der affektiven Reaktion eines Benutzers (z. B. der mit dem Sensor 102 erfasste Messwert 720 des Benutzers 101) und die Korrektur des Werts dieses Messwerts in einer bestimmten Weise.
  • 5 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers (z. B. des Benutzers 101) konfiguriert ist. Das System umfasst mindestens den Sensor 102 und das Bias-Subtrahierermodul 726. Das System kann optional andere Module wie den Ereignis-Annotator 701 umfassen.
  • Der Sensor 102 ist mit dem Benutzer 101 verbunden und wird zur Erfassung des Messwerts 720 der affektiven Reaktion des Benutzers 101 verwendet. Optional ist der Messwert 720 indikativ für mindestens einen der folgenden Werte: ein physiologisches Signal des Benutzers 101 und ein Verhaltenssignal des Benutzers 101. In einem Beispiel kann der Sensor 102 in ein Gerät des Benutzers 101 eingebettet sein (z. B. ein tragbares Computergerät, ein Smartphone etc.). In einem anderen Beispiel kann der Sensor 102 in den Körper des Benutzers 101 implantiert sein, z. B. zur Messung eines physiologischen Signals und/oder eines biochemischen Signals. In einem weiteren Beispiel kann der Sensor 102 von dem Benutzer 101 getrennt sein, z. B. kann der Sensor 102 eine Kamera sein, die Bildaufnahmen des Benutzers 101 macht, um die Mimik und/oder Körperhaltung zu bestimmen. Zusätzliche Informationen bezüglich Sensoren und der Frage, wie die Messwerte der affektiven Reaktion erfasst werden können, sind zumindest im Abschnitt 1 (Sensoren) und im Abschnitt 2 (Messwerte der affektiven Reaktion) zu finden.
  • Es ist zu beachten, dass einige Abschnitte dieser Offenlegung Messwerte 110 der affektiven Reaktion erörtern (die Referenzziffer 110 wird verwendet, um allgemeine Messwerte der affektiven Reaktion zu kennzeichnen); der Messwert 720 kann in einigen Ausführungsformen als einer dieser Messwerte gelten, und somit können die hierin beschriebenen Charakteristika dieser Messwerte auch für den Messwert 720 relevant sein.
  • Der Messwert 720 gehört zu einem Ereignis, bei dem der Benutzer 101 eine Erfahrung hat (die als „die zu dem Ereignis gehörende Erfahrung”) bezeichnet wird. Wie im Abschnitt 2 (Messwerte der affektiven Reaktion) erörtert, wird der Messwert 720 erfasst, während der Benutzer 101 die Erfahrung hat oder kurz danach. Die zu dem Ereignis gehörende Erfahrung kann zu einer der verschiedenen in dieser Offenlegung beschriebenen Erfahrungsarten gehören (z. B. eine der im Abschnitt 3 (Erfahrungen) erwähnten Erfahrungen).
  • Das Ereignis, zu dem der Messwert 720 gehört, kann als durch Faktoren (z. B. die Faktoren 730) charakterisiert gelten. Optional ist jeder Faktor der Faktoren indikativ für mindestens eines der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Optional können die Faktoren in einer durch den Ereignis-Annotator 701 generierten Beschreibung des Ereignisses beschrieben werden und/oder aus dieser abgeleitet werden. Optional haben die Faktoren zugehörige Gewichtungen. Zusätzliche Informationen zur Identifizierung von Ereignissen und/oder Faktoren der Ereignisse sind zumindest im Abschnitt 5 (Identifizierung von Ereignissen) und im Abschnitt 12 (Faktoren von Ereignissen) dieser Offenlegung zu finden.
  • Das Bias-Subtrahierermodul 726 ist dazu konfiguriert, eine Angabe des bestimmten Faktors 722 zu empfangen, der zu dem zu korrigierenden Bias gehört. Somit kann das zu korrigierende Bias als eine Reaktion des Benutzers 101 auf den bestimmten Faktor 722 als Teil des Ereignisses gelten. Zusätzlich oder alternativ ist das Bias-Subtrahierermodul 726 dazu konfiguriert, einen zu dem bestimmten Faktor 722 gehörenden Bias-Wert zu empfangen. Optional ist der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors 722 auf eine zu dem Ereignis gehörende affektive Reaktion.
  • Hierin bedeutet der Empfang einer Angabe eines Faktors, wie etwa die Angabe des bestimmten Faktors 722, dass die Angabe Informationen liefert, die zur Identifizierung des Faktors verwendet werden können. In einem Beispiel kann dies den Empfang einer Kennung (z. B. ein Name, ein Tag, eine Seriennummer etc.) umfassen. In einem anderen Beispiel kann dies den Empfang eines Index einer Dimension in einem Vektor von Merkmalswerten umfassen, die zu einer Menge von das Ereignis beschreibenden Faktoren gehören. In diesem Beispiel kann der Index die Position(en) des Vektors identifizieren, die als Teil der Korrektur des Bias geändert werden sollten.
  • In einigen Ausführungsformen wird der Bias-Wert von einem die Bias-Werte 715 umfassenden Modell empfangen. Wie z. B. in der vorstehenden Erörterung hinsichtlich 2 und 4 beschrieben, werden die Bias-Werte 715 optional aus Daten bestimmt, die die Messwerte der affektiven Reaktion des Benutzers 101 und/oder anderer Benutze umfassen. Optional umfassen die Daten, aus denen die Bias-Werte 715 bestimmt werden, Messwerte, die zu Ereignissen gehören, die durch den bestimmten Faktor 722 charakterisiert werden. Optional umfassen zumindest einige der Ereignisse Erfahrungen, die sich von der zu dem Ereignis gehörenden Erfahrung unterscheiden.
  • Es ist zu beachten, dass das Bias-Subtrahierermodul 726 nicht notwendigerweise sowohl die Angabe des bestimmten Faktors 722 und den zu dem bestimmten Faktor 722 gehörenden Bias-Wert empfangen muss. In einigen Fällen kann einer der beiden Werte ausreichen. Beispielsweise empfängt das Bias-Subtrahierermodul 726 in einigen Ausführungsformen die Angabe des bestimmten Faktors 722 und nutzt die Angabe zum Abrufen des entsprechenden Bias-Werts (z. B. aus einer die Bias-Werte 715 umfassenden Datenbank). In anderen Ausführungsformen empfängt das Bias-Subtrahierermodul 726 den zu dem bestimmten Faktor 722 gehörenden Bias-Wert, möglicherweise ohne eine Angabe darüber zu empfangen, was der bestimmte Faktor 722 ist.
  • Das Bias-Subtrahierermodul 726 ist außerdem dazu konfiguriert, den korrigierten Messwert 727 der affektiven Reaktion durch Subtraktion des zu dem bestimmten Faktor 722 gehörenden Bias-Werts von dem Messwert 720 zu berechnen. Optional unterscheidet sich der Wert des Messwerts 720 vom dem Wert des korrigierten Messwerts 722. Optional wird der korrigierte Messwert 727 an ein anderes Modul weitergeleitet, z. B. an das Erfassungsmodul 120, um zur Berechnung eines crowd-basierten Ergebnisses verwendet zu werden. Der korrigierte Messwert 727 kann anstelle des Messwerts 720 oder zusätzlich zu diesem weitergeleitet werden.
  • In einer Ausführungsform ist die Angabe des bestimmten Faktors 722 indikativ für eine Gewichtung des bestimmten Faktors 722, die zur Berechnung des korrigierten Messwerts 727 verwendet werden kann. In einer anderen Ausführungsform wird die Gewichtung des bestimmten Faktors 722 durch die Faktoren 730 bestimmt, die die Gewichtungen zumindest einiger der das Ereignis charakterisierenden Faktoren umfassen können. In einer weiteren Ausführungsform kann der bestimmte Faktor 722 keine explizite Gewichtung haben (weder in der Angabe noch in den Faktoren 730) und kann daher eine implizite Gewichtung haben, die zu dem Faktor 722 gehört, der ein das Ereignis charakterisierender Faktor ist (z. B. eine Gewichtung von „1”, die allen das Ereignis charakterisierenden Faktoren verliehen wird).
  • In einer Ausführungsform umfasst die Korrektur des Bias die Subtraktion des zu dem bestimmten Faktor 722 gehörenden Bias-Werts von dem Messwert 720. Optional wird der subtrahierte Bias-Wert entsprechend der dem bestimmten Faktor 722 zugewiesenen Gewichtung gewichtetet. Wenn die Gewichtung des bestimmten Faktors 722 zum Beispiel als f bezeichnet wird und sein zugehöriger Bias-Wert als b, dann kann die Korrektur des bestimmten Bias durch Subtraktion des Terms f·b von dem Messwert durchgeführt werden. Es ist zu beachten, dass dies der Entfernung des gesamten Effekts des bestimmten Bias entspricht (im Wesentlichen wird dadurch die Gewichtung des bestimmten Faktors auf f = 0 gesetzt). Die Effekte der Bias können jedoch teilweise korrigiert werden, zum Beispiel durch Änderung der Gewichtung des bestimmten Faktors 722 um eine bestimmte ∆f, wobei in diesem Fall der Term ∆f·b von dem Messwert subtrahiert wird. Darüber hinaus kann die Korrektur eines bestimmten Bias die Verringerung des Effekts mehrerer Faktoren umfassen, in welchem Falle das oben beschriebene Verfahren für die mehreren Faktoren wiederholt werden kann. Es ist zu beachten, dass eine teilweise Korrektur (z. B. ∆f wie oben erwähnt) durch einen durch das Bias-Subtrahierermodul 726 empfangenen Parameter vermittelt werden kann, der das Ausmaß der gewünschten Korrektur angibt. Zum Beispiel kann das Bias-Subtrahierermodul 726 einen Parameter α empfangen und von dem Messwert 720 einen Wert subtrahieren, der gleich α·f·b ist.
  • In einer Ausführungsform bestimmt das Bias-Subtrahierermodul 726 vor der Korrektur des Bias, ob der bestimmte Faktor 722 das Ereignis charakterisiert. Optional erfolgt diese Bestimmung auf der Grundlage einer Beschreibung des Ereignisses, die indikativ für die Faktoren 730 ist. Optional muss der bestimmte Faktor 722 für das zu korrigierende Bias in der Beschreibung als ein Faktor angegeben werden, der das Ereignis charakterisiert und/oder eine zugehörige Gewichtung hat, die einen bestimmten Schwellenwert (ungleich Null) erreicht. Wenn der bestimmte Faktor 722 in einer Ausführungsform das Ereignis nicht charakterisiert oder nicht eine den Schwellenwert erreichende Gewichtung hat, dann wird der korrigierte Messwert 727 nicht generiert und/oder ist der Wert des korrigierten Messwerts 727 im Wesentlichen derselbe Wert wie der Wert des Messwerts 720.
  • In einem Beispiel sind Messwerte, die zu einem dieselbe Erfahrung betreffenden ersten und zweiten Ereignis gehören, unter Verwendung des Bias-Subtrahierermodul 726 zu korrigieren. Eine erste Beschreibung des ersten Ereignisses indiziert, dass das erste Ereignis durch den bestimmten Faktor 722 charakterisiert wird und/oder dass die in der ersten Beschreibung angegebene Gewichtung des bestimmten Faktors 722 einen bestimmten Schwellwert erreicht. Eine zweite Beschreibung des zweiten Ereignisses indiziert, dass das zweite Ereignis nicht durch den bestimmten Faktor 722 charakterisiert wird und/oder dass die in der zweiten Beschreibung angegebene Gewichtung des bestimmten Faktors 722 den bestimmten Schwellwert nicht erreicht. Unter der Annahme, dass der zu dem bestimmten Faktor 722 gehörende Bias-Wert ungleich Null ist, dann wird ein auf der Grundlage eines ersten, zu dem ersten Ereignis gehörenden Messwerts berechneter erster korrigierter Messwert in diesem Beispiel einen anderen Wert als der erste Messwert haben. Ein zweiter korrigierter Messwert, der auf der Grundlage eines zweiten, zu dem zweiten Ereignis gehörenden Messwerts berechnet wird, wird jedoch denselben Wert wie der zweite Messwert haben.
  • Es folgen Beschreibungen von Schritten, die unter Verwendung von Verfahren durchgeführt werden können, die die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers umfassen. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 5 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers mindestens die folgenden Schritte:
    Schritt 1, Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors. Optional gehört der Messwert zu einem Ereignis, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und wird der Messwert erfasst, während der Benutzer die Erfahrung hat. Optional ist der Messwert der Messwert 720 der Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 2, Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört. Der bestimmte Faktor charakterisiert das Ereignis und gehört zu mindestens einem der folgenden Dinge: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; und (ii) eines Bias-Werts, der zu dem bestimmten Faktor gehört und auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers berechnet wird. Optional gehören die Messwerte zu Ereignissen, die durch den bestimmten Faktor charakterisiert werden, und zu Erfahrungen, die sich von der zu dem Ereignis gehörenden Erfahrung unterscheiden.
  • Und Schritt 3, Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion des Bias-Werts von dem Messwert der affektiven Reaktion. Optional ist der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf eine zu dem Ereignis gehörende affektive Reaktion. Optional unterscheidet sich der Wert des Messwerts vom dem Wert des korrigierten Messwerts.
  • In einer Ausführungsform werden die obigen Schritte 2 und 3 unter Verwendung des Bias-Subtrahierermoduls 726 durchgeführt, welches den Messwert 720 hinsichtlich eines zu dem bestimmten Faktor 722 gehörenden Bias korrigiert und den korrigierten Messwert 727 produziert.
  • In einer Ausführungsform gehört der Bias-Wert zu einem Bias-Werte (z. B. die Bias-Werte 715) umfassenden Modell und beinhaltet die Berechnung des Bias-Werts die Bestimmung des Modells durch Durchführung zumindest der folgenden Schritte: (i) Empfang von zu Ereignissen gehörenden Messwerten der affektiven Reaktion und von Beschreibungen der Ereignisse, die indikativ für das Ereignis charakterisierende Faktoren sind; (ii) Generierung von zu den Ereignissen gehörenden Samples, wobei jedes zu einem Ereignis gehörende Sample umfasst: auf der Grundlage der Beschreibung des Ereignisses bestimmte Merkmalswerte und ein auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmtes Label; und (iii) Verwendung der Samples zur Bestimmung der in dem Modell umfassten Bias-Werte.
  • In einer Ausführungsform enthält das oben beschriebene Verfahren einen zusätzlichen Schritt, der die Generierung einer Beschreibung des Ereignisses auf der Grundlage von eines oder mehrere der folgenden Dinge umfassenden Daten beinhaltet: eine Bildaufnahme, die durch ein Gerät des zu dem Ereignis gehörenden Benutzers gemacht wird, eine Kommunikation des zu dem Ereignis gehörenden Benutzers und eine Analyse eines durch den zu dem Ereignis gehörenden Benutzer aufgenommenen Inhalts. Optional ist die Beschreibung indikativ dafür, dass der bestimmte Faktor ein das Ereignis charakterisierender Faktor ist.
  • Ob eine Korrektur eines Messwerts durchgeführt wird, kann davon abhängen, ob der bestimmte Faktor 722 das Ereignis charakterisiert, zu dem der Messwert gehört. Wie die folgende Ausführungsform zeigt, kann die Korrektur eines Bias angesichts zwei verschiedener Messwerte, die zu zwei verschiedenen Ereignissen gehören, somit die Ausführung von verschiedenen Schritten für die verschiedenen Messwerte beinhalten.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers mindestens die folgenden Schritte:
    Schritt 1, Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört; und (ii) eines zu dem bestimmten Faktor gehörenden Bias-Werts, der auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers berechnet wird; wobei die Messwerte zu Ereignissen gehören, die durch den bestimmten Faktor charakterisiert werden.
  • Schritt 2, Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat.
  • Schritt 3, Empfang einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass der bestimmte Faktor das erste Ereignis charakterisiert.
  • Schritt 4, Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion des Bias-Werts von dem ersten Messwert der affektiven Reaktion; wobei der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf eine zu dem Ereignis gehörende affektive Reaktion ist. Der Wert des ersten Messwerts unterscheidet sich vom dem Wert des korrigierten Messwerts.
  • Schritt 5, Weiterleitung eines korrigierten Messwerts.
  • Schritt 6, Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert.
  • Und Schritt 7, Weiterleitung des zweiten Messwerts.
  • Die Weiterleitung der Messwerte in Schritt 5 und/oder Schritt 7 kann zu verschiedenen Entitäten erfolgen, die die Messwerte verwenden können, wie etwa das Erfassungsmodul 120 und/oder ein Modul, das die Messwerte zum Generieren eines crowd-basierten Ergebnisses verwendet.
  • Ein weiteres Verfahren zur Korrektur von Bias wird in 6 gezeigt, welches eine weitere Ausführungsform eines Systems darstellt, das für die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers (z. B. des Benutzers 101) konfiguriert ist. Das System umfasst mindestens den Sensor 102 und ein ERP-basiertes Bias-Korrekturmodul (ERP-BKM 733). Das System kann optional andere Module wie den Ereignis-Annotator 701 umfassen.
  • Ähnlich der in 5 dargestellten Ausführungsform ist der Sensor 102 in gemäß 6 modellierten Ausführungsformen mit dem Benutzer 101 verbunden und zur Erfassung der Messwerte 720 der affektiven Reaktion des Benutzers 101 konfiguriert. Auch in dieser Ausführungsform gehört der Messwert 720 zu einem Ereignis, bei dem der Benutzer 101 eine zu dem Ereignis gehörende Erfahrung hat, und wird der Messwert 720 erfasst, während der Benutzer die Erfahrung hat und/oder kurz danach.
  • In einer Ausführungsform kann das System optional den Ereignis-Annotator 701 umfassen, der dazu konfiguriert ist, eine Beschreibung des Ereignisses zu generieren. Optional umfasst die Beschreibung Faktoren, die das Ereignis charakterisieren und mindestens zu einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Das auf einem Emotionsreaktions-Prädiktor basierende Bias-Korrekturmodul (ERP-BKM 733) ist dazu konfiguriert, eine Angabe des bestimmten Faktors 722 zu empfangen, der zu dem zu korrigierenden Bias gehört. Zusätzlich ist das ERP-BKM 733 dazu konfiguriert, den Messwert 720 und die Faktoren 730 zu empfangen, die das Ereignis charakterisieren, zu dem der Messwert 720 gehört (daher gelten die Faktoren 730 auch als zu dem Ereignis gehörend).
  • Das ERP-BKM 733 umfasst den Merkmalsgenerator 706, welcher in dieser Ausführungsform dazu konfiguriert ist, eine erste, einen oder mehrere Merkmalswerte umfassende Menge auf der Grundlage der Faktoren 730 zu generieren. Das ERP-BKM 733 ist dazu konfiguriert, eine zweite Menge von Merkmalswerten zu generieren, die auf der ersten Menge basiert. Optional wird die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren 730 bestimmt, die zu Faktoren gehört, in denen die Gewichtung des bestimmten Faktors 722 reduziert ist. In einer Ausführungsform erfolgt die Generierung der zweiten Menge durch Ändern der Werte eines oder mehrerer Merkmalswerte in der ersten Menge, die im Zusammenhang mit dem bestimmten Faktor 722 stehen. In einer anderen Ausführungsform erfolgt die Generierung der zweiten Menge durch Ändern der Faktoren 730. Zum Beispiel kann der bestimmte Faktor 722 aus den Faktoren 730 entfernt werden oder kann seine Gewichtung eventuell auf Null reduziert werden, wodurch er irrelevant für das Ereignis werden kann.
  • Das ERP-BKM 733 umfasst zudem den ERP 731, der zum Generieren einer ersten und zweiten Prognose für ein erstes und zweites Sample verwendet wird, das die erste beziehungsweise zweite Menge von Merkmalswerten umfasst. Optional verwendet der ERP 731 das ERP-Modell 719 zum Erstellen der ersten und zweiten Prognose. Optional wird das ERP-Modell 719 anhand von Daten trainiert, die Messwerte der affektiven Reaktion umfassen, die zu Ereignissen gehören, die durch den bestimmten Faktor 722 charakterisiert werden. Optional umfassen die zum Trainieren des Modells verwendeten Messwerte die Messwerte der affektiven Reaktion des Benutzers 101 und betreffen zumindest einige der Ereignisse, zu denen die Messwerte gehören, Erfahrungen, die sich von der zu dem Ereignis gehörenden Erfahrung unterscheiden. Optional verwendet der ERP 731 das ERP-Modell 719 zur Berechnung einer nichtlinearen Funktion von Merkmalswerten. Optional umfassen die erste und zweite Prognose affektive Werte, die eine erwartete affektive Reaktion des Benutzers 101 angeben.
  • In einigen Ausführungsformen verwendet das ERP-BKM 733 die erste und zweite Prognose zur Berechnung des korrigierten Messwerts 732 auf der Grundlage des Messwerts 720. Optional beinhaltet die Berechnung des korrigierten Messwerts 732 die Subtraktion eines Werts von dem Messwert 720, der proportional zu einer Differenz zwischen der ersten und der zweiten Prognose ist. Optional hat der korrigierte Messwert 732 einen anderen Wert hat als der Messwert 720. Wenn zum Beispiel die erste Prognose ein Wert v1 ist und die zweite Prognose ein Wert v2 ist, dann wird ein Wert von α(v1 – v2) von dem Messwert 720 subtrahiert, um den korrigierten Messwert 732 zu erhalten. Optional ist α = 1 oder hat α einen anderen Wert, der ungleich Null ist (z. B. einen Wert größer 1 oder kleiner 1). Optional ist die Differenz v1 – v2 indikativ für einen zu dem bestimmten Faktor 722 gehörenden Bias-Wert.
  • Es folgen Beschreibungen von Schritten, die in Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 6 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers mindestens die folgenden Schritte:
    Schritt 1, Empfang einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört. Optional gehört der Messwert zu einem Ereignis, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und wird der Messwert erfasst, während der Benutzer die Erfahrung hat. Optional ist der Messwert der Messwert 720 der Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 2, Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat.
  • Schritt 3, Empfang von das Ereignis charakterisierenden Faktoren; wobei jeder das Ereignis charakterisierende Faktor mindestens zu einem der folgenden Dinge gehört: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Schritt 4, Generierung einer ersten und zweiten Menge von Merkmalswerten; wobei die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt wird, in der die Gewichtung des bestimmten Faktors reduziert ist.
  • Schritt 5, Empfang eines Modells eines Emotionsreaktions-Prädiktors (ERP) und Verwendung des Modells zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites Sample, die die erste beziehungsweise zweite Menge von Merkmalswerten umfassen; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der eine erwartete affektive Reaktion des Benutzers angibt. Optional wird das Modell anhand von Daten trainiert, die Messwerte der affektiven Reaktion umfassen, die zu Ereignissen gehören, die durch den bestimmten Faktor charakterisiert werden.
  • Und Schritt 6, Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion eines Werts von dem Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist; wobei der Wert des Messwerts sich von dem Wert des korrigierten Messwerts unterscheidet.
  • In einer Ausführungsform werden die obigen Schritte 2 bis 6 unter Verwendung des ERP-BKM 733 durchgeführt, welches den Messwert 720 hinsichtlich eines zu dem bestimmten Faktor 722 gehörenden Bias korrigiert und den korrigierten Messwert 732 produziert.
  • In einer Ausführungsform umfasst das oben beschriebene Verfahren einen zusätzlichen Schritt, der die Generierung einer Beschreibung des Ereignisses auf der Grundlage von eines oder mehrere der folgenden Dinge umfassenden Daten beinhaltet: eine Bildaufnahme, das durch ein Gerät des zu dem Ereignis gehörenden Benutzers gemacht wird, eine Kommunikation des zu dem Ereignis gehörenden Benutzers und eine Analyse eines durch den zu dem Ereignis gehörenden Benutzer aufgenommenen Inhalts; wobei die Beschreibung optional indikativ dafür ist, dass der bestimmte Faktor ein das Ereignis charakterisierender Faktor ist.
  • In einer Ausführungsform umfasst die Generierung des Modells des ERP die Durchführung der folgenden Schritte: (i) Generierung von zu den Ereignissen gehörenden Samples aus den Messwerten und aus Beschreibungen der Ereignisse, welche indikativ für das Ereignis charakterisierende Faktoren sind; wobei jedes zu einem Ereignis gehörende Sample umfasst: auf der Grundlage der Beschreibung des Ereignisses bestimmte Merkmalswerte und ein auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmtes Label; und (ii) Training des Modells für den ERP unter Verwendung der Samples.
  • Ob eine Korrektur eines Messwerts durchgeführt wird, kann davon abhängen, ob der bestimmte Faktor 722 das Ereignis charakterisiert, zu dem der Messwert gehört. Wie die folgende Ausführungsform zeigt, kann die Korrektur eines Bias angesichts zwei verschiedener Messwerte, die zu zwei verschiedenen Ereignissen gehören, somit die Ausführung von verschiedenen Schritten für die verschiedenen Messwerte beinhalten.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers mindestens die folgenden Schritte:
    Schritt 1, Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört, und (ii) eines Modells eines Emotionsreaktions-Prädiktors (ERP); wobei das Modell anhand von Daten trainiert wird, die Messwerte der affektiven Reaktion umfassen, die zu Ereignissen gehören, die durch den bestimmten Faktor charakterisiert werden.
  • Schritt 2, Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat.
  • Schritt 3, Empfang einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass eine bestimmte Menge von Faktoren, die den bestimmten Faktor umfasst, das erste Ereignis charakterisiert.
  • Schritt 4, Generierung einer ersten und zweiten Menge von Merkmalswerten; wobei die erste Menge von Merkmalswerten auf der Grundlage der bestimmten Menge von Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer Modifizierung der bestimmten Menge von Faktoren durch Verringerung der Gewichtung des bestimmten Faktors bestimmt wird.
  • Schritt 5, Verwendung des Modells zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites Sample, die die erste beziehungsweise zweite Menge von Merkmalswerten umfassen; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der die erwartete affektive Reaktion des Benutzers angibt.
  • Schritt 6, Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion eines Werts von dem ersten Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist; wobei der Wert des Messwerts sich von dem Wert des korrigierten Messwerts unterscheidet.
  • Schritt 7, Weiterleitung des korrigierten Messwerts.
  • Schritt 8, Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert.
  • Und Schritt 9, Weiterleitung des zweiten Messwerts.
  • Die Weiterleitung der Messwerte in Schritt 7 und/oder Schritt 9 kann zu verschiedenen Entitäten erfolgen, die die Messwerte verwenden können, wie etwa das Erfassungsmodul 120 und/oder ein Modul, das die Messwerte zum Generieren eines crowd-basierten Ergebnisses verwendet.
  • In einigen der oben beschriebenen Ausführungsformen (z. B. in 5 und 6 dargestellt) kann die Angabe des bestimmten Faktors 722, der zu dem in dem Messwert 720 zu korrigierenden Bias gehört, aus verschiedenen Quellen stammen und/oder aus verschiedenen Gründen ausgewählt werden.
  • In einer Ausführungsform wird der bestimmte Faktor 722 durch eine Entität bereitgestellt, die beabsichtigt, den Messwert 720 zu verwenden. Zum Beispiel kann die Entität den Messwert 720 zur Berechnung eines crowd-basierten Ergebnisses verwenden. In einem solchen Fall kann es die Entität vorziehen, dass der Messwert 720 von bestimmten Bias bereinigt wird, die dazu führen können, dass das crowd-basierte Ergebnis weniger präzise ist. Wie im Abschnitt 8 (crowd-basierte Applikationen) beschrieben, wird die Angabe des bestimmten Faktors 720 in einem Beispiel von dem Erfassungsmodul 120 und/oder einem anderen, zur Berechnung eines crowd-basierten Ergebnisses verwendeten Modul empfangen. wird,
  • In einer anderen Ausführungsform wird der bestimmte Faktor 722 durch eine Entität bereitgestellt, die beabsichtigt, den Datenschutz des Benutzers 101 zu sichern. Zum Beispiel kann die Entität ein Software-Agent sein, der im Namen des Benutzers 101 operiert. In diesem Fall kann der Software-Agent die Angabe bereitstellen, um die Effekte eines Bias aus dem Messwert 720 zu entfernen, die sich in dem Messwert 720 widerspiegeln können, wenn dieser mit seinen ursprünglichen Wert herausgegeben wird.
  • In einer weiteren Ausführungsform kann der bestimmte Faktor 722 ein Faktor sein, für den es ein extremes Bias gibt (z. B. kann das Bias des Benutzers 101 gegenüber dem Faktor als extrem gelten oder kann das Bias von Benutzern im Allgemeinen gegenüber dem Faktor als extrem gelten). Optional werden die Bias-Werte 715 untersucht, um festzustellen, welche Faktoren einen zugehörigen Bias-Wert haben, der extrem ist, und werden die Messwerte der affektiven Reaktion hinsichtlich dieser Bias korrigiert.
  • Bei der Korrektur von Bias in Messwerten der affektiven Reaktion unter Verwendung eines Modells, wie etwa ein die Bias-Werte 715 umfassendes Modell und/oder das ERP-Modell 719, kann es nützlich sein, zu bestimmen, ob das Modell wahrscheinlich genau in der Bias-Korrektur sein wird. Die Ungenauigkeit des Modells in Bezug auf die Korrektur eines bestimmten Bias kann auf verschiedene Gründe zurückzuführen sein. In einem Beispiel kann das Modell auf inkorrekte Weise trainiert worden sein (z. B. trainiert mit einer Trainingsmenge, die zu klein ist und/oder ungenaue Daten enthält). Somit können die Bias-Werte und/oder Prognosen der affektiven Reaktion, die unter Verwendung des Modells gewonnen werden, ungenau sein. In einem anderen Beispiel können dem Modell ungenaue Faktoren des vorliegenden Ereignisses bereitgestellt werden. Somit kann die Korrektur von Bias in dem Ereignis auf der Grundlage dieser ungenauen Faktoren ungenau sein.
  • In einigen Ausführungsformen erfolgt die Bestimmung, ob das Modell in Bezug auf ein bestimmtes Ereignis zu einem gewünschten Grad präzise ist, durch einen Vergleich des zu dem bestimmten Ereignis gehörenden Messwerts der affektiven Reaktion mit einem prognostizierten, zu dem bestimmten Ereignis gehörenden Messwert der affektiven Reaktion. Optional wird der prognostizierte Messwert der affektiven Reaktion unter Verwendung von Faktoren des bestimmten Ereignisses und des Modells generiert. Wenn die Differenz zwischen dem Messwert der affektiven Reaktion und den prognostizierten Messwert unter einem Schwellenwert liegt, dann kann das Modell als präzise gelten (zumindest in Bezug auf das bestimmte Ereignis). Optional kann das Modell nicht als präzise gelten, wenn die Differenz nicht unter dem Schwellenwert liegt.
  • In der obigen Erörterung kann der Schwellenwert in verschiedenen Ausführungsformen zu verschiedenen Werten gehören. Wenn die Differenz zwischen dem Messwert und dem prognostizierten Messwert zum Beispiel in einer Ausführungsform als ein Prozentsatz ausgedrückt werden kann, dann kann der Schwellenwert einem bestimmten Prozentsatz der Differenz der Werte entsprechen, wie etwa höchstens 1 %, 5 %, 10 %, 25% oder 50 % unterschiedlich. In einer anderen Ausführungsform kann die Differenz durch eine Kostenfunktion der Form Kosten(x, y) ausgedrückt werden, die die vermeintlichen Kosten für die Prognose bestimmt, dass der Messwert x sein wird, wenn der Messwert in Wirklichkeit y ist. Somit kann der Schwellenwert in dieser Ausführungsform einem bestimmten Wert entsprechen, der sich aus der Kostenfunktion ergibt.
  • Wenn in einer Ausführungsform ein zur Korrektur eines Bias verwendetes Modell als nicht präzise hinsichtlich eines bestimmten Ereignisses gilt, dann wird es nicht zur Bias-Korrektur verwendet oder in einem geringeren Umfang verwendet (z. B. durch Vornahme einer Korrektur, die kleiner ist als eine Korrektur, die vorgenommen werden würde, wenn das Modell als präzise gelte). In einem Beispiel eines Falles, in dem die Bias-Werte 715 als nicht präzise hinsichtlich des Ereignisses gelten, zu dem der Messwert 720 gehört, kann die Korrektur des zu dem bestimmten Faktor 722 gehörenden Bias weniger umfangreich sein. Zum Beispiel kann der korrigierte Messwert 727 denselben Wert wie der Messwert 720 haben oder ist die Differenz zwischen dem korrigierten Messwert 727 und dem Messwert 720 kleiner als die Differenz, die bestanden hätte, wenn das Modell hinsichtlich des Ereignisses als präzise gegolten hätte. In einem anderen Beispiel eines Falles, in dem das ERP-Modell 719 als nicht präzise hinsichtlich des Ereignisses gilt, zu dem der Messwert 720 gehört, kann die Korrektur des zu dem bestimmten Faktor 722 gehörenden Bias weniger umfangreich sein. Zum Beispiel kann der korrigierte Messwert 732 denselben Wert wie der Messwert 720 haben oder ist die Differenz zwischen dem korrigierten Messwert 732 und dem Messwert 720 kleiner als die Differenz, die bestanden hätte, wenn das ERP-Modell 719 hinsichtlich des Ereignisses als präzise gegolten hätte.
  • Die oben beschriebenen Ausführungsformen (z. B. in 5 und 6 dargestellt) können zur Korrektur verschiedener Formen von Bias verwendet werden. Es folgen einige Beispiele, in denen es vorteilhaft sein kann, die Bias in Messwerten der affektiven Reaktion zu korrigieren.
  • In einem Beispiel kann ein Benutzer ein positives Bias hinsichtlich der Musik einer bestimmten Musikgruppe haben. Man stelle sich einen Fall vor, in dem der Soundtrack einer Werbung (z. B. einer Autowerbung) eine Musik dieser Musikgruppe enthält, die der Benutzer erkennt. In diesem Fall kann ein Messwert der affektiven Reaktion des Benutzers den positiven Bias hinsichtlich der bestimmten Musikgruppe widerspiegeln. Wenn der Messwert des Benutzers z. B. dazu verwendet werden soll, zu entscheiden, was der Benutzer von dem Auto hält, oder eine Bewertung zu berechnen, die widerspiegelt, was verschiedene Personen von dem Auto halten, dann kann es wünschenswert sein, den Messwert hinsichtlich des Bias hinsichtlich der Musikgruppe zu korrigieren. Durch das Entfernen dieses Bias ist der korrigierte Messwert wahrscheinlich ein besseres Abbild der Gefühle des Benutzers gegenüber dem Auto als der nicht korrigierte Messwert, der eine mit der Musikgruppe verbundene Komponente enthielt.
  • In einem anderen Beispiel kann ein Benutzer ein Bias hinsichtlich Personen aus einer bestimmten ethnischen Gruppe haben. Wenn ein Ereignis eine Person dieser bestimmten ethnischen Gruppe umfasst, hat der Benutzer wahrscheinlich eine affektive Reaktion auf das Ereignis. Man nehme beispielsweise an, dass ein Kellner, der dem Benutzer in einem Restaurant eine Mahlzeit serviert, zu der bestimmten ethnischen Gruppe gehört. Bei der Berechnung einer Bewertung des Restaurants oder der Bestimmung der Einstellung des Benutzers bezüglich Lebensmitteln kann es vorteilhaft sein, den zu dem Ereignis gehörenden Messwert durch Entfernen des unerwünschten Bias hinsichtlich der Ethnizität des Kellners zu normalisieren. Ein Messwert ohne einen solchen Bias spiegelt die Gefühle des Benutzers gegenüber der Mahlzeit besser wider. Es ist wahrscheinlich, dass andere Personen das Bias des Benutzers gegenüber der Ethnizität des Kellners nicht teilen, und deshalb beschreibt ein Messwert des Benutzers, der hinsichtlich eines solchen Bias korrigiert wird, die Erfahrung, die diese Benutzer möglicherweise haben (die üblicherweise kein Bias hinsichtlich der Ethnizität des Kellners enthält) auf bessere Weise.
  • Die oben angegebenen Beispiele zeigen einige Szenarien, in denen ein Bias korrigiert werden kann. Es folgen weitere Beispiele des bestimmten Faktors 722 und der Erfahrungen, die mit Ereignissen verbunden sein können, deren zugehörige Messwerte hinsichtlich eines zu dem bestimmten Faktor 722 gehörenden Bias korrigiert werden.
  • In einer Ausführungsform ist der bestimmte Faktor 722 indikativ für einen Wert einer bestimmten Umgebungsbedingung, die in der Umgebung vorherrscht, in der der Benutzer 101 die Erfahrung hat. In dieser Ausführungsform kann ein Bias-Wert, der zu dem bestimmten Faktor 722 gehört, indikativ für eine erwartete Auswirkung auf eine affektive Reaktion des Benutzers 101 bei dem Erleben einer Erfahrung in einer Umgebung sein, in der die Umgebungsbedingung vorherrscht. In einem Beispiel entspricht die bestimmte Umgebungsbedingung einem Umgebungsparameter, der die Umgebung in einem bestimmten Bereich beschreibt. Optional ist der Parameter indikativ für die Temperatur der Umgebung und gibt der bestimmte Bereich die Temperaturen einer bestimmten Jahreszeit (z. B. im Winter) an.
  • In einer anderen Ausführungsform ist der bestimmte Faktor 722 indikativ dafür, dass der Benutzer 101 während des Erlebens der Erfahrung alleine ist. In dieser Ausführungsform kann ein zu dem bestimmten Faktor 722 gehörender Bias-Wert indikativ für eine erwartete Auswirkung sein, die das Erleben der Erfahrung auf die affektive Reaktion des Benutzers 101 hat, während der Benutzer 101 alleine ist. Ebenso kann der bestimmte Faktor 722 indikativ dafür sein, dass sich der Benutzer 101 während des Erlebens der Erfahrung in der Gegenwart einer bestimmten Person befindet. In diesem Fall kann der Bias-Wert 722 indikativ für eine erwartete Auswirkung sein, die das Erleben der Erfahrung auf die affektive Reaktion des Benutzers 101 hat, während sich der Benutzer 101 in der Gegenwart der bestimmten Person befindet.
  • In einer weiteren Ausführungsform betrifft das Ereignis, zu dem der Messwert 720 gehört, eine Erfahrung, die die Entgegennahme einer Dienstleistung von einer Person umfasst, und ist der bestimmte Faktor 722 indikativ für mindestens eine der folgenden Angaben: ein demographisches Charakteristikum der Person und ein Charakteristikum des äußerlichen Erscheinungsbilds der Person. Optional ist der zu dem bestimmten Faktor 722 gehörende Bias-Wert indikativ für eine erwartete Auswirkung, die der bestimmte Faktor 722 auf die affektive Reaktion des Benutzers 101 bei der Entgegennahme einer Dienstleistung von einer durch den bestimmten Faktor charakterisierten Person hat. In einem Beispiel ist der bestimmte Faktor 722 indikativ für mindestens eine der folgenden Eigenschaften der Person: das Alter der Person, das Geschlecht der Person, die Ethnizität der Person, die Religionszugehörigkeit der Person, der Beruf der Person, der Wohnort der Person und das Einkommen der Person. In einem anderen Beispiel ist der bestimmte Faktor 722 indikativ für mindestens eine der folgenden Eigenschaften der Person: die Größe der Person, das Gewicht der Person, die Attraktivität der Person, die Gesichtsbehaarung der Person und die Art eines durch die Person getragenen Kleidungsstücks.
  • In noch einer weiteren Ausführungsform umfasst das Ereignis, zu dem der Messwert 720 gehört, eine Erfahrung, die die Aufnahme eines bestimmten Inhalts umfasst, und ist der bestimmte Faktor 722 indikativ dafür, dass der Inhalt ein bestimmtes Element enthält. Optional ist der zu dem bestimmten Faktor 722 gehörende Bias-Wert indikativ für eine erwartete Auswirkung, die das bestimmte Element auf die affektive Reaktion des Benutzers bei der Aufnahme eines Inhalts mit dem bestimmten Element hat. In einem Beispiel ist das bestimmte Element eine bestimmte Art von Musik (z. B. kann der Inhalt ein Musikvideo oder eine Werbung sein). In einem anderen Beispiel ist das bestimmte Element ein Wesen (z. B. eine Person), ein Objekt (z. B. ein Raumschiff) oder ein Tier (z. B. eine Katze). In einigen Fällen kann der bestimmte Faktor 722 ein Attribut eines Inhaltselements sein (z. B. der Farbe eines Autos in einem Bild entsprechend).
  • Wie oben erörtert, kann die Korrektur der Bias in unterschiedlichen Ausführungsformen durch unterschiedliche Entitäten durchgeführt werden. In einer Ausführungsform wird die Korrektur eines Messwerts hinsichtlich eines bestimmten Bias durch eine Entität durchgeführt, die Messwerte der affektiven Reaktion von verschiedenen Benutzern empfängt und verarbeitet. Optional hat die Entität Zugriff auf Modelle, die Bias-Werte von Benutzern umfassen. Zusätzlich oder alternativ kann die Entität Zugriff auf Modelle von ERP haben, die zur Prognose einer affektiven Reaktion der Benutzer verwendet werden können. In einer Ausführungsform fordert die Entität einen bestimmten Bias-Wert eines Benutzers von einem im Namen des Benutzers operierenden Software-Agenten an und verwendet den bestimmten Bias-Wert, den es von dem Software-Agenten empfängt, zur Korrektur eines Messwerts der affektiven Reaktion des Benutzers.
  • In einer anderen Ausführungsform wird die Korrektur eines Messwerts hinsichtlich eines bestimmten Bias-Werts durch einen Software-Agenten durchgeführt, der im Namen des Benutzers operiert, von dem der Messwert erfasst wird. Optional hat der Software-Agent Zugriff auf ein Modell des Benutzers, das Bias-Werte des Benutzers umfasst (z. B. die Bias-Werte 715) und/oder auf ein Modell eines ERP, das zumindest teilweise mit Samples trainiert wurde, die sich aus den Benutzer betreffenden Ereignissen und zugehörigen Messwerten der affektiven Reaktion des Benutzers ergeben (z. B. kann das ERP-Modell 719 ein solches Modell sein). Optional empfängt der Software-Agent eine Liste mit einem oder mehreren zu korrigierenden Bias. Optional stellt der Software-Agent einer Entität, wie beispielsweise einem Bewertungsmodul, einen Messwert der affektiven Reaktion des Benutzers bereit, der hinsichtlich des einen oder der mehreren Bias korrigiert wird, und berechnet diese Entität eine Bewertung aus den Messwerten der affektiven Reaktion mehrerer Benutzer.
  • Zusätzliche Informationen bezüglich Software-Agenten im Allgemeinen, wie etwa darüber, wie sie in verschiedenen Ausführungsformen zusammengesetzt sein können und/oder operieren können, sind zumindest im Abschnitt 7 (Software-Agenten) dieser Offenlegung zu finden.
  • 7 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers (z. B. des Benutzers 101) konfiguriert ist. Das dargestellte System ist ein System, in dem der Software-Agent 108 an der Korrektur des Bias beteiligt ist. Optional operiert der Software-Agent 108 im Namen des Benutzers 101. Das System umfasst mindestens den Sensor 102 und das Bias-Entfernungsmodul 723. Optional umfasst das System zusätzliche Module wie den Ereignis-Annotator 701. Es ist jedoch zu beachten, dass die Module wie etwa das Bias-Entfernungsmodul 723 und/oder der Ereignis-Annotator 701, wie in der Zeichnung dargestellt, getrennt von dem Software-Agenten 108 sind. Allerdings können diese Module in einigen Ausführungsformen als ein Bestandteil des Software-Agenten 108 gelten (z. B. Module, die in dem Software-Agenten 108 enthalten sind).
  • Ähnlich der oben dargestellten Ausführungsformen (z. B. 5 und 6) ist der Sensor 102 mit den Benutzer 101 verbunden und zur Erfassung des Messwerts 720 der affektiven Reaktion des Benutzers 101 konfiguriert. Auch in dieser Ausführungsform gehört der Messwert 720 zu einem Ereignis, bei dem der Benutzer 101 eine zu dem Ereignis gehörende Erfahrung hat, und wird der Messwert 720 erfasst, während der Benutzer die Erfahrung hat und/oder kurz danach. Optional kann die zu dem Ereignis gehörende Erfahrung eine der in Abschnitt 3 (Erfahrungen) beschriebenen Erfahrungen sein.
  • In einer Ausführungsform kann das System optional den Ereignis-Annotator 701 umfassen, der dazu konfiguriert ist, eine Beschreibung des Ereignisses zu generieren. Optional umfasst die Beschreibung Faktoren, die das Ereignis charakterisieren und mindestens zu einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Das Bias-Entfernungsmodul 723 ist dazu konfiguriert, anhand der Beschreibung festzustellen, ob der bestimmte Faktor 722 das Ereignis charakterisiert. Das Bias-Entfernungsmodul 723 ist außerdem dazu konfiguriert, den korrigierten Messwert 724 durch Ändern des Werts des Messwerts 720 auf der Grundlage mindestens einiger Werte in dem Bias-Modell 712 zu berechnen. Optional wird das Bias-Modell 712 in dieser Ausführungsform anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion des Benutzers 101, die zu Ereignissen gehören, bei denen der Benutzer 101 verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse. Optional unterscheidet sich der Wert des korrigierten Messwerts 724 vom dem Wert des Messwerts 720.
  • In einigen Ausführungsformen kann das Bias-Modell 712 als eine private Information des Benutzers 101 gelten. Optional kann das Bias-Modell 712 nicht für Entitäten zugänglich sein, die den Messwert 720 empfangen. Indem also der Software-Agent 108 die Korrektur des Bias vermittelt, ist das Risiko für den Datenschutz des Benutzers 101 geringer, da es keine Notwendigkeit gibt, den anderen Einheiten detaillierte Informationen über den Benutzer 101, wie etwa die in dem Bias-Modell 712 enthaltenen Informationen, bereitzustellen.
  • Es sind unterschiedliche Implementierungen für das Bias-Entfernungsmodul 723 möglich. In einer Ausführungsform umfasst das Bias-Entfernungsmodul 723 das Bias-Subtrahierermodul 726, welches oben ausführlicher beschrieben wird (z. B. in der Erörterung hinsichtlich 5). In dieser Ausführungsform kann das Bias-Modell 712 die Bias-Werte 715 umfassen und kann der korrigierte Messwert 724 dem korrigierten Messwert 727 identisch sein. In einer anderen Ausführungsform umfasst das Bias-Entfernungsmodul 723 das ERP-BKM 733. In dieser Ausführungsform kann das Bias-Modell 712 das ERP-Modell 719 umfassen und kann der korrigierte Messwert 724 dem korrigierten Messwert 732 identisch sein.
  • In einer Ausführungsform empfängt der Software-Agent 108 eine Angabe des bestimmten Faktors 722 von einer externen Entität, wie etwa eine Entität, die beabsichtigt, den korrigierten Messwert 724 zur Berechnung eines crowd-basierten Ergebnisses unter Verwendung des korrigierten Messwerts 724 (und weiterer Messwerte) zu verwenden. Optional empfängt der Software-Agent 108 die Angabe des bestimmten Faktors 722 von dem Erfassungsmodul 120 oder von einem Modul, das eine Bewertung für Erfahrungen berechnet, wie etwa das Bewertungsmodul 150.
  • In einer anderen Ausführungsform kann der Software-Agent 108 eine Liste von Faktoren haben, die zu verschiedenen Bias gehören, die in Messwerten der affektiven Reaktion des Benutzers 101 zu korrigieren sind. Zum Beispiel können diese Bias Tendenzen, Haltungen und/oder einer Weltsicht des Benutzers 101 entsprechen, welche sich vorzugsweise nicht in den anderen Entitäten offengelegten Messwerten der affektiven Reaktion des Benutzers 101 widerspiegeln sollten. Optional empfängt der Software-Agent 108 eine solche Liste von Faktoren von einer externen Entität. Zusätzlich oder alternativ kann der Software-Agent 108 ein Modell des Benutzers 101 untersuchen (z. B. das Bias-Modell 712), um Faktoren zu ermitteln, für die das Bias des Benutzers 101 als extrem gelten kann.
  • Der Software-Agent 108 kann in einigen Ausführungsformen als ein Repositorium dienen, das einen Speicher hat (z. B. auf einem Gerät des Benutzers 101 oder eine Remote-Speicherung auf einer cloud-basierten Plattform). In diesen Ausführungsformen kann der Software-Agent 108 verschiedene Messwerte der affektiven Reaktion des Benutzers 101 und/oder nähere Informationen zu den Ereignissen, zu denen die Messwerte gehören, speichern. Beispielsweise können die näheren Informationen durch den Ereignis-Annotator 701 generierte Beschreibungen der Ereignisse und/oder (z. B. durch den Ereignis-Annotator 701 bestimmte) Faktoren der Ereignisse sein. Optional erfolgt die Speicherung solcher Informationen im Rahmen einer „Lebensprotokollierung” des Benutzers 101.
  • In einer Ausführungsform kann der Software-Agent 108 eine Anfrage für einen Messwert der affektiven Reaktion des Benutzers 101 empfangen. Die Anfrage enthält eine Angabe einer Art einer Erfahrung und/oder andere näheren Informationen über eine Instanziierung eines Ereignisses (z. B. einen bestimmten zeitlichen Rahmen, Umgebungsbedingungen usw.). Die Anfrage kann zusätzlich eine Angabe eines oder mehrerer Faktoren enthalten (die den bestimmten Faktor 722 umfassen können). In dieser Ausführungsform kann der Software-Agent 108 als Reaktion auf den Empfang einer solchen Anfrage den Messwert 720 aus einem Speicher abrufen, der die Messwerte des Benutzers 101 und/oder Beschreibungen von zu den Messwerten gehörenden Ereignissen speichert. In einem Beispiel kann die Beschreibung des Ereignisses, zu dem der Messwert 720 gehört, indizieren, dass sie zu der Anfrage passt (z. B. betrifft sie eine Erfahrung der angeforderten Art). Der Software-Agent 108 kann dann das Bias-Entfernungsmodul 723 zum Korrigieren des Messwerts 720 hinsichtlich des Bias des Benutzers 101 für den einen oder die mehrere Faktoren verwenden und der anfragenden Entität den korrigierten Messwert 724 liefern.
  • Es folgen Beschreibungen von Schritten, die in Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 7 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers durch einen Software-Agenten mindestens die folgenden Schritte:
    Schritt 1, Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat und der Messwert erfasst wird, während der Benutzer die Erfahrung hat.
  • Schritt 2, Generierung einer Beschreibung des Ereignisses; wobei die Beschreibung Faktoren umfasst, die das Ereignis charakterisieren und mindestens zu einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Und Schritt 3, als Reaktion auf die Feststellung, dass die Beschreibung indiziert, dass das Ereignis durch einen bestimmten Faktor charakterisiert wird, Berechnung eines korrigierten Messwerts durch Änderung des Werts des Messwerts auf der Grundlage zumindest einiger Werte in einem Modell, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion des Benutzers, die zu Ereignissen gehören, bei denen der Benutzer verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse. Optional unterscheidet sich der Wert des korrigierten Messwerts vom dem Wert des Messwerts.
  • In einer Ausführungsform umfasst das Modell des Benutzers Bias-Werte des Benutzers, die anhand der Daten berechnet werden. In dieser Ausführungsform kann das oben beschriebene Verfahren zusätzliche Schritte beinhalten, die umfassen: Empfang: (i) einer Angabe des bestimmten Faktors; und (ii) eines zu dem bestimmten Faktor gehörenden Bias-Werts von dem Modell; und Berechnung des korrigierten Messwerts durch Subtraktion des Bias-Werts von dem Messwert der affektiven Reaktion. Optional ist der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf einen Wert eines zu dem Ereignis gehörenden Messwerts.
  • In einer anderen Ausführungsform ist das Modell des Benutzers ein Modell für einen anhand der Daten trainierten Emotionsreaktions-Prädiktor (ERP). In dieser Ausführungsform kann das oben beschriebene Verfahren zusätzliche Schritte beinhalten, die umfassen: (i) Empfang von das Ereignis charakterisierenden Faktoren; (ii) Generierung einer ersten und zweiten Menge von Merkmalswerten. Optional wird die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt und wird die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt, in der die Gewichtung des bestimmten Faktors reduziert ist; (iii) Verwendung des Modells durch den ERP zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites Sample, die die erste beziehungsweise zweite Menge von Merkmalswerten umfassen; wobei die erste und zweite Prognosen jeweils einen affektiven Wert umfassen, der die erwartete affektive Reaktion des Benutzers angibt; und (iv) Berechnung des korrigierten Messwerts durch Subtraktion eines Werts von dem Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist.
  • Ob eine Korrektur eines Messwerts durchgeführt wird, kann davon abhängen, ob der bestimmte Faktor 722 das Ereignis charakterisiert, zu dem der Messwert gehört. Wie die folgende Ausführungsform zeigt, kann die Korrektur von Bias angesichts zwei verschiedener Messwerte, die zu zwei verschiedenen Ereignissen gehören, somit die Ausführung von verschiedenen Schritten für die verschiedenen Messwerte beinhalten.
  • In einer Ausführungsform umfasst ein Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers durch einen Software-Agenten mindestens die folgenden Schritte:
    Schritt 1, Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat.
  • Schritt 2, Generierung einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass eine bestimmte Menge von Faktoren, die den bestimmten Faktor umfasst, das erste Ereignis charakterisiert.
  • Schritt 3, Berechnung eines korrigierten Messwerts durch Änderung des Werts des Messwerts auf der Grundlage zumindest einiger Werte in einem Modell, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion des Benutzers, die zu Ereignissen gehören, bei denen der Benutzer verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse. Optional unterscheidet sich der Wert des korrigierten Messwerts vom dem Wert des Messwerts.
  • Schritt 4, Weiterleitung des korrigierten Messwerts.
  • Schritt 5, Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert.
  • Und Schritt 6, Weiterleitung des zweiten Messwerts.
  • Die Weiterleitung der Messwerte in Schritt 4 und/oder Schritt 6 kann zu verschiedenen Entitäten erfolgen, die die Messwerte verwenden können, wie etwa das Erfassungsmodul 120 und/oder ein Modul, das die Messwerte zum Generieren eines crowd-basierten Ergebnisses verwendet.
  • Die folgenden Zeichnungen (8 bis 11) beschreiben verschiedene Ausführungsformen, die jeweils eine bestimmte Art von Bias beinhalten, die in dem Messwert 720 korrigiert wird. In den im Folgenden beschriebenen Ausführungsformen erfolgt die Korrektur der spezifischen Arten von Bias unter Verwendung des Bias-Entfernungsmoduls 723. Dem Bias-Entfernungsmodul 723 wird der Messwert 720 der affektiven Reaktion des Benutzers 101 bereitgestellt. Der Messwert 720 wird mit dem Sensor 102 erfasst, der mit dem Benutzer 101 verbunden ist. Zusätzlich umfassen die im Folgenden beschriebenen Systeme den Ereignis-Annotator 701, der eine Beschreibung des Ereignisses generiert, zu dem der Messwert 720 gehört. Optional ist die Beschreibung des Ereignisses indikativ für einen oder mehrere das Ereignis charakterisierende Faktoren, von denen jeder mindestens zu einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • In einigen Ausführungsformen können das Bias-Entfernungsmodul 723 und/oder der Ereignis-Annotator 701 ein Bestandteil des Software-Agenten 108 sein. In einigen Ausführungsformen können das Bias-Entfernungsmodul 723 und/oder der Ereignis-Annotator 701 verwendet werden, um Modulen wie etwa dem Erfassungsmodul 120 und/oder Modulen, die crowd-basierte Ergebnisse generieren (z. B. das hierin beschriebene Modul zur Generierung crowd-basierter Ergebnisse 117), korrigierte Messwerte bereitzustellen.
  • Wie zum Beispiel in der Erörterung hinsichtlich 5 und 6 beschrieben, kann das Bias-Entfernungsmodul 723 in einigen Ausführungsformen auf unterschiedliche Art und Weise verwendet werden. In einem Beispiel kann das Bias-Entfernungsmodul 723 eine Korrektur unter Verwendung des Bias-Subtrahierermoduls 726 durchführen (in diesem Beispiel kann das Bias-Modell 712 die Bias-Werte 715 umfassen). In einem anderen Beispiel kann das Bias-Entfernungsmodul 723 eine Korrektur unter Verwendung des ERP-BKM 733 durchführen (in diesem Beispiel kann das Bias-Modell 712 das ERP-Modell 719 umfassen).
  • In einigen Ausführungsformen sind zumindest einige der zum Trainieren des Bias-Modells 712 verwendeten Daten, Daten, die den Benutzer 101 betreffen; zum Beispiel beinhalten die Daten Messwerte der affektiven Reaktion des Benutzers 101, die zu Ereignissen gehören, bei denen der Benutzer 101 Erfahrungen hatte. In anderen Ausführungsformen sind zumindest einige der zum Trainieren des Bias-Modells 712 verwendeten Daten, Daten, die andere Benutzer als den Benutzer 101 betreffen; zum Beispiel beinhalten die Daten Messwerte der affektiven Reaktion von Benutzern, die nicht der Benutzer 101 sind, und gehören diese Messwerte zu Ereignissen, bei denen diese Benutzer Erfahrungen hatten.
  • In einigen der im Folgenden beschriebenen Ausführungsformen kann das Bias-Entfernungsmodul 723 Angaben bestimmter Faktoren empfangen, die zu dem zu korrigierenden Bias gehören. Diese bestimmten Faktoren können durch unterschiedliche Referenzziffern bezeichnet werden, um anzugeben, dass sie zu einer bestimmten Art von Faktor gehören (die zu der spezifischen, in jeder Ausführungsform korrigierten Art von Bias gehört). Dennoch können diese Faktoren alle als dem bestimmten Faktor 722 ähnlich gelten (z. B. können sie als dem bestimmten Faktor 722 ähnliche Charakteristika und/oder als eine dem bestimmten Faktor 722 ähnliche Rolle in den Systemen aufweisend gelten). In ähnlicher Weise werden die korrigierten Messwerte in den untenstehenden Ausführungsformen mit verschiedenen Referenzziffern bezeichnet, um anzugeben, dass sie jeweils hinsichtlich einer unterschiedlichen Art von Bias korrigiert sind. Zusätzlich umfassen die im Folgenden beschriebenen Ausführungsformen den Ereignis-Annotator 701, der in den verschiedenen Ausführungsformen Beschreibungen von Ereignissen generiert, die Faktoren der Ereignisse angeben. Diese Faktoren in den verschiedenen Ausführungsformen durch verschiedene Referenzziffern bezeichnet werden, um anzugeben, dass die Faktoren eine spezifische Art von Faktor umfassen (die zu der spezifischen, in jeder Ausführungsform korrigierten Art von Bias gehört). Dennoch sind ihre Charakteristika und Rollen im System ähnlich der Charakteristika und Rolle der oben beschriebenen Faktoren 703.
  • 8 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, konfiguriert ist. Das System umfasst mindestens den Ereignis-Annotator 701 und das Bias-Entfernungsmodul 723.
  • Der Ereignis-Annotator 701 ist dazu konfiguriert, eine Beschreibung des Ereignisses zu generieren, zu dem der Messwert 720 gehört. In einer Ausführungsform ist die Beschreibung indikativ für die Faktoren 739, die mindestens einen Faktor umfassen, der die Umgebung, in der der Benutzer die zu dem Ereignis gehörende Erfahrung hat, charakterisiert. In einem Beispiel gibt der die Umgebung charakterisierende Faktor die Jahreszeit an, während der der Benutzer die Erfahrung hat. In einem weiteren Beispiel ist der die Umgebung charakterisierende Faktor indikativ für eine Umgebungsbedingung, in der ein bestimmter, die Umgebung beschreibender Parameter einen bestimmten Wert hat und/oder einen Wert hat, der innerhalb eines bestimmten Bereichs liegt. Optional ist der bestimmte Parameter indikativ für einen der folgenden Werte: die Umgebungstemperatur, der Grad der Luftfeuchtigkeit in der Umgebung, die Niederschlagsmenge in der Umgebung, die Luftqualität in der Umgebung, eine Konzentration eines Allergens in der Umgebung, der Geräuschpegel in der Umgebung und die Intensität natürlichen Sonnenlichts in der Umgebung.
  • In einer Ausführungsform kann der Ereignis-Annotator 701 Informationen von dem Umgebungssensor 738 empfangen, der den Wert eines Umgebungsparameters während der Instanziierung des Ereignisses misst. Optional ist der Umgebungssensor 738 nicht der Sensor 102. Optional befindet sich der Umgebungssensor 738 in einem Gerät des Benutzers 101 (z. B. ein Sensor in einem Smartphone oder in einem tragbaren Gerät). Optional ist der Umgebungssensor 738 ein Sensor, der Informationen an einen Dienst liefert, der Umgebungsdaten bereitstellt, wie etwa ein Dienst, der Umgebungsdaten im Internet postet.
  • Das Bias-Entfernungsmodul 723 ist in einer Ausführungsform dazu konfiguriert, den zu dem Ereignis gehörenden Messwert 720 der affektiven Reaktion zu empfangen. Das Bias-Entfernungsmodul 723 ist zudem dazu konfiguriert, zu bestimmen, ob die durch den Ereignis-Annotator 710 generierte Beschreibung des Ereignisses indiziert, dass die Instanziierung des Ereignisses das Erleben der zu dem Ereignis gehörenden Erfahrung durch den Benutzer in einer Umgebung umfasst, die durch eine bestimmte Umgebungsbedingung geprägt ist. Optional gehört der Umgebungsfaktor 740, der als eine bestimmte Art des bestimmten Faktors 722 gelten kann, zu der bestimmten Umgebungsbedingung. Als Reaktion auf die Bestimmung anhand der Beschreibung des Ereignisses, dass der Benutzer 101 die zu dem Ereignis gehörende Erfahrung in einer durch den Umgebungsfaktor 740 geprägten Umgebung hatte, berechnet das Bias-Entfernungsmodul 723 den korrigierten Messwert 741. Optional spiegelt der korrigierte Messwert 741 eine Korrektur zu zumindest einem gewissen Grad eines Bias des Benutzers 101 gegenüber der bestimmten Umgebungsbedingung wider. Optional unterscheidet sich der Wert des korrigierten Messwerts 741 vom dem Wert des Messwerts 720.
  • In einer Ausführungsform wird das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modell 712 anhand bestimmter Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen in durch verschiedene Umgebungsbedingungen geprägten Umgebungen betreffen. Optional umfassen die bestimmten Daten Messwerte der affektiven Reaktion des Benutzers 101, die zu Ereignissen gehören, bei denen der Benutzer Erfahrungen in durch verschiedene Umgebungsbedingungen geprägten Umgebungen hat (d. h. einige der in den bestimmten Daten angegebenen Ereignisse werden nicht durch den Umgebungsfaktor 740 charakterisiert).
  • Es ist zu beachten, dass der zu dem Ereignis gehörende Benutzer nicht notwendigerweise bei allen Ereignisse, zu denen die Messwerte in den bestimmten Daten gehören, eine Erfahrung in einer Umgebung hat, die durch die bestimmte, zu dem Umgebungsfaktor 740 gehörende Umgebungsbedingung geprägt ist. In einem Beispiel umfassen die bestimmten Daten, die zum Trainieren des Bias-Modells 712 verwendet werden: (i) Messwerte der affektiven Reaktion, die zu einem ersten und zweiten Ereignis gehören, die eine bestimmte Erfahrung betreffen, und (ii) Beschreibungen des ersten und zweiten Ereignisses. In diesem Beispiel indiziert die Beschreibung des ersten Ereignisses, dass der zu dem ersten Ereignis gehörende Benutzer die Erfahrung in einer durch die bestimmte Umgebungsbedingung geprägten Umgebung hatte, und indiziert die Beschreibung des zweiten Ereignisses nicht, dass der zu dem zweiten Ereignis gehörende Benutzer die Erfahrung in einer durch die bestimmte Umgebungsbedingung geprägten Umgebung hatte.
  • Es folgt eine Beschreibung von Schritte, die in einem Verfahren zur Korrektur eines Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, das gemäß 8 modelliert ist. In einigen Ausführungsformen können die Anweisungen für die Implementierung der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher wahlweise ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann das im Folgenden beschriebene Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Korrektur eines Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, mindestens die folgenden Schritte:
    Schritt 1, Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für das Ereignis charakterisierende Faktoren ist, welche mindestens einen Faktor umfassen, der die Umgebung charakterisiert, in der der Benutzer die zu dem Ereignis gehörende Erfahrung hat. Optional wird die Beschreibung durch den Ereignis-Annotator 701 generiert.
  • Schritt 2, Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional ist der Messwert der Messwert 720 des Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 3, Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass die Instanziierung des Ereignisses das Erleben der zu dem Ereignis gehörenden Erfahrung durch den Benutzer in einer Umgebung umfasst, die durch eine bestimmte Umgebungsbedingung geprägt ist.
  • Und Schritt 4, als Reaktion auf die dies indizierende Beschreibung, Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts hinsichtlich eines Bias des Benutzers gegenüber der bestimmten Umgebungsbedingung. Optional unterscheidet sich der Wert des korrigierten Messwerts vom dem Wert des empfangenen Messwerts.
  • In einer Ausführungsform kann das Verfahren einen optionalen Schritt umfassen, der die Anwendung eines Modells zur Berechnung des korrigierten Messwerts beinhaltet. Optional ist das Modell das Bias-Modell 712. Optional wird das Modell anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen in Umgebungen betreffen, die durch verschiedene Umgebungsbedingungen geprägt sind.
  • In einer Ausführungsform umfasst das Modell Bias-Werte (z. B. die Bias-Werte 715), die anhand der Daten berechnet werden. Optional umfasst das Verfahren einen optionalen Schritt, der die Berechnung des korrigierten Messwerts durch Subtraktion eines in dem Modell enthaltenen Bias-Werts von dem Messwert der affektiven Reaktion beinhaltet. Optional ist der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung eines bestimmten Faktors auf einen Wert eines zu dem Ereignis gehörenden Messwerts und ist der bestimmte Faktor indikativ für die bestimmte, während der Instanziierung des Ereignisses vorherrschende Umgebungsbedingung.
  • In einer anderen Ausführungsform ist das Modell ein Modell für einen anhand der Daten trainierten Emotionsreaktions-Prädiktor (ERP) (z. B. ERP-Modell 719). Optional umfasst das Verfahren die folgenden an der Berechnung des korrigierten Messwerts beteiligten Schritte: (i) Empfang von das Ereignis charakterisierenden Faktoren und Generierung einer ersten und zweiten Menge von Merkmalswerten auf der Grundlage der das Ereignis charakterisierenden Faktoren; wobei die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt wird, in der die Gewichtung eines bestimmten Faktors reduziert ist; wobei der bestimmte Faktor indikativ für die bestimmte, während der Instanziierung des Ereignisses vorherrschende Umgebungsbedingung ist; (ii) Verwendung des Modells zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites Sample, die die erste beziehungsweise zweite Menge von Merkmalswerten umfassen; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der die erwartete affektive Reaktion des Benutzers angibt; und (iii) Berechnung des korrigierten Messwerts durch Subtraktion eines Werts von dem Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist.
  • 9 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias hinsichtlich einer Begleitperson einer Erfahrung konfiguriert ist. Die Begleitperson kann beispielsweise eine Person sein, mit der der Benutzer 101 eine Erfahrung hat. Das System umfasst mindestens den Ereignis-Annotator 701 und das Bias-Entfernungsmodul 723.
  • In einer Ausführungsform ist eine durch den Ereignis-Annotator 701 generierte Beschreibung des Ereignisses, zu dem der Messwert 720 gehört, indikativ für die Faktoren 745. In dieser Ausführungsform umfassen die Faktoren 745 mindestens einen Faktor, der indiziert, mit wem der zu dem Ereignis gehörende Benutzer die zu dem Ereignis gehörende Erfahrung hatte. Optional umfassen die Faktoren 745 mindestens einen Faktor, der indiziert, dass der zu dem Ereignis gehörende Benutzer die zu dem Ereignis gehörende Erfahrung alleine hatte.
  • In einer Ausführungsform umfasst die zu dem Ereignis gehörende Erfahrung mindestens eine der folgenden Erfahrungen: Essen in einem Restaurant, Ausüben von Sport, Ansehen eines Films, Besuch einer Bar, Spielen eines Computerspiels und Einkaufen in einem Einkaufszentrum. In anderen Ausführungsformen kann die Erfahrung jede der in Abschnitt 3 (Erfahrungen) beschriebenen Erfahrungen umfassen.
  • In einer Ausführungsform kann der Ereignis-Annotator 701 Informationen von dem Gerätesensor 744 empfangen. Optional ist der Gerätesensor 744 nicht der Sensor 102, der zur Erfassung des Messwerts 720 verwendet wird. Optional liefert der Gerätesensor 744 Bilder und/oder Ton, die/der zur Identifizierung von Personen in der Nähe des Benutzers verwendet werden können. Optional erkennt der Gerätesensor 744 Geräte in der Nähe des Benutzer 101 anhand der Übertragungen der Geräte (z. B. Wlan- oder Bluetooth-Übertragungen). Durch die Identifizierung der Geräte in der Nähe des Benutzers 101 kann der Ereignis-Annotator 701 bestimmen, wer die Erfahrung mit einem Benutzer während der Instanziierung des Ereignisses hatte.
  • Das Bias-Entfernungsmodul 723 ist in einer Ausführungsform dazu konfiguriert, den zu dem Ereignis gehörenden Messwert 720 der affektiven Reaktion zu empfangen und zu ermitteln, ob die durch den Ereignis-Annotator 710 generierte Beschreibung des Ereignisses indiziert, dass die Instanziierung des Ereignisses beinhaltet, dass der Benutzer die Erfahrung zusammen mit einer bestimmten Person hat. Optional empfängt das Bias-Entfernungsmodul 723 eine Angabe des Situationsfaktors 746, der zu der bestimmten Person gehört (z. B. kann die bestimmte Person anhand des Situationsfaktors identifiziert werden). Als Reaktion auf die Bestimmung anhand der Beschreibung des Ereignisses, dass der Benutzer 101 die zu dem Ereignis gehörende Erfahrung zusammen mit der bestimmten Person hatte, berechnet das Bias-Entfernungsmodul 723 den korrigierten Messwert 747. Optional spiegelt der korrigierte Messwert 747 eine Korrektur zu zumindest einem gewissen Grad eines Bias des Benutzers 101 gegenüber der bestimmten Person wider. Optional unterscheidet sich der Wert des korrigierten Messwerts 747 vom dem Wert des Messwerts 720.
  • In einer Ausführungsform wird das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modell 712 anhand bestimmter Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen mit der bestimmten Person betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen ohne die bestimmte Person betreffen. Optional sind zumindest einige der Messwerte Messwerte der affektiven Reaktion des Benutzers 101.
  • Es ist zu beachten, dass der zu dem Ereignis gehörende Benutzer nicht notwendigerweise bei allen Ereignisse, zu denen die Messwerte in den bestimmten Daten gehören, eine Erfahrung mit der bestimmten Person hat. In einem Beispiel umfassen die bestimmten, zum Trainieren des Bias-Modells 712 verwendeten Daten: (i) Messwerte der affektiven Reaktion, die zu einem ersten und zweiten Ereignis gehören, die eine bestimmte Erfahrung betreffen, und (ii) Beschreibungen des ersten und zweiten Ereignisses. In diesem Beispiel indiziert die Beschreibung des ersten Ereignisses, dass der zu dem ersten Ereignis gehörende Benutzer die Erfahrung mit der bestimmten Person hatte, und indiziert die Beschreibung des zweiten Ereignisses nicht, dass der zu dem zweiten Ereignis gehörende Benutzer die Erfahrung mit der bestimmten Person hatte.
  • In einer Ausführungsform ist das Bias-Entfernungsmodul 723 dazu konfiguriert, zu bestimmen, ob die Beschreibung des Ereignisses indiziert, dass der Benutzer 101 die Erfahrung alleine hatte, und als Reaktion auf die dies indizierende Beschreibung einen korrigierten Messwert zu berechnen. Optional ergibt sich der korrigierte Messwert durch eine Änderung des Wert des Messwerts 720 hinsichtlich eines Bias des Benutzers gegenüber dem alleinigen Erleben der Erfahrung. Optional wird das Bias-Modell 712 in dieser Ausführungsform mit Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das alleinige Erleben von Erfahrungen betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen in Gesellschaft anderer Personen betreffen.
  • Es folgt eine Beschreibung von Schritten, die in einem Verfahren zur Korrektur eines Bias hinsichtlich einer Begleitperson einer Erfahrung durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, das gemäß 9 modelliert ist. In einigen Ausführungsformen können die Anweisungen für die Implementierung der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann das im Folgenden beschriebene Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Korrektur eines Bias hinsichtlich einer Begleitperson einer Erfahrung mindestens die folgenden Schritte:
    Schritt 1, Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für das Ereignis charakterisierende Faktoren ist, welche mindestens einen Faktor umfassen, der indiziert, mit wem der Benutzer die Erfahrung hatte. Optional wird die Beschreibung durch den Ereignis-Annotator 701 generiert.
  • Schritt 2, Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional ist der Messwert der Messwert 720 des Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 3, Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Benutzer die Erfahrung zusammen mit einer bestimmten Person hatte. Optional ist der Situationsfaktor 746 indikativ für die bestimmte Person.
  • Und Schritt 4, als Reaktion auf die dies indizierende Beschreibung, Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts hinsichtlich eines Bias des Benutzers gegenüber der bestimmten Person. Optional unterscheidet sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts.
  • In einer Ausführungsform kann das Verfahren einen optionalen Schritt umfassen, der die Anwendung eines Modells zur Berechnung des korrigierten Messwerts beinhaltet. Optional ist das Modell das Bias-Modell 712. Optional wird das Modell 712 anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen mit der bestimmten Person betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die das Erleben von Erfahrungen ohne die bestimmte Person betreffen. Wie oben beschrieben, können je nachdem ob das Modell Bias-Werte oder ein Modell eines ERP beinhaltet, verschiedene zusätzliche Schritte an der Berechnung des korrigierten Messwerts unter Verwendung des Modells beteiligt sein.
  • 10 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias eines Benutzers hinsichtlich eines Charakteristikum eines Dienstanbieters konfiguriert ist. Das System umfasst mindestens den Ereignis-Annotator 701 und das Bias-Entfernungsmodul 723.
  • In einer Ausführungsform ist eine durch den Ereignis-Annotator 701 generierte Beschreibung des Ereignisses, zu dem der Messwert 720 gehört, indikativ für die Faktoren 756. In dieser Ausführungsform beinhaltet das Ereignis, dass der Benutzer 101 eine Erfahrung hat, die die Entgegennahme einer Dienstleistung von einem Dienstleister umfasst. Optional beinhalten die Faktoren 756 mindestens einen Faktor, der indikativ für ein Charakteristikum des Dienstleisters ist.
  • Die Benutzer können ein Bias hinsichtlich verschiedener Arten von Dienstleistern und Charakteristika haben. In einem Beispiel ist der Dienstleister ist ein roboterhafter Dienstleister und bezieht sich das Charakteristikum auf mindestens einen der folgenden Aspekte: eine Art des roboterhaften Dienstleisters, ein Verhalten des roboterhaften Dienstleisters und ein Grad der Ähnlichkeit des roboterhaften Dienstleisters zu einem Menschen. In einem anderen Beispiel ist der Dienstleister eine Person und gehört das Charakteristikum zu mindestens einer der folgenden Eigenschaften: Geschlecht, Alter, ethnische Zugehörigkeit, Religionszugehörigkeit, sexuelle Orientierung, Beruf, gesprochene Sprache und Bildung. In einem weiteren Beispiel ist der Dienstleister eine Person und gehört das Charakteristikum zu mindestens einer der folgenden Eigenschaften: die Größe der Person, das Gewicht der Person, die Attraktivität der Person, der Körperbau, die Frisur, der Kleidungsstil und die Augenfarbe der Person.
  • In einer Ausführungsform kann der Ereignis-Annotator 701 Informationen von dem Gerätesensor 744 empfangen. Optional ist der Gerätesensor 744 nicht der Sensor 102, der zur Erfassung des Messwerts 720 der affektiven Reaktion verwendet wird. Optional liefert der Gerätesensor 744 Bilder und/oder Ton, die/der zur Identifizierung des Dienstleisters und/oder des Charakteristikums des Dienstleisters verwendet werden können.
  • Das Bias-Entfernungsmodul 723 ist in einer Ausführungsform dazu konfiguriert, den zu dem Ereignis gehörenden Messwert 720 der affektiven Reaktion zu empfangen und zu ermitteln, ob die durch den Ereignis-Annotator 710 generierte Beschreibung des Ereignisses indiziert, dass der Benutzer 101 im Rahmen der Erfahrung eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhalten hat. Optional empfängt das Bias-Entfernungsmodell 723 eine Angabe des Dienstleisterfaktors 757, der das Charakteristikum betrifft. Als Reaktion auf die Bestimmung anhand der Beschreibung des Ereignisses, dass der Benutzer 101 im Rahmen der zu dem Ereignis gehörenden Erfahrung eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhalten hat, berechnet das Bias-Entfernungsmodul 723 den korrigierten Messwert 758. Optional spiegelt der korrigierte Messwert 758 eine Korrektur zu zumindest einem gewissen Grad eines Bias des Benutzers 101 gegenüber dem Charakteristikum wider. Optional unterscheidet sich der Wert des korrigierten Messwerts 758 von dem Wert des Messwerts 720.
  • In einer Ausführungsform wird das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modell 712 anhand bestimmter Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister nicht betreffen. Optional sind zumindest einige der Messwerte Messwerte der affektiven Reaktion des Benutzers 101.
  • Es ist zu beachten, dass der zu dem Ereignis gehörende Benutzer nicht notwendigerweise bei allen Ereignissen, zu denen die Messwerte in den bestimmten Daten gehören, eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhält. In einem Beispiel umfassen die bestimmten, zum Trainieren des Bias-Modells 712 verwendeten Daten: (i) Messwerte der affektiven Reaktion, die zu einem ersten und zweiten Ereignis gehören, die eine bestimmte Erfahrung betreffen, bei der der Benutzer eine Dienstleistung von einem Dienstleister erhält, und (ii) Beschreibungen des ersten und zweiten Ereignisses. In diesem Beispiel indiziert die Beschreibung des ersten Ereignisses, dass der zu dem ersten Ereignis gehörende Benutzer eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhalten hat und, indiziert die Beschreibung des zweiten Ereignisses nicht, dass der zu dem zweiten Ereignis gehörende Benutzer eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhalten hat.
  • Es folgt eine Beschreibung von Schritten, die in einem Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Charakteristikums eines Dienstleisters durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, das gemäß 10 modelliert ist. In einigen Ausführungsformen können die Anweisungen für die Implementierung der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann das im Folgenden beschriebene Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Charakteristikums eines Dienstleisters mindestens die folgenden Schritte:
    Schritt 1, Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für das Ereignis charakterisierende Faktoren ist, welche mindestens einen Faktor umfassen, der indiziert, dass der Dienstleister das Charakteristikum aufweist. Optional wird die Beschreibung durch den Ereignis-Annotator 701 generiert.
  • Schritt 2, Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional ist der Messwert der Messwert 720 des Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 3, Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Benutzer im Rahmen der Erfahrung eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister erhalten hat. Optional ist der Dienstleisterfaktor 757 indikativ für das Charakteristikum.
  • Und Schritt 4, als Reaktion auf die dies indizierende Beschreibung, Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts hinsichtlich eines Bias des Benutzers gegenüber dem Charakteristikum. Optional unterscheidet sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts.
  • In einer Ausführungsform kann das Verfahren einen optionalen Schritt umfassen, der die Anwendung eines Modells zur Berechnung des korrigierten Messwerts beinhaltet. Optional ist das Modell das Bias-Modell 712. Optional wird das Modell anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister nicht betreffen. Wie oben beschrieben, können je nachdem ob das Modell Bias-Werte oder ein Modell eines ERP beinhaltet, verschiedene zusätzliche Schritte an der Berechnung des korrigierten Messwerts unter Verwendung des Modells beteiligt sein.
  • 11 zeigt eine Ausführungsform eines Systems, das für die Korrektur eines Bias eines Benutzers hinsichtlich eines Elements in einem durch den Benutzer aufgenommen Inhalt konfiguriert ist. Das System umfasst mindestens den Ereignis-Annotator 701 und das Bias-Entfernungsmodul 723.
  • In einer Ausführungsform ist eine durch den Ereignis-Annotator 701 generierte Beschreibung des Ereignisses, zu dem der Messwert 720 gehört, indikativ für die Faktoren 762. In dieser Ausführungsform betrifft das Ereignis den einen Inhalt aufnehmenden Benutzer 101. Optional beinhalten die Faktoren 762 mindestens einen Faktor, der indikativ für ein Element in dem durch den Benutzer 101 aufgenommenen Inhalt ist.
  • Es gibt verschiedene Formen von Inhalten, die durch den Benutzer 101 in den hierin beschriebenen Ausführungsformen aufgenommen werden können. In einer Ausführungsform ist der Inhalt ein digitaler Inhalt, der Bilder beinhaltet, die über eines oder mehrere der folgenden Displays dargestellt werden: ein Display für Videobilder, ein Augmented-Reality-Display, ein Mixed-Reality-Display und ein Virtual-Reality-Display. In einer weiteren Ausführungsform umfasst der Inhalt eine oder mehrere der folgenden Arten von akustischem Inhalt: Sprache, Musik und digitale Toneffekte. Optional kann es verschiedene Arten von Elementen in dem Inhalt geben, hinsichtlich denen der Benutzer 101 ein Bias haben kann (der zu korrigieren ist). In einem Beispiel bezieht sich das Element, das zu dem zu korrigierenden Bias gehört, auf ein Genre des Inhalts. Optional umfasst das Genre die Darstellung von mindestens einem der folgenden Dinge in dem Inhalt: Gewalt, sexuelle Handlungen, Obszönität und sportliche Aktivität. In einem anderen Beispiel repräsentiert das Element eine der folgenden Entitäten: ein bestimmtes Wesen, ein Wesen eines bestimmten Typs. Optional werden die Wesen eines bestimmten Typs als mindestens eines der folgenden Charakteristika gemeinsam habend charakterisiert: dasselbe Geschlecht, dieselbe ethnische Zugehörigkeit, dieselbe Altersgruppe, dasselbe physische Merkmal, dieselbe Art von Lebewesen.
  • In einer Ausführungsform kann der Ereignis-Annotator 701 Informationen von dem Gerätesensor 744 empfangen. Optional ist der Gerätesensor 744 nicht der Sensor 102, der zur Erfassung des Messwerts 720 der affektiven Reaktion verwendet wird. Optional liefert der Gerätesensor 744 Bilder und/oder Ton, die/der zur Identifizierung des Elements in dem durch den Benutzer 101 aufgenommenen Inhalt verwendet werden können.
  • In einer Ausführungsform kann der Ereignis-Annotator 701 Informationen von dem Inhaltsanalysator 761 empfangen, der dazu konfiguriert ist, den Inhalt zur Identifizierung von in dem Inhalt enthaltenen Elementen zu analysieren. Optional kann der Inhaltsanalysator 761 verschiedene Bildanalyseverfahren und/oder semantische Analyseverfahren anwenden (Beispiele für einige dieser Verfahren werden im Abschnitt 5 (Identifizierung von Ereignissen) und im Abschnitt 12 (Faktoren von Ereignissen) erwähnt.
  • Das Bias-Entfernungsmodul 723 ist in einer Ausführungsform dazu konfiguriert, den zu dem Ereignis gehörenden Messwert 720 der affektiven Reaktion zu empfangen. Das Bias-Entfernungsmodul 723 ist zudem dazu konfiguriert, zu bestimmen, ob die durch den Ereignis-Annotator 710 generierte Beschreibung des Ereignisses indiziert, dass der durch den Benutzer 101 im Rahmen des Ereignisses aufgenommene Inhalt das Element umfasst. Optional empfängt das Bias-Entfernungsmodul 723 eine Angabe des Inhaltsfaktors 763, der zu dem Element gehört (z. B. repräsentiert er das Element und/oder liefert er Informationen, die die Feststellung, ob ein bestimmter Inhalt das Element umfasst, unterstützen können). Als Reaktion auf die Bestimmung anhand der Beschreibung des Ereignisses, dass der Inhalt das Element umfasst, berechnet das Bias-Entfernungsmodul 723 den korrigierten Messwert 764. Optional spiegelt der korrigierte Messwert 764 eine Korrektur zu zumindest einem gewissen Grad eines Bias des Benutzers 101 gegenüber dem Element wider. Optional unterscheidet sich der Wert des korrigierten Messwerts 764 vom dem Wert des Messwerts 720.
  • In einer Ausführungsform wird das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modell 712 anhand bestimmter Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element umfassenden Inhalts betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element nicht umfassenden Inhalts betreffen. Optional sind zumindest einige der Messwerte Messwerte der affektiven Reaktion des Benutzers 101.
  • Es ist zu beachten, dass der zu dem Ereignis gehörende Benutzer nicht notwendigerweise bei allen Ereignissen, zu denen die Messwerte in den bestimmten Daten gehören, einen das Element umfassenden Inhalt aufnimmt. In einem Beispiel umfassen die bestimmten, zum Trainieren des Bias-Modells 712 verwendeten Daten: (i) Messwerte der affektiven Reaktion, die zu einem ersten und zweiten Ereignis gehören, die die Aufnahme eines Inhalts betreffen, und (ii) Beschreibungen des ersten und zweiten Ereignisses. In diesem Beispiel indiziert die Beschreibung des ersten Ereignisses, dass der zu dem ersten Ereignis gehörende Benutzer einen das Element umfassenden Inhalt aufgenommen hat, und indiziert die Beschreibung des zweiten Ereignisses nicht, dass der zu dem zweiten Ereignis gehörende Benutzer einen das Element umfassenden Inhalt aufgenommen hat.
  • Es folgt eine Beschreibung von Schritten, die in einem Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Elements in einem Inhalt durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, das gemäß 10 modelliert ist. In einigen Ausführungsformen können die Anweisungen für die Implementierung der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann das im Folgenden beschriebene Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Elements in einem Inhalt mindestens die folgenden Schritte:
    Schritt 1, Generierung einer Beschreibung eines Ereignisses mit dem eine Erfahrung habenden Benutzer durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für das Ereignis charakterisierende Faktoren ist, welche mindestens einen Faktor umfassen, der indiziert, dass der Inhalt das Element umfasst. Optional wird die Beschreibung durch den Ereignis-Annotator 701 generiert.
  • Schritt 2, Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional ist der Messwert der Messwert 720 der Benutzers 101 und wird der Messwert unter Verwendung des Sensors 102 erfasst.
  • Schritt 3, Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Inhalt das Element umfasst. Optional ist der Inhaltsfaktor 763 indikativ für das Element.
  • Und Schritt 4, als Reaktion auf die dies indizierende Beschreibung, Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts hinsichtlich eines Bias des Benutzers gegenüber dem Element. Optional unterscheidet sich der Wert des korrigierten Messwerts vom dem Wert des empfangenen Messwerts.
  • In einer Ausführungsform kann das Verfahren einen optionalen Schritt umfassen, der die Anwendung eines Modells zur Berechnung des korrigierten Messwerts beinhaltet. Optional ist das Modell das Bias-Modell 712. Optional wird das Modell anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element umfassenden Inhalts betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element nicht umfassenden Inhalts betreffen. Wie oben beschrieben, können je nachdem ob das Modell Bias-Werte oder ein Modell eines ERP beinhaltet, verschiedene zusätzliche Schritte an der Berechnung des korrigierten Messwerts unter Verwendung des Modells beteiligt sein.
  • Wenn eine Bewertung einer Erfahrung auf der Grundlage von Messwerten mehrerer Benutzer berechnet wird, spiegelt sie wahrscheinlich Eigenschaften wider, die sich auf die Qualität der Erfahrung entsprechend der Wahrnehmung der mehreren Benutzer beziehen. Darüber hinaus können die Messwerte verschiedene Bias der Benutzer widerspiegeln, die Messwerte zu der Bewertung beigetragen haben, deren Widerspiegelung in der Bewertung nicht erwünscht sein kann. Somit können in einigen Ausführungsformen bestimmte Bias in den Messwerten und/oder bei der Berechnung der Bewertung korrigiert werden, um eine präzisere Bewertung zu erhalten.
  • 12 zeigt eine Ausführungsform eines Systems, das für die Berechnung eines crowd-basierten Ergebnisses auf der Grundlage von Messwerten der affektiven Reaktion konfiguriert ist, die hinsichtlich eines Bias korrigiert sind. Das System umfasst mindestens das Erfassungsmodul 120, das Bias-Entfernungsmodul 130 und das Modul zur Generierung crowd-basierter Ergebnisse 117.
  • Das Erfassungsmodul 120 ist dazu konfiguriert, die Messwerte 110 zu empfangen, die die Messwerte der affektiven Reaktion von mindestens fünf Benutzern umfassen. Optional gehört jeder Messwert eines Benutzers aus der Menge der Messwerte der mindestens fünf Benutzer zu einem Ereignis, bei dem der Benutzer eine Erfahrung hat, und wird jeder Messwert eines Benutzers aus der Menge der Messwerte der mindestens fünf Benutzer mit einem mit dem Benutzer verbundenen Sensor erfasst. Beispielsweise kann der Sensor der Sensor 102 sein.
  • Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 12 dargestellten Systems einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Bias-Entfernungsmodul 723 ist in dieser Ausführungsform dazu konfiguriert, eine Angabe des bestimmten Faktors 722 zu empfangen, der zu einem in einem zu dem Ereignis gehörenden Messwert zu korrigierenden Bias gehört. Optional gehört der bestimmte Faktor 722 zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Die Beispiele des bestimmten Faktors 722 können die verschiedenen Faktoren umfassen, die in dieser Offenlegung als zu einem durch das Bias-Entfernungsmodul 723 zu korrigierenden Bias gehörende Faktoren erwähnt werden, wie etwa der Umgebungsfaktor 740, der Situationsfaktor 746, der Dienstleisterfaktor 757 und/oder der Inhaltsfaktor 763.
  • Das Bias-Entfernungsmodul 723 ist außerdem dazu konfiguriert, für jeden Messwert aus der Menge der Messwerte der mindestens fünf Benutzer einen korrigierten Messwert durch Änderung des Werts des Messwerts auf der Grundlage zumindest einiger Werte in einem Modell zu berechnen. Optional verwendet das Bias-Entfernungsmodul 723 zur Berechnung des korrigierten Messwerts für die mindestens fünf Benutzer (korrigierte Messwerte 735 in 12) Beschreibungen der Ereignisse, zu denen die Messwerte der mindestens fünf Benutzer gehören, die durch den Ereignis-Annotator 701 generiert werden. Optional wird jeder Messwert der mindestens fünf Benutzer zumindest zu einem bestimmten Grad hinsichtlich des zu dem bestimmten Faktor 722 gehörenden Bias korrigiert. Somit sind die korrigierten Messwerte 735 nicht identisch mit den Messwerten der affektiven Reaktion der mindestens fünf Benutzer.
  • In einer Ausführungsform wird das durch das Bias-Entfernungsmodul 723 verwendete Modell anhand von Daten trainiert, die umfassen: Messwerte der affektiven Reaktion, die zu verschiedene Erfahrungen betreffenden Ereignissen gehören, und Beschreibungen der Ereignisse. In einem Beispiel kann das Modell das Bias-Modell 712 sein. In einem anderen Beispiel kann das Modell aus einem oder mehreren Bias-Modellen 734 ausgewählt werden. Optional gehören die Bias-Modelle zu einer Datenbank von Bias-Modellen, die zu den zu der Crowd 100 gehörenden Benutzern gehören (z. B. wurden sie anhand von Messwerten der zu der Crowd 100 gehörenden Benutzer trainiert).
  • In einer Ausführungsform verwendet das Bias-Entfernungsmodul 723 bei der Korrektur eines Messwerts der affektiven Reaktion eines bestimmten Benutzers hinsichtlich eines zu dem Faktor 720 gehörenden Bias ein Modell aus der Menge der Bias-Modelle 734, das zu dem bestimmten Benutzer gehört. Zum Beispiel kann das Modell anhand von Daten trainiert werden, die zu einer Menge von Ereignissen gehören, von denen jedes den bestimmten, eine Erfahrung habenden Benutzer umfasst. In diesem Beispiel können die Daten Beschreibungen von zu der Menge gehörenden Ereignissen und zu der Menge gehörende Messwerte enthalten.
  • Die Angabe des bestimmten Faktors 722 kann aus verschiedenen Quellen stammen. In einem Beispiel wird der bestimmte Faktor 722 von einem der Benutzer empfangen, die die Messwerte 110 bereitstellen, z. B. als eine durch einen im Namen eines Benutzers operierenden Software-Agenten gesendete Angabe. In einem anderen Beispiel wird der bestimmte Faktor 722 von dem Erfassungsmodul 120 empfangen. Und in einem weiteren Beispiel wird der bestimmte Faktor 722 von dem Modul zur Generierung crowd-basierter Ergebnisse 117 empfangen.
  • Es kann für das Bias-Entfernungsmodul 723 unterschiedliche Implementierungen geben, die zur Berechnung der korrigierten Messwerte 735 verwendet werden können. In einer Ausführungsform umfasst das Bias-Entfernungsmodul 723 das Bias-Subtrahierermodul 726, welches oben ausführlicher beschrieben wird (z. B. in der Erörterung hinsichtlich 5). In dieser Ausführungsform kann das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modul Bias-Werte enthalten. In einer anderen Ausführungsform umfasst das Bias-Entfernungsmodul 723 das ERP-BKM 733. In dieser Ausführungsform kann das durch das Bias-Entfernungsmodul 723 verwendete Bias-Modul ein oder mehrere Modelle für einen ERP enthalten.
  • Das Modul zur Generierung crowd-basierter Ergebnisse 117 ist dazu konfiguriert, das crowd-basierte Ergebnis 736 auf der Grundlage der korrigierten Messwerte 735 zu berechnen. Das Modul zur Generierung crowd-basierter Ergebnisse 117 kann verschiedene Arten von in dieser Offenlegung erwähnten, crowd-basierten Ergebnissen generieren. Zu diesem Zweck kann das Modul zur Generierung crowd-basierter Ergebnisse 117 verschiedene, in dieser Offenlegung beschriebene Module umfassen und/oder anwenden. In einem Beispiel ist das crowd-basierte Ergebnis 736 eine Bewertung einer Erfahrung, wie etwa eine durch das Bewertungsmodul 150 oder das dynamische Bewertungsmodul 180 berechnete Bewertung. In einem anderen Beispiel ist das crowd-basierte Ergebnis 736 ein durch das Ranking-Modul 220 oder das dynamische Ranking-Modul 250 berechnetes Ranking einer Vielzahl von Erfahrungen.
  • Aufgrund der Korrektur des zu dem bestimmten Faktor 722 gehörenden Bias ist das crowd-basierte Ergebnis 736 in einigen Ausführungsformen erwartungsgemäß präziser als das äquivalente, auf der Grundlage der (nicht korrigierten) Messwerte der mindestens fünf Benutzer berechnete Ergebnis. Dies liegt daran, dass davon ausgegangen werden kann, dass das crowd-basierte Ergebnis 736 im Vergleich zu den nicht korrigierten Messwerten ein objektiverer Wert der Qualität der durch die mindestens fünf Benutzer erlebten Erfahrungen ist und aufgrund der Korrektur weniger eine Reflexion der Bias, die die mindestens fünf Benutzer haben.
  • Die Korrektur der Bias muss nicht in allen Fällen angewendet werden. In einigen Ausführungsformen hängt die Notwendigkeit zur Korrektur der Bias in zur Berechnung einer Bewertung oder eines anderen crowd-basierten Ergebnisses verwendeten Messwerten der affektiven Reaktion von der Anzahl n der verschiedenen Benutzer ab, deren Messwerte zur Berechnung der Bewertung verwendet werden. In einem Beispiel werden die meisten Messwerte hinsichtlich mindestens eines Bias korrigiert, wenn n unter einem Schwellenwert liegt, und werden die meisten Messwerte nicht hinsichtlich eines Bias korrigiert, wenn n nicht unter dem Schwellenwert liegt. In einem anderen Beispiel werden alle Messwerte hinsichtlich mindestens eines Bias korrigiert, wenn n unter einem Schwellenwert liegt, und werden keine Messwerte hinsichtlich eines Bias korrigiert, wenn n nicht unter dem Schwellenwert liegt. Der Wert des Schwellenwerts kann zwischen den verschiedenen Ausführungsformen variieren. Zum Beispiel kann der Schwellenwert in den verschiedenen Ausführungsformen mindestens 3, 10, 25, 100, 1000, 10000 oder größer sein.
  • Es ist zu beachten, dass die Korrektur der Bias üblicherweise wichtiger in Fällen ist, in denen die Anzahl der zur Berechnung einer Bewertung oder eines anderen crowd-basierten Ergebnisses verwendeten Messwerte klein ist. Jedoch kann in Ausführungsformen, in denen eine Bewertung auf der Grundlage von Messwerten einer großen Anzahl von Benutzern berechnet wird, davon ausgegangen werden, dass der Summeneffekt der Bias ein vernachlässigbarer Faktor ist. Dies kann dadurch bedingt sein, dass es weniger wahrscheinlich ist, dass die Benutzer eine Verteilung der Bias haben, die signifikant von der Bevölkerungsnorm abweicht, wenn die Bewertung auf der Grundlage einer großen Anzahl von Benutzern (z. B. Tausend Benutzer) berechnet wird. Zum Beispiel wäre es wahrscheinlich, dass einige Benutzer positive Bias in Bezug auf einige Faktoren haben, während andere Benutzer eher negative Bias haben werden; aufgrund der großen Anzahl hebt sich der Effekt der Bias, hinsichtlich derer eine Bevölkerung unterschiedlich sein kann, wahrscheinlich größtenteils auf. Dieses Aufheben von Bias gilt für die Messwerte einer zufälligen Menge von Benutzern, für die davon ausgegangen wird, dass die Messwerte voneinander unabhängig sind. Wenn die Messwerte allerdings nicht unabhängig voneinander sind, sondern Korrelationen aufweisen, z. B. weil die Benutzer alle zu einer selben Gruppe von Benutzern mit einem bestimmten Bias gehören, dann kann die Korrektur der Bias in einigen Ausführungsformen auch bei der Berechnung von Bewertungen aus Messwerten einer großen Anzahl von Benutzern ratsam sein. In einigen Ausführungsformen kann eine große Anzahl von Benutzern mindestens 5 Benutzern entsprechen, während in anderen Ausführungsformen eine „große” Anzahl von Benutzer mindestens 10, 25, 100, 1000, 10000 oder mehr Benutzer umfassen muss.
  • Eine Alternative zur Korrektur der Bias in Messwerten der affektiven Reaktion, die in einigen Ausführungsformen angewendet werden kann, ist die Filterung der Messwerte zum Entfernen von Messwerten, die wahrscheinlich ein unerwünschtes Bias enthalten. Nach der Filterung können die verbleibenden Messwerte für verschiedene Zwecke, wie etwa zur Berechnung eines crowd-basierten Ergebnisses, verwendet werden.
  • 13 zeigt eine Ausführungsform eines Systems, das für die Filterung von Messwerten konfiguriert ist, die ein Bias hinsichtlich eines bestimmten Faktors enthalten. Das System umfasst mindestens das Erfassungsmodul 120, den Ereignis-Annotator 701 und das bias-basierte Filterungsmodul 768.
  • Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 13 dargestellten Systems einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, die Messwerte 110 der affektiven Reaktion zu empfangen, die in dieser Ausführungsform die Messwerte von mindestens acht Benutzern umfassen. Jeder Messwert eines Benutzers aus der Menge der Messwerte der mindestens acht Benutzer gehört zu einem Ereignis, bei dem der Benutzer (bezeichnet als der zu dem Ereignis gehörende Benutzer) eine Erfahrung (bezeichnet als die zu dem Ereignis gehörende Erfahrung) hatte. Optional wird der Messwert während der Instanziierung des Ereignisses oder kurz danach unter Verwendung eines mit dem Benutzer verbundenen Sensors erfasst, wie etwa durch den Sensor 102. Zusätzliche Informationen bezüglich Sensoren und den Messwerten der affektiven Reaktion sind zumindest im Abschnitt 1 (Sensoren) und im Abschnitt 2 (Messwerte der affektiven Reaktion) zu finden.
  • Der Ereignis-Annotator 701 ist in dieser Ausführungsform dazu konfiguriert, Beschreibungen der Ereignisse zu generieren, zu denen die Messwerte der mindestens acht Benutzer gehören. Optional ist die Beschreibung jedes Ereignisses indikativ für Faktoren, die das Ereignis charakterisieren, und gehört jeder Faktor zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Optional ist der Ereignis-Annotator 701, der zum Erstellen einer Beschreibung eines Ereignisses verwendet wird, ein Modul, das durch einen im Namen des Benutzers operierenden Software-Agenten verwendet wird oder das ein Bestandteil eines im Namen des Benutzers operierenden Software-Agenten ist.
  • Das bias-basierte Filterungsmodul 768 ist dazu konfiguriert, eine Teilmenge der Messwerte durch Ausschluss zumindest einiger der Messwerte der mindestens acht Benutzer aus der Teilmenge zu erstellen. Optional sind die ausgeschlossenen Messwerte Messwerte, für die festgestellt wird, dass der zu einem bestimmten Faktor (der bestimmte Faktor 769 in 13) gehörende Bias einen Schwellenwert 771 erreicht. Das bedeutet, dass für jeden ausgeschlossen Messwert Folgendes gilt: (i) eine durch den Ereignis-Annotator 701 generierte Beschreibung eines bestimmten Ereignisses, zu dem der ausgeschlossene Messwert gehört, indiziert, dass der bestimmte Faktor 769 das bestimmte Ereignis charakterisiert, und (ii) ein Bias-Wert, der den Bias des zu dem bestimmten Ereignis gehörenden Benutzers gegenüber dem bestimmten Faktor 769 angibt, erreicht den Schwellenwert 771. Optional wird der Bias-Wert, der den Bias des zu dem bestimmten Ereignis gehörenden Benutzers gegenüber dem bestimmten Faktor 769 angibt, von einem die Bias-Modelle 770 umfassenden Repositorium empfangen, welches die Bias-Werte jedes der mindestens acht Benutzer enthält. Optional wird der Bias-Wert, der den Bias des zu dem bestimmten Ereignis gehörenden Benutzers gegenüber dem bestimmten Faktor 769 angibt, von einem im Namen des Benutzers operierenden Software-Agenten empfangen, der Zugriff auf ein Modell hat, das die Bias-Werte des Benutzers umfasst, und/oder auf ein Modell für einen ERP, der zur Berechnung des Bias-Werts verwendet werden kann.
  • In einer Ausführungsform können die Faktoren des bestimmten Ereignisses zugehörige Gewichtungen haben, die indikativ für ihre erwartete Dominanz und/oder Auswirkung auf die affektive Reaktion des zu dem bestimmten Ereignis gehörenden Benutzers sind. In einem solchen Fall kann ein Messwert auf der Grundlage der erwarteten (gewichteten) Auswirkung des bestimmten Faktors 769 gefiltert werden. Das bedeutet, dass der zu dem bestimmten Ereignis gehörende Messwert aus der Teilmenge ausgeschlossen wird, wenn das Produkt der in einer Beschreibung des bestimmten Ereignisses angegebenen Gewichtung des bestimmten Faktors 769 und eines zu dem bestimmten Faktor 769 gehörenden Bias-Werts den Schwellenwert 771 erreicht.
  • In einer Ausführungsform wird der Bias-Wert, der den Bias des zu dem Ereignis gehörenden Benutzers gegenüber dem bestimmten Faktor 769 angibt, auf der Grundlage von Messwerten der affektiven Reaktion des zu dem Ereignis gehörenden Benutzers berechnet. Zum Beispiel kann der Bias-Wert einem Modell entnommen werden, das die Bias-Werte des Benutzers, wie etwa die Bias-Werte 715, umfasst. In einer Ausführungsform wird der Sample-Generator 705 zur Gewinnung der Bias-Werte 715 genutzt, um Samples auf der Grundlage von Daten zu generieren, die umfassen: (i) Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die durch den bestimmten Faktor 769 charakterisiert werden, und (ii) Beschreibungen der Ereignisse. Der Sample-Generator 705 kann auf der Grundlage der Daten zu den Ereignissen gehörende Samples generieren. Optional umfasst jedes zu einem Ereignis gehörende Sample: Merkmalswerte, die auf der Grundlage der Beschreibung des Ereignisses bestimmt werden, und ein Label, das auf der Grundlage eines zu dem Ereignis gehörenden Messwerts bestimmt wird. Das Bias-Wert-Bestimmungsmodul 714 kann die Samples zur Bestimmung von Bias-Werten verwenden, die den zu dem bestimmten Faktor 769 gehörenden Bias-Wert umfassen.
  • In einer anderen Ausführungsform wird der zu dem bestimmten Faktor 769 gehörende Bias-Wert unter Verwendung eines ERP-basierten Verfahrens gewonnen. Der Merkmalsgenerator 706 empfängt ein Ereignis charakterisierende Faktoren, die auf der Grundlage einer Beschreibung des Ereignisses bestimmt werden. Der Merkmalsgenerator 769 generiert eine erste und zweite Menge von Merkmalswerten, wobei die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt wird, in der die Gewichtung des bestimmten Faktors 769 reduziert ist. Der ERP 731 empfängt ein Modell und verwendet das Modell zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites Sample, die die erste beziehungsweise zweite Menge von Merkmalswerten umfassen. Optional umfassen die erste und zweite Prognose jeweils einen affektiven Wert, der die erwartete affektive Reaktion angibt. Der zu dem bestimmten Faktor 769 gehörende Bias-Wert ist auf einen Wert eingestellt, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist (z. B. kann er die Differenz selbst sein und/oder die auf der Grundlage der in der Beschreibung des Ereignisses angegebenen Gewichtung des bestimmten Faktors 769 normalisierte Differenz). Optional wird das zur Gewinnung eines Bias-Werts eines bestimmten Benutzers verwendete Modell auf der Grundlage von Daten trainiert, die Messwerte der affektiven Reaktion des bestimmten Benutzers umfassen, und gehören zumindest einige dieser Messwerte zu Ereignissen, die durch den bestimmten Faktor 769 charakterisiert werden.
  • Der bestimmte Faktor 769 kann zu einem oder mehreren Aspekten eines Ereignisses gehören, wie etwa der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses. Die Beispiele des bestimmten Faktors 769 können die verschiedenen Faktoren umfassen, die in dieser Offenlegung als zu einem durch das Bias-Entfernungsmodul 723 zu korrigierenden Bias gehörende Faktoren erwähnt werden, wie etwa der Umgebungsfaktor 740, der Situationsfaktor 746, der Dienstleisterfaktor 757 und/oder der Inhaltsfaktor 763.
  • Die Angabe des bestimmten Faktors 769 und/oder der Schwellenwert 771 kann durch verschiedene Entitäten empfangen werden. In einer Ausführungsform werden die Angabe und/oder der Schwellenwert 771 durch das Erfassungsmodul 120 gesendet. In einer anderen Ausführungsform werden die Angabe und/oder der Schwellenwert 771 durch einen Benutzer aus der Menge der mindestens acht Benutzer gesendet. Zum Beispiel kann die Angabe und/oder der Schwellenwert 771 durch einen im Namen des Benutzers operierenden Software-Agent gesendet werden. In einer weiteren Ausführungsform kann die Angabe und/oder der Schwellenwert 771 durch eine Entität gesendet werden, die das crowd-basierte Ergebnis 772 empfängt und/oder berechnet.
  • In einigen Ausführungsformen wird der Schwellenwert 771 auf der Grundlage von Bias-Werten von Benutzern berechnet, die zu dem bestimmten Faktor 769 gehören. Optional ist der Schwellenwert 771 größer als der Median der Bias-Werte, die zu dem bestimmten Faktor 769 gehören.
  • Das Modul zur Generierung crowd-basierter Ergebnisse 117 ist dazu konfiguriert, das crowd-basiertes Ergebnis 772 auf der Grundlage der Teilmenge der Messwerte zu berechnen. Die Teilmenge enthält einige, jedoch nicht alle Messwerte der mindestens acht Benutzer. Optional enthält die Teilmenge die Messwerte von mindestens fünf Benutzern aus der Menge der mindestens acht Benutzer. Optional ist das crowd-basierte Ergebnis 772 eine für eine Erfahrung berechnete Bewertung, ein Ranking einer Vielzahl von Erfahrungen oder ein anderes, auf der Grundlage der Teilmenge der Messwerte berechnetes Ergebnis.
  • Es folgt eine Beschreibung von Schritten, die in einem Verfahren zur Filterung von ein Bias hinsichtlich eines bestimmten Faktors enthaltenden Messwerten durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 13 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Filterung von ein Bias hinsichtlich eines bestimmten Faktors enthaltenden Messwerten mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von mindestens acht Benutzern durch ein einen Prozessor und einen Speicher umfassendes System; wobei jeder Messwert zu einem Ereignis gehört, bei dem ein zu dem Ereignis gehörender Benutzer eine zu dem Ereignis gehörende Erfahrung hat.
  • Schritt 2, Generierung von Beschreibungen der Ereignisse, zu denen die Messwerte gehören. Optional werden die Beschreibungen durch den Ereignis-Annotator 701 generiert. Optional umfasst eine Beschreibung eines Ereignisses Faktoren, die das Ereignis charakterisieren, und gehört jeder Faktor zu mindestens einem der folgenden Dinge: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses.
  • Schritt 3, Erstellung einer Teilmenge der Messwerte durch Ausschluss zumindest einiger Messwerte; wobei für jeden ausgeschlossenen Messwert: (i) die Beschreibung des bestimmten Ereignisses, zu dem der ausgeschlossene Messwert gehört, indiziert, dass der bestimmte Faktor das bestimmte Ereignis charakterisiert, und (ii) ein Bias-Wert, der den Bias des zu dem bestimmten Ereignis gehörenden Benutzers gegenüber dem bestimmten Faktor angibt, einen Schwellenwert erreicht.
  • Und Schritt 4, Berechnung eines crowd-basierten Ergebnisses auf der Grundlage der Teilmenge der Messwerte. Im Schritt 3 werden zumindest einige Messwerte gefiltert, sodass die Teilmenge die Messwerte von mindestens fünf Benutzern, jedoch nicht alle Messwerte der mindestens acht Benutzer umfasst. Optional wird das crowd-basierte Ergebnis durch das Modul zur Generierung crowd-basierter Ergebnisse 117 berechnet.
  • In einer Ausführungsform kann das oben beschriebene Verfahren optional einen Schritt beinhalten, der die Erfassung der Messwerte der affektiven Reaktion in Schritt 1 mit Sensoren umfasst. Optional ist jeder zu einem Ereignis gehörender Messwert der affektiven Reaktion indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals des zu dem Ereignis gehörenden Benutzers und ein Wert eines Verhaltenssignals des zu dem Ereignis gehörenden Benutzers.
  • In einer Ausführungsform kann das oben beschriebene Verfahren optional einen Schritt beinhalten, der die Berechnung des Schwellenwerts auf der Grundlage von zu dem bestimmten Faktor gehörenden Bias-Werten der verschiedenen Benutzer umfasst. Optional ist der Schwellenwert größer als der Median der zu dem bestimmten Faktor gehörenden Bias-Werte.
  • Es folgt eine Übersicht des Risikos für den Datenschutz von Benutzern, die aus einer Offenlegung von Messwerten der affektiven Reaktion und/oder einem Beitrag von Messwerten zur Berechnung von offengelegten crowd-basierten Ergebnissen resultieren kann. Eine umfassendere Erörterung dieser Themen findet sich im Abschnitt 15 (Übersicht des Risikos für den Datenschutz).
  • Verschiedene hierin beschriebene Ausführungsformen umfassen die Erfassung großer Mengen von Messwerten der affektiven Reaktion. Einige Ausführungsformen können die Erfassung von Daten von Dutzenden, Hunderten, Tausenden und sogar Millionen von Benutzern umfassen. Darüber hinaus können diese Daten aufgrund der Verbreitung von Sensoren in unserem täglichen Leben (z. B. in Wearables, Gadgets und Implantaten) mehrmals während eines Tages und/oder hinsichtlich einer großen Anzahl von Erfahrungen erfasst werden. Somit liegt die Verarbeitung von Daten der affektiven Reaktion im Bereich der „Big-Data-Analyse” (die mit einer Analyse umfangreicher Datensätze einhergeht). Der Zugang zu Messwerten der affektiven Reaktion samt Daten über das zu den Messwerten gehörende Ereignis kann bei der Anwendung verschiedener Verfahren zur Big-Data-Analyse eine große Menge von Erkenntnissen über verschiedene Haltungen, Einstellungen, Neigungen und Bias ergeben, die die Benutzer zu unterschiedlichen Zeiten und/oder gegenüber einer großen Anzahl unterschiedlicher Erfahrungen und/oder Fragen haben können. Zum Beispiel ist es durch den Erhalt von sowohl Messwerten der affektiven Reaktion eines Benutzers als auch von Beschreibungen von Ereignissen, zu denen diese Messwerte gehören, möglich, verschiedene Modelle des Bias des Benutzers zu bestimmen (z. B. ein Bias-Werte umfassendes Modell und/oder ein Modell für einen ERP).
  • Zur Wahrung des Datenschutzes kann ein Benutzer sich dazu bereit erklären, Messwerte zur Berechnung eines crowd-basierten Ergebnisses (z. B. einer Bewertung einer Erfahrung) beizutragen. Ein solches Ergebnis ist üblicherweise ein „aggregiertes” Ergebnis, das die Messwerte mehrerer Benutzer umfasst. Obgleich ein solcher Beitrag nicht riskant erscheinen kann, gibt es viele reale Szenarien, in denen wiederholte Beiträge von Messwerten zur Berechnung von crowd-basierten Ergebnissen eine umfangreiche Modellierung von Benutzern möglich machen können. Verschiedene hierin beschriebene Ausführungsformen umfassen die Bewertung und/oder Vermeidung solcher Risiken.
  • Gemäß der Verwendungsweise hierin beziehen sich „Risiko” und „Risiko für den Datenschutz” auf den Informationsgewinn, den ein Gegner durch den Empfang der Werte von Messwerten der affektiven Reaktion und/oder von auf der Grundlage dieser Messwerte berechneten Bewertungen von Erfahrungen erreichen kann. Es wird davon ausgegangen, dass ein Empfänger der offengelegten Messwerte und/oder Bewertungen in der Lage sein kann, bestimmte Informationen über die Benutzer, von denen die Messwerte erfasst wurden, und/oder Informationen über die Ereignisse, zu denen die Messwerte gehören (z. B. Faktoren der Ereignisse) zu gewinnen. Solche Informationen können aus verschiedenen Quellen gewonnen werden, wie beispielsweise durch Kameras von Geräten und/oder CCTV, durch digitale Signale, die von durch die Benutzer getragenen Geräten ausgesandt werden, und/oder durch verschiedene Konten- und Transaktionsverläufe (Kreditkarten, Internetverkehr etc.). Darüber hinaus sind viele der Erfahrungen, die Benutzer heutzutage haben, digital und/oder in einer digitalen Umgebung, sodass ein Anbieter solcher Erfahrungen häufig detaillierte Informationen über zu den Ereignissen in diesen Bereichen gehörende Faktoren haben kann. Oftmals wissen die Benutzer nicht, wer die Daten über ihre Aufenthaltsorte erfasst, welche Daten erfasst werden und/oder wie die Daten weitergegeben werden. Zusätzlich haben die Benutzer häufig nicht die volle Kontrolle über die Informationen, die sie oder ihre Geräte der Außenwelt zur Verfügung stellen. Daher ist es eine umsichtige Vorsichtsmaßnahme, davon auszugehen, dass Dritte Informationen über die Benutzer, ihre Aufenthaltsorte und die durch sie erlebten Erfahrungen gewinnen können. Diese Informationen können zur Identifikation der Benutzer verwendet werden, die Messwerte der affektiven Reaktion zu einer Berechnung einer Bewertung einer Erfahrung beigetragen haben. Folglich kann eine Bewertung des sogar mit der Herausgabe von aggregierten Ergebnissen, wie etwa von Bewertungen von Erfahrungen, verbundenen potenziellen Risikos erforderlich sein, um den Datenschutz der Benutzer zu wahren und das Risiko zu reduzieren, dass möglicherweise unerwünschte und/oder unbeabsichtigte Inferenzen aus den Messwerten der affektiven Reaktion der Benutzer gezogen werden.
  • Der Begriff „Gegner” wird hierin verwendet, um eine Entität (menschlich oder nicht menschlich) zu beschreiben, die möglicherweise versuchen kann, Informationen über Benutzer und/oder Erfahrungen anhand einer oder mehrerer offengelegter Bewertungen zu erfahren. Es wird darauf hingewiesen, dass die Verwendung des Begriffs „Gegner” hierin nicht zwangsläufig bedeutet, dass die Entität, die der Gegner ist, böswillige Motive hat und/oder auf eine rechtswidrige und/oder unberechtigte Weise handelt.
  • In einigen Ausführungsformen wird davon ausgegangen, dass ein Gegner ein Modell eines oder mehrerer Benutzer (z. B. ein Bias-Werte umfassendes Modell) trainieren kann. Dieses Modell kann unter Verwendung verschiedener Datenquellen trainiert werden. Das Modell kann durch eine wiederholte Offenlegung von Messwerten eines Benutzers und/oder von auf der Grundlage der Messwerte berechneten Bewertungen verbessert werden. In einem solchen Fall bezieht sich das Risiko für den Datenschutz des einen oder der mehreren Benutzer auf ein Maß der Verbesserung eines solchen Modells nach einer Offenlegung (z. B. eine Offenlegung einer oder mehrerer Bewertungen und/oder eines oder mehrerer Messwerte). Wie die folgenden Beispiele veranschaulichen, kann diese Verbesserung auf verschiedene Weise bewertet werden.
  • In einem Beispiel kann sich das Risiko auf die wahrscheinliche Genauigkeit (und/oder Steigerung der Genauigkeit) von Parametern in einem Modell eines Gegners eines oder mehrerer Benutzer beziehen, nachdem das Modell entsprechend der Offenlegung bestimmt oder aktualisiert wird. Optional wird die Genauigkeit durch einen Vergleich von wahrscheinlichen Werten von Parametern in einem Modell mit Ground-Truth-Werten bestimmt (z. B. Werte aus einem Modell, das anhand von Messwerten der affektiven Reaktion trainiert wurde und nicht nur anhand ihrer Stellvertreter, der Bewertungen). Optional wird das Ground-Truth-Modell durch eine Entität trainiert, die umfassendere Informationen als ein Gegner hat. Beispielsweise kann ein im Namen eines Benutzers operierender Software-Agent mehr Informationen über die Faktoren von Ereignissen und/oder die zu den Ereignissen gehörenden Messwerte, enthalten. Somit kann ein Software-Agent in diesem Beispiel in der Lage sein, ein präziseres Modell des Benutzers zu besitzen, mit dem ein Modell eines Gegners verglichen werden kann.
  • In einem anderen Beispiel kann sich das Risiko auf die Prognosefähigkeit (und/oder Steigerung der Prognosefähigkeit) eines Prädiktors beziehen, der Bewertungen für eine Erfahrung unter Verwendung eines Modells prognostiziert, das auf der Grundlage der Offenlegung trainiert und/oder aktualisiert wird.
  • In einem weiteren Beispiel kann sich das Risiko auf die Menge der Informationen in einem auf der Grundlage der offengelegten Bewertung trainierten und/oder aktualisierten Modell beziehen (z. B. kann das Risiko einem Entropieverlust infolge der Einbeziehung der offengelegten Bewertungen in ein Modell entsprechen).
  • In einigen Ausführungsformen kann das Risiko als Wahrscheinlichkeiten und/oder Verteilungen ausgedrückt werden. Beispielsweise kann eine Funktion einen Wert ergeben, der der Wahrscheinlichkeit entspricht, mit der ein bestimmter, mit einem Risiko verbundener Wert (z. B. Genauigkeit von Parametern, der Prognosefähigkeit oder von Informationen, wie oben beschrieben) unter einem bestimmten Wert liegt.
  • Ein Aspekt des Risikos infolge einer Offenlegung von Messwerten der affektiven Reaktion und/oder von auf der Grundlage der Messwerte berechneten Bewertungen besteht darin, dass die Offenlegung einem Gegner ermöglichen kann, die mit der Offenlegung verbundenen Bias der Benutzer in Erfahrung zu bringen. Eine Art von Faktor, der in Erfahrung gebracht werden kann, ist ein zu der Erfahrung gehörender Faktor. Eine Offenlegung mehrerer Messwerte und/oder Bewertungen (oder sogar eines einzelnen Messwerts oder einer einzelnen Bewertung) im Zusammenhang mit einer bestimmten Erfahrung kann dazu beitragen, dass ein Gegner ein Bias eines Benutzers hinsichtlich der bestimmten Erfahrung erfährt (d. h. die „persönliche Bewertung” des Benutzers für die bestimmte Erfahrung erfährt). Allerdings können zudem andere, mit der Offenlegung verbundene Faktoren in Erfahrung gebracht werden, wie etwa die Einstellungen des Benutzers gegenüber verschiedenen Umgebungen, Personen und sogar Ideen. Umso mehr Offenlegungen ein Benutzer macht und umso detaillierter die Beschreibungen sind, die ein Gegner von Ereignissen erhalten kann, desto mehr wird der Gegner in der Lage sein, ein detailliertes und präzises Modell der Bias des Benutzers zu erstellen. Die große Menge an Daten, die über Benutzer erfasst werden kann, und die große Anzahl von Messwerten, die die Benutzer beitragen können, können ein schwerwiegendes Risiko für ihren Datenschutz darstellen, wenn eine kontinuierliche Offenlegung ohne Diskretion vorgenommen wird.
  • Die Bewertung des mit einer Offenlegung (z. B. einer oder mehrerer Bewertungen) verbundenen Risikos kann auf verschiedene Art und Weise erfolgen. Ein Verfahren besteht darin, ein dem Modell eines Gegners ähnliches Modell zu unterhalten und zu evaluieren, in wieweit dieses Modell sich wahrscheinlich aufgrund der Offenlegung verbessern wird. Die verschiedenen Aspekte dieses Verfahrens werden in den Abschnitten 16 (unabhängige Inferenz aus Bewertungen) bis 18 (Risikobewertung auf der Grundlage eines Modells eines Gegners) beschrieben. Ein weiteres Verfahren beinhaltet die Evaluierung der offengelegten Informationen (und/oder der Charakteristika der offengelegten Informationen) unter Verwendung einer Funktion zur Risikoprognose. Dieses Verfahren wird ausführlicher im Abschnitt 19 (Risikofunktionen) beschrieben.
  • Das Risiko für den Datenschutz infolge einer Offenlegung kann auch davon abhängen, wie die offengelegten Informationen durch einen Gegner verwendet werden. Eine Offenlegung selbst einer einzigen Bewertung kann dabei helfen, Kenntnisse über die Benutzer zu erlangen, die Messwerte zu der Bewertung beigetragen haben; diese Art der Analyse wird im Abschnitt 16 (unabhängige Inferenz aus Bewertungen) dargestellt. Die Erfassung großer Datenmengen (z. B. mehrerer Bewertungen, die mehrere Benutzer betreffen) kann eine gemeinsame Analyse (als kumulative Analyse bezeichnet) mehrerer Benutzer und/oder mehrerer Bias ermöglichen. Diese Art der „Big-Data-Analyse” kann in einigen Ausführungsformen leistungsstärker sein als eine Bestimmung anhand von einzelnen Bewertungen und/oder das Unterhalten eines Modells eines einzelnen Benutzers. Diese Art der Analyse wird ausführlicher im Abschnitt 17 (Inferenz durch gemeinsame Analyse) und im Abschnitt 18 (Risikobewertung auf der Grundlage eines Modells eines Gegners) erläutert.
  • Es folgen Beschreibungen verschiedener Ausführungsformen, die zur Bewertung des Risikos für den Datenschutz infolge einer Offenlegung (von Messwerten und/oder Bewertungen) angewendet werden können. Darüber hinaus beinhalten einige Ausführungsformen verschiedene Verfahren, nach denen die Bewertung des Risikos für den Datenschutz zur Verringerung des Risikos angewendet werden kann. Einige Ausführungsformen reduzieren das Risiko für den Datenschutz durch Begrenzung des Beitrags von Messwerten und/oder der Offenlegung von auf der Grundlage der Messwerte berechneten Bewertungen, wenn ein solcher Beitrag und/oder eine solche Offenlegung wahrscheinlich ein unerwünschtes Risiko für den Datenschutz darstellen wird.
  • 14 zeigt eine Ausführungsform eines Systems, das dazu konfiguriert ist, Bewertungen auf eine Weise offenzulegen, die das Risiko für den Datenschutz von Benutzern, die zur Berechnung der Bewertungen verwendete Messwerte der affektiven Reaktion beigetragen haben, reduziert. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Bewertungsmodul 150, das Modul zur Bewertung des Risikos für den Datenschutz 808 und das Datenschutz-Filtermodul 810. Die in 14 dargestellte Ausführungsform kann wie andere in dieser Offenlegung beschriebene Systeme durch einen Computer ausgeführt werden, wie etwa durch den Computer 400, der mindestens einen Speicher 402 und einen Prozessor 401 umfasst. Der Speicher 402 speichert die im Folgenden beschriebenen computerausführbaren Module, und der Prozessor 401 führt die in dem Speicher 402 gespeicherten computerausführbaren Module aus.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, die Messwerte 110 der affektiven Reaktion von zu der Crowd 100 gehörenden Benutzern zu empfangen. Optional gehört jeder Messwert eines Benutzers zu einem Ereignis, bei dem der Benutzer eine Erfahrung hatte, und wird der Messwert mit einem mit dem Benutzer verbundenen Sensor (z. B. der Sensor 102) erfasst. Optional wird der Messwert erfasst, während der Benutzer die Erfahrung hat und/oder kurz danach. Zusätzliche nähere Informationen bezüglich Sensoren sind zumindest im Abschnitt 1 (Sensoren) zu finden. Zusätzliche Informationen darüber, wie die Messwerte 110 und/oder andere in dieser Offenlegung erwähnte Messwerte erfasst und/oder verarbeitet werden können, sind zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) zu finden.
  • Es ist darauf hinzuweisen, dass die Erfahrungen, auf die sich die in 14 dargestellte Ausführungsform sowie andere Erfahrungen betreffende Ausführungsformen in dieser Offenlegung beziehen, jedwede in dieser Offenlegung erwähnten Erfahrungen oder eine Teilmenge von in dieser Offenlegung beschriebenen Erfahrungen sein können (z. B. eine oder mehrere der im Abschnitt 3 (Erfahrungen) erwähnten Erfahrungen). In einigen Ausführungsformen umfasst das Erleben einer Erfahrung die Durchführung mindestens eines der folgenden Dinge: das Verbringen von Zeit an einem bestimmten Ort, die Aufnahme eines bestimmten digitalen Inhalts, das Erleben einer sozialen Interaktion mit einer bestimmten Entität in der physischen Welt, das Erleben einer sozialen Interaktion mit einer bestimmten Entität in einer virtuellen Welt, das Ansehen einer bestimmten Live-Aufführung, die Durchführung einer bestimmten sportlichen Übung, das Bereisen einer bestimmte Route und der Verzehr eines bestimmten Produkts.
  • Das Bewertungsmodul 150 ist in einer Ausführungsform dazu konfiguriert, Bewertungen für Erfahrungen zu berechnen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage einer Teilmenge der Messwerte 110 berechnet, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional wird die Teilmenge von dem Erfassungsmodul 120 empfangen. Wie zumindest im Abschnitt 10 (Bewertung) ausführlicher erörtert, können verschiedene Verfahren zur Bewertung angewendet werden. In einigen Ausführungsformen ist jede Bewertung ein affektiver Wert, der einen numerischen Wert in einem bestimmten Bereich (z. B. zwischen 0 und 10) hat.
  • Das Modul zur Bewertung des Risikos für den Datenschutz 808 ist in einer Ausführungsform dazu konfiguriert, eine Bestimmung zu erstellen, die indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung einer oder mehrerer der Bewertungen ist. Optional erfolgt die Bestimmung nach der Berechnung der Bewertungen und basiert die Bestimmung auf den Werten der offengelegten Bewertungen (sowie auf anderen Attributen). Alternativ kann die Bestimmung vor der Berechnung der Bewertungen erfolgen. Die verschiedenen Verfahren, nach denen die Bestimmung erstellt werden kann, werden im Folgenden ausführlicher erläutert.
  • Das Datenschutz-Filtermodul 810 ist dazu konfiguriert, die eine oder mehreren Bewertungen auf eine auf der Bestimmung basierenden Weise offenzulegen. Optional gehört die Weise zu einer eine erste und zweite Weise umfassenden Menge. In einer Ausführungsform wird die eine Bewertung oder werden die mehreren Bewertungen als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko einen Schwellenwert nicht erreicht, auf die erste Weise offengelegt, und wird die eine Bewertung oder werden die mehreren Bewertungen als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko den Schwellenwert erreicht, auf die zweite Weise offengelegt. Optional ist die zweite Weise der Offenlegung weniger deskriptiv als die erste Weise. Somit kann die Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise als weniger riskant für den Datenschutz zumindest einiger der Benutzer gelten, die zur Berechnung der einen oder mehreren Bewertungen verwendete Messwerte beigetragen haben. Die Offenlegung der einen oder mehreren Bewertungen auf eine weniger deskriptive Weise kann in den hierin beschriebenen Ausführungsformen auf verschiedene Weise erfolgen.
  • Hierin „erreicht” ein bestimmter Wert, wie etwa ein Ausmaß eines Risikos, einen Schwellenwert, wenn der bestimmte Wert gleich oder größer dem zu dem Schwellenwert gehörenden Wert (d. h. dem durch den Schwellenwert angegebenen Wert) ist. Darüber hinaus ist ein Benutzer, der einen Messwert zu einer Bewertung beiträgt, hierin ein Benutzer, dessen Messwert der affektiven Reaktion zur Berechnung der Bewertung verwendet wird. Darüber hinaus umfasst die Offenlegung einer Bewertung die Offenlegung des Werts der Bewertung und/oder eines mit der Bewertung verbundenen Werts gegenüber einer Entität, die keine Kenntnis von den Werten aller zum Berechnen der Bewertung verwendeten Messwerte hatte. Zusätzliche nähere Informationen über die Bedeutung des Beitrags von Messwerten und der Offenlegung von Bewertungen finden sich im Abschnitt 10 (Bewertung).
  • Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 14 dargestellten Systems zudem einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 110 verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • In einer Ausführungsform liefert das Datenschutz-Filtermodul bei einer Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise keine die Werte der einen oder mehreren Bewertungen beschreibenden Daten. Somit kommt eine Offenlegung einer Bewertung auf die zweite Weise in dieser Ausführungsform im Wesentlichen einer Nichtoffenlegung der Bewertung gleich.
  • In einer anderen Ausführungsform werden bei einer Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise im Vergleich zu der Anzahl der mit der einen oder den mehreren Bewertungen verbundenen Werte, die bei einer Offenlegung auf die erste Weise bereitgestellt werden, weniger mit der einen oder den mehreren Bewertungen verbundene Werte bereitgestellt. Beispielsweise kann eine Offenlegung einer Bewertung auf die erste Weise den numerischen Wert der Bewertung (z. B. auf einer Skala von 1 bis 10) zusammen mit zusätzlichen Werten, wie beispielsweise statistische Größen (z. B. die Anzahl der beitragenden Benutzer oder die Varianz der Messwerte), bereitstellen. Bei einer Offenlegung auf die zweite Weise werden einige der oben genannten Werte, die üblicherweise bei einer Offenlegung auf die erste Weise bereitgestellt werden, zurückgehalten. Beispielsweise kann eine Offenlegung einer Bewertung auf die zweite Weise nur die Bereitstellung des numerischen Werts der Bewertung ohne zusätzliche Informationen über die Anzahl der beitragenden Benutzer und/oder die Varianz der Messwerte umfassen.
  • In einer weiteren Ausführungsform werden im Vergleich zu den Informationen, die über die Benutzer bei einer Offenlegung auf die erste Weise bereitgestellt werden, bei einer Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise weniger Informationen bereitgestellt, die diese Benutzer beschreiben, die zur Berechnung der einen oder mehreren Bewertungen verwendete Messwerte beigetragen haben. Zum Beispiel können ein oder mehrere der folgenden, zu einer Bewertung gehörenden Werte bereitgestellt werden, wenn die Bewertung auf die erste Weise offengelegt wird:
    Identifizierungsmerkmale von Benutzern, die Messwerte zur Berechnung der Bewertung beigetragen haben (z. B. ihr Name, ihre Telefonnummer etc.), demographische Werte der Benutzer (z. B. Alter, Beruf usw.) und/oder statistische Größen der demografischen Informationen über die Benutzer (z. B. durchschnittliches Alter, Aufschlüsselung nach Geschlecht, Aufschlüsselung nach Alter etc.). Optional werden zumindest einige der oben beschriebenen Informationen, die bei einer Offenlegung einer Bewertung auf die erste Weise bereitgestellt werden, nicht bei einer Offenlegung der Bewertung auf die zweite Weise bereitgestellt. Optional werden keine der oben beschriebenen Informationen offengelegt, wenn eine Bewertung auf die zweite Weise offengelegt wird.
  • In noch einer weiteren Ausführungsform beinhaltet eine Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise die Bereitstellung einer geringeren Anzahl von die eine oder mehreren Bewertungen beschreibenden Informationen im Vergleich zu der Anzahl der die eine oder mehreren Bewertungen beschreibenden Informationen, die bei einer Offenlegung der einen oder mehreren Bewertungen auf die erste Weise bereitgestellt werden.
  • Die Offenlegung der einen oder mehreren Bewertungen umfasst die Bereitstellung der Werte der einen oder mehreren Bewertungen und/oder der mit der einen oder den mehreren Bewertungen verbundenen Informationen (wie oben beschrieben) an eine Entität, die nicht im Besitz aller zur Berechnung der Bewertung verwendeten Messwerte der affektiven Reaktion war. Hierin bezieht sich der Besitz der Messwerte auf die Fähigkeit zur Extraktion ihrer Werte. Wenn die Messwerte verschlüsselt sind und die die Werte besitzende Entität die Messwerte nicht entschlüsseln kann, dann kann sie nicht als im Besitz der Messwerte gelten.
  • In einigen Ausführungsformen kann eine Offenlegung der einen oder mehreren Bewertungen verschiedene Formen der Übermittlung von Daten umfassen, die die eine oder mehreren Bewertungen (und/oder die zugehörigen Informationen) beschreiben. Optional beinhaltet die Übermittlung das Senden von Daten auf einem drahtlosen Nahbereichskommunikationskanal, einem drahtgebundenen Kommunikationskanal, über das Internet, über ein Ethernet, über eine USB-Verbindung und/oder über das an anderer Stelle in dieser Offenlegung beschriebene Netzwerk 112. Darüber hinaus kann die Speicherung der einen oder mehreren Bewertungen in einer Datenbank, auf die Entitäten zugreifen können, die nicht im Besitz der Messwerte sind, in einigen Ausführungsformen als eine Offenlegung der einen oder mehreren Bewertungen gelten.
  • In einigen Ausführungsformen umfasst eine Offenlegung einer oder mehrerer Bewertungen auf die erste Weise eine Übermittlung von Informationen, die sich von den Informationen unterscheiden, die bei der Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise übermittelt werden. Optional werden mehr Informationen und/oder Werte übermittelt, wenn die Offenlegung auf die erste Weise erfolgt.
  • Um die Bestimmung durchführen zu können, kann das Modul zur Bewertung des Risikos für den Datenschutz 808 in verschiedenen Ausführungsformen verschiedene Module umfassen und/oder anwenden. Die unterschiedlichen Konfigurationen des Moduls zur Bewertung des Risikos für den Datenschutz 808 ermöglichen diesem, einige der verschiedenen, in dieser Offenlegung beschriebenen Verfahren zur Analyse des Risikos für den Datenschutz einzusetzen
  • In einigen Ausführungsformen kann das Modul zur Bewertung des Risikos für den Datenschutz 808 ein gegnerisches Modell anwenden, das Bias-Werte umfasst (in welchem Fall es als „gegnerisches Bias-Modell” bezeichnet werden kann). Optional wird das gegnerische Modell durch das gegnerische Modell-Bestimmungsmodul 820 und/oder das gegnerische Modell-Bestimmungsmodul 838 generiert.
  • In einer Ausführungsform umfasst das gegnerische Bias-Modell Bias-Werte, die zu einem oder mehreren der Benutzer gehören, die Messwerte zu der Berechnung der einen oder mehreren Bewertungen beigetragen haben. Wie in den Abschnitten 16 (unabhängige Inferenz aus Bewertungen) und 17 (Inferenz durch gemeinsame Analyse) ausführlicher erörtert, werden die Bias-Werte optional durch einen Vorgang bestimmt, in dem das gegnerische Modell auf der Grundlage offengelegter Bewertungen und/oder empfangener Messwerte der affektiven Reaktion aktualisiert wird. Optional ist die Bestimmung indikativ für das Ausmaß der Verbesserung in dem gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage von Werten der einen oder mehreren Bewertungen.
  • In einer Ausführungsform kann das gegnerische Modell das gegnerische Bias-Modell 822 sein. Optional kann das Modul zur Bewertung des Risikos für den Datenschutz 808 das Modul zur unabhängigen Bewertung des Risikos 816 umfassen und/oder anwenden, um die Bestimmung unter Verwendung des gegnerischen Bias-Modells 822 zu erstellen. In einer anderen Ausführungsform kann das gegnerische Modell das gegnerische Bias-Modell 835 sein. Optional kann das Modul zur Bewertung des Risikos für den Datenschutz 808 das Modul zur gemeinsamen Risikobewertung 836 umfassen und/oder anwenden, um die Bestimmung unter Verwendung des gegnerischen Bias-Modells 835 zu erstellen. Weitere Einzelheiten darüber, wie das Modul zur Bewertung des Risikos für den Datenschutz 808 die Bestimmung in den obigen Ausführungsformen erstellen kann, finden sich in der folgenden Beschreibung der gemäß 15 und/oder 16 modellierten Ausführungsformen.
  • Das gegnerische Bias-Modell kann eine Vielzahl von unterschiedlichen Bias-Werten umfassen, die zu verschiedenen Faktoren und/oder verschiedenen Benutzern gehören. Insbesondere in einer Ausführungsform umfasst das gegnerische Bias-Modell mindestens einen ersten Bias-Wert eines ersten Benutzers und einen zweiten Bias-Wert eines zweiten Benutzers, der nicht der erste Benutzer ist, und werden die Werte des ersten und zweiten Bias-Werts durch die Aktualisierung geändert. Optional gehören der erste Bias-Wert und der zweite Bias-Wert zu unterschiedlichen Faktoren.
  • Das Ausmaß der Verbesserung des gegnerischen Modells infolge der Offenlegung der einen oder mehreren Bewertungen kann in den hierin beschriebenen Ausführungsformen auf unterschiedliche Weise ausgedrückt werden. Es folgen Beispiele für die Arten von Werten, gemäß derer die Verbesserung evaluiert werden kann, um festzustellen, ob das Risiko durch die Offenlegung der einen oder mehreren Bewertungen den Schwellenwert erreicht.
  • In einer Ausführungsform entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung eines Abstands zwischen dem gegnerischen Bias-Modell und einem Ground-Truth-Modell der Bias-Werte des Benutzers. Zum Beispiel kann das Ground-Truth-Modell die Bias-Werte 715 beinhalten und/oder kann das Ground-Truth-Modell durch das Bias-Modell-Bestimmungsmodul 710 generiert werden. Optional wird das Ground-Truth-Modell anhand von Daten trainiert, die Messwerte der affektiven Reaktion von Benutzern und Faktoren der Ereignisse, zu denen die Messwerte gehören, umfassen. In einem Beispiel ist das Risiko für den Datenschutz umgekehrt proportional zu der Divergenz zwischen dem Ground-Truth-Modell und dem gegnerischen Modell. Wenn die Divergenz folglich unter einem bestimmten Wert ist, wird davon ausgegangen, dass das Risiko für den Datenschutz den Schwellenwert erreicht. Mögliche Beispiele für Divergenzmaße sind verschiedene Normen oder verteilungsbasierte Maße wie die Kullback-Leibler-Divergenz. In einem anderen Beispiel kann sich die Divergenz auf die Anzahl der Parameter in dem gegnerischen Modell beziehen, die einen Wert haben, der ihrem Wert in dem Ground-Truth-Modell ähnlich ist („ähnlich” kann z. B. innerhalb ±20 % des Ground-Truth-Werts bedeuten). Wenn somit eine ausreichend große Anzahl von Parametern ähnlich ist und/oder ein ausreichend großer Anteil der Parameter in dem gegnerischen Modell Werte hat, die ihren Werten in dem Ground-Truth-Modell ähnlich sind, kann davon ausgegangen werden, dass das Risiko für den Datenschutz den Schwellenwert erreicht.
  • In einer anderen Ausführungsform entspricht die Verbesserung einer Verringerung der Entropie von Parametern des gegnerischen Bias-Modells. In einem Beispiel umfasst das gegnerische Bias-Modell Bias-Werte, die als Verteilungen angegeben werden. In diesem Beispiel kann die Entropie des gegnerischen Bias-Modells und/oder eine Änderung der Entropie aus den Parametern der Verteilungen bestimmt werden. Zum Beispiel ist die Varianz der Verteilungen umso kleiner und ist folglich die Entropie des gegnerischen Bias-Modells umso geringer (wenn in einer parametrisierten Form als eine Funktion der Parameter der Verteilungen berechnet), desto größer die Sicherheit des Werts der Parameter ist. Somit ist die Verringerung der Entropie in dem Modell umso größer, desto größer die Verbesserung ist. Optional wird davon ausgegangen, dass das Risiko den Schwellenwert erreicht, wenn das Risiko proportional zu dem Ausmaß der Verringerung der Entropie ist und die Verringerung einen bestimmten Wert überschreitet.
  • In einer weiteren Ausführungsform entspricht die Verbesserung dem Betrag der Divergenz zwischen dem gegnerischen Bias-Modell vor der Aktualisierung auf der Grundlage der Offenlegung und dem aktualisierten gegnerischen Bias-Modell. Optional kann die Divergenz durch verschiedene Normen und/oder Maße, wie etwa die Kullback-Leibler-Divergenz, die Mahalanobis-Distanz und ähnliche Maße, ausgedrückt werden. Optional ist das Risiko für den Datenschutz derart proportional zu der Divergenz, dass das Risiko für den Datenschutz den Schwellenwert erreicht, wenn die Divergenz einen bestimmten Wert erreicht.
  • In noch einer weiteren Ausführungsform entspricht die Verbesserung einer Verringerung einer Größe eines mit einem bestimmten Bias-Wert aus dem gegnerischen Bias-Modell verbundenen Konfidenzintervalls. Alternativ kann sich die Verbesserung auf die durchschnittliche Größe der Konfidenzintervalle der Parameter beziehen. Somit wird zum Beispiel davon ausgegangen, dass das Risiko für den Datenschutz den Schwellenwert erreicht, wenn das mit einem bestimmten Bias-Wert verbundene Konfidenzintervall nach der Aktualisierung unterhalb einer bestimmten Größe liegt. Wenn das Konfidenzintervall klein ist, bedeutet dies, dass die Sicherheit der Werte des gegnerischen Bias-Modells hoch ist. Somit gefährdet die Änderung des gegnerischen Bias-Modells auf einen Zustand, in dem es als präzise gelten kann, den Datenschutz der Benutzer, da dieser Zustand bedeutet, dass das gegnerische Bias-Modell wahrscheinlich präzise Informationen über die Benutzer enthält.
  • In einigen Ausführungsformen kann das Modul zur Bewertung des Risikos für den Datenschutz 808 die Bestimmung des infolge der Offenlegung der einen oder mehreren der Bewertungen zu erwartenden Risikos unter Verwendung einer Funktion erstellen, die einen oder mehrere Werte empfängt, wobei jeder Wert indikativ für mindestens eine der folgenden statistischen Größen ist: eine statistische Größe der Messwerte, die zur Berechnung einer Bewertung aus der Menge der einen oder mehreren der Bewertungen beigetragen wurden, eine statistische Größe hinsichtlich des Werts einer Bewertung aus der Menge der einen oder mehreren der Bewertungen, eine statistische Größe hinsichtlich des Ausmaßes der Offenlegung von Daten in Bezug auf mindestens einen Benutzer aus der Menge der Benutzer, die Messwerte zur Berechnung einer Bewertung aus der Menge der einen oder mehreren der Bewertungen beigetragen haben. Optional liefert die Funktion einen Wert, der indikativ für ein erwartetes Risiko für den Datenschutz infolge der Offenlegung ist. Optional verwendet das Modul zur Bewertung des Risikos für den Datenschutz 808 das Risikofunktionsmodul 849 zur Berechnung des Werts der Funktion. Optional berechnet das Risikofunktionsmodul 849 den Wert, der indikativ für das erwartete Risiko für den Datenschutz ist, unter Verwendung eines oder mehrerer der folgenden Risikomodelle: Risikomodell 847, Risikomodell 855, Risikomodell 873, Risikomodell 881 und Risikomodell 890. Zusätzliche nähere Informationen bezüglich dieser Modelle sind weiter unten in dieser Offenlegung zu finden.
  • Um den Wert zu berechnen, der indikativ für das erwartete Risiko für den Datenschutz ist, kann das Risikofunktionsmodul 849 verschiedene als statistische Größen bezeichnete Werte empfangen und/oder Werte produzieren, die für die statistischen Größen indikativ sind. Optional können die für die statistischen Größen indikativen Werte auf der Grundlage der Messwerte, die zur Berechnung der einen oder mehreren Bewertungen beigetragen wurden, auf der Grundlage der Werte der einen oder mehreren Bewertungen und/oder auf der Grundlage von Beschreibungen der Ereignisse, zu denen die beigetragenen Messwerte gehören, berechnet werden. Optional beschreiben die Beschreibungen der Ereignisse Aspekte der zu den Ereignissen gehörenden Erfahrungen, der zu den Ereignissen gehörenden Benutzer und/oder der Instanziierungen der Ereignisse. Es folgen einige Beispiele für die statistischen Größen, die durch das Risikofunktionsmodul 849 angewendet werden können.
  • In einer Ausführungsform ist die statistische Größe der Messwerte, die zur Berechnung der einen oder mehreren Bewertungen beigetragen wurden, indikativ für einen oder mehrere der folgenden Werte: die Anzahl der Benutzer, die Messwerte zur Berechnung der einen oder mehreren Bewertungen beigetragen haben, und die Varianz der zur Berechnung der einen oder mehreren Bewertungen beigetragenen Messwerte.
  • In einer Ausführungsform ist die statistische Größe hinsichtlich des Werts der Bewertung indikativ für einen oder mehrere der folgenden Werte: eine Wahrscheinlichkeit des Werts einer Bewertung aus der Menge der einen oder mehreren Bewertungen und eine Signifikanz einer Bewertung aus der Menge der einen oder mehreren Bewertungen.
  • In einer Ausführungsform ist die statistische Größe hinsichtlich des Ausmaßes der Offenlegung von Daten in Bezug auf den mindestens einen Benutzer indikativ für einen oder mehrere der folgenden Werte: die Anzahl der durch den mindestens einen Benutzer beigetragenen Messwerte, die Häufigkeit, mit der der mindestens eine Benutzer Messwerte beiträgt, die Entropie eines Modells des mindestens einen Benutzers und das Volumen der über den mindestens einen Benutzer erfassten Daten.
  • In einigen Ausführungsformen kann die durch das Modul zur Bewertung des Risikos für den Datenschutz 808 erstellte Bestimmung indikativ für ein Ausmaß einer Verbesserung eines ein Modell eines ERP umfassenden gegnerischen Bias-Modells infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage der Werte der einen oder mehreren der Bewertungen sein. Optional entspricht das Ausmaß der Verbesserung einer bestimmten Verbesserung der Genauigkeit des ERP.
  • Die Bestimmung, die indikativ für das erwartete Risiko für den Datenschutz infolge einer Offenlegung einer oder mehrerer Bewertungen ist, kann in den in dieser Offenlegung beschriebenen Ausführungsformen verschiedene Werte umfassen. In einem Beispiel kann die Bestimmung indikativ für einen binären Wert sein, wie etwa ein Wert, der „riskant” entspricht (der den Schwellenwert erreicht), und ein Wert, der „nicht riskant” entspricht (der den Schwellenwert nicht erreicht). In einem anderen Beispiel kann die Bestimmung einen oder mehrere der hierin zur Darstellung eines Risikos verwendeten Werte darstellen, wie etwa ein Ausmaß einer Verbesserung eines Modells eines Gegners (z. B. in Bezug auf eine Verringerung der Entropie, Verringerung der Divergenz von einem Ground-Truth-Modell etc.). In einem weiteren Beispiel kann die Bestimmung indikativ für die gewünschte Anzahl der zum Beitragen von Messwerten zu einer Bewertung benötigten Benutzer sein. Optional erreicht das Risiko für den Datenschutz in diesem Beispiel den Schwellenwert nicht, wenn die Anzahl der Benutzer, die Messwerte zur Berechnung einer Bewertung beigetragen haben, größer als die angegebene Anzahl ist.
  • Es ist zu beachten, dass sich der Begriff „Risiko für den Datenschutz” in verschiedenen Ausführungsformen auf ein Risiko für den Datenschutz verschiedener Entitäten beziehen kann. In einer Ausführungsform empfängt das Modul zur Bewertung des Risikos für den Datenschutz 808 eine Angabe eines bestimmten Benutzers und ist die Bestimmung indikativ für ein Ausmaß eines Risikos für den Datenschutz des bestimmten Benutzers (z. B. durch Evaluierung eines gegnerischen Bias-Modells, das Bias-Werte des bestimmten Benutzers umfasst). Optional werden die eine oder mehreren Bewertungen auf die zweite Weise offengelegt (und in einigen Fällen überhaupt nicht offengelegt), wenn die Bestimmung indiziert, dass das Risiko für den Datenschutz des bestimmten Benutzers den Schwellenwert erreicht. In einer anderen Ausführungsform ist die Bestimmung indikativ für ein durchschnittliches Ausmaß eines Risikos für den Datenschutz der Benutzer, die Messwerte der affektiven Reaktion zu der Berechnung zumindest einiger der einen oder mehreren Bewertungen beigetragen haben. Somit kann das Modul zur Bewertung des Risikos für den Datenschutz 808 in dieser Ausführungsform Bewertungen durchschnittlicher Risiken oder der Risiken eines durchschnittlichen Benutzers abgeben und die Entscheidung darüber, wie die eine oder mehreren Bewertungen offengelegt werden, auf dieses Risiko stützen. In einer weiteren Ausführungsform ist die Bestimmung indikativ für ein maximales Ausmaß eines Risikos für den Datenschutz eines Benutzers aus der Menge der Benutzer, die Messwerte der affektiven Reaktion zur Berechnung zumindest einiger der einen oder mehreren Bewertungen beigetragen haben. In dieser Ausführungsform werden die eine oder mehreren Bewertungen auf die zweite Weise offengelegt (und in einigen Fällen überhaupt nicht offengelegt), wenn das Risiko für den Datenschutz eines Benutzers der Benutzer zu hoch ist (d. h. den Schwellenwert erreicht).
  • Es folgen Beschreibungen von Schritten, die in einer Ausführungsform eines Verfahrens zur Offenlegung von Bewertungen auf eine Weise, die das Risiko für den Datenschutz der Benutzer, die zur Berechnung der Bewertungen verwendete Messwerte der affektiven Reaktion beigetragen haben, reduziert, durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 14 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Offenlegung von Bewertungen auf eine Weise, die das Risiko für den Datenschutz der Benutzer, die zur Berechnung der Bewertungen verwendete Messwerte der affektiven Reaktion beigetragen haben, reduziert, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern, die Erfahrungen hatten; wobei jeder Messwert eines Benutzers, der eine Erfahrung hatte, mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional sind die empfangenen Messwerte die Messwerte 110.
  • Schritt 2, Berechnung von Bewertungen auf der Grundlage mindestens der in Schritt 1 empfangenen Messwerte; wobei jede Bewertung eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der in Schritt 1 empfangenen Messwerte berechnet wird, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional werden die Bewertungen durch den Bewertungsmodul 150 berechnet.
  • Schritt 3, Generierung einer Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung einer oder mehrerer der Bewertungen ist. Optional wird die Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 generiert.
  • Und Schritt 4, Offenlegung der einen oder mehreren der Bewertungen auf eine auf der Bestimmung basierenden Weise. Als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko einen Schwellenwert nicht erreicht, werden die eine oder mehreren der Bewertungen auf die erste Weise offengelegt. Und als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko den Schwellenwert erreicht, werden die eine oder mehreren der Bewertungen auf die zweite Weise offengelegt, die weniger deskriptiv als die erste Weise ist.
  • In einer Ausführungsform beinhaltet die Generierung der Bestimmung in Schritt 3 einen Schritt zur Berechnung eines Ausmaßes einer Verbesserung eines Bias-Werte umfassenden gegnerischen Bias-Modells infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage der Werte der einen oder mehreren der Bewertungen; wobei die Bestimmung indikativ für das Ausmaß der Verbesserung ist. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung einer Distanz zwischen dem gegnerischen Bias-Modell und einem Ground-Truth-Modell der Bias-Werte infolge der Aktualisierung umfassen. Das Ground-Truth-Modell wird anhand von Daten trainiert, die Messwerte der affektiven Reaktion und Faktoren der Ereignisse, zu denen die Messwerte gehören, umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung der Entropie von Parametern des gegnerischen Bias-Modells umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung eines Ausmaßes der Divergenz zwischen den Werten von Parametern des gegnerischen Bias-Modells vor der Aktualisierung und den Werten der Parameter nach der Aktualisierung umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung einer Größe eines mit einem bestimmten Bias-Wert aus dem gegnerischen Bias-Modell verbundenen Konfidenzintervalls umfassen.
  • In einer Ausführungsform beinhaltet die Generierung der Bestimmung in Schritt 3 einen Schritt zur Verwendung einer Funktion zur Erstellung der Bestimmung. In dieser Ausführungsform empfängt die Funktion einen Input, der einen oder mehrere Werte umfasst, wobei jeder Wert indikativ für mindestens eine der folgenden statistischen Größen ist: eine statistische Größe der Messwerte, die zur Berechnung einer Bewertung aus der Menge der einen oder mehreren der Bewertungen beigetragen wurden, eine statistische Größe hinsichtlich des Werts einer Bewertung aus der Menge der einen oder mehreren der Bewertungen, eine statistische Größe hinsichtlich des Ausmaßes der Offenlegung von Daten in Bezug auf mindestens einen Benutzer aus der Menge der Benutzer, die Messwerte zur Berechnung einer Bewertung aus der Menge der einen oder mehreren der Bewertungen beigetragen haben. Die Funktion liefert einen Wert, der indikativ für das Risiko für den Datenschutz des einen oder der mehreren der Benutzer ist, die Messwerte zu der einen oder den mehreren der Bewertungen beigetragen haben.
  • Ob die eine oder mehreren Bewertungen auf die erste oder zweite Weise offengelegt werden, kann von verschiedenen Charakteristika der einen oder mehreren Bewertungen und/oder der Benutzer abhängen, die Messwerte zu der einen oder den mehreren Bewertungen beigetragen haben. Wie durch die folgende Ausführungsform dargestellt, kann das oben beschriebene Verfahren somit angesichts zwei verschiedener Mengen von Bewertungen die Durchführung verschiedener Schritte beinhalten.
  • In einer Ausführungsform umfasst ein Verfahren zur Offenlegung von Bewertungen auf eine Weise, die das Risiko für den Datenschutz von Benutzern, die zur Berechnung der Bewertungen verwendete Messwerte der affektiven Reaktion beigetragen haben, reduziert, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern, die Erfahrungen hatten; wobei jeder Messwert eines Benutzers, der eine Erfahrung hatte, mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional sind die empfangenen Messwerte die Messwerte 110.
  • Schritt 2, Berechnung einer ersten Menge aus einer oder mehreren Bewertungen; wobei jede Bewertung in der ersten Menge eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der Messwerte 110 berechnet wird, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst.
  • Schritt 3, Generierung einer ersten Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung der ersten Menge ist. In diesem Schritt indiziert die erste Bestimmung, dass das Risiko für den Datenschutz einen Schwellenwert nicht erreicht. Optional wird die erste Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 generiert.
  • Schritt 4, Offenlegung der einen oder mehreren Bewertungen der ersten Menge auf die erste Weise.
  • Schritt 5, Berechnung einer zweiten Menge aus einer oder mehreren Bewertungen; wobei jede Bewertung in der zweiten Menge eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der Messwerte 110 berechnet wird, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Zusätzlich sind die zur Berechnung der Bewertungen in der ersten Menge verwendeten Teilmengen der Messwerte nicht identisch mit den zur Berechnung der Bewertungen in der zweiten Menge verwendeten Teilmengen.
  • Schritt 6, Generierung einer zweiten Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung der zweiten Menge ist. In diesem Schritt indiziert die zweite Bestimmung, dass das Risiko für den Datenschutz den Schwellenwert erreicht. Optional wird die zweite Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 generiert.
  • Und Schritt 9, Offenlegung der einen oder mehreren Bewertungen der zweiten Menge auf eine zweite Weise, die weniger deskriptiv als die erste Weise ist.
  • Es ist zu beachten, dass es viele verschiedene Gründe geben kann, warum das Risiko durch die erste Offenlegung der ersten Menge geringer als das Risiko durch die Offenlegung der zweiten Menge ist. In einem Beispiel werden die Bewertungen in der ersten Menge im Vergleich zu den Bewertungen in der zweiten Menge auf der Grundlage von Messwerten einer größeren Anzahl von Benutzern berechnet. In einem anderen Beispiel ist die Konfidenz der Bewertungen in der ersten Menge niedriger ist als die Konfidenz der Bewertungen in der zweiten Menge. In einem weiteren Beispiel haben die Benutzer, die Messwerte zu den Bewertungen in der zweiten Menge beigetragen haben, möglicherweise vorherige Beiträge von Messwerten gemacht, die viel größer als die Beiträge der Benutzer sind, die zu den Bewertungen in der ersten Menge beigetragen haben. Somit können die Benutzer, die zu der zweiten Menge beigetragen haben, bereits gut modelliert sein, sodass ihr Datenschutz durch zusätzliche Offenlegungen einem größeren Risiko ausgesetzt sein kann.
  • Wie oben beschrieben, kann das Modul zur Bewertung des Risikos für den Datenschutz 808 verschiedene Verfahren zur Erstellung der für das erwartete Risiko für den Datenschutz infolge einer Offenlegung einer oder mehrerer der Bewertungen indikativen Bestimmung anwenden. Einige der Verfahren umfassen das Unterhalten eines gegnerischen Modells, das versucht, den Prozess zu imitieren, nach dem ein Gegner Modelle von Benutzern anhand von auf der Grundlage der Beiträge der Benutzer berechneten Bewertungen in Erfahrung bringen kann. Optional kann die Bestimmung dieser Modelle zudem den Empfang von Informationen über die Messwerte der Benutzer und/oder die Faktoren der Ereignisse, zu denen die Messwerte gehören, umfassen. Bei der Durchführung einer ein gegnerisches Modell umfassenden Analyse können hinsichtlich der Art und Weise der Aktualisierung der Parameter des gegnerischen Modells mindestens zwei Verfahren gewählt werden.
  • Ein Verfahren zur Aktualisierung eines gegnerischen Modells auf der Grundlage offengelegter Bewertungen beinhaltet eine unabhängige Evaluierung der Effekte jeder einzelnen Bewertung. Beispielsweise werden die Parameter in dem gegnerischen Modell nach dem Empfang eines Werts einer bestimmten Bewertung anhand des Werts dieser Bewertung aktualisiert. Optional wird jeder Parameter, wie etwa ein Bias-Wert eines bestimmten Benutzers, der zu der Bewertung beigetragen hat, unabhängig aktualisiert. Die Durchführung dieses Verfahrens kann mitunter einer Aktualisierung aller mit der Bewertung verbundenen Parameter in dem gegnerischen Modell auf eine ähnliche Weise gleichkommen. In einem Beispiel kann der Gegner die Parameter der Bias-Werte in dem gegnerischen Modell für alle Benutzer erhöhen, die zu der Bewertung beigetragen haben, wenn die Bewertung signifikant größer als der Durchschnitt ist. Bei dieser Art von Analyse kann jede offengelegte Bewertung auf unabhängige Weise evaluiert werden und/oder kann jeder Parameter in dem gegnerischen Modell auf unabhängige Weise aktualisiert werden. In einigen Ausführungsformen wird diese Art der Analyse durch das Modul zur unabhängigen Bewertung des Risikos 816 durchgeführt, das durch das Modul zur Bewertung des Risikos 808 angewendet werden und/oder in diesem enthalten sein kann. Eine Ausführungsform, in der diese Art der Analyse angewendet wird, ist in 15 dargestellt. Es ist zu beachten, dass eine unabhängige Analyse von Bewertungen angewendet werden kann, um eine Bestimmung aus einer Offenlegung mehrerer Bewertungen durch Wiederholen des Aktualisierungsprozesses eines gegnerischen Modells für jede der mehreren Bewertungen zu erstellen.
  • Ein anderes Verfahren zur Aktualisierung eines gegnerischen Modells auf der Grundlage offengelegter Bewertungen beinhaltet eine gemeinsame Evaluierung der Effekte der Bewertungen. Beispielsweise werden mehrere Parameter in dem gegnerischen Modell nach dem Empfang einer Menge von Bewertungen anhand der Bewertungen aktualisiert. Optional erfolgt diese Aktualisierung auf eine Weise, die ein Ziel (z. B. Likelihood) des gesamten gegnerischen Modells hinsichtlich der Menge von Bewertungen maximiert. Die Durchführung dieses Verfahrens kann mitunter einer Aktualisierung aller Parameter oder zumindest mehrerer Parameter in dem gegnerischen Modell gleichkommen, die zu mehreren Faktoren und/oder mehreren Benutzern gehörende Parameter umfassen. In einigen Ausführungsformen wird diese Art der Analyse durch das Modul zur gemeinsamen Bewertung des Risikos 836 durchgeführt, das durch das Modul zur Bewertung des Risikos 808 angewendet werden und/oder in diesem enthalten sein kann. Eine Ausführungsform, in der diese Art der Analyse angewendet wird, ist in 16 dargestellt.
  • 15 zeigt eine Ausführungsform eines Systems, das für die Bewertung eines Risikos für den Datenschutz eines Benutzers konfiguriert ist, der einen zur Berechnung einer Bewertung verwendeten Messwert der affektiven Reaktion beigetragen hat. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Bewertungsmodul 150, das Modul zur unabhängigen Bewertung des Risikos 816 und optional das Datenschutz-Filtermodul 810.
  • Ähnlich den gemäß 14 modellierten Ausführungsformen ist das Erfassungsmodul 120 in einer Ausführungsform dazu konfiguriert, die Messwerte 110 der affektiven Reaktion von zu der Crowd 100 gehörenden Benutzern zu empfangen. Optional gehört jeder Messwert eines Benutzers zu einem Ereignis, bei dem der Benutzer eine Erfahrung hatte, und wird der Messwert mit einem mit dem Benutzer verbundenen Sensor (z. B. der Sensor 102) erfasst. Des Weiteren ist das Bewertungsmodul 150 in einer Ausführungsform dazu konfiguriert, Bewertungen für Erfahrungen zu berechnen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage einer Teilmenge der Messwerte 110 berechnet, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional wird die Teilmenge von dem Erfassungsmodul 120 empfangen.
  • Das Modul zur unabhängigen Bewertung des Risikos 816 ist dazu konfiguriert, eine Bestimmung zu erstellen, die indikativ für ein erwartetes Risiko für den Datenschutz eines bestimmten Benutzers infolge einer Offenlegung einer oder mehrerer der Bewertungen ist. Optional hat der bestimmte Benutzer einen Messwert der affektiven Reaktion zu der Berechnung jeder der einen oder mehreren Bewertungen beigetragen. Optional wird die Bestimmung auf der Grundlage eines gegnerischen Bias-Modells 822 erstellt, das anhand der Werte der einen oder mehreren der Bewertungen aktualisiert wird. In einigen Ausführungsformen verwendet das Modul zur Bewertung des Risikos für den Datenschutz 808 die durch das Modul zur unabhängigen Bewertung des Risikos 816 erstellte Bestimmung zum Erstellen seiner Bestimmung. In einigen Ausführungsformen ist die durch das Modul zur unabhängigen Bewertung des Risikos 816 erstellte Bestimmung die durch das Modul zur Bewertung des Risikos für den Datenschutz 808 bereitgestellte Bestimmung.
  • In einigen Ausführungsformen empfängt das Modul zur unabhängigen Bewertung des Risikos 816 eine Angabe des bestimmten Benutzers. Optional identifiziert die Angabe den bestimmten Benutzer auf spezifische Weise (z. B. mittels des Namens, der E-Mail-Adresse, der Telefonnummer etc.). Optional liefert die Angabe Kriterien, die dazu verwendet werden können, den bestimmten Benutzer aus einer Menge von Benutzern auszuwählen, die Messwerte der affektiven Reaktion zu der Berechnung der einen oder mehreren Bewertungen beigetragen haben, die Gegenstand der bewerteten Offenlegung sind.
  • Die Angabe des bestimmten Benutzers kann durch verschiedene Entitäten und/oder Module weitergeleitet werden. In einem Beispiel liefert ein im Namen des bestimmten Benutzers operierender Software-Agent die Angabe. In einer anderen Ausführungsform liefert das Erfassungsmodul 120 und/oder das Bewertungsmodul 120 die Angabe. In einem weiteren Beispiel liefert das Modul zur Bewertung des Risikos für den Datenschutz 808 die Angabe.
  • Es ist zu beachten, dass die Effekte der Offenlegung einer oder mehrerer Bewertungen auf mehrere Benutzer in einigen Ausführungsformen durch das Modul zur unabhängigen Bewertung des Risikos 816 evaluiert werden können. Beispielsweise kann jeder Benutzer aus der Menge der Benutzer der Reihe nach als der bestimmte Benutzer gelten. Eine solche mehrere Benutzer betreffende Analyse kann die Erstellung einer Bestimmung für einen möglicherweise im Voraus nicht bekannten, bestimmten Benutzer ermöglichen. In einem Beispiel kann die Analyse mehrerer Benutzer ermöglichen, dass sich die Bestimmung auf einen durchschnittlichen Benutzer bezieht (z. B. ist die Bestimmung indikativ für das durchschnittliche Risiko für den Datenschutz von Benutzern, die Messwerte zu der einen oder den mehreren Bewertungen beigetragen haben, dessen/deren Offenlegung evaluiert wird). Somit kann der bestimmte Benutzer in diesem Beispiel der durchschnittliche Benutzer sein, welcher nicht im Voraus bekannt sein oder gar nicht existieren kann. In einem anderen Beispiel können die Effekte einer Offenlegung der einen oder mehreren Bewertungen evaluiert werden, um das maximale Risiko für den Datenschutz eines Benutzers zu bestimmen, der Messwerte zur Berechnung der einen oder mehreren Bewertungen beigetragen hat. Optional kann sich die Bestimmung in diesem Beispiel auf den maximalen Wert des Risikos für jeden der analysierten Benutzer beziehen. Somit kann der bestimmte Benutzer in diesem Beispiel der Benutzer sein, der am meisten durch eine Offenlegung der einen oder mehreren Bewertungen gefährdet ist.
  • Das Datenschutz-Filtermodul 810 ist in einer Ausführungsform dazu konfiguriert, die eine oder mehreren Bewertungen auf eine auf der Bestimmung basierenden Weise offenzulegen. Optional gehört die Weise zu einer eine erste und zweite Weise umfassenden Menge. In einer Ausführungsform wird die eine Bewertung oder werden die mehreren Bewertungen als Reaktion auf eine Bestimmung, die indiziert, dass das Risiko einen Schwellenwert nicht erreicht, auf die erste Weise offengelegt, und wird die eine Bewertung oder werden die mehreren Bewertungen als Reaktion auf eine Bestimmung, die indiziert, dass das Risiko den Schwellenwert erreicht, auf die zweite Weise offengelegt. Optional ist die zweite Weise der Offenlegung weniger deskriptiv als die erste Weise. Somit kann die Offenlegung der einen oder mehreren Bewertungen auf die zweite Weise als weniger riskant für den Datenschutz zumindest einiger der Benutzer gelten, die zur Berechnung der einen oder mehreren Bewertungen verwendete Messwerte beigetragen haben. Wie oben in der Erörterung hinsichtlich 14 erörtert, kann die Offenlegung der einen oder mehreren Bewertungen auf eine weniger deskriptive Weise in den hierin beschriebenen Ausführungsformen auf verschiedene Weise erfolgen.
  • Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 15 dargestellten Systems zudem einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • In einer Ausführungsform umfasst das gegnerische Bias-Modell 822 ein Modell eines Emotionsreaktions-Prädiktors (ERP). Der ERP ist in dieser Ausführungsform dazu konfiguriert, ein Sample zu empfangen, dass auf den Faktoren eines Ereignisses basierende Merkmalswerte umfasst, und einen Wert zu prognostizieren, der indikativ für eine emotionale Reaktion auf das Ereignis ist. In einem Beispiel ist das gegnerische Bias-Modell 822 das ERP-Modell 719. Optional ist die Bestimmung indikativ für das Ausmaß einer Verbesserung des gegnerischen Bias-Modells 822 infolge einer Aktualisierung des gegnerischen Bias-Modells 822 auf der Grundlage von Werten der einen oder mehreren der Bewertungen. Die Verbesserung des gegnerischen Bias-Modells 822 kann in Ausführungsformen, in denen das gegnerische Bias-Modell 822 ein Modell für einen ERP ist, auf verschiedene Weise evaluiert werden. In einem Beispiel entspricht die Verbesserung einer durch die Aktualisierung bedingten Steigerung der Genauigkeit des ERP bei der Verwendung des gegnerischen Bias-Modells 822. In einem anderen Beispiel entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung der Differenz zwischen der Genauigkeit des ERP bei der Verwendung eines anhand von Messwerten der affektiven Reaktion des bestimmten Benutzers (vor der Aktualisierung) trainierten Modells und der Genauigkeit des ERP bei der Verwendung des aktualisierten gegnerischen Bias-Modells.
  • In einer anderen Ausführungsform wird das gegnerische Modell-Bestimmungsmodul 820 dazu verwendet, das gegnerische Bias-Modell 822 anhand von Daten zu trainieren und/oder zu aktualisieren, die auf der Grundlage von zu Ereignissen gehörenden Messwerten berechnete Bewertungen von Erfahrungen und Beschreibungen der Ereignisse umfassen. Optional umfasst das gegnerische Bias-Modell 822 die Bias-Werte des bestimmten Benutzers.
  • In einer Ausführungsform ist die durch das Modul zur unabhängigen Bewertung des Risikos 816 erstellte Bestimmung indikativ für das Ausmaß einer Verbesserung des gegnerischen Bias-Modells 822 infolge einer Aktualisierung des gegnerischen Bias-Modells 822 auf der Grundlage der Werte der einen oder mehreren Bewertungen, die offengelegt werden. Wie oben in der Erörterung hinsichtlich der Bestimmung des Moduls zur Bewertung des Risikos für den Datenschutz 808 beschrieben, kann die Verbesserung des gegnerischen Bias-Modells 822 auf verschiedene Weise evaluiert werden. In einem Beispiel entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung einer Distanz zwischen dem gegnerischen Bias-Modell 822 und einem Ground-Truth-Modell der Bias-Werte des bestimmten Benutzers. Optional wird das Ground-Truth-Modell anhand von Daten trainiert, die Messwerte der affektiven Reaktion des bestimmten Benutzers umfassen. In einem anderen Beispiel kann die Verbesserung einer durch die Aktualisierung bedingten Verringerung der Entropie von Parametern des gegnerischen Bias-Modells 822 entsprechen. In einem weiteren Beispiel kann die Verbesserung einem Ausmaß der Divergenz zwischen den Werten von Parametern des gegnerischen Bias-Modells 822 vor der Aktualisierung und den Werten der Parameter nach der Aktualisierung entsprechen. In noch einem weiteren Beispiel kann die Verbesserung einer durch die Aktualisierung bedingten Verringerung einer Größe eines mit einem bestimmten Bias-Wert in dem gegnerischen Bias-Modell 822 verbundenen Konfidenzintervalls entsprechen.
  • Wie im Abschnitt 16 (unabhängige Inferenz aus Bewertungen) beschrieben, kann die Aktualisierung des gegnerischen Bias-Modell 822, wenn dieses Bias-Werte (z. B. durch Verteilungsparameter angegeben) enthält, durch eine Aktualisierung der Verteilungen gemäß dem Wert einer offengelegten Bewertung durchgeführt werden. Wenn mehrere Bewertungen offengelegt werden und/oder mehrere Benutzer modelliert werden, kann die Aktualisierung der Parameter in einer für jeden einzelnen Parameter unabhängigen Weise vorgenommen werden. Beispielsweise kann die Aktualisierung des gegnerischen Modells anhand einer Bewertung einer bestimmten Erfahrung eine Aktualisierung eines Parameters eines Bias-Werts umfassen, der zu einem Faktor einer bestimmten Erfahrung gehört. Dieser Parameter kann für jeden modellierten Benutzer existieren und den Bias jedes Benutzers hinsichtlich der bestimmten Erfahrung angeben. Vorausgesetzt, dass n Benutzer Messwerte zu der Berechnung der Bewertung beigetragen haben, kann es folglich n Parameter in dem gegnerischen Bias-Modell geben, die zu dem Bias der n Benutzer hinsichtlich der bestimmten Erfahrung gehören. Jeder dieser Parameter kann anhand des Werts der Bewertung aktualisiert werden.
  • Es folgen Beschreibungen von Schritten, die in einer Ausführungsform eines Verfahrens zur Bewertung eines Risikos für den Datenschutz eines Benutzers, der einen zur Berechnung einer Bewertung verwendeten Messwert der affektiven Reaktion beigetragen hat, durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 15 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind. Optional kann jedes der im Folgenden beschriebenen Verfahren durch ein einen Prozessor und einen Speicher umfassendes Computersystem ausgeführt werden, wie etwa der in 27 dargestellte Computer.
  • In einer Ausführungsform umfasst das Verfahren zur Bewertung eines Risikos für den Datenschutz eines Benutzers, der einen zur Berechnung einer Bewertung verwendeten Messwert der affektiven Reaktion beigetragen hat, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern, die Erfahrungen hatten; wobei jeder Messwert eines Benutzers, der eine Erfahrung hatte, mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional sind die empfangenen Messwerte die Messwerte 110.
  • Schritt 2, Berechnung von Bewertungen auf der Grundlage mindestens der in Schritt 1 empfangenen Messwerte; wobei jede Bewertung eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der in Schritt 1 empfangenen Messwerte berechnet wird die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional werden die Bewertungen durch das Bewertungsmodul 150 berechnet.
  • Schritt 3, Generierung einer Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz eines bestimmten Benutzers infolge einer Offenlegung einer oder mehrerer der Bewertungen ist. Optional wird die Bestimmung durch das Modul zur unabhängigen Bewertung des Risikos 816 generiert.
  • Und Schritt 4, Offenlegung der einen oder mehreren der Bewertungen auf eine auf der Bestimmung basierenden Weise. Als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko einen Schwellenwert nicht erreicht, werden die eine oder mehreren der Bewertungen auf die erste Weise offengelegt. Und als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko den Schwellenwert erreicht, werden die eine oder mehreren der Bewertungen auf die zweite Weise offengelegt, die weniger deskriptiv als die erste Weise ist.
  • In einer Ausführungsform beinhaltet die Generierung der Bestimmung in Schritt 3 einen Schritt zur Berechnung eines Ausmaßes einer Verbesserung in einem die Bias-Werte des bestimmten Benutzers umfassenden, gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage von Werten der einen oder mehreren der Bewertungen; wobei die Bestimmung indikativ für das Ausmaß der Verbesserung ist. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer durch die Aktualisierung bedingten Verringerung einer Distanz zwischen dem gegnerischen Bias-Modell und einen Ground-Truth-Modell der Bias-Werte des bestimmten Benutzers umfassen. Das Ground-Truth-Modell wird anhand von Daten trainiert, die Messwerte der affektiven Reaktion des bestimmten Benutzers und Faktoren der Ereignisse, zu denen die Messwerte gehören, umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung der Entropie von Parametern des gegnerischen Bias-Modells umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung eines Ausmaßes der Divergenz zwischen den Werten von Parametern des gegnerischen Bias-Modells vor der Aktualisierung und den Werten der Parameter nach der Aktualisierung umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung einer Größe eines mit einem bestimmten Bias-Wert aus dem gegnerischen Bias-Modell verbundenen Konfidenzintervalls umfassen.
  • In einer Ausführungsform beinhaltet die Generierung der Bestimmung in Schritt 3 einen Schritt zur Anwendung einer Funktion zum Erstellen der Bestimmung. In dieser Ausführungsform empfängt die Funktion einen Input, der einen oder mehrere Werte umfasst, wobei jeder Wert indikativ für mindestens eine der folgenden statistischen Größen ist: eine statistische Größe der Messwerte, die zu der Berechnung einer Bewertung aus der Menge der einen oder mehreren der Bewertungen beigetragen wurden, eine statistische Größe hinsichtlich des Werts einer Bewertung aus der Menge der einen oder mehreren der Bewertungen, eine statistische Größe hinsichtlich des Ausmaßes der Offenlegung von Daten in Bezug auf den bestimmten Benutzer. Die Funktion liefert einen Wert, der indikativ für das Risiko für den Datenschutz des bestimmten Benutzers ist.
  • Ob die eine oder mehreren Bewertungen auf die erste oder zweite Weise offengelegt werden, kann von verschiedenen Charakteristika der einen oder mehreren Bewertungen und/oder des bestimmten Benutzers abhängen. Wie durch die folgende Ausführungsform dargestellt, kann das oben beschriebene Verfahren somit angesichts zwei verschiedener Mengen von Bewertungen die Durchführung verschiedener Schritte beinhalten.
  • In einer Ausführungsform umfasst das Verfahren zur Bewertung eines Risikos für den Datenschutz eines Benutzers, der einen zur Berechnung einer Bewertung verwendeten Messwert der affektiven Reaktion beigetragen hat, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern, die Erfahrungen hatten; wobei jeder Messwert eines Benutzers, der eine Erfahrung hatte, mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional sind die empfangenen Messwerte die Messwerte 110.
  • Schritt 2, Berechnung einer ersten Menge aus einer oder mehreren Bewertungen; wobei jede Bewertung in der ersten Menge eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der Messwerte 110 berechnet wird, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst.
  • Schritt 3, Generierung einer ersten Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz eines bestimmten Benutzers infolge einer Offenlegung der ersten Menge ist. In diesem Schritt indiziert die erste Bestimmung, dass das Risiko für den Datenschutz des bestimmten Benutzers einen Schwellenwert nicht erreicht. Optional wird die erste Bestimmung durch das Modul zur unabhängigen Bewertung des Risikos 816 generiert.
  • Schritt 4, Offenlegung der einen oder mehreren Bewertungen der ersten Menge auf die erste Weise.
  • Schritt 5, Berechnung einer zweiten Menge aus einer oder mehreren Bewertungen; wobei jede Bewertung in der zweiten Menge eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der Messwerte berechnet wird, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Zusätzlich sind die zur Berechnung der Bewertungen in der ersten Menge verwendeten Teilmengen der Messwerte nicht identisch mit den zur Berechnung der Bewertungen in der zweiten Menge verwendeten Teilmengen.
  • Schritt 6, Generierung einer zweiten Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz des bestimmten Benutzers infolge einer Offenlegung der zweiten Menge ist. In diesem Schritt indiziert die zweite Bestimmung, dass das Risiko für den Datenschutz des bestimmten Benutzers den Schwellenwert erreicht. Optional wird die zweite Bestimmung durch das Modul zur unabhängigen Bewertung des Risikos 816 generiert.
  • Und Schritt 7, Offenlegung der einen oder mehreren Bewertungen der zweiten Menge auf eine zweite Weise, die weniger deskriptiv als die erste Weise ist.
  • Es ist zu beachten, dass es viele verschiedene Gründe geben kann, warum das Risiko durch die erste Offenlegung der ersten Menge geringer als das Risiko durch die Offenlegung der zweiten Menge ist. In einem Beispiel werden die Bewertungen in der ersten Menge im Vergleich zu den Bewertungen in der zweiten Menge auf der Grundlage von Messwerten einer größeren Anzahl von Benutzern berechnet. In einem anderen Beispiel ist die Konfidenz der Bewertungen in der ersten Menge niedriger ist als die Konfidenz der Bewertungen in der zweiten Menge.
  • Wie oben erörtert, kann die Bewertung des Risikos für den Datenschutz ein Verfahren zur gemeinsamen Analyse umfassen, das eine gemeinsame Modellierung und Aktualisierung von Parametern in einem gegnerischen Modell umfasst, die zu mehreren Benutzern und/oder Faktoren gehören. Dieses Verfahren wird in den gemäß 16 modellierten Ausführungsformen beschrieben; 16 zeigt eine Ausführungsform eines Systems, dass für die Bewertung eines Risikos für den Datenschutz von Benutzern durch die Offenlegung von auf der Grundlage von Messwerten der affektiven Reaktion der Benutzer berechneten Bewertungen konfiguriert ist. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Bewertungsmodul 150, das Modul zur gemeinsamen Bewertung des Risikos 836 und optional das Datenschutz-Filtermodul 810. Es ist darauf hinzuweisen, dass einige Ausführungsformen des in 16 dargestellten Systems zudem einen oder mehrere Sensoren umfassen können, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Ähnlich den gemäß 14 modellierten Ausführungsformen ist das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, Messwerte 110 der affektiven Reaktion von zu der Crowd 100 gehörenden Benutzern zu empfangen. Optional gehört jeder Messwert eines Benutzers zu einem Ereignis, bei dem der Benutzer eine Erfahrung hatte, und wird der Messwert mit einem mit dem Benutzer verbundenen Sensor (z. B. der Sensor 102) erfasst. Des Weiteren ist das Bewertungsmodul 150 in einer Ausführungsform dazu konfiguriert, Bewertungen für Erfahrungen zu berechnen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage einer Teilmenge der Messwerte 110 berechnet, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional wird die Teilmenge von dem Erfassungsmodul 120 empfangen.
  • Das Modul zur gemeinsamen Bewertung des Risikos 836 ist dazu konfiguriert, eine Bestimmung zu erstellen, die indikativ für ein erwartetes Risiko für das Datenschutz-Filtermodul infolge einer Offenlegung einer oder mehrerer der Bewertungen ist. Optional legt das Datenschutz-Filtermodul 810 die eine oder mehreren Bewertungen auf eine anhand der Bestimmung bestimmten Weise offen. Beispielsweise erfolgt die Offenlegung auf die oben beschriebene erste oder zweite Weise (und beinhaltet die zweite Weise eine weniger deskriptive Offenlegung als die Weise).
  • Es ist zu beachten, dass sich das „Risiko für den Datenschutz” ähnlich wie im Fall der Bestimmung des Moduls zur Bewertung des Risikos für den Datenschutz 808 in verschiedenen Ausführungsformen auf verschiedene Arten von Risiken beziehen kann. Zum Beispiel kann das in der Bestimmung bezeichnete Risiko das Risiko für den Datenschutz eines bestimmten Benutzers, das durchschnittliche Risiko für den Datenschutz eines Benutzers, der Messwerte zu den offengelegten Bewertungen beigetragen hat, oder das maximale Risiko für den Datenschutz eines Benutzers, der Messwerte zu den offengelegten Bewertungen beigetragen hat, sein.
  • In einigen Ausführungsformen basiert die durch das Modul zur gemeinsamen Bewertung des Risikos 836 erstellte Bestimmung auf dem gegnerischen Bias-Modell 835, das Bias-Werte der Benutzer umfasst. Optional wird das gegnerische Bias-Modell 835 anhand von Daten trainiert, die umfassen: Werte, die indikativ für Faktoren von Ereignissen sind, Werte, die indikativ für die Identitäten von zu den Ereignissen gehörenden Benutzern sind, und Bewertungen, die auf der Grundlage von zu den Ereignissen gehörenden Messwerten der affektiven Reaktion berechnet werden. Optional umfasst das gegnerische Bias-Modell 835 eine Vielzahl unterschiedlicher Bias-Werte, die zu verschiedenen Faktoren und/oder verschiedenen Benutzern gehören. Insbesondere in einer Ausführungsform umfasst das gegnerische Bias-Modell 835 mindestens einen ersten Bias-Wert eines ersten Benutzers und einen zweiten Bias-Wert eines zweiten Benutzers, der nicht der erste Benutzer ist, und werden die Werte des ersten und zweiten Bias-Werts aufgrund der Aktualisierung geändert. Optional gehören der erste Bias-Wert und der zweite Bias-Wert zu unterschiedlichen Faktoren.
  • In einigen Ausführungsformen wird das gegnerische Bias-Modell 835 unter Verwendung des gegnerischen Modell-Bestimmungsmoduls 838 trainiert und/oder aktualisiert. Optional ist das gegnerische Modell-Bestimmungsmodul 838 dazu konfiguriert, das gegnerische Bias-Modell 835 anhand zusätzlicher Daten zu aktualisieren, wobei die zusätzlichen Daten umfassen: Werte, die indikativ für Faktoren von Ereignissen sind, zu denen die Messwerte gehören, Werte, die indikativ für die Identitäten von Benutzern sind, die zu den Ereignissen gehören, zu denen die Messwerte gehören, und die Bewertungen. Optional ist die Bestimmung indikativ für das Ausmaß einer Verbesserung des gegnerischen Bias-Modells 835 infolge einer Aktualisierung des gegnerischen Bias-Modells 835 auf der Grundlage von Werten der einen oder mehreren der Bewertungen.
  • Die Verbesserung kann auf unterschiedliche Weise betrachtet werden. In einer Ausführungsform entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung einer Distanz zwischen dem gegnerischen Bias-Modell 835 und einem Ground-Truth-Modell der Bias-Werte der Benutzer (z. B. die Bias-Werte 715). Optional wird das Ground-Truth-Modell anhand von Daten trainiert, die Messwerte der affektiven Reaktion der Benutzer umfassen. In einer anderen Ausführungsform entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung der Entropie von Parametern des gegnerischen Bias-Modells 835. In einer weiteren Ausführungsform entspricht die Verbesserung einem Ausmaß der Divergenz zwischen den Werten von Parametern des gegnerischen Bias-Modells 835 vor der Aktualisierung und den Werten der Parameter nach der Aktualisierung. In noch einer weiteren Ausführungsform entspricht die Verbesserung einer durch die Aktualisierung bedingten Verringerung einer Größe eines mit einem oder mehreren Bias-Werten in dem gegnerischen Bias-Modell 835 verbundenen Konfidenzintervalls.
  • Die Bestimmung und/oder Aktualisierung des gegnerischen Bias-Modells kann mittels verschiedener statistischer Inferenzverfahren erfolgen. Einige der Verfahren zur Bestimmung des gegnerischen Bias-Modells werden im Abschnitt 17 (Inferenz durch gemeinsame Analyse) beschrieben. In den in diesem Abschnitt beschriebenen Verfahren wird im Allgemeinen davon ausgegangen, dass ein Modell der Daten drei Arten von Daten umfasst: Daten, die zu einem Beitrag von Benutzern zur Berechnung von Bewertungen gehören und durch die Beitragsmatrix C dargestellt werden, Daten, die zu Faktoren von Ereignissen gehören, die die Benutzer gehabt haben können, und die durch die Matrix der Faktorvektoren F dargestellt werden, und Daten, die zu Bias-Werten von Benutzern gehören und durch die Bias-Matrix B dargestellt werden. Eine vollständige Kenntnis der Daten (z. B. der Werte der Messwerte, der Faktoren jedes Ereignisses und der Beiträge jedes Benutzers) kann die Generierung des Ground-Truth-Modells θ ermöglichen.
  • Das Modell θ beinhaltet Werte, die die Bias des Benutzers beschreiben (z. B. die Bias-Matrix B, die zumindest im Abschnitt 17 (Inferenz durch gemeinsame Analyse) näher beschrieben wird). Wie ausführlicher in dem oben genannten Abschnitt beschrieben, kann θ zusätzlich oder alternativ Werte umfassen, die den Umfang der Beiträge von Benutzern zu Bewertungen beschreiben (z. B. die Beitragsmatrix C), und/oder Werte, die zu Faktoren von Ereignissen gehören (z. B. die Matrix der Faktorvektoren F).
  • In einer Ausführungsform werden die Bias in dem Modell θ unter Verwendung von zu den Ereignissen gehörenden Daten generiert, indem Optimierungen einer Fehlerfunktion durchgeführt werden, wie beispielsweise die hinsichtlich Gl. (2) und/oder Gl. (3) beschriebenen Verfahren, und/oder indem eine Maximum-Likelihood-Lösung bestimmt wird, wie beispielsweise die hinsichtlich Gl. (5) beschriebenen Verfahren. Weitere Informationen über Bias und die Bestimmung der Werte der Parameter in dem Modell θ finden sich zumindest im Abschnitt 13 (Bias-Werte) dieser Offenlegung. Zusätzliche Daten, wie etwa zu Einträgen in den oben erwähnten Matrizen C und/oder F gehörende Daten, können direkt aus den Beschreibungen der Ereignisse abgeleitet werden.
  • Ein Gegner besitzt im Allgemeinen keine vollständigen Informationen, wie beispielsweise die Messwerte der affektiven Reaktion, die zur Berechnung einer Menge S aus einer oder mehreren Bewertungen verwendet werden, die Matrix C und die Matrix F. Somit kann der Gegner versuchen, eine Schätzung des Modells θ (üblicherweise als θ ^ bezeichnet) auf der Grundlage unvollständiger Daten zu generieren. Optional ist diese Schätzung das gegnerische Bias-Modell 835. Die unvollständigen Daten umfassen üblicherweise die Menge S und zumindest einige der Einträge in C und/oder F, die zu S gehören. Das bedeutet, dass der Gegner Kenntnis, eventuell in Form von Wahrscheinlichkeiten, darüber hat, wer Messwerte zu der Berechnung jeder Bewertung beigetragen hat. Darüber hinaus kann der Gegner Kenntnis über zumindest einige der Faktoren haben, die zu den mit S verbundenen Ereignissen gehören. Diese können einige der verschiedenen, in dieser Offenlegung erörterten Faktoren umfassen, wie etwa Faktoren in Bezug auf die zu einem Ereignis gehörende Erfahrung, den zu dem Ereignis gehörenden Benutzer und/oder die Instanziierung des Ereignisses.
  • Um abzuschätzen, welche Kenntnisse der Gegner möglicherweise durch die offengelegten Informationen hat, kann das gegnerische Modell-Bestimmungsmodul 838 einen gegnerischen Emulator umfassen und/oder anwenden. Der gegnerische Emulator ist dazu konfiguriert, einen durch einen Gegner durchgeführten Prozess zu emulieren, in dem der Gegner Kenntnis von einem oder mehreren Modellen (welche das gegnerische Bias-Modell 835 sind) durch offengelegte Informationen erlangt, wie etwa durch eine Menge offengelegter Bewertungen und/oder Beitragsinformationen, die durch eine Beitragsmatrix C und/oder eine Matrix der Faktorvektoren F angegeben werden. Optional enthält das gegnerische Bias-Modell 835 Informationen, die als private Informationen von Benutzern gelten können. Optional enthält das gegnerische Bias-Modell 835 Parameter, die Bias-Werte von Benutzern sind. Optional kann das Training des einen Modells oder der mehreren Modelle unter der Annahme erfolgen, dass ein Gegner vollständige Informationen besitzt (z. B. die Bewertungen S und die korrekte Matrizen C und/oder F). Alternativ kann das Training des einen Modells oder der mehreren Modelle unter der Annahme erfolgen, dass der Gegner partielle Informationen besitzt (z. B. nur einige der Bewertungen in S, nur einige der Werte in C und/oder F und/oder Werte von S und C mit nur eingeschränkter Genauigkeit).
  • In einer Ausführungsform generiert der gegnerische Emulator ein einziges Modell θ ^, wie beispielsweise das gegnerische Bias-Modell 835, auf der Grundlage von offengelegten Daten, die der Gegner angenommermaßen besitzt. Optional umfassen die offengelegten Daten, die der Gegner angenommermaßen besitzt, eine Menge der Bewertungen S, Informationen, die einen Beitrag von Messwerten von Benutzern zu den Bewertungen in S angeben, dargestellt als eine Beitragsmatrix C, und/oder Informationen über zumindest einige der Faktoren, die Werte in der Matrix F sind und für Ereignisse relevant sind, die zu den zur Berechnung der Bewertungen in S verwendeten Messwerte gehören.
  • In einer anderen Ausführungsform generiert der gegnerische Emulator eine Menge aus r Modellen Θ ^ = {θ ^1, θ ^2, ..., θ ^r}, die in dem gegnerischen Bias-Modell 835 enthalten sind. Optional umfasst Θ ^ mehrere Modelle, die gemäß einer vorherigen Wahrscheinlichkeitsverteilung hinsichtlich der Bewertungen S und der Beitragsmatrix C und/oder der Matrix der Faktorvektoren F generiert werden. Zum Beispiel können sich die vorherigen Informationen auf die Anzahl der Bewertungen S, die der Gegner wahrscheinlich hat, die Proportion der Matrizen C und/oder F, die der Gegner wahrscheinlich hat, und/oder die Genauigkeit der Werte in den Matrizen C und/oder F, die der Gegner wahrscheinlich hat, beziehen. Optional können verschiedene Verfahren zur Generierung von Datensätzen verwendet werden, anhand derer die Modelle in Θ ^ trainiert werden, wie etwa Subsampling-Verfahren, Hinzufügen von Zufallsrauschen zu S und den Matrizen C und/oder F und/oder Resampling. Zusätzlich oder alternativ können zumindest einige der Modelle in Θ ^ unter Verwendung generativer Verfahren generiert werden.
  • In einer weiteren Ausführungsform aktualisiert der gegnerische Emulator ein oder mehrere Modelle, die zu dem gegnerischen Bias-Modell 835 (z. B. ein Modell θ ^ oder eine Menge von Modellen Θ ^) gehören, auf der Grundlage von offengelegten Informationen, die durch S und die Matrizen C und/oder F dargestellt werden, um ein aktualisiertes Modell θ ^' oder eine Menge von aktualisierten Modellen Θ ^′ zu erhalten. Optional wurden die Modelle, die aktualisiert werden (z. B. das Modell θ ^ oder die Menge von Modellen Θ ^) auf der Grundlage zuvor offengelegter Informationen (z. B. eine Menge von in der Vergangenheit offengelegten Bewertungen) trainiert. Zusätzlich oder alternativ können die Modelle, die aktualisiert werden, vorherige Ansichten bezüglich der Parameter von Bias und/oder des Umfangs der Kenntnisse, die ein Gegner über die Bias haben kann, angeben.
  • Der gegnerische Emulator kann verschiedene algorithmische Verfahren anwenden, um das gegnerische Bias-Modell 835 auf eine dem Gegner ähnliche Weise zu bestimmen. Einige Beispiele von Verfahren umfassen das Durchsuchen von Parameterräumen, die lineare Programmierung (siehe die Erörterung hinsichtlich Gl. (6) und/oder Gl. (7)) und/oder die generalisierte Expectation-Maximization (siehe die detailliertere Erörterung im Abschnitt 17 (Inferenz durch gemeinsame Analyse)). Weitere Informationen über verschiedene Verfahren, nach denen der gegnerische Emulator operieren kann, und Verfahren, nach denen die durch ihn bestimmten Modelle zur Risikoevaluierung verwendet werden können, werden an anderer Stelle in dieser Offenlegung ausführlicher beschrieben.
  • In einigen Ausführungsformen vergleicht das Modul zur gemeinsamen Bewertung des Risikos 836 zur Erstellung der Bestimmung ein oder mehrere durch den gegnerischen Emulator generierte Modelle (d. h. in dem gegnerischen Bias-Modell 835 enthaltene Modelle) mit dem oben beschriebenen Ground-Truth-Modell θ, um das Risiko für den Datenschutz durch die Offenlegung der einen oder mehreren Bewertungen zu bestimmen. Optional wird das Risiko als ein Ausmaß der Genauigkeit von Parametern und/oder als eine Zunahme der Genauigkeit von Parametern als Folge einer wahrscheinlich durch den Gegner erzielten Modellbestimmung und/oder -aktualisierung ausgedrückt. Optional wird die Genauigkeit der Parameter als ein Wert ausgedrückt, der indikativ für ein Verhältnis zwischen den geschätzten Werten der Parameter und dem Ground-Truth-Wert der Parameter ist. Zusätzlich oder alternativ kann die Genauigkeit als eine Divergenz zwischen den geschätzten Verteilungen der Parameter und der Ground-Truth-Verteilung der Parameter ausgedrückt werden. Zusätzlich oder alternativ kann die Genauigkeit als eine Größe der Konfidenzbalken der geschätzten Parameterwerte ausgedrückt werden.
  • In einem Beispiel kann das Modul zur gemeinsamen Bewertung des Risikos 836 die Bestimmung erstellen, dass die Offenlegung einer Menge von Bewertungen S zusammen mit einer Beitragsmatrix C und/oder einer Matrix von Faktorvektoren F (die dem Gegner bekannt sind) dazu führen kann, dass der Gegner in der Lage ist, die Bias (z. B. Einträge in einer Bias-Matrix B) mit einem durchschnittlichen Fehler von weniger als 20 % zu modellieren. In einem anderen Beispiel kann das Modul zur gemeinsamen Bewertung des Risikos 836 die Bestimmung erstellen, dass die Offenlegung einer Menge von Bewertungen S zusammen mit einer Beitragsmatrix C und/oder einer Matrix von Faktorvektoren F, von denen der Gegner Kenntnisse über einen bestimmten Anteil der Einträge und/oder mit einer gewissen Genauigkeit hat, dazu führen kann, dass der Gegner in der Lage ist, die Bias-Werte mit 95%-igen Konfidenzbalken, die eine Größe von ±20 % haben, zu modellieren (d. h. für 95 % der Parameter liegen die Ground-Truth-Werte innerhalb einer Spanne von 20 % von dem geschätzten Wert).
  • In einer Ausführungsform können mehrere durch den gegnerischen Emulator generierten Modelle durch das Modul zur gemeinsamen Bewertung des Risikos 836 zur Durchführung einer probabilistischen Risikoanalyse verwendet werden. Beispielsweise können die mehreren Modelle zur Bestimmung der Wahrscheinlichkeit verwendet werden, dass bestimmte, ein Risiko darstellende Werte (z. B. Genauigkeit von Parametern) angesichts bestimmter Bewertungen einen bestimmten Schwellenwert erreichen werden. Beispielsweise kann das Modul zur gemeinsamen Bewertung des Risikos 836 die Bestimmung erstellen, dass die Offenlegung einer Menge von Bewertungen S zusammen mit einer Beitragsmatrix C und/oder einer Matrix von Faktorvektoren F (die dem Gegner bekannt sind) mit einer Wahrscheinlichkeit von mehr als 80 % dazu führen kann, dass der Gegner in der Lage ist, bestimmte Bias (z. B. Einträge in einer Bias-Matrix B) mit einem durchschnittlichen Fehler von weniger als 20 % zu modellieren.
  • In einer anderen Ausführungsform entspricht das durch das Modul zur gemeinsamen Bewertung des Risikos 836 bestimmte Risiko einem inhärenten Risiko, dem die Benutzer, die Messwerte zu den Bewertungen in S beigetragen haben, nach der Offenlegung der Bewertungen in S ausgesetzt sind. Das bedeutet, dass das Risiko ein Ausmaß der Kenntnisse über die Benutzer ausdrückt, die dem Gegner wahrscheinlich bekannt sind. Optional kann dies zu Gegenmaßnahmen zur Begrenzung des zukünftigen Risikos führen, wie zum Beispiel eine Begrenzung des Umfangs des Beitrags von bestimmten Benutzern zu Bewertungen und/oder eine Begrenzung des Umfangs der durch die Bewertungen vermittelten Informationen (z. B. durch eine Erhöhung der Anzahl der Benutzer, die Messwerte zu der Berechnung der Bewertungen beitragen).
  • In einer weiteren Ausführungsform entspricht das durch das Modul zur gemeinsamen Bewertung des Risikos 836 bestimmte Risiko einem potentiellen Risiko, dem die Benutzer wahrscheinlich ausgesetzt sind, wenn die Bewertungen in S offengelegt werden. Das bedeutet, dass diese Analyse vor der Offenlegung der Bewertungen durchgeführt werden kann und dass bestimmte Gegenmaßnahmen ergriffen werden können, wenn das Risiko zu groß ist. Beispielsweise können bestimmte Bewertungen von der Offenlegung ausgenommen werden (z. B. auf die zweite Weise offengelegt werden). In einem anderen Beispiel können die Messwerte bestimmter Benutzer einbehalten und nicht zur Berechnung von Bewertungen beigetragen werden. In einem weiteren Beispiel können die Bewertungen auf eine Weise berechnet werden, die weniger Informationen liefert (z. B. durch eine Erhöhung der Anzahl der Benutzer, die Messwerte zu Bewertungen beitragen). In noch einem weiteren Beispiel können bestimmte Bewertungen auf eine weniger deskriptive Weise dargestellt werden, sodass weniger Informationen über die Benutzer bereitgestellt werden, die Messwerte zu der Berechnung der Bewertungen beigetragen haben. Beispielsweise können die Bewertungen in einer gröberen Form dargestellt werden (z. B. unter Verwendung weniger Informationen) und/oder können weniger mit den Bewertungen verbundene Werte offengelegt werden (z. B. durch Offenlegung nur eines Werts, der den Mittelwert der Messwerte der Benutzer angibt, nicht jedoch eines die Varianz angebenden Werts).
  • Es folgt eine Beschreibung von Schritten, die in einer Ausführungsform eines Verfahrens zur Bewertung eines Risikos für den Datenschutz von Benutzern durch die Offenlegung von auf der Grundlage von Messwerten der affektiven Reaktion der Benutzer berechneten Bewertungen durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 16 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher wahlweise ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind.
  • In einer Ausführungsform umfasst das Verfahren zur Bewertung eines Risikos für den Datenschutz von Benutzern durch die Offenlegung von auf der Grundlage von Messwerten der affektiven Reaktion der Benutzer berechneten Bewertungen mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern, die Erfahrungen hatten; wobei jeder Messwert eines Benutzers, der eine Erfahrung hatte, mit einem mit dem Benutzer verbundenen Sensor erfasst wird. Optional sind die empfangenen Messwerte die Messwerte 110.
  • Schritt 2, Berechnung von Bewertungen auf der Grundlage mindestens der in Schritt 1 empfangenen Messwerte; wobei jede Bewertung eine Bewertung einer Erfahrung ist und auf der Grundlage einer Teilmenge der in Schritt 1 empfangenen Messwerte berechnet wird, die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional werden die Bewertungen durch das Bewertungsmodul 150 berechnet.
  • Und Schritt 3, Generierung einer Bestimmung, die indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung einer oder mehrerer der Bewertungen ist, auf der Grundlage eines die Bias-Werte der Benutzer umfassenden gegnerischen Bias-Modells. Das gegnerische Bias-Modell wird anhand von Daten trainiert, die umfassen: Werte, die indikativ für Faktoren von Ereignissen sind, Werte, die indikativ für die Identitäten von zu den Ereignissen gehörenden Benutzern sind, und Bewertungen, die auf der Grundlage von zu den Ereignissen gehörenden Messwerten der affektiven Reaktion berechnet werden. Optional umfasst das gegnerische Bias-Modell ein erstes Bias eines ersten Benutzers, das zu einem bestimmten Faktor gehört, und einen zweiten Bias-Wert eines zweiten Benutzers, das zu dem bestimmten Faktor gehört, und unterscheidet sich der erste Bias-Wert von dem zweiten Bias-Wert. Optional wird die Bestimmung durch das Modul zur gemeinsamen Bewertung des Risikos 836 generiert.
  • In einigen Ausführungsformen kann das Verfahren optional einen Schritt 4 beinhalten, der die Offenlegung der einen oder mehreren der Bewertungen auf eine auf der Bestimmung basierenden Weise umfasst. Als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko einen Schwellenwert nicht erreicht, werden die eine oder mehreren der Bewertungen auf die erste Weise offengelegt. Und als Reaktion darauf, dass die Bestimmung indiziert, dass das Risiko den Schwellenwert erreicht, werden die eine oder mehreren der Bewertungen auf die zweite Weise offengelegt, die weniger deskriptiv als die erste Weise ist.
  • In einer Ausführungsform beinhaltet die Generierung der Bestimmung in Schritt 3 einen Schritt zur Berechnung eines Ausmaßes einer Verbesserung in dem gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage von Werten der einen oder mehreren der Bewertungen. Optional ist die Bestimmung indikativ für das Ausmaß der Verbesserung. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer durch die Aktualisierung bedingten Verringerung einer Distanz zwischen dem gegnerischen Bias-Modell und einen Ground-Truth-Modell der Bias-Werte umfassen. Das Ground-Truth-Modell wird anhand von Daten trainiert, die Messwerte der affektiven Reaktion und Faktoren von Ereignissen umfassen, zu denen die Messwerte gehören. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung der Entropie von Parametern des gegnerischen Bias-Modells umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung eines Ausmaßes der Divergenz zwischen den Werten von Parametern des gegnerischen Bias-Modells vor der Aktualisierung und den Werten der Parameter nach der Aktualisierung umfassen. Optional kann die Generierung der Bestimmung in Schritt 3 zudem einen Schritt zur Bestimmung einer Verringerung einer Größe eines mit einem bestimmten Bias-Wert aus dem gegnerischen Bias-Modell verbundenen Konfidenzintervalls umfassen.
  • Die Durchführung einer Bestimmung hinsichtlich eines Risiko für den Datenschutz erfordert nicht zwangsläufig eine umfangreiche Modellierung (z. B. Generierung eines Ground-Truth-Modells und/oder der oben erwähnten gegnerischen Modelle). In einigen Ausführungsformen können die Informationen über eine Offenlegung einer oder mehrerer Bewertungen genutzt werden, um eine Bestimmung hinsichtlich des mit der Offenlegung verbundenen Risikos für den Datenschutz zu erstellen. Optional kann eine solche Bestimmung unter Verwendung von Risikofunktionen erstellt werden. Die Risikofunktionen werden ausführlicher im Abschnitt 19 (Risikofunktionen) beschrieben. Es folgen einige Ausführungsformen, die die Bestimmung und/oder Anwendung verschiedener Modelle für Risikofunktionen umfassen.
  • 17a zeigt eine Ausführungsform eines Systems, das für die Bestimmung eines Modells (hierin als „Risikomodell” bezeichnet) konfiguriert ist, welches zur Bestimmung eines Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Modul zur Bewertung des Risikos für den Datenschutz 808, der Sample-Generator 842 und das Risikomodell-Bestimmungsmodul 845. Das System kann optional zudem andere Module wie das Bewertungsmodul 150 umfassen. Einige Ausführungsformen des in 17a dargestellten Systems können zudem einen oder mehrere Sensoren umfassen, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, die Messwerte 110 der affektiven Reaktion von zu der Crowd 100 gehörenden Benutzern zu empfangen. Optional gehört jeder Messwert eines Benutzers zu einem Ereignis, bei dem der Benutzer eine Erfahrung hatte, und wird der Messwert mit einem mit dem Benutzer verbundenen Sensor (z. B. der Sensor 101) erfasst.
  • Das Modul zur Bewertung des Risikos für den Datenschutz 808 ist in einer Ausführungsform dazu konfiguriert, Bestimmungen hinsichtlich der Bewertungen von Erfahrungen zu erstellen. Jede Bewertung einer Erfahrung aus der Menge der Bewertungen wird auf der Grundlage einer Teilmenge der Messwerte berechnet, die die Messwerte von mindestens fünf Benutzern, die die Erfahrung hatten, umfasst, und eine Bestimmung hinsichtlich der Bewertung ist indikativ für ein erwartetes Risiko für den Datenschutz durch eine Offenlegung der Bewertung. Optional ist die Bestimmung hinsichtlich der Bewertung indikativ für das Ausmaß einer Verbesserung in einem Bias-Werte umfassenden gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells nach der Offenlegung der Bewertung. Optional wird jede der Bewertung durch das Bewertungsmodul 150 berechnet.
  • Die durch das Modul zur Bewertung des Risikos für den Datenschutz 808 erstellte Bestimmung kann sich auf verschiedene Arten von Risiken beziehen. In einer Ausführungsform ist das Modul zur Bewertung des Risikos für den Datenschutz 808 dazu konfiguriert, eine Angabe eines bestimmten Benutzers zu empfangen, und ist die Bestimmung hinsichtlich der Bewertung indikativ für ein Ausmaß eines Risikos für den Datenschutz des bestimmten Benutzers. In einer anderen Ausführungsform ist die Bestimmung hinsichtlich der Bewertung indikativ für ein durchschnittliches Ausmaß eines Risikos für den Datenschutz der Benutzer, die zur Berechnung der Bewertung verwendete Messwerte der affektiven Reaktion beigetragen haben. In einer weiteren Ausführungsform ist die Bestimmung hinsichtlich der Bewertung indikativ für ein maximales Ausmaß eines Risikos für den Datenschutz eines Benutzers aus der Menge der Benutzer, die Messwerte der affektiven Reaktion zur Berechnung der Bewertung beigetragen haben.
  • Der Sample-Generator 842 ist dazu konfiguriert, zu den Bewertungen gehörende Samples zu generieren. In einer Ausführungsform umfasst jedes zu einer Bewertung gehörende Sample: einen oder mehrere Merkmalswerte und ein zugehöriges Label, das auf der Grundlage einer Bestimmung hinsichtlich der Bewertung generiert wird, wobei die Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 berechnet wird. Optional werden der eine Merkmalswert oder werden die mehreren Merkmalswerte durch den Merkmalsgenerator 843 generiert und wird das Label durch den Label-Generator 844 generiert. Optional ist jeder der einen oder mehreren Merkmalswerte indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der Teilmenge der Messwerte 110, die zur Berechnung der Bewertung verwendet wurde, eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge (d. h. ein Benutzer, der einen Messwert zur Berechnung der Bewertung beigetragen hat) und eine Eigenschaft in Bezug auf die zu der Bewertung gehörende Erfahrung.
  • In einigen Ausführungsformen beinhalten die durch den Sample-Generator 842 generierten Samples keine Merkmale, die direkt indikativ für die Werte der Bewertungen sind. Somit benötigt der Merkmalsgenerator 843 den Wert einer Bewertung nicht zur Berechnung von Merkmalswerten für das zu den Bewertungen gehörende Sample.
  • Wie im Abschnitt 19 (Risikofunktionen) beschrieben, können die mit einer Offenlegung der Bewertung verbundenen Merkmalswerte zu einer diversen Menge von Eigenschaften in Bezug auf die zur Berechnung der Bewertung verwendete Teilmenge der Messwerte, einen oder mehrere der Benutzer, die Messwerte beigetragen haben, die zu der Bewertung gehörende Erfahrung und/oder einen Gegner, der die offengelegte Bewertung verwenden kann, gehören. In einem Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine Eigenschaft der zur Berechnung der Bewertung verwendeten Teilmenge der Messwerte beschreibt und indikativ für mindestens einen der folgenden Werte ist: (i) die Anzahl der Benutzer mit einem Messwert in der Teilmenge, (ii) die Varianz der Messwerte in der Teilmenge. In einem anderen Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge beschreibt und indikativ für mindestens einen der folgenden Werte ist: eine Identität des Benutzers, eine demographische statistische Größe des Benutzers, ein Ausmaß, in dem der Benutzer in der Vergangenheit Messwerte beigetragen hat. In einem weiteren Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine mit der Erfahrung verbundene Eigenschaft beschreibt und indikativ für mindestens einen der folgenden Werte ist: (i) eine Art der Erfahrung, (ii) ein Umfang einer Beschreibung eines die Erfahrung betreffenden Ereignisses und (iii) ein Ort, an dem der Benutzer die Erfahrung hatte.
  • Der Merkmalsgenerator 843 kann Informationen von verschiedenen Quellen empfangen, um die Merkmalswerte in Bezug auf die Offenlegung der Bewertung zu generieren. In einem Beispiel empfängt der Merkmalsgenerator 843 Beschreibungen von Ereignissen, zu denen die zur Berechnung der Bewertung verwendeten Messwerte gehören. Optional werden die Beschreibungen durch den Ereignis-Annotator 701 generiert. In einem anderen Beispiel empfängt der Merkmalsgenerator 843 Informationen von dem Erfassungsmodul 120. In einem weiteren Beispiel empfängt der Merkmalsgenerator 843 Informationen von den Benutzern, die zur Berechnung der Bewertung verwendete Messwerte beigetragen haben, z. B. über im Namen der Benutzer operierende Software-Agenten. Und in einem anderen Beispiel empfängt der Merkmalsgenerator 843 Informationen von anderen Entitäten, wie etwa von einem Anbieter der Erfahrung, zu der die Bewertung gehört.
  • Das Risikomodell-Bestimmungsmodul 845 ist dazu konfiguriert, die Samples zur Generierung des Risikomodells 847 zu verwenden. Das Risikomodell 847 dient der Bestimmung eines Ausmaßes des Risikos für den Datenschutz durch eine Offenlegung einer Bewertung einer bestimmten Erfahrung für eine Menge von Messwerten der affektiven Reaktion von mindestens fünf Benutzern, die eine bestimmte Erfahrung hatten, wobei die Bewertung auf der Grundlage der Menge berechnet wird. Optional kann die Bestimmung des Ausmaßes des Risikos durch das Risikofunktionsmodul 849 generiert werden, wenn dieses ein Sample erhält, das Merkmalswerte umfasst, die durch den Merkmalsgenerator 843 für die Bewertung der bestimmten Erfahrung generiert wurde. Wie ausführlicher im Abschnitt 19 (Risikofunktionen) erörtert, kann das Risikomodell-Bestimmungsmodul 845 verschiedene auf maschinellem Lernen basierte Verfahren zum Trainieren des Risikomodells 847 anwenden.
  • In einigen Ausführungsformen umfassen die zum Trainieren des Risikomodells 847 verwendeten Samples Samples, die zu unterschiedlichen Erfahrungen gehören (d. h. die Samples werden für Bewertungen unterschiedlicher Erfahrungen generiert). Insbesondere in einer Ausführungsform umfassen die Samples mindestens ein erstes, zu einer ersten Bewertung einer ersten Erfahrung gehörendes Sample und ein zweites, zu einer zweiten Bewertung einer zweiten Erfahrung gehörendes Sample, wobei die erste und zweite Erfahrung zu einer unterschiedlichen Erfahrungsart gehören. In dieser Ausführungsform gehören die erste und zweite Erfahrung zu einer der folgenden Arten von Erfahrungen: das Verbringen von Zeit an einem bestimmten Ort, die Aufnahme eines bestimmten digitalen Inhalts, das Einloggen in einen Server, der eine virtuelle Welt hostet, das Ansehen einer bestimmten Live-Aufführung, die Durchführung einer bestimmten sportlichen Übung, das Bereisen einer bestimmten Route, das Verbringen von Zeit in einer Umgebung, die durch eine bestimmte Umgebungsbedingung geprägt ist, Einkaufen und die Teilnahme an einem sozialen Ausflug mit anderen Personen.
  • Es folgt eine Beschreibung von Schritten, die in einer Ausführungsform eines Verfahrens zur Bestimmung eines Modells durchgeführt werden können, das zur Bestimmung des Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 7 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher wahlweise ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind.
  • In einer Ausführungsform umfasst ein Verfahren zur Bestimmung eines Modells, das zur Bestimmung des Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern; wobei jeder Messwert ein Messwert eines Benutzers ist, der eine Erfahrung hatte, die zu einer eine oder mehrere Erfahrungen umfassenden Menge gehört, und mit einem mit dem Benutzer verbundenen Sensor erfasst wird.
  • Schritt 2, Generierung von Bestimmungen hinsichtlich der Bewertungen von Erfahrungen; wobei jede Bewertung einer Erfahrung anhand einer Teilmenge der Messwerte berechnet wird, die die Messwerte von mindestens fünf Benutzern, die die Erfahrung hatten, umfasst, und eine Bestimmung hinsichtlich der Bewertung indikativ für ein erwartetes Risiko für den Datenschutz durch eine Offenlegung der Bewertung ist. Optional werden die Bestimmungen durch das Modul zur Bewertung des Risikos für den Datenschutz 808 generiert.
  • Schritt 3, Generierung von zu den Bewertungen gehörenden Samples; wobei jedes zu einer Bewertung gehörende Sample umfasst: einen oder mehrere Merkmalswerte und ein zugehöriges Label, das auf der Grundlage einer Bestimmung hinsichtlich der Bewertung generiert wird. Optional ist jeder der einen oder mehreren Merkmalswerte indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der zur Berechnung der Bewertung verwendeten Teilmenge, eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge und eine Eigenschaft in Bezug auf die zu der Bewertung gehörende Erfahrung. Optional werden die Samples durch den Sample-Generator 842 generiert.
  • Und Schritt 4, Generierung eines Modells unter Verwendung der Samples, das der Bestimmung eines Ausmaßes des Risikos für den Datenschutz durch eine Offenlegung einer Bewertung einer bestimmten Erfahrung für eine Menge von Messwerten der affektiven Reaktion von mindestens fünf Benutzern dient, die eine bestimmte Erfahrung hatten, wobei die Bewertung auf der Grundlage der Menge berechnet wird. Optional ist das generierte Modell das Risikomodell 847. Optional wird das Modell durch das Risikomodell-Bestimmungsmodul 845 generiert.
  • In einer Ausführungsform umfasst das Verfahren optional einen Schritt zur Berechnung der Bewertungen der Erfahrungen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage von Messwerten von mindestens fünf der Benutzer, die die Erfahrung hatten, berechnet. Optional wird das Bewertungsmodul 150 zur Berechnung der Bewertungen verwendet.
  • In einer Ausführungsform erfolgt die Generierung der Bestimmung hinsichtlich der Bewertung durch Berechnung eines Ausmaßes einer Verbesserung in einem Bias-Werte umfassenden gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage der Bewertung. Optional ist die Bestimmung indikativ für das Ausmaß der Verbesserung.
  • In einer anderen Ausführungsform erfolgt die Generierung der Bestimmung hinsichtlich der Bewertung durch Verwendung einer Funktion, die einen oder mehrere Werte empfängt, von denen jeder indikativ für mindestens eine der folgenden statistischen Größen ist: eine statistische Größe der zur Berechnung der Bewertung beigetragenen Messwerte, eine statistische Größe in Bezug auf den Wert der Bewertung, eine statistische Größe in Bezug auf das Ausmaß der Offenlegung von Daten hinsichtlich mindestens eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben.
  • In einer Ausführungsform umfasst das Verfahren optional einen Schritt zur Erfassung der Messwerte der affektiven Reaktion der Benutzer mit Sensoren. Optional ist jeder der Messwerte indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals eines Benutzers und ein Wert eines Verhaltenssignals des Benutzers.
  • Das Risikomodell 847 kann zur Bestimmung des mit der Offenlegung einer Bewertung verbundenen Risikos verwendet werden. Daher kann das Modul zur Bewertung des Risikos für den Datenschutz 808 in einigen Ausführungsformen das Risikofunktionsmodul 849 zusammen mit dem Risikomodell 847 zur Erstellung einer Bestimmung hinsichtlich der Offenlegung der Bewertung verwenden. In einigen Ausführungsformen ist es jedoch nicht erforderlich, dass der Wert der offengelegten Bewertung für Samples bekannt ist, die mit dem Risikomodell 847 verwendet werden können. Wie im Folgenden beschrieben, kann das Risikofunktionsmodul 849 zusammen mit dem Risikomodell 847 verwendet werden, um zu bestimmen, ob Messwerte zur Berechnung einer Bewertung beigetragen werden (zusätzlich zur Bestimmung der Art und Weise der Offenlegung der Bewertung). Wenn also die Offenlegung einer Bewertung ein Risiko für den Datenschutz darstellen kann, können die Messwerte anderen Modulen (z. B. dem Bewertungsmodul 150) vorenthalten werden, um den Datenschutz der Benutzer besser zu wahren.
  • 17b zeigt eine Ausführungsform eines Systems, das für die Kontrolle der Weiterleitung von Messwerten der affektiven Reaktion aufgrund von Bedenken hinsichtlich des Datenschutzes konfiguriert ist. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, den Merkmalsgenerator 843, das Risikofunktionsmodul 849 und das Messwertfiltermodul 818. Das System kann optional zudem andere Module wie das Bewertungsmodul 150 umfassen. Einige Ausführungsformen des in 17b dargestellten Systems können zudem einen oder mehrere Sensoren umfassen, die zur Gewinnung der Messwerte der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, eine Menge von Messwerten der affektiven Reaktion von Benutzern zu empfangen, die eine Erfahrung hatten. Optional wird jeder Messwert eines Benutzers mit einem mit dem Benutzer verbundenen Sensor erfasst, wie etwa der Sensor 102. Optional enthält die Menge die Messwerte von mindestens fünf Benutzern.
  • Der Merkmalsgenerator 843 ist dazu konfiguriert, einen oder mehrere Merkmalswerte in Bezug auf die Menge von Messwerten zu generieren. Optional ist jeder Merkmalswert indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der Menge von Messwerten, eine Eigenschaft eines Benutzers mit einem Messwert in der Menge von Messwerten und eine Eigenschaft in Bezug auf die Erfahrung, die die Benutzer hatten. Es ist zu beachten, dass der eine Merkmalswert oder die mehreren Merkmalswerte dieselbe Art von Informationen angeben (z. B. dieselbe Art von Merkmalsvektoren), die für die zum Trainieren des Risikomodells 847 verwendeten Samples generiert wurden.
  • Das Risikofunktionsmodul 849 ist in einer Ausführungsform dazu konfiguriert, auf der Grundlage eines den einen oder die mehreren Merkmalswerte umfassenden Inputs einen Output zu produzieren, der indikativ für ein Ausmaß eines Risikos für den Datenschutz durch eine Offenlegung einer anhand der Menge berechneten Bewertung ist. Optional nutzt das Risikofunktionsmodul 849 das Risikomodell 847 zur Produktion des Outputs.
  • Der Output kann sich in verschiedenen Ausführungsformen auf verschiedene Arten des Risikos für den Datenschutz beziehen. In einer Ausführungsform kann der Output indikativ für ein Ausmaß eines Risikos für den Datenschutz eines bestimmten Benutzers sein. In einer anderen Ausführungsform kann der Output indikativ für ein durchschnittliches Ausmaß eines Risikos für den Datenschutz der Benutzer mit einem Messwert in der Menge sein. In einer weiteren Ausführungsform kann der Output indikativ für ein maximales Ausmaß eines Risikos für den Datenschutz eines Benutzers aus der Menge der Benutzer mit einem Messwert in der Menge sein.
  • Das Messwertfiltermodul 818 ist dazu konfiguriert, die Weiterleitung von zu der Menge gehörenden Messwerten an das Bewertungsmodul 150 und/oder an andere Module auf der Grundlage des Outputs zu kontrollieren. Optional, wenn der Output indiziert, dass das Risiko einen Schwellenwert nicht erreicht, ermöglicht das Messwertfiltermodul 818 die Weiterleitung eines Teils der zu der Menge gehörenden Messwerte, der größer ist als ein Teil der zu der Menge gehörenden Messwerte, dessen Weiterleitung das Messwertfiltermodul 818 ermöglicht, wenn der Output indiziert, dass das Risiko den Schwellenwert erreicht.
  • In einer Ausführungsform werden alle zu der Menge gehörenden Messwerte an das Bewertungsmodul 150 und/oder an andere Module weitergeleitet, wenn der Output indiziert, dass das Risiko den Schwellenwert nicht erreicht.
  • In einer Ausführungsform wird keiner der zu der Menge gehörenden Messwerte an das Bewertungsmodul 150 und/oder an andere Module weitergeleitet, wenn der Output indiziert, dass das Risiko den Schwellenwert erreicht.
  • In einer Ausführungsform kann der Output indikativ für einen bestimmten Benutzer sein, dessen Datenschutz einem Risiko ausgesetzt ist, und wird ein Messwert des bestimmten Benutzers nicht an das Bewertungsmodul 150 und/oder an andere Module weitergeleitet.
  • In einigen Ausführungsformen umfasst die Weiterleitung von Messwerten der affektiven Reaktion eine Übermittlung von die Messwerte beschreibenden Daten. Optional beinhaltet die Übermittlung der Daten das Senden von Daten auf einem drahtlosen Nahbereichskommunikationskanal, einem drahtgebundenen Kommunikationskanal, über das Internet, über ein Ethernet, über eine USB-Verbindung und/oder über das Netzwerk 112.
  • In einigen Ausführungsformen ist der durch das Risikofunktionsmodul 849 generierte Output nicht identisch für alle Mengen von Messwerten. Insbesondere empfängt das Erfassungsmodul 120 Messwerte, die zu einer ersten und zweiten Menge von Messwerten der affektiven Reaktion gehören, die jeweils die Messwerte von mindestens fünf Benutzern umfassen. Ein auf der Grundlage eines oder mehrerer mit der ersten Menge verbundener Merkmalswerte produzierter Output indiziert, dass ein Ausmaß des Risikos für den Datenschutz durch eine Offenlegung einer auf der Grundlage der ersten Menge berechneten Bewertung den Schwellenwert nicht erreicht. Dahingegen indiziert ein auf der Grundlage eines oder mehrerer mit der zweiten Menge verbundener Merkmalswerte produzierter Output, dass ein Ausmaß des Risikos für den Datenschutz durch eine Offenlegung einer auf der Grundlage der zweiten Menge berechneten Bewertung den Schwellenwert erreicht.
  • Es kann verschiedene Gründe dafür geben, warum die Bestimmungen für die erste und zweite Menge unterschiedlich sind. Diese Gründe können auf die Merkmalswerte zurückzuführen sein, die für jede der Menge generiert werden. Da es eine große Anzahl unterschiedlicher Risikofunktionen geben kann, die durch das Risikofunktionsmodul 849 bei dessen Anwendung des Risikomodells 847 implementiert werden können, ist es möglich, eine Charakterisierung der Risikofunktion anstatt einer bestimmten Implementierung zu erörtern. Beispielsweise kann die Risikofunktion als eine Funktion R() angegeben werden. Wobei der Wert der Funktion, wie in den folgenden Beispielen beschrieben, von den Risikokomponenten abhängt. Es ist zu beachten, dass eine im Folgenden beschriebene Risikokomponente in einigen Ausführungsformen ein Merkmal in Samples sein kann, die dem Risikofunktionsmodul 849 bereitgestellt werden. In anderen Ausführungsformen kann die Risikokomponente jedoch in den Merkmalswerten des Samples angegeben werden (d. h. die Merkmalswerte sind indikativ für die Risikokomponente). Eine eingehendere Erörterung der Charakterisierungen der Risikofunktion und der Risikokomponenten findet sich im Abschnitt 19 (Risikofunktionen).
  • In einer Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Menge einen ersten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der ersten Menge (bezeichnet als n1) ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Menge einen zweiten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der zweiten Menge (bezeichnet als n2) ist. In dieser Ausführungsform ist n1 > n2. Wenn davon ausgegangen wird, dass die Anzahl der Benutzer eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(n) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung einer auf der Grundlage der ersten Menge berechneten Bewertung den Schwellenwert nicht erreicht, und dass das Risiko durch eine Offenlegung einer auf der Grundlage der zweiten Menge berechneten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(n2) > R(n1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch eine Offenlegung einer Bewertung umso geringer ist, desto mehr Benutzer Messwerte zu der Bewertung beitragen.
  • In einer anderen Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Menge einen ersten Merkmalswert, der indikativ für die Varianz der Messwerte in der ersten Menge (bezeichnet als v1) ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Menge einen zweiten Merkmalswert, der indikativ für die Varianz der Messwerte in der zweiten Menge (bezeichnet als v2) ist. In dieser Ausführungsform ist v1 > v2. Wenn davon ausgegangen wird, dass die Varianz der Messwerte eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(v) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung einer auf der Grundlage der ersten Menge berechneten Bewertung den Schwellenwert nicht erreicht, und dass das Risiko durch eine Offenlegung einer auf der Grundlage der zweiten Menge berechneten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(v2) > R(v1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch eine Offenlegung einer Bewertung umso geringer ist, desto größer die Varianz der zur Berechnung der Bewertung verwendeten Messwerte ist.
  • In einer weiteren Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Menge einen ersten Merkmalswert, der indikativ für das Ausmaß ist, mit dem ein Benutzer aus der Menge der Benutzer mit einem Messwert in der ersten Menge vorherige Beiträge von Messwerten (bezeichnet als e1) gemacht hat, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Menge einen zweiten Merkmalswert, der indikativ für das Ausmaß ist, mit dem ein Benutzer aus der Menge der Benutzer mit einem Messwert in der zweiten Menge vorherige Beiträge von Messwerten (bezeichnet als e2) gemacht hat. In dieser Ausführungsform ist e1 < e2. In einem Beispiel sind der erste und zweite Merkmalswert indikativ für die durchschnittliche Anzahl der Messwerte, die in der Vergangenheit durch Benutzer mit einem Messwert in der ersten beziehungsweise zweiten Menge beigetragen wurden. In einem anderen Beispiel ist der erste Merkmalswert indikativ für die maximale Anzahl der Messwerte, die in der Vergangenheit durch einen Benutzer mit einem Messwert in der ersten Menge beigetragen wurde, und ist der zweite Merkmalswert indikativ für die maximale Anzahl der Messwerte, die in der Vergangenheit durch einen Benutzer mit einem Messwert in der zweiten Menge beigetragen wurde.
  • Wenn davon ausgegangen wird, dass das Ausmaß der vorherigen Beiträge eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(e) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung einer auf der Grundlage der ersten Menge berechneten Bewertung den Schwellenwert nicht erreicht, und dass das Risiko durch eine Offenlegung einer auf der Grundlage der zweiten Menge berechneten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(e2)> R(e1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass die Benutzer umso besser modelliert werden und dass die Offenlegung von Bewertungen, zu denen sie beigetragen haben, umso riskanter für den Datenschutz sein kann, desto mehr Benutzer Beiträge machen.
  • In noch einer anderen Ausführungsform umfasst die erste Menge die Messwerte von Benutzern, die eine erste Erfahrung einer ersten Art hatten, während die zweite Menge die Messwerte von Benutzern umfasst, die eine zweite Erfahrung einer zweiten Art hatten, die sich von der ersten Art unterscheidet. In dieser Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Menge einen ersten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der ersten Menge ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Menge einen zweiten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der zweiten Menge ist, wobei diese Anzahl nicht kleiner als die Anzahl der Benutzer mit einem Messwert in der ersten Menge ist. Somit kann die Art der Erfahrung in dieser Ausführungsform das durch das Risikofunktionsmodul 849 prognostizierte Risiko beeinflussen.
  • Es folgt eine Beschreibung von Schritten, die in einer Ausführungsform eines Verfahrens zur Weiterleitung von Messwerten der affektiven Reaktion unter Berücksichtigung von Bedenken hinsichtlich des Datenschutzes durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 7 modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind.
  • In einigen Ausführungsformen des Verfahrens können verschiedene Mengen von Messwerten verschiedene Bestimmungen erhalten, die indikativ für ein Risiko sind. Die Datensätze können somit auf unterschiedliche Weise weitergeleitet werden. Dies wird in der folgenden Beschreibung einer Ausführungsform des Verfahrens zur Weiterleitung von Messwerten der affektiven Reaktion unter Berücksichtigung von Bedenken hinsichtlich des Datenschutzes dargestellt, die mindestens die folgenden Schritte umfasst:
    Schritt 1, Empfang einer ersten und zweiten Menge von Messwerten der affektiven Reaktion durch ein einen Computer und einen Prozessor umfassendes System. Optional umfasst die erste Menge die Messwerte von mindestens fünf Benutzern, die eine erste Erfahrung hatten, und umfasst die zweite Menge die Messwerte von mindestens fünf Benutzern, die eine zweite Erfahrung hatten. Optional sind die erste Erfahrung und zweite Erfahrung Erfahrungen verschiedener Arten. Alternativ können die erste und zweite Erfahrung Erfahrungen derselben Art sein.
  • Schritt 2, Generierung eines ersten Samples, das einen oder mehrere Merkmalswerte in Bezug auf die erste Menge umfasst. Optional ist jeder Merkmalswert in dem ersten Sample indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der ersten Menge, eine Eigenschaft eines Benutzers mit einem Messwert in der ersten Menge und eine Eigenschaft in Bezug auf die erste Erfahrung. Optional werden die Merkmale in dem ersten Sample durch den Merkmalsgenerator 843 generiert.
  • Schritt 3, Generierung eines ersten Outputs auf der Grundlage des ersten Samples, der indikativ für ein erstes Ausmaß eines Risikos für den Datenschutz durch eine Offenlegung einer anhand der ersten Menge berechneten Bewertung ist. Optional wird der erste Output generiert, indem dem Risikofunktionsmodul 849 das erste Sample als Input bereitgestellt wird. Optional nutzt das Risikofunktionsmodul 849 das Risikomodell 847 zum Generieren des ersten Outputs.
  • Schritt 4, Weiterleitung eines ersten Teils der ersten Menge an ein Bewertungsmodul als Reaktion auf die Bestimmung, dass das in dem ersten Output angegebene Risiko einen Schwellenwert nicht erreicht. Optional wird der erste Teil an das Bewertungsmodul 150 weitergeleitet. Optional umfasst die Weiterleitung des ersten Teils die Weiterleitung aller Messwerte in der ersten Menge.
  • Schritt 5, Generierung eines zweiten Samples, das einen oder mehrere Merkmalswerte in Bezug auf die zweite Menge umfasst. Optional ist jeder Merkmalswert in dem zweiten Sample indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der zweiten Menge, eine Eigenschaft eines Benutzers mit einem Messwert in der zweiten Menge und eine Eigenschaft in Bezug auf die zweite Erfahrung. Optional werden die Merkmale in dem zweiten Sample durch den Merkmalsgenerator 843 generiert.
  • Schritt 6, Generierung eines zweiten Outputs auf der Grundlage des zweiten Samples, der indikativ für ein zweites Ausmaß eines Risikos für den Datenschutz durch eine Offenlegung einer anhand der zweiten Menge berechneten Bewertung ist. Optional wird der zweite Output generiert, indem der Risikofunktionsmodul 849 das zweite Sample als Input bereitgestellt wird. Optional nutzt das Risikofunktionsmodul 849 das Risikomodell 847 zum Generieren des zweiten Outputs.
  • Und Schritt 7, Weiterleitung eines zweiten Teils der zweiten Menge an ein Bewertungsmodul als Reaktion auf die Bestimmung, dass das in dem zweiten Output angegebene Risiko den Schwellenwert erreicht. In dieser Ausführungsform ist der zweite Teil kleiner als der erste Teil. Optional ist der zweite Teil Null und werden keine Messwerte aus der zweiten Menge an das Bewertungsmodul weitergeleitet. Optional ist der zweite Output indikativ für einen bestimmten Benutzer, dessen Datenschutz einem Risiko ausgesetzt ist, und wird ein Messwert des bestimmten Benutzers nicht an das Bewertungsmodul 150 weitergeleitet.
  • In einer Ausführungsform kann das Verfahren optional einen Schritt zur Erfassung der ersten und zweiten Menge der Messwerte der affektiven Reaktion mit Sensoren umfassen. Optional ist jeder der Messwerte indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals eines Benutzers und ein Wert eines Verhaltenssignals des Benutzers.
  • Der Wert einer Bewertung kann in einigen Ausführungsformen bei der Bestimmung des mit der Offenlegung der Bewertung verbundenen Risikos helfen. Zum Beispiel kann eine Bewertung, die einen extremen Wert hat (die eine niedrige Wahrscheinlichkeit hat), aufschlussreicher über den Benutzer sein, der Messwerte zu der Berechnung der Bewertung beigetragen hat, als eine Bewertung, die einen Wert hat, der üblicherweise beobachtet wird (die eine hohe Wahrscheinlichkeit hat). In einem anderen Beispiel kann eine Offenlegung einer Bewertung, die mit einer hohen Konfidenz bestimmt wird, riskanter als eine Offenlegung einer Bewertung sein, die mit einer niedrigen Konfidenz (z. B. mit einem großen Konfidenzintervall) bestimmt wird. In einigen Ausführungsformen kann der Wert einer Bewertung mit einer hohen Konfidenz, die offengelegt wird, mit größerer Genauigkeit für eine Schlussfolgerung über die Benutzer, die Messwerte zu der Bewertung beigetragen haben, verwendet werden als eine Bewertung mit einer niedrigen Konfidenz.
  • 18a zeigt eine Ausführungsform eines Systems, das für die Bestimmung eines Modells (hierin als „Risikomodell” bezeichnet) konfiguriert ist, welches zur Bestimmung eines Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Modul zur Bewertung des Risikos für den Datenschutz 808, das Bewertungsmodul 150, den Sample-Generator 852 und das Risikomodell-Bestimmungsmodul 845. Einige Ausführungsformen des in 18a dargestellten Systems können zudem einen oder mehrere Sensoren umfassen, die zur Gewinnung der Messwerte 110 der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, Messwerte 110 der affektiven Reaktion von zu der Crowd 100 gehörenden Benutzern zu empfangen. Optional gehört jeder Messwert eines Benutzers zu einem Ereignis, bei dem der Benutzer eine Erfahrung hatte, und wird der Messwert mit einem mit dem Benutzer verbundenen Sensor (z. B. der Sensor 102) erfasst.
  • Das Bewertungsmodul 150 ist in einer Ausführungsform dazu konfiguriert, Bewertungen für Erfahrungen zu berechnen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage einer Teilmenge der Messwerte berechnet, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst.
  • Das Modul zur Bewertung des Risikos für den Datenschutz 808 ist in einer Ausführungsform dazu konfiguriert, Bestimmungen hinsichtlich der Bewertungen von Erfahrungen zu erstellen. Optional ist eine Bestimmung hinsichtlich der Bewertung indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung der Bewertung. Optional ist die Bestimmung hinsichtlich der Bewertung indikativ für das Ausmaß einer Verbesserung in einem Bias-Werte umfassenden gegnerischen Bias-Modell infolge einer Aktualisierung des gegnerischen Bias-Modells nach der Offenlegung der Bewertung.
  • Die durch das Modul zur Bewertung des Risikos für den Datenschutz 808 erstellte Bestimmung kann sich auf verschiedene Arten von Risiken beziehen. In einer Ausführungsform ist das Modul zur Bewertung des Risikos für den Datenschutz 808 dazu konfiguriert, eine Angabe eines bestimmten Benutzers zu empfangen, und ist die Bestimmung hinsichtlich der Bewertung indikativ für ein Ausmaß eines Risikos für den Datenschutz des bestimmten Benutzers. In einer anderen Ausführungsform ist die Bestimmung hinsichtlich der Bewertung indikativ für ein durchschnittliches Ausmaß eines Risikos für den Datenschutz der Benutzer, die zur Berechnung der Bewertung verwendete Messwerte der affektiven Reaktion beigetragen haben. In einer weiteren Ausführungsform ist die Bestimmung hinsichtlich der Bewertung indikativ für ein maximales Ausmaß eines Risikos für den Datenschutz eines Benutzers aus der Menge der Benutzer, die Messwerte der affektiven Reaktion zur Berechnung der Bewertung beigetragen haben.
  • Der Sample-Generator 852 ist dazu konfiguriert, zu den Bewertungen gehörende Samples zu generieren. In einer Ausführungsform umfasst jedes zu einer Bewertung gehörende Sample: einen oder mehrere Merkmalswerte und ein zugehöriges Label, das auf der Grundlage einer Bestimmung hinsichtlich der Bewertung generiert wird, wobei die Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 berechnet wird. Optional werden der eine oder die mehreren Merkmalswerte durch den Merkmalsgenerator 853 generiert und wird das Label durch den Label-Generator 844 generiert. Optional ist jeder der einen oder mehreren Merkmalswerte indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der Bewertung, eine Eigenschaft der Teilmenge, die zur Berechnung der Bewertung verwendet wird, eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge (d. h. ein Benutzer, der einen Messwert zu der Berechnung der Bewertung beigetragen hat) und eine Eigenschaft in Bezug auf die zu der Bewertung gehörende Erfahrung.
  • Wie im Abschnitt 19 (Risikofunktionen) beschrieben, können die mit einer Offenlegung der Bewertung verbundenen Merkmalswerte zu einer diversen Menge von Eigenschaften in Bezug auf die Teilmenge der zur Berechnung der Bewertung verwendeten Messwerte, in Bezug auf einen oder mehrere der Benutzer, die Messwerte beigetragen haben, in Bezug auf die zu der Bewertung gehörende Erfahrung, in Bezug auf eine Eigenschaft der Bewertung und/oder in Bezug auf einen Gegner, der die offengelegte Bewertung verwenden kann, gehören.
  • In einer Ausführungsform beziehen sich zumindest einige der durch den Merkmalsgenerator 853 generierten Merkmalswerte auf eine Eigenschaft der Bewertung, die offengelegt wird. Optional ist die Eigenschaft der Bewertung indikativ für mindestens einen der folgenden Werte: (i) der Wert der Bewertung, (ii) eine Wahrscheinlichkeit der Bewertung und (iii) eine Signifikanz der Bewertung. Optional ist die Wahrscheinlichkeit der Bewertung indikativ für mindestens einen der folgenden Werte: eine Häufigkeit, mit der der Wert der Bewertung beobachtet wird, die Häufigkeit, mit der Bewertungen mit Werten beobachtet werden, die gleich dem oder größer als der Wert der Bewertung sind. Optional ist die Signifikanz der Bewertung indikativ für mindestens einen der folgenden Werte: (i) einen p-Wert der Bewertung, (ii) einen q-Wert der Bewertung und (iii) ein Konfidenzintervall der Bewertung.
  • Es folgen einige Beispiele von Merkmalen, die durch den Merkmalsgenerator 853 generiert werden können und mit der Offenlegung der Bewertung verbunden sind. In einem Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine Eigenschaft der zur Berechnung der Bewertung verwendeten Teilmenge der Messwerte beschreibt und indikativ für mindestens einen der folgenden Werte ist: (i) die Anzahl der Benutzer mit einem Messwert in der Teilmenge, (ii) die Varianz der Messwerte in der Teilmenge. In einem anderen Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge beschreibt und indikativ für mindestens einen der folgenden Werte ist: eine Identität des Benutzers, eine demographische statistische Größe des Benutzers, ein Ausmaß, in dem der Benutzer in der Vergangenheit Messwerte beigetragen hat. In einem weiteren Beispiel umfassen die Merkmale in Bezug auf die Offenlegung der Bewertung mindestens ein Merkmal, das eine mit der Erfahrung verbundene Eigenschaft beschreibt und indikativ für mindestens einen der folgenden Werte ist: (i) eine Art der Erfahrung, (ii) einen Umfang einer Beschreibung eines die Erfahrung betreffenden Ereignisses und (iii) ein Ort, an dem der Benutzer die Erfahrung hatte.
  • Der Merkmalsgenerator 853 kann Informationen von verschiedenen Quellen empfangen, um die Merkmalswerte in Bezug auf die Offenlegung der Bewertung zu generieren. In einem Beispiel empfängt der Merkmalsgenerator 853 Informationen über die Bewertung und/oder dessen Berechnung von dem Bewertungsmodul 150. In einem anderen Beispiel empfängt der Merkmalsgenerator 853 Beschreibungen von Ereignissen, zu denen die zur Berechnung der Bewertung verwendeten Messwerte gehören. Optional werden die Beschreibungen durch den Ereignis-Annotator 701 generiert. In einem weiteren Beispiel empfängt der Merkmalsgenerator 853 Informationen von dem Erfassungsmodul 120. In einem wiederum anderen Beispiel empfängt der Merkmalsgenerator 853 Informationen von den Benutzern, die zur Berechnung der Bewertung verwendete Messwerte beigetragen haben, z. B. über im Namen der Benutzer operierende Software-Agenten. Und in einem weiteren Beispiel empfängt der Merkmalsgenerator 853 Informationen von anderen Entitäten, wie etwa von einem Anbieter der Erfahrung, zu der die Bewertung gehört.
  • Das Risikomodell-Bestimmungsmodul 845 ist dazu konfiguriert, die Samples zur Generierung des Risikomodells 857 zu verwenden. Das Risikomodell 857 dient dazu, für eine bestimmte Bewertung ein Ausmaß des Risikos für den Datenschutz aufgrund einer Offenlegung der bestimmten Bewertung zu bestimmen. Optional kann die Bestimmung des Ausmaßes des Risikos durch das Risikofunktionsmodul 849 generiert werden, wenn dieses ein Sample erhält, das Merkmalswerte umfasst, die durch den Merkmalsgenerator 853 für die Bewertung der bestimmten Erfahrung generiert wurde. Wie ausführlicher im Abschnitt 19 (Risikofunktionen) erörtert, kann das Risikomodell-Bestimmungsmodul 845 verschiedene auf maschinellem Lernen basierte Verfahren zum Trainieren des Risikomodells 857 verwenden.
  • In einigen Ausführungsformen umfassen die zum Trainieren des Risikomodells 857 verwendeten Samples Samples, die zu unterschiedlichen Erfahrungen gehören (d. h. die Samples werden für Bewertungen unterschiedlicher Erfahrungen generiert). Insbesondere in einer Ausführungsform enthalten die Samples mindestens ein erstes, zu einer ersten Bewertung einer ersten Erfahrung gehörendes Sample und ein zweites, zu einer zweiten Bewertung einer zweiten Erfahrung gehörendes Sample, wobei die erste und zweite Erfahrung zu einer unterschiedlichen Art gehören. In dieser Ausführungsform gehören die erste und zweite Erfahrung zu einer der folgenden Arten von Erfahrungen: das Verbringen von Zeit an einem bestimmten Ort, die Aufnahme eines bestimmten digitalen Inhalts, das Einloggen in einen Server, der eine virtuelle Welt hostet, das Ansehen einer bestimmten Live-Aufführung, die Durchführung einer bestimmten sportlichen Übung, das Bereisen einer bestimmten Route, das Verbringen von Zeit in einer Umgebung, die durch eine bestimmte Umgebungsbedingung geprägt ist, Einkaufen und die Teilnahme an einem sozialen Ausflug mit anderen Personen.
  • Es folgt eine Beschreibung von Schritten, die in einer Ausführungsform eines Verfahrens zur Bestimmung eines Modells durchgeführt werden können, das zur Bestimmung des Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 18a modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind.
  • In einer Ausführungsform umfasst ein Verfahren zur Bestimmung eines Modells, das zur Bestimmung des Risikos für den Datenschutz durch die Offenlegung einer auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertung verwendet wird, mindestens die folgenden Schritte:
    Schritt 1, Empfang von Messwerten der affektiven Reaktion von Benutzern; wobei jeder der Messwerte ein Messwert eines Benutzers ist, der eine Erfahrung hatte, die zu einer eine oder mehrere Erfahrungen umfassenden Menge gehört, und mit einem mit dem Benutzer verbundenen Sensor erfasst wird.
  • Schritt 2, Berechnung von Bewertungen der Erfahrungen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage einer Teilmenge der Messwerte berechnet, die die Messwerte von mindestens fünf der Benutzer, die die Erfahrung hatten, umfasst. Optional werden die Bewertungen durch den Bewertungsmodul 150 berechnet.
  • Schritt 3, Generierung von Bestimmungen hinsichtlich der Bewertungen. Optional ist eine Bestimmung hinsichtlich einer Bewertung indikativ für ein erwartetes Risiko für den Datenschutz infolge einer Offenlegung der Bewertung. Optional wird die Bestimmung durch das Modul zur Bewertung des Risikos für den Datenschutz 808 generiert.
  • Schritt 4, Generierung von zu den Bewertungen gehörenden Samples; wobei jedes zu einer Bewertung gehörendes Sample umfasst: einen oder mehrere Merkmalswerte und ein zugehöriges Label, das auf der Grundlage einer Bestimmung hinsichtlich der Bewertung generiert wird. Optional ist jeder der einen oder mehreren Merkmalswerte indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der Bewertung, eine Eigenschaft der zur Berechnung der Bewertung verwendeten Teilmenge, eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge und eine Eigenschaft in Bezug auf die zu der Bewertung gehörende Erfahrung. Optional werden die Samples durch den Sample-Generator 852 generiert.
  • Und Schritt 5, Generierung eines Modells unter Verwendung der Samples, das dazu dient, für eine bestimmte Bewertung ein Ausmaß des Risikos für den Datenschutz durch eine Offenlegung der bestimmten Bewertung zu bestimmen. Optional ist das generierte Modell das Risikomodell 857. Optional wird das Modell durch das Risikomodell-Bestimmungsmodul 845 generiert.
  • In einer Ausführungsform umfasst das Verfahren optional einen Schritt zur Berechnung der Bewertungen der Erfahrungen. Optional wird jede Bewertung einer Erfahrung auf der Grundlage von Messwerten von mindestens fünf der Benutzer, die die Erfahrung hatten, berechnet. Optional wird das Bewertungsmodul 150 zur Berechnung der Bewertungen verwendet.
  • In einer Ausführungsform erfolgt die Generierung der Bestimmung hinsichtlich der Bewertung durch Berechnung eines Ausmaßes einer Verbesserung in einem Bias-Werte umfassenden gegnerischen Bias-Modell aufgrund einer Aktualisierung des gegnerischen Bias-Modells auf der Grundlage der Bewertung. Optional ist die Bestimmung indikativ für das Ausmaß der Verbesserung.
  • In einer anderen Ausführungsform erfolgt die Generierung der Bestimmung hinsichtlich der Bewertung durch Verwendung einer Funktion, die einen oder mehrere Werte empfängt, wobei jeder dieser Werte indikativ für mindestens eine der folgenden statistischen Größen ist: eine statistische Größe der zur Berechnung der Bewertung beigetragenen Messwerte, eine statistische Größe in Bezug auf den Wert der Bewertung, eine statistische Größe in Bezug auf das Ausmaß der Offenlegung von Daten hinsichtlich mindestens eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben.
  • In einer Ausführungsform umfasst das Verfahren optional einen Schritt zur Erfassung der Messwerte der affektiven Reaktion der Benutzer mit Sensoren. Optional ist jeder der Messwerte indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals eines Benutzers und ein Wert eines Verhaltenssignals des Benutzers.
  • Das Risikomodell 857 kann zur Bestimmung des mit der Offenlegung der Bewertung verbundenen Risikos verwendet werden. Daher kann das Modul zur Bewertung des Risikos für den Datenschutz 808 in einigen Ausführungsformen das Risikofunktionsmodul 849 zusammen mit dem Risikomodell 857 zur Erstellung einer Bestimmung hinsichtlich der Offenlegung der Bewertung verwenden. Eine Ausführungsform, in der dies geschieht, ist in 18b dargestellt; 18b zeigt eine Ausführungsform eines Systems, das für die Kontrolle der Offenlegung einer Bewertung einer Erfahrung auf der Grundlage von Bedenken hinsichtlich des Datenschutzes konfiguriert ist. Das System umfasst mindestens die folgenden Module: das Erfassungsmodul 120, das Bewertungsmodul 150, den Merkmalsgenerator 853, das Risikofunktionsmodul 849 und das Datenschutz-Filtermodul 810. Einige Ausführungsformen des in 18b dargestellten Systems können zudem einen oder mehrere Sensoren umfassen, die zur Gewinnung der Messwerte der affektiven Reaktion verwendet werden, wie zum Beispiel eine oder mehrere Einheiten des Sensors 102.
  • Das Erfassungsmodul 120 ist in einer Ausführungsform dazu konfiguriert, eine Menge von Messwerten der affektiven Reaktion von Benutzern, die eine Erfahrung hatten, zu empfangen. Optional wird jeder Messwert eines Benutzers mit einem mit dem Benutzer verbundenen Sensor erfasst, wie etwa der Sensor 102. Optional enthält die Menge die Messwerte von mindestens fünf Benutzern.
  • Das Bewertungsmodul 150 ist in einer Ausführungsform dazu konfiguriert, die Bewertung der Erfahrung auf der Grundlage einer Teilmenge der Messwerte zu berechnen, die die Messwerte von mindestens fünf der Benutzer umfasst.
  • Der Merkmalsgenerator 853 ist dazu konfiguriert, einen oder mehrere Merkmalswerte in Bezug auf die Bewertung zu generieren. Optional ist jeder Merkmalswert indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der Bewertung, eine Eigenschaft der zur Berechnung der Bewertung verwendeten Teilmenge, eine Eigenschaft eines Benutzers mit einem Messwert in der Teilmenge und eine Eigenschaft in Bezug auf die zu der Bewertung gehörende Erfahrung. Es ist zu beachten, dass der eine oder die mehreren Merkmalswerte dieselbe Art von Informationen angeben (z. B. dieselbe Art von Merkmalsvektoren) wie die Informationen, die für die zum Trainieren des Risikomodells 857 verwendeten Samples generiert wurden.
  • Das Risikofunktionsmodul 849 ist in einer Ausführungsform dazu konfiguriert, auf der Grundlage eines den einen oder die mehreren Merkmalswerte umfassenden Inputs einen Output zu produzieren, der indikativ für ein Ausmaß eines Risikos für den Datenschutz durch eine Offenlegung der Bewertung ist. Optional verwendet das Risikofunktionsmodul 849 das Risikomodell 857 zur Produktion des Outputs.
  • Der Output kann sich in verschiedenen Ausführungsformen auf verschiedene Arten des Risikos für den Datenschutz beziehen. In einer Ausführungsform kann der Output indikativ für ein Ausmaß eines Risikos für den Datenschutz eines bestimmten Benutzers sein. In einer anderen Ausführungsform kann der Output indikativ für ein durchschnittliches Ausmaß eines Risikos für den Datenschutz der Benutzer mit einem Messwert in der Menge sein. In einer weiteren Ausführungsform kann der Output indikativ für ein maximales Ausmaß eines Risikos für den Datenschutz eines Benutzers aus der Menge der Benutzer mit einem Messwert in der Menge sein.
  • Das Datenschutz-Filtermodul 810 ist in einer Ausführungsform dazu konfiguriert, die Bewertung auf eine auf dem Output basierende Weise offenzulegen. Optional wird die Bewertung als Reaktion darauf, dass der Output indiziert, dass das Risiko einen Schwellenwert nicht erreicht, auf eine erste Weise offengelegt, und wird die Bewertung als Reaktion darauf, dass der Output indiziert, dass das Risiko den Schwellenwert erreicht, auf eine zweite Weise offengelegt, wobei die zweite Weise weniger deskriptiv als die erste Weise ist. In einer Ausführungsform ist das Datenschutz-Filtermodul 810 dazu konfiguriert, bei der Offenlegung der Bewertung auf die zweite Weise eine Anzahl von mit der Bewertung verbundenen Werten bereitzustellen, die kleiner ist als die Anzahl der mit der Bewertung verbundenen Werte, zu deren Bereitstellung das Datenschutz-Filtermodul bei der Offenlegung auf die erste Weise konfiguriert ist. In einer anderen Ausführungsform ist das Datenschutz-Filtermodul 810 dazu konfiguriert, bei der Offenlegung auf die zweite Weise eine Anzahl von die Bewertung beschreibenden Informationen bereitzustellen, die kleiner ist als die Anzahl der die Bewertung beschreibenden Informationen, zu deren Bereitstellung das Datenschutz-Filtermodul bei der Offenlegung auf die erste Weise konfiguriert ist. Und in einer weiteren Ausführungsform stellt das Datenschutz-Filtermodul 810 bei der Offenlegung der Bewertung auf die zweite Weise keine einen Wert der Bewertung beschreibenden Daten bereit.
  • In einigen Ausführungsformen ist der durch das Risikofunktionsmodul 849 generierte Output nicht identisch für alle Mengen von Messwerten. Insbesondere empfängt das Erfassungsmodul 120 Messwerte, die zu einer ersten und zweiten Menge von Messwerten der affektiven Reaktion gehören, die jeweils die Messwerte von mindestens fünf Benutzern umfassen. Ein Output, der auf der Grundlage eines oder mehrerer Merkmalswerte produziert wird, die mit einer ersten, auf der Grundlage der ersten Menge berechneten Bewertung verbunden sind indiziert, dass ein Ausmaß des Risikos für den Datenschutz durch eine Offenlegung der ersten Bewertung den Schwellenwert nicht erreicht. Dahingegen indiziert ein Output, der auf der Grundlage eines oder mehrerer Merkmalswerte produziert wird, die mit einer zweiten, auf der Grundlage der zweiten Menge berechneten Bewertung verbunden sind, dass ein Ausmaß des Risikos für den Datenschutz durch eine Offenlegung der zweiten Bewertung den Schwellenwert erreicht.
  • Es kann verschiedene Gründe dafür geben, warum die Bestimmungen für die erste und zweite Bewertung unterschiedlich sind. Diese Gründe können auf die Merkmalswerte zurückzuführen sein, die für jede der Bewertungen generiert werden. Da es eine große Anzahl unterschiedlicher Risikofunktionen geben kann, die durch das Risikofunktionsmodul 849 bei dessen Anwendung des Risikomodells 857 implementiert werden können, ist es möglich, eine Charakterisierung der Risikofunktion anstatt einer bestimmten Implementierung zu erörtern. Beispielsweise kann die Risikofunktion als eine Funktion R() angegeben werden. Wobei der Wert der Funktion, wie in den folgenden Beispielen beschrieben, von den Risikokomponenten abhängt. Es ist zu beachten, dass eine im Folgenden beschriebene Risikokomponente in einigen Ausführungsformen ein Merkmal in Samples sein kann, die dem Risikofunktionsmodul 849 bereitgestellt werden. In anderen Ausführungsformen kann die Risikokomponente jedoch in den Merkmalswerten des Samples angegeben werden (d. h. die Merkmalswerte sind indikativ für die Risikokomponente). Eine eingehendere Erörterung der Charakterisierungen der Risikofunktion und der Risikokomponenten ist im Abschnitt 19 (Risikofunktionen) zu finden.
  • In einer Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Bewertung einen ersten Merkmalswert, der indikativ für eine Wahrscheinlichkeit der ersten Bewertung (bezeichnet als p1) ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Bewertung einen zweiten Merkmalswert, der indikativ für eine Wahrscheinlichkeit der zweiten Bewertung (bezeichnet als p2) ist. In dieser Ausführungsform ist p1 > p2. Wenn davon ausgegangen wird, dass die Wahrscheinlichkeit einer Bewertung eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(p) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung der ersten Bewertung den Schwellenwert nicht erreicht und dass das Risiko durch eine Offenlegung der zweiten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(p2) > R(p1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch die Offenlegung der Bewertung umso größer ist, desto weniger wahrscheinlich die Bewertung ist (sie ist ein Extremwert).
  • In einer anderen Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Bewertung einen ersten Merkmalswert, der indikativ für eine Konfidenz der ersten Bewertung (bezeichnet als c1), und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Bewertung einen zweiten Merkmalswert, der indikativ für eine Konfidenz der zweiten Bewertung (bezeichnet als c2) ist. In dieser Ausführungsform ist c2>c1. Wenn davon ausgegangen wird, dass die Konfidenz einer Bewertung eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(c) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung der ersten Bewertung den Schwellenwert nicht erreicht und dass das Risiko durch eine Offenlegung der zweiten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(c2)> R(c1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch die Offenlegung der Bewertung umso größer ist, desto größer die Konfidenz der Bewertung ist (sie hat kleine Konfidenzintervalle).
  • In einer anderen Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Bewertung einen ersten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der ersten Menge (bezeichnet als n1) ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Bewertung einen zweiten Merkmalswert, der indikativ für die Anzahl der Benutzer mit einem Messwert in der zweiten Menge (bezeichnet als n2) ist. In dieser Ausführungsform ist n1>n2. Wenn davon ausgegangen wird, dass die Anzahl der Benutzer eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(n) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung der ersten Bewertung den Schwellenwert nicht erreicht und dass das Risiko durch eine Offenlegung der zweiten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(n2) > R(n1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch eine Offenlegung einer Bewertung umso geringer ist, desto mehr Benutzer Messwerte zu der Bewertung beitragen.
  • In einer weiteren Ausführungsform umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die erste Bewertung einen ersten Merkmalswert, der indikativ für die Varianz der Messwerte in der ersten Menge (bezeichnet als v1) ist, und umfassen der eine oder die mehreren Merkmalswerte in Bezug auf die zweite Menge einen zweiten Merkmalswert, der indikativ für die Varianz der Messwerte in der zweiten Menge i (bezeichnet als v2) ist. In dieser Ausführungsform ist v1 > v2. Wenn davon ausgegangen wird, dass die Varianz der Messwerte eine Risikokomponente ist, die die Risikofunktion charakterisiert, dann kann die Risikofunktion in dieser Ausführungsform als R(v) bezeichnet werden. Die Tatsache, dass die erste Bestimmung indiziert, dass das Risiko durch eine Offenlegung der ersten Bewertung den Schwellenwert nicht erreicht und dass das Risiko durch eine Offenlegung der zweiten Bewertung den Schwellenwert erreicht, ist indikativ dafür, dass R(v2) > R(v1). Diese Art von Verhalten der Risikofunktion in dieser Ausführungsform repräsentiert die Tatsache, dass generell unter ansonsten gleichen Bedingungen gilt, dass das Risiko für den Datenschutz durch eine Offenlegung einer Bewertung umso geringer ist, desto größer die Varianz der zur Berechnung der Bewertung verwendeten Messwerte ist.
  • Es folgt eine Beschreibung von Schritten, die in einer Ausführungsform eines Verfahrens zur Kontrolle der Offenlegung einer Bewertung einer Erfahrung auf der Grundlage von Bedenken hinsichtlich des Datenschutzes durchgeführt werden können. Die im Folgenden beschriebenen Schritte können in einigen Ausführungsformen ein Teil der durch eine Ausführungsform eines oben beschriebenen Systems durchgeführten Schritte sein, wie etwa ein gemäß 18b modelliertes System. In einigen Ausführungsformen können die Anweisungen für die Implementierung eines oder mehrerer der im Folgenden beschriebenen Verfahren auf einem computerlesbaren Datenträger gespeichert werden, welcher optional ein nichttransitorischer, computerlesbarer Datenträger sein kann. Als Reaktion auf die Ausführung durch ein einen Prozessor und einen Speicher umfassendes System bewirken die Anweisungen, dass das System Operationen durchführt, die ein Teil des Verfahrens sind.
  • In einigen Ausführungsformen des Verfahrens können verschiedene Bewertungen, die auf der Grundlage verschiedener Mengen von Messwerten berechnet werden, verschiedene Bestimmungen erhalten, die indikativ für ein Risiko sind. Die Datensätze können somit auf unterschiedliche Weise weitergeleitet werden. Dies ist in der folgenden Beschreibung einer Ausführungsform des Verfahrens zur Kontrolle der Offenlegung einer Bewertung einer Erfahrung auf der Grundlage von Bedenken hinsichtlich des Datenschutzes dargestellt, die mindestens die folgenden Schritte umfasst:
    Schritt 1, Empfang einer ersten und zweiten Teilmenge von Messwerten der affektiven Reaktion durch ein einen Computer und einen Prozessor umfassendes System. Optional umfasst die erste Teilmenge die Messwerte von mindestens fünf Benutzern, die eine erste Erfahrung hatten, und umfasst die zweite Teilmenge die Messwerte von mindestens fünf Benutzern, die eine zweite Erfahrung hatten. Optional sind die erste Erfahrung und zweite Erfahrung Erfahrungen verschiedener Arten. Alternativ können die erste und zweite Erfahrung Erfahrungen derselben Art sein.
  • Schritt 2, Berechnung einer ersten Bewertung auf der Grundlage der ersten Teilmenge.
  • Schritt 3, Generierung eines ersten Samples, das einen oder mehrere Merkmalswerte in Bezug auf die erste Bewertung umfasst. Optional ist jeder Merkmalswert in dem ersten Sample indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der ersten Bewertung, eine Eigenschaft der ersten Teilmenge, eine Eigenschaft eines Benutzers mit einem Messwert in der ersten Teilmenge und eine Eigenschaft in Bezug auf die erste Erfahrung. Optional werden die Merkmale in dem ersten Sample durch den Merkmalsgenerator 853 generiert.
  • Schritt 4, Generierung eines ersten Outputs auf der Grundlage des ersten Samples, der indikativ für ein erstes Ausmaß eines Risikos für den Datenschutz aufgrund einer Offenlegung der ersten Bewertung ist. Optional wird der erste Output generiert, indem dem Risikofunktionsmodul 849 das erste Sample als Input bereitgestellt wird. Optional verwendet das Risikofunktionsmodul 849 das Risikomodell 857 zum Generieren des ersten Outputs.
  • Schritt 5, Offenlegung der ersten Bewertung auf eine erste Weise als Reaktion auf die Bestimmung, dass das in dem ersten Output angegebene Risiko einen Schwellenwert nicht erreicht.
  • Schritt 6, Berechnung einer zweiten Bewertung auf der Grundlage der zweiten Teilmenge.
  • Schritt 7, Generierung eines zweiten Samples, das einen oder mehrere Merkmalswerte in Bezug auf die zweite Bewertung umfasst. Optional ist jeder Merkmalswert in dem zweiten Sample indikativ für mindestens eine der folgenden Eigenschaften: eine Eigenschaft der zweiten Bewertung, eine Eigenschaft der zweiten Teilmenge, eine Eigenschaft eines Benutzers mit einem Messwert in der zweiten Teilmenge und eine Eigenschaft in Bezug auf die zweite Erfahrung. Optional werden die Merkmale in dem zweiten Sample durch den Merkmalsgenerator 853 generiert.
  • Schritt 8, Generierung eines zweiten Outputs auf der Grundlage des zweiten Samples, der indikativ für ein zweites Ausmaß eines Risikos für den Datenschutz durch eine Offenlegung einer anhand der zweiten Menge berechneten Bewertung ist. Optional wird der zweite Output generiert, indem dem Risikofunktionsmodul 849 das zweite Sample als Input bereitgestellt wird. Optional verwendet das Risikofunktionsmodul 849 das Risikomodell 857 zum Generieren des zweiten Outputs.
  • Und Schritt 9, Offenlegung der zweiten Bewertung auf eine zweite Weise, die weniger deskriptiv als die erste Weise ist, als Reaktion auf die Bestimmung, dass das in dem zweiten Output angegebene Risiko den Schwellenwert erreicht.
  • In einer Ausführungsform kann das Verfahren optional einen Schritt zur Erfassung der ersten und zweiten Menge der Messwerte der affektiven Reaktion mit Sensoren umfassen. Optional ist jeder der Messwerte indikativ für mindestens einen der folgenden Werte: ein Wert eines physiologischen Signals eines Benutzers und ein Wert eines Verhaltenssignals des Benutzers.
  • In einer Ausführungsform ist die Anzahl der mit der ersten Bewertung verbundenen Werte, die bereitgestellt werden, größer als die Anzahl der mit der zweiten Bewertung verbundenen Werte, die bereitgestellt werden. In einer anderen Ausführungsform ist die Anzahl der die erste Bewertung beschreibenden Informationen, die bereitgestellt werden, größer als die Anzahl der die zweite Bewertung beschreibenden Informationen, die bereitgestellt werden. In einer weiteren Ausführungsform werden keine die zweite Bewertung beschreibenden Daten offengelegt.
  • 1 – Sensoren
  • Gemäß der Verwendungsweise hierin ist ein Sensor ein Gerät, das irgendeine Art von Input aus der physischen Umgebung erkennt und/oder auf irgendeine Art von Input aus der physischen Umgebung reagiert. „Physische Umwelt” ist hierin ein Begriff, der den menschlichen Körper und seine Umgebung umfasst.
  • In einigen Ausführungsformen kann ein Sensor, der zur Messung der affektiven Reaktion eines Benutzers verwendet wird, unter anderem einen oder mehrere der folgenden Sensoren umfassen: ein Gerät, das ein physiologisches Signal des Benutzers misst, ein Bildaufnahmegerät (z. B. eine Kamera für sichtbares Licht, eine auf nahes Infrarot (NIR) spezialisierte Kamera, eine Wärmekamera, die nützlich für die Messung von Wellenlängen ist, die größer als 2500 nm sind), ein Mikrofon für Tonaufnahmen, ein Bewegungssensor, ein Drucksensor, ein magnetischer Sensor, ein elektro-optischer Sensor und/oder ein biochemischer Sensor. Wenn ein Sensor zur Messung des Benutzers verwendet wird, stammt der Input aus der physischen Umgebung, der durch den Sensor erfasst wird, typischerweise vom Benutzer oder betrifft den Benutzer. Zum Beispiel umfasst ein mit einem Bildaufnahmegerät erfasster Messwert der affektiven Reaktion eines Benutzers ein Bild des Benutzers. In einem anderen Beispiel erkennt ein Messwert der affektiven Reaktion eines Benutzers, der durch einen Bewegungssensor erfasst wird, typischerweise eine Bewegung des Benutzers. In einem weiteren Beispiel kann ein Messwert der affektiven Reaktion eines Benutzers, der durch einen biochemischen Sensor erfasst wird, die Konzentration von Chemikalien im Benutzer (z. B. Nährstoffe im Blut) und/oder von Nebenprodukten chemischer Prozesse im Körper des Benutzers messen (z. B. Zusammensetzung des Atems des Benutzers).
  • Die in den hierin beschriebenen Ausführungsformen verwendeten Sensoren können unterschiedliche Beziehungen zum Körper eines Benutzers haben. In einem Beispiel kann ein Sensor, der zur Messung einer affektiven Reaktion eines Benutzers verwendet wird, ein Element umfassen, das an dem Körper des Benutzers befestigt ist (z. B. kann der Sensor in ein Gerät eingebettet sein, das im Kontakt mit dem Körper ist und/oder durch den Benutzer gehalten wird, kann der Sensor eine Elektrode umfassen, die im Kontakt mit dem Körper ist, oder/und kann der Sensor in eine Folie oder einen Aufkleber eingebettet sein, die/der am Körper des Benutzers anhaftet). In einem anderen Beispiel kann der Sensor in einen Gegenstand eingebettet sein und/oder an einem Gegenstand befestigt sein, der durch den Benutzer getragen wird, wie beispielsweise ein Handschuh, ein T-Shirt, ein Schuh, ein Armband, ein Ring, ein Head-Mounted-Display und/oder ein Helm oder eine andere Form von Kopfbedeckung. In einem weiteren Beispiel kann der Sensor in dem Körper des Benutzers implantiert sein, wie beispielsweise ein Chip oder eine andere Form von Implantat, dass die Konzentration bestimmter Chemikalien misst und/oder verschiedene physiologische Prozesse im Körper des Benutzers überwacht. Und in einem wiederum anderen Beispiel kann der Sensor ein Gerät sein, das von dem Körper des Benutzers getrennt ist (z. B. eine Kamera oder ein Mikrofon).
  • Gemäß der Verwendungsweise hierin kann sich ein „Sensor” auf eine Gesamtkonstruktion zur Unterbringung eines Geräts beziehen, das zur Erkennung von und/oder Reaktion auf irgendeine Art von Input aus der physischen Umgebung verwendet wird, oder kann sich ein „Sensor” auf eines oder mehrere der Elemente beziehen, die in der Gesamtkonstruktion umfasst sind. Wenn der Sensor zum Beispiel eine Kamera ist, kann sich der Begriff Sensor auf die gesamte Struktur der Kamera oder nur auf den CMOS-Detektor der Kamera beziehen.
  • In einigen Ausführungsformen kann ein Sensor Daten speichern, die er erfasst und/oder verarbeitet (z. B. im elektronischen Speicher). Zusätzlich oder alternativ kann der Sensor Daten übertragen, die er erfasst und/oder verarbeitet. Optional kann der Sensor zur Übertragung von Daten unterschiedliche Formen von drahtgebundener Kommunikation und/oder drahtloser Kommunikation verwenden, wie z. B. WLAN-Signale, Bluetooth, Handysignale und/oder Nahfeldkommunikations-Funksignale (Near Field Communication, NFC).
  • In einigen Ausführungsformen kann ein Sensor eine Energieversorgung für den Betrieb erfordern. In einer Ausführungsform kann die Energieversorgung eine externe Energieversorgung sein, die den Sensor mittels einer direkten Verbindung mit leitfähigen Materialien (z. B. Metallverdrahtung und/oder Verbindungen unter Verwendung anderer leitender Materialien) mit Energie versorgt. In einer anderen Ausführungsform kann die Energie drahtlos zum Sensor übertragen werden. Beispiele für eine drahtlose Energieübertragung, die in einigen Ausführungsformen verwendet werden können, sind induktive Kopplung, resonante Induktionskopplung, kapazitive Kopplung und magnetodynamische Kopplung. In einer weiteren Ausführungsform kann ein Sensor Energie aus der Umgebung beziehen. Zum Beispiel kann der Sensor unterschiedliche Formen von photoelektrischen Rezeptoren verwenden, um elektromagnetische Wellen (z. B. Mikrowellen oder Licht) in elektrische Energie umzuwandeln. In einem anderen Beispiel kann Hochfrequenzenergie (Radio Frequency, RF) durch die Antenne eines Sensors aufgenommen und mittels einer Induktionsspule in elektrische Energie umgewandelt werden. In einem weiteren Beispiel kann die Energiegewinnung aus der Umgebung durch die Nutzung von Chemikalien in der Umgebung erfolgen. Zum Beispiel kann ein implantierter (in vivo) Sensor Chemikalien im Körper des Benutzers nutzen, die chemische Energie speichern, wie beispielsweise ATP, Zucker und/oder Fette.
  • In einigen Ausführungsformen kann ein Sensor zumindest einen Teil der Energie für den Betrieb von einer Batterie erhalten. Solch ein Sensor kann hierin als „batteriebetrieben” bezeichnet werden. Eine Batterie bezieht sich hierin auf ein Objekt, das Energie speichern und in Form von elektrischer Energie bereitstellen kann. In einem Beispiel umfasst eine Batterie eine oder mehrere elektrochemische Zellen, die gespeicherte chemische Energie in elektrische Energie umwandeln. In einem anderen Beispiel umfasst eine Batterie einen Kondensator, der elektrische Energie speichern kann. In einer Ausführungsform kann die Batterie wiederaufladbar sein; zum Beispiel kann die Batterie wieder aufgeladen werden, indem Energie gespeichert wird, die durch eine oder mehrere der oben genannten Methoden gewonnen wurde. Optional kann die Batterie austauschbar sein. Zum Beispiel kann der Sensor in Fällen mit einer neuen Batterie ausgestattet werden, in denen die Batterie nicht wiederaufladbar ist oder sich nicht mit der gewünschten Effizienz wiederaufladen lässt.
  • In einigen Ausführungsformen umfasst ein Messwert der affektiven Reaktion eines Benutzers ein physiologisches Signal des Benutzers, das einen physiologischen Zustand des Benutzers widerspiegelt, und/oder basiert ein Messwert der affektiven Reaktion eines Benutzers auf einem physiologischen Signal des Benutzers, das einen physiologischen Zustand des Benutzers widerspiegelt. Es folgen einige nicht ausschließliche Beispiele von physiologischen Signalen, die gemessen werden können. Einige der nachstehenden Beispiele beinhalten Arten von Techniken und/oder Sensoren, die zur Messung der Signale verwendet werden können; auf dem Gebiet der Technik qualifizierte Personen werden mit den verschiedenen Sensoren, Geräten und/oder Methoden vertraut sein, die zur Messung folgender Signale verwendet werden können:
    Herzfrequenz (HF), Herzfrequenzvariabilität (HFV), Blutvolumenpuls (BVP) und/oder andere Parameter in Bezug auf den Blutfluss, die durch verschiedene Methoden wie Elektrokardiogramm (EKG), Photoplethysmogramm (PPG) und/oder Impedanzkardiographie (IKG) bestimmt werden können;
    Hautleitfähigkeit (HLF), die durch Sensoren für die galvanische Hautreaktion (GHR) gemessen und auch als elektrodermale Aktivität (EDA) bezeichnet werden kann;
    Hauttemperatur (HT), die zum Beispiel mit verschiedenen Arten von Thermometern gemessen werden kann;
    Gehirnaktivität und/oder Gehirnwellenmuster, die mittels Elektroenzephalographie (EEG) gemessen werden können. Eine weitere Erörterung der EEG ist unten angegeben;
    Gehirnaktivität, die durch funktionelle Magnetresonanztomographie (fMRT) bestimmt werden kann;
    Gehirnaktivität, die durch Magnetoenzephalographie (MEG) bestimmt werden kann;
    Muskelaktivität, die anhand von elektrischen Signalen bestimmt werden kann, die für die Aktivität der Muskulatur indikativ sind, z. B. durch Messung mittels Elektromyographie (EMG). In einem Beispiel kann die Oberflächenelektromyographie (OEMG) zur Messung der Muskelaktivität des Musculus frontalis und Musculus corrugator supercilii verwendet werden, die indikativ für die Bewegung der Augenbraue ist und anhand derer ein emotionaler Zustand erkannt werden kann;
    Augenbewegung, die z. B. mittels Elektrookulographie (EOG) gemessen werden kann;
    Sauerstoffgehalt des Bluts, der mittels Hämoenzephalographie (HEG) gemessen werden kann;
    CO2-Gehalt der Atemgase, der mittels Kapnographie gemessen werden kann;
    Konzentration verschiedener flüchtiger Verbindungen, die vom menschlichen Körper ausgeschieden wurden (als Volatom bezeichnet), die durch die Analyse von ausgeatmeten Gasen und/oder von durch die Haut abgesonderten Sekreten mittels verschiedener Instrumente, die Nanosensoren verwenden, bestimmt werden kann;
    Temperatur verschiedener Regionen des Körpers und/oder des Gesichts, die mittels thermischer Infrarot-Kameras (IR-Kameras) bestimmt werden kann. Zum Beispiel können Wärmemessungen der Nase und/oder der umgebenden Nasenregion verwendet werden, um physiologische Signale, wie beispielsweise die Atemfrequenz und/oder das Auftreten allergischer Reaktionen, einzuschätzen.
  • In einigen Ausführungsformen umfasst ein Messwert der affektiven Reaktion eines Benutzers ein Verhaltenssignal des Benutzers und/oder basiert ein Messwert der affektiven Reaktion eines Benutzers auf einem Verhaltenssignal des Benutzers. Ein Verhaltenssignal des Benutzers wird durch ein Monitoring des Benutzers zur Erkennung von beispielsweise der Mimik des Benutzers, der Gesten des Benutzers, des Tonfalls des Benutzers und/oder anderer Bewegungen des Körper des Benutzers (z. B. Herumzappeln, Muskelzucken oder Zittern) ermittelt. Die Verhaltenssignale können unter Verwendung von verschiedenen Arten von Sensoren gemessen werden. Einige nicht ausschließliche Beispiele umfassen ein Bildaufnahmegerät (z. B. eine Kamera), einen Bewegungssensor, ein Mikrofon, einen Beschleunigungssensor, einen Magnetsensor und/oder einen Drucksensor. In einem Beispiel kann ein Verhaltenssignal prosodische Eigenschaften der Sprache eines Benutzers wie Tonhöhe, Lautstärke, Tempo, Ton und/oder Betonung (z. B. Betonung bestimmter Silben) beinhalten, die indikativ für den emotionalen Zustand des Benutzers sein können. In einem anderen Beispiel kann ein Verhaltenssignal die Häufigkeit der Bewegung eines Körpers sein (z. B. aufgrund von Verschiebung und Änderung der Körperhaltung beim Sitzen, Hinlegen oder Stehen). In diesem Beispiel kann ein in einem Gerät eingebetteter Sensor, wie beispielsweise ein Beschleunigungsmesser in einem Smartphone oder einer Smartwatch, zur Erfassung des Messwerts des Verhaltenssignals verwendet werden.
  • In einigen Ausführungsformen kann ein Messwert der affektiven Reaktion eines Benutzers durch die Aufnahme eines oder mehrerer Bilder des Benutzers mit einem Bildaufnahmegerät wie beispielsweise einer Kamera gewonnen werden. Optional wird das Bild oder werden die Bilder des Benutzers durch ein aktives Bildaufnahmegerät aufgenommen, das elektromagnetische Strahlung (wie beispielsweise Radiowellen, Millimeterwellen oder Wellen nahe des sichtbaren Bereichs) sendet und Reflektionen der gesendeten Strahlung vom Benutzer empfängt. Optional ist das aufgenommene Bild oder sind die aufgenommenen Bilder zweidimensional und/oder dreidimensional. Optional umfasst das aufgenommene Bild oder umfassen die aufgenommenen Bilder einen der folgenden Sätze von Bildern: ein einzelnes Bild, eine Bildsequenz, ein Videoclip. In einem Beispiel können die durch das Bildaufnahmegerät aufgenommenen Bilder eines Benutzers zur Bestimmung des Gesichtsausdrucks und/oder der Haltung des Benutzers verwendet werden. In einem anderen Beispiel zeigen die durch das Bildaufnahmegerät aufgenommenen Bilder eines Benutzers ein Auge des Benutzers. Optional kann die Analyse der Bilder die Richtung des Blicks des Benutzers und/oder die Größe der Pupillen ergeben. Solche Bilder können für Eye-Tracking-Applikationen (wie beispielsweise um zu bestimmen, worauf der Benutzer achtet) und/oder zur Bestimmung der Emotionen des Benutzers verwendet werden (wie beispielsweise um zu bestimmen, welche Absichten der Benutzer wahrscheinlich hat). Des Weiteren können Blickmuster, die Informationen beinhalten können, die indikativ sind für die Richtungen des Blicks eines Benutzers, die Zeitdauer, während der ein Benutzer auf Fixpunkte blickt, und/oder die Frequenz, mit der der Benutzer Interessenspunkte ändert, Informationen liefern, die genutzt werden können, um die emotionale Reaktion des Benutzers zu bestimmen.
  • In einigen Ausführungsformen kann ein Messwert der affektiven Reaktion eines Benutzers ein physiologisches Signal umfassen, das aus einem biochemischen Messwert des Benutzers abgeleitet wurde. Zum Beispiel kann der biochemische Messwert indikativ für die Konzentration einer oder mehrerer Chemikalien im Körper des Benutzers sein (z. B. Elektrolyte, Metabolite, Steroide, Hormone, Neurotransmitter und/oder Produkte von Enzymaktivitäten). In einem Beispiel kann ein Messwert der affektiven Reaktion den Glukosespiegel im Blutstrom des Benutzers beschreiben. In einem anderen Beispiel kann ein Messwert der affektiven Reaktion die Konzentration von stressbedingten Hormonen wie Adrenalin und/oder Cortisol beschreiben. Ein weiteres Beispiel ist eine Messung der affektiven Reaktion beschreiben können die Konzentration eines oder mehrerer Stoffe, die möglicherweise als Entzündungsmarker wie C-reaktives Protein (CRP). In einer Ausführungsform kann ein Sensor, der einen biochemischen Messwert liefert, ein externer Sensor sein (z. B. ein Sensor zur Messung der Glukose in einer von dem Benutzer entnommen Blutprobe). In einer anderen Ausführungsform kann ein Sensor, der einen biochemischen Messwert liefert, in physischem Kontakt mit dem Benutzer sein (z. B. Kontaktlinse im Auge des Benutzers zur Messung der Blutzuckerwerte). In einer weiteren Ausführungsform kann sich Sensor, der einen biochemischen Messwert liefert, im Körper des Benutzer befinden (ein „In-vivo-Sensor”). Optional kann der Sensor in den Körper implantiert werden (z. B. durch ein chirurgisches Verfahren), in die Blutbahn injiziert werden und/oder über das Atem- und/oder Verdauungssystem eingeführt werden. Einige Beispiele für die verschiedenen Arten von In-vivo-Sensoren, die verwendet werden können, sind aufgeführt in: Eckert et al. Eckert et al. (2013), „Novel molecular and nanosensors for in vivo sensing", in Theranostics, 3.8:583.
  • In einigen Ausführungsformen können Sensoren, die zur Erfassung von Messwerten der affektiven Reaktion verwendet werden, als ein Teil eines Body-Area-Network (BAN), auch als Body-Sensor-Network (BSN) bezeichnet, gelten. Solche Netzwerke ermöglichen das Monitoring von physiologischen Signalen, Handlungen, des Gesundheitszustands und/oder von Bewegungsmustern eines Benutzers. Eine weitere Diskussionen der BANs findet sich in: Chen et al. A survey" in Mobile networks and applications 16.2 (2011): 171–193.
  • EEG ist eine geläufige Methode für die Aufnahme von Gehirnsignalen in Menschen, da sie sicher, erschwinglich und einfach anzuwenden ist; sie hat zudem eine hohe zeitliche Auflösung (in der Größenordnung von Millisekunden). Auf die Kopfhaut gesetzte EEG-Elektroden können entweder „passiv” oder „aktiv” sein. Passive Elektroden, die metallisch sind, sind z. B. durch ein Kabel mit einem Verstärker verbunden. Aktive Elektroden können einen eingebauten Vorverstärker haben und so weniger empfindlich gegenüber Umgebungslärm und Kabelbewegungen sein. Einige Arten von Elektroden können für den Betrieb ein Gel oder eine Salzlösung zur Reduktion der Impedanz des Haut-Elektroden-Kontakts erfordern. Andere Arten von EEG-Elektroden können dahingegen ohne Gel oder Salzlösung betrieben werden und gelten als „trockene Elektroden”. Es gibt verschiedene Gehirnaktivitätsmuster, die mittels EEG gemessen werden können. Einige der bekannten Gehirnaktivitätsmuster, die häufig im Rahmen des Affective-Computing angewandt werden, umfassen: Ereignisbezogene Desynchronisation/Synchronisation, ereignisbezogene Potentiale (z. B. P300-Welle und Fehlerpotentiale) und Steady-state-evozierte Potentiale. Die Messwerte der EEG-Elektroden werden in der Regel verschiedenen Merkmalsextraktionsmethoden unterzogen, die das Ziel haben, rohe oder vorverarbeitete EEG-Signale durch eine idealerweise kleine Anzahl relevanter Werte darzustellen, die die in den Signalen enthaltenen aufgabenrelevanten Informationen beschreiben. Diese Merkmale können zum Beispiel die Leistung des EEG über ausgewählte Kanäle und bestimmte Frequenzbänder sein. Bashashati, et al., „A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals", in Journal of Neural Engineering, 4(2):R32, 2007. Lotte, et al., „Electroencephalography (EEG)-based Brain Computer Interfaces", in Wiley Encyclopedia of Electrical and Electronics Engineering, S. 44, 2015, sowie in den darin zitierten Literaturhinweisen.
  • Die oben genannten Beispiele von Sensoren und/oder Messwerten der affektiven Reaktion repräsentieren eine beispielhafte Auswahl möglicher physiologischer Signale und/oder Verhaltenssignale, die gemessen werden können. Die in dieser Offenlegung beschriebenen Ausführungsformen können Messwerte von weiteren Arten von physiologischen Signalen und/oder Verhaltenssignalen nutzen und/oder können Arten von Messwerten nutzen, die durch Sensoren erfasst werden, die oben nicht explizit aufgeführt sind. Außerdem können einige der Sensoren und/oder Techniken in einigen der oben genannten Beispiele in Verbindung mit bestimmten Arten von Werten dargestellt werden, die unter Verwendung dieser Sensoren und/oder Techniken gewonnen werden können. Dies soll keine einschränkende Beschreibung dessen sein, wofür die Sensoren und/oder Techniken angewandt werden können. Insbesondere kann ein oben aufgeführter Sensor und/oder kann eine oben aufgeführte Technik, der/die in den obigen Beispielen mit einer bestimmten Art von Wert verbunden ist (z. B. eine bestimmte Art von physiologischem Signal und/oder Verhaltenssignal), in einigen Ausführungsformen angewandt werden, um eine andere Art von Wert zu erhalten, die nicht explizit mit dem Sensor und/oder der Technik der oben angeführten Beispiele verbunden ist.
  • 2 – Messwerte der affektiven Reaktion
  • In den verschiedenen Ausführungsformen umfasst ein Messwert der affektiven Reaktion eines Benutzers einen oder mehrere Werte, die mit einem Sensor, der ein physiologisches Signal und/oder ein Verhaltenssignal des Benutzers misst, erfasst werden, und/oder basiert ein Messwert der affektiven Reaktion eines Benutzers auf einem oder mehreren Werten, die mit einem Sensor, der ein physiologisches Signal und/oder ein Verhaltenssignal des Benutzers misst, erfasst werden.
  • In einigen Ausführungsformen wird eine affektive Reaktion eines Benutzers auf ein Ereignis durch absolute Werte ausgedrückt, wie beispielsweise ein Wert eines Messwerts einer affektiven Reaktion (z. B. ein Herzfrequenzwert oder GHR-Wert) und/oder ein Wert eines Messwerts eines emotionalen Zustands, der aus dem Messwert bestimmt wurde (z. B. kann der Wert des emotionalen Zustands indikativ für ein Niveau von Glück, Begeisterung und/oder Zufriedenheit sein). Alternativ kann die affektive Reaktion des Benutzers durch relative Werte ausgedrückt werden, wie beispielsweise eine Differenz zwischen einem Messwert einer affektiven Reaktion (z. B. ein Herzfrequenzwert oder GHR-Wert) und einem Basislinienwert und/oder eine Änderung eines emotionalen Zustands (z. B. eine Änderung des Glücksniveaus). Je nach Kontext kann man verstehen, ob die bezeichnete affektive Reaktion ein absoluter Wert (z. B. Herzfrequenz und/oder Glücksniveau) oder ein relativer Wert (z. B. Änderung der Herzfrequenz und/oder Änderung des Glücksniveaus) ist. Wenn die Ausführungsform zum Beispiel einen zusätzlichen Wert beschreibt, mit dem der Messwert verglichen werden kann (z. B. ein Basislinienwert), dann kann die affektive Reaktion als ein relativer Wert interpretiert werden. Wenn eine Ausführungsform in einem anderen Beispiel keinen zusätzlichen Wert beschreibt, mit dem der Messwert verglichen werden kann, dann kann die affektive Reaktion als ein absoluter Wert interpretiert werden. Sofern nicht anders angegeben, können die hierin beschriebenen Ausführungsformen, die Messwerte der affektiven Reaktion beinhalten, entweder absolute und/oder relative Werte beinhalten.
  • Gemäß der Verwendungsweise hierin beschränkt sich ein „Messwert der affektiven Reaktion” nicht auf die Darstellung eines einzelnen Wertes (z. B. Skalar); ein Messwert kann mehrere Werte umfassen. In einem Beispiel kann ein Messwert der Vektor von Koordinaten sein, wie beispielsweise eine Darstellung eines emotionalen Zustands als ein Punkt auf einer multidimensionalen Ebene. In einem anderen Beispiel kann ein Messwert Werte von mehreren Signalen umfassen, die zu einer bestimmten Zeit erfasst wurden (z. B. Herzfrequenz, Temperatur und Atemfrequenz zu einem bestimmten Zeitpunkt). In einem weiteren Beispiel kann ein Messwert mehrere Werte beinhalten, die Signalpegel zu unterschiedlichen Zeitpunkten darstellen. Somit kann ein Messwert der affektiven Reaktion eine Zeitreihe, ein Muster oder eine Sammlung von Wellenfunktionen sein, die zur Beschreibung eines sich im Laufe der Zeit ändernden Signals verwendet werden können, wie zum Beispiel Gehirnwellen, die an einem oder mehreren Frequenzbändern gemessen werden. Folglich kann ein „Messwert der affektiven Reaktion” mehrere Werte umfassen, wobei jeder dieser Werte auch als ein Messwert der affektiven Reaktion gelten kann. Die Verwendung des Singulars „Messwert” impliziert somit nicht, dass ein einzelner Wert vorliegt. Beispielsweise kann ein Messwert in einigen Ausführungsformen eine Reihe von Messwerten repräsentieren, wie beispielsweise mehrere Werte der Herzfrequenz und GHR, die alle paar Minuten während einer Dauer von einer Stunde erfasst werden.
  • In einigen Ausführungsformen kann ein „Messwert der affektiven Reaktion” dadurch gekennzeichnet sein, dass er Werte umfasst, die mit einem bestimmten Sensor oder einer bestimmten Gruppe von Sensoren, die ein bestimmtes Merkmal teilen, erfasst werden. Zusätzlich oder alternativ kann ein Messwert der affektiven Reaktion dadurch gekennzeichnet sein, dass er keine Werte umfasst, die mit einer bestimmten Art von Sensor oder einer bestimmten Gruppe von Sensoren, die ein bestimmtes Merkmal teilen, erfasst werden, und/oder nicht auf Werten basiert, die mit einer bestimmten Art von Sensor oder einer bestimmten Gruppe von Sensoren, die ein bestimmtes Merkmal teilen, erfasst werden. Zum Beispiel basiert ein Messwert der affektiven Reaktion in einer Ausführungsform auf einem oder mehreren Werten, die physiologische Signale sind (z. B. mittels GHR und/oder EEG erhaltene Werte), und basiert nicht auf Werten, die Verhaltenssignale repräsentieren (z. B. Werte, die aus Bildaufnahmen von mit einer Kamera gemessenen Gesichtsmimiken abgeleitet werden). Dahingegen basiert ein Messwert der affektiven Reaktion in einer anderen Ausführungsform auf einem oder mehreren Werten, die Verhaltenssignale repräsentieren, und basiert nicht auf Werten, die physiologische Signale repräsentieren.
  • Es folgen weitere Beispiele für Ausführungsformen, in denen ein „Messwert der affektiven Reaktion” nur auf bestimmten Arten von Werten basieren kann, die unter Verwendung bestimmter Arten von Sensoren (und nicht anderer Arten) erfasst werden. In einer Ausführungsform umfasst ein Messwert der affektiven Reaktion keine Werte, die mit in den Körper des Benutzers implantierten Sensoren erfasst werden. Beispielsweise kann der Messwert auf Werten basieren, die durch Geräte erfasst werden, die außerhalb des Körpers des Benutzers liegen und/oder am Körper des Benutzers befestigt sind (z. B. bestimmte GHR-Systeme, bestimmte EEG-Systeme und/oder eine Kamera). In einer anderen Ausführungsform umfasst ein Messwert der affektiven Reaktion keinen Wert, der eine Konzentration der Chemikalien im Körper wie Glukose, Cortisol, Adrenalin, etc. repräsentiert, und/oder keinen Wert, der aus einem die Konzentration repräsentierenden Wert abgeleitet wird. In einer weiteren Ausführungsform umfasst ein Messwert der affektiven Reaktion keine Werte, die durch einen Sensor erfasst werden, der Kontakt mit dem Körper des Benutzers hat. Beispielsweise kann der Messwert auf Werte basieren, die mit einer Kamera und/oder mit einem Mikrofon erfasst werden. Und in einer wiederum anderen Ausführungsform umfasst ein Messwert der affektiven Reaktion keine Werte, die die Gehirnwellenaktivität beschreiben (z. B. durch EEG erfasste Werte).
  • Ein Messwert der affektiven Reaktion kann Rohwerte umfassen, die ein physiologisches Signal und/oder ein Verhaltenssignal eines Benutzers beschreiben. Wie unten beschrieben sind Rohwerte zum Beispiel die Werte, die womöglich nach minimaler Verarbeitung durch einen zum Messen verwendeten Sensor geliefert werden. Zusätzlich oder alternativ kann ein Messwert der affektiven Reaktion ein Produkt der Verarbeitung der Rohwerte umfassen. Die Verarbeitung dieses Wertes oder dieser Werte kann eine oder mehrere der folgenden Vorgänge umfassen: Normalisierung, Filterung, Merkmalsextraktion, Bildverarbeitung, Komprimierung, Verschlüsselung und/oder jedwede anderen Techniken, die weiterhin in dieser Offenlegung beschrieben werden und/oder auf dem technischen Gebiet bekannt sind und auf Messdaten angewendet werden können.
  • In einigen Ausführungsform umfasst die Verarbeitung von Rohwerten und/oder minimal verarbeiteten Werten die Bereitstellung der Rohwerte und/oder der Produkte der Rohwerte an ein Modul, eine Funktion und/oder einen Prädiktor zur Erzeugung eines Werts, der hierin als „affektiver Wert” bezeichnet wird. Gemäß der hierin typischen Verwendungsweise ist ein affektiver Wert ein Wert, der ein Ausmaß und/oder eine Qualität einer affektiven Reaktion beschreibt. Zum Beispiel kann ein affektiver Wert ein reeller Wert sein, der beschreibt, wie gut eine affektive Reaktion ist (z. B. auf einer Skala von 1 bis 10), oder ob ein Benutzer etwas anziehend oder abstoßend findet (z. B. indem ein positiver Wert Anziehung indiziert und indem ein negativer Wert Abstoßung indiziert). In einigen Ausführungsformen soll die Verwendung des Begriffs „affektiver Wert” indizieren, dass ein Messwert der affektiven Reaktion eventuell einer bestimmten Verarbeitung unterzogen wurde. Optional erfolgt die Verarbeitung durch einen Software-Agenten. Optional hat der Software-Agent Zugriff auf ein Modell des Benutzers, das zur Berechnung des affektiven Werts aus dem Messwert verwendet wird. In einem Beispiel kann ein affektiver Wert eine Prognose eines Emotionszustands-Schätzers (EZS) sein und/oder aus der Prognose des ESE abgeleitet sein. In einigen Ausführungsformen können die Messwerte der affektive Reaktion durch affektive Werte repräsentiert werden.
  • Es ist zu beachten, dass, obwohl affektive Werte in der Regel die Ergebnisse einer Verarbeitung von Messwerten sind, durch jede Art von Wert dargestellt werden können, durch die ein Messwert der affektiven Reaktion dargestellt werden kann. Folglich kann ein affektiver Wert in einigen Ausführungsformen ein Wert der Herzfrequenz, Gehirnwellenaktivität, Hautleitfähigkeit etc. sein.
  • In einigen Ausführungsformen kann ein Messwert der affektiven Reaktion einen Wert umfassen, der eine Emotion (auch als „emotionaler Zustand” oder „emotionale Reaktion” bezeichnet) darstellt. Emotionen und/oder emotionale Reaktionen können auf unterschiedliche Weise dargestellt werden. In einigen Beispielen können Emotionen oder emotionale Reaktionen auf der Grundlage von Messwerten der affektiven Reaktion vorhergesagt werden, die aus einer Datenbank abgerufen und/oder durch einen Benutzer vermerkt werden (z. B. Selbstberichterstattung durch einen Benutzer, der die emotionale Reaktion hat). In einem Beispiel kann die Selbstberichterstattung die Analyse von Kommunikationen des Benutzers zur Bestimmung der emotionalen Reaktion des Benutzers umfassen. In einem anderen Beispiel kann die Selbstberichterstattung umfassen, dass der Benutzer Werte eingibt (z. B. über eine grafische Benutzeroberfläche), die den emotionalen Zustand des Benutzers zu einem bestimmten Zeitpunkt und/oder die emotionale Reaktion des Benutzers auf ein bestimmtes Ereignis beschreiben. In den Ausführungsformen gibt es mehrere Möglichkeiten zur Darstellung von Emotionen (die zudem zur Darstellung von emotionalen Zuständen und emotionalen Reaktionen verwendet werden können).
  • In einer Ausführungsform werden Emotionen unter Verwendung einzelner Kategorien dargestellt. Zum Beispiel können die Kategorien drei emotionale Zustände umfassen: negativ begeistert, positiv begeistert und neutral. In einem anderen Beispiel können die Kategorien Emotionen wie Glück, Überraschung, Ärger, Angst, Ekel und Traurigkeit umfassen. In einem weiterem Beispiel können die Emotionen aus der folgenden Menge ausgewählt werden, die grundlegende Emotionen einschließlich einer Reihe positiver und negativer Emotionen wie Vergnügen, Verachtung, Behagen, Verlegenheit, Begeisterung, Schuld, Stolz auf Erreichtes, Erleichterung, Zufriedenheit, sinnliches Vergnügen und Scham umfasst, wie beschreiben in: Ekman S. (1999), „Basic Emotions", in Dalgleish und Power, Handbook of Cognition and Emotion, Chichester, UK: Wiley.
  • In einer anderen Ausführungsform werden die Emotionen unter Verwendung einer multidimensionalen Darstellung dargestellt, die die Emotionen typischerweise mittels einer geringen Anzahl von Dimensionen charakterisiert. In einem Beispiel werden emotionale Zustände als Punkte in einem zweidimensionalen Raum von Arousal (Erregung) und Valenz (Wertigkeit) dargestellt. Arousal beschreibt die körperliche Aktivierung, und Valenz beschreibt die Angenehmheit oder den hedonischen Wert. Es wird angenommen, das jede nachweisbare erlebte Emotion in einen bestimmten Bereich dieses zweidimensionalen Raums fällt. Andere Dimensionen, die typischerweise zur Darstellung von Emotionen verwendet werden, umfassen Stärke/Kontrolle (bezieht sich auf das Gefühl eines Individuums von Macht und Kontrolle über das auslösende Ereignis), Erwartung (der Grad der Antizipation oder des Überraschtwerdens) und Intensität (wie weit eine Person von einem Zustand reiner, kühler Rationalität entfernt ist). Die verschiedenen Dimensionen zur Darstellung von Emotionen sind oft korreliert. Zum Beispiel sind die Werte von Arousal und Valenz oft korreliert, wobei sehr wenige Emotionen mit hoher Arousal und neutraler Valenz aufgezeichnet werden. In einem Beispiel werden die Emotionen als Punkte auf einem Kreis in einem zweidimensionalen Raum von Pleasure (Lust) und Arousal, wie der Circumplex der Emotionen, dargestellt. In einem weiteren Beispiel können Emotionen als Punkte in einem zweidimensionalen Raum dargestellt werden, dessen Achsen einem positiv Affekt (PA) und einem negativen Affekt (NA) entsprechen, wie beschrieben in: Watson et al. (1988), „Development and validation of brief measures of positive and negative affect: the PANAS scales", Journal of Personality and Social Psychology 54.6: 1063. beschrieben.
  • In noch einer anderen Ausführungsform werden Emotionen unter Verwendung eines numerischen Werts für die Intensität des emotionalen Zustands mit Bezug auf eine spezifische Emotion dargestellt. Zum Beispiel kann ein numerischer Wert angeben, wie sehr der Benutzer begeistert, interessiert und/oder glücklich ist. Optional kann der numerische Wert für den emotionalen Zustand aus einer multidimensionalen Raumdarstellung von Emotionen abgeleitet werden, zum Beispiel durch Projektion der multidimensionalen Darstellung von Emotionen auf den nächsten Punkt auf einer Linie in dem multidimensionalen Raum.
  • In einer wiederum anderen Ausführungsform werden emotionale Zustände unter Verwendung von Komponentenmodellen abgebildet, die auf der Appraisal- bzw. Einschätzungstheorie gemäß der Beschreibung des OCC-Modells basieren (Ortony, et al. (1988) „The Cognitive Structure of Emotions", Cambridge University Press). Nach dieser Theorie werden die Gefühle einer Person aus der Beurteilung der aktuellen Situation (einschließlich Ereignissen, Akteuren und Objekten) hinsichtlich der Ziele und Präferenzen der Person abgeleitet.
  • Ein Messwert der affektiven Reaktion kann hierin als ein positiver oder negativer Messwert bezeichnet werden. Gemäß der hierin typischen Verwendungsweise spiegelt ein positiver Messwert der affektiven Reaktion eine positive Emotion wider und indiziert so eine oder mehrere Qualitäten wie Erwünschtheit, Glück, Zufriedenheit und Ähnliches des Benutzers, von dem der Messwert erfasst wird. Entsprechend spiegelt ein negativer Messwert der affektiven Reaktion gemäß der hierin typischen Verwendungsweise eine negative Emotion wider und indiziert so eine oder mehrere Qualitäten wie Abneigung, Traurigkeit, Wut und Ähnliches des Benutzers, von dem der Messwert erfasst wird. Optional kann ein Messwert als neutral gelten, wenn er weder positiv noch negativ ist.
  • Ob ein Messwert als positiv oder negativ gelten soll, kann in einigen Ausführungsformen mit Bezug auf eine Basislinie bestimmt werden (z. B. mit Bezug auf einen Wert, der anhand vorheriger Messwerte einer ähnlichen Situation und/oder Erfahrung, die der Benutzer haben kann, bestimmt wurde). Wenn der Messwert folglich einen Wert indiziert, der über der Basislinie liegt (z. B. glücklicher als die Basislinie), kann er als positiv gelten, und wenn er unter der Basislinie liegt, kann er kann als negativ gelten.
  • Wenn ein Messwert der affektiven Reaktion in einigen Ausführungsformen relativ ist, d. h. eine Änderung eines Niveaus eines physiologischen Signals und/oder eines Verhaltenssignals eines Benutzers darstellt, dann kann die Richtung der Änderung verwendet werden, um zu bestimmen, ob der Messwert positiv oder negativ ist. Folglich kann ein positiver Messwert der affektiven Reaktion einer Erhöhung einer oder mehrerer Qualitäten wie Erwünschtheit, Glück, Zufriedenheit und Ähnliches des Benutzers, von dem der Messwert erfasst wird, entsprechen. Entsprechend kann ein negativer Messwert der affektiven Reaktion einer Erhöhung einer oder mehrerer Qualitäten wie Abneigung, Traurigkeit, Wut und Ähnliches des Benutzers, von dem der Messwert erfasst wird, entsprechen. Optional kann ein Messwert als neutral gelten, wenn er sich weder in positiver noch in negativer Richtung ändert.
  • Einige Ausführungsformen können einen Hinweis auf die Zeit, zu der ein Messwert der affektiven Reaktion eines Benutzers erfasst wird, umfassen. Je nach Ausführungsform kann diese Zeit verschiedene Bedeutungen haben. Zum Beispiel kann diese Zeit sich in einer Ausführungsform auf den Zeitpunkt beziehen, an dem der eine oder die mehreren Werte, die ein physiologisches Signal und/oder Verhaltenssignal des Benutzers beschreiben, unter Verwendung eines oder mehrerer Sensoren erfasst wurden. Optional kann die Zeit einem oder mehreren Zeiträumen entsprechen, während denen der eine oder die mehreren Sensoren in Betrieb waren, um den einen oder die mehreren Werte, die das physiologische Signal und/oder Verhaltenssignal des Benutzers beschreiben, zu erfassen. Zum Beispiel kann ein Messwert der affektiven Reaktion während eines einzigen Zeitpunkts erfasst werden und/oder sich auf einen einzigen Zeitpunkt beziehen (z. B. Hauttemperatur zu einem bestimmten Zeitpunkt). In einem anderen Beispiel kann ein Messwert der affektiven Reaktion während einer zusammenhängenden Zeitspanne erfasst werden (z. B. Gehirnaktivität, die mittels EEG über einen Zeitraum von einer Minute erfasst wird). In einem weiteren Beispiel kann ein Messwert der affektiven Reaktion zu mehreren Zeitpunkten und/oder während mehrerer zusammenhängender Zeitspannen erfasst werden (z. B. Gehirnaktivität, die während ein paar Minuten jeder wachen Stunde erfasst wird). Optional kann sich die Zeit, zu der ein Messwert der affektiven Reaktion erfasst wird, auf den frühesten Zeitpunkt beziehen, an dem der eine oder die mehreren Sensoren in Betrieb waren, um den einen oder die mehreren Werte zu erfassen (d. h. der Zeitpunkt, an dem der eine oder die mehreren Sensoren mit der Erfassung des Messwerts der affektiven Reaktion begonnen haben). Optional kann sich die Zeit auf den spätesten Zeitpunkt beziehen, an dem der eine oder die mehreren Sensoren in Betrieb waren, um den einen oder die mehreren Werte zu erfassen (d. h. der Zeitpunkt, an dem der eine oder die mehreren Sensoren die Erfassung des Messwerts der affektiven Reaktion beendet haben). Eine andere Möglichkeit besteht darin, dass sich die Zeit auf einen Zeitpunkt zwischen dem frühesten und spätesten Zeitpunkt bezieht, an denen der eine oder die mehreren Sensoren in Betrieb waren, wie beispielsweise der Durchschnitt der beiden Zeitpunkte.
  • Die verschiedenen hierin beschriebenen Ausführungsformen umfassen Messwerte der affektiven Reaktion von Benutzern auf das Erleben von Erfahrungen. Ein Messwert der affektiven Reaktion eines Benutzers auf eine Erfahrung kann hierin auch als ein „Messwert eines Benutzers, der die Erfahrung hatte” bezeichnet werden. Um die affektive Reaktion eines Benutzers auf das Erleben einer Erfahrung wiederzugeben, wird der Messwert typischerweise in zeitlicher Nähe zum Zeitpunkt des Erlebens der bestimmten Erfahrung des Benutzers erfasst (sodass die affektive Reaktion anhand des Messwerts bestimmt werden kann). In zeitlicher Nähe bedeutet hierin zeitnah. Zusätzlich bedeutet die Aussage, dass ein Messwert der affektiven Reaktion eines Benutzers in zeitlicher Nähe zum Zeitpunkt des Erlebens der bestimmten Erfahrung des Benutzers erfasst wird, dass der Messwert erfasst wird, während der Benutzer die Erfahrung hat, und/oder kurz nachdem der Benutzer das Erleben der Erfahrung beendet hat. Optional kann die Erfassung eines Messwerts der affektiven Reaktion eines Benutzers in zeitlicher Nähe zum Erleben einer Erfahrung bedeuten, dass zumindest einige der Messwerte kurz vor dem Beginn des Erlebens der Erfahrung des Benutzers erfasst werden (z. B. zur Kalibrierung und/oder Bestimmung einer Basislinie).
  • Welches Zeitfenster „kurz vor” und/oder „kurz nach” dem Erleben einer Erfahrung darstellt kann in den hierin beschriebenen Ausführungsformen variieren und von verschiedenen Faktoren abhängen, wie beispielsweise von der Länge der Erfahrung, der Art des zur Erfassung des Messwerts verwendeten Sensors und/oder der Art des gemessenen physiologischen Signals und/oder Verhaltenssignals. In einem Beispiel mit einer kurzen Erfahrung (z. B. eine Erfahrung, die zehn Sekunden dauert) kann „kurz vor” und/oder „kurz nach” höchstens zehn Sekunden vor und/oder nach der Erfahrung bedeuten; allerdings kann es in einigen Fällen länger als zehn Sekunden sein (z. B. eine Minute oder länger). Bei einer langen Erfahrung (z. B. eine Erfahrung, die Stunden oder Tage dauert) kann „kurz vor” und/oder „kurz nach” jedoch sogar einem Zeitraum von bis zu einigen Stunden vor und/oder nach der Erfahrung (oder länger) entsprechen. In einem anderen Beispiel kann „kurz vor” und/oder „kurz nach” beim Messen eines sich schnell ändernden Signals, wie Gehirnwellen, die mittels EEG gemessenen werden, einem Zeitraum von ein paar Sekunden oder sogar von bis zu einer Minute entsprechen. Bei einem sich langsamer ändernden Signal, wie Herzfrequenz oder Hauttemperatur, kann „kurz vor” und/oder „kurz nach” einem längeren Zeitraum entsprechen, wie beispielsweise bis zu 10 Minuten oder sogar länger. In einem weiteren Beispiel kann die Bedeutung von „kurz nach einer Erfahrung” von der Art der Erfahrung und der möglichen Dauer der affektiven Reaktion auf die Erfahrung abhängen. Zum Beispiel kann die Messung der affektiven Reaktion auf ein kurzes Segment von Inhalten (z. B. das Ansehen eines kurzes Videoclips) Messwerte der Herzfrequenz umfassen, die bis zu 30 Sekunden nach dem Ansehen des Segments erfasst wurden. In einer anderen Ausführungsform kann die Messung der affektiven Reaktion auf das Essen einer Mahlzeit jedoch Messwerte beinhalten, die möglicherweise sogar Stunden nach der Mahlzeit erfasst wurden, um Effekte widerzuspiegeln, die die Verdauung der Mahlzeit auf die Physiologie des Benutzers hatte.
  • Die Dauer, während der ein Sensor zur Messung einer affektiven Reaktion eines Benutzers in Betrieb ist, kann je nach einem oder mehreren der folgenden Faktoren variieren: (i) die Art des den Benutzer betreffenden Ereignisses, (ii) die Art des gemessenen physiologischen Signals und/oder Verhaltenssignals und (iii) die Art des für die Messung verwendeten Sensors. In einigen Fällen kann die affektive Reaktion durch den Sensor im Wesentlichen kontinuierlich während des gesamten zum Ereignis gehörenden Zeitraums gemessen werden (z. B. während der Benutzer mit einem Dienstleister interagiert). In anderen Fällen jedoch muss die Zeitdauer, während der die affektive Reaktion des Benutzers gemessen wird, sich nicht notwendigerweise mit einem zu einem Ereignis gehörenden Zeitraum überschneiden oder vollständig in einem zu einem Ereignis gehörenden Zeitraum umfasst sein (z. B. kann eine affektive Reaktion auf eine Mahlzeit Stunden nach der Mahlzeit gemessen werden).
  • Bei einigen physiologischen Signalen kann es eine Verzögerung zwischen der Zeit, zu der ein Ereignis eintritt, und der Zeit, zu der sich Änderungen des emotionalen Zustands des Benutzers in den Messwerten der affektiven Reaktion widerspiegeln, geben. Zum Beispiel kann es einige Sekunden dauern, bis eine affektive Reaktion, die mit Veränderungen der Hauttemperatur einhergeht, durch einen Sensor erkannt wird. In einigen Fällen kann sich das physiologische Signal durch einen Reiz schnell ändern, wohingegen die Rückkehr auf den vorherigen Basislinienwert (z. B. ein Wert, der zu einem vor dem Reiz liegenden Zeitpunkt gehört) wesentlich länger dauern kann. Zum Beispiel kann sich die Herzfrequenz einer Person, die sich einen Film mit einem erschreckenden Ereignis ansieht, innerhalb von einer Sekunde dramatisch erhöhen. Jedoch kann es zig Sekunden oder sogar Minuten dauern, bis sich die Person beruhigt hat und bis die Herzfrequenz wieder auf ein Basisniveau zurückgekehrt ist. Die zeitliche Verzögerung, mit der sich eine affektive Reaktion durch bestimmte physiologische Signale und/oder Verhaltenssignale manifestiert, kann dazu führen, dass sich der Zeitraum, in dem die affektive Reaktion gemessen wird, über ein Ereignis, auf das sich der Messwert bezieht, ausdehnt. Zum Beispiel kann sich die Messung der affektiven Reaktion eines Benutzers auf eine Interaktion mit einem Dienstleister Minuten oder sogar Stunden nach dem Zeitpunkt des Endes der Interaktion ausdehnen. In einigen Fällen kann die Manifestation einer affektiven Reaktion auf ein Ereignis während eines längeren Zeitraums nach dem Ereignis andauern. Zum Beispiel können zumindest einige der Messwerte der affektiven Reaktion eines Benutzers, die erfasst werden, um zu bestimmen, wie der Benutzer ein bestimmtes Reiseziel findet, Tage und sogar Wochen, nachdem der Benutzer das Reiseziel verlassen hat, erfasst werden.
  • In einigen Ausführungsformen kann die Bestimmung der affektiven Reaktion eines Benutzers auf ein Ereignis Messwerte verwenden, die zu einem Bruchteil der zum Ereignis gehörenden Zeit gehören. Die affektive Reaktion des Benutzers kann gemessen werden, indem Werte eines physiologischen Signals des Benutzers erfasst werden, das sich teilweise langsam ändert, wie beispielsweise die Hauttemperatur, und/oder langsam wieder auf Basislinienwerte zurückkehrt, wie beispielsweise die Herzfrequenz. In solchen Fällen muss die Messung der affektiven Reaktion nicht bedeuten, dass Messwerte kontinuierlich während der gesamten Dauer des Ereignisses vom Benutzer erfasst werden. Da sich solche physiologischen Signale langsam ändern, können einigermaßen präzise Schlussfolgerungen in Bezug auf die affektive Reaktion des Benutzers auf ein Ereignis durch Samples intermittierender Messwerte, die zu bestimmten Zeiten während des Ereignisses und/oder danach erfasst wurden, erreicht werden. In einem Beispiel kann die Messung der affektiven Reaktion eines Benutzer auf ein Urlaubsziel umfassen, dass Messwerte während kurzen, über den Aufenthalt des Benutzers am Zielort verteilten Zeitspannen erfasst werden, wie z. B. Erfassung eines wenige Sekunden dauernden GHR-Messwerts alle paar Minuten oder Stunden.
  • Wenn ein Benutzer, der eine Erfahrung hat, die Erfahrung über einen bestimmten Zeitraum hat, kann es des Weiteren ausreichend sein, Werte der physiologischen Signale und/oder der Verhaltenssignale während des bestimmten Zeitraums zu sampeln, um den Wert eines Messwerts der affektiven Reaktion zu erhalten. So ist in einigen Ausführungsformen, eine Messung der affektiven Reaktion eines Anwenders zu einer Erfahrung basiert auf Werte von einem Sensor während mindestens eine bestimmte Anzahl von nicht-überlappende Zeiträume während der bestimmten Periode der Zeit, während der der Benutzer hat die Erfahrung (d.h. während der Instanziierung eines Ereignisses, bei dem der Benutzer hat die Erfahrung). Optional kann zwischen jedem Paar von nicht-überlappende Zeiträume gibt es einen Zeitraum, während dessen der Benutzer nicht mit einem Sensor gemessen um Werte, auf die sich die Messung der affektiven Reaktion. Optional ist die Summe der Längen der bestimmten Anzahl von nicht-überlappende Zeiträume beläuft sich auf weniger als einen bestimmten Anteil der Länge der Zeit, während der der Benutzer die Erfahrung hatte. Optional, die bestimmten Anteil beträgt weniger als 50 %, d. h. eine Messung des affektiven Reaktion eines Anwenders zu einer Erfahrung basiert auf Werten erworben durch Messung der Benutzer mit einem Sensor während weniger als 50% der Zeit die User die Erfahrung hatte. Optional, die bestimmte Anteil ist ein anderer Wert, z. B. weniger als 25%, weniger als 10%, weniger als 5%, bzw. weniger als 1% der Zeit die User die Erfahrung hatte. Die Anzahl der verschiedenen nicht-überlappende Perioden können in verschiedenen Ausführungsarten. In einem Beispiel einer Messung der affektiven Reaktion eines Benutzers zu einem Erlebnis kann auf Werte, die in drei verschiedenen nicht-überlappende Perioden innerhalb des Zeitraums, während dem ein Benutzer die Erfahrung hatte. In anderen Beispielen, eine Messung kann auf Basis ermittelten Werte in eine unterschiedliche Anzahl von nicht-überlappende Zeiträume wie mindestens fünf verschiedene nicht-überlappende Zeiträume, mindestens zehn verschiedene nicht-überlappende Zeiträume oder irgendeine andere Zahl von nicht-überlappende Zeiträume größer als eins.
  • In einigen Ausführungsformen, die Anzahl der nicht-überlappende Zeiträume, in denen Werte, wie oben beschrieben, kann davon abhängen, wie lange ein Benutzer hat ein Erlebnis. Beispielsweise die Werte erzielt werden kann, in regelmäßigen Abständen, z.b. jede Minute oder Stunde. Während die Erfahrung; so ist, desto länger ist der Benutzer verfügt über die Erfahrung, das mehr nicht-überlappende Zeiträume gibt, in denen Werte sind durch Messen der Benutzer mit einem Sensor. Optional kann der nicht-überlappende Perioden kann nach dem Zufallsprinzip ausgewählt werden, z.b. jede Minute kann es eine 5% Chance, dass die Benutzer wird mit einem Sensor gemessen.
  • In einigen Ausführungsformen, eine Messung der affektiven Reaktion eines Benutzers zu einem Erlebnis kann auf Werte, die während der verschiedenen nicht-überlappende Zeiträume, die verschiedenen Teile der Erfahrung. Zum Beispiel, eine Messung der affektiven Reaktion eines Benutzers auf eine Erfahrung von Speisen in einem Restaurant kann sich auf Werte beziehen, indem die Benutzer während der folgenden nicht-überlappende Zeiträume: Warten zu sitzen, die Bestellung aus dem Menü, essen die Vorspeisen, Hauptgang, Dessert, Essen und die Rechnung begleicht.
  • Je nach den Eigenschaften der Ausführungsformen können die Messwerte der affektiven Reaktion in den Ausführungsformen in unterschiedlichem Ausmaß und/oder mit unterschiedlicher Frequenz von Benutzern erfasst werden.
  • In einigen Ausführungsformen werden die Messwerte der affektiven Reaktion routinemäßig von Benutzern erfasst; zum Beispiel werden die Messwerte entsprechend einem vorgegebenen Protokoll erfasst, das durch den Benutzer, durch ein Betriebssystem eines Geräts des Benutzers, das einen Sensor steuert, und/oder durch einen im Namen eines Benutzers operierenden Software-Agenten festgelegt wird. Optional kann das Protokoll eine bestimmte Frequenz bestimmen, mit der verschiedene Messwerte erfasst werden müssen (z. B. minütliche Messung der GHR). Optional kann das Protokoll vorschreiben, dass bestimmte Messwerte kontinuierlich erfasst werden müssen (z. B. kann die Herzfrequenz während des gesamten Zeitraums des Betriebs des die Herzfrequenz messenden Sensors verfolgt werden). Optional werden kontinuierliche und/oder periodische Messwerte der affektiven Reaktion eines Benutzers verwendet, um Basisniveaus der affektiven Reaktion des Benutzers zu bestimmen.
  • In einigen Ausführungsformen können Messwerte erfasst werden, um die affektive Reaktion von Benutzern auf bestimmte Ereignisse einzuschätzen. Optional kann ein Protokoll vorschreiben, dass die Messwerte auf bestimmte Erfahrungen automatisch erfasst werden müssen. Zum Beispiel kann ein Protokoll, das den Betrieb eines Sensors regelt, vorschreiben, dass immer, wenn ein Benutzer Sport macht, bestimmte Messwerte physiologischer Signale des Benutzers im Verlauf der sportlichen Übung (z. B. Herzfrequenz und Atemfrequenz) und möglicherweise kurz nach der sportlichen Übung (z. B. während einer Erholungsphase) erfasst werden müssen. Alternativ oder zusätzlich können Messwerte der affektiven Reaktion „auf Anfrage” erfasst werden. Zum Beispiel kann ein im Namen eines Benutzers operierender Software-Agent bestimmen, dass Messwerte des Benutzers erfasst werden sollten, um eine Basislinie für zukünftige Messwerte festzulegen. In einem anderen Beispiel kann der Software-Agent bestimmen, dass der Benutzer eine Erfahrung hat, für die der Messwert der affektiven Reaktion hilfreich sein kann (z. B. um eine Präferenz des Benutzers zu erfahren und/oder um den Messwert zur Berechnung einer Erfahrungsbewertung beizusteuern). Optional kann eine Entität, die nicht ein Benutzer oder ein im Namen des Benutzers operierender Software-Agent ist, fordern, dass ein Messwert der affektiven Reaktion des Benutzers auf eine bestimmte Erfahrung erfasst werden muss (z. B. durch Definieren eines bestimmten Zeitfensters, in dem ein Messwert oder Messwerte vom Benutzer erfasst werden sollten). Optional wird die Anfrage, dass ein Messwert oder Messwerte vom Benutzer erfasst werden müssen, an einen im Namen des Benutzers operierenden Software-Agenten gestellt. Optional kann die Software Agent kann beurteilen, ob eine Antwort auf die Anfrage auf der Grundlage einer Bewertung der Risiken für die Privatsphäre, die durch die Messung und/oder auf der Grundlage der Entschädigungen für die Messung.
  • Wenn ein Messwert der affektiven Reaktion zur Bestimmung der Reaktion eines Benutzers auf eine Erfahrung erfasst wird, können verschiedene Aspekte wie die Art der Erfahrung und/oder die Dauer der Erfahrung beeinflussen, welche Sensoren zur Erfassung des Messwerts verwendet werden müssen. Zum Beispiel kann ein kurzes Ereignis durch einen Sensor gemessen werden, dessen Betrieb eine Menge Energie erfordert, während ein langes Ereignis durch einen Sensor gemessen werden, dessen Betrieb weniger Energie erfordert. Zudem kann die Art der erwarteten Reaktion auf die gemessene Erfahrung ein zur Auswahl des zu verwendenden Sensors beitragender Faktor sein. Wenn der Messwert zum Beispiel in einer Ausführungsform erfasst wird, um eine Emotion zu bestimmen (z. B. um zu erkennen, ob der Benutzer traurig, deprimiert, apathisch, glücklich, euphorisch etc. ist), dann wird ein erster Sensor verwendet, der eine Vielzahl von Informationen über den Benutzer liefern kann (z. B. ein EEG-Headset). Wenn der Messwert dahingegen die Ermittlung eines Belastungsniveaus beinhaltet (z. B. wie stark der Benutzer Sport macht), dann kann ein anderer Sensor verwendet werden (z. B. ein Herzfrequenzsensor).
  • Die verschiedenen hierin beschriebenen Ausführungsformen verwenden Messwerte der affektiven Reaktion von Benutzern, um Wissenswertes über die affektive Reaktion der Benutzer zu erfahren. In einigen Ausführungsformen können die Messwerte als Messwerte gelten, die durch einen Prozess erhalten werden, der eher einer Beobachtungsstudie als einem kontrollierten Experiment gleicht. In einem kontrollierten Experiment kann ein Benutzer dazu aufgefordert werden, etwas zu tun (z. B. an einen Ort zu gehen), damit ein Messwert des Benutzers unter einer bestimmten Bedingung erfasst wird (z. B. um einen Messwert des Benutzers an dem Ort zu erhalten). In einem solchen Fall ist die Erfahrung, die der Benutzer hat, häufig kontrolliert (zur Begrenzung und/oder Berücksichtigung einer möglichen Variabilität), und der Benutzer ist sich der Teilnahme an einem Experiment oft bewusst. Somit sind sowohl die Erfahrung und als auch die Reaktion des Benutzers möglicherweise nicht natürlich. Im Gegensatz dazu setzt eine Beobachtungsstudie eine eher passive Rolle voraus, in der der Benutzer überwacht und nicht aktiv angeleitet wird. Somit können die Erfahrung und die Reaktion des Benutzers in dieser Situation natürlicher sein.
  • Gemäß der Verwendungsweise hierin bezieht sich ein „Basislinienwert der affektiven Reaktion eines Benutzers” (oder „Basislinienwert eines Benutzers”, wenn der Kontext klar ist) auf einen Wert, der eine sich typischerweise langsam ändernde affektive Reaktion des Benutzers, wie beispielsweise die Stimmung des Benutzers, darstellen kann. Optional wird der Basislinienwert der affektiven Reaktion als ein Wert eines physiologischen Signals des Benutzers und/oder eines Verhaltenssignals des Benutzers ausgedrückt, der sich aus einem mit einem Sensor erfassten Messwert ergeben kann. Optional kann der Basislinienwert der affektiven Reaktion eine affektive Reaktion des Benutzers unter typischen Bedingungen darstellen. Zum Beispiel können sich die typischen Bedingungen auf Zeiten beziehen, zu denen der Benutzer nicht durch ein bestimmtes Ereignis, das ausgewertet wird, beeinflusst wird. In einem anderen Beispiel werden die Basislinienwerte der affektiven Reaktion des Benutzers typischerweise zu mindestens 50 % der Zeit, während der die affektive Reaktion des Benutzers gemessen werden kann, durch den Benutzer gezeigt. In einem weiteren Beispiel entspricht ein Basislinienwert der affektiven Reaktion eines Benutzers einem Durchschnitt der affektiven Reaktion des Benutzers, wie beispielsweise ein Durchschnitt von Messwerten der affektiven Reaktion des Benutzers, die während Zeiträumen erfasst werden, die sich über Stunden, Tage, Wochen und möglicherweise sogar Jahre ausdehnen. Ein Modul, das einen Basislinienwert berechnet, kann hierin als „Basislinienwert-Prädiktor” bezeichnet werden.
  • In einer Ausführungsform umfasst die Normalisierung eines Messwerts der affektiven Reaktion mittels einer Basislinie die Subtraktion des Werts der Basislinie vom Messwert. Folglich wird der Messwert nach der Normalisierung hinsichtlich der Basislinie ein relativer Wert, der eine Differenz zur Basislinie widerspiegelt. In einem Beispiel, wenn der Messwert einen bestimmten Wert umfasst, kann die Normalisierung hinsichtlich einer Basislinie einen Wert erzeugen, der indikativ dafür ist, wie sehr der bestimmte Wert von dem Wert der Basislinie abweicht (z. B. wie weit er über oder unter der Basislinie liegt). In einem anderen Beispiel, wenn der Messwert eine Wertesequenz umfasst, kann die Normalisierung hinsichtlich einer Basislinie eine Sequenz erzeugen, die indikativ für eine Abweichung zwischen dem Messwert und einer die Basislinie repräsentierenden Sequenz von Werten ist.
  • In einer Ausführungsform kann ein Basislinienwert der affektiven Reaktion aus einem oder mehreren Messwerten der affektiven Reaktion abgeleitet werden, die vor und/oder nach einem bestimmten Ereignis erfasst werden, das zur Bestimmung seines Einflusses auf den Benutzer ausgewertet werden kann. Zum Beispiel kann das Ereignis den Besuch eines Orts beinhalten und basiert der Basislinienwert der affektiven Reaktion auf einem Messwert, der erfasst wird, bevor der Benutzer an dem Ort ankommt. In einem anderen Beispiel kann das Ereignis eine Interaktion des Benutzers mit einem Dienstleister beinhalten und basiert der Basislinienwert der affektiven Reaktion auf einem Messwert der affektiven Reaktion des Benutzers, der erfasst wird, bevor die Interaktion stattfindet. In einem weiteren Beispiel kann das Ereignis den Verzehr einer Substanz beinhalten und basiert der Basislinienwert der affektiven Reaktion auf einem Messwert, der vor dem Verzehr der Substanz erfasst wird.
  • In einer anderen Ausführungsform kann ein Basislinienwert der affektiven Reaktion zu einem bestimmten Ereignis gehören und eine affektive Reaktion darstellen, die der zu dem Ereignis gehörende Benutzer typischerweise auf das bestimmte Ereignis hat. Optional wird der Basislinienwert der affektiven Reaktion aus einem oder mehreren Messwerten der affektiven Reaktion eines Benutzers abgeleitet, die während vorheriger Instanziierungen von Ereignissen erfasst wurden, die dem bestimmten Ereignis ähnlich sind (z. B. dieselbe Erfahrung betreffen und/oder ähnliche Bedingungen der Instanziierung beinhalten). Zum Beispiel kann das Ereignis den Besuch eines Orts beinhalten und basiert der Basislinienwert der affektiven Reaktion auf Messwerten, die während vorheriger Besuche an dem Ort erfasst wurden. In einem anderen Beispiel kann das Ereignis eine Interaktion des Benutzers mit einem Dienstleister beinhalten und basiert der Basislinienwert der affektiven Reaktion auf Messwerten der affektiven Reaktion des Benutzers, die während Interaktionen mit anderen Dienstleistern erfasst wurden. In einem weiteren Beispiel kann das Ereignis den Verzehr einer Substanz beinhalten und basiert der Basislinienwert der affektiven Reaktion auf Messwerten, die nach vorherigem Verzehr der Substanz erfasst wurden. Optional kann ein Prädiktor zur Berechnung eines zu einem Ereignis gehörenden Basislinienwerts der affektiven Reaktion verwendet werden. Wie ausführlicher im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) beschrieben, kann eine solche Basislinie zum Beispiel unter Verwendung eines Emotionszustands-Schätzer (EZS) berechnet werden. Optional kann zudem eine Verfahrensweise, die eine Datenbank zur Speicherung von Beschreibungen von Ereignissen und zugehörigen Werten von Messwerten der affektiven Reaktion verwendet, wie beispielsweise die in der Patentveröffentlichung US 8,938,403 mit dem Titel „Computing token-dependent affective response baseline levels utilizing a database storing affective responses” beschriebenen Verfahrensweisen, zur Berechnung einer zu einem Ereignis gehörenden Basislinie verwendet werden
  • In einer weiteren Ausführungsform kann ein Basislinienwert der affektiven Reaktion zu einem bestimmten Zeitraum in einer wiederkehrenden Zeiteinheit gehören. Optional wird der Basislinienwert der affektiven Reaktion aus Messwerten der affektiven Reaktion abgeleitet, die während des bestimmten Zeitraums in der wiederkehrenden Zeiteinheit erfasst wurden. Zum Beispiel kann eine Basislinie der affektiven Reaktion, die zu Morgen gehört, auf der Grundlage von Messwerten eines Benutzers berechnet werden, die während der Morgen erfasst wurden. In diesem Beispiel wird die Basislinie Werte einer affektiven Reaktion enthalten, die ein Benutzer typischerweise während der Morgen hat.
  • Gemäß der Verwendungsweise hierin ist eine wiederkehrende Zeiteinheit, die auch als periodische Zeiteinheit bezeichnet wird, ein sich wiederholender Zeitraum. Zum Beispiel eine Stunde, ein Tag, eine Woche, ein Monat, ein Jahr, zwei Jahre, vier Jahre oder ein Jahrzehnt. Eine wiederkehrende Zeiteinheit kann der Zeit zwischen zwei Vorkommnissen eines wiederkehrenden Ereignisses entsprechen, wie beispielsweise die Zeit zwischen zwei Weltmeisterschaftsturnieren. Optional kann ein bestimmter Zeitraum während einer wiederkehrenden Zeiteinheit zu einem wiederkehrenden Ereignis gehören. Zum Beispiel kann das wiederkehrende Ereignis die Internationalen Filmfestspiele von Cannes, das Pfingstwochenende oder die Endspielserie der NBA sein.
  • In einer noch anderen Ausführungsform kann ein Basislinienwert der affektiven Reaktion zu einer bestimmten Situation gehören, in der sich ein Benutzer befinden kann (in diesem Fall kann die Basislinie als „situationsspezifisch” bezeichnet werden). Optional wird der situationsspezifische Basislinienwert der affektiven Reaktion aus Messwerten der affektiven Reaktion des Benutzers und/oder anderer Benutzer abgeleitet, die während des Befindens in der bestimmten Situation erfasst werden. Zum Beispiel kann ein Basislinienwert der affektiven Reaktion, der zu einer Situation des Betrunkenseins gehört, auf Messwerten der affektiven Reaktion eines Benutzers basieren, die erfasst werden, während der Benutzer betrunken ist. In einem anderen Beispiel kann ein Basislinienwert der affektiven Reaktion, der zu einer Situation des „Alleinseins” gehört, auf Messwerten eines Benutzers basieren, die erfasst wurden, während der Benutzer alleine in einem Raum war, wohingegen ein Basislinienwert der affektiven Reaktion, der zu einer Situation des „Zusammenseins” gehört, auf Messwerten eines Benutzers basieren kann, die erfasst wurden, während der Benutzer zusammen mit anderen Personen in einem Raum war. In einer Ausführungsform wird eine situationsspezifische Basislinie für einen Benutzer in einer bestimmten Situation unter Verwendung einer oder mehrerer der verschiedenen in der Patentveröffentlichung US 8,898,091 mit dem Titel „Computing situation-dependent affective response baseline levels utilizing a database storing affective responses” beschriebenen Verfahrensweisen berechnet.
  • Gemäß der Verwendungsweise hierin bezieht sich eine Situation auf einen Zustand eines Benutzers, der die affektive Reaktion des Benutzers ändern kann. In einem Beispiel kann ein Monitoring des Benutzers über einen langen Zeitraum situationsabhängige Variationen der affektiven Reaktion aufzeigen, die möglicherweise nicht aufgezeigt werden, wenn der Benutzer über einen kurzen Zeitraum oder während einer begrenzten Menge ähnlicher Situationen überwacht wird. Optional kann sich eine Situation auf eine Denkweise des Benutzers beziehen, wie beispielsweise das Wissen bestimmter Informationen, das die affektive Reaktion des Benutzers ändert. Zum Beispiel kann für ein Elternteil das Warten auf die Heimkehr eines Kindes spät in der Nacht als eine Situation gelten, die sich von dem Wissen, dass das Kind sicher zu Hause und gesund ist, unterscheidet. Andere Beispiele für unterschiedliche Situationen können beispielsweise folgende Faktoren betreffen: Anwesenheit anderer Personen in der Nähe des Benutzers (z. B. kann das Alleinsein eine andere Situation als das Zusammensein mit anderen sein), Stimmung des Benutzers (wenn der Benutzer z. B. deprimiert ist, kann dies als eine andere Situation gelten, als wenn der Benutzer euphorisch ist), Art der Aktivität, die der Benutzer zu der Zeit durchführt (z. B. können das Ansehen eines Films, die Teilnahme an einem Treffen und Autofahren als unterschiedliche Situationen gelten). In einigen Beispielen können sich verschiedene Situationen dadurch auszeichnen, dass ein Benutzer eine merklich unterschiedliche affektive Reaktion auf bestimmte Reize zeigt. Zusätzlich oder alternativ können sich verschiedene Situationen dadurch auszeichnen, dass ein Benutzer einen merklich unterschiedlichen Basislinienwert der affektiven Reaktion aufweist.
  • In den hierin beschriebenen Ausführungsformen kann ein Basislinienwert der affektiven Reaktion auf verschiedene Weise aus einem oder mehreren Messwerten der affektiven Reaktion abgeleitet werden. Des Weiteren kann die Basislinie durch verschiedene Arten von Werten dargestellt werden. Zum Beispiel kann die Basislinie der Wert eines einzelnen Messwerts, ein Ergebnis einer Funktion eines einzelnen Messwerts oder ein Ergebnis einer Funktion mehrerer Messwerte sein. In einem Beispiel kann ein Messwert der Herzfrequenz eines Benutzers, der erfasst wird, bevor der Benutzer eine Erfahrung hat, als der Basislinienwert der affektiven Reaktion des Benutzers verwendet werden. In einem anderen Beispiel kann eine emotionale Reaktion, die durch einen EEG-Messwert des Benutzers prognostiziert wird, als ein Basislinienwert der affektiven Reaktion fungieren. In einem weiteren Beispiel kann ein Basislinienwert der affektiven Reaktion eine Funktion mehrerer Werte sein; zum Beispiel kann er ein Durchschnitt, Modalwert oder Median mehrerer Messwerte der affektive Reaktion sein.
  • In einigen Ausführungsformen ist ein Basislinienwert der affektiven Reaktion ein gewichteter Mittelwert einer Vielzahl von Messwerten der affektiven Reaktion. Zum Beispiel kann ein gewichteter Mittelwert von Messwerten, die über einen Zeitraum von einem Jahr erfasst wurden, neueren Messwerten eine stärkere Gewichtung geben als älteren Messwerten.
  • In einigen Ausführungsformen werden die Messwerte der affektiven Reaktion eines Benutzers in einer Datenbank gespeichert. Optional gehören die Messwerte zu bestimmten Zeiträumen in einer wiederkehrenden Zeiteinheit und/oder zu Situationen, in denen sich der Benutzer befindet. Optional können die gespeicherten Messwerte und/oder die aus mindestens einigen der gespeicherten Messwerte abgeleiteten Werte aus der Datenbank abgerufen und als Basislinienwerte der affektiven Reaktion verwendet werden.
  • In einigen Ausführungsformen kann ein Basislinienwert der affektiven Reaktion aus Messwerten mehrerer Benutzer abgeleitet werden und eine durchschnittliche affektive Reaktion der mehreren Benutzer darstellen. Wohingegen der Basislinienwert der affektiven Reaktion in anderen Ausführungsformen aus Messwerten eines einzelnen Benutzers abgeleitet werden und eine affektive Reaktion des einzelnen Benutzers darstellen kann.
  • In den verschiedenen hierin beschriebenen Ausführungsformen gibt es verschiedene Möglichkeiten zur Verarbeitung von Daten, die Messwerte der affektiven Reaktion umfassen, und/oder von Daten, auf denen Messwerte der affektiven Reaktion basieren. Die Verarbeitung der Daten kann vor, während und/oder nach der Erfassung der Daten durch einen Sensor erfolgen (z. B. wenn die Daten durch den Sensor gespeichert und/oder vom Sensor übertragen werden). Optional erfolgt zumindest ein Teil der Verarbeitung der Daten durch den Sensor, der die Daten misst. Zusätzlich oder alternativ erfolgt zumindest ein Teil der Verarbeitung der Daten durch einen Prozessor, der die Daten in roher (unverarbeiteter) Form oder in teilweise verarbeiteter Form empfängt. Es folgen Beispiele verschiedener Möglichkeiten zur Verarbeitung von durch einen Sensor erhaltenen Daten in einigen der verschiedenen hierin beschriebenen Ausführungsformen.
  • In einigen Ausführungsformen werden zumindest einige der Daten einer Signalverarbeitung unterzogen, z. B. analoge Signalverarbeitung und/oder digitale Signalverarbeitung.
  • In einigen Ausführungsformen können zumindest einige der Daten skaliert und/oder normalisiert werden. Zum Beispiel können Messwerte so skaliert werden, dass sie im Bereich von [–1, +1] liegen. In einem anderen Beispiel werden einige Messwerte zu z-Werten normalisiert, welche den Mittelwert der Werte auf 0 bringen, mit einer Varianz von 1. In einem weiteren Beispiel werden statistische Größen einiger Werte erstellt, wie beispielsweise statistische Größen des Minimums, Maximums und/oder verschiedener Momente der Verteilung, wie Mittelwert, Varianz oder Schiefe. Optional werden die statistischen Größen unter Verwendung von festen Fenstern oder gleitenden Fenstern (Schiebefenstern) für Daten berechnet, die Zeitreihendaten enthalten.
  • In einigen Ausführungsformen können zumindest einige der Daten einer Merkmalsextraktion und/oder Reduktionstechniken unterzogen werden. Zum Beispiel können Daten dimensionalitätsreduzierende Transformationen wie Fischer-Projektionen, Hautkomponentenanalyse (Principal-Component-Analysis, PCA) und/oder Techniken zur Selektion von Merkmalsteilmengen wie sequentielle Vorwärtsselektion (Sequential-Forward-Selection, SFS) oder sequentielle Rückwärtsselektion (Sequential-Backward-Selection, SBS) durchlaufen. Optional können die Dimensionen multidimensionaler Datenpunkte, wie beispielsweise Messwerte mit mehreren Sensoren und/oder statistischen Größen, ausgewertet werden, um festzustellen, welche Dimensionen am relevantesten für die Identifizierung einer Emotion sind. Zum Beispiel beschreibt Godin et al. (Godin et al. (2015), „Selection of the Most Relevant Physiological Features for Classifying Emotion", in Emotion 40:20) verschiedene Verfahrensweisen zur Merkmalsselektion, die verwendet werden können, um relevante Dimensionalitäten mit multidimensionalen Messwerten der affektiven Reaktion auszuwählen.
  • In einigen Ausführungsformen können Daten, die Bilder und/oder Videos umfassen, einer Verarbeitung unterzogen werden, die auf unterschiedliche Weise durchgeführt werden kann. In einem Beispiel werden Algorithmen zur Identifizierung von Signalen wie Bewegung, Lächeln, Lachen, Konzentration, Körperhaltung und/oder Blick verwendet, um High-Level-Merkmale von Bildern zu erkennen. Zusätzlich können die Bilder und/oder Videoclips unter Verwendung von Algorithmen und/oder Filtern analysiert werden, um Gesichtszüge wie beispielsweise die Lage der Augen, Augenbrauen und/oder die Form des Mundes zu erkennen und/oder zu lokalisieren. Zusätzlich können die Bilder und/oder Videoclips unter Verwendung von Algorithmen analysiert werden, um Mimiken und/oder Mikroausdrücke zu erkennen. In einem anderen Beispiel werden die Bilder mit Algorithmen zur Erkennung und/oder Beschreibung lokaler Merkmale verarbeitet, wie beispielsweise skaleninvariante Merkmalstransformation (Scale-Invariant Feature Transform, SIFT), beschleunigte, robuste Merkmale (Speeded Up Robust Features, SURF), Skalenraumdarstellung und/oder andere Arten von High-Level-Bildmerkmalen.
  • In einigen Ausführungsformen umfasst die Verarbeitung von Messwerten der affektiven Reaktion eine Komprimierung und/oder Verschlüsselung von Teilen der Daten. Dies kann aus einer Vielzahl von Gründen erfolgen, beispielsweise um das Volumen der Messdaten, die übertragen werden müssen, zu reduzieren. Ein anderer Grund für die Verwendung von Komprimierung und/oder Verschlüsselung ist, dass diese Verfahren zum Schutz der Privatsphäre eines Benutzers, von dem ein Messwert oder Messwerte erfasst werden, beitragen, indem sie eine Durchsicht der Daten für unbefugte Parteien schwierig machen. Zusätzlich können die komprimierten Daten vor ihrer Komprimierung vorverarbeitet werden.
  • In einigen Ausführungsformen umfasst die Verarbeitung von Messwerten der affektiven Reaktion von Benutzern die Entfernung von zumindest einigen der persönlichen Informationen der Benutzer von den Messwerten, bevor die Messwerte (z. B. an ein Erfassungsmodul) übertragen oder durch Module zur Generierung crowd-basierter Ergebnisse verwendet werden. Persönliche Informationen eines Benutzers können hierin Informationen enthalten, die spezifische Details über den Benutzer vermitteln, wie beispielsweise Identität des Benutzers, Aktivitäten, denen der Benutzer nachgeht, und/oder Einstellungen, Kontoinformationen des Benutzers, Neigungen und/oder eine Weltanschauung des Benutzers.
  • Die Literatur beschreibt verschiedene algorithmische Methoden, die zur Verarbeitung von Messwerten der affektiven Reaktion verwendet werden können. Einige Ausführungsformen können diese bekannten Methoden und möglicherweise andere, noch zu entdeckende Methoden zur Verarbeitung von Messwerten der affektiven Reaktion verwenden. Einige Beispiele hierfür sind: (i) eine Vielzahl von physiologischen Messwerten können nach Methoden und Literaturhinweisen vorverarbeitet werden, die aufgelistet sind in: van Broek, E. L., et al. (2009), „Prerequisites for Affective Signal Processing (ASP)", in „Proceedings of the International Joint Conference on Biomedical Engineering Systems and Technologies", INSTICC Press; (ii) eine Vielzahl von akustischen und physiologischen Signalen können nach Methoden vorverarbeitet und zur Merkmalsextraktion verwendet werden, die in Literaturhinweisen beschrieben werden, die zitiert werden in den Tabellen 2 und 4 von: Gunes, H., & Pantic, M. (2010), Automatic, Dimensional and Continuous Emotion Recognition, International Journal of Synthetic Emotions, 1 (1), 68–99; (iii) die Vorverarbeitung von Audiosignalen und visuellen Signalen kann nach Methoden durchgeführt werden, die in Literaturhinweisen beschrieben werden, die zitiert werden in den Tabellen 2–4 in: Zeng, Z, et al. (2009), „A survey of affect recognition methods: audio, visual, and spontaneous expressions", IEEE Transactions on Pattern Analysis and Machine Intelligence, 31 (1), 39–58; und (iv) die Vorverarbeitung und Merkmalsextraktion verschiedener Datenquellen, wie Bilder, physiologische Messwerte, Sprachaufnahmen und textbasierte Merkmale, können nach Methoden durchgeführt werden, die in Literaturhinweisen beschrieben werden, die zitiert werden in den Tabellen 1, 2, 3, 5 in: Calvo, R. A., & D'Mello, S. (2010) „Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications", IEEE Transactions on affective computing 1(1), 18–37.
  • Im Rahmen der Verarbeitung von Messwerten der affektiven Reaktion können die Messwerte in einigen Ausführungsformen verschiedenen Modulen bereitgestellt werden, damit diese Bestimmungen gemäß der Werte der Messwerte durchführen. Optional werden die Messwerte einer oder mehreren verschiedenen Funktionen bereitgestellt, die Werte auf der Grundlage der Messwerte generieren. Zum Beispiel können die Messwerte Emotionszustands-Schätzern (EZS wie unten beschrieben) zur Schätzung eines emotionalen Zustands (z. B. eines Glücksniveaus) anhand von Messwertdaten bereitgestellt werden. Die von den Funktionen und/oder Prädiktoren erhaltenen Ergebnisse können ebenfalls als Messwerte der affektiven Reaktion gelten.
  • Wie oben erörtert, kann ein Wert eines zu einem Ereignis gehörenden Messwerts der affektiven Reaktion auf einer Vielzahl von Werten basieren, die durch eine Messung des Benutzers mit einem oder mehreren Sensoren zu verschiedenen Zeiten während des Instanziierungzeitraums des Ereignisses oder kurz danach erfasst wurden. Optional ist der Messwert der affektiven Reaktion ein Wert, der die Vielzahl von Werten zusammenfasst. Zu beachten ist, dass in einigen Ausführungsformen jeder Wert der Vielzahl von Werten für sich als ein Messwert der affektiven Reaktion gelten kann. Um jedoch zwischen einem Messwert der affektiven Reaktion und den Werten, auf denen er basiert, zu unterscheiden, werden letztere in der Diskussion unten als „eine Vielzahl von Werten” und ähnliches bezeichnet. Optional, wenn ein Messwert der affektiven Reaktion ein Wert ist, der eine Vielzahl von Werten zusammenfasst, kann er, jedoch nicht notwendigerweise, in dieser Offenlegung als ein „affektiver Wert” bezeichnet werden.
  • In einigen Ausführungsformen ermöglicht das Vorhandensein eines Werts, der die Vielzahl von Werten zusammenfasst, eine einfachere Nutzung der Vielzahl von Werten durch die verschiedenen Module in den hierin beschriebenen Ausführungsformen. Zum Beispiel kann die Berechnung einer Bewertung einer bestimmten Erfahrung auf der Grundlage von Messwerten der affektiven Reaktion, die zu einem Satz von die bestimmte Erfahrung betreffenden Ereignissen gehören, einfacher sein, wenn der zu jedem Ereignis gehörende Messwert ein einzelner Wert (z. B. einen Wert zwischen 0 und 10) oder ein kleiner Satz von Werten (z. B. eine Darstellung einer emotionalen Reaktion in einem multidimensionalen Raum) ist. Wenn auf der anderen Seite jeder Messwert der affektiven Reaktion durch einen großen Satz von Werten dargestellt wird (z. B. mittels EEG erfasste Werte, GHR und Herzfrequenz, die über einen Zeitraum von ein paar Stunden erfasst werden), ist es möglicherweise schwieriger, eine Bewertung der bestimmten Erfahrung direkt aus diesen Daten zu berechnen.
  • Es gibt in den hierin beschriebenen Ausführungsformen verschiedene Verfahren, nach denen eine Vielzahl von Werten, die unter Verwendung von einen Benutzer messenden Sensoren erhalten wurden, zur Erzeugung des zum Ereignis gehörenden Messwerts der affektiven Reaktion verwendet werden können. Es ist zu beachten, dass der Messwert der affektiven Reaktion in einigen Ausführungsformen lediglich die Vielzahl von Werten umfasst (z. B. kann der Messwert die Vielzahl von Werten in roher oder minimal verarbeiteter Form enthalten). Dahingegen ist der Messwert der affektiven Reaktion in anderen Ausführungsformen ein Wert, der eine Funktion der Vielzahl von Werten ist. Es gibt verschiedene Funktionen, die für diesen Zweck verwendet werden können. In einem Beispiel ist die Funktion ein Durchschnitt der Vielzahl von Werten. In einem anderen Beispiel kann die Funktion ein gewichteter Mittelwert der Vielzahl von Werten sein, der zu verschiedenen Zeiten erfassten Werte unterschiedliche Gewichtungen geben kann. In einem weiteren Beispiel wird die Funktion durch einen auf maschinellem Lernen basierten Prädiktor implementiert.
  • In einer Ausführungsform ist ein zu einem Ereignis gehörender Messwert der affektiven Reaktion ein Wert, der ein Durchschnitt einer Vielzahl von Werten ist, die unter Verwendung eines Sensors erfasst wurden, der den zum Ereignis gehörenden Benutzer gemessen hat. Optional wurde jeder Wert aus der Vielzahl von Werten zu einem unterschiedlichen Zeitpunkt während der Instanziierung des Ereignisses (und/oder kurz danach) erfasst. In einem Beispiel umfasst die Vielzahl von Werten alle durch den Sensor gemessenen Werte und ist der Messwert der affektiven Reaktion von daher der Durchschnitt all dieser Werte. In einem anderen Beispiel ist der zu einem Ereignis gehörende Messwert der affektiven Reaktion ein Durchschnitt einer Vielzahl von Werten, die zu bestimmten, durch etwa gleiche Abstände getrennten Zeitpunkten während der Instanziierung des Ereignisses (und/oder kurz danach) erfasst wurden. Zum Beispiel kann die Vielzahl von Werten sekündlich, minütlich, stündlich oder täglich während der Instanziierung erfasst worden sein. In einem weiteren Beispiel ist der zu einem Ereignis gehörende Messwert der affektiven Reaktion ein Durchschnitt einer Vielzahl von Werten, die zu zufälligen Zeitpunkten während der Instanziierung des Ereignisses (und/oder kurz danach) erfasst wurden. Beispielsweise kann der Messwert der affektiven Reaktion ein Durchschnitt einer vorgegebenen Anzahl von mit dem Sensor gemessenen Werten sein. Optional ist die vorgegebene Anzahl proportional zur Dauer der Instanziierung. Optional ist die vorgegebene Anzahl 2, 3, 5, 10, 25, 100, 1000, 10000 oder mehr als 10000.
  • In einer anderen Ausführungsform ist ein zu einem Ereignis gehörender Messwert der affektiven Reaktion ein Wert, der ein gewichteter Mittelwert einer Vielzahl von Werten ist, die unter Verwendung eines Sensors erfasst wurden, der den zum Ereignis gehörenden Benutzer gemessen hat. Ein gewichteter Mittelwert von Werten kann hierin jede lineare Kombination der Werte sein. Optional wurde jeder Wert aus der Vielzahl von Werten zu einem unterschiedlichen Zeitpunkt während der Instanziierung des Ereignisses (und/oder kurz danach) erfasst und kann jedem Wert aus der Vielzahl von Werten eine möglicherweise unterschiedliche Gewichtung zur Berechnung des gewichteten Mittelwerts zugeteilt werden.
  • In einem Beispiel kann Messwerten, die in der Mitte oder gegen Ende der Instanziierung des Ereignisses erfasst wurden, eine höhere Gewichtung gegeben werden als Werten, die sofort am Beginn der Instanziierung des Ereignisses erfasst wurden, da sie die affektive Reaktion auf die gesamte Erfahrung möglicherweise besser widerspiegeln.
  • In einem anderen Beispiel können die Gewichtungen, die Werten aus der Vielzahl der Werte zugeteilt werden, vom Betrag der Werte (z. B. vom Betrag ihres absoluten Werts) abhängen. In einigen Ausführungsformen kann es sein, dass eine extreme emotionale Reaktion einprägsamer als eine weniger extreme emotionale Reaktion ist (ob positiv oder negativ). Die extreme emotionale Reaktion kann einprägsamer sein, selbst wenn sie im Vergleich zu der Dauer eines Ereignisses, zu dem ein Messwert der affektiven Reaktion gehört, nur eine kurze Zeit andauert. Folglich kann es bei der Gewichtung von Werten aus einer Vielzahl von Werten, die durch einen oder mehrere Sensoren zu verschiedenen Zeitpunkten während des Instanziierungszeitraums des Ereignisses oder kurz danach erfasst wurden, sinnvoll sein, extreme Werte stärker als nichtextreme Werte zu gewichten. Optional basiert der zu einem Ereignis gehörende Messwert der affektiven Reaktion auf dem extremsten Wert (z. B. wie anhand seiner Entfernung von einer Basislinie ermittelt), der während der Instanziierung des Ereignisses (oder kurz danach) gemessen wurde.
  • In einem weiteren Beispiel kann ein Ereignis, zu dem ein Messwert der affektiven Reaktion gehört, mehrere „Mini-Ereignissen” umfassen, die während seiner Instanziierung instanziiert werden (das Konzept der Mini-Ereignisse wird eingehender im Abschnitt 4 (Ereignisse erörtert)). Optional kann jedes Mini-Ereignis einen zugehörigen Messwert der affektiven Reaktion haben. Optional kann der zu jedem Mini-Ereignis gehörende Messwert aus einem oder mehreren mit einem Sensor gemessenen Werten abgeleitet werden. Somit kann die Kombination der zu den Mini-Ereignissen gehörenden Messwerte zum zu dem Ereignis gehörenden Messwert der affektiven Reaktion einer Gewichtung und Kombination der mehreren oben genannten Werte zum Messwert der affektiven Reaktion, der zu dem Ereignis gehört, gleichkommen.
  • In einigen Ausführungsformen kann ein Ereignis τ mehrere „Mini-Ereignisse” τ1, τ2, ..., τk umfassen und/oder in mehrere „Mini-Ereignisse” τ1, τ2, ..., τk unterteilt werden, die derart aus dem Ereignis τ abgeleitet werden, dass der Instanziierungszeitraum jedes τi, 1 ≤ i ≤ k in den Instanziierungszeitraum von τ fällt. Außerdem kann davon ausgegangen werden, dass jedes Mini-Ereignis einen zugehörigen Messwert der affektiven Reaktion
    Figure DE102016101650A1_0002
    hat, sodass es sein kann, dass
    Figure DE102016101650A1_0003
    wenn i ≠ j. In diesen Verkörperungen, mτ, die Messung der affektiven Reaktion, der dem Ereignis entspricht τ ist davon auszugehen, dass eine Funktion der Messungen entsprechend der Mini-Veranstaltungen
    Figure DE102016101650A1_0004
    zu beachten ist, dass die Messungen
    Figure DE102016101650A1_0005
    dürfen sich jeweils aus mehreren Werten und nicht zwangsläufig bestehen aus einem einzigen Wert. Zum Beispiel kann ein Messwert
    Figure DE102016101650A1_0006
    Gehirnaktivität umfassen, die mittels EEG über einen Zeitraum von Minuten oder Stunden gemessen wurde.
  • In einem Beispiel kann mτ ein gewichteter Mittelwert der zu den Mini-Ereignissen gehörenden Messwerten sein, der gemäß einer Funktion
    Figure DE102016101650A1_0007
    berechnet wird, wobei die wi die zu jedem Mini-Ereignis τi gehörenden Gewichtungen sind. In einem anderen Beispiel kann die Kombination von zu Mini-Ereignissen gehörenden Messwerten auf andere Weise erfolgen, z. B. um Messwerte von Ereignissen mit einer hohen Gewichtung stärker hervorzuheben, wie beispielsweise
    Figure DE102016101650A1_0008
    einem anderen Beispiel kann der Messwert mτ als der Messwert des Mini-Ereignisses mit der größten Gewichtung ausgewählt werden. In einem weiteren Beispiel kann der Messwert mτ als ein Durchschnitt (oder als ein gewogener Mittelwert) der j ≥ 2 Messwerte mit den größten Gewichtungen berechnet werden.
  • Die zu Messwerten der einzelnen Mini-Ereignisse gehörenden Gewichtungen wi, 1 ≤ i ≤ k, können in unterschiedlichen Ausführungsformen auf unterschiedliche Weise berechnet werden und von verschiedenen Attributen abhängen. In einer Ausführungsform kann eine Gewichtung wi, 1 ≤ i ≤ k, die zu einem Messwert des Mini-Ereignisses
    Figure DE102016101650A1_0009
    gehört, proportional zur Dauer der Instanziierung des Ereignisses τi sein. Optional erhöht sich die Gewichtung wi für die meisten Mini-Ereignisse mit der Dauer der Instanziierung von τi. Zum Beispiel kann die Gewichtung linear zur Dauer sein oder eine andere Form von Funktionsbeziehung mit der Dauer haben, z. B. kann die Gewichtung proportional zu einem Logarithmus der Dauer, zur Quadratwurzel der Dauer etc. sein. Es ist zu beachten, dass ein Grund für die Erwägung einer Festlegung der Gewichtungen auf der Grundlage der Dauer sein kann, dass in einigen Fällen Personen umso mehr dazu neigen, eine bestimmte emotionale Reaktion mit einem Ereignis zu verbinden, desto länger sie diese emotionale Reaktion während eines Ereignisses haben. In einer anderen Ausführungsform basiert die Gewichtung eines Mini-Ereignisses auf einem Aspekt der Art der Erfahrung, die das Mini-Ereignis betrifft (z. B. im Innen- oder Außenbereich, Arbeit versus Freizeit usw.). In einer weiteren Ausführungsform können Mini-Ereignisse anhand von Aspekten, wie dem Ort, an dem die Erfahrung stattfindet, und/oder der Situation, in der sich der Benutzer befindet, gewichtet werden.
  • In anderen Ausführungsformen basiert die Gewichtung eines Mini-Ereignisses auf seinem entsprechenden Dominanzfaktor. Der Dominanzfaktor eines Ereignisses ist indikativ für das Ausmaß, mit dem eine durch den Benutzer ausgedrückte affektive Reaktion, die zu dem Ereignis gehört, mit dem Ereignis verbunden werden sollte. Zusätzliche Details über Dominanzfaktoren sind zumindest im Abschnitt 4 (Ereignisse) zu finden.
  • In einigen Ausführungsformen können die Gewichtungen von Ereignissen oder Mini-Ereignissen unter Verwendung verschiedener Funktionen berechnet werden, die mehrere in den obigen Ausführungsformen beschriebene Gewichtungsmethoden berücksichtigen. Wie in den obigen Beispielen beschrieben, kann somit beispielsweise in einer Ausführungsform eine Gewichtung wi, 1 ≤ i ≤ k, die zu einem Messwert des Mini-Ereignisses
    Figure DE102016101650A1_0010
    gehört, proportional zu sowohl bestimmten, die Erfahrung charakterisierenden Attributen (z. B. indikativ für die Art der Erfahrung) als auch zur Dauer des Mini-Ereignisses sein. Dies kann zu Fällen führen, in denen ein erster Messwert
    Figure DE102016101650A1_0011
    der zu einem ersten Mini-Ereignis τ1 gehört, eine Gewichtung w1 haben kann, die größer als eine Gewichtung w2 ist, die einem zweiten Messwert
    Figure DE102016101650A1_0012
    gegeben wird, der zu einem zweiten Mini-Ereignis τ2 gehört, obwohl die Dauer der Instanziierung von τ1 kürzer als die Dauer der Instanziierung von τ2 ist.
  • Die Kombination einer Vielzahl von Werten, die unter Verwendung eines einen Benutzer messenden Sensors erhalten wurden, zu einem Messwert der affektiven Reaktion, der wie oben beschrieben zu einem Ereignis gehört, kann in einigen Ausführungsformen durch einen affektiven Wert-Bewerter durchgeführt werden. Ein affektiver Wert-Bewerter ist hierin ein Modul, das einen affektiven Wert auf der Grundlage eines einen Messwert der affektiven Reaktion umfassenden Inputs berechnet. Somit kann der Input für einen affektiven Wert-Bewerter einen Wert, der unter Verwendung eines einen Benutzer messenden Sensors erhalten wurde, und/oder mehrere durch den Sensor erhaltene Werte umfassen. Des Weiteren kann der Input für den affektiven Wert-Bewerter verschiedene Werte in Bezug auf den zum Ereignis gehörenden Benutzer, die zum Ereignis gehörende Erfahrung und/oder die zum Ereignis gehörende Instanziierung umfassen. In einem Beispiel kann der Input für einen affektiven Wert-Bewerter eine Beschreibung der in dem Ereignis enthaltenen Mini-Ereignisse umfassen (z. B. deren Instanziierungszeiträume, Dauern und/oder zugehörige Attribute). In einem anderen Beispiel kann der Input für einen affektiven Wert-Bewerter Dominanzfaktoren von Ereignissen (oder Mini-Ereignissen) umfassen. Folglich können die oben angeführten Beispiele zur Beschreibung der Berechnung eines zu einem Ereignis gehörenden Messwerts der affektiven Reaktion als ein Durchschnitt und/oder gewichteter Mittelwert einer Vielzahl von Werten als Beispiele einer durch einen affektiven Wert-Bewerter berechneten Funktion gelten.
  • In einigen Ausführungsformen kann der einem affektiven Wert-Bewerter bereitgestellte Input private Informationen eines Benutzers umfassen. Zum Beispiel können die Informationen Teile eines Profils des Benutzers enthalten. Optional werden die privaten Informationen durch einen im Namen des Benutzers operierenden Software-Agenten bereitgestellt. Alternativ kann der affektive Wert-Bewerter selbst ein Modul eines im Namen des Benutzers operierenden Software-Agenten sein.
  • In einigen Ausführungsformen kann ein affektiver Wert-Bewerter durch einen Prädiktor implementiert werden, welcher einen Emotionszustands-Schätzer (EZS) verwenden und/oder selbst ein EZS sein kann. Zusätzliche Informationen bezüglich EZS sind zumindest im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) zu finden.
  • Die Berechnung eines zu einem Ereignis gehörenden Messwerts der affektiven Reaktion unter Verwendung eines Prädiktors kann in einigen Ausführungsformen die Anwendung verschiedener statistischer Größen umfassen, die aus der Vielzahl von durch den Sensor erhaltenen Werten und/oder aus der Beschreibung des Ereignisses (und/oder Beschreibungen von Mini-Ereignissen) abgeleitet wurden. Optional können einige der statistischen Größen in dem Input enthalten sein, der dem affektiven Wert-Bewerter bereitgestellt wird. Zusätzlich oder alternativ können einige der statistischen Größen durch den affektiven Wert-Bewerter auf der Grundlage des dem affektiven Wert-Bewerter bereitgestellten Inputs berechnet werden. Optional können die statistischen Größen den Prädiktor durch Bereitstellung eines Kontexts unterstützen, der hilfreich bei der Interpretation der Vielzahl von Werten und ihrer Kombination zu dem zum Ereignis gehörenden Messwert der affektiven Reaktion sein kann.
  • In einer Ausführungsform können die statistischen Größen verschiedene Durchschnittswerte, wie beispielsweise die Durchschnittswerte der Messwerte, umfassen. Optional können sich die Durchschnittswerte auf verschiedene Merkmale der Ereignisse beziehen. Zum Beispiel kann eine statistische Größe die durchschnittliche Herzfrequenz in den Morgenstunden, die durchschnittliche Hautleitfähigkeit beim Essen und/oder die durchschnittliche Atemfrequenz beim Schlafen anzeigen. In einem anderen Beispiel kann sich eine statistische Größe auf die Anzahl der Male pro Stunde beziehen, während der der Benutzer während eines Ereignisses gelächelt hat.
  • In einer anderen Ausführungsform können sich die statistischen Größen auf eine Funktion der Vielzahl von Werten und/oder auf einen Vergleich der Vielzahl von Werten mit typischen affektiven Werten und/oder affektiven Basislinienwerten beziehen. Zum Beispiel kann sich eine statistische Größe auf die Anzahl der Male und/oder den Prozentsatz der Zeit beziehen, während denen/der ein bestimmter Wert einen bestimmten Schwellenwert überschreitet. Zum Beispiel kann eine statistische Größe die Anzahl der Male angeben, während denen die Herzfrequenz 80 Schläge pro Minute überschreitet. Eine andere statistische Größe kann sich auf den Prozentsatz der Zeit beziehen, während der der systolische Blutdruck über 140 war. In einem anderen Beispiel können sich statistische Größen auf zu dem Benutzer gehörende Basislinienwerte und/oder Basislinienverteilungen beziehen. Zum Beispiel kann eine statistische Größe den Prozentsatz der Zeit angeben, während der die Herzfrequenz des Benutzers mehr als zwei Standardabweichungen über dem für den Benutzer über einen langen Zeitraum beobachteten Durchschnitt lag.
  • In einer weiteren Ausführungsform können statistische Größen den emotionalen Zustand eines Benutzers während eines bestimmten Ereignisses zusammenfassen. Zum Beispiel können statistische Größen den Prozentsatz der Zeit angeben, während der der zu einem Ereignis gehörende Benutzer während des Ereignisses einen emotionalen Zustand hatte, der einer bestimmten Kernemotion (z. B. Glück, Trauer, Wut etc.) entspricht. In einem anderen Beispiel können statistische Größen die durchschnittliche Intensität angeben, mit der der Benutzer jede Kernemotion während der Dauer der Instanziierung des Ereignisses gefühlt hat. Optional kann die Bestimmung eines emotionalen Zustands eines Benutzers und/oder der Intensität der durch einen Benutzer gefühlten Emotionen unter Verwendung eines EZS erfolgen, der die Vielzahl von Werten empfängt, die durch den den Benutzer messenden Sensor erhalten wurden.
  • Das Trainieren eines affektiven Wert-Bewerters mit einen Prädiktor umfasst den Erhalt eines Trainingssatzes, der Samples und zugehörige Labels umfasst, sowie die Anwendung eines Trainingsalgorithmus für einen oder mehrere der im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) beschriebenen maschinellen Lernansätze. Optional gehört jedes Samples zu einem Ereignis und umfasst jedes Sample Merkmalswerte, die aus einem oder mehreren Messwerten des Benutzers (d. h. aus der Vielzahl der oben erwähnten Werte) abgeleitet wurden, sowie optional andere Merkmalswerte, die zu den oben erwähnten zusätzlichen Informationen und/oder statistischen Größen gehören. Das Label eines Samples ist der zu dem Ereignis gehörende affektive Wert. Der affektive Wert, der als ein Label für ein Sample verwendet wird, kann auf verschiedene Weise generiert werden.
  • In einer Ausführungsform kann der Benutzer eine Angabe eines affektiven Werts bereitstellen, der zu einem Ereignis gehört. Beispielsweise kann der Benutzer das Ereignis freiwillig ranken (z. B. dieser Videoclip war 4/5 oder diese Mahlzeit war 9/10). In einem anderen Beispiel kann der Benutzer dazu aufgefordert werde, einen affektiven Wert eines Ereignisses bereitzustellen, z. B. durch einen Software-Agenten.
  • In einer anderen Ausführungsform kann der zu dem Ereignis gehörende affektive Wert durch einen externen Labeler (z. B. eine Person und/oder ein Algorithmus) bereitgestellt werden, der Messwerte des Benutzers (z. B. Bilder des Benutzers, die während des Ereignisses aufgenommen wurden) und/oder Handlungen des Benutzers während des Ereignisses prüfen kann, um zu bestimmen, wie sich der Benutzer wahrscheinlich während des Ereignisses gefühlt hat (und ein entsprechendes numerisches Ranking zu geben).
  • In einer weiteren Ausführungsform kann der zu dem Ereignis gehörende affektive Wert aus einer Kommunikation des Benutzers über das Ereignis abgeleitet werden. Optional kann die Ableitung des affektiven Werts die Anwendung einer semantischen Analyse zur Bestimmung des Gefühls des Benutzers hinsichtlich des Ereignisses anhand eines Gesprächs (Audio und/oder Video), eines Kommentars in einem Forum, eines Beitrags in sozialen Medien und/oder einer SMS-Nachricht beinhalten.
  • Affektive Werte können in verschiedenen Ausführungsformen verschiedene Bedeutungen haben. In einigen Ausführungsformen können affektive Werte quantifizierbaren Maßen im Zusammenhang mit einem Ereignis entsprechen (welches in der Zukunft stattfinden kann und/oder nicht immer für jedes Beispiel eines Ereignisses quantifizierbar sein kann). In einem Beispiel kann ein affektiver Wert die erwartete Wahrscheinlichkeit widerspiegeln, mit der der zu dem Ereignis gehörende Benutzer das Ereignis erneut haben kann (d. h. ein Stammkunde). In einem anderen Beispiel kann ein affektiver Wert die Menge an Geld widerspiegeln, die ein Benutzer während eines Ereignisses ausgibt (z. B. die Menge des während eines Urlaubs ausgegebenen Gelds). Diese Werte können als affektive Werte gelten, da sie davon abhängen, wie sich die Benutzer während des Ereignisses gefühlt hat. Die Erfassung solcher Labels ist eventuell nicht für alle Ereignisse möglich und/oder kann teuer sein (z. B. da sie den Kauf von Informationen von einer externen Quelle beinhalten kann). Dennoch kann es für verschiedene Applikationen wünschenswert sein, einen Messwert der affektiven Reaktion auf ein Ereignis auf diese Weise ausdrücken zu können und in der Lage zu sein, einen solchen affektiven Wert anhand von mit einem Sensor erfassten Messwerten vorherzusagen. Dadurch kann es zum Beispiel möglich sein, eine Erfahrungsbewertung, die die durchschnittliche Menge an Geld, die Benutzer während einer Ausgehnacht ausgeben, repräsentiert, auf der Grundlage der Gefühlslage der Benutzer zu berechnen (ohne notwendigen Zugriff auf ihre Finanzdaten).
  • In einigen Ausführungsformen können zu affektiven Werten gehörende Labels erhalten werden, wenn der Benutzer mit einem erweiterten Satz von Sensoren gemessen wird. Dies kann eine genauere Erfassung des emotionalen Zustands des Benutzers ermöglichen. Zum Beispiel kann ein Label für einen Benutzer unter Verwendung von Videobildern und/oder EEG, zusätzlich zur Herzfrequenz und GHR, generiert werden. Solch ein Label ist typischerweise genauer als die alleinige Verwendung der Herzfrequenz und GHR (ohne Informationen aus EEG oder Video). Somit kann in diesem Fall ein genaues Label bereitgestellt und zum Training eines Prädiktors verwendet werden, dem ein affektiver Wert auf der Grundlage der Herzfrequenz und GHR (jedoch nicht des EEG oder von Videobildern des Benutzers) gegeben wird.
  • Ein affektiver Wert-Bewerter kann anhand von Daten trainiert werden, die durch Monitoring mehrerer Benutzer erhalten wurden, und kann als solcher in einigen Ausführungsformen als ein allgemeiner affektiver Wert-Bewerter gelten. In anderen Ausführungsformen kann ein affektiver Wert-Bewerter hauptsächlich anhand von einen bestimmten Benutzer betreffenden Daten trainiert werden und als solcher als ein für den bestimmten Benutzer personalisierter affektiver Wert-Bewerter gelten.
  • 3 – Erfahrungen
  • Einige hierin beschriebene Ausführungsformen können „Erfahrungen” umfassen, die Benutzer haben. Die „Erfahrungen” können sich in den verschiedenen Ausführungsformen auf verschiedene Dinge beziehen. In einigen Ausführungsformen ist es notwendig, Ereignisse, die bestimmte Erfahrungen betreffen, zu identifizieren und/oder sie zu charakterisieren. Zum Beispiel kann es notwendig sein, die Erfahrung, die ein Benutzer hat, zu identifizieren und/oder zu charakterisieren, um ein Ereignis zu beschreiben, bei dem ein Benutzer die Erfahrung hat. Eine solche Beschreibung ist für verschiedene Aufgaben nützlich. In einem Beispiel kann eine Beschreibung eines Ereignisses verwendet werden, um ein Sample zu generieren, die einem Prädiktor für die Prognose einer affektiven Reaktion auf die Erfahrung bereitgestellt wird, was zumindest im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) ausführlicher erläutert wird. In einem anderen Beispiel können Beschreibungen von Ereignissen verwendet werden, um Ereignisse in dieselbe Erfahrung betreffende Sätze zu gruppieren (z. B. weiter unten in dieser Offenlegung beschriebene Ereignissätze). Eine Gruppierung von Ereignissen, die zur selben Erfahrung gehören, kann für verschiedene Aufgaben nützlich sein, zum Beispiel für die Berechnung einer Bewertung der Erfahrung durch Messwerte der affektiven Reaktion, was zumindest im Abschnitt 10 (Bewertung) ausführlicher erklärt wird. Erfahrungen sind eng mit der Ereignissen verbunden; ein Vorgang, bei dem ein Benutzer eine Erfahrung hat, gilt als ein Ereignis. Eine weitere Diskussion hinsichtlich Erfahrungen ist zumindest im Abschnitt 4 (Ereignisse) zu finden.
  • Eine Erfahrung wird typischerweise gemäß ihres bestimmten Typs charakterisiert. Es folgt eine Beschreibung nicht ausschließlicher Beispiele der verschiedenen Kategorien von Typen von Erfahrungen, zu denen die Erfahrungen in den verschiedenen Ausführungsformen gehören können. Diese Beschreibung soll nicht eine Unterteilung von Erfahrungen sein; z. B. können verschiedene, in Ausführungsformen beschriebene Erfahrungen in mehrere der unten aufgeführten Kategorien fallen. Diese Beschreibung ist nicht umfassend, z. B. können einige Erfahrungen in Ausführungsformen nicht zu einer der unten aufgeführten Kategorien gehören.
  • Ort. Verschiedene hierin beschriebene Ausführungsformen betreffen Erfahrungen, bei denen ein Benutzer an einem Ort ist. In einigen Ausführungsformen kann sich ein Ort auf einen Platz in der physischen Welt beziehen. Ein Ort in der physischen Welt kann verschiedene Bereiche und/oder Räume der physischen Welt einnehmen. Ein Ort kann zum Beispiel ein Kontinent, ein Land, eine Region, eine Stadt, ein Park oder ein Geschäft (z. B. ein Restaurant) sein. In einem Beispiel ist ein Ort ein Reiseziel (z. B. Paris). In einem anderen Beispiel kann ein Ort ein Teil eines anderen Orts sein, z. B. ein bestimmtes Zimmer in einem Hotel oder ein Sitzplatz an einem bestimmten Ort in einem Theater. In einigen Ausführungsformen kann zum Beispiel der Aufenthalt im Wohnzimmer einer Wohnung als eine andere Erfahrung als der Aufenthalt in einem Schlafzimmer gelten.
  • Virtueller Ort. In einigen Ausführungsformen kann sich ein Ort auf eine virtuelle Umgebung wie beispielsweise eine virtuelle Welt beziehen, wobei mindestens eine Instanziierung der virtuellen Umgebung in einem Speicher eines Computers gespeichert wird. Optional kann ein Benutzer als in der virtuellen Umgebung anwesend gelten, wenn er einen im Speicher gespeicherten Wert hat, der die Anwesenheit einer Repräsentation des Benutzer in der virtuellen Umgebung indiziert. Optional gehören verschiedene Orte in der virtuellen Umgebung zu verschiedenen logischen Räumen in der virtuellen Umgebung. Zum Beispiel können verschiedene Zimmer in einem Gasthaus in einer virtuellen Welt als verschiedene Orte gelten. In einem anderen Beispiel können verschiedene Kontinenten in einer virtuellen Welt als verschiedene Orte gelten. In einer Ausführungsform interagiert ein Benutzer mit einer grafischen Benutzeroberfläche, um an Aktivitäten in einer virtuellen Umgebung teilzunehmen. In einigen Beispielen kann ein Benutzer in der virtuellen Umgebung durch ein Avatar repräsentiert werden. Optional kann der Avatar des Benutzers die Anwesenheit des Benutzers an einem bestimmten Ort in der virtuellen Umgebung repräsentieren. Des Weiteren können andere Benutzer durch Feststellung, wo der Avatar ist, bestimmen, an welchem Ort in der virtuellen Umgebung sich der Benutzer aufhält.
  • eine virtuelle Umgebung kann auch vertreten sein, die von einem Server gehostet wird. Server Hosting Instanziierungen der virtuellen Umgebung können sich in verschiedenen physischen Standorten und/oder Host unterschiedliche Gruppen von Benutzern aus verschiedenen Orten rund um die Welt. Dies führt zu dem Phänomen, dass verschiedene Benutzer bereitgestellt werden können, eine andere Erfahrung, wenn Sie eine Verbindung zu verschiedenen Servern (trotz Hosting das gleiche Spiel- und/oder virtuellen Welt). So ist in einigen Ausführungsformen, Benutzer, die eine Verbindung zu verschiedenen Servern werden an verschiedenen Standorten (auch wenn der Server hosten die gleiche Welt und/oder Spiel).
  • Route. In einigen Ausführungsformen kann eine Erfahrung das Bereisen einer bestimmten Route beinhalten. Optional ist eine Route eine Zusammenstellung von zwei oder mehr Orten, die ein Benutzer besuchen kann. Optional sind zumindest einige der zwei oder mehr Orte der Route Orte in der physischen Welt. Optional sind zumindest einige der zwei oder mehr Orte der Route Orte in einer virtuellen Welt. In einer Ausführungsform ist eine Route durch die Reihenfolge, mit der die Orte besucht werden, gekennzeichnet. In einer anderen Ausführungsform ist eine Route durch ein Verkehrsmittel gekennzeichnet, das zum Bereisen der Route verwendet wird.
  • Inhalt. Die Aufnahme eines Inhalts gilt in einigen Ausführungsformen als eine Erfahrung. Optional ist der Inhalt, der aufgenommen wird, ein digitaler Inhalte und beinhaltet die Aufnahme des Inhalts eine Benutzeroberfläche, die den Inhalt darstellt (z. B. ein Display und/oder Lautsprecher). In einigen Ausführungsformen wird eine Erfahrung, die die Aufnahme eines Inhalts betrifft, durch die Art des an der Aufnahme des Inhalts beteiligten Mediums charakterisiert. Zum Beispiel kann die Erfahrung als „einen Film ansehen”, „im Internet surfen” und/oder „Musik hören” bezeichnet werden. In anderen Ausführungsformen wird eine Erfahrung, die die Aufnahme eines Inhalts betrifft, durch den Inhalt selbst charakterisiert. Zum Beispiel kann die Erfahrung als „Star Trek-Ansehen”, „Facebook-Durchsuchen” und/oder „Wish-You-Were-Here-von-Pink Floyd-Anhören” bezeichnet werden.
  • Aktivität. In einigen Ausführungsformen kann eine Erfahrung eine Aktivität beinhalten, die ein Benutzer durchführt. In einem Beispiel beinhaltet eine Erfahrung eine Freizeitaktivität (z. B. reisen, essen gehen in einem Restaurant, das Einkaufszentrum besuchen oder Spiele auf einer Spielkonsole spielen). In einem anderen Beispiel beinhaltet eine Erfahrung eine alltägliche Aktivität (z. B. sich anziehen, zur Arbeit fahren, mit einer anderen Person reden, schlafen und/oder Abendessen machen). In einem weiteren Beispiel umfasst eine Erfahrung eine arbeitsbezogene Aktivität (z. B. eine E-Mail schreiben, Lebensmittel verpacken oder Essen servieren). In noch einem weiteren Beispiel beinhaltet eine Erfahrung eine geistige Aktivität (z. B. studieren und/oder eine Prüfung ablegen). In noch einem weiteren Beispiel kann eine Erfahrung eine einfache Handlung wie Niesen, Küssen oder Husten umfassen.
  • Soziale Interaktion. In einigen Ausführungsformen kann eine Erfahrung eine Art von sozialer Interaktion eines Benutzers beinhalten. Optional kann die soziale Interaktion zwischen dem Benutzer und einer anderen Person und/oder zwischen dem Benutzer und einer softwarebasierten Entität (z. B. ein Software-Agent oder physischer Roboter) stattfinden. Der Umfang einer Interaktion kann zwischen den verschiedenen Erfahrungen variieren. In einem Beispiel kann eine Erfahrung eine Interaktion beinhalten, die Minuten oder sogar Stunden dauert (z. B. ein Spiel oder eine Diskussion). In einem anderen Beispiel kann eine Interaktion so kurz wie der Austausch eines Lächelns, ein Händedruck oder eine jähe Unterbrechung sein. Es ist zu beachten ist, dass der emotionale Zustand einer Person, mit der ein Benutzer interagiert, die Art der Erfahrung, die der Benutzer hat, ändern kann. Zum Beispiel kann die Interaktion mit einer glücklich lächelnden Person eine ganz andere Erfahrung als die Interaktion mit einer schluchzenden Person sein.
  • Dienstleister – In einigen Ausführungsarten, eine soziale Interaktion eines Benutzers mit einem Service Provider die Bereitstellung eines Dienstes für den Benutzer. Optional kann ein Dienstleister ein menschlicher Dienstleister oder ein virtueller Dienstleister (z. B. ein Roboter, ein Chatbot, ein Webservice und/oder ein Software-Agent) sein. In einigen Ausführungsformen kann ein menschlicher Dienstleister jede Person sein, mit der ein Benutzer interagiert (die nicht der Benutzer ist). Optional findet zumindest ein Teil einer Interaktion zwischen einem Benutzer und einem Dienstleister an einem physischen Ort statt (z. B. ein Benutzer, der mit einem Kellner in einem Restaurant interagiert, wobei sich der Benutzer und der Kellner im gleichen Raum befinden). Optional beinhaltet die Interaktion eine Diskussion zwischen dem Benutzer und dem Dienstleister (z. B. ein Telefongespräch oder ein Videochat). Optional kann zumindest ein Teil der Interaktion in einem virtuellen Raum stattfinden (z. B. ein Benutzer und ein Versicherungsvertreter, die eine Versicherungspolice in einer virtuellen Welt besprechen). Optional kann zumindest ein Teil der Interaktion eine Kommunikation zwischen dem Benutzer und einem Dienstleister beinhalten, bei der Benutzer und Dienstleister sich nicht in räumlicher Nähe zueinander befinden (z. B. eine Diskussion per Telefon).
  • Substanz – Verschiedene hierin beschriebene Ausführungsformen beinhalten Erfahrungen, bei denen ein Benutzer eine Substanz und/oder eine Kombination von Substanzen zu sich nimmt. Optional ist eine Substanz etwas, das der Benutzer durch Absorption in den Körper des Benutzers zu sich nimmt. In einem Beispiel können sich „Substanzen” auf verschiedene Formen von Lebensmitteln und Getränken beziehen, die durch Essen und Trinken konsumiert werden. In einem anderen Beispiel können sich „Substanzen” auf verschiedene Formen von Drogen und/oder Chemikalien beziehen, die durch Schlucken, Injektion, Inhalation und/oder durch Absorption durch die Haut konsumiert werden.
  • Produkt – Die Anwendung eines Produkts kann in einigen Ausführungsformen als eine Erfahrung gelten. Ein Produkt kann ein beliebiges Objekt sein, das ein Benutzer nutzen kann. Beispiele von Produkten umfassen Haushaltsgeräte, Kleidungsstücke, Schuhe, tragbare Geräte (Wearables), Gadgets, Schmuckstücke, Kosmetikartikel, Reinigungsmittel, Fahrzeuge, Sportartikel und Musikinstrumente. Optional können verschiedene Zeiträume der Anwendung und/oder verschiedene Zeiträume des Besitzes des Produkts unterschiedlichen Erfahrungen bezüglich desselben Produkts entsprechen. Zum Beispiel kann das erste Tragen eines neuen Schuhpaares als ein Ereignis mit einer anderen Erfahrung gelten als ein Ereignis, das dem Tragen der Schuhe nach dreimonatigem Besitz entspricht.
  • Umgebung – In einigen Ausführungsformen kann zudem das Verbringen von Zeit in einer durch bestimmte Umgebungsbedingungen geprägten Umgebung eine Erfahrung darstellen. Optional können unterschiedliche Umgebungsbedingungen durch einen bestimmten Wert oder Wertebereich eines Umgebungsparameters charakterisiert werden. Optional können unterschiedliche Umgebungsbedingungen durch einen bestimmten Wert oder Wertebereich eines Umgebungsparameters charakterisiert werden. In einem Beispiel entspricht der Aufenthalt in einer Umgebung, in der die Temperatur innerhalb eines gewissen Bereichs liegt, einer bestimmten Erfahrung (z. B. kann ein Aufenthalt in Temperaturen von unter 7°C als eine Erfahrung eines Aufenthalts in einer kalten Umgebung gelten und kann ein Aufenthalt in Temperaturen von über 32°C als eine Erfahrung eines Aufenthalts in einer warmen Umgebung gelten). In einem anderen Beispiel können Umgebungen durch einen bestimmten Luftfeuchtigkeitsbereich, eine bestimmte Höhe, ein bestimmtes Druckniveau (z. B. als Atmosphären ausgedrückt) und/oder ein bestimmtes Niveau der gefühlten Schwerkraft (z. B. eine Umgebung mit Nullgravitation) charakterisiert werden. In einem weiteren Beispiel kann der Aufenthalt in einer Umgebung, die einem bestimmten Maß an Strahlung ausgesetzt ist, als eine Erfahrung gelten (z. B. Exposition mit bestimmten Intensitäten von Sonnenlicht, WLAN-Übertragungen, elektromagnetischen Feldern in der Nähe von Hochspannungsleitungen und/oder Mobiltelefon-Übertragungen). In noch einem weiteren Beispiel kann der Aufenthalt in einer Umgebung mit einem bestimmten Geräuschpegel (z. B. Stadtverkehr oder Wüstenstille) und/oder mit einem Geräusch eines bestimmten Typs (z. B. Vogelgezwitscher oder Meeresrauschen) als eine Erfahrung gelten. In einem wiederum anderen Beispiel kann der Aufenthalt in einer Umgebung mit einem bestimmten Geruch als eine Erfahrung gelten (z. B. der Aufenthalt an einem Ort, an dem es einen Duft von Jasminblüten oder einen unangenehmen Geruch im Zusammenhang mit Müll gibt). Und in einem wiederum anderen Beispiel kann der Aufenthalt in einer Umgebung mit einer bestimmten Menge von Schadstoffen und/oder Allergenen (z. B. ein bestimmter ppm-Bereich) als eine Erfahrung gelten. Es ist zu beachten, dass ein Benutzer, der eine der oben genannten Erfahrungen erlebt, möglicherweise keine Kenntnis vom Ausmaß des jeweiligen Umgebungsparameters hat und sich somit möglicherweise dem Erleben der entsprechenden Erfahrung nicht bewusst ist. Optional kann der Aufenthalt in derselben Umgebung für einen unterschiedlichen Zeitraum und/oder unter unterschiedlichen Bedingungen als eine unterschiedliche Erfahrung gelten.
  • In den verschiedenen hierin beschriebenen Ausführungsformen werden die Messwerte der affektiven Reaktion von Benutzern in Erfahrungen betreffenden Berechnungen verwendet, wie beispielsweise zur Bewertung von Erfahrungen, zum Ranking von Erfahrungen, zum Vergleichen von Erfahrungen und/oder zum Berechnen von zeitabhängigen Trends für Erfahrungen. Optional gehören die in solchen Berechnungen beteiligten Erfahrungen alle zu einem Satz von Erfahrungen, der bestimmte Arten von Erfahrungen umfasst. Zusätzlich kann es in den Ausführungsformen eine oder mehrere Arten von Erfahrungen geben, die ausdrücklich von dem Satz der Erfahrungen ausgeschlossen sind, und somit umfassen die Messwerte der affektiven Reaktion von Benutzern, die in den Berechnungen verwendet werden, keine Messwerte von Benutzern, die zu Ereignissen gehören, die Erfahrungen der einen oder mehreren Arten von Erfahrungen betreffen.
  • Es folgen einige Beispiele von Ausführungsformen, die derart bestimmte Arten von Erfahrungen betreffen, dass der Satz von Erfahrungen Erfahrungen der einen Art oder der mehreren folgenden Arten umfassen kann. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer an einem Ort (in der physischen Welt) ist. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer an einem virtuellen Ort ist. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, die das Bereisen einer bestimmten Route beinhalten. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer einen Inhalt aufnimmt (z. B. einen Film oder ein Computerspiel). In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer an einer Freizeitaktivität teilnimmt. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer an einer arbeitsbezogenen Aktivität teilnimmt. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer eine soziale Interaktion hat. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer eine Dienstleistung von einem Dienstleister erhält. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer ein bestimmtes Produkt anwendet. In einer Ausführungsform umfasst der Satz von Erfahrungen Erfahrungen, bei denen der Benutzer Zeit in einer Umgebung verbringt, die durch einen bestimmten Umgebungszustand geprägt ist.
  • Es folgen einige Beispiele von Ausführungsformen, die derart bestimmte Arten von Erfahrungen ausschließen, dass der Satz von Erfahrungen keine Erfahrungen mindestens einer bestimmten Art umfasst. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer an einem Ort (in der physischen Welt) ist. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer an einem virtuellen Ort ist. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, die das Bereisen einer bestimmten Route beinhalten. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer einen Inhalt aufnimmt (z. B. einen Film oder ein Computerspiel). In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer an einer Freizeitaktivität teilnimmt. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer an einer arbeitsbezogenen Aktivität teilnimmt. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer eine soziale Interaktion hat. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer eine Dienstleistung von einem Dienstleister erhält. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer ein bestimmtes Produkt anwendet. In einer Ausführungsform umfasst der Satz von Erfahrungen keine Erfahrungen, bei denen der Benutzer Zeit in einer Umgebung verbringt, die durch einen bestimmten Umgebungszustand geprägt ist.
  • Die oben angeführten Beispiele veranschaulichen einige der verschiedenen Arten von Erfahrungen, die Benutzer in den hierin beschriebenen Ausführungsformen haben können. Zusätzlich zu einer Charakterisierung nach einer Art von Erfahrung, und in einigen Verkörperungen anstelle einer solchen Charakterisierung, können unterschiedliche Erfahrungen nach anderen Attributen charakterisiert werden. In einer Ausführungsform können Erfahrungen entsprechend der Länge der Zeit, während der ein Benutzer die Erfahrungen hat, charakterisiert werden. Zum Beispiel können „kurze Erfahrungen” Erfahrungen mit einer Dauer von weniger als fünf Minuten sein, während „lange Erfahrungen” mehr als eine Stunde dauern können (eventuell mit einer Kategorie „intermediäre Erfahrungen” für Erfahrungen mit einer Dauer zwischen fünf Minuten und einer Stunde). In einer anderen Ausführungsform können die Erfahrungen nach Kosten, die mit dem Erleben der Erfahrungen verbunden sind, charakterisiert werden. Zum Beispiel können „kostenlose” Erfahrungen mit keinen finanziellen Kosten verbunden sein, während „teure Erfahrungen” Erfahrungen sein können, die mindestens eine bestimmte Menge an Geld (z. B. mindestens einen bestimmten Teil eines Budgets eines Benutzers) kosten. In einer weiteren Ausführungsform können die Erfahrungen nach ihrer Altersangemessenheit charakterisiert werden. Zum Beispiel können bestimmte Erfahrungen als für die allgemeine Öffentlichkeit (einschließlich Kinder) gelten, während andere als für ein älteres Publikum erachtet werden können. Es wird darauf hingewiesen, dass die in der obigen Ausführungsform gegebenen Beispiele verwendet werden können, um Erfahrungen ohne Verweis auf einen Typ von Erfahrung (z. B. nicht jugendfreie Erfahrungen vs. jugendfreie Erfahrungen) oder in Verbindung mit einer Art von Erfahrung (z. B. ein nicht jugendfreier Film vs. ein bedingt jugendfreier Film) zu charakterisieren.
  • Die Charakterisierungen der Erfahrungen kann auf weitere Weise erfolgen. In einigen Ausführungsformen können Erfahrungen gemäß zugehöriger Attribute betrachtet werden (z. B. Art der Erfahrung, Länge, Kosten, Qualität etc.). Abhängig von den Ausführungsformen können verschiedene Teilmengen von Attributen betrachtet werden, was unterschiedlichen Wegen zur Charakterisierung von Erfahrungen gleichkommt. So können beispielsweise in einer Ausführungsform zwei Ereignisse als zur selben Erfahrung gehörend gelten (wenn ein erster Satz von Attributen zur Charakterisierung von Erfahrungen verwendet wird), während dieselben beiden Ereignisse in einer anderen Ausführungsform als zu unterschiedlichen Erfahrung gehörend gelten können (wenn ein zweiter Satz von Attributen zur Charakterisierung von Erfahrungen verwendet wird). Zum Beispiel kann in einer Ausführungsform ein 15 Minuten langes Radfahren als eine andere Erfahrung gelten als ein zwei Stunden langes Radfahren; sie können als die Erfahrungen „kurze Radtour” beziehungsweise „lange Radtour” gelten. Dahingegen können beide in einer anderen Ausführungsform als dieselbe Erfahrung des „Fahrradfahrens” gelten. In einem anderen Beispiel kann das Essen eines Burgers bei McDonald’s in einer Ausführungsform als eine von dem Essen eines Burgers bei In-N-Out unterschiedliche Erfahrung betrachtet werden (z. B. wenn ein die Lebensmittelqualität betreffendes Attribut berücksichtigt wird), während beide in einer anderen Ausführungsform als Beispiele der Erfahrung „Essen eines Burgers” gelten würden.
  • Die Charakterisierung von Erfahrungen auf der Grundlage von Attributen kann bestimmte Kombinationen von Attributpaaren umfassen. Diese Attribute können Eigenschaften wie den Ort, an dem die Erfahrung stattfindet, eine Aktivität, die die Erfahrung beinhaltet, die Dauer der Erfahrung und/oder einen Zeitraum in einer wiederkehrenden Zeiteinheit, während der die Erfahrung stattfindet (z. B. die Stunde des Tages, den Tag der Woche, die Jahreszeit im Jahr etc.) beschreiben. Es folgen Beispiele der Charakterisierung von Erfahrungen durch Kombinationen der oben beschriebenen Attribute.
  • In einer Ausführungsform kann eine Erfahrung, die ein Benutzer hat, die Durchführung einer bestimmten Aktivität an einem bestimmten Ort betreffen. Optional gehört die bestimmte Aktivität zu einem Satz von Aktivitäten, der folgenden Aktivitäten umfasst: sportliche Aktivitäten, Freizeitaktivitäten, Aktivitäten im Zusammenhang mit Einkaufen, Aktivitäten im Zusammenhang mit Speisen, Aufnahme digitaler Inhalte, Ausruhen, Spielen von Spielen, Besuch eines Orts in der physischen Welt, Interaktion in einer virtuellen Umgebung, Empfang einer medizinischen Behandlung und Empfang von Dienstleistungen. Optional gehört der bestimmte Ort zu einem Satz, der Orte umfasst, die als zu einem oder mehreren der folgenden Typen gehörend charakterisiert werden können: Länder der Welt, Städte in der Welt, Nachbarschaften in Städten, Parks, Strände, Stadien, Hotels, Restaurants, Theater, Nachtclubs, Bars, Einkaufszentren, Geschäfte, Freizeitparks, Museen, Zoos, Wellness-Einrichtungen, Fitnessstudios, Sportclubs, Kliniken, Krankenhäuser, Banken und andere Geschäftsniederlassungen.
  • In einer anderen Ausführungsform kann eine Erfahrung, die ein Benutzer hat, den Besuch eines bestimmten Orts während eines bestimmten Zeitraums betreffen. In einem Beispiel gehört der bestimmte Ort zu einem Satz, der Orte umfasst, die als zu einem oder mehreren der folgenden Typen gehörend charakterisiert werden können: Städte, Nachbarschaften, Parks, Strände, Restaurants, Theater, Nachtclubs, Bars, Einkaufszentren, Geschäfte, Freizeitparks, Museen, Zoos, Wellness-Einrichtungen, Fitnessstudios, Sportclubs, Kliniken, Krankenhäuser, Banken und andere Geschäftsniederlassungen. In diesem Beispiel ist der bestimmte Zeitraum, während dem der bestimmte Ort besucht wird, ein wiederkehrender Zeitraum, der mindestens einen der folgenden Zeiträume umfasst: eine bestimmte Stunde des Tages, ein bestimmter Tag der Woche, ein bestimmter Tag im Monat und ein bestimmter Feiertag. In einem anderen Beispiel gehört der bestimmte Ort zu einem Satz, der Orte umfasst, die als zu einem oder mehreren der folgenden Typen gehörend charakterisiert werden können: Kontinente, Länder, Städte, Parks, Strände, Freizeitparks, Museen, Resorts und Zoos. In diesem Beispiel ist der bestimmte Zeitraum, während dem der bestimmte Ort besucht wird, ein wiederkehrender Zeitraum, der mindestens einen der folgenden Zeiträume umfasst: eine Jahreszeit des Jahres, ein Monat des Jahres und ein bestimmter Feiertag.
  • In einer weiteren Ausführungsform kann eine Erfahrung, die ein Benutzer hat, den Besuch eines bestimmten Orts während eines bestimmten Zeitraums betreffen. In einem Beispiel gehört der bestimmte Ort zu einem Satz, der Orte umfasst, die als zu einem oder mehreren der folgenden Typen gehörend charakterisiert werden können: Städte, Nachbarschaften, Parks, Strände, Restaurants, Theater, Nachtclubs, Bars, Einkaufszentren, Geschäfte, Freizeitparks, Museen, Zoos, Wellness-Einrichtungen, Fitnessstudios und Sportclubs. In diesem Beispiel ist die bestimmte Zeitdauer länger als fünf Minuten und kürzer als eine Woche. In einem anderen Beispiel gehört der bestimmte Ort zu einem Satz, der Orte umfasst, die als zu einem oder mehreren der folgenden Typen gehörend charakterisiert werden können: Kontinente, Länder, Städte, Parks, Kreuzfahrtschiffe, Hotels und Resorts. In diesem Beispiel ist die bestimmte Zeitdauer länger als eine Stunde und kürzer als zwei Monate.
  • In noch einer anderen Ausführungsform kann eine Erfahrung, die ein Benutzer hat, die Durchführung einer bestimmten Aktivität während eines bestimmten Zeitraums betreffen. Optional gehört die bestimmte Aktivität zu einem Satz von Aktivitäten, der folgenden Aktivitäten umfasst: sportliche Aktivitäten, Freizeitaktivitäten, arbeitsbezogene Aktivitäten, haushaltsbezogene Aktivitäten, Aktivitäten im Zusammenhang mit Einkaufen, Aktivitäten im Zusammenhang mit Speisen, Aufnahme digitaler Inhalte, Spielen von Spielen, Studieren, Ausruhen, Besuch eines Orts in der physischen Welt, Interaktion in einer virtuellen Umgebung, Empfang einer medizinischen Behandlung und Empfang von Dienstleistungen. Optional ist der bestimmte Zeitraum ein wiederkehrender Zeitraum, der mindestens einen der folgenden Zeiträume umfasst: eine bestimmte Stunde des Tages, ein bestimmter Tag der Woche, ein bestimmter Tag im Monat und ein bestimmter Feiertag.
  • Und in einer wiederum anderen Ausführungsform kann eine Erfahrung, die ein Benutzer hat, die Durchführung einer bestimmten Aktivität während eines bestimmten Zeitraums betreffen. Optional gehört die bestimmte Aktivität zu einem Satz von Aktivitäten, der folgenden Aktivitäten umfasst: sportliche Aktivitäten, Freizeitaktivitäten, arbeitsbezogene Aktivitäten, haushaltsbezogene Aktivitäten, Aktivitäten im Zusammenhang mit Einkaufen, Aktivitäten im Zusammenhang mit Speisen, Aufnahme digitaler Inhalte, Spielen von Spielen, Studieren, Ausruhen, Besuch eines Orts in der physischen Welt, Interaktion in einer virtuellen Umgebung, Empfang einer medizinischen Behandlung und Empfang von Dienstleistungen. Optional ist die bestimmte Zeitdauer länger als eine Minute und kürzer als ein Tag.
  • Die Möglichkeit, Erfahrungen mit Teilmengen entsprechender Attribute zu charakterisieren, kann zu der Tatsache führen, dass abhängig von der Ausführungsform dieselbe Zusammenstellung von Vorkommnissen (z. B. Handlungen eines Benutzers an einem Ort) unterschiedlichen Erfahrungen und/oder einer unterschiedlichen Anzahl von Erfahrungen entsprechen kann. Wenn ein Benutzer zum Beispiel mit dem Fahrrad im Park fährt, kann dies mehreren Erfahrungen entsprechen, wie beispielsweise „Ausüben von Sport”, „Zeit im Freien verbringen”, „im Park sein”, „der Sonne ausgesetzt sein”, „eine Fahrradtour machen” und möglicherweise andere Erfahrungen. Somit würde die Entscheidung darüber, welche der oben genannten Erfahrungen auf der Grundlage der mit dem Fahrradfahren im Park verbundenen Handlungen als Erfahrungen anerkannt werden, von den Einzelheiten der beteiligten Ausführungsform abhängen.
  • In den verschiedenen Ausführungsformen können Erfahrungen nach Attributen charakterisiert werden, die verschiedene Ebenen der Spezifität betreffen. Die Ebene der Spezifität, nach der beurteilt werden kann, ob zwei Ereignisse zur selben Erfahrung gehören, kann von der Ausführungsform abhängen. Wenn zum Beispiel eine Erfahrung als eine Erfahrung gilt, die den Aufenthalt an einem Ort betrifft, kann der Ort in einer Ausführungsform ein bestimmter Ort sein, wie beispielsweise Zimmer 1214 im Grand Budapest Hotel, Sitz 10 Reihe 4 im Left-Field-Pavilion 303 im Dodger Stadium. In einer anderen Ausführungsform kann sich der Ort auf mehrere Orte in der physischen Welt beziehen. Zum Beispiel kann sich der Ort „Fast-Food-Restaurant” auf jedes Fast-Food-Restaurant beziehen, während sich der Ort „Hotel” auf jedes Hotel beziehen kann. Entsprechend kann sich zum Beispiel der Ort „Chipotle” auf jede Zweigstelle des Unternehmens beziehen und nicht unbedingt auf eine bestimmte Adresse. In einem Beispiel kann sich ein Ort auf einen bestimmten Platz in einem Fahrzeug beziehen, wie etwa ein bestimmter Sitzplatz in einem Flugzeug (z. B. Sitz 34A) oder eine Kabine auf einem Schiff (z. B. Kabine 212). In einem anderen Beispiel kann sich ein Ort auf einen bestimmten Sitzplatz in einem Fahrzeug während der Reise auf einer bestimmten Route beziehen (z. B. Fensterplatz während eines Flugs durch den Grand Canyon).
  • In einigen Ausführungsformen können Attribute, die zur Charakterisierung von Erfahrungen verwendet werden, als zu Hierarchien gehörend gelten. Demnach kann etwas, das dem Benutzer passiert, und/oder etwas, das der Benutzer tut, gleichzeitig mit mehreren zusammenhängenden Erfahrungen mit zunehmendem Umfang verbunden sein. Wenn ein Benutzer beispielsweise mit einem Fahrrad im Park fährt, kann dies mit mehreren Erfahrungen verbunden sein, die eine hierarchische Beziehung zueinander haben. Zum Beispiel kann das Fahrradfahren zu der Erfahrung „Fahrradfahren im Battery Park am Wochenende” gehören, welche zu einer Gruppe von Erfahrungen gehört, die als „Fahrradfahren im Battery Park” beschrieben werden kann, welche zu einer größeren Gruppe von Erfahrungen gehört, die als „Fahrradfahren in einem Park” charakterisiert werden kann, welche wiederum zu der größeren Gruppe „Fahrradfahren” gehören kann, welche wiederum zu der Erfahrung „Ausüben von Sport” gehören kann. Welche der hierarchischen Darstellungen verwendet wird und/oder welche Stufe in einer Hierarchie verwendet wird, wäre ein für die vorliegende Ausführungsform spezifisches Detail.
  • Des Weiteren kann eine Erfahrung in einigen Ausführungsformen mehrere („kleinere”) Erfahrungen umfassen und können die mehreren Erfahrungen abhängig von der Ausführungsform als eine gemeinsame Erfahrung (z. B. als eine einzige Erfahrung) oder als eine einzelne Erfahrung gelten. Zum Beispiel kann „einen Film im Kino ansehen” als eine einzelne Erfahrung gelten, die aus mehreren Erfahrungen wie beispielsweise „zum Kino fahren”, „eine Eintrittskarte kaufen", „Popcorn essen”, „zur Toilette gehen”, „den Film ansehen” und „nach Hause fahren” besteht.
  • 4 – Ereignisse
  • Wenn ein Benutzer eine Erfahrung hat, definiert dies ein „Ereignis”. Ein Ereignis kann nach bestimmten Attributen charakterisiert werden. Zum Beispiel kann jedes Ereignis eine zugehörige Erfahrung und einen zugehörigen Benutzer (der die zugehörige Erfahrung hatte) haben. Ein Ereignis kann zusätzliche entsprechende Attribute haben, die die spezifische Instanziierung des Ereignisses beschreiben, bei dem der Benutzer die Erfahrung hatte. Beispiele für solche Attribute können die Dauer des Ereignisses (wie lange der Benutzer die Erfahrung in dieser Instanziierung hatte), die Zeit des Beginns und die Zeit des Endes des Ereignisses und/oder den Ort des Ereignisses (wo der Benutzer die Erfahrung in dieser Instanziierung hatte) umfassen.
  • Ein Ereignis kann als eine „Instanziierung” einer Erfahrung bezeichnet werden, und die Zeit, während der eine Instanziierung eines Ereignisses stattfindet, kann hierin als „Instanziierungszeitraum” des Ereignisses bezeichnet werden. Diese Beziehung zwischen einer Erfahrung und einem Ereignis kann als der Beziehung in einer Programmierung zwischen einer Klasse und einem Objekt, das eine Instanziierung der Klasse ist, konzeptionell ähnlich gelten. Die Erfahrung kann zu einigen allgemeinen Attributen gehören (die typischerweise allen Ereignissen, die Instanziierungen der Erfahrung sind, gemeinsam sind), während jedes Ereignis Attribute haben kann, die zu seiner spezifischen Instanziierung gehören (z. B. ein bestimmter Benutzer, der die Erfahrung hatte, ein bestimmter Zeitpunkt, an dem die Erfahrung erlebt wurde, ein bestimmter Ort, an dem der bestimmte Benutzer die Erfahrung hatte usw.). Wenn somit derselbe Benutzer dieselbe Erfahrung zu verschiedenen Zeitpunkten hat, kann diese als unterschiedliche Ereignisse (mit unterschiedlichen Instanziierungszeiträumen) gelten. Zum Beispiel ist das Frühstücken eines Benutzers am Sonntag, den 1. Februar 2015, ein anderes Ereignis als das Frühstücken des Benutzers am Montag, den 2. Februar 2015.
  • In einigen Ausführungsformen kann ein Ereignis einen zugehörigen Messwert der affektiven Reaktion haben, der ein Messwert des zu dem Ereignis gehörenden Benutzers auf das Erleben der zu dem Ereignis gehörenden Erfahrung ist. Der zu einem Ereignis gehörende Messwert wird während eines zu dem Ereignis gehörenden Zeitraums erfasst, zum Beispiel während der Zeit, während der der zu dem Ereignis gehörende Benutzer die zu dem Ereignis gehörende Erfahrung hatte oder kurz danach. Optional spiegelt ein zu einem Ereignis gehörender Messwert die zu dem Ereignis gehörende affektive Reaktion wider, die die affektive Reaktion des zu dem Ereignis gehörenden Benutzers auf das Erleben der zu dem Ereignis gehörenden Erfahrung ist. Somit umfasst ein Messwert der affektiven Reaktion, der zu einem Ereignis gehört, typischerweise einen oder mehrere Werte, die während des Instanziierungzeitraums des Ereignisses und/oder kurz danach gemessen wurden, und/oder basiert ein Messwert der affektiven Reaktion, der zu einem Ereignis gehört, typischerweise auf einem oder mehreren Werte, die während des Instanziierungzeitraums des Ereignisses und/oder kurz danach gemessen wurden, wie ausführlicher zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) beschrieben.
  • Ein Ereignis wird in dieser Offenlegung oftmals mit dem Buchstaben τ gekennzeichnet. Ein Ereignis, das einen zu dem Ereignis gehörenden Benutzer u betrifft, der eine zu dem Ereignis gehörende Erfahrung e hat, kann durch ein Tupel τ = (u, e) dargestellt werden. Entsprechend kann ein Ereignis τ einen zugehörigen Messwert der affektiven Reaktion m haben, der ein Messwert des zu dem Ereignis gehörenden Benutzers u auf das Erleben der zu dem Ereignis gehörenden Erfahrung e ist (wie während des Instanziierungszeitraums des Ereignisses oder kurz danach erfasst). In diesem Fall kann das Ereignis τ durch ein Tupel τ = (u, e, m) dargestellt werden. Es ist zu beachten, dass derselbe Benutzer dieselbe Erfahrung zu mehreren unterschiedlichen Zeiten haben kann. Diese können durch mehrere unterschiedliche Ereignisse repräsentiert werden, die möglicherweise unterschiedliche Messwerte haben. Zum Beispiel können zwei unterschiedliche Ereignisse, bei denen derselbe Benutzer dieselbe Erfahrung mit jedoch möglicherweise unterschiedlichen zugehörigen Messwerten der affektiven Reaktion hatte, hierin als Ereignisse τ1 = (u, e, m1) und τ2 = (u, e, m2) bezeichnet werden. In einigen Fällen hierin wird ein Messwert als mτ bezeichnet, um zu betonen, dass der Messwert m zu einem Ereignis τ gehört. Entsprechend kann der zu einem Ereignis τ gehörende Benutzer als uτ bezeichnet werden und kann die zu τ gehörende Erfahrung als eτ bezeichnet werden.
  • In einigen Ausführungsformen kann ein Tupel τ zu zusätzlichen Informationen hinsichtlich der spezifischen Instanziierung des Ereignisses gehören, wie beispielsweise eine Zeit t des Ereignisses (z. B. die Zeit, zu der der Messwert m erfasst wird), in welchem Fall das Tupel τ = (u, e, m, t) sein kann. Zusätzlich oder alternativ kann ein Tupel τ des Weiteren zu einem Gewichtungsparameter w gehören, der die Bedeutung des Messwerts darstellen und indikativ für die Gewichtung sein kann, die dem Messwert beim Trainieren von Modellen zugewiesen werden sollte. In diesem Fall kann das Tupel τ = (u, e, m, w) sein. Zusätzlich oder alternativ kann ein Tupel τ zu weiteren Faktoren in Bezug auf den Benutzer (z. B. demographische Merkmale) oder die Instanziierung der Erfahrung (z. B. Dauer und/oder Ort des zu dem Messwert gehörenden Ereignisses) gehören.
  • Bei der Diskussion von Ereignissen kann es vorgeschrieben sein, dass der zu einem Ereignis gehörende Messwerte der affektiven Reaktion in zeitlicher Nähe zum Erleben der zu dem Ereignis gehörenden Erfahrung durch den zu dem Ereignis gehörenden Benutzer erfasst wird. Somit kann bei der Diskussion eines Ereignisses, das durch ein Tupel τ = (u, e, m) dargestellt wird, wobei m ein Messwert der affektiven Reaktion des Benutzers u auf das Erleben der Erfahrung e ist, davon ausgegangen werden, dass m in zeitlicher Nähe zum Erleben der Erfahrung e durch den Benutzer u erfasst wird.
  • Es ist zu beachten, dass in der obigen Bezeichnung typischerweise davon ausgegangen wird, dass τ = (u, e, m) einen einzelnen Benutzer u, eine einzelne Erfahrung e und einen Messwert m umfasst. Dies trifft jedoch nicht notwendigerweise in allen Ausführungsformen zu. In einigen Ausführungsformen kann u mehrere Benutzer repräsentieren, kann e mehrere Erfahrungen repräsentieren und/oder kann m mehrere Messwerte repräsentieren. Wenn die Erfahrung e zum Beispiel mehrere Erfahrungen repräsentieren kann, die der Benutzer u hatte, wie etwa in einem Fall, in dem e eine Erfahrung ist, die eine Reihe von „kleineren” Erfahrungen e1, e2, ..., en umfasst, kann davon ausgegangen werden, dass der Messwert m zu jeder Erfahrung e1, e2, ..., en gehört. Um folglich in diesem Beispiel mehrere Erfahrungen zu berücksichtigen, kann das Ereignis τ durch mehrere Ereignisse ersetzt werden, z. B. τ1 = (u, e1, m), ..., τn = (u, en, m). Wenn der Benutzer u entsprechend mehrere Benutzer repräsentiert, kann der Messwert m als ein Durchschnitt und/oder als ein ein repräsentativer Messwert dieser Benutzer gelten. Des Weiteren, wie an anderer Stelle hierin beschrieben, kann sich die Verwendung eines singulären „Messwerts” in dieser Offenlegung auf mehrere Werte beziehen (z. B. vom selben Sensor, von verschiedenen Sensoren und/oder zu mehreren Zeiten erfasst).
  • Ähnlich wie eine „größere” Erfahrung mehrere „kleinere” Erfahrungen umfassen kann, kann ein Ereignis in einigen Ausführungsformen eine Vielzahl von kleineren Ereignissen umfassen, die während des Instanziierungszeitraums des „größeren” Ereignisses instanziiert werden. Optional können die kleineren Ereignisse als „Mini-Ereignisse” bezeichnet werden. Zum Beispiel kann ein Ereignis, das zu einer Erfahrung des Aufenthalts an einem Ort (z. B. ein Einkaufszentrum) gehört, mehrere Mini-Ereignisse umfassen, wie beispielsweise ein Ereignis, bei dem ein Benutzer an einen Ort gereist ist, ein Ereignis, bei dem der Benutzer mit jemandem an dem Ort gesprochen hat, ein Ereignis, bei dem der Benutzer an dem Ort ein Geschenk gekauft hat, und ein Ereignis, bei dem der Benutzer an dem Ort ein Lebensmittel gegessen hat. In einigen Ausführungsformen können einige der Mini-Ereignisse sich überlappende Instanziierungszeiträume haben (z. B. ein Benutzer, der gleichzeitig einen Sport ausübt und mit einer anderen Person spricht), während die in einem „größeren” Ereignis enthaltenen Ereignisse in anderen Ausführungsformen nicht überlappende Instanziierungszeiträume haben können. Es ist zu beachten, dass der Begriff „Mini-Ereignis” hierin nur verwendet wird, um ein größeres Ereignis von kleineren Ereignissen, die es umfasst, zu unterscheiden; jedes Mini-Ereignis ist ein Ereignis und kann alle in dieser Offenlegung beschriebenen Merkmale eines Ereignisses haben.
  • In einigen Ausführungsformen kann ein Ereignis τ mehrere „Mini-Ereignisse” τ1, τ2, ...,τk umfassen und/oder in mehrere „Mini-Ereignisse” τ1, τ2, ..., τk unterteilt werden, die derart aus dem Ereignis τ abgeleitet werden, dass der Instanziierungszeitraum jedes τi, 1 ≤ i ≤ k in den Instanziierungszeitraum von τ fällt. Außerdem kann davon ausgegangen werden, dass jedes Mini-Ereignis einen zugehörigen Messwert der affektiven Reaktion
    Figure DE102016101650A1_0013
    hat, sodass es sein kann, dass
    Figure DE102016101650A1_0014
    wenn i ≠ j. In diesen Ausführungsformen wird davon ausgegangen, dass mτ, der zu dem Ereignis τ gehörende Messwert der affektiven Reaktion, eine Funktion der zu den Mini-Ereignissen
    Figure DE102016101650A1_0015
    gehörenden Messwerten ist. Zum Beispiel kann mτ ein gewichteter Mittelwert der zu den Mini-Ereignissen gehörenden Messwerten sein, der gemäß einer Funktion
    Figure DE102016101650A1_0016
    berechnet wird, wobei die wi die zu jedem Mini-Ereignis τi gehörenden Gewichtungen sind. Eine weitere Diskussion hinsichtlich der Berechnung des zu einem Ereignis gehörenden Messwerts der affektiven Reaktion aus Messwerten, die zu in dem Ereignis enthaltenen Mini-Ereignissen gehören, findet sich im Abschnitt 2 (Messwerte der affektiven Reaktion).
  • In einer Ausführungsform überschneiden sich die Instanziierungszeiträume der k Mini-Ereignisse nicht. Alternativ können sich die Instanziierungszeiträume einiger der k Mini-Ereignisse überschneiden. In einer Ausführungsform können sich die Instanziierungszeiträume der k Mini-Ereignisse über den gesamten Instanziierungszeitraum des Ereignisses τ ausdehnen. Alternativ können sich die Instanziierungszeiträume der k Mini-Ereignisse nur über einen Teil der Instanziierung des Ereignisses τ ausdehnen. Optional umfasst der Teil von τ, der durch die Instanziierungen der Mini-Ereignisse abgedeckt wird, mindestens einen bestimmten Prozentteil des Instanziierungszeitraums von τ, wie mindestens 1 %, 5 %, 10 %, 25 % oder mindestens 50% des Instanziierungzeitraums von τ. In einer anderen Ausführungsform kann die durch die Instanziierungen der k Mini-Ereignisse abgedeckte Zeitdauer mindestens einen gewissen Zeitraum umfassen. Zum Beispiel kann der bestimmte Zeitraum mindestens eine Sekunde, zehn Sekunden, eine Minute, eine Stunde, ein Tag, eine Woche oder länger sein.
  • In einer Ausführungsform werden die k ≥ 1 „Mini-Ereignisse” derart aus einem Ereignis τ abgeleitet, dass jedes Mini-Ereignis einen Instanziierungszeitraum mit einer bestimmten Dauer hat. Zum Beispiel kann die bestimmte Dauer eine Sekunde, fünf Sekunden, eine Minute, eine Stunde, ein Tag, eine Woche oder eine andere Dauer zwischen einer Sekunde und einer Woche sein. In einer anderen Ausführungsform hat jedes der aus einem Ereignis τ abgeleiteten k Mini-Ereignisse einen Instanziierungszeitraum, der innerhalb eines bestimmten Bereichs liegt. Beispiele für den bestimmten Bereich beinhalten 0,01 Sekunde bis eine Sekunde, 0,5 Sekunden bis fünf Sekunden, eine Sekunde bis eine Minute, eine Minute bis fünf Minuten, eine Minute bis eine Stunde, eine Stunde bis ein Tag und ein Tag bis eine Woche.
  • In einigen Ausführungsformen werden Mini-Ereignisse aus einem größeren Ereignis generiert, da sie unterschiedliche Arten von Ereignissen widerspiegeln. Zum Beispiel kann ein Ereignis, das „ausgehen” beinhaltet, durch die Mini-Ereignisse „sich anziehen”, „in die Stadt fahren”, „einen Parkplatz finden”, „in einem Restaurant essen”, „spazierengehen” und „zurück nach Hause fahren” repräsentiert werden. In einem anderen Beispiel können verschiedene Szenen in einem Film als Mini-Ereignisse gelten und können entsprechend unterschiedliche Levels in einem Spiel, verschiedene Räume in einer virtuellen Welt usw. als ein jeweils anderes Mini-Ereignis gelten.
  • In anderen Verkörperungen, Mini-ereignisse werden generiert, wenn eine Beschreibung der Faktoren eines Ereignisses ändert sich bis zu einem gewissen Grad (Faktoren der Veranstaltungen sind im Detail diskutiert mindestens in Abschnitt 12 – Faktoren von Ereignissen). Die Faktoren, die einen Benutzer können z. B. in regelmäßigen Abständen ausgewertet werden (z.B. jede Sekunde). Wenn ein bestimmter Vektor von Faktoren hinreichend verschieden ist von einem vorhergehenden Vektors von Faktoren (oder eine bestimmte Anzahl von Faktoren unterscheidet sich von der vorhergehenden Reihe von Faktoren), kann dies ein Signal zum Generieren einer neuen Mini-event. In einem Beispiel wird der Unterschied zwischen Vektoren von Faktoren bestimmt wird, basierend auf einem Ähnlichkeitsmass wie Mahalanobis Distanz, Manhattan Distanz oder eine Edit Distanz. In einem anderen Beispiel, der Abstand zwischen den Vektoren der Faktoren basiert auf einem euklidischen Abstand oder ein Skalarprodukt zwischen den Vektoren.
  • In einigen Ausführungsformen kann ein zu einem bestimmten Ereignis gehörender Messwert der affektiven Reaktion auf Werten basieren, die mit einem oder mehreren Sensoren zu verschiedenen Zeiten während des Instanziierungszeitraums des bestimmten Ereignisses oder kurz danach erfasst werden (dieser Punkt wird eingehender im Abschnitt 2 (Messwerte der affektiven Reaktion) diskutiert). Es ist zu beachten, dass die Werte in der folgenden Diskussion selbst als Messwerte der affektive Reaktion gelten können. Um jedoch in der Diskussion unten zwischen einem zu einem Ereignis gehörenden Messwert der affektiven Reaktion und Werten, auf denen der Messwert basiert, unterscheiden zu können, wird der Begriff „Messwert der affektiven Reaktion” nicht in Bezug auf die durch den einen oder die mehreren Sensoren gemessenen Werte verwendet. Diese Unterscheidung soll jedoch nicht die Möglichkeit ausschließen, dass der zu dem bestimmten Ereignis gehörende Messwert der affektiven Reaktion die Werte umfasst.
  • Wenn es keine anderen Ereignisse gibt, die sich mit dem bestimmten Ereignis überschneiden, kann davon ausgegangen werden, dass die mit dem einen oder den mehreren Sensoren gemessenen Werte die zu dem bestimmten Ereignis gehörende affektive Reaktion repräsentieren. Wenn dies jedoch nicht der Fall ist und es ein oder mehrere Ereignisse mit Instanziierungszeiträumen gibt, die sich mit der Instanziierung des bestimmten Ereignisses überschneiden, dann kann diese Annahme in einigen Ausführungsformen nicht zutreffen. Wenn es zum Beispiel für einen bestimmten Zeitraum während der Instanziierung des bestimmten Ereignisses ein anderes Ereignis mit einer Instanziierung geben kann, die sich mit der Instanziierung des bestimmten Ereignisses überschneidet, dann kann die affektive Reaktion des Benutzers während des bestimmten Zeitraums mit dem bestimmten Ereignis, mit dem anderen Ereignis und/oder mit beiden Ereignissen verbunden sein. In manchen Fällen, wenn das andere Ereignis als ein Teil des bestimmten Ereignisses gilt, z. B. wenn das andere Ereignis ein Mini-Ereignis ist, das zu einer Erfahrung gehört, die ein Teil einer „größeren” Erfahrung ist, zu der das bestimmte Ereignis gehört, dann kann diese Tatsache nicht so bedeutsam sein (da die affektive Reaktion als auf beide Ereignisse gerichtet gelten kann). Wenn das andere Ereignis jedoch kein Mini-Ereignis ist, das ein Teil des bestimmten Ereignisses ist, dann kann die Verbindung der während des bestimmten Zeitraums gemessenen affektiven Reaktion mit beiden Ereignissen einen ungenauen, zu dem bestimmten Ereignis gehörenden Messwert produzieren. Wenn das bestimmte Ereignis zum Beispiel zu einer Erfahrung des Verzehrs einer Mahlzeit gehört und der Benutzer während der Mahlzeit einen lästigen Telefonanruf erhält (dies ist das „andere Ereignis”), dann kann es von Vorteil sein, die während des Telefonats gezeigte affektive Reaktion nicht mit der Mahlzeit zu verbinden.
  • Es ist zu beachten, dass in einigen Ausführungsformen die Tatsache, dass unabhängige Ereignisse sich überlappende Instanziierungszeiträume haben können, bei der Berechnung von zu den Ereignissen gehörenden Messwerten der affektiven Reaktion im Wesentlichen ignoriert werden kann. Zum Beispiel kann ein zu dem bestimmten Ereignis gehörender Messwert der affektiven Reaktion ein Durchschnitt von Werten sein, die durch einen Sensor während der Instanziierung des bestimmten Ereignisses erfassten wurden, ohne Berücksichtigung dessen, ob es zur selben Zeit andere überlappende Ereignisse gab. Eine beispielhafte Ausführungsform, in der ein solcher Ansatz nützlich sein kann, ist eine Ausführungsform, in der das bestimmte Ereignis einen langen Instanziierungszeitraum hat (z. B. in den Urlaub fahren), während die sich überschneidenden Ereignisse relativ kurz sind (z. B. intervenierende Telefonate mit anderen Personen). In dieser Ausführungsform kann das Herausfiltern kurzer Zeiträume, in denen die Aufmerksamkeit des Benutzers nicht auf die zu dem bestimmten Ereignis gehörenden Erfahrung gerichtet war, nicht zu signifikanten Änderungen des Werts des Messwerts der zu dem bestimmten Ereignis gehörenden affektiven Reaktion führen (z. B. weil die meisten Werte, auf denen der Messwert basiert, dennoch zu dem bestimmten Ereignis und nicht zu anderen Ereignissen gehören).
  • In anderen Ausführungsformen kann es jedoch von Vorteil sein, Werte, die durch einen Sensor während Zeiträumen überlappender Instanziierungen erfasst wurden, anders zu behandeln als Werte, die erfasst wurden, wenn nur das bestimmte Ereignis als instanziiert gilt. Zum Beispiel können einige der während Zeiträumen überlappender Instanziierungen erfassten Werte eine andere Gewichtung erhalten als Werte, die erfasst wurden, wenn es nur eine einzige zu berücksichtigende oder vollständig herauszufilternde Instanziierung gibt.
  • In einigen Ausführungsformen kann ein Ereignis mit einem Dominanzfaktor verbunden sein, der indikativ für das Ausmaß ist, mit dem eine durch den Benutzer ausgedrückte, zu dem Ereignis gehörende affektive Reaktion mit dem Ereignis verbunden werden sollte. Wenn sich ein Ereignis mit einem höheren Dominanzfaktor mit einem Ereignis mit einem niedrigeren Dominanzfaktor überschneidet, wird die während der Überschneidung gemessene affektive Reaktion auf der Grundlage dieser Dominanzfaktoren stärker mit dem Ereignis mit dem höheren Dominanzfaktor verbunden. Optional wird die affektive Reaktion derart vollständig mit dem Ereignis mit dem höheren Dominanzfaktor verbunden, dass ein Wert, der durch einen Sensor während der Zeit der Überschneidung zwischen den Ereignissen mit dem niedrigeren und höheren Dominanzfaktor erfasst wurde, im Wesentlichen nicht zur Berechnung des zu dem Ereignis mit dem niedrigeren Dominanzfaktor gehörenden Messwerts der affektiven Reaktion verwendet wird. In einigen Ausführungsformen kann dies einer Filterung von Werten aus Zeiträumen, in denen die Instanziierung eines Ereignisses sich mit anderen Ereignissen mit höheren Dominanzfaktoren überschneidet, gleichkommen. Alternativ kann einem Wert, der durch den Sensor während der Zeit der Überschneidung erfasst wurde, eine Gewichtung für die Berechnung des zu dem Ereignis mit dem niedrigeren Dominanzfaktor gehörenden Messwerts der affektiven Reaktion gegeben werden, die kleiner ist als die Gewichtung, die einem Wert gegeben wird, der durch den Sensor während einer Zeit erfasst wurde, in der sich das Ereignis mit dem höheren Dominanzfaktor nicht mit dem Ereignis mit dem niedrigeren Dominanzfaktor überschneidet.
  • In einer Ausführungsform kann ein Ereignis mit einem bestimmten Dominanzfaktor verbunden sein, der auf der Art der zum Ereignis gehörenden Erfahrung basiert. Zum Beispiel kann ein Ereignis, das Telefonieren betrifft, einen höheren Dominanzfaktor haben als ein Ereignis, das Fernsehen betrifft. Wenn ein Benutzer folglich beides gleichzeitig tut, kann in dieser Ausführungsform davon ausgegangen werden, dass die affektive Reaktion, die der Benutzer zum Zeitpunkt des Telefongesprächs hat, überwiegend mit dem Telefongespräch verbunden ist und weniger stark (oder gar nicht) mit dem, was im Fernsehen gezeigt wird.
  • In einer anderen Ausführungsform kann ein Ereignis einen bestimmten assoziierten Dominanzfaktor haben, der derart auf der Länge des Ereignisses basiert, dass einem kürzeren Ereignis typischerweise ein höherer Dominanzfaktor gegeben wird als einem längeren Ereignis. Zum Beispiel kann davon ausgegangen werden, dass das kürzere Ereignis das Erleben der zum längeren Ereignis gehörenden Erfahrung des Benutzers derart unterbricht, dass während der Instanziierung des kürzeren Ereignisses davon ausgegangen werden kann, dass der Benutzer der zum kürzeren Ereignis gehörenden Erfahrung mehr Aufmerksamkeit schenkt.
  • Die Bestimmung der Dominanzfaktoren von Ereignissen kann in einigen Ausführungsformen die Überwachung von Benutzern während der Ereignisse zur Folge haben. Die Überwachung eines Benutzers kann mithilfe verschiedener Sensoren vorgenommen werden, die Bewegungen und/oder andere durch den Benutzer durchgeführte Handlungen erkennen können. Optional erfolgt die Überwachung der Benutzer zumindest teilweise durch einen im Namen des Benutzers operierenden Software-Agenten. Zusätzlich kann der Software-Agent zudem die Entität sein, die zumindest einigen Ereignissen, die den Benutzer betreffen, in dessen Namen er operiert, Dominanzfaktoren zuweist.
  • In einem Beispiel kann Eye-Tracking verwendet werden, um zu bestimmen, worauf der Benutzer seine Aufmerksamkeit richtet, wenn Messwerte mit einem Sensor erfasst werden. Anhand der Eye-Tracking-Daten können Objekte identifiziert werden, die das Ziel der Aufmerksamkeit des Benutzers sind, und Ereignisse, die diese Objekte betreffen, können einen höheren Dominanzfaktor erhalten als Ereignisse, die diese Objekte nicht betreffen. In einem anderen Beispiel können eine Kamera und/oder andere Sensoren bestimmte Handlungen identifizieren, die ein Benutzer durchführt, wie beispielsweise die Eingabe einer SMS-Nachricht in ein Telefon, um festzustellen, dass ein Ereignis im Zusammenhang mit dem Verfassen einer SMS-Nachricht einen höheren Dominanzfaktor erhalten sollte als andere Ereignisse, die zur selben Zeit instanziiert werden (z. B. ein Ereignis im Zusammenhang mit dem Anhören eines bestimmten Lieds). In einem weiteren Beispiel kann eine semantische Analyse dessen, was ein Benutzer sagt, verwendet werden, um festzustellen, wen der Benutzer anspricht (eine andere Person, einen Software-Agenten oder ein Betriebssystem), um die Erfahrung zu ermitteln, auf die der Benutzer zu der Zeit seine Aufmerksamkeit richtet. In noch einem anderen Beispiel können Softwaresysteme, mit denen ein Benutzer interagiert, Anhaltspunkte darüber geben, wann eine solche Interaktion stattfindet. Wenn eine solche Interaktion stattfindet, kann davon ausgegangen werden, dass die Aufmerksamkeit des Benutzers in erster Linie auf die mit der Interaktion verbundene Erfahrung gerichtet ist (z. B. ein Betriebssystem eines Entertainment-Systems) und in geringerem Maße auf andere Erfahrungen, die zu der Zeit stattfinden.
  • Andere Informationen, die in einigen Ausführungsformen zur Bestimmung von Dominanzfaktoren von Ereignissen verwendet werden können, können von anderen Benutzern stammen, die mit ähnlichen sich überschneidenden Ereignissen konfrontiert waren. Optional wurden die anderen Benutzer zu der Zeit überwacht und basieren die ihren zugehörigen Ereignissen zugewiesenen Dominanzfaktoren auf einem wie in den Beispielen oben beschriebenen Monitoring.
  • Wenn der Benutzer verschiedene aufeinanderfolgende, dominante Ereignisse erlebt, kann in einigen Ausführungsformen eine bestimmte Zeitspanne verwendet werden, wenn durch einen Sensor gemessene Werte zu Berechnung von zu den Ereignissen gehörenden Messwerten der affektiven Reaktion verwendet werden. Je nach Art der verwendeten Sensoren kann die bestimmte Zeitspanne ein paar Sekunden, ein paar Minuten oder sogar länger sein. Optional kann die bestimmte Zeitspanne verwendet werden, um zu versuchen, eine Verbindung der affektiven Reaktion eines Benutzers auf eine erste Erfahrung mit der affektiven Reaktion des Benutzers auf eine zweite Erfahrung, die vor und/oder nach der ersten Erfahrung stattfand, zu vermeiden. Wenn ein Benutzer zum Beispiel in einem Restaurant isst (ein erstes Ereignis), und der Benutzer einen Anruf erhält, der den Benutzer aufregt (ein zweites Ereignis), dann ist es möglicherweise ratsam, Werte, die durch einen Sensor während der ersten ein oder zwei Minuten nach dem Anruf gemessen werden, nicht zur Berechnung eines zu der Mahlzeit gehörenden Messwerts der affektiven Reaktion zu verwenden. Der Grund ist, dass die affektive Reaktion des Benutzers kurz nach dem Anruf sich noch auf das Gespräch des Benutzers beziehen kann und weniger auf die Mahlzeit. Nach einer gewissen Zeit (z. B. ein paar Minuten) können die Auswirkungen des Gesprächs nachgelassen haben und repräsentiert die affektive Reaktion des Benutzers eher die Tatsache, wie sich der Benutzer angesichts der Mahlzeit fühlt.
  • In einer Ausführungsform hat die oben beschriebene bestimmte Zeitspanne keine feste Dauer, sondern repräsentiert die Zeit, die zum Wiedererreichen einer Basislinie oder zumindest einer bestimmten Distanz von einer Basislinie erforderlich ist. Wenn zum Beispiel die Messwerte eines Benutzer bis zu einem bestimmten Ereignis auf einem bestimmten Niveau sind und ein intervenierendes Ereignis eine signifikante Änderung der Messwerte bewirkt, dann kann die Spanne, in der die Messwerte nach dem intervenierenden Ereignis nicht im Zusammenhang mit dem bestimmten Ereignis stehen, sich solange ausdehnen, bis die Messwerte auf mindestens eine gewisse Distanz zu dem vorherigen Niveau (z. B. mindestens 50 % der Differenz) zurückgekehrt sind.
  • Beschreibungen von Ereignissen werden in verschiedenen Ausführungsformen in dieser Offenlegung verwendet. Typischerweise kann eine Beschreibung eines Ereignisses Werte umfassen, die im Zusammenhang mit einem zu dem Ereignis gehörenden Benutzer, einer zu dem Ereignis gehörenden Erfahrung an der Veranstaltung und/oder Details der Instanziierung des Ereignisses (z. B. Dauer, Zeit, Ort und/oder Bedingungen der spezifischen Instanziierung des Ereignisses) stehen. Optional kann eine Beschreibung eines Ereignisses als ein Merkmalsvektor dargestellt werden, der Merkmalswerte umfasst. Zusätzlich oder alternativ kann eine Beschreibung eines Ereignisses verschiedene Formen von Daten umfassen, wie beispielsweise Bilder, Audio, Videos, Transaktionsdatensätze und/oder andere Formen von Daten, die Aspekte des zu dem Ereignis gehörenden Benutzers, der zu dem Ereignis gehörenden Erfahrung und/oder der Instanziierung des Ereignisses beschreiben. Zusätzlich werden in einigen Ausführungsarten, eine Beschreibung eines Ereignisses beinhaltet, und/oder kann abgeleitet werden, Faktoren von Ereignissen, wie im Detail diskutiert zumindest in Abschnitt 12 – Faktoren der Ereignisse.
  • Eine Beschreibung eines Benutzers umfasst Werte, die Aspekte des Benutzers beschreiben. Optional kann die Beschreibung als ein Vektor von Merkmalswerten dargestellt werden. Optional kann die Beschreibung als ein Vektor von Merkmalswerten dargestellt werden. Zusätzlich oder alternativ kann eine Beschreibung des Benutzers Daten wie Bilder, Audio und/oder Videos enthalten, die den Benutzer beinhalten. In einigen Ausführungsformen enthält eine Beschreibung eines Benutzers Werte, die sich auf allgemeine Attribute des Benutzers beziehen, die häufig im Wesentlichen für verschiedene, denselben Benutzer betreffende Ereignisse gleich sind, wobei derselbe Benutzer bei diesen verschiedenen Ereignissen möglicherweise unterschiedliche Erfahrungen hat. Beispiele für solche Attribute können gehören demografische Informationen über den Benutzer (z.b. Alter, Ausbildung, Wohnort, etc.). Zum Beispiel können die Informationen Teile eines Profils des Benutzers umfassen. Das Profil kann verschiedene Details über Erfahrungen, die der Benutzer hatte, beschreiben, wie beispielsweise Details über Orte in der realen Welt oder in virtuellen Welten, die der Benutzer besucht hat, Details über Aktivitäten, an denen Benutzer teilgenommen hat, und/oder Details über Inhalte, die der Benutzer aufgenommen hat. Optional kann die Beschreibung des Benutzers enthalten Werte aus der Modellierung des Benutzers z. B. Bias-Werte entsprechend Vorurteile, dass der Benutzer hat (Bias, Werte in Abschnitt 13-Bias Werte genauer diskutiert werden).
  • Eine Beschreibung einer Erfahrung umfasst Werte, die Aspekte der Erfahrung beschreiben. Optional kann die Beschreibung der Erfahrung als ein Vektor von Merkmalswerten dargestellt werden. Typischerweise enthält die Beschreibung der Erfahrung Werte, die sich auf allgemeine Attribute der Erfahrung beziehen, die oft im Wesentlichen für verschiedene, zu derselben Erfahrung gehörende Ereignisse gleich sind, möglicherweise sogar, wenn die Erfahrung zu unterschiedlichen Zeiten und/oder durch unterschiedliche Benutzer erlebt wird. Beispiele für solche Informationen können Attribute in Bezug auf die Art der Erfahrung, wie beispielsweise ihr typischer Ort, Kosten, Schwierigkeiten etc., umfassen.
  • Die Beschreibung eines Ereignisses τ kann Merkmalswerte umfassen, die aus einer Beschreibung des zu dem Ereignis τ gehörenden Benutzers und/oder einer Beschreibung der zu dem Ereignis τ gehörenden Erfahrung gewonnen wurden. Zusätzlich kann die Beschreibung des Ereignisses τ Werte umfassen, die zwischen verschiedenen Ereignissen, die zu derselben Erfahrung wie τ gehören, variieren können. Diese Werte umfassen Werte, die zu der Instanziierung des Ereignisses τ während der bestimmten zu τ gehörenden entsprechenden Zeit gehören, während der der Benutzer u die Erfahrung e hatte. Beispiele für solche Werte können den zu τ gehörenden Ort (an dem der Benutzer u die Erfahrung e in der spezifischen Instanziierung τ hatte), die zu τ gehörende Dauer (wie lange der Benutzer u die Erfahrung e in der spezifischen Instanziierung τ hatte) und/oder den zeitlichen Rahmen von τ (z. B. wann τ begann und/oder endete) umfassen. Optional kann die Beschreibung des Ereignisses τ Werte umfassen, die sich auf Situationen beziehen, in denen sich der Benutzer während des zeitlichen Rahmens von τ befand (z. B. Stimmung, Aufmerksamkeit, Bonität, Familienstand des Benutzers und andere Faktoren, die die Gefühlslage des Benutzers beeinflussen können). Optional kann die Beschreibung von τ Werte umfassen, die sich auf die Erfahrung des Benutzers beziehen, wie beispielsweise die Größe der Portion, die dem Benutzer serviert wurde, der Geräuschpegel und/oder der Grad der Sauberkeit im Zimmer des Benutzers, wie lange die Lieferung eines Produkts an den Benutzer gedauert hat und/oder andere Attribute, die sich je nach der in Betracht gezogenen Ausführungsform unterscheiden können.
  • In einigen Ausführungsform kann die Beschreibung eines Ereignisses τ Informationen umfassen, die aus dem Monitoring des zu τ gehörenden Benutzers abgeleitet wurden, wie beispielsweise Handlungen, die der Benutzer durchführt, Dinge, die der Benutzer sagt, und/oder welche Objekte die Aufmerksamkeit des Benutzers auf sich ziehen (z. B. anhand von Eye-Tracking bestimmt). Optional können diese Informationen verwendet werden, um einen Dominanzfaktor von τ zu bestimmen, der verwendet werden kann, um zu ermitteln, inwieweit die affektive Reaktion des zu τ gehörenden Benutzers mit der zu τ gehörenden Erfahrung zu verbinden ist.
  • In einigen Ausführungsformen kann eine Beschreibung eines Ereignisses Informationen in Bezug auf einen zu dem Ereignis τ gehörenden Messwert der affektiven Reaktion m (auch als mτ bezeichnet) umfassen. Optional umfassen die Informationen in Bezug auf den Messwert Informationen über einen oder mehrere Sensoren, die zum Messen des zu dem Ereignis gehörenden Benutzers verwendet wurden, wie beispielsweise Betriebsparameter des einen oder der mehreren Sensoren (z. B. verwendete Einstellungen und/oder Betriebsdauern) und/oder Details in Bezug auf die Verarbeitung der durch den einen oder die mehreren Sensoren erfassten Daten. Zusätzlich können die Informationen in der Beschreibung des Ereignisses τ den Messwert mτ selbst oder ein Produkt desselben umfassen.
  • Es sei darauf hingewiesen, dass die Beschreibung eines Ereignisses verschiedene Arten von Werten umfassen kann. Die Auswahl der die in die Beschreibung des Ereignisses aufzunehmenden Werte kann zwischen Ausführungsformen und abhängig von der vorliegenden Aufgabe variieren. In einem Beispiel kann eine Beschreibung eines Ereignisses als Indikatorwerte dargestellte Werte umfassen, die indikativ dafür sind, ob bestimmte Aspekte eines Ereignisses für das Ereignis relevant sind oder nicht. Optional kann die Beschreibung eines Ereignisses als Realwerte dargestellte Werte umfassen, die indikativ für den Betrag bestimmter Aspekte sind (wobei irrelevante Aspekte durch einen Festwert wie 0 dargestellt werden können).
  • Es ist auch zu beachten, dass, wenn eine Beschreibung eines Ereignisses durch einen Merkmalsvektor dargestellt wird, es in verschiedenen Ausführungsformen verschiedene Möglichkeiten zur Darstellung derselben Art von Daten geben kann. Beispielsweise können Ereignisse, die zugehörige Erfahrungen verschiedener Typen betreffen, in einigen Ausführungsformen alle als Merkmalswerte in demselben Merkmalsraum beschriebenen werden (d. h. sie haben alle dieselbe Dimensionalität, und Merkmale in einer bestimmten Dimension beziehen sich auf dasselbe Attribut aller Ereignisse). In anderen Ausführungsformen kann jede Art von Erfahrung ihren eigenen Merkmalsraum (d. h. ihren eigenen Satz von Attributen) haben. In einem solchen Fall kann die Verarbeitung von in verschiedenen Merkmalsräumen dargestellten Ereignissen eine Konvertierung ihrer Darstellung in eine Darstellung mit einem gemeinsamen Merkmalsraum zur Folge haben.
  • Verschiedene hierin beschriebene Ausführungsformen umfassen die Erfassung von Messwerten der affektiven Reaktion von Benutzern auf Erfahrungen (d. h. Erfassung von zu Ereignissen gehörenden Messwerten). Obwohl es in einigen Ausführungsformen einfach sein kann, zu bestimmen, wer die zu den Ereignissen gehörenden Benutzer sind (z. B. durch Kenntnisse der Sensoren, Geräte und/oder Software-Agenten, die die Daten liefern), kann es mitunter nicht einfach sein, zu bestimmen, welche zugehörigen Erfahrungen die Benutzer hatten. Folglich ist es in einigen Ausführungsformen notwendig, die Erfahrungen, die die Benutzer haben, zu identifizieren, und in der Lage zu sein, Messwerte der affektiven Reaktion der Benutzer mit entsprechenden Erfahrungen zur Definition von Ereignissen zu verbinden. Dies kann jedoch nicht immer auf einfache Weise durchgeführt werden. In einem Beispiel kann es einem System, das einen Benutzer überwacht (z. B. ein Software-Agent), nicht klar sein, wann der Benutzer eine Erfahrung hat und/oder was die Erfahrung ist. In einem anderen Beispiel kann die Identität eines Benutzers, der eine Erfahrung hat, nicht bekannt sein (z. B. einem Anbieter einer Erfahrung) und kann es somit notwendig sein, auch den Benutzer zu identifizieren. Im Allgemeinen wird die Bestimmung des zu einem Ereignis gehörenden Benutzers und/oder der zu einem Ereignis gehörenden Erfahrung hierin als Identifizierung des Ereignisses bezeichnet.
  • Die Identifizierung eines Ereignisses kann zudem in einigen Ausführungsformen eine Identifizierung von Aspekte des Ereignisses beschreibenden Details umfassen. Folglich kann sich der Begriff „Identifizierung eines Ereignisses” zudem auf die Bestimmung eines oder mehrerer Details in Bezug auf ein Ereignis beziehen, und somit kann die „Identifizierung eines Ereignisses” in einigen Ausführungsformen als „Beschreibung eines Ereignisses” interpretiert und synonym mit diesem Begriff verwendet werden. In einem Beispiel kann sich das eine Detail oder können sich die mehreren Details auf den zu dem Ereignis gehörenden Benutzer beziehen. In einem anderen Beispiel kann sich das eine Detail oder können sich die mehreren Details auf die zu dem Ereignis gehörende Erfahrung beziehen. Und in einem weiteren Beispiel kann sich das eine Detail oder können sich die mehreren Details auf die Instanziierung des Ereignisses beziehen. Optional, die eine oder mehrere Angaben in Bezug auf das Ereignis kann Faktoren der Veranstaltung und/oder umfassen kann Werte von welchen Faktoren der Veranstaltung abgeleitet sind.
  • In einigen Ausführungsformen werden Ereignisse durch ein Modul identifiziert, das hierin als Ereignis-Annotator bezeichnet wird. Optional ist ein Ereignis-Annotator ein Prädiktor und/oder nutzt ein Ereignis-Annotator einen Prädiktor, um Ereignisse zu identifizieren. Die Ereignis-Annotator generiert optional eine Beschreibung eines Ereignisses, die für verschiedene Zwecke, z. B. das Zuweisen von Faktoren auf ein Ereignis verwendet werden dürfen, wie in Abschnitt 12-Faktoren von Ereignissen beschrieben. Identifizierung eines Ereignisses und/oder Faktoren eines Ereignisses kann beinhalten verschiedene computational Ansätze, die auf Daten aus verschiedenen Quellen, die beide auf weiter in Abschnitt 12 – Faktoren für Veranstaltungen erarbeitet werden angewendet.
  • In einigen Ausführungsformen erfolgt die Identifizierung von Ereignissen eines Benutzers zumindest teilweise durch einen im Namen des Benutzers operierenden Software-Agenten (siehe Abschnitt 7 (Software-Agenten) für weitere Details zu Software-Agenten). Optional kann der Software-Agent den Benutzer überwachen und/oder durch Monitoring des Benutzers gewonnene Informationen anderen Parteien bereitstellen. Optional kann der Software-Agent Zugriff auf ein Modell des Benutzers haben und das Modell zur Analyse und/oder Verarbeitung von durch Monitoring des Benutzers erfassten Informationen verwenden (wobei die Informationen durch den Software-Agenten oder eine andere Entität erfasst werden können). Somit kann ein zur Identifizierung von Ereignissen eines Benutzers verwendeter Ereignis-Annotator in einigen Ausführungsformen ein Modul eines im Namen des Benutzers operierenden Software-Agenten sein und/oder mit einem im Namen des Benutzers operierenden Software-Agenten kommunizieren.
  • In einigen Ausführungsformen kann ein Software-Agent zur Erfassung dieser Informationen aktiv auf verschiedene Datenbanken zugreifen, die Datensätze über den Benutzer, in dessen Namen der Software-Agent operiert, umfassen. Zum Beispiel können solche Datenbanken durch Entitäten unterhalten werden, die Benutzern Erfahrungen anbieten und/oder Informationen über Benutzer sammeln, wie beispielsweise Inhaltsanbieter (z. B. Suchmaschinen, Videostreaming-Services, Gaming-Services und/oder Hosts virtueller Welten), Kommunikationsdienstleister (z. B. Internetdienstanbieter und/oder Mobilfunkanbieter), E-Commerce-Websites und/oder soziale Netzwerke.
  • Optional kann ein erster, im Namen des ersten Benutzers operierender Software-Agent einen zweiten, im Namen eines zweiten Benutzers operierenden Software-Agenten kontaktieren, um Informationen über den ersten Benutzer zu empfangen, die durch den zweiten Software-Agenten erfasst werden können (z. B. über ein Gerät des zweiten Benutzers). Zum Beispiel kann der zweite Software-Agent Bilder des ersten Benutzers bereitstellen, die der erste Software-Agent analysieren kann, um festzustellen, welche Erfahrung der erste Benutzer hat.
  • Ereignisse können mit mehreren Messwerten verbunden sein, die zu verschiedenen Zeiten erfasst werden. Zum Beispiel kann ein zu einem Ereignis gehörender Messwert Werte umfassen und/oder auf Werten basieren, die gemessenen werden, wenn der zu dem Ereignis gehörende Benutzer beginnt, die Erfahrung zu erleben, während des Zeitraums, während dem der Benutzer die Erfahrung erlebt, und möglicherweise irgendwann nach dem Erleben der Erfahrung. In einem anderen Beispiel kann der Messwert auf Werten basieren, die gemessen werden, bevor der Benutzer beginnt, die Erfahrung zu erleben (z. B. um Auswirkungen von Vorfreude zu messen und/oder um einen Basislinienwert anhand des vor dem Beginn erfassten Messwerts zu bestimmen). Die verschiedene Aspekte der Berechnung eines zu einem Ereignis gehörenden Messwerts der affektiven Reaktion werden ausführlicher zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) beschrieben.
  • In einigen Ausführungsformen können zu einem Ereignis gehörende Messwerte der affektiven Reaktion, die zu unterschiedlichen Zeiten erfasst werden und/oder auf Werten basieren, die durch Sensoren während verschiedener Zeiträume gemessen wurden, zur Erfassung verschiedener Aspekte des Ereignisses verwendet werden. Zum Beispiel kann das Ereignis bei der Betrachtung eines Ereignisses, das das Essen einer Mahlzeit beinhaltet, verschiedene zugehörige Messwerte haben, die verschiedene Aspekte der Erfahrung des Essens der Mahlzeit erfassen. Ein Messwert der affektiven Reaktion, der auf Werten basiert, die erfasst werden, während die Mahlzeit an den Tisch gebracht wird und bevor ein Benutzer mit dem Essen beginnt, kann die affektive Reaktion auf das Aussehen des Essens, den Geruch des Essens und/oder die Größe der Portion erfassen. Ein Messwert der affektiven Reaktion, der auf Werten basiert, die erfasst werden, während der Benutzer isst, kann mit dem Geschmack des Essens, seiner Textur etc. verbunden sein. Und ein Messwert der affektiven Reaktion, der auf Werten basiert, die erfasst werden, nachdem der Benutzer mit dem Essen fertig ist, kann ausdrücken, wie die Mahlzeit den Körper des Benutzers beeinflusst (z. B. wie die Mahlzeit verdaut wird, ob sie bewirkt, dass der Benutzer sich träge oder energiegeladen etc. fühlt).
  • Ereignisse können zu einem Satz oder mehreren Sätze von Ereignissen gehören. In den hierin beschriebenen Ausführungsformen kann die Betrachtung von Ereignissen im Zusammenhang mit Sätzen von Ereignissen für einen oder mehrere verschiedene Zwecke erfolgen. Beispielsweise können Ereignisse in einigen Ausführungsformen im Zusammenhang mit einem Satz von Ereignissen betrachtet werden, um eine Erfahrungsbewertung auf der Grundlage von Messwerten zu berechnen, die zu den Ereignissen in dem Satz gehören. In andere Verkörperungen können Ereignisse im Zusammenhang mit einer Reihe von Ereignissen erwogen werden, um zu bewerten, dass eine Gefahr für die Privatsphäre der Nutzer entsprechend zu den Veranstaltungen im Set aus Offenlegung einer Punktzahl berechnet basierend auf Messungen der Benutzer. Optional können Ereignisse, die zu einem Satz von Ereignissen gehören, irgendwie derart miteinander verbunden sein, dass die Ereignisse in dem Satz von Ereignissen alle während eines bestimmten Zeitraums oder unter ähnlichen Bedingungen stattfinden. Zusätzlich ist es in einigen Ausführungsformen möglich, dass dasselbe Ereignis zu mehreren Sätzen von Ereignissen gehört, während jedes Ereignis in anderen Ausführungsformen zu höchstens einem einzigen Satz von Ereignissen gehören kann.
  • In einer Ausführungsform kann ein Satz von Ereignissen Ereignisse umfassen, die zur selben bestimmten Erfahrung gehören (d. h. Fälle, in denen Benutzer die bestimmte Erfahrung hatten). Die zu dem Satz von Ereignissen gehörenden Messwerte der affektiven Reaktion umfassen Messwerte der affektiven Reaktion der zu den Ereignissen gehörenden Benutzern auf das Erleben der bestimmten Erfahrung, die während zu den Ereignissen gehörenden Zeiträumen erfasst wurden (z. B. während des Instanziierungszeitraums der Ereignisse oder kurz danach).
  • In einer anderen Ausführungsform kann ein Satz von Ereignissen durch die Tatsache definiert werden, dass die zu dem Satz von Ereignissen gehörenden Messwerte zur Berechnung einer Erfahrungsbewertung verwendet werden. In einem Beispiel kann ein Satz von Ereignissen Ereignisse beinhalten, die Benutzer betreffen, die eine Mahlzeit in einem bestimmten Restaurant an einem bestimmten Tag gegessen haben. Aus den Messwerten der zu den Ereignissen gehörenden Benutzern kann eine Bewertung abgeleitet werden, die die Qualität der an diesem Tag in dem Restaurant servierten Mahlzeiten repräsentiert. In einem anderen Beispiel kann ein Satz von Ereignissen Benutzer betreffen, die einen Ort, wie ein bestimmtes Hotel, während eines bestimmten Monats besucht haben, und kann eine Bewertung, die aus zu dem Satz von Ereignissen gehörenden Messwerten der affektiven Reaktion generiert wurde, die Qualität der Erfahrung des Aufenthalts in dem Hotel während des bestimmten Monats repräsentieren.
  • In einer weiteren Ausführungsform kann ein Satz von Ereignissen eine willkürliche Zusammenstellung von Ereignissen umfassen, die für den Zweck einer bestimmten Berechnung und/oder Analyse zu einer Gruppe zusammengefasst werden.
  • Es gibt verschiedene Möglichkeiten zur Zuordnung von zu einer Erfahrung gehörenden Ereignissen zu Sätzen von Ereignissen. In einem Beispiel werden alle zu einer Erfahrung gehörenden Ereignisse einem einzigen Satz von Ereignissen zugeordnet. In einem anderen Beispiel können Ereignisse mehreren Sätzen von Ereignissen anhand verschiedener Kriterien zugeordnet werden, wie beispielsweise anhand der Zeit des Stattfindens der Ereignisse (z. B. kann jeder Monat in dem obigen Beispiel mit einem Aufenthalt in einem Hotel seinen eigenen Satz von Ereignissen haben). Optional, wenn ein Satz von Ereignissen Ereignisse enthält, die in einem bestimmten Zeitraum stattfinden, ist der Zeitraum nicht notwendigerweise ein einzelner, zusammenhängender Zeitraum. Zum Beispiel kann ein Satz von Ereignissen Ereignisse einer bestimmten Erfahrung beinhalten, die an Wochenenden stattfinden, während ein anderer Satz von Ereignissen Ereignisse der Erfahrung beinhalten kann, die an Wochentagen stattfinden.
  • In den hierin beschriebenen Ausführungsformen bezeichnet V oftmals den Satz aller Ereignisse (z. B. alle Ereignisse, die durch ein System ausgewertet werden können). In einigen Ausführungsformen können die Ereignisse in V verschiedenen Sätzen von Ereignissen Vi, 1 ≤ i ≤ k, zugewiesen werden. Optional gehört jedes Ereignis in V derart zu mindestens einem Satz von Ereignissen, dass V = U k / i=1 Vi. Optional umfasst jeder Satz von Ereignissen Vi Ereignisse, die sich ein oder mehrere ähnliche Merkmale teilen, wie beispielsweise Ereignisse, die zur selben Erfahrung gehören, die während eines bestimmten Zeitraums erlebt wurde. In einigen Ausführungsformen umfasst jeder Satz von Ereignissen Vi derart verschiedene Ereignisse, dass jedes Ereignis zu höchstens einem Satz von Ereignissen gehört, während die Sätze von Ereignissen in anderen Ausführungsformen derart nicht notwendigerweise verschiedene Ereignisse umfassen, dass es ein zu den Sätzen von Ereignissen Vi und Vj gehörendes Ereignis geben kann, wobei i≠j. Zusätzlich ist es in einigen Ausführungsformen möglich, dass ein Messwert der affektiven Reaktion zu mehreren Ereignissen gehört (z. B. zu Ereignissen, die zu unterschiedlichen Sätzen von Ereignissen gehören). Zum Beispiel kann ein Messwert der affektiven Reaktion, der erfasst wird, während ein Benutzer in einem Park joggt, zu einem ersten, zu einer Erfahrung des Aufenthalts im Park gehörenden Satz von Ereignissen sowie zu einem zweiten, zu einer Erfahrung des Joggens gehörenden Satz von Ereignissen gehören.
  • In einigen Ausführungsformen kann ein Benutzer mehrere Messwerte der affektiven Reaktion beitragen, die zu Ereignissen im selben Satz von Ereignissen gehören, das heißt, für einige 1 ≤ i ≤ k kann Vi zwei Tupel, τ1 = (u, e, m1) und τ2 = (u, e, m2), umfassen, für die m1 gleich oder ungleich m2 sein kann. Mehrere Messwerte desselben Benutzers, die zu demselben Satz von Ereignissen gehören, können aus verschiedenen Gründen auftreten. In einer Ausführungsform können mehrere Messwerte eines zu demselben Ereignis gehörenden Benutzers erfasst werden. Zum Beispiel wird ein Messwert eines Benutzer minütlich während der einstündigen Dauer eines Ereignisses erfasst. In einer anderen Ausführungsform kann es in demselben Satz von Ereignissen mehrere zu demselben Benutzer gehörende Ereignisse geben. Zum Beispiel kann der Satz von Ereignissen Ereignisse umfassen, bei denen die Benutzer eine Einrichtung während einer bestimmten Woche besuchen, und hat ein bestimmter Besucher in dieser Woche die Einrichtung mehrere Male besucht und wurde jedes Mal ein Messwert oder mehrere Messwerte des Benutzers erfasst.
  • Wenn Benutzer eine unterschiedliche Anzahl von Messwerten beitragen, die zu Ereignissen in einem bestimmten Satz von Ereignissen gehören, kann dies eine Bewertung beeinflussen, die auf dem zugehörigen Satz von Ereignisse basiert (d. h. Messwerte, die zu zu dem Satz gehörenden Ereignissen gehören). Insbesondere kann die Bewertung in Richtung von Benutzern, die eine größere Anzahl von Messwerten beigetragen haben, verzerrt sein und die Werte der Messwerte dieser Benutzer auf möglicherweise unverhältnismäßige Weise widerspiegeln. Solche Fälle, in denen ein bestimmter Benutzer mehrere Messwerte beiträgt, die zu mehreren Ereignissen im selben Satz von Ereignissen gehören, kann auf verschiedene Weise gehandhabt werden. In einem Beispiel wird jedem der mehreren Messwerte dieselbe Gewichtung zugeordnet, was einem Ignorieren der möglichen Auswirkungen der Verwendung mehrerer Messwerte desselben Benutzers gleichkommen kann. In einem anderen Beispiel wird jeder Messwert der mehreren Messwerte eines Benutzers derart gewichtet, dass die Summe der Gewichtungen der mehreren Messwerte jedes Benutzers eine bestimmte festgelegte Gewichtung erreicht; auf diese Weise kann jeder Benutzer, der zu einem Satz von Ereignissen gehörende Messwerte beigetragen hat, einen gleichwertigen Beitrag zu einer Bewertung machen, die auf der Grundlage der zu dem Satz von Ereignissen gehörenden Messwerten berechnet wird. In einem weiteren Beispiel können mehrere Messwerte des bestimmten Benutzers durch einen einzigen repräsentativen Messwert ersetzt werden, wie beispielsweise ein Messwert, der einen Wert hat, der der Durchschnitt der mehreren Messwerte ist (wodurch die mehreren Messwerte quasi auf einen einzigen Messwert minimiert werden).
  • In einigen Ausführungsformen kann ein Satz von Ereignissen Vi, 1 ≤ i ≤ k, keine zu bestimmten Benutzern gehörenden Ereignisse umfassen. Dies ist oft der Fall, wenn die Messwerte der affektiven Reaktion über einen längeren Zeitraum hinweg erfasst werden, jeweils mit Bezug auf eine oder mehrere der mehreren Erfahrungen. In solchen Fällen ist es nicht wahrscheinlich, dass jeder Benutzer jede zu jedem Satz von Ereignissen Vi gehörende Erfahrung während eines zu dem Satz von Ereignissen gehörenden Zeitraums hat, oder dass jeder Benutzer überhaupt jede der Erfahrungen haben wird. Wenn V zum Beispiel Ereignisse umfasst, die das Essen von Mahlzeiten in Restaurants betreffen, und jeder Satz von Ereignissen zu Mahlzeiten gehört, die in einem bestimmten Restaurant an einem bestimmten Tag gegessen wurden, dann ist es nicht wahrscheinlich, dass ein einzelner Benutzer an einem bestimmten Tag in allen Restaurants gegessen hat. Daher ist es nicht wahrscheinlich, dass es einen Benutzer gibt, der zu jedem der einzelnen Sätze von Ereignissen gehört. Außerdem kann es ein Restaurant oder mehrere Restaurants geben, in denen der Benutzer nie gegessen hat, so dass der Benutzer zu keinen Sätzen von Ereignissen gehören wird, die eine Erfahrung des Essens in dem einen oder den mehreren Restaurants betreffen.
  • In einigen Ausführungsformen kann ein Satz von Ereignissen Vi, 1 ≤ i ≤ k, Ereignisse umfassen, die zu einem einzelnen Benutzer gehören (d. h. alle Ereignisse in dem Satz betreffen denselben Benutzer). In Fällen, in denen der Satz von Ereignissen zur Berechnung einer crowd-basierten Bewertung verwendet wird, ist die Anzahl der Benutzer, die zu Ereignissen in dem Satz von Ereignissen gehören, jedoch typischerweise mindestens drei und oftmals mindestens eine größere Zahl wie fünf, zehn, 25, 100, 1000 oder mehr als 1000.
  • 5 – Identifizierung von Ereignissen
  • In einigen Ausführungsformen wird ein Ereignis-Annotator zur Identifizierung eines Ereignisses verwendet, wie beispielsweise zur Bestimmung, wer der zu dem Ereignis gehörende Benutzer ist, welche Erfahrung der Benutzer hatte und/oder bestimmter Details hinsichtlich der Instanziierung des Ereignisses. Optional generiert der Ereignis-Annotator eine Beschreibung des Ereignisses.
  • Wie unten beschrieben kann die Identifizierung von Ereignissen die Nutzung von Informationen einer oder mehrerer verschiedener Arten von Informationen und/oder von einer oder mehreren verschiedenen Informationsquellen umfassen. Diese Informationen können verwendet werden, um einen Kontext bereitzustellen, der helfen kann, mindestens einen der folgenden Werte zu identifizieren: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und/oder eine andere zu dem Ereignis gehörende Eigenschaft (z. B. Merkmale der Instanziierung der mit dem Ereignis verbundenen Erfahrung und/oder Situationen des Benutzers, die für das Ereignis relevant sind). Optional werden zumindest einige der Informationen durch einen Software-Agenten erfasst, der einen Benutzer, in dessen Namen er operiert, überwacht (wie ausführlich an anderer Stelle in dieser Offenlegung beschrieben). Optional werden zumindest einige der Informationen durch einen Software-Agenten erfasst, der im Namen einer Entität operiert, die nicht der zu dem Ereignis gehörende Benutzer ist, wie z. B. Software-Agenten anderer Benutzer, die die zu dem Ereignis gehörende Erfahrung mit dem Benutzer teilen, die in der Nähe des zu dem Ereignis gehörenden Benutzers sind, wenn der Benutzer die zu dem Ereignis gehörende Erfahrung hat, und/oder die mit dem zu dem Ereignis gehörenden Benutzer kommunizieren. Optional werden zumindest einige der Informationen durch Anbieter von Erfahrungen erfasst. Optional werden zumindest einige der Informationen durch Drittparteien erfasst, die den zu dem Ereignis gehörenden Benutzer und/oder die zu dem Ereignis gehörende Umgebung überwachen. Es folgen einige Beispiele für die Arten von Informationen und/oder Informationsquellen, die verwendet werden können; in einigen Ausführungsformen können andere Quellen zusätzlich zu oder anstelle der unten angegebenen Beispiele genutzt werden.
  • Ortsinformationen. Daten über einen Ort, an dem sich ein Benutzer befindet, und/oder Daten über die Änderung des Orts des Benutzers (z. B. Geschwindigkeit des Benutzers und/oder Beschleunigung des Benutzers) können einigen Ausführungsformen verwendet werden, um festzustellen, welche Erfahrung der Benutzer hat. Optional können die Informationen von einem Gerät des Benutzers erhalten werden (z. B. kann der Ort durch GPS bestimmt werden). Optional können die Informationen von einem Fahrzeug, in dem sich der Benutzer befindet, erhalten werden (z. B. von einem Computer im Zusammenhang mit einem autonomen Fahrzeugs, in dem sich der Benutzer befindet). Optional können die Informationen durch Monitoring des Benutzers erhalten werden, z. B. über Kameras wie Überwachungskamerasysteme (Closed Circuit Television, CCTV) und/oder Geräte des Benutzers (z. B. Erkennung von durch ein Gerät des Benutzers ausgesandten Signalen, wie beispielsweise WLAN-, Bluetooth- und/oder Mobiltelefonsignale). In einigen Ausführungsformen kann sich ein Ort eines Benutzers auf einen Ort in einer virtuellen Welt beziehen, in welchem Fall die Informationen über den Ort von einem Computer bezogen werden können, der die virtuelle Welt hostet, und/oder von einer Benutzeroberfläche, die dem Benutzer Informationen aus der virtuellen Welt anzeigt.
  • Bilder und andere Sensorinformationen. Bilder, die durch ein Gerät eines Benutzers, wie beispielsweise ein Smartphone oder ein tragbares Gerät (Wearable) wie Smartwatch, Augmented-Reality- oder Virtual-Reality-Head-Mounted-Brille, aufgenommen werden, können analysiert werden, um verschiedene Aspekte eines Ereignisses zu bestimmen. Zum Beispiel können die Bilder verwendet werden, um zu bestimmen, welche Erfahrung der Benutzer hat (z. B. Ausüben von Sport, Essen eines bestimmten Lebensmittels, Aufnahme eines bestimmten Inhalts). Zusätzlich oder alternativ können die Bilder verwendet werden, um zu bestimmen, wo ein Benutzer, oder um eine Situation des Benutzers zu bestimmen, z. B. ob der Benutzer allein und/oder in Begleitung ist. Optional kann die Feststellung anderer Personen, mit denen der Benutzer zusammen ist, zudem unter Verwendung von Übertragungen von Geräten der Personen, mit denen der Benutzer zusammen ist, erfolgen (z. B. WLAN- oder Bluetooth-Signale, die ihre Geräte übertragen).
  • Es gibt verschiedene Wege, in denen Kamera basierten Systemen kann zu kennzeichnen Ereignisse und/oder Faktoren der Ereignisse. In einem Beispiel kamerabasierte Systeme wie OrCam (Http://www.orcam.com/) dazu verwendet werden, verschiedene Objekte zu identifizieren, Produkte, Flächen und/oder erkennt Text. In einigen Ausführungsformen, Bilder können verwendet werden, um zu bestimmen, den ernährungsphysiologischen Zusammensetzung von Lebensmitteln ein Benutzer verbraucht. In einem anderen Beispiel, Fotos von Mahlzeiten genutzt werden kann, erzeugt Kostenvoranschläge von Nahrungsaufnahme und essen Zusammensetzung, wie der beschriebene Ansatz in Noronha, et al., "Platemate: crowdsourcing nutritional analysis from food photographs", Proceedings of the 24th annual ACM symposium on User interface software and technology, ACM, 2011.
  • In einigen Ausführungsarten, andere Sensoren können zur Identifizierung von Ereignissen, zusätzlich zu oder anstelle von Kameras. Weitere Sensoren wie Mikrofone, Beschleunigungsmesser, Thermometer, Drucksensoren und/oder Barometer können verwendet werden, um Aspekte von Benutzererfahrungen zu identifizieren, wie beispielsweise was die Benutzer tun (z. B. durch Analyse von Bewegungsmustern) und/oder unter welchen Bedingungen (z. B. durch Analysieren von Umgebungsgeräuschen, Temperatur und/oder Druck).
  • Zeit. Zeitliche Informationen können verwendet werden, um festzustellen, welche Erfahrung ein Benutzer hat. Die zeitlichen Informationen können auf verschiedene Weise ausgedrückt werden, wie beispielsweise als eine absolute Zeit (z. B. 20:22 Uhr am 10. Januar 2015), als eine relative Zeit (z. B. 25 Minuten nach dem Aufstehen), oder als ein Zeitraum in einer wiederkehrenden Zeiteinheit (z. B. Sonntag, die letzte Schulwoche oder Frühstückszeit). Optional kann die Kenntnis des Zeitraums helfen, festzustellen, welche bestimmten Erfahrungen möglich sind, und/oder Meinungen hinsichtlich der Frage, welche Erfahrung der Benutzer hatte, ändern (z. B. durch Änderung vorheriger Wahrscheinlichkeiten für bestimmte Erfahrungen anhand der Zeit, zu der der Benutzer die Erfahrungen möglicherweise hatte).
  • Bewegungsmuster. Die wachsende Zahl von Sensoren (z. B. Beschleunigungsmesser, Drucksensoren oder Gyroskope), die in Geräte eingebettet sind, die angezogen, getragen und/oder in Benutzer implantierten werden, können Informationen liefern, die die Identifizierung von Erfahrungen, die Benutzer haben, unterstützen können (z. B. welche Tätigkeit ein Benutzer zu einer Zeit durchführt). Optional können diese Daten als Zeitreihendaten ausgedrückt werden, in denen für bestimmte Erfahrungen charakteristische Muster gesucht werden können. Optional sind die Muster indikativ für bestimmte wiederholte Bewegungen (z. B. Bewegungsmuster, die charakteristisch sind für Laufen, Radfahren, Tippen, Essen oder Trinken). Es sind auf dem technischen Gebiet verschiedene Verfahrensweisen für die Ableitung einer Erfahrung aus Bewegungsdaten bekannt. Zum Beispiel beschreibt die US-Patentanmeldung US20140278219 mit dem Titel „System and Method for Monitoring Movements of a User”, wie Bewegungsmuster verwendet werden können, um eine Aktivität, mit der der Benutzer beschäftigt ist, zu bestimmen. Messwerte der affektiven Reaktion. In einigen Ausführungsformen können die Messwerte der affektiven Reaktion eines Benutzers Informationen darüber liefern, welche Erfahrung der Benutzer hat. In einem Beispiel können die Messwerte indikativ für einen emotionalen Zustand des Benutzers (z. B. eine Stimmung, in der der Benutzer ist) sein, was helfen kann, festzustellen, welche Erfahrung der Benutzer hatte (z. B. hat der Benutzer bestimmte Erfahrungen mit größerer Wahrscheinlichkeit, wenn er in einer bestimmten Stimmung ist, und/oder führen bestimmte Erfahrungen wahrscheinlich dazu, dass der Benutzer in einer bestimmten Stimmung ist). In einem anderen Beispiel können die Messwerte der affektiven Reaktion verwendet werden, um eine Änderung des physiologischen Zustands des Benutzers (z. B. eine Änderung der Herzfrequenz und Atmung) festzustellen. Diese Änderungen können mit bestimmten Erfahrungen, die der Benutzer gehabt haben könnte, korreliert werden. In einem anderen Beispiel können die Messwerte der affektiven Reaktion eine Zeitreihe von Werten liefern, die bestimmte Muster beinhalten kann, die mit zuvor aufgezeichneten, zu bekannten Erfahrungen gehörenden Mustern verglichen werden können.
  • Messwerte der Umgebung. Informationen, die indikativ für die Umgebung sind, in der sich ein Benutzer befindet, können zudem Informationen über eine Erfahrung liefern, die der Benutzer hat. Optional werden zumindest einige der Messwerte der Umgebung unter Verwendung eines Geräts des Benutzers erfasst, das einen oder mehrere Sensoren enthält, die zum Messen oder Aufzeichnen der Umgebung verwendet werden. Optional werden zumindest einige der Messwerte der Umgebung von Sensoren empfangen, die nicht zu Geräten des Benutzers gehören (z. B. CCTV-Kameras oder Luftqualitätsmesser). In einem Beispiel können die Messwerte der Umgebung die Erfassung von Soundbites aus der Umgebung beinhalten (z. B. um zu ermitteln, ob sich der Benutzer in einem Club, in einem Restaurant oder in einem Einkaufszentrum befindet). In einem anderen Beispiel können Bilder der Umgebung unter Verwendung verschiedener Bildanalysetechniken, wie Objekterkennung, Bewegungserkennung und/oder Gesichtserkennung, analysiert werden, um zu bestimmen, wo sich der Benutzer befindet, was der Benutzer tut und/oder mit wem der Benutzer zusammen ist. In einem weiteren Beispiel können verschiedene Messwerte der Umgebung, wie z. B. Temperatur, Druck, Luftfeuchtigkeit und/oder Partikelzahl verschiedener Arten von Chemikalien und Verbindungen (z. B. Schadstoffe und/oder Allergene), verwendet werden, um zu bestimmen, wo sich der Benutzer befindet, was der Benutzer tut und/oder was der Benutzer ausgesetzt ist.
  • Objekte/Geräte in der Umgebung des Benutzers. Informationen über Objekte und/oder Geräte in der Umgebung eines Benutzers können verwendet werden, um festzustellen, welche Erfahrung ein Benutzer hat. Die Kenntnis darüber, welche Objekte und/oder Geräte sich in der Umgebung eines Benutzers befinden, kann einen für die Identifizierung der Erfahrung relevanten Kontext bieten. Wenn ein Benutzer beispielsweise eine Angelausrüstung in das Auto packt, es bedeutet dies, dass der Benutzer wahrscheinlich Angeln gehen, während es wahrscheinlich ist, dass der Benutzer Mountainbiken geht, wenn er ein Mountainbike auf das Auto montiert. Informationen über die Objekte und/oder die Geräte in der Nähe eines Benutzers können von verschiedenen Quellen stammen. In einem Beispiel werden zumindest einige dieser Informationen aktiv von Objekten und/oder Geräten bereitgestellt, die Informationen übertragen, die ihre Anwesenheit bekanntgeben. Zum Beispiel können die Objekte oder Geräte Informationen über WLAN- oder Bluetooth-Signale übertragen. Optional können einige der Objekte und/oder Geräte über das Internet verbunden sein (z. B. als Teil des Internets der Dinge). In einem anderen Beispiel erfolgt der Empfang zumindest einiger dieser Informationen durch Übertragung von Signalen an die Umgebung und Detektion von Antwortsignalen (z. B. Signale von in den Objekten und/oder Geräten eingebetteten RFID-Tags). In einem weiteren Beispiel werden zumindest einige der Informationen durch einen Software-Agenten bereitgestellt, der die Besitztümer eines Benutzers überwacht. In noch einem weiteren Beispiel werden zumindest einige der Informationen durch eine Analyse der Umgebung, in der sich ein Benutzer befindet bereitgestellt (z. B. Bildanalyse und/oder Tonanalyse). Optional kann eine Bildanalyse verwendet werden, um bestimmte Merkmale einer Erfahrung zu erlangen. Zum Beispiel ermöglicht ein System, das von Noronha et. al. in „Platemate: crowdsourcing nutritional analysis from food photographs" in „Proceedings of the 24th annual ACM symposium on User interface software and technology" (2011) beschrieben wird, einem Benutzer, Nährwertangaben von Nahrungsmitteln, die der Benutzer im Begriff ist, zu essen, anhand von Bildern der Lebensmittel zu identifizieren und zu empfangen.
  • Kommunikation des Benutzers. Aus der Kommunikation eines Benutzers (z. B. E-Mail, Textnachrichten, Sprachkommunikationen und/oder Videokonversationen) abgeleitete Informationen können in einigen Ausführungsformen verwendet werden, um einen Kontext bereitzustellen und/oder um Erfahrungen, die der Benutzer hat, und/oder andere Aspekte der Ereignisse zu identifizieren. Diese Kommunikationen können analysiert werden, z. B. unter Verwendung einer semantischen Analyse zur Bestimmung verschiedener, zu Ereignissen gehörender Aspekte, wie beispielsweise welche Erfahrung ein Benutzer hat, eine Situation eines Benutzers (z. B. die Stimmung und/oder Gefühlslage des Benutzers). In einer Ausführungsform können bestimmte identifizierte Muster der Kommunikationen zu bestimmten Erfahrungen gehören. Optional können die Muster Eigenschaften wie das zur Kommunikation verwendete Gerät oder Medium, den Empfänger der Kommunikationen und/oder den Umfang der Kommunikationen (z. B. Dauer, Häufigkeit und/oder Menge der übermittelten Informationen) beinhalten.
  • Kalender/Zeitplan des Benutzers. Ein Kalender eines Benutzers, der Aktivitäten auflistet, die der Benutzer in der Vergangenheit hatte und/oder in Zukunft haben wird, kann einen Kontext bereitstellen und/oder Erfahrungen identifizieren, die der Benutzer hat. Optional enthält der Kalender Informationen wie z. B. einen Zeitraum, einen Ort und/oder andere kontextbezogene Informationen für zumindest einige der Erfahrungen, die der Benutzer hatte oder haben wird. Optional werden zumindest einige der Einträge in dem Kalender durch den Benutzer eingegeben. Optional werden zumindest einige der Einträge in dem Kalender automatisch durch einen Software-Agenten eingetragen, möglicherweise ohne Aufforderung durch den Benutzer oder sogar Wissen des Benutzers. Optional kann die Analyse eines Kalenders verwendet werden, um vorherige Wahrscheinlichkeiten des Erlebens bestimmter Erfahrungen zu bestimmten Zeiten und/oder an bestimmten Orte zu bestimmen.
  • Kontoinformationen. Informationen in verschiedenen, durch einen Benutzer unterhaltenen Konten (z. B. digitale Brieftaschen, Bankkonten oder Social-Media-Konten) können verwendet werden, um Kontext bereitzustellen und Ereignisse und/oder bestimmte Aspekte der Ereignisse zu identifizieren. Die Informationen in diesen Konten können verwendet werden, um verschiedene Aspekte von Ereignissen zu bestimmen, beispielsweise welche Erfahrungen der Benutzer hat (möglicherweise auch um zu bestimmen, wann, wo und mit wem der Benutzer Erfahrungen hat) sowie Situationen, in denen sich der Benutzer zu der Zeit befindet (z. B. um zu bestimmen, dass sich der Benutzer in einer neuen Beziehung und/oder nach einer Scheidung befindet). Zum Beispiel können die Transaktionen in einer digitalen Brieftasche Informationen über durch den Benutzer besuchte Örtlichkeiten, durch den Benutzer gekaufte Produkte und/oder durch den Benutzer aufgenommene Inhalte liefern. Optional betreffen die Konten finanzielle Transaktionen wie eine digitale Brieftasche oder ein Bankkonto. Optional betreffen die Konten Inhalte, die dem Benutzer bereitgestellt werden (z. B. ein Konto bei einem Videostreaming-Service und/oder einem Online-Spiele-Anbieter). In einigen Ausführungsformen kann ein Konto medizinische Datensätze einschließlich genetischer Datensätze eines Benutzers umfassen (z. B. ein genetisches Profil mit genotypischen und/oder phänotypischen Informationen). Optional können die genetischen Information verwendet werden, um bestimmte Situationen, in denen sich der Benutzer befindet, die genetischen Dispositionen entsprechen können, zu ermitteln (z. B. Vorlieben für oder Abneigungen gegen Substanzen, eine Tendenz zur Hyperaktivität oder eine Veranlagung für bestimmte Krankheiten).
  • Roboterserver. In einigen Ausführungsformen kann eine Roboterhilfe Informationen über Erfahrungen bereitstellen, die ein Benutzer hat, mit dem die Roboterhilfe interagiert. Zum Beispiel kann ein intelligenter Kühlschrank Informationen darüber liefern, welche Lebensmittel ein Benutzer verzehrt hat. Eine Massageroboter kann Informationen über Zeiträume liefern, in denen er in Betrieb war, um eine Massage zu verabreichen, und bestimmen, wessen Benutzereinstellungen verwendet wurden. In einem anderen Beispiel kann ein Entertainment-System Informationen darüber liefern, welche Inhalte es dem Benutzer zu welchem Zeitpunkt bereitgestellt hat (z. B. der Titel bestimmter Lieder und die Zeit, zu dem die bestimmten Lieder in einem Heim-Audio-System des Benutzers gestreamt wurden).
  • Erfahrungsanbieter. Ein Erfahrungsanbieter kann Informationen über eine Erfahrung, die ein Benutzer hat, bereitstellen, wie beispielsweise die Art der Erfahrung und/oder andere zugehörige Informationen (z. B. spezifische Details zu Attributen von Ereignissen und/oder relevanten Attributen). Zum Beispiel können eine Spielkonsole und/oder ein Hostsystem einer virtuellen Welt Informationen zu den Aktionen des Benutzers und/oder zu anderen Dingen, die dem Benutzer in dem Spiel und/oder der virtuellen Welt passieren, bereitstellen (z. B. können sich die Informationen auf virtuelle Objekte, mit denen der Benutzer interagiert, auf die Identität anderer Charaktere und das Stattfinden bestimmter Ereignisse wie den Verlust eines Lebens oder das Erreichen eines höheren Levels beziehen). In einem anderen Beispiel kann ein System zum Monitoring und/oder Verwaltung der Umgebung in einem „intelligenten Haus” Informationen über die Umgebung, in der sich der Benutzers befindet, bereitstellen.
  • Es sind auf dem technischen Gebiet verschiedene Verfahrensweisen für die Identifizierung, Indizierung und/oder Suche von Ereignissen eines oder mehrerer Benutzer bekannt, die in den hierin beschriebenen Ausführungsformen verwendet werden können (z. B. zur Erstellung von Ereignis-Annotatoren wie unten beschrieben). In einem Beispiel kann die Identifizierung von Ereignissen nach den in dem US-Patent Nr. 9,087,058 mit dem Titel „Method and apparatus for enabling a searchable history of real-world user experiences” beschriebenen Lehren erfolgen; dieses Patent beschreibt einen durchsuchbaren Verlauf von Erfahrungen eines Benutzers in der realen Welt unter Verwendung von Daten, die durch ein mobiles Computergerät erfasst werden. In einem anderen Beispiel kann die Identifizierung von Ereignissen nach den in dem US-Patent Nr. 8,762,102 mit dem Titel „Methods and systems for generation and rendering interactive events having combined activity and location information” beschriebenen Lehren erfolgen; dieses Patent beschreibt die Identifizierung von Ereignissen auf der Grundlage von Sensordaten mobiler Geräte.
  • Um zu bestimmen, welche Ereignisse die Benutzer haben und insbesondere welche Erfahrungen zu den Ereignissen gehören, können einige Ausführungsformen einen oder mehrere Ereignis-Annotatoren zur Durchführung dieser Aufgabe umfassen. In einer Ausführungsform empfängt ein Ereignis-Annotator Informationen der einen oder mehreren der oben beschriebenen Arten oder Quellen. Diese können zum Beispiel Informationen über den Ort, die Zeit, Bewegungsmuster, Messwerte der affektiven Reaktion eines Benutzers, Messwerte der Umgebung, Objekte in der Nähe eines Benutzers, Kommunikationen eines Benutzers, Kalendereinträge eines Benutzers, Kontoinformationen eines Benutzers und/oder von einem Software-Agenten und/oder Roboterserver erhaltene Informationen umfassen. Optional werden die Informationen analysiert und zur Generierung eines Samples verwendet, die einen Vektor der Merkmalswerte umfasst, die ein Ereignis beschreiben können. Optional beschreiben die Merkmalswerte Charakteristika des zu dem Ereignis gehörenden Benutzers und/oder identifizieren die Merkmalswerte den zu dem Ereignis gehörenden Benutzer. Optional beschreiben die Merkmalswerte Charakteristika der zu dem Ereignis gehörenden Erfahrung (beschreiben z. B. Charakteristika, die aus Informationen ermittelt wurden, die durch den Ereignis-Annotator empfangen wurden), identifizieren die zu dem Ereignis gehörende Erfahrung jedoch nicht explizit. Optional beschreibt das Sample Details des Ereignisses hinsichtlich verschiedener Aspekte der Instanziierung der zu dem Ereignis gehörenden Erfahrung, wie z. B. den Ort, die Dauer und/oder andere Bedingungen, die den zu dem Ereignis gehörenden Benutzer während des Erlebens der zu dem Ereignis gehörenden Erfahrung betrafen.
  • Der Begriff „Merkmalswerte” wird hierin üblicherweise verwendet, um Daten anzugeben, die einem auf maschinellem Lernen basierten Prädiktor bereitgestellt werden können. So kann eine Beschreibung eines Ereignisses auf Merkmalswerte umgewandelt werden, um verwendet werden, um Ereignisse zu identifizieren, wie in diesem Abschnitt beschrieben. Üblicherweise, jedoch nicht notwendigerweise, können Merkmalswerte Daten sein, die als ein Vektor numerischer Werte (z. B. Ganzzahl oder Realwerte) angegeben werden können, wobei jede Position in dem Vektor einem bestimmten Merkmal entspricht. In einigen Ausführungsformen können die Merkmalswerte jedoch andere Arten von Daten, wie Text, Bilder und/oder andere digital gespeicherte Informationen, umfassen.
  • In einigen Ausführungsformen, die Veranstaltung Annotator 701 nutzt die Quellen der genannten Informationen, um Ereignisse ermitteln Benutzer haben (z.b. welche Art von Erfahrung). Zusätzlich oder alternativ kann die Ereignis-Annotator 701 genutzt werden, um Aspekte der Veranstaltungen, die hier als "Faktoren der Ereignisse" genannten zu identifizieren. Optional können die Faktoren Aspekte des zu einem Ereignis gehörenden Benutzers, der zu dem Ereignis gehörenden Erfahrung und/oder Aspekte der Instanziierung des Ereignisses beschreiben. Weitere Informationen zu Faktoren von Ereignissen sind zumindest im Abschnitt 12 (Faktoren von Ereignissen) zu finden. Es ist zu beachten, dass die Funktion Werte in diesem Abschnitt erwähnt, die dazu verwendet werden, zu identifizieren, können Faktoren von Ereignissen und/oder abgeleitet von Faktoren von Ereignissen (z.b., wenn Faktoren der Ereignisse erscheinen in einer Beschreibung eines Ereignisses).
  • Wenn dem Ereignis-Annotator ein ungelabeltes Sample gegeben wird, kann der Ereignis-Annotator dem ungelabelten Sample ein oder mehrere zugehörige Labels zuweisen, wobei jedes Label eine Erfahrung, die der Benutzer hatte, identifiziert. Optional kann der Ereignis-Annotator Werte bereitstellen, die der Konfidenz und/oder Wahrscheinlichkeit entsprechen, mit der der Benutzer die durch zumindest einige der einen oder mehreren Etiketten identifizierten Erfahrungen hatte.
  • In einer Ausführungsform wird das eine Label oder werden die mehreren Labels, die durch den Ereignis-Annotator zugewiesen werden, aus einer Teilmenge einer größeren Menge möglicher Labels ausgewählt. Folglich betrachtet der Ereignis-Annotator nur eine Teilmenge der Erfahrungen für ein bestimmtes Sample. Optional wird die Teilmenge auf der Grundlage einiger der durch den Ereignis-Annotator empfangenen Informationen ausgewählt. In einem Beispiel kann ein in dem Sample beschriebener Ort verwendet werden, um eine Teilmenge von für diesen Ort wahrscheinlichen Erfahrungen zu bestimmen. Ebenso können die Tageszeit oder der Wochentag verwendet werden, um eine bestimmte Teilmenge von wahrscheinlichen Erfahrungen zu bestimmen. In einem anderen Beispiel kann zudem eine Situation des zu einem Sample gehörenden Benutzers (z. B. allein vs. in Gesellschaft, guter Stimmung vs. schlechter Laune) verwendet werden, um eine Teilmenge der Erfahrungen auszuwählen, die am meisten relevant sind. In einem weiteren Beispiel können die Objekte und/oder Geräte in der Umgebung des Benutzers zur Auswahl der Teilmenge verwendet werden. In noch einem weiteren Beispiel können externe Informationen, wie Rechnungsinformationen oder der Kalender eines Benutzers, zur Auswahl der Teilmenge verwendet werden (z. B. können die Information indizieren, dass der Benutzer eine bestimmte Erfahrung an einem bestimmten Tag hatte, ohne die genaue Zeit anzugeben).
  • In einigen Ausführungsformen umfasst die Generierung eines Merkmalsvektors die Analyse einiger der durch den Ereignis-Annotator empfangenen Informationen unter Verwendung verschiedener Prädiktoren (z. B. Klassifikatoren). Optional können die Ergebnisse der Analyse als Merkmalswerte in dem Vektor der Merkmalswerte verwendet werden. Optional kann die Verwendung mehrerer Prädiktoren zur Generierung von Merkmalswerten die Aufgabe des Event-Annotators vereinfachen (z. B. durch Reduzierung des Merkmalsraums und/oder Generierung aussagekräftigerer Merkmale) und darüber hinaus die Verwendung verschiedener Ensemble-basierter Methoden, die auf dem Gebiet der Technik bekannt sind, ermöglichen. In einem Beispiel werden die Zeitreihendaten, die Messwerte der affektiven Reaktion eines Benutzers umfassen, klassifiziert, um ein zugehöriges Profil des Aktivitätsniveaus (z. B. Ausruhen, moderate Aktivität oder intensive Aktivität) oder ein zugehöriges Profil der mentalen Aktivität (z. B. Konzentration, Entspannen oder Schlafen) zu bestimmen. In einem weiteren Beispiel wird ein zu einem Ereignis gehörender Messwert der affektiven Reaktion einem EZS bereitgestellt, um den emotionalen Zustand des zu dem Ereignis gehörenden Benutzers zu bestimmen, und wird der emotionale Zustand als ein Merkmalswert dargestellt.
  • In einigen Ausführungsformen können bestimmte Merkmalswerte eine Prognose in Bezug auf eine bestimmte Erfahrung repräsentieren. Beispielsweise kann ein Merkmalswert einen prognostizierten Wert enthalten, der indikativ dafür ist, wie gut der Satz von Objekten mit dem zu dem Sample gehörenden Benutzer zu einer bestimmten Erfahrung passt. Optional kann die Prognose auf Kombinationen von Objekten basieren, die in Ereignissen aus historischen Daten beobachtet wurden. In einem weiteren Beispiel kann ein Merkmalswert darstellen, wie gut ein bestimmter Ort und/oder eine bestimmte Tageszeit zu einer bestimmten Erfahrung passen kann. Optional können solche Werte auf der Grundlage historischer Daten bestimmt werden. Beispielsweise können die historischen Daten verwendet werden, um verschiedene Wahrscheinlichkeiten des Erlebens von Erfahrungen angesichts des Satzes von Objekten, der Tageszeit und/oder des Orts unter Verwendung der Bayes-Regel zu berechnen.
  • In einigen Ausführungsformen können bestimmte Merkmalswerte eine Differenz zwischen einem zu dem Sample gehörenden Messwert und einem für eine bestimmte Erfahrung prognostizierten Messwert repräsentieren. Optional wird der prognostizierte Messwert auf der Grundlage vorheriger Messwerte des Benutzers auf die bestimmte Erfahrung und/oder Erfahrungen desselben Typs (z. B. Ausüben von Sport oder Ansehen von Inhalten) bestimmt. Optional wird der prognostizierte Messwert auf der Grundlage von Messwerten von Benutzern auf die bestimmte Erfahrung bzw. Erfahrungen desselben Typs (z. B. Ausüben von Sport oder Ansehen von Inhalten) bestimmt. Optional wird der prognostizierte Messwert von einem EZS abgerufen.
  • Um ein oder mehrere Modelle zu trainieren, die durch einen Prädiktor angewendet werden, der durch einen Ereignis-Annotator verwendet wird, verwendet ein Trainingsmodul in einigen Ausführungsformen Trainingsdaten, die eine Zusammenstellung gelabelter Samples als Input für einen auf maschinellem Lernen basierten Modelltrainingsalgorithmus umfassen. Optional umfasst die Zusammenstellung gelabelter Samples Samples mit Vektoren von Merkmalswerten, die Ereignisse beschreiben, und repräsentiert jedes zu einem Sample gehörende Label eine Erfahrung, die zu dem durch das Sample beschriebenen Ereignis gehört. Optional wählt der Ereignis-Annotator die Erfahrung als Label, deren zugehöriger Prädiktor den höchsten Wert gab. In einigen Ausführungsformen können verschiedene Arten von auf maschinellem Lernen basierten Prädiktoren durch einen Ereignis-Annotator benutzt werden. In einem Beispiel kann der Prädiktor ein mehrklassiger Klassifikationsalgorithmus sein (z. B. ein neuronales Netz, Maximum-Entropie-Modell oder Naive-Bayes-Klassifikator), der einem Sample ein oder mehrere zu Erfahrungen gehörende Labels zuweist. In einem weiteren Beispiel kann der Ereignis-Annotator mehrere Prädiktoren verwenden, wobei jeder Prädiktor dazu konfiguriert ist, einen Wert zu generieren, der die Wahrscheinlichkeit dafür, dass ein Sample zu einer bestimmten Erfahrung gehört, darstellt. Optional können die maschinellen Lernverfahren, die verwendet werden können, um das eine Modell oder die mehreren Modelle zu trainieren, parametrische Verfahren (z. B. Maximum-Entropie-Modelle) oder nichtparametrische Verfahren sein (z. B. multivariate Kerndichteschätzung oder Histogramme).
  • In einigen Ausführungsformen wird ein Ereignis-Annotator mit Daten trainiert, die mehrere Benutzer betreffende Samples umfassen. Optional enthält jedes Sample Merkmalswerte, die Charakteristika des zur dem Sample gehörenden Benutzers beschreiben. Indem man Samples von mehreren Benutzern hat, ist es möglich, die Weisheit der Crowd zu nutzen und den Ereignis-Annotator zur Annotation von Ereignissen für Benutzer, die die zu den Ereignissen gehörenden Erfahrungen nie hatten, zu verwenden.
  • In anderen Ausführungsformen wird ein Ereignis-Annotator mit Daten trainiert, die Samples umfassen, die hauptsächlich einen bestimmten Benutzer betreffen, und ein solcher Ereignis-Annotator kann als ein für den bestimmten Benutzer personalisierter Ereignis-Annotator gelten. Optional ist mit „hauptsächlich” gemeint, dass der Großteil der Trainingsgewichtung der Samples in den Trainingsdaten auf Samples zurückzuführen ist, die zu dem bestimmten Benutzer gehören (d. h. sie gehören zu Ereignissen im Zusammenhang mit dem bestimmten Benutzer). Optional ist mit „hauptsächlich” gemeint, dass in den Trainingsdaten die Samples keines anderen Benutzers eine höhere Trainingsgewichtung als die Trainingsgewichtung der Samples des bestimmten Benutzers haben. Die Trainingsgewichtung von Samples bezieht sich hierin auf den Grad, mit dem die Samples die Werte von Parametern in dem Modell beeinflussen, das mit den Samples trainiert wird. Wenn alle Samples in den Trainingsdaten dieselbe Gewichtung haben, dann kann die Trainingsgewichtung eines Satzes von Samples als äquivalent zu einem Anteil gelten, der der durch die Gesamtzahl der Samples geteilten Sample-Anzahl in dem Satz entspricht.
  • Um die Erfahrungen, die ein Benutzer hat, zu identifizieren kann ein Ereignis-Annotator in einigen Ausführungsformen personalisierte Ereignis-Annotatoren anderer Benutzer nutzen. Somit kann der Ereignis-Annotator eine bestimmte Erfahrung, die der bestimmte Benutzer hat, identifizieren, selbst wenn der Ereignis-Annotator nicht mit Daten trainiert wurde, die zu dem bestimmten Benutzer gehörende Samples umfassen, und/oder selbst wenn der bestimmte Benutzer die bestimmte Erfahrungen nicht zuvor hatte.
  • In einer Ausführungsform kombiniert ein Ereignis-Annotator Prognosen mehrerer personalisierter Ereignis-Annotatoren. Optional gibt jeder personalisierte Ereignis-Annotator für eine zu einem Sample gehörende Erfahrung eine Stimme ab, und weist der Ereignis-Annotator das Sample der Erfahrung mit der größten Zahl der Stimmen zu. Optional werden die Ergebnisse der mehreren personalisierten Ereignis-Annotatoren unter Verwendung einer Ensemble-Lernmethode wie beispielsweise Boosting kombiniert.
  • In einer Ausführungsform wird ein personalisierter Prädiktor dazu trainiert, einen bestimmten Satz von Erfahrungen zu prognostizieren. Optional gehören ein oder mehrere Kandidatenlabel für ein Sample zu Erfahrungen, für die der personalisierte Prädiktor trainiert ist. In einem solchen Fall kann der personalisierte Ereignis-Annotator die Prognose anderer Ereignis-Annotatoren (z. B. personalisierte Ereignis-Annotatoren anderer Benutzer) verwenden, um eine Prognose darüber abzugeben, welche Erfahrung der Benutzer hatte.
  • 6 – Prädiktoren und Emotionszustands-Schätzer
  • In einigen Ausführungsformen wird ein Modul, das eine Query empfängt, die ein Sample umfasst (z. B. ein Vektor, der einen oder mehrere Merkmalswerte umfasst), und ein Label für dieses Sample berechnet (z. B. eine Klassenkennung oder einen numerischen Wert) als ein „Prädiktor” und/oder „Schätzer” bezeichnet. Optional kann ein Prädiktor und/oder Schätzer ein Modell zur Zuweisung von Labels zu Samples verwenden. In einigen Ausführungsformen wird ein durch einen Prädiktor und/oder Schätzer verwendetes Modell unter Verwendung eines auf maschinellem Lernen basierten Trainingsalgorithmus trainiert. Optional, wenn ein Prädiktor und/oder Schätzer ein Label zurückgibt, das zu einer oder mehreren dem Sample zugeordneten Klassen gehört, können diese Module als „Klassifikatoren” bezeichnet werden.
  • Die Begriffe „Prädiktor” und „Schätzer” werden in diese Offenlegung synonym verwendet. Somit kann ein Modul, das als „Prädiktor” bezeichnet wird, dieselbe Art von Inputs empfangen wie ein Modul, das als „Schätzer” bezeichnet wird; es kann die selbe Art eines durch maschinelles Lernen trainierten Modells verwenden und/oder dieselbe Art von Output zu produzieren. Gemäß der in dieser Offenlegung üblichen Verwendungsweise umfasst der Input eines Schätzers jedoch typischerweise Werte, die aus Messwerten stammen, während ein Prädiktor Samples mit willkürlichen Input-Arten empfangen kann. Beispielsweise wird ein Modul, das die Art des emotionalen Zustands, in dem sich ein Benutzer wahrscheinlich befand, anhand von Messwerten der affektiven Reaktion des Benutzers identifiziert, hierin als ein Emotionszustands-Schätzer (EZS) bezeichnet, während ein Modul, prognostiziert die wahrscheinlich emotionale Reaktion eines Benutzers zu einem Ereignis wird hier als eine emotionale Reaktion Predictor (ERP). Darüber hinaus kann ein Modell, das durch einen EZS verwendet wird, als ein „Emotionszustands-Modell” und/oder ein „Emotionsreaktions-Modell” bezeichnet werden.
  • Ein Sample, das einem Prädiktor und/oder Schätzer bereitgestellt wird, um ein Label für sich zu erhalten, kann als „Query-Sample” oder einfach „Sample” bezeichnet werden. Ein Wert, den der Prädiktor und/oder Schätzer aus einem ihm als Input gegebenen Sample berechnet und zurückgibt, kann hierin als ein „Label”, als ein „prognostizierter Wert” und/oder als ein „Schätzwert” bezeichnet werden Ein Paar, das ein Sample und ein zugehöriges Label enthält, kann als ein „gelabeltes Sample” bezeichnet werden. Ein Sample, das zum Zwecke des Trainings eines Prädiktors und/oder Schätzers verwendet wird, kann als ein „Trainingssample” oder einfach als „Sample” bezeichnet werden. Ebenso kann ein Sample, das zum Zwecke der Prüfung eines Prädiktors und/oder Schätzers verwendet wird, als ein „Prüfsample” oder einfach als „Sample” bezeichnet werden. Es wird davon ausgegangen, dass die in den typischen Ausführungsformen für verschiedene Zwecke (z. B. Training, Prüfung und/oder eine Query) verwendeten Samples eine ähnliche Struktur haben (z. B. ähnliche Dimensionalität) und in einem ähnlichen Prozess generiert werden (z. B. derselben Art von Vorverarbeitung unterzogen werden).
  • In einigen Ausführungsformen umfasst ein Sample für einen Prädiktor und/oder Schätzer einen oder mehrere Merkmalswerte. Optional sind zumindest einige der Merkmalswerte numerische Werte (z. B. Ganzzahl und/oder Realwerte). Optional können zumindest einige der Merkmalswerte kategorische Werte sein, die als numerische Werte dargestellt werden können (z. B. als Indizes für verschiedene Kategorien). Optional können der eine oder die mehreren in einem Sample enthaltenen Merkmalswerte als ein Vektor der Werte dargestellt werden. Es können verschiedene, auf dem Gebiet der Technik bekannte Verfahren zur Vorverarbeitung, Verarbeitung und/oder Merkmalsextraktion verwendet werden, um den einen oder die mehreren in einem Sample enthaltenen Merkmalswerte zu generieren. Darüber hinaus können die Samples in einigen Ausführungsformen verrauschte oder fehlende Werte enthalten. Es sind auf dem Gebiet der Technik verschiedene Methoden bekannt, die zur Behandlung solcher Fälle verwendet werden können.
  • In einigen Ausführungsformen kann ein Label, das ein Wert ist, der durch einen Prädiktor und/oder Schätzer als Reaktion auf den Erhalt eines Query-Samples zurückgegeben wird, eine oder mehrere Arten von Werten umfassen. Beispielsweise kann ein Label einen diskreten kategorischen Wert (z. B. eine Kategorie), einen numerischen Wert (z. B. ein reelle Zahl), eine Menge von Kategorien und/oder numerischen Werte und/oder einen multidimensionalen Wert (z. B. ein Punkt im multidimensionalen Raum, ein Datenbankeintrag und/oder ein anderes Sample) enthalten.
  • Prädiktoren und Schätzer können in verschiedenen Ausführungsformen verschiedene Arten von Modellen zur Berechnung von Labels für Query-Samples nutzen. Es steht eine Fülle von maschinellen Lernalgorithmen für das Training unterschiedlicher Arten von Modellen zur Verfügung, die für diesen Zweck verwendet werden können. Einige der algorithmischen Verfahren, die für die Erstellung einer Prädiktors und/oder Schätzers verwendet werden können, beinhalten Klassifikation, Clustering, Funktionsvorhersage, Regression und/oder Dichteschätzung. Auf dem Gebiet der Technik qualifizierte Personen können den geeigneten Modelltyp und/oder Trainingsalgorithmus je nach den Eigenschaften der Trainingsdaten (z. B. ihre Dimensionalität oder die Anzahl der Samples) und/oder der Art des als Labels verwendeten Werts (z. B. diskreter Wert, Realwert oder multidimensionaler Wert) auswählen.
  • In einem Beispiel können Klassifikationsmethoden wie Support-Vector-Maschinen (SVM), Naive-Bayes, Nächste-Nachbarn, Entscheidungsbäume, logistische Regression und/oder neuronale Netze verwendet werden, um ein Modell für Prädiktoren und/oder Schätzer zu erstellen, die diskrete Klassenlabels vorhersagen. In einem anderen Beispiel können Methoden wie SVM zur Regression, neuronale Netze, lineare Regression, logistische Regression und/oder Entscheidungsbäume mit Gradient-Boosting zum Erstellen eines Modells für Prädiktoren und/oder Schätzer verwendet werden, die reellwertige Labels und/oder multidimensionale Labels zurückgeben. In einem weiteren Beispiel kann ein Prädiktor und/oder Schätzer ein Clustering von Trainingssamples anwenden, um einen Sample-Raum derart zu unterteilen, dass neue Query-Samples Clustern zugeordnet werden können und entsprechend der Cluster, zu denen sie gehören, Labels zugewiesen bekommen können. In einem ähnlichen Verfahren kann ein Prädiktor und/oder Schätzer eine Sammlung von gelabelten Samples verwenden, um eine Nächste-Nachbarn-Klassifikation durchzuführen (in der einem Query-Sample ein Label gemäß des einen oder der mehreren gelabelten Samples, die ihm in einem Raum am nächsten sind, zugewiesen wird).
  • In einigen Ausführungsformen können semi-überwachte Lernmethoden zum Trainieren eines durch einen Prädiktor und/oder Schätzer angewandten Modells verwendet werden, z. B. Bootstrapping, Mischungsmodelle mit Expectation-Maximization und/oder Co-Training. Semi-überwachte Lernmethoden können neben gelabelten Samples nicht gelabelte Samples als Trainingsdaten nutzen.
  • In einer Ausführungsform kann ein Prädiktor und/oder Schätzer ein oder mehrere andere Samples als ein Label zurückgeben, die einem gegebenen Query-Sample ähnlich sind. Beispielsweise kann eine Nächste-Nachbarn-Methode ein oder mehrere Samples zurückgeben, die in dem Datenraum dem Query-Sample am nächsten sind (und ihm damit in gewisser Hinsicht am ähnlichsten sind).
  • In einer anderen Ausführungsform kann ein Prädiktor und/oder Schätzer einen Wert zurückgeben, der eine Wahrscheinlichkeit eines Samples gemäß einem durch den Prädiktor und/oder Schätzer verwendetem Modell repräsentiert. Beispielsweise kann der Wert eine Wahrscheinlichkeit des Samples gemäß einer Wahrscheinlichkeitsdichtefunktion repräsentieren, die durch das Modell beschrieben und/oder definiert wird und die zumindest einigen der Samples in dem Raum aller möglichen Samples Wahrscheinlichkeitswerte zuweist. In einem Beispiel kann ein solcher Prädiktor eine Einzelklasse-SVM (single class support vector machine), ein Naive-Bayes-Klassifikator, ein graphisches Modell (z. B. Bayes’sches Netz) oder ein Maximum-Entropie-Modell sein.
  • Neben einem für ein Query-Sample vorhergesagtem Label kann ein Prädiktor und/oder Schätzer in einigen Ausführungsformen einen Wert bereitstellen, der ein Konfidenzniveau des für das Query-Sample berechneten Labels beschreibt. In einigen Fällen kann sich der Wert, der das Konfidenzniveau beschreibt, direkt aus dem Berechnungsprozess selbst ergeben. Beispielsweise kann ein Prädiktor, der ein Klassifikator ist, der ein Label für ein gegebenes Query-Sample auswählt, eine Wahrscheinlichkeit oder Bewertung liefern, nach der das bestimmte Label gewählt wurde (z. B. eine Naive-Bayes-Posterior-Wahrscheinlichkeit des ausgewählten Labels oder eine Wahrscheinlichkeit, die sich aus dem Abstand des Samples von der Hyperebene bei Verwendung einer SVM ergibt).
  • In einer Ausführungsform gibt ein Prädiktor und/oder Schätzer ein Konfidenzintervall als ein Label oder zusätzlich zu dem Label zurück. Optional ist ein Konfidenzintervall ein Wertebereich und eine zugeordnete Wahrscheinlichkeit, die die Möglichkeit darstellt, dass der wahre, zu dem Label gehörende Wert innerhalb des Wertebereichs liegt. Wenn eine Vorhersage eines Labels beispielsweise gemäß einer empirisch bestimmten Normalverteilung mit einem Mittelwert m und einer Varianz σ2 gemacht wird, entspricht der Bereich [m – 2σ, m + 2σ] etwa einem 95%-Konfidenzintervall um den Mittelwert m.
  • Samples, die einem Prädiktor und/oder Schätzer bereitgestellt werden und/oder die zum Training des Prädiktors und/oder Schätzers genutzt werden, können aus Daten generiert werden, die aus verschiedenen Quellen empfangen werden und verschiedene Eigenschaften haben können (z. B. können die Daten numerische Werte, Text, Bilder, Audio, Videos und/oder andere Datentypen umfassen). In einigen Ausführungsform kann zumindest ein Teil der Daten verschiedenen Formen der Vorverarbeitung unterzogen werden, um die in den Samples umfassten Merkmalswerte zu erhalten. Es folgen einige nicht einschränkende und nicht vollständige Beispiele einer Vorverarbeitung, der Daten im Rahmen der Generierung eines Samples unterzogen werden können. Es können in den hierin beschriebenen Ausführungsformen zudem andere Formen der Vorverarbeitung verwendet werden.
  • In einigen Ausführungsformen können Daten, die zur Generierung eines Samples verwendet werden, einer Filtration (z. B. Entfernung von Werten, die unter einem Schwellenwert liegen) und/oder Normalisierung unterzogen werden. In einer Ausführungsform kann die Normalisierung die Umwandlung eines Werts aus den Daten in einen binären Wert enthalten (z. B. ist der normalisierte Wert null, wenn der ursprüngliche Wert unter einem Schwellenwert liegt, und ansonsten eins). In einer anderen Ausführungsform kann die Normalisierung eine Transformation und/oder Projektion eines Werts aus den Daten in einen anderen Satz von Koordinaten oder in einen bestimmten Wertebereich beinhalten. Zum Beispiel können reale Werte aus den Daten in das Intervall [0,1] projiziert werden. In einem weiteren Beispiel kann die Normalisierung die Konvertierung von Werten, die aus den Daten gemäß einer Verteilung abgeleitet wurden, beinhalten, wie z. B. die Konvertierung der Werte in z-Werte nach bestimmten Parametern einer Normalverteilung.
  • In einigen Ausführungsformen können Daten, die zur Generierung eines Samples verwendet werden, Merkmalsgenerierungsfunktionen bereitgestellt werden. Optional ist eine Merkmalsgenerierungsfunktion eine Funktion, die einen Input empfängt, der einen oder mehrere der in den Daten enthaltenen Werte umfasst, und einen Wert generiert, der als ein Merkmal in dem Sample verwendet wird.
  • In einer Ausführungsform kann eine Merkmalsgenerierungsfunktion jede Form von Prädiktor sein, die mindestens einige der Werte empfängt, die in den zur Generierung des Samples verwendeten Daten umfasst sind, und ein Ergebnis produziert, aus dem ein in dem Sample umfasster Merkmalswert abgeleitet wird. Merkmalsgenerierungsfunktionen können beispielsweise verschiedene Bildanalyse-Algorithmen (z. B. Objekterkennungs-Algorithmen, Gesichtserkennungs-Algorithmen, Aktionserkennung-Algorithmen etc.), Audioanalyse-Algorithmen (z. B. Spracherkennung) und/oder andere Algorithmen umfassen. Weitere Beispiele von Datenquellen und Berechnungverfahren, die zur Generierung von Merkmalen verwendet werden können, werden im Abschnitt 5 (Identifizierung von Ereignissen) beschrieben.
  • In einer weiteren Ausführungsform kann eine Merkmalsgenerierungsfunktion eine Funktion sein, die einen oder mehrere Merkmalswerte auf der Grundlage des Werts eines ihr bereitgestellten Bezugspunkts generiert. Beispielsweise kann eine Merkmalsgenerierungsfunktion einen in den Daten enthaltenen Bezugspunkt empfangen, der einen zu einem bestimmten Bereich gehörenden Wert hat (z. B. 0–10000 mg Natrium in der Nahrung), und die Funktion wird anhand dieses Werts ein bestimmtes Indikator-Merkmal generieren, das einen von Wert eins hat, wenn der Wert des Bezugspunkts in einem bestimmten Bereich liegt, und das ansonsten einen Wert von null hat. In diesem Beispiel kann die Merkmalsgenerierungsfunktion eines von drei Merkmalen auswählen, das den Wert eins erhalten wird: ein erstes Merkmal, wenn der Wert des Bezugpunkts im Bereich [0] liegt, was einem „niedrigen Natriumgehalt” entsprechen kann, ein zweites Merkmal, wenn der Wert des Bezugpunkts im Bereich [150] liegt, was einem „mittleren Natriumgehalt” entsprechen kann, und ein drittes Merkmal, wenn der Wert des Bezugpunkts über 300 liegt, was einem „hohen Natriumgehalt” entsprechen kann.
  • In einigen Ausführungsformen können die zur Generierung eines Samples verwendeten Daten sehr umfangreich sein und durch viele Werte (z. B. hochdimensionale Daten) dargestellt werden. Das Vorhandensein von hochdimensionalen Daten kann in einigen Fällen zu einer hohen Rechenbelastung und/oder zu einer reduzierten Genauigkeit der Prädiktoren und/oder Schätzer, die diese Daten bearbeiten, führen. Folglich können die Samples in einigen Ausführungsformen als Teil der Vorverarbeitung einer oder mehreren Formen der Dimensionalitätsreduktion und/oder Merkmalsauswahl unterzogen werden. Eine Dimensionalitätsreduktion kann beispielsweise unter Verwendung von Verfahren wie Hauptkomponentenanalyse (PCA), lineare Diskriminanzanalyse (LDA) und/oder kanonische Korrelationsanalyse (CCA) erreicht werden. In einem weiteren Beispiel kann eine Dimensionalitätsreduktion unter Verwendung von Zufallsprojektionen und/oder eines ortssensitiven Hashings erreicht werden. In einem weiteren Beispiel kann eine bestimmte Teilmenge der möglichen Merkmale für die Verwendung durch einen Prädiktor und/oder Schätzer ausgewählt werden, wie z. B. durch verschiedene, auf dem Gebiet der Technik bekannte Filter, Wrapper und/oder eingebettete Merkmalsauswahlverfahren.
  • In einigen Ausführungsformen können Prädiktoren und Schätzer als Modelle umfassend und/oder verwendend beschrieben werden. Ein Modell, das in einem Prädiktor und/oder Schätzer enthalten ist und/oder durch einen Prädiktor und/oder Schätzer verwendet wird, kann Parameter enthalten, die durch den Prädiktor und/oder Schätzer zur Berechnung eines Labels verwendet werden. Nicht einschränkende Beispiele solcher Parameter umfassen: Stützvektoren (z. B. von einer SVM verwendet), Punkte in einem multidimensionalen Raum (z. B. durch einen Nächste-Nachbarn-Prädiktor verwendet), Regressionskoeffizienten, Verteilungsparameter (z. B. durch ein graphisches Modell verwendet), Topologieparameter und/oder Gewichtungsparameter (z. B. durch ein neuronales Netz verwendet). Wenn ein Modell Parameter enthält, die wie in dem obigen Beispiel zur Berechnung eines Labels verwendet werden, können die Begriffe „Modell”, „Prädiktor” und/oder „Schätzer” (und Derivate dieser Begriffe) hierin gelegentlich synonym verwendet werden. Somit sind zum Beispiel der Ausdrücke „ein Modell, das vorhersagt” oder „ein zur Schätzung verwendetes Modell” akzeptabel. Darüber hinaus können Ausdrücke wie „Training eines Prädiktors” und dergleichen als Training eines durch den Prädiktor verwendeten Modells interpretiert werden. Des Weiteren kann eine einen Prädiktor und/oder Schätzer betreffende Diskussion als in Bezug auf Parameter eines durch den Prädiktor und/oder Schätzer verwendeten Modells interpretiert werden.
  • Die Art und Menge der Trainingsdaten, die zum Training eines durch einen Prädiktor und/oder Schätzer verwendeten Modells benutzt werden, kann einen drastischen Einfluss auf die Qualität der durch den Prädiktor und/oder Schätzer produzierten Ergebnisse haben. Im Allgemeinen gilt, dass je mehr Daten für das Training eines Modells zur Verfügung stehen und je ähnlicher die Trainingssamples den Samples sind, mit denen der Prädiktor und/oder Schätzer verwendet werden wird (auch als Testsamples bezeichnet), desto genauer werden die Ergebnisse für die Testsamples wahrscheinlich sein. Daher kann es beim Training eines Modells, das mit einen bestimmten Benutzer betreffenden Samples verwendet werden wird, von Vorteil sein, Trainingsdaten von dem Benutzer zu erfassen (z. B. Daten, die Messwerte des bestimmten Benutzers umfassen). In einem solchen Fall kann ein Prädiktor als ein „personalisierter Prädiktor” bezeichnet werden und kann ein Schätzer entsprechend als ein „personalisierte Schätzer” bezeichnet werden.
  • Das Training eines Prädiktors und/oder eines Schätzers und/oder die Verwendung des Prädiktors und/oder des Schätzers kann unter Verwendung verschiedener Computersystemarchitekturen erfolgen. Insbesondere können einige Architekturen eine einzelne Maschine und/oder einen einzelnen Prozessor beinhalten, während andere Architekturen verteilt sein und viele Prozessoren beinhalten können (z. B. möglicherweise Tausende oder mehr Prozessoren auf verschiedenen Maschinen). Beispielsweise können einige Prädiktoren mit verteilten Architekturen wie Hadoop unter Verwendung von verteilten, auf maschinellem Lernen basierten Algorithmen trainiert werden. In diesem Beispiel ist es möglich, dass jeder Prozessor nur auf einen Teil der Trainingsdaten zugreifen kann. Ein weiteres Beispiel für eine verteilte Architektur, die in einigen Verkörperungen genutzt werden kann ist eine Erhaltung der Privatsphäre Architektur, in der Benutzer ihre eigenen Daten verarbeiten. In diesem Beispiel eine verteilte Maschine lernen, dass Trainingsalgorithmus einen bestimmten Teil der Ausbildung-Prozedur, die von Benutzern, jede Verarbeitung ihrer eigenen Daten durchgeführt werden kann und die Bereitstellung von Statistiken aus den Daten, anstatt die Daten selbst berechnet. Das verteilte Training-Verfahren kann dann die Statistik aggregieren, um ein Modell für das Tippspiel zu erzeugen.
  • In einigen Ausführungsformen, wenn ein ERP- und/oder ESE ausgebildet wird auf Daten aus mehreren Benutzern, die auch Informationen über spezifische Details in der Probe, wie Details über einen Benutzer, eine Erfahrung, und/oder eine Instanziierung eines Ereignisses bezogen auf eine Stichprobe, kann sie als "verallgemeinerbare" ERP- und/oder ESE. Hierin, Verallgemeinerbarkeit im Rahmen der ERPs und Ese kann so interpretiert werden, dass sie in der Lage zu lernen von Daten für bestimmte Benutzer und/oder Erfahrungen, und diese Lehren für andere Benutzer und/oder Erfahrungen (in Ausbildung). So kann beispielsweise eine verallgemeinerbare ERP kann zu machen "generalisierten" Vorhersagen für die Proben wurden nicht in den Trainingsdaten ("Allgemein" Proben).
  • Wenn ein Prädiktor und/oder ein Schätzer (z. B. ein EZS) mit von mehreren Benutzern erfassten Daten trainiert wird, können seine Prognosen emotionaler Zustände und/oder Reaktionen als zu einem repräsentativen Benutzer gehörende Prognosen gelten. Es ist darauf hinzuweisen, dass der repräsentative Benutzer tatsächlich nicht einem realen einzelnen Benutzer, sondern eher einem „Durchschnitt” einer Vielzahl von Benutzern entsprechen kann.
  • Es ist zu beachten, dass in dieser Offenbarung, bezieht sich auf ein Modul (z. B. ein Prädiktor, eines Schätzers, ein Event Edit, usw.) und/oder ein Modell als "Geschult" bedeutet, dass die Daten für die Ausbildung des Moduls und/oder Modell. So Ausdrücke der Form "ausgebildet" kann synonym verwendet mit Ausdrücken wie "trainiert", "Nutzung", ausgebildet und dergleichen.
  • In anderen Verkörperungen, wenn ein Modell, das durch einen Prädiktor und/oder Schätzer (z.b. eine ESE und/oder ein ERP), ist ausgebildet in erster Linie auf Daten, die mit einem bestimmten Benutzer, das Kommandogerät und/oder Schätzer bezeichnet werden kann als eine "personalisierte" oder "Persönlich" für die bestimmte Benutzer. Hierin ausgebildet werden hauptsächlich auf Daten, die mit einem bestimmten Benutzer bedeutet, dass mindestens 50% der Ausbildung Gewicht beigemessen wird auf die Proben mit der bestimmte Benutzer und/oder dass das Training Gewicht gegeben, Proben mit den bestimmter Benutzer mindestens das Doppelte der Ausbildung Gewicht auf die Proben an andere Benutzer. Optional werden die Trainingsdaten für die Ausbildung einer personalisierten ERP und/oder ESE für einen bestimmten Benutzer durch ein Software-Agent im Auftrag des Benutzers bestimmte operative gesammelt. Verwendung durch den Software-Agent kann in einige Verkörperungen die Privatsphäre des Nutzers bestimmte, erhöhen, da gibt es keine Notwendigkeit, rohe Messungen liefern, die möglicherweise aufschlussreicher über den Benutzer als vorhergesagte emotionale Reaktionen. Zusätzlich oder alternativ kann dies erhöht auch die Genauigkeit der Vorhersagen für die bestimmte Benutzer, da eine personalisierte Prädiktor auf Daten trainiert wird über spezifische Natur der bestimmten affektiven Antworten des Benutzers.
  • In einigen Ausführungsformen kann ein durch einen EZS zurückgegebenes Label einen affektiven Wert darstellen. Insbesondere kann ein durch einen EZS zurückgegebenes Label in einigen Ausführungsformen eine affektive Reaktion darstellen, wie beispielsweise einen Wert eines physiologischen Signals (z. B. Hautleitwert, eine Herzfrequenz) und/oder eines Verhaltenssignals (z. B. Herumzappeln, Stirnrunzeln oder Erröten). In anderen Ausführungsformen kann ein durch einen EZS zurückgegebenes Label ein Wert sein, der eine Art von emotionaler Reaktion darstellt und/oder aus einer emotionalen Reaktion abgeleitet ist. Beispielsweise kann das Label indikativ für ein Maß an Interesse sein und/oder dafür, ob die Reaktion als positiv oder negativ klassifiziert werden kann (z. B. „mögen” oder „nicht mögen”). In einem weiteren Beispiel kann ein Label ein Wert zwischen null und zehn sein, der indikativ dafür ist, viel hoch der Grad des Erfolgs einer Erfahrung aus der Sicht des Benutzers war (wie durch die affektive Reaktion des Benutzers ausgedrückt).
  • Ein Prädiktor, der eine affektive Reaktion auf ein Ereignis auf der Grundlage von Attributen des Ereignisses prognostiziert, wird hierin als ein Emotionsreaktions-Prädiktor (ERP) bezeichnet. Die Samples, die zum Trainieren eines ERP verwendet und/oder einem ERP für eine Prognose bereitgestellt werden, können Merkmalswerte umfassen, die aus Beschreibungen von Ereignissen abgeleitet werden (die Beschreibungen von Ereignissen werden zumindest im Abschnitt 4 (Ereignisse) ausführlicher beschrieben). In einigen Ausführungsformen wird beispielsweise jedes zu einem Ereignis τ = (u, e) gehörende Sample aus einer Beschreibung des Ereignisses τ abgeleitet und wird das Label für das Sample aus einem zu τ gehörenden Messwert m (d. h. aus einem Messwert des Benutzers u hinsichtlich des Erlebens der Erfahrung e) abgeleitet. Optional umfasst ein zu einem Ereignis τ = (u, e) gehörendes Sample Merkmalswerte, die den zu dem Ereignis gehörenden Benutzer u, die zu dem Ereignis gehörende Erfahrung e und/oder Bedingungen in Bezug auf die Instanziierung des Ereignisses τ beschreiben. In einigen Ausführungsformen können zumindest einige der Merkmalswerte, die ein Teil der einem ERP bereitgestellten Samples sind, Faktoren von Ereignissen sein und/oder sich aus den Faktoren der Ereignisse ergeben (die Faktoren von Ereignissen werden zumindest im Abschnitt 12 (Faktoren von Ereignissen) ausführlicher erörtert).
  • In den hierin beschriebenen Ausführungsformen können verschiedene auf maschinellem Lernen basierende Prädiktoren durch ERP verwendet werden. Beispiele hierfür sind unter anderem Nächste-Nachbarn-Prädiktoren, Support-Vector-Regression (SVR), Regressionsmodelle, neuronale Netze und/oder Entscheidungsbäume. Darüber hinaus kann das Training dieser Prädiktoren unter Verwendung verschiedener überwachter oder semi-überwachter Methoden erfolgen, wobei zumindest einige oder alle der Trainingsdaten Samples beinhalten, die aus Ereignisbeschreibungen abgeleitetete Merkmalswerte und Labels umfassen, die aus zu den Ereignissen gehörenden Messwerten der affektiven Reaktion abgeleitet werden. Weitere Informationen zum Training von Prädiktoren wie etwa ERP sind oben in der Erörterung der Prädiktoren zu finden.
  • In einigen Ausführungsformen kann der Raum der Merkmale (z. B. Faktoren von Ereignissen), die in den einem ERP bereitgestellten Samples enthalten sein können, groß und/oder dünn besetzt sein. Zum Beispiel kann eine große Menge von Merkmalen verwendet werden, wobei jedes Merkmal einen bestimmten Aspekt eines Ereignisses (z. B. eine Eigenschaft eines Objekts, ein Element eines Inhalts, eine Eigenschaft eines Bilds usw.) beschreibt. Einige Ausführungsformen umfassen die Anwendung einer oder mehrerer Methoden zur Merkmalsselektion und/oder Dimensionalitätsreduktion zur Verbesserung der Berechnungseffizienz und/oder -genauigkeit von Prädiktoren des ERP.
  • In verschiedenen Ausführungsformen kann die Anzahl der Ereignisse, die überwacht werden, recht groß sein, wodurch die ERP in den häufig als „Big Data” bezeichneten Bereich gebracht werden. Zum Beispiel kann das Trainieren eines ERP die Erfassung von Daten vieler Benutzer über einen langen Zeitraum beinhalten, wobei die Daten viele Erfahrungen betreffen – möglicherweise Dutzende oder Hunderte Erfahrungen pro Tag, wenn nicht noch mehr. In Verbindung mit der Tatsache, dass die Beschreibungen von Ereignissen ergiebig sein können (d. h. sie können viele Merkmalswerte umfassen), ermöglicht dies, dass die ERP sowohl komplexe Lernalgorithmen (z. B. mit tiefen Lernarchitekturen) anwenden als auch generalisierbare ERP sind. Die Generalisierbarkeit der ERP kann diese Module dazu befähigen, Modelle zu trainieren und generalisierte Prognosen zu erstellen, die relativ präzise für andere Samples sind, die nicht in den Trainingsdaten enthalten waren. In einem Beispiel können die anderen Samples zu Ereignissen gehören, die Benutzer betreffen, die keine sie in die Trainingsdaten einbeziehenden Samples haben. In einem anderen Beispiel können die anderen Samples zu Ereignissen gehören, die Erfahrungen betreffen, die keine sie in die Trainingsdaten einbeziehenden Samples haben. Und in einem weiteren Beispiel kann die Generalisierungsmöglichkeit eines ERP auf Fälle ausgedehnt werden, die Ereignisse betreffen, bei denen weder der zugehörige Benutzer, noch die zugehörige Erfahrung in den Trainingsdaten aufgetreten sind.
  • In einigen Ausführungsformen kann ein Sample für einen ERP einen oder mehrere Merkmalswerte umfassen, die einen Basislinienwert des Benutzers beschreiben, der zu dem Ereignis gehört, zu dem das Sample gehört. Optional kann der Basislinienwert der affektiven Reaktion aus einem Messwert der affektiven Reaktion des Benutzers (z. B. ein früherer, vor der Instanziierung des Ereignisses erfasster Messwert) abgeleitet werden und/oder ein prognostizierter Wert (z. B. berechnet auf der Grundlage von Messwerten anderer Benutzer und/oder eines Modells für Basislinienwerte der affektiven Reaktion) sein. Optional ist die Basislinie eine situationsspezifische Basislinie, entsprechend einer bestimmten Situation, in der sich der zu dem Ereignis gehörende Benutzer bei dem Erleben der zu dem Ereignis gehörenden Erfahrung befindet.
  • In einigen Ausführungsformen kann der Baislinienwert verwendet werden, um die affektive Reaktion des zu dem Ereignis gehörenden Benutzers auf die zu dem Ereignis gehörende Erfahrung besser zu prognostizieren. Zum Beispiel kann die Kenntnis eines Anfangszustands (Basislinienzustands) des Benutzers dabei helfen, den Endzustand des Benutzers nach dem Erleben der zu dem Ereignis gehörenden Erfahrung zu bestimmen. Außerdem kann ein Benutzer basierend auf seinem Zustand beim Erleben der Erfahrung unterschiedlich auf eine Erfahrung reagieren. Zum Beispiel kann ein Benutzer auf bestimmte Erfahrungen (z. B. Sprechen mit einer bestimmten Person oder Erledigen einer bestimmten Aufgabe) positiv reagieren, wenn er ruhig ist. Die Antwort des Benutzers auf eine Erfahrung kann jedoch recht unterschiedlich sein, wenn der Benutzer vor dem Erleben der Erfahrung aufgeregt ist. Zum Beispiel kann der Benutzer durch den Umgang mit der Person (der gegenüber er positiv reagiert, wenn er ruhig ist) sehr verärgert sein oder sehr ungeduldig und wütend bei der Durchführung der Aufgabe sein (was nicht geschieht, wenn der Benutzer ruhig ist). Solche Unterschiede in der Reaktion auf dieselbe Erfahrung können von dem emotionalen und/oder physiologischen Zustand des Benutzers abhängen, der zumindest bis zu einem gewissen Grad durch einen Basislinienwert bestimmt werden kann.
  • In einigen Ausführungsformen kann ein ERP als ein Prädiktor von zu Ereignissen gehörenden Messwerten dienen, z. B. als ein Prädiktor eines zu einem Ereignis gehörenden Basislinienwerts der affektive Reaktion. Optional kann ein durch den ERP empfangenes Sample bestimmte Merkmalwerte umfassen, die allgemeine Attribute des Ereignisses beschreiben. Beispielsweise können solche allgemeinen Attribute Merkmale in Bezug auf den Benutzer, eine Situation des Benutzers und/oder Attribute in Bezug auf die zu dem Ereignis gehörende Erfahrungen im Allgemeinen (z. B. die Art der Erfahrung) umfassen. Optional umfasst das Sample keine bestimmten Merkmalswerte, die Einzelheiten der Instanziierung des Ereignisses (z. B. Angaben über die Qualität der Erfahrung, die der Benutzer hatte) beschreiben. Somit kann eine Prognose, die auf der Grundlage allgemeiner und nicht spezifischer Attribute erstellt wird, ein erwartetes Basisniveau beschreiben; spezifische Einzelheiten der Instanziierung (z. B. in Bezug auf die Qualität der Erfahrung in der Instanziierung des Ereignisses) können eine Abweichung von dem prognostizierten Basisniveau bewirken.
  • Ein Prädiktor und/oder ein Schätzer, der ein Query-Sample empfängt, das aus einem Messwert der affektiven Reaktion eines Benutzers abgeleitete Merkmale umfasst, und einen Wert zurückgibt, der indikativ für einen zu dem Messwert gehörenden emotionalen Zustand ist, kann als ein auf Messwerten basierender Prädiktor und/oder Schätzer eines emotionalen Zustands, d. h. als ein Emotionszustands-Schätzer und/oder ein EZS, bezeichnet werden. Optional kann ein EZS neben dem Messwert der affektiven Reaktion zusätzliche Werte als Input empfangen, wie z. B. Werte, die zu einem Ereignis gehören, zu dem der Messwert gehört. Optional kann ein durch den EZS zurückgegebenes Ergebnis indikativ für einen emotionalen Zustand des Benutzers sein, der mit einer bestimmten durch den Benutzer zu dem Zeitpunkt gefühlten Emotion verbunden sein kann, wie beispielsweise Glück, Wut und/oder Gelassenheit, und/oder kann ein durch den EZS zurückgegebenes Ergebnis indikativ für das Niveau einer emotionalen Reaktion sein, wie z. B. das Ausmaß des Glücks, das der Benutzer fühlt. Zusätzlich oder alternativ kann ein durch den EZS zurückgegebenes Ergebnis ein affektiver Wert sein, z. B. ein Wert, der angibt, wie gut sich der Benutzer auf einer Skala von 1 bis 10 fühlt.
  • Wenn ein Prädiktor und/oder ein Schätzer (z. B. ein EZS) mit von mehreren Benutzern erfassten Daten trainiert wird, können seine Prognosen emotionaler Zustände und/oder Reaktionen als zu einem repräsentativen Benutzer gehörende Prognosen gelten. Es ist darauf hinzuweisen, dass der repräsentative Benutzer tatsächlich nicht einem realen einzelnen Benutzer, sondern eher einem „Durchschnitt” einer Vielzahl von Benutzern entsprechen kann.
  • In einigen Ausführungsformen kann ein durch einen EZS zurückgegebenes Label einen affektiven Wert darstellen. Insbesondere kann ein durch einen EZS zurückgegebenes Label in einigen Ausführungsformen eine affektive Reaktion darstellen, wie beispielsweise einen Wert eines physiologischen Signals (z. B. Hautleitwert, eine Herzfrequenz) und/oder eines Verhaltenssignals (z. B. Herumzappeln, Stirnrunzeln oder Erröten). In anderen Ausführungsformen kann ein durch einen EZS zurückgegebenes Label ein Wert sein, der eine Art von emotionaler Reaktion darstellt und/oder aus einer emotionalen Reaktion abgeleitet ist. Beispielsweise kann das Label indikativ für ein Maß an Interesse sein und/oder dafür, ob die Reaktion als positiv oder negativ klassifiziert werden kann (z. B. „mögen” oder „nicht mögen”). In einem weiteren Beispiel kann ein Label ein Wert zwischen null und zehn sein, der indikativ dafür ist, viel hoch der Grad des Erfolgs einer Erfahrung aus der Sicht des Benutzers war (wie durch die affektive Reaktion des Benutzers ausgedrückt).
  • Es gibt verschiedene Methoden, die durch einen EZS angewendet werden können, um emotionale Zustände anhand eines Messwerts der affektiven Reaktion zu schätzen. Beispiele für allgemeine maschinelle Lernalgorithmen, die angewendet werden können, finden sich oben in der allgemeinen Diskussion der Prädiktoren und Schätzer. Darüber hinaus gibt es verschiedene Methoden, die speziell für die Schätzung emotionaler Zustände auf der Grundlage von Messwerten der affektiven Reaktion bestimmt sind. Einige nicht einschränkende Beispiele für in der Literatur beschriebene Methoden, die in einigen Ausführungsformen angewendet werden können: (i) physiologisch-basierte Schätzer wie beschrieben in Tabelle 2 in: van den Broek, E.L., et al. (2010) „Prerequisites for Affective Signal Processing(ASP) – Part II." in: Third International Conference on Bio-Inspired Systems and Signal Processing, Biosignals 2010; (ii), Audio- und bildbasierte Schätzer wie beschrieben in den Tabellen 2–4 in: Zeng, Z., et al. (2009) „A Survey of Affect Recognition Methods: Audio, Visual, and Spontaneous Expressions" in IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 31(1), 39–58; (iii) Emotionszustands-Schätzungen aus EEG-Signalen können unter Verwendung von Methoden durchgeführt werden, die beschrieben werden in: Kim et al. (2013) „A review on the computational methods for emotional state estimation from the human EEG" in Computational and mathematical methods in medicine, Vol. 2013, Article ID 573734; (iv) Emotionszustands-Schätzungen aus EEG-Signalen und anderen peripheren Signalen (z. B. GHR) können durchgeführt werden unter Verwendung der Lehren von: Chanel, Guillaume, et al. „Emotion assessment from physiological signals for adaptation of game difficulty" in IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 41.6 (2011): 1052–1063; und/oder (v) Emotionszustands-Schätzungen aus Körpersprache (z. B. Körperhaltung und/oder Körperbewegungen) können unter Verwendung von Methoden durchgeführt werden, die beschrieben werden in: Dael et. al. (2012), „Emotion expression in body action and posture", Emotion, 12(5), 1085.
  • In einigen Ausführungsformen kann ein EZS Schätzungen auf der Grundlage eines Messwerts der affektiven Reaktion abgeben, der Daten von mehreren Arten von Sensoren (in der Literatur oft als mehrere Modalitäten bezeichnet) umfasst. Dies kann optional die Zusammenführung von Daten aus den mehreren Modalitäten beinhalten. Es können verschiedene Arten von Datenfusionsverfahren angewendet werden, zum Beispiel Fusion auf der Merkmalsebene, Fusion auf der Entscheidungsebene oder Fusion auf der Modellebene, wie beschrieben in: Nicolaou et al. (2011), „Continuous Prediction of Spontaneous Affect from Multiple Cues and Modalities in Valence-Arousal Space", IEEE Transactions on Affective Computing. Ein weiteres Beispiel für die Verwendung von fusionsbasierten Schätzern des emotionalen Zustands findet sich in: Schels et al. (2013), „Multi-modal classifier-fusion for the recognition of emotions", Kapitel 4 in Coverbal synchrony in Human-Machine Interaction. Die Vorteile der multimodalen Fusion beinhalten typischerweise einen höheren Widerstand gegenüber Rauschen (z. B. verrauschte Sensormessungen) und fehlenden Daten, was zu einer besseren Affekterfassung im Vergleich zur Affekterfassung aus einer einzigen Modalität führen kann. Zum Beispiel wurde in der durch D'mello und Kory beschriebenen Metanalyse (D'mello and Kory (2015), „A Review and Meta-Analysis of Multimodal Affect Detection Systems" in ACM Computing Surveys (CSUR) 47.3: 43) festgestellt, dass multimodale Affektsysteme in 85 % der untersuchten Systeme genauer als ihre unimodalen Pendants sind.
  • In einer Ausführungsform kann ein EZS neben einem Messwert der affektiven Reaktion eines Benutzers einen zu dem Benutzer gehörenden Basislinienwert der affektiven Reaktion als Input empfangen. Optional kann der Basislinienwert der affektiven Reaktion aus einem anderen Messwert der affektiven Reaktion des Benutzers (z. B. ein früherer Messwert) abgeleitet sein und/oder ein vorhergesagter Wert (z. B. auf der Grundlage von Messwerten anderer Benutzer und/oder eines Modells für Basislinienwerte der affektiven Reaktion) sein. Durch die Berücksichtigung des Basislinienwerts der affektiven Reaktion (z. B. durch Normalisierung des Messwerts der affektiven Reaktion gemäß der Basislinie) kann der EZS in einigen Ausführungsformen einen emotionalen Zustand eines Benutzers genauer auf der Grundlage des Messwerts der affektiven Reaktion schätzen.
  • In einigen Ausführungsformen kann ein EZS als Teil des Inputs (zusätzlich zu einem Messwert der affektiven Reaktion) zusätzliche Informationen empfangen, die Merkmalswerte in Bezug auf den Benutzer, die Erfahrung und/oder das Ereignis, zu denen der Messwert gehört, umfassen. Optional ergeben sich zusätzliche Informationen aus einer Beschreibung eines Ereignisses, zu dem der Messwert gehört.
  • In einer Ausführungsform werden die zusätzlichen Informationen zur Bereitstellung eines Kontexts für den Messwert in Bezug auf den Benutzer, die Erfahrung und/oder Ereignis, zu denen der Messwert gehört, verwendet. Beispielsweise kann sich der Kontext auf bestimmte Eigenschaften des Benutzers, der Erfahrung und/oder des Ereignisses, zu denen der Messwert gehört, beziehen, und kann folglich der geschätzte emotionale Zustand des EZS hinsichtlich des Benutzers, der Erfahrung und/oder des Ereignisses, zu denen der Messwert gehört, genauer sein, wenn der EZS den Kontext berücksichtigt. Die Kenntnis des Kontexts in Bezug auf einen Messwert kann hilfreich sein, da es abhängig von den verwendeten Sensoren in einigen Ausführungsformen der Fall sein kann, dass dieselben Signalwerte unter verschiedenen Bedingungen zu verschiedenen Emotionen (z. B. extreme Aufregung oder hoher Stress) gehören. Die Kenntnis des Kontexts (z. B. das Spielen eines schwierigen Levels in einem Spiel oder das Hören eines Geräuschs während des Alleinseins auf einem dunklen Parkplatz) kann bei der Entscheidung darüber helfen, welche Emotion der Benutzer hat.
  • Der Kontext kann angegeben werden, indem eine Situation, in der sich der Benutzer bei der Erfassung eines Messwerts befand, identifiziert wird. Beispiele für Situationen können eine Stimmung des Benutzers, einen Gesundheitszustand des Benutzers, die Art der Tätigkeit, die der Benutzer durchführt (z. B. Entspannen, Ausüben von Sport, Arbeiten und/oder Einkaufen), den Ort, an dem der Benutzer ist (z. B. zu Hause, in der Öffentlichkeit oder am Arbeitsplatz), und/oder das Aufmerksamkeitsniveau des Benutzers umfassen. Die zusätzlichen Situationsinformationen können durch den EZS verwendet werden, um die Schätzung des emotionalen Zustands des Benutzers aus dem Messwert zu verbessern. In einem Beispiel kann der EZS Werte je nach der Situation (z. B. gemäß situationsspezifischer Basislinien) normalisieren. In einem anderen Beispiel kann der EZS bestimmte Modelle auf der Grundlage der zusätzlichen Informationen zur Verwendung auswählen (z. B. Auswahl eines situationsspezifischen Modells, mit dem der Messwert der affektiven Reaktion verarbeitet wird). Beispielsweise können separate Modelle durch einen EZS für verschiedene Situationen eines Benutzers verwendet werden, wie beispielsweise für Situationen, in denen der Benutzer zu Hause oder draußen ist oder in denen der Benutzer alleine oder in einer Gruppe ist. In einem weiteren Beispiel können separate Modelle für unterschiedliche Arten von Erfahrungen verwendet werden. Beispielsweise kann ein erstes Modell verwendet werden, um emotionale Zustände aus Messwerten der affektiven Reaktion auf Erfahrungen zu bestimmen, die als überwiegend körperliche Betätigung gelten (z. B. Radfahren oder Joggen), während ein zweites Modell für Erfahrungen verwendet werden kann, die als überwiegend mentale Tätigkeiten (z. B. Aufnahme digitaler Inhalte) gelten können.
  • In einer Ausführungsform können zusätzliche, durch einen EZS empfangene Informationen Informationen umfassen, die aus einer semantischen Analyse der Kommunikationen eines Benutzers abgeleitet wurden. Die Wahl der Worte, die ein Benutzer zur Kommunikation verwendet, kann (neben der Art, wie der Benutzer die Worte sagt) indikativ für die ausgedrückt Emotion sein. Beispielsweise kann eine semantische Analyse helfen festzustellen, ob ein Benutzer sehr aufgeregt oder sehr wütend ist. Es ist darauf hinzuweisen, dass eine semantische Analyse als die Bestimmung der Bedeutung einer Kommunikation auf der Grundlage ihres Inhalts interpretiert wird (z. B. eine Textdarstellung der Kommunikation) und nicht auf der Grundlage von Merkmalen in Bezug auf die Art, in der ein Benutzer kommuniziert (z. B. Eigenschaften der Stimme des Benutzers, die Anzeichen für einen emotionalen Zustand sein können).
  • In einer anderen Ausführungsform können zusätzliche, durch einen EZS empfangene Informationen Informationen umfassen, die aus Aktionen zur Überwachung des Benutzers und/oder aus Eye-Tracking-Daten des Benutzers abgeleitet wurden, die indikativ dafür sind, was der Benutzer tut und/oder worauf der Benutzer seine Aufmerksamkeit richtet.
  • In einer weiteren Ausführungsform können zusätzliche, durch einen EZS empfangene Informationen Informationen enthalten, die aus Messwerten der Umgebung, in der sich der Benutzer befindet, abgeleitet wurden. Beispielsweise können die zusätzlichen Informationen Werte umfassen, die indikativ für eine oder mehrere der folgenden Umgebungsparameter sind: Temperatur, Luftfeuchtigkeit, Niederschlagsmenge, Geräuschpegel, Grad der Luftverschmutzung, Allergenbelastung, Tageszeit und Grad der Umgebungsbeleuchtung.
  • In einigen Ausführungsformen kann ein EZS benutzt werden, um anhand von Messwerten der affektiven Reaktion eines oder mehrerer Benutzer zu evaluieren, ob der eine oder die mehreren Benutzer in einem emotionalen Zustand sind, der sich durch eine bestimmte affektive Reaktion manifestieren kann. Optional manifestiert sich die bestimmte affektive Reaktion durch Änderungen der Werte mindestens einer der folgenden Arten von Messwerten: Messwerte physiologischer Signale des einen Benutzers oder der mehreren Benutzer und Messwerte von Verhaltenssignalen des einen Benutzers oder der mehreren Benutzer. Optional sind die Änderungen der Werte Manifestationen einer zumindest gewissen Zunahme oder Abnahme des Grads von mindestens einer der folgenden Emotionen: Schmerz, Angst, Verdruss, Stress, Aggression, Ärger, Furcht, Traurigkeit, Müdigkeit, Apathie, Wut, Glück, Zufriedenheit, Gelassenheit, Aufmerksamkeit, Zuneigung und Aufregung. Optional wird ein EZS genutzt, um eine zumindest gewisse Zunahme des Grads von mindestens einer der oben genannten Emotionen zu erkennen.
  • In einer Ausführungsform erfolgt die Feststellung, ob ein Benutzer eine bestimmte affektive Reaktion erlebt, unter Verwendung eines Modells, das mit Daten trainiert wurde, die Messwerte der affektiven Reaktion des Benutzers umfassen, die erfasst wurden, während der Benutzer die bestimmte affektive Reaktion erlebte (z. B. Messwerte, die erfasst wurden, während der Benutzer glücklich oder traurig war). Optional erfolgt die Feststellung, ob ein Benutzer eine bestimmte affektive Reaktion erlebt, unter Verwendung eines Modells, das mit Daten trainiert wurde, die Messwerte der affektiven Reaktion anderer Benutzer umfassen die erfasst wurden, während die anderen Benutzer die bestimmte affektive Reaktion erlebten.
  • In einigen Ausführungsformen können bestimmte Werte von Messwerten der affektiven Reaktion und/oder Änderungen bestimmter Werten von Messwerten der affektiven Reaktion allgemein als dem Erleben eines bestimmten emotionalen Zustands entsprechend interpretiert werden. Zum Beispiel kann eine Zunahme der Herzfrequenz und der Transpiration (z. B. mit GHR gemessen) einem emotionalen Zustand der Furcht entsprechen. Somit kann jedweder EZS in einigen Ausführungsformen als insofern „generalisiert” gelten, als dass er erfolgreich zur Einschätzung der emotionalen Zustände von Benutzern verwendet werden kann, die keine Messwerte der affektiven Reaktion zu den Trainingsdaten beigetragen haben. In anderen Ausführungsformen können die oben beschriebenen Kontextinformationen, die ein EZS empfangen kann, helfen, den EZS generalisierbar und nützlich für die Interpretation von Messwerten von Benutzern zu machen, die keine Messwerte zu den Trainingsdaten beigetragen haben und/oder für die Interpretation von Messwerten von Erfahrungen, die nicht in den Trainingsdaten vertreten sind.
  • In einer Ausführungsform kann ein für einen bestimmten Benutzer personalisierter EZS genutzt werden, um Messwerte der affektiven Reaktion des bestimmten Benutzers zu interpretieren. Optional wird der personalisierte EZS durch einen im Namen des bestimmten Benutzers operierenden Software-Agenten verwendet, um die Bedeutung von Messwerten der affektiven Reaktion des Benutzers besser zu interpretieren. Beispielsweise kann ein personalisierter EZS die persönlichen Neigungen, Eigenheiten, individuellen Verhaltensmuster, Manieren und/oder Macken hinsichtlich der Art, wie ein Benutzer bestimmte Emotionen ausdrückt, besser widerspiegeln. Indem ein Software-Agent in der Lage ist, einen Benutzer über lange Zeiträume, in verschiedenen Situationen und beim Erleben unterschiedlicher Erfahrungen zu überwachen, kann ein Software-Agent möglicherweise affektive Reaktionen „seines” Benutzers (des Benutzers, in dessen Namen er operiert) beobachten, wenn der Benutzer verschiedene Emotionen äußert. Somit kann der Software-Agent ein Modell erlernen, das beschreibt, wie der Benutzer Emotionen ausdrückt, und dieses Modell für einen personalisierten EZS verwenden, der seinen Benutzer in einigen Fällen besser verstehen könnte als ein „allgemeiner” EZS, der mit von mehreren Benutzern erfassten Daten trainiert wurde.
  • Das Training eines personalisierten EZS für einen Benutzer kann den Erwerb geeigneter Trainingssamples erfordern. Diese Samples umfassen typischerweise Messwerte der affektiven Reaktion des Benutzers (aus denen Merkmalswerte extrahiert werden können) und zu den Samples gehörende Labels, die eine emotionale Reaktion repräsentieren, die der Benutzer hatte, als die Messwerte erfasst wurden. Das Inferieren des emotionalen Zustands, in dem der Benutzer zu einem bestimmten Zeitpunkt der Messwerterfassung war, kann auf verschiedene Weise erfolgen.
  • In einer Ausführungsform können Labels, die emotionale Zustände repräsentieren, durch einen Benutzer selbst mitgeteilt werden und angeben, wie sich der Benutzer zu der Zeit fühlt (z. B. auf einer Skala von eins bis zehn). Zum Beispiel kann ein Benutzer erklären, wie er oder sie sich fühlt, ein Bild auswählen, das die Emotion darstellt, und/oder eine andere Form des Ratings seiner oder ihrer Gefühle bereitstellen. Optional beschreibt der Benutzer seinen oder ihren emotionalen Zustand, nachdem er oder sie dazu durch den Software-Agenten aufgefordert wurde.
  • In einer anderen Ausführungsform können Labels, die emotionale Zustände repräsentieren, durch einen Annotator bestimmt werden, der das Verhalten des Benutzers und/oder Messwerte der affektiven Reaktion des Benutzers beobachtet. Optional kann der Annotator ein Mensch sein (z. B. eine ausgebildete Fachkraft und/oder eine Person, die Teil einer durch die Crowd beschaften Belegschaft ist, wie beispielsweise Amazon's Mechanical Turk). Optional kann der Annotator ein Software-Agent sein, der einen oder mehrere Prädiktoren und/oder Schätzer verwendet, wie beispielsweise EZS.
  • In einer weiteren Ausführungsform können Labels, die emotionale Zustände repräsentieren, aus Kommunikationen des Benutzers abgeleitet werden. Beispielsweise kann eine semantische Analyse angewendet werden, um die Bedeutung dessen, was der Benutzer sagt, schreibt und/oder auf andere Weise (z.B. über Emojis und/oder Gesten) kommuniziert, zu bestimmen.
  • In noch einer weiteren Ausführungsform können Labels, die emotionale Zustände repräsentieren, aus Handlungen des Benutzers abgeleitet werden. Zum Beispiel beschreibt die US-Patentanmeldungsveröffentlichung US 2014/0108309 verschiedene Verfahren zur Bestimmung der emotionalen Reaktion aus Handlungen wie beispielsweise Abstimmung auf einer Social-Network-Website oder Interaktion mit einem Medien-Controller.
  • Eine Verfahrensweise, die in einigen Ausführungsformen zur Bewältigung der Aufgabe des Erhalts gelabelter Samples für das Training eines personalisierten Prädiktors und/oder Schätzers angewendet werden kann, ist die Verwendung einer Form von Bootstrapping. In ein Beispiel kann ein Software-Agent (oder ein anderes Modul), dessen Aufgabe es ist, einen personalisierten EZS für einen bestimmten Benutzer zu trainieren, mit der Verwendung eines allgemeinen EZS zur Bestimmung der emotionalen Zustände des Benutzers beginnen. Diese gelabelten Samples können einer Datenbasis von Trainingssamples hinzugefügt werden, die für das Training des personalisierten EZS verwendet werden. Wenn die Menge der gelabelten Samples zunimmt, wird der mit ihnen trainierte Schätzer anfangen, die besonderen Charakteristika der Art und Weise zu repräsentieren, wie der Benutzer die Emotionen ausdrückt. Schließlich, nachdem eine ausreichend große Menge an Trainingssamples generiert wurde, ist es wahrscheinlich, dass der personalisierte EZS die Aufgabe der Identifizierung des emotionalen Zustands des Benutzers auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers besser als ein allgemeiner EZS durchführen wird.
  • 7 – Software-Agenten
  • Gemäß der Verwendungsweise hierin kann der Begriff „Software-Agent” ein oder mehrere Computerprogramme, die im Namen einer Entität operieren, bezeichnen. Eine Entität kann beispielsweise eine Person, eine Gruppe von Personen, eine Institution, ein Computer und/oder ein Computerprogramm (z. B. eine künstliche Intelligenz) sein. Software-Agenten können manchmal durch Begriffe wie „virtuell” und/oder „digital”, wie beispielsweise „virtuelle Agenten”, „virtuelle Helfer”, „digitalen Assistenten” und dergleichen bezeichnet werden. In dieser Offenlegung sind Software-Agenten typischerweise Zeichen 108 durch das Bezugs bezeichnet, die verwendet werden können, die verschiedenen Formen von Software-Agenten zu repräsentieren beschrieben.
  • In einigen Ausführungsformen wird ein im Namen eine Entität handelnder Software-Agent zumindest teilweise durch ein Computerprogramm implementiert, das mit Genehmigung der Entität ausgeführt wird. Die Genehmigung zur Ausführung des Computerprogramms kann explizit sein, z. B. kann ein Benutzer die Ausführung des Programms initiieren (z. B. durch Erteilen eines Sprachbefehls, Drücken eines Icons, das die Ausführung des Programms initiiert und/oder Erteilen eines Befehls über ein Endgerät und/oder eine andere Form einer Benutzeroberfläche mit einem Betriebssystem). Zusätzlich oder alternativ kann die Genehmigung implizit sein, z. B. kann das ausgeführte Programm ein Service sein, der standardmäßig für Benutzer ausgeführt wird, die ein bestimmtes Konto und/oder Gerät besitzen (z. B. ein Service, der durch ein Betriebssystem des Geräts ausgeführt wird). Optional kann die explizite und/oder implizite Genehmigung der Ausführung des Programms durch die Entität durch Akzeptieren bestimmter Nutzungsbedingungen und/oder einer anderen Form eines Vertrags, dessen Bedingungen durch die Entität akzeptiert werden, erteilt werden.
  • In einigen Ausführungsformen wird ein im Namen einer Entität operierender Software-Agent zumindest teilweise durch ein Computerprogramm implementiert, das ausgeführt wird, um ein Ziel der Entität zu erreichen, ein Interesse der Entität zu schützen und/oder die Entität zu begünstigen. In einem Beispiel kann ein Software-Agent versuchen, Möglichkeiten zur Verbesserung des Wohlergehens der Entität zu identifizieren, wie beispielsweise durch Bestimmen und/oder Vorschlagen von Aktivitäten, die dem Benutzer Spaß machen könnten, durch Empfehlen von Lebensmitteln, die eine gesunde Wahl für den Benutzer darstellen können, und/oder das durch Vorschlagen einer Beförderungsart und/oder Route, die sicher und/oder zeitsparend für den Benutzer sein kann. In einem anderen Beispiel kann ein Software-Agent die Privatsphäre der Entität, in dessen Namen er operiert, schützen, beispielsweise durch Verhindern des gemeinsamen Austauschs bestimmter Daten, die gegenüber Dritten als persönliche Daten gelten können. Ein weiteres Beispiel kann ein Software-Agent das Risiko für die Privatsphäre der Benutzer bewerten, die möglicherweise einen Beitrag private Daten des Benutzers, z. B. Messungen der affektiven Reaktion, auf einer externen Quelle zugeordnet. Optional kann die Software Agent verwaltet die Offenlegung solcher Daten, wie beschrieben im Detail an anderer Stelle in dieser Veröffentlichung.
  • In einigen der hierin beschriebenen Ausführungsformen kann ein Software-Agent mit zumindest einem gewissen Maß an Autonomie operieren und in der Lage sein, Entscheidungen zu treffen und/oder Handlungen durchzuführen, um ein Ziel der Entität, in dessen Namen er operiert, zu erreichen, ein Interesse der Entität zu schützen und/oder die Entität zu begünstigen. Optional kann ein Computerprogramm, das zur Implementierung des Software-Agenten ausgeführt wird, ein gewisses Maß an autonomem Verhalten aufweisen; beispielsweise kann es bestimmte Vorgänge durchführen, ohne die ausdrückliche Genehmigung der Entität, in dessen Namen es operiert, jedes Mal vor der Durchführung der bestimmten Vorgänge zu bekommen. Optional fallen diese Handlungen in den Geltungsbereich eines Protokolls und/oder von Nutzungsbedingungen, die durch die Entität genehmigt werden.
  • Ein Software-Agent kann als ein virtueller Assistent und/oder „virtueller Flügelmann” fungieren, der einen Benutzer unterstützt, indem er Entscheidungen im Namen eines Benutzers trifft, dem Benutzer Vorschläge macht und/oder dem Benutzer Warnungen erteilt. Optional kann der Software-Agent auf der Grundlage von crowd-basierten Bewertungen von Erfahrungen Entscheidungen treffen, Vorschläge machen und/oder Warnungen erteilen. Optional kann der Software-Agent auf der Grundlage von crowd-basierten Bewertungen von Erfahrungen Entscheidungen treffen, Vorschläge machen und/oder Warnungen erteilen. In einem Beispiel kann der Software-Agent einem Benutzer vorschlagen, bestimmte Erfahrungen zu haben (z. B. im Park Fahrrad fahren zu gehen), bestimmte Orte zu besuchen (z. B. während eines Urlaubs in einer fremden Stadt) und/oder bestimmte Inhalte auszuwählen. In einem anderen Beispiel kann der Software-Agent einen Benutzer über Situationen warnen, die für den Benutzer oder für das Erreichen bestimmter Ziele des Benutzers nachträglich sein können. Beispielsweise kann der Software-Agent vor Erfahrungen warnen, die crowd-basierten Bewertungen nach schlecht sind, dem Benutzer eine bestimmte Route zur Vermeidung des Straßenverkehrs vorschlagen und/oder einen Benutzer vor einem exzessiven Verhalten warnen (z. B. warnen, wenn ein übermäßiger Alkoholkonsum erkannt wird und der Benutzer am nächsten Tag früh aufstehen muss). In einem weiteren Beispiel kann der Software-Agent Entscheidungen für den Benutzer, in dessen Namen er operiert, treffen und dementsprechend handeln, möglicherweise ohne vorherige Genehmigung des Benutzers. Beispielsweise kann der Software-Agent eine Reservierung für einen Benutzer machen (z. B. in einem Restaurant), eine Fahrkarte kaufen (z. B. für das Reisen auf einer bestimmten Route, die zu dem Zeitpunkt die schnellste ist) und/oder als virtuelle Sekretärin dienen, die bestimmte Anrufe für den Benutzer (z. B. durch Senden einer Voicemail) filtert und es anderen Anrufern ermöglicht, zu dem Benutzer durchzukommen.
  • In einigen Ausführungsformen kann ein Software-Agent einen Benutzer beim Deuten bestimmter Situationen helfen. Beispielsweise kann ein Software-Agent einem Benutzer die affektive Reaktion anderer Personen in der Umgebung des Benutzers und/oder von Personen, mit denen der Benutzer kommuniziert, angeben. Diese Art von Funktion kann besonders hilfreich für Benutzer sein, die möglicherweise Schwierigkeiten beim Erkennen sozialer Signale haben, z. B. Benutzer mit einer Erkrankung auf dem autistischen Spektrum. In einem anderen Beispiel kann der Software-Agent eine alternative Formulierung anstelle einer durch den Benutzer ausgewählten Formulierung vorschlagen und/oder den Benutzer vor einer Formulierung warnen, die der Benutzer in einer Kommunikation zu verwenden beabsichtigt, um ein Ziel des Benutzers, wie beispielsweise gesellschaftliche Akzeptanz des Benutzers, besser zu fördern und/oder es zu vermeiden, andere zu verletzen. In einem weiteren Beispiel kann ein Software-Agent einem Benutzer eine Änderung des Verhaltens des Benutzers vorschlagen, wie z. B. ein Tonfall, Gesichtsausdruck, Körpersprache und/oder das Einhalten einer bestimmten Entfernung von anderen Personen, mit denen sich der Benutzer unterhält. Optional wird der Vorschlag gemacht, indem die affektive Reaktion einer Person, mit der der Benutzer kommuniziert, erkannt wird.
  • In einigen Ausführungsformen kann der Software-Agent je nach den Einstellungen und/oder dem Protokoll, das den Betrieb des Software-Agent regelt, aktiv (d. h. autonom) oder passiv bei der Interaktion mit einem Benutzer sein, in dessen Namen er operiert. Beispielsweise kann der Software-Agent passiv sein und typischerweise eine Aktivierung erfordern, um mit einem Benutzer z. B. durch Erteilen eines Vorschlags und/oder einer Warnung zu interagieren. Beispiele für verschiedene Aktivierungen eines Software-Agenten umfassen die Ausübung einer bestimmten Geste, das Drücken eines Buttons und/oder das Aussprechen einer bestimmten Phrase wie „OK Google”, „Hey Cortana” oder „Hey Siri”. Optional kann der Software-Agent, auch wenn er passiv ist, den Benutzer überwachen und/oder andere Operationen im Namen des Benutzers durchführen. Optional kann ein Software-Agent aktiv sein und mit einem Benutzer interagieren, ohne notwendigerweise dazu durch den Benutzer aufgefordert zu werden. Optional kann der Software-Agent für einige Zwecke aktiv sein und mit einem Benutzer auf der Grundlage einer autonomen Entscheidung interagieren (z. B. erteilt der Software-Agent eine Warnung vor einer Situation, die die Sicherheit des Benutzers gefährdet, wenn diese erkannt wird). Der Software-Agent kann jedoch in anderen Situationen, die eine Interaktion mit dem Benutzer umfassen, passiv sein (z. B. schlägt der Software-Agent dem Benutzer nur Erfahrungen vor, wenn er dazu durch den Benutzer aufgefordert wird).
  • Die Kommunikation zwischen einem Software-Agenten und einem Benutzer, in dessen Namen der Software-Agent operiert, kann in den hierin beschriebenen verschiedenen Ausführungsformen unterschiedliche Formen annehmen. Es folgt eine nicht einschränkende und nicht vollständige Liste von Beispielen; in einigen Ausführungsformen können andere Formen der Kommunikation zusätzlich zu oder anstelle dieser Beispiele verwendet werden. In einem Beispiel beinhaltet die Kommunikation zwischen einem Software-Agenten und einem Benutzer, in dessen Namen er operiert, das Senden von Textnachrichten wie E-Mails, SMS, Social-Media-Nachrichten und/oder anderen Formen von Textinhalten. In einem anderen Beispiel umfasst die Kommunikation zwischen einem Software-Agenten und einem Benutzer, in dessen Namen er operiert, das Anzeigen einer Nachricht auf einem Display des Benutzers, wie beispielsweise ein Monitor, ein Handheld-Gerät, ein tragbares Gerät (Wearable) mit einem Bildschirm, ein Augmented-Reality- und/oder Virtual-Reality-Display und/oder eine andere Form eines Geräts, das dem Gehirn des Benutzers visuelle Daten vermitteln kann (z. B. neuronale Implantate). Optional kann die Nachricht 2D- und/oder 3D-Bilder umfassen. Optional kann die Nachricht 2D- und/oder 3D-Videos umfassen. Optional können die Nachrichten Ton umfassen, der über einen Lautsprecher bereitgestellt wird, der Schallwellen und/oder Vibrationssignale (z. B. unter Beteiligung von Knochenleitung) abgibt. In einem anderen Beispiel kann die Kommunikation zwischen einem Software-Agenten und einem Benutzer, in dessen Namen er operiert, haptische Signale umfassen, wie das Anwenden von Druck, Hitze, elektrischem Strom und/oder Vibrationen durch ein durch den Benutzer getragenes Gerät oder Kleidungsstück und/oder ein in den Benutzer implantiertes Gerät. In einem weiteren Beispiel kann die Kommunikation zwischen einem Software-Agenten und einem Benutzer, in dessen Namen er operiert, die Stimulierung von Bereichen im Gehirn des Benutzers umfassen, um elektrische Signale in dem Benutzer zu generieren (z. B. unter Beteiligung von synaptischer Signalübertragung), die durch den Benutzer als Informationen interpretiert werden.
  • Es gibt zudem in den hierin beschriebenen Ausführungsformen verschiedene Möglichkeiten zur Kommunikation eines Benutzer mit einem Software-Agenten. Es folgt eine nicht einschränkende und nicht vollständige Liste von Beispielen; in einigen Ausführungsformen können andere Formen der Kommunikation zusätzlich zu oder anstelle dieser Beispiele verwendet werden. In einem Beispiel kann ein Benutzer mit einem Software-Agenten über eine Benutzeroberfläche kommunizieren, die die Bereitstellung einer Textnachricht zur Folge hat, wie beispielsweise durch Eingabe einer Nachricht (z. B. über eine Tastatur oder ein Touchscreen) und/oder Schreiben einer Nachricht (die z. B. unter Verwendung einer Kamera, eines Touchscreens oder eines intelligenten Stifts, der die Bewegungen des Stifts nachverfolgt, übertragen wird). Zusätzlich oder alternativ kann die Benutzeroberfläche das Zeigen auf und/oder die Auswahl von auf einem Bildschirm dargestellten Objekten zur Folge haben (z. B. durch Berührung des Bildschirms oder Verwendung eines Zeigegeräts wie eine Computermaus). In einem anderen Beispiel kann ein Benutzer mit einem Software-Agenten durch Ablaufverfolgung kommunizieren (z. B. durch Ablaufverfolgung eines Fingers auf einem Touchscreen oder in der Luft). In einem weiteren Beispiel kann ein Benutzer mit einem Software-Agenten durch Geräusche kommunizieren, z. B. durch Sprechen, Pfeifen, Klatschen und/oder das Äußern anderer Geräusche, die über ein Mikrofon erkannt werden können. In noch einem weiteren Beispiel kann ein Benutzer durch Gesten kommunizieren, wie Zeigen oder Bewegung der Hände, Mimik, Gebärdensprache und/oder die Durchführung anderer Bewegungen, die mit einer Kamera, einen Bewegungssensor, ein Beschleunigungssensor und/oder anderen Sensoren, die Bewegung erkennen können, erkannt werden können. Optional können die Gesten Bewegungen der Zunge des Benutzers im Mund, Klicken der Zähne und/oder verschiedene Formen der Subvokalisierung umfassen, die durch Sensoren wie Bewegungsmelder, Mikrofone und/oder Drucksensoren erkannt werden können. Und in einem weiteren Beispiel kann ein Benutzer mit einem Software-Agenten durch Denken bestimmter Gedanken kommunizieren, die durch ein Gerät erfasst werden können, das elektrische Signale im Gehirn liest. Optional entsprechen die bestimmten Gedanken elektrischen Signalen im Gehirn, die charakteristische Muster aufweisen (z. B. bestimmte Amplituden und/oder Erregung in bestimmten Bereichen des Gehirns). Optional werden die elektrischen Signale über EEG gelesen und unter Verwendung von Signalverarbeitungsalgorithmen ausgewertet, um die Bedeutung des Gedankens des Benutzers zu bestimmen (z. B. ein Verlangen des Benutzers nach einem bestimmten Objekt, einer bestimmten Handlung und/oder der Bewegung in eine bestimmte Richtung).
  • In einigen Ausführungsformen kann die Kommunikation zwischen einem Software-Agenten und einem Benutzer derart durchgeführt werden, dass der zwischen dem Agenten und dem Benutzer (und/oder umgekehrt) ausgetauschte Inhalt einer Entität, die nicht der Benutzer oder Software-Agent ist, nicht bekannt sein kann, auch wenn die Entität zum Zeitpunkt der Kommunikation in der Umgebung des Benutzers ist. Zum Beispiel kann der Software-Agent eine Nachricht senden, die auf einer Augmented-Reality-Brille angezeigt wird, und/oder eine Nachricht über Kopfhörer spielen. In einem anderen Beispiel kann ein Benutzer mit einem Software-Agenten über Subvokalisierung kommunizieren und/oder durch Auswählen von Optionen durch Zeigen auf ein virtuelles Menü, das mit einer Augmented-Reality-Brille gesehen wird. Optional kann die Kommunikation derart stattfinden, dass eine Einheit, die in der Umgebung des Benutzers ist, wahrscheinlich nicht erkennt, dass eine solche Kommunikation stattfindet.
  • In einigen Ausführungsformen kann ein Software-Agent und/oder ein oder mehrere der Programme, die es umfassen kann, gleichzeitig im Namen mehrerer Entitäten operieren. In einem Beispiel kann ein einzelner, auf einem Hauptprozessor (Central Processing Unit, CPU) ausgeführter Prozess oder sogar einer einzelner Ausführungs-Thread Befehle ausführen, die im Namen mehrerer Entitäten durchgeführte Handlungen repräsentieren. In einem anderen Beispiel kann ein bestimmtes ausgeführtes Programm, wie beispielsweise ein Server, der Querys beantwortet, als in mehreren Software-Agenten enthalten gelten, die im Namen mehrerer Entitäten operieren.
  • In einigen Ausführungsformen kann ein einzelner Service, der in sich selbst mehrere auf mehreren Servern ausgeführte Programme umfasst, als ein Software-Agent gelten, der im Namen eines Benutzers oder mehrerer Benutzer operiert. Optional kann ein Software-Agent als ein Service gelten, der als Teil eines Betriebssystems angeboten wird. Es folgen einige Beispiele für Services, die als Software-Agenten oder als einen Software-Agent enthaltend gelten werden. In einem Beispiel kann ein Service, der einfach als „Google”, „Google Now” oder eine andere Variante wie beispielsweise „Google-Agent” genannt wird, Services sein, die Software-Agenten im Namen von Benutzern implementieren, die Konten bei GoogleTM haben. Ebenso kann Siri® oder „Proactive Assistant” als durch AppleTM angebotene Software-Agenten gelten. In einem anderen Beispiel kann „Cortana” als ein durch MicrosoftTM angebotener Software-Agent gelten. Und in einem weiteren Beispiel kann „Watson” als ein durch IBMTM angebotener Software-Agent gelten.
  • Die Implementierung eines Software-Agenten kann die Ausführung eines oder mehrerer Programme auf einem Prozessor umfassen, der zu einem Gerät eines Benutzers gehört, wie beispielsweise ein Prozessor eines Smartphones des Benutzers oder ein Prozessor eines Wearables und/oder eines implantierten Geräts des Benutzers. Zusätzlich oder alternativ kann die Implementierung eines Software-Agenten die Ausführung mindestens eines oder mehrerer Programme auf einem Prozessor beinhalten, der von einem Benutzer entfernt ist, wie beispielsweise ein Prozessor, der zu einem cloud-basierten Server gehört.
  • Wie in der heutigen Zeit und Generation üblich, können Benutzer wahrscheinlich mit verschiedenen Geräten und/oder Services, die Computer umfassen, interagieren. Eine nicht einschränkenden Liste von Beispielen kann verschiedene Computer (z. B. Wearables, Handheld-Geräte und/oder Server in der Cloud), Entertainment-Systeme (z. B. Gaming-Systeme und/oder Mediaplayer), Haushaltsgeräte (z. B. über das Internet der Dinge verbunden), Fahrzeuge (z. B. autonome Fahrzeuge) und/oder Roboter (z. B. Service-Roboter) umfassen. Die Interaktion mit jedem dieser Services und/oder Geräte kann Programme beinhalten, die mit dem Benutzer kommunizieren und die im Namen des Benutzers operieren können. Von daher gilt ein an einer solchen Interaktion beteiligtes Programm in einigen Ausführungsformen als ein Software-Agent, der im Namen eines Benutzers operiert. Optional kann das Programm mit dem Benutzer über verschiedene Schnittstellen und/oder verschiedene Geräte interagieren. Zum Beispiel kann derselbe Software-Agent mit einem Benutzer über einen Roboter, der dem Benutzer einen Service gibt, über ein Fahrzeug, in dem der Benutzer reist, über eine Benutzerschnittstelle eines Entertainment-Systems und/oder über einen cloud-basierten Service, das ein tragbares Display und Sensoren als Schnittstelle verwendet, kommunizieren.
  • In einigen Ausführungsformen können verschiedene Programme, die im Namen eines Benutzers operieren und Daten freigeben und/oder Zugriff auf dieselben Modelle des Benutzers haben, als Instanziierungen desselben Software-Agent gelten. Optional können verschiedene Instanziierungen eines Software-Agenten verschiedene Methoden der Kommunikation mit dem Benutzer umfassen. Optional können verschiedene Instanziierungen eines Software-Agenten über verschiedene Fähigkeiten verfügen und/oder in der Lage sein, Daten aus verschiedenen Quellen zu beziehen.
  • Verschiedene hierin beschriebene Ausführungsformen erfordern ein Monitoring von Benutzern. Diese kann für verschiedene Zwecke durchgeführt werden, wie beispielsweise zur Berechnung crowd-basierter Bewertungen und/oder zur Benutzermodellierung. Optional, Überwachung von Benutzern kann die Identifizierung von Ereignissen, in denen die Benutzer beteiligt sind (z.b., wie beschrieben in Abschnitt 5 – Identifizierung von Veranstaltungen) und/oder Bestimmungsfaktoren solcher Ereignisse (z.b., wie beschrieben in Abschnitt 12 – Faktoren von Ereignissen). In einigen Ausführungsformen kann eine solches Monitoring eine zentrale Entität beinhalten, die Messwerte der affektiven Reaktion von einem Benutzer oder mehreren Benutzern (und in einigen Fällen von vielen Benutzern) auf eine oder mehrere Erfahrungen (möglicherweise viele Erfahrungen, wie Dutzende, Hunderte, Tausende oder mehr) empfängt. Die Erfassung dieser Informationen im großen Maßstab kann schwierig sein, da sie typischerweise automatisch und möglicherweise ohne aktiven Eingriff durch Benutzer erfolgt. Sie kann ein umfangreiches Monitoring von Benutzern erfordern, nicht nur, um Messwerte der affektiven Reaktion zu erfassen, sondern auch um andere Aspekte eines Ereignisses zu identifizieren. In einigen Ausführungsformen ist es zur Identifikation eines Ereignisses erforderlich, die Benutzer, die Messwerte beitragen, und die Erfahrungen, zu denen die Messwerte gehören, zu identifizieren. In einigen Ausführungsformen kann die Identifikation einer Erfahrung relativ einfach sein, da sie auf digitalen Transaktionen basieren kann, beispielsweise kann die Feststellung, dass ein Benutzer in einem Flugzeug geflogen ist, anhand von Buchungsdaten, Finanztransaktionen und/oder elektromagnetischer Übertragung eines Geräts eines Benutzers erfolgen. In anderen Ausführungsformen kann sie jedoch schwieriger sein (z. B. wenn die Erfahrung das Kauen eines Kaugummis beinhaltet). Außerdem können Informationen über die Situation, in der sich ein Benutzer befindet, die in einigen Ausführungsformen notwendig sein können, beispielsweise bei der Berechnung und/oder Anwendung situationsabhängiger Basislinien, schwer zu bekommen sein (z. B. Erkennung verschiedener Aspekte, wie etwa eine Stimmung des Benutzers, ob der Benutzer mit anderen Personen zusammen ist oder ob der Benutzer für eine Aktivität zu spät ist).
  • Der Erwerb der oben beschriebenen vielfältigen Informationen kann für eine zentrale Entität schwierig sein, da er ein umfangreiches Monitoring von Benutzern erfordern kann, die für eine zentrale Entität schwierig durchzuführen und/oder aus Sicht eines Benutzers (z. B. wegen Bedenken hinsichtlich Sicherheit und Datenschutz) unerwünscht sein kann. Daher werden Informationen über Ereignisse, die zur Berechnung von Bewertungen und/oder Benutzermodellierung verwendet werden können, in einigen Ausführungsformen zumindest teilweise durch im Namen der Benutzer operierende Software-Agenten bereitgestellt. Optional können die Software-Agenten nach einem Protokoll operieren, dass durch die Benutzer festgelegt und/oder genehmigt wurde. Ein solches Protokoll kann für die verschiedenen Aspekte, die die Privatsphäre der Benutzer, wie Aspekt betreffend, welche Daten gesammelt werden über einen Benutzer und die Umgebung des Benutzers, unter welchen Bedingungen und innerhalb welcher Grenzen die Daten gesammelt werden, wie die Daten gespeichert werden, und/oder wie die Daten gemeinsam mit anderen Parteien und für welche Zwecke.
  • Indem Software-Agenten im Namen von Benutzern operieren und möglicherweise ausgiebige Informationen von den Benutzern empfangen, z. B. durch Geräte der Benutzer und/oder die Aktivität der Benutzer, können sie in der Lage sein, verschiedene Erfahrungen betreffende Aspekte zu bestimmen, wie beispielsweise Erfahrungen, die die Benutzer haben, Situationen, in denen die Benutzer sich befinden, und/oder andere Attribute zu identifizieren. Wie in Abschnitt 5 (Identifizierung von Ereignissen) erwähnt, können diese Informationen aus einer Vielzahl unterschiedlicher Quellen stammen.
  • In einigen Ausführungsformen werden zumindest einige der aus dem Monitoring von Benutzern erfassten Daten als Teil einer Lebensprotokollierung der Benutzer erfasst, die die Aufzeichnung verschiedener Aspekte des täglichen Lebens der Benutzer umfasst. Optional kann ein Software-Agent an der Durchführung einer Lebensprotokollierung eines Benutzers, in dessen Namen er operiert, teilnehmen, und/oder kann der Software-Agent Zugriff auf Daten haben, die durch eine Lebensprotokollierung des Benutzers erfasst wurden.
  • In einigen Fällen kann die Versorgung einer zentralen Entität mit einigen oder allen der oben genannten Informationen nicht durchführbar (z. B. kann sie eine übermäßige Übertragung nötig machen) und/oder aus Gründen der Datensicherheit und/oder des Datenschutzes nicht wünschenswert sein. Wenn die zentrale Entität beispielsweise gehackt wird, kann dies die Privatsphäre vieler Benutzer gefährden. Darüber hinaus kann ein Monitoring von Benutzern in dem in einigen der oben beschriebenen Ausführungsformen beschriebenen Umfang bei einigen Benutzer zu Unbehagen führen. Somit kann ein Software-Agent, der im Namen eines Benutzers operiert und den Benutzer überwacht, eine praktikablere Lösung sein, mit der sich einige Benutzer wohler fühlen können, vor allem wenn der Benutzer einige oder alle Aspekte der Handlungen des Software-Agenten bezüglich Datenerfassung, -speicherung und/oder -austausch steuern kann.
  • Somit kann ein Software-Agent in einigen Ausführungsformen einer Entität, die Bewertungen für Erfahrungen aus Messwerten der affektiven Reaktion berechnet, Informationen zu Ereignissen bereitstellen. Optional identifizieren Informationen in Bezug auf ein Ereignis, die durch den Software-Agent bereitgestellt werden, mindestens einen der folgenden Werte: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung, eine Situation, in der sich der Benutzer während des Erlebens der Erfahrung befand, und ein Basislinienwert des Benutzers während des Erlebens der Erfahrung durch den Benutzer. Zusätzlich oder alternativ kann der Software-Agent einen zu dem Ereignis gehörenden Messwert der affektiven Reaktion bereitstellen (d. h. einen Messwert des Benutzers, der zu dem Ereignis des Erlebens einer zu dem Ereignis gehörenden Erfahrung gehört, der während der Instanziierung des Ereignisses oder kurz danach erfasst wurde). In einigen Ausführungsformen können Informationen, die durch einen im Namen eines Benutzers operierenden Software-Agenten bereitgestellt werden und den Benutzer betreffen, als Teil eines Profils des Benutzers gelten.
  • In einigen Ausführungsformen kann ein Software-Agent auf der Grundlage eines bestimmten Protokolls operieren, das Aspekte wie beispielsweise die Art des Monitorings, das durch den Software-Agenten durchgeführt werden kann, den Typ der erfassten Daten sowie die Art der Aufbewahrung und/oder Nutzung der Daten umfasst. Optional wird das Protokoll zumindest teilweise durch einen Benutzer bestimmt, in dessen der Software-Agent operiert. Optional wird das Protokoll zumindest teilweise durch eine Entität bestimmt, die kein Benutzer ist, in dessen Namen der Software-Agent operiert (z. B. ist die Entität ein Empfänger der Messwerte, der eine Erfahrungsbewertung berechnet). Optional wird das Protokoll durch einen Benutzer, in dessen Namen der Software-Agent operiert, genehmigt (z. B. hat der Benutzer bestimmte mit dem Software-Agent verbundene Nutzungsbedingungen akzeptiert).
  • Das Protokoll, nach dem ein Software-Agent operiert, kann verschiedene Einschränkungen im Zusammenhang mit dem Monitoring von Benutzern vorschreiben. Die Einschränkungen können z. B. die Identität von Benutzern vorschreiben, die durch einen Software-Agenten überwacht werden können. In einem Beispiel kann ein Software-Agent darauf beschränkt sein, nur Informationen über Benutzer bereitzustellen, die ihre Genehmigung für diese Handlung erteilt haben. Optional gelten diese Benutzer als Benutzer, in deren Namen der Software-Agent operiert. In einem anderen Beispiel kann das Protokoll vorschreiben, dass keine identifizierenden Daten über Benutzer erfasst werden dürfen, die keine Benutzer sind, in deren Namen der Software-Agent operiert. In einem weiteren Beispiel kann das Protokoll bestimmte Bedingungen für die Erfassung von Informationen über Benutzer vorschreiben. Beispielsweise kann das Protokoll vorschreiben, dass bestimmte Benutzer nur in öffentlichen Bereichen überwacht werden dürfen. In noch einem weiteren Beispiel kann das Protokoll vorschreiben, dass bestimmte Benutzer zu bestimmten Zeiten überwacht werden können. In einem wiederum anderen Beispiel kann das Protokoll vorschreiben, dass bestimmte Benutzer beim Erleben bestimmter Erfahrungen überwacht werden können. In einer Ausführungsform kann ein Protokoll vorschreiben, welche Art von Informationen in Bezug auf bestimmte Benutzer, Orte und/oder Erfahrungen gesammelt werden können. Beispielsweise kann das Protokoll vorschreiben, dass der Software-Agent keine Daten unter Verwendung von Kameras oder Mikrofonen erfassen darf, wenn sich ein Benutzer im privaten Umfeld (z. B. ein Schlafzimmer oder Badezimmer) befindet.
  • Das Protokoll kann vorschreiben, welche Art von Informationen einer anderen Entität durch den Software-Agenten bereitgestellt werden kann, wie beispielsweise einer Entität, die die Informationen zur Berechnung von Erfahrungsbewertungen verwendet. Beispielsweise kann der Software-Agent angewiesen werden, nur Informationen zu bestimmten Erfahrungen bereitzustellen. Optional kann der Umfang der Informationen, die der Software-Agent überwacht und/oder erfasst, größer als der Umfang der durch den Software-Agent bereitgestellten Informationen sein. Beispielsweise kann ein Software-Agent zur Durchführung einer besseren Modellierung des Benutzers, in dessen Namen er operiert, bestimmte Daten (z. B. private Daten) erfassen, die nicht an andere Parteien weitergegeben werden. Darüber hinaus kann ein Protokoll den Umfang der Informationen, die bereitgestellt werden können, durch Begrenzung der Häufigkeit und/oder Anzahl der bereitgestellten Messwerte, durch Begrenzung der Anzahl der Erfahrungen, zu denen die Messwerte gehören, und/oder durch Beschränkung der Empfänger bestimmter Arten von Daten vorschreiben
  • In einigen Ausführungsformen kann das Protokoll vorschreiben, wozu die durch den Software-Agenten bereitgestellten Daten verwendet werden können. Zum Beispiel welche Bewertungen berechnet werden können (z. B. welche Art von Werten) und wozu die Bewertungen verwendet werden können (werden sie z. B. der Öffentlichkeit zugänglich gemacht oder sind sie auf bestimmte Entitäten wie Marktforschungsunternehmen beschränkt). In anderen Ausführungsformen kann das Protokoll bestimmte Richtlinien für die Datenspeicherung vorschreiben. In einem Beispiel kann sich das Protokoll auf die Speicherstelle, an der die Daten gespeichert werden, beziehen (z. B. in welchen Ländern sich die Server, die die Daten speichern, befinden können und/oder welche Unternehmen die Daten speichern können). In einem anderen Beispiel kann das Protokoll Fristen für bestimmte Arten von Daten vorschreiben, nach deren Ablauf die Daten gelöscht werden müssen. In einem weiteren Beispiel kann das Protokoll vorschreiben, welche Art von Sicherheitsmaßnahmen bei der Speicherung bestimmter Arten von Daten implementiert werden müssen (z. B. Verwendung bestimmter Verschlüsselungsalgorithmen).
  • In einigen Ausführungsformen kann das Protokoll bestimmte Einschränkungen hinsichtlich einer erforderlichen Belohnung und/oder Entschädigung, die ein Benutzer für die durch den Software-Agent bereitgestellten Informationen zu empfangen hat, vorschreiben. Optional kann die Belohnung und/oder Entschädigung in einer finanzieller Form erfolgen (z. B. Geld und/oder Guthaben, die zum Erwerb von Dienstleistungen und/oder Produkten verwendet werden können). Optional kann die Belohnung in Form von dem Benutzer bereitgestellten Dienstleistungen erfolgen. Optional kann die Belohnung in Form von Informationen erfolgen (z. B. kann ein Benutzer, der einen Messwert zu einer Erfahrung beiträgt, Informationen wie beispielsweise die Bewertung empfangen, die für die Erfahrung anhand des Messwerts und der Messwerte anderer Benutzer berechnet wird).
  • Das Risiko für die Privatsphäre im Zusammenhang mit Beitrag Messungen direkt an eine Einheit, kann das Modell der Benutzer und/oder für die Berechnung der Punktzahl kann auch ein Faktor angesprochen durch das Protokoll. Beispielsweise kann das Protokoll verlangen eine bestimmte Anzahl von Benutzer bereitstellen, Messungen zur Berechnung der eine gewisse Punktzahl und/oder dass die Messungen eine bestimmte minimale Varianz haben. In einer weiteren Ausführungsform kann das Protokoll vorschreiben, dass das Risiko, wie Sie von einer bestimmten Funktion berechnet unterhalb einer bestimmten Schwelle in Reihenfolge für die Software-Agenten auf ein Maß für die Berechnung einer Partitur bieten kann. Optional kann der Umfang der Informationen (z.b. Anzahl der Messungen und/oder die Anzahl der Erfahrungen, für die Messungen werden zur Verfügung gestellt) können abhängig von den Ergebnissen einer Risiko-Funktion. Analyse von Risiken, einschließlich der verschiedenen Arten von Risiken, die möglicherweise ausgewertet, diskutiert im Detail an anderer Stelle in dieser Verkörperung.
  • Die Diskussion oben beschrieb Beispiele für Aspekte, die den Betrieb eines Software-Agenten betreffen und in einem Protokoll geregelt werden können. Auf dem Gebiet der Technik qualifizierte Person werden erkennen, dass es verschiedene andere Aspekte der Erfassung von Daten durch Software-Agenten, der Speicherung der Daten und/oder der Nutzung von Daten geben kann, die oben nicht beschrieben wurden, jedoch dennoch in verschiedenen Ausführungsformen implementiert werden können.
  • In einer Ausführungsform liefert der Software-Agent Informationen als eine Antwort auf eine Anfrage. Beispielsweise kann der Software-Agent eine Anfrage eines Messwerts des Benutzers, in dessen Namen er operiert, empfangen. In einem anderen Beispiel ist die Anfrage eine allgemeine, an mehrere Agenten gesendete Anfrage, die bestimmte Bedingungen spezifiziert. Beispielsweise kann die Anfrage eine bestimmte Art von Erfahrung, Zeit, bestimmte Benutzerdemographien und/oder eine bestimmte Situation, in der sich der Benutzer befindet, spezifizieren. Optional reagiert die Software auf die Anfrage mit den gewünschten Informationen, sofern dies nicht gegen eine Beschränkung verstößt, die durch eine Richtlinie vorgeschrieben wird, nach der der Software-Agent operiert. Beispielsweise kann der Software-Agent mit den Informationen antworten, wenn das damit verbundene Risiko keinen bestimmten Schwellenwert überschreitet und/oder die dafür vorgesehene Gegenleistung ausreichend ist.
  • In einer Ausführungsform kann der Software-Agent Informationen automatisch bereitstellen. Optional wird die Art der automatischen Bereitstellung von Informationen durch die Richtlinie vorgeschrieben, nach der der Agent operiert. In einem Beispiel kann der Software-Agent regelmäßig Messwerte zusammen mit Kontextinformationen bereitstellen (z. B. welche Erfahrungen der Benutzer zu der Zeit hatte und/oder Informationen über die Situation des Benutzers zu der Zeit). In einem anderen Beispiel stellt Software-Agent Informationen automatisch bereit, wenn der Benutzer bestimmte Arten von Erfahrungen hat (z. B. bei der Aufnahme von Inhalten, beim Essen oder beim Ausüben von Sport).
  • Ein Software-Agent kann für das Training eines personalisierten EZS eines Benutzers verwendet werden, in dessen Namen der Software-Agent operiert. Beispielsweise kann der Software-Agent den Benutzer überwachen und zuweilen befragen, um zu bestimmen, wie sich der Benutzer fühlt (z. B. dargestellt durch einen affektiven Wert auf einer Skala von 1 bis 10). Nach einer Weile kann der Software-Agent ein Modell des Benutzers haben, das „seinen” Benutzer genauer als ein allgemeiner EZS interpretieren kann. Außerdem kann der Software-Agent durch die Verwendung eines personalisierten EZS besser in der Lage sein, mehrere Werte zu integrieren (z. B. durch mehrere Sensoren und/oder über einen längeren Zeitraum erfasst), um mit einem einzigen Wert (z. B. einer affektiven Wert auf einer Skala von 1 bis 10) darzustellen, wie sich der Benutzer zu der Zeit fühlt. Zum Beispiel kann ein personalisierter EZS Modellparameter lernen, die Gewichtungen zur Zuordnung zu Werten von verschiedenen Sensoren und/oder Gewichtungen zur Zuordnung zu unterschiedlichen Zeiträumen in einem Ereignis (z. B. der Beginn, Mitte oder Ende der Erfahrung) darstellen, um einen Wert produzieren zu können, der genauer darstellt, wie sich der Benutzer (z. B. auf der Skala von 1 bis 10) fühlt. In einem weiteren Beispiel kann ein personalisierter EZS lernen, welche Gewichtung zu Mini-Ereignissen gehörenden Messwerten zuzuordnen ist, um einen affektiven Wert zu generieren, der am besten darstellt, wie sich der Benutzer angesichts eines größeren Ereignisses, das Mini-Ereignisse umfasst, gefühlt hat.
  • Modellierung Benutzer (z.b. Erlernen verschiedener Benutzer Vorurteile) kann auch in einigen Ausführungsformen, Anhäufung großer Mengen von Daten über Nutzer, die möglicherweise als privat angesehen. Somit ist, sind einige Benutzer u. U. bereit zu stellen solche Informationen an eine zentrale Stelle zur Begrenzung der Fähigkeit der zentralen Instanz zur Modellierung der Benutzer. Zusätzlich ist die Bereitstellung der Informationen an einer zentralen Stelle können Sie private Informationen über den Benutzer an der Gefahr durch Sicherheitsverletzungen wie Hacking. In solchen Fällen, können Benutzer komfortabler sein, und möglicherweise eher bereit, um Daten zu liefern, wenn die Modellierung erfolgt und/oder von diesen kontrolliert werden. So ist in einigen Ausführungsformen, die Aufgabe der Modellierung der Benutzer, wie Lernen, Vorurteile der Nutzer durchgeführt werden kann, zumindest teilweise, durch Software Agenten, die im Auftrag der Benutzer. Optional kann die Software Agent nutzen können einige der oben beschriebenen Ansätze in dieser Offenlegung zu Modell Benutzer Vorurteile.
  • In einigen Ausführungsarten, Modellierung Voreingenommenheit bezieht mit Werten von Voreingenommenheit gegenüber der Qualität von einer Erfahrung, die möglicherweise korrigiert werden, die für die Effekte, die die Qualität der Erfahrung zu einer bestimmten Zeit. Optional sind solche Werte aus Messungen der affektiven Reaktion mehrerer Benutzer berechnet (z. B. sind auf der Grundlage von Masse Resultate). Daher in einigen Verkörperungen ein Software-Agent im Auftrag eines Benutzers funktionieren möglicherweise nicht zu erfahren, dass des Benutzers Vorurteile gegenüber Erfahrung Qualität mit ausreichender Genauigkeit auf seine eigene, seit es nicht auf Messungen der affektiven Reaktion anderer Benutzer zugreifen können. Optional, in diesen Verkörperungen, die Software Agent kann Werte erhalten, die Qualität der Erfahrungen aus einer externen Quelle, wie Einheit, berechnet die Scores für Erfahrungen. Optional können die empfangenen Werte aus der externen Quelle kann ein Agent zur Berechnung einer normalisierten Wert aus einer Messung der affektiven Reaktion eines Benutzers zu einem Erlebnis. Optional kann der normalisierten Wert möglicherweise besser reflektieren die Voreingenommenheit des Benutzers (die sich nicht auf die Qualität der Erfahrungen). Daher kann das Lernen Vorurteile aus normalisierten Messungen genauere Schätzungen der Vorurteile des Benutzers erzeugen. In diesen Verkörperungen, wissend, dass die Kerbe gegeben zu einem Erlebnis kann Ihnen helfen, sie zu interpretieren, die Messungen der affektiven Reaktion.
  • Die oben beschriebenen Szenario kann dazu führen, dass kooperatives Verhalten zwischen Software Agenten, jeder Betrieb, der im Auftrag eines Benutzers und eine Entität, berechnet für Erfahrungen basierend auf Messungen der affektiven Reaktion der mehrere Benutzer, in deren Namen der Agenten bedienen. Um genauere Ergebnisse zu berechnen, ist es möglicherweise vorzuziehen, in einigen Ausführungsformen, um bestimmte Vorurteile aus den Messungen der affektiven Reaktion wird zur Berechnung der Partitur. Diese Aufgabe kann durch eine Software Agenten, welche nutzen können, ein Modell eines Benutzers im Namen von denen es arbeitet, um eine unvoreingenommene Messung der affektiven Reaktion für ein Erlebnis. Um jedoch eine bessere Modell des Benutzers, die Software Agent kann ab Erhalt der Qualität von Erfahrungen, auf die sich die Messungen überein. So ist in einigen Ausführungsformen, es ist ein "Geben und Nehmen" wechselseitige Beziehung zwischen Softwareagenten und eine Einheit, die berechnet, in denen die Software Agents bieten Messungen der affektiven Reaktion, aus denen bestimmte (privaten) Nutzer Vorurteile wurden entfernt. Die Entität, die die Punktzahl berechnet nutzt diese Objektive Messungen um ein Ergebnis zu erzeugen, die wird nicht durch einige der Benutzer Vorurteile beeinflusst (und somit besser die Qualität der Erfahrung darstellt). Diese Partitur, die berechnet basierend auf Messungen von mehreren Benutzern zur Verfügung zurück zu den Agenten in der Form der Indikator für die Qualität der Erfahrungen der Anwender hatte, was wiederum kann von der Software Agenten zu einem besseren Modell der Benutzer. Optional kann dieser Vorgang mehrmals wiederholt werden, um den Benutzer zu verfeinern Modelle (z. B., um genauere Werte der Benutzer Vorurteile, die von den Agenten gehalten), und in der gleichen Zeit berechnen Sie genauere Ergebnisse. So ist die gemeinsame Modellierung von Benutzern und Erfahrungen durchgeführt werden kann in einem verteilten Art und Weise, in der die privaten Daten der einzelnen Benutzer wird nicht gespeichert und/oder an einer zentralen Stelle.
  • 8 – Crowd-basierte Applikationen
  • Mehrere hierin beschriebene Ausführungsformen verwenden Systeme, deren Architektur eine Vielzahl von Sensoren und eine Vielzahl von Benutzeroberflächen umfassen. Diese Architektur unterstützt verschiedene Formen crowd-basierter Empfehlungssysteme, in denen Benutzer Informationen, wie beispielsweise Vorschläge und/oder Benachrichtigungen, empfangen können, die auf der Grundlage von Messwerten bestimmt werden, die durch die Sensoren erfasst wurden. In einigen Ausführungsformen bedeutet „crowd-basiert”, dass die Messwerte der affektiven Reaktion von einer Vielzahl von Benutzern, wie etwa mindestens drei, zehn, hundert oder mehr Benutzer, erfasst werden. In solchen Ausführungsformen ist es möglich, dass die Empfänger der aus den Messwerten generierten Informationen nicht dieselben Benutzer sind wie die Benutzer, von denen die Messwerte erfasst wurden.
  • 19a eine Ausführungsform einer Architektur, die Sensoren und Benutzeroberflächen beinhaltet. Die Crowd der Benutzer 100 umfasst Sensoren, die mit zumindest einigen individuellen Benutzern verbunden sind. Zum Beispiel zeigen 20a und 20c Fälle, in denen ein Sensor mit einen Benutzer verbunden ist. Die Sensoren erfassen die Messwerte der affektiven Reaktion 110, die über ein Netzwerk 112 übertragen werden. Optional werden die Messwerte 110 zu einem oder mehreren Servern gesendet, die Module hosten, die zu einem oder mehreren der in den verschiedenen Ausführungsformen dieser Offenlegung beschriebenen Systeme gehören (z. B. Systeme, die Bewertungen für Erfahrungen berechnen, Erfahrungen ranken und/oder Benachrichtigungen für Erfahrungen erstellen).
  • In den verschiedenen, hierin beschriebenen Ausführungsformen kann eine Vielzahl von Sensoren zur Erfassung von Messwerten der affektiven Reaktion einer Vielzahl von Benutzern verwendet werden. Jeder Sensor aus der Vielzahl der Sensoren (z. B. der Sensor 102a) kann ein Sensor sein, der ein physiologisches Signal und/oder ein Verhaltenssignal erfasst. Optional wird ein Messwert der affektiven Reaktion eines Benutzers typischerweise durch einen bestimmten, mit dem Benutzer verbundenen Sensor erfasst (z. B. ein am Körper des Benutzers befestigter und/oder in einem Gerät des Benutzers eingebetteter Sensor). Optional können einige Sensoren Messwerte von mehr als einem Benutzer erfassen (z. B. können die Sensoren Kameras sein, die Aufnahmen mehrerer Benutzer machen). Optional sind die von jedem Benutzer erfassten Messwerte vom selben Typ (z. B. beinhalten die Messwerte aller Benutzer Messwerte der Herzfrequenz und der Hautleitfähigkeit). Optional können unterschiedliche Arten von Messwerten von unterschiedlichen Benutzern erfassten werden. Zum Beispiel können die Messwerte einiger Benutzer die mittels EEG erfasste Gehirnwellenaktivität und die Herzfrequenz beinhalten, wohingegen die Messwerte anderer Benutzer nur die Herzfrequenzwerte beinhalten können.
  • Das Netzwerk 112 repräsentiert ein oder mehrere Netzwerke, die zur Übertragung der Messwerte 110 und/oder der crowd-basierten, auf der Grundlage der Messwerte berechneten Ergebnisse 115 verwendet werden. Es ist zu beachten, dass die Messwerte 110 und/oder crowd-basierten Ergebnisse 115 nicht mittels derselben Netzwerkkomponenten übertragen werden müssen. Des Weiteren können unterschiedliche Teile der Messwerte 110 (z. B. Messwerte verschiedener individueller Benutzer) unter Verwendung unterschiedlicher Netzwerkkomponenten oder unterschiedlicher Netzwerkrouten übertragen werden. Auf ähnliche Weise können die crowd-basierten Ergebnisse 115 unter Verwendung unterschiedlicher Netzwerkkomponenten und/oder unterschiedlicher Netzwerkrouten zu unterschiedlichen Benutzern übertragen werden.
  • Ein Netzwerk, wie z. B. das Netzwerk 112, kann sich hierin auf verschiedene Arten von Kommunikationsnetzen, einschließlich aber nicht beschränkt auf ein LAN (Local Area Network), WAN (Wide Area Network), Ethernet, Intranet, das Internet, ein Glasfaserkommunikationsnetz, ein drahtgebundenes Kommunikationsnetz, ein drahtloses Kommunikationsnetz und/oder eine Kombination dieser Arten, beziehen.
  • In einigen Ausführungsformen werden die Messwerte 110 der affektiven Reaktion über das Netzwerk 112 zu einem oder mehreren Servern übertragen. Jeder dieser einen oder mehreren Server beinhaltet mindestens einen Prozessor und Speicher. Optional ist der Server oder sind die Server cloud-basierte Server. Optional werden einige der Messwerte 110 schubweise gespeichert und übertragen (z. B. auf einem Gerät eines Benutzers, von dem Messwerte erfasst werden, gespeichert). Zusätzlich oder alternativ werden einige der Messwerte innerhalb von Sekunden nach der Erfassung verbreitet (z. B. als WLAN-Signal). Optional können einige Messwerte eines Benutzers vor der Übertragung verarbeitet werden (z. B. durch ein Gerät und/oder einen Software-Agenten des Benutzers). Optional können einige Messwerte eines Benutzers als Rohdaten, d. h. im Wesentlichen in derselben Form, in der sie durch einen zur Erfassung von Messwerten des Benutzers verwendeten Sensor empfangen wurden, gesendet werden. Optional können einige der zur Erfassung von Messwerten eines Benutzers verwendeten Sensoren einen Sender beinhalten, der die Messwerte der affektiven Reaktion übertragen kann, während andere Sensoren die Messwerte an ein weiteres, zur Übertragung der Messwerte fähiges Gerät (z. B. ein Smartphone, das einem Benutzer gehört) weiterleiten können.
  • Je nach der in Betracht gezogenen Ausführungsform können die crowd-basierten Ergebnisse 115 verschiedene Arten von Werten umfassen, die durch in dieser Offenlegung beschriebene Systeme auf der Grundlage von Messwerten der affektiven Reaktion berechnet werden. Zum Beispiel können sich die Ergebnisse 115 auf Bewertungen von Erfahrungen (z. B. Bewertung 164), Benachrichtigungen über eine affektive Reaktion auf Erfahrungen (z. B. Benachrichtigung 188 oder Benachrichtigung 210), Empfehlungen hinsichtlich Erfahrungen (z. B. Empfehlung 179 oder Empfehlung 215) und/oder verschiedene Rankings von Erfahrungen (z. B. Ranking 232, Ranking 254) beziehen.
  • In einigen Ausführungsformen umfassen die auf der Grundlage der Messwerte 110 berechneten crowd-basierten Ergebnisse 115 einen Einzelwert oder einen einzelnen Satz von Werten, der jedem Benutzer, der die Ergebnisse 115 empfängt, zur Verfügung gestellt wird. In einem solchen Fall können die Ergebnisse 115 als allgemeine, crowd-basierte Ergebnisse gelten, da jeder Benutzer, der ein auf der Grundlage der Messwerte 110 berechnetes Ergebnis empfängt, im Wesentlichen das Selbe empfängt. In anderen Ausführungsformen umfassen die auf der Grundlage der Messwerte 110 berechneten crowd-basierten Ergebnisse 115 verschiedene Werte und/oder verschiedene Sätze von Werten, die den Benutzern, die die Ergebnisse 115 empfangen, zur Verfügung gestellt werden. In diesem Fall können die Ergebnisse 115 als personalisierte crowd-basierte Ergebnisse gelten, da ein Benutzer, der ein auf der Grundlage der Messwerte 110 berechnetes Ergebnis empfängt, ein Ergebnis empfangen kann, das sich von dem durch einen anderen Benutzer empfangenen Ergebnis unterscheidet. Optional werden personalisierte Ergebnisse unter Verwendung eines durch das Personalisierungsmodul 130 erzeugten Outputs erzielt.
  • Ein einzelner Benutzer 101, der zur Crowd 100 gehört, kann einen Messwert der affektiven Reaktion zu den Messwerten 110 beitragen und/oder ein Ergebnis aus der Menge der verschiedenen, in dieser Offenlegung beschriebenen Arten crowd-basierter Ergebnisse 110 empfangen. Dies kann zu verschiedenen Möglichkeiten dessen führen, was Benutzer in einer wie beispielsweise in 19 dargestellten Architektur eines Systems beitragen und/oder empfangen.
  • In einigen Ausführungsformen tragen zumindest einige der Benutzer der Crowd 100 Messwerte der affektiven Reaktion (als Teil der Messwerte 110) bei, empfangen jedoch keine Ergebnisse, die auf der Grundlage der durch sie beigetragenen Messwerte berechnetet wurden. Ein Beispiel eines solchen Szenarios ist in 20a dargestellt, wo ein Benutzer 101a mit einem (in dieser Zeichnung die Gehirnwellenaktivität mittels EEG messenden) Sensor 102a verbunden ist und einen Messwert 111a der affektiven Reaktion beiträgt, jedoch kein auf der Grundlage des Messwerts 111a berechnetes Ergebnis empfängt.
  • In einer der oben beschriebenen Situation mehr oder weniger umgekehrten Situation einiger Ausführungsformen empfangen zumindest einige der Benutzer der Crowd 100 ein Ergebnis aus der Menge der crowd-basierten Ergebnisse 115, tragen jedoch keine Messwerte der affektiven Reaktion bei, die zur Berechnung des durch sie empfangenen Ergebnisses verwendet werden. Ein Beispiel eines solchen Szenarios ist in 20b dargestellt, wo ein Benutzer 101b mit einer Benutzeroberfläche 103b (die in dieser Zeichnung eine Augmented-Reality-Brille ist) verbunden ist, die ein Ergebnis 113b anzeigt, das zum Beispiel eine Bewertung einer Erfahrung sein kann. In dieser Zeichnung liefert der Benutzer 101b jedoch keinen Messwert der affektiven Reaktion, der zur Generierung des Ergebnisses 113b verwendet wird.
  • Und in einigen Ausführungsformen tragen zumindest einige der Benutzer der Crowd 100 Messwerte der affektiven Reaktion (als Teil der Messwerte 110) bei und empfangen ein Ergebnis aus der Menge der crowd-basierten Ergebnisse 115, das auf der Grundlage der durch sie beigetragenen Messwerte berechnetet wurde. Ein Beispiel eines solchen Szenarios ist in 20c dargestellt, wo ein Benutzer 101c mit einem Sensor 102c (der in dieser Zeichnung eine Smartwatch ist, die die Herzfrequenz und Leitfähigkeit der Haut misst) verbunden ist und einen Messwert 111c der affektiven Reaktion beiträgt. Des Weiteren hat der Benutzer 101c eine Benutzeroberfläche 103c (die in dieser Zeichnung ein Tablet-PC ist), die ein Ergebnis 113c anzeigt, das zum Beispiel ein unter Verwendung des durch den Benutzer 101c bereitgestellten Messwerts 111c generiertes Ranking mehrerer Erfahrungen sein kann.
  • Eine „Benutzeroberfläche” kann gemäß der Verwendungsweise des Begriffs in dieser Offenlegung verschiedene Komponenten, die als Hardware, Software und/oder Firmware charakterisiert werden können, umfassen. In einigen Beispielen können die Hardware-Komponenten verschiedene Displayformen (z. B. Bildschirme, Monitore, Virtual-Reality-Displays, Augmented-Reality-Displays, Hologramm-Displays), Lautsprecher, Duft erzeugende Geräte und/oder Geräte mit haptischem Feedback (z. B. Geräte, die Wärme und/oder Druck erzeugen, die/der durch den Benutzer wahrgenommen wird) umfassen. In anderen Beispielen können die Software-Komponenten verschiedene Programme, die Bilder, Videos, Karten, Graphen, Diagramme, erweiterte (augmented) Annotationen (zur Darstellung auf Bildern einer realen Umgebung) und/oder eine virtuelle Umgebung darstellende Videos rendern, umfassen. In wiederum anderen Beispielen kann die Firmware verschiedene Softwares umfassen, die auf permanente Speichergeräte, wie z. B. Treiber zur Generierung von Bildern auf Displays und/oder zur Generierung von Ton über Lautsprecher, geschrieben wurden. In einigen Ausführungsformen kann eine Benutzeroberfläche ein einzelnes, an einem Ort befindliches Gerät sein, z. B. ein Smartphone und/oder ein tragbares Gerät (Wearable). In anderen Ausführungsformen kann eine Benutzeroberfläche verschiedene, über verschiedene Orte verteilte Komponenten beinhalten. Zum Beispiel kann eine Benutzeroberfläche sowohl eine bestimmte Display-Hardware (die Teil eines Geräts des Benutzers sein kann) als auch bestimmte Software-Elemente zum Rendern von Bildern, die auf einem Remoteserver gespeichert oder ausgeführt werden können, beinhalten.
  • Es ist zu beachten, dass, obwohl 20a bis 20c Fälle zeigen, in denen die Benutzer mit einem einzigen Sensorgerät verbunden sind und/oder eine einzelne Benutzeroberfläche haben, die oben in der Diskussion der 20a bis 20c natürlicherweise auf Fälle ausgedehnt werden können, in denen die Benutzer mit mehreren Sensoren (der verschiedenen, in dieser Offenlegung beschriebenen oder anderer Arten) verbunden sind und/oder mehrere Benutzeroberflächen (der verschiedenen, in dieser Offenlegung beschriebenen oder anderer Arten) haben.
  • Des Weiteren ist anzumerken, dass die Benutzer die Messwerte zu einem Zeitpunkt beitragen und die Ergebnisse (die nicht mit den durch sie beigetragenen Messwerten berechnet wurden) zu einem anderen Zeitpunkt empfangen können. So kann zum Beispiel der Benutzer 101a in 2a an einem Tag einen Messwert zur Berechnung einer Bewertung einer Erfahrung beigetragen und an einem anderen Tag eine Bewertung dieser Erfahrung (oder einer anderen Erfahrung) auf ihrer Smartwatch (nicht dargestellt) empfangen haben. Entsprechend kann der Benutzer 101b in 2b in seine Kleidung eingebettete Sensoren haben (nicht dargestellt) und Messwerte der affektiven Reaktion zur Berechnung einer Bewertung einer Erfahrung des Benutzers 101b beitragen, während das Ergebnis 113b, das der Benutzer empfängt, nicht auf einem der durch den Benutzer zur Zeit beigetragenen Messwerte basiert.
  • In dieser Offenlegung wird eine Crowd von Benutzern oftmals durch die Referenzziffer 100 bezeichnet. Die Referenzziffer 100 wird verwendet, um eine allgemeine Crowd von Benutzern zu bezeichnen. Typischerweise umfasst eine Crowd von Benutzern in dieser Offenlegung mindestens drei Benutzer, sie kann jedoch weitere Benutzer umfassen. Zum Beispiel liegt die Anzahl der Benutzer in der Crowd 100 in den unterschiedlichen Ausführungsformen in einem der folgenden Bereiche: 3 bis 9, 10 bis 24, 25–99, 100–999, 1000–9999, 10000–99999, 100000–1000000 und mehr als eine Million Benutzer. Des Weiteren wird die Referenzziffer 100 verwendet, um Benutzer zu bezeichnen, die eine allgemeine Erfahrung haben, die ein oder mehrere Beispiele der verschiedenen, in dieser Offenlegung beschriebenen Erfahrungsarten umfassen kann. Zum Beispiel kann die Crowd 100 folgende Benutzer beinhalten: Benutzer, die an einem bestimmten Ort sind, Benutzer, die eine bestimmte Aktivität durchführen, Benutzer, die ein bestimmtes Produkt anwenden und/oder Benutzer, die eine bestimmte Substanz verzehren.
  • Wenn eine Crowd durch eine andere Referenzziffer (anders als 100) bezeichnet wird, weist dies typischerweise darauf hin, dass die Crowd ein bestimmtes Merkmal besitzt. Eine andere Referenzziffer kann für eine Crowd verwendet werden, wenn Ausführungsformen beschrieben werden, die bestimmte Erfahrungen zum Gegenstand haben. Zum Beispiel kann die Crowd in einer Ausführungsform, die ein System zum Ranking von Erfahrungen beschreibt, durch die Referenzziffer 100 bezeichnet werden. Dahingegen kann die Crowd in einer Ausführungsform, die ein Ranking von Orten beschreibt, durch eine andere Referenzziffer bezeichnet werden, da die Benutzer in der Crowd in dieser Ausführungsform ein bestimmtes Merkmal besitzen (sie befinden sich an Orten), anstatt eine eher allgemeine Crowd von Benutzern zu sein, die eine oder mehrere Erfahrungen haben, wobei die Erfahrungen jede der in dieser Offenlegung beschriebenen Erfahrungen sein können.
  • Die Messwerte der affektiven Reaktion werden auf ähnliche Weise oftmals durch die Referenzziffer 110 bezeichnet. Die Referenzziffer 110 wird verwendet, um Messwerte der affektiven Reaktion von zur Crowd 100 gehörenden Benutzern zu bezeichnen. Folglich wird die Referenzziffer 110 typischerweise verwendet, um Messwerte der affektiven Reaktion in Ausführungsformen zu bezeichnen, die Benutzer umfassen, die eine oder mehrere Erfahrungen haben, wobei die Erfahrungen jede der in dieser Offenlegung beschriebenen Erfahrungen sein können.
  • Sofern nicht anders in der Beschreibung einer bestimmten Ausführungsform angegeben, kann die Erfahrung oder können die Erfahrungen zu verschiedenen, in dieser Offenlegung beschriebenen Erfahrungsarten gehören. In einem Beispiel kann eine Erfahrung aus der Menge der einen oder mehreren Erfahrungen eine oder mehrere der folgenden Erfahrungsarten betreffen: das Verbringen von Zeit an einem bestimmten Ort, die Aufnahme bestimmter digitaler Inhalte, das Erleben einer sozialen Interaktion mit einer bestimmten Entität in der physischen Welt, das Erleben einer sozialen Interaktion mit einer bestimmten Entität in einer virtuellen Welt, das Ansehen einer bestimmten Live-Aufführung, die Durchführung einer bestimmten sportlichen Übung, das Bereisen einer bestimmten Route, das Verbringen von Zeit in einer Umgebung, die durch eine bestimmte Umgebungsbedingung geprägt ist, Einkaufen und die Teilnahme an einem sozialen Ausflug mit anderen Menschen. In einem anderen Beispiel kann eine Erfahrung aus der Menge der einen oder mehreren Erfahrungen durch verschiedene Attribute und/oder Kombinationen von Attributen charakterisiert werden, wie beispielsweise eine Erfahrung, die die Durchführung einer bestimmten Tätigkeit an einem bestimmten Ort zum Gegenstand hat, eine Erfahrung, die den Besuch eines bestimmten Orts für eine bestimmte Dauer zum Gegenstand hat und so weiter. Weitere Informationen bezüglich der Erfahrungsarten, die die Benutzer haben können, sind zumindest im Abschnitt 3 (Erfahrungen) zu finden.
  • Die Messwerte der affektiven Reaktion, wie beispielsweise die Messwerte 110 und/oder mit anderen Referenzziffern bezeichnete Messwerte, können in verschiedenen hierin beschriebenen Ausführungsformen die Messwerte mehrerer Benutzer (wie etwa von mindestens zehn Benutzern) umfassen und können jedoch in einigen Ausführungsformen die Messwerte einer anderen Anzahl von Benutzern (z. B. von weniger als zehn Benutzern) umfassen. Optional kann die Anzahl der Benutzer, die Messwerte zu den Messwerten 110 beitragen, in einem der folgenden Bereiche liegen: 3–9, 10–24, 25–99, 100–999, 1000–9999, 10000–99999, 100000–1000000 und mehr als eine Million Benutzer.
  • Die Messwerte der affektiven Reaktion, wie beispielsweise die Messwerte 110 und/oder mit anderen Referenzziffern bezeichnete Messwerte, können in unterschiedlichen Ausführungsformen während unterschiedlicher Zeiträume erfasst werden. In einer Ausführungsform können die Messwerte über einen längeren Zeitraum von beispielsweise mindestens einem Tag, mindestens einer Woche, mindestens einem Monat und/oder mindestens einem Jahr erfasst werden. Wenn angegeben wird, dass die Messwerte über einen bestimmten Zeitraum von beispielsweise mindestens einem Tag erfasst wurden, bedeutet dies, dass die Messwerte mindestens einen ersten Messwert und einen zweiten Messwert umfassen und dass der erste Messwert mindestens einen Tag vor dem zweiten Messwert erfasst wurde. In einer anderen Ausführungsform können die Messwerte innerhalb eines bestimmten Zeitraums erfasst werden und/oder kann ein bestimmter Teil der Messwerte innerhalb eines bestimmten Zeitraums erfasst werden. Zum Beispiel können die Messwerte alle innerhalb eines bestimmten Zeitraums von sechs Stunden erfasst werden. In einem anderen Beispiel werden mindestens 25 % der Messwerte innerhalb eines Zeitraums von einer Stunde erfasst.
  • In den hierin beschriebenen Ausführungsformen werden die Messwerte der affektiven Reaktion, wie beispielsweise die Messwerte 110 und/oder mit anderen Referenzziffern bezeichnete Messwerte, unter Verwendung von mit den Benutzern verbundenen Sensoren erfasst. Ein Messwert der affektiven Reaktion eines Benutzers, der unter Verwendung eines mit dem Benutzer verbundenen Sensors erfasst wurde, umfasst mindestens einen der folgenden Werte: ein ein physiologisches Signal des Benutzers repräsentierender Wert und ein ein Verhaltenssignal des Benutzers repräsentierender Wert. Optional basiert ein Messwert der affektiven Reaktion, der zu einem Ereignis gehört, bei dem ein Benutzer eine Erfahrung hat, auf Werten, die durch Messung des Benutzers mit dem Sensor innerhalb mindestens drei verschiedener, nicht überlappender Zeiträume, während denen der Benutzer die zu dem Ereignis gehörende Erfahrung hat, gewonnen werden. Zusätzliche Informationen bezüglich der Frage, wie Messwerte der affektiven Reaktion aus durch Sensoren erfassten Werten gewonnen werden können, sind zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) dieser Offenlegung zu finden.
  • Wenn die Messwerte der affektiven Reaktion durch eine von 110 verschiedene Referenzziffer bezeichnet werden, zeigt dies typischerweise an, dass die Messwerte ein bestimmtes Merkmal besitzen, wie beispielsweise Messwerte von Benutzern, die eine bestimmte Erfahrung haben. Zum Beispiel können die Messwerte der affektiven Reaktion, die zur Berechnung von Bewertungen verwendet werden, in einer Ausführungsform, die ein System zur Bewertung von Erfahrungen beschreibt, durch die Referenzziffer 110 bezeichnet werden. Dahingegen können die Messwerte in einer Ausführungsform, die eine Bewertung von Hotels beschreibt, durch eine andere Referenzziffer bezeichnet werden, da die Messwerte in dieser Ausführungsform von Benutzern stammen, die ein bestimmtes Merkmal besitzen (sie sind in einem Hotel), anstatt Messwerte einer allgemeinen Crowd von Benutzern zu sein, die eine oder mehrere Erfahrungen haben, wobei die Erfahrungen jede der in dieser Offenbarung beschriebenen Erfahrungen sein können. Da die Messwerte 110 in dieser Offenlegung eine allgemeine Form von Messwerten der affektiven Reaktion (auf möglicherweise jede in dieser Offenlegung beschriebene Erfahrung) repräsentieren, kann trotz der Verwendung einer anderen Referenzziffer typischerweise davon ausgegangen werden, dass die Eigenschaften der in dieser Offenlegung beschriebenen Messwerte 110, sofern nicht anders angegeben, für durch andere Referenzziffern bezeichnete Messwerte der affektiven Reaktion gelten.
  • Des Weiteren können Ergebnisse, die auf der Grundlage von Messwerten der affektiven Reaktion gewonnen werden, in unterschiedlichen Ausführungsformen durch unterschiedliche Referenzziffern bezeichnet werden. Wenn die Ausführungsform eine unspezifische Erfahrung zum Gegenstand hat, wobei die Erfahrung jede der in dieser Offenbarung beschriebenen Erfahrungen sein kann, können die Ergebnisse durch bestimmte Referenzziffern (z. B. die Bewertung 164, die Benachrichtigung 188 oder die Empfehlung 179) bezeichnet werden. Wenn andere Referenzziffern zur Bezeichnung derselben Art von Ergebnissen verwendet werden, zeigt dies typischerweise an, dass die Ergebnisse ein bestimmtes Merkmal besitzen, wie beispielsweise eine Bewertung eines Orts anstatt einer Bewertung einer unspezifischen Erfahrung. Wenn ein Ergebnis ein bestimmtes Merkmal besitzt, wie zum Beispiel zu einer bestimmten Erfahrungart gehört, kann es gemäß der Erfahrungsart bezeichnet werden. So kann beispielsweise die Bewertung des Orts als „Ortsbewertung” bezeichnet werden und optional durch eine andere Referenzziffer als die für eine Bewertung einer unspezifischen Erfahrung verwendete Referenzziffer gekennzeichnet werden.
  • 19a zeigt eine Architektur, die für verschiedene Ausführungsformen mit einer Erfassung von Messwerten der affektiven Reaktion und Mitteilung von auf der Grundlage der Messwerte berechneten Ergebnissen angewendet werden kann. Ein Beispiel für eine Anwendung einer solchen Architektur ist in Fig. 21 gezeigt, das eine Ausführungsform eines Systems darstellt, das für die Berechnung einer der Bewertung 164 einer bestimmten Erfahrung konfiguriert ist. Das System berechnet die Bewertung 164 auf der Grundlage von Messwerten der affektiven Reaktion 110 unter Verwendung von mindestens Sensoren und Benutzeroberflächen. Die Sensoren werden zur Erfassung der Messwerte 110 verwendet, wobei die Messwerte Messwerte von mindestens zehn Benutzern aus der Crowd 100 umfassen und jeder dieser Benutzer mit einem Sensor wie beispielsweise den Sensoren 102a und/oder 102c verbunden ist. Optional sind zumindest einige der Sensoren für die Erfassung von Messwerten physiologischer Signale dieser mindestens zehn Benutzer konfiguriert. Zusätzlich oder alternativ sind zumindest einige der Sensoren für die Erfassung von Messwerten von Verhaltenssignalen dieser mindestens zehn Benutzer konfiguriert.
  • Jeder Messwert des Benutzers wird durch einen mit dem Benutzer verbundenen Sensor verfasst, während der Benutzer die bestimmte Erfahrung hat oder kurz danach. Optional bezieht sich „kurz danach” auf einen Zeitpunkt, der höchstens zehn Minuten nach dem Ende der bestimmten Erfahrung des Benutzers, liegt. Optional können die Messwerte über das Netzwerk 112 zu einem oder mehreren Servern übertragen werden, die für die Berechnung einer Erfahrungsbewertung einer bestimmten Erfahrung auf der Grundlage der Messwerte 110 konfiguriert sind. Optional sind die Server, wie das in 22 dargestellte System, für die Berechnung von Bewertungen von Erfahrungen auf der Grundlage von Messwerten der affektiven Reaktion konfiguriert.
  • Die Benutzeroberflächen sind dazu konfiguriert, Daten über das Netzwerk 112 zu empfangen, die die auf der Grundlage der Messwerte 110 berechnete Erfahrungsbewertung beschreiben. Optional repräsentiert die Erfahrungsbewertung 164 die affektive Reaktion der mindestens zehn Benutzer auf das Erleben der bestimmten Erfahrung. Die Benutzeroberflächen sind für die Mitteilung der Erfahrungsbewertung an zumindest einige der zur Crowd 100 gehörenden Benutzer konfiguriert. Optional sind zumindest einige Benutzer, denen die Bewertung 164 über Benutzeroberflächen mitgeteilt wird, Benutzer, die Messwerte zu den zur Berechnung der Bewertung 164 verwendeten Messwerten 110 beigetragen haben. Optional sind zumindest einige Benutzer, denen die Bewertung 164 über Benutzeroberflächen mitgeteilt wird, Benutzer, die keine Messwerte zu den Messwerten 110 beigetragen haben.
  • Es ist zu beachten, dass die Aussage, dass eine Bewertung auf der Grundlage von Messwerten berechnet wird, wie beispielsweise die oben erwähnte Aussage „die auf der Grundlage der Messwerte 110 berechnete Erfahrungsbewertung”, nicht implizieren soll, dass alle Messwerte zur Berechnung der Bewertung verwendet werden. Wenn eine Bewertung auf der Grundlage von Messwerten berechnet wird, bedeutet dies, dass zumindest einige der Messwerte, aber nicht zwangsläufig alle Messwerte, zur Berechnung der Bewertung verwendet werden. Einige der Messwerte können für die Berechnung der Bewertung aus verschiedenen Gründen nicht relevant sein und werden deshalb nicht zur Berechnung der Bewertung verwendet. Zum Beispiel können einige der Messwerte Erfahrungen betreffen, die sich von der Erfahrung, für die die Bewertung berechnet wird, unterscheiden, können einige der Messwerte Benutzer betreffen, die nicht zum Beitrag von Messwerten ausgewählt wurden (die z. B. aufgrund ihrer einem Profil eines bestimmten Benutzers unähnlichen Profile herausgefiltert wurden), und/oder können einige der Messwerte zu einem für die Bewertung nicht relevanten Zeitpunkt erfasst worden sein (z. B. werden ältere Messwerte möglicherweise nicht zur Berechnung einer zu einem späteren Zeitpunkt gehörenden Bewertung verwendet). Somit sollte die obige Aussage „die auf der Grundlage der Messwerte 110 berechnete Erfahrungsbewertung” so interpretiert werden, dass die Erfahrungsbewertung auf der Grundlage einiger, jedoch nicht zwangsläufig aller Messwerte 110 berechnet wurde.
  • Wie im Abschnitt 1 (Sensoren) eingehender erörtert, können verschiedene Arten von Sensoren verwendet werden, um Messwerte der affektiven Reaktion, wie die Messwerte 110 und/oder durch andere Referenzziffern bezeichnete Messwerte, zu erfassen. Es folgen verschiedene Beispiele von Sensoren, die mit Benutzern verbunden sein können und zur Erfassung von Messwerten der Benutzer verwendet werden. In einem Beispiel ist ein zur Erfassung eines Messwerts der affektiven Reaktion eines Benutzers verwendeter Sensor in den Körper eines Benutzers implantiert. In einem anderen Beispiel ist ein zur Erfassung eines Messwerts der affektiven Reaktion eines Benutzers verwendeter Sensor in ein durch den Benutzer verwendetes Gerät eingebettet. In einem weiteren Beispiel kann ein zur Erfassung eines Messwerts eines Benutzers verwendeter Sensor in einen durch den Benutzer getragenen Gegenstand eingebettet sein; dieser Gegenstand kann wenigstens einer der folgenden Gegenstände sein: ein Kleidungsstück, Schuhe, ein Schmuckstück und ein tragbares Produkt. In einem wiederum anderen Beispiel kann ein zur Erfassung eines Messwerts eines Benutzers verwendeter Sensor ein Sensor sein, der sich nicht im physischen Kontakt mit dem Benutzer befindet, wie beispielsweise ein Bildaufnahmegerät, das verwendet wird, um einen Messwert zu erfassen, der eine oder mehrere Aufnahmen des Benutzers umfasst.
  • In einigen Ausführungsformen können einige der Benutzer, die zu den Messwerten 110 beitragen, ein Gerät besitzen, das sowohl einen Sensor, der zur Erfassung eines Messwerts der affektiven Reaktion verwendet werden kann, als auch eine Benutzeroberfläche, die zur Darstellung eines auf der Grundlage der Messwerte 110 berechneten Ergebnisses, wie etwa der Bewertung 164, verwendet werden kann, umfasst. Optional ist jedes derartige Gerät dazu konfiguriert, einen durch den in dem Gerät eingebetteten Sensor erfassten Messwert der affektiven Reaktion zu empfangen und den Messwert zu übertragen. Das Gerät kann zudem dazu konfiguriert sein, Daten, die die Erfahrungsbewertung beschreiben, zu empfangen und diese zur Darstellung auf der Benutzeroberfläche weiterzuleiten.
  • Die Mitteilung eines auf der Grundlage von Messwerten der affektiven Reaktion berechneten Ergebnisses, wie etwa der Bewertung 164, über eine Benutzeroberfläche kann in verschiedenen Ausführungsformen auf unterschiedliche Weise geschehen. In einer Ausführungsform wird die Bewertung mitgeteilt, indem eine Anzeige der Bewertung 164 und/oder der bestimmen Erfahrung auf dem Display eines Geräts eines Benutzers (z. B. der Bildschirm eines Smartphones, eine Augmented-Reality-Brille 103b) dargestellt wird. Die Anzeige kann zum Beispiel ein Zahlenwert, ein Textwert, ein Bild und/oder Video sein. Optional wird die Anzeige in Form einer Benachrichtigung dargestellt, die erfolgt, wenn die Bewertung einen bestimmten vorgegebenen Schwellenwert erreicht. Optional erfolgt die Anzeige in Form einer Empfehlung, die durch ein Empfehlungsmodul, wie etwa das Empfehlungsmodul 178, generiert wird. In einer anderen Ausführungsform kann die Bewertung 164 über ein Sprachsignal und/oder ein haptisches Signal (z. B. durch Vibrationen eines durch den Benutzer getragenen Geräts) mitgeteilt werden. In einigen Ausführungsformen erfolgt die Mitteilung der Bewertung 164 an einen Benutzer durch einen im Namen des Benutzers operierenden Software-Agenten, der mit dem Benutzer über eine Benutzeroberfläche kommuniziert.
  • In einigen Ausführungsformen können die Benutzeroberflächen neben der Darstellung von Informationen, z. B. über eine Bewertung wie etwa die Bewertung 164, Informationen zur Signifikanz der Informationen, wie etwa ein Signifikanzniveau (z. B. p-Wert, q-Wert oder False-Discovery-Rate), Informationen zur Anzahl der Benutzer und/oder der Messwerte (des Sample-Umfangs), die zur Bestimmung der Informationen verwendet wurden, und/oder Konfidenzintervalle zur Angabe der Variabilität der Daten anzeigen.
  • 22 zeigt eine Ausführungsform eines Systems, das für die Berechnung der Bewertungen von Erfahrungen konfiguriert ist. Das in 22 dargestellte System ist eine beispielhafte Verkörperung eines Systems, das dazu verwendet werden, zu berechnen Masse-basierten Ergebnisse 115 Aus den Messungen 110, wie in 19. beschrieben. Das in 22 dargestellte System beschreibt ein System, dass berechnet Werte für Erfahrungen, die Lehren in der folgenden Diskussion, insbesondere die Rollen und die Besonderheiten der verschiedenen Module, relevant sein können zu anderen hierin beschriebenen Ausführungsformen mit Erzeugung anderer Arten von Masse-basierten Ergebnisse (z.b., Ranking, Benachrichtigungen und/oder lernen Parameter von Funktionen).
  • In einer Verkörperung, ein System, eine Punktzahl berechnet für eine Erfahrung, wie dargestellt in 22 Ein zur Berechnung einer Bewertung einer Erfahrung konfiguriertes System umfasst mindestens ein Erfassungsmodul (z. B. das Erfassungsmodul 120) und ein Bewertungsmodul (z. B. das Bewertungsmodul 150). Optional kann ein solches System zudem zusätzliche Module wie das Personalisierungsmodul 130, das Bewertungssignifikanz-Modul 165 und/oder das Empfehlungsmodul 178 umfassen. Das dargestellte System umfasst Module, die optional in anderen in dieser Offenlegung beschriebenen Ausführungsformen vorkommen können. Wie andere in dieser Offenlegung beschriebene Systeme umfasst dieses System mindestens einen Speicher 402 und einen Prozessor 401. Der Speicher 402 speichert die im Folgenden beschriebenen computerausführbaren Module, und der Prozessor 401 führt die in dem Speicher 402 gespeicherten computerausführbaren Module aus.
  • Das Erfassungsmodul 120 ist für den Empfang der Messwerte 110 konfiguriert. Optional können zumindest einige der Messwerte 110 vor dem Empfang durch das Erfassungsmodul 120 auf verschiedene Weise verarbeitet werden. Zum Beispiel können zumindest einige der Messwerte 110 komprimiert und/oder verschlüsselt werden.
  • Das Erfassungsmodul 120 ist zudem dazu konfiguriert, zumindest einige der Messwerte 110 an das Bewertungsmodul 150 weiterzuleiten. Optional werden zumindest einige der Messwerte 110 einer Verarbeitung unterzogen, bevor sie durch das Bewertungsmodul 150 empfangen werden. Optional erfolgt zumindest ein Teil der Verarbeitung durch Programme, die als Software-Agenten gelten können, die im Namen der Benutzer operieren, die die Messwerte 110 beigetragen haben.
  • Das Bewertungsmodul 150 ist dazu konfiguriert, zumindest einige der Messwerte 110 der affektiven Reaktion von der Crowd der Benutzer 100 zu empfangen und eine Bewertung 164 auf der Grundlage der Messwerte 110 zu berechnen. Zumindest einige der Messwerte 110 können zu einer bestimmten Erfahrung gehören, d. h. sie sind Messwerte von zumindest einigen der Benutzer 100, wurden in zeitlicher Nähe zum Zeitpunkt des Erlebens der bestimmten Erfahrung dieser Benutzer erfasst und repräsentieren die affektive Reaktion dieser Benutzer auf die bestimmte Erfahrung. In zeitlicher Nähe bedeutet hierin zeitnah. Zum Beispiel werden zumindest einige der Messwerte 110 erfasst, während die Benutzer die bestimmte Erfahrung haben und/oder kurz danach. Eine weitere Erörterung der Bezeichnung „zeitliche Nähe” ist zumindest im Abschnitt 2 (Messwerte der affektiven Reaktion) zu finden.
  • Ein Bewertungsmodul, wie etwa das Bewertungsmodul 150, kann eine oder mehrere Arten von Bewertungsverfahren verwenden, die optional ein oder mehrere andere Module umfassen. In einem Beispiel verwendet das Bewertungsmodul 150 Module, die zur Berechnung der Bewertung 164 statistische Tests der Messwerte durchführen, wie etwa das statistische Test-Modul 152 und/oder das statistische Test-Modul 158. In einem anderen Beispiel verwendet das Bewertungsmodul 150 das arithmetische Bewertungsmodul 162 zur Berechnung der Bewertung 164.
  • In einer Ausführungsform kann eine durch ein Bewertungsmodul, wie etwa das Bewertungsmodul 150, berechnete Bewertung als eine für einen bestimmten Benutzer und/oder für eine bestimmte Benutzergruppe personalisierte Bewertung gelten. Optional wird die personalisierte Bewertung generiert, indem dem Personalisierungsmodul 130 ein Profil des bestimmten Benutzers (oder ein zu der bestimmten Benutzergruppe gehörendes Profil) bereitgestellt wird. Das Personalisierungsmodul 130 vergleicht ein bereitgestelltes Profil mit den Profilen aus der Menge der Profile 128, die Profile mindestens einiger der Benutzer 100 umfassen, um Ähnlichkeiten zwischen dem bereitgestellten Profil und den Profilen zumindest einiger der Benutzer 100 zu bestimmen. Das Personalisierungsmodul 130 erzeugt einen Output auf der Grundlage der Ähnlichkeiten, der indikativ für eine Auswahl und/oder Gewichtung zumindest einiger der Messwerte 110 ist. Indem dem Bewertungsmodul 150 Outputs bereitgestellt werden, die indikativ für unterschiedliche Auswahlen und/oder Gewichtungen der Messwerte aus der Menge der Messwerte 110 sind, ist es möglich, dass das Bewertungsmodul 150, wie in 9 dargestellt, unterschiedliche zu den Auswahlen und/oder Gewichtungen der Messwerte 110 gehörende Bewertungen berechnen kann, welche in den Outputs beschrieben sind.
  • In einer Ausführungsform kann die Bewertung 164 dem Empfehlungsmodul 178 bereitgestellt werden, welches die Bewertung 164 zur Generierung der Empfehlung 179 verwenden kann, die einem Benutzer zur Verfügung gestellt werden kann (z. B. durch Darstellung einer Angabe hinsichtlich der Erfahrung auf einer durch den Benutzer verwendeten Benutzeroberfläche). Optional ist das Empfehlungsmodul 178 dazu konfiguriert, die Erfahrung, für die die Bewertung 164 berechnet wird, auf eine Weise zu empfehlen, die, wie unten beschrieben, auf dem Wert der Bewertung 164 basierend zu einem aus erster und zweiter Weise bestehenden Satz gehört. Wenn die Bewertung 164 einen vorgegebenen Schwellenwert erreicht, wird die Erfahrung auf die erste Weise empfohlen, und wenn die Bewertung 164 den vorgegebenen Schwellenwert nicht erreicht, wird die Erfahrung auf die zweite Weise empfohlen, wobei die zweite Weise eine Erfahrung zur Folge hat, die schwächer als eine auf die erste Weise gegebene Empfehlung ist.
  • Referenzen auf einen "Schwellenwert" hierin in der Regel beziehen sich auf einen Wert, mit dem andere Werte können verglichen werden. Beispielsweise sind in diese Offenlegung Resultate oft einen Schwellenwert verglichen werden um bestimmte Systemverhalten bestimmen (z. B., ob eine Benachrichtigung oder nicht ausstellen basierend auf, ob ein Schwellenwert erreicht wird). Wenn ein Schwellenwert den Wert hat eine bestimmte Bedeutung kann einen bestimmten Namen auf der Grundlage der Bedeutung. Beispielsweise ein Schwellenwert angibt, ein gewisses Maß an Zufriedenheit der Benutzer als "Zufriedenheit-Schwelle" bezeichnet werden kann oder eine Schwelle, die ein gewisses Maß an Wohlbefinden der Benutzer angibt, kann als "Wellness-Schwelle" usw. bezeichnet werden. Beispiele für die oben erwähnte Logik umfassen ein Schaltungskonzept, einen Computercode und/oder Schritte eines Algorithmus. Des Weiteren wird ein vorgegebener Schwellenwert durch einen Wert erreicht, wenn der Wert gleich dem vorgegebenen Schwellenwert ist oder ihn überschreitet. Jedoch einige Schwellenwerte verhält sich möglicherweise anders herum, d. h., ein Wert über dem Schwellenwert gilt nicht den Schwellenwert erreichen und wenn der Wert unterhalb des Schwellenwerts ist oder gleich den Schwellenwert, gilt der Schwellenwert erreicht haben. Der Kontext, in dem die Schwelle präsentiert wird, ist in der Regel ausreichend, um zu bestimmen, wie eine Schwelle erreicht ist (also je nachdem, von unten oder oben). In einigen Fällen, wenn der Kontext nicht klar ist, was das Erreichen der Schwelle kann explizit angegeben werden. In der Regel, aber nicht notwendigerweise, wenn ein Schwellwert erreicht es einen Wert kleiner als der Grenzwert ist, Erreichen der Schwelle wird beschrieben als "Unterschreitung der Schwelle".
  • Hierin, dass jegliche Bezugnahme auf eine "Schwelle" oder auf eine bestimmte Art der überschrittenen Schwelle (z.b. Zufriedenheit-Schwelle, wellness-Schwelle, und dergleichen), kann als Hinweis auf eine "vorgegebenen Schwellenwert". Ein vorgegebener Schwellenwert ist hierin ein Festwert und/oder ein Wert, der zu einem beliebigen Zeitpunkt vor der Durchführung einer Berechnung, die die Bewertung mit dem vorgegebenen Schwellenwert vergleicht, bestimmt wird. Ferner wird ein Schwellenwert kann auch als einen vorgegebenen Schwellenwert, wenn die Schwelle ist ein Wert, der erreicht werden muss (in der Reihenfolge für den Schwellenwert zu erreichen), und die Logik für die Berechnung der Wert bekannt ist, vor dem Start der Berechnungen verwendet werden, um zu bestimmen, ob der Wert erreicht ist (also je nachdem, vor dem Start der Berechnungen zu ermitteln, ob die vorgegebenen Schwellenwert erreicht ist). Beispiele für das, was in Betracht gezogen werden, die Logik, die oben erwähnt sind Schaltkreise, Computer Code und/oder Schritte eines Algorithmus.
  • In einer Ausführungsform kann die Weise, in der die Empfehlung 179 gegeben wird, zudem auf der Grundlage einer für die Bewertung 164 berechneten Signifikanz, wie etwa der durch das Bewertungssignifikanz-Modul 165 berechneten Signifikanz 176, bestimmt werden. Optional bezieht sich Signifikanz 176 auf eine statistische Signifikanz der Bewertung 164, welche auf der Grundlage verschiedener Merkmale der Bewertung 164 und/oder der zur Berechnung der Bewertung 164 verwendeten Messwerte berechnet wird. Optional wird die Empfehlung auf die zweite Weise gegeben, wenn die Signifikanz 176 unter einem vorgegebenen Signifikanzniveau liegt (z. B. ein p-Wert, der über einem bestimmten Wert liegt).
  • Ein Empfehlungsmodul, wie etwa das Empfehlungsmodul 178 oder andere in dieser Offenlegung beschriebene Empfehlungsmodule (z. B. die durch die Referenzziffern 214, 235, 267, 343 oder andere Referenzziffern bezeichneten Module), ist ein Modul, das dazu konfiguriert ist, eine Erfahrung auf Grundlage eines für die Erfahrung berechneten Werts eines crowd-basierten Ergebnisses zu empfehlen. Zum Beispiel ist das Empfehlungsmodul 178 dazu konfiguriert, eine Erfahrung auf der Grundlage einer Bewertung zu empfehlen, die für die Erfahrung auf der Grundlage von Messwerten der affektiven Reaktion der Benutzer, die die Erfahrung hatten, berechnet wurde.
  • Ein Empfehlungsmodul kann die Erfahrung je nach dem Wert des für eine Erfahrung berechneten crowd-basierten Ergebnisses auf verschiedene Weise empfehlen. Insbesondere kann das Empfehlungsmodul eine Erfahrung auf eine Weise empfehlen, die zu einem aus erster und zweiter Weise bestehenden gehört. Typischerweise gilt in dieser Offenlegung, dass, wenn ein Empfehlungsmodul eine Erfahrung auf die erste Weise empfiehlt, das Empfehlungsmodul eine Empfehlung der Erfahrung gibt, die stärker ist als eine durch das Empfehlungsmodul auf die zweite Weise gegebene Empfehlung der Erfahrung. Typischerweise wird die Erfahrung auf die erste Weise empfohlen, wenn das crowd-basierte Ergebnis eine ausreichend starke (oder positive) affektive Reaktion indiziert. Optional wird die Erfahrung auf die zweite Weise empfohlen, wenn das Ergebnis eine schwächere affektive Reaktion auf eine Erfahrung, die nicht ausreichend stark (oder positiv) ist, indiziert.
  • In einigen Ausführungsformen ist ein Empfehlungsmodul, wie etwa das Empfehlungsmodul 178, dazu konfiguriert, eine Erfahrung über ein Display einer Benutzeroberfläche zu empfehlen. In solchen Ausführungsformen kann das Empfehlen einer Erfahrung auf die erste Weise eine oder mehrere der folgenden Aktionen beinhalten: (i) die Verwendung eines größeren Icons zur Darstellung der Erfahrung auf einem Display der Benutzeroberfläche (verglichen mit der Größe des Icons, das zur Darstellung der Erfahrung auf dem Display verwendet wird, wenn die Erfahrung auf die zweite Weise empfohlen wird); (ii) die zeitlich längere Darstellung von die Erfahrung repräsentierenden Bildern auf dem Display (verglichen mit der Dauer, während der die die Erfahrung repräsentierenden Bilder dargestellt werden, wenn die Erfahrung auf die zweite Weise empfohlen wird); (iii) die Verwendung eines bestimmten visuellen Effekts zur Darstellung der Erfahrung auf dem Display, der nicht zur Darstellung der Erfahrung auf dem Display verwendet wird, wenn die Erfahrung auf die zweite Weise empfohlen wird; und (iv) die Darstellung bestimmter Informationen hinsichtlich der Erfahrung auf dem Display, die nicht dargestellt werden, wenn die Erfahrung auf die zweite Weise empfohlen wird.
  • In einigen Ausführungsformen ist ein Empfehlungsmodul, wie etwa das Empfehlungsmodul 178, dazu konfiguriert, einem Benutzer eine Erfahrung durch Zusenden einer Benachrichtigung über die Erfahrung zu empfehlen. In solchen Ausführungsformen kann das Empfehlen einer Erfahrung auf die erste Weise eine oder mehrere der folgenden Aktionen beinhalten: (i) das Versenden der Benachrichtigung über die Erfahrung an einen Benutzer mit einer Frequenz, die höher ist als die Frequenz, mit der der Benachrichtigung über die Erfahrung an den Benutzer gesendet wird, wenn die Erfahrung auf die zweite Weise empfohlen wird; (ii) das Versenden der Benachrichtigung an eine Zahl von Benutzern, die größer ist als die Zahl der Benutzer, an die die Benachrichtigung gesendet wird, wenn die Erfahrung auf die zweiten Weise empfohlen wird; und (iii) ein durchschnittlich früheres Versenden der Benachrichtigung über die Erfahrung (im Vergleich zum Zeitpunkt des Versendens der Benachrichtigung über die Erfahrung, wenn die Erfahrung auf die zweite Weise empfohlen wird).
  • In einigen Ausführungsformen kann die Signifikanz einer Bewertung, wie etwa der Bewertung 164, durch das Bewertungssignifikanz-Modul 165 berechnet werden. Optional kann die Signifikanz einer Bewertung, wie etwa die Signifikanz 176 der Bewertung 164, verschiedene Arten von durch statistische Tests abgeleiteten Werten, wie p-Werte, q-Werte und False Discovery Rates (FDRs), repräsentieren. Zusätzlich oder alternativ kann die Signifikanz durch Bereiche, Fehlerbalken und/oder Konfidenzintervalle ausgedrückt werden.
  • Es folgt eine kurze Beschreibung einiger anderer Module, die möglicherweise in dieser Veröffentlichung.
  • Das dynamische Bewertungsmodul 180 ist dazu konfiguriert, Bewertungen 183 der Erfahrung auf der Grundlage der Messwerte 110 zu berechnen. Das dynamische Bewertungsmodul kann Module verwenden, die den durch das Bewertungsmodul 150 verwendeten Modulen ähnlich sind. Zum Beispiel kann das dynamische Bewertungsmodul das statistische Test-Modul 152, das statistische Test-Modul 158 und/oder das arithmetische Bewertungsmodul 162 verwenden. Die Scores 183 kann aus verschiedenen Arten von Werten, ähnlich Kerben für Erfahrungen berechnet, die von anderen Modulen in dieser Offenbarung, wie Scoring Modul 150.
  • Zum Beispiel gehört jede durch das dynamische Bewertungsmodul 180 berechnete Bewertung zu einem Zeitpunkt t. Die Bewertung wird auf der Grundlage von Messwerten berechnet, die zu einem Zeitpunkt erfasst wurden, der nicht nach t liegt. Jede Bewertung berechnet, indem das dynamische erzielte Modul 180 entspricht beispielsweise einem Zeitpunkt t. Die Punktzahl berechnet sich basierend auf Messungen, die genommen wurden, in einer Zeit, die sich nicht später als t. Die Messungen umfassen auch eine bestimmte Anzahl von Messungen, die genommen wurden, nicht lange zuvor t. Zum Beispiel, die bestimmte Anzahl von Messungen wurden in einer Zeit, die sich nach einer ersten Periode vor t (d. h., die bestimmte Anzahl von Messungen werden in einer Zeit, die sich nicht früher als die Zeit t minus der ersten Periode). Je nach Ausführungsform, die erste Periode kann einen Tag, 12 Stunden, 4 Stunden, 2 Stunden, 1 Stunde, 30 Minuten oder eine andere Periode, die kürzer ist als ein Tag. Durch die nicht lange vor t liegende Erfassung der Messwerte kann die durch das dynamische Bewertungsmodul 180 berechnete Bewertung die affektive Reaktion von Benutzern auf die Erfahrung so widerspiegeln, wie sie nicht lange vor t erlebt wurde. Wenn sich also zum Beispiel die Qualität der Erfahrung im Laufe der Zeit ändert, kann sich diese dynamische Natur der Bewertungen in den durch das dynamische Bewertungsmodul 180 berechneten Bewertungen widerspiegeln.
  • In einer Ausführungsform umfassen die durch das Ranking-Modul 220 empfangenen Messwerte Messwerte der affektiven Reaktion von Benutzern auf eine Vielzahl von Erfahrungen. Optional kann für jede Erfahrung aus den Erfahrungen, die Messungen durch das Ranking Modul 220 gehören Messungen der affektiven Reaktion von mindestens fünf Benutzer zu der Erfahrung. Das bedeutet, dass die Messungen umfassen für jede Erfahrung Messungen der affektiven Reaktion von mindestens fünf Benutzer, die Erfahrung hatte, und die Messungen der mindestens fünf Benutzer genommen wurden, während sich die Benutzer hatten die Erfahrung oder kurz nach dieser Zeit (z. B. innerhalb einer Minute, eine Stunde, und/oder ein Tag der Beendigung der Erfahrung, je nach der Verkörperung). Das Ranking-Modul 220 ist dazu konfiguriert, die Vielzahl der Erfahrungen derart auf der Grundlage der Messwerte zu ranken, dass eine erste Erfahrung aus der Vielzahl der Erfahrungen höher gerankt wird als eine zweite Erfahrung aus der Vielzahl der Erfahrungen.
  • Das personalisierte Benachrichtigungsmodul 250 ist dem Benachrichtigungsmodul 220 ähnlich. Es ist auch konfiguriert werden, generieren Rankings der Erfahrungen. Aber jede Klassifizierung durch das Ranking Modul 250 wird davon ausgegangen, zu einer Zeit t und erzeugt auf der Basis einer Teilmenge der Messungen 110 der affektiven Reaktion der Nutzer, die aus Messungen an einer Zeit, die nach einem bestimmten Zeitraum vor t, ist aber nicht nach t. Das ist, wenn eine bestimmte Periode bezeichnet Δ, Messungen verwendet werden, um eine Rangfolge zu einem Zeitpunkt t werden irgendwann zwischen die Zeiten t – Δt. Optional kann eine bestimmte Periode der Zeit ist zwischen einer Minute und einem Tag. Optional ist die gewisse Zeit mindestens eines der folgenden Zeiträume: eine Minute, eine Stunde, einen Tag, eine Woche oder einen Monat. Optional, enthalten die Messungen verwendet, um das Ranking entsprechend der Zeit t berechnen Messungen von mindestens fünf verschiedenen Benutzern. Optional, enthalten die Messungen verwendet, um das Ranking entsprechend der Zeit t berechnen Messungen unterschiedliche minimale vieler Benutzer, z. B. mindestens zehn verschiedene Benutzer oder mindestens fünfzig verschiedene Benutzer. Optional Datenverarbeitung der Rangliste entsprechend der Zeit t kann durchgeführt werden, mit zusätzliche Messungen, die früher als t – Δ. Optional, wenn eine Klassifizierung entsprechend der Zeit t, für jede Erfahrung geordnet werden, die Messungen für die Berechnung der Rangliste entsprechend der Zeit t gehören Messungen von mindestens fünf verschiedene Nutzer, die genommen wurden zwischen T – Δt.
  • 9 – Erfassung von Messwerten
  • Verschiedene hierin beschriebene Ausführungsformen umfassen ein Erfassungsmodul, wie etwa das Erfassungsmodul 120, das für den Empfang von Messwerten der affektiven Reaktion von Benutzern konfiguriert ist. In den hierin beschriebenen Ausführungsformen werden die durch das Erfassungsmodul empfangenen Messwerte, welche die Messwerte 110 und/oder durch eine andere Referenzziffer bezeichnete Messwerte der affektiven Reaktion sein können, typischerweise an andere Module zur Generierung eines crowd-basierten Ergebnisses weitergeleitet (z. B. Bewertungsmodul 150, Ranking-Modul 220 und ähnliche Module). Die durch das Erfassungmodul empfangenen Messwerte können sich von den den Modulen bereitgestellten Messwerten unterscheiden. Zum Beispiel können die den Modulen bereitgestellten Messwerte vor dem Empfang durch die Module verschiedenen Formen der Verarbeitung unterzogen werden. Zusätzlich können die den Modulen bereitgestellten Messwerte nicht zwangsläufig alle durch das Erfassungsmodul empfangenen Messwerte enthalten. Zum Beispiel kann das Erfassungsmodul bestimmte Messwerte empfangen, die nicht zur Berechnung eines crowd-basierten Ergebnisses erforderlich sind (die z. B. eine Erfahrung betreffen, die zu dem Zeitpunkt nicht bewertet oder gerankt wird).
  • Zusätzlich zu den Messungen 110 und/oder als Teil der Messungen 110, die Sammlung Modul 120 erhalten können Informationen bezüglich der Messungen wie z.b. Informationen über die Ereignisse entsprechend der Messungen. Beispielsweise kann Informationen über ein Ereignis, dem eine Messung der affektiven Reaktion entspricht, der Erfahrung, die entsprechenden Ereignisses, die Benutzer, die das Ereignis und/oder Informationen über die Instanziierung des Ereignisses entspricht betreffen. Weitere Informationen zu Faktoren von Ereignissen sind zumindest im Abschnitt 4 (Ereignisse) zu finden. In einigen Ausführungsarten, die Sammlung Modul 120 können die Informationen über die Ereignisse in der Reihenfolge, um zu ermitteln, wie die Messungen 110, welche Teile der Messungen 110 zur Weiterleitung an andere Module des Systems und/oder zu denen der anderen Module im System, zumindest einige der Messungen 110. Zusätzlich oder alternativ kann Informationen über Ereignisse vom Sammlung Modul 120 auf andere Systemmodule zusätzlich zu oder anstelle von Messungen der affektiven Reaktion übermittelt werden.
  • Das Erfassungsmodul 120 kann während verschiedener Zeiträume erfasste Messwerte empfangen und/oder anderen Modulen zur Verfügung stellen. Beispielsweise werden die Messwerte der affektiven Reaktion, die anderen Modulen (z. B. dem Bewertungsmodul 150) durch das Erfassungsmodul bereitgestellt werden, in einigen Ausführungsformen während eines bestimmten Zeitraums von mindestens einer Stunde, einem Tag, einem Monat oder einem Jahr erfasst. Wenn die Messwerte sich zum Beispiel über einen Zeitraum von mindestens einem Tag erstrecken, umfassen sie mindestens einen ersten Messwert und einen zweiten Messwert, wobei der erste Messwerte mindestens 24 Stunden vor dem zweiten Messwert erfasst wird. In anderen Ausführungsformen wird zumindest ein bestimmter Anteil der durch andere Module zur Berechnung crowd-basierter Ergebnisse verwendeten Messwerte der affektiven Reaktion innerhalb eines bestimmten Zeitraums erfasst. Der bestimmte Anteil kann beispielsweise mindestens 25 %, mindestens 50 % oder mindestens 90 % der Messwerte umfassen. Außerdem kann der bestimmte Zeitraum in diesem Beispiel verschiedene Zeitfenster umfassen, die sich über Zeiträume von beispielsweise höchstens einer Minute, höchstens zehn Minuten, höchstens 30 Minuten, höchstens einer Stunde, höchstens vier Stunden, höchstens einem Tag oder höchstens einer Woche erstrecken.
  • In einigen Ausführungsformen kann ein Erfassungsmodul, wie etwa das Erfassungsmodul 120, als ein Modul gelten, das Messwerte, die zur Berechnung crowd-basierter Ergebnisse verwendet werden, organisiert und/oder vorverarbeitet. Optional hat das Erfassungsmodul 120 eine Schnittstelle, die es anderen Modulen ermöglicht, bestimmte Arten von Messwerten anzufordern, wie beispielsweise Messwerte im Zusammenhang mit Benutzern, die eine bestimmte Erfahrung hatten, Messwerte von Benutzern, die bestimmte Merkmale (z. B. bestimmte Profilattribute) besitzen, Messwerte, die zu bestimmten Zeiten erfasst wurden, und/oder Messwerte, die unter Verwendung bestimmter Arten von Sensoren und/oder Operationsparameter erfasst wurden.
  • In den hierin beschriebenen Ausführungsformen kann das Erfassungsmodul 120 auf unterschiedliche Weise implementiert werden. In einigen Ausführungsformen kann das Erfassungsmodul 120 ein unabhängiges Modul sein, während es in anderen Ausführungsformen ein Modul sein kann, das Teil eines anderen Moduls ist (z. B. kann es eine Komponente des Bewertungsmoduls 150 sein). In einem Beispiel umfasst das Erfassungsmodul 120 Hardware, wie etwa einen Prozessor und einen Speicher, sowie Schnittstellen, die Wege zur Kommunikation mit den Benutzern (z. B. über ihre Geräte zum Empfang von Messwerten) und/oder mit anderen Modulen unterstützen (z. B. zum Empfang von Anfragen und/oder zur Bereitstellung von Messwerten). In einem anderen Beispiel kann das Erfassungsmodul 120 als ein Software-Modul implementiert und/oder als Teil in einem Software-Modul umfasst sein, wobei das Software-Modul auf einem allgemeinem Server und/oder auf verteilte Weise ausgeführt werden kann (z. B. kann das Erfassungsmodul 120 auf den Geräten der Benutzer ausführbare Module umfassen).
  • Das Erfassungsmodul kann die Messwerte der affektiven Reaktion auf verschiedene Weise empfangen. Es folgen einige Beispiele von Verfahrensweisen, die in den hierin beschriebenen Ausführungsformen implementiert sein können.
  • In einer Ausführungsform empfängt das Erfassungsmodul zumindest einige der Messwerte direkt von den Benutzern, von denen die Messwerte erfasst werden. In einem Beispiel werden die Messwerte während ihrer Erfassung durch Geräte der Benutzer gestreamt (z. B. kann das Smartphone eines Benutzers Messwerte übertragen, die von dem Benutzer durch einen oder mehrere Sensoren erfasst wurden). In einem anderen Beispiel kann ein im Namen des Benutzers operierender Software-Agent routinemäßig Beschreibungen von Ereignissen übertragen, wobei jedes Ereignis einen Messwert und eine Beschreibung eines Benutzers und/oder einer Erfahrung, die der Benutzer hatte, umfasst.
  • In einer anderen Ausführungsform ist das Erfassungsmodul dazu konfiguriert, zumindest einige der Messwerte aus einer oder mehreren Datenbanken, die die Messwerte der affektiven Reaktion von Benutzern speichern, abzurufen. Optional ist die Datenbank oder sind die Datenbanken Teil des Erfassungsmoduls. In einem Beispiel kann die Datenbank oder können die Datenbanken eine verteilte Speicherung (z. B. cloud-basierte Speicherung) zur Folge haben. In einem anderen Beispiel kann die Datenbank oder können die Datenbanken eine dezentrale Speicherung (z. B. Nutzung blockchain-basierter Systeme) zur Folge haben. Optional sendet das Erfassungsmodul Auswahlkriterien betreffende Anfragen an die Datenbank oder die Datenbanken, welche beinhalten können: eine Erfahrungsart, einen Ort, an dem die Erfahrung stattfand, einen Zeitraum, während dem die Erfahrung stattfand, eine Identität eines oder mehrerer Benutzer, die die Erfahrung hatten, und/oder ein oder mehrere Merkmale der Benutzer oder der Erfahrung. Optional umfassen die Messwerte Ergebnisse, die nach Befragen der Datenbank oder der Datenbanken durch die Anfragen zurückgegeben werden.
  • In einer weiteren Ausführungsform ist das Erfassungsmodul dazu konfiguriert, zumindest einige der Messwerte von Software-Agenten zu empfangen, die im Namen der Benutzer, von denen die Messwerte erfasst werden, operieren. In einem Beispiel empfangen die Software-Agenten Anfragen für Messwerte, die zu Ereignissen mit bestimmten Merkmalen gehören. Ein Software-Agent kann auf Grund der Merkmale bestimmen, ob der Software-Agent Daten hat und/oder bekommen kann, die zu für die Anfrage relevanten Ereignissen gehören. In einem Beispiel kann sich ein Merkmal eines relevanten Ereignisses auf den zum Ereignis gehörenden Benutzer beziehen (z. B. besitzt der Benutzer bestimmte demographische Merkmale oder befindet sich in einer bestimmten Interessensituation). In einem anderen Beispiel kann sich ein Merkmal eines relevanten Ereignisses auf die zum Ereignis gehörende Erfahrung beziehen (z. B. kann das Merkmal indikativ für eine bestimmte Erfahrungsart sein). In einem weiteren Beispiel kann sich ein Merkmal eines relevanten Ereignisses auf den zum Ereignis gehörenden Messwert beziehen (z. B. wird der Messwert unter Verwendung einer bestimmten Art von Sensor und/oder mindestens während einer bestimmten Zeitdauer erfasst). Und in einem wiederum anderen Beispiel kann sich ein Merkmal eines relevanten Ereignisses auf eine zum Ereignis gehörende Zeitdauer beziehen (z. B. ein bestimmtes Zeitfenster, in dem der Messwert erfasst wurde, wie beispielsweise während des letzten Tage oder der letzten Woche).
  • Nach dem Empfang einer Anfrage kann ein im Namen eines Benutzers operierender Software-Agent bestimmen, ob dem Erfassungsmodul Informationen bereitgestellt werden und/oder in welchem Umfang dem Erfassungsmodul Informationen bereitgestellt werden.
  • Als Reaktion auf eine Anfrage für Messwerte kann ein Software-Agent Daten liefern, die zu verschiedenen Zeiten erfasst wurden. In einem Beispiel kann der Software-Agent Daten liefern, die zuvor aufgezeichnet wurden, z. B. Daten, die zu Ereignissen gehören, die in der Vergangenheit geschehen sind (z. B. während des Tags vor der Anfrage, während des Monats vor der Anfrage und sogar während eines Jahrs oder länger vor der Anfrage). In einem anderen Beispiel kann der Software-Agent Daten liefern, die zu der Zeit erfasst werden (z. B. werden die Messwerte des Benutzers gestreamt, während der Benutzer eine Erfahrung hat, die für die Anfrage relevant ist). In einem weiteren Beispiel kann eine Anfrage für Messwerten gespeichert und später ausgeführt werden, wenn der Software-Agent feststellt, dass ein für die Anfrage relevantes Ereignis eingetreten ist.
  • Ein Software-Agent kann Daten in verschiedenen Formen liefern. In einer Ausführungsform kann der Software-Agent Rohmesswerte liefern. Zusätzlich oder alternativ kann der Software-Agent verarbeitete Messwerte liefern, die, wie oben erklärt, auf eine oder mehrere Weisen verarbeitet wurden. In einigen Ausführungsformen kann der Software-Agent zusätzlich zu den Messwerten Informationen liefern, die sich auf zu den Messwerten gehörende Ereignisse beziehen, wie beispielsweise Merkmale des zu einem Ereignis gehörenden Benutzers, Merkmale der zu einem Ereignis gehörenden Erfahrung und/oder Details der Instanziierung des Ereignisses.
  • In einer Ausführungsform umfasst die Bereitstellung von Messwerten durch einen Software-Agenten die Übertragung von Messwerten und/oder anderer zugehöriger Daten an das Erfassungsmodul durch ein Gerät des Benutzers. Zum Beispiel können die übertragenen Daten auf einem Gerät eines Benutzers (z. B. ein Smartphone oder ein tragbares Computergerät) gespeichert werden. In einer anderen Ausführungsform beinhaltet die Bereitstellung von Messwerten durch einen Software-Agenten die Übertragung einer Adresse, eines Autorisierungscodes und/oder eines Verschlüsselungscodes, die durch das Erfassungsmodul zum Abrufen von an einem entfernten Speicherort und/oder mit dem Erfassungsmodul gespeicherten Daten genutzt werden können. In einer weiteren Ausführungsform kann die Bereitstellung von Messwerten durch den Software-Agenten eine Übertragung von Anweisungen an andere Module oder Entitäten beinhalten, die diese dazu anweisen, dem Erfassungsmodul Messwerte bereitzustellen.
  • Eine der Funktionen, die das Erfassungsmodul 120 in einigen Ausführungsformen durchführen kann, ist die Organisation und/oder Verarbeitung von Messwerten der affektiven Reaktion. Abschnitt 2 (Messwerte der affektive Reaktion) beschreibt verschiedene Formen der Verarbeitung, die durchgeführt werden können; diese umfassen insbesondere die Berechnung affektiver Werte (z. B. mit einem Emotionszustands-Schätzer) und/oder die Normalisierung der Messwerte in Bezug auf die Basislinienwerte der affektive Reaktion.
  • Je nach der Ausführungsform kann die Verarbeitung der Messwerte der affektiven Reaktion der Benutzer zentral durch das Erfassungsmodul 120 oder verteilt, z. B. durch im Namen der Benutzer operierende Software-Agenten, erfolgen. Folglich werden in einigen Ausführungsformen verschiedene in dieser Offenlegung beschriebene Verarbeitungsmethoden teilweise oder ganz durch das Erfassungsmodul 120 durchgeführt, während die Verarbeitung in anderen Ausführungsformen teilweise oder ganz durch die Software-Agenten durchgeführt wird. 23a und 23b zeigen verschiedene Szenarien, die in den hierin beschriebenen Ausführungsformen vorkommen können und in denen die Verarbeitung der Messwerte der affektiven Reaktion größtenteils durch entweder das Erfassungsmodul 120 oder durch einen Software-Agenten 108 erfolgt.
  • 23a zeigt eine Ausführungsform, in der die Verarbeitung der Messwerte der affektiven Reaktion zumindest teilweise, wenn nicht größtenteils, durch das Erfassungmodul 120 durchgeführt wird, wobei die Messwerte verschiedenen Modulen zur Berechnung crowd-basierter Ergebnisse zur Verfügung gestellt werden können. Der Benutzer 101 liefert einen Messwert 104 der affektiven Reaktion an das Erfassungsmodul 120. Optional kann der Messwert 104 ein Rohmesswert sein (d. h. er enthält Werte, die im Wesentlichen so sind, wie sie durch einen Sensor erfasst wurden) und/oder kann der Messwert 104 ein teilweise verarbeiteter Messwert sein (z. B. ein Messwert, der bestimmten Verfahren zur Filtration und/oder Rauschunterdrückung unterzogen wurde). In dieser Ausführungsform kann das Erfassungsmodul 120 verschiedene Module beinhalten, die zur Verarbeitung von Messwerten verwendet werden können, wie beispielsweise den Emotionszustands-Schätzer (EZS) 121 und/oder den Basislinien-Normalisator 124. Optional kann das Erfassungsmodul 120 andere Module zusätzlich oder anstelle des Emotionszustands-Schätzers 121 und/oder des Basislinien-Normalisators 124 beinhalten, die andere Arten der Verarbeitung von Messwerten durchführen. Zum Beispiel kann das Erfassungsmodul 120 Module beinhalten, die andere Formen der im Abschnitt 2 (Messwerte der affektiven Reaktion) beschriebenen affektiven Werte berechnen, und/oder Module, die verschiedene Formen der Vorverarbeitung von Rohdaten durchführen. In dieser Ausführungsform kann der Messwert, der anderen Modulen durch das Erfassungsmodul 120 bereitgestellt wird, als ein verarbeiteter Wert und/oder ein affektiver Wert gelten. Er kann beispielsweise ein den emotionalen Zustand 105 repräsentierender affektiver Wert und/oder ein normalisierter Messwert 106 sein.
  • 23b zeigt eine Ausführungsform, in der die Verarbeitung der Messwerte der affektiven Reaktion des Benutzers 101 zumindest teilweise, wenn nicht größtenteils, durch den Software-Agenten 108 durchgeführt wird. Der Benutzer 101 liefert einen Messwert 104 der affektiven Reaktion an den Software-Agenten 108, der im Namen des Benutzers operiert. Optional kann der Messwert 104 ein Rohmesswert sein (d. h. er enthält Werte, die im Wesentlichen so sind, wie sie durch einen Sensor erfasst wurden) und/oder kann der Messwert 104 ein teilweise verarbeiteter Messwert sein (z. B. ein Messwert, der bestimmten Verfahren zur Filtration und/oder Rauschunterdrückung unterzogen wurde). In dieser Ausführungsform kann der Software-Agent 108 verschiedene Module beinhalten, die zur Verarbeitung von Messwerten verwendet werden können, wie beispielsweise den Emotionszustands-Schätzer (EZS) 121 und/oder den Basislinien-Normalisator 124. Optional kann das Erfassungsmodul 108 andere Module zusätzlich oder anstelle des Emotionszustands-Schätzers 121 und/oder des Basislinien-Normalisators 124 umfassen, die andere Arten der Verarbeitung von Messwerten durchführen. Zum Beispiel kann das Erfassungsmodul 108 Module umfassen, die andere Formen der im Abschnitt 2 (Messwerte der affektiven Reaktion) beschriebenen affektiven Werte berechnen, und/oder Module, die verschiedene Formen der Vorverarbeitung von Rohdaten durchführen. In dieser Ausführungsform kann der Messwert, der dem Erfassungsmodul 120 bereitgestellt wird, als ein verarbeiteter Wert und/oder ein affektiver Wert gelten. Er kann beispielsweise ein den emotionalen Zustand 105 repräsentierender affektiver Wert und/oder ein normalisierter Messwert 106 sein.
  • 24 zeigt eine Ausführungsform des Emotionszustands-Schätzers (EZS) 121. In 24 liefert der Benutzer 101 einen Messwert 104 der affektiven Reaktion an das Erfassungsmodul 121. Optional kann der Emotionszustands-Schätzer 121 andere Inputs, wie beispielsweise einen Basislinienwert der affektiven Reaktion 126 und/oder zusätzliche Inputs 123, empfangen, die kontextbezogene Daten über den Messwert enthalten können (z. B. eine Situation, in der sich der Benutzer zu der Zeit befand, und/oder kontextbezogene Informationen über die Erfahrung, zu der der Messwert 104 gehört). Optional kann der Emotionszustands-Schätzer das Modell 127 zur Einschätzung des emotionalen Zustands 105 des Benutzers 101 auf der Grundlage des Messwerts 104 verwenden. Optional ist das Modell 127 ein allgemeines Modell, das z. B. anhand von von mehreren Benutzern erfassten Daten trainiert wird. Alternativ kann das Modell 127 ein persönliches Modell des Benutzers 101 sein, das z. B. anhand von vom Benutzer 101 erfassten Daten trainiert wird. Weitere Informationen darüber, wie emotionale Zustände eingeschätzt und/oder als affektive Werte dargestellt werden können, sind zumindest im Abschnitt 2 (Messwerte der affektive Reaktion) dieser Offenlegung zu finden.
  • 25 zeigt eine Ausführungsform des Basislinien-Normalisators 124. In dieser Ausführungsform liefert der Benutzer 101 einen Messwert 104 der affektiven Reaktion sowie den Basislinienwert der affektiven Reaktion 126, und der Basislinien-Normalisator 124 berechnet den normalisierten Messwert 106.
  • In einer Ausführungsform umfasst die Normalisierung eines Messwerts der affektiven Reaktion mittels eines Basislinienwerts der affektiven Reaktion die Subtraktion des Basislinienwerts vom Messwert. Folglich wird der Messwert nach der Normalisierung hinsichtlich der Basislinie ein relativer Wert, der eine Differenz zur Basislinie widerspiegelt. In einer anderen Ausführungsform beinhaltet die Normalisierung eines Messwerts hinsichtlich der Basislinie die Berechnung eines Werts auf der Grundlage des Basislinienwerts und des Messwerts, wie beispielsweise ein Durchschnitt der Basislinie und des Messwerts (z. B. der geometrische oder der arithmetische Durchschnitt).
  • In einigen Ausführungsformen bezieht sich ein Basislinienwert der affektiven Reaktion eines Benutzers auf einen Wert, der eine affektive Reaktion des Benutzers unter typischen Bedingungen repräsentieren kann. Optional wird ein für einen bestimmten Zeitpunkt relevanter Basislinienwert der affektiven Reaktion eines Benutzers unter Verwendung eines oder mehrerer Messwerte der affektiven Reaktion des Benutzers gewonnen, die vor einem bestimmten Zeitpunkt erfasst wurden. Beispielsweise kann eine zu einem bestimmten Zeitpunkt gehörende Basislinie auf Messwerten basieren, die innerhalb eines Zeitfensters von ein paar Minuten, Stunden oder Tagen vor dem bestimmten Zeitpunkt erfasst wurden. Zusätzlich oder alternativ kann ein Basislinienwert der affektiven Reaktion eines Benutzers unter Verwendung eines Modells vorhergesagt werden, das anhand von Messwerten der affektiven Reaktion des Benutzers und/oder anderer Benutzer trainiert wurde. In einigen Ausführungsformen kann ein Basislinienwert der affektiven Reaktion zu einer bestimmten Situation gehören und eine typische affektive Reaktion eines Benutzers in der bestimmten Situation repräsentieren. Eine weitere Erörterung der Basislinien einschließlich der Frage, wie Basislinien berechnet werden und wie sie verwendet werden können, ist im Abschnitt 2 (Messwerte der affektiven Reaktion) und an anderer Stelle in dieser Offenbarung zu finden.
  • In einigen Ausführungsformen kann die durch den Software-Agenten 108 und/oder das Erfassungsmodul 120 durchgeführte Verarbeitung der Messwerte der affektiven Reaktion eine Gewichtung und/oder Auswahl der Messwerte umfassen. Beispielsweise können zumindest einige der Messwerte 110 derart gewichtet werden, dass die Messwerte jedes Benutzers dasselbe Gewicht haben (z. B. um einem Benutzer mit vielen Messwerten nicht mehr Einfluss auf die berechnete Bewertung zu geben). In einem anderen Beispiel werden die Messwerte entsprechend des Zeitpunkts, zu dem sie erfasst wurden, gewichtet, beispielsweise indem neuere Messwerte stärker gewichtet werden (damit ein anhand der Messwerte 110 berechnetes Ergebnis dem aktuellen Zustand mehr Einfluss als einem historischen Zustand geben kann). Optional werden Messwerte mit einer unterhalb eines vorgegebenen Schwellenwerts liegenden Gewichtung und/oder mit einer Gewichtung von null nicht an andere Module zur Verwendung in der Berechnung crowd-basierter Ergebnisse weitergeleitet.
  • 10 – Bewertung
  • Verschiedene hierin beschriebene Ausführungsformen können ein Modul umfassen, das eine Bewertung einer Erfahrung auf der Grundlage von Messwerten der affektiven Reaktion von Benutzern, die die Erfahrung hatten, berechnet (z. B. können die Messwerte zu Ereignissen gehören, bei denen die Benutzer die Erfahrung haben). Beispiele für Bewertungsmodule sind unter anderem das Bewertungsmodul 150, das dynamische Bewertungsmodul 180 und das Nachwirkungsbewertungsmodul 180.
  • In einigen Ausführungsarten, eine Partitur für ein Erlebnis wird durch eine zählende Modul berechnet sich ausschließlich basierend auf Messungen der affektiven Reaktion auf entsprechende Ereignisse, in denen Benutzer haben die Erfahrung. In anderen Ausführungsformen kann eine durch ein Bewertungsmodul berechnete Bewertung auf der Grundlage von Messwerten und anderen Werten, wie etwa Basislinienwerte der affektiven Reaktion oder vorherige Messwerte, berechnet werden. In einem Beispiel erfolgt die Berechnung einer Bewertung durch das Bewertungsmodul 150 auf der Grundlage vorheriger Messwerte, die erfasst werden, bevor die Benutzer eine Erfahrung haben, und zeitgleicher Messwerte, die erfasst werden, während die Benutzer die Erfahrung haben. Diese Bewertung kann widerspiegeln, wie die Benutzer die Erfahrung empfinden.
  • Wenn die Messwerte der affektiven Reaktion zu einer bestimmten Erfahrung gehören, z. B. während und/oder kurz nachdem die Benutzer die bestimmte Erfahrung hatten erfasst werden, kann eine auf Grundlage der Messwerte berechnete Bewertung indikativ für ein Ausmaß der affektiven Reaktion der Benutzer auf die bestimmte Erfahrung sein. Zum Beispiel können die Messwerte der affektiven Reaktion von Benutzern, die erfasst wurden, während die Benutzer an einem bestimmten Ort waren, zur Berechnung einer Bewertung verwendet werden, die indikativ für die affektive Reaktion der Benutzer auf den Aufenthalt an dem bestimmten Ort ist. Optional kann die Bewertung indikativ für die Qualität der Erfahrung und/oder der emotionalen Reaktion der Benutzer auf die Erfahrung sein (z. B. kann die Bewertung einen Grad des Vergnügens durch das Erleben der Erfahrung ausdrücken).
  • In einer Ausführungsform kann eine durch ein Bewertungsmodul berechnete Bewertung, wie etwa die Bewertung 164, einen Wert umfassen, der auf der Grundlage der Messwerte 110 ermittelt wurde und eine Qualität der bestimmten Erfahrung repräsentiert. Optional umfasst die Bewertung einen Wert, der mindestens einer der folgenden Werte ist: ein physiologisches Signal, ein Verhaltenssignal, ein emotionaler Zustand und ein affektiver Wert. Optional umfasst die Bewertung einen Wert, der eine Funktion von Messwerten von mindestens fünf Benutzern ist. Optional ist die Bewertung indikativ für die Signifikanz der Hypothese, dass die mindestens fünf Benutzer eine bestimmte affektive Reaktion hatten. In einem Beispiel manifestiert sich die bestimmte affektive Reaktion durch Änderungen der Werte von mindestens einer der folgenden Arten von Messwerten: Messwerte physiologischer Signale und Messwerte von Verhaltenssignalen.
  • In einer Ausführungsform ist eine auf der Grundlage von Messwerten der affektiven Reaktion berechnete Erfahrungsbewertung eine statistische Größe der Messwerte. Zum Beispiel kann die Bewertung der Durchschnitt, Mittelwert und/oder Modalwert der Messwerte sein. In anderen Beispielen kann die Bewertung die Form anderer statistischer Größen annehmen, wie z. B. der Wert eines bestimmten Perzentils, wenn die Messwerte nach ihren Werte geordnet sind.
  • In einer weiteren Ausführungsform wird eine aus Messwerten der affektiven Reaktion berechnete Erfahrungsbewertung unter Verwendung einer Funktion berechnet, die einen die Messwerte des affektiven Reaktion umfassenden Input erhält und einen Wert zurückgibt, der zumindest zu einem gewissen Grad von dem Wert der Messwerte abhängt. Optional kann die Funktion, nach der die Bewertung berechnet wird, insofern nichttrivial sein, als dass sie nicht denselben Wert für alle Inputs zurückgibt. Folglich kann angenommen werden, dass eine auf der Grundlage von Messwerten der affektiven Reaktion berechnete Bewertung mindestens eine Funktion verwendet, für die es zwei unterschiedliche Input-Sätze aus Messwerten der affektiven Reaktion gibt, so dass die Funktion verschiedene Outputs für jeden Input-Satz liefert. Abhängig von den Eigenschaften der Ausführungsformen können verschiedene Funktionen zur Berechnung von Bewertungen aus Messwerten der affektiven Reaktion verwendet werden; die Funktionen können von einfachen statistischen Funktionen (wie oben beschrieben) zu verschiedenen beliebigen arithmetischen Funktionen (z. B. geometrisches oder harmonisches Mittel) reichen und möglicherweise komplexe Funktionen sein, die statistische Tests umfassen, wie beispielsweise Likelihood-Quotienten-Test, Berechnungen von p-Werten und/oder anderer Formen der statistischen Signifikanz.
  • In noch einer anderen Ausführungsform umfasst eine Funktion, die zur Berechnung einer Erfahrungsbewertung auf der Grundlage von Messwerten der affektiven Reaktion verwendet wird, die Verwendung eines auf maschinellem Lernen basierten Prädiktors, der als Input Messwerte der affektiven Reaktion empfängt und ein Ergebnis zurückgibt, das als eine Bewertung interpretiert werden kann. Das Ziel (der Zielwert), der durch den Prädiktor berechnet wird, kann unterschiedliche Formen annehmen, die möglicherweise über Werte hinausgehen, die als direkt aus emotionalen Reaktionen stammend interpretiert werden können, wie ein Grad, zu dem die Erfahrung als „erfolgreich” oder „rentabel” gelten kann. Zum Beispiel kann die aus den Messwerten berechnete Bewertung einer Erfahrung, die das Ansehen eines Films oder Konzerts betrifft, indikativ dafür sein, wie hoch das zu erwartende Einkommen aus der Erfahrung sein kann (z. B. Einspielergebnisse für einen Film oder ein Konzert), oder wie lange die Erfahrung stattfinden wird (z. B. wie viele Shows vor dem Rückgang der Teilnahme unter ein bestimmtes Niveau erwartet werden).
  • In einer Ausführungsform ergibt sich eine auf der Grundlage von Messwerten der affektiven Reaktion berechnete Erfahrungsbewertung, indem die Messwerte als Input einem Computerprogramm bereitgestellt werden, das die Messwerte und möglicherweise andere Informationen nutzen kann, um einen Output zu generieren, der möglicherweise nach einer weiteren Verarbeitung zur Generierung der Bewertung verwendet werden kann. Optional können die anderen Informationen Informationen zu den Benutzern, von denen die Messwerte erfasst wurden, und/oder zu den Ereignissen, zu denen die Messwerte gehören, umfassen. Optional kann das Computerprogramm als ein externer Dienst ausgeführt werden, der nicht Teil des Systems ist, das die Bewertung nutzt. Somit kann das System die Bewertung verwenden, ohne die eigentliche Logik und/oder alle zur Generierung der Bewertung verwendeten Input-Werte zu besitzen. Beispielsweise kann die Bewertung durch einen externen „Expertendienst” generiert werden, der geschützte Informationen über den Benutzer und/oder die Ereignisse besitzt, die es ihm ermöglichen, einen Wert zu generieren, der informativer für die affektive Reaktion auf eine Erfahrung ist, zu der die Messwerte gehören.
  • Einige Erfahrungen können als komplexe Erfahrungen, die mehrere "kleinere" Erfahrungen. Bei der Berechnung ein Ergebnis für einen solchen komplexen Erfahrung, kann es verschiedene Ansätze, die ergriffen werden können.
  • In einer Ausführungsform wird die Erfahrungsbewertung auf der Grundlage von Messwerten der affektiven Reaktion berechnet, die zu Ereignissen gehören, die mit dem Erleben der komplexen Erfahrung verbunden sind. Beispielsweise kann ein Messwert der affektiven Reaktion, der zu einem Ereignis gehört, das mit dem Erleben der komplexen Erfahrung durch einen Benutzer verbunden ist, aus mehreren Messwerten des Benutzers abgeleitet werden, die während zumindest einiger der kleineren, in der komplexen Erfahrung umfasster Erfahrungen erfasst wurden. Daher repräsentiert der Messwert die affektive Reaktion des Benutzers auf die komplexe Erfahrung.
  • In einer weiteren Ausführungsform wird die Bewertung der komplexen Erfahrung durch Aggregation der Erfahrungsbewertungen der kleineren Erfahrungen berechnet. Beispielsweise wird eine separate Bewertung für jede in der komplexen Erfahrung umfasste Erfahrung auf der Grundlage von Messwerten von Benutzern berechnet, die die komplexe Erfahrung hatten, die während und/oder kurz nach der kleineren Erfahrung erfasst wurden (d. h. sie gehören zu Ereignissen im Zusammenhang mit der kleineren Erfahrung).
  • Die Bewertung der komplexen Erfahrung kann eine Funktion der Bewertungen der kleineren Erfahrungen sein, wie beispielsweise ein gewichteter Mittelwert dieser Bewertungen. Optional können verschiedene Gewichtungsverfahren zur Gewichtung der Erfahrungsbewertungen der kleineren Erfahrungen verwendet werden. In einer Ausführungsform können die Bewertungen der kleineren Erfahrungen proportional zu ihrer durchschnittlichen Dauer gewichtet werden und/oder proportional zu den durchschnittlichen Dominanzfaktoren, die mit Ereignissen assoziiert sind, die jede kleinere Erfahrung betreffen. In einer weiteren Ausführungsform können die Erfahrungsbewertungen kleinerer Erfahrungen vorgegebene Gewichtungen haben. Beispielsweise kann die Bewertung einer komplexen Erfahrung, die eine Urlaubsreise betrifft, berechnet werden, indem die Erfahrungsbewertungen der in der komplexen Erfahrung umfassten kleineren Erfahrungen wie folgt gewichtet werden: eine Gewichtung von 20 % für die Bewertung der Flüge an und von dem Zielort, eine Gewichtung von 30 % für die Bewertung des Hotelaufenthalts, ein Gewichtung von 20 % für die Bewertung des Aufenthalts am Strand und eine Gewichtung von 30 % für die Bewertung des Ausgehens (Restaurants, Clubs etc.).
  • In einigen Ausführungsformen wird die Bewertung einer komplexen Erfahrung unter Verwendung eines Prädiktors berechnet. Optional wird ein durch den Prädiktor verwendetes Modell mit Samples trainiert, die Beschreibungen der in der komplexen Erfahrung umfassten kleineren Erfahrungen umfassen und/oder Bewertungen der kleineren Erfahrungen und Labels, die eine Bewertung einer komplexen Erfahrung, die die kleineren Erfahrungen umfasst, umfassen. In einem Beispiel kann die Bewertung der komplexen Erfahrung durch einen Experten (z. B. ein menschlicher Annotator oder ein Software-Agent) bestimmt werden. In einem weiteren Beispiel kann die Bewertung der komplexen Erfahrung auf der Grundlage von statistischen Größen bestimmt werden, die die komplexe Erfahrung beschreiben (z. B. durchschnittliche Dauer eines Urlaubsaufenthalts von Benutzern und/oder die durchschnittliche Menge an Geld, die sie beim Ausgehen in einer bestimmten Stadt ausgeben).
  • Auf der Grundlage von Messwerten der affektiven Reaktion berechnete Erfahrungsbewertungen können verschiedene Arten von Werten repräsentieren. Der Art des Werts, die eine Bewertung repräsentiert, kann von verschiedenen Faktoren abhängen, wie beispielsweise die Art der Messwerte der affektiven Reaktion, die zur Berechnung der Bewertung verwendet werden, die Art der zu der Bewertung gehörenden Erfahrung, die Applikation, für die die Bewertung verwendet wird und/oder die Benutzeroberfläche, auf der die Bewertung angezeigt wird.
  • In einer Ausführungsform kann eine aus Messwerten der affektiven Reaktion berechnete Erfahrungsbewertung in den gleichen Einheiten wie die Messwerte ausgedrückt werden. Insbesondere kann eine Erfahrungsbewertung als jede Art von hierin beschriebenem affektivem Wert ausgedrückt werden. In einem Beispiel können die Messwerte ein Niveau von Glück darstellen und kann die Bewertung auch ein Niveau von Glück, wie den Durchschnitt der Messwerte, darstellen. Wenn die Messwerte in einem anderen Beispiel die Größen oder Maße der Lächeln von Benutzern darstellen können, kann die Bewertung auch eine Größe eines Lächelns darstellen, wie beispielsweise die durchschnittliche Größe des durch die Messwerte dargestellten Lächelns. Wenn die Messwerte in einem weiteren Beispiel einen physiologischen Wert wie Herzfrequenzen (oder Änderungen der Herzfrequenzen) darstellen, kann die Bewertung auch auf dieselbe Weise ausgedrückt werden (z. B. kann sie die durchschnittliche Änderung der Herzfrequenzen der Benutzer sein).
  • In einer weiteren Ausführungsform kann eine Erfahrungsbewertung in Einheiten ausgedrückt werden, die sich von den Einheiten unterscheiden, in denen die zu ihrer Berechnung verwendeten Messwerte der affektiven Reaktion ausgedrückt werden. Optional können die verschiedenen Einheiten Werte darstellen, die nicht direkt eine affektive Reaktion vermitteln (z. B. ein Wert, der Qualitäten wie Nutzen, Gewinn und/oder eine Wahrscheinlichkeit angibt). Optional kann die Bewertung einen Zahlenwert darstellen, der einer Qualität einer Erfahrung entspricht (z. B. ein Wert auf einer Skala von eins bis zehn oder ein Rating mit eins bis fünf Sternen). Optional kann die Bewertung einen Zahlenwert darstellen, der eine Signifikanz einer Hypothese über die Erfahrung darstellt (z. B. ein p-Wert einer Hypothese, dass die Messwerte von Benutzern, die die Erfahrung hatten, indikativ dafür sind, dass die Benutzer die Erfahrung genossen haben). Optional kann die Bewertung einen Zahlenwert darstellen, der eine Wahrscheinlichkeit der Zugehörigkeit der Erfahrung zu einer bestimmten Kategorie darstellt (z. B. einen Wert, der angibt, ob die Erfahrung zu der Klasse „populäre Erfahrungen” gehört). Optional kann die Bewertung ein Ähnlichkeitsniveau zwischen der Erfahrung und einer weiteren Erfahrung darstellen (z. B. die Ähnlichkeit der Erfahrung zur einer bestimmten „Blockbuster-Erfahrung”). Optional kann die Bewertung einen bestimmten Leistungsindikator darstellen, wie prognostizierter Umsatz (z. B. für ein Produkt, Film, Restaurant etc.) oder prognostizierte Viralität (z. B. die Wahrscheinlichkeit, dass ein Benutzer die Tatsache des Erlebens der Erfahrung mit Freunden teilen wird).
  • In noch einer anderen Ausführungsform kann eine Erfahrungsbewertung eine Wahrscheinlichkeit mit Bezug auf eine Erfahrung darstellen. In einem Beispiel kann eine aus Messwerten der affektiven Reaktion abgeleitete Bewertung, die EEG-Messwerte einer Gruppe von in einem Restaurant essenden Benutzern umfasst, als die Wahrscheinlichkeit ausgedrückt werden, dass die Benutzer der Gruppe innerhalb einer Woche erneut zu dem Restaurant gehen werden. In einem weiteren Beispiel kann eine zu einer Erfahrung gehörende Bewertung aus Messwerten von Benutzern generiert werden, die erfasst werden, während die Benutzer die Erfahrung haben, und die Wahrscheinlichkeit repräsentieren, dass die Benutzer die Erfahrung beenden (und nicht mittendrin unterbrechen) werden.
  • In noch einer anderen Ausführungsform kann eine Erfahrungsbewertung ein typisches oder durchschnittliches Maß einer emotionalen Reaktion der Benutzer darstellen, die die Messwerte beigetragen haben, die zur Berechnung der Bewertung der zu der Bewertung gehörenden Erfahrung verwendet werden. Optional entspricht die emotionale Reaktion einer Zunahme oder Abnahme des Grads von mindestens einer der folgenden Emotionen: Schmerz, Angst, Verdruss, Stress, Aggression, Ärger, Furcht, Traurigkeit, Müdigkeit, Apathie, Wut, Glück, Zufriedenheit, Gelassenheit, Aufmerksamkeit, Zuneigung und Aufregung.
  • Erfahrungsbewertungen können in den verschiedenen Ausführungsformen zudem auf verschiedene Weise dargestellt werden. Optional umfasst die Darstellung einer Bewertung, dass die Bewertung einem Benutzer über eine Benutzeroberfläche (z. B. ein Display) angezeigt wird. Der Art der Darstellung einer Bewertung kann von verschiedenen Faktoren abhängen, wie beispielsweise die Art des Werts, die die Bewertung repräsentiert, die Art der zu der Bewertung gehörenden Erfahrung, die Applikation, für die die Bewertung verwendet wird und/oder die Benutzeroberfläche, auf der die Bewertung angezeigt wird.
  • In einer Ausführungsform wird eine Erfahrungsbewertung dargestellt, indem ihr Wert im Wesentlichen in derselben Form angezeigt wird, wie er empfangen wird. In einer weiteren Ausführungsform kann eine Erfahrungsbewertung als Text dargestellt werden und indikativ für eine Eigenschaft mit Bezug auf die Erfahrung sein, wie beispielsweise eine Qualität, Quantität und/oder ein Rating der Erfahrung. In noch in einer weiteren Ausführungsform kann eine Erfahrungsbewertung unter Verwendung eines Bilds, eines Soundeffekts, einer Musik, eines Animationseffekts und/oder eines Video dargestellt werden. In noch einer anderen Verkörperung, eine Bewertung für eine Erfahrung kann ausgedrückt werden als eine Verteilung und/oder Histogramm, beinhaltet eine Vielzahl von affektive Reaktionen (z. B. emotionale Zustände), die im Zusammenhang mit der Erfahrung macht Benutzer haben es fühlen. In einigen Ausführungsformen kann eine Erfahrungsbewertung durch Einblendung (z. B. eines die Erfahrungsbewertung repräsentierenden Bilds) auf einer Karte oder einem Bild dargestellt werden, in der/dem mehrere Erfahrungen dargestellt werden.
  • In einigen Ausführungsformen kann ein Messwert der affektiven Reaktion eines Benutzers, der zur Berechnung einer Erfahrungsbewertung verwendet wird, als durch den Benutzer zur Berechnung der Bewertung „beigetragen” gelten. Ebenso kann ein Benutzer, dessen Messwert der affektiven Reaktion zur Berechnung einer Erfahrungsbewertung verwendet wird, in einigen Ausführungsformen als ein Benutzer gelten, der den Messwert zu der Bewertung beigetragen hat. Optional kann der Beitrag eines Messwerts zu einer Bewertung als eine Handlung gelten, die aktiv durch den Benutzer durchgeführt wird (z. B. durch Auslösen des Sendens eines Messwerts) und/oder die aktiv durch den Benutzer durchgeführt wird (z. B. indem ein Gerät des Benutzers automatisch Daten sendet, die auch automatisch erfasst werden können). Optional kann der Beitrag eines Messwerts durch einen Benutzer zu einer Bewertung als eine Handlung gelten, die mit Erlaubnis und/oder Kenntnis des Benutzers erfolgt (z. B. wird der Messwert gemäß einer Richtlinie erfasst, die vom Benutzer genehmigt wurde), jedoch möglicherweise ohne dass sich der Benutzer der Handlung bewusst ist. Beispielsweise kann ein Messwert der affektiven Reaktion auf eine Weise erfasst werden, die vom Benutzer genehmigt wurde, z. B. kann der Messwert gemäß bestimmten Nutzungsbedingungen eines Geräts und/oder eines Services erfasst werden, die vom Benutzer genehmigt wurden, und/oder wird der Messwert auf der Grundlage einer Konfiguration oder Anweisung des Benutzers erfasst. Auch wenn der Benutzer sich in einigen Ausführungsformen nicht bewusst sein kann, dass der Messwert erfasst wurde, dass der Messwert für die Berechnung einer Bewertung verwendet wurde und/oder dass die Bewertung offengelegt wurde, gilt dieser Messwert der affektiven Reaktion als durch den Benutzer beigetragen.
  • Die Offenlegung einer Erfahrungsbewertung kann in einigen Ausführungsformen die Bereitstellung von Informationen über die Bewertung an einen Dritten umfassen, wie beispielsweise einen Wert der Bewertung und/oder eine aus der Bewertung berechnete statistische Größe (z. B. eine Angabe darüber, ob die Bewertung einen bestimmten Schwellenwert erreicht). Optional kann eine Erfahrungsbewertung, die gegenüber einem Dritten offengelegt wird oder die wahrscheinlich gegenüber einem Dritten offengelegt wird, als eine „offengelegte Bewertung”, als eine „offengelegte crowd-basierte Bewertung” und/oder als eine „offengelegte Erfahrungsbewertung” bezeichnet werden. Optional kann die Offenlegung einer Bewertung hierin auch als „Weiterleiten” der Bewertung bezeichnet werden. Optional kann die Offenlegung einer Bewertung hierin auch als „Weiterleiten” der Bewertung bezeichnet werden. Optional kann sich „Dritter” auf jedwede Entität beziehen, die die tatsächlichen Werte der zur Berechnung der Bewertung verwendeten Messwerte der affektiven Reaktion nicht hat. Somit kann ein Benutzer, der nur Kenntnis von seinen oder ihren Messwerten hat, als Dritter gelten, wenn der Benutzer eine Bewertung empfängt, die auch auf der Grundlage von Messwerten anderer Benutzer berechnet wurde. In einigen Ausführungsformen hat die Offenlegung einer Bewertung das Speichern der Bewertung in einer Datenbank zur Folge, auf die durch einen Dritten zugegriffen werden kann; folglich kann die Offenlegung einer Bewertung gegenüber einem Dritten nicht notwendigerweise die Bereitstellung eines Werts der Bewertung an einen Dritten umfassen, sondern lediglich, dass der Wert in einen derartigen Zustand versetzt wird, dass auf ihn durch den Dritten zugegriffen werden kann.
  • Zusätzlich zur Bereitstellung eines zu der Erfahrungsbewertung gehörenden Werts oder anstelle der Bereitstellung des Werts kann die Offenlegung einer Erfahrungsbewertung in einigen Ausführungsformen die Bereitstellung von Informationen im Zusammenhang mit der Bewertung und/oder der Berechnung der Bewertung umfassen. In einem Beispiel können diese Informationen einen oder mehrere der zur Berechnung der Bewertung verwendeten Messwerte der affektiven Reaktion und/oder statistische Größen in Bezug auf die Messwerte umfassen (z. B. die Anzahl der Benutzer, deren Messwerte verwendet wurden, oder der Mittelwert und/oder die Varianz der Messwerte). In einem weiteren Beispiel können die Informationen Daten umfassen, die einen oder mehrere der Benutzer identifizieren, die zur Berechnung der Bewertung verwendete Messwerte der affektiven Reaktion beigetragen haben, und/oder statistische Größen über diese Benutzer (z. B. die Anzahl der Benutzer und/oder eine demographische Zusammensetzung der Benutzer).
  • In einigen Ausführungsformen kann die Offenlegung einer Erfahrungsbewertung die Darstellung der Erfahrungsbewertung unter Verwendung eines informationsvermittelnden Geräts umfassen; beispielsweise ein Smartphone, eine tragbares Gerät (Wearable), ein Augmented-Reality-Gerät (z. B. Brille mit Augmented-Reality-Bildern), ein Virtual-Reality-Gerät. Optional kann eine Bewertung über ein Gerät offengelegt werden, dass Ton abgibt (z. B. Kopfhörer). Optional kann eine Bewertung unter Verwendung von haptischem Feedback offengelegt werden. Beispielsweise kann ein Handschuh mit haptischem Feedback eine eindeutige Vibration liefern, die indikativ für eine Bewertung einer Wahl ist, wenn die Hand eines Benutzers auf eine die Wahl repräsentierende Position deutet oder in dieser platziert wird (z. B. kann die Hand auf ein in einer virtuellen Realität dargestelltes Objekt deuten).
  • In einer Ausführungsform können zusätzliche Daten, die zusätzlich zu oder anstelle einer Erfahrungsbewertung offengelegt werden, einen Wert umfassen, der indikativ für die Signifikanz der Erfahrungsbewertung ist. Optional kann die Signifikanz unter Verwendung verschiedener statistischer Tests bestimmt werden. Optional kann die Signifikanz unter Verwendung verschiedener, aus statistischen Tests abgeleiteter Werte ausgedrückt werden, wie z. B. p-Werte, q-Werte, False-Discovery-Raten (FDR), Fehlerbalken und/oder Konfidenzintervalle.
  • In einer Ausführungsform können zusätzliche Daten, die zusätzlich zu oder anstelle einer Erfahrungsbewertung offengelegt werden, einen Wert umfassen, der indikativ für die Signifikanz der Erfahrungsbewertung ist. Zum Beispiel, die zusätzliche Informationen anzugeben ist der voraussichtliche Menge von Informationen, die möglicherweise über ein oder mehrere Benutzer durch die Offenlegung der Partitur.
  • Die Bewertungsmodule können zur Berechnung einer Bewertung verschiedene Arten von Bewertungsverfahren verwenden. Ein Beispiel eines Bewertungsverfahrens hat die Generierung einer Bewertung durch einen statistischen Test zur Folge, wie etwa das durch das statistische Test-Modul 152 und/oder das statistische Test-Modul 158 verwendete Bewertungsverfahren. Ein anderes Beispiel einer Bewertungsmethode hat die Generierung einer Bewertung unter Verwendung einer arithmetischen Funktion, wie etwa einer Funktion, die durch das arithmetische Bewertungsmodul 162 angewendet werden kann, zur Folge.
  • 26a und 26b jede zeigt eine Verkörperung, in denen ein Scoring Scoring MODUL 150 MODUL (im dargestellten Ausführungsarten) nutzt einen statistischen Test Modul zur Berechnung einer Kerbe für ein Erlebnis (Score 164 in den Illustrierten Ausführungsarten). In 26a ist das statistische Test-Modul das statistische Test-Modul 152, während in 26B das statistische Test-Modul 158 das statistische Test-Modul ist. Die statistischen Test-Module 152 und 158 umfassen ähnliche interne Komponenten, unterscheiden sich jedoch aufgrund der durch sie zur Berechnung der statistischen Tests verwendeten Modelle. Das statistische Test-Modul 152 verwendet personalisierte Modelle 157, während das statistische Test-Modul 158 allgemeine Modelle 159 verwendet (welche ein erstes Modell und ein zweites Modell umfassen).
  • In einigen Ausführungsformen können die statistischen Test-Module 152 und 158 jeweils mindestens einen von zwei verschiedenen statistischen Tests zur Berechnung einer Bewertung auf der Grundlage eines Messwertsatzes von Benutzern durchführen: einen Hypothesentest und einen Test zur Ablehnung der Nullhypothese.
  • In einigen Ausführungsformen erfolgt die Durchführung eines Hypothesentests mittels des statistischen Test-Moduls 152 unter Verwendung eines Wahrscheinlichkeitsbewerters 153 und eines Hypothesentest-Quotient-Auswerters 154. Der Wahrscheinlichkeitsbewerter 153 ist dazu konfiguriert, für jeden Messwert eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, einen ersten und einen zweiten zugehörigen Wert zu berechnen, welche indikativ für die entsprechende erste und zweite Wahrscheinlichkeit der Beobachtung des Messwerts auf der Grundlage des entsprechenden ersten und zweiten personalisierten Modells des Benutzers sind. Optional stammen die ersten und zweiten personalisierten Modelle der Benutzer aus der Menge der personalisierten Modelle 157. Optional wird das erste und zweite personalisierte Modell anhand von Daten trainiert, die Messwerte der affektiven Reaktion des Benutzers umfassen, die erfasst wurden, während der Benutzer eine positive beziehungsweise nichtpositive affektive Reaktion hatte.
  • Der Hypothesentest-Quotient-Auswerter 154 ist dazu konfiguriert, das Signifikanzniveau für eine Hypothese auf der Grundlage eines Quotienten zwischen einem ersten Satz von Werten, der den zu jedem Messwert gehörenden ersten Wert umfasst, und einem zweiten Satz von Werten, der den zu jedem Messwert gehörenden zweiten Wert umfasst, zu berechnen. Optional unterstützt die Hypothese die Annahme, dass die Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, im Durchschnitt eine positive affektive Reaktion auf die Erfahrung hatten. Optional ist die nichtpositive affektive Reaktion eine Manifestation eines neutralen emotionalen Zustands oder eines negativen emotionalen Zustands. Wenn folglich die zur Berechnung der Bewertung verwendeten Messwerte besser durch das erste (zur positiven emotionalen Reaktion gehörende) Modell der einzelnen Benutzer erklärt werden, dann wird der durch den Hypothesentest-Quotient-Auswerter berechnete Quotient positiv sein. Je größer der Wert des Quotienten ist, desto stärker wird die Bewertung indizieren, dass die Hypothese stimmt und dass die Messwerte der Benutzer eine positive affektive Reaktion auf die Erfahrung repräsentieren. Wenn die Messwerte jedoch nicht positiv waren, ist es wahrscheinlich, dass der Quotient klein sein wird, was darauf hinweist, dass die Hypothese abgelehnt werden sollte zugunsten einer konkurrierenden Hypothese, die besagt, dass die Benutzer eine nichtpositive affektive Reaktion auf die Erfahrung hatten. Optional ist eine auf der Grundlage des Quotienten berechnete Bewertung proportional zum Logarithmus des Quotienten. Folglich ist die Tendenz zur Annahme der Hypothese auf der Grundlage des Hypothesentests umso stärker, je größer die berechnete Bewertung ist.
  • In einigen Ausführungsformen erfolgt die Durchführung eines Hypothesentests mittels des statistischen Test-Moduls 158 auf eine Weise, die der oben dargestellten Beschreibung der Durchführung desselben Tests mit dem statistischen Test-Modul 152 gleicht, wobei jedoch die allgemeinen Modelle 159 anstatt der personalisierten Modelle 157 verwendet werden. Wenn das statistische Test-Modul 158 verwendet wird, ist der Wahrscheinlichkeitsbewerter 153 dazu konfiguriert, für jeden Messwert eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, einen ersten und einen zweiten zugehörigen Wert zu berechnen, welche indikativ für die entsprechende erste und zweite Wahrscheinlichkeit der Beobachtung des Messwerts auf der Grundlage des entsprechenden ersten und zweiten, zu den allgemeinen Modellen 159 gehörenden Modells sind. Optional werden die ersten und zweiten Modelle anhand von Daten trainiert, die Messwerte der affektiven Reaktion von Benutzern umfassen, die erfasst wurden, während die Benutzer positive beziehungsweise nichtpositive affektive Reaktionen hatten.
  • Der Hypothesentest-Quotient-Auswerter 154 ist dazu konfiguriert, das Signifikanzniveau für eine Hypothese auf der Grundlage eines Quotienten zwischen einem ersten Satz von Werten, der den zu jedem Messwert gehörenden ersten Wert umfasst, und einem zweiten Satz von Werten, der den zu jedem Messwert gehörenden zweiten Wert umfasst, zu berechnen. Optional unterstützt die Hypothese die Annahme, dass die Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, im Durchschnitt eine positive affektive Reaktion auf die Erfahrung hatten. Optional ist die nichtpositive affektive Reaktion eine Manifestation eines neutralen emotionalen Zustands oder eines negativen emotionalen Zustands. Wenn folglich die zur Berechnung der Bewertung verwendeten Messwerte besser durch das erste (zur positiven emotionalen Reaktion gehörende) Modell der allgemeinen Modelle 159 erklärt werden, dann wird der durch den Hypothesentest-Quotient-Auswerter berechnete Quotient positiv sein.
  • In einer Ausführungsform ist die Hypothese eine Vermutung und/oder vorgeschlagene Erklärung, die zur Auswertung der Messwerte der affektiven Reaktion verwendet wird. Die Aussage, dass die Hypothese eine Annahme unterstützt, bedeutet, dass die beobachteten Daten (z. B. die Messwerte der affektiven Reaktion und/oder Basislinienwerte der affektiven Reaktion) entsprechend der Hypothese Werte aufweisen, die zu der Vermutung und/oder vorgeschlagenen Erklärung passen.
  • In einer Ausführungsform verwendet der Hypothesentest-Quotient-Auswerter 154 einen Log-Likelihood-Test, um anhand des ersten und zweiten Wertesatzes zu ermitteln, ob die Hypothese angenommen werden sollte, und/oder das Signifikanzniveau der Annahme der Hypothese zu ermitteln. Wenn die Verteilung des zu einer bestimmten Null- und alternativen Hypothese gehörenden Log-Likelihood-Quotienten eindeutig bestimmt werden kann, dann kann sie direkt zur Bildung von Entscheidungsregionen verwendet werden (um die Nullhypothese anzunehmen/abzulehnen). Alternativ oder zusätzlich kann das Wilk-Theorem angewendet werden, welches besagt, dass die Testgröße -log(Λ)χ2-verteilt sein wird, wenn der Sample-Umfang gegen unendlich geht, wobei Λ der Log-Likelihood-Wert ist. Optional ist die Bewertung, die durch ein einen Hypothesentest verwendendes Bewertungsmodul berechnet wird, proportional zu der Testgröße -log(Λ).
  • In einigen Ausführungsformen erfolgt die Durchführung eines statistischen Tests, der die Ablehnung einer Nullhypothese unter Verwendung des statistischen Test-Moduls 152 umfasst, mittels eines Wahrscheinlichkeitsbewerters 155 und eines Nullhypothesen-Auswerters 156. Der Wahrscheinlichkeitsbewerter 155 ist dazu konfiguriert, für jeden Messwert eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, eine Wahrscheinlichkeit der Beobachtung des Messwerts auf der Grundlage eines personalisierten Modells des Benutzers zu berechnen. Optional wird das personalisierte Modell des Benutzers anhand von Daten trainiert, die Messwerte der affektiven Reaktion des Benutzers umfassen, die erfasst wurden, während der Benutzer eine bestimmte affektive Reaktion hatte. Optional manifestiert sich die bestimmte affektive Reaktion durch Änderungen der Werte mindestens einer der folgenden Arten von Messwerten: Messwerte physiologischer Signale und Messwerte von Verhaltenssignalen. Optional sind die Änderungen der Werte Manifestationen einer zumindest gewissen Zunahme oder Abnahme des Grads von mindestens einer der folgenden Emotionen: Glück, Zufriedenheit, Gelassenheit, Aufmerksamkeit, Zuneigung, Zärtlichkeit, Begeisterung, Schmerz, Angst, Verdruss, Stress, Aggression, Furcht, Traurigkeit, Müdigkeit, Apathie und Wut.
  • Der Nullhypothesen-Auswerter 156 ist dazu konfiguriert, das Signifikanzniveau für eine Hypothese auf der Grundlage von Wahrscheinlichkeiten zu bestimmen, die durch den Wahrscheinlichkeitsbewerter 155 für die Messwerte der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, berechnet wurden. Optional ist die Hypothese eine Nullhypothese, die die Annahme unterstützt, dass die Benutzer, die Messwerte der affektiven Reaktion zur Berechnung der Bewertung beigetragen haben, zur Zeit der Erfassung ihrer Messwerte die bestimmte affektive Reaktion hatten, und entspricht das Signifikanzniveau einer statistischen Signifikanz der Ablehnung der Nullhypothese. Optional ist die bestimmte affektive Reaktion eine neutrale affektive Reaktion. Optional wird die Bewertung auf der Grundlage der Signifikanz berechnet, welche als eine Wahrscheinlichkeit, wie beispielsweise ein p-Wert, ausgedrückt wird. Die Bewertung kann zum Beispiel proportional zum Logarithmus des p-Werts sein.
  • In einem Beispiel entspricht die bestimmte affektive Reaktion einer Manifestation eines negativen emotionalen Zustands. Je stärker die Ablehnung der Nullhypothese ist, umso weniger wahrscheinlich ist es, dass sich die Benutzer, die die Messwerte beigetragen haben, in einem negativen emotionalen Zustand befanden, und umso positiver kann die Bewertung folglich sein (wenn sie z. B. als ein Logarithmus eines p-Werts der Nullhypothese ausgedrückt wird).
  • In einigen Ausführungsformen erfolgt die Durchführung eines statistischen Tests, der die Ablehnung einer Nullhypothese unter Verwendung des statistischen Test-Moduls 158 umfasst, auf eine Weise, die der oben dargestellten Beschreibung der Durchführung desselben Tests mit dem statistischen Test-Modul 152 gleicht, wobei jedoch das allgemeine Modell 160 anstatt der personalisierten Modelle 157 verwendet wird.
  • Der Wahrscheinlichkeitsbewerter 155 ist dazu konfiguriert, für jeden Messwert eines Benutzers aus der Menge der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, eine Wahrscheinlichkeit der Beobachtung des Messwerts auf der Grundlage des allgemeinen Modells 160 zu berechnen. Optional wird das Modell 160 anhand von Trainingsdaten trainiert, die Messwerte der affektiven Reaktion von Benutzern umfassen, die erfasst wurden, während die Benutzer die bestimmte affektive Reaktion hatten.
  • Der Nullhypothesen-Auswerter 156 ist dazu konfiguriert, das Signifikanzniveau für eine Hypothese auf der Grundlage von Wahrscheinlichkeiten zu bestimmen, die durch den Wahrscheinlichkeitsbewerter 155 für die Messwerte der Benutzer, die Messwerte zur Berechnung der Bewertung beigetragen haben, berechnet wurden. Optional ist die Hypothese eine Nullhypothese, die die Annahme unterstützt, dass die mindestens zehn Benutzer die bestimmte affektive Reaktion zur Zeit der Erfassung ihrer Messwerte hatten, und entspricht das Signifikanzniveau einer statistischen Signifikanz der Ablehnung der Nullhypothese.
  • In einigen Ausführungsformen ist ein statistisches Test-Modul, wie beispielsweise die statistischen Test-Module 152 und/oder 158, dazu konfiguriert, zu bestimmen, ob das Signifikanzniveau für eine Hypothese ein bestimmtes Niveau erreicht. Optional indiziert ein das bestimmte Niveau erreichendes Signifikanzniveau mindestens eines der folgenden Szenarien: Ein für die Hypothese berechneter p-Wert ist gleich oder kleiner als ein bestimmter p-Wert, und eine für die Hypothese berechnete False-Discovery-Rate ist gleich oder kleiner als eine bestimmte Rate. Optional ist der bestimmte p-Wert ein Wert, der größer als 0 und kleiner als 0,33 ist, und ist die bestimmte Rate ein Wert, der größer als 0 und kleiner als 0,33 ist.
  • In einigen Fällen wird durch die Tatsache, dass die Signifikanz einer Hypothese auf der Grundlage von von einer Vielzahl von Benutzern stammenden Messwerten berechnet wird, die statistische Signifikanz der Ergebnisse eines Tests der Hypothese erhöht. Wenn eine Hypothese beispielsweise auf der Grundlage einer kleineren Anzahl von Benutzern getestet wird, ist eine Signifikanz der Hypothese wahrscheinlich geringer, als wenn die Hypothese auf der Grundlage von Messwerten getestet wird, die von einer größeren Anzahl von Benutzern stammen. So kann es zum Beispiel möglich sein, dass ein erstes Signifikanzniveau einer Hypothese, das auf der Grundlage von Messwerten von mindestens zehn Benutzern berechnet wird, ein bestimmtes Niveau erreicht. Ein zweites Signifikanzniveau einer Hypothese, das auf der Grundlage von Messwerten der affektiven Reaktion einer zufällig ausgewählten Gruppe von weniger als fünf Benutzern der mindestens zehn Benutzer berechnet wird, wird jedoch das bestimmte Niveau im Durchschnitt nicht erreichen. Optional indiziert die Tatsache, dass das zweite Signifikanzniveau das bestimmte Niveau nicht erreicht, mindestens eines der folgenden Szenarien: Ein für die Hypothese berechneter p-Wert ist größer als der bestimmte p-Wert, und eine für die Hypothese berechnete False-Discovery-Rate ist größer als die bestimmten Rate.
  • 26c zeigt eine Verkörperung, in denen eine zählende Modul nutzt die arithmetische scorer 162 Zur Berechnung einer Kerbe für ein Erlebnis. Das arithmetische Bewertungsmodul 162 empfängt Messwerte der affektiven Reaktion vom Erfassungsmodul 120 und berechnet die Bewertung 164 durch Anwendung einer oder mehrerer arithmetischer Funktionen auf die Messwerte. Optional ist die arithmetische Funktion eine vorgegebene arithmetische Funktion. Zum Beispiel ist die Logik der Funktion bekannt, bevor die Funktion auf die Messwerte angewendet wird. Optional wird eine durch die arithmetische Funktion berechnete Bewertung als ein Messwert ausgedrückt, der größer als das Minimum der zur Berechnung der Bewertung verwendeten Messwerte und kleiner als das Maximum der zur Berechnung der Bewertung verwendeten Messwerte ist. In einer Ausführungsform umfasst die Anwendung der vorgegebenen arithmetischen Funktion auf die Messwerte die Berechnung mindestens einen der folgenden Werte: ein gewichteter Mittelwert der Messwerte, ein geometrisches Mittel der Messwerte und ein harmonisches Mittel der Messwerte. In einer anderen Ausführungsform umfasst die vorgegebene arithmetische Funktion die Anwendung mathematischer Operationen, die durch ein maschinelles Lernmodell (z. B. ein Regressionsmodell) vorgeschrieben werden. In einigen Ausführungsform wird die durch den arithmetischen Bewerter 162 angewendete vorgegebene arithmetische Funktion durch einen Satz von Anweisungen ausgeführt, der Operationen implementiert, die durch einen auf maschinellem Lernen basierten Prädiktor durchgeführt werden, welcher die zur Berechnung der Bewertung verwendeten Messwerte als Input erhält.
  • In einigen Ausführungsformen kann ein Bewertungsmodul eine Bewertung eines Ereignisses auf der Grundlage von Messwerten mit zugeordneten Gewichtungen berechnen. In einem Beispiel können die Gewichtungen auf der Grundlage des Alters der Messwerte bestimmt werden (z. B. wenn das Bewertungsmodul das dynamische Bewertungsmodul 180 ist). In einem anderen Beispiel können die Gewichtungen durch das Personalisierungsmodul 130 zugewiesen werden und/oder auf der Grundlage eines durch das Personalisierungsmodul 130 generierten Outputs bestimmt werden, damit das Bewertungsmodul eine personalisierte Bewertung berechnen kann. Die oben beschriebenen Bewertungsmodule können durch eine auf dem Gebiet der Technik qualifizierte Person einfach zur Aufnahme von Gewichtungen adaptiert werden. Beispielsweise können die statistischen Test-Module gewichtete Versionen des Hypothesentests (d. h. eine gewichtete Version des Likelihood-Quotienten-Tests und/oder des Tests zur Ablehnung der Nullhypothese) verwenden. Zusätzlich können viele zur Berechnung von Bewertungen verwendeten arithmetischen Funktionen einfach für einen Fall adaptiert werden, in dem die Messwerte zum Beispiel zugeordnete Gewichtungen besitzen. Eine Bewertung kann als ein gewichteter Mittelwert anstelle eines normalen arithmetischen Mittelwerts erfolgen.
  • Ein gewichteter Mittelwert einer Vielzahl von Messwerten kann hierin jede Funktion sein, die als ein Skalarprodukt zwischen einem Vektor reellwertiger Koeffizienten und einem Vektor der Messwerte beschrieben werden kann. Optional kann die Funktion zumindest einem Teil der Messwerte eine unterschiedliche Gewichtung geben (d. h. zumindest ein Teil der Messwerte kann verschiedenwertige zugehörige Koeffizienten haben).
  • 11 – Bestimmung der Signifikanz von Ergebnissen
  • Die hierin beschriebenen Ausführungsformen können eine Bestimmung der Signifikanz (auch als „statistische Signifikanz” bezeichnet) von aus Messwerten der affektiven Reaktion der Benutzer abgeleiteten Informationen umfassen, wie z. B. Signifikanz von Ergebnissen, Rängen von Erfahrungen und/oder anderen aus den Messwerten abgeleiteten Werten. Zusätzlich oder alternativ kann die Bestimmung die Signifikanz von Differenzen zwischen den Rängen, den Bewertungen und/oder anderen aus den Messwerten abgeleiteten Werten betreffen. Optional kann die Signifikanz in einigen Fällen unter Verwendung verschiedener, aus statistischen Tests abgeleiteter Werte ausgedrückt werden, wie z. B. p-Werte, q-Werte und False-Discovery-Raten (FDR).
  • Die Signifikanz kann zudem in einigen Fällen zur Bestimmung von Bereichen, Fehlerbalken und/oder Konfidenzintervallen für verschiedene aus den Messwerten der affektiven Reaktion abgeleitete Werte ins Spiel kommen. In solchen Fällen kann die Signifikanz die Variabilität der Daten angeben und helfen, auf der Variabilität basierende Entscheidungen zu steuern. In einem Beispiel werden Orte auf der Grundlage einer Skala von eins bis zehn bewertet, die die Begeisterung der Benutzer an den Orten repräsentiert. Einem ersten Ort kann eine Bewertung von sechs gegeben werden, während einem zweiten Ort eine Bewertung von sieben gegeben werden kann. In diesem Fall kann der zweite Ort dem ersten Ort vorzuziehen sein. Wenn das 95%-Konfidenzintervall für den ersten Ort jedoch 5–7 und für den zweiten Ort 4–8 ist, dann kann eine Person, die sicher gehen will, dass sie keine schlechte Erfahrung erlebt, dennoch den ersten Ort auswählen. Eine solche Entscheidung würde die Wahrscheinlichkeit des Erlebens einer schlechten Erfahrung (eine Bewertung von vier auf der Skala von eins bis zehn) zulasten einer geringeren Wahrscheinlichkeit des Erlebens einer sehr guten Erfahrung (Bewertung von acht auf der Skala von eins bis zehn) minimieren.
  • Auf dem Gebiet der Technik qualifizierte Personen werden nach dem Erhalt der hierin zur Verfügung gestellten Blaupause und dem Vertrautwerden mit den erfinderischen Schritten erkennen, dass es verschiedene Methoden in dem Bereich der Statistik sowie einige in anderen Disziplinen entwickelte Methoden gibt, die zur Bestimmung der Signifikanz von Ergebnissen angewendet werden können. Es folgt eine nicht vollständige Beschreibung einiger Verfahren, die in Verbindung mit den hierin erläuterten erfinderischen Konzepten angewendet werden können; es können andere Methoden angewandt werden, um ähnliche Ergebnisse zu erzielen.
  • In verschiedenen hierin beschriebenen Ausführungsformen kann die Signifikanz in Form von p-Werten ausgedrückt werden. Ein p-Wert ist hierin die Wahrscheinlichkeit des Erhalts eines statistischen Testergebnisses, das mindestens so extrem ist wie dasjenige, das tatsächlich beobachtet wurde, vorausgesetzt, dass die Nullhypothese wahr ist. Eine auf dem Gebiet der Technik qualifizierte Person kann je nach den Ausführungsformen verschiedene Nullhypothesen postulieren, nach denen die p-Werte berechnet werden. Optional, wenn p-Werte zur Bezeichnung der Signifikanz einer Bewertung verwendet werden, gilt, dass die Ergebnisse als umso signifikanter gelten können, desto niedriger der p-Wert ist. In einigen Ausführungsformen ist das Erreichen eines bestimmten p-Werts, wie z. B. 0,05 oder weniger, indikativ dafür, dass eine bestimmte Signifikanz erreicht wird und die Ergebnisse damit als signifikant gelten sollten.
  • In einigen Ausführungsformen erfordert die Bestimmung der Signifikanz die Durchführung multipler Hypothesentests und kann somit die Berücksichtigung von und/oder Korrektur für multiple Vergleiche umfassen. Dies kann durch Anwendung statistischer Verfahren wie beispielsweise Korrekturen für familienweise Fehlerraten (Familywise-Error-Rates, FWER) erreicht werden, z. B. durch Anwendung der Bonferroni-Korrektur und/oder anderer ähnlicher Verfahren. In einem Beispiel kann die Bestimmung der Signifikanz einer Auswahl, wie beispielsweise welches Gericht aus einer Vielzahl von Gerichten die am meisten positive affektive Reaktion hat, eine Korrektur für multiple Vergleiche erfordern. In diesem Beispiel will man möglicherweise wissen, ob das am höchsten gerankte Gericht wirklich außerordentlich ist oder ob seine positive affektive Reaktion eventuell ein statistisches Artefakt ist. Wenn es beispielsweise mehr als 20 Gerichte zur Auswahl gab, würde man erwarten, dass mindestens eines eine affektive Reaktion hat, die zwei Standardabweichungen von dem Mittelwert entfernt ist. In diesem Beispiel ist die Signifikanz der Ergebnisse wahrscheinlich genauer, wenn die Anzahl der bewerteten Gerichte ein Parameter ist, der den Signifikanzwert beeinflusst (wie es der Fall sein würde, wenn eine Bonferroni-Korrektur oder eine andere Variante verwendet wird, die für FWER korrigiert).
  • In einigen Ausführungsformen umfasst die Bestimmung der Signifikanz die Anwendung einer False-Discovery-Rate-(FDR)-Kontrolle, die eine statistische Methode ist, die in multiplen Hypothesentests zur Korrektur für multiple Vergleiche angewendet wird. In einer Liste von Feststellungen (d. h. Studien, in denen die Nullhypothesen abgelehnt werden) dienen FDR-Verfahren der Kontrolle des erwarteten Anteils an fälschlicherweise abgelehnten Nullhypothesen („falsche Feststellungen”). In einigen Fällen üben FDR-kontrollierende Verfahren eine weniger strenge Kontrolle über falsche Feststellungen aus als FWER-Verfahren (z. B. die Bonferroni-Korrektur), die darauf abzielen, die Wahrscheinlichkeit auch nur einer falschen Feststellung gegenüber dem erwarteten Anteil der falschen Feststellungen zu reduzieren.
  • Die Bestimmung der Signifikanz der Ergebnisse kann in einigen Ausführungsformen unter Verwendung eines oder mehrerer der folgenden Resampling-Verfahren durchgeführt werden: (1) Schätzen der Präzision der Samplegrößen (Mittelwerte, Varianzen, Perzentile) unter Verwendung von Teilmengen verfügbarer Daten (Jackknife) oder durch zufällige Entnahme mit Ersatz aus einer Reihe von Datenpunkten (Bootstrapping); (2) Austausch von Labels auf Datenpunkten bei der Durchführung von Signifikanztests (Permutationstests, auch als exakte Tests bezeichnet, Randomisierungstests oder Rerandomisierungstests); und (3) Validierungsmodelle unter Verwendung zufälliger Teilmengen (Bootstrapping, Kreuzvalidierung).
  • In einigen Ausführungsformen werden Permutationstest angewendet werden, um die Signifikanz von Ergebnissen zu bestimmen, wie beispielsweise die Signifikanz von Resultaten, Rängen und/oder der Differenz zwischen Werten. Optional kann ein Permutationstest (auch als Randomisierungstest, Rerandomisierungstest oder exakter Test bezeichnet) jede Art von statistischem Signifikanztest sein, in dem die Verteilung der Testgröße unter der Nullhypothese durch Berechnung mehrerer Werte der Testgröße unter Umordnung der Labels auf den beobachteten Datenpunkten ermittelt wird.
  • In einigen Ausführungsformen wird die Signifikanz für einen Wert bestimmt, wie beispielsweise für eine Bewertung einer Erfahrung. Eine solche Signifikanz kann beispielsweise durch das Bewertungssignifikanz-Modul 165 bestimmt werden. Es gibt verschiedene Möglichkeiten zur Bestimmung der Signifikanz einer Bewertung.
  • In einem Beispiel wird die Signifikanz einer Bewertung einer Erfahrung auf der Grundlage von Parametern einer Verteilung der Bewertungen der Erfahrung bestimmt. Beispielsweise kann die Verteilung auf der Grundlage von historischen Werten bestimmt werden, die für die Bewertung der Erfahrung auf der Grundlage zuvor erfasster Sätze von Messwerten der affektiven Reaktion berechnet wurden. Optional wird die Signifikanz als ein p-Wert für die Beobachtung einer Bewertung, die größer (oder kleiner) als die Bewertung ist, dargestellt. Zusätzlich oder alternativ kann die Signifikanz als ein Perzentil und/oder als ein anderes Quantil ausgedrückt werden, in dem die Bewertung relativ zu den historischen Bewertung und/oder der Verteilung positioniert ist. Optional ist eine Bewertung mit einer hohen Signifikanz in diesem Beispiel eine Bewertung, die seltener beobachtet wird, z. B. ein Ausreißer oder eine Bewertung, die relativ höher oder niedriger als die meisten der bisher beobachteten Bewertungen ist.
  • In einem anderen Beispiel kann die Signifikanz einer Bewertung einer Erfahrung durch einen Vergleich mit einer anderen Bewertung der Erfahrung bestimmt werden. Optional basiert die der Bewertung zugeteilte Signifikanz auf der mittels einer oder mehrerer der unten beschriebenen statistischen Methoden bestimmten Signifikanz der Differenz zwischen der Bewertung und der anderen Bewertung. Optional ist die andere Bewertung, mit der die Bewertung verglichen wird, ein Durchschnitt anderer (z. B. für verschiedene andere Erfahrungen berechneter) Bewertungen und/oder ein Durchschnitt historischer (z. B. für die Erfahrung berechneter) Bewertungen. Optional ist eine Bewertung mit einer hohen Signifikanz in diesem Beispiel eine Bewertung, für die die Differenz zwischen der Bewertung und der anderen Bewertung, mit der sie verglichen wird, signifikant ist (z. B. repräsentiert mindestens einen bestimmten p-Wert oder hat mindestens eine bestimmte t-Test-Statistik).
  • In einem anderen Beispiel kann die Signifikanz einer Bewertung einer Erfahrung durch ein Resampling-Verfahren bestimmt werden. Beispielsweise kann ein Satz von Messwerten, der zur Berechnung der Bewertung verwendet wird, zusammen mit anderen Messwerten der affektiven Reaktion (z. B. zu anderen Erfahrungen und/oder Benutzern gehörend) zur Bildung einer größeren Datenbasis von Messwerten gebündelt werden. Ausgehend von dieser Datenbasis können verschiedene Resampling-Verfahren eingesetzt werden, um die Signifikanz der Bewertung zu bestimmen. Beispielsweise kann das Resampling eine wiederholte zufällige Auswahl einer Teilmenge von Messwerten aus der Datenbasis, die dieselbe Größe wie der Satz von Messwerten hat, sowie die Berechnung einer Bewertung auf der Grundlage der Teilmenge umfassen. Die Verteilung der Bewertungen, die auf diese Weise erhalten wird, kann zur Bestimmung der Signifikanz der Bewertung verwendet werden (z. B. indem der Bewertung ein p-Wert zugeteilt wird).
  • Die Bedeutung eines Ergebnisses, wie z. B. eine Kerbe für ein Erlebnis, einen Unterschied zwischen den Kerben, und/oder einen Unterschied in der affektiven Reaktion auf Erfahrungen, bestimmt werden kann, in manchen Ausführungsformen, mit einem statistischen Test. Beispielsweise können die Ergebnisse zwei oder mehr Bewertungen irgendeiner Art umfassen und muss die Signifikanz der Bewertungen bestimmt werden. Die Signifikanz kann sich auf verschiedene Faktoren beziehen, wie z. B. ob die Tatsache, dass eine Bewertung höher als der Rest ist, wahrscheinlich ein wahres Phänomen ist oder wahrscheinlich aufgrund einer begrenzten Anzahl von zur Generierung der Ergebnisse verwendeten Messwerten der affektiven Reaktion beobachtet wird. In letzterem Fall würden die Ergebnisse vielleicht anders sein, wenn es eine größere Anzahl von Messwerten gäbe. Im ersten Fall jedoch führt eine Erhöhung der Anzahl der Messwerte, aus denen Ergebnisse bezogen werden, wahrscheinlich nicht zu einer signifikanten Änderung der Ergebnisse (da sie auf Beobachtungen eines echten Phänomens beruhen). Im Folgenden sind einige Beispiele, die in verschiedenen Ausführungsformen in dieser Offenbarung, in denen Bedeutung eines Ergebnisses (z.b. eine Masse-basierte Ergebnis) muss bestimmt werden.
  • Ein Szenario, in dem die Signifikanz von Ergebnissen getestet wird, bezieht sich auf das Vorhandensein von zwei (oder mehr) Sätzen von Werten, die verglichen werden müssen. Bei dieser Verfahrensweise werden bestimmte statistische Größen, die die Sätze von Werten charakterisieren, berechnet. Eine statistische Größe eines Satzes von Werten kann beispielsweise der empirische Mittelwert der Werte sein. Angesichts der Statistiken für die Einstellung der Werte, eine parametrische Test kann verwendet werden, bestimmte Fragen zu beantworten über die Einstellung von Werten. Zum Beispiel, ob Sie kommen aus der gleichen Verteilung, oder ob die Ausschüttungen aus der Einstellung der Werte kommen verschiedene Parameter. Die Kenntnis der Antwort auf solche Fragen und/oder die Kenntnis darüber, wie wahrscheinlich die Antwort auf diese Fragen wahr ist, kann zu einem Wert führen, der indikativ für die Signifikanz der Ergebnisse ist (z. B. ein p-Wert).
  • Man betrachte ein Szenario, in dem ein erster und zweiter Ort gemäß Messwerten der affektiven Reaktion von Benutzern bewertet werden, die an dem ersten und zweiten Ort waren. Es wird auf der Grundlage der Messwerte bestimmt, dass eine erste Ortsbewertung für den ersten Ort größer als eine zweite Ortsbewertung für den zweiten Ort ist. In diesem Beispiel kann eine Ortsbewertung eine aus den Messwerten ermittelte durchschnittliche emotionale Reaktion darstellen, wie z. B. ein durchschnittliches Niveau von Glück. Es kann der Fall sein, dass die erste Ortsbewertung größer als die zweite Ortsbewertung ist, was bedeuten würde, dass der erste Ort dem zweiten Ort vorzuziehen ist. Wenn diese Ergebnisse jedoch eine geringe Signifikanz haben, z. B. wenn Tests indizieren, dass der erste und zweite Satz von Messwerten ähnlich sind, da sie beispielsweise wahrscheinlich aus derselben Verteilung stammen, dann kann es von Vorteil sein, den ersten Ort nicht so zu behandeln, als sei er dem zweiten Ort vorzuziehen.
  • Ein parametrisches Testverfahren, das häufig verwendet wird, um Fragen zu Differenzen zwischen Messwertsätzen zu beantworten, ist ein t-Test, der sich hierin auf jeden statistischen Hypothesentest bezieht, in dem die Testgröße einer studentschen t-Verteilung folgt, wenn die Nullhypothese unterstützt wird. Ein t-Test kann verwendet werden, um festzustellen, ob zwei Datensätze sich signifikant von einander unterscheiden, und wird häufig angewendet, wenn die Testgröße einer Normalverteilung folgen würde, falls der Wert eines Skalierungsterms in der Testgröße bekannt wäre. Wenn der Skalierungsterm unbekannt ist und durch eine auf den Daten basierende Schätzung ersetzt wird, folgt die Testgröße (unter bestimmten Voraussetzungen) einer studentschen t-Verteilung. Optional wird die Testgröße in einen p-Wert konvertiert, der die Signifikanz repräsentiert.
  • t-Tests können auf unterschiedliche Weise für verschiedene Aufgaben verwendet werden wie beispielsweise: ein Ein-Stichproben-Test zur Bestimmung, ob der Mittelwert einer Grundgesamtheit einen in einer Nullhypothese spezifizierten Wert hat; ein Zwei-Stichproben-Test der Nullypothese, dass die Mittelwerte von zwei Grundgesamtheiten gleich sind; ein Test der Nullhypothese, dass die Differenz zwischen zwei an derselben statistischen Einheit gemessenen Reaktionen einen Mittelwert von null hat; und ein Test zur Bestimmung, ob die Steigung einer Regressionsgeraden signifikant von null abweicht. Darüber hinaus können wiederholte t-Tests mehrfach zwischen verschiedenen Paaren von Messwertsätzen durchgeführt werden, um die Beziehungen zwischen mehreren Messwertsätzen zu beurteilen.
  • In einer Ausführungsform wird ein t-Test als ein unabhängiger Stichproben-t-Test durchgeführt. Dieses t-Test-Verfahren wird verwendet, wenn zwei getrennte Sätze von angenommenermaßen unabhängigen und identisch verteilten Samples erhalten werden, ein Sample aus jeder der beiden verglichenen Grundgesamtheiten. Man nehme beispielsweise an, dass der Effekt des Aufenthalts an einem ersten und zweiten Ort bewertet wird und Messwerte der affektiven Reaktion von hundert Benutzern verwendet werden, wobei fünfzig Benutzer an dem ersten Ort und die anderen fünfzig Benutzern an dem zweiten Ort waren. In diesem Fall hat man zwei unabhängige Samples und könnte man die ungepaarte Form des t-Tests verwenden.
  • In einer anderen Ausführungsform wird ein t-Test als ein gepaarter Stichproben-t-Test durchgeführt, der ein Sample aus gleichartigen Paaren ähnlicher Einheiten oder einer Gruppe von zweimal getesteten Einheiten umfasst (ein t-Test mit „wiederholten Messungen”). Ein typisches Beispiel eines t-Tests mit wiederholten Messungen wäre bei einer Erfassung von Messwerten desselben Benutzers unter verschiedenen Bedingungen (z. B. beim Aufenthalt an verschiedenen Orten). Dies kann helfen, eine Variabilität (z. B. aufgrund von Unterschieden der Benutzer) zu entfernen, die den zu testenden Aspekt nicht direkt betrifft (z. B. bei unterschiedlichen Reaktionen auf den Aufenthalt an den verschiedenen Orten). Durch den Vergleich von zu unterschiedlichen Orten gehörenden Messwerten desselben Benutzers wird jeder Benutzer effektiv als seine eigene Kontrolle verwendet.
  • In einer weiteren Ausführungsform wird ein t-Test als ein überlappender Stichproben-t-Test durchgeführt, der verwendet wird, wenn gepaarte Samples mit in dem einen oder anderen Sample fehlenden Daten vorliegen (z. B. durch Auswahl von „Weiß-nicht-Optionen” in Fragebögen oder weil die Befragten zufällig einer Teilmengenfrage zugewiesen werden).
  • In einigen Ausführungsform kann die Signifikanz unter Verwendung von neben t-Tests anderen parametrischen Methoden bestimmt werden, wenn bestimmte Bedingungen und/oder Annahmen erfüllt sind.
  • In einem Beispiel kann die Signifikanz unter Verwendung des Welch-t-Tests (Welch-Aspin-Test) bestimmt werden, der ein Zwei-Stichproben-Test ist und verwendet wird, um die Hypothese zu prüfen, dass zwei Grundgesamtheiten gleiche Mittelwerte haben. Der Welch-t-Test kann als eine Adaptation des studentschen t-Tests gelten und ist gedacht für Situationen, in denen die beiden Samples möglicherweise ungleiche Varianzen haben.
  • In einem anderen Beispiel kann die Signifikanz unter Verwendung eines Z-Tests bestimmt werden, der jeder statistische Test ist, bei dem die Verteilung der Testgröße unter der Nullhypothese durch eine Normalverteilung approximiert werden kann.
  • In einem weiteren Beispiel kann die Signifikanz unter Verwendung der Varianzanalyse (ANOVA) bestimmt werden, die eine Sammlung von statistischen Modellen umfasst, die zur Analyse der Differenzen zwischen Gruppenmittelwerten und ihren zugehörigen Verfahren (z. B. „Variation” innerhalb von und zwischen Gruppen) verwendet werden. In der ANOVA-Einstellung wird die beobachtete Varianz in einer bestimmten Variablen in Komponenten aufgeteilt, die auf verschiedene Quellen der Variation zurückzuführen sind. In der einfachsten Form bietet ANOVA einen statistischen Test darüber, ob die Mittelwerte aus mehreren Gruppen gleich sind und daher zur Generalisierung des t-Tests auf mehr als zwei Gruppen verwendet werden können.
  • Die Bedeutung eines Ergebnisses, wie z. B. eine Kerbe für ein Erlebnis, einen Unterschied zwischen den Kerben, und/oder einen Unterschied in der affektiven Reaktion auf Erfahrungen, bestimmt werden kann, in manchen Ausführungsformen, mit nicht-parametrischen Alternativen zu dem vorgenannten parametrische Tests (z.b. t-Tests). Optional kann dies aufgrund von bestimmten Annahmen hinsichtlich des Nichtzutreffens der Daten durchgeführt werden (z. B. kann die Normalitätsannahme nicht wahr sein). In solchen Fällen kann eine nichtparametrische Alternative zum t-Test verwendet werden. Beispielsweise kann der Wilcoxon-Rangsummentest (auch bekannt als Mann-Whitney-U-Test) für zwei unabhängige Samples mit asymmetrischen Datenverteilungen (d. h. verzerrten Verteilungen) oder Long-tailed-Verteilungen eine höhere Aussagekraft als der t-Test haben. Ein weiteres Verfahren, das angewendet werden kann, ist das nichtparametrische Gegenstück zum gepaarten Stichproben-t-Test, d. h. der Wilcoxon-Vorzeichen-Rang-Test für gepaarte Samples.
  • 12 – Faktoren von Ereignissen
  • Gemäß der hierin üblichen Verwendungsweise gibt ein Faktor eines Ereignisses (auch als ein „Ereignisfaktor” bezeichnet) einen Aspekt eines Ereignisses (auch als ein mit dem Ereignis verbundenes Attribut bezeichnet) an. Wenn der Kontext eindeutig ist, kann ein Faktor eines Ereignisses einfach als ein „Faktor” bezeichnet werden. Der zu dem Ereignis gehörende Benutzer kann einen Bias hinsichtlich des durch den Faktor angegebenen Aspekts haben, sodass, wenn der Benutzer dem Faktor ausgesetzt und/oder sich dem Faktor bewusst ist, dies die zu dem Ereignis gehörende affektive Reaktion (z. B. wie durch einen Messwert des zu dem Ereignis gehörenden Benutzers bestimmt) beeinflussen kann. Optional kann der zu einem Aspekt gehörende Faktor in einem Fall, in dem davon ausgegangen wird, dass der Aspekt eines Ereignisses (z. B. gemäß einem Modell) die affektive Reaktion auf das Ereignis beeinflusst, als für das Ereignis relevant gelten. Ebenso kann der zu einem Aspekt gehörende Faktor als für ein Ereignis irrelevant gelten, wenn nicht davon ausgegangen wird, dass der Aspekt des Ereignisses die affektive Reaktion auf das Ereignis beeinflusst. Wenn ein Faktor hierin als relevant für ein Ereignis gilt, kann er auch als das Ereignis „charakterisierend” gelten, und auf eine ähnlichen Weise kann das Ereignis als durch den Faktor „charakterisiert” gelten.
  • Ein Aspekte eines Ereignisses kann sich auf den zu dem Ereignis gehörenden Benutzers, die zu dem Ereignis gehörende Erfahrung und/oder die Instanziierung des Ereignisses beziehen. Zusätzlich zu der Bezeichnung eines Faktors eines Ereignisses als „einen Aspekt eines Ereignisses angebend” kann ein Faktor eines Ereignisses auch als „den Aspekt des Ereignisses beschreibend” und/oder „zu dem Aspekt des Ereignisses gehörend” bezeichnet werden. Zusätzlich kann durch die Zugehörigkeit zu bestimmten Aspekten eines Ereignisses zudem gesagt werden, dass die Faktoren das Ereignis beschreiben und/oder zu diesem gehören. In einem solchen Fall kann ein Faktor als „ein Faktor eines bestimmten Ereignisses” bezeichnet werden.
  • Die Begriffe „Faktor”, „Faktor eines Ereignisses” und dergleichen sind ähnlich der möglichen Verwendungsweise des Begriffs „Variable” auf dem Gebiet der Programmierung und/oder Statistik zu interpretieren. Das bedeutet, dass ein Faktor ein Attribut haben kann, das er beschreibt (d. h. der Aspekt des Ereignisses). Das Attribut kann beispielsweise die Größe des Benutzers, die Schwierigkeiten der Erfahrung und/oder die Außentemperatur zu der Zeit, zu der der Benutzer die Erfahrung hatte, beschreiben. In einigen Ausführungsformen können Faktoren zudem Werte haben, die auch als Gewichtungen bezeichnet werden. Diese Werte können quantitative Eigenschaften der Aspekte beschreiben, zu denen die Faktoren gehören. Mögliche Werte für die letztgenannten Beispiele sind beispielsweise: 188 cm, 8 auf einer Skala von 1 bis 10 und 30°C. Zusätzlich oder alternativ kann ein mit einem Faktor eines Ereignisses verbundener Wert indikativ für die Bedeutung und/oder Dominanz eines Aspekts sein, zu dem der Faktor gehört (in diesem Fall wird der Wert häufig als Gewichtung bezeichnet). Optional ist die mit einem Faktor eines Ereignisses verbundene Gewichtung indikativ für das Ausmaß des Einflusses, den der Faktor wahrscheinlich auf die affektive Reaktion des zu dem Ereignis gehörenden Benutzers hat. Optional ist die mit einem Faktor eines Ereignisses verbundene Gewichtung indikativ dafür, wie relevant dieser Faktor für das Ereignis ist. Beispielsweise gilt der Faktor als umso relevanter, desto größer die Gewichtung ist. Optional erhält ein Faktor, der irrelevant für ein Ereignis ist, eine Gewichtung, die unterhalb eines Schwellenwerts liegt. Optional erhält ein Faktor, der irrelevant für ein Ereignis ist, eine Gewichtung, die gleich Null ist. Die Bestimmung eines Werts und/oder einer Gewichtung eines Faktors kann hierin auch als Zuordnen eines Werts und/oder einer Gewichtung zu dem Faktor bezeichnet werden.
  • In einigen Ausführungsformen kann ein Faktor eines Ereignisses einen zugeordneten Wert haben, der ein Indikator dafür ist, ob ein bestimmter Aspekt des Ereignisses eingetreten ist. Optional kann der Indikator eine binäre Gewichtung sein, die Null ist, wenn der Aspekt nicht eingetreten ist, und die Eins ist, wenn der Aspekt eingetreten ist. Beispielsweise kann ein Faktor eines Ereignisses zu dem Benutzer gehören, der einen Zug versäumt (es trat entweder ein oder trat nicht ein), zu dem Benutzer, der während der vorherigen Nacht mindestens acht Stunden lang geschlafen hat, oder zu dem Benutzer, der ein für den Tag verschriebenes Medikaments eingenommen hat. Je nach der Ausführungsform können einige zu Indikatoren gehörende Faktoren stattdessen oder zusätzlich durch eine Gewichtung angegeben werden, die quantitative Eigenschaften der Aspekte beschreibt, zu denen die Faktoren gehören. Anstatt, wie in dem obigen Beispiel beschrieben, einen Indikator für die Stunden des Schlafs zu haben, kann die Gewichtung eines solchen Faktors der Wert sein, der die tatsächliche Anzahl der Stunden des Schlafs, die der Benutzer hatte, angibt.
  • In einigen Ausführungsformen werden die Faktoren von Ereignissen aus den Beschreibungen der Ereignisse abgeleitet (die Beschreibungen von Ereignissen werden zumindest im Abschnitt 4 (Ereignisse) ausführlicher erörtert). Wie ausführlicher im Abschnitt 5 (Identifizierung von Ereignissen) beschrieben, werden die Beschreibungen von Ereignissen optional durch einen Ereignis-Annotator (z. B. Ereignis-Annotator 701) produziert und/oder verwenden die Beschreibungen von Ereignissen optional Daten aus unterschiedlichen Quellen. In einer Ausführungsform enthält eine Beschreibung eines Ereignisses selbst Faktoren des Ereignisses und/oder Werte der Gewichtungen von Faktoren. In einer weiteren Ausführungsform kann eine Analyse der Beschreibung, möglicherweise unter Einbeziehung verschiedener im Folgenden beschriebener Programme und/oder Prädiktoren, erforderlich sein, um ein Zuordnen von Faktoren zu dem Ereignis und/oder eine Bestimmung der Gewichtungen der Faktoren zu ermöglichen.
  • In einigen Ausführungsformen erfolgt das Zuweisen von Faktoren zu Ereignissen zumindest teilweise durch Software-Agenten, die beschrieben zumindest im Abschnitt 7 (Software-Agenten) beschrieben werden. Zum Beispiel kann ein Software-Agent einen Teil der Überwachung und/oder der Analyse durchführen, die mit der Generierung einer Beschreibung eines Ereignisses verbunden sind. Optional kann ein im Namen eines Benutzers operierender Software-Agent an dem Vorgang zur Auswahl von für ein Ereignis relevanten Faktoren und/oder zur Zuweisung von Gewichtungen zu den Faktoren teilnehmen. Zum Beispiel kann der Software-Agent eine Liste möglicher Faktoren einengen, die durch ein anderes Programm bereitgestellt wird, und bestimmte Faktoren auswählen, die am besten solche Faktoren repräsentieren, die die affektive Reaktion des Benutzers beeinflussen können. Optional basiert diese Auswahl auf vorherigen, zu dem Benutzer gehörenden Ereignissen. Zusätzlich oder alternativ kann die Auswahl auf Modellen des Benutzers basieren, wie z. B. Modelle, die Bias des Benutzers beschreiben (z. B. kann der Software-Agent Faktoren auswählen, für die der Benutzer einen Bias hat, der nicht insignifikant ist).
  • Es folgende nicht ausschließliche Beispiele für einige der Arten von Faktoren, die in einigen Ausführungsformen verwendet werden können. Diese Beispiele werden zum Zweck der Veranschaulichung dargestellt und sind nicht umfassend (es können andere Arten von Faktoren in den Ausführungsformen verwendet werden). Darüber hinaus können unterschiedliche Ausführungsarten verschiedene Untermengen der im Folgenden beschriebenen Faktoren und/oder unterschiedliche Varianten dieser Faktoren umfassen.
  • Jedes Ereignis, das das Erleben einer bestimmten Erfahrung umfasst, kann in einigen Ausführungsformen durch Faktoren charakterisiert werden, die zu der bestimmten Erfahrung gehören. Optional repräsentiert mindestens einer der Faktoren einfach die Tatsache, dass das Ereignis die bestimmte Erfahrung umfasst hat. Optional kann ein Bias-Wert, der zu diesem Faktor gehört, ausdrücken, wie sich ein Benutzer angesichts des Erlebens der bestimmten Erfahrung fühlt (ein solcher Wert kann somit als eine „persönliche Bewertung” eines Benutzers hinsichtlich der bestimmten Erfahrung gelten). Es folgen weitere Beispiele für Faktoren, die mit der zu einem Ereignis gehörenden Erfahrung verbunden sein können.
  • In einigen Ausführungsformen kann ein Faktor eines Ereignisses ein Aspekt der zu einem Ereignis gehörenden Erfahrung beschreiben, z. B. zu welcher Art von Erfahrung sie gehört (z. B. geistige Aktivität, körperliche Aktivität, lästige Pflicht oder Freizeitaktivität) oder wo sie stattfindet (z. B. zu Hause, draußen, bei der Arbeit). Die Faktoren können zu verschiedenen Attributen hinsichtlich der Instanziierung des Ereignisses gehören, beispielsweise wie lange sie gedauert hat, ihr Schwierigkeitsgrad (z. B. Level eines Spiels) oder ihre Kosten. Weitere Beispiele für Faktoren können sich auf die Umgebung, in der die Erfahrung stattfand, beziehen, wie z. B. die Temperatur, der Geräuschpegel und/oder die Anwesenheit oder Abwesenheit von verschiedenen Personen zur Zeit des Stattfindens der Erfahrung (z. B. war der Benutzer in Gesellschaft eines Freundes oder alleine).
  • Ein Faktor eines Ereignisses kann zu einem Objekt gehören, das ein Teil der zu dem Ereignis gehörenden Erfahrung ist. In einem Beispiel kann das Objekt durch den zu dem Ereignis gehörenden Benutzer verwendet worden sein (z. B. ein Besen, ein Ball oder Sonnencreme). In einem anderen Beispiel ist das Objekt etwas, das der Benutzer gesehen haben kann (z. B. ein Objekt, das der Benutzer beim Surfen eines virtuellen Geschäfts sieht). In einem weiteren Beispiel ist die zu dem Ereignis gehörende Erfahrung eine computerbezogene Erfahrung und kann der Faktor zu der Hardware (z. B. beteiligtes Gadget oder beteiligte Benutzeroberfläche) und/oder Software gehören, die im Rahmen des Erlebens der Erfahrung verwendet wurden.
  • Des Weiteren können die Faktoren eines Ereignisses in einigen Ausführungsformen zu einem spezifischen Charakteristikum eines Objekts gehören, das an der zu dem Ereignis gehörenden Erfahrung beteiligt ist. Beispiele für Charakteristika, die in einigen Ausführungsarten thematisiert werden können, umfassen die folgenden Charakteristika: Gewicht, Volumen, Größe, Zeit, Form, Farbe, Position, Textur, Dichte, Geruch, Wert, Konsistenz, Tiefe, Temperatur, Funktion, Optik, Preis, Alter und Bedeutung. Zum Beispiel kann ein Faktor, der zu einer Erfahrung des Kaufs eines Hemds gehört, die Farbe des Hemds oder die Weichheit des Gewebes sein. In einem anderen Beispiel kann ein Faktor, der zu einer Erfahrung des Trinkens einer Suppe gehört, die Temperatur der Suppe sein. In einem weiteren Beispiel kann ein Faktor, der zu einer Erfahrung des Trinkens eines Glas Weins gehört, das Alter des Weins und/oder die Weinsorte sein. In noch einem weiteren Beispiel kann ein Faktor, der zu einer Erfahrung des Kaufs eines Schmuckstücks gehört, der Preis des Schmuckstück sein.
  • In einigen Ausführungsformen können die Faktoren zu Low-Level-Merkmalen eines Inhalts gehören, wie etwa Beleuchtung, Farbschema, Tempo, Schallenergie und dergleichen. Die Faktoren können zudem zu High-Level-Konzepten einer Erfahrung gehören, wie etwa Genre eines Inhalts.
  • Wenn eine Erfahrung den Verzehr einer Substanz durch den zu dem Ereignis gehörenden Benutzer umfasst (z. B. ein Lebensmittel, ein Getränk und/oder eine andere Art von Substanz), kann sich ein Faktor des Ereignisses auf die chemische Zusammensetzung der Substanz, einen Nährwert der Substanz und/oder andere physikalische Eigenschaften der Substanz beziehen. In einem Beispiel beschreibt ein Faktor Eigenschaften, wie z. B. die mit dem Verzehr der Substanz verbundene Kalorienzufuhr, das Gewicht der Kohlenhydrate in der Substanz und/oder der Prozentanteil der gesättigten Fette in der Substanz. In einem anderen Beispiel kann sich ein Faktor auf bestimmte Zutaten in der Substanz beziehen (z. B. ob sie Alkohol, Erdnüsse oder Koriander enthält). In einem weiteren Beispiel kann sich ein Faktor auf die Konzentration bestimmter Moleküle und/oder Gruppen von Chemikalien in der Substanz beziehen (z. B. wie viele ppm Quecksilber oder welche Salzkonzentrationen).
  • Viele Erfahrungen können Personen oder andere Entitäten (z. B. Roboter oder Avatare) umfassen, mit denen ein Benutzer, der eine Erfahrung hat, interagieren kann. Zusätzlich oder alternativ können die Entitäten ein Teil der Erfahrung auf eine andere Weise sein (z. B. beinhaltet die Erfahrung das Ansehen eines Bildes oder Videos einer Entität). Somit kann ein zu einer Erfahrung gehörender Faktor in einigen Ausführungsformen eine Entität (Person oder andere Entität) identifizieren, die ein Teil der Erfahrung ist, die ein Benutzer hat. Optional kann der Faktor zu einer bestimmten Person (z. B. ein bestimmter Freund des zu einer Erfahrung gehörenden Benutzers oder ein bestimmter Lehrer des Benutzers) oder zu einer bestimmten Entität, die keine reale Person ist (z. B. ein bestimmter Roboter, ein bestimmtes Betriebssystem und/oder ein bestimmter Software-Agent), gehören. Ein Faktor eines Ereignisses kann zudem zu Gruppen von Entitäten gehören (z. B. kann ein Faktor zu der Anwesenheit von Polizisten, Partygängern oder erfahrenen Spielern gehören, die auf eine bestimme Weise ein Teil einer Erfahrung sind).
  • Ein Faktor eines Ereignisses kann zu einem Charakteristikum einer Entität (Person oder andere Entität) gehören, die ein Teil der zu dem Ereignis gehörenden Erfahrung ist. Beispiele für Charakteristika sind u. a. Ethnizität, Alter, Geschlecht, Aussehen, Religion, Beruf, Größe, Gewicht, Frisur, gesprochene Sprache oder Verhalten. Zusätzlich kann ein Charakteristikum zu der Stimmung oder dem emotionalen Zustand der Entität und/oder zu verschiedenen Verhaltensmerkmalen (z. B. Manierismen, die als Zwangsstörungen gelten können) gehören. Optional kann die Bestimmung von Verhaltensmerkmalen durch eine Beobachtung der Entität, durch eine semantische Analyse von mit der Entität verbundenen Kommunikationen, durch eine Analyse der Stimme und Körpersprache und durch Berichte der Benutzer oder anderer Benutzer erfolgen. Zum Beispiel beschreibt das US-Patent Nr. 9,019,174 mit dem Titel „Wearable emotion detection and feedback system” ein Gerät, das an einer Kopfbekleidung (z. B. Brille) des Benutzers montierte Kameras umfasst und zur Bestimmung der emotionalen Zustände von Personen, die mit dem Benutzer interagieren, verwendet werden kann.
  • In einigen Ausführungsformen kann die Qualität der zu einem Ereignis gehörenden Erfahrung als ein Faktor des Ereignisses gelten. Optional basiert die Qualität der zu dem Ereignis gehörenden Erfahrung auf einer Bewertung, die für die zu dem Ereignis gehörende Erfahrung berechnet wird. Zum Beispiel kann die Bewertung eine crowd-basierte Bewertung sein, die auf der Grundlage von Messwerten der affektiven Reaktion mehrerer Benutzer berechnet wird, z. B. mindestens 3, 5, 10, 100 oder mindestens 1000 Benutzer, von denen jeder einen zu der Erfahrung gehörenden Messwert der affektiven Reaktion zu der Berechnung der Bewertung beigetragen hat.
  • In einem Beispiel kann eine affektive Reaktion auf ein Ereignis, das das Ansehen einer Live-Show umfasst, von der Qualität der Show abhängen, wobei eine schlechte Darbietung eine negative affektive Reaktion auf die Show hervorruft, während eine gute Show dazu führen kann, dass die affektive Reaktion positiver ist. Es wird darauf hingewiesen, dass verschiedene Benutzer auf einen solchen Faktor unterschiedlich reagieren können (beispielsweise sind einige Benutzer durch eine Erfahrung mit geringer Qualität mehr enttäuscht als andere Benutzer). In diesem Beispiel kann die Qualität der Show anhand einer Bewertung bestimmt werden, die aus Messwerten der affektiven Reaktion mehrerer Benutzer, die die Live-Show ansehen, berechnet wird.
  • In einem anderen Beispiel kann eine affektive Reaktion auf ein Ereignis, das den Verzehr einer Mahlzeit in einem Restaurant umfasst, von der Qualität des Essens und/oder des Service in dem Restaurant abhängen. Optional wird die Qualität des Essens und/oder des Service durch eine Bewertung angegeben, die auf der Grundlage von Messwerten der affektiven Reaktion von anderen Benutzern, die in demselben Restaurant gegessen haben, berechnet wird.
  • In einigen Ausführungsformen kann ein Faktor eines Ereignisses einen Aspekt des zu dem Ereignis gehörenden Benutzers beschreiben, wie etwa eine Situation, in der sich der Benutzer während der Instanziierung des Ereignisses befindet. Die Situation kann sich auf eine oder mehrere verschiedene Bedingungen beziehen, die die affektive Reaktion des Benutzers beeinflussen können. Optional kann sich die Situation auf einen physischen und/oder psychischen Zustand des Benutzers beziehen. In einem Beispiel kann eine Situation des Benutzers ein physiologischer Zustand sein, wie z. B. hoher Blutdruck oder ein bestimmter Blutzuckerspiegel. In einem anderen Beispiel kann sich die Situation auf einen mentalen Zustand des Benutzers beziehen, wie z. B. unter Drogeneinfluss, depressiv, euphorisch oder erschöpft sein.
  • Eine Situation, in der sich ein Benutzer befindet, kann sich auf bestimmten Zustand beziehen, in dem sich der Benutzer während des Erlebens einer Erfahrung befindet. Wenn der Benutzer zum Beispiel während des Erlebens der Erfahrung allein ist, kann dies als eine erste Situation gelten. Wenn der Benutzer jedoch während des Erlebens einer Erfahrung nicht alleine, sondern z. B. in Gesellschaft einer oder mehrerer anderer Personen ist, kann dies als eine zweite Situation gelten, die sich von der ersten Situation unterscheidet. In einem anderen Beispiel ist „vor einer Mahlzeit” (z. B. wenn der Benutzer wahrscheinlich hungrig ist) eine andere Situation als „nach dem Verzehr einer Mahlzeit”. In einem weiteren Beispiel sind „beschäftigt” vs. „arbeitslos” oder „in einer Beziehung” vs. „ledig” Beispiele für unterschiedliche Situationen, in denen ein Benutzer sein kann und die jeweils einen zugehörigen Faktor haben können, der indiziert, ob sich der Benutzer während einer Instanziierung eines Ereignisses in einer bestimmten Situation befindet.
  • In einigen Ausführungsformen kann eine Situation dem Bewusstsein des Benutzers hinsichtlich eines bestimmten Charakteristikums des Benutzers entsprechen, wie etwa ein demographische Charakteristikum, eine Einzelheit des Aussehens des Benutzers usw. Optional kann das Bewusstsein hinsichtlich des bestimmten Charakteristikums die affektive Reaktion des Benutzers beeinflussen. Zum Beispiel kann der Benutzer bei dem Erleben einer Erfahrung befangen wegen seines Alters (z. B. ob es einer Norm entspricht), seines Aussehens (z. B. ein „Frisurdebakeltag”) und/oder seines Gewichts (z. B. ob es über einem bestimmten gewünschten Wert liegt) sein. Diese Tatsachen können erkannt und in Faktoren umgewandelt werden. Zum Beispiel kann ein Faktor eines Ereignisses, das den Besuch einer Bar betrifft, indikativ für die Tatsache sein, dass das Alter des Benutzers deutlich über dem durchschnittlichen Alter der Gäste der Bar liegt.
  • Einige Situationen können sich auf Kenntnisse beziehen, die der Benutzer hat und die die affektive Reaktion des Benutzers auf eine Erfahrung beeinflussen können. Wenn ein Benutzer beispielsweise weiß, dass der Benutzer nicht in der Lage sein wird, einen geplanten Termin wahrzunehmen, da der Benutzer zu weit von dem Ort entfernt ist, an dem der Termin stattfinden soll, kann dies als eine Situation erkannt werden, in der sich der Benutzer befindet (zu spät sein) und die negative Auswirkungen auf die affektive Reaktion des Benutzers haben kann. Wenn der Benutzer in einem anderen Beispiel weiß, dass seine Kinder ausgegangen sind und dass es spät ist, kann dies eine Situation sein, in der der Benutzer beunruhigt sein kann (z. B. da es später als eine bestimmte Uhrzeit ist, zu der die Kinder zurückgekehrt sein sollten). Wenn der Benutzer in einem weiteren Beispiel eine Nachricht erhalten hat, die ein Lob für den Benutzer enthält (z. B. von einem Vorgesetzten bei der Arbeit), kann dies als eine bestimmte (mentale) Situation gelten, in der sich der Benutzer befindet und die die affektive Reaktion des Benutzers in positiver Weise beeinflussen kann.
  • Menschen können in ihrem tagtäglichen Leben unterschiedliche Erwartungen in Bezug auf die durch sie erlebten Erfahrungen haben. Beispielsweise können sich diese Erwartungen auf verschiedene Charakteristika von Erfahrungen beziehen (z. B. mit wem die Erfahrung stattfindet, das Ergebnis der Erfahrung oder möglicherweise irgendein anderes Charakteristikum der Erfahrung). Oftmals basieren solche Erwartungen auf vorherigen Erfahrungen, die die Benutzer gehabt haben und die das bestimmte Charakteristikum umfassten, für das es eine zugehörige Erwartung gibt. Zum Beispiel kann ein Benutzer aufgrund vorheriger Erfahrungen bestimmte Erwartungen in Bezug auf das Ergebnis der Erfahrungen beim Umgang mit einer bestimmten Person oder einer zu einer bestimmten Gruppe gehörenden Person haben (z. B. kann die Gruppe Personen eines bestimmten Geschlechts, einer bestimmten Altersgruppe, mit einer bestimmten Ethnizität, einem bestimmten Beruf usw. umfassen).
  • Es ist zu beachten, dass in den hierin beschriebenen Ausführungsformen derselbe Faktor zu verschiedenen Ereignissen mit möglicherweise unterschiedliche Erfahrungen gehören kann. Zum Beispiel kann ein Faktor, der zum Kranksein des Benutzers gehört, mit Bezug auf viele verschiedene Ereignisse mit unterschiedlichen, durch den Benutzer während des Krankseins erlebten Erfahrungen verwendet werden. In einem anderen Beispiel kann ein Faktor, der zu einer Interaktion mit einer Person einer bestimmten ethnischen Gruppe gehört, sowohl zu einer Erfahrung gehören, bei der Benutzer beim Einkaufen mit einem Verkäufer, der ein Mitglied der bestimmten ethnischen Gruppe ist, interagiert als auch zu einer Erfahrung, bei der der Benutzer in einer Unfallstation durch einen Arzt behandelt wird, der ein Mitglied der bestimmten ethnischen Gruppe ist.
  • Darüber hinaus sollte bei der Erörterung der Faktoren von Ereignissen darauf hingewiesen werden, dass die Dauer, während der ein Faktor einen Benutzer aktiv beeinflusst (z. B. weil der Benutzer einem Aspekt eines Ereignisses ausgesetzt ist, zu dem der Faktor gehört) im Falle einiger Faktoren variieren kann. In einigen Beispielen kann die Dauer einen Bruchteil einer Sekunde umfassen (z. B. kurzes Betrachten eines bestimmten Bilds, Hören eines Geräuschs), während die Dauer sich in anderen Beispielen über den gesamten Zeitraum der Instanziierung eines Ereignisses ausdehnen kann, z. B. wenn ein Faktor zu einem Zustand gehört, in dem der Benutzer während der Instanziierung war (z. B. ein Faktor, der zum Kranksein des Benutzers gehört). Optional kann die Länge der Dauer die mit dem Faktor verbundene Gewichtung beeinflussen. Beispielsweise kann die Gewichtung, die mit einem Faktor verbunden ist, der zu einer Sonnenexposition eines Benutzers gehört, proportional zu der Zeit sein, während der der Benutzer der Sonne ausgesetzt war. Alternativ hat die unterschiedliche Länge der Dauer, während der ein Benutzer einem Aspekt eines Ereignisses ausgesetzt ist, in anderen Fällen keinen Einfluss auf die mit einem zugehörigen Faktor verbundene Gewichtung. Beispielsweise kann sich der Faktor auf einen Aspekt beziehen, für den die wichtige Tatsache war, ob oder ob nicht er eingetreten ist (z. B. ob oder ob nicht der Benutzer sich mit einem Freund getroffen hat, Mittagessen gegessen hat etc.) und nicht, wie lange diese Erfahrungen gedauert haben.
  • Die Faktoren von Ereignissen können in den verschiedenen hierin beschriebenen Ausführungsformen auf unterschiedliche Weise angegeben werden. Beispielsweise können die Faktoren als eine Teilmenge und/oder Liste relevanter Faktoren, als Vektoren von Werten und/oder unter Verwendung anderer Darstellungen von Informationen (z. B. ein strukturierter Datenbankeintrag) angegeben werden. In einigen Ausführungsformen kann es eine Vielzahl von Faktoren geben, die potenziell für ein Ereignis relevant sein können. Üblicherweise ist jedoch nur ein Bruchteil der potenziellen Faktoren in dem Maße für das Ereignis relevant, dass sie wahrscheinlich die affektive Reaktion des Benutzers auf die zu dem Ereignis gehörende Erfahrung beeinflussen.
  • In einer Ausführungsform sind die relevanten Faktoren eines Ereignisses eine Teilmenge der Vielzahl der Faktoren, die möglicherweise zur Charakterisierung des Ereignisses verwendet werden können. Optional umfasst die Teilmenge der Faktoren weniger als die Hälfte der Vielzahl der Faktoren. Die Teilmenge der Faktoren kann auf verschiedene Weise angegeben werden. In einem Beispiel kann die Teilmenge als eine Liste mit den Faktoren in der Teilmenge (oder sie identifizierenden Informationen wie z. B. Namen, Codes, Indizes, etc.) angegeben werden. Optional ist die Liste nach den vermeintlichen Auswirkungen der Faktoren auf die affektive Reaktion des Benutzers angeordnet. In einem anderen Beispiel kann die Teilmenge als ein Vektor von Werten angegeben werden, wobei jeder Wert indiziert, ob oder ob nicht ein bestimmter Faktor zu der Teilgruppe gehört (z. B. ein Vektor von Indikatoren, wobei eine „1” indiziert, dass der zugehörige Faktor relevant ist, und eine „0” indiziert, dass er nicht relevant ist).
  • In einer anderen Ausführungsform kann zumindest einigen Faktoren aus der Vielzahl der möglichen Faktoren ein Relevanzgrad zugewiesen werden. Optional wird der Relevanzgrad eines Faktors durch eine Gewichtung des Faktors angegeben, welche als ein numerischer Wert angegeben werden kann. Zum Beispiel können die Faktoren durch einen Vektor von Gewichtungen angegeben werden, wobei jede Position in dem Vektor zu einem bestimmten Faktor gehört und der Wert an jeder Position die Gewichtung des bestimmten Faktors bei der Instanziierung des Ereignisses angibt. Optional hat mindestens die Hälfte der Vielzahl von Faktoren eine geringere Gewichtung als der andere Rest der Vielzahl von Faktoren. Optional kann eine Gewichtung, die unterhalb eines bestimmten Schwellenwerts liegt, indikativ dafür sein, dass der zugehörige Faktor nicht relevant ist und/oder wahrscheinlich keinen Einfluss auf die affektive Reaktion des zu dem Ereignis gehörenden Benutzers hat. Optional ist eine Gewichtung, die gleich Null ist, indikativ dafür, dass der zugehörige Faktor nicht relevant ist und/oder wahrscheinlich keinen Einfluss auf die affektive Reaktion des zu dem Ereignis gehörenden Benutzers hat.
  • In einigen Ausführungsformen stammen die Faktoren eines Ereignisses alle aus einer bestimmten Menge, die eine Vielzahl möglicher Faktoren umfasst. Zum Beispiel kann die Vielzahl von Faktoren aus einer Datenbank mit vordefinierten Faktoren stammen oder Faktoren entsprechen, die alle zu einer bestimmten Menge von Strukturen gehören und/oder gemäß einem bestimmten Satz von Grammatikregeln generiert werden. In einem anderen Beispiel kann jeder Faktor zu einer Dimension in einem hochdimensionalen (möglicherweise sogar unendlichen) Raum gehören. Bei der Entscheidung darüber, welche Faktoren in der Menge aller möglichen Faktoren enthalten sein sollen, kann es verschiedene Möglichkeiten geben, die durch verschiedene Überlegungen geleitet werden und in den verschiedenen Ausführungsformen verschiedene Mengen ergeben können. Zum Beispiel können die Mengen eine unterschiedliche Anzahl von Faktoren enthalten, von ein oder zwei Faktoren in einfachen Ausführungsformen bis hin zu sogar Millionen oder mehr Faktoren in komplexen Ausführungsformen. Wie im Folgenden beschrieben können die Mengen darüber hinaus Faktoren mit verschiedenen Niveaus der Spezifität und/oder Komplexität umfassen. Die Auswahl der zu verwendenden Faktoren kann von verschiedenen Überlegungen abhängen, wie etwa die Menge der verfügbaren Daten, die Rechenressourcen, die zur Identifizierung von die Faktoren aufweisenden Ereignissen erforderlich sind, und der gewünschte Grad der Beschreibungsfähigkeit von Modellen, die die Faktoren verwenden.
  • In einigen Ausführungsformen können die Faktoren von Ereignissen unterschiedliche Niveaus der Spezifität haben. Die Spezifität eines Faktors gibt hierin den Anteil der Ereignisse an, für den der Faktor zu einem bestimmten Aspekt gehört. Zum Beispiel kann ein Faktor, der zu einem Aspekt gehört, das als „Lösen eines Kreuzworträtsels während einer Fahrt in einem voll besetzten Bus an einem Herbstnachmittag” beschrieben werden kann, als ziemlich spezifisch gelten (es wird erwartet, dass er zu einer kleinen Anzahl von Ereignissen gehört). Im Gegensatz dazu ist ein Faktor, der einfach zu einem Aspekt des „Mittagessens” gehört, ziemlich allgemein, d.h. unspezifisch, da es wahrscheinlich viele Ereignisse gibt, zu denen er gehört (üblicherweise essen die meisten Leute jeden Tag zu Mittag).
  • In einigen Ausführungsformen kann ein erster Faktor als eine spezifischere Variante eines zweiten Faktors gelten, wenn sich beide auf denselben Aspekt eines Ereignisses beziehen, und darüber hinaus sind alle Ereignisse, für die der erste Faktor als relevant gilt (z. B. Gewichtung über Null), zudem Ereignisse, für die der zweite Faktor als relevant gilt. Zum Beispiel ist ein Faktor, der angibt, dass ein Ereignis einen Clown mit einer roten Nase umfasst, eine spezifischere Variante eines Faktors, der angibt, dass ein Ereignis einen Clown umfasst.
  • In einigen Ausführungsformen können die Faktoren von Ereignissen als zu einer oder mehreren Hierarchien gehörend gelten. Optional ist eine Hierarchie von Faktoren eine Struktur, in der Faktoren Abkömmlinge anderer Faktoren sein können, sodass, wenn ein erster Faktor ein Abkömmling eines zweiten Faktors ist, der erste Faktor als spezifischer als der zweite Faktor gilt.
  • In einigen Ausführungsformen können die Faktoren eines Ereignisses τ durch einen Vektor F →τ angegeben werden, der Gewichtungen enthält, die numerische Werte sind (wobei jede Position die zu einem bestimmten Faktor gehörende Gewichtung speichert). Optional gilt, dass der zugehörige Faktor umso wahrscheinlicher die affektive Reaktion des zu dem Ereignis gehörenden Benutzers beeinflussen wird, desto größer der Wert der Gewichtung ist. Es ist darauf hinzuweisen, dass der Prozess der Zuordnung von Gewichtungen zu Faktoren als eine Form der Auswahl relevanter Faktoren gelten kann, da es möglich ist, zu bestimmen, dass Faktoren mit einer Gewichtung oberhalb eines bestimmten Schwellenwerts als für das Ereignis relevante Faktoren gelten sollen, während die anderen Faktoren (mit niedrigeren zugeordneten Gewichtungen) als weniger relevant (oder irrelevant) gelten können. In einem anderen Beispiel gilt eine bestimmte Anzahl von Faktoren mit den höchsten Gewichtungen als für das Ereignis relevant, während die anderen Faktoren (mit möglicherweise niedrigeren Gewichtungen) als weniger relevant oder irrelevant für das Ereignis gelten.
  • In einer Ausführungsform sind die Werte in dem Vektor F →τ binär. Zum Beispiel gibt eine Gewichtung von Null an einer bestimmten Position an, dass der zu der bestimmten Position gehörende Faktor nicht relevant ist, und gibt eine Gewichtung von Eins an dieser Position an, dass der Faktor als relevant gilt. In einer anderen Ausführungsform können die Werte in dem Vektor F →τ aus einer größeren Menge numerische Werte, wie z. B. Ganzzahlen oder Realwerte, stammen. Optional können die Werte in F →τ nicht negativ sein (z. B. angebend, dass Ereigniswerte relevant oder nicht relevant sein können). Optional können die Werte in F →τ positive oder negative Werte sein. In einigen Ausführungsformen können Gewichtungen, die Faktoren zugeordnet werden, quantitative Eigenschaften von Aspekten der Ereignisse, zu denen die Faktoren gehören, angeben. Optional kann eine Gewichtung für einen Faktor eines Ereignisses durch Anwendung verschiedener Funktionen auf einen aus einer Beschreibung des Ereignisses gewonnenen Werts gewonnen werden. Zum Beispiel kann der numerische Wert einem Prädiktor als Input gegeben werden (und der Output des Prädiktors als die Gewichtung zugeordnet werden). Optional kann der numerische Wert einer Transformation unterzogen werden, wie etwa Filterung, Skalierung und/oder Umwandlung in einen anderen Typ von Wert wie ein p-Wert oder z-Wert.
  • In einer Ausführungsform wird eine einem Faktor eines Ereignisses zugeordnete Gewichtung direkt aus einem in einer Beschreibung des Ereignisses enthaltenen Werts abgeleitet. In einem Beispiel ist die Gewichtung in Verbindung mit einem Faktor, der zu einer Abbildung eines Autos in einem Bild gehört, ein Wert, der auf der relativen Größe des Autos in dem Bild basiert (z. B. kann die Beschreibung die Maße der Objekte in dem Bild enthalten). In einem anderen Beispiel ist die Gewichtung in Verbindung mit einem Faktor, der zu dem Prozentanteil von Fett in einem Lebensmittel gehört, der Wert des Prozentanteils an Fett (z. B. kann die Beschreibung Nährwertinformationen des Lebensmittels enthalten). In einem weiteren Beispiel ist die Gewichtung in Verbindung mit einem Faktor, der zu der Temperatur an einem Ort, an dem ein Ereignis stattfindet, gehört, der Wert der Temperatur (z. B. kann die Beschreibung einen mit einem Thermometer erfassten Wert enthalten).
  • In einer anderen Ausführungsform ist eine Gewichtung in Verbindung mit einem Faktor eines Ereignisses indikativ dafür, ob ein in einer Beschreibung des Ereignisses enthaltener Werts einen bestimmten Schwellenwert erreicht. Wenn die Temperatur während eines Ereignisses beispielsweise einen bestimmten Schwellwert erreicht (z. B. einen Wert oberhalb dessen das Wetter als warm gilt), wird einem Faktor, der zu „das Wetter war warm” gehört ein Wert von „1” und andernfalls ein Wert von „0” gegeben. In einem anderen Beispiel, bei einem Ereignis, bei dem mehrere Personen mit dem Benutzer interagieren, wird einem Faktor, der zu einer Person gehört, die mit dem Benutzer mindestens 10 Sekunden lang interagiert, ein Wert von „1” gegeben, während Faktoren, die zu Personen gehören, die mit dem Benutzer weniger als 10 Sekunden lang interagiert haben, ein Wert von „0” gegeben wird.
  • In einer weiteren Ausführungsform wird eine Gewichtung in Verbindung mit einem Faktor eines Ereignisses durch eine Analyse einer Beschreibung des Ereignisses abgeleitet, um einen Wert für den quantitativen Aspekt, zu dem der Faktor gehört, zu erhalten.
  • In einer Ausführungsform kann eine Beschreibung eines Ereignisses Eye-Tracking-Daten des zu dem Ereignis gehörenden Benutzers enthalten, die während der Instanziierung des Ereignisses erfasst wurden. Anhand der Eye-Tracking-Daten kann bestimmt werden, auf welche Entitäten, z. B. Objekte oder Personen (real und/oder virtuell), der zu dem Ereignis gehörende Benutzer sein Augenmerk gerichtet hatte. Zum Beispiel können die Eye-Tracking-Daten indizieren, wie oft der Benutzer sein Augenmerk auf eine bestimmte Entität gerichtet hatte, wie lange der Benutzer jedes Mal sein Augenmerk auf die bestimmte Entität gerichtet hatte und/oder die Gesamtdauer, während der der Benutzer sein Augenmerk auf die bestimmte Entität gerichtet hatte. Die Gewichtung, die einem zu einer Entität gehörenden Faktor zugeordnet wird, kann proportional zu aus den Eye-Tracking-Daten gewonnenen Werten sein.
  • In einer anderen Ausführungsform kann eine Beschreibung eines Ereignisses Informationen hinsichtlich Kommunikationen und/oder anderer Interaktionen zwischen einem Benutzer und anderen Entität, die ein Teil des Ereignisses sind, enthalten. Basierend auf der Anzahl der Kommunikationen und/oder der Menge der ausgetauschten Informationen kann zu den Entitäten gehörenden Faktoren derart eine Gewichtung zugeordnet werden, dass die Gewichtung in Verbindung mit einem zu einer Person gehörenden Faktor umso größer ist, desto mehr der Benutzer mit der Person kommuniziert hat.
  • In einer weiteren Ausführungsform kann eine Beschreibung eines Ereignisses visuelle Informationen darüber enthalten, was der Benutzer während eines Ereignisses gesehen hat. Zum Beispiel kann die Beschreibung Videos und/oder einzelne Bilder enthalten, die aus der Sicht des Benutzers (z. B. unter Verwendung einer an einem Head-Mounted-Display befestigten Kamera) aufgenommen wurden. Es auf dem Gebiet der Technik verschiedene Verfahren zur Objekterkennung und/oder Salienzmodellierung angesichts von Bildern und/oder Videos bekannt, die die Entitäten (z. B. Objekt, Personen etc.) in den Bildern und/oder Videos und das Ausmaß der Aufmerksamkeit, das der Benutzer zumindest einigen dieser Entitäten geschenkt hat, identifizieren können. Basierend auf dieser prognostizierten Aufmerksamkeit können den zu den Entitäten gehörenden Faktoren Gewichtungen zugeordnet werden.
  • Die Zuordnung von Gewichtungen zu Faktoren und/oder die Identifizierung der ein Ereignis charakterisierenden Faktoren kann zusätzliche Formen der Analyse umfassen. In einigen Ausführungsformen können diese Aufgaben beispielsweise eine semantische Analyse, z. B. von den Benutzer betreffenden Kommunikationen und/oder von durch den Benutzer aufgenommenen Inhalten, umfassen. Zusätzlich oder alternativ können diese Aufgaben eine Analyse verschiedener Sensoren umfassen, die Aspekte der Umgebung, in der sich der Benutzer während des Stattfindens einer Erfahrung aufhält (z. B. Druck, Temperatur, Licht, Lärm, usw.) messen. Diese Werte können verwendet werden, um Gewichtungen bestimmter zugehöriger Faktoren auf direkte Weise festzulegen und/oder den Kontext zu erhalten, was die Ermittlung von Faktoren und/oder Zuordnung von Gewichtungen zu Faktoren unterstützen kann.
  • Die Faktoren eines Ereignisses können in einigen Ausführungsformen entsprechend ihrer zugeordneten Gewichtungen gefiltert werden. Insbesondere werden nicht alle Faktoren, die möglicherweise zur Beschreibung eines Ereignisses im Allgemeinen verwendet werden können, notwendigerweise zur Beschreibung eines bestimmten Ereignisses verwendet. Einige Faktoren können als irrelevant erachtet und herausgefiltert werden und/oder eine geringe Gewichtung, wie etwa Null, zugeordnet bekommen. Wenn ein Ereignis zum Beispiel einen Film umfasst, der bestimmte Schauspieler hat, können Faktoren, die sich auf andere (nicht im Film vorkommende) Schauspieler beziehen, als irrelevant gelten. Wenn ein Ereignis in einem anderen Beispiel Schwimmen in einem Pool umfasst, können andere Faktoren, die sich auf das Backen eines Kuchens beziehen, als irrelevant gelten. In diesen Beispielen werden die irrelevanten Faktoren oftmals sehr geringe Gewichtungen (von vielleicht sogar Null) haben und können somit herausgefiltert werden (z. B. indem sie aus einer Liste entfernt werden und/oder indem ihre Gewichtung auf Null gesetzt wird, falls sie etwas über Null ist).
  • Die Filterung von Faktoren eines Ereignisses kann in einigen Ausführungsformen entsprechend des erwarteten Effekts der Faktoren auf den zu dem Ereignis gehörenden Benutzer erfolgen. Zum Beispiel können Faktoren herausgefiltert werden, die den Benutzer wahrscheinlich nicht beeinflussen, möglicherweise sogar wenn ihre Gewichtung einen Schwellenwert überschreitet. Optional kann die Filterung von Faktoren gemäß ihrem zugehörigen Bias-Wert durchgeführt werden. Beispielsweise kann ein Faktor eines bestimmten Ereignisses, dessen zugehöriger Bias-Wert unterhalb eines bestimmten Betrags liegt, herausgefiltert und nicht zur Angabe des bestimmten Ereignisses verwendet werden.
  • In einigen Ausführungsformen können Gewichtungen im Zusammenhang mit Faktoren von Ereignissen verschiedenen Formen der Normalisierung unterzogen werden, möglicherweise zusätzlich zu oder anstelle verschiedener Formen der Filterung (wie oben beschrieben). Diese Normalisierung kann die Werte der Gewichtungen im Zusammenhang mit den Faktoren eines Ereignissen ändern. In einem Beispiel werden Gewichtungen von Faktoren, die ein bestimmtes Ereignis charakterisieren, derart normalisiert, dass ihre Summe oder Norm (z. B. L2-Norm) auf einen bestimmten Wert gesetzt oder innerhalb eines bestimmten Bereichs liegt. In einem anderen Beispiel werden Gewichtungen im Zusammenhang mit ein bestimmtes Ereignis charakterisierenden Faktoren, welche als ein Vektor von Werten angegeben werden, normalisiert, indem sie auf eine bestimmte multidimensionale Hyperebene und/oder auf die Oberfläche eines multidimensionalen Raums projiziert werden.
  • Die Faktoren von Ereignissen gelten üblicherweise, jedoch nicht notwendigerweise, als objektive Werte, z. B. werden dieselben Faktoren und/oder Gewichtungen im Zusammenhang mit Faktoren üblicherweise die im Wesentlichen selbe Sache für verschiedene Ereignisse mit verschiedenen Benutzern und/oder unterschiedlichen Erfahrungen angeben. Optional können die Faktoren als objektive Werte gelten, da sie aus Beschreibungen von Ereignissen abgeleitet werden, welche zumindest zu einem gewissen Grad selbst objektiv sind (z. B. können Beschreibungen von Ereignissen mit verschiedenen Benutzern unter Verwendung desselben Verfahrenssatzes generiert werden). Zum Beispiel kann ein bestimmter Faktor eines Ereignisses, das das Ansehen eines Films umfasst, indikativ dafür sein, ob oder ob nicht der Film einen bestimmten Schauspieler beinhaltet. Dies ist eine im Wesentlichen sachliche Feststellung, die anhand der Reklame des Films bestimmt werden kann (z. B. wie in einer Filmdatenbank beschrieben). In einem anderen Beispiel kann ein Faktor eines Ereignisses die Temperatur der Umgebung, in der das Ereignis stattfindet, beschreiben. Auch dies ist in der Regel ein objektiver Wert, der gemessen werden kann.
  • Angesichts eines Ereignisses kann es in den verschiedenen hierin beschriebenen Ausführungsformen verschiedene Möglichkeiten der Zuordnung von Faktoren zu dem Ereignis geben. Es folgen einige beispielhafte Verfahren, die verwendet werden können.
  • In einer Ausführungsform erfolgt die Zuordnung von Faktoren zu einem Ereignis auf der Grundlage der zu dem Ereignis gehörenden Erfahrung und/oder auf der Grundlage des zu dem Ereignis gehörenden Benutzers (möglicherweise ohne Berücksichtigung anderer Informationen, die in der Beschreibung des Ereignisses enthalten sein können). Optional wird jedem Ereignis, das zu derselben Erfahrung und/oder zu demselben Benutzer gehört, die im Wesentlichen selben Faktoren zugeordnet. Optional wird eine Menge von Faktoren für ein Ereignis aus einer Datenbank ausgewählt, die vorausgewählte Mengen von Faktoren enthält, die angemessen für bestimmte Erfahrungen, bestimmte Benutzer oder Kombinationen eines bestimmten Benutzers und einer bestimmten Erfahrung sind. In einem Beispiel kann ein Ereignis, das Reiten im Park umfasst, eine feste Menge von Faktoren haben, die zu den folgenden Attributen gehören: der Zustand des Benutzers (z. B. ist der Benutzer müde?), die Umgebung (z. B. ist die Umgebung überfüllt?), die Temperatur (z. B. ist es draußen heiß?) und ob es regnet. In einem anderen Beispiel kann eine Erfahrung, die das Essen einer Mahlzeit in einem bestimmten Restaurant umfasst, eine feste, ihr zugeordnete Menge von Faktoren haben, die zu den folgenden Attributen gehören: der Grad des Hungers des Benutzers, die Qualität der in dem Restaurant servierten Mahlzeiten (z. B. wie durch eine crowd-basierte Bewertung bestimmt) und die Art des Gerichts, das der Benutzer bestellt hat.
  • In einer anderen Ausführungsform werden die Faktoren eines Ereignisses zumindest teilweise durch den zu dem Ereignis gehörenden Benutzer zugeordnet. Diese Praxis kann durch Personen angewendet werden, die verschiedene Formen der „Lebensprotokollierung” durchführen, bei denen die Benutzer verschiedene Parameter des täglichen Lebens, wie beispielsweise durch sie erlebte Erfahrungen und verschiedene zugehörige Messwerte (möglicherweise einschließlich Messwerten der affektiven Reaktion) protokollieren. Die Daten können ausgewertet werden, um einen Einblick in Möglichkeiten zur Verbesserung der Lebensqualität zu gewinnen. Somit können die Benutzer im Rahmen der Protokollierung zumindest einige der Faktoren, die ihrem Glauben nach zu einem Ereignis gehörten, bereitstellen. Optional kann die Faktoren aus einer festen Liste ausgewählt werden (z. B. eine Standardmenge von Faktoren). Zusätzlich oder alternativ können die Faktoren auf beliebige Weise durch die Benutzer zugeordnet werden (z. B. über Spracheingabe oder Text).
  • In anderen Ausführungsformen werden die Faktoren eines Ereignisses zumindest teilweise unter Verwendung von Programmen zugeordnet. Ein Modul, das zur Zuordnung von Faktoren zu einem Ereignis verwendet wird, kann hierin als ein „Faktor-Zuordner” bezeichnet werden. In einigen Ausführungsformen kann ein Faktor-Zuordner als ein von einem Ereignis-Annotator separates Modul gelten (ausführlicher beschrieben im Abschnitt 5 (Identifizierung von Ereignissen)). Optional kooperiert der Faktor-Zuordner mit einem Ereignis-Annotator. Beispielsweise kann der Ereignis-Annotator eine Beschreibung eines Ereignisses generieren und kann der Faktor-Zuordner einen oder mehrere Faktoren (und möglicherweise die Faktoren mit Gewichtungen) anhand der Beschreibung auswählen. In einigen Ausführungsformen kann dasselbe Modul sowohl als ein Ereignis-Annotator als auch als ein Faktor-Zuordner dienen (z. B. kann der Ereignis-Annotator eine Beschreibung eines Ereignisses generieren und/oder die Faktoren des Ereignisses auswählen). Es folgt eine Beschreibung einiger der Verfahren, die durch einen Faktor-Zuordner und/oder einen Ereignis-Annotator zur Zuordnung von Faktoren zu einem Ereignis angewendet werden können.
  • Hierin umfasst die Verwendung des Begriffs „Zuordnung” in Bezug auf Faktoren (z. B. „Zuordnung von Faktoren zu einem Ereignis” oder „Zuordnung von Faktoren eines Ereignisses”) die Auswahl von Faktoren, die ein Ereignis charakterisieren (z. B. aus einer größeren Menge) und die Generierung von Faktoren, die ein Ereignis charakterisieren (z. B. nach bestimmten Regeln, die eine Menge möglicher Faktoren definieren). Zusätzlich oder alternativ kann eine Zuordnung von Faktoren zu einem Ereignis eine Bestimmung von Gewichtungen für die Faktoren eines Ereignisses umfassen. Die Faktoren, die einem Ereignis zugeordnet werden, gelten im Allgemeinen als relevanter für das Ereignis als die Faktoren, die dem Ereignis nicht zugeordnet werden. In einigen Ausführungsformen können die einem Ereignis zugeordneten Faktoren als Faktoren gelten, die das Ereignis charakterisieren, und/oder als Faktoren, die für das Ereignis relevant sind (gemäß der Verwendungsweise dieser Begriffe hierin). Ebenso gelten Faktoren, die keinem Ereignis zugewiesen werden, nicht als Faktoren, die das Ereignis charakterisieren.
  • In einigen Ausführungsformen erfordert die Zuordnung von Faktoren zu einem Ereignis keine aktive Beteiligung eines Benutzers (z. B. des Benutzers, der zu einem Ereignis gehört, zu dem die Faktoren zugeordnet werden). Optional können ein oder mehrere Programme zur Zuordnung von Faktoren zu einem Ereignis eine Beschreibung des Ereignisses analysieren (z. B. mittels Bildanalyse, semantischer Analyse und/oder anderer Analyseformen). Optional erfolgt die Zuordnung von Faktoren zu einem Ereignis zumindest teilweise durch eine Software-Agenten. Optional operiert der Software-Agent im Namen des zu dem Ereignis gehörenden Benutzers.
  • Die Zuordnung von Faktoren zu einem Ereignis kann in verschiedenen Ausführungsformen eine Aufgabe mit unterschiedlichen Schwierigkeitsgraden sein. Ob die Aufgabe relativ einfach oder sehr komplex ist (z. B. eine Aufgabe, die eine künstliche Intelligenz mit Weltkenntnis und/oder Kenntnis menschlicher Psychologie erfordert), kann von verschiedenen Aspekten abhängen, wie z. B. die Art der Daten, die in einer Beschreibung eines Ereignisses enthalten sind, und der Art der Faktoren, die für ein Ereignis berücksichtigt werden. Zum Beispiel kann die Zuordnung von Faktoren zu einem Ereignis, das eine Erfahrung des Ansehens eines Films umfasst, in erster Linie die Ermittlung der Identität der Hauptdarsteller, des Genres und der Qualität des Films (z. B. wie durch Benutzerabstimmungen und/oder Kritiker bestimmt) umfassen. In diesem Beispiel können solche Informationen aus Datenbanken (z.B. IMDB, Rotten Tomatoes und dergleichen) entnommen werden. Somit kann die Zuordnung von Faktoren angesichts eines Ereignisses, das eine Aufnahme eines Medieninhalts umfasst, ein Skript umfassen, das solche Informationen aus einer Datenbank abruft und analysiert.
  • Das obige Beispiel kann als ein relativ einfaches Beispiel der Zuordnung von Faktoren von Ereignissen gelten. In anderen Ausführungsformen kann die Zuordnung von Faktoren jedoch eine deutlich komplexere Analyse erfordern, die mehrere Datenquellen umfasst und/oder verschiedene Arten von Kenntnissen erfordert. In einer Ausführungsform kann die Zuordnung von Faktoren eine Objekt- und/oder Gesichtserkennung umfassen (z. B. um die Objekte der Aufmerksamkeit anhand eines Video-Feeds zu bestimmen). Sie kann darüber hinaus eine Bestimmung des Auftretens und/oder der emotionalen Reaktionen des Benutzers und/oder von Personen, mit denen der Benutzer interagiert, erfordern. In einer anderen Ausführungsform kann die Zuordnung von Faktoren eine Identifizierung von Situationen, in denen sich ein Benutzer befindet, und der Ereignisse, für die diese Situationen relevant sein können, umfassen. Beispielsweise kann sich ein Benutzer vor kurzem eine Sportverletzung zugezogen haben. In diesem Beispiel kann ein Faktor, der zu dem Benutzer mit der Verletzung gehört, einem Ereignis zugeordnet werden, das eine Erfahrung wie etwa Fußballspielen umfasst, nicht jedoch zu einem Ereignis, das das Ansehen eines Films umfasst. In einer weiteren Ausführungsform kann die Zuordnung eines Faktors das Erkennen von komplexen Situationen umfassen, in denen sich ein Benutzer befinden kann und die Überzeugungen und/oder Erwartungen des Benutzers und möglicherweise anderer Benutzern umfassen, wie etwa Situationen, die zu oben erwähnten kognitiven Bias gehören.
  • Die Zuordnung von Faktoren kann außerdem eine Analyse von Daten aus mehreren Quellen erfordern, einschließlich der Überprüfung vorheriger Ereignisse mit einem Benutzer, um verschiedene soziale Verhaltensweisen erkennen zu können. Zum Beispiel kann die affektive Reaktion eines zu einem Ereignis gehörenden Benutzers von der Tatsache abhängen, dass ein Benutzer bei dem Ereignis verunglimpft und/oder bevormundet oder umgekehrt respektiert und/oder gelobt wird. In einigen Ausführungsformen kann die Fähigkeit zum Erkennen solcher komplexen sozialen Signale erforderlich sein, um Faktoren eines Ereignisses auf präzise Weise zuordnen zu können.
  • In einigen Ausführungsformen kann die Zuordnung von Faktoren zu einem Ereignis eine rechnerisch ziemlich komplexe Aufgabe sein. Optional ist die Zuordnung von Faktoren in solchen Ausführungsformen eine Aufgabe, die zumindest teilweise durch Programme mit verschiedenen Fähigkeiten auf dem Gebiet der KI (künstlichen Intelligenz) durchgeführt wird und einen Zugriff auf und/oder eine Nutzung verschiedener Programme mit spezifischen Fähigkeiten zur Erkennung von Objekten, Emotionen und/oder Situationen in der realen Welt umfassen kann. Zusätzlich oder alternativ kann die Zuordnung von Faktoren zu einem Ereignis die Anwendung verschiedener Prädiktoren umfassen, die für Aufgaben wie z. B. die Prognose einer emotionalen Reaktion trainiert wurden. Optional können die Programme, die zur Zuordnung von Faktoren zu Ereignissen verwendet werden, verschiedene Verfahren zum Ziehen komplexer Inferenzen aus Daten einsetzen (z. B. verschiedene „Deep-Learning-” und/oder „Big-Data-Analysen”). In einigen Ausführungsformen kann die Zuordnung bestimmter Faktoren die Anwendung von etwas umfassen, das als eine „starke KI” (auch als künstliche allgemeine Intelligenz bezeichnet) gelten kann.
  • In einigen Ausführungsformen stammen die Faktoren, die Ereignissen zugeordnet werden, aus einer oder mehreren Ontologien. Die Ontologien können gemeinsam benutzt werden und/oder öffentlich sein (d. h. mehrere Benutzer können eine oder mehrere der Ontologien nutzen). In einigen Ausführungsformen können die eine oder mehreren Ontologien, die zur Zuordnung von Faktoren zu Ereignissen eines Benutzers verwendet werden, privat sein. Zum Beispiel kann eine private Ontologie eine Ontologie sein, auf der Grundlage der Geschichte von Ereignissen und/oder erwarteter zukünftiger Ereignisse des Benutzers definiert und/oder modifiziert wird. Optional können Ontologien durch Benutzer und/oder Software-Agenten, die im Namen der Benutzer operieren, unterhalten und aktualisiert werden. Zum Beispiel können die Software-Agenten mehrerer Benutzer eine gemeinsame Ontologie unterhalten, die zur Beschreibung von Erfahrungen einer bestimmten Art und/oder von Benutzern in bestimmten Situationen verwendet wird.
  • In einigen Ausführungsformen können die Informationen in einer vernünftigen Wissensdatenbank, die für eine Zuordnung von Faktoren zu Ereignissen verwendet werden, u. a. umfassen: eine Ontologie von Klassen und Individuen, Teile und Materialien von Objekten, Eigenschaften von Objekten (wie Farbe und Größe), Funktionen und Verwendungen von Objekten, Orte von Objekten und räumliche Anordnungen von Orten, Orte von Handlungen und Ereignissen, Dauern von Handlungen und Ereignissen, Vorbedingungen von Handlungen und Ereignissen, Effekte (Nachbedingungen) von Handlungen und Ereignissen, Subjekte und Objekte von Handlungen, Verhaltensweisen von Geräten, stereotype Situationen oder Skripte, menschliche Ziele und Bedürfnisse, Emotionen (z. B. häufige Ursachen für bestimmte emotionale Reaktionen), Pläne und Strategien, Themen und Genres von Geschichten und Kontexte.
  • 13 – Bias-Werte
  • Es gibt in den hierin beschriebenen Ausführungsformen verschiedene Möglichkeiten zur Modellierung und/oder Darstellung der Effekte der Bias eines Benutzers auf eine affektive Reaktion. Insbesondere kann in einigen Ausführungsformen davon ausgegangen werden, dass die Bias Werte haben, die als „Bias-Werte” bezeichnet werden. Optional können die Bias-Werte Zufallsvariablen (z. B. werden die Bias-Werte durch Parameter von Verteilungen angegeben) und/oder Skalarwerte oder Vektoren sein. In einigen Ausführungsformen werden die Bias-Werte aus Parametern von Modellen bestimmt, die anhand von Daten trainiert werden, die zu Ereignissen gehörende Messwerte der affektiven Reaktion umfassen. Es folgen Beschreibungen von Bias-Werten und der verschiedenen Möglichkeiten der Verwendung von Bias-Werten in einigen Ausführungsformen, einschließlich Formeln und Methoden, nach denen Daten zur Bestimmung von Bias-Werten und/oder Korrektur von Messwerten der affektiven Reaktion hinsichtlich Bias-Werten verwendet werden können. Die Beschreibung dient der Veranschaulichung; auf dem Gebiet der Technik sachkundige Personen werden erkennen, dass es andere Methoden oder Formeln geben kann, die angewendet werden können, sowie andere Möglichkeiten der Handhabung, Bestimmung und/oder Korrektur von Bias, die eingesetzt werden können, um ähnliche Ergebnisse zu erzielen.
  • Bias-Werte können auf verschiedene Weise angegeben werden. In einigen Ausführungsformen werden die Bias-Werte in denselben Einheiten angegeben, in denen die Messwerte der affektiven Reaktion und/oder Bewertungen für Erfahrungen angegeben werden. Die Bias-Werte können beispielsweise als affektive Werte angegeben werden. Optional kann ein Bias-Wert einen positiven oder negativen Wert angeben, der einem Messwert hinzugefügt wird und den Wert des Messwerts ändern kann. In einem Beispiel gibt ein Bias-Wert eine Anzahl der Herzschläge pro Minute (oder eine Änderung der Anzahl der Herzschläge) an, z. B. kann ein erstes Bias +5 Schlägen pro Minute (SPM) entsprechen, während ein zweites Bias –10 SPM entspricht. In einem anderen Beispiel gibt ein Bias-Wert eine Änderung in einer emotionalen Reaktion an. In diesem Beispiel werden emotionale Reaktionen als Punkte in der zweidimensionalen Ebene Valenz (Wertigkeit)/Arousal (Erregung) ausgedrückt. Ein Bias-Wert kann als eine Verschiebung von Punkten auf dieser Ebene ausgedrückt werden, wie z. B. ein Hinzufügen von +2 zur Valenz und von +1 zur Erregung. Somit ist der Bias-Wert in diesem Beispiel ein Vektor, der zur Durchführung einer Transformation einer Darstellung der emotionalen Reaktion verwendet werden kann. In einem weiteren Beispiel kann ein Messwert der affektiven Reaktion eine Zeitreihe sein, wie z. B. ein Gehirnwellenmuster einer bestimmten Frequenz (Frequenzbereichs), das über einen längeren Zeitraum aufgezeichnet wird. In diesem Beispiel kann ein Bias-Wert zudem als ein Muster ausgedrückt werden, das auf den Messwert überlagert werden kann, um das Muster zu ändern (d. h. den Effekt des Bias einfließen zu lassen). Und in noch einem weiteren Beispiel kann ein Bias-Wert ein Faktor sein, der einer Bewertung hinzugefügt wird, wie etwa ein Faktor von –0,5, der einem Wert auf einer einen Grad der Benutzerzufriedenheit angebenden Skala von 1 bis 10 hinzugefügt wird.
  • In einigen Ausführungsformen werden die Messwerte der affektiven Reaktion von Benutzern, die Erfahrungen hatten, zum Trainieren eines Modells verwendet, das Bias umfasst, die als Bias-Werte angegeben werden; wobei jede der Erfahrungen etwas Ähnlichem wie dem Besuch eines Orts, der Teilnahme an einer Aktivität oder der Nutzung eines Produkts entsprechen kann. In den Ausführungsformen kann jeder dieser Messwerte der affektiven Reaktion zu einem Ereignis gehören, bei dem ein bestimmter Benutzer eine bestimmte Erfahrung hatte. Zusätzlich kann in einigen Ausführungsformen zum Zweck der Analyse und/oder des Trainings eines Modells davon ausgegangen werden, dass die Ereignisse zu Mengen von Ereignissen gehören. Die Mengen von Ereignissen werden als Vi für einige 1 ≤ i ≤ k bezeichnet, und die Menge aller Ereignisse wird als V bezeichnet, sodass V = U k / i=1Vi . Zusätzliche Informationen bezüglich Mengen von Ereignissen sind zumindest im Abschnitt 4 (Ereignisse) zu finden.
  • Es folgt eine Beschreibung einer Ausführungsform, in der die Bias eines Benutzers als Bias-Werte modelliert werden, die zu Faktoren gehören. Somit wird der Effekt jedes Faktors auf die affektive Reaktion des Benutzers durch seinen zugehörigen Bias-Wert angegeben. Angesichts eines Ereignisses τ wird der zu dem Ereignis gehörende Benutzer im Folgenden als uτ bezeichnet, wird die zu dem Ereignis gehörende Erfahrung als eτ bezeichnet und wird der zu dem Ereignis gehörende Messwert der affektiven Reaktion als mτ bezeichnet. Die Menge der Faktoren des Ereignisses τ wird im Folgenden durch den Vektor F →τ = (f1, f2, ..., fn) angegeben. Optional gibt F →τ derart einen Vektor der den Faktoren des Ereignisses τ zugeordneten Gewichtungen an, dass die Gewichtung des Faktors i fi ist (wobei einige der Gewichtungen möglicherweise Null sind). Wie im Abschnitt 12 (Faktoren von Ereignissen) beschrieben, kann F →τ verschiedene Arten von Werten, wie etwa binäre Werte oder reale Werte, umfassen. Wenn die Faktoren eines Ereignisses als eine Menge von Faktoren gegeben sind, können sie dennoch durch einen Vektor von Faktoren angegeben werden, z. B. indem F →τ ein Vektor mit Gewichtungen von Eins an zu Faktoren in der Menge gehörenden Positionen und mit einer Gewichtung von Null an anderen Positionen ist.
  • Die vollständige Menge der Bias-Werte eines Benutzers u werden im Folgenden durch einen Vektor B → angegeben, wobei jeder Wert an einer Position in dem Vektor B → zu einem bestimmten Faktor gehört. In Bezug auf ein bestimmtes Ereignis τ kann der Vektor der Bias-Werte, die zu den τ charakterisierenden Faktoren gehören, als B →τ = (b1, B2, ..., cn) bezeichnet werden. Es wird davon ausgegangen, dass die beiden Vektoren F →τ und B →τ dieselbe Länge n haben. Wenn F →τ nur eine Teilmenge aller möglichen Faktoren enthält (z. B. enthält es nur Faktoren, die zumindest zu einem gewissen Grad für τ relevant sind), wird davon ausgegangen, dass der Vektor B →τ die zugehörigen Bias-Werte zu den Faktoren in F →τ enthält und nicht die gesamte Menge der Bias-Werte B →u (vorausgesetzt, dass der Benutzer u der zu dem Ereignis τ gehörende Benutzer ist). Daher wird in Gl. (1) bis Gl. (5) dieselbe Dimensionalität für die beiden zu jedem Ereignis τ gehörenden Vektoren F →τ und B →τ beibehalten.
  • In einigen Ausführungsformen kann ein zu einem Ereignis τ gehörender Messwert, der als mτ bezeichnet wird, als eine Funktion ausgedrückt werden, die den kumulierten Effekt von Faktoren, angegeben als F →τ , hinsichtlich der durch B →τ angegeben Bias-Werte gemäß der folgenden Gleichung berücksichtigt:
    Figure DE102016101650A1_0017
    wobei µτ ein Wert ist, der einen erwarteten Messwert (z. B. eine Basisline) angibt, und ε ein Rauschfaktor ist, der sich aus einer bestimmten Verteilung ergibt, die üblicherweise einen Mittelwert von Null hat und ist häufig, aber nicht notwendigerweise, eine mittelwertfreie Gauß-Verteilung ist, so dass ε~N(0, σ2), für einige σ > 0.
  • µτ kann je nach der Ausführungsform unterschiedliche Werte angeben. Beispielsweise kann µτ in einigen Ausführungsformen auf Null gesetzt werden; dies kann darauf hindeuten, dass der Messwert der affektiven Reaktion mτ als abhängig von der Bias-Reaktion des Benutzers auf die das Ereignis repräsentierenden Faktoren modelliert wird. In anderen Ausführungsformen kann µτ Werte erhalten, die nicht Null sein können; zum Beispiel kann µτ einen Basislinienwert angeben. In einer Ausführungsform ist µτ für alle Ereignisse gleich (z. B. ein Basislinienwert für einen bestimmten Benutzer oder eine Gruppe von Benutzern). In anderen Ausführungsformen kann µτ für verschiedene Ereignisse unterschiedlich sein. Zum Beispiel kann µτ ein Basislinienwert sein, der für den Benutzer uτ auf der Grundlage von Messwerten der affektiven Reaktion von uτ berechnet wird, wobei die Messwerte zu einer bestimmten Zeit vor der Instanziierung von µτ erfasst werden. In einem anderen Beispiel kann µτ einen erwarteten Messwert für die Erfahrung eτ angeben. Zum Beispiel kann µτ eine Basislinie sein, die auf der Grundlage früherer Messwerte des Benutzers uτ und/oder anderer Benutzer auf das Erleben der Erfahrung eτ berechnet wird.
  • In einigen Ausführungsformen kann ε aus der Gl. (1) eine Summe mehrerer Rauschfaktoren angeben, die für ein bestimmtes Ereignis τ relevant sein können. Optional wird jeder der mehreren Rauschfaktoren durch eine mittelwertfreie Verteilung mit einer möglicherweise jeweils unterschiedlichen Standardabweichung angegeben. Beispielsweise kann es mehrere Rauschfaktoren für unterschiedliche Benutzer und/oder unterschiedliche Gruppen von Benutzern geben. Dies kann die Tatsache widerspiegeln, dass sich die Messwerte von bestimmten Benutzern wahrscheinlicher entsprechend einem Modell verhalten als andere (z. B. weil ihr Modell präziser und/oder aufwendiger ist). In einem anderen Beispiel können verschiedene Rauschfaktoren unterschiedlichen Bedingungen zugeschrieben werden, unter denen die Messwerte der affektiven Reaktion erfasst werden (z. B. unterschiedliche Sensoren, unterschiedliche Dauern und/oder unterschiedliche Leistungseinstellungen). Optional kann das Vorhandensein solch unterschiedlicher Rauschfaktoren die Tatsache widerspiegeln, dass die unterschiedlichen Bedingungen zu Messwerten der affektiven Reaktion mit unterschiedlichen Genauigkeitsgraden führen können. In einem weiteren Beispiel kann es unterschiedliche Rauschfaktoren geben, die zu unterschiedlichen Situationen gehören, in denen sich ein Benutzer beim Erleben einer Erfahrung befinden kann. Und in noch einem weiteren Beispiel kann es unterschiedliche Rauschfaktoren geben, die zu unterschiedlichen Erfahrungen und/oder Gruppen von Erfahrungen gehören (z. B. die Tatsache widerspiegelnd, dass die affektive Reaktion auf bestimmte Erfahrungen vorhersehbarer als die affektive Reaktion auf andere Erfahrungen ist).
  • Es ist zu beachten, dass die hierin enthaltenen Erörterungen hinsichtlich der Bias-Werte, wie etwa die Erörterungen hinsichtlich Gl. (1) bis Gl. (5) nicht beschränkt auf Messwerte und Bias-Werte sein sollen, die Skalarwerte sind. Die Messwerte der affektiven Reaktion sowie die Bias können als affektive Werte ausgedrückt werden, die verschiedene Arten von Werten, wie z. B. Skalare, Vektoren und/oder Zeitreihen, angeben können. In einem Beispiel können die Messwerte und Bias-Werte als Vektoren angegeben werden, und somit kann Gl. (1) eine Vektoraddition ausdrücken (und kann ε in diesem Fall ein Vektor von Rauschwerten sein). In einem anderen Beispiel können die Messwerte und Bias Zeitreihen, Wellenfunktionen und/oder Muster angeben, und deshalb kann Gl. (1) als eine Addition oder Superposition der Zeitreihen, Wellenfunktionen und/oder Muster interpretiert werden.
  • Es ist zudem zu beachten, dass, obwohl Gl. (1) den zu einem Ereignis τ gehörenden Messwert mτ als das Ergebnis einer linearen Kombination der Faktoren F →τ und ihrer zugehörigen Bias-Werte B →τ beschreibt, andere Beziehungen zwischen den Faktoren von Ereignissen und Bias-Werten bestehen können. Insbesondere können verschiedene Exponenten c ≠ 1 und/oder d ≠ 1 verwendet werden, um eine Gleichung zu bilden, die eine Verallgemeinerung der Gl. (1) mit der Form
    Figure DE102016101650A1_0018
    Auf dem Gebiet der Technik sachkundige Personen werden jedoch erkennen, dass eine derartige Gleichung durch variable Substitutionen in eine schlankere Gleichung umgewandelt werden kann, wie etwa Gl. (1), in der ci = 1 und di = 1. Es wird daher angenommen, dass die einfachere Form der Gl. (1) andere Funktionen angibt, in denen die Exponenten ci und/oder di ungleich 1 sein können. Wie im Folgenden erörtert, kann des Weiteren eine mögliche mangelnde Unabhängigkeit zwischen verschiedenen Faktoren und/oder zwischen verschiedenen Bias-Werte auf verschiedene Weise behandelt werden. Eine Weise zur Behandlung ist zum Beispiel durch Erzeugung von Faktoren, die Kombinationen anderer Faktoren sind (z. B. das Ergebnis einer Funktion mehrerer Faktoren).
  • Ferner beschreiben lineare Ausdrücke wie beispielsweise Gl. (1) eine einfache Beziehung zwischen einem Faktor eines Ereignisses und einem Bias-Wert: Je höher die Gewichtung des Faktors ist, desto stärker ist der Effekt des zugehörigen Bias (da dieser Effekt als fi·bi quantifiziert werden kann). In Wirklichkeit ist das tatsächliche Bias jedoch nicht immer linear zur Gewichtung des zugehörigen Faktors. Beispielsweise kann eine Person salziges Essen mögen, jedoch nur bis zu einem gewissen Grad. In diesem Fall kann eine Modellierung des Effekts des grundsätzlich positiven Bias des Benutzers gegenüber Salz mit einem Term der Form fi·bi, wobei fi eine Salzmenge angibt und bi einen positiven Bias-Wert angibt, in der Praxis nicht gut funktionieren. Dies liegt daran, dass der oben beschriebene lineare Effekt für große Werte von fi ein stark positives Bias ergibt, wenn es in Wirklichkeit für große Werte von fi (z. B. mehrere Esslöffel Salz in der Suppe) negativ sein sollte. Diese Art von nichtlinearen Effekt kann ziemlich häufig auftreten. Zum Beispiel sind einige Leute in der Regel gerne mit Personen zusammen, die ungefähr so intelligent wie sie selbst sind, können jedoch durch Personen eingeschüchtert werden, die viel intelligenter als sie selbst sind. In einem anderen Beispiel kann eine Person Spaß durch das Ansehen eines Films haben, der ein paar gewalttätige Actionszenen enthält, jedoch vor der Aussicht des Ansehens eines abendfüllenden Spielfilms, der voller pausenloser grausamer Gewalt ist, zurückschrecken. Die Behandlung der Nichtlinearität der Effekte von Bias in Bezug auf den Wert eines zugehörigen Faktors kann auf verschiedene Weise erfolgen, wie etwa durch Anwendung von Funktionen zur Merkmalsgenerierung, wie im Folgenden beschrieben.
  • In einigen Ausführungsformen, in denen die zu Ereignissen gehörenden Messwerte der affektiven Reaktion wie in Gl. (1) beschrieben als additive Funktionen von Faktoren der Ereignisse und zugehöriger Bias-Werte modelliert werden, können die Bias-Werte aus Trainingsdaten bestimmt werden. Zum Beispiel können die Bias-Werte für einen bestimmten Benutzer u, die durch den Vektor B →u angegeben werden (oder einfach B →, wenn der Kontext des Benutzers bekannt ist), aus einer großen Menge von Ereignissen V mit dem Benutzer u bestimmt werden, wobei jedes Ereignis τ ∈ V einen zugehörigen Vektor von Faktoren F →τ und einen zugehörigen Messwert der affektiven Reaktion mτ hat. Häufig umfasst ein solcher Bestimmungsprozess die Bestimmung von Bias-Werten, die ein bestimmtes Ziel optimieren. In einigen Ausführungsformen läuft dies auf ein Modellauswahlproblem des Findens eines optimalen Modells in dem Raum möglicher Zuordnungen von Werten zu der Menge von Bias-Werten B → hinaus.
  • Es gibt verschiedene Ziele, die in den hierin beschriebenen Ausführungsformen angewendet werden können und nach denen die Vorzüge eines Bias-Werte umfassenden Modells hinsichtlich der Trainingsdaten evaluiert werden können. Ein Beispiel für ein Ziel, das angewendet werden kann, ist der quadratische Fehler zwischen den zu Ereignissen in V gehörenden Messwerten und den Werten, die durch Addieren von Bias-Werten zu dem erwarteten Wert µτ bestimmt werden, wie folgt:
    Figure DE102016101650A1_0019
  • Gl. (2) beschreibt ein Optimierungsproblem, in dem die gesamte Menge von Bias-Werten B → bestimmt werden muss, sodass der quadratische Fehler minimiert wird, welcher als die Summe der quadrierten Differenzen zwischen den zu Ereignissen in V gehörenden Messwerten der affektiven Reaktion und den durch Korrektur des erwarteten Messwerts µ anhand der Bias-Werte und Faktoren jedes Ereignisses τ∈V erhaltenen Werten ausgedrückt wird. Es ist zu beachten, dass µτ ähnlich wie in Gl. (1) in Gl. (2) wie oben erklärt Null oder ein anderer Wert wie etwa eine Basislinie sein kann.
  • Darüber hinaus ist der Term λ∥B →∥2 in Gl. 2 ein Regularisierungsterm, in dem eine ∥B →∥ Norm des Vektors B → angibt, wie etwa die L2-Norm. Die Regularisierung kann in einigen Ausführungsformen angewendet werden, um den Betrag der Bias-Werte zu begrenzen, was eine Verringerung des Ausmaßes der Überanpassung unterstützen kann. Der Grad der Regularisierung wird durch den Wert des Parameters λ festgelegt, der im Voraus ausgewählt oder gemäß einer Kreuzvalidierung beim Training eines prädiktiven Modells festgelegt werden kann (wie im Folgenden näher beschrieben). Es ist darauf hinzuweisen, dass die Regularisierung in dem Modellauswahlprozess nicht angewendet wird, wenn λ = 0. Zusätzlich kann die Regularisierung in einigen Ausführungsformen zum Umfassen mehrerer Terme erweitert werden; beispielsweise durch eine Bereitstellung verschiedener Regularisierungsparameter für verschiedene Arten von Bias-Werten.
  • Es sind auf dem Gebiet der Technik verschiedene rechnerische Verfahren bekannt, die zur Bestimmung von Bias-Werten angewendet werden können, die den quadrierten Fehler in Gl. (2) minimieren, wie etwa verschiedene lineare Regressionsverfahren, gradientenbasierte Verfahren und/oder randomisierte Untersuchungen des Suchraums möglicher Zuordnungen von Werten zu B →. Es ist zu beachten, dass in einem Fall, in dem keine Regularisierung angewendet wird und in dem davon ausgegangen wird, dass das Rauschen ε von Gl. (1) normalverteilt mit derselben Standardabweichung in allen Messwerten ist, das Minimieren der Gl. (2) einem Lösen einer Menge von linearen Gleichungen gleichkommt. Die in diesem Fall gefundene Lösung ist eine Maximum-Likelihood-Schätzung der Bias-Werte.
  • Ein weiteres Beispiel für ein Optimierungsziel, das zur Bestimmung von Bias-Werten auf der Grundlage der Trainingsdaten verwendet werden kann, ist die Summe der absoluten Fehler, wie folgt:
    Figure DE102016101650A1_0020
  • Bei der Optimierung der Gl. (3) kann davon ausgegangen werden, dass das Rauschen ε von Gl. (1) aus einer Laplace-Verteilung stammt (in einem solchen Fall kann die Lösung der Gl. (3) als eine Maximum-Likelihood-Schätzung gelten). Es ist zu beachten, dass µτ ähnlich wie in Gl. (1) in Gl. (3) wie oben erklärt Null oder ein anderer Wert wie etwa eine Basislinie sein kann. Zusätzlich kann der Gl. (3) ähnlich wie der Gl. (2) ein Regularisierungsfaktor hinzugefügt werden.
  • Es sind auf dem Gebiet der Technik verschiedene rechnerische Methoden bekannt, die zur Bestimmung einer Menge von Bias-Werten angewendet werden können, die die Summe in Gl (3) optimieren, wie beispielsweise iterativ neu gewichtete kleinste Quadrate, simplexbasierte Methoden und/oder verschiedene Verfahren zur Bestimmung von Maximum-Likelihood-Lösungen. Zusätzlich kann Gl. (3) erweitert werden kann, um lineare Beschränkungen der Bias-Werte zu umfassen. Optional kann die Optimierung als ein Problem der Optimierung einer Menge von linearen Beschränkungen formuliert und unter Verwendung linearer Programmierung gelöst werden.
  • Die Likelihood der Daten ist ein weiteres Beispiel für ein Ziel, das optimiert werden kann, um Bias-Werte für einen Benutzer zu bestimmen. In einigen Ausführungsformen kann davon ausgegangen werden, dass jeder der Bias-Werte in B → eine Zufallsvariable ist, die aus einer Verteilung bezogen wird, die eine bestimmte Menge von Parametern hat. Je nach der Art der Verteilungen, die zur Angabe der Bias-Werte verwendet werden, kann ein geschlossener Ausdruck für die Verteilung einer gewichteten Summe einer Teilmenge der Bias-Werte erhalten werden. Somit ist es mit einer bestimmten Menge von Trainingsdaten, die Ereignisse mit ihren zugehörigen Faktoren und Messwerten der affektiven Reaktion umfassen, möglich, Werte der Parameter der Bias-Werte zu finden, die die Likelihood der Trainingsdaten maximieren.
  • In einer Ausführungsform wird angenommen, dass jeder Bias-Wert eine zufällige Variable B ist, die verteilt ist entsprechend einer Normalverteilung mit einem bestimmten zugehörigen Mittelwert μB und Varianz σB 2, d. h., B~N(μB, σB 2). Angesichts eines Ereignisses τ kann davon ausgegangen werden, dass der Vektor B → = (B1, B2, ..., Bn) ein Vektor mit n Zufallsvariablen B1, ..., Bn ist, wobei jede Bi einen Mittelwert
    Figure DE102016101650A1_0021
    und eine Varianz
    Figure DE102016101650A1_0022
    hat, sodass
    Figure DE102016101650A1_0023
    Zusätzlich hat τ einen zugehörigen Vektor von Faktoren F →τ = (f1, ..., fn). Es ist zu beachten, dass die Werte fi Skalare und nicht Zufallsvariablen sind. Die gewichtete Summe der unabhängigen normalverteilten Zufallsvariablen ist auch eine normalverteilte Zufallsvariable. Wenn Xi~N(μi, σi 2) für i = 1, ..., n n normalverteilte Zufallsvariablen sind, dann Σ n / i=1αiXi~N(Σ n / i=1αiμi, Σ n / i=1(aiσi)2) . Somit kann die Wahrscheinlichkeit der Beobachtung eines bestimmten zu einem Ereignis gehörenden Messwerts der affektiven Reaktion angesichts der Parameter der Verteilungen von Bias-Werten wie folgt ausgedrückt werden:
    Figure DE102016101650A1_0024
  • Wobei µτ ähnlich wie in Gl. (1) Null oder ein anderer Wert wie beispielsweise eine Basislinie sein kann und σ 2 / ε die Varianz des Rauschens in dem Messwert mτ ist ( σ 2 / ε kann Null oder ein anderer Wert, der größer als Null ist, sein). Der Ausdruck der Form N(x|a, b2) gibt die Wahrscheinlichkeit von x unter einer normalen Wahrscheinlichkeitsverteilung mit einem Mittelwert a und einer Varianz b2 an, d. h.
    Figure DE102016101650A1_0025
  • Es bezeichne θ alle Parameterwerte (d. h. θ enthält die Parameter des Mittelwerts und der Varianz jedes Bias-Werts, der als eine Zufallsvariable angegeben wird). Und es bezeichne V eine k Ereignisse umfassende Menge τ1, ...,τk, wobei jedes Ereignis τi, i = 1...k, einen zugehörigen Messwert
    Figure DE102016101650A1_0026
    und einen zugehörigen Vektor von Faktoren
    Figure DE102016101650A1_0027
    hat. Die Likelihood der Daten V angesichts der Parameter θ wird als P(V|θ) bezeichnet. Somit kommt die Bestimmung der Parameter von Bias-Werten in diesem Beispiel dem Befolgen einer Zuordnung zu θ gleich, die die Likelihood maximiert:
    Figure DE102016101650A1_0028
  • Die Bestimmung der Menge von Parametern θ, für die P(V|θ) zumindest lokal maximal ist (eine Maximum-Likelihood-Schätzung für θ), kann unter Verwendung verschiedener Verfahren zur Bestimmung einer Maximum-Likelihood-Schätzung erfolgen, wie beispielsweise analytische, heuristische und/oder randomisierte Verfahren zum Durchsuchen des Raums möglicher Zuordnungen zu θ.
  • In einigen Ausführungsformen, die Bias-Werte wie in Gl. (1) bis Gl. (3) beschrieben umfassen, kann davon ausgegangen werden, dass die Bias-Werte unabhängig von einander sind. Ähnlich kann in einigen Ausführungsformen davon ausgegangen werden, dass die Zufallsvariablen in Gl. (4) und Gl. (5) unabhängige und identisch verteilte Zufallsvariablen sind. Es kann Ausführungsformen geben, in denen solche Unabhängigkeitsannahmen in der Praxis nicht gelten, sondern vielmehr zu einem bestimmten (akzeptablen) Grad verletzt werden. Somit sind die oben beschriebenen Bias-Modellierungsverfahren dennoch in Ausführungsformen anwendbar und nützlich, in denen die Unabhängigkeitsannahmen eventuell nicht immer gelten. Optional können die Abhängigkeiten zwischen Bias-Werten in einigen Ausführungsformen unter Verwendung gemeinsamer Verteilungen von Bias-Werten modelliert werden. Zum Beispiel kann die Likelihood in Gl. (5) unter Verwendung eines grafischen Modells (z. B. ein Bayesian-Network) modelliert werden, das eine Struktur hat, die zumindest einige der Abhängigkeiten zwischen Bias berücksichtigt. In einem anderen Beispiel können bestimmte Faktoren durch die Kombination anderer Faktoren generiert werden; somit wird ein Bias-Wert, der zu der Kombination von Faktoren gehört, die Abhängigkeiten zwischen den Bias-Werten berücksichtigen.
  • In einigen Ausführungsformen kann die Bestimmung der Werte von Bias-Werten in B → unter Verwendung einer allgemeinen Funktion der Form f(B →, V) erfolgen, die einen Wert liefert, der indikativ für den Vorzug der Bias-Werte von B → angesichts der zu den Ereignissen in V gehörenden Messwertdaten ist. Je nach Art der Funktion f(B →, V) können verschiedene numerische Optimierungsverfahren angewendet werden. Zusätzlich kann eine Zuordnung von Bias-Werten für B → unter Verwendung verschiedener zufälliger und/oder heuristischer Verfahren (z. B. Simulated Annealing und genetische Algorithmen) durchsucht werden, unabhängig von der exakten Form von f, die in einigen Fällen gar nicht bekannt sein kann (z. B. wenn f extern berechnet wird und hinsichtlich des Systems eine „Blackbox” ist).
  • Die Erörterung hinsichtlich des Trainings von Modellen nach Gl. (2), Gl. (3), Gl., (5) und/oder einer allgemeinen Funktionsoptimierung wie etwa f(B →, V) (oben beschrieben) bezieht sich auf das Training von Modellen unter Einbeziehung von Bias-Werten für einzelne Benutzer. Somit können die Ereignisse in einer Menge V die Ereignisse eines einzelnen Benutzers umfassen. Auf dem Gebiet der Technik sachkundige Personen werden jedoch erkennen, dass die oben erwähnte Erörterung und Ergebnisse auf das Training von Modellen mehrerer Benutzer ausgedehnt werden können, sodass die Bias mehrerer Benutzer in demselben Trainingsvorgang bestimmt werden können. In diesem Fall kann die Menge V Ereignisse mit mehreren Benutzern umfassen.
  • Insbesondere können die Werte bestimmter Bias-Parameter (z. B. bestimmte oben beschriebene Bias-Werte oder Verteilungsparameter) in einigen Ausführungsformen durch mehrere Benutzern geteilt werden. Zum Beispiel kann ein bestimmtes Bias mehrere Benutzer betreffen, die einer bestimmten Gruppe (z. B. einer bestimmten ethnischen Gruppe, Geschlecht, Alter etc.) angehören und von denen angenommen wird, dass sie eine ähnliche Reaktion auf einen bestimmten Faktor eines Ereignisses haben. Zum Beispiel kann dies die Annahme modellieren (die nicht unbedingt richtig sein muss), dass alle älteren Menschen ähnlich auf Rap-Musik reagieren oder dass alle Politiker ähnlich auf Golf reagieren. In einigen Ausführungsformen kann es sinnvoll sein, die Parameter gemäß mehreren Benutzern festzulegen, wenn jeder Benutzer nur an einer kleinen Anzahl von Ereignissen beteiligt ist (z. B. kleiner als die oben erwähnte minimale Anzahl). In einem solchen Fall kann die Festlegung der Parameter gemäß den Samples von mehreren Benutzern die Genauigkeit erhöhen und Fälle von Überanpassung der Parameter an die Trainingsdaten reduzieren.
  • 14 – Bias-Werte
  • Der vorige Abschnitt beschrieb ein Verfahren, in dem die Bias durch Bias-Werte angegeben werden, die zu Faktoren eines Ereignisses gehören. Ein gemeinsames Charakteristikum einiger Ausführungsformen, die ein solches Verfahren anwenden, ist, dass der Effekt der Bias als durch eine strukturierte, relativ einfache, geschlossene Formel, wie etwa Gl. (1), bestimmt modelliert wird. Die Formel spiegelt üblicherweise eine Annahme der Unabhängigkeit zwischen Faktoren und zwischen Bias-Werten wider und ist oft linear in den Werten der relevanten Bias-Werte und Gewichtungen von Faktoren. Allerdings können die Effekte der Bias in einigen Ausführungsformen ohne solche Annahmen über die Unabhängigkeit von Faktoren und eine Formel mit Faktoren und Bias-Werten, die additiv und/oder linear ist, modelliert werden. Insbesondere können die Effekte der Bias in einigen Ausführungsformen komplex sein und verschiedene Abhängigkeiten zwischen Faktoren widerspiegeln, die eine affektive Reaktion von Benutzern auf eine nichtlineare Weise beeinflussen können.
  • In einigen Ausführungsformen modellieren die in diesem Abschnitt beschriebenen Bias-Funktionen die Effekte der Bias, während sie im Vergleich zu den linearen Funktionen von Bias-Werten und Faktoren (wie im vorigen Abschnitt beschrieben) weniger eingeschränkte Annahmen treffen (z. B. hinsichtlich Unabhängigkeit und/oder Linearität der Effekte). Optional werden die Bias-Funktionen unter Verwendung von auf maschinellem Lernen basierenden Prädiktoren implementiert, wie etwa Emotionsreaktions-Prädiktoren wie ERPs, die zumindest im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) näher beschrieben werden.
  • In einigen Ausführungsformen erfolgt die Implementierung einer Bias-Funktion unter Verwendung eines ERP, der ein Sample als Input empfängt, das Merkmalswerte umfasst, die Faktoren im Zusammenhang mit einem Ereignis τ = (u, e) angeben. Ein Sample kann beispielsweise Werte von Faktoren umfassen, wie etwa die Werte aus F → (in vorherigen Abschnitten beschrieben) und/oder aus den Faktoren abgeleitete Werte. Zusätzlich oder alternativ kann das Sample mehrere andere Werte umfassen, die aus einer Beschreibung des Ereignisses τ abgeleitet werden (wie im Abschnitt 4 (Ereignisse) erörtert). Diese anderen Werte können Werte umfassen, die den Benutzer u, die Erfahrung e und/oder Werte beschreiben, die zu mit der Instanziierung des Ereignisses τ verbundenen Attributen gehören (z. B. der Ort, an dem es stattgefunden hat, wie lange es gedauert hat, wer teilgenommen hat etc.). Der ERP kann das Sample dann zur Prognose einer zu dem Ereignis gehörenden affektiven Reaktion verwenden, die den Wert m eines Messwerts der affektiven Reaktion des Benutzers u auf das Erleben der Erfahrung e angibt (wenn ein solcher Messwert erfasst worden wäre).
  • Viele Arten von auf maschinellem Lernen basierenden Prädiktoren, einschließlich Prädiktoren, die zur Implementierung eines ERP verwendet werden können, sind in der Lage, nichtlineare Funktionen von Merkmalswerten anzugeben, die Abhängigkeiten zwischen einigen der Funktionswerten widerspiegeln können. Diese Abhängigkeiten können zwischen Faktoren und/oder anderen Werten bestehen, wie etwa Werte, die den zu einem Ereignis gehörenden Benutzer oder die zu einem Ereignis gehörende Erfahrung charakterisieren. Von daher können die Prädiktoren zur Modellierung der Bias eines Benutzers (d. h. der „Bias-Funktion” des Benutzers) verwendet werden, in denen Faktoren den Wert der affektiven Reaktion auf eine Erfahrung auf vielfältigere Weise beeinflussen können als nur allein mit Bias-Werte modelliert werden kann (wie im vorherigen Abschnitt beschrieben). Diese umfassendere Funktionalität kann in einigen Ausführungsformen dazu verwendet werden, eine Modellierung verschiedener komplexer Gedankengänge, die der Benutzer in Bezug auf relevante Faktoren haben kann, anzubieten. Die Natur dieser Gedankengänge und/oder ihrer Ergebnisse kann charakteristisch für die Psyche, Weltanschauung, moralischen Werte etc. des Benutzers sein.
  • In einigen Ausführungsformen werden die unter Verwendung eines ERP modellierten Bias eines Benutzers aus Daten bestimmt, die Samples umfassen, die aus einer Menge von Ereignissen V abgeleitet werden. Optional umfasst jedes auf einem Ereignis τ∈V basierende Sample Merkmalswerte, die zu dem Ereignis τ gehören, und ein Label, das auf mτ basiert, was ein zu τ gehörender Messwert der affektiven Reaktion ist (d. h. ein Messwert von uτ, dem zu τ gehörenden Benutzer, auf das Erleben der zu τ gehörenden Erfahrung). In einem Beispiel können die Merkmalswerte aus dem oben beschriebenen Vektor F →τ entnommene Faktoren enthalten. In einem anderen Beispiel können die Merkmalswerte Werte enthalten, die aus der Beschreibung des Ereignisses τ abgeleitet werden, wie etwa Werte, die Aspekte des Benutzers uτ, die Erfahrung e und/oder Aspekte der Instanziierung des Ereignisses τ beschreiben.
  • Wie im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) beschrieben, kann es verschiedene auf maschinellem Lernen basierende Verfahren geben, die für das Trainieren eines ERP angewendet werden können. Wie in diesem Abschnitt ausführlicher erörtert, kann der ERP außerdem je nach der Zusammensetzung der Ereignisse in V generalisierbar und in der Lage sein, eine affektive Reaktion auf bestimmte Ereignisse zu prognostizieren, die möglicherweise nicht gut (oder überhaupt nicht) in V vertreten sind. Optional kann ein ERP generalisierbar sein, weil die Samples, mit denen er trainiert wird, Merkmalswerte umfassen, die verschiedene Aspekte eines Ereignisses beschreiben. Diese Aspekte können aus einer Beschreibung eines Ereignisses stammen und müssen nicht unbedingt Faktoren des Ereignisses sein. Sie können somit die Bestimmung der Reaktion der Benutzer auf andere Aspekte des Ereignisses unterstützen, obwohl der Benutzer möglicherweise keine direkte Reaktion auf diese Aspekte hat. In einem Beispiel können die Merkmalswerte in einem Sample demographische Charakteristika eines Benutzers beschreiben (z. B. Alter, Beruf, Ethnizität, Bildungsniveau, Region des Wohnsitzes usw.). Diese Aspekte sind nicht Aspekte, auf die ein Benutzer üblicherweise reagiert (da sie in allen den Benutzer betreffenden Ereignissen identisch sind). Allerdings können diese Aspekte dabei helfen, die affektive Reaktion eines Benutzers auf ein Ereignis zu prognostizieren, da es zum Beispiel wahrscheinlich ist, dass Personen mit einem ähnlichen Hintergrund ähnlich auf das Erleben einer bestimmten Erfahrung reagieren. Eine weitere Erörterung darüber, wie ein ERP hinsichtlich neuer Benutzer, neuer Erfahrungen und/oder beidem generalisierbar sein kann, ist in der Erörterung der generalisierbaren ERP im Abschnitt 6 (Prädiktoren und Emotionszustands-Schätzer) zu finden.
  • In einigen Ausführungsformen umfasst die Menge V von Ereignissen, aus der die zum Trainieren eines ERP verwendeten Samples abgeleitet werden, Ereignisse, die zu mehreren Benutzern gehören. Das heißt, dass V mindestens ein erstes und zweites Ereignis umfasst, wobei das erste Ereignis zu einem ersten Benutzer gehört und das zweite Ereignis zu einem zweiten Benutzer gehört, der nicht der erste Benutzer ist. Optional umfassen das erste und zweite Ereignis verschiedene zugehörige Erfahrungen. Optional gehören das erste und zweite Ereignis zu derselben Erfahrung. Optional kann V Ereignisse umfassen, die zu einer Anzahl unterschiedlicher Benutzer gehören, die mindestens 2, 5, 10, 25, 100, 1000, 10000 oder mindestens 100000 verschiedene Benutzer ist. Zusätzlich oder alternativ kann V Ereignisse umfassen, die zu mehreren Erfahrungen gehören, und/oder zu Ereignisse, die zu Erfahrungen verschiedener Arten gehören. Das heißt, dass V mindestens ein drittes und viertes Ereignis umfasst, wobei das dritte Ereignis zu einer ersten Erfahrung gehört und das vierte Ereignis zu einer zweiten Erfahrung gehört, die nicht die erste Erfahrung ist. Optional umfassen die erste und zweite Erfahrung verschiedene zugehörige Benutzer. Optional gehören die erste und zweite Erfahrung zu demselben Benutzer. Optional kann V Ereignisse umfassen, die zu einer Anzahl unterschiedlicher Erfahrungen gehören, die mindestens 2, 5, 10, 25, 100, 1000, 10000 oder mindestens 100000 verschiedene Erfahrungen ist.
  • In einigen Ausführungsformen umfasst die Menge V von Ereignissen, aus der die zum Trainieren eines ERP verwendeten Samples abgeleitet werden, zu mehreren Benutzern gehörende Ereignisse, und umfassen zumindest einige der Samples Merkmalswerte, die auf einer oder mehreren Bewertungen basieren. Zum Beispiel kann jedes Sample aus der Menge der zumindest einigen der Samples einen Merkmalswert umfassen, der der Qualität einer Erfahrung entspricht, die zu dem durch das Sample repräsentierten Ereignis gehört, welche anhand einer Bewertung der zu dem Ereignis gehörenden Erfahrung bestimmt wird. Optional wird die Bewertung auf der Grundlage von Messwerten der affektiven Reaktion mehrerer Benutzer berechnet, wobei die mehreren Benutzer je nach der Ausführungsform mindestens 2, 3, 5, 10, 100, 1000, 10000 oder mindestens 100000 verschiedene Benutzer umfassen. Optional sind zumindest einige der mehreren Benutzer zu Ereignissen in V gehörende Benutzer. Alternativ ist keiner der mehreren Benutzer der zu einem Ereignis in V gehörende Benutzer. Darüber hinaus können die Messwerte der affektiven Reaktion der mehreren Benutzer in einigen Ausführungsformen alle innerhalb eines bestimmten Zeitfensters erfasst werden. Das Zeitfenster kann beispielsweise eine Sekunde, dreißig Sekunden, eine Minute, 15 Minuten, eine Stunde, einen Tag, eine Woche, einen Monat, ein Jahr, mehr als ein Jahr oder eine andere Zeit zwischen einer Sekunde und einem Jahr umfassen.
  • In einigen Ausführungsformen kann der Wert, der bei der Zuordnung eines Werts zu einem bestimmten Merkmal eines zu einem Ereignis τ gehörenden Sample dem bestimmten Merkmal zugeordnet wird, einer Qualität der zu dem Ereignis τ gehörenden Erfahrung entsprechen. Optional wird diese Qualität durch den Wert einer Bewertung der zu τ gehörenden Erfahrung angegeben. In einem Beispiel kann das bestimmte Merkmal der Qualität einer Erfahrung des Speisens in einem bestimmten Restaurant entsprechen. In diesem Beispiel wird der Wert des bestimmten Merkmals durch eine Bewertung bestimmt, die auf der Grundlage von Messwerten der affektiven Reaktion von mehreren Benutzern, die in dem Restaurant gegessen haben, berechnet wird. In einem anderen Beispiel kann das bestimmte Merkmal dem Ausmaß entsprechen, in dem ein Urlaub an einem bestimmten Zielort entspannend ist. In diesem Beispiel wird dieser Wert aus einer Bewertung berechnet, die ein Niveau der erwarteten Entspannung ausdrückt und auf der Grundlage von Messwerten der affektiven Reaktion mehrerer Benutzer, die einen Urlaub an dem bestimmten Zielort verbracht haben, berechnet wird. In einem weiteren Beispiel kann das bestimmte Merkmal dem erwarteten Zufriedenheitsgrad durch ein Produkt entsprechen. In diesem Beispiel basiert die erwartete Zufriedenheit auf einer Bewertung, die aus Messwerten der affektiven Reaktion der mehreren Benutzer bei der Verwendung des Produkts berechnet wird.
  • Es ist zu beachten, dass der dem bestimmten Merkmal zugewiesene Wert für zu verschiedenen Ereignissen gehörende Samples verschieden sein kann. Dieses Phänomen kann auftreten, wenn der Wert des bestimmten Merkmals im Fall einiger Samples auf der Grundlage unterschiedlicher Bewertungen einer Erfahrung festgelegt sein kann, wobei jede unterschiedliche Bewertung auf der Grundlage einer unterschiedlichen Menge von Messwerten der affektiven Reaktion berechnet wird. Optional kann jede unterschiedliche Menge von Messwerten Messwerte umfassen, die zu einer unterschiedlichen Menge von Ereignissen gehören, die eine unterschiedliche Menge zugehöriger Benutzer einbeziehen oder nicht einbeziehen kann. Zum Beispiel kann ein Merkmalswert, der der Qualität einer Zugfahrt entspricht, auf der Grundlage einer Bewertung festgelegt werden, die aus Messwerten von Benutzern berechnet wird, die alle zur selben Zeit mit demselben Zug gefahren sind. Somit kann die Bewertung jeden Tag unterschiedlich sein, da sie auf einer anderen Menge von Messwerten der affektiven Reaktion basiert. Somit kann sich der Wert, der dem bestimmten Merkmal in einem ersten Sample gegeben wird, das zu einem ersten Ereignis gehört, dessen Instanziierung an einem ersten Tag war, von der Gewichtung unterscheiden, die dem bestimmten Merkmal in einem zweiten Sample gegeben wird, das zu einem zweiten Ereignis gehört, dessen Instanziierung an einem zweiten Tag war, der sich von dem ersten Tag unterscheidet. Dies liegt daran, dass die Bewertung für die Zugfahrt am ersten Tag nicht identisch mit der Bewertung für die Zugfahrt am zweiten Tag ist, da die Bewertung für jeden Tag auf der Grundlage einer verschiedenen Menge von Messwerten der affektiven Reaktion berechnet wird.
  • In einigen Ausführungsformen können die mehreren Benutzern, deren Messwerte zur Berechnung einer Bewertung verwendet werden, in gewisser Weise ähnlich zu einander sein. In einer Ausführungsform gelten die mehreren Benutzer als ähnlich, weil sie zu einer Gruppe von Personen mit einem ähnlichen demographischen Charakteristikum gehören. Das ähnliche demographische Charakteristikum kann beispielsweise Folgendes umfassen: Zugehörigkeit zu einer ähnlichen Altersgruppe, Zugehörigkeit zu einer ähnlichen Einkommensgruppe, Ausüben einer ähnlichen Art von Beruf, Aufweisen einer ähnlichen Ethnizität oder Religion, Aufweisen eines ähnlichen Ausbildungshintergrunds und/oder Wohnen in einer bestimmten Region. In einer anderen Ausführungsform gelten die mehreren Benutzer als ähnlich, weil sie ähnliche Profile haben. In einem Beispiel kann ein Profil Angaben von Erfahrungen enthalten, die sein zugehöriger Benutzer gehabt hat (z. B. Art der Erfahrung, Ort, Dauer und Datum). In einem anderen Beispiel kann das Profil demographische Daten über den zugehörigen Benutzer, Informationen über durch den Benutzer aufgenommene Inhalte und/oder über durch den Benutzer generierte Inhalte (z. B. Inhalte aus einen Social-Network-Account eines Benutzers) enthalten. In einem weiteren Beispiel kann ein Profil eines Benutzers Werte von Messwerten der affektiven Reaktion des Benutzers auf Erfahrungen und/oder aus solchen Messwerten abgeleitete Modelle, wie etwa ein Modell der Bias des Benutzers, enthalten.
  • Die Bias-Funktionen können in einigen Ausführungsformen zur Bestimmung von Bias-Werten verwendet werden, die zu einzelnen Faktoren und/oder Kombinationen von Faktoren gehören. Wenn zum Beispiel ein ERP, der eine Bias-Funktion implementiert, trainiert ist, kann er zur Erstellung verschiedener Prognosen verwendet werden, die die Bias-Werte, die ein Benutzer wahrscheinlich hat, vermitteln können.
  • In einer Ausführungsform wird der zu einem bestimmten Faktor gehörende Bias-Wert unter Verwendung eines ERP bestimmt. Es bezeichne f' die Gewichtung des bestimmten Faktors. In dieser Ausführungsform wird der ERP zur Berechnung des zugehörigen Bias-Werts b‘ verwendet. Die Berechnung von b' wird wie folgt durchgeführt. Angesichts eines Ereignisses werden zwei zugehörige Samples für den ERP generiert. Das erste Sample ist ein Sample, das alle Faktoren und ihre zugehörigen Gewichtungen enthält, die üblicherweise in einem zu dem Ereignis gehörenden Sample enthalten wären. Das erste Sample ist ein Sample, das dem ersten mit Ausnahme des bestimmten Faktors, dessen Wert auf Null gesetzt ist (d. h. in dem zweiten Sample f' = 0), identisch ist. Nachdem beide Samples dem ERP bereitgestellt wurden, gibt die Differenz zwischen dem ersten Sample (das den bestimmten Faktor enthält) und dem zweiten Sample (das den bestimmten Faktor nicht enthält) den Effekt des bestimmten Faktors an, aus dem eine Schätzung von b' abgeleitet werden kann. Das bedeutet, dass die Differenz zwischen der Prognose der emotionalen Reaktion auf das erste Sample und der Prognose der emotionalen Reaktion auf das zweite Sample der Term f'·b‘ ist. Eine Schätzung des Werts von b' kann erhalten werden, indem die Differenz durch die Gewichtung von f’ geteilt wird.
  • In einer Ausführungsform wird die Berechnung einer Schätzung des Bias-Werts mithilfe des oben beschriebenen Vorgangs n mal unter Verwendung verschiedener Ereignisse wiederholt, wobei n > 1 ist (z. B. kann n 5, 10, 100, 1000 oder 1000 sein). Optional wird der Wert von b' auf der Grundlage der n Schätzungen von b' bestimmt, die aus Paaren von für die n verschiedenen Ereignisse generierten Samples berechnet werden, wie zum Beispiel der Durchschnitt dieser n Schätzungen. Optional werden zusätzliche statistische Größen aus den n Schätzungen berechnet, wie etwa die Varianz von b'. Optional wird die Wahrscheinlichkeitsdichtefunktion von b' aus den n Schätzungen berechnet.
  • 15 – Übersicht des Risikos für den Datenschutz
  • Verschiedene hierin beschriebene Ausführungsformen umfassen die Erfassung großer Mengen von Messwerten der affektiven Reaktion. Einige Ausführungsformen können die Erfassung von Daten von Dutzenden, Hunderten, Tausenden und sogar Millionen von Benutzern umfassen. Darüber hinaus können diese Daten aufgrund der Verbreitung von Sensoren in unserem täglichen Leben (z. B. in Wearables, Gadgets und Implantaten) mehrmals während eines Tages und/oder hinsichtlich einer großen Anzahl von Erfahrungen erfasst werden. Somit liegt die Verarbeitung von Daten der affektiven Reaktion im Bereich der „Big-Data-Analyse” (die mit einer Analyse umfangreicher Datensätze einhergeht). Der Zugang zu Messwerten der affektiven Reaktion samt Daten über das zu den Messwerten gehörende Ereignis kann bei der Anwendung verschiedener Verfahren zur Big-Data-Analyse eine große Menge von Erkenntnissen über verschiedene Haltungen, Einstellungen, Neigungen und Bias ergeben, die die Benutzer zu unterschiedlichen Zeiten und/oder gegenüber einer großen Anzahl unterschiedlicher Erfahrungen und/oder Fragen haben können. Die Analyse der Messwerte der affektiven Reaktion kann von zusätzlichen Big-Data aus anderen Quellen wie Browserverläufe, Abrechnungsdaten (z. B. Transaktionen digitaler Brieftaschen), Ortsbestummungsdaten (z. B. GPS-Daten von Smartphones oder Netzwerkkommunikationsdaten) und/oder von Kommunikationsdaten der Benutzer (z. B. E-Mails, SMS-Nachrichten, Audio- und Videogespräche) profitieren. Alle diese Datenquellen können in der Analyse zusammen mit den Messwerten der affektiven Reaktion kombiniert werden, um weitere Erkenntnisse über die Messwerte und/oder die Ereignisse, zu denen sie gehören, zu erlangen.
  • Ein Merkmal, das die Big-Data-Analyse sehr nützlich macht, ist, dass sie eine Nutzung von von vielen Benutzern erhobenen Daten zum Ziehen von Inferenzen über einzelne Benutzer ermöglichen kann. Verschiedene Verfahren wie z. B. Clustering und kollaboratives Filtern können Daten von anderen Benutzern zum Ziehen von Inferenzen über einzelne Benutzer bezüglich Aspekten, hinsichtlich derer die einzelnen Benutzer nicht direkt Daten bereitgestellt haben, verwenden. Ein vielversprechendes Gebiet der Big-Data-Applikationen umfasst Inhaltsempfehlungen, wie etwa die im Netflix-Prognosewettbewerb entwickelten Prognosealgorithmen für Film-Ratings (für weitere Details siehe zum Beispiel J. Bennet und S. Lanning, „The Netflix Prize", KDD Cup and Workshop, 2007 und die URL: www.netflixprize.com). In diesem Wettbewerb wurde eine große Datenbank von Benutzer-Ratings für Filme unter Verwendung von Verfahren des kollaborativen Filterns zur Generierung von Filmempfehlungen für Benutzer eingesetzt. Jeder Benutzer stellte eine bestimmte Anzahl von Ratings für Filme bereit, die der Benutzer angesehen hatte (im Durchschnitt stellte jeder Benutzer Ratings für etwa 220 Filme von mehr als 17 000 erhältlichen Filmen bereit). Da die Trainingsdaten von einer großen Zahl von Benutzern (mehr als 480 000) erfasst wurden, waren diese Daten ausreichend, um Ratings von Benutzern für andere Filme mit relativ hoher Genauigkeit abzuleiten (siehe zum Beispiel Koren et al. (2009), „Matrix factorization techniques for recommender systems", Computer 42.8 Seiten 30–37, was ein erfolgreiches Verfahren des kollaborativen Filterns beschreibt, das auf diese Daten angewendet wurde).
  • Die Ergebnisse des Netflix-Prognosewettbewerbs verdeutlichen die aussagekräftigen Inferenzen, die mit Big Data erreicht werden können. Diese Inferenzen sind jedoch nicht auf die Prognose von Benutzer-Ratings beschränkt. Wenn die Ratings mit zusätzlichen Daten (z. B. aus anderen Quellen) kombiniert werden, können unbeabsichtigte und/oder unerwünschte Inferenzen über Benutzer gezogen werden, die den Datenschutz der Benutzer verletzen können. Zum Beispiel beschreiben Salamatian et al. „How to hide the elephant- or the donkey- in the room: Practical privacy against statistical inference for large data," Global Conference on Signal and Information Processing (GlobalSIP), 2013 IEEE, S.269–272, wie Kenntnisse der Ratings von Benutzern für Fernsehserien Informationen offenlegen können, die die Benutzer als privat erachten können, wie beispielsweise politische Neigungen. Die Gegenüberstellung dieser beiden Beispiele veranschaulicht sowohl die Verheißungen als auch die Gefahren durch Big Data. Auf der einen Seite kann ein Benutzer, der Ratings bereitstellt, verbesserte Dienstleistungen erhalten (z. B. Vorschlag von Filmen, die dem Benutzer eventuell gefallen). Und auf der anderen Seite besteht die Gefahr, dass scheinbar harmlose Rating-Daten (z. B. Ratings für Filme oder Fernsehprogramme) dazu verwendet werden können, Inferenzen zu ziehen, die den Datenschutz eines Benutzers verletzen können (z. B. Inferenzen über die politische Orientierung, die sexuelle Orientierung, das Geschlecht, das Alter, die Rasse, die Ausbildung und/oder das Einkommen des Benutzers).
  • Sowohl die Nützlichkeit der Big-Data-Analyse als auch die von ihr ausgehende Gefahr für den Datenschutz hängen vom Umfang der erfassten Daten ab. Je mehr Daten über verschiedene Facetten der Leben der Benutzer erfasst werden, desto besser sind die Vorschläge und Prognosen, die zum Nutzen der Benutzer erstellt werden können, z. B. eine Bestimmung von Produkten, an denen ein Benutzer wahrscheinlich Freude haben wird, von gesunden Lebensmitteln, die der Benutzer wahrscheinlich appetitlich finden wird, oder eines Urlaubsziels, das einem Benutzer wahrscheinlich am besten gefallen wird. Allerdings geht die Erhöhung des Umfangs der erfassten Daten, sowohl in Bezug auf die erfasste Datenmenge pro Benutzer als auch in Bezug auf die Anzahl der Benutzer, von denen Daten erfasst werden, wahrscheinlich (wie oben erörtert) mit einer erhöhten Fähigkeit zum Ziehen von Inferenzen über private Daten der Benutzer einher. Die Big-Data-Analyse kann somit als ein zweischneidiges Schwert gelten, dessen Gleichgewicht zwischen Nutzen und dem Risiko für den Datenschutz beibehalten werden muss.
  • Sowohl die Vorteile als auch die Gefahren von Big Data werden sich wahrscheinlich erhöhen, da mehr und mehr Messwerte der affektiven Reaktion erfasst werden. Die Messwerte der affektiven Reaktion können erfasst werden, während ein Benutzer eine breite Palette von Erfahrungen hat (z. B. Besuch von Orten, Teilnahme an Aktivitäten, Benutzung von Produkten, Aufnahme von Inhalten). Diese Messwerte können verwendet werden, um zu bestimmen, was der Benutzer von den Erfahrungen hielt; somit können die Messwerte als Benutzer-Ratings gelten, die ein breites Spektrum von Aspekten des Lebens eines Benutzers jenseits des Ratings von Inhalten abdecken können. Zusätzlich können die Messwerte der affektiven Reaktion automatisch erfasst werden, möglicherweise ohne dass sich der Benutzer bewusst ist, dass er etwas zu diesem Zeitpunkt bewertet. Diese Ratings können mehrere Male erfasst werden, wie etwa während mehrerer Male, wenn ein Benutzer dieselbe Erfahrung hat, und können daher kombiniert werden, um ein präzises Rating des Benutzers bereitzustellen. Da die Messwerte auf physiologischen Signalen und/oder Verhaltenssignalen basieren, sind sie mit größerer Wahrscheinlichkeit ein echter Ausdruck der Emotionen eines Benutzers als eine Antwort auf eine Umfrage (z. B. Bereitstellung einer Sternebewertung). Eine Antwort auf eine Umfrage wird durch den Benutzer mit größerer Wahrscheinlichkeit manipuliert als eine automatisch erfasste affektive Reaktion (z. B. könnte sich ein Benutzer davor schämen, einen Inhalt positiv zu bewerten, von dem der Benutzer annimmt, dass er von der Gesellschaft als unangemessen erachtet wird). Somit drücken die Messwerte der affektiven Reaktion eher die wahren Gefühle eines Benutzers über verschiedene Aspekte des Lebens aus, die der Benutzer möglicherweise für sich behalten möchte und die er nicht offen preisgeben würde, wenn er dazu aufgefordert wird, diese Aspekte aktiv zu bewerten.
  • In einigen Ausführungsformen kann ein Benutzer sich dazu entscheiden, seine/ihre Messwerte der affektiven Reaktion mit einer bestimmten Entität zu teilen. In einem solchen Fall kann das Risiko durch die Bereitstellung der Messwerte bewertet werden. Insbesondere kann das mit der Offenlegung der Messwerte verbundene Risiko vor der Offenlegung bewertet werden, um zu bestimmen, ob die Offenlegung stattfinden soll, wie viel offengelegt wird und/oder wie hoch die Entschädigung ist, die für die Offenlegung gewünscht wird. Optional kann diese Analyse durch einen Software-Agenten durchgeführt werden, der im Namen des Benutzers operiert, dessen Messwerte offengelegt werden.
  • Der Vorgang der Bestimmung von Bias kann in einigen Ausführungsformen zur Bewertung des Risikos verwendet werden, dem ein Benutzer durch eine direkte Offenlegung von Messwerten der affektiven Reaktion gegenüber einer Entität, die den Benutzer modellieren kann, ausgesetzt ist. Es ist zu beachten, dass sich dieses Risiko von dem in dieser Offenlegung ausführlicher erörterten Risiko des Beitrags von Messwerten der affektiven Reaktion zur Berechnung von Bewertungen für Erfahrungen unterscheiden kann. Das mit einer direkten Offenlegung von Messwerten verbundene Risiko kann in einigen Ausführungsformen dazu verwendet werden, Folgendes zu bestimmen: ob oder ob nicht Messwerte offengelegt werden, die Häufigkeit der Offenlegung von Messwerten, der Umfang der offenzulegenden Messwerte und/oder die Entschädigung, die für die Offenlegung der Messwerte gefordert wird. Optional können diese Bestimmungen möglicherweise ohne eine Intervention des Benutzers durch einen Software-Agenten durchgeführt werden, der im Namen des Benutzers operiert.
  • Zur Bewertung des Risikos durch die Bereitstellung von Messwerten an die bestimmte Entität kann ein Modell des Benutzers anhand dieser Messwerte trainiert und anschließend analysiert werden, um den Effekt der Messwerte auf das Modell zu bestimmen. Zum Beispiel können die zur Minimierung des Fehlers in Gl. (2) oder Gl. (3) und/oder zur Erhöhung der Likelihood von Gl. (5) verwendeten Verfahren ausgeführt werden, um ein Modell des Benutzers zu generieren, das die Bias des Benutzers umfasst. Dieses Modell kann dann analysiert werden, um das Risiko für den Benutzer zu bestimmen. Dieses Risiko kann anhand verschiedener Charakteristika des Modells bestimmt werden. Optional wird Wert durch ein Modul zur Bewertung des Risikos generiert, der das Risiko angibt. Optional ist das Modul zur Bewertung des Risikos ein Teil eines Software-Agenten, der im Namen des Benutzers operiert, dessen Messwerte analysiert werden, und/oder wird das Modul zur Bewertung des Risikos durch den Software-Agenten verwendet.
  • In einem Beispiel kann das Modell analysiert werden, um die durchschnittliche Veränderung eines oder mehrerer Bias-Werte durch die Offenlegung von Messwerten des Benutzers festzustellen. Optional kann dem einen oder den mehreren Bias-Werten zunächst ein vorheriger Wert zugewiesen werden oder können der eine oder die mehreren Bias-Werte auf 0 gesetzt werden. Wenn die Änderung nach Einbeziehung der Messwerte in das Modell groß ist, kann dies indizieren, dass die Messwerte eine große Menge von Informationen über den Benutzer bereitstellen. Somit kann das Risiko für den Datenschutz in diesem Beispiel proportional zu der Änderung der Werte eines oder mehrerer Bias-Werte sein.
  • In einem anderen Beispiel kann das Modell Bias umfassen, die durch Parameter von Verteilungen von Zufallsvariablen beschrieben werden. In einem solchen Fall kann das Risiko als die Distanz zwischen einer A-priori-Verteilung einer oder mehrerer der Zufallsvariablen und einer gemäß den Messwerten aktualisierten Verteilung (d. h. einer A-posteriori-Verteilung) ausgedrückt werden. Optional kann die Distanz als eine Divergenz (z. B. Kullback-Leibler-Divergenz) und/oder als eine Distanz (wie etwa Mahalanobis-Distanz) ausgedrückt werden. In diesem Beispiel gilt, dass Messwerte umso mehr Informationen über den Benutzer beigetragen haben (was zu einer signifikanten Änderung des Modells des Benutzers und so zu der Distanz zwischen den Verteilungen geführt hat), desto größer die Distanz zwischen der A-priori-Verteilung und der A-posteriori-Verteilung ist.
  • In einem weiteren Beispiel kann die Prognosefähigkeit des Modells zur Prognose von Werten von Messwerten der affektiven Reaktion, z. B. gemäß Gl. (1) oder wenn das Modell durch einen ERP verwendet wird, unter Verwendung einer zu den Ereignissen gehörenden Testmenge evaluiert werden. Die Testmenge kann Samples umfassen, die Faktoren der Ereignisse und Labels enthalten, die aus zu den Ereignissen gehörenden Messwerten der affektiven Reaktion abgeleitet werden. Wenn die Genauigkeit der prognostizierten Werte ein bestimmtes Niveau erreicht (z. B. die prognostizierten Werte innerhalb einer bestimmten Spanne von den tatsächlichen Labels liegen), kann der Benutzer als gut modelliert und somit als einem Risiko ausgesetzt gelten. Optional kann das Risiko als der Genauigkeitsgrad des Modells bei seiner Verwendung zur Prognose einer zu Ereignissen gehörenden affektiven Reaktion und/oder als die Erhöhung der Genauigkeit (z. B. im Vergleich zu dem vor der Aktualisierung mit den offenbarten Messwerten verfügbaren Modell) ausgedrückt werden.
  • Ein weiteres Verfahren, das angewendet werden kann, um den Datenschutz zu wahren, umfasst die Verwendung der Messwerte der affektiven Reaktion zur Generierung aggregierter Ergebnisse, wie z. B. der crowd-basierten Bewertungen, die in verschiedenen Ausführungsformen in dieser Offenlegung beschrieben werden. In diesem Verfahren werden die Messwerte der affektiven Reaktion einzelner Benutzer nicht freigegeben, sondern es wird stattdessen nur ein Ergebnis freigegeben, das durch eine mit Messwerten mehrerer Benutzer operierenden Funktion erhalten wird, wie etwa ein Durchschnitt der Messwerte mehrerer Benutzer. Eine allgemein verbreitete Annahme ist, dass die Freigabe eines aggregierten Ergebnisses oft für die Wahrung des Datenschutzes eines Benutzers ausreichend ist. Oft gibt es keine Möglichkeit, festzustellen, welche Benutzer einen zur Berechnung des aggregierten Ergebnisses verwendeten Messwert beigetragen haben. Außerdem kann es schwierig oder sogar unmöglich sein, viele Informationen über den Wert der Messwerte einzelner Benutzer abzuleiten, selbst wenn Informationen über die Identität der Benutzer vorliegen, die Messwerte zur Berechnung eines aggregierten Ergebnisses beigetragen haben, und folglich können so zum Beispiel die Bias der Benutzer privat gehalten werden. Während diese Annahme in einigen Fällen zutreffen kann, kann sie wie im Folgenden erläutert in vielen Fällen mit Messwerten der affektiven Reaktion nicht gelten.
  • Die Messungen der affektiven Reaktion von Benutzern finden üblicherweise in Szenarien der „echten Welt” statt, während die Benutzer Erfahrungen der echten Welt haben, wie etwa Orte besuchen, an Aktivitäten teilnehmen und/oder Inhalte aufnehmen. Normalerweise sind bei der Erfassung eines Messwerts der affektiven Reaktion eines Benutzers auf eine Erfahrung andere Parteien als der Benutzer an der Erfahrung beteiligt; zum Beispiel andere an der Erfahrung teilnehmende Parteien und/oder an der Erfahrung beteiligte Anbieter oder Dienstleister. Oftmals können diese anderen Parteien den Benutzer erkennen und diese Informationen ohne das Wissen oder die Zustimmung des Benutzers weiterleiten. Zum Beispiel weiß ein Unternehmen, dass Inhalte streamt, was jeder Benutzer wann ansieht, und wenn es zum Beispiel eine crowd-basierte Bewertung eines bestimmten Programms, das es gestreamt hat, empfängt, kann es in der Lage sein herausfinden, welche Benutzer Messwerte zu der Bewertung beigetragen haben. Ebenso kennt ein Hotel die Identität der Gäste, die während einer bestimmten Woche in ihm übernachtet haben, sodass es zudem ableiten kann, welche Benutzer wahrscheinlich Messwerte zu einer Bewertung der Leistung des Hotels beigetragen haben. In diesen Fällen können große Anzahlen von Zuschauern/Hotelgästen dazu beitragen, die Benutzer, die Messwerte beigetragen haben, zu verbergen; die Listen wahrscheinlicher Benutzer können jedoch mittels anderer Informationsquellen präzisiert werden (z. B. Informationen von Benutzern, die häufig für die Bereitstellung von Messwerten belohnt werden, und/oder Informationen über Benutzer, die Gadgets mit Sensoren besitzen, die zur Bereitstellung von Messwerten verwendet werden können). Zusätzlich kann es im Fall einiger Bewertungen für Erfahrungen, wie etwa im Fall einer Bewertung, die aus Messwerten von Benutzern generiert wird, die mit einem menschlichen Dienstleister während eines bestimmten Zeitabschnitts interagieren, aufgrund der relativ geringen Anzahl beteiligter Benutzer recht einfach sein, abzuleiten, welche Benutzer Messwerte zur Verfügung gestellt haben, die zur Erzeugung einer Bewertung aggregiert werden.
  • Neben der oben beschriebenen einfachen Identifikation von Benutzern kann die Position von Benutzern in der echten Welt in dem heutigen digitalen Zeitalter durch viele Geräte und/oder Sensoren bestimmt werden. Die Benutzer können sich nicht bewusst sein, dass sie diese Informationen bereitstellen und/oder Kontrolle darüber haben, wie sie verbreitet oder verwendet werden. Zum Beispiel gibt es in der Umgebung eines typischen Benutzers eine immer größer werdende Anzahl von Kameras, die zur Überwachung und/oder Identifikation von Benutzern verwendet werden können. Diese umfassen eine Vielzahl von durch verschiedene Entitäten (staatliche und private) betriebene Webcams und Überwachungskameras (Closed-Circuit-Television-Kameras, CCTV-Kameras) und eine wachsende Zahl tragbarer Kameras (z. B. bei Google Glas oder HoloLens), die durch einzelne Benutzer verwendet werden kann. Die Steigerung der Leistung verschiedener Algorithmen zur Gesichtserkennung und Ganganalyse bedeutet, dass eine wachsende Zahl von Entitäten die Benutzer an einer großen Zahl von Orten identifizieren und die Erfahrungen, an denen die Benutzer teilnehmen, bestimmen kann.
  • Eine andere Möglichkeit zur Identifizierung von Benutzern durch Dritte besteht durch digitale Fußspuren und/oder elektromagnetische Signale der Geräte der Benutzer. Die Benutzer können hochentwickelte Geräte (z. B. Smartphones oder Wearables, d. h. tragbare Geräte) mit sich führen, die sich auf verschiedenen Websites und/oder Netzwerken anmelden oder ihre Identität bekanntgeben können. Dies kann durch verschiedene Signale wie Bluetooth, Wlan und/oder Mobilfunksignale erfolgen. Diese Signale können häufig gesendet werden, oftmals ohne, dass sich ein Benutzer dessen bewusst ist, und ermöglichen verschiedenen Entitäten, den Benutzer zu bestimmten Zeiten bestimmten Orten zuzuordnen.
  • Es besteht eine wachsende Tendenz zur Durchführung von immer mehr Interaktionen durch Benutzer in der digitalen Welt, wie etwa Social-Media-Posting und Nutzung digitaler Brieftaschen zur Durchführung finanzieller Transaktionen. Die Analyse dieser Informationen kann Dritten dabei helfen, Informationen über die Aufenthaltsorte von Benutzern und die durch die Benutzer erlebten Erfahrungen zu gewinnen.
  • Anhand der oben genannten Beispiele wird deutlich, dass die Benutzer oftmals nicht wissen, wer Daten über ihre Aufenthaltsorte erfasst, welche Daten erfasst werden und/oder wie die Daten weitergegeben werden. Zusätzlich haben die Benutzer häufig nicht die volle Kontrolle über die Informationen, die sie oder ihre Geräte der Außenwelt zur Verfügung stellen. Daher ist es eine umsichtige Vorsichtsmaßnahme, davon auszugehen, dass Dritte Informationen über die Benutzer, ihre Aufenthaltsorte und die durch sie erlebten Erfahrungen gewinnen können. Diese Informationen können zur Identifikation der Benutzer verwendet werden, die Messwerte der affektiven Reaktion zu einer Berechnung einer aggregierten Bewertung beigetragen haben. Folglich kann eine Bewertung des sogar mit der Herausgabe von aggregierten Ergebnissen verbundenen potenziellen Risikos erforderlich sein, um den Datenschutz der Benutzer zu wahren und das Risiko zu reduzieren, dass möglicherweise unerwünschte und/oder unbeabsichtigte Inferenzen aus den Messwerten der affektiven Reaktion der Benutzer gezogen werden.
  • Die Berechnung von crowd-basierten Ergebnissen für Erfahrungen auf der Grundlage von Messwerten der affektiven Reaktion von Benutzern kann in einigen Ausführungsformen eine vertrauenswürdige Entität umfassen, die Messwerte der affektiven Reaktion zur Erstellung der Bewertung erfasst und/oder verarbeitet. Eine vertrauenswürdige Entität ist hierin eine Partei, die Zugriff auf private Daten von Benutzern und/oder Messwerte der affektiven Reaktion der Benutzer haben kann. Zusätzlich oder alternativ kann eine vertrauenswürdige Entität Zugriff auf Informationen haben, die dazu verwendet werden können, Verbindungen zwischen Benutzern und Erfahrungen herzustellen, wie etwa Daten, die bezeichnen, dass die Benutzer an einer bestimmten Erfahrung teilgenommen haben und/oder dass die Messwerte der affektiven Reaktion bestimmter Benutzer in der Berechnung einer Bewertung der bestimmten Erfahrung verwendet wurden.
  • Unabhängig davon, ob eine crowd-basierte Bewertung auf der Grundlage der Verwendung einer vertrauenswürdigen Entität berechnet wird oder nicht, und abgesehen von dem Risiko eines direkten Durchsickerns von Informationen (z. B. durch Hacken und/oder eine andere Ausnutzung einer Sicherheitslücke in einem Aggregator) kann die Herausgabe von auf der Grundlage von Messwerten der affektiven Reaktion berechneten Bewertungen ein Risiko für den Datenschutz der Benutzer, die die Messwerte beigetragen haben, darstellen. Optional bezieht sich das Risiko für den Datenschutz auf das Risiko aufgrund der Tatsache, dass ein Empfänger einer Bewertung Inferenzen auf der Grundlage der Bewertungen über einen oder mehrere Benutzer ziehen kann, die einen zur Berechnung der Bewertung verwendeten Messwert der affektiven Reaktion beigetragen haben. Im Folgenden erörtern wir einige Möglichkeiten zur Charakterisierung und/oder Evaluierung eines Risiko für den Datenschutz.
  • In einigen Ausführungsformen ist das mit einer Offenlegung einer oder mehrerer Bewertungen verbundene Risiko für den Datenschutz von Benutzern proportional zu der Menge der privaten Informationen, die über die Benutzer durch eine Offenbarung der einen oder mehreren Bewertungen (welche als öffentliche Informationen gelten) in Erfahrung gebracht werden kann. Optional können private Informationen Informationen von einem Modell eines Benutzers sein (z. B. Werte von Bias-Werten des Benutzers), welche der Benutzer eventuell vor Dritten, die Messwerte der affektiven Reaktion des Benutzers nicht direkt empfangen, geheim halten möchte. In diesem Zusammenhang kann ein mit der Offenlegung einer oder mehrerer Bewertungen verbundenes Risiko hinsichtlich der Verbesserung eines Modells des Benutzers betrachtet werden, das durch einen Gegner anhand von Informationen erstellt wird, die aus der einen oder den mehreren offengelegten Bewertungen in Erfahrung gebrachten.
  • Der Begriff „Gegner” wird hierin verwendet, um eine Entität (menschlich oder nicht menschlich) zu beschreiben, die möglicherweise versuchen kann, Informationen über Benutzer und/oder Erfahrungen anhand einer oder mehrerer offengelegter Bewertungen zu erfahren. Optional können die Informationen über die Benutzer Werte von Messwerten der affektiven Reaktion umfassen, die durch einen oder mehrere der Benutzer zu der Berechnung einer Bewertung aus der Menge der einen oder mehreren offengelegten Bewertungen beigetragen wurden. Optional können die Informationen Bias-Werte eines oder mehrerer der Benutzer umfassen, die einen zur Berechnung einer Bewertung aus der Menge der einen oder mehreren offengelegten Bewertungen verwendeten Messwert der affektiven Reaktion beigetragen haben.
  • Es wird darauf hingewiesen, dass die Verwendung des Begriffs „Gegner” hierin nicht zwangsläufig bedeutet, dass die Entität, die der Gegner ist, böswillige Motive hat und/oder auf eine rechtswidrige und/oder unberechtigte Weise handelt. Zusätzlich bedeutet sie nicht zwangsläufig, dass der Gegner auf aktive Weise Informationen über die Benutzer aus einer offengelegten Bewertung in Erfahrung bringt und/oder beabsichtigt, die Informationen in Erfahrung zu bringen, noch bedeutet sie zwangsläufig, dass es der Entität untersagt wird, die Informationen in Erfahrung zu bringen, wenn sie dies tut. Zusätzlich impliziert der Begriff „Gegner” nicht zwangsläufig, dass die Entität keinen Zugang zu den Informationen über die Benutzer haben kann, wenn sie die Informationen angefordert hat. Beispielsweise kann ein Gegner in einigen Ausführungsformen Werte von Messwerten der affektiven Reaktion anfordern (z. B. die Werte von einem Benutzer anfordern) und/oder Bias-Werte von Benutzern von einer Entität anfordern, die ein Modell eines Benutzers besitzt (z. B. ein Software-Agent des Benutzers oder ein Repositorium, das Modelle von Benutzern besitzt). Darüber hinaus wird der Begriff „Gegner” verwendet, um mehrere Entitäten zu bezeichnen, die durch eine Überwachung von Benutzern erfasste Daten und/oder auf der Grundlage von Messwerten von Benutzern berechnete Bewertungen freigeben können. Beispielsweise können mehrere Anbieter von Erfahrungen, die durch sie erfasste Daten freigeben, in dieser Offenlegung als ein „Gegner” gelten.
  • In einer Ausführungsform kann die Verbesserung eines Modells in Bezug auf die Genauigkeit der Parameter des Modells angegeben werden. Zum Beispiel kann die Verbesserung als eine Verringerung der Größe von Konfidenzintervallen für Bias-Werte formuliert werden; z. B. kann eine Verringerung des 95%-Konfidenzintervalls für einen Bias-Wert hinsichtlich einer bestimmten Erfahrung von einem ersten Bereich von 1,5–4 in den Bereich 2–3,5 als eine Verbesserung der Genauigkeit des Modells gelten. In einem anderen Beispiel kann sich die Genauigkeit auf den Betrag eines Parameters in dem Modell beziehen, wie etwa die Varianz eines bestimmten Bias, wenn durch eine Zufallsvariable, die eine bestimmte Verteilung hat, angegeben. In diesem Beispiel kann eine kleinere Varianz als zu einer verbesserten Modellierung eines Benutzers gehörend gelten.
  • In einer anderen Ausführungsform kann die Verbesserung eines Modells mit informationstheoretischen Begriffen, wie Entropie und/oder Bits von Informationen, angegeben werden. Optional kann die Verbesserung proportional zu dem Informationsgewinn für das Modell infolge der Offenlegung der einen oder mehreren Bewertungen sein. Wenn zum Beispiel angenommen wird, dass X eine zu einem Bias eines Benutzers gehörende Zufallsvariable ist und X' die zu dem Bias von einem Modell des Benutzers gehörende Zufallsvariable ist, das entsprechend offengelegter Bewertungen aktualisiert wurde, dann kann der Informationsgewinn entsprechend der Kullback-Leibler Divergenz (DKL) zwischen X und X‘ angegeben werden. In diesem Beispiel ist der Informationsgewinn über den Benutzer infolge der Offenlegung der einen oder mehreren Bewertungen umso größer, desto größer die DKL zwischen den Verteilungen vor und nach der Anpassung gemäß der offengelegten Bewertungen ist. In einem anderen Beispiel kann der Informationsgewinn in Bezug auf wechselseitige Informationen zwischen X und X‘ angegeben werden. In diesem Beispiel hat sich die Modellierung eines Bias infolge der Offenlegung der einen oder mehreren Bewertungen umso mehr geändert, desto geringer die wechselseitigen Information sind.
  • In einigen Ausführungsformen kann die Verbesserung eines Modells in Bezug auf den Unterschied zwischen geschätzten Parametern (z. B. Parameter, die durch einen Gegner entsprechend offengelegter Bewertungen geschätzt werden) und einer Ground Truth für die Werte der Parameter angegeben werden. Zum Beispiel kann ein Benutzer und/oder eine vertrauenswürdige Entität ein präzises Modell der Bias des Benutzers haben, welches direkt aus Messwerten der affektiven Reaktion des Benutzers erstellt wird. Ein Gegner kann versuchen, Bias des Benutzers auf der Grundlage von Bewertungen zu modellieren, die auf der Grundlage der Messwerte des Benutzers (zusätzlich zu Messwerten anderer Benutzer) berechnet werden. In einem solchen Fall kann der Benutzer und/oder kann die vertrauenswürdige Entität den durch einen Gegner durchgeführten Vorgang nachahmen, um zu bestimmen, wann die durch einen Gegner geschätzten Parameter den Ground-Truth-Parameterwerten nahe kommen. Die Distanz zwischen den geschätzten Parametern und der Ground Truth kann auf verschiedene Weise ausgedrückt werden, wie z. B. als das Verhältnis zwischen den geschätzten Parametern und der Ground Truth und/oder als eine Divergenz zwischen einer zu den geschätzten Parametern gehörenden Verteilung und einer zu den Ground-Truth-Parametern gehörenden Verteilung.
  • Das Risiko für den Datenschutz durch die Offenlegung von Bewertungen kann sich aus den Beiträgen verschiedener Risikokomponenten zusammensetzen, die separat und/oder gemeinsam evaluiert werden können. Optional besteht die Gefahr, weil ein Gegner haben wissen, dass erkennt zumindest einige der Benutzer, Messungen der affektiven Reaktion, die verwendet wurden, um die Ergebnisse zu berechnen, die es ermöglicht, die Werte der Kerben, um Informationen über die zumindest einige der Benutzer. Dies trug Informationen können als private (z.b. Informationen über Vorurteile), die ein Benutzer nicht freigeben wollen und/oder Informationen, die von einer vertrauenswürdigen Stelle, der Kerben ist eigentlich nicht zu lösen.
  • In einigen Ausführungsformen, Risiken im Zusammenhang mit der Offenlegung eines oder mehrerer Kerben für Erfahrungen kann beschrieben werden als eine Funktion der Informationen, die weitergegeben und/oder von Werten aus diesen Informationen. Damit werden die Informationen, die weitergegeben werden können als Input für die Funktion. Die Funktion kann auch erhalten, als Eingang, Informationen, die zuvor (Offenbart vor der Offenlegung der einen oder mehrere Kerben) und/oder zusätzliche Informationen, die nicht direkt aus, und/oder im Zusammenhang mit der ein oder mehr Punkte. Die Funktion gibt einen Wert zurück, der Hinweis auf das Ausmaß der Gefahr für die Privatsphäre, die verknüpft ist mit Offenlegung des einen oder mehrere Partituren. Optional können Sie einen Wert, der von der Funktion zurückgegeben wird, kann sie auf das Risiko für einen oder mehrere Benutzer (z.b. die maximale Risiko für einen der Benutzer beigetragen haben Messungen), und/oder das durchschnittliche Risiko (z. B. auf einem durchschnittlichen Benutzer beigetragen haben Messungen). Optional kann die Funktion zurückgeben kann den Wert, der angibt, das Risiko für einen bestimmten Benutzer. Optional ist das Risiko im Vergleich zu einem Schwellenwert zu bestimmen, wie die eines oder mehrerer Kerben, z. B. ob die man mehr Punkte und/oder wieviel Informationen anzugeben.
  • Es ist zu beachten, dass hierin benutzt, wenn das Risiko soll eine Funktion eines bestimmten Eingang (oder die Komponente), es bedeutet, dass der Wert des Risikos wird berechnet auf der Grundlage, dass die Eingabe. Dies schließt jedoch nicht aus, dass die Gefahr von einer Funktion der anderen Eingänge (oder Komponenten). So ist zum Beispiel, dass die Risiken im Zusammenhang mit der Offenlegung eine Partitur ist eine Funktion von der Anzahl der Benutzer, die beigetragen haben Messungen in der Partitur nicht ausschließt, daß die Gefahr von auch abhängig von der Varianz der Messwerte (damit das Risiko kann auch eine Funktion der Varianz).
  • Darüber, wie die hierin verwendeten, eine Referenz auf eine Funktion, dient zur Berechnung der Risiken im Zusammenhang mit der Offenlegung eines oder mehrerer Kerben kann sich auf eine einzige Funktion bzw. eine Vielfalt von Funktionen, Verfahren und/oder Dienstleistungen, die in einer kooperativen Weise und/oder deren Ergebnisse werden kombiniert, um einen Wert, der beschreibt das Risiko. Optional ist die Pluralität der Funktionen, Verfahren und/oder Dienste müssen nicht alle ausgeführt werden, von einer einzigen Person und/oder im Besitz der gleichen Einheit (z. B. können Sie laufen unter Administratorrechten verschiedener Entitäten). Zusätzlich oder alternativ, die Pluralität der Funktionen, Verfahren und/oder Dienste müssen nicht alle auf dem gleichen Prozessor (z. B. können Sie auf verschiedenen Servern laufen, vielleicht sich an verschiedenen Standorten) und/oder brauchen Sie nicht alle zur gleichen Zeit ausgeführt werden (z. B. einige können parallel laufen, während andere möglicherweise nacheinander ausgeführt, aber nicht unbedingt direkt nach dem anderen).
  • 16 – Unabhängige Inferenz aus Bewertungen
  • Jedes Mal eine Partitur ist bekannt, sein Wert kann Informationen über die Benutzer, die bekannt sind, einen Beitrag zu den Messungen werden für die Berechnung der Punktzahl. Somit kann die Offenlegung von auch nur ein einziges Ergebnis für eine Erfahrung kann in einigen Ausführungsformen, stellen ein Risiko durch private Informationen von mindestens einige der Benutzer, Messungen der affektiven Reaktion, die verwendet wurden, um die Partitur zu berechnen. Nach Informationen der Theorie, von Entropie Überlegungen, diese Beiträge für solche Informationen sind rein nicht-negativen, wiederholte Bekanntgabe der Noten können die Informationen aufgedeckt über Benutzer. Zum Beispiel, wenn die Kerbe offenbart, dass Messungen der affektiven Reaktion zur Berechnung ein Ergebnis haben einen Mittelwert von 5 und die Varianz von 1, während ein durchschnittlicher Nutzer hat eine entsprechende Messung, kann als eine Zufallsvariable mit einem Mittelwert 2 mit Varianz 1, dann wissen die einzelnen Kerbe, unabhängig von allen anderen Angaben, können Sie die Überzeugungen über den tatsächlichen Wert eines Benutzers. In diesem Fall wird der geschätzte affektive Reaktion eines Benutzers, der bekannt ist, dass eine Messung der Partitur, würde weg von 2, der durchschnittliche Wert, in einer Richtung 5, wird der Wert durch die Partitur.
  • Es ist zu beachten, dass in der Diskussion hier, die Rückschlüsse entsprechend Kerben, kann davon ausgegangen werden, dass eine Bewertung für eine Erfahrung, berechnet auf der Basis einer Messung der affektiven Reaktion eines Benutzers, Lehren über den Wert der Messung der affektiven Reaktion des Benutzers. Zusätzlich, wenn ein Modell eines Benutzers enthält einen Bias entsprechend der Erfahrung (z.b. Ein Bias Wert repräsentiert den Benutzer die Voreingenommenheit gegenüber der Erfahrung), dann kann man davon ausgehen, dass die Punktzahl für die Erfahrung kann auch Lehren über die Voreingenommenheit des Benutzers zur Erfahrung. So, in Diskussionen, Verweise auf eine Bewertung der Bereitstellung von Informationen über eine Voreingenommenheit gegenüber einer Erfahrung kann auch gedeutet werden als die Bereitstellung von Informationen über die Messung des Benutzers, die Erfahrung hatte, und umgekehrt.
  • In einigen Ausführungsformen, die Effekte der Offenlegung eine Bewertung für eine Erfahrung kann als ein Prozess der Aktualisierung der posterioren Wahrscheinlichkeit von bias Werte vor, bestimmte Überzeugungen und beobachteten Beweis (der Beweis, in diesem Fall können die Ergebnisse und/oder Informationen aus der Kerben). Optional kann diese Analyse kann mit einem Bayes'sche Ansatz, bei dem Bias Werte modelliert als Distributionen mit Konjugat Priors. Die Beweise gegeben werden können, wie eine Statistik (z.b. Durchschnitt der Messungen) und/oder eine Verteilung, die dient zur Aktualisierung der vorherigen Verteilung. Dieser Ansatz kann sowohl für Vorurteile modelliert als diskrete Zufallsvariablen (z.b. mit einem Bernoulli variable und einer Beta-Verteilung Konjugat vor oder eine multinomiale Variable und ein Konjugat vor Chi-Quadrat-Verteilung), und/oder für die Vorspannungen modelliert als Kontinuierliche Verteilungen. Zum Beispiel aktualisieren bias Parameter modelliert sind, dass Sie mit einem normalen Distribution nutzen kann beschriebenen Ansätze in Murphy, K. (2007), "Conjugate Bayesian Analysis of the Gaussian Distribution”, Technical Report, University of British Columbia.
  • In einigen Ausführungsformen, verschiedene Methoden der Bewertung des Risikos durch die Offenlegung eines einzigen Partitur beschäftigt sind mit verschiedenen Risikofunktionen. Jedoch, wie in den Beispielen von Risikokomponenten unten gegeben, verschiedene Funktionen zur Bewertung Risiko möglicherweise weisen oft ein ähnliches Verhalten in Bezug auf die Risiko Komponenten wie z.b. die Zahl der Benutzer, die trugen Messungen zur Berechnung einer Partitur, die Varianz der Messwerte für die Berechnung der Punktzahl, und/oder die Wahrscheinlichkeit der Partitur (d.h., die Wahrscheinlichkeit der Einhaltung einer Partitur mit einem bestimmten Wert).
  • In einem Beispiel, eine Risikokomponente kann auch die Anzahl der Nutzer, die beigetragen haben Messungen zur Berechnung einer Partitur. In einigen Ausgestaltungen, je größer die Zahl der Nutzer, die trugen Messungen zur Berechnung einer Punktzahl, desto geringer ist die Gefahr für die Privatsphäre der einzelnen Benutzer im Zusammenhang mit der Offenlegung der Partitur. Ein Grund für dieses Phänomen ist, dass mit einer kleinen Anzahl von Benutzern, es ist einfacher zu assoziieren die Bewertung für eine Erfahrung mit den Neigungen der einzelnen Benutzer auf die Erfahrung (da die Messung eines jeden Benutzers trägt weitgehend auf die Kerbe). Jedoch mit einer größeren Anzahl von Benutzern, die Kerbe ist wahrscheinlicher, spiegeln die allgemeinen Mittel einer Population (z. B. ausgedrückt durch eine Punktzahl errechnet sich aus vielen Benutzern). Ein solcher Wert ist allgemein bekannt (z.b. durch Mittelung mehrerer Kerben) und sagt wenig über die einzelnen Benutzer beigetragen haben, Messung, Berechnung der Punktzahl. Dies liegt daran, dass bei einer großen Anzahl von Benutzern beitragen, Messungen, bedeutet dies, dass jeder Benutzer trägt ein wenig auf den Wert der Partitur. Optional kann die Anzahl der Benutzer weitergegeben werden zusammen mit der Partitur oder geschätzt werden durch einen Gegner (z.b. durch Schätzung der Zahl der Menschen, die aßen in einem Restaurant mit Gesichtserkennung).
  • In einem anderen Beispiel, eine Risikokomponente kann auch die Varianz der Werte der Messungen der affektiven Reaktion zur Berechnung einer Partitur. In einigen Ausführungsarten, desto größer ist die Varianz der Messungen, desto geringer ist die Gefahr für die Privatsphäre der einzelnen Benutzer im Zusammenhang mit der Offenlegung der Partitur. Wenn die Varianz ist gering, das Ergebnis ist eher zu reflektieren den Wert der Messungen der einzelnen Benutzer, da jeder Benutzer wahrscheinlich einen Wert hat, ist eng, vertreten durch die Partitur. Jedoch mit einer großen Varianz, es ist weniger wahrscheinlich zu sagen, der Wert der Messung eines einzelnen Benutzers von einem Ergebnis, da es große Unterschiede in den Werten der Messungen. Optional kann die Varianz kann ein Wert gelegt mit der Partitur. Alternativ kann die Varianz geschätzt werden kann durch einen Gegner, z.b. auf der Basis historischer Daten, oder durch die Gegner wissen den Wert der Messungen von einigen der Benutzer.
  • In einem weiteren Beispiel, ein Risiko Komponente kann die Wahrscheinlichkeit des Wertes der Partitur. In einigen Ausführungsformen, die weniger wahrscheinlichen die Kerbe (z.b., der Score ist ein Ausreißer), die mehr enthüllen die Kerbe ist als eine Gefahr für die Privatsphäre der Nutzer, die dazu beigetragen haben die Messungen für die Berechnung der Punktzahl. Wenn der Wert der Partitur offengelegt ist ein Wert, der häufig beobachtet wird (z.b. der Wert liegt in der Nähe der Mittelwert der Noten für die jeweilige Erfahrung), dann ist das Ergebnis wahrscheinlich nicht viel Informationen über einzelne Benutzer beigetragen haben Messungen verwendet für die Berechnung. In einem solchen Fall, die Offenlegung der Partitur ist wahrscheinlich, dass die Messungen hatten typische Werte, was darauf hindeutet, dass die Benutzer wahrscheinlich haben eine typische Voreingenommenheit gegenüber den Erfahrungen entsprechend der Punktzahl. Wenn jedoch der Wert der Partitur ist selten beobachtet und hat eine niedrige Wahrscheinlichkeit (z.b., es unterscheidet sich deutlich von dem Mittelwert der Noten einer bestimmten Erfahrung), dann Angabe der Punktzahl kann mehr riskant, da es zeigt, dass im Durchschnitt die Benutzer beigetragen haben Messungen in der Partitur atypische Messwerte. Da für einen durchschnittlichen Benutzer, ein Modell der Benutzer wahrscheinlich zeigt an, dass der Benutzer hat die typische Messwerte (oder eine typische Voreingenommenheit gegenüber eine Erfahrung), Informationen, aus denen hervorgeht, dass die Benutzer wahrscheinlich atypische Messwerte (oder ein atypisches Voreingenommenheit gegenüber den Erfahrungen), kann mehr aufdecken zu einem Benutzer.
  • In noch ein weiteres Beispiel, ein Risiko Komponente kann auch die Bedeutung der Partitur, wie die über die p-Werte, F-Werte, und False Discovery Rate (FDR). In einigen Ausführungsformen, die weniger wichtigen der Partitur (z.b., das Ergebnis ist ein p-Wert größer als 0,05), desto weniger Offenlegung der Score ist als eine Gefahr für die Privatsphäre der Nutzer, die dazu beigetragen haben die Messungen für die Berechnung der Punktzahl. Dieses ist, weil, wenn der Wert der Partitur offengelegt wurde nicht mit hinreichender Bedeutung, dann die Informationen, die die Bewertung möglicherweise vermitteln über Benutzer beigetragen haben Messungen zur Datenverarbeitung kann weniger zuverlässig betrachtet werden. Zum Beispiel, die geringe Bedeutung kann eine Widerspiegelung der Tatsache, dass eine kleine Anzahl von Messungen verwendet wurde, für die Berechnung der Punktzahl und/oder die enthaltenen Messungen Lärm. Allerdings, ein Ergebnis, dass ist sehr bedeutsam (z.b. p-Wert nahe Null) kann angeben, dass alle Informationen, die sie vermittelt zuverlässig ist und somit vielleicht mehr Zuversicht für Benutzer.
  • Die Beispiele der Risikokomponenten oben nicht unbedingt beschreiben alle Risikokomponenten, die Einfluss auf die Risiken im Zusammenhang mit der Offenlegung einer Partitur. Darüber hinaus sollen in einigen Ausführungsformen, die Risikokomponenten möglicherweise verschiedene Abhängigkeiten untereinander und/oder haben unterschiedliche Bedeutung im Hinblick auf eine Bewertung der Risiken für die Privatsphäre des Freigebens von einem einzigen Ergebnis.
  • 17 – Inferenz durch gemeinsame Analyse
  • Aus der Sicht der Informationstheorie, jedes Mal, wenn ein Benutzer trägt eine Messung der affektiven Reaktion, wird für die Berechnung einer Kerbe für ein Erlebnis, den Wert der Punktzahl eine bestimmte, vielleicht unendlich Minute, Menge von Informationen über den Benutzer. Wenn diese Informationen aggregiert wird im Laufe der Zeit von einem Gegner, und/oder analysiert gemeinsam für mehrere Benutzer, die Beiträge, die jeweils auf eigene bietet eine verschwindend geringe Menge von Informationen, können Sie bis zu umfangreichen Modellen von Benutzern. Diese Modelle beschreiben die verschiedenen Aspekte der Benutzer (z.b. ihre Vorurteile), Aspekte, die Sie möglicherweise noch nicht in Betracht gezogen haben, abgeleitet werden laut Daten wie scores berechnet basierend auf Messungen von mehreren Benutzern.
  • Die Art des Lernens von Modellen der Benutzer wie unten beschrieben unterscheidet sich in einigen Aspekten von Lernen Modelle von Benutzern, die an anderer Stelle in dieser Veröffentlichung, wie Eq. (2), Gl. (3) und Gl. (5) im Abschnitt 13 (Bias-Werte). Diese Methoden lernen bias Werte aus Messungen der affektiven Reaktion der Nutzer. Dies unterscheidet sich vom Lernen von Kerben, die jeweils berechnet aus Messungen von mehreren Benutzern. In der ehemaligen Ansatz, der Messwert der einzelnen Benutzer in jedem Fall bekannt ist. Im letzteren Ansatz, der Messwert eines jeden Benutzers ist oft unbekannt ist, sondern nur ein, vielleicht ziemlich laut, Proxy ist bekannt in Form einer Partitur, die sich als Funktion des multiple Messungen. Ein weiterer Unterschied ist, dass einige Ausführungsarten, die sich mit den bisherigen Ansätzen, die learning bias Werte eines einzelnen Benutzers von Daten, die nur der Benutzer. Im Ansatz beschrieben, einige Verkörperungen orientieren sich an gleichzeitig lernen Parameter für mehrere Benutzer von Daten mehrerer Benutzer.
  • Es folgt eine Beschreibung der "Big Data" Analyse, die dazu verwendet werden, um einen Gegner zu lernen Modelle von Vorurteilen und anderen Informationen aus Daten, umfasst. In einigen Ausführungsarten, es wird davon ausgegangen, dass eine Partitur ist "abbaubar", was bedeutet, dass es sich um eine einfache Funktion der Messungen für die Berechnung. Zum Beispiel, viele Verkörperungen Modell einer Partitur als der Durchschnitt der Messungen für die Berechnung.
  • In der Diskussion weiter unten, und nach der Notation und der damit verbundenen Diskussion über Vorurteile, die früher in dieser Offenbarung, so gehen wir davon aus, dass die Messungen der affektiven Reaktion auf Ereignisse entsprechen, gehören zu einer Reihe V, wobei V = {τ1, ..., τ|V|}. Jede der Veranstaltungen im V angenommen wird zugewiesen werden ein oder mehrere Sätze von Veranstaltungen vi, 1 ≤ i ≤ k, so dass V = U k / i=1Vi . Messungen der affektiven Reaktion entsprechend der k legt der Ereignisse werden zum Berechnen von k Kerben S1, ..., SK, Mit jedem Ergebnis entspricht einer bestimmten Erfahrung. Es ist möglich, dass einige Kerben entsprechen, die die gleiche Erfahrung (z. B. können Sie berechnet basierend auf Messungen von Benutzern, die zu unterschiedlichen Zeiten), während einige Kerben entsprechen kann, unterschiedliche Erfahrungen. Lassen S = {S1, ..., Sk} bezeichnen die Kerben an einem Gegner. Optional, die Kerben sind als öffentliche Informationen, da sie weitergegeben werden (z. B. die Scores werden auf Apps, in Kommunikation und/oder in einer abfragbaren Datenbank). Optional können bestimmte Punktzahlen in S möglicherweise an bestimmte Empfänger (z.b. autorisierte Empfänger), und damit als öffentliche Informationen in Bezug auf die Empfänger, sondern kann auch als private Informationen mit Bezug zu anderen Entitäten, die nicht bestimmte Empfänger.
  • Das Modell einen Widersacher erstellt aus Daten aus der offenbarten Kerben S bezeichnet θ. In einigen Ausführungsformen, Erstellen von θ kann eine Sammlung von zusätzlichen, Hilfsdaten, Teile der betrachtet werden kann, entweder privat oder öffentlich verfügbare Daten, abhängig von der Verkörperung. Optional können zusätzliche Daten können Angaben, die Widersacher, z.b. durch Anwender und/oder Anbieter von Erfahrungen. Zusätzlich oder alternativ, Hilfsdaten dürfen Daten, dass der Widersacher stammt aus Überwachung von Benutzern und/oder Anbietern von Erfahrungen. In einem Beispiel Hilfsdaten können Faktoren der Ereignisse in V. In einem anderen Beispiel, Zusatzdaten können auch Informationen über die Beiträge von Messungen der Nutzer auf die Berechnung der Punktzahlen. Und noch ein weiteres Beispiel, Hilfs daten gehören privaten Informationen der Nutzer wie die Werte der Messungen der affektiven Reaktion der Nutzer und/oder andere Informationen über den Benutzer, wie z. B. Informationen aus Profile von Nutzern, die möglicherweise gehören bias Werte der Benutzer.
  • In den in diesem Abschnitt beschriebenen Verfahren wird im Allgemeinen davon ausgegangen, dass ein Modell der Daten drei Arten von Daten umfasst: Daten, die zu einem Beitrag von Benutzern zur Berechnung von Bewertungen gehören und durch die Beitragsmatrix C dargestellt werden, Daten, die zu Faktoren von Ereignissen gehören, die die Benutzer gehabt haben können, und die durch die Matrix der Faktorvektoren F dargestellt werden, und Daten, die zu Bias-Werten von Benutzern gehören und durch die Bias-Matrix B dargestellt werden.
  • In einigen Ausgestaltungen, den Beitrag Matrix C wird durch eine k × |U| Matrix, die möglicherweise eine vollständige Matrix oder eine teilweise ausgefüllte Matrix. Die k Zeilen in der Matrix entsprechen den k Kerben im Set S, und jede Spalte in der Matrix entspricht einer der Benutzer als im Modell. Jeder Eintrag Ci,j der Matrix C, zeigt der Beitrag von user j zu den score Si, wobei 1 ≤ i ≤ k und j ist ein Index eines Benutzers in einer Aufzählung der Nutzer in U, so dass 1 ≤ j ≤ |U|. Die Werte in C kann auf verschiedene Art und Weise in verschiedenen Ausführungsarten. In einem Beispiel, werden die Werte in C darstellen kann einen von zwei Werten: 0. Dies bedeutet, dass Benutzer j nicht dazu beitragen, eine Messung der Partitur Si, Oder 1, was darauf hinweist, dass Benutzer j trugen eine Messung für die Berechnung der Punktzahl Si. In einem anderen Beispiel Eintrag Ci,j kann auch einen Wert repräsentiert eine leere (z.b., '?') oder leer gelassen werden, um anzuzeigen, dass der Beitrag von user j, Si ist unbekannt. Ein weiteres Beispiel, Ci,j kann ein Wert von einem Gewicht von der Messung der Benutzer j bei Verwendung zur Berechnung der Punktzahl Si. Noch ein anderes Beispiel, Ci,j kann einen Wert haben eine Wahrscheinlichkeit, dass Benutzer j trugen eine Messung für die Berechnung der Punktzahl Si.
  • Die entsprechenden Informationen an die Matrix C kann in voll oder teilweise auf einen Gegner. Optional, wenigstens einige der entsprechenden Informationen zu C eingegangen ist, die aus einer Quelle, die zumindest einige der Kerben in S. z. B. die Informationen können auch Beschreibungen zu Veranstaltungen, wie Identitäten von Benutzern, die entsprechenden Ereignisse und/oder Statistiken bzgl. Einstellung der Ereignisse. Beispiele von Statistiken, die empfangen werden können gehören die Anzahl der Benutzer entspricht einer Reihe von Ereignissen, das durchschnittliche Alter der Nutzer entspricht einer Reihe von Ereignissen und/oder andere demographische Informationen zu Benutzern entsprechend der Einstellung von Veranstaltungen. Zusätzlich oder alternativ, wie weitere zumindest in Abschnitt 15 – Übersicht der Risiken für Privatsphäre, in verschiedenen Ausführungsarten, möglicherweise gibt es verschiedene Möglichkeiten, einen Gegner sammeln können Informationen, die genutzt werden können, zu schätzen, Werte in C. Zum Beispiel die Bestimmung, dass ein User hatte eine Erfahrung zu einem bestimmten Zeitpunkt kann mit einer Kamera, durch Erfassung digitaler Signale in Bezug auf die Nutzer (z.b. Wlan und/oder zelluläre Signale von einem Gerät des Benutzers) und/oder Empfangen von Informationen im Zusammenhang mit Transaktionen des Benutzers (z.b. Digital Wallet Transaktionen).
  • In einigen Ausführungsformen, die Matrix der Faktor Vektoren F wird durch eine k×|U| Matrix. Jeder Eintrag in F bezeichnet wird F →(i,j) , und stellt die Faktoren, die dem Ereignis zugeordnet (i, j), das ist ein Fall für den Benutzer j Nachdem er Erfahrungen entsprechend dem Ergebnis Ich. In einigen Ausführungsformen, die Veranstaltung indiziert (i, j), kann oder kann nicht stattgefunden haben, in der Wirklichkeit. Zum Beispiel, der Widersacher kann davon ausgehen, dass Benutzer j die Erfahrung hatte ich in der entsprechenden Zeile F und C (und trug auch ein Maß für die Berechnung von Si), aber dieses, in der Tat, nicht stattgefunden haben (z.b., der Widersacher gegeben wurde, falsche Angaben oder falsche Schlussfolgerungen aus der Überwachung erreicht der Anwender j). Dennoch, der Widersacher kann auf F →(i,j) Werte repräsentieren wahrscheinlich Faktoren des Ereignisses (i, j), dass der Widersacher übernimmt einschlägig wäre hatte der Benutzer j in der Tat hatte die Erfahrung entsprechend Si. Optional F →(i,j) enthalten können Gewichte Für n Faktoren (mit den meisten Gewichte in der Regel nicht Null), so dass die Indizes von Werten in F →(i,j) , bezeichnet mit dem Buchstaben h, laufen von 1 bis n.
  • In einigen Ausführungsarten, F kann eine vollständige Matrix oder eine teilweise ausgefüllte Matrix. Zum Beispiel, ein Gegner kann Einträge in F nur für Einträge (i, j) Für die Ci,j > 0 und/oder für die der Gegner war in der Lage, aussagekräftige Informationen. In einigen Ausführungsformen, jeden Eintrag in F kann mindestens ein Vektor F →(i,j) mit einem Faktor entsprechend der Tatsache, dass die Anwender die Erfahrung hatte entsprechend der Zeile i. Die Qualität und der Umfang der Faktoren von Ereignissen, die von einem Gegner zugewiesen sind, kann anders sein als die Faktoren, die zugeordnet werden können, die von einem Benutzer (z. B. durch eine Software Agent des Benutzers, wie beschrieben in Abschnitt 12 – Faktoren von Ereignissen). Der Unterschied zwischen den Faktoren zugewiesen, indem ein Widersacher und der Faktoren, die durch den Anwender vergeben können Stammzellen aus dem möglicherweise unterschiedliche Informationsquellen zur Verfügung, der Widersacher und der Nutzer, die verwendet werden, um die Faktoren zu vergeben. In einem Beispiel, eine Software Agent, der im Auftrag eines Benutzers möglicherweise Zugriff auf die Kommunikation der Benutzer, Billing Information des Nutzers und/oder live feed von Bildern von einer Kamera montiert auf der Benutzer (z. B. einem Headset), die es ermöglichen, die Software Agenten zu ermitteln, die verschiedenen Aspekte der Ereignisse im Zusammenhang mit dem Benutzer. Ein Gegner kann Zugang zu einigen dieser Informationen, oder überhaupt keines, und sich zum Beispiel auf die Bilder des Benutzers von einer ferngesteuerten Kamera zu bestimmen Aspekten von einigen der Veranstaltungen, an denen der Benutzer. Während in der Regel ein Gegner haben weniger genaue Zuordnungen von Faktoren als die Benutzer (oder eine Stelle, die im Auftrag des Nutzers), in einigen Ausführungsformen, ein Gegner kann bestimmte Kenntnisse über bestimmte Aspekte von Erfahrungen, von denen der Anwender hat keine Kenntnis, und daher kann der Benutzer mit Modell einen unterschiedlichen Satz von Voreingenommenheit. Zum Beispiel, der Widersacher kann ein Anbieter einer Erfahrung oder kann in Zusammenarbeit mit dem Provider von einer Erfahrung, und deshalb, eingeweiht werden, um bestimmte Informationen nicht verfügbar für einen Benutzer, wie Komponenten in Essen zu einem Benutzer, Strategien durch einen Service Provider beim Umgang mit den Benutzer- und/oder Umgebungsvariablen, die der Benutzer nicht bewusst ist, oder nicht erkennen kann.
  • dennoch in einigen Ausführungsarten, ist davon auszugehen, dass der Widersacher begrenzten Fähigkeiten zuweisen Faktoren der Ereignisse. Insbesondere der Widersacher kann nur zuordnen können eine Teilmenge der relevanten Faktoren der einige der Ereignisse, die für die Berechnung der Punktzahlen in S. Zusätzlich oder alternativ, kann es nur zuweisen können nur grobe Gewichtung auf einige Faktoren. Z. B. für bestimmte Faktoren eines Ereignisses (i, j) vertreten als Vektor F →(i,j) , Ein Gegner kann ein Gewicht auf Relevanz (z.b. Gewicht eines), oder Irrelevanz (z.b. Gewicht Null). Allerdings ist ein Software-Agent, die im Auftrag der Benutzer zugewiesen werden, ein breiteres Spektrum von Faktoren in die Werte F →(i,j) , die aufgrund zusätzlicher Informationen der Software Agent Zugriff hat.
  • Da die Daten verwendet, um Benutzer durch einen Gegner sehen möglicherweise anders aus als der erhobenen Daten durch den Anwender (oder Agenten, die im Auftrag von Ihnen), Vorurteile gelernt, indem der Gegner möglicherweise anders aus als die Vorspannungen gelernt, indem der Benutzer. Da jedoch eine ausreichend große Menge von Trainingsdaten (z.b. mit vielen Scores für Erfahrungen), ist es möglich für das Modell des Widersachers zu approximieren, vielleicht sogar ziemlich eng, Modelle der Voreingenommenheit der Nutzer.
  • In einigen Ausführungsformen, die bias Matrix B können sich durch einen |U| × n Matrix. In jeder Zeile der Matrix stellt Vorurteile eines der Benutzer in US Jede Zeile stellt die n bias Werte ein Benutzer haben kann (n Mögliche Faktoren der Ereignisse). Das bedeutet, dass jeder Anwender kann Verzerrungen, die eine Teilmenge von diesen Spalten, mit Eintragungen in den Spalten, Vorurteile, sind nicht relevant für einen bestimmten Benutzer, leer oder mit einem bestimmten Wert wie 0. Die Einträge in der Matrix B gekennzeichnet sind bj,h, wo bj,h repräsentiert die Voreingenommenheit der jth Benutzer hat auf die Uhrth Faktor, wobei 1 ≤ j ≤ |U| und 1 ≤ H ≤ n. Optional, bj,h möglicherweise ein Bias Wert. Zusätzlich oder alternativ, bj,h halten können Parameter einer Verteilung (z.b. Mittelwert und Varianz) für eine Voreingenommenheit, wird durch eine Zufallsvariable. Unterhalb der Verzerrungen eines bestimmten Benutzers (das sind beschrieben in eine bestimmte Zeile von B) kann mit Hilfe eines Vektors Notation. Zum Beispiel, die Vorurteile der jth Benutzer bezeichnet wird, kann mit der Notation B →j.
  • Vor lernen Werte in θ, in einigen Ausführungsarten, wenigstens einige der Einträge in B kann mit bestimmten Werten initialisiert werden, die verschieden von Null. In einer Verkörperung, Werte von Vorurteilen entsprechend einige der Faktoren initialisiert sind auf der Grundlage einer vorherigen Wahrscheinlichkeit ermittelt aus Voreingenommenheit berechnet aus einer Reihe von Kerben, Kerben, die sich nicht in S (d. h., sie wurden berechnet basierend auf Messungen der affektiven Reaktion auf entsprechende Ereignisse nicht in V). In einer anderen Verkörperung, verschiedene Formen von Collaborative Filtering kann initialisiert werden Verzerrungen für bestimmte Benutzer. In einem Beispiel, ein Profil der bestimmte Benutzer wird verwendet, um Benutzer mit ähnlichen Profilen, und Vorurteile der bestimmte Benutzer eingestellt werden Durchschnittswerte der entsprechenden Neigungen der Nutzer mit ähnlichen Profilen.
  • In einigen Ausführungsformen, einige Vorurteile Benutzer haben kann davon ausgegangen werden, dass korrigiert werden bereits in die Messungen der affektiven Reaktion wird zur Berechnung des Scores in S. In einem solchen Fall, Vorurteile, die dafür bekannt sind, korrigiert werden, ausgeschlossen werden können, von der Matrix B und/oder keine entsprechenden Faktoren zugeordnet zu Vektoren von Faktoren in F oder Gewichte, sie sind relevante Faktoren. Zum Beispiel, die Messungen der affektiven Reaktion kann davon ausgegangen werden, dass die bereits korrigiert für Vorurteile gegen Witterung und Tageszeit, aber angenommen werden kann, dass nicht korrigiert werden mit Bezug auf andere Vorurteile. In einem solchen Fall, Vektoren von Faktoren in F möglicherweise nicht alle Faktoren gehören entsprechend der Wetter- und/oder Zeit des Tages, und/oder es kann keine bias Werte für diese Faktoren in der Matrix B.
  • Vorurteile der Benutzer im Laufe der Zeit ändern können, wie z. B. Veränderungen auftreten über lange Zeiträume über Wochen, Monate und sogar Jahre. Zur Berücksichtigung möglicher Veränderungen in der Vorurteile, in einigen Ausführungsformen, einem zeitlichen Aspekt hinzugefügt werden können, θ. Zum Beispiel, bestimmte bias Werte in B kann durch mehrere Werte, jedes berechnete basierend auf die entsprechenden Daten zu einer anderen Periode (z.b. bestimmte bias Werte können auf monatlicher Basis berechnet, basierend auf Daten der letzten drei Monate). In einem anderen Beispiel, Bias Werte in B zugeordnet werden können, die einen Zeitstempel t und berechnet mit einem Gewichtungssystem, Gewichte Kerben näher an t höher, viel früher als t.
  • In verschiedenen Ausführungsformen hierin beschrieben, einen Verweis kann auf Matrizen, wie eine oder mehrere der Matrizen, werden in θ, zu denen auch der Beitrag Matrix C, die Matrix der Faktor Vektoren F, und/oder den Bias-Matrix B. Es ist zu beachten, dass hierin ein Verweis auf Matrix bezieht sich auf Daten, die möglicherweise als Matrix dargestellt werden. So fehlt beispielsweise in einigen Ausführungsformen, Informationen in Bezug auf den Beitrag der Messungen von Benutzern zu Kerben müssen nicht in einer einzigen Matrix C (z. B. einem Speicherort). Optional können diese Informationen gespeichert werden an verschiedenen Standorten (z. B. unterschiedliche logische und/oder physische Standorte) und/oder verschiedenen Datenstrukturen (z.b. Listen, Datensätze in der Datenbank, oder Hash Tables). Zusätzlich werden die Daten müssen nicht unbedingt gespeichert als Werte Ci,j wie oben beschrieben. Im Rahmen dieser Vereinbarung, einen Verweis auf eine Matrix C bezieht sich auf Daten, die aus verschiedenen Quellen aggregiert werden können vielmehr verarbeitet und/oder analysiert, um die Matrix zu erzeugen C. Zusätzlich oder alternativ einen Verweis in einer Ausführungsform habend, Erhalt bzw. den Zugriff auf die Matrix C bezieht sich auf eine Fähigkeit zu erhalten, Werte von mindestens einige der Einträge Ci,j in C. So, zum Beispiel, wenn ein Verweis auf eine Funktion, erhält die Matrix C, es wird davon ausgegangen, dass die Funktion möglicherweise keinen Zugang zu einem einzigen Datenstruktur, enthält Einträge in C, sondern dass die Funktion hat die Fähigkeit zum Zugriff auf Werte, die mindestens einige Einträge Ci,j (z.b. durch bestimmte Datenbankabfragen, Berechnungen und/oder die Verwendung anderer Funktionen). Die in der Kunst wird erkennen, dass die Diskussion über über die Matrix C ist anwendbar auf andere Matrizen beschrieben in dieser Offenbarung, und insbesondere auf die F und B.
  • Eine oder mehrere Kerben und offenbarten Informationen, die möglicherweise durch Matrizen C, F, und B wie oben beschrieben, in einigen Ausgestaltungen, das Ziel des Widersachers ist zu lernen und/oder Werte aktualisieren der Parameter des Modells θ. Dies kann auf verschiedene Weise und mit unterschiedlichen Komponenten von θ. In einer Verkörperung, die nach der Zuweisung von Werten zu Eingaben in C, F, und B, die Matrizen C und F sind angenommen, behoben werden. Lernen und/oder Aktualisierung θ umfasst Diagnose und/oder Aktualisieren von Werten der Voreingenommenheit in B. In einer anderen Verkörperung, die nach der Zuweisung von Werten zu Eingaben in C, F, und B, bestimmte Einträge in die Matrizen, oder sogar alle Einträge in diesen Matrizen, möglicherweise aktualisiert nach Optimierungen mit den Kerben in S, wie unten beschrieben.
  • In einigen Ausführungsformen, θ kann bestimmte Parameter, entspricht nicht einem bestimmten Benutzer (d. h. sie sind nicht-user-spezifische Parameter); vielmehr werden diese Parameter kann als allgemeine Parameter wie Vorurteile entsprechend mehrere Benutzer (z.b. Vorurteile von Gruppen von Benutzern) oder Faktoren abgeleitet von Kerben für Erfahrungen (die basieren auf Messungen der affektiven Reaktion von mehreren Benutzern). Optional können bestimmte Gruppen von Benutzern erhalten können einzelne Parameter, z. B. separate Parameter für junge Nutzer gegen ältere Benutzer, oder männliche Benutzer gegen weibliche Nutzer.
  • In einigen Ausführungsformen, non-user-spezifischen Parameter werden verwendet, wenn bestimmte Einträge in C unbekannt sind, z. B. beim C geschätzt wird teilweise durch einen Gegner auf der Grundlage unvollständiger Informationen gesammelt von Kameras, Signalerkennung von Endgeräten und/oder Analyse von Transaktionen von Benutzern. In solchen Fällen, nicht alle Ereignisse, die entsprechenden Kerben im S möglicherweise bekannt und/oder durch einen Gegner. Zum Beispiel, wenn bekannt ist, dass ein Ergebnis berechnet basierend auf 10 Mitglieder, aber ein Gegner ausführen Modellierung hat nur Informationen über 7 Mitglieder wer hatte die entsprechende Erfahrung, dann ist das Gewicht entsprechend der verbleibenden 3 Benutzer zugeordnet werden können, die auf einem Nicht-Benutzer-spezifischen Parameter für die Erfahrung (z.b. entsprechend Bias eines allgemeinen Benutzer zu der Erfahrung). In einem anderen Beispiel, ein Gegner kann schätzen, dass es eine 50% Wahrscheinlichkeit eines Ereignisses, in dem ein bestimmter Benutzer hatte eine gewisse Erfahrung. Deshalb, wenn die Beweise, der dem Ereignis entspricht, 50% des Gewichts kann mit Bias Parameter in Bezug auf die Anwender, während die anderen 50% zugeordnet werden können, die zu einem entsprechenden Benutzer-spezifischen Parameter. In einigen Ausführungsarten, wenn nicht user-spezifische Parameter werden für einen nicht unerheblichen Teil der Fälle (z.b. mehr als 10% der Ereignisse entsprechen nicht-user-spezifische Parameter), dann werden die Werte der non-user-spezifischen Parameter sind wahrscheinlich zu entsprechen einem durchschnittlichen Benutzer oder Vertreter Benutzer (bezeichnet als "General User").
  • In einigen Ausführungsformen, allgemeine Benutzer entsprechend non-user-spezifischen Parameter sind vertreten durch Spalten in der Matrix C, entspricht nicht einem bestimmten Benutzer (sondern eher zu einer allgemeinen Benutzer). Zum Beispiel Spalte j' entsprechen kann, die allen Benutzern, während j'' entsprechen kann, männliche Benutzer, deren Identität nicht bekannt ist, und j''' entsprechen kann, weibliche Nutzer, deren Identität nicht bekannt ist. Ein Gegner kann das Zuweisen von Werten zu Einträgen in C entsprechen den allgemeinen Benutzer. Betrachten Sie zum Beispiel einen Fall, wo die Gegner davon ausgegangen wird, dass eine bestimmte Punktzahl Si berechnet wurde nach Veranstaltungen mit 10 Benutzern. Sie Kenntnis über die Identität des 7 dieser Benutzer an, in diesem Fall kann Set Ci,j = 1 für 7 bestimmte Werte von j entspricht diese Benutzer. Zusätzlich wird der Gegner vielleicht wissen, dass man von den restlichen 3 Benutzer ist ein unbekannter Mann (z.b. auf der Grundlage der Bildanalyse von Benutzern, die in der Lage), dann der Gegner kann dies durch die Einstellung Modell Ci,j'' = 1. Und auf den verbleibenden zwei Benutzer, die die Gegner haben möglicherweise keine Informationen, in welchem Fall der Gegner könnte Ci,j' = 2. Allgemein Benutzer können auch über die entsprechenden Zeilen in der Matrix B Beschreibung der Voreingenommenheit der allgemeinen Benutzer (z. B. durchschnittliche Vorurteile aller Nutzer, der alle Männer, oder alle Frauen, die in den Beispielen mit j', j'', und j''' oben). Darüber hinaus F kann auch Faktor Vektoren, entsprechen. Zum Beispiel, bestimmte Faktoren können unterschiedlich gewichtet werden für Männer als für Frauen.
  • Es gibt verschiedene Ansätze, die verwendet werden können, um einen Gegner zu lernen, zumindest einige der Parameter θ von Masse-basierten Kerben für Erfahrungen (die Scores S). Optional, wenigstens einige der Informationen in θ kann davon ausgegangen werden, wie Informationen über den Beitrag der Benutzer zu den Kerben (Einträge in der Matrix C), Vektoren von Faktoren von einigen der Veranstaltungen (Einträge in der Matrix F) und/oder einige Vorherige Werte zugewiesen Vorurteile von Benutzern (Einträge in der Matrix B). Lernen umfasst in der Regel die Aktualisierung Werte in B auf der Grundlage der Punktzahl S, kann aber auch, oder alternativ, lernen Einträge in der Matrizen C und/oder F. So fehlt beispielsweise in einigen Ausführungsarten, wo C ist teilweise bekannt, der Widersacher kann Informationen über C (z.b. bestimmen, wahrscheinlich Benutzer, die an bestimmte Erfahrungen), als Teil des Lernprozesses.
  • Es ist darauf hinzuweisen, dass idealerweise ein Gegner würde lernen wollen θ direkt aus Messungen der affektiven Reaktion, z. B. mit der Optimierung Techniken in Bezug auf Gl. (2) oder Gl. (3). Da jedoch wird davon ausgegangen, dass der Gegner keinen Zugang zu zumindest einige, wenn nicht alle, die Messungen, die Gegner zu lernen, über den Kerben θ S, die möglicherweise als (möglicherweise verrauschte oder weniger informativ) Proxies für die Messungen. Im Folgenden wird eine nicht erschöpfende Liste von einigen Beispiel Ansätze, kann vom Gegner.
  • In einigen Ausführungsarten, lernen θ kann ein iterativer Prozess, bei dem ab Anfangswerte von θ (das kann bestimmt werden, der sich aus der beobachteten Daten oder zufällig ausgewählt), und iterativ verbessert θ basierend darauf, wie gut sie das Modell der offenbarten Kerben S. insbesondere in einigen Ausführungsarten, es wird davon ausgegangen, dass ein Gegner hat Kenntnis von einer bestimmten Funktion verwendet zur Berechnung jedes Ergebnis SIS aus den Messungen der affektiven Reaktion der entsprechenden Satz von Ereignissen VI (mit der Mitgliedschaft in der Gruppe Vi widerspiegelt, die durch die Werte der Einträge in der i-ten Zeile in C). Da in der Praxis die Gegner nicht die volle Erkenntnis der Ereignisse Vi (entspricht die Kenntnis der wahren Werte von C und ihre entsprechenden Messungen), sondern hat nur die möglicherweise ungenaue Werte des Modells θ, der Gegner kann versuchen zur Schätzung der Messungen entsprechend Vi basiert auf θ. Dies führt zu einem iterativen Prozess, in dem der Benutzer entsprechend Vi werden nach Cund eine Messung der einzelnen Benutzer anhand der Faktoren in F und der Voreingenommenheit in B mit Eq. (1). Nach der Einschätzung des Messungen entspricht einer Reihe von Veranstaltungen vi, der Gegner kann eine Punktzahl entsprechend dem Satz von Ereignissen und überprüfen, wie gut es passt mit der offenbarten score Si. Der Gegner kann dann der Vergleich mit dem offenbarten Kerben zur Aktualisierung des Modells (durch das Ändern von Werten in θ, wie Aktualisierung Voreingenommenheit in B) Um den geschätzten Kerben in der Nähe gelegt. Dieser iterative Prozess kann wiederholt werden, bis eine bestimmte Anzahl von Iterationen überschritten hat oder eine akzeptable Konvergenz erreicht ist.
  • verschiedene Ansätze zur iterativ Lernen θ kann in verschiedenen Ausführungsarten, abhängig von den Modellannahmen, die in jeder Verkörperung. Es folgt eine Beschreibung von einigen, aber nicht allen, algorithmische Ansätze, die verwendet werden können, dienen als Beispiele für mögliche Ansätze, die ergriffen werden können.
  • In einer Verkörperung, einem Gegner nutzt eine Funktion des F(S,B|C,F), berechnet einen Wert ein Indikator für die Ähnlichkeit zwischen den Scores S' berechnet basierend auf θ und die ausgewiesenen Ergebnisse S. optional durch Lernprozess, die Werte der Voreingenommenheit B werden optimiert, während die Werte von C und F fixiert bleiben. Beispielsweise f kann einen Wert zurück, der gleich dem Quadrat der Differenz zwischen den Scores S und entsprechenden geschätzten Kerben S'. Angesichts der Funktion f, der Widersacher kann nach den Parameterraum B* der möglichen Zuordnungen zu B zu finden, eine Zuordnung zu B, für die f(S,B|C,F) optimal ist oder lokal optimale, iterativen Prozess wie oben beschrieben. Optional ist die iterative Ansatz kann auch eine zufällige Erforschung der Suchraum B*, durch die Optimierung von B durchgeführt werden kann, wie z. B. die Verwendung von Simulated Annealing und/oder genetische Algorithmen. Optional können mehrere Initialzuordnungen zu θ kann verwendet werden, um die Suche nach einem Zuweisungseintrag für θ entspricht den Daten gut. Optional kann die Funktion f ist ableitbar und eine Zuweisung für Werte von B gefunden wird mittels analytischer Ansätze wie die Newton-Raphson-Methode.
  • In einer anderen Verkörperung, die Messungen der affektiven Reaktion auf entsprechende Ereignisse davon ausgegangen, dass es sich um eine lineare Funktion der Parameter in θ, wie lineare Kombinationen von bias Werte und Faktoren, wie in Gl. (1) oder Gl. (4). Zusätzlich wird in dieser Verkörperung, jedes Ergebnis Sich davon ausgegangen wird, dass eine Funktion mit einer linearen Kombination der Messungen für die Berechnung. Ohne Verlust an Allgemeinheit, im Beispiel unten eine Kerbe Si für die Erfahrung entspricht einer Reihe von Veranstaltungen Vi ist der Durchschnitt der Messungen der affektiven Reaktion entsprechend der eingestellten Veranstaltungen Vi. Zusätzlich wird in dieser Verkörperung, es wird davon ausgegangen, dass das Wissen über die Benutzer trugen eine Messung für die Berechnung einer Partitur und/oder das Gewicht der Messung von jedem Benutzer in die Berechnung der Punktzahl ist in der Matrix C. Jede Bewertung Si kann ausgedrückt werden als eine lineare Gleichung der folgenden Form:
    Figure DE102016101650A1_0029
  • Die Summierungen über j in Eq. (6) umfasst alle Benutzer, damit in den Expositionsbedingungen j erhält die Werte von 1 bis |U|. Optional kann der Begriff µ von Eq. (1) möglicherweise auch in den Klammern Wenn Eq. (6) geleitet, wo Sie sich mit µ(i,j) und stellt einen erwartet (oder durchschnittlichen) Wert einer Messung der affektiven Reaktion auf die Veranstaltung mit user j die Erfahrung entsprechend dem Ergebnis Si. Optional kann der Lärm Begriff εj hat eine ähnliche Funktion wie die Geräusche Faktoren Eq. (1) hinzugefügt werden können, die Summe in Eq. (6) Um die Fehler in der Schätzung der Messungen für einzelne Benutzer. Alternativ kann ein einziges Geräusch Begriff ε hinzugefügt werden können. (6) zur Darstellung der Fehler in der Schätzung der Score Si. Optional, wenn in Eq. (6) Lärm Begriffe stammen aus einer Null-mean Distribution, wie ein null-Mittelwert der Normalverteilung oder eine Null-mean Laplacian Verteilung.
  • µ(i,j) kann je nach der Ausführungsform unterschiedliche Werte angeben. In einem Beispiel, µ(i,j) wird auf Null gesetzt, zumindest für einige Paare (i, j). In einem anderen Beispiel, µ(i,j) ist ein Wert, der Mittelwert μ affektive Reaktion aller Benutzer oder einer Gruppe von Benutzern. Noch ein anderes Beispiel, µ(i,j) ist ein Wert, der von der Form µj repräsentieren den erwarteten affektive Reaktion des Benutzers j. Ein weiteres Beispiel, µ(i,j) ist ein Wert, der von der Form µe repräsentieren den erwarteten affektive Reaktion der Nutzer auf die Erfahrung e, ist die Erfahrung, die das Score Si entspricht. Und noch eine Verkörperung, µ(i,j) ist ein Wert, der die erwarteten affektive Reaktion der user j, die Erfahrung entsprechend dem Ergebnis Si. Optional kann der Wert von µ(i,j) mindestens für einige Paare (i, j) empfangen wird aus anderen Quellen (z.b., es kann aus einem oder mehreren Benutzern und/oder von einer dritten Partei). Optional kann der Wert von µ(i,j) mindestens für einige Paare (i, j) ist ein Schätzwert, errechnet durch den Gegner. Optional kann der Wert von µ(i,j) mindestens für einige Paare (i, j) ist ein Parameter vom θ, und ist optimiert als Teil der Ausbildung. Zum Beispiel µ(i,j) kann einen entsprechenden Faktor zugeordnet ist, ein bestimmtes Ereignis, bei dem der Wert µ(i,j) verwendet wird. So ist µ(i,j) kann als in einigen Ausgestaltungen zu einer Form von einer generellen Verlagerung, die mehrere Erfahrungen und/oder Benutzer.
  • Gl. (6) beschreibt die einzelnen Score sich zu einer linearen Kombination aus dem Produkt von Faktoren (F →(i,j)) und Bias Parameter (B →(j)) von θ. Optional, einige der Parameter konstant bleiben. Zum Beispiel, in einem Verkörperung, die Einträge in den Matrizen C und F sind als konstant, während Einträge in B gestimmt sind in der Optimierung. Also, die offenbarte Kerben S = {S1, ..., S} und der Matrizen C und F verwendet werden, erstellen Sie ein Set von k linearen Gleichungen. Die in der Kunst wird erkennen, dass Eq. (6) kann in verschiedenen Arten verwenden, S und θ zu phrase Optimierungsprobleme für optimale Werte für die Verzerrungen in B.
  • In einer Verkörperung, der Satz von linearen Gleichungen erstellt für die Scores S gelöst ist, um zu bestimmen, eine Zuordnung von Werten zu mindestens einige der Voreingenommenheit in B. Optional kann die Lösung der Satz von Gleichungen erfolgt mit dem Ziel der Minimierung der quadrierten Fehler (d.h., Minimierung der Σ k / i=1ε 2 / i ). Es gibt verschiedene numerische Analyse Ansätze für die Lösung von linearen Gleichungen, die bekannt sind, in der Kunst und kann verwendet werden, um die Werte in B. Zusätzlich, wenn der Lärm Begriffe εi sind, wird davon ausgegangen, dass sie aus einer normalen Verteilung mit der gleichen Varianz, die so erhaltene Lösung von der Lösung der linearen Gleichungssysteme ist die Maximum-Likelihood-Lösung.
  • In anderen Verkörperungen, Optimierungsprobleme für Zuordnungen basierend auf den Gleichungen ausgedrückt durch Eq. (6) gelöst werden kann mit einem oder mehreren der verschiedenen computational Ansätze bekannt, in der Kunst, wie lineare Programmierung (z.b. Simplex-basierte Methoden), konvexe Optimierung und/oder nichtlineare Programmierung.
  • In einer Verkörperung, die ausgewiesenen Punktzahlen und der Matrizen C, Bund F werden benutzt, um die Form ein Optimierungsproblem mit linearen Ungleichungen, Ziele zu finden, die Werte für Parameter θ, minimiert die Geräuschentwicklung Begriffe, müssen hinzugefügt werden (dies kann als slack-Parameter). Zum Beispiel, das Optimierungsproblem kann folgende Form haben:
    Figure DE102016101650A1_0030
  • Ähnlich wie in Eq. (6) µ(i,j) kann auf verschiedene Werte in verschiedenen Ausführungsformen, wie oben beschrieben. Gl. (7) ist eine lineare Programmierung Optimierungsproblem. In einer Verkörperung, die Parameter optimiert werden ein oder mehrere Einträge in B. Zusätzlich oder alternativ die Parameter optimiert kann eine oder mehrere Einträge in F und/oder einen oder mehrere Einträge in C. Ähnlich Eq. (6) µ(i,j) kann auf verschiedene Werte in verschiedenen Ausführungsformen, wie oben beschrieben. Die in der Kunst kann erkennen, dass die Optimierung der oben beschriebene Problem in Eq. (7) gelöst werden kann über verschiedene Ansätze für die Lösung der linearen Programmierung. In einigen Ausgestaltungen, das Optimierungsproblem kann erweitert werden, um zusätzliche Einschränkungen wie einschränkend die Größe von εi und/oder den Verzerrungen in B. Zusätzlich oder alternativ, eine Regularisierung Begriff für die gelernten Parameter hinzugefügt werden können, z. B. durch Drehen des Ziels zur Minimierung ∑ k / i=1|εi| + αΣj,h|bj,h| für einige α > 0.
  • In einigen Ausführungsarten, wenn Sie versuchen zu lernen, durch die Optimierung der Parameter θ eine objektive wie Eq. (7) die Optimierung eventuell auf Teil- und/oder unvollständige Daten; zum Beispiel teilweise Einträge in der Matrix C (z. B. wegen unvollständiger Überwachung der Benutzer). Also, wie oben beschrieben, einige der verwendeten Begriffe in das Optimierungsproblem kann sich auf allgemeine Benutzer (z. B. einem durchschnittlichen Benutzer) und/oder als zusätzliches Spiel Variablen in den Gleichungen. Optional kann diese Durchhang Variablen unterworfen werden können Regulierung und/oder Zwänge auf die Werte, die Sie annehmen können.
  • In einigen Ausgestaltungen, das Optimierungsproblem der linearen Programmierung kann erweitert werden, um die entsprechenden Gewichte für die k- Werte. Zum Beispiel, kann gewichtet nach der Anzahl der Benutzer, die Messungen zu ihrer Berechnung beigetragen. In einem anderen Beispiel, eine Kerbe, die SIch kann gewichtet nach der Gewissheit in den Werten der i-ten Zeile in C, die sich auf es. Optional ist eine Art und Weise, in der die Gewichtung integriert werden kann ist durch Hinzufügen k Gewicht Parameter w1, ..., wk, entsprechen den k Kerben. Optional, Eq. (7) möglicherweise geändert werden, um die Gewichte ändern, indem Sie die Optimierung Ziel an: ∑ k / i=1|wi.εi|.
  • Wie zuvor beschrieben in Bezug auf Eq. (4) und Gl. (5) Vorurteile können als Zufallsvariablen mit Parameter entsprechend eine Verteilung der Werte, in diesem Fall, der Suche nach den optimalen Werte für B kann als ein Problem des Findens eines Maximum-Likelihood-Lösung (die handelt es sich um eine Zuordnung von Werten zu B). Aber, im Gegenteil, ein Gegner ist nicht umfassende Informationen über Veranstaltungen, und insbesondere nicht zu haben, Informationen über Messungen von einigen oder allen Benutzern. Damit ist ein direkter Maximierung der Wahrscheinlichkeit, wie eine Optimierung der Wahrscheinlichkeit in Eq. (5), ist in der Regel nicht möglich. Stattdessen wird ein Gegner eventuell zur Maximierung der Wahrscheinlichkeit zu finden optimale Werte für θ basierend auf Proxies der Messungen, nämlich die Kerben und die Parameter im Modell θ.
  • In einer Verkörperung, die zuvor diskutierten Annahmen der Linearität sind ebenfalls angenommen, ähnlich den Annahmen in Bezug auf Eq. (6). Nämlich, dass eine Messung eines Benutzers ist eine lineare Funktion eines Produkts von Faktoren und Vorurteile (z. B. die Summe der Vorurteile), und dass eine Bewertung Si ist eine Funktion mit einer linearen Kombination von Messungen. Außerdem, wie beschrieben in Bezug auf Eq. (5) jede Voreingenommenheit bj,h in B kann davon ausgegangen werden, entsprechen einer Verteilung der Werte unter bestimmten Parametern (z. B. ein Mittelwert und Varianz). Unter diesen Annahmen wird die Wahrscheinlichkeit der beobachteten Daten von einem Gegner S kann ausgedrückt werden als eine Wahrscheinlichkeit, bedingte in θ, wie folgt:
    Figure DE102016101650A1_0031
  • Ähnlich wie in Eq. (6) µ(i,j) kann auf verschiedene Werte in verschiedenen Ausführungsformen, wie oben beschrieben. Unterschiedliche Ausgestaltungen einsetzen können verschiedene Ansätze für die Suche nach Werten von θ in Eq. (8) Für die Wahrscheinlichkeit P(S|θ) maximal ist. Beachten Sie, dass die Wahrscheinlichkeit P(S|θ) kann auch hier als die Wahrscheinlichkeit von θ angesichts der Daten S und L(θ bezeichnet;s), dieses ist, weil er gleichen Zuordnung zu θ maximiert die Wahrscheinlichkeit P(S|θ) maximiert die Wahrscheinlichkeit.
  • Ein analytischer Ansatz für eine Zuweisung für θ kann auch unter Berücksichtigung der Logarithmus von Eq. (8) ist der so genannte "log-Wahrscheinlichkeit", und die Suche nach einer maximalen durch Einstellung der Ableitung der log-Wahrscheinlichkeit auf 0. Wenn der Parameter, werden optimiert (z.b. bias Parameter) werden angenommen, entsprechen Normalverteilungen, wobei die Ableitung der log-Wahrscheinlichkeit in Bezug auf die Verzerrungen ergibt eine Reihe von linearen Gleichungen, die, wenn Sie gelöst, stellt ein Maximum Likelihood-Lösung.
  • Ein weiterer Ansatz für die Suche nach Werten θ, kann in einigen Ausgestaltungen ist wie in den folgenden Absätzen. Die in der Kunst kann erkennen, dass Eq. (8) entspricht einer Wahrscheinlichkeit Funktion, hat die Eigenschaft des Seins konvex, und als solche kann optimiert werden, so dass ein lokales Optimum mit konvexen Optimierung Ansätze wie Erwartung Maxiaturisierung. In solchen Optimierungsansätze, das Ziel ist es, ausgehend von einer ersten Zuweisung von Werten zu θ (bezeichnet θ0) und iterativ verfeinert die Werte in θ Um die Wahrscheinlichkeit zu erhöhen. (8) Beträge, die zur Erhöhung der Wahrscheinlichkeit. Aufgrund der Konvexität der Likelihood Funktion, der iterative Prozess gewährleistet ist, erhöhen die Wahrscheinlichkeit, dass in jeder Iteration, bis die Konvergenz in einem lokalen Optimum. So ist der iterative Prozess kann als Erzeugung einer aufeinander folgenden Reihe von Sätze von Parametern θ1, θ2, ..., Θ'θt-1t, so dass die Wahrscheinlichkeit in Eq. (8) erhöht typischerweise in jeder Iteration, d. h., in der Regel P(S|θt) > P(S|θt-1) für t > 0. Wenn die Wahrscheinlichkeit P(S|θt+1) kann nicht erhöht werden, oder der einzige erreichbare Steigerung unterhalb einer bestimmten Schwelle liegt, Konvergenz auf einem lokalen Optimum ausgegangen werden kann. Da die lokalen Optimum erreicht wird, ist nicht unbedingt die globale Optimum, es ist üblich (aber nicht notwendig), um den Vorgang mehrere Male mit verschiedenen Initialzuordnungen zu θ0 zur Erhöhung der Wahrscheinlichkeit des Erreichens einer lokalen Optimum, der sich in der Nähe, oder gleich, das globale Optimum. Im Folgenden ist ein Beispiel von, wie dieses iterativen Prozesses durchgeführt werden. Die in der Kunst wird erkennen, dass es auch andere Algorithmen und/oder Ableitungen, können eingesetzt werden, um das gleiche Ziel zu erreichen.
  • Es ist zu beachten, dass in verschiedenen Ausführungsarten, der Unterschied zwischen den verschiedenen Zuordnungen zu θ kann auch nur einen Teil der Parameter θ. Zum Beispiel, in einem Ausführungsbeispiel, Optimierung von θ kann nur Aktualisierung Einträge der Voreingenommenheit in B, während der Beitrag der Matrix C und die Matrix der Faktor Vektoren W angenommen werden konstant zu bleiben. In einer anderen Verkörperung, zusätzlich zur Aktualisierung mindestens einige der Einträge in B, oder anstelle der Aktualisierung dieser Einträge, bestimmte Einträge in C oder F aktualisiert werden können. Dies kann z. B. beinhalten, als Teil der Optimierung zu bestimmen, welche Benutzer trugen Messungen zur Berechnung bestimmter Kerben (d. h., Aktualisieren Werte bestimmter Zeilen in C).
  • In einigen Ausführungsformen, eine allgemeine Erwartung Gewinnmaximierung (GEM) Ansatz wird verwendet, um eine Zuordnung von Werten zu θ, für die die Wahrscheinlichkeit in Eq. (8) wird lokal optimal. Mit einem GEM-Algorithmus sind ein oder mehrere Parameter in θ in jeder Iteration in einer Weise aktualisiert, die die Wahrscheinlichkeit erhöht. Es ist zu beachten, dass in einigen Ausführungsformen, die Aktualisierung der Parameter in jeder Iteration ist nicht unbedingt die beste in Bezug auf die Erhöhung der Wahrscheinlichkeit. Vielmehr reicht bloß, dass für einen bestimmten Teil der Iterationen die Updates die Wahrscheinlichkeit erhöhen. Durch Wechsel zwischen Parametern in verschiedenen Iterationen und kontinuierliche Verbesserung die Wahrscheinlichkeit, die Juwel Algorithmus laufen auf einem lokal optimale θ.
  • Aktualisierung θt wird typischerweise durch die Verwendung von Werten θt-1 von einer vorherigen Iteration, und Änderung eines oder mehrerer Parameter, die Wahrscheinlichkeit zu erhöhen. In einer Verkörperung, θt wird durch zufällig Ändern einer oder mehrerer Parameter θt-1 bis die Wahrscheinlichkeit entsprechend Eq. (8) sich erhöht. In einer anderen Verkörperung, Zeile sucht und/oder Gradienten-basierten Verfahren werden zur Aktualisierung θt auf der Grundlage der vorherigen Iteration ist θt-1. In noch einer anderen Verkörperung, einen genetischen Algorithmus Ansatz wird verwendet, um die Wahrscheinlichkeit zu aktualisieren, in dem in jeder Generation die Zuweisungen, die gehalten werden, haben eine höhere Wahrscheinlichkeit als frühere Generationen.
  • In einigen Ausgestaltungen, das Optimierungsproblem des Findens eines Maximum-Likelihood-Zuordnung für θ kann erweitert werden, um die entsprechenden Gewichte für die k- Werte. Zum Beispiel, kann gewichtet nach der Anzahl der Benutzer, die Messungen zu ihrer Berechnung beigetragen. In einem anderen Beispiel, eine Kerbe, die SIch kann gewichtet nach der Gewissheit in den Werten der i-ten Zeile in C, die sich auf es. Optional ist eine Art und Weise, in der die Gewichtung integriert werden kann ist durch Hinzufügen k Gewicht Parameter w1, ..., wk, entsprechen den k Kerben und Multiplikation der Werte in jeder Zeile i in C durch die entsprechende wi.
  • In einigen Ausführungsarten, lernen bias Parameter θ ist ein Prozess, der sich im Laufe der Zeit durchgeführt. Zunächst, für bestimmte Benutzer, die Menge der Messdaten kann nicht ausreichen, um präzise lernen von bias Parameter. Damit entsprechenden Informationen an diese Benutzer kann als allgemeine Benutzer, selbst wenn Ihre Identität bekannt ist. Sobald eine ausreichende Menge an Daten für die Benutzer gesammelt, dann können Sie so behandelt werden, als identifizierte Benutzer (z. B. über eine entsprechende Spalte j der Matrix C und/oder die Parameter entsprechend der Benutzer in θ).
  • In einigen Ausführungsformen, beim Lösen von Gleichungen zu finden, setzt die Werte für die Vorspannung Parameter in θ, die Anzahl der Kerben (ausgedrückt durch den Wert k) sollte in der Regel größer sein als die Anzahl der Parameter gelernt (bezeichnet |θ|). In einigen Fällen, k werden erheblich größer als |θ|, z. B. mindestens 2 mal größer, 5 mal größer, oder mehr als 10 Mal größer als |θ|.
  • 18 – Risikobewertung auf der Grundlage eines gegnerischen Modells
  • Der vorangegangenen Diskussion in dieser Veröffentlichung beschrieben, wie ein Gegner Modell kann gelernt werden auf der Grundlage gelegt für Erfahrungen. In diesem Abschnitt werden einige Aspekte der Funktionsweise des Widersachers Modell (und Änderungen aufgrund offengelegt Scores) kann verwendet werden, um zu bestimmen, das Risiko für die Privatsphäre eines oder mehrerer Benutzer davon abzuhalten, eine oder mehrere Partituren, zu denen sie beigetragen haben.
  • In einigen Ausführungsformen, die vorgenannten Risikobewertung umfasst die Schätzung, welche zusätzlichen Informationen ein Gegner zugreifen können (zusätzlich zu der offenbarten Scores), und dann die Nachahmung des Modellierungsprozesses durch den Gegner mit den zusätzlichen Informationen. In einem Beispiel, diese zusätzlichen Informationen können auch Teile der Matrix C wie oben beschrieben, mit Informationen über den Gegner wahrscheinlich Überwachung von Benutzern, Informationen, die von den Nutzern selbst, und/oder Informationen, die von anderen Parteien. In einem anderen Beispiel, das zusätzliche Informationen können auch Messungen an bestimmte Benutzer (z.b. Messungen, die von den Benutzern selbst).
  • Eine Abschätzung der zusätzlichen Informationen ein Gegner haben dürfte, in einigen Ausführungsformen, die Beurteilung der Risiken für die Privatsphäre wird mit einem ähnlichen Algorithmus Ein Algorithmus ein Gegner verwenden kann, mit der offenbarten Kerben und den zusätzlichen Informationen, um einen oder mehrere Benutzer, die dazu beigetragen haben die Messungen für die Berechnung des Scores. Zum Beispiel, zu imitieren die Modellierung erfolgt durch einen Widersacher, ein System können eine oder mehrere der oben beschriebenen Ansätze, wie die lineare Programmierung oder maximum likelihood Ansätze. Optional kann dieser Prozess Ergebnis in einem Modell θ ^ , das ist eine Schätzung des Modells θ, dass der Widersacher haben dürfte, nach der Analyse der offenbarten Kerben und den zusätzlichen Informationen. Optional kann das Modell θ ^ speichert Schätzungen eines oder mehrerer Parameter, die beschreiben, private Informationen eines Benutzers, wie Schätzungen der Werte von einer oder mehreren Verzerrungen eines Benutzers (Einträge in B), Schätzungen der Beiträge der Benutzer (Einträge in C) und/oder Schätzung der Faktoren in Bezug auf den Benutzer (Einträge in F).
  • Das Modell θ ^ kann analysiert werden, in einigen Ausführungsarten, um die Gefahr für die Privatsphäre von der Veröffentlichung einer Reihe von Kerben S, dient zum Generieren θ ^ . Optional kann das Modell θ ^ kann als Vertreter einer wahrscheinlichen Zustand des Wissens ein Gegner über private Informationen zu Benutzern und/oder Erfahrungen hatten Sie nach der Bekanntgabe der Ergebnisse. Der Umfang und/oder Qualität der Stand der Kenntnisse der Widersacher kann über die private Informationen können auf verschiedene Weise ausgedrückt, wie im Folgenden beschrieben, Ausführungsarten.
  • In einer Verkörperung, Parameter θ ^ ausgewertet werden, um zu bestimmen, die Genauigkeit der Modellierung von privaten Informationen wahrscheinlich durch einen Gegner, wie die Genauigkeit der Werte zugewiesen bias Parameter in B. In einem Beispiel die Genauigkeit kann, ausgedrückt als Verhältnis zwischen der geschätzten Parameter (z.b. eine bestimmte Bias Wert eines bestimmten Benutzers) und dem Boden Wahrheit Wert für diesen Parameter, die bekannt ist, basierend auf einem Modell gelernt direkt aus den Messungen des Benutzers. Zusätzlich oder alternativ kann die Genauigkeit als eine Divergenz zwischen den geschätzten Verteilungen der Parameter und der Ground-Truth-Verteilung der Parameter ausgedrückt werden. Zusätzlich oder alternativ kann die Genauigkeit als eine Divergenz zwischen den geschätzten Verteilungen der Parameter und der Ground-Truth-Verteilung der Parameter ausgedrückt werden. Ein weiteres Beispiel ist die Genauigkeit von Parametern ausgedrückt werden kann, indem eine Größe von Vertrauen bars zugewiesen ist. Optional ist diese Zuversicht bars darstellen können, die Fehlermarge für Parameter in θ ^ Ordnung für einen bestimmten Anteil der Werte von Parametern in θ ^ das Vertrauen zu fallen. Zum Beispiel, die Richtigkeit kann ausgedrückt werden, wie die Größe des 95%-Konfidenzintervall Bars auf ±20% der Werte, was bedeutet, dass für 95% der Parameter in θ ^ , die in angegebenen Werte θ ^ sind innerhalb von 20 % aus dem Boden der Wahrheit; für die übrigen 5 %, kann der Fehler größer als 20%.
  • In einer anderen Verkörperung, die Parameter in θ ^ genutzt werden kann durch einen Prädiktor, Kerben, basierend auf einer Reihe von Nutzern, die wahrscheinlich dazu beigetragen Messungen der affektiven Reaktion, die verwendet wurden, um die Ergebnisse zu generieren. Zum Beispiel, der Prädiktor erhalten können Informationen über eine Reihe von Benutzern, wie z. B. die Gesamtzahl der Benutzer in der Gruppe und/oder Identitäten bestimmter Benutzer (oder aller Benutzer). Die Bewertung durch die Prädiktor stellt die Schätzung des Widersachers eine Bewertung auf der Basis der Röntgentechnik-Parameter Messungen der Verwender, die berücksichtigt verschiedene Parameter in der Hand des Feindes Modell wie zumindest einige der Vorurteile der Benutzer. Optional kann der Prädiktor nutzt eine Machine Learning Algorithmus, wie Regressionsmodell, ein Support Vektor für Regression, ein neuronales Netz, oder einen Entscheidungsbaum. Optional θ ^ besteht aus einem oder mehreren Parametern, die dazu verwendet werden, indem der Predictor, die sich aus laufenden Verfahren auf eine Schulung Schulung Daten aus einer oder mehreren Kerben für Erfahrungen.
  • Die Genauigkeit des Predictor (nachstehend auch als "predictive power") kann bestimmt mit einem Testset, offenbarten Kerben und Informationen über ihre entsprechenden legt der Benutzer (Benutzer, trugen die Messungen, aus denen die offenbarten scores berechnet wurden). Jede prognostizierte Ergebnis kann im Vergleich zu den korrespondierenden offengelegt Ergebnis Um einen Wert ein Indikator für die Genauigkeit der Vorhersage. Indem sie diese Werte für mehrere Kerben, ein Wert, der die Genauigkeit der Prädiktor ermittelt werden kann. Optional kann die Genauigkeit der Indikator kann als ein Indikator für die Genauigkeit der θ ^ , da die genauere die geschätzten Parameter in θ ^ , desto besser die Leistung der Predictor ist zu erwarten sein. Optional, Kerben im Testset sind nicht auch zu lernen θ ^ . Optional ist die Vorhersagekraft ausgedrückt werden kann durch verschiedene Werte in Bezug auf die Qualität der Vorhersagen wie quadratische Fehler (z. B. durchschnittliche Fehler eines prognostizierten Ergebnis) und/oder Error Rate (z.b. Anteil der vorhergesagten Kerben, deren Unterschied von der entsprechenden offengelegt Ergebnis eine bestimmte Schwelle überschreitet).
  • In einer weiteren Verkörperung, Parameter θ ^ ausgewertet werden, um den Umfang der Informationen, die Sie transportieren, wie z. B. die Anzahl der Bits von Informationen die Parameter und/oder die Entropie der Parameter (ausgedrückt als Zufallsvariablen aus einer bestimmten Verteilung). Zum Beispiel, Parameter, die bekannt sind nur geringfügig oder überhaupt nicht, vielleicht als Zufallsvariablen modelliert werden, die einheitlich sind und/oder eine hohe Varianz (zu schnelles Unsicherheit in ihren Werten). Dies kann dazu führen, dass eine hohe Entropie für die Parameter in θ ^ . Jedoch die Parameter bekannt sind im Detail modelliert werden kann als Zufallsvariablen, die Non-uniform und/oder haben eine geringe Varianz (zum Ausdruck weniger Unsicherheit in ihren Werten). Dies kann dazu führen, dass eine geringere Entropie für die Parameter in θ ^ . So ist die Entropie der θ ^ oder anderen informationsbezogenen Statistik θ ^ kann als Indikator für das Ausmaß der Modellierung von Benutzern von Daten aus offengelegt. In einem anderen Beispiel, das Modell θ ^ kann mit anderen Informationen basierenden Kriterien, wie die Akaike Information Criterion (AIC), die ein Maß für die relative Qualität eines statistischen Modells angesichts der Anzahl der Parameter in das Modell und die Wahrscheinlichkeit der Daten.
  • Es ist zu beachten, dass in einigen Ausführungsarten, die Analyse θ ^ zur Ermittlung der Genauigkeit in Bezug auf den Boden der Wahrheit verlangen, Zugang zu Informationen, die möglicherweise als privat angesehen. Diese privaten Informationen erforderlich, um zu ermitteln, welche den Boden Wahrheit ist mit Bezug auf mindestens einige der Parameter θ ^ . Optional kann die private Informationen können im Zusammenhang mit Sätzen von Veranstaltungen entsprechend mindestens einige der offenbarten Kerben zu lernen θ ^ . Zum Beispiel können die Informationen gehören Informationen zur Identifizierung von Benutzern, Informationen über Faktoren in Bezug auf die Erfahrungen der Nutzer, und/oder die Werte der Messungen der affektiven Reaktion der Nutzer. Optional können die Informationen gehören Werte von Verzerrungen (z.b. bias Werte von einigen Benutzern) und/oder andere Parameter berechnet basierend auf Messungen der affektiven Reaktion der Nutzer.
  • Darüber hinaus in anderen Verkörperungen, analysieren θ ^ um festzustellen, Risiko für die Privatsphäre kann keinen Zugang zu privaten Informationen. Zum Beispiel, die Bestimmung der Vorhersagekraft der ein Prädiktor Verwendung θ ^ und/oder der darin enthaltenen Informationen θ ^ (z.b. über die Entropie der Parameter in θ ^ ) kann in einigen Ausführungsformen, ohne Zugriff auf Informationen, die möglicherweise als private Informationen von Benutzern.
  • Die Ergebnisse einer Auswertung der Parameter in θ ^ (z. B. die Genauigkeit, die Vorhersagekraft, und/oder die Entropie, wie oben beschrieben) können in einigen Ausgestaltungen zur Bewertung der Risiken für die Privatsphäre. Optional kann der Betrag einer ermittelte bei der Auswertung der Parameter in θ ^ Ausdrücken kann das Ausmaß der Gefahr für die Privatsphäre. Zum Beispiel, die Genauigkeit der Parameter θ ^ (z. B. das Verhältnis gegenüber dem Ground Truth) ist ein Wert, der angibt, das Risiko; je näher der Wert an 1 ist, desto höher ist das Risiko (da Benutzer genauer modelliert). Ebenso wird die weitere Vorhersagekraft ein Prädiktor, verwendet θ ^ hat, desto mehr Risiko gibt es auf Privatsphäre (da die genauen Werte sind wahrscheinlich das Produkt eine genaue Modellierung der Benutzer). Optional ist die Tatsache, dass ein Wert, der sich aus der Auswertung der Parameter in θ ^ einen bestimmten Schwellwert erreicht kann das Ausmaß der Gefahr für die Privatsphäre. Zum Beispiel, wenn die Entropie der θ ^ Unterschreitung einer bestimmten Anzahl von Bits, kann dies darauf hinweisen, dass die Privatsphäre der Nutzer mit den entsprechenden Parametern in θ ^ gefährdet werden können (da die niedrige Entropie spiegelt die Menge des Wissens über die Benutzer einen bestimmten Schwellwert erreicht).
  • In einigen Ausführungsformen, die Gefahr für die Privatsphäre ausgewertet werden und/oder für einen einzelnen Benutzer und/oder auf Benutzerbasis. Zum Beispiel, das Risiko zu einem bestimmten Benutzer richtet sich nach der Genauigkeit der Parameter entsprechend der bestimmte Benutzer (z.b. die Verzerrungen in θ ^ der bestimmte Benutzer). Optional, wenn die durchschnittliche Genauigkeit der geschätzten Parameter entsprechend der bestimmten Benutzer ein bestimmtes Niveau erreicht, z. B. innerhalb von 5%, 10% oder 25% vom Boden der Wahrheit, dann ist das sicher die Privatsphäre ist in Gefahr. Optional kann die Gefahr für die Privatsphäre der Benutzer ist in Bezug auf die Genauigkeit der geschätzten Parameter entsprechend der bestimmte Benutzer. In einem anderen Beispiel, das Risiko für einen Benutzer kann ausgedrückt werden, wie die Entropie der Parameter entsprechend der bestimmte Benutzer. Optional, die bestimmte Benutzer kann als gefährdet, wenn die Entropie der Parameter in den θ ^ entsprechenden für die bestimmten Benutzer unter eine bestimmte Grenze sinkt.
  • In einigen Ausführungsformen, die Gefahr für die Privatsphäre ausgewertet werden und/oder mit Bezug auf eine Gruppe von Benutzern, zum Beispiel, das Risiko kann ausgedrückt als Mittelwert der Gruppe der Benutzer und/oder andere Statistiken entsprechend der Gruppe (z. B. Modus oder Median). Zum Beispiel, das Risiko für eine Gruppe von Benutzern, die über die entsprechenden Parameter im θ ^ Mai ausgedrückt werden, wie die durchschnittliche Genauigkeit der Parameter und/oder das durchschnittliche Pro-Genauigkeit. Optional können Sie die Gruppe der Benutzer kann als gefährdet, wenn die durchschnittliche Genauigkeit innerhalb einer bestimmten Ebene aus dem Boden der Wahrheit, wie innerhalb von 5 %, 10 %, 25 % oder 50 % der Masse der Wahrheit.
  • Bei der Bewertung der Gefahr auf Benutzerbasis (d. h., die Gefahr für die Privatsphäre der einzelnen Benutzer kann separat bewertet), in einigen Ausführungsformen, die Gefahr für die Privatsphäre einer Gruppe von Benutzern kann sich über eine Statistik der pro-Anwender Risikobewertungen. Zum Beispiel, das Risiko kann durch den Durchschnitt der pro Benutzer Risiken, das Maximum, das Durchschnittseinkommen, und/oder den Modus. Optional, wenn die Statistik ein bestimmtes Niveau erreicht, dann ist die ganze Gruppe von Benutzern kann als gefährdet.
  • In einigen Ausführungsarten, Analyse der Risiken für die Privatsphäre im Zusammenhang mit der Offenlegung Die Punktzahl kann verglichen eine aktuelle geschätzte Modell θ ^ , mit einer aktualisierten geschatzte Modell θ ^' , das ergibt sich durch die Einbeziehung von Informationen, die von der Offenbarung eines oder mehrerer Kerben für Erfahrungen. Optional, Ergebnisse des Vergleichs kann angeben, wie viel zusätzliche Informationen aus der Offenlegung und/oder wie viel die Modellierung verbessert hat aus der Offenbarung. Das Modell θ ^ kann ein Modell aus zuvor Kerben oder ein Modell generiert aus vorherigen Wahrscheinlichkeitsverteilungen für Parameter, die einen Gegner wahrscheinlich verwendet. Also, in diesen Verkörperungen, θ ^ kann als Ausgangspunkt dienen, von denen zu Beginn der Analyse der Risiken im Zusammenhang mit der Offenlegung des einen oder mehrere Partituren. Optional θ ^' ist eine aktualisierte Version von θ ^ , erzeugt aus θ ^ durch Änderung eines oder mehrerer Parameter in θ ^ auf der Grundlage eines oder mehrerer offengelegt.
  • Wenn ein Unterschied zwischen θ ^ und θ ^' wird verwendet, um zu analysieren, ein Risiko für die Privatsphäre, der Unterschied kann auf unterschiedliche Art und Weise in verschiedenen Ausführungsarten. Optional ist der Unterschied zwischen θ ^ und θ ^' können sich durch berechnete Wert basierend auf θ ^ und θ ^' (z. B. durch Behandlung θ ^ und θ ^' als Vektoren und einem Vektor repräsentieren θ ^' – θ ^ ). Optional kann eine Funktion, wertet das Risiko erhält den Wert berechnet basierend auf θ ^ und θ ^' , und verwendet den Wert für die Berechnung der Risiken. Optional ist der Unterschied zwischen θ ^ und θ ^' können sich durch mindestens einen ersten Wert aus θ ^ und mindestens einen zweiten Wert von θ ^' . Optional kann eine Funktion, wertet das Risiko erhält die erste und zweite Werte als Eingabe und nutzt den ersten und zweiten Werte zur Berechnung des Risikos.
  • In einer Verkörperung, der Unterschied zwischen θ ^ und θ ^' kann eine zusätzliche Genauigkeit auf ein oder mehrere Parameter mit Bezug auf den Boden der Wahrheit. In einem Beispiel wird der Unterschied zwischen θ ^ und θ ^' zeigt an, wie viel näher an den Wert einer gewissen Voreingenommenheit ist im θ ^' Vergleich zu dem Wert des bestimmten bias in θ ^' . In einem anderen Beispiel, den Unterschied zwischen θ ^ und θ ^' kann den Unterschied zwischen einem ersten Verhältnis zwischen Werten von einem oder mehreren Parametern θ ^ und deren entsprechende Masse Wahrheitswerte, und zweitens das Verhältnis zwischen Werten des einen oder mehrere Parameter θ ^' und deren entsprechende Masse Wahrheitswerte.
  • In einer anderen Verkörperung, die Differenz zwischen θ ^ und θ ^' ausgedrückt werden können in Bezug auf eine Differenz von Vorhersagekraft zwischen Wenn Ein Prädiktor nutzt Parameter in θ ^ eine Kerbe für eine Gruppe von Benutzern, die über eine gewisse Erfahrung und wenn der Prädiktor nutzt Parameter in θ ^' die Partitur zu prognostizieren. Optional kann die Differenz, ausgedrückt als Änderung zu einem Wert, der sich auf die Qualität der Vorhersagen, wie der Unterschied in der quadrierten Fehler und/oder die Fehlerquote.
  • In einer weiteren Verkörperung, der Unterschied zwischen θ ^ und θ ^' kann zusätzliche Informationen über Parameter modelliert. In einem Beispiel wird der Unterschied zwischen θ ^ und θ ^' ist bezeichnend für Divergenz zwischen einer ersten Verteilung eines Parameters in beschrieben θ ^ und eine zweite Verteilung des Parameters beschrieben in θ ^' . In einem anderen Beispiel, den Unterschied zwischen θ ^ und θ ^' ist ein Hinweis auf einen Unterschied zwischen zwei Unterschiede. Optional kann die erste Abweichung ist zwischen einer ersten Verteilung eines Parameters in beschrieben θ ^ und eine bestimmte Verteilung der Parameter und der zweite Divergenz ist zwischen einer zweiten Verteilung des Parameters beschrieben θ ^' und die bestimmte vor Verteilung des Parameters. Noch ein anderes Beispiel, den Unterschied zwischen θ ^ und θ ^' ist bezeichnend für die gegenseitige Information zwischen einer ersten Verteilung eines Parameters in beschrieben θ ^ und eine zweite Verteilung des Parameters beschrieben in θ ^' . Und noch ein weiteres Beispiel, den Unterschied zwischen θ ^ und θ ^' ist ein Hinweis auf den Unterschied zwischen einem Wert entsprechend der Entropie einer Verteilung eines Parameters in θ ^ einem Wert entsprechend der Entropie eines Verteilung des Parameters beschrieben in θ ^' .
  • Die Ergebnisse eines Vergleichs θ ^ verwendet und θ ^' können in einigen Ausführungsformen, zur Bewertung der Risiken für die Privatsphäre. Optional kann der Betrag einer Differenz zwischen θ ^ und θ ^' kann das Ausmaß der Gefahr für die Privatsphäre im Zusammenhang mit der Offenbarung des einen oder mehrere Kerben, wurden verwendet, Aktualisieren der geschätzten Modell eines Widersachers von θ ^ zu θ ^' . Zum Beispiel, das Ausmaß der Erhöhung der Genauigkeit der Parameter kann ein Wert, der angibt, das Risiko, desto größer ist die Verbesserung, desto höher das Risiko (seit Benutzer genauer modelliert werden θ ^' im Vergleich zu dem, wie Sie modelliert wurden in θ ^ . Ähnlich ist, desto größer ist die Änderung in der Vorhersagekraft von Prädiktoren mit θ ^ und θ ^' , die mehr Risiko gibt es auf Privatsphäre (da die Steigerung der Genauigkeit ist wahrscheinlich die Art der Aktualisierung der Modelle). Optional ist die Tatsache, dass die Differenz zwischen θ ^ und θ ^' einen bestimmten Schwellwert erreicht kann das Ausmaß der Gefahr für die Privatsphäre. Zum Beispiel, wenn der Unterschied in der Entropie zwischen θ ^ und θ ^' wird über eine bestimmte Anzahl von Bits, kann dies darauf hinweisen, dass die Privatsphäre der Nutzer mit den entsprechenden Parametern in θ ^ gefährdet werden können (da die niedrigere Entropie von θ ^' spiegelt den Betrag der zusätzlichen Wissens über die Benutzer einen bestimmten Schwellwert erreicht).
  • Beim Vergleich zwischen θ ^ und θ ^' zu bewerten Risiko für die Privatsphäre, in einigen Ausführungsformen, die Differenz zwischen θ ^ und θ ^' (z.b., ausgedrückt als Änderung an Genauigkeit, Prognosefähigkeit und/oder Entropie) können normalisiert werden, um einen Verlust der Privatsphäre. Optional kann die Normalisierung erfolgt mit Bezug auf die Anzahl der Kerben, wurden verwendet, Aktualisieren der geschätzten Modell aus θ ^ , θ ^' und/oder in Bezug auf die Anzahl der Benutzer, die beigetragen haben Messungen wird zur Berechnung des Offenbarten. Zum Beispiel, ein Wert, der die Differenz in der Entropie θ ^ und θ ^' kann geteilt durch die Anzahl der Kerben, wurden verwendet, Aktualisieren der geschätzten Modells von θ ^ auf θ ^' , um eine Rate des Verlustes der Privatsphäre, können in Bits von Informationen, durch die Gegner pro offengelegt. Optional kann der Wert der Rate der Privatsphäre Verlust ist ein Indikator für das Risiko für die Privatsphäre der Nutzer. Optional, wenn die Rate der Privatsphäre Verlust übersteigt einen bestimmten Tarif, die Privatsphäre der Benutzer gilt als gefährdet. Optional kann ein Satz von Privatsphäre Verlust kann pro Benutzer berechnet werden, d. h. auf der Grundlage der Differenz zwischen dem entsprechenden Parameter zu einem bestimmten Benutzer in θ ^ und θ ^' . Optional, wenn die Rate der Privatsphäre Verlust der bestimmte Benutzer eine bestimmte Grenze übersteigt, die Privatsphäre der Benutzer gilt als gefährdet.
  • In einigen Ausführungsformen, die Gefahr für die Privatsphäre im Zusammenhang mit einer Änderung in einem Modell des Widersachers von θ ^θ ^′ ausgewertet werden für einen einzelnen Benutzer und/oder auf Benutzerbasis. Zum Beispiel, das Risiko für einen bestimmten Benutzer wird bestimmt auf der Grundlage der erhöhten Genauigkeit auf die Parameter entsprechend der bestimmten User (z.b. erhöhte Genauigkeit der Werte der Voreingenommenheit des Benutzers im θ ^' Vergleich zu den Werten in θ ^ ). Optional, wenn die durchschnittliche Steigerung der Genauigkeit der geschätzten Parameter entsprechend der bestimmten Benutzer ein bestimmtes Niveau erreicht, z. B. eine Verbesserung von 5%, 10% oder mehr als 25%, dann ist das sicher die Privatsphäre ist in Gefahr.
  • In einigen Ausführungsformen, die Gefahr für die Privatsphäre im Zusammenhang mit einer Änderung in einem Modell des Widersachers von θ ^θ ^' ausgewertet werden mit Bezug auf eine Gruppe von Benutzern. Zum Beispiel, das Risiko für eine Gruppe von Benutzern kann ausgedrückt werden als die durchschnittliche Steigerung der Genauigkeit der Parameter und/oder das durchschnittliche Pro-Genauigkeit. Optional können Sie die Gruppe der Benutzer kann als gefährdet, wenn die durchschnittliche Steigerung der Genauigkeit ein bestimmtes Niveau erreicht wie mindestens 3 %, 5 %, 10 %, 25 % oder 50 %.
  • Die Analyse der Risiken für die Privatsphäre wie oben beschrieben, können in eine probabilistische festlegen, die berücksichtigt, Annahmen über den Umfang der Informationen ein Gegner wahrscheinlich hat (z.b. die ausgewiesenen Punktzahlen S, einen Beitrag Matrix C, und/oder die Matrix der Faktor Vektoren F, erwähnt).
  • In einer Verkörperung, die Analyse von Risiken für die Privatsphäre von Offenlegung eines Satzes S bestehend aus einem oder mehreren Kerben kann die Bestimmung einer Verteilung der Werte, wird erzeugt durch die Analyse einer Vielzahl von Modellen Θ ^ = {θ ^1, θ ^2, ..., θ ^r} . Optional ist die Analyse mehrerer Modelle können zusätzlich zu den oder anstelle der Analyse eines einzelnen Modells θ ^ , wie oben beschrieben. Ähnlich wie bei der Analyse eines einzelnen Modells θ ^ , Distributionen lernte vom Θ ^ Mai beschreiben verschiedene Wahrscheinlichkeiten, die möglicherweise im Zusammenhang mit einem Ausmaß von Risiken für die Privatsphäre der Nutzer. Zum Beispiel, diese Wahrscheinlichkeiten beschreiben können, die Wahrscheinlichkeit, dass die Genauigkeit der Parameter in den Modellen von S ein bestimmtes Niveau erreicht, ist die Wahrscheinlichkeit, dass die Vorhersagekraft der Prädiktor ausgebildet mit S ein bestimmtes Niveau erreicht, und/oder die Wahrscheinlichkeit, dass ein Modell ausgebildet von S enthält eine bestimmte Anzahl von zusätzlichen Informationen.
  • Die Analyse mehrere Modelle kann eine probabilistische Antworten auf Fragen in Bezug auf die Gefahr für die Privatsphäre im Zusammenhang mit der Offenlegung eine Reihe von Kerben S. In einem Beispiel, Analyse mehrere Modelle geben können, ist die Wahrscheinlichkeit, dass die Offenlegung S führen kann, einen Gegner zu einem Modell, bei dem die durchschnittliche Genauigkeit eines bias Parameter innerhalb einer bestimmten Ebene aus dem Boden der Wahrheit, wie innerhalb von 5%, 10%, 25% oder 50% vom Boden der Wahrheit. In einem anderen Beispiel, Analyse mehrere Modelle geben können, ist die Wahrscheinlichkeit, dass die Offenlegung S führen kann, einen Gegner zu einem Modell mit einem entsprechenden Vorhersagekraft, übersteigt einen bestimmten Tarif, wie ein quadratischer Fehler unterhalb einer bestimmten Rate. Ein weiteres Beispiel ist die Analyse mehrerer Modelle geben können, ist die Wahrscheinlichkeit, dass die Offenlegung S führen kann, einen Gegner zu gewinnen, mindestens eine bestimmte Menge an Informationen (das entspricht einem Rückgang von mindestens einem gewissen Grad in die Entropie eines Modells).
  • In einem Beispiel, Analyse mehrere Modelle umfasst Lernen Parameter einer Verteilung der Werte, beschreiben kann das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung eine Reihe von Kerben S. optional, die Verteilung beschreibt Wahrscheinlichkeiten der Beobachtung verschiedener Werte, können extrahiert werden aus der Analyse eines Modells, ausgebildet wird, auf Daten, die in der Offenlegung von S (z.b. Daten aus S und einen entsprechenden Beitrag zu Matrix C und/oder eine Matrix von Faktor Vektoren F). Optional kann die Verteilung kann auch eine Verteilung der Werte wie die Genauigkeit der Parameter in einem Modell geschult, die Vorhersagekraft der Prädiktor mit dem trainierten Modell und/oder die Informationen von der gelernte Modell. Beispiele der Parameter, kann gelernt werden, beschreiben die Distributionen gehören Momente (z.b. Mittelwert und Varianz) und andere Parameter von verschiedenen parametrische Distributionen (z.b., normal, Laplace, Gamma).
  • In einem anderen Beispiel, Analyse mehrere Modelle umfasst das Erstellen einer Histogramm, beschreibt das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung eine Reihe von Kerben S. optional, wird das Histogramm beschreibt Wahrscheinlichkeiten der Beobachtung verschiedener Werte in Bezug auf die Gefahr für die Privatsphäre, können extrahiert werden aus der Analyse eines Modells, ausgebildet wird, auf Daten, die in der Offenlegung von S. optional, wird das Histogramm beschreiben können Werte wie die Genauigkeit der Parameter in einem Modell geschult, die Vorhersagekraft der Prädiktor mit dem trainierten Modell und/oder die Informationen von der gelernte Modell.
  • In einigen Ausführungsarten, mehrere Unterschiede zwischen den verschiedenen Modellen verwendet werden kann, um zu erfahren, Verteilungen von Werten für das Risiko der Privatsphäre von Nutzern Gebühren zu aktualisieren Modelle auf der Grundlage gelegt. Optional kann diese Analyse kann zusätzlich zu einer Bestimmung eines Wertes aus einem einzigen Unterschied zwischen Modellen θ ^ und θ ^' (wo θ ^′ ist ein Update von θ ^ basierend auf offengelegt Scores), wie oben beschrieben. Optional, die mehrere Unterschiede werden durch: Unterschiede zwischen den verschiedenen Modellen θ ^ ∈ Θ ^ und einem Modell θ ^' , Auswertung Unterschiede zwischen einem Modell θ ^ und verschiedene aktualisierte Modelle θ ^' ∈ Θ ^' = {θ ^′1, θ ^′2, ..., θ ^′} , und/oder Bewertung der Unterschiede zwischen verschiedenen Paare von Modellen θ ^ ∈ Θ ^ und θ ^′ ∈ Θ ^′ . Ähnlich wie bei der Analyse einer einzelnen Unterschied gibt zwischen einem Modell θ ^ und ein aktualisiertes Modell θ ^′ , Distributionen gelernt aus mehreren Unterschiede beschreiben verschiedene Wahrscheinlichkeiten, die möglicherweise im Zusammenhang mit einem Ausmaß von Risiken für die Privatsphäre der Nutzer. Zum Beispiel, diese Wahrscheinlichkeiten beschreiben können, die Wahrscheinlichkeit, dass die Genauigkeit der Parameter in den Modellen von S um bestimmte Ebene beim Aktualisieren der Modelle aus θ ^, θ ^′ die Wahrscheinlichkeit, dass die Vorhersagekraft der ein Prädiktor ausgebildet mit S um bestimmte Ebene beim Aktualisieren der Modelle von θ ^ zu θ ^' , und/oder die Wahrscheinlichkeit, dass die Aktualisierung von Modellen aus θ ^, θ ^′ basierend auf S Beteiligten immer eine bestimmte Menge an Informationen.
  • In einigen Ausführungsformen, probabilistische Analysen, wie die oben beschriebenen Analysen, bei denen die Generierung einer Pluralität von Modellen Θ ^ und/oder eine Vielzahl von aktualisierten Modelle Θ ^' . Optional können Sie die verschiedenen Modelle vom Θ ^ und/oder Θ ^' kann auf unterschiedliche Weise generiert werden. Optional können Sie die verschiedenen Modelle vom Θ ^ und/oder Θ ^' werden aus den gleichen Satz von Trainingsdaten, oder einen ähnlichen Satz. In einem Beispiel, verschiedene Modelle kann erzeugt werden durch die Verwendung verschiedener algorithmischer angefahren (z.b. verschiedene Optimierungen und/oder Algorithmen für Recherchen im Parameterraum). In einem anderen Beispiel, verschiedene Modelle kann erzeugt werden durch die Verwendung unterschiedlicher Initialisierungsparameter (z.b. verschiedene Anfangswerte θ0 aus, welche unterschiedlichen Modelle θ ^ entstehen nach der Konvergenz). Optional können Sie die verschiedenen Modelle vom Θ ^ und/oder Θ ^' kann erzeugt werden aus verschiedenen Datenquellen, wie z. B. verschiedene Untermengen der offenbarten Kerben S, verschiedenen Matrizen Cund/oder verschiedenen Matrizen F.
  • Die in der Kunst erkennen kann, dass es verschiedene randomisierte Ansätze wie Monte Carlo Simulationen, kann verwendet werden, um Modelle, die zu Sets gehören, Θ ^ und/oder Θ ^' , wie oben beschrieben. Insbesondere in einigen verschiedenen Ausführungsarten, randomisierten Verfahren subsampling, Zusatz von Lärm, Resampling, und/oder generative Ansätze kann verwendet werden, um die Einstellung von Modellen Θ ^ und/oder Θ ^' für die Analysen wie oben beschrieben.
  • In einigen Ausführungsarten, die Modelle der Sätze Θ ^ und/oder Θ ^' generiert werden, zumindest teilweise, mit Resampling zum Erzeugen mehrerer Datensätze, aus denen die Modelle Θ ^ und/oder Θ ^' geschult werden. Optional, Resampling, um die Auswahl nach dem Zufallsprinzip eine bestimmte Anzahl von Kerben von S und die entsprechenden Zeilen in C und F Um ein Dataset. Wahlweise kann jedes Ergebnis in S und die entsprechenden Zeilen in C und F ausgewählt werden kann mehr als einmal.
  • In einigen Ausführungsarten, die Modelle der Sätze Θ ^ und/oder Θ ^' generiert werden, zumindest teilweise, mit einem generativen Ansatz. Optional ist ein generativer Ansatz ermöglicht die Erstellung von Modellen Θ ^ und/oder Θ ^' zufällig, ohne sich auf einen bestimmten Satz von Kerben S, einen Beitrag Matrix C, und/oder eine Matrix von Faktor Vektoren W, generiert wurden, von den tatsächlichen Messungen der affektiven Reaktion der Nutzer.
  • In einer Verkörperung, die generativen Ansatz kann auch eine "meta-Modell" für die Modelle in Sätzen Θ ^ und/oder Θ ^' , die INCLUDE-Parameter von Verteilungen, kann verwendet werden, um zufällig Generieren eines Modells. Zum Beispiel, die meta-Modell kann gehören Parameter beschreiben Verteilungen für Verzerrungen der typische Anwender. So, Zeichnung zufällige Werte aus den Verteilungen beschrieben durch die meta-Modell generiert möglicherweise ein Modell, das die Werte, die aussehen wie sie generiert wurden von einem echten Dataset und/oder ein Modell, das die statistischen Eigenschaften ähnlich sind Modelle von realen Datensätzen erzeugt.
  • 19 – Risikofunktionen
  • Einige der Ansätze für die Analyse der Risiken für die Privatsphäre diskutiert über die Analyse von Modellen generiert basierend auf Daten im Zusammenhang mit der offenbarten Kerben (z.b. eine Reihe von offenbarten Kerben S, einen entsprechenden Beitrag zu Matrix C, und/oder einer entsprechenden Matrix von Faktor Vektoren F). Allerdings ist die Analyse der Risiken für die Privatsphäre darf nicht notwendigerweise Zugriff auf die eigentlichen Daten in Bezug auf die ausgewiesenen Ergebnisse. Vielmehr in einigen Verkörperungen, wie unten beschriebenen Ausführungsformen, die Analyse der Risiken für die Privatsphäre kann sich auf Werte beschreiben, dass die offenbarten Daten, wie z. B. Statistiken entsprechend der offenbarten Kerben S, den Beitrag Matrix C, und/oder die Matrix der Faktor Vektoren F. Zusätzlich oder alternativ, in einigen Ausführungsarten, die Analyse der Risiken für die Privatsphäre kann sich auf Werte, die beschreiben, Annahmen über den Umfang und/oder Richtigkeit der Daten der Gegner haben, wie der Anteil der Einträge in C und/oder F der Widersacher haben Zugang zu und/oder die Richtigkeit der Einträge in der Hand des Feindes Version von C und/oder F.
  • Es ist zu beachten, dass in einigen Ausführungsarten, die Analyse der Risiken für die Privatsphäre basierend auf Statistiken zur Beschreibung der offenbarten Daten und/oder Annahmen über die Widersacher hat den Vorteil, dass Sie nicht benötigen Zugriff auf die vollständigen Daten (z.b. ground truth Daten aus Messungen der affektiven Reaktion und/oder den tatsächlichen Beitrag Informationen). So, diese Analyse durchgeführt werden kann, in einem weniger eingeschränkt als Analyse, erfordert den Zugriff auf die vollständigen Daten. Zum Beispiel, die Analyse der Risiken für die Privatsphäre kann durch eine dritte Partei, die bestimmt, ob dazu beitragen, Messungen von Benutzern und/oder die Noten, die auf der Basis der Messwerte berechnet wurden. Optional ist der Dritte nicht in eine Entität, die Aggregate die Messungen der affektiven Reaktion (z. B. die Sammlung Modul 120) und/oder berechnet die Kerben auf der Grundlage der Messungen (z.b. die zählende Modul 150).
  • In einigen Ausführungsarten, die Analyse von Risiken für die Privatsphäre wird ein Wert entsprechend dem Risiko basierend auf Werten beschreiben Attribute in Bezug auf die veröffentlichten Daten und/oder auf einen Gegner, wird erwartet, um die Modellierung auf der Grundlage der offenbarten Daten. Optional kann der Wert entsprechend der Gefahr erzeugt mit Risiko Funktion Modul 849. Das Risiko Funktion Modul 849 kann als Prädiktor, da es berechnet einen Wert (Indikator für das Risiko für die Privatsphäre) basiert auf dem Input aus über Werte, die für die Attribute in Bezug auf die veröffentlichten Daten und/oder der Gegner.
  • In der hierin beschriebenen Ausführungsformen, die Gefahr Funktion Modul 849 nutzen können verschiedene Modelle genannt Risikomodelle (z.b. Risiko Modell 847 Modell 855, Risiko, Risiko Modell 873 Modell 881, Gefahr und Risiko Modell 890). Jedes Risiko modell gehören möglicherweise mehrere Parameter, die genutzt werden kann, indem das Risiko Funktion Modul 849 zum Generieren der Wert repräsentiert die Gefahr für die Privatsphäre. Die verschiedenen Modelle entsprechen nicht den gleichen Satz von Funktionen (d. h., sie kann für die Darstellung von Funktionen mit unterschiedlichen Domänen). Außerdem, selbst wenn die unterschiedlichen Modelle haben die gleiche Domain, brauchen Sie nicht unbedingt Voraussagen über die gleichen Werte für den gleichen Eingang (d. h. Sie kann verwendet werden, um verschiedene Funktionen zu berechnen).
  • In einigen Ausführungsformen, ein Risikomodell, eingesetzt durch das Risiko Funktion Modul 849 kann manuell erzeugt werden (z.b. durch einen Sachverständigen und/oder eine Einheit, durchsetzen will eine eigene Datenschutzerklärung, die Offenlegung der Nutzdaten). In einem Beispiel, eine manuelle Risikomodell Mai kodieren, einen Satz von Vorschriften für einen Entscheidungsbaum, dient zum Zuweisen von Risiko. Eine manuell generierte Risikomodell verwendet werden kann, Regeln aufzustellen, die verwendet werden können, verschiedene Aspekte der Offenlegung von Daten. In einem Beispiel, manuell codierten Regeln können einer Risikostufe für einen Benutzer zu proportional zu der Menge von Messungen der Benutzer trägt zu gelegt. Zum Beispiel, die Offenlegung einer Partitur, zu denen der Benutzer trägt eine Messung, nach einem Beitrag fünf Messungen am gleichen Tag, kann als ein hohes Risiko. In einem anderen Beispiel, das Risiko kann an die Anzahl der Benutzer, die Messungen zu einem Ergebnis. So zum Beispiel, wenn weniger als 10 Benutzer Beitrag zum Ergebnis, das Risiko ist zu hoch, wenn die Zahl von 10 bis 20, das Risiko ist Medium, und wenn die Anzahl der Benutzer, die größer ist als 20, ist die Gefahr gering ist. Wie diese Beispiele zeigen, manuelle Erstellung von Risikomodellen kann zu Generierung von verschiedenen, möglicherweise komplexe IT-Funktion, die verwendet werden, um komplexe Verhaltensweisen für Module, die Weitergabe von Daten (z. B. die Privatsphäre Filtermodul 810 und die Messung Filter Modul 883).
  • In einem Ausführungsformen, ein Risikomodell, eingesetzt durch das Risiko Funktion Modul 849 wird mit einer Maschine learning-based training Algorithmus. Damit das Risiko Funktion Modul 849 kann als Umsetzung einer machine learning-basierte Prädiktor, wie ein neuronales Netz, ein Support Vector Machine, eine zufällige Wald, eine Regression Models, und/oder eine graphische Modelle. Optional zur Ausbildung des Risikomodells erfolgt durch Erhebung einer Schulung Set bestehend aus Proben und die entsprechenden Beschriftungen. Jede Probe entspricht einer Instanz einer Offenlegung eines oder mehrerer Kerben, und ihre entsprechenden Label ist ein Wert, der die Gefahr für die Privatsphäre aus der Offenbarung. Die in der Kunst zu erkennen, dass verschiedene machine learning-basierte Ansätze genutzt werden kann für diese Aufgabe. Einige Beispiele von gehören Schulungen Verfahren, die dazu verwendet werden, ein Risikomodell sind beschrieben in Abschnitt 6 – Prädiktoren und emotionalen Zustand Schätzer.
  • In einigen Ausführungsformen, einige Modelle können ausgebildet werden durch das Risiko modell Lernende 845, kann eine oder mehrere der verschiedenen machine learning-based training" genannten Verfahren in dieser Veröffentlichung. Die Proben werden in der Regel durch eine Probe generator Modul (z.b. die Probe Generator 842, die Probe Generator 852, die Probe Generator 878, und die Probe Generator 888). Die Stichprobe umfasst eine Funktion generator generator Modul, schafft Funktion Werte basierend auf Daten aus verschiedenen Quellen. Verschiedene Bezugszeichen verwendet für die verschiedenen Sample-Generatoren und verfügen über Generatoren in Auftrag zu geben, die verschiedenen Arten von Modellen erzeugt werden können (mit Proben mit möglicherweise unterschiedliche Funktionssätze). Der Generator kann auch nutzen Label Generator 844 zum Konvertieren einer Bestimmung der Privacy Risk Assessment Module 808 in ein Etikett für eine Probe. Optional kann der Wert der Bestimmung kann als ist (z.b., wenn der Wert für das Ausmaß des Risikos wird in der Bestimmung).
  • Die Samples zu trainieren ein Risikomodell kann dargestellt werden als Vektoren von Merkmalwerten, mit jeder Vektor entspricht einer Instanz, in denen ein oder mehrere Kerben wurden freigegeben. Eine Probe kann gehören verschiedene Arten von Funktionen Werte beschreiben eine Instanz, in denen ein oder mehrere Kerben sind bekannt:
    In einer Ausführungsform, einige der Funktionen kann auch Statistiken über die Kerben, wie viele Partituren offengelegt wurden, wie viele Benutzer für jedes Ergebnis beigetragen haben Messungen (ein Mittelwert für die Kerben und/oder Nummern der Benutzer entsprechend jedem score), und/oder Statistiken über die Werte der Kerben (z.b. Durchschnittliche Bewertung) und/oder Statistiken über die Werte der Messungen (z.b. die Varianz der Messwerte für die Berechnung einer Kerbe). Optional Features entsprechen kann, die Wahrscheinlichkeit der Ergebnisse (z.b. wie oft ein Ergebnis mit einer solchen Wert wird beobachtet). Optional Features entsprechen kann, das Vertrauen in die Kerben (z.b. entsprechenden p-Werte und/oder der Größe der Konfidenzintervalle).
  • In einer anderen Verkörperung, einige der Funktionen können Statistiken über den Beitrag von Messungen durch die Nutzer zu den Kerben, wie etwa die durchschnittliche Anzahl der Messungen trugen durch die Nutzer, Anzahl der Messungen, einzelnen Benutzern beigetragen haben und/oder die Anzahl der unterschiedlichen Erfahrungen der Anwender, für die die Benutzer beigetragen haben. Allgemein gilt, je mehr Messungen beigetragen von Benutzern ist, desto größer ist das Risiko für Ihre Privatsphäre.
  • In einer weiteren Verkörperung, einige der Funktionen sind möglicherweise beschreiben Merkmale der Benutzer beigetragen haben Messungen in der Kerben und/oder die Merkmale der Erfahrungen entsprechend den Kerben. In einem Beispiel, Merkmale der Benutzer möglicherweise gehören demographische Merkmale, Informationen über Geräte, die von den Benutzern und/oder Tätigkeiten, bei denen der Benutzer teilnehmen. Optional kann solche Informationen unterstützen, die Tatsache, die einige Benutzer möglicherweise anfälliger als andere Gefahr der Privatsphäre (z. B. durch ihre Tätigkeiten, Eigenschaften der Geräte, die sie besitzen, und/oder durch ihre Zugehörigkeit zu einer demographischen Gruppe, deren personenbezogenen Daten wertvoller ist) zu modellieren. In einem anderen Beispiel, Merkmale der Erfahrungen kann auch eine Art von Erfahrung, die Dauer der Erfahrung, und der Ort der Erfahrung stattfand. Optional können solche Informationen Unterstützung bei der Modellierung der Tatsache, dass für einige Erfahrungen, ist es eventuell einfacher zu erkennen, Informationen über die Beteiligung von Nutzern, die das Risiko erhöhen, an die Benutzer. Zusätzlich oder alternativ, bestimmte Erfahrungen wichtiger sein kann als andere Erfahrungen zu Feinden, und als solche Benutzer, die sich in diesen Erfahrungen können ein höheres Risiko als andere.
  • In noch eine Verkörperung, einige der Funktionen sind möglicherweise gehören Werte deuten auf einen vorherigen Zustand der Informationen über die Benutzer, wie die voraussichtlichen Umfang der Informationen ein Gegner hat zu bestimmten Benutzern und/oder eines durchschnittlichen Benutzers. Optional kann der Umfang der Informationen ausgedrückt werden kann durch die entsprechenden Werte auf die Bits von Informationen, Größen der Konfidenzintervalle und/oder Abweichung vom Boden der Wahrheit.
  • In einigen Ausgestaltungen, so können Proben beinhalten Funktionen, die den Aufwand und/oder die Kosten für einen Gegner im Zusammenhang mit der Gewinnung von Daten entsprechend der Probe; zum Beispiel, den Aufwand und/oder Kosten des Erhaltens Beitrag Daten C, Funktion Werte von Einträge in F, und/oder die Noten S. Zusätzlich oder alternativ können Proben gehören Funktionen, entsprechen den Aufwand und/oder Kosten für die Schlussfolgerungen auf der Grundlage gelegt. Zusätzlich oder alternativ können Proben beinhalten Funktionen, die sich auf die Nützlichkeit und/oder Wert der Schlussfolgerungen, die möglicherweise über die Nutzer entsprechend der Proben. Optional mit mindestens einige der genannten Funktionen in Proben können helfen bei der Abschätzung der Risiken für Privatsphäre. Zum Beispiel, in einigen Fällen, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung Kerben kann verringert sein, wenn die Kosten und/oder den Aufwand für einen Gegner an, einige der genannten Daten über die Utility auf die Gegner, wie z. B. der Wert der Wahrscheinlichkeit Rückschlüsse der Gegner kann sich über eine durchschnittliche beigetragen haben Messungen in der Kerben S. In einem converse Beispiel, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung Die Punktzahl kann erhöht werden, wenn die Kosten und/oder den Aufwand für einen Gegner an der Sammlung von Daten, die Unterschreitung der erwarteten Utility auf die Gegner ab, Rückschlüsse auf die Daten.
  • In einigen Ausführungsformen, eine Probe, beschreibt einen Fall, in dem ein oder mehrere Kerben weitergegeben werden kann (ein Sample) entsprechend dem einen oder mehrere Partituren. Zusätzlich oder alternativ kann die Probe bezeichnet werden kann, ein Benutzer oder Benutzer, die für die Messungen der affektiven Reaktion beigetragen, auf denen ein oder mehrere Scores berechnet wurden.
  • Ein Etikett entspricht einer Probe entsprechen verschiedenen Entitäten, und beschreiben die Gefahr für die Privatsphäre der Entitäten als Ergebnis der Offenlegung der Ergebnisse beschrieben von der Probe. Zum Beispiel, ein Label beschreiben können das Risiko eines bestimmten Benutzers (z.b., wenn die Stichprobe umfasst Funktionen entspricht einem bestimmten User), das Risiko einer Gruppe von Benutzern (z. B., wenn die Stichprobe umfasst Funktionen für die Gruppe der Benutzer) und/oder das Risiko einer nicht-spezifischen allgemeinen und/oder durchschnittliche (wenn die Stichprobe umfasst Funktionen, die nicht entsprechen, bestimmten Benutzern und/oder wenn die Stichprobe umfasst Funktionen, die sich auf mehrere Benutzer). In einem anderen Beispiel, das Etikett kann beschreiben, das maximale Risiko für einen Benutzer aus den Benutzern beigetragen haben Messungen in der Kerben, wurden freigegeben.
  • Das Risiko für die Privatsphäre ausgedrückt werden können mit verschiedenen Typen von Werten. In einem Beispiel, ein Label beschreiben können als Binärwert (z.b. bei Risiko-/nicht-at-Risk) oder einem kategorischen Wert (z.b. kein Risiko/low/Risiko/mittleres Risiko/hohes Risiko). In einem anderen Beispiel, Risiko für die Privatsphäre kann ein Skalar auf einer bestimmten Skala, wie z. B. einen Wert zwischen 0 und 10, die Höhe des Risikos mit 0 keine Gefahr und 10 die höchste Höhe des Risikos. In einigen Ausführungsarten, ein Label ist ein Indiz für ein Risiko für die Privatsphäre und hat einen Wert entspricht einer Statistik aus einem Modell gelernt und/oder aktualisiert nach der offenbarten Kerben, in das das Risiko bezieht. In einem Beispiel, ein gewisses Risiko möglicherweise die Genauigkeit der Parameter in einem Modell aus der offenbarten Kerben und/oder die Erhöhung der Genauigkeit der Parameter in einem Modell entsprechend aktualisiert die ausgewiesenen Punktzahlen. Optional kann die Genauigkeit kann ausgedrückt werden als eine Differenz von ground truth Werten (z.b. einen Wert entspricht einem Verhältnis oder eine Abweichung vom Boden der Wahrheit). In einem anderen Beispiel, ein Niveau von Risiko kann zeigen die Vorhersagekraft der ein Prädiktor, dessen Modell ausgebildet wurde, auf die ausgewiesenen Ergebnisse und/oder eine Steigerung der Vorhersagekraft der ein Prädiktor, dessen Modell aktualisiert wurde auf der Grundlage der offenbarten. Ein weiteres Beispiel, ein Niveau von Risiko kann Aufschluss über den Umfang der Informationen in einem Modell aus der offenbarten Kerben und/oder den Umfang der Informationen zu einem Modell, das aktualisiert wird, entsprechend der offengelegt.
  • Labels entsprechen, können die Proben aus verschiedenen Quellen in die hierin beschriebenen Ausführungsformen. Im Folgenden sind einige Beispiele für die Möglichkeiten, bei denen Etiketten erzeugt werden und/oder die Quellen von Etiketten. Die nachstehenden Beispiele sind nicht gegenseitig ausschließen, d.h., Etiketten kann erzeugt werden durch eine Kombination von Beispiel Ansätze beschrieben. Zusätzlich wird die Beispiele sind nicht erschöpfend; möglicherweise gibt es andere Ansätze zur Generierung Etiketten, werden in Darstellungen, die nicht wie unten beschrieben.
  • In einer Verkörperung, ein Label, das entspricht einer Probe erzeugt, zumindest teilweise, auf der Grundlage einer Feststellung durch die Privatsphäre Risk Assessment Module 808. Optional, so dass die Ermittlung möglicherweise eines oder mehrere der Module beschriebenen genutzt werden, und/oder in die Privatsphäre Risk Assessment Module 808.
  • In einer anderen Verkörperung, ein Label, das entspricht einer Probe erzeugt, zumindest teilweise, basierend auf der manuellen Annotation und/oder eine extern generierten Annotation. Zum Beispiel kann ein Unternehmen, ein Beispiel für entsprechende zur Offenlegung eines oder mehrerer Kerben das Ausmaß der Gefahr für die Privatsphäre im Zusammenhang mit der Offenbarung des einen oder mehrere Werte (z. B. eine Schätzung eines manuellen Annotator). Das Ausmaß des Risikos können verschiedene Werte, wie oben beschrieben, und konvertiert werden auf einem Etikett entsprechend der Probe. Optional kann das Unternehmen kann eine Person (z. B. ein Benutzer entsprechend der Probe und/oder ein Risiko Prüfer ist kein Benutzer) oder eine externe Einheit Betriebssystem automatisch (z.b. eine Firma, die mit einem Risiko auditing Algorithmus).
  • In einer weiteren Verkörperung, ein Label, das entspricht einer Probe erzeugt, zumindest teilweise, nach Beobachtung und/oder Analyse von externen Ereignissen mit Bezug auf einen Benutzer entsprechend der Probe. Optional ist ein externes Ereignis Auftreten in der physischen Welt und/oder in einer Digital Domain. Optional kann durch die Überwachung der externen Ereignisses, kann festgestellt werden, ob es wahrscheinlich ist, dass die Privatsphäre eines bestimmten Benutzers, und/oder eine Gruppe von Benutzern, die gefährdet ist und/oder inwieweit die Privatsphäre gefährdet werden können. In einem Beispiel, ein externes Ereignis zusammenhängen kann ein Benutzer empfängt eine Mitteilung von einer Einheit (z.b. eine Anzeige von einem kommerziellen Unternehmen). Optional, Erhalt von Entity zeigt an, dass der Benutzer möglicherweise wurde ermittelt, dass eine bestimmte Eigenschaft und/oder Zugehörigkeit zu einer bestimmten Bevölkerung. Das Erreichen dieses Abschlusses durch die Einheit möglicherweise darauf hin, dass private Informationen über den Benutzer bekannt ist, zumindest bis zu einem gewissen Grad, die zu einem bestimmten Grad der Gefahr für die Privatsphäre der Nutzer. Ähnlich, die Identifizierung einer Änderung des Verhaltens der externen Entitäten mit Bezug auf einen Benutzer, denen stoppen Kommunikation und/oder Wechselwirkungen mit einem Benutzer, kann auch anzeigen, dass die Entität hat gelernt, private Informationen über den Benutzer, entspricht ein Risiko für die Privatsphäre des Benutzers.
  • Nach Erhalt einer Pluralität von Proben, zumindest einige mit entsprechenden Etiketten, verschiedenen machine learning basierten Ansätzen kann verwendet werden, um Zug ein Risikomodell. Nach dem Training, das Risiko Funktion Modul 849 kann mit einer Probe, die möglicherweise nicht mit einem Etikett gekennzeichnet, und die Nutzung des Risikomodells, es kann einen Wert für das wahrgenommene Risiko für die Privatsphäre durch die Offenlegung des einen oder mehrere Kerben, entsprechen dem Muster.
  • In einigen Ausführungsarten, wenigstens einige der verwendeten Proben zu trainieren das Risiko Modell möglicherweise nicht über die entsprechenden Labels (d.h., unbeschrifteten Proben). In diesen verschiedenen Ausführungsarten, semi-überwachte Ausbildung kann verwendet werden, um den Risiken Modell sowohl beschriftete Proben und der unbeschrifteten Proben. Zum Beispiel, die semi-überwachte Ausbildung möglicherweise Bootstrapping, Mixture Models und Erwartung Gewinnmaximierung und/oder co-Training.
  • Der Grund dafür, dass einige Proben können nicht über ein Etikett kann stammen aus begrenzten Ressourcen. Beispielsweise erzeugen Etiketten für alle Proben können zu viel Zeit in Anspruch nehmen, benötigen zu viel Rechenleistung, und/oder zu teuer sind (z. B. wenn ein Label wird von einem externen Dienstleister). Zusätzlich oder alternativ, Generierung von Etiketten kann, zumindest teilweise, Manuell, in welchem Fall, Etiketten für eine große Anzahl von Proben kann unmöglich. Es ist jedoch möglich, Anfrage von einer Entität, die Etiketten für die Proben zu erzeugen, eine Bezeichnung für eine bestimmte Anzahl von unbeschrifteten Proben, die wahlweise als nützlich oder wichtig für die Ausbildung. Dieser Prozess wird manchmal in der Kunst als "aktives Lernen". In einigen Ausführungsarten, aktives Lernen wird als Teil des semi-überwachte Ausbildung ein Risikomodell. Es kann nach verschiedenen Kriterien für die Auswahl der unbeschrifteten Proben zu erhalten. Optional kann die Kriterien umfassen identifizieren, Samples, die Sie wahrscheinlich zusätzliche Informationen zur Verfügung, was ist bereits durch die gekennzeichneten Proben.
  • In einem Beispiel, eine Probe, für die ein Zettel beantragt wird, kann eine Probe, ist nicht vergleichbar mit anderen gekennzeichneten Proben. Das bedeutet, dass der Abstand zwischen der Probe und anderen Proben, für die es ein Label eine Schwelle überschreitet (wo der Abstand kann nach einem Abstand messen, angewandt werden kann, Paare von Proben wie ein Skalarprodukt zur Bestimmung der Winkel zwischen Vektoren Darstellung der Proben (Cosinus), Hamming Distanz und/oder euklidische Distanz).
  • In einem anderen Beispiel, werden die Proben in Clustern mit ähnlichen Proben mit einem Clustering Algorithmus. Optional kann das Clustering Algorithmus kann sowohl bezeichneten und nicht bezeichneten Proben zu den Clustern. In diesem Beispiel wird eine Probe, für die ein Zettel beantragt wird, kann eine Probe, die gehört zu einem Cluster, bei denen die Zahl der gekennzeichneten Proben klein ist (z.b. die Anzahl der gekennzeichneten Proben unterhalb einer bestimmten Schwelle liegt und/oder sogar Null).
  • In einigen Ausführungsarten, Etiketten kann beantragt werden für Proben, die ähnlich beschriftete Proben, auf denen das Risiko Funktion Modul 849 (Der Predictor) schlecht. Zum Beispiel, während der Ausbildung wird festgestellt, dass ein Prädiktor ausgebildet macht Fehler bei der Vorhersage der Gefahr für bestimmte gekennzeichneten Proben (z.b. durch den Vergleich der vorhergesagten Risiko für eine Probe auf das Risiko Wert durch den Aufkleber von der Probe). In einem solchen Fall wird die Ausbildung Verfahren versuchen kann um zusätzliche beschriftete Proben, die ähnlich einem Probenröhrchen, auf denen die Prognose schlecht durchgeführt. Optional kann eine zusätzliche etikettiertes ergibt sich durch die Anforderung ein Etikett für ein unbeschriftetes Probe ähnlich ist, auf der Grundlage einer Distanz-Funktion, um das Probenröhrchen, auf denen die Prognose schlecht. Optional kann eine zusätzliche etikettiertes ergibt sich durch die Anforderung ein Etikett für ein unbeschriftetes Probe, gehört zu einer gleichen Cluster als etikettiertes, auf denen die Prognose schlecht.
  • Das Risiko von der Offenlegung einer oder mehrerer Kerben für Erfahrungen, wie das Risiko bewertet, indem das Risiko Funktion Modul 849, wenn Sie eine der beschriebenen Modelle in dieser Offenbarung, möglicherweise mit verschiedenen Funktionen. Obwohl unterschiedliche Risiko Funktionen kann verschiedene Berechnungen, häufig die Funktionen ähnliche qualitative Ergebnisse für das gleiche Eingänge. Somit ist es möglich, darüber zu diskutieren, eine allgemeine Charakterisierung des Verhaltens für RISK-Funktionen in der Bezeichnung eines generischen Risiko Funktion R(), und wie verhält es sich mit Bezug auf verschiedene Merkmale von Eingängen. In der folgenden Beschreibung ein Risiko Funktion R() Stellt verschiedene mögliche Risiko Funktionen. Die Funktionen möglicherweise geschult werden mit verschiedenen Sätzen von Trainingsdaten und/oder mit verschiedenen machine learning Ansätzen. Optional können die beschriebenen Charakterisierungen der Funktion F(), beschreiben die verschiedenen Verhaltensweisen, die beobachtet werden können für die implementierten Funktionen durch das Risiko Funktion Modul 849.
  • Es ist zu beachten, dass hierin die Notation R(), wie z. B. R(n), bedeutet, dass R ist eine Funktion, mit der ein Verhalten, hängt der Wert von n (z.b. n kann eine Anzahl von Benutzern). In diesem Beispiel ist n bezeichnet werden kann, da eine Komponente (eine Komponente des Risikos). Dies bedeutet nicht, oder implizieren, dass R nicht auch eine Funktion der anderen Komponenten (z.b. Varianz der Messungen). Die Notation R(n) ist nur um zu verdeutlichen, dass in der Diskussion der Risiko-Funktion, folgt unmittelbar auf die Verwendung von R(n), eine beschriebene Charakterisierung der Funktion R(n) betrifft das Verhalten von R mit Bezug auf n. Darüber hinaus ist die Notation R(), z. B. in R(n), nicht bedeuten oder bedeuten, dass die Komponente n muss eine Eingabe, wird die Gefahr Funktion; vielmehr, dass in irgendeiner Weise, die Eingabe der Risikofunktion spiegeln die Komponente n. Beispielsweise ist der Wert von n kann stillschweigend und/oder aus den Eingaben an die Funktion. Zusätzlich wird in der Diskussion weiter unten, einen Ausdruck der Form R(n1) < R(n2), bedeutet, dass entsprechend der Funktion R beschrieben, das Risiko für die Eingabe entsprechend dem Wert von n1 ist geringer als das Risiko für die Eingabe entsprechend dem Wert von n2.
  • In einer Verkörperung, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung einer Kerbe für ein Erlebnis wird bestimmt auf der Grundlage der Funktion, verhält sich wie R(v); wobei R(v) ist eine Funktion, berücksichtigt die Varianz v, ist die Varianz der Messwerte für die Berechnung der Punktzahl. Optional mit ceteris paribus, die Offenlegung einer Partitur berechnet basierend auf Messungen mit einem geringen Varianz hat ein höheres Risiko für die Privatsphäre als Offenbarung einer Partitur berechnet basierend auf Messungen mit einer höheren Varianz (siehe zum Beispiel die Diskussion von Risikokomponenten im Abschnitt 16 – Unabhängige Inferenz von Kerben). Optional, den ersten Satz von Messungen hat eine Varianz (v1), die höher ist als die Varianz des zweiten Satzes von Messungen (v2). Folglich, wenn das Risiko Funktion Modul 849 implementiert eine Funktion, verhält sich wie die Funktion R(v) wie oben beschrieben, mit anderen Sachen, die gleich sind, ist zu erwarten, dass v1 > v2 impliziert, dass R(v1) < R(v2).
  • Es wird darauf hingewiesen, dass hierin die Verwendung des Begriffs "ceteris paribus" bezieht sich auf ein Szenario, in dem zwei Eingänge (z.b. Eingänge zum risiko-Funktion), sind im Wesentlichen die gleichen, außer für eine bestimmte Komponente oder Komponenten in der Anweisung angegeben. Zum Beispiel, die obige Aussage "Mit ceteris paribus, die Offenlegung einer Partitur ... mit einer geringen Abweichung hat ein höheres Risiko für die Privatsphäre als Offenbarung einer Partitur ... mit einem höheren Varianz" bedeutet, dass zwei Eingänge, die im Wesentlichen das Gleiche in Bezug auf andere Merkmale, kann gemessen werden (z.b. Anzahl der Benutzer, sofern Messungen), es wird erwartet, dass das Risiko bewertet werden, verhalten sich wie die Funktion R(v). Optional zwei Eingänge gelten im wesentlichen die gleichen, wenn eine Distanzfunktion auf der Eingänge bestimmt, dass der Abstand zwischen ihnen ist unterhalb einer bestimmten Schwelle liegt. Optional zwei Eingänge gelten im wesentlichen die gleichen, wenn die Differenz zwischen Ihnen (z. B. nach einer Abstandsfunktion) kleiner ist als die durchschnittliche Entfernung zwischen Paaren von Eingängen (wenn man Paare von einer größeren Reihe von Eingängen). Optional, dass Risiko wird erwartet, verhält sich wie eine Funktion, nicht bedeutet, dass es Bedürfnisse, sich so zu verhalten wie die Funktion in allen Zeiten, sondern dass es wird erwartet, sich so zu verhalten wie die Funktion am meisten der Zeit. Zum Beispiel, da zufällig ausgewählten Paare von Ein- und/oder Paare der Eingänge aus der realen Welt, es wird erwartet, dass in den meisten Fällen das Risiko, dass ausgewertet wird, verhält sich nach der Funktion.
  • Die in der Kunst wird erkennen, dass es verschiedene Implementierungen, die verwendet werden können, in denen ein Risiko Funktion verhält sich wie die R(v) umgesetzt werden können. In einem Beispiel, das Risiko möglicherweise einen multiplikativen Komponente, ist proportional zu 1/v. In einem anderen Beispiel, das Risiko Funktion möglicherweise einen Schritt Funktion zuordnet, nicht abnehmende Risiko, da der Wert von v sinkt.
  • In einer Verkörperung, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung einer Kerbe für ein Erlebnis richtet sich auf ein Ergebnis einer Funktion verhält sich wie R(p); wobei R(p) ist eine Funktion, berücksichtigt die Wahrscheinlichkeit p der Beobachtung der Partitur. Optional mit ceteris paribus, Offenlegung von einem Ergebnis, hat eine niedrige Wahrscheinlichkeit der beobachtet mit sich bringt ein höheres Risiko für die Privatsphäre als Weitergabe von einem Ergebnis, hat eine höhere Wahrscheinlichkeit des beobachtet (siehe zum Beispiel die Diskussion über die Risikokomponenten in Abschnitt 16 – Unabhängige Inferenz von Kerben). Optional, das erste Ergebnis hat eine höhere Wahrscheinlichkeit des beobachtet (p1) als die Wahrscheinlichkeit, dass die zweite Kerbe beobachtet hat (p2). Folglich, wenn das Risiko Funktion Modul 849 implementiert eine Funktion, verhält sich wie die Funktion R(p) wie oben beschrieben, mit anderen Sachen, die gleich sind, ist zu erwarten, dass p1 > p2 impliziert, dass R(p1) < R(p2). Optional kann die Bestimmung der Wahrscheinlichkeit der Beobachtung eine Kerbe kann mit einer Wahrscheinlichkeitsdichtefunktion, basiert auf empirischen Ergebnisse, wie z. B. ein Histogramm oder Verteilung erstellt von Partituren, die in der Praxis beachtet werden.
  • Die in der Kunst wird erkennen, dass es verschiedene Implementierungen, die verwendet werden können, in denen ein Risiko Funktion verhält sich wie R(p) umgesetzt werden können. In einem Beispiel, das Risiko möglicherweise einen multiplikativen Komponente, ist proportional zu p. In einem anderen Beispiel, das Risiko Funktion möglicherweise einen Schritt Funktion zuordnet, nicht-steigende Risiko, da der Wert von p erhöht.
  • In einer anderen Verkörperung, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung einer Kerbe für ein Erlebnis richtet sich auf ein Ergebnis einer Funktion verhält sich wie R(n), wobei R(n) ist eine Funktion, die berücksichtigt, ist die Größe der Gruppe von Benutzern, deren Messungen der affektiven Reaktion werden zum Berechnen der Partitur. Optional mit ceteris paribus, Offenlegung von einem Ergebnis, berechnet basierend auf Messungen von einer kleineren Anzahl von Benutzern hat ein höheres Risiko für die Privatsphäre als Weitergabe von einem Ergebnis, berechnet basierend auf Messungen von einer kleineren Anzahl von Benutzern (siehe zum Beispiel die Diskussion von Risikokomponenten in Abschnitt 16 – Unabhängige Inferenz von Kerben). Optional, den ersten Satz von Benutzern, denen n1 Benutzer, größer ist als der zweite Satz von Benutzern, denen n2 Benutzer. Infolgedessen, wenn das Risiko Funktion Modul 849 implementiert eine Funktion, verhält sich wie die Funktion f(n) wie oben beschrieben, mit anderen Sachen, die gleich sind, ist zu erwarten, dass n1 > n2 impliziert, dass R(n1) < R(n2).
  • Die in der Kunst wird erkennen, dass es verschiedene Implementierungen, die verwendet werden können, in denen ein Risiko Funktion verhält sich wie R(n) umgesetzt werden können. In einem Beispiel, das Risiko möglicherweise einen multiplikativen Komponente, ist proportional zu n. In einem anderen Beispiel, das Risiko Funktion möglicherweise einen Schritt Funktion zuordnet, nicht-steigende Risiko, da der Wert von n erhöht.
  • Es ist zu beachten, dass die Schätzung risiko im zusammenhang mit der Offenlegung einer einzigen Ergebnis kann erweitert werden, mehrere Partituren. Zum Beispiel in der Diskussion über, RISK-Funktionen genutzt werden, indem das Risiko Funktion Modul 849 kann in einigen Ausführungsformen, angewandt auf die Bewertung der Risiken von mehreren Kerben und zeigen ein ähnliches Verhalten wie die oben beschriebenen Verhaltensweisen, die sich auf eine einzige Partitur. Die in der Kunst erkennen können, dass die Ausweitung der Risikobewertung zu mehreren Kerben kann auf verschiedene Art und Weise. Zum Beispiel, die Gefahr der mehrfachen Kerben kann eine Funktion des Risikos der einzelnen Kerben (d. h. die Summe der Risiken und/oder das durchschnittliche Risiko). Ebenso ist eine Funktion zur Berechnung des Risikos eines einzigen Punktzahl kann mit einem Wert repräsentiert mehrere Kerben (z.b. die Summe der Eingabewerte der mehrere Kerben oder die durchschnittliche Eingangswert für die mehrere Kerben).
  • Die Diskussion oben beschreibt, wie verschiedene Komponenten, wie etwa die Anzahl der Nutzer, die Varianz der Messungen und die Wahrscheinlichkeit von Kerben, die möglicherweise Einfluss auf die Bewertung der Risiken im Zusammenhang mit der Offenlegung eines Gastes oder mehrere Partituren. In einigen Ausführungsarten, eine Funktion zur Bewertung der Risiken kann als Funktion von mehreren Komponenten.
  • In einer Verkörperung, das Risiko für die Privatsphäre im Zusammenhang mit der Offenlegung einer Kerbe für ein Erlebnis richtet sich auf ein Ergebnis einer Funktion, verhält sich wie eine Funktion R(n, v), wobei n ein Wert für die Größe der Gruppe von Benutzern, deren Messungen der affektiven Reaktion werden zum Berechnen der Partitur, und v repräsentiert den Wert der Abweichung von diesen Messungen. Optional mit ceteris paribus eine Offenlegung von einem Ergebnis, berechnet basierend auf Messungen von einer kleineren Anzahl von Benutzern hat ein höheres Risiko für die Privatsphäre als eine Offenbarung von einem Ergebnis, berechnet basierend auf Messungen von einer kleineren Anzahl von Benutzern. Und auch mit anderen Sachen, die gleich sind, die Offenlegung einer Partitur berechnet basierend auf Messungen mit einem geringen Varianz hat ein höheres Risiko für die Privatsphäre als Offenbarung einer Partitur berechnet basierend auf Messungen mit einer höheren Varianz (für eine Begründung für diese Annahmen siehe z. B. die Diskussion von Risikokomponenten in Abschnitt 16 – Unabhängige Inferenz von Kerben).
  • In dieser Verkörperung, das Risiko Funktion Modul 849 bewertet das Risiko für die Privatsphäre von Offenlegung der ersten, zweiten und dritten Kerben, die berechnet, basierend auf der ersten, zweiten und dritten Sätze von Messungen der affektiven Reaktion, beziehungsweise. Die erste, zweite und dritte Sätze umfassen Messungen von n1, n2, n3 Mitglieder. Die Werte von n1, n2, n3 gibt, so dass n1>n2>n3. Außerdem, den ersten, zweiten und dritten Sätze von Messungen haben Abweichungen v1, v2, v3,. Die Werte von v1, v2, v3 und V1 sind derart, dass < v2 < v3. In dieser Verkörperung, um zu ermitteln, das Ausmaß der Gefahr für die Privatsphäre, die Risikobewertung Modul nutzt eine Funktion, verhält sich wie R(n, v) wie oben beschrieben, die Bewertung des Risikos von Offenlegung der zweite Kerbe niedriger zu sein als das Risiko der Offenlegung jedes der ersten oder dritten. Das bedeutet, dass die Funktion implementiert, indem das Risiko Funktion Modul 849 verhält sich wie eine Funktion R(n, v) Für die R(n1, v1) > R(n2, v2) und R(n3, v3) > R(n2, v2). Folglich ist in dieser Verkörperung, der Privacy Filter kann die erste und die dritte Kerben in einer Weise, dass es weniger beschreibend als die Art und Weise, in der sie leitet die zweite Kerbe.
  • 20 – Zusätzliche Überlegungen
  • 27 ist eine schematische Darstellung eines Computers 400, das in der Lage ist, zu erkennen, eine oder mehrere der Ausführungsarten. Der Computer 400 kann auf verschiedene Weise implementiert werden, wie beispielsweise, jedoch nicht beschränkt auf, einen Server, einen Clienten, einen PC, eine Set-Top-Box (STB), ein Netzwerkgerät, ein Handheld-Gerät (z. B. ein Smartphone), in tragbare Geräte (Wearables) eingebettete Computergeräte (z. B. eine Smartwatch oder ein Computer, die/der in Kleidung eingebettet ist), in den menschlichen Körper implantierte Computergeräte und/oder jedwede andere Computerform, die eine Reihe von Computeranweisungen ausführen kann. Weitere Verweise zu einem Computer gehören eine Sammlung von einem oder mehreren Computern, die einzeln oder gemeinsam ausführen Ein oder mehrere Sätze von Computer Anweisungen zum Ausführen einer oder mehrerer der offenbarten Ausführungsarten.
  • Der Computer 400 umfasst eine oder mehrere der folgenden Komponenten: Prozessor 401, Speicher 402, computerlesbare Medium 403, User Interface 404, Communication Interface 405, Bus 406. In einem Beispiel kann der Prozessor 401 mindestens eine der folgenden Komponenten umfassen: eine allgemeine Verarbeitungseinheit, ein Mikroprozessor, eine zentrale Verarbeitungseinheit, ein Complex-Instruction-Set-Computer-Mikroprozessor (CISC-Mikroprozessor), ein Reduced-Instruction-Set-Computer-Mikroprozessor (RISC-Mikroprozessor), ein Very-Long-Instruction-Word-Mikroprozessor (VLIW-Mikroprozessor), eine spezielle Verarbeitungseinheit, eine anwendungsspezifische integrierte Schaltung (ASIC), ein Field-Programmable-Gate-Array (FPGA), ein digitaler Signalprozessor (DSP), eine verteilte Verarbeitungseinheit und/oder ein Netzwerkprozessor. Des Weiteren kann der Speicher 402 des obigen Beispiels mindestens eine der folgenden Speicherkomponenten umfassen: CPU-Cache, Hauptspeicher, Festwertspeicher (ROM), Dynamic-Random Access-Memory (dynamisches RAM, DRAM) wie beispielsweise synchrones DRAM (SDRAM), Flash-Speicher, Static-Random-Access-Memory (statisches RAM, SRAM) und/oder ein Datenträger. Der Prozessor 401 und die eine oder mehreren Speicherkomponenten können miteinander über einen Datenbus, z. B. Datenbus 406, kommunizieren.
  • Weiterhin kann die Kommunikationsschnittstelle 405 in dem obigen Beispiel eine oder mehrere Komponenten für die Verbindung mit einem oder mehreren der folgenden Kommunikationsnetze umfassen: LAN, Ethernet, Intranet, Internet, Glasfaserkommunikationsnetz, ein drahtgebundenes Kommunikationsnetz und/oder ein drahtloses Kommunikationsnetz. Optional, die Kommunikationsschnittstelle 405 wird verwendet, um eine Verbindung mit dem Netzwerk 112. Zusätzlich oder alternativ, die Kommunikationsschnittstelle 405 kann verwendet werden, um Verbindungen zu anderen Netzwerken und/oder andere Kommunikationsschnittstellen. Des Weiteren kann die Benutzeroberfläche 404 des obigen Beispiels mindestens eine der folgenden Komponenten umfassen: (i) ein Bilderzeugungsgerät wie beispielsweise ein Video-Display, ein Augmented-Reality-System, ein Virtual-Reality-System und/oder ein Mixed-Reality-System, (ii) ein Tonerzeugungsgerät wie beispielsweise ein oder mehrere Lautsprecher, (iii) ein Eingabegerät wie eine Tastatur, eine Maus, ein gestenbasiertes Eingabegerät, das aktiv oder passiv sein kann, und/oder eine Gehirn-Computer-Schnittstelle.
  • Die Funktionalität der verschiedenen Ausführungsformen kann in Hardwares, Softwares, Firmwares oder einer Kombination dieser implementiert werden. Wenn die Implementierung zumindest teilweise in Softwares erfolgt, kann die Implementierung der Funktionalität ein Computerprogramm umfassen, das eine oder mehrere Anweisungen oder Code umfasst, die auf einem computerlesbaren Datenträger gespeichert oder auf diesen übertragen und durch einen oder mehrere Prozessoren ausgeführt werden. Die computerlesbaren Datenträger können computerlesbare Speichermedien umfassen, die einem greifbaren Datenträger wie beispielsweise einem Datenspeicherungsmedium entsprechen, oder Kommunikationsmedien einschließlich jedweden Datenträgers, der die Übertragung eines Computerprogramms von einem Ort zum anderen ermöglicht. Ein computerlesbarer Datenträger kann jeder Datenträger sein, auf den durch einen oder mehrere Computer zum Abrufen von Anweisungen, Code und/oder Datenstrukturen für die Implementierung der beschriebenen Ausführungsformen zugegriffen werden kann. Ein Computerprogrammprodukt kann einen computerlesbaren Datenträger umfassen.
  • In einem Beispiel kann der computerlesbare Datenträger 403 einen oder mehrere der folgenden Datenträger und/oder Speicher umfassen: RAM, ROM, EEPROM, optischer Datenspeicher, magnetischer Datenspeicher, biologischer Datenspeicher, Flash-Speicher oder ein anderer Datenträger, der computerlesbare Daten speichern kann. Darüber hinaus wird jede Verbindung ordnungsgemäß als ein computerlesbarer Datenträger bezeichnet. Wenn beispielsweise Anweisungen von einer Website, von einem Server oder von einer anderen entfernten Quelle mit einem Koaxialkabel, Glasfaserkabel, Twisted-Pair-Kabel, digitalen Teilnehmeranschluss (DSL) oder drahtlosen Technologien wie Infrarot, Radio und Mikrowelle übertragen werden, dann sind das Koaxialkabel, Glasfaserkabel, Twisted-Pair-Kabel, DSL oder die drahtlosen Technologien wie Infrarot, Radio und Mikrowelle in der Definition eines Datenträgers umfassen. Es sollte jedoch verstanden werden, dass ein computerlesbarer Datenträger keine Verbindungen, Trägerwellen, Signale oder anderen flüchtigen Datenträger umfasst, sondern sich stattdessen auf nichtflüchtige, greifbare Speichermedien bezieht.
  • Ein Computerprogramm (auch bekannt als ein Programm, Software, Software-Applikation, Skript, Programm-Code oder Code) kann in jedweder Form von Programmiersprache geschrieben sein, einschließlich kompilierter oder interpretierter Sprachen sowie deklarativer oder prozeduraler Sprachen. Das Programm kann in jedweder Form installiert werden, einschließlich als eigenständiges Programm oder als Modul, Komponente, Unterroutine, Objekt oder als eine andere, für den Einsatz in einer Computing-Umgebung geeignete Einheit. Ein Computerprogramm kann eine Datei in einem Dateisystem sein, kann in einem Teil einer Datei gespeichert werden, die andere Programme oder Daten umfasst, und/oder kann in einer oder mehreren Dateien gespeichert werden, die ein Teil des Programms sein können. Ein Computerprogramm kann installiert werden, um auf einem oder mehreren Computern ausgeführt zu werden, die sich an einer oder mehreren Stellen befinden, die über ein Kommunikationsnetzwerk miteinander verbunden sein können.
  • Computerlesbare Datenträger können einen einzelnen Datenträger und/oder mehrere Datenträger umfassen (z. B. eine zentralisierte oder verteilte Datenbank und/oder zugehörige Caches und Server), die die eine Anweisung oder die mehreren Anweisungen speichern. In verschiedenen Ausführungsformen kann ein Computerprogramm oder können Teile eines Computerprogramms auf einem nichttransitorischen, computerlesbaren Datenträger gespeichert werden. Der nichttransitorische, computerlesbare Datenträger kann beispielsweise über einen oder mehrere flüchtige Computerspeicher, einen nichtflüchtigen Speicher, eine Festplatte, ein Flash-Laufwerk, einen magnetischen Datenspeicher, einen optischen Datenspeicher und/oder jedwede andere Art eines zu erfindenden greifbaren Computerspeichers, der nicht per se transitorische Signale umfasst, implementiert werden. Das Computerprogramm kann auf dem nichttransitorischen, computerlesbaren Datenträger upgedated und/oder auf den nichttransitorischen, computerlesbaren Datenträger über ein Kommunikationsnetz wie das Internet heruntergeladen werden. Optional kann das Computerprogramm von einem zentralen Repositorium wie Apple App Store und/oder Google Play heruntergeladen werden. Optional kann das Computerprogramm von einem Repositorium, wie beispielsweise ein Open-Source-Repositorium und/oder ein community-betriebenes Repositorium (z. B. GitHub), heruntergeladen werden.
  • Zumindest ein Teil der in dieser Offenlegung beschriebenen Methoden werden auf einem Computer, wie z. B. dem Computer 400, implementiert. Beim Implementieren einer Methode aus der Menge der zumindest einigen Methoden werden zumindest einige der zu den Methoden gehörenden Schritte durch den Prozessor 401 durch Ausführung von Anweisungen durchgeführt. Darüber hinaus können zumindest einige der Anweisungen für die Ausführung von in dieser Offenlegung beschriebenen Methoden und/oder zur Implementierung von in dieser Offenlegung beschriebenen Systemen auf einem nichttransitorischen, computerlesbaren Datenträger gespeichert werden.
  • Einige der hier beschriebenen Ausführungsformen umfassen eine Reihe von Modulen. Module können hierin auch als „Komponenten” oder „Funktionseinheiten” bezeichnet werden. Darüber hinaus können Module und/oder Komponenten als „computerausgeführt” und/oder „computerimplementiert” bezeichnet werden; dies ist indikativ dafür, dass die Module im Rahmen eines Computersystems implementiert werden, das typischerweise einen Prozessor und einen Speicher umfasst. Im Allgemeinen ist ein Modul eine Komponente eines Systems, das bestimmte Operationen für die Implementierung einer bestimmten Funktionalität ausführt. Beispiele für Funktionalitäten umfassen den Empfang von Messwerten (z. B. durch ein Messwert-Erfassungsmodul), die Berechnung einer Erfahrungsbewertung (z. B. durch ein Bewertungsmodul) und verschiedene andere in den Ausführungsformen dieser Offenlegung beschriebene Funktionalitäten. Obwohl die Namen vieler der hier beschriebenen Module beinhaltet das Wort "Modul" im Namen (z.b., das Scoring Modul 150), dies ist nicht der Fall mit allen Modulen; einige Namen von Modulen beschriebenen umfassen nicht das Wort "Modul" in Ihrem Namen (z. B. das Profil Komparator, 133).
  • Im Folgenden wird eine allgemeine Anmerkung über die Verwendung von Bezugszeichen in dieser Veröffentlichung. Es ist darauf hinzuweisen, dass in dieser Offenbarung, als allgemeine Praxis, die die gleiche Referenz Ziffer wird in verschiedenen Ausführungsformen für ein Modul, wenn das Modul führt die gleiche Funktionalität (z. B., wenn sie im wesentlichen die gleichen Typs/Formats von Daten. So, wie er typischerweise benutzt wird, wird die gleiche Referenz Ziffer kann für ein Modul, das die Daten verarbeitet. Obwohl die Daten gesammelt werden können in unterschiedlicher Weise und/oder repräsentieren unterschiedliche Dinge in verschiedenen Ausführungsarten. Zum Beispiel, die referenz Ziffer 150 wird verwendet, um die zählenden Modul in verschiedenen Ausführungsformen hierin beschrieben. Die Funktionalität kann der im Wesentlichen den gleichen in jeder der verschiedenen Ausführungsarten – Die Scoring Modul 150 berechnet ein Ergebnis aus Messungen von mehreren Benutzern; jedoch in jeder Verkörperung, die Messungen für die Berechnung der Punktzahl unterschiedlich sein kann. Zum Beispiel, in einem Verkörperung, die Messungen kann der Benutzer eine Erfahrung (im Allgemeinen), und in einer anderen Verkörperung, die Messungen können von Benutzern, die eine spezifischere Erfahrung (z.b. Benutzer, waren in einem Hotel, Benutzer, hatte eine Erfahrung während eines bestimmten Zeitabschnitts, oder Benutzer, die auf eine bestimmte Art von Nahrung). In den obigen Beispielen, die verschiedenen Arten von Messungen bereitgestellt werden können, die zum gleichen Modul (möglicherweise nach den gleichen Hinweis Ziffer) im Hinblick auf eine ähnliche Art von Wert (d. h., ein Ergebnis, ein Ranking, Funktion Parameter, eine Empfehlung, etc.).
  • Es ist zu beachten, dass, obwohl die Verwendung des Übereinkommens beschrieben, beinhaltet die Verwendung der gleichen Referenz Zahlzeichen für Module ist eine allgemeine Praxis in dieser Offenbarung, es ist nicht unbedingt mit Bezug auf alle hier beschriebenen Ausführungsarten. Module nach einer anderen Referenz Ziffer kann dieselbe (oder Ähnliches), und die Tatsache, dass sie nach dieser Unterrichtung durch eine andere Referenz Ziffer nicht bedeutet, dass Sie möglicherweise nicht über die gleiche Funktionalität.
  • Die Ausführung von Modulen, die in den in dieser Offenlegung beschriebenen Ausführungsformen umfasst sind, erfordert typischerweise Hardwares. Beispielsweise kann ein Modul ein dediziertes Schaltungskonzept oder eine dedizierte Logik umfassen, das/die dauerhaft zur Ausführung bestimmter Operationen konfiguriert ist (z. B. als ein spezieller Prozessor, wie beispielsweise ein Field-Programmable-Gate-Array (FPGA) oder eine anwendungsspezifische integrierte Schaltung (ASIC)). Zusätzlich oder alternativ kann ein Modul eine programmierbare Logik oder ein programmierbares Schaltungskonzept umfassen (z. B. wie in einem allgemeinen Prozessor oder in einem anderen programmierbaren Prozessor umfasst), die/das vorübergehend durch eine Software zur Ausführung bestimmter Operationen konfiguriert ist. Beispielsweise ein Computer System wie das Computersystem dargestellt in kann verwendet werden, um die Implementierung eines oder mehrere Module. In einigen Fällen kann ein Modul unter Verwendung sowohl eines dedizierten Schaltungskonzepts als auch eines programmierbaren Schaltungskonzepts implementiert werden. Beispielsweise kann ein Erfassungsmodul unter Verwendung eines dedizierten Schaltungskonzepts implementiert werden, das mit einem Sensor erfasste Signale vorverarbeitet (z. B. ein Schaltungskonzept, das zu einem Gerät des Benutzers gehört), und kann das Erfassungsmodul darüber hinaus mit einem allgemeinen Prozessor implementiert werden, der von mehreren Benutzern empfangene Daten organisiert und zusammenführt.
  • Es wird verstanden werden, dass die Entscheidung für die Implementierung eines Moduls in einem dedizierten, dauerhaft konfigurierten Schaltungskonzept und/oder in einem temporär konfigurierten Schaltungskonzept (z. B. durch Software konfiguriert) durch verschiedene Überlegungen wie beispielsweise Überlegungen hinsichtlich der Kosten, Zeit und Leichtigkeit der Produktion und/oder des Vertriebs bestimmt werden kann. In jedem Fall sollte der Begriff „Modul” derart verstanden werden, dass er eine greifbare Entität umfasst, sei es eine Entität, die physisch konstruiert ist, dauerhaft konfiguriert ist (z. B. festverdrahtet) oder temporär konfiguriert ist (z. B. programmiert), um auf eine bestimmte Weise zu operieren oder bestimmte hierin beschriebene Operationen auszuführen. In Ausführungsformen, in denen die Module temporär konfiguriert (z. B. programmiert) sind, muss nicht jedes Modul zu jedem Zeitpunkt konfiguriert oder instanziiert werden. Beispielsweise kann ein allgemeiner Prozessor derart konfiguriert sein, dass er verschiedene Module zu unterschiedlichen Zeiten ausführt.
  • In einigen Ausführungsformen implementiert ein Prozessor ein Modul durch Ausführung von Anweisungen, die zumindest ein Teil der Funktionalität des Moduls implementieren. Optional kann ein Speicher die Anweisungen (z. B. als Computer-Code) speichern, die durch den Prozessor gelesen und verarbeitet werden und bewirken, dass der Prozessors zumindest einige an der Implementierung der Funktionalität des Moduls beteiligte Operationen durchführt. Zusätzlich oder alternativ kann der Speicher Daten (z. B. Messwerte der affektiven Reaktion) speichern, die durch den Prozessor gelesen und verarbeitet werden, um zumindest einen Teil der Funktionalität des Moduls zu implementieren. Der Speicher kann ein oder mehrere Hardware-Elemente umfassen, die Informationen speichern können, die für einen Prozessor zugänglich sind. In einigen Fällen kann der Speicher zumindest teilweise als ein Teil des Prozessors oder als auf demselben Chip wie der Prozessor befindlich gelten, während der Speicher in anderen Fällen als ein von dem Prozessor separates materielles Element gelten kann. Unter Bezugnahme auf zum Beispiel 27 gilt, dass ein Prozessor oder mehrere Prozessoren 401 auf dem Speicher 402 (der ein oder mehrere Speichergeräte umfassen kann) gespeicherte Anweisungen ausführen kann, die an der Implementierung der Funktionalität eines bestimmten Moduls beteiligte Operationen durchführen.
  • Der eine Prozessor oder die mehreren Prozessoren können zudem operieren, um die Leistung der relevanten Operationen in einer Umgebung mit „Cloud-Computing” oder als „Software-as-a-Service” (SaaS) zu unterstützen. Zum Beispiel können zumindest einige der an der Implementierung eines Moduls beteiligten Operationen durch eine Gruppe von Computern durchgeführt werden, die über ein Netzwerk (z. B. das Internet) und/oder über eine oder mehrere entsprechende Schnittstellen (z. B. Anwendungsprogramm-Schnittstellen (API)) zugänglich sind. Optional können einige der Module in einer verteilten Weise zwischen mehreren Prozessoren ausgeführt werden. Der eine Prozessor oder die mehrere Prozessoren können sich an einem geographischen Ort befinden (z. B. in einer häuslichen Umgebung, einer Büroumgebung oder einer Serverfarm) und/oder auf mehrere geographische Ort verteilt sein. Optional können einige Module die Ausführung von Anweisungen auf Geräten umfassen, die zu den Benutzern gehören und/oder sich neben den Benutzern befinden. Beispielsweise können Verfahren, die eine Datenaufbereitung und/oder Präsentation von Ergebnissen umfassen, teilweise oder vollständig auf Prozessoren ausgeführt werden, die zu Geräten der Benutzer gehören (z. B. Smartphones und/oder tragbare Computer). In diesem Beispiel können vorverarbeitete Daten weiterhin zu cloud-basierten Servern zur weiteren Verarbeitung hochgeladen werden. Darüber hinaus kann die Vorverarbeitung und/oder Präsentation von Ergebnissen für einen Benutzer durch einen im Namen des Benutzers operierenden Software-Agenten durchgeführt werden.
  • In einigen Ausführungsformen können Module anderen Modulen Informationen bereitstellen und/oder Informationen von anderen Modulen empfangen. Entsprechend können solche Module als kommunikativ gekoppelt gelten. Wenn mehrere solcher Module gleichzeitig vorhanden sind, können Kommunikationen durch Signalübertragung (z. B. über entsprechende Schaltungen und Datenbusse) erreicht werden. In Ausführungsformen, in denen Module zu unterschiedlichen Zeiten konfiguriert oder instanziiert werden, können Kommunikationen zwischen solchen Modulen beispielsweise durch das Speichern und Abrufen von Informationen in Speicherstrukturen, auf die mehreren Module zugreifen können, erreicht werden. Beispielsweise kann ein Modul einen Operation ausführen und das Output dieser Operation auf einem Speichergerät speichern, mit dem es kommunikativ gekoppelt ist. Ein anderes Modul kann dann zu einem späteren Zeitpunkt auf das Speichergerätes zugreifen, um das gespeicherte Output abzurufen und zu verarbeiten.
  • Es ist zu anzumerken, dass wenn in den Patentansprüchen ein abhängiger Patentanspruch eines Systems gemäß einer der folgenden Struktur ähnlichen Struktur formuliert wird: „die außerdem das Modul X umfassen, das dazu konfiguriert ist, Y zu tun”, dies wie folgt zu interpretieren ist: „der Speicher ist außerdem dazu konfiguriert, das Modul X zu speichern, der Prozessor ist außerdem dazu konfiguriert, das Modul X auszuführen, und das Modul X ist dazu konfiguriert, Y zu tun”.
  • Module und andere Elemente (z.b. Datenbanken oder Modelle) sind in der Regel dargestellt in Form von Zahlen in dieser Offenlegung als geometrische Formen (z. B. Rechtecke), über Leitungen angeschlossen werden können. Eine Zeile zwischen zwei Formen zeigt gewöhnlich eine Beziehung zwischen den beiden Elementen der Formen repräsentieren, wie eine Kommunikation, die einen Austausch von Informationen und/oder Steuersignale zwischen den beiden Elementen. Dies bedeutet nicht, dass in jedem Verkörperung gibt es eine solche Beziehung zwischen den beiden Elementen, sondern es dient zur Veranschaulichung, dass in einigen Ausgestaltungen wie ein Zusammenhang bestehen kann. Ebenso ist eine bidirektionale Verbindung (z.b. ein Pfeil) zwischen zwei Formen kann darauf hinweisen, dass in einigen Ausführungsformen, die Beziehung zwischen den beiden Elementen vertreten durch den Formen ist bidirektional, entsprechend der Pfeilrichtung (z.b. ein Element stellt das andere mit Informationen). Allerdings ist die Verwendung von einem Pfeil weist nicht darauf hin, dass der Austausch von Informationen zwischen den Elementen nicht in umgekehrter Richtung.
  • Die Abbildungen in dieser Veröffentlichung zeigen einige, aber nicht unbedingt alle, die Verbindungen zwischen den Modulen und/oder einem anderen System. So kann beispielsweise ein Mangel an einer Verbindungslinie zwischen zwei Elementen bedeutet nicht notwendigerweise, dass es keine Beziehung zwischen den beiden Elementen, z.b. mit irgendeiner Form der Kommunikation zwischen den beiden. Zusätzlich wird die Darstellung in eine Darstellung der Module als separate Entitäten erfolgt zu betonen verschiedene Funktionalitäten der Module. In einigen Ausführungsformen, Module, werden dargestellt und/oder beschrieben als getrennte Einheiten können in der Tat umgesetzt werden über die gleiche Software und in anderen Verkörperungen, ein Modul, das veranschaulicht und/oder als ein einzelnes Element kann in der Tat umgesetzt werden über mehrere Programme und/oder mehrere Hardware-Elementen möglicherweise an verschiedenen Standorten.
  • Gemäß der Verwendungsweise hierin bedeutet jede Bezugnahme auf „eine Ausführungsform”, dass ein bestimmtes, im Zusammenhang mit der Ausführungsform beschriebenes Element, Funktion, Struktur oder Eigenschaft in mindestens einer Ausführungsform umfasst ist. Darüber hinaus beziehen sich separate Bezugnahmen auf „eine Ausführungsform” oder „einige Ausführungsformen” in dieser Beschreibung nicht unbedingt auf dieselbe Ausführungsform. Darüber hinaus müssen sich Bezugnahmen auf „eine Ausführungsform” und „eine andere Ausführungsform” oder „eine weitere Ausführungsform” nicht unbedingt auf verschiedene Ausführungsformen beziehen, können aber Begriffe sein, die manchmal zur Veranschaulichung verschiedener Aspekte einer Ausführungsform verwendet werden. Ebenso können sich Bezugnahmen auf „einige Ausführungsformen” und „andere Ausführungsformen” oder „weitere Ausführungsformen” manchmal auf dieselben Ausführungsformen beziehen.
  • Ein vorgegebener Wert, wie beispielsweise ein vorgegebener Schwellenwert, ist hierin ein Festwert und/oder ein Wert, der zu einem beliebigen Zeitpunkt vor der Durchführung einer Berechnung, die einen bestimmten Wert mit dem vorgegebenen Wert vergleicht, bestimmt wird. Des Weiteren gilt ein Wert als ein vorgegebener Wert, wenn der Schwellenwert einen Wert betrifft, der erreicht werden muss (damit der Schwellenwert erreicht wird), und die zur Berechnung des Werts verwendete Logik vor dem Beginn der Berechnungen zur Feststellung, ob der Wert erreicht wird (d. h. vor dem Beginn der Berechnungen zur Feststellung, ob der vorgegeben Schwellenwert erreicht wird), bekannt ist. Beispiele für die oben erwähnte Logik umfassen ein Schaltungskonzept, einen Computercode und/oder Schritte eines Algorithmus.
  • Einige Ausführungsformen können unter Verwendung des Ausdrucks „gekoppelt” und/oder „verbunden” sowie daraus abgeleiteten Wörtern beschrieben werden. Beispielsweise können einige Ausführungsformen unter Verwendung des Begriffs „gekoppelt” beschrieben werden, um anzugeben, dass sich zwei oder mehrere Elemente in direktem physischen oder elektrischen Kontakt befinden. Der Begriff „gekoppelt” kann jedoch auch bedeuten, dass zwei oder mehr Elemente nicht in direktem Kontakt mit einander stehen, aber dennoch miteinander kooperieren oder interagieren. Die Ausführungsformen sind in diesem Zusammenhang nicht eingeschränkt.
  • Einige Verkörperungen beschrieben werden kann mit dem Verb "anzeigend", das Adjektiv "indikativ", und/oder die Verwendung von Varianten. Beispiel: Ein Wert kann beschrieben werden als "indikativ" von etwas. Wenn ein Wert ist ein Hinweis auf etwas, das bedeutet, dass der Wert direkt beschreibt das etwas und/oder wahrscheinlich ist dahin auszulegen, dass etwas (z. B. durch eine Person und/oder Software, die Prozesse der Wert). Verben der Form "Anzeige" oder "zeigen" kann eine aktive und/oder passive Bedeutung, je nach Kontext. Zum Beispiel, wenn ein Modul zeigt etwas, das Sinn entsprechen kann, die Bereitstellung von Informationen durch die direkte Angabe der etwas und/oder Bereitstellung von Informationen, ist wahrscheinlich zu interpretieren (z. B. durch einen menschlichen oder Software) zu bedeuten, die etwas. In einem anderen Beispiel wird ein Wert bezeichnet wird, kann als Hinweis auf etwas (z.b. eine Bestimmung gibt, dass ein Risiko einen Schwellenwert erreicht), in diesem Fall wird das Verb "zeigen" hat eine passive Bedeutung; Prüfung des Wertes zu dem Schluß führen würden, zu denen es gibt (z.b. Analyse der Bestimmung würde man zu dem Schluss, dass das Risiko erreicht die Schwelle).
  • Gemäß der Verwendungsweise hierin sollen die Begriffe „umfasst”, „umfassen”, „umfassend”, „enthält”, „beinhalten” „betrifft”, „hat” und ähnliche Begriffe oder jedwede andere Varianten dieser eine nicht ausschließliche Inklusion abdecken. Beispielsweise ist ein Prozess, eine Methode, ein Gegenstand oder ein Gerät, der/die/das eine Liste von Elementen umfasst, nicht notwendigerweise nur auf diese Elemente beschränkt, sondern kann andere Elemente umfassen, die nicht ausdrücklich aufgeführt oder einem solchen Prozess, einer solchen Methode, einem solchen Gegenstand oder einem solchen Gerät inhärent sind.
  • Darüber hinaus wird die Verwendung von „ein” oder „eine” eingesetzt, um ein oder mehrere Elemente/Komponenten/Schritte/Module/Dinge der Ausführungsformen hierin zu beschreiben. Diese Beschreibung sollte so gedeutet werden, dass sie eins oder mindestens eins umfasst, und der Singular umfasst auch den Plural, es sei denn, dass es offensichtlich ist, dass dies anders gemeint ist. Darüber hinaus soll der Ausdruck „auf der Grundlage von” „zumindest teilweise auf der Grundlage von” bedeuten. Zum Beispiel bedeutet die Aussage, dass eine Bewertung „auf der Grundlage von Messwerten” berechnet wird, dass die Berechnung neben den Messwerten zusätzliche Daten verwenden darf, die nicht Messwerte sind, wie beispielsweise Modelle, Abrechnungen und/oder demographische Daten von Benutzern.
  • Obwohl diese Offenlegung in Abschnitt mit verschiedenen Titeln unterteilt ist, erfolgt diese Unterteilung nur zum Zwecke der Unterstützung des Lesers und soll in keiner Weise einschränkend sein. Insbesondere können die in dieser Offenlegung beschriebenen Ausführungsformen Elemente, Merkmale, Komponenten, Schritte und/oder Module umfassen, die in verschiedenen Abschnitten dieser Offenlegung vorkommen, die verschiedene Titel haben. Darüber hinaus sollen die Abschnittsnummerierung und/oder Stelle in der Offenlegung der Thematik nicht als indikativ für eine Reihenfolge und/oder Wichtigkeit interpretiert werden. Eine Methode kann z. B. Schritte umfassen, die in Abschnitten mit verschiedenen Nummern beschriebenen werden. Diese Nummern und/oder die relative Stelle des Abschnitts in der Offenlegung dürfen in keiner Weise als indikativ für eine Reihenfolge interpretiert werden, nach der die Schritte beim Ausführen der Methode ausgeführt müssen.
  • In Bezug auf die hierin beschriebenen Computersysteme kann es verschiedene Möglichkeiten zur Beschreibung von Systemen geben, die eine ähnliche Funktionalität wie eine Zusammenstellung von Modulen implementieren. Beispielsweise kann, was als ein einzelnes Modul in einer Ausführungsform beschrieben wird, in einer weiteren Ausführungsform unter Verwendung von mehr als einem Modul beschrieben werden. Eine solche Entscheidung über eine Trennung eines Systems in Module und/oder über die Art einer Interaktion zwischen Modulen kann durch verschiedene Erwägungen gelenkt werden. Eine Erwägung, die für einige Ausführungsformen relevant sein kann, betrifft die Frage, wie ein System eindeutig und logisch in mehrere Komponenten unterteilt werden kann, die jeweils eine bestimmte Funktionalität ausführen. Somit können beispielsweise Hardware- und/oder Software-Elemente, die eine bestimmte Funktionalität betreffen, zu einem einzelnen Modul gehören. Eine andere Erwägung, die für einige Ausführungsformen relevant sein kann, betrifft die Gruppierung von Hardware- und/oder Software-Elementen, die an einem bestimmten Ort gemeinsam genutzt werden. Beispielsweise können Elemente, die am Benutzerende operieren, zu einem einzelnen Modul gehören, während andere Elemente, die auf einer Serverseite operieren, zu einem anderen Modul gehören können. Eine weitere Erwägung, die für einige Ausführungsformen relevant sein kann, betrifft die Zusammengruppierung von Hardware- und/oder Software-Elementen, die während einer bestimmten Zeit und/oder Phase des Lebenszyklus der Daten zusammenarbeiten. Zum Beispiel können Elemente, die mit Messwerten der affektiven Reaktion operieren, zu einem ersten Modul gehören, können Elemente, die mit einem Produkt der Messwerte operieren, zu einem zweiten Modul gehören, während die Elemente, die an der Darstellung eines auf dem Produkt basierenden Ergebnisses beteiligt sind, zu einem dritten Modul gehören können.
  • Es ist anzumerken, dass die im Wesentlichen selben Ausführungsformen auf unterschiedliche Weise beschrieben werden können. In einem Beispiel kann eine erste Beschreibung eines Computersystems Beschreibungen von Modulen umfassen, die zu seiner Implementierung verwendet werden. Eine zweite Beschreibung des im Wesentlichen selben Computersystems kann eine Beschreibung von Operationen umfassen, für deren Ausführung ein Prozessor konfiguriert ist (die die Funktionalität der zu der ersten Beschreibung gehörenden Module implementieren). Die in der zweiten Beschreibung aufgezählten Operationen können in einigen Fällen als Schritten einer computerimplementierten, die Funktionalität des Computersystems durchführenden Methode entsprechend betrachtet werden. In einem weiteren Beispiel kann eine erste Beschreibung eines computerlesbaren Datenträgers eine Beschreibung eines Computercodes umfassen, der bei der Ausführung auf einem Prozessor Vorgänge durchführt, die bestimmten Schritten einer computerimplementierten Methode entsprechen. Eine zweite Beschreibung des im Wesentlichen selben computerlesbaren Datenträgers kann eine Beschreibung von Modulen umfassen, die durch ein Computersystem zu implementieren sind, das einen Prozessor hat, der auf dem computerimplementierten Medium gespeicherten Code ausführt. Die Module, die in der zweiten Beschreibung beschrieben werden, können in einigen Fällen als dieselbe Funktionalität wie durch Ausführung der den bestimmten Schritten der computerimplementierten Methode entsprechenden Operationen produzierend betrachtet werden.
  • Obgleich die hierin offengelegten Methoden mit Bezug auf bestimmte, in einer bestimmten Reihenfolge durchgeführte Schritte beschrieben und dargestellt werden können, ist davon auszugehen, dass diese Schritte zur Bildung einer äquivalenten Methode ohne Abweichung von den Lehren der Ausführungsformen kombiniert, unterteilt und/oder umgeordnet werden können. Entsprechend, sofern nicht ausdrücklich hierin angegeben, stellen die Reihenfolge und Gruppierung der Schritte keine Einschränkung der Ausführungsformen dar. Darüber hinaus werden die Methoden und Mechanismen der Ausführungsformen aus Gründen der Übersichtlichkeit manchmal in der Singularform beschrieben. Jedoch können einige Ausführungsformen, sofern nicht anders angegeben, mehrere Iterationen einer Methode oder mehrere Instanziierungen eines Mechanismus umfassen. Wenn beispielsweise ein Prozessor in einer Ausführungsform offengelegt wird, soll der Anwendungsbereich der Ausführungsform auch die Verwendung mehrerer Prozessoren abdecken. Bestimmte Merkmale der Ausführungsformen, die möglicherweise aus Gründen der Übersichtlichkeit im Kontext separater Ausführungsformen beschrieben wurden, können zudem in verschiedenen Kombinationen in einer einzigen Ausführungsform bereitgestellt werden. Umgekehrt können verschiedene Merkmale der Ausführungsformen, die möglicherweise aus Platzgründen im Kontext einer einzigen Ausführungsform beschrieben wurden, zudem separat oder in jedweder geeigneten Unterkombination bereitgestellt werden.
  • Einige hier beschriebenen Ausführungsformen können mit verschiedenen Computersystemkonfigurationen ausgeübt werden, wie z. B.: Cloud-Computing, ein Client-Server-Modell, Grid-Computing, Peer-to-Peer, Handheld-Geräte, Multiprozessor-Systeme, mikroprozessorbasierte Systeme, programmierbare Unterhaltungselektronik, Minicomputer und/oder Großrechner. Zusätzlich oder alternativ können einige der Ausführungsformen in einer verteilten Computerumgebung ausgeübt werden, in der die Aufgaben durch Fernbearbeitungsgeräte durchgeführt werden, die über ein Kommunikationsnetz verbunden sind. In einer verteilten Computerumgebung können Programmkomponenten in sowohl lokalen und als auch entfernten Computer- und/oder Speichergeräten lokalisiert sein. Zusätzlich oder alternativ können einige der Ausführungsformen in Form eines Dienstes wie Infrastructure-as-a-Service (IaaS), Platform-as-a-Service (PaaS), Software-as-a-Service (SaaS) und/oder Network-as-a-Service (NaaS) ausgeübt werden.
  • In Verbindung mit konkreten Beispielen beschriebene Ausführungsformen werden beispielhalber und nicht einschränkungshalber dargestellt. Darüber hinaus ist es offensichtlich, dass einer auf dem Gebiet der Technik qualifizierten Person viele Alternativen, Modifikationen und Variationen ersichtlich sein werden. Es ist davon auszugehen, dass andere Ausführungsformen angewendet und strukturelle Veränderungen vorgenommen werden können, ohne vom Anwendungsbereich der angefügten Patentansprüche und ihrer Entsprechungen abzuweichen.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 8938403 [0587]
    • US 8898091 [0590]
    • US 20140278219 [0718]
    • US 9087058 [0726]
    • US 8762102 [0726]
    • US 2014/0108309 [0794]
    • US 9019174 [0990]
  • Zitierte Nicht-Patentliteratur
    • Eckert et al. Eckert et al. (2013), „Novel molecular and nanosensors for in vivo sensing”, in Theranostics, 3.8:583 [0550]
    • Chen et al. A survey” in Mobile networks and applications 16.2 (2011): 171–193 [0551]
    • et al., „A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals”, in Journal of Neural Engineering, 4(2):R32, 2007 [0552]
    • Lotte, et al., „Electroencephalography (EEG)-based Brain Computer Interfaces”, in Wiley Encyclopedia of Electrical and Electronics Engineering, S. 44, 2015 [0552]
    • Ekman S. (1999), „Basic Emotions”, in Dalgleish und Power, Handbook of Cognition and Emotion, Chichester, UK: Wiley [0563]
    • Watson et al. (1988), „Development and validation of brief measures of positive and negative affect: the PANAS scales”, Journal of Personality and Social Psychology 54.6: 1063. [0564]
    • Ortony, et al. (1988) „The Cognitive Structure of Emotions”, Cambridge University Press [0566]
    • Godin et al. (Godin et al. (2015), „Selection of the Most Relevant Physiological Features for Classifying Emotion”, in Emotion 40:20 [0599]
    • van Broek, E. L., et al. (2009), „Prerequisites for Affective Signal Processing (ASP)”, in „Proceedings of the International Joint Conference on Biomedical Engineering Systems and Technologies”, INSTICC Press [0603]
    • Gunes, H., & Pantic, M. (2010), Automatic, Dimensional and Continuous Emotion Recognition, International Journal of Synthetic Emotions, 1 (1), 68–99 [0603]
    • Zeng, Z, et al. (2009), „A survey of affect recognition methods: audio, visual, and spontaneous expressions”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 31 (1), 39–58 [0603]
    • Calvo, R. A., & D'Mello, S. (2010) „Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications”, IEEE Transactions on affective computing 1(1), 18–37 [0603]
    • Noronha, et al., "Platemate: crowdsourcing nutritional analysis from food photographs", Proceedings of the 24th annual ACM symposium on User interface software and technology, ACM, 2011 [0715]
    • Noronha et. al. in „Platemate: crowdsourcing nutritional analysis from food photographs” in „Proceedings of the 24th annual ACM symposium on User interface software and technology” (2011) [0720]
    • Broek, E.L., et al. (2010) „Prerequisites for Affective Signal Processing(ASP) – Part II.” [0777]
    • Third International Conference on Bio-Inspired Systems and Signal Processing, Biosignals 2010 [0777]
    • Zeng, Z., et al. (2009) „A Survey of Affect Recognition Methods: Audio, Visual, and Spontaneous Expressions” in IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 31(1), 39–58 [0777]
    • Kim et al. (2013) „A review on the computational methods for emotional state estimation from the human EEG” in Computational and mathematical methods in medicine, Vol. 2013, Article ID 573734 [0777]
    • Chanel, Guillaume, et al. „Emotion assessment from physiological signals for adaptation of game difficulty” in IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 41.6 (2011): 1052–1063 [0777]
    • Dael et. al. (2012), „Emotion expression in body action and posture”, Emotion, 12(5), 1085 [0777]
    • Nicolaou et al. (2011), „Continuous Prediction of Spontaneous Affect from Multiple Cues and Modalities in Valence-Arousal Space”, IEEE Transactions on Affective Computing [0778]
    • Schels et al. (2013), „Multi-modal classifier-fusion for the recognition of emotions”, Kapitel 4 in Coverbal synchrony in Human-Machine Interaction [0778]
    • D'mello and Kory (2015), „A Review and Meta-Analysis of Multimodal Affect Detection Systems” in ACM Computing Surveys (CSUR) 47.3: 43 [0778]
    • J. Bennet und S. Lanning, „The Netflix Prize”, KDD Cup and Workshop, 2007 und die URL: www.netflixprize.com [1076]
    • Koren et al. (2009), „Matrix factorization techniques for recommender systems”, Computer 42.8 Seiten 30–37 [1076]
    • Salamatian et al. „How to hide the elephant- or the donkey- in the room: Practical privacy against statistical inference for large data,” Global Conference on Signal and Information Processing (GlobalSIP), 2013 IEEE, S.269–272 [1077]

Claims (17)

  1. System, das zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers konfiguriert ist, umfassend: einen mit dem Benutzer verbundenen Sensor, der dazu konfiguriert ist, einen Messwert der affektiven Reaktion des Benutzers zu erfassen; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat; und ein Bias-Subtrahierermodul, das dazu konfiguriert ist, Folgendes zu empfangen: (i) eine Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört; wobei der bestimmte Faktor das Ereignis charakterisiert und zu mindestens einem der folgenden Dinge gehört: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; und (ii) einen Bias-Wert, der zu dem bestimmten Faktor gehört und auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers berechnet wird; wobei die Messwerte zu Ereignissen gehören, die durch den bestimmten Faktor charakterisiert werden; das Bias-Subtrahierermodul ist außerdem dazu konfiguriert, einen korrigierten Messwert der affektiven Reaktion durch Subtraktion des Bias-Werts von dem Messwert der affektiven Reaktion zu berechnen; wobei der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf eine zu dem Ereignis gehörende affektive Reaktion ist; und wobei sich der Wert des Messwerts von dem Wert des korrigierten Messwerts unterscheidet.
  2. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers, umfassend: Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat; Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört; wobei der bestimmte Faktor das Ereignis charakterisiert und zu mindestens einem der folgenden Dinge gehört: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; und (ii) eines Bias-Werts, der zu dem bestimmten Faktor gehört und auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers berechnet wird; wobei die Messwerte zu durch den bestimmten Faktor charakterisierten Ereignissen und zu sich von der zu dem Ereignis gehörenden Erfahrung unterscheidenden Erfahrungen gehören; und Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion des Bias-Werts von dem Messwert der affektiven Reaktion; wobei der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf eine zu dem Ereignis gehörende affektive Reaktion ist; und wobei sich der Wert des Messwerts von dem Wert des korrigierten Messwerts unterscheidet.
  3. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers, umfassend: Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört; und (ii) eines Bias-Werts, der zu dem bestimmten Faktor gehört und auf der Grundlage von Messwerten der affektiven Reaktion des Benutzers berechnet wird; wobei die Messwerte zu Ereignissen gehören, die durch den bestimmten Faktor charakterisiert werden; Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat; Empfang einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass der bestimmte Faktor das erste Ereignis charakterisiert; Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion des Bias-Werts von dem ersten Messwert der affektiven Reaktion; wobei der Bias-Wert indikativ für eine Größenordnung einer erwarteten Auswirkung des bestimmten Faktors auf eine zu dem Ereignis gehörende affektive Reaktion ist; und wobei sich der Wert des ersten Messwerts von dem Wert des korrigierten Messwerts unterscheidet; Weiterleitung eines korrigierten Messwerts; Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert; und Weiterleitung des zweiten Messwerts.
  4. System, das zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers unter Verwendung eines Emotionsreaktions-Prädiktors konfiguriert ist, umfassend: einen mit dem Benutzer verbundenen Sensor, der dazu konfiguriert ist, einen Messwert der affektiven Reaktion des Benutzers zu erfassen; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat; ein auf einem Emotionsreaktions-Prädiktor basierendes Bias-Korrekturmodul (ERP-BKM), das dazu konfiguriert ist, eine Angabe eines bestimmten Faktors zu empfangen, der zu dem zu korrigierenden Bias gehört; einen Merkmalsgenerator, der dazu konfiguriert ist, das Ereignis charakterisierende Faktoren zu empfangen; wobei die Faktoren den bestimmten Faktor umfassen und jeder das Ereignis charakterisierende Faktor zu mindestens einem der folgenden Dinge gehört: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; wobei der Merkmalsgenerator außerdem dazu konfiguriert ist, eine erste und zweite Menge von Merkmalswerten zu generieren; wobei die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt wird, in der die Gewichtung des bestimmten Faktors reduziert ist; und einen Emotionsreaktions-Prädiktor (ERP), der dazu konfiguriert ist, ein Modell zu empfangen und das Modell zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites, die erste beziehungsweise zweite Menge von Merkmalswerten umfassendes Sample zu verwenden; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der eine erwartete affektive Reaktion des Benutzers angibt; und wobei das Modell anhand von Daten trainiert wird, die Messwerte der affektiven Reaktion umfassen, die zu durch den bestimmten Faktor charakterisierten Ereignissen gehören; und wobei das ERP-BKM außerdem dazu konfiguriert ist, einen korrigierten Messwert der affektiven Reaktion durch Subtraktion eines Werts von dem Messwert zu berechnen, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist; und wobei sich der Wert des Messwerts von dem Wert des korrigierten Messwerts unterscheidet.
  5. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers unter Verwendung eines Emotionsreaktions-Prädiktors, umfassend: Empfang einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört; Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat; Empfang von Faktoren, die das Ereignis charakterisieren; wobei jeder das Ereignis charakterisierende Faktor zu mindestens einem der folgenden Dinge gehört: der Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; Generierung einer ersten und zweiten Menge von Merkmalswerten; wobei die erste Menge von Merkmalswerten auf der Grundlage der Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer modifizierten Version der Faktoren bestimmt wird, in der die Gewichtung des bestimmten Faktors reduziert ist; Empfang eines Modells eines Emotionsreaktions-Prädiktors (ERP) und Verwendung des Modells zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites, die erste beziehungsweise zweite Menge von Merkmalswerten umfassendes Sample; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der eine erwartete affektive Reaktion des Benutzers angibt; und wobei das Modell anhand von Daten trainiert wird, die Messwerte der affektiven Reaktion umfassen, die zu durch den bestimmten Faktor charakterisierten Ereignissen gehören; und Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion eines Werts von dem Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist; und wobei sich der Wert des Messwerts von dem Wert des korrigierten Messwerts unterscheidet.
  6. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers unter Verwendung eines Emotionsreaktions-Prädiktors, umfassend: Empfang: (i) einer Angabe eines bestimmten Faktors, der zu dem zu korrigierenden Bias gehört, und (ii) eines Modells eines Emotionsreaktions-Prädiktors (ERP); wobei das Modell anhand von Daten trainiert wird, die Messwerte der affektiven Reaktion umfassen, die zu durch den bestimmten Faktor charakterisierten Ereignissen gehören; Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat; Empfang einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass eine bestimmte Menge von Faktoren, die den bestimmten Faktor umfasst, das erste Ereignis charakterisiert; Generierung einer ersten und zweiten Menge von Merkmalswerten; wobei die erste Menge von Merkmalswerten auf der Grundlage der bestimmten Menge von Faktoren bestimmt wird und die zweite Menge von Merkmalswerten auf der Grundlage einer Modifizierung der bestimmten Menge von Faktoren durch Verringerung der Gewichtung des bestimmten Faktors bestimmt wird; Verwendung des Modells zum Erstellen einer ersten und zweiten Prognose für ein erstes und zweites, die erste beziehungsweise zweite Menge von Merkmalswerten umfassendes Sample; wobei die erste und zweite Prognose jeweils einen affektiven Wert umfassen, der die erwartete affektive Reaktion des Benutzers angibt; Berechnung eines korrigierten Messwerts der affektiven Reaktion durch Subtraktion eines Werts von dem ersten Messwert, der proportional zu einer Differenz zwischen der zweiten Prognose und der ersten Prognose ist; wobei sich der Wert des Messwerts von dem Wert des korrigierten Messwerts unterscheidet; Weiterleitung des korrigierten Messwerts; Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert; und Weiterleitung des zweiten Messwerts.
  7. System, das zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers konfiguriert ist, umfassend: einen Sensor, der mit dem Benutzer verbunden und dazu konfiguriert ist, den Messwert der affektiven Reaktion des Benutzers zu erfassen; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat; einen Ereignis-Annotator, der dazu konfiguriert ist, eine Beschreibung des Ereignisses zu generieren; wobei die Beschreibung Faktoren umfasst, die das Ereignis charakterisieren und mindestens zu einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; und ein Bias-Entfernungsmodul, das dazu konfiguriert ist, anhand der Beschreibung festzustellen, ob ein bestimmter Faktor das Ereignis charakterisiert; wobei das Bias-Entfernungsmodul außerdem dazu konfiguriert ist, einen korrigierten Messwert durch Änderung des Werts des Messwerts auf der Grundlage mindestens einiger Werte in einem Modell zu berechnen, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion des Benutzers, die zu Ereignissen gehören, bei denen der Benutzer verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse; wobei sich der Wert des korrigierten Messwerts von dem Wert des Messwerts unterscheidet.
  8. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers, umfassend: Erfassung eines Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der Messwert zu einem Ereignis gehört, bei dem der Benutzer eine zu dem Ereignis gehörende Erfahrung hat, und der Messwert erfasst wird, während der Benutzer die Erfahrung hat; Generierung einer Beschreibung des Ereignisses; wobei die Beschreibung Faktoren umfasst, die das Ereignis charakterisieren und zu mindestens einem der folgenden Dinge gehören: der zu dem Ereignis gehörende Benutzer, die zu dem Ereignis gehörende Erfahrung und die Instanziierung des Ereignisses; und als Reaktion auf die Feststellung, dass die Beschreibung indiziert, dass das Ereignis durch einen bestimmten Faktor charakterisiert wird, Berechnung eines korrigierten Messwerts durch Änderung des Werts des Messwerts auf der Grundlage mindestens einiger Werte in einem Modell, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion des Benutzers, die zu Ereignissen gehören, bei denen der Benutzer verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse; und wobei sich der Wert des korrigierten Messwerts von dem Wert des Messwerts unterscheidet.
  9. Verfahren zur Korrektur eines Bias in einem Messwert der affektiven Reaktion eines Benutzers, umfassend: Erfassung eines ersten und zweiten Messwerts der affektiven Reaktion des Benutzers unter Verwendung eines mit dem Benutzer verbundenen Sensors; wobei der erste und zweite Messwert zu einem ersten und zweiten Ereignis gehören, bei dem der Benutzer eine erste beziehungsweise zweite Erfahrung hat; Generierung einer ersten Beschreibung des ersten Ereignisses; wobei die erste Beschreibung indiziert, dass eine bestimmte Menge von Faktoren, die den bestimmten Faktor umfasst, das erste Ereignis charakterisiert; Berechnung eines korrigierten Messwerts durch Änderung des Werts des Messwerts auf der Grundlage mindestens einiger Werte in einem Modell, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion des Benutzers, die zu Ereignissen gehören, bei denen der Benutzer verschiedene Erfahrungen hat, und Beschreibungen der Ereignisse; und wobei sich der Wert des korrigierten Messwerts von dem Wert des Messwerts unterscheidet; Weiterleitung des korrigierten Messwerts; Empfang einer zweiten Beschreibung des zweiten Ereignisses; wobei die zweite Beschreibung nicht indiziert, dass der bestimmte Faktor das zweite Ereignis charakterisiert; und Weiterleitung des zweiten Messwerts.
  10. System, das dazu konfiguriert ist, ein Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, zu korrigieren, umfassend: einen Speicher zur Speicherung computerausführbarer Module; und einen Prozessor, der dazu konfiguriert ist, die computerausführbaren Module auszuführen; wobei die computerausführbaren Module umfassen: einen Ereignis-Annotator, der dazu konfiguriert ist, eine Beschreibung eines Ereignisses zu generieren, bei dem der Benutzer eine Erfahrung hat; wobei die Beschreibung indikativ für Faktoren ist, die das Ereignis charakterisieren und mindestens einen Faktor umfassen, der die Umgebung charakterisiert, in der der Benutzer die zu dem Ereignis gehörende Erfahrung hat; und ein Bias-Entfernungsmodul, das dazu konfiguriert ist: einen zu dem Ereignis gehörenden Messwert der affektiven Reaktion zu empfangen, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, und zu bestimmen, ob eine Beschreibung des Ereignisses indiziert, dass die Instanziierung des Ereignisses beinhaltet, dass der Benutzer die zu dem Ereignis gehörende Erfahrung in einer Umgebung hat, die durch eine bestimmte Umgebungsbedingung geprägt ist, und als Reaktion auf die dies indizierende Beschreibung einen korrigierten Messwert durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich der bestimmten Umgebungsbedingung zu berechnen; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet und die Berechnung des korrigierten Messwerts unter Verwendung eines Modells erfolgt, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektive Reaktion, die zu Ereignissen gehören, bei denen Erfahrungen in durch unterschiedliche Umgebungsbedingungen geprägten Umgebungen erlebt werden.
  11. Verfahren zur Korrektur eines Bias hinsichtlich einer Umgebung, in der ein Benutzer eine Erfahrung hat, umfassend: Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für Faktoren ist, die das Ereignis charakterisieren und mindestens einen Faktor umfassen, der die Umgebung charakterisiert, in der der Benutzer die zu dem Ereignis gehörende Erfahrung hat; Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird; Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass die Instanziierung des Ereignisses beinhaltet, dass der Benutzer die zu dem Ereignis gehörende Erfahrung in einer durch eine bestimmte Umgebungsbedingung geprägten Umgebung hat; und als Reaktion auf die dies indizierende Beschreibung Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich der bestimmten Umgebungsbedingung; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet.
  12. System, das dazu konfiguriert ist, ein Bias eines Benutzers hinsichtlich einer Begleitperson einer Erfahrung zu korrigieren, umfassend: einen Speicher zur Speicherung computerausführbarer Module; und einen Prozessor, der dazu konfiguriert ist, die computerausführbaren Module auszuführen; wobei die computerausführbaren Module umfassen: einen Ereignis-Annotator, der dazu konfiguriert ist, eine Beschreibung eines Ereignisses zu generieren, bei dem der Benutzer eine Erfahrung hat; wobei die Beschreibung indikativ für Faktoren ist, die das Ereignis charakterisieren und mindestens einen Faktor umfassen, der indiziert, mit wem der Benutzer die Erfahrung hatte; und ein Bias-Entfernungsmodul, das dazu konfiguriert ist: einen zu dem Ereignis gehörenden Messwert der affektiven Reaktion zu empfangen, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, und zu bestimmen, ob eine Beschreibung des Ereignisses indiziert, dass der Benutzer die Erfahrung zusammen mit einer bestimmten Person hatte, und als Reaktion auf die dies indizierende Beschreibung einen korrigierten Messwert durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Erlebens der Erfahrung mit der bestimmten Person zu berechnen; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet und die Berechnung des korrigierten Messwerts unter Verwendung eines Modells erfolgt, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, bei denen Erfahrungen mit der bestimmten Person erlebt werden, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, bei denen Erfahrungen ohne die bestimmte Person erlebt werden.
  13. Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich einer Begleitperson einer Erfahrung, umfassend: Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für Faktoren ist, die das Ereignis charakterisieren und mindestens einen Faktor umfassen, der indiziert, mit wem der Benutzer die Erfahrung hatte; Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird; Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Benutzer die Erfahrung zusammen mit einer bestimmten Person hatte, und als Reaktion auf die dies indizierende Beschreibung Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Erlebens der Erfahrung mit der bestimmten Person; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet.
  14. System, das dazu konfiguriert ist, ein Bias eines Benutzers hinsichtlich eines Charakteristikums eines Dienstleisters zu korrigieren, umfassend: einen Speicher zur Speicherung computerausführbarer Module; und einen Prozessor, der dazu konfiguriert ist, die computerausführbaren Module auszuführen; wobei die computerausführbaren Module umfassen: einen Ereignis-Annotator, der dazu konfiguriert ist, eine Beschreibung eines Ereignisses zu generieren, bei dem der Benutzer eine Erfahrung des Empfangs einer Dienstleistung von dem Dienstleister hat; wobei die Beschreibung indiziert, dass der Dienstleister das Charakteristikum aufweist; und ein Bias-Entfernungsmodul, das dazu konfiguriert ist: einen zu dem Ereignis gehörenden Messwert der affektiven Reaktion zu empfangen, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, und zu bestimmen, ob eine Beschreibung des Ereignisses indiziert, dass der Benutzer im Rahmen der Erfahrung eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister empfangen hat, und als Reaktion auf die dies indizierende Beschreibung einen korrigierten Messwert durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Charakteristikums zu berechnen; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet und die Berechnung des korrigierten Messwerts unter Verwendung eines Modells erfolgt, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die einen das Charakteristikum aufweisenden Dienstleister nicht betreffen.
  15. Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Charakteristikums eines Dienstleisters, umfassend: Generierung einer Beschreibung eines Ereignisses, bei dem der Benutzer eine Erfahrung hat, durch ein einen Prozessor und einen Speicher umfassendes System; wobei die Beschreibung indikativ für Faktoren ist, die das Ereignis charakterisieren und mindestens einen Faktor umfassen, der indiziert, dass der Dienstleister das Charakteristikum aufweist; Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird; Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Benutzer im Rahmen der Erfahrung eine Dienstleistung von einem das Charakteristikum aufweisenden Dienstleister empfangen hat; und als Reaktion auf die dies indizierende Beschreibung Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Charakteristikums; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet.
  16. System, das dazu konfiguriert ist, ein Bias eines Benutzers hinsichtlich eines Elements in einem Inhalt zu korrigieren, umfassend: einen Speicher zur Speicherung computerausführbarer Module; und einen Prozessor, der dazu konfiguriert ist, die computerausführbaren Module auszuführen; wobei die computerausführbaren Module umfassen: einen Ereignis-Annotator, der dazu konfiguriert ist, eine Beschreibung eines Ereignisses zu generieren, bei dem der Benutzer eine Erfahrung der Aufnahme eines Inhalts hat; wobei die Beschreibung indikativ für den das Element umfassenden Inhalt ist; und ein Bias-Entfernungsmodul, das dazu konfiguriert ist: einen zu dem Ereignis gehörenden Messwert der affektiven Reaktion zu empfangen, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird, und zu bestimmen, ob eine Beschreibung des Ereignisses indiziert, dass der Inhalt das Element umfasst, und als Reaktion auf die dies indizierende Beschreibung einen korrigierten Messwert durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Elements zu berechnen; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet und die Berechnung des korrigierten Messwerts unter Verwendung eines Modells erfolgt, das anhand von Daten trainiert wird, die umfassen: Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element umfassenden Inhalts betreffen, und Messwerte der affektiven Reaktion, die zu Ereignissen gehören, die die Aufnahme eines das Element nicht umfassenden Inhalts betreffen.
  17. Verfahren zur Korrektur eines Bias eines Benutzers hinsichtlich eines Elements in einem Inhalt, umfassend: Generierung einer Beschreibung eines Ereignisses durch ein einen Prozessor und einen Speicher umfassendes System, bei dem der Benutzer eine Erfahrung der Aufnahme eines bestimmten Inhalts hat; wobei die Beschreibung indikativ für den das Element umfassenden Inhalt ist; und Empfang eines zu dem Ereignis gehörenden Messwerts der affektiven Reaktion, der mit einem mit dem Benutzer verbundenen Sensor erfasst wird; Bestimmung, ob die Beschreibung des Ereignisses indiziert, dass der Inhalt das Element umfasst, und als Reaktion auf die dies indizierende Beschreibung Berechnung eines korrigierten Messwerts durch Änderung des Werts des empfangenen Messwerts bezüglich eines Bias des Benutzers hinsichtlich des Elements; wobei sich der Wert des korrigierten Messwerts von dem Wert des empfangenen Messwerts unterscheidet.
DE102016101650.0A 2015-01-29 2016-01-29 Korrektur von bias in messwerten der affektiven reaktion Withdrawn DE102016101650A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562109456P 2015-01-29 2015-01-29
US62/109,456 2015-01-29
US201562185304P 2015-06-26 2015-06-26
US62/185,304 2015-06-26

Publications (1)

Publication Number Publication Date
DE102016101650A1 true DE102016101650A1 (de) 2016-08-04

Family

ID=56410416

Family Applications (4)

Application Number Title Priority Date Filing Date
DE102016101665.9A Withdrawn DE102016101665A1 (de) 2015-01-29 2016-01-29 Auf datenschutzüberlegungen gestützte filterung von messwerten der affektiven reaktion
DE102016101643.8A Withdrawn DE102016101643A1 (de) 2015-01-29 2016-01-29 Filterung von durch bias verzerrten messwerten der affektiven reaktion
DE102016101661.6A Withdrawn DE102016101661A1 (de) 2015-01-29 2016-01-29 Auf datenschutzüberlegungen gestützte offenlegung von auf der grundlage von messwerten der affektiven reaktion berechneten crowd-basierten bewertungen
DE102016101650.0A Withdrawn DE102016101650A1 (de) 2015-01-29 2016-01-29 Korrektur von bias in messwerten der affektiven reaktion

Family Applications Before (3)

Application Number Title Priority Date Filing Date
DE102016101665.9A Withdrawn DE102016101665A1 (de) 2015-01-29 2016-01-29 Auf datenschutzüberlegungen gestützte filterung von messwerten der affektiven reaktion
DE102016101643.8A Withdrawn DE102016101643A1 (de) 2015-01-29 2016-01-29 Filterung von durch bias verzerrten messwerten der affektiven reaktion
DE102016101661.6A Withdrawn DE102016101661A1 (de) 2015-01-29 2016-01-29 Auf datenschutzüberlegungen gestützte offenlegung von auf der grundlage von messwerten der affektiven reaktion berechneten crowd-basierten bewertungen

Country Status (2)

Country Link
US (1) US10572679B2 (de)
DE (4) DE102016101665A1 (de)

Families Citing this family (148)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9493130B2 (en) * 2011-04-22 2016-11-15 Angel A. Penilla Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input
US11270699B2 (en) * 2011-04-22 2022-03-08 Emerging Automotive, Llc Methods and vehicles for capturing emotion of a human driver and customizing vehicle response
US10741285B2 (en) 2012-08-16 2020-08-11 Ginger.io, Inc. Method and system for providing automated conversations
US10276260B2 (en) 2012-08-16 2019-04-30 Ginger.io, Inc. Method for providing therapy to an individual
US10068670B2 (en) 2012-08-16 2018-09-04 Ginger.io, Inc. Method for modeling behavior and depression state
GB2526501A (en) 2013-03-01 2015-11-25 Redowl Analytics Inc Modeling social behavior
US20160321712A1 (en) * 2015-05-01 2016-11-03 Wadju Inc. Crowd Sourced Networked Target Feedback
US10045737B2 (en) 2015-06-14 2018-08-14 Facense Ltd. Clip-on device with inward-facing cameras
US10299717B2 (en) 2015-06-14 2019-05-28 Facense Ltd. Detecting stress based on thermal measurements of the face
US10045699B2 (en) 2015-06-14 2018-08-14 Facense Ltd. Determining a state of a user based on thermal measurements of the forehead
US10130299B2 (en) 2015-06-14 2018-11-20 Facense Ltd. Neurofeedback eyeglasses
US9968264B2 (en) 2015-06-14 2018-05-15 Facense Ltd. Detecting physiological responses based on thermal asymmetry of the face
US10080861B2 (en) 2015-06-14 2018-09-25 Facense Ltd. Breathing biofeedback eyeglasses
US10136852B2 (en) 2015-06-14 2018-11-27 Facense Ltd. Detecting an allergic reaction from nasal temperatures
US10085685B2 (en) 2015-06-14 2018-10-02 Facense Ltd. Selecting triggers of an allergic reaction based on nasal temperatures
US10113913B2 (en) * 2015-10-03 2018-10-30 Facense Ltd. Systems for collecting thermal measurements of the face
US10076270B2 (en) 2015-06-14 2018-09-18 Facense Ltd. Detecting physiological responses while accounting for touching the face
US10092232B2 (en) 2015-06-14 2018-10-09 Facense Ltd. User state selection based on the shape of the exhale stream
US10151636B2 (en) 2015-06-14 2018-12-11 Facense Ltd. Eyeglasses having inward-facing and outward-facing thermal cameras
US10045726B2 (en) 2015-06-14 2018-08-14 Facense Ltd. Selecting a stressor based on thermal measurements of the face
US10136856B2 (en) 2016-06-27 2018-11-27 Facense Ltd. Wearable respiration measurements system
US10154810B2 (en) * 2015-06-14 2018-12-18 Facense Ltd. Security system that detects atypical behavior
US10216981B2 (en) 2015-06-14 2019-02-26 Facense Ltd. Eyeglasses that measure facial skin color changes
US10130308B2 (en) 2015-06-14 2018-11-20 Facense Ltd. Calculating respiratory parameters from thermal measurements
US10076250B2 (en) 2015-06-14 2018-09-18 Facense Ltd. Detecting physiological responses based on multispectral data from head-mounted cameras
US10159411B2 (en) * 2015-06-14 2018-12-25 Facense Ltd. Detecting irregular physiological responses during exposure to sensitive data
US11103140B2 (en) * 2015-06-14 2021-08-31 Facense Ltd. Monitoring blood sugar level with a comfortable head-mounted device
US10165949B2 (en) 2015-06-14 2019-01-01 Facense Ltd. Estimating posture using head-mounted cameras
US10523852B2 (en) 2015-06-14 2019-12-31 Facense Ltd. Wearable inward-facing camera utilizing the Scheimpflug principle
US10064559B2 (en) 2015-06-14 2018-09-04 Facense Ltd. Identification of the dominant nostril using thermal measurements
US10130261B2 (en) 2015-06-14 2018-11-20 Facense Ltd. Detecting physiological responses while taking into account consumption of confounding substances
US9610510B2 (en) * 2015-07-21 2017-04-04 Disney Enterprises, Inc. Sensing and managing vehicle behavior based on occupant awareness
US9892281B1 (en) * 2015-07-28 2018-02-13 HCA Holdings, Inc. Testing using deidentified production data
US20170053172A1 (en) * 2015-08-20 2017-02-23 Kabushiki Kaisha Toshiba Image processing apparatus, and image processing method
CN107133190A (zh) * 2016-02-29 2017-09-05 阿里巴巴集团控股有限公司 一种机器学习系统的训练方法和训练系统
WO2017211614A1 (en) * 2016-06-07 2017-12-14 Koninklijke Philips N.V. Sensor privacy setting control
US10409824B2 (en) 2016-06-29 2019-09-10 International Business Machines Corporation System, method and recording medium for cognitive proximates
US11164224B2 (en) * 2016-07-22 2021-11-02 Aetna Inc. Smart application rating
US10856387B2 (en) * 2016-08-23 2020-12-01 Signify Holding B.V. Crowd entertainment
US10650621B1 (en) 2016-09-13 2020-05-12 Iocurrents, Inc. Interfacing with a vehicular controller area network
CN106530375B (zh) * 2016-09-28 2019-03-29 山东师范大学 一种个性化情绪感染的人群动画生成方法
WO2018069789A1 (en) * 2016-10-14 2018-04-19 Facense Ltd. Systems and methods to detect stress, allergy and thermal asymmetry
US10484429B1 (en) * 2016-10-26 2019-11-19 Amazon Technologies, Inc. Automated sensitive information and data storage compliance verification
US10158758B2 (en) 2016-11-02 2018-12-18 International Business Machines Corporation System and method for monitoring and visualizing emotions in call center dialogs at call centers
US10135979B2 (en) 2016-11-02 2018-11-20 International Business Machines Corporation System and method for monitoring and visualizing emotions in call center dialogs by call center supervisors
US10762135B2 (en) * 2016-11-21 2020-09-01 Adobe Inc. Recommending software actions to create an image and recommending images to demonstrate the effects of software actions
US10225273B2 (en) 2017-01-27 2019-03-05 International Business Machines Corporation Secured event monitoring leveraging blockchain
KR102520627B1 (ko) * 2017-02-01 2023-04-12 삼성전자주식회사 상품을 추천하는 디바이스 및 방법
WO2018165279A1 (en) * 2017-03-07 2018-09-13 Mighty AI, Inc. Segmentation of images
US10359292B2 (en) * 2017-04-05 2019-07-23 International Business Machines Corporation Deep learning allergen mapping
US10999296B2 (en) 2017-05-15 2021-05-04 Forcepoint, LLC Generating adaptive trust profiles using information derived from similarly situated organizations
US10347030B2 (en) 2017-05-15 2019-07-09 Envisics Ltd Adjusting depth of augmented reality content on a heads up display
US11888859B2 (en) 2017-05-15 2024-01-30 Forcepoint Llc Associating a security risk persona with a phase of a cyber kill chain
EP3410362B1 (de) * 2017-05-31 2022-03-30 HERE Global B.V. Verfahren und vorrichtung zur nächsten tokenvorhersage basierend auf zuvor beobachteten token
US10810773B2 (en) * 2017-06-14 2020-10-20 Dell Products, L.P. Headset display control based upon a user's pupil state
CN111095332B (zh) * 2017-07-06 2023-12-08 罗伯特·博世有限公司 用于保护隐私的社交媒体广告的方法和系统
US20190026473A1 (en) * 2017-07-21 2019-01-24 Pearson Education, Inc. System and method for automated feature-based alert triggering
US10643224B2 (en) * 2017-07-24 2020-05-05 Accenture Global Solutions Limited Analyzing event-associated connections
US10318729B2 (en) 2017-07-26 2019-06-11 Forcepoint, LLC Privacy protection during insider threat monitoring
US10764534B1 (en) 2017-08-04 2020-09-01 Grammarly, Inc. Artificial intelligence communication assistance in audio-visual composition
US10861267B2 (en) * 2017-08-04 2020-12-08 James Andrew Aman Theme park gamification, guest tracking and access control system
JP6808590B2 (ja) * 2017-08-08 2021-01-06 株式会社東芝 情報処理装置、情報処理方法、プログラムおよび移動体
US10867128B2 (en) 2017-09-12 2020-12-15 Microsoft Technology Licensing, Llc Intelligently updating a collaboration site or template
EP3684463A4 (de) 2017-09-19 2021-06-23 Neuroenhancement Lab, LLC Verfahren und vorrichtung für neuro-enhancement
US10742500B2 (en) * 2017-09-20 2020-08-11 Microsoft Technology Licensing, Llc Iteratively updating a collaboration site or template
US10769306B2 (en) * 2017-09-21 2020-09-08 International Business Machines Corporation Applying a differential privacy operation on a cluster of data
US11636368B2 (en) * 2017-10-16 2023-04-25 The Penn State Research Foundation Probabilistic multigraph modeling for improving the quality of crowdsourced affective data
JP6910919B2 (ja) * 2017-10-18 2021-07-28 株式会社日立製作所 システム及び意思疎通を図るために行うアクションの評価方法
US11157503B2 (en) * 2017-11-15 2021-10-26 Stochastic Processes, LLC Systems and methods for using crowd sourcing to score online content as it relates to a belief state
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
US11341138B2 (en) * 2017-12-06 2022-05-24 International Business Machines Corporation Method and system for query performance prediction
US20190180637A1 (en) * 2017-12-08 2019-06-13 The Regents Of The University Of Colorado, A Body Corporate Virtually Resilient Simulator
US10565762B2 (en) 2017-12-19 2020-02-18 International Business Machines Corporation Mitigation of bias in digital reality sessions
EP3506547A1 (de) * 2017-12-28 2019-07-03 Flytxt B.V. Bereitstellen von sicherheit gegen benutzerkollusion in der datenanalytik unter verwendung einer zufallsgruppenauswahl
US11273283B2 (en) 2017-12-31 2022-03-15 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to enhance emotional response
US11259729B2 (en) * 2018-03-15 2022-03-01 Arm Ltd. Systems, devices, and/or processes for behavioral and/or biological state processing
US11314787B2 (en) 2018-04-18 2022-04-26 Forcepoint, LLC Temporal resolution of an entity
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
WO2019209059A1 (en) * 2018-04-25 2019-10-31 Samsung Electronics Co., Ltd. Machine learning on a blockchain
US11019059B2 (en) * 2018-04-26 2021-05-25 Radware, Ltd Blockchain-based admission processes for protected entities
US11102190B2 (en) * 2018-04-26 2021-08-24 Radware Ltd. Method and system for blockchain based cyber protection of network entities
US11449635B2 (en) * 2018-05-16 2022-09-20 Microsoft Technology Licensing, Llc. Rule-based document scrubbing of sensitive data
KR102139855B1 (ko) * 2018-05-23 2020-07-30 한국과학기술원 사용자와 대화하며 내면 상태를 이해하고 긴밀한 관계를 맺을 수 있는 감성지능형 개인비서 시스템
JP6888732B2 (ja) * 2018-06-14 2021-06-16 住友電気工業株式会社 無線センサシステム、無線端末装置、通信制御方法および通信制御プログラム
US11810012B2 (en) 2018-07-12 2023-11-07 Forcepoint Llc Identifying event distributions using interrelated events
US11755584B2 (en) 2018-07-12 2023-09-12 Forcepoint Llc Constructing distributions of interrelated event features
US10949428B2 (en) 2018-07-12 2021-03-16 Forcepoint, LLC Constructing event distributions via a streaming scoring operation
US11436512B2 (en) 2018-07-12 2022-09-06 Forcepoint, LLC Generating extracted features from an event
KR101994455B1 (ko) * 2018-07-27 2019-06-28 박기업 시스템에 포함되는 노드들에 대하여 그룹을 운영하는 분산 네트워크 시스템
US11811799B2 (en) 2018-08-31 2023-11-07 Forcepoint Llc Identifying security risks using distributions of characteristic features extracted from a plurality of events
US11263550B2 (en) * 2018-09-09 2022-03-01 International Business Machines Corporation Audit machine learning models against bias
KR20200034020A (ko) 2018-09-12 2020-03-31 삼성전자주식회사 전자 장치 및 그의 제어 방법
US11452839B2 (en) 2018-09-14 2022-09-27 Neuroenhancement Lab, LLC System and method of improving sleep
US11301504B2 (en) * 2018-09-28 2022-04-12 International Business Machines Corporation Post hoc bias compensation
US10720123B2 (en) * 2018-10-05 2020-07-21 International Business Machines Corporation Self-adjusting curved display screen
US11025659B2 (en) 2018-10-23 2021-06-01 Forcepoint, LLC Security system using pseudonyms to anonymously identify entities and corresponding security risk related behaviors
US11817005B2 (en) 2018-10-31 2023-11-14 International Business Machines Corporation Internet of things public speaking coach
US11048690B2 (en) * 2018-11-21 2021-06-29 Adobe Inc. Contribution of multiparty data aggregation using distributed ledger technology
US11727458B2 (en) * 2018-11-29 2023-08-15 Cut And Dry Inc. Produce comparison system
EP3891681A4 (de) * 2018-12-04 2022-06-15 Mymy Music Inc. Verfahren und systeme zur angereizten beurteilung von künstlerischem inhalt
US11214268B2 (en) * 2018-12-28 2022-01-04 Intel Corporation Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles
GB2580937B (en) * 2019-01-31 2022-07-13 Sony Interactive Entertainment Europe Ltd Method and system for generating audio-visual content from video game footage
US10521655B1 (en) * 2019-02-11 2019-12-31 Google Llc Generating and provisioning of additional content for biased portion(s) of a document
US11314930B2 (en) * 2019-02-11 2022-04-26 Google Llc Generating and provisioning of additional content for source perspective(s) of a document
US11915179B2 (en) * 2019-02-14 2024-02-27 Talisai Inc. Artificial intelligence accountability platform and extensions
US11966870B2 (en) 2019-04-18 2024-04-23 Oracle International Corporation System and method for determination of recommendations and alerts in an analytics environment
JP7298284B2 (ja) * 2019-05-09 2023-06-27 富士通株式会社 演算処理装置、演算処理プログラム、及び演算処理方法
US20200366459A1 (en) * 2019-05-17 2020-11-19 International Business Machines Corporation Searching Over Encrypted Model and Encrypted Data Using Secure Single-and Multi-Party Learning Based on Encrypted Data
CN111985270B (zh) * 2019-05-22 2024-01-05 中国科学院沈阳自动化研究所 一种基于梯度提升树的sEMG信号最优通道选择方法
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
US11921881B2 (en) * 2019-08-01 2024-03-05 EMC IP Holding Company LLC Anonymous ranking service
US20210049282A1 (en) * 2019-08-12 2021-02-18 Privacy Analytics Inc. Simulated risk contribution
US11440194B2 (en) * 2019-09-13 2022-09-13 Honda Motor Co., Ltd. Physical human-robot interaction (pHRI)
US11163965B2 (en) * 2019-10-11 2021-11-02 International Business Machines Corporation Internet of things group discussion coach
CN110856201B (zh) * 2019-11-11 2022-02-11 重庆邮电大学 一种基于Kullback-Leibler散度的WiFi异常链路检测方法
US11915123B2 (en) * 2019-11-14 2024-02-27 International Business Machines Corporation Fusing multimodal data using recurrent neural networks
US11314790B2 (en) * 2019-11-18 2022-04-26 Salesforce.Com, Inc. Dynamic field value recommendation methods and systems
US11514292B2 (en) * 2019-12-30 2022-11-29 International Business Machines Corporation Grad neural networks for unstructured data
US11489862B2 (en) 2020-01-22 2022-11-01 Forcepoint Llc Anticipating future behavior using kill chains
US11630901B2 (en) 2020-02-03 2023-04-18 Forcepoint Llc External trigger induced behavioral analyses
GB202001468D0 (en) 2020-02-04 2020-03-18 Tom Tom Navigation B V Navigation system
US11429697B2 (en) 2020-03-02 2022-08-30 Forcepoint, LLC Eventually consistent entity resolution
US11836265B2 (en) 2020-03-02 2023-12-05 Forcepoint Llc Type-dependent event deduplication
US11893069B2 (en) * 2020-03-11 2024-02-06 Jencir Lee Platform, method, and system for a search engine of time series data
US11568136B2 (en) 2020-04-15 2023-01-31 Forcepoint Llc Automatically constructing lexicons from unlabeled datasets
US11488186B2 (en) * 2020-04-22 2022-11-01 Capital One Services, Llc Recommendation system for patterned purchases
US11516206B2 (en) 2020-05-01 2022-11-29 Forcepoint Llc Cybersecurity system having digital certificate reputation system
US11556720B2 (en) * 2020-05-05 2023-01-17 International Business Machines Corporation Context information reformation and transfer mechanism at inflection point
US11544390B2 (en) 2020-05-05 2023-01-03 Forcepoint Llc Method, system, and apparatus for probabilistic identification of encrypted files
US11895158B2 (en) 2020-05-19 2024-02-06 Forcepoint Llc Cybersecurity system having security policy visualization
US11375251B2 (en) 2020-05-19 2022-06-28 International Business Machines Corporation Automatically generating enhancements to AV content
US20220027565A1 (en) 2020-07-22 2022-01-27 Pandemic Insights, Inc. Behavior-modification messaging with pandemic-bio-surveillance multi pathogen systems
US11363275B2 (en) * 2020-07-31 2022-06-14 Netflix, Inc. Techniques for increasing the accuracy of subjective quality experiments
US20220058513A1 (en) * 2020-08-19 2022-02-24 Accenture Global Solutions Limited Veracity assessment of a data model
US11704387B2 (en) 2020-08-28 2023-07-18 Forcepoint Llc Method and system for fuzzy matching and alias matching for streaming data sets
US20220067547A1 (en) * 2020-09-01 2022-03-03 International Business Machines Corporation Smart environment mitigation of identified risk
CN112199717B (zh) * 2020-09-30 2024-03-22 中国科学院信息工程研究所 一种基于少量公共数据的隐私模型训练方法及装置
US11983271B2 (en) 2020-11-19 2024-05-14 International Business Machines Corporation Inline detection and prevention of adversarial attacks
US20220188328A1 (en) * 2020-12-14 2022-06-16 International Business Machines Corporation Bias detection
US20220247548A1 (en) * 2021-02-01 2022-08-04 Sap Se Efficient distributed privacy-preserving computations
US11741296B2 (en) 2021-02-18 2023-08-29 International Business Machines Corporation Automatically modifying responses from generative models using artificial intelligence techniques
US11481985B1 (en) * 2021-04-23 2022-10-25 International Business Machines Corporation Augmented reality enabled appetite enhancement
CN113141375A (zh) * 2021-05-08 2021-07-20 国网新疆电力有限公司喀什供电公司 一种网络安全监控的方法、装置、存储介质及服务器
CN113221168B (zh) * 2021-05-13 2022-04-12 支付宝(杭州)信息技术有限公司 一种基于差分隐私的划分业务对象集合的方法和装置
US11710576B2 (en) * 2021-05-24 2023-07-25 OrangeDot, Inc. Method and system for computer-aided escalation in a digital health platform
US11880847B2 (en) * 2021-06-29 2024-01-23 Capital One Services, Llc Visual representation generation for bias correction
US11997206B2 (en) 2021-09-22 2024-05-28 Radware, Ltd. Techniques for protecting web-access
US20230118306A1 (en) * 2021-10-20 2023-04-20 Snap Inc. Safeguarding location visitation information

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140108309A1 (en) 2012-10-14 2014-04-17 Ari M. Frank Training a predictor of emotional response based on explicit voting on content and eye tracking to verify attention
US8762102B2 (en) 2010-09-30 2014-06-24 Fitbit, Inc. Methods and systems for generation and rendering interactive events having combined activity and location information
US20140278219A1 (en) 2013-03-15 2014-09-18 Focus Ventures, Inc. System and Method For Monitoring Movements of a User
US8898091B2 (en) 2011-05-11 2014-11-25 Ari M. Frank Computing situation-dependent affective response baseline levels utilizing a database storing affective responses
US9019174B2 (en) 2012-10-31 2015-04-28 Microsoft Technology Licensing, Llc Wearable emotion detection and feedback system
US9087058B2 (en) 2011-08-03 2015-07-21 Google Inc. Method and apparatus for enabling a searchable history of real-world user experiences

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130158368A1 (en) 2000-06-16 2013-06-20 Bodymedia, Inc. System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
US8930261B2 (en) * 2005-04-21 2015-01-06 Verint Americas Inc. Method and system for generating a fraud risk score using telephony channel based audio and non-audio data
US7698250B2 (en) 2005-12-16 2010-04-13 Microsoft Corporation Differential data privacy
US20070150916A1 (en) * 2005-12-28 2007-06-28 James Begole Using sensors to provide feedback on the access of digital content
US20080005778A1 (en) 2006-07-03 2008-01-03 Weifeng Chen System and method for privacy protection using identifiability risk assessment
JP5194015B2 (ja) 2006-09-05 2013-05-08 インナースコープ リサーチ， インコーポレイテッド 感覚的刺激への視聴者反応を決定する方法およびシステム
US20100004977A1 (en) 2006-09-05 2010-01-07 Innerscope Research Llc Method and System For Measuring User Experience For Interactive Activities
US20080295126A1 (en) 2007-03-06 2008-11-27 Lee Hans C Method And System For Creating An Aggregated View Of User Response Over Time-Variant Media Using Physiological Data
US8764652B2 (en) 2007-03-08 2014-07-01 The Nielson Company (US), LLC. Method and system for measuring and ranking an “engagement” response to audiovisual or interactive media, products, or activities using physiological signals
US8782681B2 (en) 2007-03-08 2014-07-15 The Nielsen Company (Us), Llc Method and system for rating media and events in media based on physiological data
US8126220B2 (en) 2007-05-03 2012-02-28 Hewlett-Packard Development Company L.P. Annotating stimulus based on determined emotional response
US8151292B2 (en) 2007-10-02 2012-04-03 Emsense Corporation System for remote access to media, and reaction and survey data from viewers of the media
CN101917898A (zh) 2007-10-31 2010-12-15 埃姆申塞公司 对来自观众的生理响应提供分散式收集和集中式处理的系统和方法
US20090193344A1 (en) 2008-01-24 2009-07-30 Sony Corporation Community mood representation
US9842204B2 (en) * 2008-04-01 2017-12-12 Nudata Security Inc. Systems and methods for assessing security risk
US8504481B2 (en) 2008-07-22 2013-08-06 New Jersey Institute Of Technology System and method for protecting user privacy using social inference protection techniques
US8805110B2 (en) * 2008-08-19 2014-08-12 Digimarc Corporation Methods and systems for content processing
US8010663B2 (en) 2008-11-21 2011-08-30 The Invention Science Fund I, Llc Correlating data indicating subjective user states associated with multiple users with data indicating objective occurrences
US8190544B2 (en) 2008-12-12 2012-05-29 International Business Machines Corporation Identifying and generating biometric cohorts based on biometric sensor input
CN101853259A (zh) 2009-03-31 2010-10-06 国际商业机器公司 添加和处理带有情感数据的标签的方法和设备
US20110046502A1 (en) 2009-08-20 2011-02-24 Neurofocus, Inc. Distributed neuro-response data collection and analysis
US20110106750A1 (en) 2009-10-29 2011-05-05 Neurofocus, Inc. Generating ratings predictions using neuro-response data
KR101299220B1 (ko) 2010-01-08 2013-08-22 한국전자통신연구원 감성 신호 감지 장치와 감성 서비스 제공 장치 간의 감성 통신 방법
WO2011153318A2 (en) 2010-06-02 2011-12-08 Q-Tec Systems Llc Method and apparatus for monitoring emotion in an interactive network
US9959549B2 (en) 2010-06-07 2018-05-01 Affectiva, Inc. Mental state analysis for norm generation
US20140200463A1 (en) 2010-06-07 2014-07-17 Affectiva, Inc. Mental state well being monitoring
US20150313530A1 (en) 2013-08-16 2015-11-05 Affectiva, Inc. Mental state event definition generation
JP2014501967A (ja) 2010-11-17 2014-01-23 アフェクティヴァ，インコーポレイテッド ソーシャルネットワーク上での感情共有
WO2012100081A2 (en) 2011-01-19 2012-07-26 California Institute Of Technology Aggregation of bio-signals from multiple individuals to achieve a collective outcome
US9026476B2 (en) 2011-05-09 2015-05-05 Anurag Bist System and method for personalized media rating and related emotional profile analytics
US8725462B2 (en) 2011-05-13 2014-05-13 Fujitsu Limited Data aggregation platform
US8676230B2 (en) 2011-05-16 2014-03-18 Neurosky, Inc. Bio signal based mobile device applications
US20120316456A1 (en) 2011-06-10 2012-12-13 Aliphcom Sensory user interface
KR101830767B1 (ko) 2011-07-14 2018-02-22 삼성전자주식회사 사용자의 감정 인식 장치 및 방법
US20130019187A1 (en) 2011-07-15 2013-01-17 International Business Machines Corporation Visualizing emotions and mood in a collaborative social networking environment
US20140250200A1 (en) 2011-11-09 2014-09-04 Koninklijke Philips N.V. Using biosensors for sharing emotions via a data network service
US9734304B2 (en) * 2011-12-02 2017-08-15 Lumiradx Uk Ltd Versatile sensors with data fusion functionality
CN103974657B (zh) 2011-12-16 2016-08-24 皇家飞利浦有限公司 用户的活动和相关联的情绪状态的历史日志
US20140324749A1 (en) * 2012-03-21 2014-10-30 Alexander Peters Emotional intelligence engine for systems
US9196173B2 (en) 2012-10-05 2015-11-24 International Business Machines Corporation Visualizing the mood of a group of individuals
GB2511978A (en) 2012-11-06 2014-09-17 Intel Corp Determining social sentiment using physiological data
US9692839B2 (en) 2013-03-13 2017-06-27 Arris Enterprises, Inc. Context emotion determination system
US9681186B2 (en) 2013-06-11 2017-06-13 Nokia Technologies Oy Method, apparatus and computer program product for gathering and presenting emotional response to an event
US9288274B2 (en) 2013-08-26 2016-03-15 Cellco Partnership Determining a community emotional response
CA2852253A1 (en) * 2014-05-23 2015-11-23 University Of Ottawa System and method for shifting dates in the de-identification of datesets
US20160132607A1 (en) * 2014-08-04 2016-05-12 Media Group Of America Holdings, Llc Sorting information by relevance to individuals with passive data collection and real-time injection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8762102B2 (en) 2010-09-30 2014-06-24 Fitbit, Inc. Methods and systems for generation and rendering interactive events having combined activity and location information
US8898091B2 (en) 2011-05-11 2014-11-25 Ari M. Frank Computing situation-dependent affective response baseline levels utilizing a database storing affective responses
US8938403B2 (en) 2011-05-11 2015-01-20 Ari M. Frank Computing token-dependent affective response baseline levels utilizing a database storing affective responses
US9087058B2 (en) 2011-08-03 2015-07-21 Google Inc. Method and apparatus for enabling a searchable history of real-world user experiences
US20140108309A1 (en) 2012-10-14 2014-04-17 Ari M. Frank Training a predictor of emotional response based on explicit voting on content and eye tracking to verify attention
US9019174B2 (en) 2012-10-31 2015-04-28 Microsoft Technology Licensing, Llc Wearable emotion detection and feedback system
US20140278219A1 (en) 2013-03-15 2014-09-18 Focus Ventures, Inc. System and Method For Monitoring Movements of a User

Non-Patent Citations (25)

* Cited by examiner, † Cited by third party
Title
Broek, E.L., et al. (2010) „Prerequisites for Affective Signal Processing(ASP) – Part II."
Calvo, R. A., & D'Mello, S. (2010) „Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications", IEEE Transactions on affective computing 1(1), 18–37
Chanel, Guillaume, et al. „Emotion assessment from physiological signals for adaptation of game difficulty" in IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, 41.6 (2011): 1052–1063
Dael et. al. (2012), „Emotion expression in body action and posture", Emotion, 12(5), 1085
D'mello and Kory (2015), „A Review and Meta-Analysis of Multimodal Affect Detection Systems" in ACM Computing Surveys (CSUR) 47.3: 43
Eckert et al. Eckert et al. (2013), „Novel molecular and nanosensors for in vivo sensing", in Theranostics, 3.8:583
Ekman S. (1999), „Basic Emotions", in Dalgleish und Power, Handbook of Cognition and Emotion, Chichester, UK: Wiley
et al., „A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals", in Journal of Neural Engineering, 4(2):R32, 2007
Godin et al. (Godin et al. (2015), „Selection of the Most Relevant Physiological Features for Classifying Emotion", in Emotion 40:20
Gunes, H., & Pantic, M. (2010), Automatic, Dimensional and Continuous Emotion Recognition, International Journal of Synthetic Emotions, 1 (1), 68–99
J. Bennet und S. Lanning, „The Netflix Prize", KDD Cup and Workshop, 2007 und die URL: www.netflixprize.com
Kim et al. (2013) „A review on the computational methods for emotional state estimation from the human EEG" in Computational and mathematical methods in medicine, Vol. 2013, Article ID 573734
Koren et al. (2009), „Matrix factorization techniques for recommender systems", Computer 42.8 Seiten 30–37
Lotte, et al., „Electroencephalography (EEG)-based Brain Computer Interfaces", in Wiley Encyclopedia of Electrical and Electronics Engineering, S. 44, 2015
Nicolaou et al. (2011), „Continuous Prediction of Spontaneous Affect from Multiple Cues and Modalities in Valence-Arousal Space", IEEE Transactions on Affective Computing
Noronha et. al. in „Platemate: crowdsourcing nutritional analysis from food photographs" in „Proceedings of the 24th annual ACM symposium on User interface software and technology" (2011)
Noronha, et al., "Platemate: crowdsourcing nutritional analysis from food photographs", Proceedings of the 24th annual ACM symposium on User interface software and technology, ACM, 2011
Ortony, et al. (1988) „The Cognitive Structure of Emotions", Cambridge University Press
Salamatian et al. „How to hide the elephant- or the donkey- in the room: Practical privacy against statistical inference for large data," Global Conference on Signal and Information Processing (GlobalSIP), 2013 IEEE, S.269–272
Schels et al. (2013), „Multi-modal classifier-fusion for the recognition of emotions", Kapitel 4 in Coverbal synchrony in Human-Machine Interaction
Third International Conference on Bio-Inspired Systems and Signal Processing, Biosignals 2010
van Broek, E. L., et al. (2009), „Prerequisites for Affective Signal Processing (ASP)", in „Proceedings of the International Joint Conference on Biomedical Engineering Systems and Technologies", INSTICC Press
Watson et al. (1988), „Development and validation of brief measures of positive and negative affect: the PANAS scales", Journal of Personality and Social Psychology 54.6: 1063.
Zeng, Z, et al. (2009), „A survey of affect recognition methods: audio, visual, and spontaneous expressions", IEEE Transactions on Pattern Analysis and Machine Intelligence, 31 (1), 39–58
Zeng, Z., et al. (2009) „A Survey of Affect Recognition Methods: Audio, Visual, and Spontaneous Expressions" in IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 31(1), 39–58

Also Published As

Publication number Publication date
US20160224803A1 (en) 2016-08-04
DE102016101665A1 (de) 2016-08-04
DE102016101643A1 (de) 2016-08-04
US10572679B2 (en) 2020-02-25
DE102016101661A1 (de) 2016-08-04

Similar Documents

Publication Publication Date Title
US20220084055A1 (en) Software agents and smart contracts to control disclosure of crowd-based results calculated based on measurements of affective response
US11907234B2 (en) Software agents facilitating affective computing applications
US10572679B2 (en) Privacy-guided disclosure of crowd-based scores computed based on measurements of affective response
US10387898B2 (en) Crowd-based personalized recommendations of food using measurements of affective response
DE102015113942A1 (de) Rating von Urlaubszielen auf der Grundlage von affektiver Reaktion
US10261947B2 (en) Determining a cause of inaccuracy in predicted affective response
US9955902B2 (en) Notifying a user about a cause of emotional imbalance
US11494390B2 (en) Crowd-based scores for hotels from measurements of affective response
Vacharkulksemsuk et al. Dominant, open nonverbal displays are attractive at zero-acquaintance
Lupton Self-tracking cultures: towards a sociology of personal informatics
Sweeny et al. Perceiving crowd attention: Ensemble perception of a crowd’s gaze
Varnum et al. Social class affects Mu-suppression during action observation
US20190073547A1 (en) Personal emotional profile generation for vehicle manipulation
US20190108191A1 (en) Affective response-based recommendation of a repeated experience
US20040210661A1 (en) Systems and methods of profiling, matching and optimizing performance of large networks of individuals
Andrews Health geographies III: More-than-representational pushes and expressions
Zhang et al. Significant measures of gaze and pupil movement for evaluating empathy between viewers and digital content
Babiker et al. Towards detection of interest using physiological sensors
Lin et al. Constructing emotional machines: a case of a smartphone-based emotion system
US20240134868A1 (en) Software agents correcting bias in measurements of affective response
Delcourt Emotions in service encounters: a review and research agenda
Vuijk et al. Utilising Emotion Monitoring for Developing Music Interventions for People with Dementia: A State-of-the-Art Review
Bagane et al. Zenspace: A Machine Learning Model for Mental Health Tracker Application
Keary Affective Computing for Emotion Detection using Vision and Wearable Sensors
Henninger To Like or Keep Scrolling?: Emotional Valence, Psychophysiology, and Online Donation Behavior

Legal Events

Date Code Title Description
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0019000000

Ipc: G16Z0099000000

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee