JP2011113400A - 説得支援装置、説得支援プログラム及び説得支援方法 - Google Patents

Abstract

【課題】説得力のある回答を行う説得支援装置、説得支援プログラム及び説得支援方法を提供することを目的とする。
【解決手段】根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成する特徴語抽出部３５と、特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けるクラスタリング部３６と、各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とする根拠文マッチング部３７とを有する説得支援装置により上記課題を解決する。
【選択図】 図８

Description

本発明は、説得支援装置、説得支援プログラム及び説得支援方法に関する。

一般的な議論や会議を支援するシステムの考案は過去にいくつか公開されている（例えば特許文献１参照）。これらの考案は、議論の場で起こるコミュニケーションの効率を上げるためのユーザインターフェース上の工夫や、議事データを構造化して、発言を論点別にグループ化するようなものが中心である。

例えば一般的な議論や会議を支援するシステムでは、議論の参加者が文書に種別（賛成又は反対）や情報を添付しつつ議論を進める。システムでは、議論の様子を可視化して参加者に見せ、司会者などが意見を集約して、結論を出す。また、システムでは結論を出すため、メインの主張やそれを支える主張の論理構造（主張の理由，根拠など）をはっきりさせ、その妥当性について議論を行って点数をつける。また、システムでは下位意見（複数可）の点数と論理構造とから、メインの主張の点数を計算する。

また、議論の相手を説得するための技術と言う観点ではディベート等において、議論の戦略を立てる際に用いられる方法論がある。ディベートとは、ある議題の肯定側と否定側とに便宜的に分かれて、それぞれの主張を論証し、その勝敗判定を聴衆や審査員が行う競技である。議論の分析や戦略策定は、ディベートにおける論証の内容に定型的な構造を持ち込むことによって行うことができる。

議論の戦略を立てる際に用いられる方法論として最もよく知られたものは、Ｔｏｕｌｍｉｎの議論モデルを利用するやり方である。Ｔｏｕｌｍｉｎの議論モデルを利用する分析では、まず、論証の内容から、主張，論拠，根拠の「議論の三要素」を論証の骨格として抽出する。

そして、Ｔｏｕｌｍｉｎの議論モデルを利用する分析では、三要素と、いくつかの補助的な要素とで構成された議論モデルを用いて、自分の主張の論拠・根拠の強化や、相手の主張の論拠・根拠の弱点を探すことが議論戦略策定の一環としてよく行われる。

ただし、Ｔｏｕｌｍｉｎの議論モデルを利用する分析は方法論のレベルである。Ｔｏｕｌｍｉｎの議論モデルを利用する分析を実施するために作業は、人手によって行う必要がある。

議論の相手を説得する必要のある例としては、例えば何らかの主張や施策（以下、単に施策という）に対して多数の人々の意見を収集し、収集した意見の中の反対者を説得する行為がある。何らかの施策に対して多数の人々の意見を収集し、その中の反対者を説得する場面では、施策を実施する側が、施策を支持する論証を用意し、施策の利害関係者へ説明することが、しばしば行われる。利害関係者には、説明内容に対して賛否を述べる機会がある。何らかの施策に対して多数の人々の意見を収集し、その中の反対者を説得する場面では、利害関係者が説明内容に対して賛否を述べる機会から双方の議論が開始される場合もある。

施策の説明や議論を通した利害関係者の説得は、行政機関と市民，企業組織と成員などの間で必要とされることが多い。通常、施策の説明や議論を通した利害関係者の説得は施策実現のための調整的行為として実施側の人的努力によって推進されるものである。

特開２００４−２００７４１号公報

しかしながら、施策に多数の利害関係者がいるような場合、利害関係者の説得を充分に行うことは一般に困難である。その典型的な例としては、官公庁が行うパブリックコメント（意見公募手続）が挙げられる。

国や自治体の行政機関が主催するパブリックコメントでは、命令や規則を政府が定める前に、その内容についての意見を広く人々に求めることが行われる。行政機関は寄せられた意見に対して、自身の考え方を表明することが義務づけられている。しかし、全ての意見に答えることは通常求められていない。

国や自治体の行政機関が主催するパブリックコメントの結果の公示は、代表的な意見を要約して、数個から数十個くらいを取り上げ、それらに対する官庁側の「考え方」を示す文書を添付するかたちで行われる。なお、国や自治体の行政機関が主催するパブリックコメントでは、個々の反対意見に個別に再反論することが必須でない。ここで、再反論とは施策実施側が何らかの施策に対して多数の人々の意見を収集し、その中の反対者を説得する行為をいう。

ところで、国や自治体の行政機関が主催するパブリックコメントでは、反対の多い案件に対して数万にものぼる意見が寄せられることもある。このような場合、代表的な意見を要約して、数個から数十個くらいを取り上げ、それらに対する官庁側の「考え方」を示す文書を添付するパブリックコメントの結果の公示は、作業量が多くなり、人手で行うことが困難となる。

したがって、国や自治体が主催するパブリックコメントのように、多くの反対者を説得するため、多くの反対意見に対する再反論を組み立てる必要がある場合には、反対意見を個別に扱うことが困難になる。なお、従来の一般的な議論や会議を支援するシステムでは議論の参加者の片方が、もう一方の参加者を説得する行為の支援ができない。

本発明の一実施形態は、上記の点に鑑みなされたもので、説得力のある回答を行う説得支援装置、説得支援プログラム及び説得支援方法を提供することを目的とする。

上記課題を解決するため、本発明の一実施形態は、根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出部と、前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリング部と、前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチング部と、を有することを特徴とする説得支援装置である。

なお、本発明の一実施形態の構成要素、表現または構成要素の任意の組合せを、方法、装置、システム、コンピュータプログラム、記録媒体、データ構造などに適用したものも本発明の態様として有効である。

上述の如く、本発明の一実施形態によれば、説得力のある回答を行うことができる。

本実施例が前提とする説得のプロセスを表した模式図である。 論点整理表の属性を表した一例の説明図である。 根拠種別の定義を表した一例の説明図である。 論点整理表の具体例を表した一例の構成図である。 意見整理表の具体例を表した一例の構成図である。 根拠強度定義表の具体例を表した一例の構成図である。 説得支援装置の一例のハードウェア構成図である。 説得支援装置の一例のブロック構成図である。 説得支援装置の処理手順の一例を示すフローチャートである。 特徴ベクトル情報の一例の構成図である。 再反論支援情報の一例の構成図である。 再反論支援情報の他の一例の構成図である。 根拠強度を利用するクラスタリング及び根拠文マッチングの一例のフローチャートである。 クラスタ中心ｍ_ｊと根拠文との初期マッチングを表したイメージ図である。 ステップＳ２２の詳細を表した一例のフローチャートである。 クラスタリストの一例の構成図である。 理由文リストの一例の構成図である。 ステップＳ２３〜Ｓ３２の処理を表したイメージ図である。 ステップＳ３３の詳細を表した一例のフローチャートである。 根拠文マッチングの処理を表したイメージ図である。 根拠文リストの一例の構成図である。

次に、本発明を実施するための形態を、以下の実施例に基づき図面を参照しつつ説明していく。

国や自治体が主催するパブリックコメントのように、多くの反対意見に対する再反論を組み立てる必要がある場合には、反対意見を類似性でいくつかのグループにまとめ、各グループ単位で再反論を実施することが現実的である。再反論には事前に用意した持論のロジックが利用できる。しかし、一般に複数個ある持論のロジックと、反対意見を類似性でまとめた反論グループとを、どのように組み合わせれば説得力のある再反論ができるかを判断する必要はある。

このような説得を支援するシステムでは、反対意見を、その内容の類似性に基づいてグループ化する方法や、生成された反対意見のグループに向けた再反論に適した持論を選択する方法が主な技術的課題となる。再反論に適した持論の選択に際しては、双方の意見の照合性や、主張としての強さの関係が考慮されていることが望ましい。

人の意見のような文書データを類似性によってグループ化する方法としては、テキスト間の（非）類似度を文書データ間の距離として定量化し、文書データ間の距離の遠近に基づいてグループ分けを行うクラスタリング技術が広く知られている。

文書データ（テキストデータ）のクラスタリングは、文書内の単語頻度を基底とする空間上に距離（非類似度）や類似度を定義するベクトル空間法をはじめとして、様々な手法が存在しており，テキストマイニング等の分野でしばしば利用されている。

本実施例では、上記した技術的課題の解決のために、文書間の類似度にもとづくクラスタリング技術を利用する。上記した技術的課題の解決には、クラスタリングの対象となる文書データの選択や、クラスタリング自体の計算過程をうまく制御することがポイントとなる。

また、本実施例では反対者への説得を支援するに際し、論理的な再反論の実施、効率的な再反論の構築、反対意見の網羅的な考慮がポイントとなる。つまり、本実施例では多数の反対意見に対して施策実施側が行う再反論を、論理的，効率的かつ網羅的に実施する必要があるようなケースを典型的な利用場面とする。

（本実施例の前提）
本実施例は、施策の実施側（立論側）が，適用される側（反論側）に対して行う説得を支援する説得支援システム又は説得支援装置を提供するものである。以下では、一例として説得支援装置を例に説明する。説得支援装置には、双方の意見情報が、所定の論理的構造を持った入力として与えられることを前提にしている。

説得支援装置に与えられる入力には二種類の情報があり、それぞれ「論点整理表」、「意見整理表」と呼ぶ。これらの情報は、意見交換の論旨を、ある程度構造化したものとして本実施例で利用される。

図１は本実施例が前提とする説得のプロセスを表した模式図である。本実施例は図１のような立論，意見公募（反論），再反論のプロセスと、論点整理表２，意見整理表５に相当するデータの存在を前提とする。

図１の説得のプロセスは、ステップＳ１〜Ｓ５の５段階から成る。ステップＳ１では立論側が議事録，報告書などの資料１を元に論点整理表２を作成する。ステップＳ２では立論側が論点整理表２を元に、施策の根拠に関する質問文３を作成する。ステップＳ３では反論側が質問文３に対して回答文４で回答する。ステップＳ４では立論側が回答文４を意見整理表５にまとめる。ステップＳ５では立論側が論点整理表２，意見整理表５を利用して再反論文６を作成し、再反論を行う。

ステップＳ１〜Ｓ４は準備段階であり、本実施例の説得支援装置に入力として与えられる論点整理表２と意見整理表５とを準備するための手順である。ステップＳ５は説得支援段階である。まず、ステップＳ１〜Ｓ４の手順と、ステップＳ１〜Ｓ４の手順で作成される情報について解説する。

ステップＳ１で立論側は、過去に成された議論の議事録や報告書等の情報から、自らの主張を論理的に整理した論点整理表２を作成する。論点整理表２は例えば図２のような属性を持った情報である。図２は論点整理表の属性を表した一例の説明図である。図２の論点整理表２は属性の一つとして、図３に示すような根拠種別を定義している。図３は根拠種別の定義を表した一例の説明図である。

図４は論点整理表の具体例を表した一例の構成図である。ここでは厚生労働省が行った意見公募手続の事例「牛海綿状脳症対策基本計画の変更についての意見・情報の募集」を参考にする。一般に行政機関が行う大きな施策の決定は、その施策が属する分野の専門家で構成された審議会での議論を経ていることが多い。

この場合、審議会で行われた議論の内容が施策の根拠を提供する。審議会で行われた議論の内容は議事録として文書化される。また、審議会で行われた議論の結果は報告書として文書化される。

厚生労働省では、この施策を含むＢＳＥ（牛海綿状脳症：狂牛病とも呼ばれる）問題への対処のために諮問機関である食品安全委員会を中心とした議論を積み上げている。その議論から、厚生労働省では、いくつかの主張やそれを支持する根拠などを整理し、内部的なロジックの蓄積を行っている。図４の論点整理表２は、この案件の公開資料から主要な主張を抽出したものになっている。

通常、施策の裏側には、それを行うべきであると言う主張が存在している。図４の論点整理表２では、左下の「ＢＳＥ検査対象を２４ヶ月齢以上の死亡牛に限定する」が主張の例である。論点整理表２は、この主張に対する根拠や論拠が複数用意されている。外部に意見を求める場合には、施策そのものを提示して意見を求めるだけでなく、図４の論点整理表２にあるような立論側のロジックをある程度明示し、立論側のロジックについての意見をもとめる形式にした方が、論点が明確になり，議論上の齟齬が発生しにくくなる。

そこで，ここでは以下のような質問文でアンケートが実施されたものとする。
質問文Ｑ１「厚生労働省は，イギリスのプリオン投与実験では、３０ヶ月程度から検出可能になったことから、検出限界以下の牛を検査対象から外しても、感染リスクは増大しないと考え、ＢＳＥ検査対象を２４ヶ月齢以上の死亡牛に限定することを決定しました。このことについてお答え下さい。」

図１のステップＳ３では、このような質問文Ｑ１に対して、施策を適用される側が回答文４により回答を行う。具体的な回答事項は、立論側の主張に対する賛否と、その理由及びその根拠種別等である。回答の収集方法は特に制限はないが、ステップＳ４以降の処理の自動化を考慮するとＷｅｂサーバ等を用いて電子的に収集することが考えられる。

ステップＳ４では、収集された意見が図５のような意見整理表５にまとめられるものとする。図５は意見整理表の具体例を表した一例の構成図である。意見整理表５では各質問の賛否，主張者，その理由，根拠種別などが整理される。

本実施例の特徴の一つは、議論の中で発生する各主張に対して、その根拠の強度の指標値が与えられており、その根拠の強度の指標値を有効な（再）反論の構成に利用することである。このような主張の根拠のランク付けは、主張の根拠を何らかの観点でカテゴライズし、各カテゴリを強い順に序列化することによって実現できる。

例えば主張の根拠のランク付けは、競技ディベートなどで用いられる根拠の種別及び強さの順序付けに基づいて、図６のような根拠強度の値を用いることができる。図６は根拠強度定義表の具体例を表した一例の構成図である。図６の根拠強度定義表は根拠強度の数値が大きいほど強い主張となっている。しかし、根拠強度定義表における根拠強度の数値の大きさには序列化する以上の意味はない。

上述のような意見収集の枠組みを用いれば、立論側は施策の背景にある具体的な立論側の主張と、その主張に対する反論とを、主張及び反論の強さの情報と結合した形で集積することができる。また、主張には根拠や論拠が添付されている。反論には、その理由が添付されている。本実施例は、このような形式で集積された論点整理表２と意見整理表５の情報が説得支援装置に入力されることを前提として、記述した問題の解決を図るものである。

なお、ここで述べている説得のプロセスやデータ収集の過程は一例であって本実施例の要件ではない。本実施例では、論点整理表２と意見整理表５に相当するテキストデータが利用可能なものとして存在すれば問題ない。

次に、ステップＳ５の説得支援段階の手順と、ステップＳ５の説得支援段階の手順で作成される情報について説明する。ステップＳ５の説得支援段階ではクラスタリング技術が利用される。

議論の中で発生する立論，反論，再反論などの対立する主張を、その内容の類似性でグループ化する一つの方法は、それぞれの論を特徴づけている単語が共通している度合いによって内定な結合と外的な分離を進め、論の集合からいくつかの部分集合をくくり出すことである。

集合の要素の相互関係に定量的な指標を与え、その指標による部分集合への分割や分類を考えるデータ分析の手法は、クラスタリングあるいはクラスタ分析（B.S.Everitt, "Cluster Analysis", Edward Arnold, 4th edition (2001)）などと呼ばれ、データマイニングなどで広く採用されている。

本実施例では各段階の議論が類似した話題圏に属していることを判定するために、テキストデータのクラスタリング技術を利用する。これによって本実施例は相互に類似した反論の理由文のグループと、施策実施側の立論の根拠文とのマッチングを実現する。反論の理由文のグループとマッチングされた立論の根拠文は、再反論の構築に適したものとして推奨される。

クラスタリングには、アルゴリズムや距離関数の与え方等によって異なる様々な手法が既に知られている。本実施例の目的を実現するためには、議論の文書データのうち、どの部分を対象にしたクラスタリングを実施するか、その過程をどのように制御して進行させるか等が重要になる。

そこで、ステップＳ５の説得支援段階ではｋ−ｍｅａｎｓ法（MacQueen J., "Some Methods for Classification and Analysis of Multivariate Obser- vations,"Proc. 5th Berkeley Symp. on Math. Stat. and Prob. 1, Univ. of California Press, Berkeley and LosAngeles, pp. 281-297, 1967.）によるクラスタリングを拡張し、前述したような反論の理由文及び立論の根拠文のテキストデータを対象として以下のような技術的課題を解決している。

第１の技術的課題は反対意見の類似性によるグループ化である。大量の反対意見がある場合でも、反対意見は、いくつかのグループに分けられることが多い。このため、第１の技術的課題はグループを自動的にくくり出すことである。第２の技術的課題は反対意見やそのグループと話題圏を共有する持論の選択である。反対意見のグループに対して、共通の語彙を多く含む持論は主旨が対向しているとはいえ、（再）反論に利用できる可能性が高い。このため、第２の技術的課題は（再）反論に利用することができる持論を発見することである。

第３の技術的課題は反対意見やそのグループに対して、より強い（再）反論が実施できる持論の抽出である。第３の技術的課題は反対意見の客観的な強さの情報が与えられることを前提として、反対意見のグループに、より強く（再）反論できる持論を決定することである。第４の技術的課題は第２及び第３の技術的課題を同時に達成することが困難な場合に、そのバランスの制御をユーザに指示させることである。

より具体的に、ステップＳ５の説得支援段階では次のような手法を用いる。第１の技術的課題は、各意見の主張としての強さに関して、客観的な強度の情報（根拠強度）を導入して、根拠強度を利用したクラスタリングの制御を行うことで解決する。また、第２の技術的課題は、反対意見の理由文のグループと（再）反論の根拠文との対応づけを、理由文のクラスタリング，クラスタと根拠文とのマッチングの二段階に分けて実行することで解決する。

第３の技術的課題は、クラスタリングの対象を，各クラスタに対応づけられた根拠文と同等以下の強度を持つものに制限することで解決する。また、第４の技術的課題は根拠文のマッチングにおいて、第２及び第３の技術的課題を同時に解決できないケースがありえるが、第２及び第３の技術的課題の間の優先関係を、ユーザが与える優先度パラメータによって制御可能にすることで解決する。

（説得支援装置）
図７は説得支援装置の一例のハードウェア構成図である。図７に示すように説得支援装置１０のハードウェアは例えば計算機システムにより実現される。説得支援装置１０はバスＢで相互に接続されている入力装置１１，出力装置１２，ドライブ装置１３，補助記憶装置１４，主記憶装置１５，演算処理装置１６，インターフェース装置１７を含む。

入力装置１１はキーボードやマウス等である。入力装置１１は各種信号を入力するために用いられる。出力装置１２はディスプレイ装置等である。出力装置１２は各種ウインドウやデータ等を表示するために用いられる。インターフェース装置１７は、モデム，ＬＡＮカード等である。インターフェース装置１７は、ネットワークに接続するために用いられる。

本実施例の説得支援プログラムは、説得支援装置１０を制御する各種プログラムの少なくとも一部である。説得支援プログラムは例えば記録媒体１８の配布やネットワークからのダウンロードなどによって提供される。説得支援プログラムを記録した記録媒体１８はＣＤ−ＲＯＭ、フレキシブルディスク、光磁気ディスク等の様に情報を光学的，電気的或いは磁気的に記録する記録媒体、ＲＯＭ、フラッシュメモリ等の様に情報を電気的に記録する半導体メモリ等、様々なタイプの記録媒体を用いることができる。

また、説得支援プログラムを記録した記録媒体１８がドライブ装置１３にセットされると、説得支援プログラムは記録媒体１８からドライブ装置１３を介して補助記憶装置１４にインストールされる。ネットワークからダウンロードされた説得支援プログラムはインターフェース装置１７を介して補助記憶装置１４にインストールされる。

補助記憶装置１４は、インストールされた説得支援プログラムを格納すると共に、必要なファイル，データ等を格納する。主記憶装置１５は、説得支援プログラムの起動時に補助記憶装置１４から説得支援プログラムを読み出して格納する。そして、演算処理装置１６は主記憶装置１５に格納された説得支援プログラムに従って、後述するような各種処理を実現している。

図８は説得支援装置の一例のブロック構成図である。図８の説得支援装置１０は文書情報記憶部２１，データ入力部２２，処理部２３，表示部２４，特徴ベクトル情報記憶部２５，クラスタ情報記憶部２６，トラッシュリスト記憶部２７を有する。

文書情報記憶部２１は論点整理表記憶部３１，意見整理表記憶部３２，根拠強度定義表記憶部３３を有する。処理部２３は、形態素解析部３４，特徴語抽出部３５，クラスタリング部３６，根拠文マッチング部３７，出力処理部３８を有する。

文書情報記憶部２１は例えば図７の補助記憶装置１４に対応する。データ入力部２２は図７の入力装置１１に対応する。処理部２３は説得支援プログラムを実行した図７の演算処理装置１６に対応する。表示部２４は図７の出力装置１２に対応する。特徴ベクトル情報記憶部２５，クラスタ情報記憶部２６，トラッシュリスト記憶部２７は、図７の補助記憶装置１４又は主記憶装置１５に対応する。論点整理表記憶部３１は例えば図４に示した論点整理表２を記憶する。意見整理表記憶部３２は例えば図５に示した意見整理表５を記憶する。根拠強度定義表記憶部３３は例えば図６に示した根拠強度定義表を記憶する。

図９は説得支援装置の処理手順の一例を示すフローチャートである。ステップＳ１１に進み、処理部２３は論点整理表記憶部３１に記憶されている論点整理表２から根拠文のテキストデータ及び根拠種別を読み込む。また、処理部２３は意見整理表記憶部３２に記憶されている意見整理表５から理由文のテキストデータ及び根拠種別を読み込む。

ステップＳ１２に進み、処理部２３の形態素解析部３４はステップＳ１１で読み込んだ根拠文及び理由文のテキストデータの形態素解析を実行する。形態素解析部３４は根拠文及び理由文のテキストデータを単語に分解して、その品詞を決める。なお、ステップＳ１２の処理は既存技術であるため、詳細な説明を省略する。

ステップＳ１３に進み、特徴語抽出部３５はステップＳ１２の形態素解析の結果から各文の特徴語を抽出する。特徴語抽出部３５は各文の名詞を抽出し、その中から、その文の特徴をよく示しているものを特徴語として抽出する。なお、ステップＳ１３の処理は既存技術であるため、詳細な説明を省略する。

ステップＳ１４に進み、特徴語抽出部３５はステップＳ１３で抽出した各文の特徴語と根拠強度とを特徴ベクトル情報として特徴ベクトル情報記憶部２５に書き込む。根拠強度は図６の根拠強度定義表を利用することで根拠種別から変換される。

図１０は特徴ベクトル情報の一例の構成図である。図１０の特徴ベクトル情報は、縦軸に二つの根拠文Ｇ_１，Ｇ_２の文書ＩＤと、１０個の理由文Ｒ_１〜Ｒ_１０の文書ＩＤとを配置し、横軸に各文から抽出された特徴語及び各文の根拠強度を配置したものである。図１０の特徴ベクトル情報は２３個の特徴語（ｔ_１〜ｔ_２３）があり、各文における特徴語の包含の有無を示す特徴ベクトルを０／１で表している。図１０の特徴ベクトル情報では、特徴語の包含有りを特徴ベクトル「１」で表し、特徴語の包含無しを特徴ベクトル「０」で表している。なお、図１０の特徴ベクトル情報は最後の列に、各文に対応する根拠強度の値が格納されている。

図１０の特徴ベクトル情報では、空欄が「０」を表している。なお、図１０の特徴ベクトル情報では各文における特徴語の包含の有無を示す特徴ベクトルの例を示したが、各文における特徴語の包含の頻度を示す特徴ベクトルであってもよい。

ステップＳ１５に進み、クラスタリング部３６は後述するクラスタ情報の初期値をクラスタ情報記憶部２６に書き込む。ステップＳ１６に進み、クラスタリング部３６は後述のようにクラスタリングを実行する。また、根拠文マッチング部３７は後述のように根拠文マッチングを実行する。また、出力処理部３８はクラスタ情報記憶部２６に書き込まれたステップＳ１６のクラスタリング及び根拠文マッチングの実行結果を参照して、各反対意見に対する再反論に適した根拠文を選択できる。

ステップＳ１７に進み、出力処理部３８は、クラスタ情報記憶部２６に書き込まれたステップＳ１６のクラスタリング及び根拠文マッチングの実行結果を例えば表示部２４へ出力する。クラスタリング及び根拠文マッチングの実行結果の一例としては、図１１又は図１２に示すような再反論支援情報がある。

図１１は再反論支援情報の一例の構成図である。図１１の再反論支援情報は、理由文ＩＤと、理由文と、再反論の推奨根拠文とが対応付けられている。なお、理由文Ｒ_８は内容が反対者の事実誤認となっている。

図４に例示した論点整理表２のごとく、施策実施側が根拠文に加えて論拠文も整理している場合には再反論文のひな型を再反論支援情報として提示することも可能である。例えば図１１に示した二つの再反論の推奨根拠文に対して、それぞれ「科学的に意味のない検査条件は緩和しても問題ない」、「日本と同等のＳＲＭ除去がなされていればＢＳＥ検査条件を緩和しても問題ない」が論拠文として与えられている場合には、それらを併せた文書として提示可能である。

根拠文と論拠文とを併せた文書は、例えば
『 「根拠文」 ので 「論拠文」 と考える。 』
というようなパターンに則って提示すればよい。図１２は再反論支援情報の他の一例の構成図である。図１２の再反論支援情報は、理由文ＩＤと、理由文と、再反論文のひな型とが対応付けられている。なお、理由文Ｒ８は内容が反対者の事実誤認となっている。

（根拠強度を利用するクラスタリング）
図９のフローチャートのステップＳ１６では、クラスタリング及び根拠文マッチングが実行される。ステップＳ１６のクラスタリングは、既存のｋ−ｍｅａｎｓ法を本実施例の目的に合わせて改良したものになっている。立論側の根拠文と反論側の理由文は、図９のステップＳ１３までに既存の形態素解析技術等を用いて特徴ベクトル化されている。特徴ベクトルとは、文書を、その文書に含まれる単語の有無や頻度で表現したものである。特徴ベクトルは既存技術であるため、説明を省略する。

以降では、理由文と根拠文の特徴ベクトル（根拠強度は除く）のそれぞれをｘ，ｙと表記する。また，本実施例は根拠強度をクラスタリングの制御に利用することを特徴としているが、このような根拠強度を|(ｘ),|(ｙ)のように表記する。二つの対立する主張は、その根拠強度が大きい主張が小さい主張に対して優位である。根拠強度が大きい主張は、根拠強度が小さい主張を効果的に説得できると考える。

ｋ−ｍｅａｎｓ法の一般的なクラスタリングでは、その対象データを指定した個数のクラスタに分割する過程において、式（１）で定義されるような総和量Ｊを最小化（正確には極小化）する。総和量Ｊは、クラスタ中心ｍ_ｊとクラスタ内の全要素ｘとの距離の和を全クラスタについて加算したものである。また、クラスタ中心ｍ_ｊは例えば式（２）で定義される。ｋ−ｍｅａｎｓ法では、総和量Ｊをクラスタリングの進行中に増加させないことで、その収束性を保証しているが、本実施例でもこの性質を維持する。

式（１）の‖ ‖はユークリッド距離である。距離関数は、他にも様々な定義のものが考えられる。図１３は根拠強度を利用するクラスタリング及び根拠文マッチングの一例のフローチャートである。フローチャート中で計算される距離は、特徴ベクトル空間上に定義された一般的なユークリッド距離である。なお、図１３のフローチャートの処理は図９のステップＳ１５，Ｓ１６の処理に相当する。

ステップＳ２１に進み、クラスタリング部３６は理由文をＮ_ｃ個、選択して、クラスタＣ_ｊに一つずつ所属させるようにクラスタ情報の初期値をクラスタ情報記憶部２６に書き込む。なお、Ｎ_ｃはユーザが理由文をいくつのグループに分けたいかで予め定めてあるパラメータの値である。

また、クラスタリング部３６はクラスタ中心ｍ_ｊの座標と根拠強度とに、所属させた理由文の座標と根拠強度とを与えるように、クラスタ情報に書き込む。クラスタ中心ｍ_ｊの座標とは、クラスタ中心ｍ_ｊの特徴ベクトル空間上での座標を指す。具体的に、クラスタリング部３６は各クラスタＣ_ｊに含まれる理由文の特徴ベクトルの座標値から、その重心ｍを式（２）に依って計算し、後述のクラスタリストに与える。各クラスタの根拠強度は各クラスタＣ_ｊに対応付けられている根拠文（一つしかない）の根拠強度を、そのまま与える。ステップＳ２２に進み、根拠文マッチング部３７はクラスタＣ_ｊと根拠文との初期マッチングを行う。

ステップＳ２１，Ｓ２２はクラスタリング及び根拠文マッチングの初期化である。図１４はクラスタ中心ｍ_ｊと根拠文との初期マッチングを表したイメージ図である。図１４のイメージ図は「○」が根拠文を表し、「×」が理由文を表し、「▲」がクラスタ中心ｍ_ｊを表している。

クラスタ中心ｍ_ｊと根拠文との初期マッチングでは、一つの根拠文に対して複数のクラスタ中心ｍ_ｊを対応づけることを許容し、根拠文に対応づかないクラスタ中心ｍ_ｊが発生することを防いでいる。

図１５はステップＳ２２の詳細を表した一例のフローチャートである。ステップＳ４１に進み、根拠文マッチング部３７はクラスタ情報の一例としてのクラスタリストからクラスタＣ_ｉのレコードを一つ取り出す。

図１６はクラスタリストの一例の構成図である。図１６のクラスタリストは、各クラスタＣ_ｉの特徴語（ｔ_１〜ｔ_２３）の特徴ベクトル，所属する理由文の文書ＩＤ，各クラスタＣ_ｉに関連付けられている根拠文の根拠文ＩＤ，各クラスタＣ_ｉに関連付けられている根拠文の根拠強度を表している。

ステップＳ４２に進み、根拠文マッチング部３７はステップＳ４１でクラスタリストから取り出したクラスタＣ_ｉのレコードからクラスタＣ_ｉの根拠強度|(Ｃ_ｉ)を得る。根拠文マッチング部３７は、得たクラスタＣ_ｉの根拠強度|(Ｃ_ｉ)以上の根拠強度を持つ根拠文のうち、クラスタ中心ｍ_ｊに最も近い根拠文を求める。

ステップＳ４３に進み、根拠文マッチング部３７はステップＳ４１でクラスタリストから取り出したクラスタＣ_ｉの根拠強度|(Ｃ_ｉ)を、ステップＳ４２で求めた根拠文の根拠強度に設定する。

ステップＳ４４に進み、根拠文マッチング部３７はクラスタリストにクラスタＣ_ｉのレコードが残っているか否かを判定する。根拠文マッチング部３７は、ステップＳ４１で取り出していないクラスタＣ_ｉのレコードが残っていると判定すると、ステップＳ４１に戻り処理を続ける。なお、根拠文マッチング部３７は、ステップＳ４１で取り出していないクラスタＣ_ｉのレコードが残っていないと判定すると、図１５に示すフローチャートの処理を終了する。

図１３のステップＳ２３以降は、拡張したクラスタリング処理のループである。例えばステップＳ２６は、ｋ−ｍｅａｎｓ法の拡張となっている。ステップＳ２６の処理は理由文と（クラスタＣ_ｉに対応づけられた）根拠文との根拠強度比較によるクラスタ所属の判断が入っている点でｋ−ｍｅａｎｓ法からの拡張になっている。また、ステップＳ３３の処理は根拠文マッチングの改善処理となっており、本実施例の大きな特徴である。

ステップＳ２３に進み、クラスタリング部３６は理由文ｘ_ｉのレコードを理由文リストから一つ取り出す。図１７は理由文リストの一例の構成図である。図１７の理由文リストは、各理由文の特徴ベクトル，根拠強度を表している。理由文リストは、ステップＳ１４で作成した図１０の特徴ベクトル情報の中の理由文Ｒ_１〜Ｒ_１０の行のみを参照するのを説明する際に、便宜上、用いているものである。ステップＳ２４に進み、クラスタリング部３６は理由文ｘ_ｉからの距離が近い順にソートしたクラスタリストを作る。

ステップＳ２５に進み、クラスタリング部３６はステップＳ２４で作ったクラスタリストから最も近いクラスタＣ_ｉを取り出してクラスタＣ_ｃとする。クラスタリング部３６はステップＳ２６に進み、クラスタリング部３６はクラスタＣ_ｃの根拠強度が理由文ｘ_ｉの根拠強度以上か否かを判定する。

クラスタＣ_ｃの根拠強度が理由文ｘ_ｉの根拠強度以上でなければ、クラスタリング部３６はステップＳ２７に進み、クラスタリストからクラスタＣ_ｃを消去する。ステップＳ２８に進み、クラスタリング部３６はクラスタリストにクラスタＣ_ｉが残っているか否かを判定する。

クラスタリストにクラスタＣ_ｉが残っていれば、クラスタリング部３６はステップＳ２５に戻り、処理を続ける。クラスタリストにクラスタＣ_ｉが残っていなければ、クラスタリング部３６はステップＳ２９に進み、理由文ｘ_ｉをトラッシュリストに入れ、クラスタリングの対象外とする。トラッシュリストは、トラッシュリスト記憶部２７に記憶されている。

クラスタＣ_ｃの根拠強度が理由文ｘ_ｉの根拠強度以上であれば、クラスタリング部３６はステップＳ３０に進み、理由文ｘ_ｉをクラスタＣ_ｃに所属させるように、クラスタリストを設定する。ステップＳ２９又はＳ３０に続いてステップＳ３１に進み、クラスタリング部３６は理由文リストに理由文ｘ_ｉのレコードが残っているか否かを判定する。

理由文リストに理由文ｘ_ｉのレコードが残っていると判定すると、クラスタリング部３６はステップＳ２３に戻り、処理を続ける。なお、理由文リストに理由文ｘ_ｉのレコードが残っていないと判定すると、クラスタリング部３６はステップＳ３２に進み、各クラスタＣ_ｉの中心ｍ_ｊの座標（中心値）を計算する。

図１８はステップＳ２３〜Ｓ３２の処理を表したイメージ図である。図１８のイメージ図は「○」が根拠文を表し、「×」が理由文を表し、「▲」がクラスタ中心ｍ_ｊを表し、同一のクラスタに所属している根拠文及び理由文を曲線で囲んでいる。

クラスタリングは、（反対意見の）理由文を対象にして行われる。各クラスタＣ_ｉは類似した理由文のまとまりになるが、これらのクラスタＣ_ｉに対して、（再）反論のための根拠文がマッチングされる。なお、根拠文とクラスタＣ_ｉとは一対多の対応づけが許容される。また、図１３のステップＳ２６の判断によって、各クラスタＣ_ｉに対応づけられた根拠文より根拠強度の大きな理由文は排除される。

ステップＳ３３に進み、根拠文マッチング部３７はクラスタＣ_ｊと根拠文とのマッチングを行う。図１９はステップＳ３３の詳細を表した一例のフローチャートである。根拠文マッチング部３７はステップＳ５１に進み、クラスタリストからクラスタＣ_ｉのレコードを一つ取り出す。

ステップＳ５２に進み、根拠文マッチング部３７はクラスタＣ_ｉのクラスタ中心ｍ_ｊに対応付けられている根拠文ｙ_ｉよりも距離的に近い根拠文があるか否かを判定する。根拠文マッチング部３７は、クラスタ中心ｍ_ｊに対応付けられている根拠文ｙ_ｉよりも距離的に近い根拠文ｙ_ｉがあると判定すると、ステップＳ５３に進む。

ステップＳ５３では、根拠文マッチング部３７が、クラスタ中心ｍ_ｊに対応付けられている根拠文ｙ_ｉよりも距離的に近い根拠文ｙ_ｉのうち、その根拠文ｙ_ｉの根拠強度を上回るクラスタ中の理由文が指定の比率以下になるものがあるか否かを判定する。

根拠文マッチング部３７はクラスタ中心ｍ_ｊに対応付けられている根拠文ｙ_ｉよりも距離的に近い根拠文ｙ_ｉのうち、その根拠文ｙ_ｉの根拠強度を上回るクラスタ中の理由文が指定の比率以下になるもの（ステップＳ５３の条件を満たすもの）があれば、ステップＳ５４に進む。

ステップＳ５４では、根拠文マッチング部３７が、ステップＳ５３の条件を満たす根拠文ｙ_ｉにクラスタＣ_ｉのクラスタ中心ｍ_ｊの対応付けを改め、根拠強度もステップＳ５３の条件を満たす根拠文ｙ_ｉの根拠強度に更新する。

ステップＳ５５に進み、根拠文マッチング部３７は新たな根拠文ｙ_ｉの根拠強度を上回るクラスタＣ_ｉ中の理由文をトラッシュリストに入れる。ステップＳ５２又はＳ５５に続いてステップＳ５６に進み、根拠文マッチング部３７はクラスタリストにクラスタＣ_ｉのレコードが残っているか否かを判定する。

根拠文マッチング部３７はステップＳ５１で取り出していないクラスタＣ_ｉのレコードが残っていると判定すると、ステップＳ５１に戻り処理を続ける。なお、根拠文マッチング部３７は、ステップＳ５１で取り出していないクラスタＣ_ｉのレコードが残っていないと判定すると、図１９に示すフローチャートの処理を終了する。

図１９の根拠文マッチングのフローチャートでは、各クラスタＣ_ｉに対応づける根拠文として、より類似性の高い（距離的に近い）ものを探索する。図２０は、根拠文マッチングの処理を表したイメージ図である。

図２０では、現在対応づけられている根拠文よりも距離的に近い根拠文を発見して、クラスタ中心ｍ_ｊと根拠文との対応付けを更新する前後を示している。図２０に示す更新の副作用としては、更新の結果、根拠強度が下がった場合（図２０では根拠強度が０．８から０．６に低下）に、クラスタＣ_ｉに所属する要素数（理由文の数）が減ってしまうことがあり得る。この理由は、クラスタＣ_ｉに対応づけられた根拠文の根拠強度よりも強いクラスタ要素（図２０の理由文１００）が排除されてしまうためである。

この種のトレードオフは、類似性と根拠強度とのどちらを優先させるかという問題である。結局のところ、これはユーザがどちらを優先したクラスタリング結果を得たいかという選好性に依存する事項である。そこで、本実施例ではステップＳ５３において、更新の結果により排除される要素の比率のしきい値をユーザが与え、そのしきい値より低い場合に根拠文マッチングの更新を行うようにすることで、これを制御可能にしている。例えば比率のしきい値に０．５を与えれば、いわゆる多数決による決定になる。類似度（根拠強度）を優先させる場合は、比率のしきい値を０．５より大きな（小さな）値に設定すればよい。

ステップＳ３４に進み、クラスタリング部３６はクラスタリングの終条件を充たすか否かを判定する。クラスタリングの終条件を充たさないと判定すると、クラスタリング部３６はステップＳ２３に戻り、処理を続ける。なお、クラスタリングの終条件を充たすと判定すると、クラスタリング部３６は図１３に示すフローチャートの処理を終了する。

なお、上記したフローチャート全体では式（１）で定義される総和量Ｊが非増加であるようなｋ−ｍｅａｎｓ法の性質が保持されており、クラスタリングが収束する。これを保証するため、図１９のステップＳ５５では、一旦クラスタから排除された理由文が他のクラスタに対応付けられることのないよう、クラスタから排除された理由文をトラッシュリストに入れている。

本実施例は一例であり、もっと条件を弱めて、クラスタリングの１ターンで総和量Ｊが非増加である場合に、他のクラスタに入ることを許す方式なども考えられる。また、図１３のステップＳ３４におけるクラスタリング全体の終条件は、一般的なもの（クラスタ中心ｍ_ｊの更新が起こらなくなる）に加えて、根拠文マッチングの更新が起こらないことも必要になる。

説得支援システムの最終的な出力は、生成されたクラスタごとに反論側の理由文と立論側の根拠文とをまとめた形式や、個別の反対意見に対して、その反対意見が属するクラスタにマッチングされた根拠文を、再反論に用いる適性が高いものとして推奨するような形式が考えられる。

図２１は根拠文リストの一例の構成図である。図１６のクラスタリスト，図１７の理由文リスト及び図２１の根拠文リストは、根拠強度を利用するクラスタリング中に現れるものである。基本的に、理由文と、根拠文と、クラスタ中心とは，同じ特徴ベクトル空間内の点で表されている。データ構造的には、理由文，根拠文及びクラスタ中心のそれぞれに根拠強度の値を追加している。特に図１６のクラスタリストでは、クラスタに対応づけられている根拠文の文書ＩＤと、そのクラスタに所属する理由文の文書ＩＤとが追加されている。クラスタリストは、フローチャートの進行を通じて更新され続け、フローチャートの終条件を充たした時点のものが、クラスタリングの最終結果を表現したものになる。

なお、フローチャート中の「トラッシュリスト」はクラスタリングの対象から外す理由文のリストであるが、データ構造的に図１７の理由文リストと同じになる。

（まとめ）
本実施例では、以下の事項を実現することによって、多数の意見に対する説得を効果的に行うことを可能にする。

第１に、本実施例は反対意見の類似性によるグループ化を実現することによって、大量の反対意見がある場合でも、その内容が幾つかの類似したグループに分けられることが多いことから、反対意見のグループを自動的にくくり出すことができる。

第２に、本実施例は反対意見や、そのグループと話題圏を共有する持論の選択を実現することによって、反対意見のグループに対して、主旨が対向しているとはいえ、共通の語彙を多く含む持論が（再）反論に利用できる可能性が高いことから、そのような持論を発見することができる。

第３に、本実施例は反対意見や、そのグループに対して、より強い（再）反論が実施できる持論の抽出を実現することによって、（意見の客観的な強さの情報が与えられることを前提として）反対意見のグループに、より強く（再）反論できる持論を決定することができる。

第４に、本実施例は、反対意見や、そのグループと話題圏を共有する持論の選択と、反対意見や、そのグループに対して、より強い（再）反論が実施できる持論の抽出とを、同時に達成することが困難な場合に、そのバランスの制御をユーザが指示できる。

以上、本実施例によれば、主張の類似性及び強さの両面から、説得に対する適正の高い持論の抽出を実現できる。

本発明は、以下に記載する付記のような構成が考えられる。
（付記１）
根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出部と、
前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリング部と、
前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチング部と、
を有することを特徴とする説得支援装置。
（付記２）
前記根拠文マッチング部は、前記クラスタに属する理由文の再反論に用いる根拠文よりも根拠強度が強い前記クラスタに属する理由文を、前記クラスタに属する理由文の再反論に用いる根拠文を用いた再反論の対象から除外する付記１記載の説得支援装置。
（付記３）
前記根拠文マッチング部は、前記再反論の対象から除外する前記クラスタに属する理由文の比率が閾値を超える前記根拠文を、該クラスタに属する理由文の再反論に用いる根拠文としない付記２記載の説得支援装置。
（付記４）
コンピュータを、
根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出部と、
前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリング部と、
前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチング部と、
して機能させるための説得支援プログラム。
（付記５）
前記根拠文マッチング部は、前記クラスタに属する理由文の再反論に用いる根拠文よりも根拠強度が強い前記クラスタに属する理由文を、前記クラスタに属する理由文の再反論に用いる根拠文を用いた再反論の対象から除外する付記４記載の説得支援プログラム。
（付記６）
前記根拠文マッチング部は、前記再反論の対象から除外する前記クラスタに属する理由文の比率が閾値を超える前記根拠文を、該クラスタに属する理由文の再反論に用いる根拠文としない付記５記載の説得支援プログラム。
（付記７）
コンピュータによって実行される説得支援方法であって、
前記コンピュータが、
根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出ステップと、
前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリングステップと、
前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチングステップと、
を実行する説得支援方法。
（付記８）
前記根拠文マッチングステップは、前記クラスタに属する理由文の再反論に用いる根拠文よりも根拠強度が強い前記クラスタに属する理由文を、前記クラスタに属する理由文の再反論に用いる根拠文を用いた再反論の対象から除外する付記７記載の説得支援方法。
（付記９）
前記根拠文マッチングステップは、前記再反論の対象から除外する前記クラスタに属する理由文の比率が閾値を超える前記根拠文を、該クラスタに属する理由文の再反論に用いる根拠文としない付記８記載の説得支援方法。

本発明は、具体的に開示された実施例に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１ 資料
２ 論点整理表
３ 質問文
４ 回答文
５ 意見整理表
６ 再反論文
１０ 説得支援装置
１１ 入力装置
１２ 出力装置
１３ ドライブ装置
１４ 補助記憶装置
１５ 主記憶装置
１６ 演算処理装置
１７ インターフェース装置
１８ 記録媒体
２１ 文書情報記憶部
２２ データ入力部
２３ 処理部
２４ 表示部
２５ 特徴ベクトル情報記憶部
２６ クラスタ情報記憶部
２７ トラッシュリスト記憶部
３１ 論点整理表記憶部
３２ 意見整理表記憶部
３３ 根拠強度定義表記憶部
３４ 形態素解析部
３５ 特徴語抽出部
３６ クラスタリング部
３７ 根拠文マッチング部
３８ 出力処理部
Ｂ バス

Claims (5)

1. 根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出部と、
   前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリング部と、
   前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチング部と、
   を有することを特徴とする説得支援装置。
2. 前記根拠文マッチング部は、前記クラスタに属する理由文の再反論に用いる根拠文よりも根拠強度が強い前記クラスタに属する理由文を、前記クラスタに属する理由文の再反論に用いる根拠文を用いた再反論の対象から除外する請求項１記載の説得支援装置。
3. 前記根拠文マッチング部は、前記再反論の対象から除外する前記クラスタに属する理由文の比率が閾値を超える前記根拠文を、該クラスタに属する理由文の再反論に用いる根拠文としない請求項２記載の説得支援装置。
4. コンピュータを、
   根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出部と、
   前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリング部と、
   前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチング部と、
   して機能させるための説得支援プログラム。
5. コンピュータによって実行される説得支援方法であって、
   前記コンピュータが、
   根拠文と根拠文の根拠種別とを関連付けて記録した論点整理表データベースと、反論側の意見の理由文と理由文の根拠種別とを関連付けて記録した意見整理表データベースの根拠文と理由文から、各々の記載特徴語を抽出し、各々の根拠種別から根拠強度を求めて、根拠文に含まれる特徴語と根拠強度、及び、理由文に含まれる特徴語と根拠強度とを関連付けて持つ特徴ベクトル情報を作成して特徴ベクトル情報記憶部に書き込む特徴語抽出ステップと、
   前記特徴ベクトル情報記憶部の特徴ベクトル情報をクラスタ中心とクラスタ内の全要素とのユークリッド距離の総和量を最小化するクラスタリングをして、各クラスタの特徴語の特徴ベクトルと、理由文と、根拠文と、該根拠文の根拠強度とを関連付けて持つクラスタリストを作成するクラスタリングステップと、
   前記クラスタリストの各クラスタについて、特徴ベクトルの中心から所定の範囲にある根拠文の根拠強度を比較し、根拠文の根拠強度がより強い根拠文を求め、求めた根拠文の中から最も該クラスタの特徴ベクトルの中心に近い根拠文を求めて、該クラスタに属する理由文の再反論に用いる根拠文とすることを特徴とする根拠文マッチングステップと、
   を実行する説得支援方法。

Images