JP2022003426A - 情報処理装置、情報処理方法及びプログラム - Google Patents

Abstract

【課題】知的作業の効率に関連する複数の能力に関して、ユーザの状態を管理する。【解決手段】情報処理装置は、１又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、複数のタスクの各々に対応する複数の学習モデルを予め記憶する記憶部と、ユーザの生体の状態に関連する生体情報を取得する生体情報取得部と、生体情報取得部が取得した生体情報と、複数の学習モデルとに基づいて、複数のタスクの各々に関するユーザのパフォーマンスを示す複数のパフォーマンス情報を生成する推定部と、複数のパフォーマンス情報に基づいて、複数のタスクに関するユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成するグラフ情報生成部と、を備える。【選択図】図３

Description

本開示は、情報処理装置、情報処理方法及びプログラムに関する。

例えば、特許文献１は、知的能力の試験中の生体情報と、知的能力の試験結果とに基づいて、ユーザの覚醒度を推定する技術を開示する。

国際公開ＷＯ２０１８／１７９２９２

ユーザが知的作業（例えば、経営判断等）を行う場合、複数の能力（例えば、意思決定力、積極性、柔軟性等）の各々に関するユーザの状態が、当該知的作業の効率に影響を与える。特許文献１に開示された技術では、ユーザの覚醒度を一意に推定するため、知的作業の効率に関連する複数の能力の各々に関するユーザの状態を管理できない。本開示の一態様は、知的作業の効率に関連する複数の能力に関して、ユーザの状態を管理できる情報処理装置、情報処理方法及びプログラムを提供することを目的とする。

本開示の一態様の情報処理装置は、１又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを予め記憶する記憶部と、ユーザの生体の状態に関連する生体情報を取得する生体情報取得部と、前記生体情報取得部が取得した前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成する推定部と、前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成するグラフ情報生成部と、を備える。

本開示の一態様の情報処理方法は、１又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを記憶するステップと、ユーザの生体の状態に関連する生体情報を取得するステップと、取得された前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成するステップと、前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成するステップと、を含む。

本開示の一態様のプログラムは、コンピュータに、１又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを予め記憶する機能と、ユーザの生体の状態に関連する生体情報を取得する機能と、取得された前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成する機能と、前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成する機能と、を実行させる。

学習装置の電気的構成、及び第一実施形態の情報処理装置の電気的構成の一例を示す図である。 学習装置の制御部の機能的構成の一例を示す図である。 第一実施形態の制御部の機能的構成の一例を示す図である。 第一実施形態の管理情報の一例を示す図である。 第一実施形態のパフォーマンスグラフ情報の一例を示す図である。 第一実施形態の情報処理装置で実行される処理の一例を示すフローチャートである。 第一実施形態のパフォーマンスグラフの一例を示す図である。 第一実施形態のパフォーマンスグラフの一例を示す図である。 第一実施形態のパフォーマンスグラフの一例を示す図である。 第一実施形態の変形例の管理情報の一例を示す図である。 第一実施形態の変形例のパフォーマンスグラフ情報の一例を示す図である。 第一実施形態の変形例のパフォーマンスグラフの一例を示す図である。 学習装置の電気的構成、及び第二実施形態の情報処理装置の電気的構成の一例を示す図である。 第二実施形態の制御部の機能的構成の一例を示す図である。 第二実施形態の情報処理装置で実行される処理の一例を示すフローチャートである。 第三実施形態の管理情報の一例を示す図である。 第三実施形態の変形例の管理情報の一例を示す図である。 第四実施形態の制御部の機能的構成の一例を示す図である。

以下、本開示の実施形態について、図面を参照しつつ説明する。なお、図面については、同一又は同等の要素には同一の符号を付し、重複する説明は省略する。

（第一実施形態）
図１〜図５を参照して、第一実施形態に係る情報処理装置１２０の物理的構成、電気的構成及び機能的構成について説明する。図１は、情報処理システム１００の全体構成、及び情報処理装置１２０の電気的構成の一例を示す図である。図２は、制御部１１１の機能的構成の一例を示す図である。図３は、制御部１２６の機能的構成の一例を示す図である。図４は、管理情報４０１の一例を示す図である。図５は、パフォーマンスグラフ情報の一例を示す図である。

学習装置１１０は、学習モデルを生成するコンピュータである。学習モデルは、学習用生体情報を入力とし、複数のタスクの各々に関する学習用パフォーマンス情報を出力として学習されたモデル（算出式）である。学習用生体情報は、１又は２以上の生体（被験者）の状態に関連する各種の情報であり、体温、顔画像、脈拍、心拍数、呼吸数、血圧、睡眠時間、身長、体重、表情のうち、少なくとも一つを含む。タスクは、知的作業で必要となる能力である。パフォーマンスは、タスクに対する人間の能力、当該タスクを必要とする知的作業の成果、当該知的作業の効率の少なくともいずれかを示す指標である。学習用パフォーマンス情報は、知的作業で必要となる複数のタスクの各々に関する学習用生体情報に対応する１又は２以上の生体のパフォーマンスを示す。本書において、学習モデルに基づいて、ユーザのパフォーマンスを示す情報を生成することを、「パフォーマンスを推定」と表現する。

図１に示すように、学習装置１１０は、制御部１１１と、記憶部１１２等を含む。制御部１１１は、学習装置１１０の全体を制御し、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）等のプロセッサにより構成される。記憶部１１２は、各種データ、プログラム等を記憶可能な記録媒体である。記憶部１１２は、各種プログラムを記憶する領域、当該各種プログラムにおいて使用されるデータを記憶する領域、当該各種プログラムがロードされる領域、当該各種プログラムが実行される際に使用される領域を含む。各種プログラムは、計算アルゴリズム、データベースを制御するためのプログラムを含む。記憶部１１２は、ＲＯＭ（Read Only Memory）、テープ、ＨＤＤ（Hard Disk Drive）、ＳＤＤ（Solid State Drive）、半導体メモリ、プログラマブルな論理回路等により構成される。また、記憶部１１２は、記憶されたプログラムを展開するＲＡＭ（Random Access Memory）を含んでもよい。

情報処理装置１２０は、学習装置１１０により生成された、複数のタスクの各々に関連付けられた学習モデルを使用して、パフォーマンスグラフを生成する。情報処理装置１２０が知的作業で必要となる複数のタスクに関して、ユーザのパフォーマンスを示すパフォーマンスグラフを表示することで、ユーザは、当該知的作業に関して自身のパフォーマンスを把握できる。図１に示すように、情報処理装置１２０は、入力部１２１、タイマ１２２、記憶部１２３、生体情報測定部１２４、表示部１２５、制御部１２６等を含む。

入力部１２１は、ユーザによる生体情報の入力を受け付ける。入力部１２１は、例えば、タッチパネル、ボタン、キー等により構成される。タイマ１２２は、日時を計測する。記憶部１２３は、各種データ、プログラム等を記憶可能な記録媒体である。

記憶部１２３は、各種データ、プログラム等を記憶可能な記録媒体である。記憶部１２３は、各種プログラムを記憶する領域、当該各種プログラムにおいて使用されるデータを記憶する領域、当該各種プログラムがロードされる領域、当該各種プログラムが実行される際に使用される領域を含む。各種プログラムは、計算アルゴリズム、データベースを制御するためのプログラムを含む。

記憶部１２３は、学習モデル、管理情報４０１（図４参照）、パフォーマンスグラフ情報（図５参照）等を記憶する。管理情報４０１は、知的作業の種類と、複数のタスクの組み合わせと、学習モデルとを対応付けた情報である。パフォーマンスグラフ情報は、複数のタスクに関するユーザのパフォーマンスを示す情報である。さらに、パフォーマンスグラフ情報は、パフォーマンスグラフの表示態様に関する情報を含む。

記憶部１２３は、ＲＯＭ、テープ、ＨＤＤ、ＳＤＤ、半導体メモリ、プログラマブルな論理回路等により構成される。また、記憶部１２３は、記憶されたプログラムを展開するＲＡＭ（Random Access Memory）を含んでもよい。

生体情報測定部１２４は、ユーザの生体情報を測定し、生体情報を測定可能な各種のデバイス、センサにより構成される。生体情報は、ユーザの状態に関連する情報であり、体温、顔画像、表情、脈拍、心拍数、呼吸数、血圧、睡眠時間、身長、体重のうち、少なくとも一つを含む。

表示部１２５は、情報を表示し、液晶ディスプレイ等により構成される。制御部１２６は、情報処理装置１２０の全体を制御し、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）等のプロセッサにより構成される。

図２に示すように、制御部１１１は、試験実行部２０１、モデル生成部２０２等を含む。試験実行部２０１は、タスクに関する被験者のパフォーマンスを測定する試験を、被験者に対して実行する。モデル生成部２０２は、被験者の生体情報（即ち、学習用生体情報）を入力（説明変数）とし、試験実行部２０１が実行した試験の結果を出力（目的変数）として学習を行い、学習モデルを生成する。

図３に示すように、制御部１２６は、生体情報取得部３０１、基準決定部３０２、推定部３０３、グラフ情報生成部３０４、提示部３０５等を含む。生体情報取得部３０１は、ユーザの生体の状態に関する生体情報を取得する。基準決定部３０２は、複数のタスクの各々に対応する基準情報を決定する。基準情報は、複数のタスクの各々に対応する複数のパフォーマンス情報の各々の基準を示し、複数のタスクの各々に対応するパフォーマンスに関して、評価するための基準となる値を含む。パフォーマンス情報は、複数のタスクの各々に関するユーザのパフォーマンスを示す。推定部３０３は、生体情報取得部３０１が取得した生体情報と、複数のタスクの各々に対応する複数の学習モデルとに基づいて、複数のパフォーマンス情報を生成する。グラフ情報生成部３０４は、推定部３０３が生成した複数のパフォーマンス情報に基づいて、パフォーマンスグラフ情報を生成する。提示部３０５は、パフォーマンスグラフ情報に基づいて、複数のタスクに関するパフォーマンスグラフを提示する。

図４を参照して、管理情報４０１について説明する。図４は、「知的作業ＩＤ：１００１、知的作業の種類：発明」、及び「知的作業ＩＤ：１００２、知的作業の種類：経営判断」に関する管理情報４０１の一例を示す。図４に示すように、管理情報４０１は、知的作業ＩＤと、知的作業の種類と、タスクＩＤと、タスク名と、学習モデルと、基準情報とを関連付ける。知的作業ＩＤは、知的作業の種類を識別する情報である。知的作業の種類は、ユーザに提示される知的作業の名称を示す。タスクＩＤは、タスクを識別する情報である。タスク名は、ユーザに提示されるタスクの名称を示す。図４に例示する基準情報は、ユーザのパフォーマンスを判断するための閾値である。

例えば、タスクは、「暗算」、「ルーチンに従って事務処理を正確に行う能力」、「金額の計算を素早く正確に行う能力」、「論理的に物事を考える能力」、「データを直感的に読み取る能力」、「雑多な事柄を繋げて全体を把握する能力」、「限られた情報から全体を見渡す能力」、「各種の計算を行う能力」、「統計資料を読み取る能力」、「統計資料から数学的な推論を行う能力」、「地図を読み取る能力」、「装置または回路の法則性を理解する能力」、「図形または数字の法則性を発見する能力」、「命令または規則を示す表に基づいて、得られる結果を算出する能力」、「暗号を解読する能力」等である。

また、例えば、タスクは、「文章の要旨を正確に把握する能力」、「文章から正しく情報を読み取る能力」、また「様々な語句を正しく用いる能力」、「文章が論理的に正しいか、または矛盾がないかを判断する能力」、「文章から問題を解決する能力」、「長文読解の能力」、「帰納法、演繹法、三段論法等の手法を使用する能力」、「文章の内容を分類する能力」、「熟語や犯逮捕を正しく使用する能力」、「文章整序を行う能力」等であってもよい。

また、例えば、タスクは、「意思決定力」、「戦略性」、「柔軟性」、「積極性」、「時間内の所定の作業を終えられる時間管理能力」、「集中力」、「注意力」、「思考の幅広さ」、「創造性」、「情報を検索する能力」、「パターン認識能力」、「思考のアプローチの広さ」、「記憶力」、「認知の速さ」等であってもよい。

以下の説明では、初期状態の管理情報４０１の生成について説明する。例えば、情報処理装置１２０の出荷前に情報処理装置１２０のメーカは、知的作業に応じた複数のタスクを決定し、知的作業の種類と、複数のタスク名とを関連付けて情報処理装置１２０に設定する。ここで、情報処理装置１２０のメーカは、当該メーカ自身が予め行った試験結果に基づいて、知的作業の種類に応じて、複数のタスクを決定してもよい。または、情報処理装置１２０のメーカは、情報処理装置１２０のユーザの企業、機関等の要望に応じて、知的作業に応じた複数のタスクを決定してもよい。これにより、学習装置１１０は、情報処理装置１２０のユーザの企業、機関等に応じて、知的作業とタスクとを関連付けることができる。

情報処理装置１２０は、設定された知的作業の種類に知的作業ＩＤを割り当てる。さらに、情報処理装置１２０は、設定された複数のタスク名の各々に、タスクＩＤを割り当てる。そして、情報処理装置１２０は、知的作業ＩＤと、知的作業の種類と、タスクＩＤと、タスク名とを関連付けて、初期状態の管理情報４０１を生成する。ここで、初期状態の管理情報４０１は、知的作業ＩＤと、知的作業の種類と、タスクＩＤと、タスク名とを関連付けて含み、学習モデルと基準情報とを含まない。

次に、学習モデルの生成について説明する。例えば、情報処理装置１２０の出荷前に情報処理装置１２０のメーカは、１又は２以上の被験者に対して、知的作業の種類とタスクとに応じた各種試験を実施する。被験者に対して試験が行われる場合、試験実行部２０１は、各タスクを測定するための設問を被験者に提示する。被験者は、提示された設問に対して回答する。例えば、タスクが「暗算」である場合、学習装置１１０は、被験者に計算問題を提示し、被験者は提示された計算問題を暗算で回答する。また、タスクが、「戦略的思考」である場合、学習装置１１０は、被験者にビジネス上の戦略に関する設問が提示される。

試験は、教育分野で行われている知能試験、知力試験であってもよい。または、試験は、法人向けの職業の適正を判断するために行われている検査であってもよい。例えば、試験は、日本企業で使用されているＳＰＩ総合検査、プログラマ向け、金融機関向けに使用されているＣＡＢ検査、ＧＡＢ検査、医学分野で使用されているＳＭＳ（Strategic Management Simulation）であってもよい。あるいは、試験は、情報処理装置１２０のユーザに応じた、独自の業務の検査であってもよい。

さらに、学習装置１１０は、被験者の生体情報（即ち、学習用生体情報）を取得する。学習用生体情報は、その種類に応じて、学習用パフォーマンス情報に影響を与えるタイミングに測定される。例えば、学習用生体情報は、試験と同日、試験と同時間帯（例えば、試験の実施時間中）に測定される。または、被験者が試験を行っている時に、リアルタイムで学習用生体情報が測定されてもよい。ここで、試験を行う時点と、学習用生体情報の測定時点との差分時間が大きくなるほど、試験結果との相関が低くなる情報（体温、顔画像、表情、脈拍、心拍数、又は呼吸数等）については、試験と同日、同時間帯、又はリアルタイムで、学習用生体情報が測定される。

試験と同日又は同時間帯に学習用生体情報が測定される場合、学習装置１１０は、試験前後の測定値の変化量に基づいて、学習用生体情報を決定してもよい。学習装置１１０は、被験者の過去の生体情報を含む、学習用生体情報を取得してもよい。例えば、試験前日の睡眠時間は、試験が実施される以前の生体情報であるが、試験結果に影響を与える。そのため、学習用生体情報の種類が、睡眠時間、身長、体重等である場合、当該種類の学習用生体情報は、試験が実施される時点以前の日時、当該時点以前の時間帯に測定されてもよい。

モデル生成部２０２は、測定された学習用生体情報を説明変数とし、且つ複数のタスクの各々の試験結果を目的変数として学習することで、学習モデルを生成する。例えば、モデル生成部２０２は、タスクに対応する各設問の得点、複数の設問の総合得点等に基づいて、当該タスクに対する試験結果を決定する。

例えば、モデル生成部２０２は、回帰法、パターン認識、多変量解析、統計分析、機械学習等の手法を、一つ又は複数用いて学習し、学習モデルを生成する。例えば、モデル生成部２０２は、線形の回帰式から得た数値（重み係数等）を学習し、学習モデルを生成する。また、例えば、モデル生成部２０２は、被験者の顔画像を入力（説明変数）とし、画像処理に適した畳み込みニューラルネットワークに入力して得られる数値（重み係数等）を出力（目的変数）として学習し、学習モデルを生成してもよい。または、モデル生成部２０２は、線形の回帰式から得た数値（重み係数等）と、顔画像をニューラルネットワークに入力して得られる数値（重み係数等）等を複数組み合わせた学習モデルを生成してもよい。また、モデル生成部２０２は、学習の過程で、複数のタスクの各々に最適な学習モデルを探索し、抽出することで、複数のタスクの各々の学習モデルを生成してもよい。

なお、モデル生成部２０２は、学習モデルを生成するための説明変数に関して、学習用生体情報に関する複数の条件や組み合わせを設定する。そして、その設定の各々において、被験者に対して試験が行われることで、モデル生成部２０２は、多様な生体情報に基づいて、学習モデルを生成できる。学習に使用するデータが多いほど、学習モデルの汎化性能が向上する。これにより、情報処理装置１２０のユーザとは異なる被験者の学習用生体情報に基づいて生成された学習モデルを用いて、当該ユーザのパフォーマンスを推定することが可能になる。

学習装置１１０は、生成した学習モデルと、タスクＩＤとを関連付けて、情報処理装置１２０に送信する。情報処理装置１２０は、学習装置１１０から取得した学習モデルに関連付けられたタスクＩＤに基づいて、学習モデルを管理情報４０１に登録する。

例えば、モデル生成部２０２が、「タスク名：戦略的思考」に関する学習モデル「Ｍｏｄｅｌ＿Ａ」＝「体温×ａ１＋心拍数×ａ２」を生成したとする。ここで、モデル生成部２０２が、学習モデル「Ｍｏｄｅｌ＿Ａ」に含まれる係数ａ１、ａ２を決定しているものとする。その場合、情報処理装置１２０は、学習装置１１０により決定された学習モデル「Ｍｏｄｅｌ＿Ａ」を、「タスク名：戦略的思考」と関連付けて管理情報４０１に登録する。

また、例えば、モデル生成部２０２が、「タスク名：意思決定力」に関して、顔画像を入力（説明変数）とし、パフォーマンスを示す情報を出力（目的変数）とする学習済みのニューラルネットワークである、学習モデル「Ｍｏｄｅｌ＿Ｐ」を生成する。ここで、学習済みのニューラルネットワークとは、出力値を算出するための条件（重み係数等）が決定されているニューラルネットワークを意味する。例えば、学習装置１１０がニューラルネットワークにおける各種条件（重み係数等）を決定し、学習モデル「Ｍｏｄｅｌ＿Ｐ」を生成する。その場合、情報処理装置１２０は、学習装置１１０により生成された学習モデル「Ｍｏｄｅｌ＿Ｐ」を、「タスク名：意思決定力」と関連付けて管理情報４０１に登録する。

また、例えば、モデル生成部２０２は、「タスク名：論理性」に関する学習モデル「Ｍｏｄｅｌ＿Ｕ」＝「体温×ｂ１＋顔画像から算出した指標×ｂ２」を生成する。ここで、学習装置１１０が、学習モデル「Ｍｏｄｅｌ＿Ｕ」に含まれるｂ１、ｂ２を決定しているものとする。その場合、情報処理装置１２０は、学習装置１１０により生成された学習モデル「Ｍｏｄｅｌ＿Ｕ」を、「タスク名：論理性」と関連付けて管理情報４０１に登録する。

このように、タスクに応じた学習モデルを生成することで、複数のタスクの各々に関して算出されるパフォーマンスの信頼性を向上できる。なお、上記の学習モデルは、一例であり、複数のタスクの各々に最適な手法で生成してよい。例えば、学習モデルは、機械学習（非線形回帰、サポートベクター回帰等）、リカレントニューラルネットによる推定手法により生成されてもよい。また、学習モデルは、複数の手法を組み合わせて生成されてもよい。

さらに、情報処理装置１２０のメーカは、学習モデルを生成するための試験結果に基づいて、複数のタスクの各々の基準情報を情報処理装置１２０に設定する。基準決定部３０２は、設定された複数のタスクの各々の基準情報を管理情報４０１に登録する。

また、記憶部１２３に、１又は２以上のユーザに関して、複数のタスクの各々の過去のパフォーマンス情報が記憶されている場合、基準決定部３０２は、複数のタスクの各々に対応する過去に算出された複数のパフォーマンス情報に基づいて、基準情報を決定してもよい。あるいは、基準決定部３０２は、ユーザによる入力に基づいて、基準情報を変更可能であってもよい。

次に、図５を参照して、パフォーマンスグラフ情報について説明する。図５は、ユーザＩＤ「ｕｓｅｒ＿１０００１」のユーザのパフォーマンスグラフ情報の一例を示す。パフォーマンスグラフ情報は、ユーザＩＤ、表示態様情報、タスクＩＤ、第１パフォーマンス値、第２パフォーマンス値を含む。第１パフォーマンス値は、生体情報取得部３０１が取得した生体情報を、対応するタスクＩＤに関連付けられた学習モデルに入力して算出された値を示す。第２パフォーマンス値は、対応するタスクＩＤに関連付けられた基準情報に対する、第１パフォーマンス値の割合を示す。

ユーザＩＤは、ユーザを識別する情報であり、例えば、ユーザ名である。表示態様情報は、パフォーマンスグラフの表示態様を示す情報であり、例えば、パフォーマンスグラフの形式（レーダチャート、棒グラフ、折れ線グラフ等）、パフォーマンスの評価結果を示すメッセージの有無等を含む。評価結果とは、複数のタスクに対応する第２パフォーマンス値に基づく評価値（例えば、平均値）である。例えば、図５に示す表示態様情報「レーダチャート、評価メッセージ有」は、パフォーマンスグラフがレーダチャートであること、及び、パフォーマンスの評価結果を示すメッセージが表示されることを示す。

次に、第１パフォーマンス値、及び第２パフォーマンス値について詳細に説明する。推定部３０３は、生体情報取得部３０１が取得した生体情報と、複数のタスクの各々に関連付けられた複数の学習モデルに基づいて、複数のパフォーマンス情報に含まれる複数の第１パフォーマンス値を算出する。第１パフォーマンス値は、生体情報取得部３０１が取得した生体情報を、複数のタスクの各々に関連付けられた学習モデルにより示される算出式に入力することで算出される。さらに、推定部３０３は、複数のタスクの各々に関して、基準情報により示される値に対する複数の第１パフォーマンス値の割合に基づいて、複数のパフォーマンス情報に含まれる複数の第２パフォーマンス値を算出する。

例えば、タスクＩＤ「Ｔａｓｋ＿４１１」に関して、ユーザＩＤ「ｕｓｅｒ＿１０００１」の第１パフォーマンス値が５９であるとする。ここで、タスクＩＤ「Ｔａｓｋ＿４１１」に関して、基準情報が５６である場合、推定部３０３は、第２パフォーマンス値＝（５９÷５６）×１００＝１０５％を算出する。なお、第２パフォーマンス値は百分率に限定されない。第２パフォーマンス値は、タスクに応じた指標であってもよい。

図６〜図９を参照して、情報処理装置１２０で実行される処理について説明する。図６は、情報処理装置１２０で実行される処理の一例を示すフローチャートである。図７〜図９は、パフォーマンスグラフの一例を示す図である。

情報処理装置１２０が図６に例示する処理を開始する前に、記憶部１２３に、管理情報４０１が予め記憶されている。その場合に、図６に例示するＳ６０１の処理を開始する前に、ユーザは、入力部１２１を用いてパフォーマンスを評価する知的作業と、パフォーマンスグラフの表示態様と、ユーザＩＤとを設定する。制御部１２６は、管理情報４０１を参照し、知的作業の種類の一覧、知的作業の種類ごとのタスクの一覧を提示する。さらに、制御部１２６は、知的作業に適したパフォーマンスグラフの候補の組み合わせ一覧、パフォーマンスグラフのサンプル画像の一覧等をユーザに提示してもよい。これにより、ユーザは、パフォーマンスを評価する知的作業の種類と、パフォーマンスグラフの適切な表示態様とを容易に選択できる。

または、制御部１２６は、パフォーマンスを評価する知的作業の種類と、パフォーマンスグラフの表示態様とを選択するための質問を表示部１２５に表示してもよい。例えば、制御部１２６は、「これから行う知的作業の種類を選択してください」、「あなたはパフォーマンスの評価を表示したいですか？」等の質問を表示部１２５に表示する。制御部１２６は、当該質問に対するユーザの回答に基づいて、パフォーマンスを評価する知的作業の種類と、パフォーマンスグラフの表示態様とを決定する。これにより、パフォーマンスグラフを生成する際のユーザの利便性を向上できる。

パフォーマンスを評価する知的作業の種類と、パフォーマンスグラフの表示態様と、ユーザＩＤとがユーザにより決定された場合、制御部１２６は、図６に例示するＳ６０１の処理を開始する。

Ｓ６０１において、生体情報取得部３０１は、ユーザの生体情報を取得する。具体的には、生体情報取得部３０１は、生体情報測定部１２４が測定した生体情報を取得する。ここで、生体情報取得部３０１が取得する生体情報は、ユーザの過去の生体情報を含んでもよい。

生体情報測定部１２４は、可視光カメラ、赤外線カメラ等を利用して、生体情報を測定する。例えば、生体情報測定部１２４は、Ｗｅｂカメラ、携帯端末（例えば、スマートフォン）に搭載されたカメラが撮影した、ユーザの体表を含む画像を取得し、取得した画像に基づいて生体情報（例えば、体温、心拍数、血圧等）を測定する。

または、生体情報測定部１２４は、ユーザが装着するセンサを利用して、生体情報を測定してもよい。例えば、ユーザが装着するセンサは、ユーザの手首に装着されて心拍、体温等を測定するリストバンド型センサである。または、ユーザが装着するセンサは、ユーザの指に装着されて、脈波を測定する指輪型のセンサであってもよい。

または、ユーザが、情報処理装置１２０に、入力部１２１を用いて、生体情報（例えば、睡眠時間、身長、体重等）を入力してもよい。その場合、生体情報取得部３０１は、ユーザにより入力部１２１を用いて入力された生体情報を取得する。

例えば、情報処理装置１２０が、ユーザの睡眠時間を測定するセンサを備えることが困難である場合、ユーザが、入力部１２１を用いて睡眠時間を入力する。また、例えば、ユーザを撮影した画像から、ユーザの身長及び体重を推定することが困難である場合、ユーザが、入力部１２１を用いて、ユーザの身長及び体重を入力する。その場合、制御部１２６は、「直前の作業内容は？」、「今日は何時間働いていますか？」、「昨夜の睡眠時間は？」、「身長は？」、「体重は？」、等の質問を表示部１２５に表示してもよい。生体情報取得部３０１は、当該質問に対するユーザの回答に基づいて、生体情報を取得する。

生体情報取得部３０１は、Ｓ６０１で取得した生体情報に基づいて前処理（例えば、生体情報のデータ変換、整形、加工等）を行う。これにより、情報処理装置１２０は、当該前処理を行わない場合よりもユーザのパフォーマンスを正確に算出できる。つまり、情報処理装置１２０は、当該前処理を行うことにより、当該前処理を行わない場合よりもユーザのパフォーマンスの信頼性を向上できる。

Ｓ６０２において、推定部３０３は、ユーザにより予め決定されたパフォーマンスグラフの表示態様に基づいて、初期状態のパフォーマンスグラフ情報を生成する。初期状態のパフォーマンスグラフ情報においては、タスクＩＤ、第１パフォーマンス値、及び第２パフォーマンス値は、未登録の状態である。

Ｓ６０３において、推定部３０３は、管理情報４０１を参照し、ユーザにより予め選択された知的作業に関連付けられた複数のタスクから、一のタスクを選択する。具体的には、推定部３０３は、管理情報４０１を参照し、ユーザにより選択された知的作業の知的作業ＩＤに関連付けられた、複数のタスクＩＤから、一のタスクＩＤを選択する。Ｓ６０４において、推定部３０３は、Ｓ６０３で選択したタスクに対応する学習モデルと基準情報とを、管理情報４０１から抽出する。

Ｓ６０５において、推定部３０３は、Ｓ６０１で取得した生体情報と、Ｓ６０４で抽出した学習モデルとに基づいて、選択したタスクに対応するパフォーマンス情報を生成する。具体的には、推定部３０３は、取得した生体情報と、Ｓ６０４で抽出した学習モデルとに基づいて、選択したタスクに対応する第１パフォーマンス値を算出する。そして、推定部３０３は、算出した第１パフォーマンス値と、Ｓ６０４で抽出した基準情報とに基づいて、選択したタスクに対応する第２パフォーマンス値を算出する。そして、推定部３０３は、算出した第１パフォーマンス値と、算出した第２パフォーマンス値とを含むパフォーマンス情報を生成する。

Ｓ６０６において、グラフ情報生成部３０４は、Ｓ６０２で生成したパフォーマンスグラフ情報に、Ｓ６０５で生成したパフォーマンス情報を割り当てる。具体的には、グラフ情報生成部３０４は、パフォーマンスグラフ情報に、選択したタスクのタスクＩＤと、生成したパフォーマンス情報とを関連付けて登録する。

Ｓ６０７において、推定部３０３は、生成した管理情報４０１に含まれる、選択された知的作業に関連付けられた全てのタスクを選択したか否かを判定する。全てのタスクを選択していない場合（Ｓ６０７：ＮＯ）、推定部３０３は、管理情報４０１を参照し、ユーザにより選択された知的作業に関連付けられた複数のタスクから、新たなタスクを選択する（Ｓ６０８）。そして、制御部１２６は、処理をＳ６０４に戻すことで、パフォーマンスグラフ情報の生成を継続する。一方、選択された知的作業に関連付けられた全てのタスクを選択した場合（Ｓ６０７：ＹＥＳ）、制御部１２６は、Ｓ６０９に処理を移行する。

Ｓ６０９において、グラフ情報生成部３０４は、生成したパフォーマンスグラフ情報に基づいて、パフォーマンスグラフを生成する。具体的には、グラフ情報生成部３０４は、管理情報４０１を参照し、選択された知的作業に関連付けられた各タスクＩＤに関連付けられたタスク名を取得する。そして、グラフ情報生成部３０４は、パフォーマンスグラフ情報に含まれるタスクＩＤに関連付けられた第２パフォーマンス値と、取得したタスク名と、表示態様情報とに基づいて、パフォーマンスグラフ情報を生成する。

パフォーマンスグラフ情報に含まれる表示態様情報が、ユーザのパフォーマンスの評価結果に関するメッセージを表示することを含む場合、グラフ情報生成部３０４は、当該パフォーマンスグラフ情報に含まれる複数のタスクに対応する第２パフォーマンス値に基づいて、ユーザのパフォーマンスを評価する。グラフ情報生成部３０４は、評価結果に基づいて、ユーザのパフォーマンスの評価結果に関するメッセージを生成する。

Ｓ６１０において、提示部３０５は、Ｓ６０９で生成したパフォーマンスグラフを表示部１２５に表示させる。これにより、情報処理装置１２０は、知的作業の効率に関連する複数のタスクに関して、ユーザの状態を提示できる。また、提示部３０５は、ユーザのパフォーマンスの評価結果に関するメッセージを生成した場合、生成したメッセージを表示部１２５に表示させる。Ｓ６１１において、制御部１２６は、パフォーマンスグラフ情報を、記憶部１２３に格納する。

図７〜図９は、表示部１２５により表示されるパフォーマンスグラフの一例を示す。例えば、ユーザが「知的作業の種類：発明」を選択した場合、情報処理装置１２０は、管理情報４０１を参照し、「知的作業の種類：発明」に対応する「タスク：戦略的思考、情報処理力、柔軟な思考、思考の幅広さ、アプローチの広さ、創造性」を記憶部１２３から選択する（Ｓ６０２）。そして、情報処理装置１２０は、「タスク：戦略的思考、情報処理力、柔軟な思考、思考の幅広さ、アプローチの広さ、創造性」に含まれる各々のタスクに関して、第１パフォーマンス値と第２パフォーマンス値とを算出する（Ｓ６０３〜Ｓ６０５）。そして、「タスク：戦略的思考、情報処理力、柔軟な思考、思考の幅広さ、アプローチの広さ、創造性」に関するパフォーマンスグラフ７０１（図７参照）を生成し（Ｓ６０９）、表示する（Ｓ６１０）。これにより、情報処理装置１２０は、ユーザが発明を行う場合に、ユーザが発明を行う効率に関連する複数の能力に関して、ユーザの状態を提示できる。

また、ユーザが、パフォーマンスの評価結果に関するメッセージを表示することを指定した場合、情報処理装置１２０は、パフォーマンスの評価結果に関して、「とても良い状態です」とのメッセージ７０２を表示する。これにより、ユーザは、自身が対象の知的作業に適した状態であるか否かを容易に判断できる。

また、例えば、ユーザが、「知的作業の種類：経営判断」を選択した場合、情報処理装置１２０は、「知的作業の種類：経営判断」に対応する「タスク：意思決定力、積極性、柔軟性、交渉力、分析力、論理性」に関する各々のタスクに関して、第１パフォーマンス値と第２パフォーマンス値とを算出する（Ｓ６０３〜Ｓ６０５）。そして、情報処理装置１２０は、「タスク：意思決定力、積極性、柔軟性、交渉力、分析力、論理性」に関するパフォーマンスグラフ８０１（図８参照）を生成し（Ｓ６０９）、表示する（Ｓ６１０）。これにより、情報処理装置１２０は、ユーザが経営判断を行う場合に、経営判断の効率に関連する複数の能力に関して、ユーザの状態を提示できる。

また、例えば、ユーザが、「知的作業の種類：予算申請」を選択した場合、情報処理装置１２０は、「知的作業の種類：予算申請」に対応する「タスク：計算、情報処理力、注意力、認知の速度、記憶力、パターン認識」に関する各々のタスクに関して、第１パフォーマンス値と第２パフォーマンス値とを算出する（Ｓ６０３〜Ｓ６０５）。そして、情報処理装置１２０は、「タスク：計算、情報処理力、注意力、認知の速度、記憶力、パターン認識」に関するパフォーマンスグラフ９０１（図９参照）を生成し（Ｓ６０９）、表示する（Ｓ６１０）。これにより、情報処理装置１２０は、ユーザが予算申請を行う場合に、予算申請の効率に関連する複数の能力に関して、ユーザの状態をユーザに提示できる。

例えば、ユーザは、作業計画を決定する際に、情報処理装置１２０により表示されるパフォーマンスグラフに基づいて、作業計画を決定するとする。その際に、パフォーマンスグラフが正確性に関係するパフォーマンスが高い状態であることを示す場合、ユーザは、正確性を要する計数、論理の能力が求められる作業を優先することを決定する。または、パフォーマンスグラフが自由な発想に関係するパフォーマンスが高い状態であることを示す場合、ユーザは、新たなアイデアを考える作業を優先することを決定してもよい。つまり、情報処理装置１２０は、パフォーマンスグラフをユーザに提示することで、ユーザが、自身の状態に応じた知的作業を優先した作業計画を立てることができるように支援できる。

また、例えば、パフォーマンスグラフが、ユーザの集中力に関係するパフォーマンスが低い状態であることを示す場合、ユーザは、集中力の低下によるミスを防止するように注意できる。または、パフォーマンスグラフが、各種のパフォーマンスが低い状態であることを示す場合、ユーザは、休憩を取る等、パフォーマンスがより一層低下することを抑制することに努めることができる。以上により、情報処理装置１２０は、ユーザのパフォーマンスを向上させることに貢献できる。

また、情報処理装置１２０は、知的作業の種類に応じて、複数のタスクに関するパフォーマンスをユーザに提示することで、ユーザは、自身の状態を多角的に把握でき、ユーザのパフォーマンスを容易に把握できる。さらに、情報処理装置１２０は、ユーザの生体情報の変化に応じて、パフォーマンスグラフを更新できる。これにより、情報処理装置１２０は、ユーザの現状に応じて、ユーザのパフォーマンスに関する情報を提供できる。

（変形例１）
図１０〜図１２を参照して、本実施形態の情報処理装置１２０の変形例１について説明する。図１０は、本変形例の管理情報１００１の一例を示す図である。図１１は、本変形例のパフォーマンスグラフ情報の一例を示す図である。図１２は、パフォーマンスグラフ１２０１の一例を示す図である。

本変形例においては、図１０に例示するように、基準情報は、図４に例示する数値に替えて、複数のゾーン情報を含む。ゾーン情報は、所定の範囲を示す情報であり、例えば、所定の範囲を示す文字列である。図１０に例示するように、管理情報１００１は、知的作業ＩＤと、タスクＩＤと、学習モデルと、複数のゾーン情報（例えば、「良好」、「普通」、「不調」）とを関連付ける。ゾーン情報は、「ランクＡ」、「ランクＢ」、「ランクＣ」、「高」、「中」、「低」等であってもよく、その詳細は問わない。

例えば、情報処理装置１２０のメーカが、情報処理装置１２０に、タスクＩＤと関連付けて、複数のゾーン情報を設定する。または、ユーザが、情報処理装置１２０に、タスクＩＤと関連付けて複数のゾーン情報を設定してもよい。また、ユーザがゾーン情報を設定する際には、情報処理装置１２０は、管理情報１００１に設定されているゾーン情報を表示してもよい。これにより、ユーザは、ゾーン情報の更新が必要であるかを判断することが容易になる。基準決定部３０２は、設定されたゾーン情報を管理情報１００１に登録する。

本変形例においては、推定部３０３は、管理情報１００１を参照し、複数のタスクの各々に関して、管理情報１００１に設定された複数のゾーン情報から、第１パフォーマンス値を含む範囲のゾーン情報を、第２パフォーマンス値に割り当てる（Ｓ６０６）。つまり、本変形例においては、図１１に例示するように、本変形例のパフォーマンスグラフ情報において、第２パフォーマンス値はゾーン情報を示す。そして、図１２に示すように、提示部３０５は、タスクごとにゾーン情報が割り当てられたパフォーマンスグラフ１２０１を表示部１２５に表示させる（Ｓ６１０）。

（第二実施形態）
図１３〜図１５を参照して、第二実施形態について説明する。以下の各実施形態では、第一実施形態と実質的に共通の機能を有する構成及び処理を共通の符号で参照して説明を省略し、第一実施形態と異なる点を説明する。

図１３〜図１４を参照して、本実施形態に係る情報処理装置１２０の電気的構成及び機能的構成について説明する。図１３は、本実施形態に係る情報処理システム１００の全体構成、及び本実施形態に係る情報処理装置１２０の電気的構成の一例を示す図である。図１４は、本実施形態に係る制御部１２６の機能的構成の一例を示す図である。

図１３に示すように、本実施形態の情報処理装置１２０と、第一実施形態の情報処理装置１２０との相違点は、情報処理装置１２０が、環境情報測定部１３０１を備える点である。

環境情報測定部１３０１は、環境情報を測定し、環境情報を測定可能な各種のデバイス、センサにより構成される。環境情報は、ユーザの周辺の環境に関する情報であり、ユーザの周辺の気圧、二酸化炭素濃度、温度、湿度、照度のうちの少なくとも一つを含む。

図１４に示すように、本実施形態の制御部１２６と、第一実施形態の制御部１２６との相違点は、本実施形態の制御部１２６は、環境情報取得部１４０１を備える点である。さらに、本実施形態の制御部１２６は、推定部３０３に替えて、推定部１４０２を備える。

環境情報取得部１４０１は、環境情報を取得する。具体的には、環境情報取得部１４０１は、環境情報測定部１３０１が測定した環境情報を取得する。また、環境情報取得部１４０１は、ユーザにより入力部１２１を用いて入力された環境情報を取得してもよい。環境情報取得部１４０１が取得する環境情報は、ユーザの周辺の過去の環境を示す情報を含んでもよい。推定部１４０２は、生体情報取得部３０１が取得した生体情報と、環境情報取得部１４０１が取得した環境情報と、複数のタスクの各々に関連付けられた複数の学習モデルとに基づいて、複数のタスクの各々に関する複数のパフォーマンス情報を生成する。具体的には、推定部１４０２は、生体情報取得部３０１が取得した生体情報と、環境情報取得部１４０１が取得した環境情報と、複数のタスクの各々に対応する複数の学習モデルとに基づいて、複数のパフォーマンス情報に含まれる第１パフォーマンス値を算出する。推定部１４０２は、複数のタスクの各々に関して、基準情報により示される値に対する第１パフォーマンス値との割合に基づいて、複数のパフォーマンス情報に含まれる第２パフォーマンス値を算出する。

次に、本実施形態の学習モデルについて説明する。本実施形態の学習モデルは、学習用生体情報と学習用環境情報とのうち、少なくともいずれかを使用して、複数のタスクの各々のパフォーマンスを推定（算出）するために学習済みのモデル（算出式）である。学習用環境情報は、被験者の周辺の環境に関する各種の情報であり、気圧、二酸化炭素濃度、温度、湿度、照度のうち、少なくとも一つを含む。

本実施形態の学習装置１１０が学習モデルを生成する場合、学習装置１１０は、被験者の周辺の環境に関する環境情報（即ち、学習用環境情報）を取得する。学習用環境情報は、学習用パフォーマンス情報に影響を与えるタイミングに測定される。例えば、学習用環境情報は、試験と同日、同時間帯、又はリアルタイムで測定される。または、試験と同日又は同時間帯に学習用環境情報が測定される場合、学習装置１１０は、試験前後の測定値の変化量に基づいて、学習用環境情報を決定してもよい。

モデル生成部２０２は、学習用生体情報と学習用環境情報とのうち、少なくともいずれかを説明変数とし、且つ複数のタスクの各々の試験結果を目的変数として学習することで、学習モデルを生成する。なお、モデル生成部２０２は、学習モデルを生成するための説明変数に関して、学習用生体情報及び学習用環境情報に関する複数の条件や組み合わせを設定する。そして、その設定の各々において、被験者に試験が行われることで、モデル生成部２０２は、多様な生体情報及び環境情報に基づいて、学習モデルを生成できる。これにより、情報処理装置１２０は、情報処理装置１２０のユーザが知的作業を行う時点とは異なる時点における学習用環境情報に基づいて生成された、学習モデルを用いて、当該ユーザのパフォーマンスを推定することが可能になる。

例えば、モデル生成部２０２が、「タスク名：戦略的思考」に関する学習モデル「Ｍｏｄｅｌ＿Ａ」＝「体温×ｃ１＋心拍数×ｃ２＋気温×ｃ３＋二酸化炭素濃度×ｃ４」を生成したとする。ここで、モデル生成部２０２が、学習モデル「Ｍｏｄｅｌ＿Ａ」に含まれるｃ１、ｃ２、ｃ３、ｃ４を決定しているものとする。情報処理装置１２０は、学習装置１１０により決定された学習モデル「Ｍｏｄｅｌ＿Ａ」を、「タスク名：戦略的思考」と関連付けて管理情報４０１に登録する。

図１５を参照して、情報処理装置１２０で実行される処理について説明する。図１５は、本実施形態の情報処理装置１２０で実行される処理の一例を示すフローチャートである。パフォーマンスを評価する知的作業と、パフォーマンスグラフの表示態様と、ユーザＩＤとが決定された場合、制御部１２６は、図１５に例示するＳ６０１の処理を開始する。

Ｓ６０１において、生体情報取得部３０１は、生体情報測定部１２４が測定した生体情報を取得する。さらに、Ｓ１５０１において、環境情報取得部１４０１は、環境情報測定部１３０１が測定した環境情報を取得する。そして、制御部１２６は、処理をＳ６０２に移行する。Ｓ６０２からＳ６０４までの処理は、図６に例示する処理と同様であるため、詳細な説明は省略する。

推定部１４０２は、選択したタスクに対応する学習モデルと基準情報とを管理情報４０１から抽出した場合（Ｓ６０４）、Ｓ６０１で取得した生体情報と、Ｓ１５０１で取得した環境情報と、抽出した学習モデルとに基づいて、Ｓ６０３で選択したタスクに対応するパフォーマンス情報を生成する（Ｓ１５０２）。具体的には、推定部１４０２は、生体情報と、環境情報と、選択したタスクのタスクＩＤに関連付けられた学習モデルとに基づいて、選択したタスクに対応する第１パフォーマンス値を算出する。推定部１４０２は、算出した第１パフォーマンス値と、Ｓ６０４で抽出した基準情報とに基づいて、選択したタスクに対応する第２パフォーマンス値を算出する。そして、推定部１４０２は、算出した第１パフォーマンス値と、算出した第２パフォーマンス値とを含むパフォーマンス情報を生成する。そして、制御部１２６は、処理をＳ６０６に移行する。Ｓ６０６からＳ６１１までの処理は、図６に例示する処理と同様であるため、詳細な説明は省略する。

以上の通り、情報処理装置１２０は、ユーザの生体情報と、ユーザの周辺の環境情報とに基づいて、ユーザのパフォーマンスを推定する。これにより、情報処理装置１２０は、知的作業の効率に関連する複数の能力に関して、より一層、ユーザの現状に応じて、ユーザのパフォーマンスを示す情報を管理できる。

（第三実施形態）
図１６を参照して、第三実施形態について説明する。図１６は、管理情報１６０１の一例を示す図である。図１６に示すように、管理情報１６０１は、ユーザＩＤと、知的作業ＩＤと、知的作業の種類と、タスクＩＤと、タスク名と、学習モデルと、ユーザ基準情報とを関連付ける。ユーザ基準情報は、ユーザＩＤのユーザに対応する基準情報である。

本実施形態の基準決定部３０２は、ユーザに対応する基準情報を決定する。ここで、制御部１２６は、タスクに対応する基準をユーザに設定させるための質問を表示してもよい。その場合、基準決定部３０２は、当該質問に対するユーザの回答に基づいて、当該ユーザに対応する複数のタスクの各々のユーザ基準情報を決定し、管理情報１６０１に、決定したユーザ基準情報を登録する。

例えば、ユーザＩＤ「ｕｓｅｒ＿１０００１」のユーザは、入力部１２１を用いて、情報処理装置１２０に、「タスクＩＤ：Ｔａｓｋ＿１６１１、タスク名：戦略的思考」と「ユーザ基準情報：７０」とを対応付けて設定する。基準決定部３０２は、管理情報１６０１に、設定された「タスクＩＤ：Ｔａｓｋ＿１６１１、タスク名：戦略的思考」に対応する「ユーザ基準情報：７０」を登録する。

例えば、記憶部１２３に、図１６に例示する管理情報１６０１が記憶されている場合に、ユーザＩＤ「ｕｓｅｒ＿１０００１」のユーザが、入力部１２１を用いて、ユーザ基準情報に基づくパフォーマンスグラフを、情報処理装置１２０により表示させることを選択したとする。そして、推定部３０３は、「タスクＩＤ：Ｔａｓｋ＿１６１１、タスク名：戦略的思考」に関して、ユーザＩＤ「ｕｓｅｒ＿１０００１」の第１パフォーマンス値を６５と算出したとする。その場合、推定部３０３は、図１６に例示する「タスク名：戦略的思考」に対応する「ユーザ基準情報：７０」を抽出し、第２パフォーマンス値＝（６５÷７０）×１００＝９３％を算出する。そして、グラフ情報生成部３０４は、ユーザＩＤ「ｕｓｅｒ＿１０００１」のユーザに関して、ユーザ基準情報に基づくパフォーマンスグラフを生成する。これにより、情報処理装置１２０は、ユーザ個人の基準に基づいて、ユーザのパフォーマンスを管理できる。さらに、情報処理装置１２０は、ユーザごとの好不調を示すパフォーマンスグラフをユーザに提示できる。

また、基準決定部３０２は、対象のユーザに関して、記憶部１２３に記憶される過去（例えば、一か月前）に算出されたパフォーマンス情報に基づいて、タスクに応じたユーザごとの基準情報を決定しても良い。これにより、情報処理装置１２０は、ユーザごとのパフォーマンスの変化を、各ユーザに把握させることができる。

（変形例１）
図１７を参照して、本実施形態の情報処理装置１２０の変形例１について説明する。図１７は、管理情報１７０１の一例を示す図である。本変形例においては、図１７に例示するように、管理情報１７０１に含まれるユーザ基準情報は、図１６に例示する数値に替えて、複数のゾーン情報を含む。

例えば、ユーザＩＤ「ｕｓｅｒ＿１０００１」のユーザは、タスク名とゾーン情報とを対応付けて情報処理装置１２０に設定する。基準決定部３０２は、管理情報１７０１に含まれる、設定されたタスク名に対応するユーザ基準情報に、設定されたゾーン情報を登録する。

また、例えば、ユーザが、ユーザ基準情報に基づくパフォーマンスグラフを、情報処理装置１２０により表示させることを選択したとする。ここで、記憶部１２３に、図１７に例示する管理情報１７０１が記憶されているとする。その場合、グラフ情報生成部３０４は、ユーザＩＤ「ｕｓｅｒ＿１０００１」の当該ユーザに関して、管理情報１７０１に含まれるゾーン情報に基づいてパフォーマンスグラフを生成する。

または、情報処理装置１２０は、複数のユーザに共通であるゾーン情報を示す基準情報（図１０参照）と、ユーザ独自のゾーン情報を示すユーザ基準情報（図１７参照）とのうち、何れに基づいてパフォーマンスグラフを生成するかを、ユーザに選択させてもよい。これにより、情報処理装置１２０は、ユーザ独自の基準に基づくパフォーマンスを提示すること、または、複数のユーザ間で共通の基準に基づくパフォーマンスを提示することのいずれかを、状況に応じてユーザに選択させることができる。

（変形例２）
本変形例においては、ユーザが、学習モデルと関連付けられて管理情報４０１に予め登録されている複数のタスクと、新たな知的作業の種類とを対応付けて、情報処理装置１２０に設定してもよい。情報処理装置１２０は、設定された新たな知的作業の種類と、設定された複数のタスクの各々のタスクＩＤと、当該複数のタスクの各々のタスクＩＤに関連付けられた学習モデルとを関連付けて、管理情報４０１に登録する。

例えば、ユーザは、「知的作業の種類：ｅスポーツ」と、「タスク：認知の速度、反応の速さ、入力の正確さ、動体視力、集中力、積極性」とを対応付けて情報処理装置１２０に設定する。そして、ユーザが、「知的作業の種類：ｅスポーツ」に関してパフォーマンスグラフを表示することを選択した場合、情報処理装置１２０は、「知的作業の種類：ｅスポーツ」に対応する各タスクに関して、ユーザのパフォーマンスを推定し、「知的作業の種類：ｅスポーツ」に関するパフォーマンスグラフを表示する。これにより、情報処理装置１２０は、ユーザ独自の知的作業に関して、パフォーマンスグラフをユーザに提示できる。

（第四実施形態）
図１８を参照して、第四実施形態について説明する。図１８は、本実施形態に係る制御部１２６の機能的構成の一例を示す図である。図１８に示す制御部１２６と、図１４に示す制御部１２６との相違点は、図１８に示す制御部１２６は、試験実行部１８０１と、モデル生成部１８０２とを含む。試験実行部１８０１は、図２の試験実行部２０１と同様の処理を実行する。同様に、モデル生成部１８０２は、モデル生成部２０２と同様の処理を実行する。つまり、本実施形態の情報処理装置１２０は、学習装置１１０の機能を含む。

情報処理装置１２０のユーザが、入力部１２１を用いて、知的作業のパフォーマンスを測定するための試験を受けることを選択した場合、試験実行部１８０１は、記憶部１２３に記憶される試験プログラムを読み出し、ユーザに対して試験を実施する。学習装置１１０が被験者に対して試験を行う場合と同様に、ユーザに対して試験が行われる場合、生体情報取得部３０１は、ユーザの生体情報を取得する。同様に、情報処理装置１２０が、環境情報取得部１４０１を備え、且つユーザに対して試験が行われる場合、環境情報取得部１４０１は、ユーザの周辺の環境情報を取得する。

モデル生成部１８０２は、生体情報取得部３０１が取得した生体情報と、環境情報取得部１４０１が取得した環境情報とのうち少なくともいずれかを説明変数とし、試験実行部１８０１が行った試験の結果を目的変数として、学習モデルを生成する。ここで、学習モデルを生成するための説明変数、及び目的変数の少なくともいずれかは、情報処理装置１２０によってユーザに質問された事項に対してユーザが回答した内容を含む。これにより、情報処理装置１２０は、ユーザ個人にカスタマイズされた学習モデルに基づいて、ユーザのパフォーマンスを推定できる。その結果、情報処理装置１２０は、推定されるユーザのパフォーマンスの信頼性を向上できる。

なお、情報処理装置１２０の出荷前に、情報処理装置１２０のメーカが、情報処理装置１２０を用いて、複数の被験者に対する試験を行ってもよい。その場合、モデル生成部１８０２は、複数の被験者の生体情報、被験者の周辺の環境情報の少なくともいずれかを説明変数とし、当該試験結果を目的変数として、学習モデルを生成してもよいことは勿論である。

情報処理装置１２０の制御ブロック（特に、制御部１２６）は、集積回路（ＩＣ（Integrated Circuit）チップ）などに形成された論理回路（ハードウェア）によって実現してよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してよい。後者の場合、情報処理装置１２０は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本開示の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、当該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波など）を介して上記コンピュータに供給されてよい。

また、上記実施形態で実行される各処理は、複数のコンピュータにより実行されてもよい。例えば、情報処理装置１２０の制御部１２６の各機能ブロックで実行される処理は、他のコンピュータにより一部の処理が実行されてもよいし、複数のコンピュータにより全ての処理が分担して実行されてもよい。

１００ 情報処理システム、１１０ 学習装置、１１１ 制御部、１１２ 記憶部、１２０ 情報処理装置、１２１ 入力部、１２２ タイマ、１２３ 記憶部、１２４ 生体情報測定部、１２５ 表示部、１２６ 制御部、２０１ 試験実行部、２０２ モデル生成部、３０１ 生体情報取得部、３０２ 基準決定部、３０３ 推定部、３０４ グラフ情報生成部、３０５ 提示部、４０１ 管理情報、７０１ パフォーマンスグラフ、７０２ メッセージ、８０１ パフォーマンスグラフ、９０１ パフォーマンスグラフ、１００１ 管理情報、１２０１ パフォーマンスグラフ、１３０１ 環境情報測定部、１４０１ 環境情報取得部、１４０２ 推定部、１６０１ 管理情報、１７０１ 管理情報、１８０１ 試験実行部、１８０２ モデル生成部

Claims (19)

1. １又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを予め記憶する記憶部と、
   ユーザの生体の状態に関連する生体情報を取得する生体情報取得部と、
   前記生体情報取得部が取得した前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成する推定部と、
   前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成するグラフ情報生成部と、
   を備えることを特徴とする情報処理装置。
2. 前記グラフ情報生成部は、前記複数のタスクを必要とする前記知的作業の種類に関連付けて、前記パフォーマンスグラフ情報を生成することを特徴とする請求項１に記載の情報処理装置。
3. 前記生体情報を測定する生体情報測定部を備え、
   前記生体情報取得部は、前記生体情報測定部が測定した前記生体情報を取得することを特徴とする請求項１または２に記載の情報処理装置。
4. 前記生体情報は体温、顔画像、表情、脈拍、心拍数、呼吸数、血圧、睡眠時間、身長、体重のうち少なくとも一つを含むことを特徴とする請求項１から３のいずれか１項に記載の情報処理装置。
5. 前記ユーザによる前記生体情報の入力を受け付ける入力部を備える請求項１から４のいずれか１項に記載の情報処理装置。
6. 前記生体情報は、前記ユーザの過去の生体情報を含むことを特徴とする請求項１から５のいずれか１項に記載の情報処理装置。
7. 前記ユーザの周辺の環境に関する環境情報を取得する環境情報取得部をさらに備え、
   前記記憶部は、前記環境情報を更に入力として学習された前記複数の学習モデルを予め記憶し、
   前記推定部は、前記生体情報取得部が取得した前記生体情報と、前記環境情報取得部が取得した前記環境情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記複数のパフォーマンス情報を生成することを特徴とする請求項１から６のいずれか１項に記載の情報処理装置。
8. 前記環境情報を測定する環境情報測定部を備え、
   前記環境情報取得部は、前記環境情報測定部が測定した前記環境情報を取得することを特徴とする請求項７に記載の情報処理装置。
9. 前記環境情報は前記ユーザの周辺の気圧、二酸化炭素濃度、温度、湿度、照度のうち少なくとも一つを含むことを特徴とする請求項７または８に記載の情報処理装置。
10. 前記環境情報は、前記ユーザの周辺の過去の環境を示す情報を含むことを特徴とする請求項７から９のいずれか１項に記載の情報処理装置。
11. 前記複数の学習モデルは、前記学習用生体情報と、前記１又は２以上の生体の周辺の環境を示す学習用環境情報とのうち、少なくともいずれかを入力とし、予め行われた前記複数のタスクの各々のパフォーマンスを測定する試験の結果を出力として生成されることを特徴とする請求項７から１０のいずれかに記載の情報処理装置。
12. 前記入力及び前記出力の少なくともいずれかは、予め前記ユーザに質問された事項に対して前記ユーザが回答した内容を含むことを特徴とする請求項１１に記載の情報処理装置。
13. 前記複数のパフォーマンス情報の各々の基準を示す基準情報を決定する基準決定部をさらに備え、
    前記推定部は、前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のパフォーマンス情報に含まれる複数の第１パフォーマンス値を算出し、且つ、前記複数のタスクの各々に関して、前記基準情報により示される値に対する前記複数の第１パフォーマンス値の割合に基づいて、前記複数のパフォーマンス情報に含まれる複数の第２パフォーマンス値を算出することを特徴とする請求項１から１２のいずれか１項に記載の情報処理装置。
14. 前記推定部は、更に前記環境情報に基づいて、前記複数の第１パフォーマンス値を算出することを特徴とする請求項１３に記載の情報処理装置。
15. 前記基準決定部は、前記ユーザに対応する前記基準情報を決定することを特徴とする請求項１３又は１４に記載の情報処理装置。
16. 前記基準決定部は、前記複数のタスクの各々に対応する過去に算出された前記複数のパフォーマンス情報に基づいて、前記基準情報を決定することを特徴とする請求項１３から１５のいずれか１項に記載の情報処理装置。
17. 前記基準決定部は、前記ユーザによる入力に基づいて前記基準情報を変更可能であることを特徴とする請求項１３から１６のいずれか１項に記載の情報処理装置。
18. １又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを記憶するステップと、
    ユーザの生体の状態に関連する生体情報を取得するステップと、
    取得された前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成するステップと、
    前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成するステップと、
    を含むことを特徴とする情報処理方法。
19. コンピュータに、
    １又は２以上の生体の状態に関連する学習用生体情報を入力とし、知的作業で必要となる能力である複数のタスクの各々に関する前記１又は２以上の生体のパフォーマンスを示す学習用パフォーマンス情報を出力として学習された、前記複数のタスクの各々に対応する複数の学習モデルを予め記憶する機能と、
    ユーザの生体の状態に関連する生体情報を取得する機能と、
    取得された前記生体情報と、前記複数の学習モデルとに基づいて、前記複数のタスクの各々に関する前記ユーザのパフォーマンスを示す複数のパフォーマンス情報を生成する機能と、
    前記複数のパフォーマンス情報に基づいて、前記複数のタスクに関する前記ユーザのパフォーマンスを示すパフォーマンスグラフ情報を生成する機能と、
    を実行させるプログラム。

Images