JP2022524568A - ある題目に関するユーザの達成度を向上させるシステムと方法とそのコンピュータ可読媒体 - Google Patents

Abstract

システムは、非線形学習を介してある題目でのユーザの所望達成度を向上させるためのコンピューティングプラットフォームを実行するために、１つ以上のプロセッサによって実行可能な命令を格納するように構成される。サーバは、ネットワークに通信可能に接続されプロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースと、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含む。プロセッサは、プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信するようコンピュータ可読命令を実行し、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む。１つ以上の一連の条件に基づいてユーザプロファイルの継続的チェックおよび更新が実施され、ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供し、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する。【選択図】図１

Description

本発明は、生徒が様々な科目を学習して技能を習得できるように教師が使用するシステム、方法、およびコンピュータ可読媒体であって、ある題目に関するユーザの所望達成度を向上させることを実施するために、１つ以上のプロセッサによって実行可能な命令を格納するように構成されたシステム、方法、およびコンピュータ可読媒体に関する。

通常の教育システムには、教科書、カリキュラム、教室、および生徒が従うスケジュールが含まれる。この教育システムは、何世紀もの間それほど変わっていない。今日まで、生徒は規格化された試験を中心に作成された大量生産のコンテンツを受けている。このような試験は、個々の学習ニーズに対応していないことを指摘することが重要である。コンテンツは、極めて特定の方法、すなわち線形形式で配信される必要がある。教育方針全体に複数の単位、すなわち単位１、単位２などがあるとすると、生徒は単位１を学習しないかぎり単位２には進まないようになっている。生徒が単位２を学習し終えるまでその生徒は単位３を理解しないなどということになる。

別の教育手法が、非線形学習と呼ばれるものである。あるレベルでは、非線形学習は、人が数十万年にわたって自然に学習した方法である。例えば人は、釣りや狩りを時間ごとに並べた教科書の過程を通して線形的な方法で学習してはいなかった。代わりに人は、直接の経験を通して行い、起こる出来事に対処することでこれらの仕事を行うことを学習した。また、人は、釣りや狩りの方法またはその他の技能を、その特定の時間に何が重要であるかを見出し、人が既に知っていたものと知らなかったものとを必要に応じて知識を積極的に構築することによって結びつけることを通しても学習した。それはすべて極めて主観的かつ個別のものであって、線形的ではなかった。

上記に関して言えば、人間の脳は、このように機能する／学習するようにできているが、各個人が異なる社会現象および心理現象を経験しているため、これは主観的なプロセスである。一部の学者が完璧に言い表したように、「客観的な一つの大きさに収まるのではなく、完全に独自の経験である。（中略）自然環境での学習は線形ではなかった。実際にはかなりランダムだったレベルがある。それは状況に応じたものであった。」

今日、キャリアおよび退職後の計画などの生活技能は、公式の教育機関のカリキュラムには含まれていないことが多い。しかしながら、キャリアをまだ開始していない十代の若者、ならびにキャリアを開始したが多くの困難に直面し、自分のキャリア進路および退職後の計画に関してしなければならない決断に直面している大人に、このような技能を教えることは特に重要である。さらに、多くの個人は、キャリアを開始すると、その途上で遭遇する経験、たとえば上司としても知られる監督者との経験などに対して準備ができていない。

ある教授方法には、生徒が学習できるように教師が用いる原理および方法が含まれている。これらの戦略は、一部は教えられる主題に関して、一部は学習者の性質によって決定される。特定の教授方法を適切かつ効果的にするためには、学習者の特性およびもたらされると思われる学習の種類に関連付ける必要がある。教授方法の構想および選択に関しては提案があり、主題の性質だけでなく生徒がどのように学習するかも考慮しなければならない。今日の学校では、多くの創造性を推進する傾向がある。人間の進歩は、推理を通してもたらされることが公知の事実である。この推理および独創的な思考が創造性を高める。

教授法は、教師中心と生徒中心に大きく分類できる。教師中心の学習法では、教師がこのモデルでの主な権威者である。生徒は「空の船」とみなされ、生徒の主な役割は、試験と評価を最終目標にして（講義および直接指導を介して）情報を受け身で受け取ることである。教師の主な役割は、生徒に知識と情報を伝えることである。このモデルでは、教えることと評価は、２つの別々の実体とみなされる。生徒の学習は、客観的に採点された試験および評価を通して測定される。

生徒中心の学習法では、教師がこのモデルでの権威者ではあるが、教師と生徒は、学習プロセスで等しく能動的な役割を果たす。教師の主な役割は、生徒の学習および教材の全体的な理解を指導し、促進することである。生徒の学習は、グループプロジェクト、生徒のポートフォリオ、およびクラスへの参加など、公式と非公式の両方の評価形式で測定される。授業と評価はつながっている。生徒の学習は、教師の指導中に継続して測定される。一般に用いられている教授方法には、クラスへの参加、実演、朗読、暗記、またはこれらを組み合わせたものがあり得る。

ここで適応学習に言及すると適応学習は、指導および補修教育に対して洗練されたデータ駆動型で、場合によっては非線形の手法であり、学習者の相互作用および実演パフォーマンスレベルに適応し、その後、上達するために学習者がどのような種類のコンテンツおよびリソースの種類を特定の時点で必要とするかを予測するものであると指摘することが重要である。

適応学習は、生徒に自分のペースで個別の学習体験を提供することにより、生徒の学習を変革させる可能性を秘めている。適応学習は、生徒向けに一人ひとりに合わせた学習体験を作り上げる手法であると定義できる。また、適応学習は、指導および補修教育に対して洗練されたデータ駆動型で、場合によっては非線形の手法であり、学習者の相互作用および実演力のレベルに適応し、その後、上達するために学習者がどのような種類のコンテンツおよびリソースの種類を特定の時点で必要とするかを予測するものでもある。

上記に関して言えば、生徒が学習プロセスで単なる受け身の参加者ではなくなったときに能動学習が起こる。能動学習は、生徒が講義を聴く代わりに教室でグループで作業するというほど単純であり得る。

適応性と能動性の組み合わせは、生徒の成果を向上させることが示されている。これらの教育手法は、生徒の成績に関するデータおよび洞察を教員に提供するものである。その結果、ますます多くの教員が教室で使用する戦略を能動的なものに変更し、生徒全員が確実に成功する、またはより早く習得するようにしている。

しかしながら、先行技術の教授システムおよび方法にはいくつかの短所または欠点がある。技能および技能を構成するものを定義する試みはいずれも、あらゆる状況、技能の種類、レベルなどに当てはまるという意味で、技能の統一的かつ包括的な定義または構造をもたらすには至っていない。現在利用可能な対策および方法は、情報およびコンテンツを「技能」に対してパッケージ化しようとするものだが、これらはサイズ、コンテンツサイズ、対象となる情報などにばらつきがある。

そのため、技能を教える高等教育という状況での特定の課程は、大学によって様々に異なり、また、講師またはオンラインのトレーニングウェブサイトを介して提供されるそのような同じ「技能」課程のいずれとも異なる。

効果的であるかぎり、生活技能を教えるシステムおよび方法、および／または個人が生活の種類に応じた体験に向けて準備するためのシステムおよび方法に向けた新規かつ改善されたシステムおよび方法に対する需要は常にある。本発明は、この課題を単純かつ便利な手段を用いて解決することを目的とする。

本発明の１つの実施形態では、コンピューティングプラットフォームまたはコンピューティングシステムを提供する。コンピューティングプラットフォームは、非線形学習を介してある題目でのユーザ（学習者）の所望達成度を向上させるために使用される。プラットフォームは、ネットワークに通信可能に接続されたサーバを含み、かつ、プロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースと、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含む。プロセッサは、コンピュータ可読命令を実行して、プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含んでいる。

プロセッサはさらに、コンピュータ可読命令を実行して、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築し、ユーザプロファイルをデータベースに格納し、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む。次に、プロセッサは、コンピュータ可読命令を実行して、ユーザの第１のＡＩＰ評価を実行し、ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示する。第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される。そして、プロセッサは、１つ以上の一連の条件に基づいてユーザプロファイルの継続的チェックを実施し、更新する。ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供して、その終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める。プロセッサは、コンピュータ可読命令を事項し、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する。

本発明の別の実施形態では、コンピュータ可読媒体を提供する。命令を表すコードを格納するためのコンピュータ可読媒体は、プロセッサで実行されるときに、非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するという命令をプロセッサに格納させ、サーバは、ネットワークに通信可能に接続され、プロセッサ、適応情報ポテンシャル（ＡＩＰ）モジュール、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースを含む。

コンピュータ可読媒体は、プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む。コンピュータ可読媒体は、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築する。コンピュータ可読媒体は、ユーザプロファイルをデータベースに格納し、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む。コンピュータ可読媒体は、ユーザの第１のＡＩＰ評価を実行する。

上記に関して言えば、ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、コンピュータ可読媒体は、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示し、第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される。コンピュータ可読媒体は、１つ以上の一連の条件に基づいてユーザプロファイルの継続的なチェックおよび更新を実施し、ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供し、それによって終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める。コンピュータ可読媒体は、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する。

本発明のさらに別の実施形態では、ある方法を提供する。非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するために、１つ以上のプロセッサによって実行可能な命令を格納する方法では、サーバは、ネットワークに通信可能に接続され、プロセッサと、適応情報プラットフォーム（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースと、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含む。本方法は、プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信する工程であって、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む、工程と、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築する工程とを含む。

本方法はさらに、ユーザプロファイルをデータベースに格納する工程と、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成する工程であって、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む、工程とを含む。本方法はさらに、ユーザの第１のＡＩＰ評価を実行する工程と、ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示する工程であって、第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される、工程とを含む。

本方法はさらに、１つ以上の一連の条件に基づいてユーザプロファイルの継続的なチェックおよび更新を実施する工程と、ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供する工程とを含む。本方法はさらに、終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める工程と、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する工程とを含む。

本発明の利点は、情報および知識を測定して定量化し、それらを定量化でき測定できるより小さい単位に分割することによって技能を規定し、それによって技能の最少単位、次世代の技能を生み出すように適応可能な革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明の別の利点は、該当する制約を変更して修正した後に複数の状況およびシナリオに情報を適応させて使用できるようにする革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、ＡＩＰ評価を通じて学習者を評価するシナリオ能力によって行動および技能を実践し、挑戦できるようにする革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、そのようなＡＩＰをトレーニングすることによって学習者が新しい技能を学習するか既存の技能を向上するようにトレーニングさせる革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、認知科学、学習理論および教育学の最前線の学際的研究に基づいて包括的な方法論を提供する革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、様々な認知レベルでトレーニングすることで学習者の認知能力を向上させるための革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、学習者の認知プロファイル、認知能力、およびその他の非認知要素に課程を適応させる革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、提示される課程および情報の深さと広さのバランスを示すために多様な課程を提示する革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明のさらに別の利点は、組織での知識獲得および情報管理を高速化し体系化できるようにする革新的なシステム、方法、および非一時的なプロセッサ可読媒体を提供することである。

本発明の目的および利点は、添付の図面に関連して記載する以下の詳細な説明を精査することでいっそう容易に明らかになる。図面では、全体を通して同類の符号は同類の部分を指し、図面には本発明の実施形態を記載し例示している。

本発明の上記およびそれ以外の目的および利点を実践で達成する的確な方法は、以下の明細書に詳細に説明し、添付の図面に示した本発明の好適な実施形態の以下の詳細な説明を参照することでいっそう明確に明らかになる。図面では、同類の符号は全体を通してそれに該当する部分を指す。

本発明のその他の利点は、添付の図面と結びつけて検討した際に以下の詳細な説明を参照することでよりよく理解される。

一実施形態によるオブジェクト分析システムをホストしているコンピューティングシステムの概略ブロック図である。 非線形学習を介してある題目でのユーザの所望達成度を向上させるためのシステムの登録およびＡＩＰ推奨の段階を示す図である。 本システムのＡＩＰ評価プロセスの段階を示す図である。 本システムのＡＩＰ学習のシナリオおよびブロックを示す図である。 本システムのＡＩＰチェックと非線形学習の段階を示す図である。 非線形学習を介してある題目でのユーザの所望を向上させるためのシステム全体を示す図である。

図１～図６を参照すると、非線形学習を介してある題目でのユーザの所望達成度を向上させるためのシステム、方法、および非一時的なプロセッサ可読媒体、すなわちコンピュータ可読媒体示されている。高水準オブジェクト指向プログラミング言語の構文法を通して表現されたオブジェクト指向構造の明示的識別は、バイナリコードへのコンパイル中（例えばソースコード定義またはアプリケーションの表現からバイナリコード定義またはマシンコードやバイトコード定義などのアプリケーションの表現への変換）に失われるため、潜在的なセキュリティの脆弱性は、生じたバイナリコードの静的分析中に不明瞭になる可能性がある。例えば、オブジェクトに関する情報（例えばオブジェクトの基になるクラス、オブジェクトのサイズ、オブジェクトのプロパティの数および種類またはサイズ、ならびにディスパッチテーブルを介してオブジェクトにアクセスできる機能の数）は、通常バイナリコードには表現されないため、オブジェクトに対して間接操作することでセキュリティの脆弱性が明らかになるかどうかを判断することは、バイナリコードの生成元であるソースコードがなければ困難になる可能性がある。

具体的な例として、間接操作がオブジェクトの外部またはオブジェクトを超えて（すなわち、オブジェクトに割り当てられていない、またはオブジェクトに共有されていないメモリアドレスで）動作しないようにするためにバイナリコードに実行時の検証が含まれていない場合、間接操作が任意コード実行のセキュリティの脆弱性をもたらす可能性がある。ただし、アプリケーションの一部のバイナリコード表現には、オブジェクトに関する情報が含まれている。そのような情報は、実行時型情報（ＲＴＴＩ）またはバイナリコードにコンパイルされるデバッグ情報としてバイナリコードに含むことができる。それでもやはり、多くのアプリケーションのバイナリコード表現はこのような情報を含んでいないため（例えばこれらのアプリケーションのリバースエンジニアリングを阻止するため）、オブジェクト指向技術を用いてソースコードを基に（またはソースコードから導いて）バイナリコードを分析するための堅牢な方法論およびシステムでは、そのような情報の可用性を想定すべきではない。

本明細書で考察する実施形態では、バイナリコードに記述されている動作を分析して、それらの動作に基づいてオブジェクトを識別する。言い換えれば、本明細書で考察する実施形態では、バイナリコードに記述されている動作に基づいてそのようなオブジェクトの構造を推論することによって、オブジェクト（またはオブジェクトの表現）を少なくとも部分的に再構築する。そのため、本明細書で考察する実施形態では、オブジェクトおよびオブジェクトのサイズなどの属性を識別でき、ソースコードを参照することはなく（またはそれとは関係なく）、あるいはバイナリコードに含まれていることも含まれていないこともあるそのようなオブジェクトに関する明示的な情報を参照することはない（またはそれとは関係ない）。さらに、本明細書で考察する実施形態では、そのようなオブジェクトを用いて、アプリケーションのバイナリコード表現のセキュリティの脆弱性の分析を実施する。例えば、本明細書で考察する実施形態では、任意コード実行、コードインジェクション、アプリケーションの失敗、またはその他の望ましくないまたは意図しないアプリケーションの挙動を引き起こすおそれのある型の混同の脆弱性などのセキュリティの脆弱性を、バイナリコードで記述された動作を分析して識別されたオブジェクトに関する情報を用いて識別できる。

本明細書で使用しているように、「ソフトウェアモジュール」という用語は、何らかの機能を実行するために、コンピューティングシステムまたはプロセッサで実行できる命令を表しているコードの集合を指す。アプリケーション、ソフトウェアライブラリ（例えば静的にリンクされたライブラリまたは動的にリンクされたライブラリ）、およびアプリケーションフレームワークは、ソフトウェアモジュールの例である。また、本明細書で使用しているように、「バイナリコードに記述されている動作」および「バイナリコードに規定されている動作」という用語、これと同様の用語または句は、ソフトウェアモジュールのバイナリコード表現（またはバイナリ表現）内にある命令を表すコードで記述されている動作を指す。

本明細書で考察するいくつかの実施形態では、バイナリコードに記述されている動作は、ソフトウェアモジュールのバイナリコード表現以外の表現で分析される（例えば構文解析され、解釈される）。例えば、オブジェクト分析システムは、バイナリコードに記述されている動作を、ソフトウェアモジュールのバイナリコード表現から引き出されたソフトウェアモジュールの中間表現を用いて分析できる。

したがって、バイナリコードに記述されている動作の分析に関して本明細書で考察した実施形態は、ソフトウェアモジュールのバイナリコード表現またはバイナリコード表現から引き出されたソフトウェアモジュールの表現を用いてそれらの動作の分析を指していると理解すべきである。

メモリ内の変数は、１つ以上の値を格納できるメモリ位置である。このようなメモリ位置は、プロセッサメモリ（例えばレジスタまたはキャッシュ）、システムメモリ（例えばコンピューティングシステムのランダムアクセスメモリ（ＲＡＭ））、または何らかの他のメモリにあり得る。そのような変数で動作するバイナリコード内の動作は、そのメモリ位置のメモリアドレス（スタックポインタからのオフセットなど、別のメモリアドレスに対して絶対的または相対的なもの）を参照できる。そのため、オブジェクトの識別子（例えばメモリアドレス）を、バイナリコード内の動作で使用されるメモリアドレスと一緒に１つの値としてメモリ位置に格納できる。

したがって、本明細書で使用しているように、「オブジェクトの識別子」および「オブジェクトのメモリアドレス」などの用語は、識別子（例えばメモリアドレス）自体または識別子を表す値が格納されている変数を指すと理解すべきである。本明細書で使用しているように、「モジュール」という用語は、ハードウェア（例えば集積回路またはその他の回路などのプロセッサ）とソフトウェア（例えば機械が実行可能な命令またはプロセッサが実行可能な命令、コマンド、またはファームウェアコード、プログラミングコード、またはオブジェクトコードなどのコード）との組み合わせを指す。

ハードウェアとソフトウェアとの組み合わせとして、ハードウェアのみ（すなわち、ソフトウェア要素を含まないハードウェア要素）、ハードウェアでホストされるソフトウェア（例えばメモリに格納され、プロセッサで実行または解釈されるソフトウェア）、またはハードウェアにホストされるハードウェアとソフトウェアなどがある。

また、本明細書で使用しているように、単数形の「ａ、」「ａｎ」および「ｔｈｅ」は、特に記載がない限り、複数の指示物を含む。そのため、例えば、「モジュール（ｍｏｄｕｌｅ）」という用語は、１つ以上のモジュールまたはモジュールの組み合わせを意味することを意図している。さらに、本明細書で使用しているように、「～に基づいて（ｂａｓｅｄ ｏｎ）」という用語は、少なくとも部分的に基づくことを含む。そのため、何らかの原因に基づいていると記載されている特徴は、その原因のみに基づいているか、あるいはその原因と１つ以上の他の原因に基づいている可能性がある。

本開示の複数の実施形態がこれらの特定の詳細がなくとも実施され得ることは明らかであろう。他の場合では、本実施形態を不必要に不明瞭にしないために、公知の処理動作は詳細に説明していない。以下の実施形態の説明は、添付の図面の引用を含んでいる。図面は、例としての実施形態に準じた例示を示している。これらの例としての実施形態は、本明細書では「例」とも称し、当業者が本主題を実施できるよう十分詳細に記載されている。特許請求の範囲を逸脱しない限り、実施形態を組み合わせることができ、他の実施形態を利用することができ、あるいは構造、論理または動作の変更を加えることができる。したがって、以下の詳細な説明は限定的な意味で捉えてはならず、範囲は添付の請求項およびその同等物によって規定される。

上記に関して言えば、本特許文書の目的として、「ｏｒ（または）」および「ａｎｄ（および）」という用語は、別途記載のない限り、またはその使用の文脈によって別途明確に意図されない限り、「および／または」を意味するものとする。「ａ（１つの）」という用語は、別途記載のない限り、または「ｏｎｅ ｏｒ ｍｏｒｅ（１つ以上の）」という使用が明らかに不適切である場合でない限り、「１つ以上の」を意味するものとする。「ｃｏｍｐｒｉｓｅ（備える）」、「ｃｏｍｐｒｉｓｉｎｇ（備えている）」、「ｉｎｃｌｕｄｅ（含む）」および「ｉｎｃｌｕｄｉｎｇ（含んでいる）」という用語は、入れ替え可能であり、限定することを意図していない。例えば、「ｉｎｃｌｕｄｉｎｇ」という用語は、「ｉｎｃｌｕｄｉｎｇ，ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ（含んでいるが、それに限定されない）」という意味に解釈するものとする。

図１は、一実施形態によるオブジェクト分析システムをホストしている全体的に１００で示したコンピューティングシステムまたはプラットフォームの概略ブロック図である。コンピューティングシステム１００は、プロセッサ１０２、通信インターフェース１０４、およびメモリ１０６を含み、オペレーティングシステム１０８、認識モジュール１１０、分析モジュール１１２、および適応情報ポテンシャル（ＡＩＰ）モジュール１１４をホストしている。プロセッサ１０２は、命令、コードまたは信号を実行または解釈するハードウェアとソフトウェアとの任意の組み合わせである。例えば、プロセッサ１０２は、マイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、プロセッサもしくはコンピューティングシステムのクラスタもしくはネットワークなどの分散プロセッサ、マルチコアプロセッサもしくはマルチプロセッサ、または仮想マシンの仮想プロセッサまたは論理プロセッサであり得る。

通信インターフェース１０４は、プロセッサ１０２が他のプロセッサまたはコンピューティングシステムと通信リンクを介して通信できるようにするモジュールである。例えば、コンピューティングシステム１００は、通信インターフェース１０４を使用する通信リンクを介して電子メールボックスまたはインスタントメッセージングサービスにセキュリティの脆弱性を報告できる。例えば、通信インターフェース１０４は、プロセッサ５１０にホストされるネットワークインターフェースカードおよび通信プロトコルスタックを含むことができる（例えばネットワークプロトコルを実装するためにメモリ１０６に格納されプロセッサ１０２で実行または解釈される命令またはコード）。

具体的な例として、通信インターフェース１０４は、有線インターフェース、無線インターフェース、イーサネットインターフェース、ファイバーチャネルインターフェース、インフィニバンドインターフェース、または何らかの他の通信インターフェースであってよく、これらのインターフェースを介してプロセッサ１０２は、他のプロセッサまたはコンピューティングシステムと通信するデータを表す信号または記号を交換できる。メモリ１０６は、命令、コード、データ、またはその他の情報を保存するプロセッサ可読媒体である。本明細書で使用しているように、プロセッサ可読媒体は、命令、コード、データ、またはその他の情報を非一時的に保存する任意の媒体であり、プロセッサに直接または間接的にアクセス可能である。

言い換えれば、プロセッサ可読媒体は、プロセッサが命令、コード、データ、またはその他の情報にアクセスできる非一時的な媒体である。例えば、メモリ１０６は、揮発性ランダムアクセスメモリ（ＲＡＭ）、永続データストアであってよく、例えばハードディスクドライブまたはソリッドステートドライブ、コンパクトディスク（ＣＤ）、デジタルビデオディスク（ＤＶＤ）、Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ（登録商標）（ＳＤ）カード、ＭｕｌｔｉＭｅｄｉａＣａｒｄ（ＭＭＣ）カード、ＣｏｍｐａｃｔＦｌａｓｈ（登録商標）（ＣＦ）カード、もしくはこれらの組み合わせまたはその他のメモリであってよい。言い換えれば、メモリ１０６は、複数のプロセッサ可読媒体を表すことができる。いくつかの実施形態では、メモリ１０６は、プロセッサ１０２と一体であっても、プロセッサ１０２とは別であっても、あるいはコンピューティングシステム１００の外部にあってもよい。

上記に関して言えば、メモリ１０６は、プロセッサ１０２で実行されるときにオペレーティングシステム１０８を実施する命令またはコードと、認識モジュール１０４と、および分析モジュール１１２とを含む。言い換えれば、オペレーティングシステム１０８と、認識モジュール１１０および分析モジュール１１２を含むオブジェクト分析システムとは、コンピューティングシステム１００にホストされる。いくつかの実施形態では、コンピューティングシステム１００は、仮想コンピューティングシステムとすることができる。例えば、コンピューティングシステム１００は、コンピューティングサーバで仮想マシンとしてホストされ得る。

さらに、いくつかの実施形態では、コンピューティングシステム１００は、仮想コンピューティングアプライアンスとすることができ、オペレーティングシステム１０８は、サポートする（例えば通信プロトコルスタックなどのサービスを提供し、通信インターフェース１０４、認識モジュール１１０および分析モジュール１１２などのコンピューティングシステム１００の構成要素へアクセスするのに最低限またはちょうど十分なオペレーティングシステムである。認識モジュール１１０および分析モジュール１１２は、多様なメモリまたはプロセッサ可読媒体からアクセスが可能で、コンピューティングシステム１００にインストールされ得る。

例えば、コンピューティングシステム１００は、通信インターフェース１０４を介して遠隔のプロセッサ可読媒体で認識モジュール１１０および分析モジュール１１２にアクセスできる。別の例として、コンピューティングシステム１００は、（図１には図示していない）プロセッサ可読媒体アクセスデバイス（例えばＣＤ、ＤＶＤ、ＳＤ、ＭＭＣ、またはＣＦドライブもしくはリーダ）を含むことができ、そのプロセッサ可読媒体アクセスデバイスを介してプロセッサ可読媒体で認識モジュール１１０および分析モジュール１１２にアクセスできる。

さらに具体的な例として、プロセッサ可読媒体アクセスデバイスは、認識モジュール１１０と分析モジュール１１２のうちの１つ以上に対するインストールパッケージを含むＤＶＤにアクセスできるＤＶＤドライブであってよい。インストールパッケージは、コンピューティングシステム１００で（例えばメモリで）認識モジュール１１０と分析モジュール１１２のうちの１つ以上をインストールするためにプロセッサ１０２で実行されるか解釈され得る。コンピューティングシステム１００は、次に、認識モジュール１１０および分析モジュール１１２をホストできる、または実行できる。いくつかの実施形態では、認識モジュール１１０および分析モジュール１１２は、複数のソース、居場所、またはリソースからアクセスされるかインストールされることができる。例えば、認識モジュール１１０および分析モジュール１１２の一部の構成要素は、通信リンクを介してインストールでき、認識モジュール１１０および分析モジュール１１２の残りの構成要素は、ＤＶＤからインストールできる。

本発明のコンピューティングプラットフォーム１００は、非線形学習を介してある題目でのユーザの所望達成度を向上させるために使用される。プラットフォーム１００は、ネットワークに通信可能に接続されたサーバ１０１を含み、かつ、プロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュール１１４と、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベース１１６と、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含む。

プロセッサ１０２は、コンピュータ可読命令を実行して、プラットフォーム１００から求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含んでいる。プロセッサ１０２はさらに、コンピュータ可読命令を実行して、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築し、ユーザプロファイルをデータベース１１６に格納し、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む。

上記に関して言えば、プロセッサ１０２は、コンピュータ可読命令を実行して、ユーザの第１のＡＩＰ評価を実行し、ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示する。第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される。そして、プロセッサは、１つ以上の一連の条件に基づいてユーザプロファイルの継続的チェックを実施し、更新する。

ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供して、その終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める。プロセッサ１０２は、コンピュータ可読命令を実行して、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する。

１つ以上の可変学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、１つ以上の可変ＡＩＰ学習シナリオは、題目に対応するユーザの１つ以上の関心に合わせられる。学習ブロックは、一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む。学習ブロックは、入力コンテンツおよび出力コンテンツを含み、入力コンテンツは、テキスト、音声、映像、または画像を含み、出力項目は、ユーザと入力コンテンツとの相互作用を含む。

１つ以上の一連の条件は、各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、タスクまたは目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの居場所の気象条件のうちの少なくとも１つを含む。継続的チェックは、（１）１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含む。

プロセッサ１０２は、ユーザが総合ＡＩＰ評価に合格したことに応答して、ユーザがＡＩＰ学習を終了するように構成される。プロセッサ１０２は、ユーザが総合ＡＩＰ評価に不合格だったことに応答して、ユーザを（１）１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つ、または（２）ＡＩＰ学習の１つ以上のレベルのうちの１つに再誘導するように構成される。プロセッサ１０２は、ユーザが第１のＡＩＰ評価に合格したことに応答して、ユーザがＡＩＰ学習を終了するように構成される。

命令を表すコードを格納するためのコンピュータ可読媒体は、プロセッサ１０２で実行されるときに、非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するという命令をプロセッサ１０２に格納させ、サーバ１０１は、ネットワークに通信可能に接続され、プロセッサ１０２、適応情報ポテンシャル（ＡＩＰ）モジュール１１４、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベース１１６を含む。コンピュータ可読媒体は、プラットフォーム１００から求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む。コンピュータ可読媒体は、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築する。

適応情報ポテンシャル（ＡＩＰ）モジュールは、複数の第１の識別子Ａ１，Ａ２，Ａ３，Ａ４，．．．．．．Ａｎを生成し、この第１の識別子は、題目ごとに設定され作成された各主題分野の区分または領域に割り当てられて、研究のテーマまたは題目、および機能に従ってグループ内で研究の特定の重点化および分野を分ける。適応情報ポテンシャル（ＡＩＰ）モジュール１１４は、各々の主題分野区分をそのそれぞれのサブレベルに分割し、各々のサブレベルは、それぞれの主題分野の詳細および専門化などの技能要素技能要素を反映する。適応情報ポテンシャル（ＡＩＰ）モジュール１１４は、Ｂ１，Ｂ２，Ｂ３，Ｂ４，．．．．．．Ｂｎなどの複数の第２の識別子を生成し、この第２の識別子は、各技能要素に割り当てられ、各技能要素は、機能ごと、題目ごと、またはテーマごとに結びつけて一つにまとめることができる特定数のポテンシャルを適切に実施し、実行し、適用する能力を表す。各サブレベルは、複数の技能要素を反映する。

適応情報ポテンシャル（ＡＩＰ）モジュール１１４は、複数の第３の識別子Ｃ１，Ｃ２，Ｃ３，Ｃ４，．．．．．．Ｃｎを生成し、この第３の識別子は各々の技能要素２０に割り当てられ、第３の識別子Ｃ１，Ｃ２，Ｃ３，Ｃ４，．．．．．．Ｃｎの各々は、それぞれの技能レベル、種類、およびカテゴリのうちの少なくとも１つを示している。技能要求の一覧に相関している基準要素３０の一覧は、複数の第４の識別子Ｄ１，Ｄ２，Ｄ３，Ｄ４，．．．．．Ｄｎによって分離されている

適応情報ポテンシャル（ＡＩＰ）モジュール１１４は、学習ブロックのシリーズまたは論理チェーンを含む複数のシナリオを生成し、学習者の学習方法に応じて正確に合致していることを確認するようにチェックされると同時に、何らの変更に適応させて別のレベルまたはシナリオを再誘導するために学習者の認知グラフィックプロファイルをチェックする。この方法により、複数の第１の識別子Ａ１，Ａ２，Ａ３，Ａ４，．．．．．．Ａｎ、第２の識別子Ｂ１，Ｂ２，Ｂ３，Ｂ４，．．．．．．Ｂｎ、第３のＣ１，Ｃ２，Ｃ３，Ｃ４，．．．．．．Ｃｎどうしの関係および相関を明らかにして追跡することが可能になり、それによって、異なるシナリオおよびレベルからの包括的な質問およびテストに応答して技能を学習する場合に、複数の第４の識別子Ｄ１，Ｄ２，Ｄ３，Ｄ４，．．．．．．Ｄｎと合致するように最終結果を関連付け、それによって学習者が無事にシナリオを完了させ、トレーニングを完了させたかどうかを評価する。

コンピュータ可読媒体は、ユーザプロファイルをデータベース１１６に格納し、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む。コンピュータ可読媒体は、ユーザの第１のＡＩＰ評価を実行する。ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、コンピュータ可読媒体は、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示し、第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される。

コンピュータ可読媒体は、１つ以上の一連の条件に基づいてユーザプロファイルの継続的なチェックおよび更新を実施し、ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供し、それによって終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める。コンピュータ可読媒体は、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する。

ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つを表示し、１つ以上の可変ＡＩＰ学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、１つ以上の可変ＡＩＰ学習シナリオは、題目に対応するユーザの１つ以上の関心に合わせられる。コンピュータ可読媒体は、一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む学習ブロックを提示するように適応可能である。

コンピュータ可読媒体は、入力コンテンツおよび出力コンテンツを含む学習ブロックを提示するように適応可能であり、入力コンテンツは、テキスト、音声、映像、または画像を含み、出力項目は、ユーザと入力コンテンツとの相互作用を含む。コンピュータ可読媒体は、各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、タスクまたは目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの居場所の気象条件のうちの少なくとも１つを含む１つ以上の一連の条件を提示するように適応可能である。

コンピュータ可読媒体は、（１）１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含むチェックを提示することに適応可能である。コンピュータ可読媒体は、ユーザが総合ＡＩＰ評価に合格したことに応答して、プロセッサと通信するように構成され、ユーザがＡＩＰ学習を終了するように構成される。コンピュータ可読媒体は、ユーザが総合ＡＩＰ評価に不合格だったことに対する応答を受信するように構成され、ユーザを（１）１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つ、または（２）ＡＩＰ学習の１つ以上のレベルのうちの１つに再誘導するように構成され、プロセッサは、ユーザが第１のＡＩＰ評価に合格したことに応答して、ユーザがＡＩＰ学習を終了するように構成される。

非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するために、１つ以上のプロセッサによって実行可能な命令を格納する方法では、サーバ１０１は、ネットワークに通信可能に接続され、プロセッサ１０２と、適応情報プラットフォーム（ＡＩＰ）モジュール１１４と、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベース１１６と、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含む。本方法は、プラットフォーム１００から求められた１つ以上の一連の質問に基づいてユーザからの入力を受信する工程であって、１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む、工程と、認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築する工程とを含む。

本方法はさらに、ユーザプロファイルをデータベース１１６に格納する工程と、ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成する工程であって、第１のＡＩＰ推奨は、ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む、工程とを含む。本方法はさらに、ユーザの第１のＡＩＰ評価を実行する工程と、ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示する工程であって、第１レベルは、認知属性および非認知属性を含むユーザプロファイルに従って選択される、工程とを含む。

本方法はさらに、１つ以上の一連の条件に基づいてユーザプロファイルの継続的なチェックおよび更新を実施する工程と、ユーザが第１レベルの１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供する工程とを含む。本方法はさらに、終了シナリオテストに基づいてユーザをＡＩＰ学習の１つ以上のレベルのうちの第２レベルに進める工程と、その題目でのユーザの所望達成度に到達するためにＡＩＰ学習の１つ以上のレベルを繰り返し実行する工程とを含む。

ユーザが第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つを表示し、１つ以上の可変ＡＩＰ学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、１つ以上の可変ＡＩＰ学習シナリオは、題目に対応するユーザの１つ以上の関心に合わせられる。本方法は、一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む学習ブロックを提示するように適応して可能である。本方法は、入力コンテンツおよび出力コンテンツを含む学習ブロックを提示するように適応可能であり、入力コンテンツは、テキスト、音声、映像、または画像を含み、出力項目は、ユーザと入力コンテンツとの相互作用を含む。

本方法は、各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、タスクまたは目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの居場所の気象条件のうちの少なくとも１つを含む１つ以上の一連の条件を提示するように適応可能である。

本方法は、（１）１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含むチェックを提示することに適応可能である。本方法は、ユーザが総合ＡＩＰ評価に合格したことに応答して、プロセッサ１０２と通信するように構成し、ユーザがＡＩＰ学習を終了するように構成される工程を含む。本方法は、ユーザが総合ＡＩＰ評価に不合格だったことに対する応答を受信するように構成し、ユーザを（１）１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つ、または（２）ＡＩＰ学習の１つ以上のレベルのうちの１つに再誘導するように構成され、プロセッサは、ユーザが第１のＡＩＰ評価に合格したことに応答して、ユーザがＡＩＰ学習を終了するように構成される工程を含む。

図２は、登録およびＡＩＰ推奨の段階を示し、「ＣＯＧＮＩＧＲＡＰＨＩＣＳ（認知グラフィック）」は、（ｃｏｇｎｉｔｉｖｅ（認知）＋ｇｒａｐｈｉｃｓ（グラフィック））の造語を意味し、ユーザの認知能力および学習能力、好み、知性、およびスタイルに関する情報を指す。この認知グラフィックデータは、学習者プロファイルに寄与し、追加されるものである。「非認知グラフィック」は、学習者の学習または認知情報（認知グラフィック）に関係のない学習者に関する情報を意味する。このデータは、人口統計（年齢、性別、居場所など）および好み、政治的見解、宗教的見解などの他の情報を含む。「ＱＵＥＳＴＩＯＮＮＡＩＲＥ（質問票）」は、認知グラフィックデータおよび非認知グラフィックデータを収集するツールと方法のいずれか一方を意味する。質問票は、一連の短い質問の形式をとり、学習者は、自分を最もよく表している文を指定するか選択するよう求められる。「ＬＥＡＲＮＥＲ ＰＲＯＦＩＬＥ（学習者プロファイル）」は、個人データ、人口統計データ、認知グラフィックデータおよびその他の非認知グラフィックデータを含む、学習者に関するデータと情報の集合である。プロファイルは、学習者の関連性および反映性をできるかぎり維持するために様々なツールを介して頻繁に更新される。ＡＩＰシングルアクションとは、該当する制約を変更して修正した後に複数の状況およびシナリオに情報を適応させる能力を意味する。その制約には「できる」か「できない」の２つの選択肢しかあってはならず、実力の段階的な測定はない。登録：ユーザは、１で示したように、１－Ａで示したようにサインアップし、ユーザは、２で示したように学習者プロファイルを作成するために「学習者プロファイル」に移る。

３に示したように、ユーザは、データを入力し、質問票および質問に答えて自分のプロファイルを作成／更新する。質問票または調査は、学習者の重要なデータを収集してそれをさらに知るように科学的に考案されている。学習者プロファイルのデータが的確かつ正確であるほど、学習はより個別化されて効果的になる。学習者プロファイルを含むデータの種類には２種類あり、すなわち認知グラフィックデータと非認知グラフィックデータである。このデータセットは、学習者の認知能力、理解力および強みに関して言う場合は、学習者の特色および特質に関するものである。

一部の学習者は、特定の種類の知性を持っている可能性があるか、特定の思考様式を持っていることがある。学習者のプロファイルにある認知グラフィックデータは、これらの重要な詳細をすべて格納していて、学習者が取得する学習コンテンツをこれらの好みおよび特色と確実に合致させる。このデータは通常、学習者の認知性の詳細を明らかにするためにいくつかの質問票に答えるかいくつかの質問に答えることによって収集され更新される。非認知グラフィックデータは、各学習者に対して学習を個別化させるために必要な他のすべての非認知データに関連するデータセットである。データには、関心、趣味、居場所、性別、人種、政治的見解などが含まれるが、これに限定されない。このデータセットは、学習者が学習中に遭遇し直面するコンテンツおよびシナリオを知らせるためにも重要である。構想は、コンテンツが学習者の関心および環境に合致しているほど、学習はより効果的であるというものである。学習者プロファイルは、学習プロセスの開始点である。学習者プロファイルは、学習コンテンツの種類、性質、形式、速度、および各学習者に与えられたその他多くのコンテンツの特質を知らせるものである。

図２に示したように、学習者は、合致レベルを通じて、学習プロファイルに合わせて合致しているコンテンツから開始するが、他の異なるレベルから異なるコンテンツを徐々に受け取って、学習者のプロファイルと合致するもの以外の認知能力、知性、および局面を発達させてトレーニングし、新たな認知能力を獲得させる。３－Ａに示したように、データは、学習者プロファイルとしてデータベースに保存される。このデータは、定期的に更新され、かつ、ログイン時、トレーニング終了時などのいくつかの特定のイベント時に更新される。

図３は、ＡＩＰ評価プロセスの段階を示している。学習者がＡＩＰを実行できるかどうか、ＡＩＰをすでに習得したかどうかを判断する質問のＡＩＰ能力テストシリーズは、ＡＩＰを終了させて、学習者はＡＩＰ評価または学習を終了する。６に示したように、ＡＩＰが選ばれ、ユーザは評価に移る。ＡＩＰ能力テストとは、できるかできないかである。７に示したように、評価は、学習者がすでにこのＡＩＰを習得しているか否かをテストすることを意味する。ＡＩＰ能力テストを例に挙げる場合、８に示したように、またさらに８－Ａにも示したように、合格であれば、ＡＩＰを終了して１６に進む。学習者がＡＩＰ能力テストに合格した場合、それを実行する能力があるという意味であり、その特定のＡＩＰのトレーニングを受ける必要はない。８－Ｂに示したように、不合格であれば、９に進む。学習者が不合格である場合、ＡＩＰ学習に移る。

図４は、ＡＩＰ学習－シナリオおよびブロックの段階を示している。レベルは、区分された学習者の認知グラフィックデータ、ならびにレベル選択、コンテンツの性質、コンテンツの種類、および配信を知らせる情報である。様々に異なるレベルが多数ある。各レベルは、認知能力または特性または理解力または知性の種類である。シナリオは、学習者の学習方法に正確に合っている学習ブロックのシリーズまたは論理チェーンであり、入力ブロックと出力ブロックとを一つにつなげるものである。コンテンツの項目および画面には、テキスト、音声、映像、画像などの情報の入力箇所があり、質問に答えたりプロンプトに応答したりして学習者がコンテンツとやりとりする出力箇所がある。

いかなる変更にも適応し、学習者を別のレベルまたはシナリオに再誘導するために学習者の認知グラフィック（学習者プロファイル）を定期的にチェックする。一連のブロックおよび質問は、学習者がシナリオを正常に完了したかどうかをチェックするためのものである。９に示したようにシステムによって変数の集まりがチェックされ、変数の変化を検知し、それに応じて学習者を再誘導して学習者プロファイルを更新する。システム１００は、学習者をその学習プロファイルに従って対応するレベルに割り振る。ここではレベルＸである。学習者プロファイル（ポイント＃３）は、学習者がどのレベルでトレーニングを開始するかを知らせ、影響を与える。学習プロファイルには、認知属性と非認知属性がある。そのため、１０に示したように、学習者のプロファイルが音楽的リズムの知能であると記録されている場合、トレーニングはそのレベルから始まる。

上記に関して言えば、各ＡＩＰには、無限の数のシナリオがある。なぜならシナリオは、ＡＩＰがどのように実行されているかを表すものであり、ポテンシャルの実施（ＡＩＰの動作）は、状況によって変化し得るからである。例えば、ＩＴ業界の採用担当者向けのＡＩＰ「Ｄｅｓｉｇｎ Ｒｅｃｒｕｉｔｉｎｇ Ｓｔａｔｕｓ Ｒｅｐｏｒｔ」のシナリオは、教育業界の採用担当者とは異なるシナリオになるであろうし、あるいは、あるシナリオではプロジェクト単位の学習の中で提供され、別のシナリオでは足場作りで提供される可能性があるが、いずれにしても同じＡＩＰである。さらに、シナリオは、学習者の関心を反映でき、その関心に合致させることができる。例えば、自動車およびエンジンに関心のある学習者は、例えば自動車およびエンジンのコンテンツに関係のあるシナリオでトレーニングされる。

学習者は、テキストおよび映像のような入力情報を示す特別に作成されたスライドおよびスクリーン、ならびにアクティビティおよびタスクなどのその他の出力スライドおよびスクリーンを有する一連のブロック（入力および出力）を用いてシナリオ学習を開始する。１１に示したように、一連の条件があり、システム１００は、変数の何らかの変化を検知するように頻繁に自動でチェックし、それによって学習者プロファイルを更新する。これらのチェックには次の条件が含まれる：現在のシナリオ、ＡＩＰ、セッション、プラットフォームなどに費やした時間、応答速度、および学習者がタスクおよびアクティビティを完了する速度、例えばアクティビティまたはタスクごとの学習者による試行回数、（絶対的な／相対的な）正解スコア、人口統計、学習者の居場所、学習者が使用しているデバイス、接続速度、および学習者の居場所の天候。これらの条件を自動的にテストして得た応答に基づいて、学習者は、学習者プロファイルを更新するために再誘導されることがあり、場合によっては異なるレベル、シナリオに再誘導されるか、テストに導かれることがある。シナリオトレーニングが終わると、１２に示したように、学習者は、終了シナリオテストを行ってシナリオの完了を判断する。終了シナリオテキストは、この特定のシナリオでこの特定のＡＩＰ要素または題目を完了または習得したことを測定するための付加的な方法である。

図５は、ＡＩＰチェックと非線形学習の段階を示している。この図は、学習者が学習しているＡＩＰに関連して、学習者の進歩および達成度をテストするための一連の質問、テスト、およびアクティビティである。評価は、利用可能な全レベルおよび全シナリオの様々なアクティビティおよびテストからなる。継続的チェックプロセスでは次の２つのチェックが行われる：１３－Ａに示したような条件の継続的チェック。変更があれば、システムは学習者を＃３に導く。１３－Ｂに示したようなＡＩＰの評価（総合評価）。正常に完了して学習者が合格した場合、学習者はＡＩＰトレーニングを終了できる状態にある。不合格の場合、システムは学習者プロファイルをチェックし、学習者を別のシナリオ（１４）またはレベル（１５）に再誘導してよい。学習者プロファイルおよびデータ（認知グラフィッデータおよび非認知グラフィックデータ）に変更がない場合、学習者は同じシナリオを繰り返す。

システムは、チェックの結果に応じて同じレベルの異なるシナリオでトレーニングしてもらうように学習者を導く。学習者は、その特定のレベルのそのＡＩＰで利用できる可能性のある全シナリオでトレーニングする機会を得る。その後、１３に示したような継続的チェックのプロセス、および１４に示したような他のシナリオへの再誘導が続く。システムは、学習者を以下のようにして異なるレベルに案内する：（１３）の結果の継続的チェック。学習者が１つのレベルを終わると、他の弱い認知理解力または認知能力をトレーニングするために別のレベル（１５）に導かれる。その後、プロセスは、（１３）および（１４）に従って継続されて「ＡＩＰ総合評価」をチェックし、合格であれば終了してＡＩＰトレーニングを終えるか、あるいは「ＡＩＰ総合評価」で不合格であれば、学習者はＡＩＰの他のシナリオに再誘導され、その間、学習者のプロファイル（認知グラフィックおよび非認知グラフィック）の変更の継続的チェックが行われる。

本発明を例示的な実施形態を参照して説明したが、本発明の範囲を逸脱しないかぎり、様々な変更を加えてもよく、本発明の要素に代えて同等物を用いてもよいことが当業者には理解されるであろう。また、本発明の本質的な範囲を逸脱しないかぎり、特定の状況または材料を本発明の技術に適応させるために多くの修正を加えてよい。したがって、本発明は、本発明を実行するために構想した最良の形式として開示した特定の実施形態に限定されるのではなく、本発明は、添付の特許請求の範囲内に収まるあらゆる実施形態を含むことを意図している。

Claims (25)

1. 非線形学習を介してある題目でのユーザの所望達成度を向上させるためのコンピューティングプラットフォームであって、
   ネットワークに通信可能に接続され、プロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースと、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含むサーバを備え、前記プロセッサは、前記コンピュータ可読命令を実行して、
   前記プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、前記１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含み、
   前記認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築し、
   前記ユーザプロファイルを前記データベースに格納し、
   前記ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、前記第１のＡＩＰ推奨は、前記ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含み、
   ユーザの第１のＡＩＰ評価を実行し、
   ユーザが前記第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示し、前記第１レベルは、認知属性および非認知属性を含む前記ユーザプロファイルに従って選択され、
   １つ以上の一連の条件に基づいて前記ユーザプロファイルの継続的なチェックおよび更新を実施し、
   ユーザが前記第１レベルの前記１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供し、
   前記終了シナリオテストに基づいてユーザを前記ＡＩＰ学習の前記１つ以上のレベルのうちの第２レベルに進め、
   前記題目でのユーザの所望達成度に到達するために前記ＡＩＰ学習の前記１つ以上のレベルを繰り返し実行する
   ことを特徴とするコンピューティングプラットフォーム。
2. 前記１つ以上の可変学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、前記１つ以上の可変ＡＩＰ学習シナリオは、前記題目に対応するユーザの１つ以上の関心に合わせられる
   請求項１に記載のコンピューティングプラットフォーム。
3. 前記学習ブロックは、一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む
   請求項２に記載のコンピューティングプラットフォーム。
4. 前記学習ブロックは、入力コンテンツおよび出力コンテンツを含み、前記入力コンテンツは、テキスト、音声、映像、または画像を含み、前記出力項目は、ユーザと前記入力コンテンツとの相互作用を含む
   請求項３に記載のコンピューティングプラットフォーム。
5. 前記１つ以上の一連の条件は、各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、前記タスクまたは前記目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの前記居場所の気象条件のうちの少なくとも１つを含む
   請求項１に記載のコンピューティングプラットフォーム。
6. 前記継続的チェックは、（１）前記１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含む
   請求項１に記載のコンピューティングプラットフォーム。
7. 前記プロセッサは、ユーザが前記総合ＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
   請求項６に記載のコンピューティングプラットフォーム。
8. 前記プロセッサは、ユーザが前記総合ＡＩＰ評価に不合格だったことに応答して、ユーザを（１）前記１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つ、または（２）前記ＡＩＰ学習の前記１つ以上のレベルのうちの１つに再誘導するように構成される
   請求項６に記載のコンピューティングプラットフォーム。
9. 前記プロセッサは、ユーザが前記第１のＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
   請求項１に記載のコンピューティングプラットフォーム。
10. プロセッサで実行されるときに、非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するという命令をプロセッサに格納させる、命令を表すコードを格納するためのコンピュータ可読媒体であって、サーバは、ネットワークに通信可能に接続され、前記プロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースとを含み、
    前記プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信し、前記１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含むこと、
    認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築すること、
    前記ユーザプロファイルを前記データベースに格納すること、
    前記ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成し、前記第１のＡＩＰ推奨は、前記ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含むこと、
    ユーザの第１のＡＩＰ評価を実行すること、
    ユーザが前記第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示し、前記第１レベルは、認知属性および非認知属性を含む前記ユーザプロファイルに従って選択されること、
    １つ以上の一連の条件に基づいて前記ユーザプロファイルの継続的なチェックおよび更新を実施すること、
    ユーザが前記第１レベルの前記１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供すること、
    前記終了シナリオテストに基づいてユーザを前記ＡＩＰ学習の前記１つ以上のレベルのうちの第２レベルに進めること、
    前記題目でのユーザの所望達成度に到達するために前記ＡＩＰ学習の前記１つ以上のレベルを繰り返し実行することを含む
    ことを特徴とするコンピュータ可読媒体。
11. ユーザが前記第１のＡＩＰ評価に合格しなかったことに応答して、前記ＡＩＰ学習の１つ以上のレベルのうちの前記第１レベルを実行し、前記１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つを表示し、前記１つ以上の可変ＡＩＰ学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、前記１つ以上の可変ＡＩＰ学習シナリオは、前記題目に対応するユーザの１つ以上の関心に合わせられる
    請求項１０に記載のコンピュータ可読媒体。
12. 一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む前記学習ブロックを提示するように適応可能である
    請求項１１に記載のコンピュータ可読媒体。
13. 入力コンテンツおよび出力コンテンツを含む前記学習ブロックを提示するように適応可能であり、前記入力コンテンツは、テキスト、音声、映像、または画像を含み、前記出力項目は、ユーザと前記入力コンテンツとの相互作用を含む
    請求項１２に記載のコンピュータ可読媒体。
14. 各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、前記タスクまたは前記目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの前記居場所の気象条件のうちの少なくとも１つを含む前記１つ以上の一連の条件を提示するように適している
    請求項１３に記載のコンピュータ可読媒体。
15. （１）前記１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含む継続的チェックを提示することに適応可能である
    請求項１４に記載のコンピュータ可読媒体。
16. 前記プロセッサと通信するように構成され、ユーザが前記総合ＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
    請求項１２に記載のコンピュータ可読媒体。
17. 前記ユーザが総合ＡＩＰ評価に不合格だったことに対する応答を受信するように構成され、ユーザを（１）前記１つ以上の可変ＡＩＰ学習シナリオのうちの前記少なくとも１つ、または（２）前記ＡＩＰ学習の前記１つ以上のレベルのうちの１つに再誘導するように構成され、前記プロセッサは、ユーザが前記第１のＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
    請求項１６に記載のコンピュータ可読媒体。
18. 非線形学習を介してある題目でのユーザの所望達成度を向上させることを実施するために、１つ以上のプロセッサによって実行可能な命令を格納する方法であって、サーバは、ネットワークに通信可能に接続され、前記プロセッサと、適応情報ポテンシャル（ＡＩＰ）モジュールと、少なくとも認知グラフィックデータおよび非認知グラフィックデータに割り当てられた部分を含むデータベースと、コンピュータ可読命令が格納されている少なくとも１つの非一時的なコンピュータ可読ストレージ媒体とを含み、
    前記プラットフォームから求められた１つ以上の一連の質問に基づいてユーザからの入力を受信する工程であって、前記１つ以上の一連の質問は、認知グラフィックデータおよび非認知グラフィックデータを含む、工程と、
    認知グラフィックおよび非認知グラフィックデータに基づいてユーザプロファイルを構築する工程と、
    前記ユーザプロファイルを前記データベースに格納する工程と、
    前記ユーザプロファイルに基づいてユーザに対して第１のＡＩＰ推奨を生成する工程であって、前記第１のＡＩＰ推奨は、前記ユーザプロファイルに基づいてユーザがとるべき第１の１つ以上の一連の課程またはトレーニングを含む、工程と、
    ユーザの第１のＡＩＰ評価を実行する工程と、
    ユーザが前記第１のＡＩＰ評価に合格しなかったことに応答して、ＡＩＰ学習の１つ以上のレベルのうちの第１レベルを実行し、１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つをユーザに表示する工程であって、前記第１レベルは、認知属性および非認知属性を含む前記ユーザプロファイルに従って選択される、工程と、
    １つ以上の一連の条件に基づいて前記ユーザプロファイルの継続的なチェックおよび更新を実施する工程と、
    ユーザが前記第１レベルの前記１つ以上の可変ＡＩＰ学習シナリオを完了したことに応答して、ユーザに終了シナリオテストを提供する工程と、
    前記終了シナリオテストに基づいてユーザを前記ＡＩＰ学習の前記１つ以上のレベルのうちの第２レベルに進める工程と、
    前記題目でのユーザの所望達成度に到達するために前記ＡＩＰ学習の前記１つ以上のレベルを繰り返し実行する工程とを含む
    ことを特徴とする方法。
19. ユーザが前記第１のＡＩＰ評価に合格しなかったことに応答して、前記ＡＩＰ学習の１つ以上のレベルのうちの前記第１レベルを実行し、前記１つ以上の可変ＡＩＰ学習シナリオのうちの少なくとも１つを表示し、前記１つ以上の可変ＡＩＰ学習シナリオの各々は、ユーザの学習パターンに従って配置された学習ブロックの論理チェーンを含み、前記１つ以上の可変ＡＩＰ学習シナリオは、前記題目に対応するユーザの１つ以上の関心に合わせられる
    請求項１８に記載の方法。
20. 一つにつながっている少なくとも１つの入力ブロックと１つの出力ブロックとを含む前記学習ブロックを提示する、請求項１９に記載の方法。
21. 入力コンテンツおよび出力コンテンツを含む前記学習ブロックを提示し、前記入力コンテンツは、テキスト、音声、映像、または画像を含み、前記出力項目は、ユーザと前記入力コンテンツとの相互作用を含む
    請求項２０に記載の方法。
22. 各ＡＩＰ学習シナリオまたは一セッションに費やした時間、ユーザの応答速度またはユーザが各ＡＩＰ学習シナリオのタスクまたは目的を完了する速度、前記タスクまたは前記目的を完了するためにユーザが試行する回数、絶対的または相対的な正解スコア、人口統計、ユーザの居場所、ユーザのコンピューティングデバイス、ユーザの接続速度、またはユーザの前記居場所の気象条件のうちの少なくとも１つを含む前記１つ以上の一連の条件を提示する
    請求項２１に記載の方法。
23. （１）前記１つ以上の一連の条件の継続的チェック、および（２）総合ＡＩＰ評価を含むチェックを提示する
    請求項２２に記載の方法。
24. 前記プロセッサと通信し、ユーザが前記総合ＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
    請求項２３に記載の方法。
25. 前記ユーザが総合ＡＩＰ評価に不合格だったことに対する応答を受信し、ユーザを（１）前記１つ以上の可変ＡＩＰ学習シナリオのうちの前記少なくとも１つ、または（２）前記ＡＩＰ学習の前記１つ以上のレベルのうちの１つに再誘導するように構成され、前記プロセッサは、ユーザが前記第１のＡＩＰ評価に合格したことに応答して、ユーザが前記ＡＩＰ学習を終了するように構成される
    請求項２４に記載の方法。
    
    

Images