JP2023165979A - データを効率的に取得するための技術 - Google Patents

データを効率的に取得するための技術 Download PDF

Info

Publication number
JP2023165979A
JP2023165979A JP2023169513A JP2023169513A JP2023165979A JP 2023165979 A JP2023165979 A JP 2023165979A JP 2023169513 A JP2023169513 A JP 2023169513A JP 2023169513 A JP2023169513 A JP 2023169513A JP 2023165979 A JP2023165979 A JP 2023165979A
Authority
JP
Japan
Prior art keywords
user
personality
personality data
vehicle
questions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023169513A
Other languages
English (en)
Inventor
ギールシュ ダニエル
Giersch Daniel
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.)
2HFutura SA
Original Assignee
2HFutura SA
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 2HFutura SA filed Critical 2HFutura SA
Publication of JP2023165979A publication Critical patent/JP2023165979A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/167—Personality evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D65/00—Designing, manufacturing, e.g. assembling, facilitating disassembly, or structurally modifying motor vehicles or trailers, not otherwise provided for
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/01—Occupants other than the driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/22—Psychological state; Stress level or workload
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Educational Technology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

【課題】ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバから効率的に取得できるようにする。【解決手段】パーソナリティデータのデジタル表現は、ユーザ適合したサービスをユーザ（４０２）に提供するためにクライアントデバイス（４０６）において処理される。技術の方法の実装は、サーバ（４０４）によって実行され、ユーザ（４０２）から得られた入力に基づいてユーザ（４０２）のパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを保存することと、ユーザ（４０２）のパーソナリティデータのデジタル表現の要求を、クライアントデバイス（４０６）から受信することと、ユーザ（４０２）のパーソナリティデータの要求されたデジタル表現を、クライアントデバイス（４０６）に送信することを含み、ユーザ（４０２）のパーソナリティデータは、ユーザから得られた入力に基づいてニューラルネットワーク（６０２）を使用して計算される。【選択図】図４

Description

本開示は、一般に、データ取得（data retrieval）の分野に関し、特に、ユーザのパーソナリティデータのデジタル表現（digital representation）を、クライアントデバイスによってサーバから効率的に取得すること（efficient retrieval）を可能にするための技術が提示される。この技術は、方法、コンピュータプログラム、装置、及びシステムとして実施され得る。
パーソナリティテストは、人間のパーソナリティ特性を評価するために何十年も使用されており、一般に、テスト対象者から得られるパーソナリティ調査データに基づいて行われ、調査データは、心理学者等の専門家によって評価されて、人間のパーソナリティについての結論が出される。いわゆる「ＯＣＥＡＮ」モデルは、「Ｂｉｇ Ｆｉｖｅ」パーソナリティ特性としても知られるパーソナリティ特性の広く受け入れられている分類（taxonomy）であり、パーソナリティディメンジョン（personality dimensions）として、開放性、誠実性、外向性、協調性、神経症傾向を含む。ＯＣＥＡＮモデルを利用する広く知られているパーソナリティテストには、いわゆるＩｎｔｅｒｎａｔｉｏｎａｌ Ｐｅｒｓｏｎａｌｉｔｙ Ｉｔｅｍ Ｐｏｏｌ （ＩＰＩＰ）、ＨＥＸＡＣＯ－６０ ｉｎｖｅｎｔｏｒｙ、及びＢｉｇ－Ｆｉｖｅ－Ｉｎｖｅｎｔｏｒｙ－１０（ＢＦＩ－１０）に基づくテストが含まれ、例えば、５つのパーソナリティディメンジョンのそれぞれについて人をテストするための質問セットを含む。従来のパーソナリティテストでは、一般に、人間のパーソナリティ特性の適格な評価を得るために、心理学者等の、人間の専門家によるレビューを必要とするが、パーソナリティテストの実行とその結果を技術システム上で実行されるプロセスに統合することは困難である。このような統合は、プロセスをユーザのパーソナリティに更に適合させるように調整することができ、例えば、ユーザ適合したサービスをユーザに提供する等、ユーザエクスペリエンス（user experience）を向上させることができるため、有益であり得る。
したがって、パーソナリティテストとその結果を、技術システム上で実行されるプロセスに統合することを実際に実行可能とする技術的実装が必要とされる。
第１の態様によれば、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバから効率的に取得すること可能にする方法が提供され、パーソナリティデータのデジタル表現は、ユーザ適合したサービスをユーザに提供するためにクライアントデバイスにおいて処理される。この方法は、サーバによって実行され、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを保存することと、ユーザのパーソナリティデータのデジタル表現の要求を、クライアントデバイスから受信することと、ユーザのパーソナリティデータの要求されたデジタル表現を、クライアントデバイスに送信することを有し、ここで、ユーザのパーソナリティデータは、ユーザから得られた入力に基づいてニューラルネットワークを使用して計算される。
トレーニングされたニューラルネットワークをサーバに保存してユーザのパーソナリティデータの計算に適用することによって、（従来の人間によるレビューが不要となり）ユーザのパーソナリティデータのデジタル表現を取得することが自動化されるため、ユーザのパーソナリティデータの取得と使用を、技術システム上で実行される（例えば自動化された）プロセスに統合することが可能となる。特に、ニューラルネットワークは、効率的な機能データ構造（functional data structure）と言うことができ、要求されたパーソナリティデータを単一の計算実行で計算すること、すなわち、ニューラルネットワークの入力ノードにおいてユーザから得られる入力を入力し、ニューラルネットワークの出力ノードからパーソナリティデータを表す結果の出力値を読み取ることによって計算することができる。このように、ニューラルネットワークは、クライアントデバイスにパーソナリティデータをデジタル表現の形で効率的に提供することを可能とし、ユーザの特定のパーソナリティに適合したサービスを提供するために使用することができ、それにより、クライアントデバイス側においてユーザエクスペリエンスを向上させる。データの効率的な提供によって、パーソナリティデータのデジタル表現が大幅に遅延することなしにクライアントデバイスに提供され、クライアントデバイスにおいて即座に処理されるため、パーソナリティデータの取得と使用の統合が特に実用的になる。これにより、パーソナリティデータの取得及び使用を、技術システム上で実行されるプロセスに一般に統合することが実際に実行可能な技術的実装が達成される。
ユーザのパーソナリティデータは、ユーザの心理的特性、及び／又は好みを示し得るため、パーソナリティデータは、一般に、例えば、開放性、誠実性、外向性、協調性、神経症（上述のとおりビッグファイブとして知られる）のパーソナリティディメンジョンに基づく古典的なパーソナリティデータを含む心理的データならびに医療データ（例えば、好奇心、不安、鬱病等の傾向を示すデータ）を含み得る。ユーザのパーソナリティデータのデジタル表現は、例えば、ユーザについてニューラルネットワークによって計算される開放性、誠実性、外向性、協調性、及び神経症のパーソナリティディメンジョンの少なくとも１つのデジタル表現等の上述した特性のデジタル表現を含み得る。
クライアントデバイスは、ユーザ適合したサービスをユーザへ提供することを可能にする目的のために、パーソナリティデータのデジタル表現を処理するように設定され得る（may be configured）。１つの変形例では、クライアントデバイス自体が、パーソナリティデータのデジタル表現に基づいて設定可能（configurable）であり得る。パーソナリティデータのデジタル表現によって設定可能であり得る例示的なデバイスは、例えば、車両とすることができ、この場合、車両はクライアントデバイスであり得る。車両は、ユーザ（例えば、車両の運転者）のパーソナリティデータの受信したデジタル表現を処理し、運転者のパーソナリティに車両の運転設定を適合させ、これにより、ユーザのパーソナリティに適合した運転サービスを提供できるように、それ自体（例えば、そのサブコンポーネントを含む）を設定し得る。パーソナリティデータが、運転者がリスクを回避する傾向がある又は心配性であることを示している場合、例えば、車両の運転設定は、より安全志向であるように設定され、他方、よりリスクを求めるパーソナリティを有する傾向がある運転者の場合、車両は、運転設定がよりスポーティになるように設定することができる。この目的のために、他の設定のうち、車両の燃料及びブレーキ反応挙動をそれに応じて適合させることができる。車両関連サービスを提供する車両のサブコンポーネント、例えば、サウンドとボリュームの設定を含む車両のサウンドシステム等が、ユーザのパーソナリティに更に適合させるために、パーソナリティデータに基づいて設定されてもよい。
他の変形例では、クライアントデバイスは、例えば、それがユーザにサービスを提供する少なくとも１つの他のデバイスである場合に、パーソナリティデータのデジタル表現に基づいて少なくとも１つの他のデバイスを設定してもよい。そのような変形例では、クライアントデバイスは、例えば、モバイル端末（例えば、スマートフォン）とすることができ、車両（すなわち、この場合、車両は、少なくとも１つの他のデバイスに対応する）と（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）を使用して）相互作用することができ、サーバからパーソナリティデータのデジタル表現を受信すると、モバイル端末は、インターフェースを介して車両を設定することができる。したがって、ユーザのパーソナリティデータのデジタル表現は、ユーザにサービスを提供する少なくとも１つのデバイスを設定するために、クライアントデバイスにおいて処理され得ると言うことができる。少なくとも１つのデバイスを設定することは、少なくとも１つのデバイスの少なくとも１つの設定（setting）を設定（configuring）すること、及び／又は少なくとも１つのデバイスによって提供されるサービスの少なくとも１つの設定を設定することを含み得る。車両は、パーソナリティデータに基づいて設定可能であるデバイスの単なる例に過ぎず、クライアントデバイス、及び／又は少なくとも１つの他のデバイスは、他のタイプのデバイスにも対応し得ることが理解されるであろう。
一実施形態では、サーバによって実行される方法は、ユーザを特徴付けるフィードバックを受信することと、フィードバックに基づいてニューラルネットワークを更新することと、ユーザの更新されたパーソナリティデータのデジタル表現を、クライアントデバイスに送信することを更に含むことができ、ここで、ユーザの更新されたパーソナリティデータは、更新されたニューラルネットワークを使用して計算される。ユーザの更新されたパーソナリティデータのデジタル表現は、クライアントデバイスにおいて処理されて、ユーザにサービスを提供する少なくとも１つのデバイスの設定（例えば、上述した車両の設定のうちの１つ）を改善することができる。フィードバックは、クライアントデバイス、及び／又はユーザにサービスを提供する少なくとも１つのデバイスで収集することができ、ユーザのパーソナリティを示し得る。フィードバックは、例えば、少なくとも１つのデバイスによって提供されるサービスを使用するときに少なくとも１つのデバイスで監視されるユーザの行動を反映した行動データを含むことができ、１つの変形例では、行動データは、ユーザにサービスを提供する少なくとも１つのデバイスによって、（例えば、センサベースの）測定を使用して監視することができる。車両の例では、監視されるユーザの行動は、例えば、ユーザの運転行動とすることができ、運転行動は、車両のセンサによって測定される。運転行動を測定するために、センサは、例えば、ユーザのブレーキ反応及び強度を検知することができ、そのような測定は、ユーザのパーソナリティ（例えば、運転への積極性）を示し得るため、この情報がフィードバックとしてサーバに送信されてニューラルネットワークを更新し、それによって、ユーザのパーソナリティデータを計算するニューラルネットワークの機能が改善される。
ニューラルネットワークを更新することは、クライアントデバイスから受信したフィードバックに基づいてニューラルネットワークをトレーニングすることを含むことができ、フィードバックがニューラルネットワークにまだ入力されていない新しい入力値を表す場合、ニューラルネットワークをトレーニングするときに新しい入力ノードをニューラルネットワークに追加して、新しい入力値を新しい入力ノードに割り当てることができる。これにより、本明細書に提示される技術的実装で採用される効率的な機能データ構造としてのニューラルネットワークの能力が特に明白になる。すなわち、ニューラルネットワークは、効率的に更新可能なデータ構造を表し、クライアントデバイスから受信したユーザのパーソナリティに関する任意のフィードバックに基づいて更新されて、パーソナリティデータを計算する機能が改善される。フィードバックによって伝達される情報は、ニューラルネットワークに直接統合することができ、一度トレーニングされると、パーソナリティデータのデジタル表現を要求するサーバに送信する後の要求にすぐに反映される。従来のパーソナリティ評価手法はかなり固定されており、そのような更新可能性を全くサポートしていないことがある。
サーバからクライアントデバイスに送信されるユーザのパーソナリティのデジタル表現は、ユーザのパーソナリティの計算の以前の要求に応じてサーバによって以前に計算されたユーザのパーソナリティのデジタル表現に対応し得る（例えば、ユーザが質問セットに回答することによってパーソナリティテストを実行するとき）。したがって、ユーザのパーソナリティデータは、クライアントデバイスから要求を受信する前に計算することができ、要求は、ユーザのパーソナリティデータを計算するときにサーバによってユーザに事前に提供されたアクセスコードを含むことができ、アクセスコードは、ユーザが他のクライアントデバイスからユーザのパーソナリティデータのデジタル表現にアクセスすることを可能にする。そのような実装は、その特定のユーザのパーソナリティデータのデジタル表現がクライアントデバイスから要求されるたびにユーザのパーソナリティのデジタル表現を新たに計算する必要がないため、サーバにおける計算リソースを節約することができ、事前に計算されたパーソナリティデータに基づいて返信することもできる。そして、ユーザは、アクセスコードを使用して、ユーザが運転することができる他の車両、例えば、車及びオートバイ、又は他のタイプのデバイス等の、複数の他のクライアントデバイスから、パーソナリティデータのデジタル表現にアクセスすることができる。
ユーザから得られた入力は、ユーザのパーソナリティ、目標、及び動機の少なくとも１つに関する質問に対する回答を反映した（例えば、パーソナリティテスト手法における質問回答スキームにおいて取得された）デジタルスコアに対応することができ、デジタルスコアのそれぞれは、ニューラルネットワークを使用してユーザのパーソナリティデータを計算するときに、ニューラルネットワークの別個の入力ノードへの入力として使用することができる。デジタルスコアは、例えば、１から５までの値を持つ５レベルのリッカートスケール（Likert scale）に対応することができる。ニューラルネットワークは、ニューラルネットワークの入力ノードを含む入力層と出力ノードを含む出力層との間に少なくとも２つの隠れ層を有するディープニューラルネットワークに対応し得る。パーソナリティに関する質問は、例えば、従来のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及び／又はＢＦＩ－１０ ｐｏｏｌｓの質問に対応することができるが、ユーザの心理的特性、及び／又は好みについての質問を含む、ユーザのパーソナリティに関する他の質問も同様に使用できることが理解されるであろう。特に、ユーザの目標と動機に関する質問は、従来のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及びＢＦＩ－１０手法よりも、計算されるパーソナリティデータの精度を高める追加のディメンジョン（例えば、ビッグファイブに加えて）を定義することができる。ネットワークは、複数の試験者（例えば、１０００人以上）に実施された基本調査で収集されたデータに基づいてトレーニングすることができ、基本調査は、上述の質問を使用して実施することができる。
ユーザのパーソナリティデータを計算するときの計算の複雑さを軽減するために、ニューラルネットワークは、特定のネットワーク構造を有するように設計され得る。上述の質問の文脈を考慮して、ニューラルネットワークの構造は、一般に、上述の質問の全てが使用されたときに利用可能な入力ノードの数と比較して入力ノードの数が減少するように設計され得る。したがって、質問は、ユーザのパーソナリティデータを計算することを最適に達成可能な結果を表す質問セットから選択された質問に対応することができ（すなわち、質問セットの全ての質問にユーザが回答した場合）、ここで、選択された質問は、最適に達成可能な結果に関して最も影響力があると判定された質問セットの質問に対応することができる。上述のように、質問に対する回答のそれぞれは、ニューラルネットワークの個別の入力ノードに入力されるため、質問セットのサブセットを選択すると、パーソナリティデータを計算するときの入力ノードの数が減少して計算の複雑さが軽減される。達成可能な結果に関して最も影響力のある質問が選択されるという事実により、ニューラルネットワークによって出力される結果の精度はほぼ維持される。
実際、テストでは、結果の精度を大幅に犠牲にすることなく、質問の数を大幅に減らすことができることが示された。パーソナリティデータを計算することを最適に達成可能な結果を表す質問セットとして、標準のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及びＢＦＩ－１０の質問（合計３７０の質問）を含み、任意選択で、ユーザの目標と動機に関する追加の質問（合計で３７０を超える質問の数になる）によって補足された質問セットを取り上げると、テストでは、最も影響力のある３０の質問のみを使用した場合、最適に達成可能な結果の精度の約９０％が達成されることが示された。したがって、選択される質問の数は、最適に達成可能な結果を表す質問セットに含まれる質問の数の１０％未満（好ましくは５％未満）とすることができる。この場合、ニューラルネットワークの入力ノードの数を大幅に減らすことができるため、計算リソースが大幅に節約され、パーソナリティデータをより効率的に計算することができる。
最適に達成可能な結果に関して最も影響力のある質問セットの質問を判定するために、１つの変形例では、質問セットの単一の質問のそれぞれによって達成可能な結果を、最適に達成可能な結果と相関させ、最適に達成可能な結果との相関が最も高い質問セットから質問を選択することに基づいて、質問セットから質問を選択することができる。したがって、最適に達成可能な結果を表す質問セットの固定サブセットを判定することができ、これを使用して、上述のように、入力ノードの数を減らしてニューラルネットワークをトレーニングすることができる。
上述のように、最適に達成可能な結果は、標準のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及びＢＦＩ－１０の質問を含む質問セット等に、任意選択で、上述のように、ユーザの目標と動機に関する追加の質問が補足された、全ての質問にユーザが回答した場合に達成される結果に対応することができる。一方、１つの変形例では、標準ＩＰＩＰスコア（標準ＩＰＩＰテストの全ての質問に回答することによって取得される）、標準ＨＥＸＡＣＯ－６０スコア（標準ＨＥＸＡＣＯ－６０テストの全ての質問に回答することによって取得される）、及び標準ＢＦＩ－１０のスコア（標準のＢＦＩ－１０テストの全ての質問に回答することによって取得される）は、最適に達成可能な結果の参照として個別に取得でき、他の変形例では、これらの個々のスコアの組み合わされたスコアを、最適に達成可能な結果の参照として計算することによって改善を達成でき、ここで、組み合わされたスコアは、例えば、個々のスコアの（例えば、加重された）平均として計算される。組み合わされたスコアは、個々のスコアから導出可能な「真実」を表す「スーパースコア」として表すこともでき、一般に、判定されたスコアの意味を改善し、最適に達成可能な結果の参照を改善する。
他の変形例では、質問は、質問セットから繰り返して選択することができ、繰り返しのそれぞれにおいて、前の質問に対するユーザの回答に応じて次の質問を選択することができ、繰り返しのそれぞれにおいて、次の質問は、ユーザのパーソナリティデータを計算するために達成可能な結果に最も影響を与えると判定された質問セットの一つの質問として選択することができる。これは、質問の適合選択（adaptive selection）と見なすことができ、質問は、ユーザの以前の質問に対する回答を考慮して、段階的な方法でユーザごとに判定される。１つの特定の変形例において、ニューラルネットワークは、ユーザのパーソナリティデータの結果の確率曲線（probability curve）を表す複数の出力ノードを含むことができ、ここで、質問セットの最も影響力のある質問を、繰り返しのそれぞれの次の質問として判定することは、ニューラルネットワークの入力ノードのそれぞれについて、ニューラルネットワークの入力ノードのそれぞれに入力されるデジタルスコアの変化が確率曲線を変化させる程度を判定することを含み得る。確率曲線の変化の程度が最も高いと判定された入力ノードに関連付けられた質問を、繰り返しのそれぞれにおいて最も影響力のある質問として選択することができる。
計算の複雑さを更に軽減するために、上述の反復的かつ適合的な選択は、選択される質問の最大数、達成すべき最小結果精度（結果精度は、繰り返しごとに質問の回答とともに向上し、必要な最小結果精度に達したときに計算を停止することができる）、及び最大利用可能時間（最大利用可能時間が経過した時にテストを停止するか、質問のそれぞれをユーザの回答推定時間に関連付け、推定時間に基づいて選択される質問の数を判定することができる）等のような少なくとも１つの制約の下で実行され得る。これらの制約は、パーソナリティデータの計算ごとに個別に設定することができる。
第２の態様によれば、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバから効率的に取得すること可能にする方法が提供される。この方法は、クライアントデバイスによって実行され、ユーザのパーソナリティデータのデジタル表現の要求を、サーバに送信することと、ユーザのパーソナリティデータの要求したデジタル表現を、サーバから受信することであって、ユーザのパーソナリティデータは、ユーザから得られた入力に基づいて、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを使用して計算されることと、パーソナリティデータのデジタル表現を処理して、ユーザ適合したサービスをユーザに提供することを含み得る。
第２の態様による方法は、第１の態様によるサーバによって実行される方法を補完することができるクライアントデバイスの観点からの方法を定義する。第２の態様のサーバ及びクライアントデバイスは、第１の態様に関連して上述したサーバ及びクライアントデバイスに対応し得る。したがって、第２の態様の方法に適用可能である第１の態様の方法に関して関連して述べたそれらの態様は、第２の態様の方法によっても含まれ、逆もまた同様である。したがって、以下では不必要な繰り返しを省略する。
第１の態様の方法と同様に、ユーザのパーソナリティデータのデジタル表現は、ユーザにサービスを提供する少なくとも１つのデバイスを設定するために、クライアントデバイスにおいて処理されることができ、ここで、少なくとも１つのデバイスは、クライアントデバイスを含み得る。クライアントデバイスによって実行される方法は、ユーザを特徴付けるフィードバックをサーバに送信することと、ユーザの更新されたパーソナリティデータのデジタル表現をサーバから受信することを更に含むことができ、ここで、ユーザの更新されたパーソナリティデータは、フィードバックに基づいて更新されたニューラルネットワークを使用して計算され得る。ユーザの更新されたパーソナリティデータのデジタル表現は、クライアントデバイスにおいて処理されて、ユーザにサービスを提供する少なくとも１つのデバイスの設定を改善することができる。フィードバックは、少なくとも１つのデバイスによって提供されるサービスを使用するときに少なくとも１つのデバイスで監視されるユーザの行動を反映した行動データを含むことができ、ここで、行動データは、ユーザにサービスを提供する少なくとも１つのデバイスで実行される測定を使用して監視することができる。少なくとも１つのデバイスは、車両を含むことができ、行動データは、ユーザの運転行動を反映したデータを含み得る。ユーザのパーソナリティデータは、要求をサーバに送信する前に計算することができ、要求は、ユーザのパーソナリティデータを計算する際にサーバによってユーザに事前に提供されたアクセスコードを含むことができ、アクセスコードは、ユーザが他のクライアントデバイスからユーザのパーソナリティデータのデジタル表現にアクセスすることを可能にする。ユーザから得られた入力は、ユーザのパーソナリティ、目標、及び動機の少なくとも１つに関する質問に対する回答を反映したデジタルスコアに対応し得る。
第３の態様によれば、コンピュータプログラム製品が提供される。コンピュータプログラム製品は、コンピュータプログラム製品が１つ又は複数のコンピューティングデバイス（例えば、プロセッサ又はプロセッサの分散セット）上で実行されるときに、第１の態様及び第２の態様のうちの少なくとも１つの方法を実行するためのプログラムコード部分を含む。コンピュータプログラム製品は、半導体メモリ、ＤＶＤ、ＣＤ－ＲＯＭ等のコンピュータ可読記録媒体に保存され得る。
第４の態様によれば、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバから効率的に取得すること可能にするサーバが提供され、ここで、パーソナリティデータのデジタル表現は、ユーザ適合したサービスをユーザに提供するためにクライアントデバイスにおいて処理される。サーバは、少なくとも１つのプロセッサ及び少なくとも１つのメモリを含み、少なくとも１つのメモリは、サーバが第１の態様に関して本明細書に提示される方法ステップのいずれかを実行するように動作可能であるように、少なくとも１つのプロセッサによって実行可能な命令を含む。
第５の態様によれば、ユーザのパーソナリティデータのデジタル表現をサーバから効率的に取得することを可能にするためのクライアントデバイスが提供される。クライアントデバイスは、少なくとも１つのプロセッサ及び少なくとも１つのメモリを含み、少なくとも１つのメモリは、クライアントデバイスが第２の態様に関して本明細書に提示される方法ステップのいずれかを実行するように動作可能であるように、少なくとも１つのプロセッサによって実行可能な命令を含む。
第６の態様によれば、第４の態様によるサーバと、第５の態様による少なくとも１つのクライアントデバイスとを備えるシステムが提供される。
本明細書に提示される技術の更なる詳細及び利点は、以下の図に示される例示的な実装を参照して説明される。
図１ａは、本開示によるサーバの例示的な構成を示す。 図１ｂは、本開示によるクライアントデバイスの例示的な構成を示す。 図２は、本開示によるサーバによって実行される方法を示す。 図３は、本開示によるクライアントデバイスによって実行される方法を示す。 図４は、本開示によるユーザ、サーバ、及びクライアントデバイス（車両による例示）間の例示的な相互作用を示す。 図５は、本開示によるユーザのモバイル端末、車両、及びサーバ間の他の接続オプションを示す。 図６ａは、本開示によるニューラルネットワークの例示的な構造を示す。 図６ｂは、本開示によるニューラルネットワークの例示的な構造を示す。 図７は、本開示による車両設定を適合させるために運転者の注意レベルを考慮することを含む例示的な実装を示す。 図８は、本開示によるユーザ適合したサービスをユーザに提供するために、ユーザのボディスキャンデータを考慮することを含む例示的な実装を示す。
以下では、限定の目的ではなく説明の目的で、本開示の十分な理解を提供するために具体的な詳細が説明される。本開示は、これらの具体的な詳細から逸脱する他の実装によっても実施され得ることが当業者には明らかであろう。
当業者は、本明細書において以下に説明されるステップ、サービス、及び機能が、個々のハードウェア回路、プログラムされたマイクロプロセッサ又は汎用コンピュータと組み合わせて機能するソフトウェア、１つ又は複数の特定用途向け集積回路（ＡＳＩＣｓ）、及び／又は１つ以上のデジタルシグナルプロセッサ（ＤＳＰ）を使用して実装され得ることを更に理解するであろう。本開示が方法に関して説明される場合、それもまた、１つ又は複数のプロセッサ、及び１つ又は複数のプロセッサに結合された１つ又は複数のメモリにおいて具体化され、ここで、１つ又は複数のメモリは、１つ又は複数のプロセッサによって実行されるときに本明細書に提示されるステップ、サービス、及び機能を実行する１つ又は複数のプログラムでコード化され得ることが理解されるであろう。
図１ａは、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバ１００から効率的に取得できるようにするサーバ１００の例示的な構成を概略的に示しており、パーソナリティデータのデジタル表現は、ユーザ適合したサービスをユーザに提供するためにクライアントデバイスにおいて処理される。サーバ１００は、少なくとも１つのプロセッサ１０２及び少なくとも１つのメモリ１０４を有し、少なくとも１つのメモリ１０４は、要求サーバ１００が本明細書に「サーバ」という参照とともに記載される方法のステップを実行するように動作可能であるように、少なくとも１つのプロセッサ１０２によって実行可能な命令を含む。
サーバ１００は、物理コンピューティングユニット、又は例えば、仮想マシンのような、仮想化されたコンピューティングユニット上に実装され得ることが理解されるであろう。更に、サーバ１００は、必ずしもスタンドアロンコンピューティングユニット上に実装されることに限定されず、ソフトウェア、及び／又はハードウェアで実現される、例えば、クラウドコンピューティング環境等の、複数の分散コンピューティングユニット上に存在するコンポーネントとして実装され得ることも理解されるであろう。
図１ｂは、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス１１０によってサーバから効率的に取得できるようにするクライアントデバイス１１０の例示的な構成を概略的に示している。クライアントデバイス１１０は、少なくとも１つのプロセッサ１１２及び少なくとも１つのメモリ１１４を有し、少なくとも１つのメモリ１１４は、要求クライアントデバイス１１０が本明細書に「クライアントデバイス」という参照とともに記載される方法のステップを実行するように動作可能であるように、少なくとも１つのプロセッサ１１２によって実行可能な命令を含む。
図２は、本開示によるサーバ１００によって実行され得る方法を示している。この方法は、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス（例えば、クライアントデバイス１１０）によってサーバ１００から効率的に取得できるようにすることに特化している。この方法では、サーバ１００は、本明細書に「サーバ」という参照とともに記載されるステップを実行することができ、上述の説明に沿って、ステップＳ２０２において、サーバ１００は、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを保存することができ、ステップＳ２０４において、サーバ１００は、ユーザのパーソナリティデータのデジタル表現の要求を、クライアントデバイスから受信することができ、ステップＳ２０６において、サーバ１００は、ユーザのパーソナリティデータの要求されたデジタル表現を、クライアントデバイスに送信することができ、ここで、ユーザのパーソナリティデータは、ユーザから得られた入力に基づいてニューラルネットワークを使用して計算される。
図３は、本開示によるクライアントデバイス１１０によって実行され得る方法を示している。この方法は、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス１１０によってサーバ（例えば、サーバ１００）から効率的に取得できるようにすることに特化している。この方法では、クライアントデバイス１１０は、本明細書に「クライアントデバイス」という参照とともに記載されるステップを実行することができ、上述の説明に沿って、ステップＳ３０２において、クライアントデバイス１１０は、ユーザのパーソナリティデータのデジタル表現の要求を、サーバに送信することができ、ステップＳ３０４において、クライアントデバイス１１０は、ユーザのパーソナリティデータの要求したデジタル表現を、サーバから受信することができ、ここで、ユーザのパーソナリティデータは、ユーザから得られた入力に基づいて、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを使用して計算され、ステップＳ３０６において、クライアントデバイス１１０は、パーソナリティデータのデジタル表現を処理して、ユーザ適合したサービスをユーザに提供することができる。
図４は、ユーザ４０２と、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを保存するサーバ４０４と、ユーザ４０２のパーソナリティデータのデジタル表現を取得してユーザ適合したサービスをユーザ４０２に提供するクライアントデバイスと、の間の例示的な相互作用を示し、ここで示される例では、クライアントデバイスは、ユーザ４０２によって運転される車両４０６であり得る。図に示されるように、ユーザ４０２は、例えば、彼のラップトップ又はスマートフォン上のウェブインターフェース又はアプリを使用して質問に回答することによって自動パーソナリティテストを実行し、サーバ４０４に保存されたニューラルネットワークに入力を提供することができ、それに基づいて、ニューラルネットワークは、ユーザ４０２のパーソナリティデータを計算することができる。パーソナリティデータのデジタル表現をユーザ４０２に送信する代わりに、示された図において、サーバ４０４は、ユーザ４０２が車両４０６を含む他のクライアントデバイスを使用してパーソナリティデータにアクセスするために使用可能なアクセスコードを、ユーザ４０２に提供することができる。ユーザ４０２は、アクセスコードを使用して車両４０６（より具体的には、そのボードコンピュータ）に登録又はログインすることができ、車両４０６は、アクセスコードを使用して、サーバ４０４からユーザのパーソナリティデータのデジタル表現を要求することができる（図では、ユーザのパーソナリティデータを、ユーザの「ＭｉｎｄＤＮＡ」と表記している）。
車両４０６から要求を受信すると、サーバ４０４は、ユーザのパーソナリティデータを車両４０６に返信することができ、車両４０６は、ユーザ４０２のパーソナリティデータに従って、その運転設定（及び、任意選択で、車両４０６のサブコンポーネント）を設定することができ、例えば、車両４０６の燃料及びブレーキ反応挙動を適合させて、ユーザのパーソナリティ（例えば、リスク回避、リスク追求等）に特に適合した運転エクスペリエンスを提供することができる。そして、ユーザ４０２が車両４０６を運転するとき、車両４０６は、例えば、ユーザのブレーキ反応及び強さを測定するセンサを使用して、ユーザの運転行動を監視することができ、車両４０６は、この情報をフィードバックとしてサーバ４０４に提供することができ、ここで、フィードバックは、ユーザ４０２のパーソナリティデータを計算する能力を改善するためにニューラルネットワークを（トレーニングによって）更新するように処理される。それに応答して、サーバ４０４は、対応して更新されたユーザ４０２のパーソナリティデータを、車両４０６に送信することができ、車両４０６は、更新されたパーソナリティデータのデジタル表現を使用して、ユーザ４０２の実際のパーソナリティと更に整合するように車両設定を改善することができる。要約すると、ユーザのパーソナリティデータの取得及び使用を自動化されたプロセスに統合し、ユーザのパーソナリティデータから得られたユーザの好みに従って、提供されるデバイス又はサービスの設定を適合させ、それによってユーザエクスペリエンスを改善することが可能なシステムが提供される。
図５は、本開示による、ユーザ４０２のモバイル端末５０２（例えば、スマートフォン）、車両４０６、及びサーバ４０４、の間の他の接続オプションを示している。１つの変形例では、車両４０６は、インターネットを介してサーバ４０４と直接的に通信することができ、ユーザ４０２が車両４０６で（例えば、キー、スマートカード、ＮＦＣ／ＲＦＩＤ、ＮＦＣを備えたスマートフォン、指紋等を使用して）認証されると、車両４０６は、ユーザ４０２の運転エクスペリエンスを改善するために、ユーザのパーソナリティデータ（図５では、再び、ユーザの「ＭｉｎｄＤＮＡ」と表記している）を要求することができる。他の変形例では、ユーザ４０２がモバイル端末５０２を携帯しているとき、モバイル端末５０２は、（例えば、そこにインストールされた専用アプリを使用して）インターネットを介してサーバ４０４と通信し、ユーザ４０２のパーソナリティデータを要求することができる。この変形例では、車両４０６は、（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ、又はＵＳＢケーブルを使用して）モバイル端末５０２とローカル通信し、モバイル端末５０２からユーザのパーソナリティデータを取得することができる。車両４０６とモバイル端末５０２との間の直接接続は、モバイル端末５０２に設置されたセンサ（例えば、移動及び加速度検出のためのジャイロスコープ、移動及び加速度検出ならびに運転経路の検出のためのＧＰＳ、又はパルス、血圧等を測定するための医療センサ等）を利用するために更に使用することができ、車両４０６自体によって収集された（例えば、ユーザの運転行動に関連する）フィードバックを補足し、それによって、モバイル端末５０２によって検知された追加のフィードバックをサーバ４０４に提供し、上述のように、フィードバックに基づいてニューラルネットワークを更新することができる。
図６ａは、本開示によるニューラルネットワーク６０２の例示的な構造を示している。ニューラルネットワーク６０２は、入力層、出力層、及び２つの隠れ層を含む。図６ａに示されるニューラルネットワーク６０２は、一般的なディープニューラルネットワークの構造を示しているに過ぎず、サーバ４０４に保存されるニューラルネットワーク６０２の実際のノードの（少なくとも入力層及び隠れ層の）数は、図示されているよりも大幅に高くなり得る。上述のように、テストは、（標準のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及びＢＦＩ－１０の質問から取得され、任意選択で、目標と動機に関する追加の質問によって補足される）合計３７０以上の質問の中で最も影響力のある３０の質問を使用して実行され、ニューラルネットワーク６０２の入力層に３０の入力ノードが生じる。この場合、例えば、各隠れ層は５０ノードで構成することができる。更に、図示されるように、ニューラルネットワーク６０２は、出力層に単一の出力ノードを含み得る。この場合、出力層の出力ノードの結果の値は、ニューラルネットワーク６０２がトレーニングされた（ビッグファイブのうちの）１つのパーソナリティディメンジョンの値を表し得る。ニューラルネットワーク６０２のこのような構造は例示に過ぎず、他の構造が一般的に考えられることが理解されるであろう。
ニューラルネットワーク６０２のより高度な構造は、利用可能な質問の完全なセットの数に応じた入力ノードを有し、質問は、標準のＩＰＩＰ、ＨＥＸＡＣＯ－６０、及びＢＦＩ－１０の質問から取得することができ、ユーザの目標及び動機に関する更なる質問、ならびに上述の質問ではカバーされていないようなユーザの他の心理的特性、及び／又は好みに関する質問を更に含むこともでき、潜在的には数百の質問、例えば、６００以上の質問を更に追加し得る。したがって、そのようなニューラルネットワーク６０２は、利用可能な質問の完全なセットの単一の質問にそれぞれ対応する６００以上の入力ノードを有することができ、隠れ層のノード数は、ニューラルネットワーク６０２の性能に応じて選択することができる。例えば、ニューラルネットワーク６０２は、それぞれ１００のノードを有する２つの隠れ層で構成することができる。更に、入力層では、上述の６００個以上の入力ノードを重複させ、重複された入力ノードのそれぞれを欠落質問インジケータ（missing-question-indicator）として使用することができる。欠落質問インジケータは、二分（dichotomous）され、すなわち、対応する（オリジナルの）入力ノードの質問に回答したかどうかを示す２つの値（例えば、０と１）を有することができる。入力ノードが重複しているため、入力層は合計１２００を超える入力ノードを有し得る。
より高度なニューラルネットワーク６０２の出力層は、１つのパーソナリティディメンジョンの確率曲線を共に表す複数の出力ノードを有することができる。例えば、このパーソナリティディメンジョンの出力に使用されるスケールが０～１０の範囲で、出力ノードの数が５０である場合、出力ノードのそれぞれはスケールの一部、すなわち、スケールの０－０．２、 ０．２－０．４、 ０．４－０．６、 ・・・ ９．８－１０の部分に対応するスケール部分を表すことができる。そのような出力層は、単一の出力値の代わりに、このパーソナリティディメンジョンの出力値の確率曲線の全体を提供することができる。図６ｂは、例示的な出力層を、対応する確率曲線６０４とともに示す。そのような曲線は、出力値の最頻値（すなわち、曲線のピークによって示される）がどこにあるかを判定可能とするとともに、ニューラルネットワーク６０２が結果を計算する精度（すなわち、曲線の幅によって示される）を判定可能とする。高度なニューラルネットワーク６０２を使用して、ニューラルネットワーク６０２がディメンジョンのそれぞれについて別々にトレーニングされることで、任意の数の回答された質問についてのいくつかの確率曲線（例えば、ビッグファイブに対応する５つの確率曲線）の形でユーザのパーソナリティデータを計算することができる。質問がまだ回答されていない初期状態では、全ての欠落質問インジケータは「欠落」の値（例えば、０）を有することができる。質問に回答する度に、出力値の更新が計算され、回答された質問の数が増えるにつれて、出力層の確率曲線の幅が小さくなり、ニューラルネットワーク６０２が結果を計算する精度が着実に向上する。
ニューラルネットワーク６０２のそのような構造は、ユーザによって次に回答される質問を質問の完全なセットから繰り返して選択することを可能にするので、特に有利であり、ここで、繰り返しのそれぞれにおいて、次の質問は、前の質問に対するユーザの回答に応じて選択することができ、ここで、繰り返しのそれぞれにおいて、次の質問は、ユーザのパーソナリティデータを計算するために達成可能な結果に最も影響を与えると判定された質問の完全なセットの一つの質問として選択することができる。この目的のために、回答された質問ごとに、いくつかの（例えば５つの）確率曲線を再計算することができ、再計算された確率曲線の中で、最大の幅を有する（すなわち、現在最も低い精度を有する確率曲線を表す）ものを判定することができる。繰り返しの次の質問として、このディメンジョンの精度を向上させるために、このディメンジョンの質問を選択することができる。最も影響力のある質問を判定するために、入力ノードのそれぞれへのデジタルスコア入力の変化が確率曲線を変化させる程度（例えば、曲線の幅が変化する程度）を、ニューラルネットワーク６０２の入力ノードのそれぞれについて判定することができる。これに基づいて、確率曲線の変化の程度が最も高いと判定された入力ノードに関連付けられた質問を、繰り返しのそれぞれで最も影響力のある質問として選択することができる。
ニューラルネットワーク６０２の高度な構造はまた、フィードバックを容易にニューラルネットワークに統合することを可能にするため、有利であり得る。上述のように、フィードバックがニューラルネットワーク６０２にまだ入力されていない新しい入力値を表す場合、ニューラルネットワーク６０２をトレーニングするときに、新しい入力ノードは、ニューラルネットワーク６０２に単純に追加することができ、新しい入力値が新しい入力ノードに割り当てられる。このようにして、任意の種類の新しいフィードバックを容易にネットワークに統合することができ、ニューラルネットワーク６０２は、パーソナリティデータを計算するその能力を改善することができる。新しい入力ノードを追加するときの計算の複雑さを軽減する実装として、ネットワークが新しい入力ノードをネットワークの他のノードと相関させるようにトレーニングされているとき、最適に達成可能な結果に関して最も影響力があると判定されたノードのみを計算に組み込むことが考えられ、これにより、全てのノードを計算に組み込むことを避けることができる。また、ネットワークが新しい入力ノードをネットワークの他のノードと相関させるようにトレーニングされるとき、例えば、事前に計算する層の数を（例えば、２又は３に）制限して、ノードの後続の全ての組み合わせを計算しないようにすることが考えられる。
上述の説明では、ユーザのパーソナリティデータのデジタル表現を効率的に取得するため技術が、車両の燃料及びブレーキ反応挙動等の車両の運転設定を、ユーザのパーソナリティに適合させるという文脈で例示された。この場合、本明細書で説明された方法は、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含む車両の運転設定を適合させる方法としても示され得る。車両の燃料及びブレーキ反応挙動を適合させることは、車両の運転設定を適合させる一例に過ぎず、より一般的には、車両の運転設定を適合させることは、車両の運転挙動に影響を与える任意の車両設定を適合させることを含み得ることが理解されるであろう。車両の運転設定を適合させることは、ユーザのパーソナリティに、車両の燃料及びブレーキ反応挙動を適合させること、車両のシャーシ設定を適合させること、車両のドライブモードを適合させること、及び車両等のアダプティブクルーズコントロール（ＡＣＣ）の設定を適合させること、のうちの少なくとも１つを含み得る。車両のドライブモードを適合させることは、運転者のパーソナリティに応じて、車両のアクセルペダル及び燃料消費行動に影響を与える、エコノミー、コンフォート、又はスポーツモードを設定することを含み得る。パーソナリティデータが、運転者がリスクを回避する傾向があることを示している場合、例えば、ドライブモードをエコノミー又はコンフォートに設定することができ、他方、リスクを求めるパーソナリティを有する傾向がある運転者の場合、ドライブモードをスポーツモードに設定することができる。車両のドライブモードを適合させることはまた、例えば、車両の自動四輪駆動（４ＷＤ）モードを有効化／無効化することを含み得る。ＡＣＣの設定を適合させることは、例えば、運転者のリスク回避性に応じて、前方車両までの距離、及び／又は目標走行速度を設定することを含み得る。
本明細書に提示される技術は、車両の客室内の環境条件を適合させる等、車両の文脈における他の目的にも使用され得る（又は、より一般的には、輸送手段の、客室内の環境条件を適合させる等、航空機、列車等の他の輸送手段にも同様に適用し得る）ことが理解されるであろう。この場合、本明細書に提示される方法は、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含む輸送手段の客室内の環境条件を適合させる方法としても示し得る。輸送手段の客室内の環境条件を適合させることは、（例えば、客室のエアーコンディション設定を適合させることによって）客室の温度を適合させること、客室の内部照明を適合させることと、客室内の酸素レベル等を調整すること等、の少なくとも１つをユーザのパーソナリティに適合させることを含み得る。客室内の環境条件を適合させることに加えて、又は替えて、本明細書に提示される技術を使用して、客室に関するユーザ固有の設定を適合させることもできる。輸送手段の客室に関するユーザ固有の設定を適合させることは、シート設定（例えば、シート高さ、シート位置、シートマッサージの設定、シートベルトの張力等）を、客室内のユーザに適合させることと、客室内のユーザに提供されるサウンドシステムのイコライザー設定（例えば、低音又は高音の増減）をユーザのパーソナリティに適合させること、のうちの少なくとも１つを含み得る。
車両／輸送手段の設定の上述の適合のいずれも、ユーザのパーソナリティに適合させることに加えて、客室内で得られるユーザの注意レベルを示すユーザのセンサデータを考慮して（又は「基づいて」／「従って」）実行することができる。言い換えれば、クライアントデバイスは、ユーザのパーソナリティデータのデジタル表現を考慮するだけでなく、ユーザの注意レベルを示すセンサデータも考慮して、車両の運転設定、客室内の環境条件、及び客室に関するユーザ固有の設定のうちの少なくとも１つを適合させるように設定され得る。すなわち、ユーザのパーソナリティデータのデジタル表現とユーザの注意レベルを示すセンサデータとは、上述の適合を実行する前に組み合わせることができる。ユーザの注意レベルを示すセンサデータは、例えば、ユーザの心拍、呼吸、倦怠感、反応時間、及びアルコール／薬物レベルのうちの少なくとも１つに関するデータを含むことができる。センサデータは、例えば、客室又はユーザのモバイル端末に設置された少なくとも１つのセンサによって収集される。
図７は、車両の運転設定、客室内の環境条件、及び／又は客室に関するユーザ固有の設定を適合させるために、運転者の注意レベルを運転者のパーソナリティデータと組み合わせて考慮することを含む例示的な実装を示す。運転者の注意レベルは、例えば、ユーザの反応時間、倦怠感、心拍、呼吸、アルコール／薬物レベル、又はユーザの異常な行動等に関して、対応するセンサによってチェックされる。図の左側部分では、収集されたセンサデータがユーザの通常の注意レベルを示しているため、例えば、速度、音量、温度、シート設定等を含む車両設定は、通常のレベルのままとすることができる（例えば、運転者のパーソナリティ、すなわち「ＭｉｎｄＤＮＡ」に適合される）。図の中央部分では、センサデータが運転者の注意レベルの低下を示しているため、車両設定は、運転者の注意を再びリフレッシュさせるために、シートマッサージ機能をオンすることを含め、減速、音量を増加、温度設定を低下させる等の変更を行うことができる。任意選択で、例えば、質問／回答スキームにおいて音声ベースの応答を提供するように運転者に要求する等の注意テストを実行することができ、注意テストの結果は、上述の設定を適合させる際に考慮され得る。一方、図の右側部分では、センサデータが運転者の注意レベルが非常に低いことを示しているため、ユーザに警告を発し、それに応じて車両設定を適合させることができ、例えば、非常に遅い速度（そして、例えば、次の停止機会において車両を強制的に停止させる）、音声をミュートする、及び／又はナビゲーションシステムによって次のホテルへ案内する等することができる。
上述のように（例えば、車両の運転設定、客室内の環境条件、及び客室に関するユーザ固有の設定のうちの少なくとも１つを適合させることによって）ユーザ適合したサービスをユーザに提供するために、クライアントデバイスは、ユーザ適合したサービスをユーザに提供する前に（例えば、ユーザが車両を運転する前に）、ユーザの身体を（例えば、少なくとも一部を）スキャンすることによって導出可能（derivable）なユーザの（例えば、物理的な）特性を示すボディスキャンデータを更に考慮することができる。ユーザの身体をスキャンすることによって導出可能なユーザ特性は、例えば、ユーザのサイズ、体重、性別、年齢、身長、姿勢、及び感情状態のうちの少なくとも１つを含み得る。ボディスキャンデータは、（例えば、ユーザのモバイル端末の、又は車両／輸送手段に設置された）カメラ又はボイスレコーダーによって、ユーザの１つ又は複数の画像又は音声信号を取得することによって取得され、ここで、体／顔／音声認識技術を利用して、ユーザの身体をスキャンして上述のユーザ特性を導出することができる。したがって、クライアントデバイスは、ユーザのパーソナリティデータのデジタル表現を考慮するだけでなく、ボディスキャンデータも考慮して（又は「基づいて」／「従って」）、ユーザ適合したサービスを提供するように構成される。すなわち、ユーザのパーソナリティデータのデジタル表現とボディスキャンデータとは、ユーザ適合したサービスをユーザに提供する前に組み合わせることができる。図８は、車両の運転設定、客室内の環境条件、及び／又は客室に関するユーザ固有の設定を適宜適合させるために、運転者のボディスキャンデータ（例えば、車両に入る前に、運転者のスマートフォン、スマートウォッチ、フィットネストラッカー等の、運転者のモバイル端末によって取得される）を、運転者のパーソナリティデータと組み合わせて考慮することを含む例示的な実装を示す。この図では、ボディスキャンデータを「ＢｏｄｙＤＮＡ」と表記しており、「ＭｉｎｄＤＮＡ」と組み合わされて、いわゆる「ＬｉｆｅＤＮＡ」を形成している。取得されたボディスキャンデータはまた、上述のように、ニューラルネットワークを更新するためにユーザを特徴付けるフィードバックを提供するために使用され得ることも理解されるであろう。
他の車両関連の使用例では、本明細書に提示される技術を使用して、車両を製造する前に、ユーザのパーソナリティに適合した車両設定を判定することもでき、車両は、判定された車両設定に基づいて（又は「従って」）製造され得る。車両は、それぞれが異なるモーター出力を有する異なるモーターオプション、駆動技術オプション（例えば、二輪駆動（２ＷＤ）又は４ＷＤ技術のサポート）、シャーシオプション、異なるドライブモードオプション、ＡＣＣのサポート等、異なる（例えば、車両メーカーによって提供される）設定オプションで製造可能であり、ユーザのために新しい車両が製造される場合、車両設定は、ユーザのパーソナリティに特別に適合するように判定される。例えば、パーソナリティデータが、ユーザがリスクを回避する傾向があることを示している場合、判定された車両設定は、パーソナリティデータがリスクを求めることを示しているユーザのために判定された車両設定と比較して、より低い出力を有するモーターの選択を含み得る。判定された車両設定に基づいて、車両は適宜製造され得る。したがって、上述の説明に沿って、ユーザのパーソナリティデータのデジタル表現を、クライアントデバイスによってサーバから効率的に取得することを含む車両製造の方法も想定することができ、ユーザのパーソナリティに適合した車両設定を提供するために、パーソナリティデータのデジタル表現がクライアントデバイスにおいて処理される。この方法は、クライアントデバイスからサーバに、ユーザのパーソナリティデータのデジタル表現の要求を送信することと、クライアントデバイスがサーバから、ユーザのパーソナリティデータの要求したデジタル表現を受信することであって、ユーザのパーソナリティデータのデジタル表現は、ユーザから得られた入力に基づいて、ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワークを使用して計算されることと、パーソナリティデータのデジタル表現を処理して、ユーザのパーソナリティに適合した車両設定を判定することと、判定された車両設定に基づいて車両を製造することを含むことができる。車両の製造プロセスにおいて、判定された車両設定は、車両の製造に必要な車両部品の製造にも影響を与え得ることが理解されるであろう。例えば、車両の製造は、車両の製造に使用される１つ又は複数の車両部品の製造を含むことができ、車両部品は、判定された車両設定に従って（例えば、３Ｄプリンタを使用して）製造される。
本明細書に提示される技術は、車両／輸送手段に関連する使用例だけでなく、例えば、スマート家電又はロボットの設定をユーザのパーソナリティに適合させる等の他の使用例にも利用可能であることが理解されるであろう。このように、上述の説明に沿って、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含むスマート家電（例えば、自動ローラーシャッター（roller shutters）、エアーコンディション、冷蔵庫、洗濯機、テレビ、セットトップボックス等）の設定を適合させる方法も想定することができ、ここで、ユーザのパーソナリティデータのデジタル表現は、スマート家電の設定をユーザのパーソナリティに適合させるために（例えば、スマート家電が、例えば、シャッター（ローラーシャッター）、暖房／冷房（エアーコンディション）、冷蔵（冷蔵庫）、洗濯（洗濯機）又は記録／表示（テレビ／セットトップボックス）タスク）等の主要タスクを実行する方法を適合させるために、クライアントデバイスにおいて処理される。同様に、上述の説明に沿って、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含むロボット（例えば、１つ以上の家庭用タスクを実行するように設定されたヒューマノイドロボット又は家庭用ロボット）の設定を適合させる方法を想定することができ、ここで、ユーザのパーソナリティのデジタル表現は、ロボットの設定をユーザのパーソナリティに適合させるために（例えば、家庭用ロボットによる家事の実行方法を適合させるために）、クライアントデバイスにおいて処理される。
他の様々な使用例が一般的に考えられる。他の使用例は、例えば、仮想ロボットの設定を適合させること、医療機器の設定を適合させること、又は脳を刺激することまでも含み得る。したがって、上述の説明に沿って、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含む仮想ロボット（例えば、チャットボット、仮想サービス員、仮想パーソナルアシスタント）の設定を適合させる方法も想定することができ、ここで、ユーザのパーソナリティのデジタル表現は、仮想ロボットの設定をユーザのパーソナリティに適合させるために（例えば、仮想ロボットがユーザをサポートするタスクを実行する方法を適合させるために）、クライアントデバイスにおいて処理される。同様に、上述の説明に沿って、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含む医療機器（例えば、ベッドサイドの医療機器）の設定を適合させる方法を想定することができ、ここで、ユーザのパーソナリティのデジタル表現は、医療機器の設定をユーザのパーソナリティに適合させるために（例えば、鎮痛剤の投与量等の投与計画を適合させるために）、クライアントデバイスにおいて処理される。更に、ユーザのパーソナリティデータのデジタル表現を効率的に取得することを含む脳（例えば、生物又は脳の仮想表現）を刺激する方法を想定することができ、ここで、パーソナリティのデジタル表現は、ユーザのパーソナリティに基づいて脳の刺激手順を適合させるために、ユーザのクライアントデバイスで処理される。刺激手順は、例えば、生物の脳の電気的刺激、又は脳の仮想表現を適合させること／再設定することを含み得る。脳の仮想表現は、例えば、ユーザのパーソナリティに基づいてそのようなシステムの振る舞いに影響を与えるために、ロボット又は他の形態のインテリジェントシステムに供給される。
上述の全ての例及び使用例において、設定（configuration）又は設定（setting）を「ユーザのパーソナリティに」「適合させる」ことについて言及しているとき、そのような適合は、（ユーザのパーソナリティデータのデジタル表現によって示される）ユーザのパーソナリティの所定の特性を、対応するデバイス／装置（例えば、上述のような、車両、輸送手段、スマート家電、ロボット、医療機器等）の特定の構成又は設定にマッピングする、事前に定義されたマッピングを使用して実装され得ることが理解されるであろう。上述のように、例えば、パーソナリティデータが、運転者がリスクを回避する傾向があることを示している場合、車両のドライブモードをエコノミー又はコンフォートに設定することができ、他方、リスクを求めるパーソナリティを有する傾向がある運転者の場合、ドライブモードをスポーツモードに設定することができる。そのようなマッピングは、可能なパーソナリティ特性－構成／設定の組み合わせごとに事前に定義することができ、取得されたユーザのパーソナリティデータに応じて、デバイス／装置の構成又は設定を適宜適合させることができる。ユーザのパーソナリティ特性は、例えば、上述のように、ニューラルネットワークによって出力されるパーソナリティディメンジョン（例えば、ビッグファイブから）の値に対応し得る。
本明細書に提示される技術の利点は、上述の説明から十分に理解され、本開示の範囲から逸脱することなく、又はその有利な効果の全てを犠牲にすることなく、その例示的な態様の形態、構造、及び配置に様々な変更を行うことができることは明らかであろう。本明細書に提示される技術は多くの方法で変形することができるため、本開示は、以下の特許請求の範囲によってのみ制限されるべきであることが理解されるであろう。
上述の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
（付記１）
ユーザ（４０２）のパーソナリティデータのデジタル表現を、クライアントデバイス（５０２、４０６）によってサーバ（４０４）から効率的に取得できるようにする方法であって、前記パーソナリティデータの前記デジタル表現は、ユーザ適合したサービスを前記ユーザ（４０２）に提供するために前記クライアントデバイス（４０６）において処理され、前記方法は前記サーバ（４０４）によって実行され、
前記ユーザ（４０２）から得られた入力に基づいてユーザ（４０２）のパーソナリティデータを計算するようにトレーニングされたニューラルネットワーク（６０２）を保存すること（Ｓ２０２）と、
ユーザ（４０２）のパーソナリティデータのデジタル表現の要求を、前記クライアントデバイス（５０２、４０６）から受信すること（Ｓ２０４）と、
前記ユーザ（４０２）の前記パーソナリティデータの前記要求されたデジタル表現を、前記クライアントデバイス（５０２、４０６）に送信すること（Ｓ２０６）であって、前記ユーザ（４０２）の前記パーソナリティデータは、前記ユーザ（４０２）から得られた入力に基づいて前記ニューラルネットワーク（６０２）を使用して計算される、ことと、
を有する方法。
（付記２）
前記ユーザ（４０２）の前記パーソナリティデータの前記デジタル表現は、前記ユーザ（４０２）にサービスを提供する少なくとも１つのデバイス（４０６）を設定するために前記クライアントデバイス（５０２、４０６）において処理され、
任意選択で、前記少なくとも１つのデバイス（４０６）は、前記クライアントデバイス（４０６）を含む、
付記１に記載の方法。
（付記３）
前記ユーザ（４０２）を特徴付けるフィードバックを受信することと、
前記フィードバックに基づいて前記ニューラルネットワーク（６０２）を更新することと、
前記ユーザ（４０２）の更新されたパーソナリティデータのデジタル表現を、前記クライアントデバイス（５０２、４０６）に送信することであって、前記ユーザ（４０２）の前記更新されたパーソナリティデータは、前記更新されたニューラルネットワーク（６０２）を使用して計算される、ことを更に有し、
任意選択で、前記ユーザ（４０２）の前記更新されたパーソナリティデータの前記デジタル表現は、前記ユーザ（４０２）に前記サービスを提供する前記少なくとも１つのデバイス（４０６）の設定を改善するために前記クライアントデバイス（５０２、４０６）において処理される、
付記１又は２に記載の方法。
（付記４）
前記フィードバックは、前記少なくとも１つのデバイス（４０６）によって提供される前記サービスを使用するときに前記少なくとも１つのデバイス（４０６）において監視される前記ユーザ（４０２）の行動を反映した行動データを含み、
任意選択で、前記行動データは、前記ユーザ（４０２）に前記サービスを提供する前記少なくとも１つのデバイス（４０６）によって実行される測定を使用して監視される、
付記３に記載の方法。
（付記５）
前記少なくとも１つのデバイス（４０６）は、車両を含み、前記行動データは、前記ユーザ（４０２）の運転行動を反映したデータを含む、
付記４に記載の方法。
（付記６）
前記ユーザ（４０２）の前記パーソナリティデータは、前記クライアントデバイス（５０２、４０６）から前記要求を受信する前に計算され、前記要求は、前記ユーザ（４０２）の前記パーソナリティデータを計算する際に前記サーバ（４０４）によって前記ユーザ（４０２）に事前に提供されたアクセスコードを含み、前記アクセスコードは、前記ユーザ（４０２）が他のクライアントデバイス（５０２、４０６）から前記ユーザ（４０２）の前記パーソナリティデータの前記デジタル表現にアクセスすることを可能にする、
付記１から５のいずれか一項に記載の方法。
（付記７）
前記ユーザから得られた前記入力は、前記ユーザ（４０２）のパーソナリティ、目標、及び動機のうちの少なくとも１つに関する質問に対する回答を反映したデジタルスコアに対応し、デジタルスコアのそれぞれは、前記ニューラルネットワーク（６０２）を使用して前記ユーザ（４０２）の前記パーソナリティデータを計算するときに、前記ニューラルネットワーク（６０２）の別個の入力ノードへの入力として使用される。
付記１から６のいずれか一項に記載の方法。
（付記８）
前記質問は、ユーザ（４０２）のパーソナリティデータを計算することを最適に達成可能な結果を表す質問セットから選択された質問に対応し、
前記選択された質問は、前記最適に達成可能な結果に関して最も影響力があると判定された前記質問セットの質問に対応し、
任意選択で、前記選択された質問の数は、前記質問セットに含まれる質問の数の１０％未満である、
付記７に記載の方法。
（付記９）
前記質問は、前記質問セットの単一の質問のそれぞれによって達成可能な結果を、前記最適に達成可能な結果と相関させることと、前記最適に達成可能な結果と最も高い相関を有する前記質問セットから質問を選択することと、に基づいて前記質問セットから選択されるか、又は、
前記質問は、前記質問セットから繰り返して選択され、繰り返しのそれぞれにおいて、次の質問が前の質問に対する前記ユーザの回答に応じて選択され、繰り返しのそれぞれにおいて、前記次の質問は、前記ユーザのパーソナリティデータを計算するために達成可能な結果に最も影響力があると判定された前記質問セットの一つの質問として選択され、
任意選択で、前記ニューラルネットワーク（６０２）は、前記ユーザ（４０２）の前記パーソナリティデータの結果の確率曲線（６０４）を表す複数の出力ノードを含み、前記質問セットの最も影響力のある質問を、前記繰り返しのそれぞれの前記次の質問として判定することは、前記ニューラルネットワーク（６０２）の入力ノードのそれぞれについて、前記ニューラルネットワーク（６０２）の前記入力ノードのそれぞれに入力される前記デジタルスコアの変化が前記確率曲線（６０４）を変化させる程度を判定することを含む、
付記８に記載の方法。
（付記１０）
ユーザ（４０２）のパーソナリティデータのデジタル表現を、クライアントデバイス（５０２、４０６）によってサーバ（４０４）から効率的に取得できるようにする方法であって、前記方法は前記クライアントデバイス（５０２、４０６）によって実行され、
ユーザ（４０２）のパーソナリティデータのデジタル表現の要求を、前記サーバ（４０４）に送信すること（Ｓ３０２）と、
前記ユーザ（４０２）の前記パーソナリティデータの前記要求したデジタル表現を、前記サーバ（４０４）から受信すること（Ｓ３０４）であって、前記ユーザ（４０２）の前記パーソナリティデータは、前記ユーザ（４０２）から得られた入力に基づいて、前記ユーザ（４０２）から得られた入力に基づいてユーザ（４０２）のパーソナリティデータを計算するようにトレーニングされたニューラルネットワーク（６０２）を使用して計算される、ことと、
ユーザ適合したサービスを前記ユーザ（４０２）に提供するために前記パーソナリティデータの前記デジタル表現を処理（Ｓ３０６）することと、
を有する方法。
（付記１１）
コンピュータプログラム製品であって、前記コンピュータプログラム製品が１つ又は複数のコンピューティングユニット上で実行されるときに、付記１から１０のいずれか一項に記載の方法を実行するためのプログラムコード部分を含む、コンピュータプログラム製品。
（付記１２）
１つ又は複数のコンピュータ可読記録媒体に保存された、付記１１に記載のコンピュータプログラム製品。
（付記１３）
ユーザ（４０２）のパーソナリティデータのデジタル表現を、クライアントデバイス（５０２、４０６）によってサーバ（４０４）から効率的に取得できるようにする前記サーバ（１００、４０４）であって、前記パーソナリティデータの前記デジタル表現は、ユーザ適合したサービスを前記ユーザ（４０２）に提供するために前記クライアントデバイス（５０２、４０６）において処理され、前記サーバ（４０４）は、少なくとも１つのプロセッサ（１０２）及び少なくとも１つのメモリ（１０４）を備え、前記少なくとも１つのメモリ（１０４）は、前記サーバ（４０４）が付記１から９のいずれか一項に記載の方法を実行するように動作可能であるように、前記少なくとも１つのプロセッサ（１０２）によって実行可能な命令を含む、サーバ（１００、４０４）。
（付記１４）
ユーザ（４０２）のパーソナリティデータのデジタル表現をサーバ（４０４）から効率的に取得できるようにするクライアントデバイス（１１０、５０２、４０６）であって、前記クライアントデバイス（１１０、５０２、４０６）は、少なくとも１つのプロセッサ（１１２）及び少なくとも１つのメモリ（１１４）を備え、前記少なくとも１つのメモリ（１１４）は、前記クライアントデバイス（１１０、５０２、４０６）が付記１０に記載の方法を実行するように動作可能であるように、前記少なくとも１つのプロセッサ（１１２）によって実行可能な命令を含む、クライアントデバイス（１１０、５０２、４０６）。
（付記１５）
付記１３に記載のサーバ（１００、４０４）と、付記１４に記載の少なくとも１つのクライアントデバイス（１１０、５０２、４０６）とを備えるシステム。

Claims (37)

  1. ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス（１１０）によってサーバ（１００）から取得することを含む方法であって、前記パーソナリティデータの前記デジタル表現は、前記ユーザの前記パーソナリティに適合した車両設定を提供するために前記クライアントデバイス（１１０）において処理され、前記方法は前記サーバ（１００）によって実行され、
    前記ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワーク（６０２）を保存すること（Ｓ２０２）と、
    ユーザのパーソナリティデータのデジタル表現の要求を、前記クライアントデバイス（１１０）から受信すること（Ｓ２０４）と、
    前記ユーザの前記パーソナリティデータの前記要求されたデジタル表現を、前記クライアントデバイス（１１０）に送信すること（Ｓ２０６）であって、前記ユーザの前記パーソナリティデータは、前記ユーザから得られた入力に基づいて前記ニューラルネットワーク（６０２）を使用して計算され、前記ユーザから得られた前記入力は、前記ユーザのパーソナリティ、目標、及び動機のうちの少なくとも１つに関する質問に対する回答を反映したデジタルスコアに対応し、デジタルスコアのそれぞれは、前記ニューラルネットワーク（６０２）を使用して前記ユーザの前記パーソナリティデータを計算するときに、前記ニューラルネットワーク（６０２）の別個の入力ノードへの入力として使用される、ことと、
    を有し、前記ユーザの前記パーソナリティデータの前記デジタル表現は、車両を製造する前に、前記製造される車両の車両設定を判定するために前記クライアントデバイス（１１０）において処理され、前記車両は異なる設定オプションで製造可能であり、前記判定された車両設定が前記ユーザの前記パーソナリティに適合される、方法。
  2. 前記判定された車両設定に基づいて、前記車両が製造される、
    請求項１に記載の方法。
  3. 前記車両を製造することは、前記車両を製造するために使用される１つ又は複数の車両部品を製造することを含み、前記車両部品は、前記判定された車両設定に従って製造される、請求項２に記載の方法。
  4. 前記ユーザを特徴付けるフィードバックを受信することと、
    前記フィードバックに基づいて前記ニューラルネットワーク（６０２）を更新することと、
    前記ユーザの更新されたパーソナリティデータのデジタル表現を、前記クライアントデバイス（１１０）に送信することであって、前記ユーザの前記更新されたパーソナリティデータは、前記更新されたニューラルネットワーク（６０２）を使用して計算される、ことを更に有する、
    請求項１から３のいずれか一項に記載の方法。
  5. 前記ユーザの前記更新されたパーソナリティデータの前記デジタル表現は、前記車両設定を改善するために前記クライアントデバイス（１１０）において処理される、
    請求項４に記載の方法。
  6. 前記フィードバックは、前記クライアントデバイス（１１０）において収集される、
    請求項４又は５に記載の方法。
  7. 前記フィードバックは、前記ユーザの前記パーソナリティを示す、
    請求項４から６のいずれか一項に記載の方法。
  8. 前記ユーザの前記パーソナリティデータは、
    前記ユーザの心理的特性、
    前記ユーザの好み、
    のうちの少なくとも１つを示す、
    請求項１から７のいずれか一項に記載の方法。
  9. 前記ユーザの前記パーソナリティに関する前記質問は、
    Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｅｒｓｏｎａｌｉｔｙ Ｉｔｅｍ Ｐｏｏｌ （ＩＰＩＰ）、
    ＨＥＸＡＣＯ－６０ ｐｏｏｌ、
    Ｂｉｇ－Ｆｉｖｅ－Ｉｎｖｅｎｔｏｒｙ－１０（ＢＦＩ－１０） ｐｏｏｌ、
    前記ユーザの心理的特性についての質問、
    前記ユーザの好みについての質問、
    のうちの少なくとも１つの質問に対応する、
    請求項１から８のいずれか一項に記載の方法。
  10. 前記質問は、ユーザのパーソナリティデータを計算することを最適に達成可能な結果を表す質問セットから選択された質問に対応し、
    前記選択された質問は、前記最適に達成可能な結果に関して最も影響力があると判定された前記質問セットの質問に対応する、
    請求項１から９のいずれか一項に記載の方法。
  11. 前記選択された質問の数は、前記質問セットに含まれる質問の数の１０％未満である、
    請求項１０に記載の方法。
  12. 前記質問は、前記質問セットの単一の質問のそれぞれによって達成可能な結果を、前記最適に達成可能な結果と相関させることと、前記最適に達成可能な結果と最も高い相関を有する前記質問セットから質問を選択することと、に基づいて前記質問セットから選択される、
    請求項１０又は１１に記載の方法。
  13. 前記質問は、前記質問セットから繰り返して選択され、繰り返しのそれぞれにおいて、次の質問が前の質問に対する前記ユーザの回答に応じて選択され、繰り返しのそれぞれにおいて、前記次の質問は、前記ユーザのパーソナリティデータを計算するために達成可能な結果に最も影響力があると判定された前記質問セットの一つの質問として選択される、
    請求項１０又は１１に記載の方法。
  14. 前記ニューラルネットワーク（６０２）は、前記ユーザの前記パーソナリティデータの結果の確率曲線（６０４）を表す複数の出力ノードを含み、前記質問セットの最も影響力のある質問を、前記繰り返しのそれぞれの前記次の質問として判定することは、前記ニューラルネットワーク（６０２）の入力ノードのそれぞれについて、前記ニューラルネットワーク（６０２）の前記入力ノードのそれぞれに入力される前記デジタルスコアの変化が前記確率曲線（６０４）を変化させる程度を判定することを含む、
    請求項１３に記載の方法。
  15. 前記ユーザの前記パーソナリティデータは、前記クライアントデバイス（１１０）から前記要求を受信する前に計算され、前記要求は、前記ユーザの前記パーソナリティデータを計算する際に前記サーバ（１００）によって前記ユーザに事前に提供されたアクセスコードを含み、前記アクセスコードは、前記ユーザが他のクライアントデバイス（１１０）から前記ユーザの前記パーソナリティデータの前記デジタル表現にアクセスすることを可能にする、
    請求項１から１４のいずれか一項に記載の方法。
  16. ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス（１１０）によってサーバ（１００）から取得することを含む方法であって、前記方法は前記クライアントデバイス（１１０）によって実行され、
    ユーザのパーソナリティデータのデジタル表現の要求を、前記サーバ（１００）に送信すること（Ｓ３０２）と、
    前記ユーザの前記パーソナリティデータの前記要求したデジタル表現を、前記サーバ（１００）から受信すること（Ｓ３０４）であって、前記ユーザの前記パーソナリティデータは、前記ユーザから得られた入力に基づいて、前記ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワーク（６０２）を使用して計算され、前記ユーザから得られた前記入力は、前記ユーザのパーソナリティ、目標、及び動機のうちの少なくとも１つに関する質問に対する回答を反映したデジタルスコアに対応し、デジタルスコアのそれぞれは、前記ニューラルネットワーク（６０２）を使用して前記ユーザの前記パーソナリティデータを計算するときに、前記ニューラルネットワーク（６０２）の別個の入力ノードへの入力として使用される、ことと、
    車両を製造する前に、前記製造される車両の車両設定を判定するために前記パーソナリティデータの前記デジタル表現を処理（Ｓ３０６）することであって、前記車両は異なる設定オプションで製造可能であり、前記判定された車両設定が前記ユーザの前記パーソナリティに適合されることと、
    を有する方法。
  17. 前記判定された車両設定に基づいて、前記車両が製造される、
    請求項１６に記載の方法。
  18. 前記車両を製造することは、前記車両を製造するために使用される１つ又は複数の車両部品を製造することを含み、前記車両部品は、前記判定された車両設定に従って製造される、請求項１７に記載の方法。
  19. 前記ユーザを特徴付けるフィードバックを、前記サーバ（１００）に送信することと、
    前記ユーザの更新されたパーソナリティデータのデジタル表現を、前記サーバ（１００）から受信することであって、前記ユーザの前記更新されたパーソナリティデータは、前記フィードバックに基づいて更新された前記ニューラルネットワーク（６０２）を使用して計算される、ことを更に有する、
    請求項１６から１８のいずれか一項に記載の方法。
  20. 前記ユーザの前記更新されたパーソナリティデータの前記デジタル表現は、前記車両設定を改善するために前記クライアントデバイス（１１０）において処理される、
    請求項１９に記載の方法。
  21. 前記フィードバックは、前記クライアントデバイス（１１０）において収集される、
    請求項１９又は２０に記載の方法。
  22. 前記フィードバックは、前記ユーザの前記パーソナリティを示す、
    請求項１９から２１のいずれか一項に記載の方法。
  23. 前記ユーザの前記パーソナリティデータは、
    前記ユーザの心理的特性、
    前記ユーザの好み、
    のうちの少なくとも１つを示す、
    請求項１６から２２のいずれか一項に記載の方法。
  24. 前記ユーザの前記パーソナリティに関する前記質問は、
    Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｅｒｓｏｎａｌｉｔｙ Ｉｔｅｍ Ｐｏｏｌ （ＩＰＩＰ）、
    ＨＥＸＡＣＯ－６０ ｐｏｏｌ、
    Ｂｉｇ－Ｆｉｖｅ－Ｉｎｖｅｎｔｏｒｙ－１０（ＢＦＩ－１０） ｐｏｏｌ、
    前記ユーザの心理的特性についての質問、
    前記ユーザの好みについての質問、
    のうちの少なくとも１つの質問に対応する、
    請求項１６から２３のいずれか一項に記載の方法。
  25. 前記質問は、ユーザのパーソナリティデータを計算することを最適に達成可能な結果を表す質問セットから選択された質問に対応し、
    前記選択された質問は、前記最適に達成可能な結果に関して最も影響力があると判定された前記質問セットの質問に対応する、
    請求項１６から２４のいずれか一項に記載の方法。
  26. 前記選択された質問の数は、前記質問セットに含まれる質問の数の１０％未満である、
    請求項２５に記載の方法。
  27. 前記質問は、前記質問セットの単一の質問のそれぞれによって達成可能な結果を前記最適に達成可能な結果と相関させることと、前記最適に達成可能な結果と最も高い相関を有する前記質問セットから質問を選択することと、に基づいて前記質問セットから選択される、
    請求項２５又は２６に記載の方法。
  28. 前記質問は、前記質問セットから繰り返して選択され、繰り返しのそれぞれにおいて、次の質問が前の質問に対する前記ユーザの回答に応じて選択され、繰り返しのそれぞれにおいて、前記次の質問は、前記ユーザのパーソナリティデータを計算するために達成可能な結果に最も影響力があると判定された前記質問セットの一つの質問として選択される、
    請求項２５又は２６に記載の方法。
  29. 前記ニューラルネットワーク（６０２）は、前記ユーザの前記パーソナリティデータの結果の確率曲線（６０４）を表す複数の出力ノードを含み、前記質問セットの最も影響力のある質問を、前記繰り返しのそれぞれの前記次の質問として判定することは、前記ニューラルネットワーク（６０２）の入力ノードのそれぞれについて、前記ニューラルネットワーク（６０２）の前記入力ノードのそれぞれに入力される前記デジタルスコアの変化が前記確率曲線（６０４）を変化させる程度を判定することを含む、
    請求項２８に記載の方法。
  30. 前記ユーザの前記パーソナリティデータは、前記サーバ（１００）に前記要求を送信する前に計算され、前記要求は、前記ユーザの前記パーソナリティデータを計算する際に前記サーバ（１００）によって前記ユーザに事前に提供されたアクセスコードを含み、前記アクセスコードは、前記ユーザが他のクライアントデバイス（１１０）から前記ユーザの前記パーソナリティデータの前記デジタル表現にアクセスすることを可能にする、
    請求項１６から２９のいずれか一項に記載の方法。
  31. コンピュータプログラム製品であって、前記コンピュータプログラム製品が１つ又は複数のコンピューティングユニット上で実行されるときに、請求項１から３０のいずれか一項に記載の方法を実行するためのプログラムコード部分を含む、コンピュータプログラム製品。
  32. １つ又は複数のコンピュータ可読記録媒体に保存された、請求項３１に記載のコンピュータプログラム製品。
  33. ユーザのパーソナリティデータのデジタル表現を、クライアントデバイス（１１０）によってサーバ（１００）から取得できるようにする前記サーバ（１００、１００）であって、前記パーソナリティデータの前記デジタル表現は、前記ユーザの前記パーソナリティに適合した車両設定を提供するために前記クライアントデバイス（１１０）において処理され、前記サーバ（１００）は、少なくとも１つのプロセッサ（１０２）及び少なくとも１つのメモリ（１０４）を備え、前記少なくとも１つのメモリ（１０４）は、前記サーバ（１００）が請求項１から１５のいずれか一項に記載の方法を実行するように動作可能であるように、前記少なくとも１つのプロセッサ（１０２）によって実行可能な命令を含む、サーバ（１００、１００）。
  34. ユーザのパーソナリティデータのデジタル表現をサーバ（１００）から取得できるようにするクライアントデバイス（１１０、１１０）であって、前記クライアントデバイス（１１０、１１０）は、少なくとも１つのプロセッサ（１１２）及び少なくとも１つのメモリ（１１４）を備え、前記少なくとも１つのメモリ（１１４）は、前記クライアントデバイス（１１０、１１０）が請求項１６から３０のいずれか一項に記載の方法を実行するように動作可能であるように、前記少なくとも１つのプロセッサ（１１２）によって実行可能な命令を含む、クライアントデバイス（１１０、１１０）。
  35. 請求項３３に記載のサーバ（１００、１００）と、請求項３４に記載の少なくとも１つのクライアントデバイス（１１０、１１０）とを備えるシステム。
  36. ユーザのパーソナリティデータのデジタル表現を取得することを含む方法であって、前記パーソナリティデータの前記デジタル表現は、前記ユーザの前記パーソナリティに適合した車両設定を提供するために処理され、前記方法は、
    ユーザのパーソナリティデータのデジタル表現を取得することであって、前記ユーザの前記パーソナリティデータは、前記ユーザから得られた入力に基づいて、前記ユーザから得られた入力に基づいてユーザのパーソナリティデータを計算するようにトレーニングされたニューラルネットワーク（６０２）を使用して計算され、前記ユーザから得られた前記入力は、前記ユーザのパーソナリティ、目標、及び動機のうちの少なくとも１つに関する質問に対する回答を反映したデジタルスコアに対応し、デジタルスコアのそれぞれは、前記ニューラルネットワーク（６０２）を使用して前記ユーザの前記パーソナリティデータを計算するときに、前記ニューラルネットワーク（６０２）の別個の入力ノードへの入力として使用される、ことと、
    車両を製造する前に、前記製造される車両の車両設定を判定するために前記パーソナリティデータの前記デジタル表現を処理することであって、前記車両は異なる設定オプションで製造可能であり、前記判定された車両設定が前記ユーザの前記パーソナリティに適合されることと、
    を有する、方法。
  37. 前記判定された車両設定に基づいて、前記車両が製造される、
    請求項３６に記載の方法。
JP2023169513A 2019-03-19 2023-09-29 データを効率的に取得するための技術 Pending JP2023165979A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP19163909.5 2019-03-19
EP19163909.5A EP3712896B1 (en) 2019-03-19 2019-03-19 Technique for efficient retrieval of personality data
PCT/EP2020/057449 WO2020187984A1 (en) 2019-03-19 2020-03-18 Technique for efficient retrieval of personality data
JP2022504332A JP7360534B2 (ja) 2019-03-19 2020-03-18 データを効率的に取得するための技術

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2022504332A Division JP7360534B2 (ja) 2019-03-19 2020-03-18 データを効率的に取得するための技術

Publications (1)

Publication Number Publication Date
JP2023165979A true JP2023165979A (ja) 2023-11-17

Family

ID=65904033

Family Applications (4)

Application Number Title Priority Date Filing Date
JP2022504332A Active JP7360534B2 (ja) 2019-03-19 2020-03-18 データを効率的に取得するための技術
JP2021193344A Active JP7339995B2 (ja) 2019-03-19 2021-11-29 データを効率的に取得するための技術
JP2021193377A Active JP7339996B2 (ja) 2019-03-19 2021-11-29 データを効率的に取得するための技術
JP2023169513A Pending JP2023165979A (ja) 2019-03-19 2023-09-29 データを効率的に取得するための技術

Family Applications Before (3)

Application Number Title Priority Date Filing Date
JP2022504332A Active JP7360534B2 (ja) 2019-03-19 2020-03-18 データを効率的に取得するための技術
JP2021193344A Active JP7339995B2 (ja) 2019-03-19 2021-11-29 データを効率的に取得するための技術
JP2021193377A Active JP7339996B2 (ja) 2019-03-19 2021-11-29 データを効率的に取得するための技術

Country Status (7)

Country Link
US (4) US11620531B2 (ja)
EP (4) EP3712896B1 (ja)
JP (4) JP7360534B2 (ja)
CN (6) CN113646844B (ja)
DE (1) DE212020000450U1 (ja)
ES (1) ES2905570T3 (ja)
WO (2) WO2020187984A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021123133A (ja) * 2020-01-31 2021-08-30 トヨタ自動車株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
US20220318822A1 (en) * 2021-03-30 2022-10-06 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for rideshare implicit needs and explicit needs personalization
US11646036B1 (en) * 2022-01-31 2023-05-09 Humancore Llc Team member identification based on psychographic categories

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615123B2 (en) * 2000-12-01 2003-09-02 Hewlett-Packard Development Company, L.P. Personality module for configuring a vehicle
GB0110480D0 (en) * 2001-04-28 2001-06-20 Univ Manchester Metropolitan Methods and apparatus for analysing the behaviour of a subject
US20020169882A1 (en) 2001-05-11 2002-11-14 Wole Fayemi System and method of creating mass-customized multi-component articles
US20080033826A1 (en) * 2006-08-03 2008-02-07 Pudding Ltd. Personality-based and mood-base provisioning of advertisements
US10796176B2 (en) * 2010-06-07 2020-10-06 Affectiva, Inc. Personal emotional profile generation for vehicle manipulation
DE102010056397A1 (de) * 2010-12-28 2012-06-28 GM Global Technology Operations LLC Fahrerassistenzsystem für ein Kraftfahrzeug, Kraftfahrzeug und Verfahren zum Betreiben eines Fahrerassistenzsystems
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
US20130179178A1 (en) * 2012-01-06 2013-07-11 Active Health Management System and method for patient care plan management
US20140310379A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Vehicle initiated communications with third parties via virtual personality
US20170004260A1 (en) * 2012-08-16 2017-01-05 Ginger.io, Inc. Method for providing health therapeutic interventions to a user
US10068060B2 (en) * 2012-08-16 2018-09-04 Ginger.io, Inc. Method for modeling behavior and psychotic disorders
US11494390B2 (en) 2014-08-21 2022-11-08 Affectomatics Ltd. Crowd-based scores for hotels from measurements of affective response
US10878318B2 (en) * 2016-03-28 2020-12-29 Google Llc Adaptive artificial neural network selection techniques
JP6736685B2 (ja) * 2016-11-16 2020-08-05 本田技研工業株式会社 感情推定装置、および、感情推定システム
DE102017208159B4 (de) 2017-05-15 2024-05-29 Vitesco Technologies GmbH Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs, Fahrerassistenzvorrichtung und Kraftfahrzeug
WO2019000326A1 (en) * 2017-06-29 2019-01-03 Microsoft Technology Licensing, Llc GENERATION OF ANSWERS IN AN AUTOMATED ONLINE CONVERSATION SERVICE
US11727794B2 (en) * 2018-03-14 2023-08-15 Micron Technology, Inc. Systems and methods for evaluating and sharing human driving style information with proximate vehicles
US11148658B2 (en) * 2018-03-21 2021-10-19 Micron Technology, Inc. Personalization of a vehicle based on user settings
CN108596722A (zh) 2018-04-24 2018-09-28 上汽通用五菱汽车股份有限公司 汽车客制化方法、设备及计算机可读存储介质
JP7035786B2 (ja) 2018-05-11 2022-03-15 トヨタ自動車株式会社 車両部品のカスタマイズ提案システム
CN113056390A (zh) * 2018-06-26 2021-06-29 伊泰·卡茨 情境驾驶员监控系统
KR102662474B1 (ko) 2018-09-14 2024-04-30 테슬라, 인크. 트레이닝 데이터를 획득하기 위한 시스템 및 방법
WO2021046534A1 (en) * 2019-09-06 2021-03-11 Blue Note Therapeutics, Inc. Pre-therapeutic and therapeutic digital medical device and method

Also Published As

Publication number Publication date
JP2022084570A (ja) 2022-06-07
US20230237338A1 (en) 2023-07-27
EP3942561A1 (en) 2022-01-26
CN118551102A (zh) 2024-08-27
DE212020000450U1 (de) 2021-06-15
US11620531B2 (en) 2023-04-04
EP3712896A1 (en) 2020-09-23
JP2022084026A (ja) 2022-06-06
US20220001880A1 (en) 2022-01-06
JP7339996B2 (ja) 2023-09-06
CN113646844B (zh) 2024-06-04
EP4020488A1 (en) 2022-06-29
CN118551101A (zh) 2024-08-27
WO2021185468A1 (en) 2021-09-23
CN114420293A (zh) 2022-04-29
US20220000406A1 (en) 2022-01-06
EP3712896B1 (en) 2022-01-12
CN114282111A (zh) 2022-04-05
JP7360534B2 (ja) 2023-10-12
CN113646844A (zh) 2021-11-12
JP2022526197A (ja) 2022-05-23
WO2020187984A1 (en) 2020-09-24
CN118568339A (zh) 2024-08-30
US20220004877A1 (en) 2022-01-06
ES2905570T3 (es) 2022-04-11
JP7339995B2 (ja) 2023-09-06
EP4020487A1 (en) 2022-06-29

Similar Documents

Publication Publication Date Title
JP7339996B2 (ja) データを効率的に取得するための技術
US11853645B2 (en) Machine-led mood change
US20160063561A1 (en) Method and Apparatus for Biometric Advertisement Feedback Collection and Utilization
US20230028260A1 (en) Systems and methods for determining a total amount of carbon emissions of an individual
US20230211744A1 (en) Technique for providing a user-adapted service to a user

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231027

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231027

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240806

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240821