JP3764456B2 - スケジュールの作成方法及びそのプログラム並びにスケジュールの作成方法のプログラムを記憶した記憶媒体 - Google Patents

Description

【技術分野】
【０００１】
本発明は、厳格なスケジュールを実質的に適用できない場合であっても、一定のスケジュールに従って個人の反応を収集し、個人の属性やコンテンツの質などを考慮した分析、および予測が可能になる、スケジュールの作成方法に関する。
このスケジュールの作成方法は、生起するイベントに対する個人の反応データを収集し、スケジュールに対応させてそのデータから個人の傾向を明らかにする方法、および一定のスケジュールに従って生起したイベントに対する個人の反応データを蓄積し、それを利用してある個人の将来的な反応パターンを推測する方法、並びに学習スケジュールに基づくコンテンツを学習者端末で受けて、その応答結果を学習者スケジュール提供装置に送信して今後の予測結果を得る学習スケジュールデータ配信評価システムに利用される。
【背景技術】
【０００２】
一般のアンケートのように個人の反応を集計し、全体的な傾向をつかむことは多変量解析（多種多様な特性をもつ多量のデータから、その相互関連を分析して特徴を要約したり、事象の背後にある要因を探り出したりして予測や分類を行う解析方法）を用いて広く行われている。
【０００３】
例えば、アンケートを用いた商品のイメージ調査などによって、その商品がどのような属性を持った人に好まれるのかを推定することや、大学入試のための模擬試験なども、ある時点におけるその個人の成績を集団の中における個人の相対的な位置で推定する事などに用いられている。
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、このように従来行われてきた多変量解析を用いる調査方法にはひとつの限界があった。それは、利用可能な情報が、ある時点における個人の状態に関するデータに限られている点である。
【０００５】
本来、個人の様々な反応は、経験により大きく変化するものである。例えば、アンケートの直前にある商品の評判を聞いていたり、その商品を見ていれば、そのイメージは大きく変わるはずである。
【０００６】
また、模擬試験の成績にしても、ある時点でＣ判定の子供でも、その前の模擬試験でＥ判定であった子供と、Ａ判定であった子どもでは、その成績の予測は変わってきて当然である。
【０００７】
つまり、現在の多変量解析によるデータ分析は、ある時点における状態を示すデータを中心的に用いており、時系列的な変化が十分考慮されているとはいえないので、正確な分析結果を得ることができない。
【０００８】
また、人間の反応の理解や予測には、その個人の過去から未来における“変化”という情報が大きな意味を持つ。どのような内容にどのような時間的なペースで遭遇したり、反応したのかということは、すなわち個人の経験の違いになる。
【０００９】
また、現在広く見られる反応データの分析は、ある時期の個人の属性やコンテンツの質などが切り口にされているが、その時系列的な遭遇ペースや変化を考慮しているものが少ない。
【００１０】
すなわち、ある時期の個人の属性やコンテンツの質などを考慮した時系列的なスケジュールを立てることができなかったので、正確な分析ができないという課題があった。
【００１１】
一方、調査研究には縦断的研究というものがある。それは、一定期間、継続して特定の調査を繰り返し、特定の個人の反応の変化をみようというものである。
【００１２】
しかし、そこで行われている調査は、１ヶ月に１度、１年に１度のペースというような大まかなスケジュールを立て行われるものであり、日々頻繁に私たちが遭遇するような膨大な情報に対する反応の変化は分析対象にされていないという課題があった。
【００１３】
その理由の一つは、１ヵ月に一度というように決まったペースで評定する場合、膨大な内容に対して一定のペースで、また同様の条件下で判断を下すことが難しくなるためである。
【００１４】
例えば、1000語の英単語を１ヵ月に１度のペースで学習する場合を考えてみる。従来のように、１ヵ月に１度のペースで学習していくとすれば、ある１日に1000語全てを学習して１ヵ月後にまた学習をすることになる。それでは評定を行う日の最初と最後で同等の学習は保証できず、学習者の負担も大きくなる。
【００１５】
１つの単語を１回〜10回学習する条件を考慮するならなおさらである。膨大な評定項目を等しいペースで、かつ評定条件も等しく、評定者の負担も少なくなるようにする具体的な方法は今のところ提案されていない。
【００１６】
コンテンツ（もしくは対象）との遭遇ペース（以後、スケジュール条件と呼ぶ）が分析に考慮されない本質的な理由は、スケジュールのパターンが無限に想定できることであり、それを考慮するための枠組みが提案されていないためである。
【００１７】
例えば、ある一つの英単語学習のスケジュールを考えても、10日間毎日１回ずつ学習した場合と、初日と最終日に５回ずつ学習した場合では、その学習の効果は大きく変わってくる。さらに、学習とテストのインターバルの長さは重要な意味を持つ。
【００１８】
学習からすぐにテストをした場合と、１ヵ月後にテストをした場合とでは、その成績は全く違ってくる。どんな学習をどのようなスケジュールで行い、その効果をいつ測定するのかというパターンは無限に想定できる。
【００１９】
このようにスケジュールのパターンが無限であれば、それを要因にした分析は難しい。さらに、様々なコンテンツに対してそのスケジュールが想定されるなら、考慮しなければならない要因は気が遠くなるほどの数になる。
【００２０】
それに対して、特定のスケジュールを設定し、それに従って個人に反応を要求しデータを収集することが有効である。つまり、調査法に実験計画法を導入する方法である。１年に１度という縦断的調査もその一つの例であるが、スケジュールを設定するだけで問題は解決されない。なぜなら、調査を受ける個人が、一律一定のスケジュールで反応を行うことは非常に難しいからである。高校生に対して、一日10分の学習を、毎日休むことなく行う計画は立てられたとしても、実際そのとおりに高校生が学習を継続することはまず考えられない。つまり、日々の学習のような、自由度の高い営みに対しては、単純にスケジュールを統制するだけでは、有意味なデータは得られない。
【００２１】
一方長い期間継続して繰り返し学習することが必要な英単語の学習等では、このように繰り返し学習を行っても、「何度やっても覚えられない」、「本当に覚えられるだろうか」という感覚が強まり、結局は学習をやめてしまう。
【００２２】
以上まとめれば、どのような切り口で、また、どのような枠組みでスケジュールの要因を組み入れていけばよいのかに関して、これまで見通しがなかったことが従来の調査研究にスケジュールが考慮されなかった大きな原因であった。また、学習の効果、成果が実感できなければ、学習への動機づけは確実に低下するという課題があった。
【００２３】
本発明は以上の課題を解決するためになされたものであり、厳格なスケジュールを実質的に適用できない場合であっても、一定のスケジュールに従って個人の反応を収集し、個人の属性やコンテンツの質などを考慮した分析、および予測が可能になる、スケジュールの作成方法を得ることを目的とする。
【００２４】
また、学習者が「ある学習に対して何回ぐらいの学習を繰り返せば成果が目に見えてくるのか」、「どのように学習が進んで行くのか」等の指針を学習者に対して提供し、その反応を評価するスケジュールデータ配信評価システムに利用されるスケジュールの作成方法を得ることをも目的とする。
【課題を解決するための手段】
【００２５】
本発明のスケジュールの作成方法は、コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法である。
【００２６】
呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
をコンピュータが備え、
【００２７】
前記コンピュータが、
前記タイミング条件を、
入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
前記イベントサイクルユニット内で、
各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
前記コンテンツに対し、
前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で 各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
一つ割り付けて、
前記第２の記憶手段に記憶する工程と、
によって生成し、
【００２８】
前記呈示条件を、
一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程、
によって生成し、
【００２９】
前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを要旨とする。
【００３０】
本発明のスケジュールの作成方法のプログラムは、
コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法をコンピュータに実行させるプログラムであって、
【００３１】
呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
をコンピュータが備え、
【００３２】
前記コンピュータが、
前記タイミング条件を、
入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
前記イベントサイクルユニット内で、
各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
前記コンテンツに対し、
前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で 各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
一つ割り付けて、
前記第２の記憶手段に記憶する工程と、
によって生成し、
前記呈示条件を、
一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
によって生成し、
前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを特徴とするスケジュールの作成方法をコンピュータに実行させるプログラムである。
【００３３】
本発明のスケジュールの作成方法のプログラムを記憶した記憶媒体は、コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法をコンピュータに実行させるプログラムを記憶した記憶媒体である。
【００３４】
呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
をコンピュータが備え、
【００３５】
前記コンピュータが、
前記タイミング条件を、
入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
前記イベントサイクルユニット内で、
各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
前記コンテンツに対し、
前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で 各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
一つ割り付けて、
前記第２の記憶手段に記憶する工程と、
によって生成し、
【００３６】
前記呈示条件を、
一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
によって生成し、
【００３７】
前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを特徴とするスケジュールの作成方法のプログラムを記憶した記憶媒体である。
【発明の効果】
【００３８】
以上のように本発明のスケジュールの作成方法によれば、コンテンツに関するスケジュール条件を、タイミング条件（いつどのようなタイミングで）と呈示条件（どのように呈示するか）との組み合わせにより得ている。
厳格なスケジュールを実質的に適用できない場合であっても、一定のスケジュールに従って個人の反応を収集し、個人の属性やコンテンツの質などを考慮した分析、および予測が可能になる。
【発明を実施するための最良の形態】
【００３９】
本実施の形態では、Ａ．スケジュール固定法と、Ｂ．フリーアキュムレーション法によるスケジューリングについて初めに説明する。
【００４０】
＜実施の形態１＞
スケジュール固定法は、タイミングを統制した上でデータを収集させ、タイミングの要因の影響を小さくすることにより、予測力を高める方法である。
【００４１】
タイミングを統制するということは簡単にできると考えやすいが、実際にタイミングのバリエーションを固定し反応データを収集する場合、非常に難しい問題がある。例えば、1000個のコンテンツに対して、１個あたり５秒程度要す反応を1ヵ月に１回のペースで要求する場合を考えてみる。単純に考えると、ある日に1000個のコンテンツに対して反応を行い、１ヵ月後にまた1000個に対して反応する場合である。
【００４２】
その場合、反応する日は、休みもいれずに連続して１時間半反応しつづける必要がある。最初のあたりの反応と最後のあたりの反応では、その意味合いも異なってくる。さらに、1000個のコンテンツを１日にそれぞれ５回評定しなければならないような条件なら、個人は７時間連続して評定しなければならない。これは無理な話である。
【００４３】
本発明は、上の例でいえば、コンテンツが1,000個であっても、2,000個であっても、繰り返しの数が５回でも、10回であっても、あるコンテンツに関するイベントが、全て一定のインターバルで生起するように、なおかつ、１日あたりの反応は数分程度で完了できるスケジュール構成法である。
【００４４】
この問題を解決するための方策は、すなわち、イベントサイクルユニットを設定したスケジュールとすることである。スケジュールの方法を説明する前に、本発明におけるスケジュールの意味を明確にしておく。
【００４５】
本実施の形態のスケジュールは、スケジュール条件を用いる。このスケジュール条件は、スケジュール条件：いつどのようなタイミングで、どのような属性の内容を、どのように呈示するかを示す条件であり、タイミング条件、属性条件、呈示条件の３つに分けている。
【００４６】
タイミング条件は、１ヵ月に１度、２週間に１度というようなイベントが生起するタイミングを意味している。厳密な定義については後述する。
【００４７】
イベントサイクルユニットの期間というのは、コンテンツや各種の条件をばらまく期間で、必ずしもインターバルの期間と一致するわけでないが、イベントサイクルユニットはインターバルの期間以下の短い期間になる。
【００４８】
本実施の形態では、学習の調査研究にスケジュールの要因を組み込むことを提案し、さらにそのための方法とそのデータの利用方法をいくつか提案する。漠然とデータを集めていては、ありきたりの情報しか得られない。そこで、時間的な変化を考慮してデータを分析するための枠組みが必要になる。
【００４９】
（スケジュールの要因を分析に組み込むための方策）
スケジュールパターンを分析に取り込むために、従来の調査方法に実験計画的な考え方を導入することをまず提案する。
【００５０】
スケジュールの要因を考慮するために、無限に想定できるスケジュールを最初から分析対象にすることは合理的ではない。結局のところコンテンツなどの呈示スケジュールに制限を加え、それに対応させてデータを収集し、分析する必要がある。つまり、スケジュールパターンを分析に組み込むには、呈示するスケジュールに制限を加えることが必要であり、そのための具体的な制限の手法が重要な意味を持ってくる。
【００５１】
スケジュールを設定するだけで問題は解決されない。特に、膨大なコンテンツに関するイベントに対する反応を一定のスケジュールに従って収集する場合、スケジュールを統制することが非常に難しいことが大きな問題として出てくる。膨大なコンテンツに対する反応を個人に要求する場合、その一つの反応を特定のスケジュールに従って収集するためには、その個人は日々の生活においてかなり統制されたスケジュールに従って反応を行う必要がある。しかし、それを一般の個人に依頼することは不可能である。調査を受ける個人が、一律一定のスケジュールで反応を行うことは非常に難しいのである。
【００５２】
従って、たとえ自由度の大きな個人の生活リズムの中で反応を収集した場合であっても、収集された反応を一定のスケジュールに対応付けて分析できる枠組みが必要になってくる。個人がコンテンツに対して反応するタイミングの自由度は高くとも、一定のスケジュールに対応させてデータを集計、分析できるスケジューリングの方法が必要になってくる。
【００５３】
以下の方法によれば、反応データの分析にスケジュールの要因を組み込み、精度の高い分析と予測が可能になる。
【００５４】
それにより、従来考慮されてきた性別や地域、年齢、認知スタイル、学習スタイル、パーソナリティーなど様々な個人やコンテンツの属性の組み合わせに、さらにスケジュールの要因を考慮した分析が可能になる。
【００５５】
スケジュールの要因を如何にして分析に組み込めるようにしてデータを収集するのか、その具体的な方策を以下に説明する。なお、以下に列挙する方法は、個々の方法や組み合わせを採用するほどスケジュール要因を考慮した分析の精度が上がるもので、採用しなければ精度が低下することを意味する（コンピュータによって実施する）。
【００５６】
（１）本実施の形態のスケジュールの定義
まずは、一般的なスケジュールの意味を厳密にとらえる必要がある。そのために、一般にいわれている、あるイベントが生起するスケジュールを、イベントが起きる最小の期間（呈示ユニットと呼ぶ）と、あるイベントの開始から次のイベントが起きる前までの期間とするインターバルで規定されるタイミング条件Ａｉと、イベントの質を表す呈示条件Ｂｉ、および必要に応じてコンテンツの内容（難易度など）の３つに分けて考える。例えば、一般に一日やったら４日休むというスケジュールの場合、１日を最小単位（呈示ユニット）として想定し、５日をインターバルと想定したスケジュールといえる。
【００５７】
なお、イベントが起きる最小の期間（呈示ユニット）を定義することがまず必要である。英単語の学習であるなら、何日もかけて習得することが一般的で、１日に何百回も同じ単語を学習することはあまり想定できない。従って、１日を呈示ユニットにすることが一般的であろう。しかし、シューティングゲームのように、引き金を引くか引かないかというようなイベントに直前の数秒前のイベントが影響するようなコンテンツの場合には、１秒をイベントの呈示ユニットに想定してそのタイミングの影響を分析することも考えられる。
【００５８】
英単語の学習を例にとると、一日に一種類の英単語を１回ずつ学習してそれを10日間続けるスケジュール（ここでは、スケジュールＡと呼ぶ）と、初日と６日目に５回ずつ一種類の英単語を学習するスケジュール（同様にスケジュールＢと呼ぶ）と、初日と６日目に１回ずつ一種類の英単語を学習するスケジュール（同様にスケジュールＣと呼ぶ）を想定する。
【００５９】
図１に示すように、スケジュールＡのように一日１回ずつ学習をしてそれを10日間続ける場合と、スケジュールＢのように初日と６日目に５回ずつ学習する場合は、どちらも合計10回の学習を意味するが、それぞれのスケジュールの学習の質は明らかに違う。
【００６０】
これらのスケジュールを、以下のように、タイミング条件Ａｉ（スケジュールＢでは１つのイベントが起きたらその時点から次のイベントが生起する前まで５日間のインターバルを取るタイミング）と、呈示条件Ｂｉ（この例では、学習回数（学習の強さ）を表す次元）の２つに分けて考える。
【００６１】
すなわち、一種類の英単語に関するイベントが生起する最小期間（呈示ユニット）を１日とした場合、10日間に含まれるその最小期間におけるイベントの生起の有−無を、その繰り返し回数や各種条件の種類に関わりなく１−０に対応させることにより、その期間の特定のイベント生起のタイミングの条件を表現（コード化）する。具体的には図２に示したように、スケジュールＡは、（１、１、１、１、１、１、１、１、１、１）、スケジュールＢおよびＣは（１、０、０、０、０、１、０、０、０、０）のようにコード（コンピュータによって）で表現される。これによるとスケジュールＢとＣはタイミング条件に関しては同じであるが、繰り返し回数という呈示条件の次元に違いがあるという捉え方になる。
【００６２】
呈示条件の種類には、繰り返し回数の他、呈示される時間（例えば、３秒間呈示）、呈示される時点で要求される処理（英単語の熟知度評定、学習の到達度の自己評定など）等々様々なものが考えられ、それらの表現方法は様々考えられるが、それらの呈示条件の表記方法とタイミングの条件の表記を組み合わせることにより、不特定のタイミングで生起するイベント（つまりその個人の経験の内容）を全て表現することもできると考えている。
【００６３】
以上まとめると、本実施例では、まず、イベントが生起する最小期間を呈示ユニットとして規定し、その上で、従来スケジュールといわれてきた条件を、タイミング条件と呈示条件の２つの次元に分け独立させてその影響を検討することを提案する。なお、必要に応じて、コンテンツの内容（難易度）などをもう一つの次元として独立させることも可能である。
【００６４】
（イベントサイクルユニットの設定）
膨大なコンテンツに関するイベントが生起するタイミングを統制するための枠組みとして、イベントサイクルユニットを想定することを提案する。膨大なコンテンツをまとめて呈示することが難しいとすれば、コンテンツをある期間にばら撒く必要が当然出てくる。その期間をイベントサイクルユニットとする。一つのポイントは、その期間の設定に制約がある点である。
【００６５】
すなわち、全てのコンテンツに関するイベントが同一のタイミングで繰り返し生起するようなスケジュールを生成するためには、前述した呈示ユニット以上に長く、かつ、想定する期間の中で設定されるインターバルの中で最も短いインターバルの期間以下に短い一定の期間をイベントサイクルユニットとして設け、各コンテンツに関する特定のイベントがそのイベントサイクルユニット内で一度生起するようコンテンツを配置する必要がある。
【００６６】
英単語の学習を１年間行い、最初の半年は２ヵ月に１度のタイミングで学習を行い、残りの半年は１ヵ月に１度のタイミングで学習を行う場合を例として考えてみる。この場合、最小のインターバルは１ヶ月であるゆえ、タイミング条件を統制するためには、コンテンツをばら撒く（配置する）期間は、最長で１ヵ月にしなければならない。１ヵ月を超えるイベントサイクルユニットを設定した場合、コンテンツに関するイベントの生起のタイミングを厳密には統制できなくなる。
【００６７】
なお、イベントサイクルユニットは考慮するイベントが最初に生起した時点を起点として全て固定され、イベントサイクルユニットはどれも同じ長さの期間であるのが一般的であろう。
【００６８】
図３には、図２のスケジュールＢに対応して設定できるイベントサイクルユニットの例を２つ示した。このそれぞれのユニットに、各コンテンツが１回呈示されるように配置する方法が本実施形態になる。
【００６９】
また、図３に示すように、あるコンテンツ(英単語)が呈示（学習：イベント）されてから再び呈示される前までの間隔をインターバルと呼び、呈示ユニット以上に長く、最短のインターバル以下の期間をイベントサイクルユニットｍｉとして固定し、その開始時点をイベント生起のタイミングの開始時点に一致させる（必ずしも一致させなくてもいいが、一つ目のイベントサイクルユニット後のイベントサイクルユニットの開始は、最初のイベントサイクルユニットの開始時点からインターバル後に規定される）。また、ある１つのコンテンツの生起は１つのイベントサイクルユニットｍｉ内で１回であるとする。
【００７０】
考え方によっては、スケジュールＢの１日目の５回の学習にイベントサイクルユニットｍｉを想定することもできるが、その場合は、１回目と２回目の学習の間隔（分や秒など）を１イベントサイクルユニットｍｉの最少単位＝呈示ユニット（ｂｉ）として定義されることになる（つまりイベントサイクルユニットの最小単位＝呈示ユニットを何にするのかも明確にしておく必要がある）。ただ、一般的な学習イベントとその効果を検討する場合には、図１のように、イベントサイクルユニットｍｉの最小単位＝呈示ユニット（ｂｉ）は１日程度を想定すればよい。
【００７１】
ここで、図１に戻り再度説明を加える。
【００７２】
図１のスケジュールＢとＣは１日を、イベントサイクルユニットｍｉの最少単位（呈示ユニット）ｂｉとした場合であり、タイミング条件Ａｉは同じで呈示条件Ｂｉが異なることを表現している。
【００７３】
なお、呈示条件Ｂｉは単なる回数だけではなく、呈示時間や反応の方法など様々なバリエーションが考えられる。
【００７４】
つまり、スケジュールは何日間隔のイベント、インターバルかを示すことのみを考え、イベントを１、０で表現すると、スケジュールＢの「５」は単に「１」と示すことでよい。１つのコンテンツの生起は１イベントサイクルユニット内で１回であるから、図２に示すように、１日目と６日目に「１」が設定される。
【００７５】
従って、上のＡＢＣのスケジュールのタイミング条件Ａｉと、イベントの呈示条件Ｂｉは、図２に示すようにコード化できる。このようにして、ＡＢＣのスケジュールのタイミング条件、呈示条件をコード化しておく。
【００７６】
すなわち、スケジュール（学習標準スケジュール）は、１日を呈示ユニットとした場合、日にち（時間）に対するタイミング条件Ａｉとイベント（コンテンツ）の呈示条件Ｂｉとを１−０で対応づけた行列として表現される。
【００７７】
（２）コンテンツのグルーピング
個人の特徴や一般的な傾向を明らかにしたり的確な予測を行うためには、評定など反応を要求するコンテンツの質を明確にしておく必要がある。個々の商品や英単語に対する反応の変化が関心事であれば、グルーピングを行う必要ないが、その個人の反応傾向を見るためには、その個人に対して送信した複数のコンテンツの反応の代表値を採ることが望ましい（コンピュータによって）。
【００７８】
そのようなときには、各タイミング条件Ａｉ（学習の休み間隔のパターン）と呈示条件Ｂｉ（学習の回数；学習の強さ）の組み合わせごとに、複数の類似したコンテンツを用意する。これが、コンテンツのグルーピングである。例えば、英単語なら難易度などが同レベルの単語、学年ごとに必要な単語、または、学習者が評定した難易度が同程度である単語、学習者の評定した難易度とエキスパートの評定した難易度の差が同程度である単語（※エキスパート＝高校生にとっては目指す大学に合格した学習者の評定などがその例）というような一定の属性でコンテンツ項目をまとめる（属性情報を付加する）ことである。なお、ここでいう難易度というのは、一般的な難易度だけではなく、その個人の各コンテンツに対する成績の良し悪しを難易度に対応付けたものでもよい。
【００７９】
ただし、三角形の面積を計算する問題であれば、面積＝底辺×高さ／２という公式を問う問題と、かけ算とわり算の計算問題をひとつにまとめることも考えられるが、できる限りコンテンツの内容は細かくし、それぞれとスケジュールの各呈示条件、タイミング条件とを対応させてデータを取れるようにすることが望ましい。なぜなら、掛け算と割り算ができる能力がどの程度にならないと三角形の面積を出せるようにはならないといった、問題間の階層関係も検討できるからである。
【００８０】
以下、用語を明確にするため、コンテンツ項目とコンテンツグループについて説明を補充する。
【００８１】
コンテンツ項目：反応が期待される（見られるだけでもよいが）１まとまりの呈示内容である。
【００８２】
英単語なら１つの英単語と日本語訳の対であったり、１桁の足し算なら、１＋２＝？のようなものを考えても良い。また、数学の文章題なら途中の計算過程をコンテンツとして分けることも可能である。もちろん音声データやビデオ等で呈示可能な内容は全て含まれる。コンテンツ項目の最小単位は内容をどうとらえるかによって異なってくる。
【００８３】
コンテンツグループ：類似したコンテンツ項目の集合。英単語なら難易度などが同レベルの単語、学年ごとに必要な単語、ある単元の学習に必要な単語などというような、一定の属性でまとめられるコンテンツ項目の集合である。
【００８４】
なお、前述したが、コンテンツ項目はタイミング条件の１イベントサイクルユニットで１回だけ呈示される（１回というのは呈示条件ではないので注意）。
【００８５】
（コンテンツをグルーピングする理由）
コンテンツをグルーピングする理由は、特定のスケジュールの効果はコンテンツによって異なってくると考えられるためである。複数の属性を持つコンテンツの集合に対するスケジュールの効果は、コンテンツの集合が変われば違うものになる可能性が高い。つまり、コンテンツの要因とスケジュールの要因をできる限り分離することにより分析の精度を上げることを意図する。
【００８６】
なお、コンテンツを等質にし、できるだけ細かくグルーピングすることにより、得られたデータを用いて、逆に質の異なるコンテンツグループ間の関係を、スケジュールとそれぞれのコンテンツグループに対する反応とから推定することが可能になる。
【００８７】
前述の三角形の面積の問題を例にすれば、三角形の面積の計算問題と、底辺×高さ／２という公式を問う問題、かけ算とわり算の計算問題と３つのコンテンツグループに分け、それぞれの成績を様々なスケジュールで収集すれば、三角形の面積の計算問題を子どもに呈示するために最適なスケジュールを、公式とかけ算・わり算の学習スケジュールに対応づけて推定することが可能になるはずである。
【００８８】
例えば、「公式の理解がどの程度のレベルまで到達していなければ、三角形の面積の問題を学習してもその効果はそれほど期待できない。そのために、公式の学習が１週間に１回のペースで行われていった場合には、三角形の面積の問題は、５週間までは呈示せず、その後３日に１回のペースで呈示することが効果的である」というような予測も可能になる。すなわち、公式の暗記学習を促す問題のコンテンツグループを、最初の５週間までは３日に１回のペースで呈示し、その後１週間に１度のペースで呈示するスケジュールと、三角形の面積を問う問題のコンテンツグループを、最初の５週間は一度も呈示せず、その後３日に１回のペースで呈示するスケジュールの２つのスケジュール条件の組み合わせとして分離し、両スケジュールの影響を検討することが可能になる。
【００８９】
（３）タイミング条件の決定方法
タイミング条件の種類は無限に想定されるが、イベントの周期の影響を視覚的に分かりやすくするためには、10日に１回、１ヵ月に１回というような等間隔のインターバル、呈示条件を設定することが当初は有効である。
【００９０】
スケジュールに対応したデータの収集と分析は、最終的には無作為なスケジュールに対して予測力を持つことを目指すが（本実施形態２の目的）、そのためには最初から無作為なスケジュールを設定してデータを収集していくことは得策ではない（もちろん、既に一定のタイミング条件に該当する反応データが利用可能な状況にあるならば問題ない）。
【００９１】
なぜなら、スケジュールの要因を考慮して分析を行い、特に予測を引き出すためには、ある程度利用可能なデータの蓄積が必要となる。そのためには、最初から複雑で細かなタイミング条件を設定していては、その評定者本人に有益な予測を提供することは難しく、しいてはデータの蓄積を行えなくなる。
【００９２】
初期の評定者にも分かりやすいデータを提供するためにも、まずは前記のような比較的単純なタイミング条件を設定してデータを収集することから始めることが望ましい。いずれにせよ、イベントサイクルユニットを決定するタイミング条件、呈示条件の設定は計画的に行うことが望ましい。
【００９３】
インターバル条件の影響を視覚的に分かりやすくするためには、10日に１回、１ヵ月に１回というような等間隔のインターバルを設定することが当初は有効である。
【００９４】
（４）各イベントサイクルユニット内での呈示条件の均質配置
特定のイベントサイクルユニットにおいて、そこで考慮する呈示条件が、１つのイベントサイクルユニットの中にできる限り均質になるように配置した後、そこへコンテンツ項目を割り振る。
【００９５】
呈示条件（例えば、学習回数）を均質に配置する理由は、イベントサイクルユニット内におけるイベントが一定のペースで生起しない可能性があり、その場合、後述する評価イベント（テスト）においてそれ以前のイベントの効果を推定する際に、誤差が大きくなることによる。これについては、さらに詳細な説明を評価イベントの設定方法のところで行う。
【００９６】
英単語学習を例にとれば、あるイベントサイクルユニットの最初と最後に特定の呈示条件の項目が偏って配置されていた場合、イベントサイクルユニットの中間で病気などのために学習ができなくなる状況ができた時には、条件によってタイミング条件が若干異なる事態になる。また、後述するように評価イベントをイベントサイクルユニットよりも短期間に設定し、呈示条件ごとにコンテンツをまとめてイベントの効果を推定する際には、効果を検討するイベントと評価イベントまでの期間を厳密に統制することが難しくなるためである。
【００９７】
それを防ぐため、各イベントサイクルユニット内で呈示条件ができる限り均質になるようにする。より具体的には、以下に述べる条件ユニットを設けることが有効である。また、各インターバルユニット内での呈示条件の順序はできるかぎり同じにする。
【００９８】
（５）呈示条件の均質配置の方法：条件ユニットを想定
均質配置にはランダムに呈示条件を配置する他に次の方法がある。すなわち、イベントサイクルユニットを更に一定期間（条件ユニットと呼ぶ）に分け、その条件ユニット内で全ての呈示条件（コンテンツ項目ではない）、もしくは、一定のタイミング条件で生起するイベントの効果を比較検討したい呈示条件や属性条件があればその条件がそれぞれ１回出現するようにする（図３参照）。
【００９９】
図４は約２ヵ月（48日間）のイベントサイクルユニットが繰り返される条件で、呈示条件Ｂｉとして呈示回数（学習回数）が１〜16回の16条件が設定されている。この例では、第１イベントサイクルユニットｍｉｐ（48日間）を４日ごとに区切り、全部で12個の条件ユニットｆｉに分けられているデータであり、図４の構造でメモリに保存されている。
【０１００】
例えば、１日目には、学習回数が1,8,9,16回条件が割り振られ、２日目は2,7,10,15回の学習回数が出現するようになっており、一つの条件ユニット（４日間）で16条件全てが１回ずつ出現するようになっている。
【０１０１】
同様に、５日目から８日目の２つ目の条件ユニットｆｉでも16条件全てが１回ずつ出現する。以下同様に、１つのサイクル（48日間）で12個の条件ユニットｆｉが繰り返される。
【０１０２】
なお、各条件ユニットｆｉの１つの呈示条件Ｂｉに割り振られるコンテンツ項目の数は等しくなくても良い。また、図４では、１〜４日と５〜８日の間の条件の組み合わせの順番が異なっているが、それは、呈示条件Ｂｉが現れる順序の要因を少なくするためである（４日間で条件が現れる順序は、ランダムでも良いしその他より厳密なカウンターバランス法を用いてもよい。
【０１０３】
（６）コンテンツ項目の呈示順序の固定
各イベントサイクルユニットの中で、コンテンツ項目が呈示される順序を固定し、どのイベントサイクルユニットをとってもほぼ同じ順序でコンテンツ項目が呈示されるように配置する。
【０１０４】
各イベントサイクルユニット内で、特定のコンテンツ項目が呈示される時期が異なれば、スケジュール条件（スケジュール条件：呈示条件、タイミング条件の総称）に誤差が出てくる。
【０１０５】
例えば、１ヵ月のインターバルでイベントが反復されるタイミング条件でデータが収集されたとしても、第１イベントサイクルユニットｍｉｐの最終日に呈示されたコンテンツ項目が、第２イベントサイクルユニットｍｉｑ（図４ではｍｉｇ）の初日に呈示されるようでは、それは１ヵ月のイベントサイクルユニットの反復というタイミング条件に、そのコンテンツ項目の反応を分類しにくくなる。
【０１０６】
コンテンツ項目のイベントサイクルユニット内での呈示順序を固定することにより、各ユニット内での呈示にばらつきがあったとしてもその影響を比較的小さく抑えられる。
【０１０７】
（７）各呈示ユニットの均質化
ここでは、イベントサイクルユニットの最少単位内で呈示されるコンテンツ項目のまとまりを呈示ユニットＰｉと呼ぶ。英単語学習なら、ある日に呈示される英単語のまとまりのようなものである。
【０１０８】
各呈示ユニットＰｉで要求されるイベントの質（呈示回数の合計や合計所要時間）ができる限り等しくなるように、呈示条件Ｐｉの組み合わせや、コンテンツ項目の数、もしくはスケジュール条件の組み合わせを調整する。
【０１０９】
もちろん、呈示ユニット内の呈示順序をランダムにしたり、同一コンテンツができる限り時間的に離れて呈示されるようにするなど、様々に調整する工夫も有効である。
【０１１０】
この操作は、この呈示ユニットＰｉの中で生起するイベントが、呈示ユニットＰｉごとに大きく変わらないようにすることを意味する。例えば、図４のように毎日１呈示ユニットＰｉの学習が要求される場合、ある日は学習回数条件が16回の英単語ばかり10個出てきて、ある日は１回のものばかり10個出てくるようでは、各コンテンツ項目の学習条件は等しいとは言えない（当然学習にかかる時間は違う）。
【０１１１】
その場合、各イベントの効果を推定するような場合には、単純にタイミング条件と呈示条件、属性情報のみで区分して効果を推定することは望ましくない。それを防ぐため、図４では一つの例として、呈示ユニット内の学習回数（呈示条件）の合計がほぼ等しくなるように割り振っている。なお，学習回数などの割り振りの具体的な方法は，後述する（具体的な手順の（手順２）スケジュールテーブルの生成参照）。
【０１１２】
もちろんこの調節は呈示条件だけでなく、各呈示条件に割り振るコンテンツ項目の数や、異なるスケジュール条件の組み合わせで調節する事も可能である。
【０１１３】
たとえスケジュール条件と呈示条件が同じであっても、ある呈示ユニットＰｉと別の呈示ユニットで要求される反応の負担が異なっていては、呈示ユニット内での反応の意味が異なってきてしまうため、その可能性をできる限り排除する必要があり、そのための方策である。
【０１１４】
（８）呈示ユニットの小型化
スケジュール条件、呈示条件Ｂｉ、コンテンツグループの属性などの様々な組み合わせに対して反応データを収集するためには、１つの呈示ユニットに反応する時間はできる限り短くすることが望ましい（あまり長い時間がかかってしまっては一定の呈示条件を保証できず、また反応する人の負担も大きくなる）。
【０１１５】
そのため、イベントサイクルユニットを長くしたり、（５）によって呈示ユニットＰｉあたりの呈示条件Ｂｉを少なくしたり、呈示条件Ｂｉに割り振るコンテンツ項目の数を少なくする方法が有効である。
【０１１６】
図４の１日目の呈示ユニットＰｉの1,8,9,16回という呈示条件Ｂｉに、それぞれ１個のコンテンツ項目を割り振れば、１日当たりの、のべ学習回数はそれほど多くならない。もちろん、一般に、イベントサイクルユニットｍｉ（ｍｉｐ、ｍｉｑ）や条件ユニットｆｉをもっと長くしても良い。
【０１１７】
尚、個人の評定の基準は日々変化する。この変動を分析で考慮し、排除するためには同一呈示ユニット内に複数の呈示条件のコンテンツを用意し、そのコンテンツに対する反応の差を厳密な条件差として指標とする方法である。
【０１１８】
（９）日常的な遭遇経験の影響を排除して一般的な傾向を明らかにする方法
（４）で配置された呈示条件へのコンテンツ項目の配分方法としては、評定者ごとにランダムに割り振る他、従来の実験研究で用いられているような、カウンターバランス法を用いても良い。計画的に呈示されるコンテンツ項目の中には、普段の生活の中で偶然遭遇するものも多い。そこまでを統制することは難しいが、一般的な傾向をとらえるためには、特定のコンテンツ項目が普段の生活の中で偶然遭遇する可能性を等質化するかランダム化し、分析の際に複数人のデータの代表値をとることが有効である。
【０１１９】
例えば、英単語を例にとると、特定の英単語は学校や塾の授業で学習を受ける場合もある。その場合、一定のスケジュールで評定を行う評定者全員に一律同一の英単語が割り振られていた場合、その高校や塾の生徒のその英単語の成績だけ上昇する可能性があり、それはすなわちその条件の一般的傾向として現れてくる。それではそのデータを一般的な予測には使えない。予測力を高めるためにはこれらの方法を組み込むことが有効である。
【０１２０】
（10）呈示の効果の測定方法およびデータの集計方法１：落ち穂拾い法
以上、イベントのスケジュール条件の様々な設定方法を述べたが、これらは全て、データの集計方法に対応させて考えられるものである。つまり、上記の方法を用い、以下に説明するような方法でデータを集計すれば、タイミング条件、呈示条件、コンテンツの属性などが統制された反応をデータとして収集することができる。
【０１２１】
上記のスケジュールの立て方は、簡単に言ってしまえば、１回に呈示するコンテンツが多いと反応しきれないため、それを少なくするためコンテンツ項目をインターバルユニット内に散らすことを意味している。無作為に散らしてしまうとタイミングや呈示条件、一つのイベントの影響力の統制が非常に難しくなるため、それを統制するための道筋である。
【０１２２】
データの集計は、逆に散りばめられたコンテンツに対する反応を少しずつ拾い集め最終的にまとまったところで代表値をとるというものである。
【０１２３】
具体的なデータの収集方法の一つは、「落ち穂拾い」のような方法である。わかりやすい例は、Ａｉというタイミング条件で生起したイベントを経験した効果を測定する際に、その最後のイベントサイクルユニットで呈示されるコンテンツ項目に対して、評価を要求するスケジュールを想定すればよい（もちろん別途、その効果を測定したい一定のスケジュールに従ったイベントの延長として、評価のためのイベントを設定しても同じことになる）。
【０１２４】
図４のメモリに保存されているスケジュールを例にすれば、第２イベントサイクルユニットの３ヵ月目の１日目（一回目）に呈示される１回学習条件の単語に対して、その学習の到達度を自己評定してもらうと、その反応には、２ヵ月前に１回学習した学習イベントの影響が現れている。
【０１２５】
同様に、16回の学習条件の単語に対して自己評定の反応を要求すれば、２ヵ月前の16回の学習イベントの影響が現れていることになる。各学習回数に割り当てられたコンテンツ項目の数が１個であった場合、同様の評定イベントを４日間（１条件ユニット）継続すると、１回〜16回の呈示条件にそれぞれ１個のコンテンツ項目の反応データが集まることになる。さらにそれを２ヵ月継続すると、第２イベントサイクルユニットが終了する時点（４ヵ月目が終わる時点）で、１回〜16回の条件それぞれに、12個ずつ同じスケジュール条件をとったコンテンツ項目に対する反応が集まることになる。その反応をまとめることで同じスケジュール条件のコンテンツ項目に対する反応の代表値を得ることが可能になるわけである。
【０１２６】
ここで条件ユニットを設けることの別の意義も出てくる。すなわち、図４の例で、条件ユニットを設けず３ヵ月〜４ヵ月に各学習回数条件をばらばらに設定した場合、ある繰り返し条件が４ヵ月目の最後のあたりに集中して呈示されることもありうる。その場合、その学習回数の条件に対する学習者の反応は、４ヵ月目が完了するまで収集できないことになる。学習者が３ヵ月目で学習をやめてしまった場合は、学習回数条件ごとに１、２ヵ月の学習イベントの影響を比較することはできない。
【０１２７】
それに対して、条件ユニットを設定すれば、３ヵ月目の４日目が終了した時点で各学習回数条件ごとに少なくとも１つのデータは得られることになる。それによれば、学習者が３ヵ月目の４日目が終了した時点で自分の学習の効果を再確認することもでき、それをフィードバックすることで学習者の関心をつなぎとめることも容易になる。
【０１２８】
さらにまた、評価のイベントサイクルユニットを検討するスケジュール条件の前にも設け、最初と最後の評価イベントに対する反応を比較することでその間の一定のスケジュール条件に沿ったイベントの経験の影響をより厳密に表すことができる。特に、コンテンツに関する経験に大きな個人差が推定されるような場合は、この方法により個人差を排除して検討することができる。
【０１２９】
落ち穂拾い法は、これまで説明してきたスケジュール構成法のうち、イベントサイクルユニットを設定したスケジュールを採用し、そのイベントサイクルユニットに評価イベントを想定した方法である。
【０１３０】
（11）呈示の効果の測定方法およびデータの集計方法２：タイミング相殺法
前記データ収集方法１は、一定のイベントサイクルユニット（少なくとも条件ユニット）のような期間を設けなければ、一定のタイミング条件に則った正確なデータの収集ができない点で難点がある。
【０１３１】
一般にテストは短期間になされるものである。その場合、イベントサイクルユニットを設定する方法では、学習イベントとテストのような評価イベント（以後、テストと呼ぶこともある）の間の時間間隔の違いに対処する必要が出てくる。例えば、図４で１、２ヵ月目に学習を実施し、その効果を３ヵ月目以降のある日に測定する場合、１、２ヵ月の間に使われたコンテンツを全て利用してテストすることは時間的に難しく、いくつかのコンテンツを抽出してテスト項目を構成する必要がある。
【０１３２】
その場合、例えば３ヵ月目の初日にテストを実施するならば、学習からテストまでのインターバルは１〜24日のばらつきが生じる。その状況で１ヵ月目の前半に学習したコンテンツと、２ヵ月目の最後に学習したコンテンツからテストを構成し成績を同等に比較しては、学習とテストの間のインターバルの違いの影響が成績に混入し、厳密な比較は難しい。学習とテストのインターバルの違いの影響を考慮して、正確な比較を行うための方法としては２つがあげられる。
【０１３３】
一つは、図４のような学習スケジュールを６ヵ月目まで延長して、３ヵ月目、５ヵ月目、７ヵ月目にテストを実施して学習の繰り返しに対する成績を比較していこうという場合は、テストを実施する日をどの月も同じ日とし、イベントサイクルユニット内の同じ時期のコンテンツ項目から同数ずつコンテンツを選びテスト項目を構成する方法である。例えば、３ヵ月目と５ヵ月目の初日にテストを実施する場合、１ヵ月目の６日目、12日目、18日目、24日目の呈示ユニットのコンテンツ項目からそれぞれ１個ずつコンテンツを選びテスト項目を構成する。その場合、３ヵ月目と５ヵ月目のテスト項目を同様にして抽出し、テストを実施し、全てをまとめて代表値を取れば、３ヵ月目と５ヵ月目のテストの成績には、学習からテストまでの期間の違いが同程度影響した結果が表れてくることになる。これは、従来実験心理学の領域で用いられているカウンターバランス法をタイミング条件に応用した類の方法である。
【０１３４】
この方法は月ごとに学習の効果を見るためには有効であるが、呈示条件の影響を比較することは難しい。例えば、３ヵ月目の初日にテストを実施する際に、１ヵ月目の最初に10回学習条件の単語が数多く配置され、２ヵ月目の最後のあたりに１回学習条件の単語が数多く配置されているスケジュールの場合、３ヵ月目の初日に10回学習条件の単語と１回学習条件の単語をテストし、その成績を比較しても、両条件の影響を同等に評価することはできない。このような問題を解決するための方法は、スケジュール方法として条件ユニットの設定を前提とし、さらにテストを構成する際に、比較検討する条件の項目を同じ条件ユニットから同数抽出し、テストを構成し、反応をまとめて比較する方法である。それによれば、どの呈示条件も学習とテストのインターバルは同等とみなせる。
【０１３５】
同じ条件ユニットからテスト項目を同数抽出するということは、学習からテストまでのインターバルの違いを同等にすることを意味する点で、先の方法（カウンターバランス法をタイミング条件に適用したもの）と同等の効果をもつ。さらに重要な点は、必ず全ての呈示条件が一つは含まれるという条件ユニットの特徴を利用すれば、複数の呈示条件の学習の影響を学習とテストのインターバルの要因を相殺させて比較することが可能になる。つまり、これも条件ユニットが設定されていて初めて容易に分析が可能になる評価方法である。
【０１３６】
（12）異なるスケジュール条件のすり合わせ
例えば、（11）のテストの構成例のように、３、５、７ヵ月目にテストを実施し、あるスケジュール化されたイベントの影響を継続して測定するような場合、テストで利用された項目は、テストを受けた時点でそのイベントの影響を受ける。従って、月を追うごとに学習の成績がどう変化するのかを見るような場合は、純粋に学習を行った効果のみを検出することが難しくなる。このような場合は、図４で示したスケジュール（２ヵ月に１日学習する条件）で学習イベントを行うコンテンツの他に、同じスケジュール（もちろん異なるスケジュールでもよい）でテストイベントを行うコンテンツを別途用意し、その両者を並立させてイベントを経験させ、別々に集計を行えば問題はない。
【０１３７】
このように、個人が経験するスケジュールとコンテンツを、複数用意し、それらを同じ期間に並立させて実行することも十分可能である。特に、同種類のコンテンツを使って同様のイベントを経験させる場合は、反応を行う個人は異なるスケジュールで反応を要求されているという意識がなくとも、複数のスケジュールに対する反応データを個別に収集し分析することもできる。なお、その場合は、コンテンツ項目は異なるものを用い、呈示ユニット（図４の場合は１日間）内での個人の負担などは、できる限りどの呈示ユニットも等しくすることが望ましい。
【０１３８】
特にこの方法は、複数のスケジュール条件で起きるイベントに対する反応の関係を特定し、一つのスケジュール条件に対する反応の変化パターンから、別のスケジュール条件に対する反応の変化パターンを推測する際に有効になる（後述する）。
【０１３９】
（13）呈示スケジュールを考慮した多変量解析
タイミング条件を１つの軸として、それ以外に強さ（学習ユニットに呈示回数）、コンテンツグループの組み合わせの次元を加えたものとしてスケジュールを表現する。すなわち、これまで上で説明した方法により得られたデータを用いれば、従来統制の難しかったタイミングの要因を重回帰分析における説明変数などとして分析の要因として取り込むことが可能になる。
【０１４０】
ある属性を持つコンテンツ項目が、ある呈示条件で、ある一定のタイミングに則り呈示された場合の遭遇条件はタイミング条件の軸とその呈示条件、およびコンテンツ属性の軸の組み合わせとして代表することができる。
【０１４１】
それに対する反応の変化をタイミング条件と呈示条件およびコンテンツ属性の組み合わせに対して描きだすことが可能になる。
【０１４２】
以下、上記のスケジュール構成法などに基づき実際に呈示ユニットに割り当てられるコンテンツを、一定の順序で並び替えたひとまとまりのコンテンツリスト（以後、呈示リストとよぶ）を生成するまでの流れを説明する。なお、わかりやすくするため、英単語学習を例にとって説明する。
【０１４３】
（手順１）コンテンツデータベースの用意
コンテンツデータベース（コンテンツファイルとも呼ぶ）は、スケジュールテーブルを生成する際、およびスケジュールテーブルに則って呈示リストを生成する際に用いられる。コンテンツファイルは、企業のメーカのサーバなどからインターネットもしくは記憶媒体を経由して受け取ったコンテンツＣｉを記憶している（必ずしもコンテンツそのものでなくてもよい。英単語＋日本語に番号を付してあるコンテンツならばその番号でもよい）。
【０１４４】
このコンテンツＣｉは、英単語で言えば、英語と日本語の対ひとまとまりの(1)内容（問題と答えという対になっている必要はなく、ひとまとまりの文章や絵や動画でもよい）と、(2)その内容のまとまりを区別する識別番号（高校１年用、大学生用など）、また利用できる情報として利用可能であるならば、(3)各内容の熟知度や難易度、重要度、関連情報、階層性（Ａという教育内容を学習する前にＢという教育内容をどの程度学習しておく必要があるといった関係）などの属性データが付加され、コンテンツ番号（内容の識別番号ともいう）にリンク付けされて記憶される。
【０１４５】
なお、コンテンツの属性情報としては、そのコンテンツを提供する企業などがあらかじめ指定した情報以外の情報も考慮すべきである。すなわち、各コンテンツに対して学習者個人が感じている重要度や、それ以前になされている学習の成果である、そのコンテンツに対する実際の成績も属性情報として考慮する。例えば、用意されたコンテンツに対して一定のスケジュールに従って学習を進め、一定の学習段階に到達した時点で、その学習者の各コンテンツに対する成績を難易度情報の形で各コンテンツに付加させ、その情報を使い、再度新たなスケジュールに従って学習を行う流れが想定される。
【０１４６】
（手順２）スケジュールテーブルの生成
上記このコンテンツテーブルのコンテンツを学習させるためのスケジュールテーブルを、これまで述べてきたスケジュール構成法などに基づき生成する。
【０１４７】
具体的には、スケジュールテーブル（メモリのスケジュールテーブル）は、例えば、図５に示すように、通し番号（ＮＯ）と、月日（ＭＯＮＴＨ・ＤＡＹ）と、後述するコンテンツ識別条件コード（ＣＯＮＤ）と、属性情報（難易度、重要度等）の条件コード（ＴＹＰＥ）と、学習法の種類を示す条件コード（ＩＤＲ）と、繰り返し回数を示す条件コード（ＲＥＰＥＡＴ）と、イベントサイクルユニットの単位を示す条件コード（ＣＹＣＬＥ）と、イベントサイクルユニットの最小単位を示す条件コード（ＩＮＣＹＣＬＥ）、コンテンツの数を示す条件コード（Ｎ）と対応させたテーブルになっている。前述の難易度は、例えば、ある学習の難しさを年齢、性別等によってグループ分け、このグループに割り振った難易度（例えば５段階：非常に難しいとする係数、難しいという係数、普通とする係数、少し難しいとする係数、簡単という係数）である。
【０１４８】
なお、このスケジュールテーブルの例は、呈示ユニットを１日、インターバルを１ヵ月（24日構成、以下同様）、イベントサイクルユニットを１ヵ月、条件ユニットを２日としたタイミング条件（Ａ1）と、呈示ユニットを１日、インターバルを２ヵ月、イベントサイクルユニットを２ヵ月、条件ユニットを４日としたタイミング条件（Ａ2）と、呈示ユニットを１日、インターバルを１ヵ月、イベントサイクルユニットを１ヵ月、条件ユニットを１日としたタイミング条件（Ａ3）という、Ａ1、Ａ2、Ａ3という３つのスケジュールを含んだテーブルになっている。Ａ1のタイミング条件のみでテーブルを作る場合は、１ヵ月をイベントサイクルユニットとしている。なお、Ａ1は１ヵ月に１日のペースで、Ａ2は２ヵ月に１日のペースで学習をする条件を想定しており、Ａ3は１ヵ月に１日のペースで学習を繰り返していった効果を測定するための客観テスト用の評価スケジュールを想定している。なお、イベントサイクルユニットの最小単位（呈示ユニット）は一日を想定している。これらのタイミング条件はコンピュータが設定する。
【０１４９】
タイミング条件Ａ1、Ａ3に関しては、図５における月（MONTH）のフィールドがイベントサイクルユニットの順番に対応し、日（DAY）が呈示ユニットの順番に対応するため、それぞれMONTHをイベントサイクルユニットの順番、DAYを呈示ユニットの順番と対応させれば、イベントサイクルユニットの単位を表す条件コード（CYCLE）は必要ないが、この例では、Ａ2のタイミング条件をいっしょに考慮するため、別途CYCLEフィールドを設けている。また、２つのタイミング条件を区別しコンテンツを抽出するために、イベントサイクルユニットの最小単位を示す条件コード（ＩＮＣＹＣＬＥ）に、各タイミング条件におけるイベントサイクルユニット内で、最小のイベントサイクルユニットの期間で換算すると何個目であるのかという情報を付加している。
【０１５０】
この方法については、ここでは補足説明は加えないが、イベントサイクルユニットが異なる２つ以上のタイミング条件のスケジュールを同一の日程で行うためには、２つのタイミング条件の関係を記述するフィールドが必要になり、その情報を用いてコンテンツへの条件の書き込みや抽出、集計を行う必要が出てくる。
【０１５１】
この例では、Ａ1、Ａ2、Ａ3の中で最小のイベントサイクルユニットはＡ1、Ａ3条件の１ヵ月だから、各イベントサイクルユニットの中で、その１ヵ月換算でいくと何ヵ月目かを表す数字を入力している。
【０１５２】
前述の学習法の種類（ＩＤＲ）は、呈示条件の1つの例であり、例えば３種類存在（ＴＤＦ）する。１種類（Ｔ）は例えば英語の日本語訳の対連合学習をする際に、英単語をその学習の前に見せてその熟知度を評定させる学習法、２種類目（Ｄ）は学習する前にその熟知度評定をさせない学習法、３種類目（Ｆ）は、例えば各月の最後に熟知度のテストを行う場合に用いる項目であり、呈示の方法もＴＤとは異なる学習法である。
【０１５３】
また、繰り返し回数（ＲＥＰＥＡＴ）も呈示条件の一つの例であり、１呈示ユニット内で繰り返し呈示される回数を示している。その他の呈示条件としては、呈示する時間、学習項目の強調の仕方、また呈示リスト内で同じコンテンツができる限り時間的に離れて呈示されるように順序を決める等の呈示順序も条件にはいる。
【０１５４】
これら学習法、繰り返し回数等は呈示条件に相当する。つまり、様々な呈示条件をコード化しておけば、その条件毎の詳細な予測が可能となる。
【０１５５】
図５のスケジュールテーブルの通し番号「１」のコンテンツ識別条件コード（ＣＯＮＤ）は、通し番号に対応させた各種条件のコードを纏めたものである。例えば、通し番号「１」の「Ｂ１Ｔ０１ＣＹ０１０１Ｒ０１」は、Ｂ１というタイプの属性の単語で、Ｔの学習法（呈示条件１ともいう）、１回の繰り返し回数（Ｒ０１；呈示条件２ともいう）、１つめのイベントサイクルユニット（ＣＹ０１）、そのイベントサイクルユニットの中での何日目（INCYCLE=０１）の条件のコンテンツを１個提供するスケジュールデータとなっていることを示す。
【０１５６】
このようなスケジュールテーブルは、これまで説明してきた方法を用いて設計したスケジュール条件をテーブルにしたものであり、その基本設計は前述したスケジューリングの方法の枠組みを基に考えるわけである。
【０１５７】
なお、各スケジュール条件の各条件の組み合わせに何個ずつコンテンツを割り当てるかに関しては、図６〜図１１に示したような、コンテンツ項目数割り当て表をタイミング条件ごと、もしくはスケジュール条件ごとに作り、利用可能なコンテンツの数と必要な時間を考慮し各条件に割り振る単語の数を調整し、決定しておくと，利用可能なコンテンツ数や，予想される学習時間などを参照しながら条件へのコンテンツ項目や条件の割り当てがやりやすい。もちろん，各呈示ユニットにおける学習条件を等しくしたり，学習時間を無視したりすれば，図６〜図１１のような表を作らなくてもよい。ただし，成績の推定精度は低くなると同時に，さまざまな解析を行えなくなる。
【０１５８】
図６〜図１１は，太枠で斜線の部分へ，条件の項目数などを入力すると，一番後ろの「全条件を総合した項目の概要と予想される学習時間」の欄に学習時間などの情報が出力されるようにあらかじめ計算式を記入したエクセルのファイルになっている。このスケジュールでは，Ａ１〜Ａ５の５つのタイミング条件が設定されているが，そのうちＡ３とＡ４はタイミングは同じ条件である。
【０１５９】
これは説明のために２つに分けているだけである。
【０１６０】
様々な属性の異なる刺激の学習に対して、多種類のスケジュール条件をすりあわせてスケジュールを組むような場合は（例えば、１ヶ月に１回の割合で学習するスケジュールや、２ヵ月に１回学習していくスケジュールなど、さらに同一スケジュール条件で複数の属性条件や呈示条件で単語を学習するような場合は）、毎日の学習時間や疲労が等しくなるように学習項目の数や繰り返し条件などを調整しないといけない。つまり、ある日は学習時間が１０分かかり、あるいは１時間かかるような条件では、等しい学習条件とはいえず、その学習の効果を正確に推定することが難しくなる。それをするために、全てのスケジュール条件で、どの程度の学習時間が必要で、何単語程度の学習項目が必要であるのか、繰り返し条件は何条件程度入れることができるのかを予め予想しておく必要がある。図６から図１１は、その予想に用いる表である。
【０１６１】
図６から図１０までは、それぞれのスケジュール条件における条件ユニット内で、どの属性とどの呈示条件の単語を何個ずつ用意すると、各呈示ユニットにおける延べドリル項目数は何個になるのか、また、イベントサイクルユニットで必要となる項目数の総数が何種類になるのかを把握するための表である。例えば、図６では、Ｔという学習 （呈示）条件で、１回学習する条件に、属性条件がＢ１（レベル１）の単語を１個割り振る場合には、対応する個所に１を入れる。同様に、全ての条件に配置する単語の数を網目の枠内に入力していくと、各呈示条件でドリルを行う単語の延べ数が、５個や２個と計算され、さらに、表の右下端の部分に、各呈示ユニットにおける延べ項目数の平均（延べの総計２５２を、条件ユニット内の呈示ユニット数で割った）１２６個が表示されるようになっている（実際は、エクセルの関数が入れられている）。さらに、各条件ごとに必要な項目数を合計した５６に、１イベントサイクルユニット内に設定される条件ユニットの数（１２）を掛けた値が、１イベントサイクルユニットで必要な項目（６７２個）として表示される。これを見て、何個程度の項目を全部で用意しないといけないのか、また、各条件に割り振る単語の数はどの程度が良いのかを判断して決める参考にできる。同様の表を、Ａ２〜Ａ５タイミング条件について作成したものが図７〜図１０である。さらに、全てのスケジュールをすり合わせして、１呈示ユニットの中で対応する全ての単語を呈示した場合の、必要な総学習時間、項目数を計算して表示したものが図１１になる。図１１をみれば、Ａ１〜Ａ５までのスケジュールを並列して実施した場合にかかる学習時間や項目数を把握することができる。
【０１６２】
なお、図６にある呈示条件のＴ条件や、Ｄ条件、さらに繰り返し学習回数条件（１〜８）、また属性条件のＢ１，Ｂ２，Ｂ３，Ｏ１，Ｏ２の組み合わせごとに、それぞれの条件に割り振る単語の数（１）がコンテンツの数が入力されたものが、スケジュールテーブル（図５）に対応する。つまり、図６のようなチェック表をもとにして、学習条件などを把握し、学習者に無理がないような条件になっているのかなどを確認した上で、それぞれのスケジュール条件ごとに、それぞれの属性・呈示条件に対応させて割り振る項目の数をリストとして出力したものがスケジュールテーブル（図５）になる。
【０１６３】
図１２Ａ、Ｂのコンテンツデータベースは、各単語ごとに、その単語に割り当てる各種条件などが対応付けられた表である。この表には、当初はＣＯＮＤ条件が割り振られていない（図１２Ａ、Ｂの属性情報（図の例ではＢやＲ）は、難易度などの情報であり、各単語が一般にどの程度難しい単語と認識されているのかを表しており、この情報は、各単語ごとにあらかじめ決められている情報である）。もともとは入っていない学習条件（ＣＯＮＤ）に、スケジュールテーブルをもとにして、各単語ごとにこの学習条件（ＣＯＮＤ）を割り振っていったものが、図１２Ａ、Ｂの例である。
【０１６４】
このテーブルの作成方法は、まず、図５のようなスケジュールテーブルから、全てのスケジュール条件ごとに、１イベントサイクルユニット（例えば、イベントサイクルユニットが１ヶ月のスケジュール条件について、２４ヶ月分のスケジュールがあっても、そのうち１ヶ月分だけ）に対応するスケジュールを取り出し、その中で、同じ学習条件の単語が何個必要であるのかを明らかにする。その条件の属性条件に対応する単語を、今度は図１２Ａ、Ｂのもともとのコンテンツデータベースをもとにして、必要な数だけ選び出し、その単語に、その条件を書き込む。それが図１２Ａ、Ｂの表になる。例えば、図１２Ａの最初の単語のｒｕｌｅは、ＢＣという属性情報をもつが、この単語には、Ｂ１Ｔ０１Ｃ０１０１Ｒ０１というＣＯＮＤ条件が書き込まれている。このＣＯＮＤ条件のうち、最初の２文字（Ｂ１）は、属性条件を表している。例えば、「Ｂ１の条件に対応する単語は、属性情報がＢの単語の中から選び出す」というルールを決めておき、その条件に対応する単語を全てのコンテンツデータベースから選び出し、その単語には、属性情報がＢ１である条件を割り振るようにする。ＣＯＮＤ条件の３、４文字目は、呈示条件を表している。つまり、Ｂ１の属性条件に基づき選ばれた単語の中から、さらに必要数、Ｔ０１という呈示条件に割り振るわけである。さらに、最後のＲ０１は、繰り返し条件であり、Ｂ１の属性条件に一致する単語のうち、Ｔ０１という学習条件に割り振る単語のうち、さらに繰り返し回数条件が１回の条件を必要数割り振るわけである。このような方法で、各単語にＣＯＮＤ条件を割り振ることになる。なお、このＣＯＮＤ条件にある、Ｃ０１０１のような条件は、いくつ目のイベントサイクルユニットで、さらにその中で何番目の呈示条件なのかを表しているが、この条件は上述したように、１イベントサイクルユニットに限定されているので、Ｃ０２０１や、Ｃ０３０１のような条件は含まれない。
【０１６５】
続いて、このようにスケジュールリストとコンテンツデータベースを用意しておくと、各呈示ユニットで呈示するリスト（図１３）を生成することが次のように可能になる。
【０１６６】
図１３は、呈示リスト（反応履歴リストをかねる）の例であり、学習条件に対応させて順序などが既に書き込まれ、ＰＨＡＳＥ２まで既に学習が進んでいる例である。
【０１６７】
まず、スケジュールリストから、特定の日のイベントに必要な条件のリストを取り出す（例えば１日目の学習分の条件のリスト）。続いて、そのリストにある各種条件が書き込まれているコンテンツを、コンテンツデータベースから抽出する。さらに、そのリストを、呈示条件に従って並べ、呈示される順番に並び替えたものが図１３の呈示リストである。その中には、それぞれの単語がどんな条件で呈示されるのかも、各種呈示条件を参考にして書き込まれている（この条件をキーにして呈示プログラムで呈示するための処理を区別する）。さらに、その中には、ＣＨＥＣＫというフィールドがある。これは、各単語に関するイベントが終了しているのか否かを把握するためのものであり、この呈示リストの学習が途中で終わっていた場合、完了していない部分の単語から呈示する際に用いられる。また、ＰＨＡＳＥは、一日の呈示ユニット内で異なる処理（例えば熟知度評定や再認判断や、自己評定）が要求される際に、それを呈示プログラム側で区別する際に用いられる情報である。
【０１６８】
また、各単語に対しては、学習者が要求される反応を記録するフィールドＡＮＳ，Ｆ，Ｊ．ＴＩＭＥなどが用意されている。ＡＮＳは、再認テストが要求されている場合の反応を書き込むフィールドであり、Ｆは学習方法がＴの条件の単語において、熟知度評定が要求される際に学習者が反応した値を記録する部分であり、ＴＩＭＥは、それぞれの反応に学習者が要した時間を記録するフィールドである。この呈示リストを用いて、順次コンテンツの呈示が制御されると同時に、反応が記録される。
【０１６９】
特に、１イベントサイクルユニットでは、各単語は１回のみ呈示されるため、スケジュールテーブルから一日分のスケジュールを取り出して、そこに記載されている各種条件をキーとして、コンテンツデータベースから、属性条件や呈示条件（学習条件や繰り返し回数など）が一致する単語を選んでくれば、１日分のコンテンツのリストが抽出できる（イベントサイクルユニット内で２回以上同じ単語が提示されるような仮定を置いているところの部分の処理がかなり難しくなる：イベントサイクルユニットの定義に意義が出てくる）。
【０１７０】
図１４Ａ、図１４Ｂの履歴ファイルは、各学習者ごとに、それぞれの呈示ユニットに関するイベントをいつ、どのくらいの時間をかけて行ったかを記録したものである。これを使うと、各学習者が、実際どのようなスケジュールで学習をしたのかを把握することができる．ＦＩＬＥは呈示リストの保存ファイル名、ＳＴＡＲＴとＥＮＤは始まりと終わりの日、Ｎ１，Ｎ２，ＮＯＢＥはスケジュールテーブルの何番から何番までをやったのか、また何個単語の学習をやったのかを示している．Ｔ１Ｓ，Ｔ１Ｅなどは、各ＰＨＡＳＥが始まった時刻と終わった時刻を秒で表したものが記録されている。
【０１７１】
図１５Ａ、図１５Ｂの個人反応データベースは、基本的に、コンテンツデータベースと同じフィールド構造に記録フィールドがついたものである、呈示リストに記録された反応を、コンテンツごとにまとめて記録しなおしたものである。Ｆ００，Ｆ０１，Ｆ０２．．，ＡＮＳ０１，ＡＮＳ０２のような数字は、何個目のイベントサイクルユニットの反応であるのかを意味している。このファイルを用いれば全ての学習スケジュールに対して反応がどう変化したのかを容易に計算することができる。
【０１７２】
最後の図１６Ａ、図１６Ｂ、図１６Ｃは、図５のスケジュールテーブルから１，２，３ヵ月分の一部を取り出したものである。１ヵ月目の１日目というように、期日ごとにどのようなスケジュール条件の学習を行うのかリストされている。図１６Ａは、１ヵ月目のスケジュールテーブル例（２つのスケジュール条件を含む）である。図１６Ｂは、２ヵ月目のスケジュールテーブル例（２つのスケジュール条件を含む）である。図１６Ｃは、３ヵ月目のスケジュールテーブル例（２つのスケジュール条件を含む）である。
【０１７３】
表の最初の月と日をみると、１ヶ月目の１日目と、２日目の一部が表示されている。１ヵ月目の１日目の通し番号の最初の方に割り振られている条件は、スケジュール条件Ａ１の条件であり、その次に、タイミング条件Ａ３の条件，．．という具合に、タイミング条件Ａ２までの条件がリストされている。それぞれのスケジュール条件ごとに呈示される単語の属性や提示方法などが条件に指定されている。この条件をもとにして順に上から、コンテンツデータベースに同じＣＯＮＤ条件（呈示・属性条件）が記載されたコンテンツを抽出し、それらを全て用いて、１日分の呈示リストを作成することができる。
【０１７４】
上述したように，複数のスケジュール条件を混在させた形で学習内容を提示していくことが可能であり，この例でも複数のスケジュール条件を同一学習者に提供しその上でさまざまな解析ができるようになっている。この表のスケジュールではタイミング条件が４つ，コンテンツの属性条件にはＢ１，Ｂ２，Ｂ３，Ｏ１，Ｏ２，などといった条件があり，呈示条件は学習の方法としてＴ，Ｄ，Ｆなどの条件が，さらにドリル学習で要求される学習回数の条件がある。これらの組み合わせごとに，学習の進み方を示し，それらの関係を検討することもできるようになっている。以下の説明では，表のタイミング条件Ａ１，Ａ２，Ａ３のみに限定して説明を続ける（Ａ４，Ａ５の条件を含めると説明がややこしくなるため）。
【０１７５】
（手順３）スケジュールテーブルとコンテンツデータベースに基づく、各コンテンツへのコンテンツ識別条件コードの書き込み
スケジュールテーブルが作成されると、各識別条件コードに必要なコンテンツの種類とその数が特定される。コンテンツをどの識別条件に割り振るかについては、各コンテンツの属性情報と識別条件コードの属性情報を対応させて割り振るほか、できる限りランダムに割り振ることが望ましい。なお、（９）で述べているように、カウンターバランス法をとり、複数の個人のデータをまとめて一般傾向を捉える場合には、カウンターバランス法に基づきコンテンツに識別条件を割り振る。各コンテンツに識別条件コードを書き込んだコンテンツデータベースの例を図１２Ａに示した。図１２Ａは、インターバル１ヶ月のスケジュール（１ヶ月に１日のペース）の例と、図１２Ｂは、複数のスケジュール条件を混在させた例として、評定イベント（１ヶ月に１回のタイミング）とインターバル２ヶ月（２ヶ月に１日のペース）のスケジュールとを組み合わせたものを示している。なお、コンテンツの内容もコンテンツデータベースに記録しておく必要はなく、コンテンツの内容の代わりに通し番号のみを記録し、必要に応じてコンテンツデータベースと照合して、コンテンツの内容を特定できるようにしておけばよい。
【０１７６】
以上、一定のスケジュール条件を規定したスケジュールテーブルとそれに対応する識別条件コードが付記されたコンテンツデータベースが各一つ以上用意された状態であることを前提として、以下の手順で、呈示ユニットに対応する呈示リストを作成する。
【０１７７】
（手順４）呈示リストの抽出範囲の指定
呈示ユニットに対応する呈示リストを抽出する場合、必要に応じて、何番目の呈示ユニットに対応する呈示リストを生成するか指定する。一般的には、呈示ユニットの順番で一つひとつ呈示リストを抽出するが、複数の呈示ユニットを指定して、その分の呈示リストを全て抽出しておくことも可能である（特にリストをネットワークを通じてダウンロードするような場合は、まとめてダウンロードすることが考えられる）。異なる端末で同じスケジュールテーブルに従って呈示リストを生成する場合は、どの呈示ユニットが既に生成されているかなどをスケジュールテーブルを基にして把握することで、学習の履歴の同期（シンクロナイズ）も可能である。
【０１７８】
つまり、どの呈示ユニットまでが呈示リストになっているか（学習できる状況にあるか）を、スケジュールテーブル、もしくは別のファイルとして記録し、それを利用して呈示リスト生成履歴を把握し、学習がなされていない呈示リストを適宜生成し、提供することが可能である。
【０１７９】
（手順５）呈示ユニットに対応する呈示リストの生成
例として、図１６のスケジュールテーブルに基づいて、１ヵ月目の１日目の呈示ユニットに対応する呈示リストの抽出方法を説明する。まず、生成する範囲が１ヵ月目の１日目の分といった形で指定されたとすると、図１６ＡのMONTHとDAYに対応するスケジュールテーブルの範囲が限定される（図１６Ａ、NO１〜NO38）。続いて、その範囲の識別条件コード（COND）の情報の全てもしくは一部の情報が書き込まれているコンテンツを、コンテンツデータベースから抽出し、呈示条件に従って呈示リストを構成していく。この詳細は呈示条件に依存するため一般的な説明はできないが、図１３に生成された呈示リストの例を示した。
【０１８０】
図１３の左端のフィールドから説明していくと、CHECKフィールドはどのフィールドまで学習が終了しているのかを示すもので、呈示リストの途中で学習が中断している場合にこの情報を使って学習を継続するためのフィールドである。PHASEフィールドは、学習やその他の課題（熟知度評定や記憶テスト、挿入ドリルなど）のまとまりを意味している。NOは通し番号を必要に応じて入れるフィールド、DAYは学習を実施した期日を入力するフィールドである。なお、このリストは、後述する履歴リストも兼ねており、後の方のフィールドのＦ、ANS,J,TIMEというフィールドは、学習者の反応を記録するフィールドである。尚、この例では１つのコンテンツに対して１つの反応を学習者に要求する学習法であるため、各コンテンツには１つの反応フィールドと反応時間を記録するフィールドが最低限設けられていればよい。１つのコンテンツに複数の反応を要求する呈示条件では、反応フィールドは複数必要となる。
【０１８１】
この図１６のスケジュール条件に従い、特定の呈示ユニットの識別条件が特定されると、その情報が書き込まれているコンテンツデータベースから必要なコンテンツが抽出されると同時に、呈示条件などの操作に従ってコンテンツが順番に並べられリストが生成される。
【０１８２】
（手順６）呈示条件に従って順次コンテンツを呈示
この手順は、コンテンツの呈示条件や学習の仕方などに依存する。ここで一つの呈示方法を紹介する。最も利用しやすく、かつ、様々なコンテンツに対して適用可能な学習とテストを兼ね備えたデータの収集方法である。
【０１８３】
まず図３１Ａ，Ｂに示すように英単語のみが表示され、学習者がどれかキーを押すと日本語訳が表示される。ここまでが、コンテンツの表示である。この表示が完了した時点で、学習者がコンテンツの内容の習得レベルを自己評定する方法である。図３１Ｂの例では、４段階(A：良い、B：もう少し、C：だめ、D：全くだめ)で評定してもらう例である。
【０１８４】
この方法はコンテンツを呈示するのみで、解答を要求しなくても学習が成り立ち、様々なコンテンツに対して応用可能であり、かつその評定結果を数値変換（図３１ＢではA=3,B=2,C=1,D=0のように）することにより成績として扱うことも可能であるため、特に、イベントサイクルユニットを設定して、一定のタイミングで学習を反復するスケジュールの場合は、学習回数とその成績の関係を直接検討することができるため有効である（通常、学習とは別のテストを行うと、そのテストイベントの影響がその後の成績に影響を与えるため、純粋に成績と学習の関係を検討することが難しい）。
【０１８５】
（手順７）反応データおよび学習履歴データの書き込み
各呈示条件に従ってコンテンツが呈示された時点で、そのイベントに対してなされた反応を、図１３のような前記呈示リストもしくは反応履歴リストに書き込む。図１３では、Ｆフィールドには熟知度評定の値を、ANＳは記憶テストの反応、Jは図３１Ａ、Ｂの反応、TIMEはそれぞれの反応に要した時間が記録される（この時間を解析すれば，各学習者がどのくらい学習に時間を費やしているのかを容易に把握しフィードバックすることが可能である）。また、図１４のような個人履歴データファイルに学習履歴を記録していくこともある。図１４のフィールドは、学習を実施した呈示リストファイル名（FILE）、学習開始時刻（START）、終了時刻（END）、ある条件に対応する単語の数（N1,N2,NOBE）、各フェイズごとの学習開始時刻と終了時刻（T0S,T0E,,,,T7S,T7E）を呈示リストの学習に対応して記録していく。なお，図１３にあるF,ANS,Jといったフィールドは，分ける必要は必ずしもなく，ひとつの反応フィールドとして反応を記録してもよい。
【０１８６】
（手順８）反応履歴リスト、個人データファイルの返信
全ての呈示リストに関するイベントが終了したところで、コンテンツ番号と反応等が書き込まれている反応履歴リスト、および個人履歴データファイル（呈示ユニットに対応している）を、必要に応じてネットワークを通じてデータ分析のサーバなどへ返信する。
【０１８７】
なお、個人履歴データファイルには，その呈示ユニットの通し番号や学習し始めた時刻，終了した時刻，期日，呈示ユニット内に設けられたフェイズの開始／終了時刻などが書き込まれている。これらのデータを基に学習のデータを解析すれば，朝学習したほうが成績がよいとか，何時ごろ学習をする人の成績がよいなどといった予測やパーソナリティーや学習スタイル等の推定なども原理的には可能になる。
【０１８８】
（手順９）個人反応データベースへの書き込み
反応履歴リストに書き込まれた反応を、図１５に例示した個人反応データベースにコンテンツをキーのデータフィールドにして書き写す。個人反応データベース（図１５）は、前記図１２のコンテンツデータベースにデータの記録フィールドを追加したものが一つの例である。この例では、熟知度評定の値を１ヵ月目〜４ヵ月目までの分書き込むフィールド（F01,F02,F03,F04）、記憶テストの反応を書き込むフィールド（ANS01,ANS02,ANS03,ANS04）、自己評定の値を書き込むフィールド（J01,J02,J03,J04）、各反応に要した時間を書き込むフィールド（JT01,JT02,JT03,JT04）等が例示されている。なお、ここで１ヵ月を基準にしているのは、最も重視したイベントサイクルユニットが１ヵ月の条件であったためであり、またデータの把握方法が容易であるためである。
【０１８９】
コンテンツデータベースには各コンテンツの識別条件などが一定のスケジュールテーブルに従って書き込まれており、かつ、反応履歴リスト（＝この例では呈示リスト）も一定のスケジュールテーブル（メモリ）に従って作成されているため、反応履歴リストのデータを個人反応データベースに書き写すと図１５のように各条件に対応してデータが記録されることになる。
【０１９０】
なお、個人履歴データファイルは、１呈示リストごとに作成し（１レコードだけ）、サーバ側で個人の全履歴ファイルを保存しても良い。個人履歴データファイルを用いると、学習者がどの呈示ユニットの学習を完了し、どれを完了していないのかを把握し、必要に応じて学習をうながす指示を出すことも可能になる。これは，通信エラーなどで学習データが消えてしまった場合に，その部分のデータを端末側で保存しておけば，後から足りない部分のデータを明確にし，それを再度送信するよう促すことも可能である。
【０１９１】
（手順10）個人反応データベースを用いたデータ分析
個人反応データベースの、識別条件コードには、スケジュール条件のほか、呈示条件、属性情報も含まれている。従って、このコードに含まれている情報を使えば（もちろん呈示条件のフィールドや属性情報のフィールドをそのまま使っても良い）、一定のスケジュールに対する学習成績などの反応をまとめた代表値を、各イベントサイクルユニットごとに得ることが可能になる。様々な分析方法があるため、詳細は省く。
【０１９２】
＜スケジューリング方法を援用して実施した実験の結果＞
（スケジュール条件の説明）
以下では、本スケジュール構成法と分析方法を採用して、既に実施済みの実験結果を紹介する。図１７は、高校生に英単語の学習を一定のスケジュールに従って継続してもらった長期学習実験における、自己評定値に見られる学習の積み重ねの平均的な様子である。横軸はインターバルユニット（24日：約１ヶ月）の順番（このスケジュールでは月に対応）、その中にある各棒グラフは提示条件（１〜８回の学習条件）、縦軸はそれぞれに対応する自己評定値（成績）を意味する。
【０１９３】
なお、実際のところこの実験は複数のインターバル条件を考慮しているが、ここでは１つの条件についてのみ説明する。この実験のスケジュール条件を上記の言葉で表せば以下のようにまとめられる。
【０１９４】
・タイミング条件：インターバルが１ヵ月＝１ヵ月（24日とする）に１日のペースで学習する条件
１日を最小のイベント期間とすれば，次のようにコード化される。
【０１９５】
１日２日３日４日…24日25日 26日……48日49日…
1 0 0 0 ……0 1 0 …… 0 1 ……
ちなみに，１ヵ月（24日とする）を最小のイベント期間とすれば，次のようにコード化される。
【０１９６】
１ヵ月 ２ヵ月 ３ヵ月 ４ヵ月 ５ヵ月 ６ヵ月目
１ １ １ １ １ １
・呈示条件１（繰り返し回数）：反復回数で１〜８回の８条件
・呈示条件２（学習方法）：Ｄ（英単語の熟知度評定を行わずドリル学習を行う条件）
・イベントサイクルユニット：24日（＝１ヵ月と呼ぶ）
・この条件ではインターバルとイベントサイクルユニットがともに１ヵ月であり、一致している。
【０１９７】
・呈示ユニット：１日
・条件ユニット：２日
・呈示ユニット内での，繰り返し回数条件の割り振り方：奇数日は１、３、６、８回条件、偶数日は２、４、５、７回条件が割り振られた。
【０１９８】
・呈示ユニット内の各繰り返し回数条件へ割り振られた単語の数：４個。
【０１９９】
・呈示ユニット内での繰り返し回数条件ののべ数は，奇数日は1+3+6+8=18，偶数日は2+4+5+7=18で同数。その条件にそれぞれ４個ずつ単語を割り振ったため，１日（呈示ユニット）での単語ののべ学習単語数は，18x4=72個で，毎日このスケジュール条件についてはほぼ同じ程度の負担が期待される（実際は他のスケジュール条件も並立させたので，負担は72個分よりも多い）。
【０２００】
・コンテンツグループ：１種類：この実験では難易度が等しい単語を用いている。
【０２０１】
（得られたデータ）
図１７の１ヵ月に１回のペースで学習する条件の単語の成績を、月をおってみると、きちんと上昇している様子がわかる。各月の中の棒グラフは繰り返し回数の条件に対応しており、各月の最初にその単語に対してなされた自己評定の反応を得点化して表している（Ａ：良い、Ｂ：もう少し、Ｃ：だめ、Ｄ：全くだめ）の評定を（Ａ＝３，Ｂ＝２，Ｃ＝１，Ｄ＝０）と点数化している。この評定値は、呈示される英単語の意味を自分がどの程度のレベルまで学習しているのかという自己評定である（学習の到達度を推定するためには非常に有効な指標になることがこの結果からもわかる）。
【０２０２】
ある単語についてその評定が１回〜８回要求され、その後１ヶ月はその単語は呈示されずに、１カ月（２４日）あけて再度呈示される条件である。この実験でこのスケジュール条件に該当する単語に限定すると、各学習回数条件に割り振られた単語の数（種類）は４８個（４個×２４日÷２）であり（のべ３８４語）、その４８個の単語が各条件に対応する回数繰り返し提示され、それぞれ最初の自己評定値が平均された値が図１７の各月の１本の棒グラフに対応している。もし、従来の方法で図１７のデータを作るとすれば、ある特定の日にのべ４８個×３６＝１７２８回単語学習を行い、その後１ヶ月のインターバルをあけて同様の評定を行ってもらう方法である（３６は、１〜８回の繰り返し条件ののべ数＝１＋２＋３＋４＋５＋６＋７＋８）。１つの単語の学習に５秒要すとすれば、１７２８個×５秒＝１４４分学習を行ってもらう必要がある。
【０２０３】
たった１回〜８回の学習条件で実質３８４語の単語の学習だけであっても、続けて２時間も学習をしてもらう必要がある。これではとても学習の均質性は保証できず、また、膨大な学習内容を一気に学習者に呈示することも不可能である。
【０２０４】
つまり１日あたりの学習ののべ数を減らさなければならないわけである。ところが、１日の学習を何日かにわければ今度はその学習とテストの間のインターバルや学習条件の統制が難しくなる。
【０２０５】
本発明は、インターバル条件を統制しつつ、１日あたりの学習ののべ数を減らし、一度に配信するコンテンツ量を減らし、かつ１日の学習条件（学習の質）を等質にして、その効果を厳密に測定する方法を提供する。
【０２０６】
また、呈示ユニットの作成法の部分で少し説明したが、自己評定などの評定者の反応の基準は日々変動するが、この変動や個人差を排除して、厳密に呈示条件の効果等を推定する方法として、同一呈示ユニット内に比較検討したい呈示条件を配置し、その条件に割り振られたコンテンツに対する反応の差をとる方法がある。
【０２０７】
例えば、図１７において、１カ月目の各学習回数条件の単語の最初の評定値をベースラインとして、２ヶ月目以降の評定値から引けば個人差を排除することができる。さらに、個人差を排除した得点について、各月の、８回学習条件と１回学習条件に対する得点の差をとれば、判定基準の日内変動の影響を排除した、非常に厳密な学習の効果を推定することができる。ただし、判断基準の変動を厳密に排除できるのは、８回学習条件と１回学習条件が、同じ呈示ユニット内に配置されていた場合である。従って、このような変動を排除するためには、（条件ユニット内に限らず）同一呈示ユニット内に比較検討が可能な呈示条件を配置しておく必要がある。
【０２０８】
これまで膨大な学習コンテンツを一定のスケジュールで学習した場合の学習の進み方を客観的に測定できなかった理由は、本発明のような方策が考えられなかったからである。本発明によれば、非常に膨大なコンテンツ（対象）を一定のインターバル条件で学習（判断や評定）していった場合の反応の変化を厳密に捉えることが可能になる。
【０２０９】
図１７は，23人の学習者の平均データであるが，これを個人ごとに描き出すことも可能であり，本発明で提案する学習段階の到達度の自己評定を成績に換算する方法によると，個人のデータをもとに一人一人の到達度の予測も可能なほどの予測力が得られることも明らかになっている。図１８Ａ、Ｂ、Ｃに，実際に実施した結果得られた３名の学習者の個人データとその予測関数（単純な回帰直線を引いたもの）を示した（図１７の学習スケジュールとは異なる実験のデータ）。予測方法は，様々な関数が考えられるが，本発明を利用すれば予測のための正確で客観的なデータを収集することが可能であることがわかる。ちなみに図１７，１８Ａ、Ｂ、Ｃのように学習効果の変化を詳細にまた個人ごとに描き出しているデータは現在世界のどこにも存在しない。また，単語の１回の学習に要する時間を別の反応指標として記録することも可能であり，その分析結果からも興味深い事実が明らかになっているが，詳細は省く。図１７や図１８Ａ、Ｂ、Ｃは，到達度の自己評定や到達度を把握する一つの指標とすることの有効性を示しているが，このスケジューリング法に基づきデータを収集することにより，それ以外の指標にも非常に詳細な学習の効果が描き出されている。
【０２１０】
特に，この実験例のように，１ヵ月に１回というタイミング条件を採用し，そのタイミングに合わせて反応データを表示すると，学習をある期間継続した時点で，その後の学習の進み方の予測も可能になる。この実験では１〜３，４ヵ月目までの反応データを図１８のように整理すれば，個人ごとに１ヵ月に１回のイベントの効果は異なっても，その個人の学習到達度が一定のレベルになるのに何ヵ月必要かという予測が可能になる。さらに，多人数が同じスケジュール条件で学習を継続し，そのデータを収集・蓄積すれば，それをデータベースとして，ある個人がそのスケジュール条件で学習を行った場合の，学習の進み方を予測パターンとして返すことも実際に可能である。特に，予測したい個人の個人属性（性別，やる気の程度，学習スタイルなど）がわかれば，データベースとして既にある同じ属性を持つ学習者の集団を特定し，その反応データを正確な予測パターンとして返すことが可能である。スケジュールを統制して反応データを収集する，スケジュール固定法の予測方法になる。
【０２１１】
(14)実際の実施日からタイミング条件を記述し直す方法
評定者の反応の実施日を厳密に規定しにくい場合がある。例えば英単語の実験でも，１ヵ月に１回のペースを学習者にきちんと守るようお願いしても，実際はきちんとそのペースで学習はなされない。コンテンツの数が多い場合など，多くの場合評定の実施日は個人の自由意思に依存し，計画の通りにいく場合は少ない。このような場合，学習者全員が一定のスケジュールに沿って学習をしたとはいいにくく，タイミング条件の統制が不十分になる可能性がある。しかし，本発明で提案する条件ユニットや，各イベントサイクルユニットでコンテンツを同じ順序で配置する方法をとることにより，若干のタイミング条件の変化に対しても，呈示条件の効果の比較など，比較的高い精度でデータの分析が可能になる。
【０２１２】
また，当初意図したタイミング条件でスケジュールの実施ができず，個人ごとにかなりタイミングにばらつきが出た場合も，イベントサイクルユニットで呈示されるコンテンツが，実際に呈示され，イベントが生起した期日を記録していくことにより，逆に，実際に評定を行ったタイミング条件を記述しなおすことも可能である。
【０２１３】
例えば，英単語の学習の例で，次のような1ヵ月に１回というタイミング条件を計画したと想定する。
【０２１４】
計画：１ヵ月に１回のタイミング（最小のイベント期間を１ヵ月としたとき）
１ヵ月 ２ヵ月 ３ヵ月 ４ヵ月 ５ヵ月 ６ヵ月目
１ １ １ １ １ １
ところが，計画と違い，実際の学習者は，１，２，３ヵ月までは１ヵ月に１回のペースでほぼ学習していたのが，４ヵ月目に予定されていた学習が４,５ヵ月の２ヵ月間かかってしまったとする。その場合のタイミングを表現するために，イベントの生起（つまり，コード化で１を立てる時期）を各イベントサイクルユニットの最終日に対応させれば，次のように書き直せる。
【０２１５】
実際のタイミングの表記（イベントサイクルユニットの最終日をイベントの生起とする）
１ヵ月 ２ヵ月 ３ヵ月 ４ヵ月 ５ヵ月 ６ヵ月目
１ １ １ ０ １ １
なお，タイミング条件におけるイベントの生起を対応付ける日は，イベントサイクルユニットの最終日のほかに，開始日，中央日，イベントの実際の生起密度などを考慮して決めることもできる。
【０２１６】
なお，タイミング条件のコード方法に関連して補足しておくが，上で言う１ヵ月，２ヵ月とは，タイミング条件を記述するためにあるもので，実際の月とは違う。イベントの生起をイベントサイクルユニットの最終日に対応させたとしても，最小のイベント期間を１日とした場合のコード表現は，次のように１日のセルに１がたつ表現になる（一番初めの日のイベントが全て１になるように後のほうのタイミング表記をずらすことが一般的である）。
【０２１７】
１日２日３日４日… 24日25日26日… 48日49日…
1 0 0 0 …… 0 1 0 …… 0 1 …
(15)長いインターバルをおいて生起するイベントの効果を短期間で予測する方法
英単語の実験結果を例にすると，図１８は，１ヵ月に１回のペースで学習（イベント）を継続していった場合に学習の効果がどのように表れるのか，また，同じスケジュールで学習を続けていった場合に，学習が完了するのにどのくらいの期間が必要であるのかを予測することも可能であることがわかる。しかし，その予測は図１８Ａ，Ｂ，Ｃのように，３，４ヵ月程度学習を継続しないと導き出すことは難しい。見通しがなく，３ヵ月程度の学習を継続する場合，案外やる気が続かないものである。つまり，もっと短期間で学習などのイベントの効果の表れ方の見通しを得たい場合がある。そのような予測を可能にする方法を説明する。
【０２１８】
わかりやすくするため，ここでは１ヵ月を24日，１週間を６日として説明を行う。
【０２１９】
(a)１ヵ月に１回のペースでイベントが生起する長いインターバルのスケジュール条件と，１週間に１回のペースでイベントが生起する短いインターバルのスケジュール条件を，「（12）異なるスケジュール条件のすり合わせ」で説明したようにすり合わせ，同じ学習者に２種類のスケジュール条件をすり合わせた状態で学習を継続してもらい，その反応を分析すると，各スケジュール条件ごとに図１７のようなデータを得ることができる。
【０２２０】
(b)この操作を多人数に対して行うと，平均的な傾向を示す図１８Ａ、Ｂ、Ｃのような図が３つ得られる。その場合，短いインターバルのスケジュール条件の成績（例えば到達度の自己評定値）の上昇の程度は，長いインターバルのスケジュール条件のそれよりも大きいことが予想される。そこで，例えば，その傾きの比を特定すれば，短いインターバルのスケジュールの成績の上昇の傾きから，長いインターバルのスケジュールの傾きを表現することが可能になる。
【０２２１】
(c)成績の上昇の仕方を予測したい個人が，短いインターバルのスケジュール条件と長いインターバルのスケジュール条件をすり合わせた同じスケジュールを１ヵ月実行すると，短いインターバルのスケジュール条件について成績の上昇の傾きが得られる。その傾きと(b)で特定されている傾きの比と，その時点で１ヵ月分収集されている長いインターバルのスケジュール条件のデータを初期値として用いれば，その個人が長いインターバルのスケジュール条件で学習を継続した場合の成績の変化を１ヵ月学習を行った時点で予測することができる。
【０２２２】
なお，この予測法は，スケジュール固定法だけでなく，後述するフリーアキュムレーション法でも同様に適用可能である。
【０２２３】
＜実施の形態２＞
フリーアキュムレーション法
この方法は，タイミング条件が類似したイベントに対する多人数の反応データと学習者情報が蓄積されたデータベースに基づき，ある人が任意のタイミングであるイベントに反応をする場合の反応パターンの変化など，反応パターンの予測をすることを目指す行動推定法である。
【０２２４】
（タイミング条件の利用法）
従来，性別や住所，学歴といった様々な個人属性の組み合わせごとに，それに合致する多人数の反応パターンを参考データとして，その特定の属性の組み合わせに合致する別の個人の反応パターンを推定することは行われてきたが，あるイベントを経験してきた個人のその後の反応パターンを予測する際に，それ以前の時間的なタイミングの要因（経験）を統制して利用する方法はなかった。本発明は，実施形態１で述べてきた，スケジューリングの方法などを活用し，タイミングの要因を考慮して，個人の反応パターンを予測する精度を上げる方法を提供する。
【０２２５】
ある一定のタイミング条件でイベントを経験した個人の反応を予測するためには，タイミング条件と、呈示条件で表されるスケジュール条件の場合わけが必要である。例えば，学歴の種類が各種あるため，学歴の種類ごとに個人を分類することができるのと同様に，タイミング条件を一定の枠組みで表現することが必要である。その方法は，既に説明した，スケジュール条件のコーディング方法で実現できる。
【０２２６】
例えば，１日おきに１回学習するタイミング条件（Ａ1）と，４日おきに１回学習するタイミング条件（Ａ2）は，１日を最小期間として15日分を表せば，次のように表せる。
【０２２７】
１日おきに１回ずつ学習するスケジュール
Ａ1＝（１０１０１０１０１０１０１０１）
４日おきに１回ずつ学習するスケジュール
Ａ2＝（１００００１００００１００００）
Ａx＝（１０１１００００１０１１００１）
このコードを利用して，タイミング条件の分類や類似度の計算などを行うことができる。例えば，上のＡxというタイミング条件で１回ずつ学習をした人のタイミング条件と，上の２つのタイミング条件の類似度はどの程度かを計算すると，単純に内積を類似度とすれば（内積を計算する前に，各セルの前後に重み付けをするような変換をしてもよい），
Ａ1＊Ａx＝５
Ａ2＊Ａx＝２
となって，最も似ているタイミング条件を特定することもできる。一定の類似度以上のタイミング条件でイベントを経験した複数の人の反応データから，代表的な反応パターンを生成すれば，でたらめなタイミング条件でイベントを経験した人のその後の反応の変化の予測パターンとして返すことも可能である。
【０２２８】
例えば、タイミングの類似度を横軸にとって、その類似度をとった人の数を縦軸にすれば、類似度に対する分布が描ける。その分布を見て、1つの山の形になっていると判断すれば、全体の類似度の平均とＳＤを算出し、平均＋−２ＳＤや、平均＋−３ＳＤ以内の学習者に限定して、その学習者の到達度のデータの代表的な値を算出すればよい。到達度データの代表的な値（変化パターン）を描き出す方法はいろいろ開発されるだろうが、一番単純なもので、到達度の変化が直線的に上昇するような場合は、その傾きを個人ごとにだし、前述した範囲に含まれる全学習者の傾きのその平均値を予測値の傾きとして代用する方法などが考えられる。もちろん各種多変量解析の手法で学習者の分類をすることはさまざま可能である。
【０２２９】
分布がいくつかの山に分けられそうであれば、それぞれの山ごとに分布のＳＤを出して、範囲を限定すればよい。幾つの山から構成されるかといった判断を行う方法は、様々考えられ、これからも開発されていくはずである。
【０２３０】
つまり、様々なタイミング条件のスケジュールで学習者が英単語の学習を４ヵ月間行った１万人の反応データが収集され，各タイミング条件と反応パターンがデータベースに登録されているとする。その時点で，ある学習者が上のＡxのタイミングで15日間の学習を行ったとし，その後の学習の進み方を予測する場合を考えてみる。
【０２３１】
通常とる方法は，予測する学習者の属性（性別や学歴その他）が一致する学習者をデータベースから選び出し，その人たちの４ヵ月間の学習の進み具合を予測値として返す方法であろう。この方法では，４ヵ月間の学習のタイミングを一切考慮することはできないし，15日間の学習データを利用することもできない。そこで，タイミング条件も統制したデータベースを用い，上述したように15日間のタイミング条件と類似した個人をデータベースの中からさらに限定し，その集団の４ヵ月間の学習の進み方を予測値として返すことができる。個人の学習を行うタイミングには，その人のパーソナリティーや学習スタイルなどが反映されている可能性は大きい。タイミング条件は，その意味からも個人特性をより反映していると考えられる。抽出された集団のデータから予測値を生成する方法は，様々考えられるが，一つの例として，図１８Ａ、Ｂ、Ｃのような個人データが個人ごとに登録されていれば，その平均値を予測値として返すことができるわけである。
【０２３２】
さて，タイミング条件を利用する方法は上記のとおりであるが，この方法を採用できるためには大きな問題がある。それは，そもそもこの予測方法が成り立たつためには，タイミング条件のみが異なり，呈示条件などその他の条件は等しいスケジュール条件で，多人数の反応データが収集されてデータベースとされていなければならないという問題である。例えば，１日おきに１回学習するスケジュール条件で得られる反応データを使って，１日おきに２回ずつ学習するスケジュール条件をとる人の予測パターンを生成することは難しいわけである。
【０２３３】
この問題を解決する方法として以下では，呈示条件固定法と，スケジュール抽出法の２つを提案し，それぞれ説明を加える。
【０２３４】
（呈示条件固定法）
この方法は，まず実施の形態１で説明した，スケジュール構成法などを用い，タイミング条件以外の条件や呈示するコンテンツの属性などを全て統制し，唯一タイミング条件のみ評定者の自由意思に任せてデータを収集し，様々なタイミング条件で反応を収集し，コード化して，データベース化する。その上で，やはりタイミング条件以外の条件は同じイベントを自由なペースで経験した人の反応パターンを予測するために，その人のタイミング条件に類似した集団の反応パターンをデータベースから抽出し，その代表的なパターンをその個人の予測パターンとして返す方法である。
【０２３５】
英単語のようにコンテンツの種類が多く，呈示条件も多様で，さらに無限に想定されるタイミング条件下で生起するイベントに対する反応データから有益な情報を得ることは非常に難しい。この方法は，タイミング条件は評定者の自由に任せるが，逆に，呈示するコンテンツの種類，呈示条件の種類をある程度固定し，データを収集する点がポイントである。コンテンツの種類や呈示条件だけは評定者に任せず，コンテンツの種類と各種呈示条件を固定し，それらに基づくイベントのタイミング条件のみを評定者の自由意志に任せる。
【０２３６】
タイミング条件を評定者に任せるといっても，この方法をとる場合は全てを自由にすることにはならない。すなわち，実施の形態１で説明したスケジュール構成法を利用し，模範的なタイミング条件を想定したスケジュールを作成し，それに従ってイベントを実施する。つまり評定者には特定のスケジュール条件があてがわれるのである。しかし，そのスケジュールを実際に実行するペースは評定者の自由意志に任せるわけである。スケジュール条件を多数用意するために，様々なスケジュール条件を設定し，反応データを収集することが有効である。
【０２３７】
そもそも，実施の形態１のスケジュール固定法で実験を実施しても，本来予定したタイミングで評定者はイベントを実行するとはかぎらない。英単語学習の実験例では，ほぼ毎日学習を行うよう学習者に要求していたが，そのペースを半年以上継続することはやはり難しく，タイミングはずれてくるのが普通ともいえる。呈示条件固定法は，毎日学習をするようにといった要求は一切せず，気の向いたときにはまとめて学習したり，やりたくないときは何日もやらない状況で収集されるイベントの生起タイミングを，既述した方法でコード化し，それに対応させ反応データをデータベースに蓄積し，そのデータを利用して，タイミングの条件が類似した被験者をまとめて代表的な予測値を導こうという方法である。
【０２３８】
この方法は，評定者の反応指標や呈示条件，コンテンツの種類などが多岐にわたっているイベントに対して正確な予測を行うために適しているデータベースの構築方法である。
【０２３９】
（スケジュール抽出法）
スケジュール抽出法は，単一もしくは少数のコンテンツに対して，単純な判断が要求されるイベントに関して予測を行うための，データベースの構築法である。例えば，ある商品やサービスについてダイレクトメールを何度か郵送したり，電話で勧誘するようなことがあるが，そこで１回説明を呈示することを一つのイベントとし，それがどんなタイミングで生起したのかをコード化し，そのイベントの生起タイミングと，その商品やサービスについて，購買するかどうかの判断を関連づける方法である。このようなイベントの場合，呈示条件やコンテンツは限定されているため，タイミング条件＝スケジュール条件と考えることができる。
【０２４０】
タイミングの記述方法は，(14)実際の実施日からタイミング条件を記述し直す方法と同様であるが，(14)の方法は既にイベントサイクルユニットなどスケジュールを固定してデータを収集する方法であるが，とりたててスケジュールを固定せずにデータを収集した場合にも，同様に以下のようにスケジュール条件（すなわちタイミング条件）を記述することができる。
【０２４１】
まず，イベントの最小単位期間を呈示ユニットとして定義し，その期間内でイベントが生起していれば１を，していなければ０を与え，全イベントのスケジュール条件を記述する。例えば，5月1日，3日，4日，8日，10日に勧誘の電話をしたとする。そこで呈示ユニットを１日と定義すれば下のＡaのように，２日と定義するＡbのようにコード化できる。
【０２４２】
Ａa＝（１，０，１，１，０，０，０，１，０，１）
Ａb＝（１，１，０，１，１）
このようにしてスケジュールを定義しなおす方法がスケジュール抽出法である。この方法自体は単純であるが，既に収集されている膨大なデータを有効活用するためには，この記述がまず必要である。
【０２４３】
（イベント記述法）
限定されたコンテンツに対する単純な反応が複数回なされる場合は，上記，スケジュール抽出法を用い，さらに反応データをコード化することにより，一連のイベントを表現することが可能である。例えば，上記Ａaのように表現される，１日を最小期間とするスケジュール表現で，ある商品の勧誘の電話がなされ，それに対する，顧客の反応が次のように分けられたとする。
【０２４４】
（買わない，検討する，買う）
この反応とスケジュール（Ａa）を組み合わせて行列とすれば，次のような反応をタイミング条件Ａaでおこなった個人のイベント（Ｅa）は次のようにコード化することができる。
【０２４５】
ある個人のイベント
5月1日は「買わない」
5月3日は「買わない」
5月4日は「検討する」
5月8日は「買わない」
5月10日は「買う」
買わない：（１，０，１，０，０，０，０，１，０，０）
検討する：（０，０，０，１，０，０，０，０，０，０）
買う ：（０，０，０，０，０，０，０，０，０，１）
※上の表現は，一つの行列（３×10）とみなして下さい。
【０２４６】
このようにイベントをコード化することが可能である。
【０２４７】
（最適スケジュール推定法）
上記イベント記述法で，様々なイベントをコード化しデータベースとして登録しておくと，特定の反応を引き出すための最適なスケジュールを推定することも可能になる。
【０２４８】
ある個人に勧誘電話をかける場合，全てのデータベースの中で，最終的に買うと反応した個人のイベントデータの中から，最も多いイベントのスケジュールパターンを最適なスケジュールとして用いることや，多いイベントの中から，類似した代表的なパターンを新たに抽出しても良い（この方法はいろいろ考えられる）。
【０２４９】
さらに，ある個人（Ｔさん）について，任意のスケジュールで電話をかけて，初めて電話をかけた日からある日までの電話に対する反応を記録してあれば，その期間のＴさんのイベントを上記によってコード化し，さらに，既に登録されているイベントデータの中から，その期間に対応するイベントコードが，Ｔさんのそれに類似している何人かの個人を特定することはできる。さらに，その中で，「買う」という反応を行った個人を抽出し，その集団に対して行われた，その期間以後の代表的なスケジュールを，「買う」という反応を導くための最適なスケジュールとして抽出する方法である。この抽出の方法は，最も典型的なスケジュールであっても良いし，その他の方法も考えられる。もちろん，このイベントに，様々な個人属性を識別情報として用いれば，推定の最適度は上がる。
【０２５０】
このように，単純な反応が期待され，コンテンツも限定的なイベントに対しては，イベントをコード化することにより，スケジュールを推定することも可能である。
【０２５１】
以上のように，スケジュール条件やイベントをコード化することのより，スケジュールやイベントのクラスタリングも可能になるであろうし、データが集められていないスケジュールやイベントに対しても、反応などの予測も可能になる。スケジュールの要因が反応データを説明する変数として大きな意味を持つことは予想できるが、さらにスケジュールの要因を組み込んだ場合、そこで得られるデータには、時系列における変化を表すデータを含むことになる。スケジュールの要因を考慮しさらに時系列データを利用することで、反応の予測力は高まるはずである。
【０２５２】
（１６）コンテンツの階層構造の推定
一定のスケジュール条件における各コンテンツグループに対する反応を分析することが可能になる。そうなれば、コンテンツグループ間の関係も推測できる。
【０２５３】
例えば、英単語と英文法、長文読解のコンテンツについて、特定のスケジュールの組み合わせに基づきデータを収集していけば、ある長文読解が十分できるようになるのに必要な英単語や文法の学習レベルを推定することも可能である。また、最も長文読解の成績が上がりやすいスケジュールを見つけることも可能になる。
【０２５４】
＜実施の形態４＞
以下に上記で述べたコンピュータによるスケジュールテーブルの作成方法を図１９Ａ、Ｂ及び図２０のフローチャートを用いて補充する。
【０２５５】
図１９Ａに示すように、オペレータによって入力された、例えば４ヶ月の学習期間ｈａと、１日毎に１回、４種の単語を学習するとする学習スケジュールｈｂと、コンテンツＣｉ（高校１年の単語）とを読み込む（Ｓ１）。
【０２５６】
次に、イベントサイクルユニット生成手段がこれらの学習予定条件を解読し、学習期間ｈａが４ヶ月（一ヶ月を２４日とする）で学習スケジュールｈｂが１日に１回とされていた場合は、１回の学習後に２ヶ月のインターバルを取って再び同じ単語を学習するイベントサイクルユニットｍｉを一日を最小単位として各日毎に生成して（Ｓ２）、コード化（図１９Ｂ参照）する（Ｓ３）。
【０２５７】
次に、生成したイベントサイクルユニットｍｉの１日目〜４８日目（２ヶ月分）を第１イベントサイクルユニットｍｉｐとすると共に、４９日目〜９６日目（次の２ヶ月分）を第２イベントサイクルユニットｍｉｑとして定義（図１９Ｂ参照）する（Ｓ４）。
【０２５８】
そして、コンテンツファイルから高校１年の英語の単語を難易度ｇｉに従って４種類毎に分けたグルーピングを行う（Ｓ５）。
【０２５９】
次に、４日分を１６種類で４日に一度は前の呈示条件を出し、かつ一日毎に回数相違の条件ユニットｆｉを生成してコード化する（Ｓ６、Ｓ７）。
【０２６０】
次に、第１のイベントサイクルユニットｍｉｐ及び第２のイベントサイクルユニットｍｉｑに条件ユニットｆｉを割り付（図１９Ｃ参照）ける（Ｓ８）。
【０２６１】
すなわち、図４に示すように、イベントサイクルユニットｍｉｐ、ｍｉｑに条件ユニットｆｉを１２個割り付けている。
【０２６２】
次に、図２０に示すように、条件ユニットｆｉの初めの番号を設定した後に（Ｓ９）、１日分を４種類のコンテンツとする呈示ユニットＰｉを生成して、第１のイベントサイクルユニットｍｉｐに割り付ける（Ｓ１０）。
【０２６３】
次に、４日分１６種のコンテンツＣａｑをグルーピングされたコンテンツＣａから決定する（Ｓ１１）。
【０２６４】
次に、決定したコンテンツＣａｑから１日分の４種類の単語ＣＱ（ＣＱ１、ＣＱ２、ＣＱ３、ＣＱ４）を決定する（Ｓ１２）。
【０２６５】
次に、この単語ＣＱからＣＱ１を抽出して（Ｓ１３）、このＣＱ（ＣＱ１）の難易度ｇｉを読み込む（Ｓ１４）。次に、読み込んだ単語ＣＱ（ＣＱ１）の難易度ｇｉに従って、ＣＱに対して回数Ｎｉを決定する（Ｓ１５）。
【０２６６】
そして、呈示ユニットＰｉに４種のコンテンツの回数Ｎｉ（呈示条件）を割り付ける（Ｓ１６）。この回数が割り付けられた呈示ユニットを呈示ユニットＰＱともいう。
【０２６７】
次に呈示ユニットＰＱが４個生成されたかどうかを判断する（Ｓ１７）。ステップＳ１７において、呈示ユニットＰＱを４個生成していないと判定したときは、ＣＱを更新して処理をステップＳ１４に戻す（Ｓ１４）。
【０２６８】
また、ステップＳ１７において、呈示ユニットＰＱが４個と判断したときは、条件ユニットｆｉが１２個目かどうかを判断する（Ｓ１９）。ＮのときはＣＱを更新して処理をステップＳ１４に戻す（Ｓ１８）。
【０２６９】
ステップＳ１９において、ｆｉが１２個目に到達していないときは、条件ユニットｆｉ番号を更新して（Ｓ２０）、処理をステップＳ１３に戻す。
【０２７０】
このような処理を行うことで、図５に示すイベントサイクルユニットｍｉｐのスケジュールテーブルを得ることが可能となる。
【０２７１】
また、ステップＳ１９で条件ユニットｆｉが１２個と判断したときは、イベントサイクルユニットｍｉｐのテーブルを第２のイベントサイクルユニットｍｉｑのテーブルとする（Ｓ２２）。
【０２７２】
これによって、図２１Ａに示すように、スケジュールテーブルは、通し番号（ＮＯ）と、月日（ＭＯＮＴＨ・ＤＡＹ）と、後述するコンテンツ識別条件コード（ＣＯＮＤ）と、属性情報（難易度、重要度等）の条件コード（ＴＹＰＥ）と、学習法の種類を示す条件コード（ＩＤＲ）と、図示しない繰り返し回数を示す条件コード（ＲＥＰＥＡＴ）と、イベントサイクルユニットの単位を示す条件コード（ＣＹＣＬＥ）と、イベントサイクルユニットの最小単位を示す条件コード（ＩＮＣＹＣＬＥ）と、コンテンツの数を示す条件コード（Ｎ）と対応させたテーブルを生成できている。
【０２７３】
そして、このスケジュールテーブルに基づいて、図２１Ｂに示すように、スケジュールテーブルが１日目に４種のコンテンツ（１０１、１０２、１０３、１０５）を送信するとし、１０１の呈示条件が３回、１０２が１回、１０３が３回、１０５が２回としている場合は、１日目は１０１、１０２、１０１、１０５、１０３、１０５、１０３、１０１、１０３という具合にされたリストを生成し、これを端末に配信する。
【０２７４】
このような、スケジュールテーブルに従って、学習させて、その結果を収集して学習効果を解析する。
【０２７５】
＜実施の形態５＞
本実施の形態では学習情報（英単語）を予め用意しているスケジュールに基づいて学習者端末に配信し、学習者によって評定された結果をサイトで収集して解析し、この解析結果に基づく学習効果の推移、最適なスケジュールの効果パターンを配信するシステムとして説明する。
【０２７６】
図２２はスケジュールデータ配信評価システムの概略構成図である。図２２に示すように、パソコン１、携帯電話２、モバイルパソコン３等の学習者端末４と、公衆網５（携帯電話網、一般回線を含む）と、インターネット６と、学習スケジュールサービスサイト７と、企業のサーバ８、助言者端末１５等からなるシステムである。
【０２７７】
前述の学習スケジュールサービスサイト７は、少なくともスケジュールテーブル９と、コンテンツファイル１０と、個人履歴ファイル１１、送信リストファイル１２等を備え、企業のサーバ８からのコンテンツＣｉをコンテンツファイル１０に保存した後に、後述するスケジュール生成法で作られたスケジュールテーブルに基づく送信リスト（呈示リストともいう）の学習コンテンツもしくは呈示順序情報をインターネット６および必要に応じて企業サーバ８を介して学習者端末４に配信し、学習者はその学習コンテンツに対する反応を、学習者端末４を操作して入力して、インターネット６を介して学習スケジュールサービスサイト７に返信する。
【０２７８】
学習スケジュールサービスサイト７は、返信された反応データとスケジュールテーブルを対応付け，特定のスケジュールにおける学習者の反応履歴データを記録し、この履歴データに基づいた分析パターンを生成して、この分析パターンの変化およびそれに対する適切な助言などを学習者や教師等にフィードバックする。
【０２７９】
すなわち、学習者端末４と様々な通信ネットワーク（インフラ）を利用し、サービス主体（サイト）が様々なコンテンツ（評定する内容のカテゴリー）に含まれるひとつひとつの項目を、１回もしくは複数回、特定のスケジュールで配信し，その内容に対して、学習者の反応を収集する。
【０２８０】
また、学習スケジュールサービスサイト７は、複数の学習者の評定値や日時等のデータを収集し、履歴データとして蓄積し、そのデータを特定のスケジュールなどに関連付け分析し、それぞれの内容に対する個人の評定時点の状態やそれまでの状態の変化，その後の変化の予測，他の利用者との比較などをフィードバックする他，蓄積されるデータを分析することにより、学習者が利用可能な評定スケジュールや助言などを提供する。
【０２８１】
また、本サイトのサービスを利用する上で、学習者の性別や生年月日や地域や学年や希望する進路，職業等々の個人情報を登録させ，その個人情報と個人の履歴データの他，複数の評定者の履歴データをもとに，評定項目に対する個人の判断状況や，全体的な傾向を明らかにし、学習者又は第３者（助言者）に情報提供している。
【０２８２】
なお、学習スケジュールサービスサイト７、企業のサーバ８は、情報をハイパーテキスト形式で表した分散データベースシステム機能を備え、インターネット上の情報を統一的に得ることを可能としており、ハイパーテキストはテキスト中にポインタが埋め込まれ、そこから関連情報にジャンプできる構造を持ち、情報はＨＴＭＬで記述し、ポインタやリンクが指定されることによって次々と新しいテキストファイルにジャンプして必要な情報を得る。
【０２８３】
つまり、指定されたホームページのＨＴＭＬソースコードをクライアント（学習者端末４）のブラウザへ転送し、クライアントからの要求に応じた画像等の情報ファイルを送信する。
【０２８４】
また、パソコン１、携帯電話２、モバイルパソコン３等の学習者端末４は、ブラウザ機能を備え、学習者の指定するホームページのＵＲＬコードに従って、このＵＲＬを持つサイトに対してＨＴＭＬなどの情報の転送要求をする。
【０２８５】
そして、届いたＨＴＭＬを解析し、表示部分を画面に表示すると共に、このＨＴＭＬに画像などのリンク情報が存在していた場合は、この画像の転送要求を行う。
【０２８６】
つまり、入力（指定）されたＵＲＬを元にアクセスを行い、その先頭ページ（ホームページ）の転送要求を送信し、送られてきたＨＴＭＬソースを解析すると共に、画面に表示し、さらにはＨＴＭＬに含まれるＣＧＩスプリクトなどの転送要求を行う。
【０２８７】
（サイトの構成）
図２３はサイトの概略プログラム構成図である。学習スケジュールサイト７は、図２３に示すように、サービスメニュー選択工程１４と、個人情報生成工程１７と、標準スケジュール選択工程１８と、スケジュールテーブル生成工程１９と、送信リスト生成工程２０と、履歴生成工程２１と、学習効果パターン分析工程２２と、パターン更新工程２４と、効果パターン配信工程２３等を備えている。
【０２８８】
また、コンテンツファイル１０と、スケジュールテーブル９と、サービスリストファイル１６と、個人情報テーブル２５と、個人反応履歴テーブル２６と、送信リストファイル１２等を備えている。
【０２８９】
（各テーブルの構成）
コンテンツファイル１０は、企業のサーバ８からインターネット経由で送信されたコンテンツＣｉを記憶している。
【０２９０】
例えば、図２４のＡに示すように、識別コード（Ｃｉ）と、学習コンテンツ（英単語と日本語の対）と、属性情報とを一組としたレコード単位で構成されている。
【０２９１】
前述の属性情報は、コンテンツのレベルと、熟知度（この単語の学習者ランクで知っているとする一般的な％）と、難易度（熟知度で決定した難易度）と、関連情報（Ａという教育内容を学習する前にＢという教育内容をどの程度学習して置く必要があるかという情報）と、階層性（コンテンツを学習する前に学習するコンテンツの番号）等からなる。
【０２９２】
また、コンテンツは、英単語だけではなく三角形の面積を計算する問題、長文読解、掛け算とわり算等、学習者端末で提示可能な学習内容でもよい。
【０２９３】
図２４のＢは、個人情報テーブルであり、識別番号ＩＤと氏名と電話番号と住所と年齢とＥメールアドレス、口座番号等（総称して利用者情報という）と、選択したスケジュールとを一組としたレコード単位で構成されている。
【０２９４】
図２４のＣはコンテンツグルーピングテーブルであり、例えば、難易度が同じレベルの英単語と属性情報とを一組としたレコード単位で構成され、後述するスケジュールテーブルに従ってグルーピングされる。
【０２９５】
このコンテンツのグルーピングは、個人の特徴や一般的な傾向を明らかにしたり的確な予測を行うためには、評定など反応を要求するコンテンツの質を明確にしておく必要がある（個々の商品や英単語に対する反応の変化が関心事であれば、グルーピングを行う必要ない）。
【０２９６】
配信した学習コンテンツに対する個人の反応傾向を見るためには、その個人に対して送信した複数のコンテンツの反応の代表値をとることが望ましい。
【０２９７】
このため、各タイミング条件Ａｉと呈示条件Ｂｉ（学習の回数；学習の強さ）の組み合わせごとに、複数の類似したコンテンツを用意する。
【０２９８】
例えば、英単語なら難易度などが同レベルの単語，学年ごとに必要な単語または、学習者が設定した難易度が同程度である単語、学習者の設定した難易度と、エキスパートの評定した難易度の差が同程度である単語というような一定の属性でコンテンツ項目をまとめる（属性情報を付加する）ことである。
【０２９９】
ただし、三角形の面積を計算する問題であれば，面積＝底辺×高さ／２という公式を問う問題とかけ算とわり算の計算問題をひとつにまとめることも考えられるが、できる限りコンテンツの内容は細かくし、それぞれとスケジュールの各呈示条件、イベントサイクルユニットとを対応させてデータを取れるようにすることが望ましい。
【０３００】
また、特定のスケジュールの反応は、コンテンツによって異なってくると考えられ、複数の属性を持つコンテンツの集合に対するスケジュールの効果は、コンテンツの集合が変われば違うものになる可能性が高い。つまり、コンテンツの要因とスケジュールの要因をできる限り分離することにより、分析の精度を上げることが必要である。
【０３０１】
なお、コンテンツのグルーピングに当たっては、コンテンツを等質にし、できるだけ細かくグルーピングすることにより、得られたデータを用いて、逆に質の異なるコンテンツグループ間の関係を、スケジュールとそれぞれのコンテンツグループに対する反応とから推定することが可能になる。
【０３０２】
例えば、三角形の面積の問題を例にすれば，三角形の面積の計算問題と、底辺×高さ／２という公式を問う問題、かけ算とわり算の計算問題と３つのコンテンツグループに分け、それぞれの成績を様々なスケジュールで収集すれば、三角形の面積の計算問題を子どもに呈示するために最適なスケジュールを、公式とかけ算・わり算の学習スケジュールに対応づけて推定することが可能になるはずである。
【０３０３】
図２５はスケジュールテーブルを説明する説明図である。図２５のスケジュールテーブルは、通し番号（ＮＯ）と、月日（ＭＯＮＴＨ・ＤＡＹ）と、後述するコンテンツ識別条件コード（ＣＯＮＤ）と、属性情報（難易度、重要度等）の条件コード（ＴＹＰＥ）と、学習法の種類を示す条件コード（ＩＤＲ）と、繰り返し回数を示す条件コード（ＲＥＰＥＡＴ）と、イベントサイクルユニットの単位を示す条件コード（ＣＹＣＬＥ）と、イベントサイクルユニットの最小単位を示す条件コード（ＩＮＣＹＣＬＥ）と、コンテンツの数を示す条件コード（Ｎ）と一組とするレコードで構成している。
【０３０４】
前述の学習法の種類（ＩＤＲ）は、例えば３種類存在（ＴＤＦ）する。１種類（Ｔ）は例えば学習をする単語を直前に見せてその学習者熟知度を評定させる学習法、２種類目（Ｄ）は学習する単語を直前に見せないでその熟知度を評定させる学習法、３種類目（Ｆ）は例えば１月の最後に熟知度のテストを行う学習法である。また、学習時間の違いや、要求される反応の違いなどで様々な種類の学習法が想定できる。
【０３０５】
また、「ＭＯＮＴＨ」、「ＤＡＹ」は、学習するイベントの繰り返し周期（イベントサイクルユニット）を代表するための順番を表す。
【０３０６】
また、繰り返し回数（ＲＥＰＥＡＴ）は時間、学習の強さなどでもよい。
【０３０７】
前述の学習法、繰り返し回数は呈示条件に相当する。つまり、様々な呈示条件をコード化しておけば、その条件毎の詳細な予測が可能となる。
【０３０８】
従って、図２５のスケジュールテーブルの通し番号「１」のコンテンツ識別条件コード（ＣＯＮＤ）は、通し番号に対応させた各種条件のコードを纏めたものである。例えば、通し番号「１」の「Ｂ１Ｔ０１ＣＹ０１０１Ｒ０１」は、Ｂ１というタイプの属性の単語で、Ｔの学習法（呈示条件１ともいう）、１回の繰り返し回数（Ｒ０１；呈示条件２ともいう）、１月のイベントサイクルユニット（ＣＹ０１）、一日の最小単位（０１）で１個のコンテンツを提供するスケジュールデータとなっていることを示す。
【０３０９】
このようなスケジュールテーブルは、後述するスケジュールテーブル生成部（コンピュータ）によって予め作成される。
【０３１０】
図２６は呈示リストテーブルの概略説明図である。この呈示リストは、図２５のスケジュールテーブルに基づいて作成される。
【０３１１】
この呈示リストは、呈示順番（月日）とコンテンツ情報（番号、単語、日本語）とを一組としたレコード単位で構成されている。
【０３１２】
例えば、図２５に示すスケジュールテーブルの番号１、２、３、４を例にし、Ｂ１（難易度：小）の属性情報に対応する英単語のコンテンツを「Ｃ１０１」、Ｂ２（難易度：中）の属性情報に対応する英単語のコンテンツを「Ｃ１０２」、「Ｃ１０３」、Ｂ３（難易度：大）の属性情報に対応するコンテンツを「Ｃ１０４」とすると、１月１日に「Ｃ１０１」が１回、「Ｃ１０２」が８回、「Ｃ１０３」が１０回、「Ｃ１０４」が１６回だけ、ばらばらな順番や一定のルールに従った順番で書き込まれている。尚、一定のルールとは、例えばできるだけ同じコンテンツが連続して呈示されないようにするといったルールで、このルールはすなわち、ひとつの学習方法（呈示条件）にもなる。
【０３１３】
また、サービスリストファイル１６は、図２７に示すような学習効果グラフを記憶している。この学習効果グラフは、スケジュールテーブルに従って学習したときの平均的な効果を示している。それぞれの棒グラフは一日１回、一日２回、一日３回、一日４回、一日５回、一日６回…学習したときの学習期間毎の効果の変化率に対応させている。
【０３１４】
グルーピングデータテーブル３１は、前述した、英単語なら難易度などが同レベルの単語，学年ごと必要な単語というような一定の属性で纏められたコンテンツである。
【０３１５】
具体的には、図２５の通し番号に対応するコンテンツ識別条件コードを読み、属性情報Ｂｉ（例えば難易度）に対応するコンテンツ番号（単語）を検索し、このコンテンツ番号を前述のコンテンツ識別条件コード（呈示条件、イベントサイクルユニット、数等）に従って月日に割り振って図２６のリストを生成させる。
【０３１６】
サービスメニュー選択工程１４は、インターネット、携帯電話網を介して送信された利用者情報（利用者のＩＤ、登録情報、サービス選択情報等）を読み、利用者情報がサービス提供要求を示しているときは、その利用者のＩＤを用いた認証を行って、その利用者に利用可能なサービスメニューをサービスリストファイルから抽出して利用者である学習者端末に送信させる。
【０３１７】
例えば、高校生であれば、英語、数学、物理等のメニュー、小学生であれば算数、国語等をサービスメニューとする。これらのメニューは予めサービスリストファイル１６に記憶されている。
【０３１８】
個人情報生成工程１７は、後述する学習効果パターン分析工程２２によって分析された分析結果、履歴生成工程２１で生成された個人の反応履歴を対応させて個人反応履歴ファイル２６に記憶し、個人履歴要求があったときそのＩＤに対応する分析結果及び反応履歴を利用者に提供する。
【０３１９】
標準スケジュール選択工程１８は、利用者に提供された利用可能メニューが選択されると、サービスリスト１１から選択されたメニューに対応する標準学習効果パターンを利用者端末に送信させる。
【０３２０】
この標準学習効果パターンは、例えば高校１年の英単語を学習するというメニューが選択されると図２７に示すサービス名と、そのサービス名の学習効果を示す棒グラフと、選択する学習回数とからなる。また、標準学習効果パターンは、例えば中学１年の英単語が難易度毎に区分けされて一かたまりの中学１年の標準的な学習効果パターンとして記憶されている。
【０３２１】
スケジュールテーブル生成工程１９は、オペレータが入力した学習期間、コンテンツ名、属性情報に従ったスケジュールテーブルを予め作成し、これをスケジュールテーブル９に記憶する。このスケジュールテーブルの生成については詳細に後述する。
【０３２２】
送信リスト生成工程２０は、標準スケジュール選択工程１８で選択された標準学習スケジュールの識別コードに対応するスケジュールテーブルを引き当てる。
【０３２３】
そして、引き当てたスケジュールテーブルの中から選択された学習期間に相当する月日のコンテンツ識別条件コードを全て読み込む。
【０３２４】
そして、年月日および呈示条件にコンテンツを対応させた後述する呈示リストを生成し、これを送信リストファイルに記憶して、学習者端末に送信する。
【０３２５】
履歴生成工程２１は、学習者端末からの反応データ（コンテンツ識別条件コード、学習者ＩＤ、反応）等を収集し、これをコンテンツ識別条件コードに対応させて反応履歴ファイル２７に記憶すると共に、個人反応履歴ファイル２６に記憶する。
【０３２６】
学習効果パターン分析工程２２は、反応履歴ファイル２７の反応履歴を読み、このコンテンツ識別条件コードに類似するパターンの反応履歴の中から最も代表的な履歴を、以後の学習効果のパターンとして学習者端末にフィードバックすると共に、個人履歴反応ファイルに記憶する。このとき、同じコンテンツ識別条件コードを選択した全ての学習者の反応結果パターンも同時に送信する。
【０３２７】
効果パターン配信工程２３は、企業、助言者からのアクセスを受け付け、記憶している個人履歴を提供する。
【０３２８】
学習者端末４は、学習スケジュールサービスサイト７からの呈示リストをダウンロードし、操作指示に基づいてこの呈示リストのコンテンツを画面に順次表示し、反応履歴を対応させて記憶する。そして、この反応履歴を、インターネットを用いて学習スケジュールサービスサイト７に送信する。
【０３２９】
上記のように構成されたシステムについて図２８、図２９のシーケンス図を用いて以下に動作を説明する。
【０３３０】
（学習者情報の登録）
学習者は本システムのサービスの提供を受けるに当たっては、端末Ａを用いてインターネットで学習スケジュール配信サイトとアクセスしてホームページの提供を受ける（ｄ１、ｄ２）。
【０３３１】
次に、登録を選択して、個人情報登録入力画面を開き（ｄ３、ｄ４）、氏名、電話番号、Ｅメール、口座番号、住所、年齢等を入力して送信させる（ｄ５）。学習スケジュールサービスサイト７の個人情報生成工程１７は、これらの情報を、ＩＤを付加して個人情報テーブル２５に記憶して（ｄ６）、登録をインターネット６を介して学習者端末Ａ（２）に知らせる（ｄ７）。
【０３３２】
（コンテンツの配信）
次に、学習者端末の学習者は、ＩＤコード、氏名、年齢等（以下利用者情報という）を入力してコンテンツ（例えば、中学一年の英単語）を要求する（ｄ８）。
【０３３３】
学習スケジュールサービスサイト７のサービスメニュー選択工程１４は、利用者情報を受信すると、個人情報テーブル２５と比較して認証し（ｄ９）、使用できる利用者と判断したときは、ＩＤコード、氏名、年齢、選択したコンテンツ名（以下総称して利用者選択情報という）を、個人情報生成工程１７を用いて個人反応履歴ファイル２６に記憶させると共に、標準スケジュール選択工程１８に知らせる（ｄ１０）。
【０３３４】
次に、サービスメニュー選択工程１４は、認証が「使用可能」とされると、利用者選択情報に基づいて利用可能とするサービスリストをサービスリストファイル１６から選択して（ｄ１１）、利用者端末Ａに送信する（ｄ１２）。
【０３３５】
学習者端末Ａは画面にこのサービスリスト（複数のグラフ）を表示する。例えば、図２７に示すサービスリストを表示する。
【０３３６】
次に、学習者端末Ａの学習者は、画面に表示された複数のグラフから所望の棒グラフリストを選択し、この選択されたグラフリストの棒の効果を見て所望の学習スケジュールを選択する。この選択は、月軸のいずれかの月（学習期間：例えば４ヶ月）と、回数とを選択する。
【０３３７】
学習者端末は、選択されたグラフリスト（スケジュールパターンともいう）の番号と、学習期間と、月と回数とをインターネットを介して学習スケジュール配信サイト７に送信する（ｄ１３）。
【０３３８】
学習スケジュール配信サイト７の標準スケジュール選択工程１８は、学習者端末Ａからのスケジュールパターンの番号と、学習期間と月と回数とを利用者情報（総称して利用者選択履歴情報という）に対応させて個人反応履歴ファイル２６に記憶する（ｄ１４）。
【０３３９】
つまり、個人反応履歴ファイル２６には、図３０のＡに示すように、年月日と利用者情報と選択したコンテンツ名と選択したスケジュール番号と期間、回数、難易度とが対応させられて記憶されることになる。
【０３４０】
次に、学習スケジュール配信サイト７の標準スケジュール選択工程１８は、サービスリスト選択工程１４から知らせられた利用者選択情報と、選択したスケジュール番号と期間と、回数と、難易度とを利用者選択履歴情報として送信リスト生成部２０に知らせる。
【０３４１】
送信リスト作成部２０は、利用者選択履歴情報を読み、スケジュールテーブル９から例えば図２６に示す呈示リスト（送信リスト）を生成して（ｄ１５）、インターネットを介して呈示リストのコンテンツと呈示リスト番号とを学習者端末Ａに送信すると共に個人反応履歴ファイル２６に記憶する（ｄ１６）。このスケジュールテーブル９からの送信リストの生成について詳細に後述する。つまり、個人反応履歴ファイル２６には呈示リストと年月日とが追加される。
【０３４２】
一方、呈示リストを受信した学習者端末Ａは、ダウンロードし（ｄ１７）、学習者が入力した年月日のコンテンツを順次画面に表示させる（ｄ１８）。
【０３４３】
例えば、図３１Ａ、Ｂに示すように、入力した年月日に対応する呈示リストのコンテンツ（コンテンツ識別条件コードに対応するコンテンツ）が枠の中に３秒間表示され（図３１Ａ）、その後に消えて熟知度の評定が行われる（図３１Ｂ）。この熟知度の評定（反応）がコンテンツ識別条件コードに対応させられて収集される（ｄ１９）。例えば、学習を行った日時、学習に要した時間、選択した判定が対応させられる。
【０３４４】
そして、この学習が終わった時点で、学習者端末は収集した反応結果をファイルから読み出してインターネットを介して順次、学習スケジュール配信サイト７に送信する（ｄ２０）。
【０３４５】
また、学習スケジュール配信サイト７の履歴生成工程２１は、学習者端末からの反応データ（学習者ＩＤ、年月日、時刻、呈示リスト番号、コンテンツ識別条件コード（呈示リストの番号でもよい）、学習に要した時間、選択した判定番号）を受信し、学習者ＩＤ、呈示リスト番号に対応する個人反応履歴情報を個人反応履歴ファイル２６から引き当て、その情報に追加する（ｄ２１）。
【０３４６】
つまり、個人反応履歴ファイル２６は、図３０のＣに示すように年月日、時刻、コンテンツ識別条件コード、判定番号等からなる反応データが学習者端末からの返信に伴って順次追加される。
【０３４７】
このような一連の処理を学習者端末Ｂに対しても行い、これを個人反応履歴ファイル２６に記憶する（ｄ２２）。
【０３４８】
従って、スケジュールテーブルのイベントサイクルユニットのスケジュール条件、呈示条件で配信したコンテンツの反応を収集したことになる。本例ではスケジュールテーブルに従って４ヶ月の反応データが収集できたとする。
【０３４９】
学習効果パターン分析工程２２は、第１イベントサイクルユニット、第２イベントサイクルユニットの呈示条件の反応結果を収集して平均化した効果パターンを生成する。この効果パターンの生成を図３２Ａ〜Ｄを用いて説明する。
【０３５０】
データの集計方法は、「落ち穂拾い」のようなイメージである。スケジュールテーブルにおける呈示条件の立て方は、簡単に言ってしまえば、１回に呈示するコンテンツが多いと評定しきれないため、それを少なくするためコンテンツ項目をインターバルユニット内に散らすことを意味している。
【０３５１】
さらに散らしてしまうとインターバルや呈示条件の統制が非常に難しくなるため、それをできる限り等しくなるようにする方策である。
【０３５２】
一方、データの集計は、逆に散りばめられたコンテンツに対する反応を少しずつ拾い集め最終的にまとまったところで代表値をとるというものである。
【０３５３】
例えば、図３２のＡ、Ｂは、呈示リストに従った反応結果を平均化して得た２名の個人データの一部である。
【０３５４】
横軸は学習開始から経過した月数を、縦軸は自己評定の成績を表している。このような個人データのみを用いて、たとえば図１８Ａ、Ｂ、Ｃのような回帰関数を推定し、その後のその個人の予測値とすることが見通しを得るひとつの方法としてある。それ以外の方法を説明する。つまりこのようなデータが個人ごとに収集され、このような個人データを多人数に関して収集して、成績の上がり方が類似する個人を複数人まとめる。
【０３５５】
さらに、任意のインターバル条件で学習を進めていく場合であっても、膨大な個人データが得られれば、類似したインターバル条件で学習を行っているような学習者を複数人まとめる。さらにその中で、類似した学習の進み方を示す学習者を複数人集める。また、個人属性が類似している個人を複数人集めてもよい。
【０３５６】
そして、フリーアキュムレーション法により、このように評定者の母集団を拡大することにより、類似したインターバルのパターンや評定パターンを示す評定者を特定し、その評定者集団のパターンの代表値を予測パターンとする。
【０３５７】
例えば、Ｘというインターバル条件（スケジュール）で学習を続けて４ヶ月経過したある個人の学習の進行パターンが図のようなパターンを示していたとする。４ヶ月以降この学習者が示す学習の進行パターンを推測する方法を考える。
【０３５８】
また、例えば、１２ヶ月学習を続けている学習者が多人数いたとする。その被験者の中で、４ヶ月目までの学習の進行パターンが予測したいある個人の４ヶ月目までの学習の進行パターンと類似した学習者集団と４ヶ月目までのインターバル条件および学校種別や地域などの個人属性が類似した集団を集め、さらに両集団に重複した学習者を抽出する。抽出された集団のデータから、その集団を代表する学習の進行パターン（例えば平均など）を合成する。その合成された代表パターンの５ヶ月目以降の学習の進行パターンを、問題としている個人の予測パターンとして利用する。
【０３５９】
より具体的には、５ヶ月目以降の学習のインターバル条件をＸというスケジュール条件からＡ，Ｂのどちらかに変更する人が多人数集まった場合、予測したいある個人の４ヶ月目までのタイミング条件のパターンと学習成績のパターンと類似したパターンを示している学習者集団のデータを参考にすれば、その個人が５ヶ月目からＡ，Ｂどちらのスケジュールを採るほうが成績の上昇を引き起こす可能性が高いのかを予測する。例えば、ある個人の４ヶ月目までの学習パターンであった場合、まずこのパターンとその個人のスケジュール条件および個人属性等が類似している学習者データを多数収集する。
【０３６０】
その集団の中で、５ヶ月目以降にＡというスケジュールをとった人の学習の進度パターンが図３２Ｃのようであり、Ｂというスケジュールをとった人のそれが図３２Ｄのようであったなら、４ヶ月目まで学習を続けている学習者が５ヶ月目以降採用すべきスケジュールはＡの方が有効である可能性が高いと予測できるので、これを以後の学習者の最適なスケジュールパターンとして配信させる。
【０３６１】
すなわち、学習効果パターン分析工程２２は、個人反応履歴ファイル２６に解析した個人のパターンをパターンファイル３０に記憶し、個人反応履歴ファイル２６にパターン番号を記憶する（図３０Ｄ参照）。
【０３６２】
そして、図２９に示すように、学習者端末Ａが解析結果を要求（年月日、ＩＤ等）したときは（ｄ２５）、個人反応履歴ファイル２６のパターン番号を読み、このパターン番号に対応する分析パターンを学習者端末Ａに送信する（ｄ２６）。このとき全体的な傾向のパターンも送信する（図２７参照）。
【０３６３】
また、学習者端末Ｂが解析結果を要求（年月日、ＩＤ等）したときは、個人反応履歴ファイル２６のパターン番号を読み、このパターン番号に対応する分析パターンを学習者端末Ｂに送信する（ｄ２７、ｄ２８）。また、このパターンに従って、スケジュールテーブルを更新する。
【０３６４】
さらに、企業又は助言者端末からの要求によって、個人反応履歴の情報及びパターンを提供させる（ｄ２９、ｄ３０、ｄ３１、ｄ３２）。
【０３６５】
（スケジュールテーブルの説明）
本スケジュールテーブルは、ある学習内容を取得するために要する時間や労力の指針となる情報を学習者に提供するために用いる。つまり、何回ぐらい学習を繰り返せば成果が目に見えてくるか、どのように学習が進むのかを示すように工夫されたテーブルである。
【０３６６】
スケジュールパターンを分析に取り込むために，従来の調査方法に実験計画的な考え方を導入している。
【０３６７】
スケジュールの要因を考慮するために、無限に想定できるスケジュールを最初から分析対象にすることは合理的ではない。結局のところ利用者に呈示するスケジュールに制限（統制学習ともいう）を加え、それに対応させてデータを収集し分析する必要がある。
【０３６８】
つまり、スケジュールパターンを分析に組み込むには、呈示するスケジュールに制限（予め標準的なスケジュールを複数用意する）を加えることである。
【０３６９】
＜実施の形態６＞
学習者の成績の把握や評価に重点をおいたe-learningシステム［評価の伴ったe-learning:evaluated-e-learning(double-e-learning)we-learning］について説明する。
【０３７０】
インターネットの普及により、いつでもどこでも学習できる環境が構築されているが、それは、学習者の成績の把握や、それに基づく評価を難しくする問題を含んでいる。このシステムは、従来のe-learningに、従来にない学習環境の提供でなく、個人の成績の評価や、見直しなどを提供することに重点をおくサービスである。これまでのシステムは、いつでも、どこでも学習できる環境は提供するが、反面、個人や教師などが最も必要とする学習成績などのデータの管理と利用を難しくする。本システムは、学習者の経験を変数化しデータとして蓄え、様々な分析や行動の推定に利用していくための枠組みを援用した学習システムである。
【０３７１】
図３３について
まず、データセンターもしくはコンテンツ提供企業（センターと呼ぶ）が、コンテンツにスケジュール等各種条件が記載されたファイル、およびそのコンテンツに対応するスケジュールテーブルや学習呈示プログラム、データ送信プログラムを、ホームページにアップロードしておく。また、各種コンテンツについて、各種スケジュール条件に従って学習を行った場合の一般的な成績の変化なども例として参照できるようにしておく。
【０３７２】
（ｄ４０）以下のサービスを希望する学習者が、必要に応じて個人情報（住所や、メールアドレス等）を登録しておく。なお、この時点で必ずしも個人情報は登録しなくても良く、（ｄ４２）で登録しても良い。
【０３７３】
（ｄ４１）センターのホームページを学習者は参照して、興味を持ったり、利用したいと思ったりした場合は、そのコンテンツとそれに対応するスケジュールテーブルや呈示プログラムなどのセットをダウンロードし、自分の学習者端末にインストールする。
【０３７４】
（ｄ４２）インストールの後、当該コンテンツのスケジュールに基づく学習（以下、スケジュールド・ラーニング（ＳＬ）と呼ぶ）を開始したいという請求をセンターに返す。また、必要に応じてここで個人情報を登録しても良い。
【０３７５】
（ｄ４３）センターでは、個人情報が登録されているかどうか利用者を確認し、確認したところで、そのＳＬサービスを利用するための認証情報を生成・記録した上で、
（ｄ４４）それをあらかじめ登録されている学習者へ送信する。
【０３７６】
（ｄ４５）学習者はその認証情報を利用して、端末側でサービスをインストールし仮登録を行い、（ｄ４６）その仮登録情報（インストールディレクトリなどの学習環境情報、認証情報）をセンターへ送信する。
【０３７７】
（ｄ４７）センターでは、仮登録情報が届き、認証が確認されたところで、該当するコンテンツデータベースに対する反応などを記録する領域を確保し（コンテンツ自体は必ずしも必要なく、コンテンツ番号などがあれば最低限良い）、そこに利用者の端末環境や、インストール状況を記録し、個人が利用する端末ＩＤを割り振り、
（ｄ４８）そのＩＤなどの情報を、本登録ファイルとして学習者に送信する（センター側で本登録完了）。
【０３７８】
（ｄ４９）学習者は、送られてきた本登録ファイルを使って、端末側での本登録を完了し、
（ｄ５０）必要に応じて、最終的に登録が完了した状態など（インストール先や送信メールアドレスなど）の情報とあわせて、登録完了の情報をセンターに送信。
【０３７９】
以上が、ＳＬサービスの登録の概要。なお、ＳＬサービスはあくまでスケジュールとコンテンツの組み合わせごとになされる。また、スケジュールや送信メールアドレスの変更などの各種変更は、（ｄ５０）の情報をセンターに送信することで対処する。
【０３８０】
また、個人情報などをあらかじめ別途センターへ登録しておき、（ｄ４４）もしくは（ｄ４８）から登録作業を進めても良い。
【０３８１】
図３４について
以降は、ＳＬサービスの登録が終わってからの情報のやり取り
（ｄ５１）学習者は、一定のスケジュールで学習を進め、その学習の結果の反応が、端末側で記録される。学習を進める過程で、学習者が希望したところで、分析結果を参照したくなったら、学習反応データをセンターへ送信する。そのデータには、コンテンツの番号、スケジュールの番号、スケジュール内の呈示ユニットの番号、各コンテンツに対する反応や反応時間、コンテンツの番号、学習日時、学習開始時刻と終了時刻、呈示ユニットの番号、端末ＩＤ等が必要に応じて含まれる。
【０３８２】
（ｄ５２）センターは、受け取った学習反応データを個人ごとに保存し、そのデータと、必要に応じて他の学習者のデータを利用し、学習の進み方を解析し、
（ｄ５３）その結果を、ホームページに掲載し、
（ｄ５４）それと一緒に、そのホームページのＵＲＬおよび、必要に応じてパスワードなどをその学習者、および必要に応じて教師などの助言者や、第３者へ送信する、もちろん、この際に、ホームページに掲載した分析結果を、直接ファイルとして学習者や第３者などへ送信しても良い。
【０３８３】
（ｄ５５）学習者や教師や第３者は、その学習者の学習の経過や予測などの分析データをいつでも参照できる。
【０３８４】
（ｄ５６）全ての個人の成績や変化データなどは、個人が特定できない形でホームページへ掲載し、研究者など、誰もが参照できるようにする。
【０３８５】
（ｄ５７）学習のスケジュールによっては、個人の成績を基にしてスケジュール条件を再構築することもある。その場合は、再構築をしたという情報を端末側からセンターへ送信し、
（ｄ５８）センターは、その再構築の情報に基づき、反応データを記録するデータベースを確保したり、構造に変更を加えて、学習者の端末の状態を再現できるようにする。
【０３８６】
なお、（ｄ５２）で保存された反応データを、そのまま、もしくは分析した結果を、個人が特定できない形、もしくは個人が特定できる形で、研究者など第三者へ送ることも可能である。
【図面の簡単な説明】
【０３８７】
【図１】図１は、本実施の形態のスケジュールの一例を説明する説明図である。
【図２】図２は、本実施の形態のタイミング条件の一例を説明する説明図である。
【図３】図３は、本実施の形態のイベントサイクルユニットを説明する説明図である。
【図４】図４は、本実施の形態の呈示条件の均質配置と条件ユニット及び呈示ユニットの均質化の説明図である。
【図５】図５は、本実施の形態のスケジュールテーブルの説明図である。
【図６】図６は、タイミング条件とコンテンツ項目割り当てを説明する説明図である。
【図７】図７は、タイミング条件とコンテンツ項目割り当てを説明する説明図である。
【図８】図８は、タイミング条件とコンテンツ項目割り当てを説明する説明図である。
【図９】図９は、タイミング条件とコンテンツ項目割り当てを説明する説明図である。
【図１０】図１０は、タイミング条件とコンテンツ項目割り当てを説明する説明図である。
【図１１】図１１は、全条件を総合した項目の概要と予想される学習時間とを説明する説明図である。
【図１２】図１２Ａは、識別条件が書き込まれたコンテンツデータベースの例（インターバル１ヶ月）を説明する説明図である。図１２Ｂは、識別条件が書き込まれたコンテンツデータベースの例（インターバル２ヶ月）を説明する説明図である。
【図１３】図１３は、反応履歴リストを兼ねる呈示リストの一例を説明する説明図である。
【図１４】図１４Ａは、個人履歴ファイルの一例を説明する説明図である。図１４Ｂは、個人履歴ファイルの一例を説明する説明図である。
【図１５】図１５Ａは、反応が記憶された個人反応データベースの一例を説明する説明図である。図１５Ｂは、反応が記憶された個人反応データベースの一例を説明する説明図である。
【図１６】図１６Ａは、個人反応データベースにコンテンツを書き込んだ一例の説明図である。図１６Ｂは、個人反応データベースにコンテンツを書き込んだ一例の説明図である。図１６Ｃは、個人反応データベースにコンテンツを書き込んだ一例の説明図である。
【図１７】図１７は、全体平均の自己評定値の変化を説明する説明図である。
【図１８】図１８Ａは、実際に実施した結果得られた３名の学習者の個人データとその予測関数の関係を説明する説明図である。図１８Ｂは、実際に実施した結果得られた３名の学習者の個人データとその予測関数の関係を説明する説明図である。図１８Ｃは、実際に実施した結果得られた３名の学習者の個人データとその予測関数の関係を説明する説明図である。
【図１９】図１９Ａは、実施の形態４を説明するフローチャートである。図１９Ｂは、１９Ａを補助する説明図である。図１９Ｃは、１９Ａを補助する説明図である。
【図２０】図２０は、実施の形態４を説明するフローチャートである。
【図２１】図２１Ａは、実施の形態４の呈示ユニットと呈示リストの関係を説明する説明図である。図２１Ｂは、実施の形態４の呈示ユニットと呈示リストの関係を説明する説明図である。
【図２２】図２２は、スケジュールデータ配信評価システムの概略構成図である。
【図２３】図２３は、スケジュールデータ配信評価システムのサイトの概略プログラム構成図である。
【図２４】図２４Ａは、各テーブルを説明する説明図である。図２４Ｂは、各テーブルを説明する説明図である。図２４Ｃは、各テーブルを説明する説明図である。
【図２５】図２５は、スケジュールテーブルを説明する説明図である。
【図２６】図２６は、呈示リストテーブルの説明図である。
【図２７】図２７は、学習効果の説明図である。
【図２８】図２８は、本システムの動作を説明するシーケンス図である。
【図２９】図２９は、本システムの動作を説明するシーケンス図である。
【図３０】図３０Ａは、個人反応ファイルを説明する説明図である。図３０Ｂは、個人反応ファイルを説明する説明図である。図３０Ｃは、個人反応ファイルを説明する説明図である。図３０Ｄは、個人反応ファイルを説明する説明図である。
【図３１】図３１Ａ，Ｂは、学習レベルの自己評定の画面例の説明図である。図３１Ｂは、学習レベルの自己評定の画面例の説明図である。
【図３２】図３２Ａは、反応結果の説明図である。図３２Ｂは、反応結果の説明図である。図３２Ｃは、反応結果の説明図である。図３２Ｄは、反応結果の説明図である。
【図３３】図３３は、実施の形態６を説明するシーケンス図である。
【図３４】図３４は、実施の形態６を説明するシーケンス図である。

Claims (18)

1. コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法であって、
   呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
   反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
   をコンピュータが備え、
   前記コンピュータが、
   前記タイミング条件を、
   入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
   前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
   前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
   前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
   前記イベントサイクルユニット内で、
   各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
   前記コンテンツに対し、
   前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で
   各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
   一つ割り付けて、
   前記第２の記憶手段に記憶する工程と、
   によって生成し、
   前記呈示条件を、
   一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程、
   によって生成し、
   前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを特徴とするスケジュールの作成方法。
2. 前記第１の記憶手段は、
   前記第１の一定期間以上に長い第２の一定期間としてのインターバルと、前記インターバル以上に長い第３の一定期間が記憶され、
   前記演算手段により、
   前記スケジュール条件を、前記インターバル毎に、前記第３の一定期間まで繰り返し生成させる工程と
   を行わせることを特徴とする請求項１記載のスケジュールの作成方法。
3. 前記コンピュータが、
   前記呈示条件を、
   一つの呈示ユニット内でのコンテンツの呈示順序、コンテンツの呈示方法を決定し、
   これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
   によって生成することを行うことを特徴とする請求項１乃至２記載のいずれかに記載のスケジュールの作成方法。
4. 前記コンピュータが、
   複数の前記イベントサイクルユニットのそれぞれの中で、各コンテンツに関する前記イベントを可能な限り同一順序で生起させるよう前記呈示ユニットを配置することを行うことを特徴とする請求項１乃至３記載のいずれかに記載のスケジュールの作成方法。
5. 前記第１の記憶手段は、条件ユニットが記憶され、
   前記コンピュータが、
   前記最小期間以上に長く、かつ前記第１の一定期間以下の長さの第４の一定期間を読み込んで、
   前記第４の一定期間に想定する前記条件ユニットを生成して、前記第１の記憶手段に記憶する工程と、
   前記条件ユニット内で検討したい呈示条件が全て現れるように前記演算する工程と
   を行うことを特徴とする請求項１乃至４記載のいずれかに記載のスケジュールの作成方法。
6. 前記コンピュータが、
   前記呈示条件を、各前記最小期間の間で、生起させるイベントの総量、時間、負担ができる限り等しくなるよう前記演算する工程と
   を行うことを特徴とする請求項１乃至５記載のいずれかに記載のスケジュールの作成方法。
7. コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法をコンピュータに実行させるプログラムであって、
   呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
   反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
   をコンピュータが備え、
   前記コンピュータが、
   前記タイミング条件を、
   入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
   前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
   前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
   前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
   前記イベントサイクルユニット内で、
   各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
   前記コンテンツに対し、
   前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で 各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
   一つ割り付けて、
   前記第２の記憶手段に記憶する工程と、
   によって生成し、
   前記呈示条件を、
   一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
   によって生成し、
   前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを特徴とするスケジュールの作成方法をコンピュータに実行させるプログラム。
8. 前記第１の記憶手段は、
   前記第１の一定期間以上に長い第２の一定期間としてのインターバルと、前記インターバル以上に長い第３の一定期間が記憶され、
   前記演算手段により、
   前記スケジュール条件を、前記インターバル毎に、前記第３の一定期間まで繰り返し生成させる工程と
   を行わせることを特徴する請求項７記載のスケジュールの作成方法をコンピュータに実行させるプログラム。
9. 前記コンピュータが、
   前記呈示条件を、
   一つの呈示ユニット内でのコンテンツの呈示順序、コンテンツの呈示方法を決定させ、
   これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
   によって生成させることを行わせることを特徴とする請求項７乃至８記載のいずれかに記載のスケジュールの作成方法をコンピュータに実行させるプログラム。
10. 前記コンピュータが、
    複数の前記イベントサイクルユニットのそれぞれの中で、各コンテンツに関する前記イベントを可能な限り同一順序で生起させるよう前記呈示ユニットを配置させることを行わせることを特徴とする請求項７乃至９記載のいずれかに記載のスケジュールの作成方法をコンピュータに実行させるプログラム。
11. 前記第１の記憶手段は、条件ユニットが記憶され、
    前記コンピュータが、
    前記最小期間以上に長く、かつ前記第１の一定期間以下の長さの第４の一定期間を読み込んで、
    前記第４の一定期間に想定する前記条件ユニットを生成して、前記第１の記憶手段に記憶する工程と、
    前記条件ユニット内で検討したい呈示条件が全て現れるように前記演算する工程と
    を行わせることを特徴とする請求項７乃至１０記載のいずれかに記載のスケジュールの作成方法をコンピュータに実行させるプログラム。
12. 前記コンピュータが、
    前記呈示条件を、各前記最小期間の間で、生起させるイベントの総量、時間、負担ができる限り等しくなるよう前記演算する工程と
    を行わせることを特徴とする請求項７乃至１１記載のいずれかに記載のスケジュールの作成方法をコンピュータに実行させるプログラム。
13. コンテンツに関するスケジュール条件を、タイミング条件と呈示条件との組み合わせにより、コンピュータが演算手段により得るスケジュールの作成方法をコンピュータに実行させるプログラムを記憶した記憶媒体であって、
    呈示ユニット、イベントサイクルユニットが記憶され、前記呈示条件が前記呈示ユニットに割り付けられて記憶される第１の記憶手段と、
    反応を収集するために呈示するコンテンツが記憶された、および前記呈示ユニットと前記呈示条件との組みが前記コンテンツに割り付けられて記憶される第２の記憶手段と、
    をコンピュータが備え、
    前記コンピュータが、
    前記タイミング条件を、
    入力された、前記コンテンツを呈示するイベントが生起する最小期間と、前記最小期間以上に長い第１の一定期間と、を読み込む工程と、
    前記第１の一定期間に想定する前記イベントサイクルユニットを、前記最小期間を単位として生成して、前記第１の記憶手段に記憶する工程と、
    前記最小期間に想定する前記呈示ユニットを、前記イベントサイクルユニットに前記最小期間の単位で各々一つ割り付けて生成し、前記第１の記憶手段に記憶する工程と、
    前記呈示条件を、この生成された呈示ユニットに割り付けて、前記第１の記憶手段に記憶する工程と、
    前記イベントサイクルユニット内で、
    各コンテンツに関する前記イベントを前記呈示条件で１度、生起させるため、
    前記コンテンツに対し、
    前記割り付けられた、前記イベントサイクルユニットに前記最小期間の単位で 各々一つ割り付けて生成された前記呈示ユニットと前記呈示条件との組みを、
    一つ割り付けて、
    前記第２の記憶手段に記憶する工程と、
    によって生成し、
    前記呈示条件を、
    一つの呈示ユニット内でコンテンツを繰り返し生起させるイベントの反復回数を決定し、これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
    によって生成し、
    前記第１の記憶手段の前記呈示ユニット、前記イベントサイクルユニット、前記呈示条件と、前記第２の記憶手段の前記コンテンツに割り付けられた前記呈示ユニットと前記呈示条件との組みとに基づいて、前記演算手段により、前記スケジュール条件を得ることを行わせることを特徴とするスケジュールの作成方法のプログラムを記憶した記憶媒体。
14. 前記第１の記憶手段は、
    前記第１の一定期間以上に長い第２の一定期間としてのインターバルと、前記インターバル以上に長い第３の一定期間が記憶され、
    前記演算手段により、
    前記スケジュール条件を、前記インターバル毎に、前記第３の一定期間まで繰り返し生成させる工程と
    を行わせることを特徴とする請求項１３記載のスケジュールの作成方法のプログラムを記憶した記憶媒体。
15. 前記コンピュータが、
    前記呈示条件を、
    一つの呈示ユニット内でのコンテンツの呈示順序、コンテンツの呈示方法を決定させ、
    これを前記生成された呈示ユニットに割り付けるための前記呈示条件として前記第１の記憶手段に記憶する工程と、
    によって生成させることを行わせることを特徴とする請求項１３乃至１４記載のいずれかに記載のスケジュールの作成方法のプログラムを記憶した記憶媒体。
16. 前記コンピュータが、
    複数の前記イベントサイクルユニットのそれぞれの中で、各コンテンツに関する前記イベントを可能な限り同一順序で生起させるよう前記呈示ユニットを配置させることを行わせることを特徴とする請求項１３乃至１５記載のいずれかに記載のスケジュールの作成方法のプログラムを記憶した記憶媒体。
17. 前記第１の記憶手段は、条件ユニットが記憶され、
    前記コンピュータが、
    前記最小期間以上に長く、かつ前記第１の一定期間以下の長さの第４の一定期間を読み込んで、
    前記第４の一定期間に想定する前記条件ユニットを生成して、前記第１の記憶手段に記憶する工程と、
    前記条件ユニット内で検討したい呈示条件が全て現れるように前記演算する工程と
    を行わせることを特徴とする請求項１３乃至１６記載のいずれかに記載のスケジュールの作成方法のプログラムを記憶した記憶媒体。
18. 前記コンピュータが、
    前記呈示条件を、各前記最小期間の間で、生起させるイベントの総量、時間、負担ができる限り等しくなるよう前記演算する工程と
    を行わせることを特徴とする請求項１３乃至１７記載のいずれかに記載のスケジュールの作成方法のプログラムを記憶した記憶媒体。

Images