JP6621432B2 - 計算機及び解析データの分類方法 - Google Patents

Description

本発明は、解析データを分類する計算機及び解析データの分類方法に関する。

解析モデルに基づいて、ビッグデータとして扱われる様々なデータを解析し、活用するための分析産業が活発になってきている。その一つとして、複数のデータを自動的に組み合わせて、データ間の関連性を解析する人工知能技術の開発が行われている。

例えば、脳機能の分野において、脳機能を表す測定値、疾患と関連する事項、及び疾患の発生との間の関連性を仮説（実験デザイン）として設定し、患者のデータ等を分析し、仮説を検証するために、前述の人工知能を用いることが考えられる。

特許文献１には、「データセットに関するルールセットを演算する工程、ルールカバーを生成する工程、ルールカバーの複数のルールペア間の複数の距離を演算し、および、複数のルールペア間で演算された複数の距離に基づいて距離マトリックスを生成する工程、複数のルールペア間で演算された複数の距離を記憶する工程、距離マトリックスを使用してルールカバー内の重複するルールをクラスタリングする工程、各クラスタから代表的ルールを選択する工程、各クラスタから選択されるルールカバーの代表的ルールのそれぞれに対して少なくとも１つの例外を決定し、およびルールセットの代表的なルールおよび代表的ルールのそれぞれに対して決定される少なくとも１つの例外を使用してデータセットを解釈する工程を含む」ことが記載されている。

特開２０１６−１１５３５９号公報

実験デザインの検証及び新たな知見を取得するために解析されたデータの中から有用なデータ又は新たな知見に関するデータを特定するためには、知識、経験、及び時間を要する。そのため、目的に沿って有用なデータ又は新たな知見に関するデータを容易に特定できる技術が必要となる。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、演算装置及び記憶装置を備える計算機であって、前記演算装置は、解析処理によって出力された複数の解析データの入力を受け付け、前記解析データの利用価値を示す第１指標を算出し、前記解析データ及び比較用データの比較結果に基づいて、前記解析データの新規性を示す第２指標を算出し、前記第１指標及び前記第２指標に基づいて、前記解析データを分類し、前記解析データの分類の結果を示すデータを出力することを特徴とする。

本発明によれば、第１指標及び第２指標に基づいて分類することによって有用な解析データ又は新たな知見に関連する解析データを特定できる。上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

実施例１の解析データを分類する計算機の構成を示す図である。 実施例１の既存知識管理情報のデータ構造の一例を示す図である。 実施例１のデザイン管理情報のデータ構造の一例を示す図である。 実施例１の計算機が実行する処理を説明するフローチャートである。 実施例１の実験デザインを設定するためのＧＵＩの一例を示す図である。 実施例１の実験デザインを修正するためのＧＵＩの一例を示す図である。 実施例１の有効性判定部が出力する処理結果を表示するＧＵＩの一例を示す図である。 実施例１の既存知識比較部が出力する処理結果を表示するＧＵＩの一例を示す図である。 実施例１の分類処理の結果を表示するＧＵＩの一例を示す図である。 実施例１の分類結果の解釈を説明する図である。 実施例２の実験デザイン修正部が実行する処理を説明するフローチャートである。 実施例２の比較処理の結果を表示するＧＵＩの一例を示す図である。

以下、本発明に係る実施例を添付図面を用いて説明する。各図において共通の構成については同一の参照符号が付されている。

図１は、実施例１の解析データを分類する計算機１０１の構成を示す図である。

計算機１０１は、入力されたデータを解析し、また、解析されたデータを分類する。計算機１０１は、ネットワークを介してストレージ装置１０２と接続する。なお、ネットワークの種別は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）又はＳＡＮ（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）等が考えられる。また、ネットワークの接続方式は、有線又は無線のいずれでもよい。

計算機１０１は、プロセッサ１１１、メモリ１１２、入出力インタフェース１１３、及びネットワークインタフェース１１４を有する。各ハードウェアはバス等を介して接続される。

プロセッサ１１１は、演算装置であり、メモリ１１２に格納されるプログラムを実行する。プロセッサ１１１がプログラムにしたがって処理を実行することによって、所定の機能を有する機能部（モジュール）として動作する。以下の説明では、機能部を主語に処理を説明する場合、プロセッサ１１１が、当該機能部を実現するプログラムを実行していることを表す。

メモリ１１２は、プロセッサ１１１が実行するプログラム及び当該プログラムに必要な情報を格納する。また、メモリ１１２は、プログラムが一時的に使用するワークエリアを含む。メモリ１１２に格納されるプログラムについては後述する。

入出力インタフェース１１３は、外部装置と接続するインタフェースである。本実施例では、入出力インタフェース１１３は、入力装置１０３及び出力装置１０４と接続する。入力装置１０３は、キーボード、マウス、及びタッチパネル等を含む。また、出力装置１０４は、タッチパネル及びディスプレイ等を含む。

ネットワークインタフェース１１４は、ネットワークを介して他の装置と接続するインタフェースである。本実施例では、ネットワークインタフェース１１４は、ストレージ装置１０２と接続する。

ストレージ装置１０２は、計算機１０１が扱うデータを格納する。ストレージ装置１０２は、例えば、複数の記憶媒体を備えるストレージシステムが考えられる。記憶媒体は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、及び不揮発性メモリ等が考えられる。

メモリ１１２に格納されるプログラムは、ストレージ装置１０２に格納されてもよい。この場合、プロセッサ１１１は、ストレージ装置１０２からプログラムを読み出し、メモリ１１２にプログラムをロードし、また、メモリ１１２にロードされたプログラムを実行する。

本実施例では、ストレージ装置１０２は、解析データ１５１、既存知識管理情報１５２、及びデザイン管理情報１５３を格納する。なお、ストレージ装置１０２は、解析処理の対象となるデータを格納してもよい。

既存知識管理情報１５２は、既存知識として管理されるデータを格納する。例えば、研究論文等の文献が既存知識として管理される。既存知識管理情報１５２のデータ構造の一例は、図２を用いて説明する。

デザイン管理情報１５３は、仮説の検証方法、より具体的には、データの解析方法を定義する実験デザインを格納する。デザイン管理情報１５３のデータ構造の一例は、図３を用いて説明する。

解析データ１５１は、入力されたデータを用いた解析処理によって出力されるデータである。解析処理では、例えば、データに含まれるパラメータ間の相関、又は、データ間の関係性等が解析される。

なお、本発明は解析処理の具体的な内容に限定されない。解析処理には、分散分析、共分散分析、T検定、相関解析、偏相関解析、主成分分析、因子分析、回帰分析、重回帰分析、階層分析、ノンパラメトリック分析、グレイモデル、最近接法、判別分析、生存時間分析、多変量解析、データマイニング、テキストマイニング、ポジショニング分析、クロス集計、ＣＳポートフォリオ分析、コレスポンデンス分析、コンジョイント分析、多次元尺度構成分析、及びマハラノビス距離等がある。

ここで、メモリ１１２に格納されるプログラムについて説明する。メモリ１１２は、実験デザイン設定部１２１、実験デザイン修正部１２２、解析処理部１２３、有効性判定部１２４、既存知識比較部１２５、及び分類部１２６を実現するプログラムを格納する。

実験デザイン設定部１２１は、ユーザからの操作に基づいて実験デザインの設定を行う。実験デザイン修正部１２２は、分類結果に基づいて実験デザインの修正を行う。なお、分類結果に基づく実験デザインの修正方法については実施例２で説明する。

解析処理部１２３は、実験デザインに基づいてデータを解析する。解析処理部１２３は、解析の結果を解析データ１５１として出力する。

有効性判定部１２４は、解析データ１５１が実験デザインに対して有用なデータであるか否かを示す指標、すなわち、解析データ１５１の利用価値を示す指標を算出する。以下の説明では、有効性判定部１２４が算出する指標を第１指標と記載する。例えば、有意確率（ｐ値）が小さい場合、解析データ１５１が有用であることを示す値が第１指標として算出される。

既存知識比較部１２５は、解析データ１５１及び既存知識の比較結果に基づいて、解析データ１５１の新規性を示す指標を算出する。以下の説明では、既存知識比較部１２５が算出する指標を第２指標と記載する。例えば、解析データ１５１が著名な文献から得られる結果と一致又は類似する場合、新規性が低いことを示す値が第２指標として算出される。

分類部１２６は、第１指標及び第２指標に基づいて、解析データ１５１を分類する。本実施例では、分類部１２６は、第１指標及び第２指標を軸とする二次元空間に解析データ１５１をマッピングすることによって、解析データ１５１を分類する。

なお、解析データ１５１、既存知識管理情報１５２、及びデザイン管理情報１５３は、メモリ１１２に格納されてもよい。

図２は、実施例１の既存知識管理情報１５２のデータ構造の一例を示す図である。

既存知識管理情報１５２は、ＩＤ２０１、メタデータ２０２、及び格納場所２０３から構成されるエントリを含む。一つのエントリが一つの既存知識に対応する。

ＩＤ２０１は、既存知識を一意に識別するための識別情報である。

メタデータ２０２は、既存知識の属性に関するデータである。本実施例では、研究分野、実験等で使用されるパラメータの種別及びパラメータ値、使用されるデータの種別、並びに既存知識のランク等がメタデータとして管理される。既存知識は、例えば、インパクトファクタを用いてランク分けをできる。

なお、メタデータ２０２に格納する値は、ユーザが手動で設定してもよいし、文字列検索等を用いて自動的に設定してもよい。

格納場所２０３は、既存知識の実体であるデータの格納場所を示す情報である。格納場所２０３には、ディレクトリ名及びアドレス等が格納される。

図３は、実施例１のデザイン管理情報１５３のデータ構造の一例を示す図である。

デザイン管理情報１５３は、第１デザイン管理情報３００及び第２デザイン管理情報３１０を含む。

第１デザイン管理情報３００は、解析処理に使用する実験デザインを管理する情報を格納する。具体的には、第１デザイン管理情報３００は、ＩＤ３０１、項目種別３０２、項目３０３、及び重要度３０４から構成されるエントリを含む。一つのエントリが一つの実験デザインに対応する。なお、一つのエントリには、項目種別３０２、項目３０３、及び重要度３０４から構成される行が一つ以上含まれる。

ＩＤ３０１は、実験デザインを一意に識別するための識別情報である。

項目種別３０２は、実験デザインに設定する項目の種別を表す情報である。項目３０３は、項目種別３０２に対応する項目の具体的な値である。

重要度３０４は、評価する項目の重要度を示す値である。本実施例では、１から５までの値が重要度３０４に設定される。１は、最も重要性が低い項目であることを示し、５は、最も重要性が高い項目であることを示す。

第２デザイン管理情報３１０は、既存知識から生成された実験デザインを管理する情報を格納する。例えば、既存知識に記載された解析処理を定義する情報が考えられる。具体的には、第２デザイン管理情報３１０は、ＩＤ３１１、項目種別３１２、項目３１３、及び重要度３１４から構成されるエントリを含む。一つのエントリが一つの既存知識に対応する。したがって、ＩＤ３１１は、ＩＤ２０１と同一のものである。なお、一つのエントリには、項目種別３１２、項目３１３、及び重要度３１４から構成される行が一つ以上含まれる。

項目種別３１２、項目３１３、及び重要度３１４は、項目種別３１２、項目３１３、及び重要度３１４と同一のものである。

本実施例では、第１デザイン管理情報３００は、ユーザの入力に基づいて生成される。一方、第２デザイン管理情報３１０は予め設定されているものとする。

図４は、実施例１の計算機１０１が実行する処理を説明するフローチャートである。

計算機１０１は、実験デザインを設定する（ステップＳ１０１）。

具体的には、計算機１０１は、図５Ａ及び図５Ｂに示すＧＵＩに基づくユーザの操作を受け付ける。ここで、図５Ａ及び図５Ｂに示すＧＵＩを用いて、ステップＳ１０１の処理について説明する。

図５Ａは、実施例１の実験デザインを設定するためのＧＵＩ５００の一例を示す図である。図５Ｂは、実施例１の実験デザインを修正するためのＧＵＩ５５０の一例を示す図である。

ＧＵＩ５００のキーワード選択欄５０１、部位選択欄５０２、比較要因選択欄５０３、及び比較水準選択欄５０４は、実験デザインに含める項目を選択するための欄である。ＧＵＩ５００の追加ボタン５１１、５１２、５１３、５１４は、各選択欄の項目を実験デザインに追加するための操作ボタンである。

ＧＵＩ５００の実験デザイン表示欄５２０は、項目種別５２１、項目５２２、及び重要度５２３から構成されるエントリを含む。項目種別５２１、項目５２２、及び重要度５２３は、項目種別３０２、項目３０３、及び重要度３０４と同一のものである。

ＧＵＩ５００の登録ボタン５３１は、第１デザイン管理情報３００に実験デザインを登録するための操作ボタンである。

ユーザがＧＵＩ５００の操作を開始した場合、実験デザイン設定部１２１は、メモリ１１２に、実験デザイン表示欄５２０に対応するデータを一時的に生成する。ユーザがキーワード選択欄５０１の「抑うつ」を選択し、追加ボタン５１１を操作した場合、実験デザイン設定部１２１は、実験デザイン表示欄５２０にエントリを一つ追加し、追加されたエントリの項目種別５２１に「キーワード」、項目５２２に「抑うつ」を設定する。この時点では、重要度５２３は、設定されていない。

ユーザは、ＧＵＩ５００の実験デザイン表示欄５２０を参照し、適宜、重要度５２３に値を設定する。実験デザイン設定部１２１は、当該入力を受け付けた場合、対応するエントリの重要度５２３に値を設定する。

ユーザが、登録ボタン５３１を操作した場合、実験デザイン設定部１２１は、第１デザイン管理情報３００にエントリを追加し、追加されたエントリのＩＤ３０１に識別情報を設定する。実験デザイン設定部１２１は、実験デザイン表示欄５２０に含まれるエントリの数だけ、第１デザイン管理情報３００に追加されたエントリに行を生成する。実験デザイン設定部１２１は、追加された各行の項目種別３０２、項目３０３、及び重要度３０４に、実験デザイン表示欄５２０の各エントリの項目種別５２１、項目５２２、及び重要度５２３の値を設定する。

ＧＵＩ５５０のＩＤ選択欄５５１は、修正する実験デザインの識別情報を選択する欄である。

ＧＵＩ５５０の実験デザイン表示欄５６０は、項目種別５６１、項目５６２、及び重要度５６３から構成されるエントリを含む。項目種別５６１、項目５６２、及び重要度５６３は、項目種別３０２、項目３０３、及び重要度３０４と同一のものである。

実験デザインに設定される項目種別、項目、及び重要度を修正する場合、ユーザは、実験デザイン表示欄５６０を操作する。実験デザイン設定部１２１は、ユーザの操作を受け付けた場合、第１デザイン管理情報３００を参照して、ＩＤ選択欄５５１に対応する実験デザインのエントリを検索し、検索されたエントリに修正内容を反映する。

ＧＵＩ５５０のキーワード選択欄５７１、部位選択欄５７２、比較要因選択欄５７３、及び比較水準選択欄５７４は、項目を選択するための欄である。ＧＵＩ５５０の追加ボタン５８１、５８２、５８３、５８４は、各選択欄の値を実験デザインに追加するための操作ボタンである。

ユーザが追加ボタンを操作した場合、実験デザイン設定部１２１は、第１デザイン管理情報３００を参照して、ＩＤ選択欄５５１に対応する実験デザインのエントリを検索する。実験デザイン設定部１２１は、検索エントリに行を追加し、追加された行の項目種別３０２及び項目３０３に値を設定する。

なお、図５Ａ及び図５Ｂでは、項目を選択することによって実験デザインを設定しているが、これに限定されない。例えば、実験デザインを表現する口語文を入力してもよい。この場合、実験デザイン設定部１２１は、口語文から項目を抽出し、抽出された項目を第１デザイン管理情報３００に設定する。以上がステップＳ１０１の処理の説明である。

次に、計算機１０１は、使用する実験デザインの識別情報及び入力データを含む解析要求を受け付けた場合、計算機１０１は、解析処理を実行する（ステップＳ１０２）。

具体的には、解析処理部１２３が、第１デザイン管理情報３００から解析要求に含まれる識別情報に対応する実験デザインの情報を取得し、当該実験デザインにしたがって、入力データを解析する。解析処理部１２３は、解析結果を解析データ１５１としてストレージ装置１０２に格納する。

脳機能に関する解析を行う場合、入力データは、データの識別情報、被験者の特性情報、脳波の種別、脳波の値、計測方法、及び計測日時等から構成されるデータが考えられる。

なお、実験デザインを設定する必要がない場合にはステップＳ１０１の処理を省略してもよいし、また、解析処理を実行する必要がない場合にはステップＳ１０２の処理を省略してもよい。

計算機１０１は、解析処理が完了した場合、ユーザに解析処理が完了した旨を通知し、待ち状態に移行する。ユーザから解析データ１５１の分類指示を受け付けた場合、計算機１０１は、ステップＳ１０３からステップＳ１０６までの処理を実行する。

計算機１０１は、分類指示を受け付けた場合、ストレージ装置１０２から解析データ１５１を取得し、解析データ１５１を用いて有効性判定処理を実行する（ステップＳ１０３）。なお、分類指示には、対象とする既存知識を特定する情報として、分野に関する値が含まれるものとする。

具体的には、有効性判定部１２４は、解析処理に使用した実験デザインの項目（キーワード又は部位）を含む解析データ１５１を特定し、特定された解析データ１５１の第１指標を算出する。例えば、（１）又は（２）のような算出方法が考えられる。

（１）有効性判定部１２４は、複数の解析データ１５１を統計処理し、解析データ１５１の有意確率を第１指標として算出する。すなわち、統計的な有意性を示す値が第１指標として算出される。このとき、実験デザインに含まれる項目の有無、及び項目の重要度を重みとして用いてもよい。

（２）有効性判定部１２４は、第１指標を算出するための数式に基づいて第１指標を算出する。当該数式は、一つ以上のパラメータを変数とする式である。例えば、有効性判定部１２４は、有意確率、項目の有無、及び項目の重要度をパラメータとして入力する。

なお、脳機能に関する解析データ１５１の場合、脳血液量、脳血流量、活動平均値、及び潜時のそれぞれの、立ち上がり時間、ピーク値、半値全幅、積分値、符号反転値、Ｔ値、Ｚ値、平均値、分散値、及び標準偏差等をパラメータとして算出することが考えられる。

有効性判定部１２４は、処理結果を図６に示すようなＧＵＩ６００として表示する。ここでは、（２）の算出方法を採用しているものとする。図６は、実施例１の有効性判定部１２４が出力する処理結果を表示するＧＵＩ６００の一例を示す図である。

ＧＵＩ６００は、処理結果表示欄６１０及び確認ボタン６２１を含む。

処理結果表示欄６１０は、有効性判定部１２４が出力する処理結果を表示する欄である。処理結果表示欄６１０には、複数のエントリを含むテーブル形式のデータが表示される。エントリは、データＩＤ６１１、パラメータ種別６１２、値６１３、及びスコア６１４から構成される。一つのエントリは一つの解析データ１５１に対応する。なお、エントリは、関連する既存知識を示すフィールドを含んでもよい。

データＩＤ６１１は、解析データ１５１を一意に識別するための識別情報である。パラメータ種別６１２は、数式に設定するパラメータの種別である。値６１３は、パラメータ種別６１２に対応するパラメータの具体的な値である。スコア６１４は、数式に基づいて算出された第１指標の具体的な値である。

確認ボタン６２１は、ＧＵＩ６００の参照を終了するための操作ボタンである。

以上がステップＳ１０３の処理の説明である。図４の説明に戻る。

次に、計算機１０１は、解析データ１５１及び既存知識管理情報１５２を用いて既存知識比較処理を実行する（ステップＳ１０４）。

具体的には、既存知識比較部１２５は、メタデータ２０２を参照し、複数の既存知識の中から使用する既存知識を特定する。さらに、既存知識比較部１２５は、特定された既存知識及び解析データ１５１の比較結果に基づいて第２指標を算出する。例えば、以下のような方法で第２指標を算出する。

既存知識比較部１２５は、解析データ１５１及び既存知識のメタデータ２０２を比較することによって、解析データ１５１と既存知識との間の関連性又は類似性を示す値を算出する。既存知識比較部１２５は、当該値が閾値以上の既存知識を特定し、特定された既存知識の数及びランクを用いて第２指標を算出する。例えば、特定された全ての既存知識の中で、ランクが最も高い既存知識が含まれる割合を第２指標として算出する。

また、既存知識比較部１２５は、第２デザイン管理情報３１０を参照して、解析データ１５１と既存知識とを比較して、共通する項目の有無を判定し、判定結果に基づいて、第２指標を修正してもよい。共通する項目の数が多い場合、既存知識に対する合致率が高いこと、すなわち、新規性が低い解析データ１５１であることを表す。

既存知識比較部１２５は、処理結果を図７に示すようなＧＵＩ７００として表示する。図７は、実施例１の既存知識比較部１２５が出力する処理結果を表示するＧＵＩ７００の一例を示す図である。

ＧＵＩ７００は、処理結果表示欄７１０及び確認ボタン７２１を含む。処理結果表示欄７１０は、既存知識比較部１２５が出力する処理結果を表示する欄である。処理結果表示欄７１０には、複数のエントリを含むテーブル形式のデータが表示される。エントリは、データＩＤ７１１、関連既存知識７１２、及びスコア７１３から構成される。一つのエントリは一つの解析データ１５１に対応する。

データＩＤ７１１は、データＩＤ６１１と同一のものである。関連既存知識７１２は、関連性がある既存知識の数を格納する。本実施例では、既存知識のランクごとの数が格納される。スコア７１３は第２指標の具体的な値である。

確認ボタン７２１は、ＧＵＩ７００の参照を終了するための操作ボタンである。

以上がステップＳ１０４の処理の説明である。図４の説明に戻る。

次に、計算機１０１は、第１指標及び第２指標を用いて解析データ１５１の分類処理を実行する（ステップＳ１０５）。

具体的には、分類部１２６は、第１指標及び第２指標を軸とする二次元空間に各解析データ１５１をマッピングする。

次に、計算機１０１は、分類処理の結果を出力する（ステップＳ１０６）。その後、計算機１０１は、処理を終了する。

具体的には、分類部１２６は、分類処理の結果を含む表示データを生成し、生成された表示データを出力装置１０４に出力する。出力装置１０４には、図８に示すような結果が表示される。

図８は、実施例１の分類処理の結果を表示するＧＵＩ８００の一例を示す図である。図９は、実施例１の分類結果の解釈を説明する図である。

ＧＵＩ８００は、分類結果表示欄８１０及び確認ボタン８２１を含む。

分類結果表示欄８１０は、解析データ１５１の分類結果を表示する欄である。図８では、横軸が第１指標、縦軸が第２指標となっている。二次元空間にマッピングされた解析データ１５１には、ユーザの理解のために解析データ１５１の識別情報が合わせて表示される。

確認ボタン８２１は、ＧＵＩ８００の参照を終了するための操作ボタンである。

ここで、二次元空間の解釈について説明する。図９に示すように、二次元空間９００を四つの領域に区分する。第１領域は、第１指標が０から５０の範囲、かつ、第２指標が５０から１００の範囲の領域である。第２領域は、第１指標が５０から１００の範囲、かつ、第２指標が５０から１００の範囲の領域である。第３領域は、第１指標が５０から１００の範囲、かつ、第２指標が０から５０の範囲の領域である。第４領域は、第１指標が０から５０の範囲、かつ、第２指標が０から５０の範囲の領域である。なお、領域を定義する各指標の範囲は変更することができる。

第１領域に含まれる解析データ１５１は、新規性が高く、かつ、利用価値が低い。このようなデータは、新たな知見を与える可能性が低く、また、既存知識に合致しないため信頼性が低い。異なる分野の既存知識と比較すれば、新たな知見を与える可能性がある。

第２領域に含まれる解析データ１５１は、新規性が高く、かつ、利用価値が高い。このようなデータは、新たな知見を与える可能性がある。

第３領域に含まれる解析データ１５１は、新規性が低く、かつ、利用価値が高い。このようなデータは、新たな知見を与える可能性は低いが、既存知識に合致するため信頼性が高い。

第４領域に含まれる解析データ１５１は、新規性が低く、かつ、利用価値が低い。このようなデータは、実験デザインを修正することにより、利用価値が高くなる可能性がある。異なる分野の既存知識と比較すれば、新たな知見を与える可能性がある。

なお、第１指標及び第２指標の他に、新たな指標を追加してもよい。例えば、計測機器の種類、被験者の数、文献の掲載年、著者名等を新たな指標として用いることが考えられる。これによって、解析データ１５１をさらに細かく分類することができる。

なお、各解析データ１５１について、ランク及び共通する用語の数を軸とする二次元空間のマッピングを表示してもよい。当該マッピングは、図８のような表示となる。なお、各点には文献の識別情報が付される。点を操作した場合には、文献の詳細な情報を表示してもよい。

実施例１によれば、第１指標及び第２指標に基づいて解析データ１５１を分類することによって、ユーザの目的に沿う有用な解析データ１５１を容易に特定できる。また、新たな知見を得るための解析データ１５１を容易に特定することができる。

実施例２では、計算機１０１が分類結果に基づいて実験デザインの修正を支援する。以下、実施例１との差異を中心に実施例２について説明する。

実施例２の計算機１０１の構成は、実施例１の計算機１０１の構成と同一である。また、実施例２の計算機１０１が保持する情報の構成は、実施例１の計算機１０１が保持する情報の構成と同一であるため説明を省略する。

図１０は、実施例２の実験デザイン修正部１２２が実行する処理を説明するフローチャートである。

実験デザイン修正部１２２は、ユーザから実験デザインの修正要求を受け付けた場合、以下で説明する処理を開始する。なお、図４に示す処理は既に完了している。

実験デザイン修正部１２２は、比較対象の既存知識を選択する（ステップＳ２０１）。

具体的には、実験デザイン修正部１２２は、既存知識比較処理を実行し、関連性が最も高い既存知識を特定する。なお、関連性がある既存知識が存在しない場合には、実験デザイン修正部１２２は、デフォルトの既存知識を選択してもよいし、エラーを通知してもよいし、また、使用する既存知識の入力を要求してもよい。

なお、既存知識比較部１２５が実行した結果を利用できる場合、実験デザイン修正部１２２は、当該結果に基づいて既存知識を選択すればよい。

次に、実験デザイン修正部１２２は、使用した実験デザインと、既存知識の実験デザインとを比較する（ステップＳ２０２）。具体的には、以下のような処理が実行される。

実験デザイン修正部１２２は、第１デザイン管理情報３００から使用した実験デザインのデータを取得し、第２デザイン管理情報３１０から既存知識の実験デザインのデータを取得する。

実験デザイン修正部１２２は、二つの実験デザインを比較することによって、相違する項目又は解析結果を特定する。このとき、実験デザイン修正部１２２は、同じ種別の項目又は値ごとに、相違する項目又は解析結果を特定する。

実験デザイン修正部１２２は、特定された項目又は解析結果の差分を示す差分値を算出する。例えば、実験デザイン修正部１２２は、既存知識の実験デザインにのみ含まれるキーワードの数を、使用した実験デザインに含まれるキーワードの数で除算した値を差分値として算出する。また、実験デザイン修正部１２２は、相違するキーワードの数を、使用した実験デザインに含まれるキーワードの数で乗算した値を差分値として算出する。また、実験デザイン修正部１２２は、相違するキーワードの類似度を差分値として算出する。

なお、計算機１０１は、キーワードの類似度を算出するための辞書情報を保持してもよい。

次に、実験デザイン修正部１２２は、比較結果を出力する（ステップＳ２０３）。その後、実験デザイン修正部１２２は、処理を終了する。

具体的には、実験デザイン修正部１２２は、比較結果を含む表示データを生成し、生成された表示データを出力装置１０４に出力する。出力装置１０４には、図１１に示すような結果が表示される。

図１１は、実施例２の比較処理の結果を表示するＧＵＩ１１００の一例を示す図である。

ＧＵＩ１１００は、比較結果表示欄１１１０及び確認ボタン１１２１を含む。

比較結果表示欄１１１０は、比較結果を表示する欄である。比較結果表示欄１１１０には、複数のエントリを含むテーブル形式のデータが表示される。エントリは、比較項目１１１１、既存知識１１１２、実験デザイン１１１３、及び差分値１１１４から構成される。

比較項目１１１１は、比較した項目又はデータの識別情報である。既存知識１１１２は、既存知識の実験デザインに含まれる項目及び解析結果である。実験デザイン１１１３は、使用した実験デザインに含まれる項目及び解析結果である。差分値１１１４は、算出された差分値である。

確認ボタン１１２１は、ＧＵＩ１１００の参照を終了するための操作ボタンである。

実施例２によれば、ユーザは、ＧＵＩ１１００を参照することによって、実験デザインの修正点等を検討することができる。

実施例３では、計算機１０１が分類結果に基づいて解析データを異なる分野の既存知識と再度比較を行う。以下、実施例１との差異を中心に実施例３について説明する。

実施例３の計算機１０１の構成は、実施例１の計算機１０１の構成と同一である。また、実施例３の計算機１０１が保持する情報の構成は、実施例１の計算機１０１が保持する情報の構成と同一であるため説明を省略する。

実施例３では、ユーザが、分類結果表示欄８１０を参照し、対象の解析データ１５１を選択し、既存知識比較処理の実行を指示する。実施例１で説明したように、第１領域や第４領域に含まれる解析データ１５１は新たな知見を与える可能性がある。そのため、ユーザは、第１領域及び第４領域に含まれる解析データ１５１を選択する。なお、計算機１０１が自動的に対象のデータを選択してもよい。

計算機１０１は、対象の領域に含まれる解析データ１５１について既存知識比較処理を実行する。このとき、計算機１０１は、メタデータ２０２を参照し、分野が異なる既存知識を選択する。その他の処理は実施例１と同一である。

計算機１０１は、第１指標及び新たに算出された第２指標に基づいて、解析データ１５１を分類する。

実施例３によれば、ユーザは、異なる分野の既存知識を活用して、再度、解析データ１５１を分類することによって新たな知見を得ることができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。また、例えば、上記した実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、実施例の構成の一部について、他の構成に追加、削除、置換することが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータが備えるＣＰＵが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。

また、本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、実施例の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、コンピュータが備えるＣＰＵが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。

上述の実施例において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。

１０１ 計算機
１０２ ストレージ装置
１０３ 入力装置
１０４ 出力装置
１１１ プロセッサ
１１２ メモリ
１１３ 入出力インタフェース
１１４ ネットワークインタフェース
１２１ 実験デザイン設定部
１２２ 実験デザイン修正部
１２３ 解析処理部
１２４ 有効性判定部
１２５ 既存知識比較部
１２６ 分類部
１５１ 解析データ
１５２ 既存知識管理情報
１５３ デザイン管理情報

Claims (8)

1. 演算装置及び記憶装置を備える計算機であって、
   前記演算装置は、
   解析処理によって出力された複数の解析データの入力を受け付け、
   前記解析データの利用価値を示す第１指標を算出し、
   前記解析データ及び比較用データの比較結果に基づいて、前記解析データの新規性を示す第２指標を算出し、
   前記第１指標及び前記第２指標に基づいて、前記解析データを分類し、
   前記解析データの分類の結果を示すデータを出力することを特徴とする計算機。
2. 請求項１に記載の計算機であって、
   既存知識として管理される文献を前記比較用データとして管理し、
   前記演算装置は、
   前記複数の解析データを統計処理することによって算出された前記複数の解析データの統計的な有意性を示す値を用いて前記第１指標を算出し、
   前記比較用データの中から、前記解析処理に関連するターゲット比較用データを選択し、
   前記解析データ及び前記ターゲット比較用データの合致率に基づいて前記第２指標を算出し、
   前記第１指標及び前記第２指標を軸とする空間上に、前記解析データをマッピングすることによって前記解析データを分類することを特徴とする計算機。
3. 請求項２に記載の計算機であって、
   前記演算装置は、
   前記分類の結果に基づいて、利用価値があり、かつ、新規性がないターゲット解析データを特定し、
   前記ターゲット解析データと、前記ターゲット比較用データとは異なる比較用データとの合致率に基づいて新たな第２指標を算出し、
   前記第１指標及び前記新たな第２指標に基づいて、前記ターゲット解析データを分類することを特徴とする計算機。
4. 請求項２に記載の計算機であって、
   前記解析処理を定義する実験デザインと、前記ターゲット比較用データに関連する解析処理を定義する実験デザインとを比較することによって、相違する項目を取得し、
   前記項目の違いの大きさを示す差分値を算出し、
   前記項目及び差分値を表示するデータを出力することを特徴とする計算機。
5. 演算装置及び記憶装置を有する計算機が実行する解析データの分類方法であって、
   前記演算装置が、解析処理によって出力された複数の解析データの入力を受け付ける第１のステップと、
   前記演算装置が、前記解析データの利用価値を示す第１指標を算出する第２のステップと、
   前記演算装置が、前記解析データ及び比較用データの比較結果に基づいて、前記解析データの新規性を示す第２指標を算出する第３のステップと、
   前記演算装置が、前記第１指標及び前記第２指標に基づいて、前記解析データを分類する第４のステップと、
   前記演算装置が、前記解析データの分類の結果を示すデータを出力する第５のステップと、を含むことを特徴とする解析データの分類方法。
6. 請求項５に記載の解析データの分類方法であって、
   既存知識として管理される文献を前記比較用データとして管理し、
   前記第２のステップでは、前記演算装置が、前記複数の解析データを統計処理することによって算出された前記複数の解析データの統計的な有意性を示す値を用いて前記第１指標を算出し、
   前記第３のステップは、
   前記演算装置が、前記比較用データの中から、前記解析処理に関連するターゲット比較用データを選択するステップと、
   前記演算装置が、前記解析データ及び前記ターゲット比較用データの合致率に基づいて前記第２指標を算出するステップと、を含み、
   前記第４のステップは、前記演算装置が、前記第１指標及び前記第２指標を軸とする空間上に、前記解析データをマッピングするステップを含むことを特徴とする解析データの分類方法。
7. 請求項６に記載の解析データの分類方法であって、
   前記演算装置が、前記分類の結果に基づいて、利用価値があり、かつ、新規性がないターゲット解析データを特定するステップと、
   前記演算装置が、前記ターゲット解析データと、前記ターゲット比較用データとは異なる比較用データとの合致率に基づいて新たな第２指標を算出するステップと、
   前記演算装置が、前記第１指標及び前記新たな第２指標に基づいて、前記ターゲット解析データを分類するステップと、を含むことを特徴とする解析データの分類方法。
8. 請求項６に記載の解析データの分類方法であって、
   前記演算装置が、前記解析処理を定義する実験デザインと、前記ターゲット比較用データに関連する解析処理を定義する実験デザインとを比較することによって、相違する項目を取得するステップと、
   前記演算装置が、前記項目の違いの大きさを示す差分値を算出するステップと、
   前記演算装置が、前記項目及び差分値を表示するデータを出力するステップと、を含むことを特徴とする解析データの分類方法。

Images