JP7127916B1 - 学習支援システム - Google Patents

Abstract

【課題】ユーザのモチベーションを維持することが可能な学習支援システムを提供する。【解決手段】学習支援システムは、ユーザに関する情報を含む初期設定情報を取得する取得手段と、前記取得手段により取得された初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報を設定する設定手段と、前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、前記回答手段により取得された回答情報に対するコメントを含むコメント情報を生成する生成手段とを備えることを特徴とする。【選択図】図３

Description

本発明は、ユーザの学習を支援する学習支援システムに関する。

近年、例えば特許文献１に開示されているユーザの学習を支援するための学習支援装置が注目されている。

特許文献１では、ユーザが実行すべき業務上のアクションが記載された行動詳細を提示することで、ユーザが学習を通して意図した能力を高めやすく成長しやすい学習支援装置が開示されている。

特許６７３８０００号公報

しかしながら、特許文献１には、ユーザに提示した行動詳細に対するユーザの実行したアクションに対して、適切なコメントを生成することを想定していない。このため、ユーザの実行したアクションに対して、適切な対応ができないため、ユーザのモチベーションを維持することができない。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、ユーザのモチベーションを維持することが可能な学習支援システムを提供することを目的とする。

第１発明に係る学習支援システムは、ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、前記生成手段は、第２ユーザが実行すべき目標を含む第２目標情報と、前記第２目標情報に対する前記第２ユーザの回答を含む第２回答情報とに基づいて、前記第２目標情報の平均達成度を算出し、算出した前記平均達成度と前記回答手段により取得された回答情報から算出した前記目標情報の達成度との比較に基づいて前記コメント情報を生成することを特徴とする。

第２発明に係る学習支援システムは、第１発明において、前記生成手段は、前記第２ユーザに関する情報を含む第２初期設定情報を予め取得し、取得した前記第２初期設定情報と前記取得手段により取得された初期設定情報との類似度を推定し、推定した類似度が基準値以上となる前記第２初期設定情報に紐づく前記第２ユーザの前記第２目標情報と前記第２回答情報とに基づいて前記平均達成度を算出すること
を特徴とする。

第３発明に係る学習支援システムは、第１発明又は第２発明において、前記生成手段は、前記参照用回答情報と前記参照用コメント情報との対応関係の重みを含む前記対応表を参照することを特徴とする。

第４発明に係る学習支援システムは、第１発明から第３発明の何れかにおいて、前記生成手段は、前記取得手段により取得された初期設定情報に紐づく前記対応表を参照することを特徴とする。

第５発明に係る学習支援システムは、第１発明から第３発明の何れかにおいて、前記生成手段は、前記設定手段により設定された目標情報に紐づく前記対応表を参照することを特徴とする。

第６発明に係る学習支援システムは、第１発明から第３発明の何れかにおいて、前記生成手段は、前記設定手段により設定された目標情報に紐づく前記対応表を参照することを特徴とする。

第７発明に係る学習支援システムは、ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、前記生成手段は、前記回答手段により取得された回答情報に対する第３ユーザのリアクションを含むリアクション情報を取得し、取得した前記リアクション情報からリアクション情報の取得率を算出し、リアクション情報の取得率及び回答情報とコメント情報との関係を示す対応表を参照し、算出した前記リアクション情報の取得率と前記回答手段により取得された回答情報とに基づいて前記コメント情報を生成することを特徴とする。

第８発明に係る学習支援システムは、ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、前記生成手段は、前記回答手段により取得された回答情報に対する第３ユーザのリアクションを含むリアクション情報を取得し、取得した前記リアクション情報を属性毎に分類し、リアクション情報の属性及び回答情報とコメント情報との関係を示す対応表を参照し、分類した前記リアクション情報の属性と前記回答手段により取得された回答情報とに基づいて前記コメント情報を生成することを特徴とする。

第９発明に係る学習支援システムは、第８発明において、前記生成手段は、取得した前記リアクション情報に含まれる画像データを画像解析し、前記リアクション情報の属性を分類することを特徴とする。

第１０発明に係る学習支援システムは、第８発明において、前記生成手段は、取得した前記リアクション情報に含まれるテキストデータを自然言語解析し、前記リアクション情報の属性を分類することを特徴とする。

第１発明～第１０発明によれば、本発明の学習支援システムは、回答情報に対するコメントを含むコメント情報を生成する。これによって、ユーザの回答に対するコメントを自動的に生成することが可能となる。このため、ユーザのモチベーションを維持することができる。

特に、第１発明によれば、本発明の学習支援システムは、レコメンドパターンに応じて目標情報を設定する。これによって、ユーザの初期設定情報に基づいて適切な目標情報を設定することが可能となる。また、本発明の学習支援システムは、対応表を参照し、回答情報に対するコメント情報を生成する。これによって、回答情報により適したコメントを生成することが可能となる。また、本発明の学習支援システムは、算出した平均達成度と回答情報とに基づいてコメント情報を生成する。これによって、他のユーザの平均達成度を考慮したコメントを生成することが可能となる。

特に、第２発明によれば、本発明の学習支援システムは、推定した類似度が基準値以上となる第２初期設定情報に紐づく第２ユーザの第２目標情報と第２回答情報とに基づいて平均達成度を算出する。これによって、例えばユーザと入社歴が酷似した他のユーザの回答から平均達成度を算出することが可能となる。

特に、第３発明によれば、本発明の学習支援システムは、参照用回答情報と参照用コメント情報との対応関係の重みを含む対応表を参照する。これによって、より多様性のあるコメント情報を生成することが可能となる。

特に、第４発明によれば、本発明の学習支援システムは、初期設定情報に紐づく対応表を参照する。これによって、ユーザの初期設定情報に適した対応表を選択することが可能となる。

特に、第５発明によれば、本発明の学習支援システムは、目標情報に紐づく対応表を参照する。これによって、目標情報に合わせた対応表を参照することが可能となる。

特に、第６発明によれば、本発明の学習支援システムは、目標情報が含まれる項目に紐づく対応表を参照する。これによって、目標情報が含まれる項目に合わせて適切な対応表を参照することが可能となる。

特に、第７発明によれば、本発明の学習支援システムは、リアクション情報と、回答情報とに基づいてコメント情報を生成する。これによって、他のユーザからのリアクションを考慮したコメントを生成することが可能となる。

特に、第８発明によれば、本発明の学習支援システムは、分類したリアクション情報の属性と回答情報とに基づいてコメント情報を生成する。これによって、リアクション情報の分類を考慮したコメントを生成することが可能となる。

特に、第９発明によれば、本発明の学習支援システムは、リアクション情報に含まれる画像データを画像解析し、リアクション情報の属性を分類する。これによって、リアクションに含まれるスタンプ等の画像データから属性を分類することが可能となる。

特に、第１０発明によれば、本発明の学習支援システムは、リアクション情報に含まれるテキストデータを自然言語解析し、リアクション情報の属性を分類する。これによって、リアクションに含まれるテキストから属性を分類することが可能となる。

図１は、第１実施形態による学習支援システムの構成を示す模式図である。 図２は、第１実施形態による学習支援システムの構成を示すブロック図である。 図３は、第１実施形態による学習支援システムの構成を示すブロック図である。 図４は、第１実施形態による学習支援システムの動作を示すフローチャートである。 図５は、業種、職種及び役職の一覧を格納するテーブルを示す図である。 図６は、目標情報を格納するテーブルを示す図である。 図７は、回答の際の回答画面を示す図である。 図８は、回答情報及びコメント情報の画面を示す図である。 図９は、第２実施形態による学習支援システムの構成を示すブロック図である。 図１０は、第２実施形態による学習支援システムの動作を示すフローチャートである。 図１１は、第３実施形態による学習支援システムの構成を示すブロック図である。 図１２は、対応表の一例を示す図である。 図１３は、学習済みモデルの一例を示す図である。 図１４は、隠れ層を有する学習済みモデルの一例を示す図である。 図１５は、第４実施形態による学習支援システムの構成を示すブロック図である。 図１６は、第４実施形態による学習支援システムの動作を示すフローチャートである。 図１７は、第５実施形態による学習支援システムの構成を示すブロック図である。 図１８は、第５実施形態による学習支援システムの動作を示すフローチャートである。 図１９は、第６実施形態による学習支援システムの構成を示すブロック図である。 図２０は、第６実施形態による学習支援システムの動作を示すフローチャートである。 図２１は、リアクション情報の属性の分類の一例を示す図である。

（第１実施形態）
以下、本発明の第１実施形態における学習支援システムの一例について、図面を参照して説明する。

図１は、第１実施形態に係る学習支援システム１００を示す図である。学習支援装置１は、通信ネットワーク４を介してユーザ端末２と、サーバ３と、に接続されている。

学習支援装置１は、例えば通信ネットワーク４を介して、ユーザに関する情報を含む初期設定情報を取得し、取得した初期設定情報に基づいて、ユーザが実行すべき目標を含む目標情報を設定し、設定した目標情報に対するユーザの回答を含む回答情報を取得し、取得した回答情報に対するコメントを含むコメント情報を生成するコンピュータである。

ユーザ端末２は、初期設定情報等の各種情報を取得するためのアプリケーションがインストールされているスマートフォン、タブレット端末、パーソナルコンピュータ、ウェアラブル端末、携帯電話機等の端末である。また、ユーザ端末２は、学習支援装置１を内蔵していてもよい。かかる場合、ユーザ端末２は、通信ネットワーク４を介することなく、学習支援装置１と、通信を行ってもよい。

サーバ３は、例えば、ユーザ端末２が取得した初期設定情報等の各種情報を記憶するサーバであるが、クラウドサーバやＡＳＰサーバ等でもよく、そのタイプは問わない。

通信ネットワーク４は、学習支援装置１と、ユーザ端末２と、サーバ３とを通信回線を介して接続されるインターネット網等である。通信ネットワーク４は、学習支援装置１を一定の狭いエリア内で運用する場合には、ＬＡＮ（Local Area Network）で構成されてもよい。また、通信ネットワーク４は、いわゆる光ファイバ通信網で構成されてもよい。また、この通信ネットワーク４は、有線通信網に限定されるものではなく、無線通信網で実現されてもよい。以下、学習支援装置１の構成を詳細に説明する。

図２は、学習支援装置１の構成の一例を示す模式図である。学習支援装置１として、例えばパーソナルコンピュータ（ＰＣ）、スマートフォン、タブレット端末等の公知の電子機器が用いられる。学習支援装置１は、例えば筐体１０と、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、保存部１０４と、Ｉ／Ｆ１０５～１０７と、入力部１０８と、表示部１０９とを備える。各構成１０１～１０７は、内部バス１１０により接続される。

ＣＰＵ１０１は、学習支援装置１全体を制御する。ＲＯＭ１０２は、ＣＰＵ１０１の動作コードを格納する。ＲＡＭ１０３は、ＣＰＵ１０１の動作時に使用される作業領域である。保存部１０４は、初期設定情報等の各種情報が保存される。保存部１０４として、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等が用いられる。

Ｉ／Ｆ１０５は、ユーザ端末２、サーバ３、通信ネットワーク４等との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０６は、入力部１０８との各種情報の送受信を行うためのインターフェースである。Ｉ／Ｆ１０７は、表示部１０９との各種情報の送受信を行うためのインターフェースである。

入力部１０８には、キーボードが用いられるほか、例えばマイク等の収音装置が用いられてもよい。入力部１０８は、学習支援装置１を利用するユーザによって、テキストデータや音声等の各種情報が入力される。

表示部１０９は、保存部１０４に保存された初期設定情報、コメント情報等の各種情報等を表示する。表示部１０９は、例えばディスプレイ及びモニターが用いられるほか、例えばスピーカが用いられる。

なお、Ｉ／Ｆ１０５～Ｉ／Ｆ１０７は、例えば同一のものが用いられてもよく、各Ｉ／Ｆ１０５～Ｉ／Ｆ１０７は、例えばそれぞれ複数のものが用いられてもよい。また、表示部１０９は、タッチパネル式のディスプレイが用いられる場合、入力部１０８を含む構成としてもよい。

図３は、学習支援装置１の機能の一例を示す模式図である。学習支援装置１は、取得部１１と、取得部１１に接続される設定部１２と、設定部１２に接続される回答部１３と、回答部１３に接続される生成部１４と、生成部１４に接続される提示部１５とを備えてもよい。なお、学習支援装置１は、ＣＰＵ１０１が、ＲＡＭ１０３を作業領域として、保存部１０４等に記憶されたプログラムを実行することにより実現される。また、学習支援装置１は、人工知能により制御されてもよい。ここで、人工知能は、いかなる周知の人工知能技術に基づくものであってもよい。

取得部１１は、音声又は入力端末を介して入力された初期設定情報を取得する。取得部１１は、例えばユーザ端末２又は入力部１０８を介してユーザから入力された初期設定情報を取得する。例えばユーザ端末２又は入力部１０８を介して、ユーザから初期設定情報が音声により入力された場合、取得部１１は、公知の音声認識技術（例えば音素認識技術）を用いて音声から生成されたテキストデータを初期設定情報として取得する。なお、音声認識技術は、例えば通信ネットワーク４を介して、クラウド型の音声認識技術を用いてもよい。取得部１１は、入力された初期設定情報を設定部１２に出力する。

設定部１２は、取得部１１から入力された初期設定情報に基づいて、ユーザが実行すべき目標を含む目標情報を設定する。設定部１２は、設定した目標情報を回答部１３に出力する。

回答部１３は、設定部１２により設定された目標情報に対するユーザの回答を含む回答情報を取得する。回答部１３は、取得した回答情報を生成部１４に出力する。

生成部１４は、回答部１３により取得された回答情報に対するコメントを含むコメント情報を生成する。生成部１４は、生成したコメント情報を提示部１５に出力する。

提示部１５は、各種情報を提示する。提示部１５は、例えば表示部１０９又はユーザ端末２等を介して、ユーザが認識できるようにコメント情報を提示する。提示部１５は、Ｉ／Ｆ１０５を介してユーザ端末２等にコメント情報等を出力し、ユーザ端末２に設けられたディスプレイやモニターを介してコメント情報等を提示してもよい。

次に、本発明を適用した実施形態における学習支援装置１の動作について説明をする。まず図４に示すようにステップＳ１１において初期設定情報を取得する。初期設定情報は、ユーザに関する情報であり、例えばユーザの業種、職種、役職、能力要素、入社歴、名前、所属組織、権限、配信承認、配信頻度、性別、入社状況、チェックテスト点数のうちの何れかの情報を含む。ここで本実施の形態による業種、職種及び役職の一覧を格納するテーブルＴＢ１～ＴＢ３を示す図である図５を用いて対象者属性の各項目について説明する。業種は、テーブルＴＢ１に示すように、符号Ａが農業・林業を指す、符号Ｂが漁業を指す、といったように、符号Ａ～Ｔで示される。

職種は、テーブルＴＢ２に示すように、符号Ａが管理的職業を指す、符号Ｂが専門・技術的職業を指す、といったように、符号Ａ～Ｋで表される。役職は、テーブルＴＢ３に示すように、符号Ａが代表取締役社長を指す、符号Ｂが専務取締役を指す、といったように符号Ａ～Ｊで示される。

権限は、例えばユーザに付与された各種情報への閲覧、削除、修正等を行うためのアクセスの権限である。配信承認は、ユーザに目標情報、回答情報、コメント情報等の各種情報を配信するか否かを承認する情報である。配信頻度は、ユーザに目標情報、回答情報、コメント情報等の各種情報を配信する頻度に関する情報である。配信頻度は、例えば２週間に１度等の頻度を示す。

チェックテスト点数は、社会人基礎力のスキル計測のためのテストの結果を示す。例えば社会人基礎力のスキル計測のためのテストは、主体性や働きかけ力などといった１２つの能力要素がそれぞれ１０点ずつの配点で計１２０点とする。

次にステップＳ１２に移行し、ステップＳ１１において取得した初期設定情報に基づいて、ユーザが実行すべき目標を含む目標情報を設定する。目標情報は、ユーザが実行すべき目標を示す情報である。ユーザが実行すべき目標は、例えば図６に示すような、ユーザの業務上で実行すべき行動詳細及び行動詳細に紐づけられる各種項目である。

次に本実施の形態による行動詳細リストテーブルＴＢ４を示す図である図６を用いて行動詳細に紐づけられている項目について説明する。行動詳細リストテーブルＴＢ４に示すように、それぞれの行動詳細は、能力要素、難易度、平均達成率、平均改善速度、対象者属性及び登録者属性と紐づけられている。

行動詳細及び詳細行動と紐づけられている各項目について説明する。行動詳細は、例えば経済産業省が提唱した社会人基礎力の能力要素である主体性を例とすると、例えば「誰かに仕事の相談をする際には、自分なりに一案用意した上で相談する。」等の行動である。行動詳細は、例えば番号などでのＩＤ情報で管理される。社会人基礎力を例に説明しているので、能力要素のそれぞれの欄に格納される値としては、主体性の他には、例えば働きかけ力や実行力といった内容が挙げられる。なお経済産業省が提唱した社会人基礎力の１２の能力要素のいずれにも属さない行動詳細についてはその他に分類されるものとする。

難易度は、例えば大区分として、簡単区分（以下、これをＡ区分と呼んでもよい）、やりがい区分（以下、これをＢ区分と呼んでもよい）及び難しい区分（以下、これをＣ区分と呼んでもよい）の３区分とする。また小区分として、１レベル、２レベル、３レベルの３区分とする。

このため、例えば難易度のそれぞれの欄には、簡単なものから難しいものの順にＡ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３、Ｃ１、Ｃ２及びＣ３となり、９段階の値のいずれか１つが格納される。なお例えばＡ１は、Ａ区分の１レベルを指すものとする。

平均達成率のそれぞれの欄には、０～１００の値が格納される。平均達成率は、第２ユーザの一定期間の間のそれぞれの目標情報に対する達成率の平均である。平均達成率のそれぞれの欄に格納される値は、一ヶ月間において、何回実行したうちの何回が達成できたかを示す第２ユーザ毎の達成率を平均した値である。なお対象となる行動詳細を実施した第２ユーザが３８５人以上いた場合は、計算負荷を減らすため３８５人分をランダムに選択する。第２ユーザは、平均達成率を算出するための複数のユーザであり、ステップＳ１１において、取得した初期設定情報に紐づくユーザを含めてもよいし、含めなくてもよい。

平均改善速度には、０～１の値が格納される。平均改善速度のそれぞれの欄に格納される値は、一ヶ月間において、横軸を日付とし、縦軸を達成可否とした際の回帰係数を示す第２ユーザ毎の改善速度を平均した値である。

なお対象となる行動詳細を実施した第２ユーザが３８５人以上いた場合は、計算負荷を減らすため３８５人分をランダムに選択する。また達成可否は、例えば、達成できた場合を１とし、達成できなかった場合を０とする。

対象者属性は、業種、職種、役職及びチェックテスト点数といった項目を備える。ステップＳ１１において取得した初期設定情報が対象者属性に該当する場合、その項目に紐づく行動詳細をユーザが実行すべき目標に加えてもよい。例えば番号が１の行動詳細を例にすると、業種がＡ～Ｔのいずれかであって、職種がＡ～Ｋのいずれかであって、役職がＡ～Ｊのいずれかであって、チェックテストの点数が０～１０の範囲である初期設定情報に紐づくユーザに対して、番号が１の行動詳細を目標情報に加えてもよい。

また、ステップＳ１２において、設定された目標情報は、初期設定情報に含まれる配信頻度に応じて、ユーザ端末２に送信してもよい。例えば配信頻度が週に一度の場合、週に一度、目標情報を設定し、ユーザ端末２に送信される。また、かかる場合、メール及びＡＰＩ及びＳＮＳを用いて目標情報を送信してもよい。

また、ステップＳ１２において、設定された目標情報に対するマネージャーの承認を取得してもよい。マネージャーは、ユーザの学習支援システム１００の使用を管理する人物であり、例えばユーザの上司等であるが、任意の人物であってもよい。また、目標情報に対するマネージャーの承認がされない場合は、非承認理由情報を取得してもよい。かかる場合、非承認理由情報は、例えばマネージャーにより入力されることにより取得してもよい。また、ステップＳ１２において、取得した非承認理由情報に応じて、目標情報を新たに設定してもよい。

次にステップＳ１３に移行し、回答部１３は、ステップＳ１２において設定した目標情報に対するユーザの回答を含む回答情報を取得する。回答情報は、例えば図７に示すような自己管理チェックシートに記載されている各行動詳細に紐づけられるユーザの回答を示す情報である。回答情報は、例えば各行動詳細に対する「実行した」又は「実行してない」等の回答でもよい。また、回答情報は、目標情報に含まれる行動詳細に対して実行した行動詳細の割合を示す達成率を含んでもよい。また、回答情報は、達成率の時間に対する変化を示す達成率の推移を含んでもよい。また、回答情報は、ステップＳ１２において設定した目標情報に対してユーザが回答した目標情報の割合を示す回答率を含んでもよい。また、回答情報は、回答率の時間に対する変化を示す回答率の推移を含んでもよい。また、回答情報は、ユーザから入力された目標に対するメモ等のテキストデータ、及びテキストデータの文字数等を含んでもよい。回答部１３は、取得した回答情報に基づいて、図８に示すように回答結果をユーザに提示してもよい。

また、ステップＳ１３において、ユーザからの回答が入力されない場合、ユーザの勤務日時情報を取得してもよい。ユーザの勤務日時情報は、ユーザの勤務日時を示す情報であり、例えばユーザの出勤日、及び出勤時間等を示す情報である。勤務日時情報は、例えばユーザ端末２を介して取得してもよい。勤務日時情報を取得した場合、勤務日時情報と回答情報とから新たに回答率を算出してもよい。これにより、例えばユーザの有休等の勤務状況を考慮した回答率を算出することが可能となる。

また、ステップＳ１３において、ユーザの勤務内容情報を取得してもよい。ユーザの勤務内容情報は、ユーザの勤務内容を示す情報であり、例えばユーザの行った業務の内容を示す情報である。勤務内容情報は、例えばユーザ端末２を介して取得してもよい。勤務内容情報を取得した場合、勤務内容情報と回答情報とから新たに達成率を算出してもよい。これにより、例えばユーザが勤務内で達成する機会のない目標情報を排除した達成率を算出することが可能となる。

また、ステップＳ１３において、取得された回答情報に対するマネージャーの承認を取得してもよい。また、回答情報に対するマネージャーの承認がされない場合は、非承認理由情報を取得してもよい。かかる場合、非承認理由情報は、例えばマネージャーにより入力されることにより取得してもよい。また、ステップＳ１３において、取得した非承認理由情報に応じて、回答情報を新たに取得してもよい。

次にステップＳ１４へ移行し、生成部１４は、ステップＳ１３で取得した回答情報に対するコメントを含むコメント情報を生成する。コメント情報は、図８の画面６５に示すように、回答情報に対する反応を示すテキストデータであるが、この限りではなく、回答情報に対する画像データ等であってもよい。コメント情報は、例えば回答情報に含まれる達成率、達成率の推移、回答率、及び回答率の推移、メモのテキストデータの文字数等に基づいて生成される。また、ステップＳ１４において、回答情報に含まれるメモのテキストデータを自然言語解析し、テキストデータの意味を抽出し、抽出した意味に基づいてコメント情報を生成してもよい。

次にステップＳ１５へ移行し、提示部１５は、ステップＳ１４で、生成されたコメント情報を提示する。かかる場合、例えばコメント情報をユーザ端末２に送信し、ユーザ端末２を介してユーザに提示してもよい。また、初期設定情報に含まれる配信頻度に応じて、コメント情報をユーザ端末２に送信するようにしてもよい。また、ステップＳ１４において生成されたコメント情報に応じて、配信頻度を決定してもよい。これによって、ユーザの回答に対するコメントを自動的に生成することが可能となる。このため、ユーザのモチベーションを維持することができる。

（第２実施形態）
以下、本発明の第２実施形態における学習支援システムの一例について、図面を参照して説明する。第２実施形態は、ステップＳ１１において取得した初期設定情報に基づいて、目標情報のパターンを示すレコメンドパターンを決定し、決定したレコメンドパターンに応じて、目標情報を設定する点において第１実施形態と異なる。また、第１実施形態と同様なものの説明は省略する。

図９は、第２実施形態における学習支援装置１のブロック図を示す図である。学習支援装置１は、取得部１１に接続され、設定部１２に接続するレコメンド決定部１１０をさらに備える。

レコメンドパターン決定部１１０は、取得部１１により取得された初期設定情報に基づいて、目標情報のパターンを示すレコメンドパターンを決定し、決定したレコメンドパターンを設定部１２に出力する。

次に、本発明を適用した第２実施形態における学習支援装置１の動作について説明をする。図１０に示すように、ステップＳ２０において、ステップＳ１１により取得した初期設定情報に基づいて、目標情報のパターンを示すレコメンドパターンを決定する。レコメンドパターンは、例えば目標情報に紐づく番号であってもよい。かかる場合、初期設定情報とレコメンドパターンとの関係を示すレコメンド対応表を参照し、ステップＳ１１により取得した初期設定情報に基づいて、レコメンドパターンを決定してもよい。

次に、ステップＳ１２において、ステップＳ２０により決定したレコメンドパターンに応じて、目標情報を設定する。かかる場合、レコメンドパターンに目標情報を予め紐づけておき、ステップＳ２０により決定したレコメンドパターンに紐づく目標情報を設定してもよい。これによって、ユーザの初期設定情報に基づいて適切な目標情報を設定することが可能となる。

（第３実施形態）
以下、本発明の第３実施形態における学習支援システムの一例について、図面を参照して説明する。第３実施形態は、参照用回答情報と参照用コメント情報との対応関係を含む対応表を参照し、ステップＳ１３により取得された回答情報に対するコメント情報を生成する点において第１実施形態と異なる。また、第１実施形態と同様なものの説明は省略する。

図１１は、第３実施形態における学習支援装置１のブロック図を示す図である。生成部１４は、参照用回答情報と参照用コメント情報との対応関係を含む対応表を参照し、回答部１３により出力された回答情報に基づいて、コメント情報を生成する。

次に、本発明を適用した第３実施形態における学習支援装置１の動作について説明をする。ステップＳ１４において、参照用回答情報と参照用コメント情報との対応関係を含む対応表を参照し、ステップＳ１３により取得した回答情報に基づいて、コメント情報を生成する。対応表は、例えば参照用回答情報と参照用コメント情報との対応関係を示す表であり、図１２に示すように参照用回答情報と参照用コメント情報とが一義的に紐づく表であってもよい。かかる場合、対応表を参照し、回答情報に含まれる達成率に応じて、コメント情報を生成してもよい。参照用回答情報は、予め取得された回答情報である。参照用コメント情報は、予め取得されたコメント情報である。

また、対応表は、参照用回答情報と参照用コメント情報との対応関係の重みを示す傾斜値が含まれてもよい。傾斜値は、予め設定された回答情報に対するコメント情報との関係の強さを示す値であり、例えば回答情報ａに対して、傾斜値が１０のコメント情報ｂと傾斜値が１のコメント情報ｃが対応表に含まれている場合、１１分の１０の確率でコメント情報ｂが選択され、１１分の１の確率でコメント情報ｃが選択される。これによって、より多様性のあるコメント情報を生成することが可能となる。

また、対応表は、初期設定情報と紐づけられてもよい。かかる場合、ステップＳ１４において、ステップＳ１１により取得された初期設定情報と紐づく対応表を参照し、コメント情報を生成する。例えば初期設定情報に新卒という情報が含まれていた場合、新卒という情報に紐づく対応表を参照する。また、対応表は、初期設定情報に含まれる入社歴、役職等の項目に紐づけられてもよい。これにより、例えばユーザの入社歴に対して適切な対応表を参照することが可能となり、ユーザの初期設定情報に適した対応表を選択することができる。

また、対応表は、目標情報と紐づけられてもよい。かかる場合、ステップＳ１４において、ステップＳ１２により設定された目標情報と紐づく対応表を参照し、コメント情報を生成する。例えば目標情報に挨拶に関する行動詳細が含まれていた場合、挨拶に関する行動詳細に紐づく対応表を参照する。これによって、目標情報に合わせた対応表を参照することが可能となる。また、対応表は、目標情報が含まれる項目に紐づけられてもよい。目標情報が含まれる項目は、例えば目標情報に含まれる行動詳細に紐づく能力要素であってもよい。また、目標情報が含まれる項目は、目標情報に含まれる行動詳細に紐づく難易度であってもよい。これによって、目標情報が含まれる項目に合わせて適切な対応表を参照することが可能となる。

また、対応表は、参照用回答情報を含む入力データと参照用コメント情報を含む出力データとの関係を示す学習済みモデルであってもよい。学習済みモデルは、予め取得された参照用回答情報を含む入力データと参照用コメント情報を含む出力データとからなるデータセットを学習データとして用い、入力を参照用回答情報とし、出力を参照用コメント情報として、機械学習により生成された学習済みモデルであってもよい。かかる場合、参照用回答情報は、学習データの入力データとして用いられる回答情報であり、回答情報と同じデータ形式のものを用いてもよい。また、参照用コメント情報は、学習データの出力データとして用いられるコメント情報であり、コメント情報と同じデータ形式のものを用いてもよい。

学習済みモデルの生成方法として、例えばニューラルネットワークをモデルとした機械学習を用いて、学習済みモデルを生成してもよい。学習済みモデルは、例えばＣＮＮ（Convolution Neural Network）等のニューラルネットワークをモデルとした機械学習を用いて生成されるほか、任意のモデルが用いられてもよい。

かかる場合、学習済みモデルには、例えば図１３のように、参照用回答情報とコメント情報との間における連関度を有する連関性が記憶される。連関度は、入力データと出力データとの繋がりの度合いを示しており、例えば連関度が高いほど各データの繋がりが強いと判断することができる。連関度は、例えば百分率等の３値以上又は３段階以上で示されるほか、２値又は２段階で示されてもよい。

例えば連関性は、複数の入力データ、対、複数の出力データの間における繋がりの度合いにより構築される。連関性は、機械学習の過程で適宜更新され、例えば複数の入力データ、及び複数の出力データに基づいて最適化された関数を用いた分類器を示す。なお、連関性は、例えば各データの間における繋がりの度合いを示す複数の連関度を有してもよい。連関度は、例えばデータベースがニューラルネットワークで構築される場合、重み変数に対応させることができる。連関性は、例えば図１３に示すように、複数の入力データと、複数の出力データとの間における繋がりの度合いを示してもよい。この場合、連関性を用いることで、図１３の「参照用回答情報Ａ」～「参照用回答情報Ｃ」のそれぞれの入力データに対し、「コメント情報Ａ」～「コメント情報Ｃ」の複数の出力データとの関係の度合いを紐づけて記憶させることができる。このため、例えば連関性を介して、１つの出力データに対して、複数の入力データを紐づけることができる。これにより、入力データに対して多角的な出力データの選択を実現することができる。

連関性は、例えば各出力データと、各入力データとをそれぞれ紐づける複数の連関度を有する。連関度は、例えば百分率、１０段階、又は５段階等の３段階以上で示され、例えば線の特徴（例えば太さ等）で示される。例えば、入力データに含まれる「参照用回答情報Ａ」は、出力データに含まれる「コメント情報Ａ」との間の連関度ＡＡ「７３％」を示し、入力データに含まれる「参照用回答情報Ｂ」との間の連関度ＡＢ「１２％」を示す。すなわち、「連関度」は、各データ間における繋がりの度合いを示しており、例えば連関度が高いほど、各データの繋がりが強いことを示す。例えば、「参照用回答情報Ａ」という入力データと「コメント情報Ｂ」との連関度が「９２％」であり、「参照用回答情報Ａ」という入力データと、「コメント情報Ｃ」という出力データとの連関度が「５％」である場合、「参照用回答情報Ａ」という入力データと「コメント情報Ｃ」との繋がりよりも「参照用回答情報Ａ」という入力データと「コメント情報Ｂ」との繋がりが強いことを示す。

このような図１３に示す３段階以上の連関度を予め取得しておく。つまり実際の推定解の判別を行う上で、入力データと、出力データの何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図１３に示す連関度を作り上げておく。

例えば、過去において「参照用回答情報Ａ」という入力データに対して、コメント情報Ｂが最も適合性が高いと判断され、評価されたものとする。このようなデータセットを集めて分析することにより、入力データと出力データとの連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば入力された入力データが「参照用回答情報Ａ」である場合に、過去のデータセットに基づいて、コメント情報Ｂが推定される事例が多い場合には、この「参照用回答情報Ａ」とコメント情報Ｂとにつながる連関度をより高く設定する。

また、この連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

また、学習済みモデルは、図１４に示すように入力データと出力データとの間に少なくとも１以上の隠れ層が設けられ、機械学習させるようにしてもよい。入力データ又は隠れ層データの何れか一方又は両方において上述した連関度が設定され、これが各データの重み付けとなり、これに基づいて出力の選択が行われる。そして、この連関度がある閾値を超えた場合に、その出力を選択するようにしてもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに入力データからコメント情報の推定を行うこととなる。かかる場合には、ステップＳ１３において取得した回答情報に対する出力データを新たに取得する。新たに取得した入力データに基づいて、これに見合うコメント情報を推定する。推定の際には、例えば予め取得した図１３に示す連関度を参照する。例えば、新たに取得した入力データが「参照用回答情報Ａ」と同一かこれに類似するものである場合には、連関度を介して「コメント情報Ａ」との間の連関度ＡＡ「７３％」、「コメント情報Ｂ」との間の連関度ＡＢ「１２％」で関連付けられている。この場合には、連関度の最も高い「コメント情報Ａ」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「コメント情報Ｂ」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このような連関度を参照することにより、入力データが、出力データと同一又は類似である場合のほか、非類似である場合においても、入力データに適した出力データを定量的に選択することができるため、入力データがいかなる出力データに該当するものであるのかを精度良く判別することができる。これによって３段階以上の関係を用いて、入力データと出力データを紐づけることが可能となるので、入力された回答情報により適した出力データを選択することができる。また、学習済みモデルは、入力された入力データと、選択された出力データを学習データとして、強化学習を行ってもよい。

（第４実施形態）
以下、本発明の第４実施形態における学習支援システムの一例について、図面を参照して説明する。第４実施形態は、平均達成度を算出し、算出した平均達成度と回答情報とに基づいてコメント情報を生成する点において第１実施形態と異なる。また、第１実施形態と同様なものの説明は省略する。

図１５は、第４実施形態における学習支援装置１のブロック図を示す図である。学習支援装置１は、取得部１１と設定部１２と回答部１３とに接続され、生成部１４に接続する算出部１１１をさらに備える。

算出部１１１は、回答部１３により取得された第２回答情報に基づいて、平均達成度を算出し、算出した平均達成度を生成部１４に出力する。

次に、本発明を適用した第４実施形態における学習支援装置１の動作について説明をする。図１６に示すように、ステップＳ４０において、予め取得した第２目標情報と、第２回答情報とに基づいて、平均達成度を算出する。第２目標情報は、第２ユーザに関する初期設定情報である第２初期設定情報に基づいて設定された第２ユーザが実行すべき目標情報である。第２回答情報は、第２目標情報に対する第２ユーザの回答を示す情報である。第２回答情報、第２初期設定情報、第２目標情報は、それぞれ回答情報、初期設定情報、目標情報と同様の方法により取得してもよい。かかる場合、例えばステップＳ１２により設定された目標情報に含まれる行動詳細と同じ行動詳細が第２目標情報に含まれている場合、この第２目標情報に対する第２回答情報か当該行動情報の達成率を算出し、複数の第２ユーザの達成率を平均することで平均達成率を算出してもよい。

また、ステップＳ４０において、第２ユーザに関する情報を含む第２初期設定情報を予め取得し、取得した第２初期設定情報とステップＳ１１において取得した初期設定情報との類似度を推定し、推定した類似度が基準値以上となる第２初期設定情報に紐づく第２ユーザの第２目標情報と第２回答情報とに基づいて平均達成度を算出してもよい。類似度は、例えば初期設定情報に含まれる情報と共通する第２初期設定情報に含まれる情報の項目数により決定してもよいがこの限りではない。基準値は、任意の方法により予め設定された値である。かかる場合、例えばユーザの初期設定情報に新卒という情報が含まれている場合、新卒という情報が第２初期設定情報に含まれる第２ユーザの第２初期設定情報と、初期設定情報との類似度が基準値よりも高くなる。これにより、類似度が基準値よりも高い第２ユーザの達成率のみを参照して平均達成率を算出できるため、例えばユーザと入社歴が酷似した他のユーザの回答から平均達成度を算出することが可能となる。

次に、ステップＳ１１４において、ステップＳ４０において算出した平均達成度とステップＳ１３において取得した回答情報とに基づいてコメント情報を生成する。かかる場合、例えば回答情報から達成度を算出し、算出した達成度と平均達成度との比較に基づいて、コメント情報を生成してもよい。これによって、他のユーザの平均達成度を考慮したコメントを生成することが可能となる。

（第５実施形態）
以下、本発明の第５実施形態における学習支援システムの一例について、図面を参照して説明する。第５実施形態は、リアクション情報と、回答情報とに基づいてコメント情報を生成する点において第１実施形態と異なる。また、第１実施形態と同様なものの説明は省略する。

図１７は、第５実施形態における学習支援装置１のブロック図を示す図である。学習支援装置１は、回答部１３に接続され、生成部１４に接続するリアクション情報取得部１１２をさらに備える。

リアクション情報取得部１１２は、回答部１３により取得された回答情報に対する第３ユーザのリアクションを含むリアクション情報を取得し、取得したリアクション情報を生成部１４に出力する。

次に、本発明を適用した第５実施形態における学習支援装置１の動作について説明をする。図１８に示すように、ステップＳ５０において、ステップＳ１３により取得した回答情報に基づいて、リアクション情報を取得する。リアクション情報は、例えば回答情報に対する第３ユーザのリアクションであり、例えば回答に対する第３ユーザのコメントを含むテキストデータであってもよいし、スタンプ等の画像データであってもよい。第３ユーザは、リアクション情報を取得するための情報であり、第２ユーザを含む任意の人物であってよい。

また、ステップＳ５０において、例えば第３ユーザからのリアクション情報の取得率を算出してもよい。リアクション情報の取得率は、一定期間中に第３ユーザからリアクションがあったか否かであってもよいし、回答情報に対してリアクションがされた数であってもよい。

次に、ステップＳ１４において、ステップＳ５０において取得したリアクション情報と、ステップＳ１３において取得した回答情報とに基づいてコメント情報を生成する。かかる場合、例えばリアクション情報の取得率及び回答情報とコメント情報との関係を示す対応表を参照して、コメント情報を生成してもよい。これによって、他のユーザからのリアクションを考慮したコメントを生成することが可能となる。

（第６実施形態）
以下、本発明の第６実施形態における学習支援システムの一例について、図面を参照して説明する。第６実施形態は、リアクション情報を分類し、分類したリアクション情報の属性と回答情報とに基づいてコメント情報を生成する点において第５実施形態と異なる。また、第５実施形態と同様なものの説明は省略する。

図１９は、第６実施形態における学習支援装置１のブロック図を示す図である。学習支援装置１は、リアクション情報取得部１１２に接続され、生成部１４に接続する分類部１１３をさらに備える。

分類部１１３は、リアクション情報取得部１１２により取得されたリアクション情報の属性を分類し、分類したリアクション情報の属性を生成部１４に出力する。

次に、本発明を適用した第６実施形態における学習支援装置１の動作について説明をする。図２０に示すように、ステップＳ６０において、ステップＳ５０により取得したリアクション情報の属性を分類する。リアクション情報の属性は、例えば「ポジティブ」、「ネガティブ」等のラベルである。また、リアクション情報の属性は、図２１に示すような、「ポジティブ」、「ネガティブ」、「フォーマル」、「カジュアル」等の四象限に分類してもよい。また、リアクション情報の属性は３種以上の属性に分類されてもよい。リアクション情報の属性は、例えばリアクション情報に含まれるテキストデータを自然言語解析し、リアクション情報の属性を分類してもよい。また、例えばリアクション情報に含まれる画像データを画像解析し、リアクション情報の属性を分類してもよい。

次に、ステップＳ１４において、ステップＳ２０により決定したレコメンドパターンに応じて、目標情報を設定する。かかる場合、レコメンドパターンに目標情報を予め紐づけておき、ステップＳ２０により決定したレコメンドパターンに紐づく目標情報を設定してもよい。これによって、ユーザの初期設定情報に基づいて適切な目標情報を設定することが可能となる。

次に、ステップＳ１４において、ステップＳ６０において分類したリアクション情報の属性と、ステップＳ１３において取得した回答情報とに基づいてコメント情報を生成する。かかる場合、例えばリアクション情報の属性及び回答情報とコメント情報との関係を示す対応表を参照して、コメント情報を生成してもよい。これによって、他のユーザからのリアクションを考慮したコメントを生成することが可能となる。これによって、リアクション情報の分類を考慮したコメントを生成することが可能となる。

本発明の実施形態を説明したが、この実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 学習支援装置
２ ユーザ端末
３ サーバ
４ 通信ネットワーク
５ モニター
６ カーソル
１０ 筐体
１１ 取得部
１２ 設定部
１３ 回答部
１４ 生成部
１５ 提示部
１００ 学習支援システム
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 保存部
１０５～１０７ Ｉ／Ｆ
１０８ 入力部
１０９ 表示部
１１０ レコメンド決定部
１１１ 算出部
１１２ リアクション情報取得部
１１３ 分類部

Claims (10)

1. ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、
   前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、
   前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、
   参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、
   前記生成手段は、第２ユーザが実行すべき目標を含む第２目標情報と、前記第２目標情報に対する前記第２ユーザの回答を含む第２回答情報とに基づいて、前記第２目標情報の平均達成度を算出し、算出した前記平均達成度と前記回答手段により取得された回答情報から算出した前記目標情報の達成度との比較に基づいて前記コメント情報を生成すること
   を特徴とする学習支援システム。
2. 前記生成手段は、前記第２ユーザに関する情報を含む第２初期設定情報を予め取得し、取得した前記第２初期設定情報と前記取得手段により取得された初期設定情報との類似度を推定し、推定した類似度が基準値以上となる前記第２初期設定情報に紐づく前記第２ユーザの前記第２目標情報と前記第２回答情報とに基づいて前記平均達成度を算出すること
   を特徴とする請求項１に記載の学習支援システム。
3. 前記生成手段は、前記参照用回答情報と前記参照用コメント情報との対応関係の重みを含む前記対応表を参照すること
   を特徴とする請求項１又は請求項２に記載の学習支援システム。
4. 前記生成手段は、前記取得手段により取得された初期設定情報に紐づく前記対応表を参照すること
   を特徴とする請求項１～３の何れか１項に記載の学習支援システム。
5. 前記生成手段は、前記設定手段により設定された目標情報に紐づく前記対応表を参照すること
   を特徴とする請求項１～３の何れか１項に記載の学習支援システム。
6. 前記生成手段は、前記設定手段により設定された目標情報が含まれる項目に紐づく前記対応表を参照すること
   を特徴とする請求項１～３の何れか１項に記載の学習支援システム。
7. ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、
   前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、
   前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、
   参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、
   前記生成手段は、前記回答手段により取得された回答情報に対する第３ユーザのリアクションを含むリアクション情報を取得し、取得した前記リアクション情報からリアクション情報の取得率を算出し、リアクション情報の取得率及び回答情報とコメント情報との関係を示す対応表を参照し、算出した前記リアクション情報の取得率と前記回答手段により取得された回答情報とに基づいて前記コメント情報を生成すること
   を特徴とする学習支援システム。
8. ユーザに関する情報を含む初期設定情報を取得し、取得した前記初期設定情報に基づいて、前記ユーザが実行すべき目標を含む目標情報のパターンを示すレコメンドパターンを決定する取得手段と、
   前記取得手段により決定されたレコメンドパターンに応じて、前記目標情報を設定する設定手段と、
   前記設定手段により設定された目標情報に対する前記ユーザの回答を含む回答情報を取得する回答手段と、
   参照用回答情報と回答情報に対するコメントを含む参照用コメント情報との対応関係を含む対応表を参照し、前記回答手段により取得された回答情報に対するコメント情報を生成する生成手段とを備え、
   前記生成手段は、前記回答手段により取得された回答情報に対する第３ユーザのリアクションを含むリアクション情報を取得し、取得した前記リアクション情報を属性毎に分類し、リアクション情報の属性及び回答情報とコメント情報との関係を示す対応表を参照し、分類した前記リアクション情報の属性と前記回答手段により取得された回答情報とに基づいて前記コメント情報を生成すること
   を特徴とする学習支援システム。
9. 前記生成手段は、取得した前記リアクション情報に含まれる画像データを画像解析し、前記リアクション情報の属性を分類すること
   を特徴とする請求項８に記載の学習支援システム。
10. 前記生成手段は、取得した前記リアクション情報に含まれるテキストデータを自然言語解析し、前記リアクション情報の属性を分類すること
    を特徴とする請求項８に記載の学習支援システム。

Images