JP7141382B2 - 特性調査方法間での因子スコアの相違に基づく対象特性情報決定プログラム、装置及び方法 - Google Patents

Description

本発明は、パーソナリティといったような特性を、質問紙等の調査手法を用いて推定する技術に関する。

近年、顧客に対し、より適合した商品やサービスをレコメンドしたり、より効果的な広告を提供したりするべく、その判断基準の１つとなる顧客のパーソナリティ（性格）を、精度良く推定する技術が大いに注目されている。

ここで、このパーソナリティの指標としては、開放性（知的好奇心）（Openness）、誠実性（Conscientiousness）、外向性（Extraversion）、調和性（Agreeableness）、及び情緒不安定性（神経症的傾向）（Neuroticism）の主要５因子からなるBig Five（ビッグファイブ）が、統計心理学的な見地から確かなものとして広く受け入れられている。

また、このBig Fiveを推定するための手法として、従来、質問紙を調査対象者に提示し、当該質問紙の質問に対する回答を取得して分析を行うことが一般的となっている。ここで、取得される回答の内容は、回答に際しての回答者の態度にも大きく依存し、取得された回答の全てが正しいパーソナリティを反映した内容となっているわけではない。したがって、Big Fiveを精度良く推定するに当たり、得られた回答結果のうち分析対象とすべきものを如何に選別するかも非常に重要となる。

この点例えば、特許文献１には、回答者の属性を調査するためのアンケートにおいて、回答の信頼性を判別するための信頼性判定用質問（回答が互いに矛盾を生じるような矛盾確認質問）を含め、当該信頼性判定用質問において、信頼性が基準以下であると判定された回答者については、回答を調査分析の対象から除外し、さらには、当該アンケートを中断することにより、当該回答者を調査分析の対象から除外する手法が開示されている。

また、非特許文献１には、質問紙に対する回答様式（response style）からノイズとなる回答者を抽出する手法が開示されている。具体的には、連続した質問において同一回答の個数を数え上げる「非差別化指標」と、回答者が選択した選択肢の種類を数え上げた「回答幅指標」とを用いて、質問紙による調査に対し非協力的態度をとった回答者を抽出している。

さらに、非特許文献２には、項目応答理論（ＩＲＴ）に基づき、既存研究より提案された質問紙について、各設問に対しスコアリングを行い、Big Fiveの測定にとって重要ではない設問を除去する手法が開示されている。また、この非特許文献２は、この手法に基づき新たに作成した質問紙を用いて測定したBig Fiveと、既存の複数の質問紙を用いて測定したBig Fiveとの相関を調べており、新たに作成した質問紙は、既存の質問紙から大きく逸脱したものではないとの結論を提示している。

特表２００２―９２２９１号公報

近藤博之，「生徒調査における回答者の非協力的態度について」，II－7部会［一般部会］学力・学力調査，研究発表II，日本教育社会学会大会発表要旨集録，（６４），１５０～１５１頁，２０１２年 並川努，谷伊織，脇田貴文，熊谷龍一，中根愛，野口裕之，「Big Five尺度短縮版の開発と信頼性と妥当性の検討」，心理学研究，第８３巻，第２号，９１～９９頁，２０１２年

以上説明したように、特許文献１や非特許文献１に開示されたような従来の手法を用いれば、回答者の態度の評価を行い、不適切な態度である回答者やその回答を除外することも可能となる。

しかしながら、これらの手法では、態度が非協力的であるか否か、又は矛盾の無い回答をしているか否かといった観点のみに基づき回答者やその回答を判定しており、調査結果としてのBig Five測定値そのものを考慮していない。その結果、不適切と判断した回答者やその回答を除外したとしても、実際の正解のパーソナリティ（Big Five）にどこまで迫れるかに関しては、なお疑念が残ってしまう。

一方、非特許文献２に開示された手法はたしかに、複数種の質問紙による調査結果としてのBig Fiveの比較を行ってはいるが、この比較処理は、あくまでBig Five尺度短縮版の開発のためであって、この処理結果から回答者やその回答の判定を行うことは何ら想定されていない。

そこで、本発明は、対象の有する所定の特性の因子を調査した結果を考慮することによって、より高い精度で当該特性に係る情報を決定することができる対象特性情報決定プログラム、装置及び方法を提供することを目的とする。

本発明によれば、対象の有する所定の特性に係る情報を決定可能なコンピュータを機能させる対象特性情報決定プログラムであって、
当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する当該調査結果を非正解とする調査結果判定手段と
してコンピュータを機能させる対象特性情報決定プログラムが提供される。

この本発明による対象特性情報決定プログラムの一実施形態として、本プログラムは、当該因子スコアセットにおける各因子のスコアを複数のスコア区間に分類するスコア分類手段としてコンピュータを更に機能させ、
因子スコア比較手段は、各因子における当該因子スコアセット間での当該スコアの属するスコア区間の離隔の程度を決定し、
調査結果判定手段は、当該因子毎に、決定された当該スコア区間の離隔の程度が所定以上に高いか否かを判定し、所定数以上の当該因子について所定以上に高いとの判定が行われた場合、当該対象に対する当該調査結果を非正解とすることも好ましい。

また、上記の実施形態において、スコア分類手段は、当該因子毎に、当該因子スコアセットにおける当該因子のスコアの偏差値を算出し、当該スコアを、当該スコアの偏差値と少なくとも１つの所定の偏差値閾値との大小関係に基づいて当該複数のスコア区間に分類することも好ましい。

さらに、本発明による対象特性情報決定プログラムにおいて、調査結果判定手段は、少なくとも１つの当該因子について、決定された当該スコアの相違の程度が、少なくともいずれか２つの因子スコアセットの間で所定以上に高いと判定された場合、当該対象に対する当該調査結果を非正解とすることも好ましい。

また、本発明による対象特性情報決定プログラムにおいて、因子スコア比較手段は、前記互いに方式の異なる複数の調査方法について、当該因子毎に、当該因子のスコアの相関係数を算出し又は外部から取得し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するにあたり、各因子について、当該相関係数が所定以下である調査方法による因子スコアセットを排除することも好ましい。

さらに、本発明による対象特性情報決定プログラムにおいて、複数の調査方法は各々、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答であって、選択肢に係る番号又は記号を選択した結果である複数の回答を取得するものであり、
本プログラムは、いずれかの調査方法を用いて取得された回答において、所定以上連続して同一の番号若しくは記号が選択されている場合、及び／又は選択した番号若しくは記号の選択幅が所定以下となっている場合、当該回答に係る対象を、特性情報の取得対象から外す対象選別手段としてコンピュータを更に機能させることも好ましい。

また、本発明による対象特性情報決定プログラムにおいて、複数の調査方法は各々、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答であって、選択肢に係る番号又は記号を選択した結果である複数の回答を取得するものであり、
因子スコア比較手段は、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するにあたり、取得された回答において、所定以上連続して同一の番号若しくは記号が選択されている及び／又は選択した番号若しくは記号の選択幅が所定以下となっている調査方法による因子スコアセットを排除することも好ましい。

さらに、本発明による対象特性情報決定プログラムにおいて、複数の調査方法のうちの少なくとも１つは、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答を取得するものであり、さらに提示する質問として、当該対象が自らの特性とは異なる調査結果の出ることを意図して回答を行ったか否かを判別可能な不当意図判別質問を含み、
本プログラムは、当該不当意図判別質問に対する回答に基づいて、当該回答を行った対象を、特性情報の取得対象から外すか否かを決定する対象選別手段としてコンピュータを更に機能させることも好ましい。

本発明によれば、また、対象の有する所定の特性に係る情報が含まれている機械学習用の学習データを生成可能なコンピュータを機能させる学習データ生成プログラムであって、
当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とする調査結果判定手段と、
当該対象に係るデータと、該対象についての少なくとも非正解とはされていない調査結果に係る因子のスコアに係る情報とを用いることによって、当該学習データを生成する学習データ生成手段と
してコンピュータを機能させる学習データ生成プログラムが提供される。

本発明によれば、さらに、対象の有する所定の特性に係る情報を決定可能な装置であって、
当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とする調査結果判定手段と
を有する対象特性情報決定装置が提供される。

本発明によれば、さらにまた、対象の有する所定の特性に係る情報を決定可能なコンピュータにおける対象特性情報決定方法であって、
当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するステップと、
当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とするステップと
を有する対象特性情報決定方法が提供される。

本発明の対象特性情報決定プログラム、装置及び方法によれば、対象の有する所定の特性の因子を調査した結果を考慮することによって、より高い精度で当該特性に係る情報を決定することが可能となる。

本発明による学習データ生成装置の一実施形態における機能構成を示す機能ブロック図である。 本発明に係るスコア分類部、因子スコア比較部及び調査結果判定部において実施される処理の一実施例を示す模式図である。 本発明の対象特性情報決定方法によるパーソナリティ精査情報生成処理の実施例、及び比較例を説明するためのテーブルである。

以下、本発明の実施形態について、図面を用いて詳細に説明する。

[対象特定情報決定装置，学習データ生成装置]
図１は、本発明による学習データ生成装置の一実施形態における機能構成を示す機能ブロック図である。

図１に示した本実施形態の学習データ生成装置１は、本発明に係るパーソナリティ情報決定装置（対象特定情報決定装置）としての機能を含み、
（ａ）外部に設置された質問紙調査結果データベース（ＤＢ）２から例えば通信によって質問紙調査結果を取得し、当該質問紙調査結果に基づいて、調査対象者のパーソナリティ情報（特性情報）を決定し、さらに、
（ｂ）当該調査対象者の契約情報やウェブ（Web）アクセス履歴情報を、外部に設置された契約情報ＤＢ３やウェブアクセス履歴ＤＢ４から例えば通信によって取得し、これらの取得した情報に対し、上記（ａ）で決定した当該調査対象者のパーソナリティ情報を正解データとして紐づけることによって、パーソナリティ情報推定用の機械学習モデルを構築するための学習データ（教師データ）を生成する
のである。

ちなみに本発明において、対象の有する所定の「特性」に係る情報（対象特定情報）は当然、パーソナリティ情報に限定されるものではないが、本実施形態では、対象特定情報としてパーソナリティ情報を採用しており、より具体的には、Goldberg等によって提唱されたＦＦＭ（Five Factor Model）において提案され広く受け入れられている主要５因子（Big Five）を対象特定情報としている。なお勿論、パーソナリティ情報として、調査対象の性格・個性を表現し得る他の指標を採用することも可能である。なお、上記のＦＦＭについては例えば、非特許文献：Lewis R. Goldberg, "The structure of phenotypic personality traits", American Psychologist, 48(1), ２６～３４頁, １９９３年に記載されている。

学習データ生成装置１は、上記（ａ）のパーソナリティ情報（特性情報）決定処理を実施すべく、具体的に、
（Ａ）パーソナリティ（特性）を構成する少なくとも１つのパーソナリティ因子（本実施形態では5つのBig Five因子）を調査した結果としての、当該因子毎のスコアである「因子スコアセット」であって、互いに方式の異なる複数の調査方法を用いて調査対象について取得された複数の「因子スコアセット」において、当該因子毎に、各「因子スコアセット」の対応するスコア同士を比較し、各因子における「因子スコアセット」間での「スコアの相違の程度」を決定する因子スコア比較部１１３と、
（Ｂ）当該因子毎に、決定された「スコアの相違の程度」が所定条件を満たすまでに高いか否かを判定し、所定数以上の因子について（例えば、いずれか１つの因子についてでも）当該所定条件を満たすまでに高いとの判定が行われた場合、この調査対象に対する調査結果を非正解とする調査結果判定部１１４と
を有することを特徴としている。

ここで、上記（Ａ）の「因子スコアセット」間での「スコアの相違の程度」は、例えば具体的に、
（ａ）質問紙１を用いて取得された「因子スコアセット」における、例えば（Big Five因子である）開放性（Openness）についてのスコアと、
（ｂ）質問紙１とは方式の異なる質問紙２を用いて取得された「因子スコアセット」における、同じ開放性（Openness）についてのスコアと
の間における値の離隔の度合い、例えば差又は比に係る値、によって表すことができる。

このように、学習データ生成装置１は、パーソナリティ（特性）の因子の調査結果を考慮して決定される「スコアの相違の程度」に基づいて、調査対象に対する調査結果を非正解とするか否かを判断しており、例えば、非正解とした調査結果は使用せずにパーソナリティ（特定）情報を決定することも可能となっている。言い換えると、正しい情報である確度の低い情報を除外することによって、結果的に、より高い精度のパーソナリティ（特性）情報を取得することが可能となるのである。

ここで、「スコアの相違の程度」は、例えば、質問紙間におけるBig Five調査結果の矛盾の程度として理解することも可能である。したがって、学習データ生成装置１は、パーソナリティ（特性）の因子の調査結果の矛盾の程度を直接考慮して、調査結果をより効率的に且つ効果的に選別するものと捉えることもできるのである。

なお、学習データ生成装置１は、この後述べるように、インターネット上のサーバ若しくはクラウドサーバとして設置されていてもよく、または、アクセスネットワークである事業者通信網内に事業者設備又は専用装置として設置されていてもよい。また、契約情報やウェブアクセス履歴情報等を通信以外の方法で取得する、例えばスタンドアローンの装置とすることも可能である。

［装置機能構成，プログラム］
同じく図１の機能ブロック図によれば、パーソナリティ情報決定装置（対象特定情報決定装置）としての機能も含む学習データ生成装置１は、通信インタフェース部１０１と、調査結果保存部１０２と、契約情報保存部１０３と、ウェブ履歴保存部１０４と、パーソナリティ情報保存部１０５と、学習データ保存部１０６と、キーボード（ＫＢ）１０７と、ディスプレイ（ＤＰ）１０８と、プロセッサ・メモリとを有する。

ここで、このプロセッサ・メモリは、本発明による学習データ生成プログラムの一実施形態を保存しており、また、コンピュータ機能を有していて、この学習データ生成プログラムを実行することによって、学習データの生成処理を実施する。このことから、学習データ生成装置１は、サーバ、クラウドサーバや、学習データ生成用の専用装置であってもよいが、本発明による学習データ生成プログラムを搭載した、例えばパーソナル・コンピュータ（ＰＣ）、ノート型若しくはタブレット型コンピュータ、又はスマートフォン等とすることも可能である。なお、本学習データ生成プログラムは、本発明によるパーソナリティ情報決定プログラム（対象特定情報決定プログラム）の機能を含むものとなっている。

さらに、プロセッサ・メモリは、対象選別部１１１と、スコア分類部１１２と、因子スコア比較部１１３と、調査結果判定部１１４と、学習データ生成部１１５と、通信制御部１２１と、入出力制御部１２２とを有する。なお、これらの機能構成部は、プロセッサ・メモリに保存された学習データ生成プログラムの機能と捉えることができる。また、このうち対象選別部１１１、スコア分類部１１２、因子スコア比較部１１３、及び調査結果判定部１１４は、学習データ生成プログラムに含まれるパーソナリティ情報決定プログラム（対象特定情報決定プログラム）の機能と捉えることも可能である。また、図１における学習データ生成装置１の機能構成部間を矢印で接続して示した処理の流れは、本発明によるパーソナリティ情報決定方法（対象特定情報決定方法）を包含する学習データ生成方法の一実施形態としても理解される。

同じく図１の機能ブロック図において、調査結果保存部１０２は、質問紙調査結果ＤＢ２から、通信インタフェース部１０１及び通信制御部１２１を介して取得された質問紙調査結果を保存し管理する。ここで、取得される質問紙調査結果は、調査対象者毎に、互いに方式の異なる複数の質問紙による調査結果となっており、より具体的には、当該対象者の主要５因子（Big Five）を決定するための質問群に対する当該対象者の回答群となっている。また、この回答群は通常、各質問における選択肢に係る番号又は記号を選択した結果、すなわち番号列又は記号列となっている。

また、取得される質問紙調査結果は、各質問紙の回答群を、各質問紙が定めている既存の採点手法によって採点した結果、すなわち、Big Fiveの各因子における、例えば0～1の間の値をとるスコア（点数）を含む「因子スコアセット」であってもよい。ここで、取得される質問紙調査結果が調査対象者毎の回答群である場合、調査結果保存部１０２が採点機能を有し、当該回答群から採点結果（Big Five各因子のスコア）、すなわち「因子スコアセット」を生成してもよい。

ちなみに、採点手法の取り決められている、Big Five各因子の調査のための質問紙として、例えば、以下の３つを採用することができる。
＜質問紙Ａ＞ 小塩真司，阿部晋吾，カトローニ ピノ，「日本語版Ten Item Personality Inventory（TIPI-J）作成の試み」，パーソナリティ研究，第２１巻，第１号，４０～５２頁，２０１２年
＜質問紙Ｂ＞ 並川努，谷伊織，脇田貴文，熊谷龍一，中根愛，野口裕之，「Big Five尺度短縮版の開発と信頼性と妥当性の検討」，心理学研究，第８３巻，第２号，９１～９９頁，２０１２年（［先行技術文献］に挙げた非特許文献２に相当）
＜質問紙Ｃ＞ 村上宣寛，村上千恵子，「主要5因子性格検査の尺度構成」，性格心理学研究，第６巻，第１号，２９～３９頁，１９９７年

対象選別部１１１は、取得された調査対象者についての質問紙調査結果の内容に基づいて、当該対象者を、パーソナリティ情報の取得対象から外すか否かを決定する。ここで、対象選別の１つの態様として、
（ａ）ある１つの質問紙の回答において、所定以上連続して同一の番号若しくは記号が選択されている場合、及び／又は選択した番号若しくは記号の選択幅が所定以下となっている場合、このような回答を行った調査対象者を、非協力的態度であるとして、パーソナリティ情報の取得対象から外す
ことも好ましい。ここで具体的には、非特許文献１において提案された「非差別化指標」及び／又は「回答幅指標」を判断基準として調査対象者の選別を行うことができる。

また、他の態様として、調査に使用する複数の質問紙のうちの少なくとも１つに、調査対象者が自らのパーソナリティとは異なる調査結果の出ることを意図して回答を行ったか否かを判別可能な不当意図判別質問を含めておき、対象選別部１１１は、
（ｂ）不当意図判別質問に対する回答に基づいて、この回答を行った調査対象者を、特性情報の取得対象から外すか否かを決定する
ことも好ましい。

ここで具体的に、不当意図判別質問としては、上記＜質問紙Ｃ＞において設計されている専用の質問を採用することができる。これにより、調査に対し非協力的とは言えないが、例えば「自分を社会的に望ましい姿に見せようとする」ような回答態度をとる調査対象者を、パーソナリティ測定の際のノイズとして除外することも可能となる。

ちなみに対象選別部１１１は、対象の選別処理ではないがパーソナリティ測定の精度を向上させるべく、調査結果としての回答を選別してもよい。具体的には、取得した質問紙調査結果に係る全ての質問紙の質問に対し、非特許文献２（質問紙Ｂの文献）に開示されている因子分析を実施して、質問毎に当該質問の因子得点を算出し、所定の閾値以下の因子得点を付された質問に対する回答を、ノイズになり得るものとして除外することも好ましい。または、予めこのような質問を除外した質問紙を用いて調査を実施した結果を取得してもよい。

同じく図１の機能ブロック図において、スコア分類部１１２は、取得又は生成された「因子スコアセット」における各因子のスコアを複数のスコア区間に分類する。例えば単純に、Big Five各因子において、
（ａ）スコアsが0≦s＜0.3であれば、当該スコアは「低」スコア区間にあるとし、
（ｂ）スコアsが0.3≦s＜0.7であれば、当該スコアは「中」スコア区間にあるとし、
（ｃ）スコアsが0.7≦s≦1であれは、当該スコアは「高」スコア区間にあるとする
こともできる。ちなみに、上記の「0.3」や「0.7」といったような閾値は、質問紙毎に予めその値が設定されていて、各質問紙のスコアについて個別にスコア区間を設定することも好ましい。

さらに好適な分類態様として、スコア分類部１１２は、各質問紙について、因子毎に、
（ａ）複数の調査対象者に対して実施された当該質問紙による調査の結果である複数の因子スコアセットにおける当該因子のスコアの偏差値を算出し、
（ｂ）当該スコアを、当該スコアの偏差値と少なくとも１つの所定の偏差値閾値との大小関係に基づいて複数のスコア区間に分類する
ことも好ましい。

具体的には、例えば第１の偏差値閾値を40とし、第２の偏差値閾値を60とした上で、
（ａ）スコアの偏差値dがd＜40であれば当該スコアは「低」スコア区間にあるとし、
（ｂ）スコアの偏差値dが40≦d＜60であれば当該スコアは「中」スコア区間にあるとし、
（ｃ）スコアの偏差値dが60≦dであれば当該スコアは「高」スコア区間にあるとすることもできる。なおこの場合、スコア値そのものに対しては、スコア区間を設定するための閾値を動的に決定したことになっている。

ちなみに、因子スコアセットのスコアに対し、上述したようなスコア区間への分類を実施せずに、この後の因子スコア比較処理を行うことも可能である。しかしながら、以上に説明したように各因子のスコアをスコア区間に分類した上で比較することによって、調査結果の正解／非正解を判定するための重要な指標である「スコアの相違の程度」を、（回答における矛盾の有無を判定する上で）有意な量として、より適切に決定することができるのである。

同じく図１の機能ブロック図において、因子スコア比較部１１３は、調査対象者毎に取得された、各質問紙による調査結果としての複数の因子スコアセットにおいて、因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における因子スコアセット間での「スコアの相違の程度」を決定する。

具体的に因子スコア比較部１１３は、例えば、
（ａ）質問紙Ａの因子スコアセットＡにおける調和性（Agreeableness）のスコアと、
（ｂ）質問紙Ｂの因子スコアセットＢにおける調和性（Agreeableness）のスコアと
を比較し、例えば両スコア値の差の絶対値（例えば、0.2と0.9とであれば0.7）を「スコアの相違の程度」としてもよく、さらに、採用された複数の質問紙間における各ペア（３つの質問紙ならば３つのペア）において、Big Five各因子における「スコアの相違の程度」を同様に算出することができる。この場合結局、「スコアの相違の程度」は、各調査対象者について、
「当該ペアの数」×5（Big Five因子の数）
の数だけの値の組となる。

また好適な比較態様として、因子スコア比較部１１３は、「スコアの相違の程度」として、因子スコアセット間での当該因子のスコアの属する「スコア区間の離隔の程度」を採用することも好ましい。例えば、
（ａ）質問紙Ａの因子スコアセットＡにおける調和性（Agreeableness）のスコアが「低」スコア区間に属しており、
（ｂ）質問紙Ｂの因子スコアセットＢにおける調和性（Agreeableness）のスコアが「高」スコア区間に属している
場合、「スコア区間の離隔の程度」を"2"とすることができる。

ここで、「低」と「高」との離隔の程度は"2"であり、「低」と「中」との離隔の程度、及び「中」と「高」との離隔の程度は"1"であり、「低」同士、「中」同士、及び「高」同士の離隔の程度は"0"であると予め設定されていてもよい。

また、因子スコア比較部１１３は、上述したように各因子における因子スコアセット間での「スコアの相違の程度（スコア区間の離隔の程度）」を決定するにあたり、
（ａ）取得された回答において、所定以上連続して同一の番号若しくは記号が選択されている及び／又は選択した番号若しくは記号の選択幅が所定以下となっているような調査紙による因子スコアセットを排除する
ことも好ましい。ここで具体的には、非特許文献１において提案された「非差別化指標」及び／又は「回答幅指標」を判断基準として因子スコアセットの選別を行うことができる。

このような因子スコアセットの選別を実施することによって、例えば以下のような状況にも適切に対処することが可能となる。すなわち、被験者（調査対象者）が、一連の調査紙に対し順に回答を実施する状況において、途中から回答が面倒になる（非協力的になる）ことは少なからず起こり得るが、このような場合でも上述した因子スコアセットの選別を行うことにより、例えば被験者が協力的態度であると判定された前半の質問紙の因子スコアセットのみを利用し、非協力的と判定された後半の質問紙の因子スコアセットとの比較は実施しない（矛盾の有無を無視する）ことも可能となる。

さらに、因子スコア比較部１１３は、互いに方式の異なる複数の調査紙について、因子毎に、当該因子のスコアの相関係数を算出し又は外部から取得し、各因子における因子スコアセット間での「スコアの相違の程度（スコア区間の離隔の程度）」を決定するにあたり、
（ｂ）各因子について、相関係数が所定以下である（例えば所定閾値以下である）調査紙による因子スコアセットを排除する
ことも好ましい。

そもそも各質問紙で計測されるスコアの相関が低い因子について、各質問紙の調査結果を用いてスコアの比較処理を実施すると、調査対象者が非協力的態度を有するとの判断を過剰に行ってしまいかねない。そこで上述したように、調査結果に関し相関の低い質問紙の調査結果を排除することによって、調査対象者の態度をより正確に浮き彫りにすることが可能となるのである。

同じく図１の機能ブロック図において、調査結果判定部１１４は、因子毎に、決定された「スコア区間の離隔の程度（スコアの相違の程度）」が所定条件を満たすまでに高いか否かを判定し、「所定数」以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該調査対象者に対する調査結果を非正解とする。

ここで本実施形態においては上記「所定数」は1であって、調査結果判定部１１４は、少なくとも１つの因子について（いずれか１つの因子についてでも）、「スコア区間の離隔の程度（スコアの相違の程度）」が、少なくともいずれか２つの因子スコアセットの間で（いずれか1つのペアにおいて）所定以上に高いと判定された場合、当該調査対象者に対する調査結果を非正解とするのである。

例えば具体的に、Big Five調査用の互いに方式の異なる4つの質問紙による因子スコアセットを取得している場合、因子数は5つであり、一方、2つの質問紙（因子スコアセット）の組合せは、6（＝4×3／2）通り存在する。本実施形態においては、6通りの内の１つでも（すなわち、いずれか2つの因子スコアセット（質問紙）の間において）、5つの因子の中の少なくとも１つにつき、「スコア区間の離隔の程度」が所定以上に高いのであれば、当該調査対象者に対する調査結果を非正解とする。

これにより、例えば一連の調査紙に対し回答を行った調査対象者が、この調査に対し例えば非協力的である場合に、非協力的であるが故の回答の矛盾を、少なくともいずれかの質問紙間におけるいずれかの因子のスコアにおいて検出することが可能となり、その結果、当該調査対象者の回答を正解とはみなさず、より適切に取り扱うことができるのである。

また、上述したように、「スコア区間の離隔の程度」として、「低」と「高」との離隔の程度を"2"とし、「低」と「中」との離隔の程度、及び「中」と「高」との離隔の程度を"1"とし、「低」同士、「中」同士、及び「高」同士の離隔の程度を"0"とする場合において、
（ア）「スコア区間の離隔の程度」＞1
であれば、調査対象者の回答に矛盾があるとして（非協力的態度がみられるとして）、当該調査対象者に対する調査結果を非正解とすることも好ましい。すなわちこの場合、離隔の程度が"2"である「低」と「高」との場合にのみ、調査結果を非正解とすることになる。

また、回答の矛盾に関しより厳しい条件を採用し、
（イ）「スコア区間の離隔の程度」≧1
であれば、調査対象者の回答に矛盾があるとして（非協力的態度がみられるとして）、当該調査対象者に対する調査結果を非正解とすることもできる。この場合は、離隔の程度が"0"、すなわち質問紙間のスコアの「高」「中」「低」の別が一致している場合以外は全て、調査結果を非正解とすることになる。

以上、「スコア区間の離隔の程度」の判定について種々の形態を説明したが、閾値を含むこれらの条件を適切に調整・選択することによって、最終的に、パーソナリティ情報の推定精度の最大化を図ることも可能となるのである。

図２は、スコア分類部１１２、因子スコア比較部１１３及び調査結果判定部１１４において実施される処理の一実施例を示す模式図である。

図２によれば最初に、被験者（調査対象者）Ｘに対して行われた質問紙Ａ及び質問紙Ｂによるパーソナリティ（Big Five）情報の調査結果が、調査結果保存部１０２に保存されている。ここで、本実施例では、調査結果保存部１０２において、各質問紙の回答群が、採点処理を施されて、Big Fiveの各因子における0～1の間の値をとるスコアの集合である因子スコアセットに変換されている。

次いで、スコア分類部１１２は、調査結果保存部１０２に保存・管理されている多数の調査対象者についての因子スコアセットを用い、被験者Ｘについての質問紙Ａ及び質問紙Ｂそれぞれにおける各因子のスコアの偏差値を算出し、偏差値閾値を40及び60として、各因子のスコアを「高」「中」「低」の３つ（のスコア区間）に分類する。

この後、因子スコア比較部１１３は、被験者Ｘについての質問紙Ａ及び質問紙Ｂの因子スコアセット間における「スコア区間の離隔の程度」を決定する。ここで本実施例では、情緒不安定性（神経症的傾向）（Neuroticism）において「スコア区間の離隔の程度」が"2"、すなわち「低」と「高」との差が存在することも決定されている。

最後に、調査結果判定部１１４は、回答の矛盾に関し比較的許容する方向である上記条件（ア）を採用し、因子スコア比較部１１３で決定された「スコア区間の離隔の程度」において、情緒不安定性（神経症的傾向）（Neuroticism）の「スコア区間の離隔の程度」が"2"（＞1）であることから、被験者Ｘは、非協力的であって、その調査結果は非正解であるとの判定を行っている。

ここで本実施例では、調査結果判定部１１４は、被験者Ｘを含むグループの各メンバーについての調査結果の正解／非正解も判定し、当該グループのパーソナリティ情報を取りまとめているが、上記の判定結果に基づき、当該グループのパーソナリティ情報から被験者Ｘのパーソナリティ情報を除外した、パーソナリティ精査情報を生成している。

以上、実施例を用いて説明したように、調査結果判定部１１４は最終的に、非正解であると判断される調査結果（調査対象者）を除外した、より推定精度の高いパーソナリティ精査情報を生成することもできるのである。なお、生成されたパーソナリティ精査情報は、入出力制御部１２２を介してディスプレイ１０８に表示されてもよい。ユーザは、表示されたパーソナリティ精査情報を確認しながら、キーボード１０７からの入力によって当該パーソナリティ精査情報に対し所定の加工処理を行うこともできる。

また、生成されたパーソナリティ精査情報は、パーソナリティ情報保存部１０５で保存・管理され、例えば所定のユーザ群（所定のグループ）のパーソナリティ・データセットとして、通信制御部１２１及び通信インタフェース部１０１を介し、外部の情報処理装置へ送信され、種々のアプリケーションに利用されることも好ましい。

図１の機能ブロック図に戻って、学習データ生成部１１５は、調査結果判定部１１４で生成されたパーソナリティ精査情報を用い、対象の有する所定の特性（本実施形態ではパーソナリティ）に係る情報が正解ラベルとして付与されている機械学習用の学習データ（教師データ）を生成する。

この学習データは、本実施形態では契約情報ＤＢ３やウェブアクセス履歴ＤＢ４から取得され、契約情報保存部１０３やウェブ履歴保存部１０４に保存・管理されている「契約情報」や「ウェブアクセス履歴情報」から生成することができる。具体的には、これらの情報の特徴量に対し、これらの情報の当事者（契約者やウェブユーザ）であって質問紙によるパーソナリティ調査の対象者についての調査結果（Big fiveの各スコア）、又は当該調査結果から決定される量を、正解ラベルとして付与することによって、学習データが生成される。

ここで、正解ラベルとして付与される調査結果（Big fiveの各スコア）は、当該対象者についての少なくとも非正解とはされていないものに限定されるのである。すなわち、学習データ生成部１１５は、調査結果判定部１１４で非正解であると判定されたパーソナリティ情報を除外して、言い換えると非正解と判定されたパーソナリティ情報に係る調査対象者についての「契約情報」や「ウェブアクセス履歴情報」を使用せずに、より好適な学習データを生成することができる。またその結果、この生成した学習データを用いることによって、推定精度のより高いパーソナリティ情報推定用の機械学習モデルが構築可能となるのである。

また本実施形態では特に、Big fiveの各スコアに関し例外的な挙動を示す対象の除去も可能となっている。その結果、質問紙による調査結果を正解データとして用いて学習モデルを構築するにあたり、学習モデルの汎化性能をより向上させることもできるのである。

ちなみに、上記の「契約情報」は例えば、通信事業者とユーザとの間の通信回線契約の内容とすることができ、さらにこの場合、「ウェブアクセス履歴情報」は、例えば当該通信事業者が取得可能な情報であってもよい。ここで、本学習データ生成装置１は、当該通信事業者の管理の下で、「契約情報」及び「ウェブアクセス履歴情報」の取得を許可されているものとすることができる。

また、学習データ生成部１１５によって生成される学習データは勿論、「契約情報」や「ウェブアクセス履歴情報」から生成されるものに限定されない。例えば、ウェブサイトに掲示され、あるユーザにクリックされた広告クリエイティブの特徴量に対し、当該ユーザについて非正解であるとはされなかったパーソナリティ情報を正解データとした学習データを生成することもでき、その他、種々様々な（パーソナリティ情報推定モデル構築用の）学習データが生成可能となっている。

さらに変更態様として、学習データ生成部１１５は、ある対象における非正解であるとはされなかったパーソナリティ情報と、「契約情報」や「ウェブアクセス履歴情報」といったような当該対象に係る情報（データ）との組に対し、別の正解ラベルを付与した学習データを生成することも好ましい。

例えば、ウェブサイトに掲示される広告クリエイティブの特徴量と、提示先のユーザについて非正解であるとはされなかったパーソナリティ情報とに対し、当該ユーザによる当該広告クリエイティブに対するクリックの有無の情報を正解データとした学習データを生成してもよい。このような学習データを用いれば、信頼性の高い広告効果推定モデルを構築することも可能となるのである。いずれにしても本変更態様でも、信頼性のより高いパーソナリティ情報が使用されるので、生成される学習データ、ひいては構築される学習モデルの信頼性がより向上する。

同じく図１の機能ブロック図において、学習データ生成部１１５で生成された学習データは、入出力制御部１２２を介してディスプレイ１０８に表示されてもよい。ユーザは、表示された学習データを確認しながら、キーボード１０７からの入力によって当該学習データに対し所定の加工処理を行うこともできる。また、生成された学習データは、学習データ保存部１０６で保存・管理され、例えば所定の学習データセットとして、通信制御部１２１及び通信インタフェース部１０１を介し、外部の情報処理装置へ送信され、そこで機械学習モデルの構築に利用されることも好ましい。

［実施例，比較例］
図３は、本発明の対象特性情報決定方法によるパーソナリティ精査情報生成処理の実施例、及び比較例を説明するためのテーブルである。

図３に示したテーブルには、比較例１、比較例２及び実施例のそれぞれにおいて、
（ａ）多数の被験者（調査対象者）に対し実施された、＜質問紙Ａ＞のＴＩＰＩ法によるパーソナリティ調査結果におけるBig fiveの各スコアに係る精度（正解率）と、
（ｂ）当該多数の被験者に対し実施された、＜質問紙Ｂ＞のBig Five尺度短縮版によるパーソナリティ調査結果におけるBig fiveの各スコアに係る精度と、
（ｃ）当該多数の被験者に対し実施された、＜質問紙Ｃ＞の主要５因子法によるパーソナリティ調査結果におけるBig fiveの各スコアに係る精度と
が示されている。

ここで、上記３つの手法による調査結果の各々における、O_High、C_High、E_High、A_High、及びN_Highはそれぞれ、開放性（O）、誠実性（C）、外向性（E）、調和性（A）、及び情緒不安定性（N）のスコアの偏差値が60以上であるか否かを判定した結果の精度（正解率）であり、一方、O_Low、C_Low、E_Low、A_Low、及びN_Lowはそれぞれ、開放性（O）、誠実性（C）、外向性（E）、調和性（A）、及び情緒不安定性（N）のスコアの偏差値が40未満であるか否かを判定した結果の精度（正解率）となっている。なお、これらの精度（正解率）は、当該多数の被験者の各々について事前に調査・取得された、正解としてのBig fiveの各スコアとの比較によって算定されている。

ここで、比較例１は、従来の各手法（質問紙）において定められた採点方法によってスコアが決定されているが、当該多数の被験者のうち、（非特許文献１において提案された「非差別化指標」及び「回答幅指標」を判断基準として）上記３つの手法のうちの少なくとも１つにおける回答において、所定以上連続して同一の番号若しくは記号が選択されている場合、又は選択した番号若しくは記号の選択幅が所定以下となっている場合、このような回答を行った被験者を、非協力的態度であるとして、パーソナリティ情報の取得対象から外す処理を行っている。

また、比較例２は、上述した比較例１の被験者選別処理に加え、調査に使用する各質問紙に、調査対象者が自らのパーソナリティとは異なる調査結果の出ることを意図して回答を行ったか否かを判別可能な不当意図判別質問を含め、この質問に対する回答に基づいて、この回答を行った調査対象者を、パーソナリティ情報の取得対象から外すか否かを決定する処理も行っている。ここで具体的に、不当意図判別質問としては、質問紙Ｃにおいて設計されている専用の質問が採用されている。

さらに、本実施例は、上述した比較例１の被験者選別処理に加え、
（ａ）偏差値閾値40及び60を利用したスコア分類処理、
（ｂ）スコア区間を「高」「中」「低」とした上での因子スコア比較処理、及び
（ｃ）上記条件式（ア）（「スコア区間の離隔の程度」＞1）を用いた調査結果判定処理
を実施し、当該多数の被験者のパーソナリティ情報から、非正解であると判定した被験者のパーソナリティ情報を除外したパーソナリティ精査情報を生成した上で精度（正解率）を算定している。

図３のテーブルによれば、ＴＩＰＩ法、Big Five尺度短縮版、及び主要５因子法のいずれの方法におけるいずれの因子（OCEAN_High，OCEAN_Low）についても、精度（正解率）は、4箇所（Big Five尺度短縮版のE_High及びA_High並びにTIPI法のC_Low及びE_High）を除き、本実施例が最も高くなっている。また、比較例１と比べて比較例２の方が、全体的に高い精度を示している。

以上、本実施例の示すように、本発明によれば、従来の様々なパーソナリティ測定手法による調査結果に対しても、それらの因子スコアを勘案することによって、より精度の高いパーソナリティ情報を決定可能であることが理解される。

以上、詳細に説明したように、本発明においては、パーソナリティといったような特性の因子の調査結果を考慮して決定される「スコアの相違の程度」に基づいて、調査対象に対する調査結果を非正解とするか否かを判断しており、例えば、非正解とした調査結果は特性情報として使用しないことも可能となっている。またこれにより、正しい情報である確度の低い特性情報を除外することができるので、結果的に、より高い精度で特性情報、例えばパーソナリティ情報を決定することが可能となるのである。

ここで好適な応用例として、本発明によって非正解と判定された調査結果を除外することで生成されたパーソナリティ精査情報を、学習データの生成に利用することによって、信頼性のより高いパーソナリティ推定モデルを構築することも可能となる。また、このモデルによって推定されたより信頼性の高い顧客のパーソナリティ情報に基づいて、当該顧客に対し例えば、より適合した商品やサービスをレコメンドしたり、より効果的な広告を提供したりすることも可能となるのである。

ちなみに、機械学習においては通常、外れ値による過学習を抑制することによって構築されるモデルの汎化性能が向上し、これにより、モデルによる推定精度の向上することがよく知られている。したがって、本発明を適用して、例えば非正解と判定された調査結果を学習データから除外することにより、構築するモデルの汎化性能・推定精度をより向上させることも可能となる。

上述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。上述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。

１ 学習データ生成装置（パーソナリティ情報決定装置）
１０１ 通信インタフェース部
１０２ 調査結果保存部
１０３ 契約情報保存部
１０４ ウェブ履歴保存部
１０５ パーソナリティ情報保存部
１０６ 学習データ保存部
１０７ キーボード（ＫＢ）
１０８ ディスプレイ（ＤＰ）
１１１ 対象選別部
１１２ スコア分類部
１１３ 因子スコア比較部
１１４ 調査結果判定部
１１５ 学習データ生成部
１２１ 通信制御部
１２２ 入出力制御部
２ 質問紙調査結果データベース（ＤＢ）
３ 契約情報ＤＢ
４ ウェブアクセス履歴ＤＢ

Claims (11)

1. 対象の有する所定の特性に係る情報を決定可能なコンピュータを機能させる対象特性情報決定プログラムであって、
   当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
   当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する当該調査結果を非正解とする調査結果判定手段と
   してコンピュータを機能させることを特徴とする対象特性情報決定プログラム。
2. 前記対象特性情報決定プログラムは、当該因子スコアセットにおける各因子のスコアを複数のスコア区間に分類するスコア分類手段としてコンピュータを更に機能させ、
   前記因子スコア比較手段は、各因子における当該因子スコアセット間での当該スコアの属するスコア区間の離隔の程度を決定し、
   前記調査結果判定手段は、当該因子毎に、決定された当該スコア区間の離隔の程度が所定以上に高いか否かを判定し、所定数以上の当該因子について所定以上に高いとの判定が行われた場合、当該対象に対する当該調査結果を非正解とする
   ことを特徴とする請求項１に記載の対象特性情報決定プログラム。
3. 前記スコア分類手段は、当該因子毎に、当該因子スコアセットにおける当該因子のスコアの偏差値を算出し、当該スコアを、当該スコアの偏差値と少なくとも１つの所定の偏差値閾値との大小関係に基づいて当該複数のスコア区間に分類することを特徴とする請求項２に記載の対象特性情報決定プログラム。
4. 前記調査結果判定手段は、少なくとも１つの当該因子について、決定された当該スコアの相違の程度が、少なくともいずれか２つの因子スコアセットの間で所定以上に高いと判定された場合、当該対象に対する当該調査結果を非正解とすることを特徴とする請求項１から３のいずれか１項に記載の対象特性情報決定プログラム。
5. 前記因子スコア比較手段は、前記互いに方式の異なる複数の調査方法について、当該因子毎に、当該因子のスコアの相関係数を算出し又は外部から取得し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するにあたり、各因子について、当該相関係数が所定以下である調査方法による因子スコアセットを排除することを特徴とする請求項１から４のいずれか１項に記載の対象特性情報決定プログラム。
6. 前記複数の調査方法は各々、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答であって、選択肢に係る番号又は記号を選択した結果である複数の回答を取得するものであり、
   前記対象特性情報決定プログラムは、いずれかの調査方法を用いて取得された回答において、所定以上連続して同一の番号若しくは記号が選択されている場合、及び／又は選択した番号若しくは記号の選択幅が所定以下となっている場合、当該回答に係る対象を、特性情報の取得対象から外す対象選別手段としてコンピュータを更に機能させる
   ことを特徴とする請求項１から５のいずれか１項に記載の対象特性情報決定プログラム。
7. 前記複数の調査方法は各々、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答であって、選択肢に係る番号又は記号を選択した結果である複数の回答を取得するものであり、
   前記因子スコア比較手段は、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するにあたり、取得された回答において、所定以上連続して同一の番号若しくは記号が選択されている及び／又は選択した番号若しくは記号の選択幅が所定以下となっている調査方法による因子スコアセットを排除することを特徴とする請求項１から６のいずれか１項に記載の対象特性情報決定プログラム。
8. 前記複数の調査方法のうちの少なくとも１つは、当該対象に対して複数の質問を提示し、当該対象が各質問に対して行った複数の回答を取得するものであり、さらに提示する質問として、当該対象が自らの特性とは異なる調査結果の出ることを意図して回答を行ったか否かを判別可能な不当意図判別質問を含み、
   前記対象特性情報決定プログラムは、当該不当意図判別質問に対する回答に基づいて、当該回答を行った対象を、特性情報の取得対象から外すか否かを決定する対象選別手段としてコンピュータを更に機能させる
   ことを特徴とする請求項１から７のいずれか１項に記載の対象特性情報決定プログラム。
9. 対象の有する所定の特性に係る情報が含まれている機械学習用の学習データを生成可能なコンピュータを機能させる学習データ生成プログラムであって、
   当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
   当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とする調査結果判定手段と、
   当該対象に係るデータと、該対象についての少なくとも非正解とはされていない調査結果に係る因子のスコアに係る情報とを用いることによって、当該学習データを生成する学習データ生成手段と
   してコンピュータを機能させることを特徴とする学習データ生成プログラム。
10. 対象の有する所定の特性に係る情報を決定可能な装置であって、
    当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定する因子スコア比較手段と、
    当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とする調査結果判定手段と
    を有することを特徴とする対象特性情報決定装置。
11. 対象の有する所定の特性に係る情報を決定可能なコンピュータにおける対象特性情報決定方法であって、
    当該特性を構成する少なくとも１つの因子を調査した結果としての、当該因子毎のスコアである因子スコアセットであって、互いに方式の異なる複数の調査方法を用いて当該対象について取得された複数の因子スコアセットにおいて、当該因子毎に、各因子スコアセットの対応するスコア同士を比較し、各因子における当該因子スコアセット間での当該スコアの相違の程度を決定するステップと、
    当該因子毎に、決定された当該スコアの相違の程度が所定条件を満たすまでに高いか否かを判定し、所定数以上の当該因子について当該所定条件を満たすまでに高いとの判定が行われた場合、当該対象に対する調査結果を非正解とするステップと
    を有することを特徴とする対象特性情報決定方法。

Images