JP7162825B1 - データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス - Google Patents
データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス Download PDFInfo
- Publication number
- JP7162825B1 JP7162825B1 JP2022036716A JP2022036716A JP7162825B1 JP 7162825 B1 JP7162825 B1 JP 7162825B1 JP 2022036716 A JP2022036716 A JP 2022036716A JP 2022036716 A JP2022036716 A JP 2022036716A JP 7162825 B1 JP7162825 B1 JP 7162825B1
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- evaluation results
- frequent
- input
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 317
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 19
- 230000001815 facial effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000010979 ruby Substances 0.000 description 3
- 229910001750 ruby Inorganic materials 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Abstract
Description
(1)データ生成方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、を含むデータ生成方法。
(2)コンピュータが、対象の情報と、対象の評価の選択肢とを提供する提供工程、をさらに含む(1)に記載の方法。
(3)前記評価結果は、前記複数人の各人が一般大衆の評価結果であると予想する評価結果である、(1)または(2)に記載の方法。
(4)前記最頻の評価結果を大衆評価としてデータベースに登録する登録工程をさらに含む、(1)~(3)のいずれか一項に記載の方法。
(5)前記入力部はウェブサイトであり、前記ウェブサイトで懸賞付きコンテストが実施され、前記複数人は複数応募者である、(1)~(4)のいずれか一項に記載の方法。
(6)前記最頻の評価結果に一致する評価結果を最も多く入力した前記応募者に前記懸賞が付与される付与工程をさらに含む、(5)に記載の方法。
(7)前記懸賞が電子マネーである、(5)または(6)に記載の方法。
(8)前記対象が顔年齢または肌年齢である、(1)~(7)のいずれか一項に記載の方法。
(9)AIモデルの教師データを生成する、(1)~(8)のいずれか一項に記載の方法。
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成システム。
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成装置。
(12)AIモデル訓練方法であって、
(1)~(11)のいずれか一項の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測AIモデルを訓練する工程、を含むAIモデル訓練方法。
(13)前記複数人の特性別に前記大衆評価予測AIモデルを訓練する、(12)に記載の方法。
(14)前記特性が性別および/または年齢層である、(13)に記載の方法。
(15)対象のデータを入力する入力層と、
ニューラルネットワークからなり入力データを処理する中間層と、
前記対象に対する大衆評価を出力する出力層と、を含み、
(12)~(14)のいずれか一項に記載の方法により訓練された学習済み大衆評価予測AIモデル。
(16)入力された前記対象のデータに対応する大衆評価を出力するよう、コンピュータを機能させるための、(15)に記載の学習済み大衆評価予測AIモデル。
(17)前記対象のデータは肌画像であり、前記大衆評価は肌年齢である、(15)又は(16)に記載の学習済み大衆評価予測AIモデル。
(18)(15)に記載の学習済み大衆評価予測AIモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含む大衆評価予測AIシステム;
(19)(15)に記載の学習済み大衆評価予測AIモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むプログラム;
(20)(15)に記載の学習済み大衆評価予測AIモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含むコンピューティングデバイス、である。
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法。
(22)コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステム。
(23)コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含む装置。
本明細書中では、「ウェブサイト」とは、World Wide Web(WWW)(ワールドワイドウェブ)上にあり、一般に特定のドメイン名の下にある複数のウェブページの集まりをいう。単にサイトと呼ばれることもある。但し、SPA(Single Page Application)としてもデプロイ可能である。インターネット上で閲覧、操作等が可能なサイトであれば、特に限定はされない。また、本明細書中では、アプリ(例、Webアプリやネーティブアプリを含む)もウェブサイトに含まれる。
実施形態1は、
データ生成方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、を含むデータ生成方法である。
「応募者(複数人)」はネット上の検索等で本ウェブサイトを見つけることができる。応募者(複数人)は任意のヒトであるのが好ましい。応募者(複数人)は自己のメールアドレスで特定される場合がある。メールアドレスの重複はプログラム的に除去されるようにしてもよい。その他、応募者(複数人)の任意の属性を入力させる形式であってもよい。応募者(複数人)の性別、年齢層、嗜好等の任意の属性で、プロダクトのAIモデルを個別にトレーニングできる点で有利な効果を奏する。応募者(複数人)がAIなどヒトでない場合も想定されるが、ヒト以外の応募者(複数人)を除外する仕組みを設けてもよい。
「複数人の評価」は、複数人の個人的な自己の評価であってもよいし、大衆が考えるであろうと予測する評価である場合もある。ここで「各評価者が一般大衆の評価であると予想する評価である」場合は、前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する構成と相性が良い。なぜなら、前記大衆評価を精度高く予測した前記応募者が前記懸賞を得るという応募者へのインセンティブが提供可能であるからである。「精度」は各評価をポイント化してその数値に応じてコンピュータ処理される。「精度の高さ」の程度は、最もポイントが高かったものであってもよいし、上位にあるものであってもよい。上位とは、限定はされないが、1位、2位、3位、4位、5位、10位、20位、50位、100位、500位、1000位、10000位以上であってもよい。上記順位の任意の2つの間である場合もある。従って、このようなインセンティブを提供することによって評価の質と数の向上に寄与するという顕著な効果を奏する。
評価得点=(最頻の評価の個数)×1ポイント-(最頻でない評価の個数)×(-0.1ポイント)+(評価した対象の個数)×0.01ポイント
前記最頻の評価結果を大衆評価としてデータベースに登録する。登録工程は上記したコンピュータのハードウエアとソフトウエア資源を利用して通常データをデータベースに登録保存する方法が使用可能である。
実施形態2は、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、を含むデータ生成システムまたは装置である。
実施形態3では、
AIモデル訓練方法であって、
(1)~(11)のいずれか一項の方法、システム、または装置によって生成された前記最頻の評価結果のデータを利用して、前記対象に対する大衆評価予測AIモデルを訓練する工程、を含むAIモデル訓練方法が提供される。
上記のようにして、「大衆評価」を質高く効率的に大量に集めることが可能になる。そして、各対象に対する大衆評価を用いて「各対象に対する大衆評価予測AIモデル」を訓練する。
実施形態4は、
対象のデータを入力する入力層と、
ニューラルネットワークからなり入力データを処理する中間層と、
前記対象に対する大衆評価を出力する出力層と、を含み、
(12)~(14)のいずれか一項に記載の方法により訓練された学習済み大衆評価予測AIモデル、である。
実施形態5~7は、
(15)に記載の学習済み大衆評価予測AIモデルと、
ユーザーの有する対象のデータを入力する入力部と、
前記対象のデータに対する大衆評価を予測する予測部と、
前記予測をユーザーに表示する出力部と、を含む大衆評価予測AIシステム、プログラム、またはコンピューティングデバイスである。
ャッシュ、SSD、ハードディスクが含まれる。また、クラウド上のもの、サーバー上のもの、オンプレミスのコンピュータ上のもの等の任意の形態のコンピューティングデバイスが含まれる。
「ユーザーの有する対象」は、実施形態1で使用した「対象」と同じであるか代替可能なものである。対象は、上記したように、画像データであっても、概念データであってもよい。例えば、実施形態1で使用した対象が「顔・肌画像」である場合は、ユーザーの有する自己または他人の「顔・肌画像」である。
予測部は上記(1)実施形態1に記載の方法により訓練された大衆評価予測AIモデルを使用する。予測はトレーニングに使用したと同じ機械学習モデル/フレームワーク(例、線形回帰、ロジスティック回帰、サポートベクターマシン(SVM:Support Vector Machine)、決定木、ニューラルネットワーク(NN:Neural Network)、ナイーブベイズ、TensorFlow、Keras、Pytorch、MXNet、Caffe)を用いてもよい。
前記予想をユーザーに表示する出力部は、スマートフォン上のアプリ内のものであってもよいし、ウェブサイト上にデータを表示するのに使用されるものであってもよい。ネーティブアプリの場合は、例えば、Swift,Java,Kotlin,Flutterを使用して処理が実行される。Web上に表示する場合は、フロントエンドは、限定はされないが、HTMLやCSS、JavaScriptで構成される。また、フロントエンドフレームワークを用いる場合もあり、その例には、React、Veu.js、Angular、Ember.js、Backbone.js等が含まれる。サーバーサイドと連携して処理するためにバックエンドのフレームワーク(例、Django、Laravel、Ruby on Rails、Flask、Node.js)を利用する。
実施形態8は、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法を提供する。
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステムまたは装置を提供する。
実施形態1の大衆評価予測AIモデル訓練方法の上記工程(1)~(3)(図2のS100~S300)の部分が実行可能なことを示す実施例として、Djangoフレームワークを使用して肌年齢当てコンテストWebアプリケーション(以下、「本アプリ」という場合がある)を作成した。本アプリは、Dockerのイメージとして保存した。WebサーバーのNginX,uwsgi等も使用可能である。例えば、Django、NginX、MySQLのDockerイメージを使用して、Docker-composeまたはKubernetesでオーケストレーションしてデプロイし、オンプレミスのコンピュータ上またはクラウド上でも動作させることができる。実施例1は、非公開の環境でオンプレミスのコンピュータ上で本アプリをDockerイメージ由来のコンテナを使用して実行した結果である。フロントエンドはHTML、CSS、SCSS、JavaScriptとそのライブラリーやBootstrapを使用して作成した。バックエンドはPythonベースのDjangoフレームワークで作成した。
UTKFace(https://paperswithcode.com/dataset/utkface)の顔画像と実年齢のセットとなったデータセットを用いて、顔/肌年齢推定AIモデルの訓練(学習)を行った。ディープラーニングフレームワークKerasとTensorflowをGoogle Colaboratory上で使用して訓練と予測を実行した。データは訓練用、バリデーション用、テスト用にそれぞれ分けて使用した。使用したのは3種類の既存の画像認識モデルXception(Kerasの公式サイトから利用可能;参考:https://qiita.com/ha9kberry/items/314afb56ee7484c53e6f)、EfficientNetB4(Kerasの公式サイトから利用可能;参考:https://www.acceluniverse.com/blog/developers/2020/03/pythonefficientnet-multi-outpu.html)、EfficientNetV2_M(https://giters.com/GdoongMathew/EfficientNetV2)であり、重み(pre-trained weights)としてimagenet(Kerasの公式サイトから利用可能)とimagenet21k-ft1kを用いた。それぞれのモデルの出力を、最終的には全結合層(Dense(1))として予想年齢を回帰させた。結果を表1に示す。
Claims (16)
- データ生成方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、
前記複数人のうち、前記最頻の評価結果に一致する評価結果を最も多く入力した者に懸賞が付与される付与工程と、 を含むデータ生成方法。 - コンピュータが、対象の情報と、対象の評価の選択肢とを提供する提供工程、をさらに含む請求項1に記載の方法。
- 前記評価結果は、前記複数人の各人が一般大衆の評価結果であると予想する評価結果であって、ここで、前記一般大衆の評価が評価結果のうち最も多く一致した評価結果である、請求項1または2に記載の方法。
- 前記最頻の評価結果を大衆評価としてデータベースに登録する登録工程をさらに含む、請求項3に記載の方法。
- 前記入力部はウェブサイトであり、前記ウェブサイトで懸賞付きコンテストが実施され 、前記複数人は複数応募者である、請求項1~4のいずれか一項に記載の方法。
- 前記懸賞が電子マネーである、請求項5に記載の方法。
- 前記対象が顔年齢または肌年齢である、請求項1~6のいずれか一項に記載の方法。
- コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した 評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、
前記複数人のうち、前記最頻の評価結果に一致する評価結果を最も多く入力した者に懸賞が付与される付与部と、 を含むデータ生成システム。 - コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理部と、
前記最頻の評価結果をデータベースに保存する保存部と、
前記複数人のうち、前記最頻の評価結果に一致する評価結果を最も多く入力した者に懸賞が付与される付与部と、 を含むデータ生成装置。 - AIモデル訓練方法であって、
コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、
前記複数人のうち、前記最頻の評価結果に一致する評価結果を最も多く入力した者に懸賞が付与される付与工程と、
前記最頻の評価結果のデータを教師データとして、前記対象に対する大衆評価予測AIモデルを訓練する工程であって、前記大衆評価が前記評価結果のうち最も多く一致した評価結果である工程と、を含むAIモデル訓練方法。 - 前記複数人の特性別に前記大衆評価予測AIモデルを訓練する、請求項10に記載の方 法。
- 前記特性が性別および/または年齢層である、請求項11に記載の方法。
- コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
前記評価結果のうち、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果を最頻の評価結果として特定する処理を行う処理工程と、
前記最頻の評価結果をデータベースに保存する保存工程と、
前記複数人のうち、前記最頻の評価結果に一致する評価結果を最も多く入力した者に懸賞が付与される付与工程と、
前記最頻の評価結果のデータを教師データとして、前記対象に対する大衆評価予測AIモデルを訓練する工程であって、前記大衆評価が前記評価結果のうち最も多く一致した評価結果である工程と、を含む、学習済み大衆評価予測AIモデルの生産方法。 - コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信工程と、
コンピュータが、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果として特定した最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示工程と、
を含む方法。 - コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果として特定した最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含むシステム。 - コンピュータが、複数人によって入力部に入力された対象の評価結果をデータベースに送信する送信部と、
コンピュータが、前記複数人の各人の評価結果を比較したときに最も多く一致した評価結果として特定した最頻の評価結果に一致する評価結果を最も多く入力した人の端末に懸賞を獲得したことを表示する表示部と、
を含む装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022036716A JP7162825B1 (ja) | 2022-03-10 | 2022-03-10 | データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022036716A JP7162825B1 (ja) | 2022-03-10 | 2022-03-10 | データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7162825B1 true JP7162825B1 (ja) | 2022-10-31 |
JP2023131769A JP2023131769A (ja) | 2023-09-22 |
Family
ID=83845953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022036716A Active JP7162825B1 (ja) | 2022-03-10 | 2022-03-10 | データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7162825B1 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001325471A (ja) | 2000-05-12 | 2001-11-22 | Tohoku Ricoh Co Ltd | アーティスト支援方法、アーティスト支援システム、アーティスト支援装置、クライアント装置、著作物データ記録装置並びに記録媒体 |
JP2002342522A (ja) | 2001-05-16 | 2002-11-29 | Sony Corp | 催事用エンターテイメントシステム |
JP2003087824A (ja) | 2001-07-31 | 2003-03-20 | Hewlett Packard Co <Hp> | インタラクティブな放送の方法および装置 |
JP2005202826A (ja) | 2004-01-19 | 2005-07-28 | Hikoyoshi Shimizu | 視聴者参加型オーディション審査方法 |
JP2006340191A (ja) | 2005-06-03 | 2006-12-14 | Jupiter Entertainment Kk | 視聴者参加型テレビジョン番組の運営システム、プログラム、記録媒体および方法 |
US20130053115A1 (en) | 2011-08-26 | 2013-02-28 | CEM International Limited | Game show with specialized voting procedure |
US20130339484A1 (en) | 2012-06-19 | 2013-12-19 | Scooltv, Inc. | Online web-course reality program |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170025634A (ko) * | 2015-08-31 | 2017-03-08 | 차영훈 | 인터넷을 이용한 음악 창작 방법 |
-
2022
- 2022-03-10 JP JP2022036716A patent/JP7162825B1/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001325471A (ja) | 2000-05-12 | 2001-11-22 | Tohoku Ricoh Co Ltd | アーティスト支援方法、アーティスト支援システム、アーティスト支援装置、クライアント装置、著作物データ記録装置並びに記録媒体 |
JP2002342522A (ja) | 2001-05-16 | 2002-11-29 | Sony Corp | 催事用エンターテイメントシステム |
JP2003087824A (ja) | 2001-07-31 | 2003-03-20 | Hewlett Packard Co <Hp> | インタラクティブな放送の方法および装置 |
JP2005202826A (ja) | 2004-01-19 | 2005-07-28 | Hikoyoshi Shimizu | 視聴者参加型オーディション審査方法 |
JP2006340191A (ja) | 2005-06-03 | 2006-12-14 | Jupiter Entertainment Kk | 視聴者参加型テレビジョン番組の運営システム、プログラム、記録媒体および方法 |
US20130053115A1 (en) | 2011-08-26 | 2013-02-28 | CEM International Limited | Game show with specialized voting procedure |
US20130339484A1 (en) | 2012-06-19 | 2013-12-19 | Scooltv, Inc. | Online web-course reality program |
Also Published As
Publication number | Publication date |
---|---|
JP2023131769A (ja) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gelman | The connection between varying treatment effects and the crisis of unreplicable research: A Bayesian perspective | |
Ball et al. | Risk aversion and physical prowess: Prediction, choice and bias | |
US10083420B2 (en) | Community moderated information | |
O'Malley et al. | Longitudinal analysis of large social networks: Estimating the effect of health traits on changes in friendship ties | |
Brody et al. | The impact of vouchers on the use and quality of health care in developing countries: a systematic review | |
Gerrits et al. | Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images | |
Bornmann et al. | Heuristics as conceptual lens for understanding and studying the usage of bibliometrics in research evaluation | |
CN112000894A (zh) | 一种健康管理信息推送方法、装置、设备及存储介质 | |
JP2010170534A (ja) | 健康サポートシステム及び健康サポート方法 | |
Ioannou et al. | Time preferences and risk aversion: Tests on domain differences | |
Antoniou et al. | Subjective Bayesian Beliefs | |
CN106471534A (zh) | 交互支持处理器 | |
CN106796704A (zh) | 胜诉可能性评价装置及方法 | |
Kamijo et al. | Effect of proxy voting for children under the voting age on parental altruism towards future generations | |
Hadoux et al. | Strategic argumentation dialogues for persuasion: Framework and experiments based on modelling the beliefs and concerns of the persuadee | |
Woods et al. | Nice to you, nicer to me: Does self-serving generosity diminish the reciprocal response? | |
Aydogan et al. | Experience and rationality under risk: Re-examining the impact of sampling experience | |
JP7162825B1 (ja) | データ生成方法、システム、または装置および大衆評価予測aiモデル訓練方法、学習済みモデル、あるいは、大衆評価予測aiシステム、プログラム、またはコンピューティングデバイス | |
Whitacre et al. | Public libraries and residential broadband adoption: Do more computers lead to higher rates? | |
Asfaw et al. | Time‐varying rankings with the Bayesian Mallows model | |
KR102223640B1 (ko) | 클라우드 기반 개인화 콘텐츠 구독 서비스 제공 시스템 및 방법 | |
JP2011128922A (ja) | 美容サポートシステム及び美容サポート方法 | |
Ilukor et al. | Measuring the quality of clinical veterinary services for Cattle: an application of a role play experiment in rural Uganda | |
US20230351433A1 (en) | Training an artificial intelligence engine for most appropriate products | |
Swain et al. | Participation and contribution in crowdsourced surveys |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220310 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220524 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220717 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221007 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221007 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7162825 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |