JP7293658B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法及びプログラムに関する。

教育等の分野において、学習者を支援する種々の手法が提案されている。例えば特許文献１では、学習者に問題を提示する学習管理装置であって、学習者が過去に問題を学習した時間帯及び場所を記憶しておき、同じ状況下で同じ問題を学習できるよう出力する学習管理装置等が開示されている。

特許第６３９８５３８号公報

しかしながら、特許文献１に係る発明は学習時の環境を考慮するものであり、学習者本人の問題への取り組み方、すなわち学習本人の状況を考慮していない。

一つの側面では、学習状況を適切に推定可能な情報処理装置等を提供することを目的とする。

一つの側面では、情報処理装置は、学習者が問題に対して手書きで記入した解答を示す解答情報を取得する取得部と、前記解答情報が示す前記解答の筆跡を走り書きか否かで分類する分類部とを備え、前記解答情報は、前記解答が記入された紙媒体を光学的に読み取った画像データであり、前記分類部は、前記画像データに基づき前記筆跡を走り書きか否かで分類することを特徴とする。

一つの側面では、学習状況を適切に推定することができる。

学習状況推定システムの構成例を示す模式図である。 サーバの構成例を示すブロック図である。 学習者ＤＢ及び解答ＤＢのレコードレイアウトの一例を示す説明図である。 筆跡分類処理に関する説明図である。 分類器の生成処理に関する説明図である。 再履修問題の出力処理に関する説明図である。 分類器の生成処理の処理手順を示すフローチャートである。 筆跡分類処理の手順を示すフローチャートである。 実施の形態２に係る分類器の生成処理に関する説明図である。 実施の形態２に係る分類器の生成処理の手順を示すフローチャートである。 実施の形態３に係る筆跡分類処理に関する説明図である。 実施の形態３に係る筆跡分類処理の手順を示すフローチャートである。 上述した形態のサーバの動作を示す機能ブロック図である。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、学習状況推定システムの構成例を示す模式図である。本実施の形態では、学習者に問題を提示し、提示した問題に対して学習者が手書きで記入した解答の筆跡に基づき、学習状況を推定する学習状況推定システムについて説明する。学習状況推定システムは、情報処理装置１、端末２を含む。各装置は、インターネット等のネットワークＮを介して通信接続されている。

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバ装置、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバ装置であるものとし、簡潔のためサーバ１と読み替える。サーバ１は、学習者に対して提示する問題を端末２に出力し、出力した問題に対して学習者が手書きで記入した解答を示す解答情報を端末２から取得する。解答情報は、例えば手書きで解答が記入された問題用紙（紙媒体）を光学的に読み取った画像データ、あるいは電子ペン等の手段で電子的に入力されたストローク群から成るストロークデータである。以下の説明では便宜上、解答情報が画像データであるものとして説明する。

サーバ１は、取得した解答情報から学習者の解答の筆跡を分類する。例えばサーバ１は、手書きで記入した解答を、走り書きであるか否かに応じて分類する。走り書きで記入された場合、学習者が問題に真面目に取り組んでおらず、解答を乱雑に記入した可能性が高い。そこでサーバ１は、解答の筆跡が走り書きであるか否かを分類することで、学習者がどの程度真面目に学習していたかどうか、学習状況を推定可能とする。

具体的には後述するように、サーバ１は、人間が手書きで記入した解答例の筆跡の特徴量を機械学習により学習して分類器（学習済みモデル）を生成し、当該分類器を用いて、学習者の筆跡が走り書きであるか否かを分類する。さらにサーバ１は、筆跡の分類結果に応じて学習者の学習効率を判定し、判定した学習効率に応じて再履修問題を端末２に出力する。

端末２は、学習者本人（例えば学生）やその他のユーザ（例えば教師）が操作する端末装置であり、例えばパーソナルコンピュータ、タブレット端末等である。上述の如く、サーバ１は端末２から解答情報を取得する。例えば教師が使用するパーソナルコンピュータ等の端末２ａが、問題用紙を読み取った画像データを不図示のスキャナから取得し、解答情報としてサーバ１に送信する。なお、解答情報としてストロークデータを扱う場合、例えば学習者本人が使用するタブレット端末等の端末２ｂが、問題を表示して電子ペン等により解答の手書き入力を受け付け、ストロークデータをサーバ１に送信する。サーバ１は、端末２から取得した解答情報に基づいて筆跡を分類し、学習効率の高い筆跡であるか否かを判定する。

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、学習者ＤＢ１４２及び解答ＤＢ１４３を記憶している。学習者ＤＢ１４２は、各学習者の情報を格納したデータベースである。解答ＤＢ１４３は、学習者による解答の情報を格納したデータベースである。

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ等の可搬型記憶媒体Ｐ１を読み取る読取部を備え、可搬型記憶媒体Ｐ１からプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリＰ２からプログラムＰを読み込んでも良い。

図３は、学習者ＤＢ１４２及び解答ＤＢ１４３のレコードレイアウトの一例を示す説明図である。
学習者ＤＢ１４２は、学習者ＩＤ列、氏名列、所属列、年齢列を含む。学習者ＩＤ列は、各学習者を識別するための学習者ＩＤを記憶している。氏名列、所属列、及び年齢列はそれぞれ、学習者ＩＤと対応付けて、学習者の氏名、所属、及び年齢を記憶している。

解答ＤＢ１４３は、解答ＩＤ列、学習者ＩＤ列、解答日時列、問題列、分野列、正誤列、筆跡列を含む。解答ＩＤ列は、学習者による解答を識別するための解答ＩＤを記憶している。学習者ＩＤ列、解答日時列、問題列、分野列、正誤列、及び筆跡列はそれぞれ、解答ＩＤと対応付けて、解答した学習者の学習者ＩＤ、解答した日時（解答時期）、問題、問題の分野（例えば教科）、解答の正誤、及び解答の筆跡データを記憶している。

図４は、筆跡分類処理に関する説明図である。図４では、問題用紙を読み取った画像データから解答に相当する画像領域（以下の説明では便宜上「解答領域」と呼ぶ）を抽出して筆跡を分類し、学習者の学習効率を判定する処理の概要を模式的に図示してある。図４に基づき、本実施の形態の概要について説明する。

上述の如く、サーバ１は解答を手書きで記入済みの問題用紙（紙媒体）の画像データ（を解答情報として端末２から取得する画像データを取得した場合、サーバ１は、取得した画像データを白紙の問題用紙の画像データと比較して、両者の差分である解答領域を抽出する。

サーバ１は、抽出した解答領域を分類器１４１に入力し、学習者が記入した解答の筆跡を分類する。上述の如く、分類器１４１は機械学習により人間の筆跡の特徴を学習済みの学習済みモデルであり、例えばＣＮＮ（Convolution Neural Network）に係るニューラルネットワークである。

図５は、分類器１４１の生成処理に関する説明図である。図５では、機械学習により分類器１４１を生成する様子を概念的に図示してある。図５に基づき、機械学習の処理内容について説明する。

上述の如く、サーバ１は分類器１４１として、ＣＮＮに係るニューラルネットワークを機械学習により生成する。分類器１４１は、解答領域の画像データ（例えば各画素の画素値）の入力を受け付ける入力層と、入力層に入力された画像データの特徴量を抽出する中間層（隠れ層）と、中間層で抽出した特徴量に基づいて筆跡の分類し、分類結果を出力する出力層とを有する。各層は、一又は複数のニューロンから構成される。中間層はコンボリューション層とプーリング層とが交互に接続された構成を有し、入力層から入力された各画素の画素値を圧縮しながら画像特徴量を抽出する。出力層は、中間層で抽出した画像特徴量に基づいて解答の筆跡を分類し、分類結果を出力する。なお、出力層から出力される分類結果は連続的な確率値（例えば「０」から「１」までの値）であってもよく、離散的な値（例えば「０」又は「１」の二値）であってもよい。

なお、本実施の形態では分類器１４１がＣＮＮであるものとして説明するが、分類器１４１は人間の筆跡の特徴を学習済みの学習済みモデルであればよく、例えばＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ランダムフォレスト等、その他の学習アルゴリズムで生成された学習済みモデルであってもよい。

本実施の形態では、サーバ１は、走り書きで記入された文字列（筆跡）の特徴量を学習する機械学習を行い、解答として記入された文字列が走り書きであるか否かを分類する分類器１４１を生成する。具体的には、サーバ１は、人間が手書きで記入した解答例を示す画像データ（解答情報）に対し、走り書きであるか否かを分類した場合の分類結果の正解値が対応付けられた教師データを用いて分類器１４１を生成する。サーバ１は、教師データに含まれる各画像データを分類器１４１に入力し、走り書きであるか否かを分類した分類結果を出力として取得する。サーバ１は、取得した分類結果を正解値と比較し、両者が近似するよう各ニューロン間の重み、活性化関数の係数等のパラメータを最適化する。これにより、サーバ１は分類器１４１を生成する。

なお、本実施の形態では説明の便宜上、サーバ１が分類器１４１を生成するための機械学習処理と、分類器１４１を用いた筆跡分類処理との双方を行うものとして説明するが、両者のハードウェア上の処理主体は異なっていてもよい。例えばサーバ１が機械学習を行って分類器１４１を生成し、端末２にインストールさせ、端末２が筆跡の分類を行うようにしてもよい。このように、機械学習を実行する処理主体と、機械学習の成果物を用いて筆跡の分類を行う処理主体は異なっていてもよい。

また、本実施の形態では紙媒体（問題用紙）を読み取った画像データを用いて筆跡の分類を行うが、上述の如く、電子ペン等により電子的に入力されるストロークデータから筆跡の分類を行ってもよい。この場合、例えばサーバ１は、タッチパネル上を移動する電子ペンの座標値、移動時間等を表すストロークの教師データを分類器１４１に学習させ、学習を行った分類器１４１に学習者の解答のストロークデータを入力して筆跡の分類を行えばよい。このように、分類器１４１は人間の筆跡の特徴量を学習済みの学習済みモデルであればよく、取り扱う特徴量は画像特徴量に限定されない。

また、本実施の形態では筆跡が走り書きであるか否かに応じて分類を行うが、本実施の形態はこれに限定されるものではなく、その他の分類基準で筆跡を分類するようにしてもよい。例えばサーバ１は、解答者が自信を持って解答した解答例と、自信がない場合の解答例とを含む教師データを用いて、自信がありそうな解答の筆跡であるか否かを分類（予測）する分類器１４１を生成し、当該分類器１４１を用いて自信がありそうな筆跡か否かを分類するようにしてもよい。このように、走り書きであるか否かは解答例にラベリングされた正解値の一例であって、筆跡の分類基準は特に限定されない。

図４に戻って説明を続ける。サーバ１は、上記で生成した分類器１４１を用いて、学習者により記入された解答の筆跡を分類する。すなわち、サーバ１は問題用紙の画像データから抽出した解答領域を分類器１４１に入力し、解答に係る筆跡を分類した分類結果を出力として取得する。例えばサーバ１は、学習者の解答の筆跡が走り書きであるか否か、走り書きの度合いを示す確率値を分類結果として取得する。

上述の如く、サーバ１は、分類器１４１を用いて、学習者の解答の筆跡が走り書きであるか否かを分類する。解答が走り書きで記入された場合、学習者は問題に集中しておらず、学習効率が低下していたものと考えられる。そこでサーバ１は、筆跡の分類結果を指標として解答時における学習者の学習効率を判定し、判定した学習効率に応じて学習者に再履修問題を提示する。

図６は、再履修問題の出力処理に関する説明図である。図６では、筆跡の分類結果に基づいて学習効率を判定し、判定した学習効率に応じて再履修問題を学習者に提示（出力）する様子を概念的に図示している。図６に基づき、再履修問題の出力処理について説明する。

まずサーバ１は、端末２から解答情報を取得して筆跡を分類する都度、解答を記入した学習者の学習者ＩＤと対応付けて、筆跡の分類結果を解答ＤＢ１４３に保存（記憶）しておく。具体的には、サーバ１は、学習者ＩＤのほかに、学習者が問題に解答した解答時期、学習者が解答した問題の分野等と対応付けて、筆跡の分類結果（走り書きの度合い）と、解答の正誤とを対応付けて記憶する。

解答時期は、例えば解答者が問題を解いた時間帯である。問題の分野は、例えば教科である。解答の正誤は、解答が正解であるか否かを示す情報である。なお、例えばサーバ１は、端末２から解答情報を取得する際に学習者や教師等によって採点された採点結果を併せて取得するようにしてもよく、文字認識等の手段で自動的に正誤を判定してもよい。サーバ１は、上記の各種情報を解答情報として端末２から取得し、筆跡の分類結果と対応付けて解答ＤＢ１４３に記憶する。

サーバ１は、端末２から新たに解答情報を取得して筆跡を分類した場合、解答ＤＢ１４３に記憶されている学習者の過去の筆跡と比較して、学習効率の高い筆跡であるか否かを判定する。例えばサーバ１は、解答ＤＢ１４３に記憶されている学習者の過去の解答の筆跡のうち、解答時期（時間帯）、及び問題の分野が共通する筆跡のデータを参照する。サーバ１は、今回新たに分類した解答の筆跡と、分類器１４１による分類結果が同一又は類似する筆跡の解答データを解答ＤＢ１４３から検索する。例えばサーバ１は、今回新たに分類した解答の筆跡と、走り書きの度合いを示す確率値が所定の数値範囲で近似する筆跡のデータを検索する。

サーバ１は、検索した筆跡に対応付けられた解答の正誤を参照して、学習効率の高い筆跡であるか否かを判定する。例えばサーバ１は、正解時の解答の筆跡に近いほど学習効率を高くし、誤答時の解答の筆跡に近いほど学習効率を低く判定する。このように、サーバ１は、正解時の筆跡に近いほど学習効率が高かったものと判定する。

例えばサーバ１は、判定した学習効率が所定の閾値以下であるか否かを判定することで、学習効率が高い筆跡であるか否かを判定する。学習効率が高い筆跡でなかったと判定した場合、当該学習者に再学習させる再履修問題を端末２に出力する。例えばサーバ１は、学習者が今回解答した問題と分野が共通する他の問題を再履修問題として端末２に出力する。上述の処理により、サーバ１は、学習効率が悪かった分野の問題を優先的に再学習させる。

以上より、本実施の形態によれば、サーバ１は学習者の解答の筆跡を分類することで、学習状況を適切に推定することができる。特に本実施の形態では、筆跡の分類結果から学習効率を推定し、再履修問題を提示することで、効率的な学習を促すことができる。

図７は、分類器１４１の生成処理の処理手順を示すフローチャートである。図７に基づき、分類器１４１の生成処理の処理内容について説明する。
サーバ１の制御部１１は、人間が手書きで記入した解答例を示す解答情報群と、各解答情報の筆跡を分類した分類結果の正解値とを対応付けた教師データを取得する（ステップＳ１１）。解答情報は、例えば人間が解答を手書きで記入した紙媒体（問題用紙）を光学的に読み取った画像データである。正解値は、例えば走り書きであるか否かを示すパラメータである。

制御部１１は教師データを用いて解答情報に係る筆跡の特徴量を学習する機械学習を行い、解答情報の筆跡を分類するための分類器１４１を生成する（ステップＳ１２）。具体的には、制御部１１は解答情報を分類器１４１に入力して筆跡の特徴量を抽出し、走り書きであるか否かを推定する。制御部１１は、推定結果を教師データの正解値と比較し、両者が近似するようニューロン間の重み等を最適化して分類器１４１を生成する。制御部１１は、一連の処理を終了する。

図８は、筆跡分類処理の手順を示すフローチャートである。図８に基づき、学習者の解答の筆跡を分類して学習効率を判定する処理の内容について説明する。
サーバ１の制御部１１は、学習者に出題した問題に対し、学習者が手書きで記入した解答を示す解答情報を端末２から取得する（ステップＳ３１）。解答情報は、例えば学習者が解答を手書きで記入した紙媒体（問題用紙）を光学的に読み取った画像データである。制御部１１は、取得した画像データを白紙の問題用紙の画像データと比較し、学習者が記入した解答に相当する画像領域を抽出する（ステップＳ３２）。

制御部１１は、抽出した解答の画像領域を分類器１４１に入力し、解答の筆跡を分類する（ステップＳ３３）。例えば制御部１１は、学習者が解答を走り書きで記入したか否か、走り書きの度合いを推定する。制御部１１は、学習者による当該解答の解答時期（例えば時間帯）、及び解答した問題の分野等と対応付けて、ステップＳ３３における筆跡の分類結果と、解答の正誤とを解答ＤＢ１４３に記憶する（ステップＳ３４）。

制御部１１は、ステップＳ３３で分類した筆跡の分類結果に基づき、解答ＤＢ１４３を参照して、学習効率が高い筆跡であるか否かを判定する（ステップＳ３５）。例えば制御部１１は、解答ＤＢ１４３に記憶されている学習者の筆跡のデータ（分類結果）のうち、解答時期及び問題の分野が共通する筆跡のデータを参照する。制御部１１は、ステップＳ３３で今回分類した筆跡と分類結果が同一又は類似する筆跡に関連付けられた解答の正誤に基づき、学習効率を判定する。例えば制御部１１は、正解時の筆跡に近いほど学習効率を高く、誤答時の筆跡に近いほど学習効率を低く判定する。制御部１１は、判定した学習効率を所定の閾値と比較することで、学習効率が高い筆跡であるか否かを判定する。

制御部１１は、学習効率が高い筆跡であるか否かに応じて、再履修問題を出題するか否かを判定する（ステップＳ３６）。再履修問題を出題すると判定した場合（Ｓ３６：ＹＥＳ）、制御部１１は、学習者が今回解答した問題に応じた再履修問題を端末２に出力する（ステップＳ３７）。ステップＳ３７の処理を実行後、又はステップＳ３６でＮＯの場合、制御部１１は一連の処理を終了する。

以上より、本実施の形態１によれば、学習者が記入した解答の筆跡を分類することで、学習状況を適切に推定することができる。

また、本実施の形態１によれば、解答が記入された紙媒体を光学的に読み取った画像データから、学習状況を適切に推定することができる。

また、本実施の形態１によれば、電子ペン等によって電子的に入力されるストロークデータからも学習状況を推定することができる。

また、本実施の形態１によれば、人間が手書きで記入した解答例の筆跡の特徴量を学習済みの分類器１４１を用いることで、筆跡の分類を精度良く行うことができる。

また、本実施の形態１によれば、解答例に対して筆跡の分類結果の正解値が対応付けられた教師データを用いて、より精度の良い分類器１４１を生成することができる。

また、本実施の形態１によれば、筆跡の分類結果を解答の正誤と対応付けて解答ＤＢ１４３に記憶することで、学習効率の高低を判定可能なデータベースを構築することができる。

また、本実施の形態１によれば、解答ＤＢ１４３を参照して学習効率が高い筆跡であるか否かを判定することで、学習者がどの程度の集中力で問題に取り組んだか、学習状況を適切に推定することができる。

また、本実施の形態１によれば、学習者が問題に解答した解答時期や問題の分野を考慮して学習効率を判定することで、学習状況をより適切に推定することができる。

また、本実施の形態１によれば、判定した学習効率に応じて再履修問題を出力することで、効率の良い学習を促すことができる。

（実施の形態２）
本実施の形態では、半教師あり学習で分類器１４１を生成する形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。
図９は、実施の形態２に係る分類器１４１の生成処理に関する説明図である。図９に基づき、本実施の形態の概要を説明する。

上述の如く、本実施の形態においてサーバ１は半教師あり学習によって分類器１４１を生成する。具体的には、サーバ１は、教師データとして用いる複数の解答例のうち、筆跡の分類結果の正解値が既知の教師ありデータと、正解値が未知の教師なしデータとを用いて分類器１４１を生成する。

例えばサーバ１はまず、教師データとして用いる複数の解答例のうち、一部の解答例に対して正解値が対応付けられた教師ありデータを用いて学習を行う。この場合、サーバ１は実施の形態１と同様に各解答例に係る画像データを分類器１４１に入力して筆跡の分類を行い、分類結果を正解値と比較して重み等の各種パラメータを最適化する。

サーバ１は、上記で設定したパラメータを分類器１４１の初期値として、次に教師なしデータを用いて学習を行う。この場合、例えばサーバ１は教師なし学習として、教師なしデータに含まれる各解答例を筆跡に応じて複数のクラスに分類するクラスタリングを行う。例えばサーバ１は、教師なしデータの解答例を、筆跡が走り書きに該当するクラスと、走り書きに該当しないクラスとの２クラスに分類する２クラス判定を行う。サーバ１は、各解答例に係る画像データを分類器１４１に入力して分類を行い、いずれのクラスに属するか分類を行う。

サーバ１は、教師データの分類結果に基づいて重み等の各種パラメータを最適化する。パラメータの最適化手法は特に限定されないが、例えばサーバ１はブートストラップ法を用いて最適化を行う。具体的には、サーバ１は分類結果の信頼度に応じて特徴量空間における各クラスの分類境界を更新し、各パラメータを最適化する。これによりサーバ１は、最終的に分類器１４１を生成する。

なお、半教師あり学習の手法はブートストラップ法に限定されず、例えばグラフベース半教師あり学習などを用いてもよい。すなわち、サーバ１は教師ありデータ及び教師なしデータから分類器１４１を生成可能であればよく、その学習手法は特に限定されない。

図１０は、実施の形態２に係る分類器１４１の生成処理の手順を示すフローチャートである。
サーバ１の制御部１１は、複数の解答例を示す解答情報群の教師データを取得する（ステップＳ２０１）。本実施の形態に係る教師データは、複数の解答例のうち、一部の解答例に対して筆跡の分類結果の正解値が対応付けられた教師ありデータと、正解値が対応付けられていない教師なしデータとを含む。

まず制御部１１は、教師ありデータを用いて機械学習を行い、分類器１４１に設定する重み等の各種パラメータの初期値を決定する（ステップＳ２０２）。続いて制御部１１は、教師なしデータを学習用のデータセットに追加して各種パラメータの最適化を行い、最終的に分類器１４１を生成する（ステップＳ２０３）。例えば制御部１１は、ブートストラップ法等を用いて各種パラメータの最適化を行う。制御部１１は一連の処理を終了する。

以上より、本実施の形態２によれば、半教師あり学習で分類器１４１を生成することができ、機械学習のコストを低減することができる。

（実施の形態３）
本実施の形態では、ルールベースで解答の筆跡を分類する形態について説明する。
図１１は、実施の形態３に係る筆跡分類処理に関する説明図である。図１１に基づき、本実施の形態の概要について説明する。

本実施の形態においてサーバ１は、分類器１４１を用いず、解答が走り書きであるか否かをルールベースで分類する。例えばサーバ１は、問題用紙（紙媒体）から抽出した解答領域の画像に対して文字認識を行い、解答領域をさらに文字単位の画像に分割する。

サーバ１は、分割した各画像から、各文字が走り書きに該当するか否か、文字単位で判定（分類）を行う。判定基準とするルールは特に限定されないが、例えばサーバ１は、３つの判定基準に基づいて分類を行う。第１の基準は、文字を構成する線が直線であるか否かである。サーバ１は、直線でない場合、走り書きに該当すると判定する。また、第２の基準は、文字の傾き（文字内の線の傾斜）である。サーバ１は、文字の傾きが揃っていない場合、走り書きに該当すると判定する。第３の基準は、文字の中心線である。サーバ１は、文字の中心線が画像の中心を通っているか否かに応じて、走り書きに該当するか否かを判定する。

上述の如く、サーバ１は各基準に該当するか否か、文字単位で判定（分類）を行う。サーバ１は、各文字における各基準の判定結果に基づき、各文字から構成される解答全体として学習効率の高低を判定する。例えばサーバ１は、図１１に示すように、各判定基準に該当したか否かを解答の文字列全体で集計し、集計結果に応じて学習効率を算出する。サーバ１は、算出した学習効率に応じて再履修問題を出力する。

図１２は、実施の形態３に係る筆跡分類処理の手順を示すフローチャートである。端末２から解答情報を取得し（ステップＳ３１）、解答領域を抽出した後（ステップＳ３２）、サーバ１の制御部１１は以下の処理を実行する。
制御部１１は、解答領域の画像から解答の筆跡を分類する処理を行う（ステップＳ３０１）。具体的には、制御部１１は、解答領域に対する文字認識を行って文字単位で画像を分割し、分割した各画像から、各文字が走り書きに該当するか否かを所定のルールに基づいて分類する。当該ルールは特に限定されないが、例えば制御部１１は、文字の線、傾き、中心軸等に応じて分類を行う。制御部１１は、各文字の分類結果に基づいて学習効率が高い筆跡であるか否かを判定し（ステップＳ３０２）、処理をステップＳ３６に移行する。

以上より、本実施の形態３によれば、分類器１４１を用いずとも学習状況を推定することができる。

（実施の形態４）
図１３は、上述した形態のサーバ１の動作を示す機能ブロック図である。制御部１１がプログラムＰを実行することにより、サーバ１は以下のように動作する。
取得部１３１は、学習者が問題に対して手書きで記入した解答を示す解答情報を取得する。分類部１３２は、前記解答情報が示す前記解答の筆跡を分類する。

本実施の形態４は以上の如きであり、その他は実施の形態１から３と同様であるので、対応する部分には同一の符号を付してその詳細な説明を省略する。

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ プログラム
１４１ 分類器
１４２ 学習者ＤＢ
１４３ 解答ＤＢ

Claims (11)

1. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得する取得部と、
   前記解答情報が示す前記解答の筆跡を走り書きか否かで分類する分類部と
   を備え、
   前記解答情報は、前記解答が記入された紙媒体を光学的に読み取った画像データであり、
   前記分類部は、前記画像データに基づき前記筆跡を走り書きか否かで分類する
   ことを特徴とする情報処理装置。
2. 前記分類部は、人間が手書きで記入した解答例の筆跡の特徴量を学習済みの分類器を用いて、前記筆跡を分類する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記分類器は、複数の前記解答例夫々に対して前記筆跡の分類結果の正解値を対応付けた教師データを用いて生成された学習済みモデルである
   ことを特徴とする請求項２に記載の情報処理装置。
4. 前記分類器は、複数の前記解答例のうち、一部の前記解答例に対して前記筆跡の分類結果の正解値が対応付けられた教師ありデータと、前記複数の解答例のうち前記一部の解答例以外の前記解答例から成る教師なしデータとを用いて生成された学習済みモデルである ことを特徴とする請求項２に記載の情報処理装置。
5. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得する取得部と、
   前記解答情報が示す前記解答の筆跡を走り書きか否かで分類する分類部と
   前記筆跡の分類結果と、該筆跡に対応する前記解答の正誤とを関連付けて記憶する記憶部と、
   前記分類部が前記筆跡を分類した場合、前記記憶部を参照して、該筆跡と分類結果が同一又は類似する前記筆跡に関連付けられた前記解答の正誤に基づき、学習効率の高い筆跡であるか否かを判定する判定部と
   を備えることを特徴とする情報処理装置。
6. 前記記憶部は、前記学習者が前記問題に解答した解答時期、又は該問題の分野毎に前記筆跡の分類結果及び前記解答の正誤を記憶し、
   前記分類部が前記筆跡を分類した場合、前記判定部は、該筆跡に対応する前記解答と前記解答時期又は分野が共通する前記筆跡の分類結果を参照して、学習効率の高い筆跡であるか否かを判定する
   ことを特徴とする請求項５に記載の情報処理装置。
7. 前記判定部による判定結果に応じて、前記学習者に再学習させる問題を出力する出力部を備える
   ことを特徴とする請求項５又は６に記載の情報処理装置。
8. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得し、
   前記解答情報が示す前記解答の筆跡を走り書きか否かで分類する処理であって、
   前記解答情報は、前記解答が記入された紙媒体を光学的に読み取った画像データであり、
   前記画像データに基づき前記筆跡を走り書きか否かで分類する
   処理をコンピュータが実行することを特徴とする情報処理方法。
9. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得し、
   前記解答情報が示す前記解答の筆跡を走り書きか否かで分類する処理であって、
   前記解答情報は、前記解答が記入された紙媒体を光学的に読み取った画像データであり、
   前記画像データに基づき前記筆跡を走り書きか否かで分類する
   処理をコンピュータに実行させることを特徴とするプログラム。
10. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得し、
    前記解答情報が示す前記解答の筆跡を走り書きか否かで分類し、
    前記筆跡の分類結果と、該筆跡に対応する前記解答の正誤とを関連付けて記憶部に記憶し、
    前記筆跡を分類した場合、前記記憶部を参照して、該筆跡と分類結果が同一又は類似する前記筆跡に関連付けられた前記解答の正誤に基づき、学習効率の高い筆跡であるか否かを判定する
    処理をコンピュータが実行することを特徴とする情報処理方法。
11. 学習者が問題に対して手書きで記入した解答を示す解答情報を取得し、
    前記解答情報が示す前記解答の筆跡を走り書きか否かで分類し、
    前記筆跡の分類結果と、該筆跡に対応する前記解答の正誤とを関連付けて記憶部に記憶し、
    前記筆跡を分類した場合、前記記憶部を参照して、該筆跡と分類結果が同一又は類似する前記筆跡に関連付けられた前記解答の正誤に基づき、学習効率の高い筆跡であるか否かを判定する
    処理をコンピュータに実行させることを特徴とするプログラム。

Images