JP7295207B1

JP7295207B1 - 調査集計システム

Info

Publication number: JP7295207B1
Application number: JP2021197024A
Authority: JP
Inventors: 省吾藤森; 恵一勝美
Original assignee: Video Research Co Ltd
Current assignee: Video Research Co Ltd
Priority date: 2021-12-03
Filing date: 2021-12-03
Publication date: 2023-06-20
Anticipated expiration: 2041-12-03
Also published as: JP2023089330A

Abstract

【課題】調査対象者の負担を軽減することができると共に、調査対象者からの回答を収集する場合と同等の品質や信頼性を確保し得る回答を収集することができる調査集計システムを提供する。【解決手段】調査集計システム１は、質問に対する回答を取得して集計する回答集計部２０と、回答を生成可能な複数の学習モデルを機械学習処理により構築する機械学習装置１０と、複数の質問に対して複数の調査対象者から得られた回答群と学習モデルから得られた回答群との近似度合いの高低を評価する学習モデル評価部５０とを備える。回答集計部２０は、近似度合いの評価が高い場合に、学習モデルからの回答を取得して集計し得る。【選択図】図１

Description

本発明は、様々な分野において、複数の調査対象者に対する質問の回答を集計する調査集計システムに関する。

マーケティング調査や、テレビの視聴率調査等、様々な分野の調査において、あらかじめ選定された複数の調査対象者（所謂、パネリスト又はパネラー）から質問に対する回答を収集することが従来より、一般に行われている（例えば特許文献１を参照）。

このように複数の調査対象者を利用する調査では、調査対象者を適切に選定しておくことで、品質や信頼性の高い調査結果を得ることが可能である。

特開２００２－３１２５５７号公報

しかしながら、複数の調査対象者からの回答を収集する調査では、各調査対象者への報酬が必要になるために、調査コストが高コストになりやすい。また、各調査対象者は、多くの質問に対する回答を行うことが必要になる場合に、回答作業に工数がとられやすい。さらに、調査内容によっては、各調査対象者が、時間的な制約や行動の制約を受ける場合もある。ひいては、各調査対象者の負担が高まりやすい。

本発明はかかる背景に鑑みてなされたものであり、調査対象者の負担を軽減することができると共に、調査対象者からの回答を収集する場合と同等の品質や信頼性を確保し得る回答を収集することができる調査集計システムを提供することを目的とする。

本発明の調査集計システムは、上記の目的を達成するために、あらかじめ選定された複数の調査対象者から質問に対する回答を取得し、当該取得した回答を集計可能な回答集計部を備える調査集計システムであって、
質問に対する回答を生成し得る複数の学習モデルを機械学習処理により構築して記憶保持する機械学習装置と、
前記複数の学習モデルを評価する学習モデル評価部とを備えており、
前記学習モデル評価部は、前記複数の調査対象者のそれぞれに対して実施した質問に対する該複数の調査対象者のそれぞれの回答の集合である対象者側回答群と、該質問に対して前記複数の学習モデルのそれぞれが生成する回答の集合であるモデル側回答群との近似度合いの高低を、該質問に対する回答傾向の特徴量を該対象者側回答群及び該モデル側回答群のそれぞれ毎に特定し、該対象者側回答群における回答傾向特徴量と該モデル側回答群における回答傾向特徴量とが一致する場合に、該質問に対する該対象者側回答群と該モデル側回答群との近似度合いが高いと判定し、該対象者側回答群における回答傾向特徴量と該モデル側回答群における回答傾向特徴量とが一致しない場合には、該質問に対する該対象者側回答群と該モデル側回答群との近似度合いが低いと判定することにより、評価するように構成されており、
前記回答集計部は、前記学習モデル評価部により、前記近似度合いが高いと評価された場合に、新たに実施する調査における質問に対する回答を、前記複数の調査対象者から取得する代わりに、前記複数の学習モデルから取得し得るように構成されていることを特徴とする。

かかる本発明によれば、回答集計部は、学習モデル評価部により、対象者側回答群とモデル側回答群との近似度合が高いと評価された場合に、新たに実施する調査における質問に対する回答を、複数の調査対象者から取得する代わりに、複数の学習モデルから取得することができる。

この場合、複数の学習モデルは、対象者側回答群との近似度合いが高いモデル側回答群を生成し得るので、該複数の学習モデルは、新たに実施する調査においても、複数の調査対象者による対象者回答群と同様の傾向を有するモデル側回答群を生成し得る可能性が高い。

従って、回答集計部は、複数の調査対象者の実際の回答を取得せずとも、信頼性や品質の高い回答を取得できる。この結果、本発明の調査集計システムによれば、学習モデル評価部により、対象者側回答群とモデル側回答群との近似度合が高いと評価された場合に、調査対象者の負担を軽減することができると共に、調査対象者からの回答を収集する場合と同等の品質や信頼性を確保し得る回答を収集することができる。

かかる本発明では、前記機械学習装置は、前記複数の学習モデルのうちの少なくとも一部の学習モデルを、不特定の複数の人のライフログを学習データとして用いる機械が学習処理により構築するように構成され得る。

これによれば、多量のライフログを学習データとして用いて学習モデルを構築できるので、調査対象者の多くのライフログを収集することができない場合でも、対象者側回答群と近似度合いの高いモデル側回答群を生成し得る複数の学習モデルを機械学習処理により構築することが可能となる。

また、本発明では、前記機械学習装置は、前記複数の学習モデルのうちの少なくとも一部の学習モデルを、前記複数の調査対象者のうちの少なくとも一部の調査対象者のそれぞれのライフログを学習データとして用いる機械学習処理により構築するように構成され得る。

これによれば、複数の調査対象者のうちの少なくとも一部の調査対象者のそれぞれのライフログを学習データとして用いて学習モデルを構築できるので、対象者側回答群と近似度合いの高いモデル側回答群を生成し得る複数の学習モデルを、効率よく機械学習処理により構築することが可能となる。

また、本発明では、前記学習モデル評価部は、前記複数の調査対象者に対して実施した調査の種類毎に、前記近似度合いを評価し得るように構成されており、前記回答集計部は、新たに実施する調査の種類に関して、前記学習モデル評価部により前記近似度合いが高いと評価された場合に、当該新たに実施する調査における質問に対する回答を、前記複数の調査対象者から取得する代わりに、前記複数の学習モデルから取得し得るように構成されているという態様を採用し得る。

これによれば、新たな調査を実施するとき、その調査の種類が、対象者側回答群とモデル側回答群との近似度合いが低くなることが予測される種類である場合に、学習モデルかからの回答を収集することになるのを防止できる。また、新たに実施する調査の種類が、対象者側回答群とモデル側回答群との近似度合いが高くなることが予測される種類である場合には、学習モデルからの回答を収集することができる。

本発明の実施系形態の調査集計システムに関する構成を示すブロック図。

本発明の一実施形態を以下に図１を参照して説明する。図１を参照して、本実施形態の調査集計システム１は、質問に対する回答を生成し得る複数の学習モデルＬＭ1，ＬＭ2，…，ＬＭNを機械学習処理により構築（生成）して記憶保持する機械学習装置１０と、あらかじめ選定された複数の調査対象者Ｐ1，Ｐ2，…，Ｐnの全体又は一部から質問に対する回答を取得して集計する機能を有する回答集計部２０と、調査対象者Ｐ1～Ｐnの全体又は一部に対する質問の内容を示す質問データを生成する質問データ生成部３０と、調査対象者Ｐ1～Ｐnのそれぞれに関する情報を記憶保持する質問対象者データベース４０（以降、単にデータベース４０という）と、機械学習装置１０で構築された複数の学習モデルＬＭ1～ＬＭNを評価する学習モデル評価部５０と、インターネット、電話通信網等により構成される外部ネットワークＮＷ（広域ネットワーク）と通信を行い得る通信装置６０とを備える。以降、複数の学習モデルＬＭ1～ＬＭNのうちの任意の1つの学習モデルをＬＭiと表記し、複数の調査対象者Ｐ1～Ｐnのうちの任意の一人の調査対象者をＰjと表記する。

通信装置６０は、外部ネットワークＮＷと通信を行い得ることに加えて、調査対象者Ｐ1～Ｐnのそれぞれが使用する通信端末７０と、外部ネットワークＮＷを介して通信を行うことが可能である。

ここで、各調査対象者Ｐjが使用する通信端末７０は、例えばスマートフォン、タブレット端末、パソコン等により構成され、液晶ディスプレイ等により構成される表示部７０ａや、スピーカ等により構成される発音部７０ｂを含む。この通信端末７０には、調査用の所定のアプリケーション（以下、調査用アプリという）があらかじめインストールされている。

そして、通信端末７０は、当該調査用アプリを起動した状態で、通信装置６０と外部ネットワークＮＷを介して通信を行うことが可能である。この場合、通信端末７０は、調査集計システム１から通信装置６０を介して送信される質問データを受信して、該質問データにより示される質問の内容を調査対象者Ｐjに報知する機能や、質問に対する調査対象者Ｐjの回答を受け付けて、通信装置６０に送信する機能等を有する。

調査集計システム１の機械学習装置１０、回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０は、例えばマイコン等のプロセッサ、メモリ等の記憶装置、インターフェース回路等を含む1つ以上のコンピュータにより構成される。

例えば、機械学習装置１０、回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０のそれぞれは、相互に通信可能な各別のコンピュータにより構成され得る。この場合、機械学習装置１０を構成するコンピュータは、それに実装されたハードウェア構成とプログラム（ソフトウェア構成）とにより機械学習装置１０として機能するよう構成される。回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０についても同様である。

ただし、機械学習装置１０、回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０のうちの２つ以上が、例えば、1つのコンピュータに含まれるように、該コンピュータが構成されていてもよい。また、通信装置６０は、機械学習装置１０、回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０を構成するいずれかのコンピュータに含まれ、もしくは付設され得る。あるいは、通信装置６０は、機械学習装置１０、回答集計部２０、質問データ生成部３０、データベース４０、及び学習モデル評価部５０を構成する複数のコンピュータのそれぞれに含まれ、もしくは付設され得る。

データベース４０は、あらかじめ選定された複数の調査対象者Ｐ1～Ｐnのそれぞれに関する情報として、各調査対象者Ｐjの居住地、性別、年齢、家族構成等の属性情報や、各調査対象者Ｐjに対して実施した質問に対する回答の履歴を示す回答履歴情報等を記憶保持している。そして、データベース４０は、機械学習装置１０や回答集計部２０、学習モデル評価部５０等からの要求に応じて、任意の調査対象者Ｐjに関する任意の情報（属性情報、回答履歴情報等）を出力することが可能である。

質問データ生成部３０は、マーケティング調査や、テレビの視聴率調査等の所要の調査を実施する場合に、その調査のための複数の質問項目の内容を示す質問データをオペレータからの指示等に応じて生成するように構成されている。該質問データは、例えばテキストデータ、もしくは音声信号データとして生成され得る。なお、質問データ生成部３０は、実施した各調査において生成した質問データの履歴を記憶保持することが可能である。また、質問データは、テキストデータや音声信号データに限らず、例えば、画像データや映像データを含み得る。

機械学習装置１０は、質問に対する回答を生成し得る複数の学習モデルＬＭ1～ＬＭNを、不特定の複数の人（不特定多数の個々人）のライフログを学習データして用いる機械学習処理により複数の学習モデルＬＭ1～ＬＭNを構築（生成）するように構成されていると共に、構築した複数の学習モデルＬＭ1～ＬＭNを記憶保持する学習モデル記憶部１１を備える。

上記ライフログは、不特定多数の個々人の固有の情報、もしくは特徴的な情報を多く含む情報である。該ライフログとしては、個々人が発信したＳＮＳ（Social Networking Service）情報等を使用し得る。

かかるライフログは、オペレータが、随時、適宜の入力装置を介して機械学習装置１０に入力し得る。あるいは、機械学習装置１０が、外部ネットワークＮＷのインターネット等から自動的に収集し得る。

機械学習装置１０は、与えられた多数のライフログから各学習モデルＬＭiの学習データとして使用するライフログを抽出し、各学習モデルＬＭi毎に、抽出したライフログを学習データとして用いて機械学習処理を実行することで、各学習モデルＬＭiを構築し、該学習モデルＬＭiを学習モデル記憶部１１に記憶保持する。

この場合、各学習モデルＬＭiの学習データ用のライフログの抽出においては、例えば、各学習モデルＬＭiが学習データとして使用するライフログのうちの少なくとも一部のライフログが、学習モデルＬＭ1～ＬＭNのそれぞれで互いに異なるように、各学習モデルＬＭiの学習データ用のライフログが抽出され得る。これにより、学習モデルＬＭ1～ＬＭNのそれぞれは、質問に対する回答の生成に関して、互いに異なる個性を有するように構成され得る。

補足すると、調査対象者Ｐ1～ＰＮのライフログを収集できる場合には、例えば、学習モデルＬＭ1～ＬＭNのうちの少なくとも一部の学習モデルのそれぞれの学習データとして、いずれかの調査対象者Ｐiのライフログを使用してもよい。この場合、調査対象者Ｐiのライフログを学習データとして用いる学習モデルが複数である場合には、その複数の学習モデルのそれぞれの学習データとして、互いに異なる調査対象者のライフログが使用される。

なお、各学習モデルＬＭiへの新たなライフログの入力と、機械学習処理とは継続的に実施される。これより、各学習モデルＬＭiは、様々な質問に対して、その内容に整合した回答を生成し得るように更新されていく。

機械学習装置１０は、上記の如く複数の学習モデルＬＭ1～ＬＭNを機械学習処理により構築し得るように構成されている。なお、各学習モデルＬＭiを生成するより具体的な技術としては、例えば特開２０１８－１９０４５７号公報等に提案されている技術を採用し得る。

学習モデル評価部５０は、調査対象者Ｐ1～Ｐnの全体又は一部に対して過去に実施した調査における質問に対して該調査対象者Ｐ1～Ｐnの全体又は一部から得られた回答の集合である対象者側回答群と、該質問に対して学習モデルＬＭ1～ＬＭNのそれぞれが生成する回答の集合であるモデル側回答群との近似度合いの高低を評価するように構成されている。

ここで、学習モデル評価部５０の具体的な処理について説明しておく。学習モデル評価部５０は、例えば、定期的なタイミング、あるいは、オペレータにより指示されたタイミング、あるいは、各調査の実施後のタイミング等で、対象者側回答群とモデル側回答群との近似度合いの高低を評価する処理を実行する。

この処理では、学習モデル評価部５０は、調査対象者Ｐ1～Ｐnの全体又は一部に対して過去に実施した調査（例えば最新に実施した調査、又は直近の複数回の調査）における質問データを質問データ生成部３０から取得すると共に、該質問データにより示される複数の質問に対して調査対象者Ｐ1～Ｐnの全体又は一部から得られた回答（複数の質問のそれぞれ毎の回答）の集合を対象者側回答群として取得する。

また、学習モデル評価部５０は、質問データ生成部３０から取得した質問データにより示される複数の質問を機械学習装置１０に受け渡す。このとき、機械学習装置１０は、与えられた複数の質問を学習モデルＬＭ1～ＬＭNのそれぞれに入力し、該複数の質問のそれぞれに応じて学習モデルＬＭ1～ＬＭNのそれぞれが生成する回答の集合を、モデル側回答群として学習モデル評価部５０に出力する。これにより、学習モデル評価部５０は、質問データ生成部３０から取得した質問データにより示される複数の質問に応じて学習モデルＬＭ1～ＬＭNにより生成されたモデル側回答群を取得する。

そして、学習モデル評価部５０は、取得した対象者側回答群とモデル側回答群との近似度合いの高低を評価する。この評価は、例えば、次のように行い得る。なお、以降の説明では、複数の質問のうちの任意の1つの質問を質問Ｑxと表記することがある。

すなわち、学習モデル評価部５０は、複数の質問のそれぞれ毎に、各質問Ｑxに対応する対象者側回答群と、モデル側回答群とから、該質問Ｑxに対する回答の傾向の特徴量を対象者側回答群及びモデル側回答群のそれぞれ毎に特定する。各質問Ｑxに対する回答の傾向の特徴量（以降、回答傾向特徴量という）としては、例えば、度数（回答数）が最も高い回答（第１順位の度数の回答）の内容、あるいは、第１順位の度数の回答を含む複数の順位の度数（例えば第１順位及び第２順位の度数）のそれぞれの回答内容の組等を採用し得る。

そして、学習モデル評価部５０は、各質問Ｑx毎に、対象者側回答群における回答傾向特徴量と、モデル側回答群における回答傾向特徴量とが一致する場合に、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが高い判定し、それらの回答傾向特徴量が一致しない場合には、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが低いと判定する。

例えば、ある質問Ｑxに対する回答内容がａ，ｂ，ｃ，ｄの４種類であり、該質問Ｑxに対する回答傾向特徴量として、第１順位の度数（最大度数）の回答内容を採用した場合を想定する。この場合、質問Ｑxに対する対象者側回答群における第１順位の度数の回答内容と、モデル側回答群における第１順位の度数の回答内容とが互いに一致する回答内容である場合（例えば、両方の回答内容がａである場合）、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが高いと判定される。

一方、質問Ｑxに対する対象者側回答群における第１順位の度数の回答内容と、モデル側回答群における第１順位の度数の回答内容とが互いに異なる回答内容である場合（例えば、一方側の回答内容がａであり、他方側の回答内容がｃである場合）、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが低いと判定される。

また、例えば、ある質問Ｑxに対する回答内容がａ，ｂ，ｃ，ｄの４種類であり、該質問Ｑxに対する回答傾向特徴量として、第１順位の度数（最大度数）の回答内容と、第２順位の度数（最大度数の次に大きい度数）の回答内容との組を採用した場合を想定する。この場合、質問Ｑxに対する対象者側回答群における第１順位の度数の回答内容及び第２順位の度数の回答内容の組と、モデル側回答群における第１順位の度数の回答内容及び第２順位の度数の回答内容の組とが互いに一致する場合（例えば、第１順位の度数の回答内容及び第２順位の度数の回答内容の組が、対象者側回答群とモデル側回答群との両方とも、ａ（：第１順位），ｄ（：第２順位）の組である場合）、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが高いと判定される。

一方、質問Ｑxに対する対象者側回答群における第１順位の度数の回答内容及び第２順位の度数の回答内容の組と、モデル側回答群における第１順位の度数の回答内容及び第２順位の度数の回答内容の組とが互いに異なる回答内容である場合（例えば、一方側の回答内容の組がａ（：第１順位）、ｂ（：第２順位）の組であり、他方側の回答内容の組がａ（：第１順位）、ｃ（：第２順位）である場合）、質問Ｑxに対する対象者側回答群とモデル側回答群との近似度合いが低いと判定される。
補足すると、回答傾向特徴量は、複数の質問の全てに対して同一である必要はなく、質問の種類や内容に応じて異ならせてもよい。

また、各質問Ｑxに対する回答傾向特徴量は、第１順位の度数の回答内容、あるいは、複数の順位の度数の回答内容の組に限られない。例えば、質問Ｑxに対する回答傾向特徴量は、質問Ｑxに対する第１順位の度数の回答内容に加えて、あるいは、第１順位の度数を含む複数の順位の度数のそれぞれの回答内容の組に加えて、第１順位の度数の割合等、1つ以上の順位の度数のそれぞれの割合を含み得る。ここで、第１順位の度数の割合等、任意の順位の度数の割合は、質問Ｑxに対する回答の総数（対象者側回答群及びモデル側回答群のそれぞれ毎の総数）に対する、該順位の度数の割合（比率）を意味する。

このように質問Ｑxに対する1つ以上の順位の度数の割合を回答傾向特徴量に含める場合、質問Ｑxに対する回答傾向特徴量が対象側回答群とモデル側回答群とで一致するか否かを判定するために、回答内容（又は回答内容の組）が一致するか否かの判定結果に加えて、当該1つ以上の順位の度数の割合が対象側回答群とモデル側回答群とで一致する（ほぼ一致する場合を含む）か否かの判定結果が必要となる。

この場合、任意の1つの順位の度数の割合が、対象側回答群とモデル側回答群とで一致するか否かは、例えば、対象側回答群での当該度数の割合と、モデル側回答群での当該度数の割合との二つの割合の差がゼロ近辺の所定の範囲内に収まっているか否かによって、あるいは、該二つの割合の比率が“１”近辺の所定の範囲内に収まっているか否かによって、判定し得る。

学習モデル評価部５０は、上記の如く、複数の質問のそれぞれ毎に、対象者側回答群とモデル側回答群との近似度合いの高低を評価（判定）する。さらに、学習モデル評価部５０は、調査対象者Ｐ1～Ｐnの全体又は一部と、学習モデルＬＭ1～ＬＭNとに対して行った複数の質問のうち、対象者側回答群とモデル側回答群との近似度合いが高いと判定した質問の総数の割合（トータルの質問数に対する割合）があらかじめ定められた所定の閾値以上である場合に、対象者側回答群の全体とモデル側回答群の全体との近似度合いが高いと判定する。また、対象者側回答群とモデル側回答群との近似度合いが高いと判定した質問の総数の割合が所定の閾値よりも低い場合には、対象者側回答群の全体とモデル側回答群の全体との近似度合いが低いと判定する。

なお、例えば、質問の種類等に応じて、複数の質問のそれぞれに重み値（1.0、1.5、0.8等）を設定しておき、対象者側回答群とモデル側回答群との近似度合いが高いと判定した各質問の重み値を合算してなる値が所定の閾値以上であるか否かによって、対象者側回答群の全体とモデル側回答群の全体との近似度合いが高いか否かを評価することも可能である。この場合、例えば、調査対象者からの回答の傾向としての特徴が生じやすい種類の質問に対して、重み値を高く設定しておくことを採用し得る。

本実施形態では、学習モデル評価部５０は以上説明した如く構成されている。補足すると、対象者側回答群とモデル側回答群との近似度合いの高低を評価する手法は、上記した手法に限られない。その評価手法として、例えば、ｔ検定等の公知の統計的検定手法を用いてもよい。

また、調査対象者Ｐ1～Ｐnの全体もしくは一部に対して実施した調査の種類毎に、対象者側回答群の全体とモデル側回答群との近似度合いの高低を評価することも可能である。この場合には、任意の1つの特定種類の調査（例えばテレビの視聴率調査）に対応する上記近似度合いの高低を評価する場合には、対象者側回答群とモデル側回答群とを取得するための複数の質問として、調査対象者Ｐ1～Ｐnの全体もしくは一部に対して実施した調査のうち、当該特定種類と同じ種類の調査で使用した複数の質問を用いればよい。これにより、当該特定種類の調査に対応する評価結果（上記近似度合いの評価結果）を得ることができる。

回答集計部２０は、詳細は後述するが、所要の調査を実施する場合に、データベース４０に登録されている調査対象者Ｐ1～Ｐnから、質問に対する回答を取得すべき複数の調査対象者を回答取得対象者として選定し、その複数の回答取得対象者から、複数の質問事項に対する回答を取得して集計し得るように構成されている。

加えて、回答集計部２０は、学習モデル評価部５０で対象者側回答群とモデル側回答群との近似度合いが高いと評価されている場合には、調査対象者Ｐ1～Ｐnから回答取得対象者を選定する代わりに、学習モデルＬＭ1～ＬＭNの全体又は一部を疑似的な回答取得対象者として選定し、その選定した複数の学習モデル（疑似的な回答取得対象者）だけから、複数の質問事項に対する回答を取得して集計することも可能である。

次に、所要の調査を実施する場合の調査集計システム１の作動を具体的に説明する。マーケティング調査、テレビの視聴率調査等の所要の調査を新たに実施する場合、回答集計部２０は、質問に対する回答を取得するための回答取得対象として、学習モデルＬＭ1～ＬＭNを使用するか否かを、学習モデル評価部５０による近似度合いの評価結果に応じて決定する。

すなわち、回答集計部２０は、学習モデル評価部５０で対象者側回答群とモデル側回答群との近似度合いが高いと判定されている場合には、回答取得対象として、学習モデルＬＭ1～ＬＭNを使用することを決定し、該近似度合いが低いと判定されている場合には、回答取得対象として、調査対象者Ｐ1～Ｐnを使用することを決定する。

なお、学習モデル評価部５０が、調査の種類毎に、近似度合いの高低の評価を行っている場合には、回答集計部２０は、新たに実施する調査の種類に対応する近似度合いの高低の評価結果に応じて、回答取得対象を決定する。

また、質問データ生成部３０が、複数の質問項目の内容を示す質問データをオペレータからの指示等に応じて生成する。そして、回答集計部２０は、回答取得対象として、調査対象者Ｐ1～Ｐnを使用する場合には、回答集計部２０は、データベース４０に登録されている調査対象者Ｐ1～Ｐnから複数の回答取得対象者を選定する。該回答取得対象者は、実施する調査の内容等に応じてオペレータ等により設定される選定条件に基づいて選定される。

例えば、調査対象者Ｐ1～Ｐnのうち、居住地や、性別、年齢等に関する所定の選定条件（例えば、居住地が関東である、性別が女性である、年齢が３０～４０歳の範囲に属する等の条件）を満たす調査対象者のそれぞれが回答取得対象者として選定され得る。なお、選定条件が設定されない場合もあり、その場合には、調査対象者Ｐ1～Ｐnの全員が回答取得対象者として選定される。

そして、回答集計部２０は、選定した回答取得対象者のそれぞれの通信端末７０に、質問データ生成部３０で生成された質問データを通信装置６０から外部ネットワークＮＷを介して送信させる。このとき、質問データを受信した各回答取得対象者の通信端末７０は、調査用アプリの起動状態において、該質問データにより示される複数の質問事項を回答取得対象者に報知する。この場合、各質問事項は、例えば文字情報として通信端末７０の表示部７０ａで表示され、あるいは、音声情報として通信端末７０の発音部７０ｂから出力される。

各回答取得対象者は、自身の通信端末７０の操作部（タッチパネル、操作スイッチ、キーボード等）の操作もしくは音声入力操作によって、通信端末７０に各質問事項に対する回答を入力する。そして、全ての質問事項に対する回答の入力が終了すると、通信端末７０は、当該回答の内容を示す回答データを外部ネットワークＮＷを介いて調査集計システム１の通信装置６０に送信する。該回答データは、例えばテキストデータ又は音声信号データとして通信装置６０に送信される。

各回答取得対象者の回答内容を示す回答データを受信した通信装置６０は、該回答データを回答集計部２０に受け渡す。これにより、回答集計部２０は、各回答取得対象者からの回答を取得する。そして、回答集計部２０は、全ての回答取得対象者からの回答を取得すると、その回答を集計する。その集計結果は、図示しない調査分析装置に与えられ、該調査分析装置で所定の調査指標等に関する報告データが作成される。なお、調査分析装置は、回答集計部２０に含まれていてもよい。

一方、回答取得対象として、学習モデルＬＭ1～ＬＭNを使用する場合には、回答集計部２０は、例えば、学習モデルＬＭ1～ＬＭNの全体、あるいは、学習モデルＬＭ1～ＬＭNのうちの一部の複数の学習モデルを、回答取得対象（疑似的な回答取得対象者）として選定する。

なお、回答取得対象の学習モデルを、学習モデルＬＭ1～ＬＭNの全体とするか、一部とするかは、例えばオペレータによりあらかじめ指定され、あるいは、調査の種類等によって決定される。

そして、学習モデルＬＭ1～ＬＭNの一部の学習モデルを回答取得対象として選定する場合は、その選定は、例えばランダムに行い得る。また、例えば、学習モデルＬＭiに居住地、性別、年齢等の属性情報が付与されている場合には、調査対象者Ｐ1～Ｐnから回答取得対象者を選定する場合と同様の選定条件に基づいて、学習モデルＬＭ1～ＬＭNから、回答取得対象の学習モデルを選定してもよい。

また、回答取得対象の選定条件に合致する任意の調査対象者Ｐjの質問に対する回答傾向が、いずれかの学習モデルＬＭiの質問に対する回答傾向に近似する場合には、該学習モデルＬＭiを優先的に回答取得対象として選定してもよい。

次いで、回答集計部２０は、回答取得対象として選定した学習モデルのそれぞれにより質問に対する回答を生成することを機械学習装置１０に指示する。このとき、機械学習装置１０は、質問データ生成部３０で生成された質問データをテキスト形式で取得して、該質問データにより示される複数の質問事項のそれぞれを、回答取得対象の各学習モデルに入力する。

そして、機械学習装置１０は、回答取得対象の各学習モデルが、複数の質問事項のそれぞれの入力に応じて生成した回答を示す回答データを回答集計部２０に出力する。これにより、回答集計部２０は、回答取得対象者のそれぞれの回答を取得する代わりに、疑似的な回答取得対象者としての学習モデルのそれぞれが生成した回答を取得する。

この場合、学習モデル評価部５０での評価結果が近似度合いが高いという評価である場合には、学習モデルＬＭ1～ＬＭNは、質問に対する回答を、調査対象者Ｐ1～Ｐnと同様の傾向で生成し得る。このため、調査対象者Ｐ1～Ｐnから選定した回答取得対象者から回答を得る場合と同様の信頼性や品質を有する回答を、回答取得対象の学習モデルから取得することができる。

以上の如く回答取得対象の学習モデルから回答を取得した回答集計部２０は、その回答を集計する。そして、その集計結果は、調査対象者Ｐ1～Ｐnを回答取得対象として使用する場合と同様に、図示しない調査分析装置に与えられ、該調査分析装置で所定の調査指標等に関する報告データが作成される。

以上説明した実施形態によれば、回答集計部２０は、学習モデル評価部５０で対象者側回答群とモデル側回答群との近似度合いが高いという評価がなされている状況で、所要の調査を実施する場合に、調査対象者Ｐ1～Ｐnから選定した複数の回答取得対象者から質問に対する回答を取得する代わりに、学習モデルＬＭ1～ＬＭＮから選定した複数の学習モデルから質問に対する回答を取得できる。このため、調査対象者Ｐ1～Ｐnの負担を軽減できると共に、調査コストを低減できる。

また、対象者側回答群とモデル側回答群との近似度合いが高い場合、学習モデルＬＭ1～ＬＭNは、調査対象者Ｐ1～Ｐnと同様の傾向で、複数の質問に対する回答を生成できるので、調査対象者Ｐ1～Ｐnを回答取得対象として使用せずとも、信頼性や質の高い回答を、回答取得対象として選定した学習モデルから取得することができる。

なお、本発明は以上説明した実施形態に限定されるものではなく、他の実施形態を採用することもできる。例えば、機械学習装置１０で構築する複数の学習モデルＬＭ1～ＬＭNを複数のグループに分類し、各グループ毎に、学習モデル評価部５０で近似度合いの高低を評価してもよい。そして、新たな調査を実施するとき、複数のグループのうち、近似度合いの評価が高いグループの学習モデルから回答取得対象を選定してもよい。

また、例えば学習モデルＬＭ1～ＬＭNのうち、対象者側回答群の第１順位の度数の回答内容と異なる内容の回答を生成することが多い学習モデルが存在する場合には、該学習ｍモデルを学習モデル記憶部１１から消去するようにしてもよい。

また、調査の種類や内容によっては、調査対象者Ｐ1～Ｐnから選定した回答取得対象者からの回答と、学習モデルＰ1～Ｐnから選定した回答取得対象の学習モデルからの回答との両方を回答集計部２０で取得し、それらの回答の全体を集計してもよい。

１…調査集計システム、１０…機械学習装置、１１…学習モデル記憶部、２０…回答集計部、５０…学習モデル評価部。

Claims

あらかじめ選定された複数の調査対象者から質問に対する回答を取得し、当該取得した回答を集計可能な回答集計部を備える調査集計システムであって、
質問に対する回答を生成し得る複数の学習モデルを機械学習処理により構築して記憶保持する機械学習装置と、
前記複数の学習モデルを評価する学習モデル評価部とを備えており、
前記学習モデル評価部は、前記複数の調査対象者のそれぞれに対して実施した質問に対する該複数の調査対象者のそれぞれの回答の集合である対象者側回答群と、該質問に対して前記複数の学習モデルのそれぞれが生成する回答の集合であるモデル側回答群との近似度合いの高低を、該質問に対する回答傾向の特徴量を該対象者側回答群及び該モデル側回答群のそれぞれ毎に特定し、該対象者側回答群における回答傾向特徴量と該モデル側回答群における回答傾向特徴量とが一致する場合に、該質問に対する該対象者側回答群と該モデル側回答群との近似度合いが高いと判定し、該対象者側回答群における回答傾向特徴量と該モデル側回答群における回答傾向特徴量とが一致しない場合には、該質問に対する該対象者側回答群と該モデル側回答群との近似度合いが低いと判定することにより、評価するように構成されており、
前記回答集計部は、前記学習モデル評価部により、前記近似度合いが高いと評価された場合に、新たに実施する調査における質問に対する回答を、前記複数の調査対象者から取得する代わりに、前記複数の学習モデルから取得し得るように構成されていることを特徴とする調査集計システム。
請求項１記載の調査集計システムにおいて、
前記機械学習装置は、前記複数の学習モデルのうちの少なくとも一部の学習モデルを、不特定の複数の人のライフログを学習データとして用いる機械が学習処理により構築するように構成されていることを特徴とする調査集計システム。
請求項１又は２記載の調査集計システムにおいて、
前記機械学習装置は、前記複数の学習モデルのうちの少なくとも一部の学習モデルを、前記複数の調査対象者のうちの少なくとも一部の調査対象者のそれぞれのライフログを学習データとして用いる機械学習処理により構築するように構成されていることを特徴とする調査集計システム。
請求項１～３のいずれか１項に記載の調査集計システムにおいて、
前記学習モデル評価部は、前記複数の調査対象者に対して実施した調査の種類毎に、前記近似度合いを評価し得るように構成されており、
前記回答集計部は、新たに実施する調査の種類に関して、前記学習モデル評価部により前記近似度合いが高いと評価された場合に、当該新たに実施する調査における質問に対する回答を、前記複数の調査対象者から取得する代わりに、前記複数の学習モデルから取得し得るように構成されていることを特徴とする調査集計システム。