JP7458527B1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】受講者の集中度を高めることが可能な講師とのマッチングを実現すること。【解決手段】講義中における受講者の受講者画像を取得する取得部と、取得された前記受講者画像に基づいて、前記受講者の前記講義に対する集中度を判定する集中度判定部と、判定された前記集中度に基づいて、前記受講者と講師とのマッチングを行うマッチング部と、を備える、情報処理装置。【選択図】図１

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関する。

従来、講義における受講者の理解度の向上を支援することを目的としたシステムについての研究が進められている。例えば、受講者の画像に基づいて、受講者が講義に集中しているか否かを判定し、さらには、講義の内容を理解しているか否かを判定する学習システムが提案されている（例えば、特許文献１参照）。また、受講者に対して、受講者の希望に応じた指導条件に適合する講師を抽出して紹介するマッチングシステムが提案されている（例えば、特許文献２参照）。

特開２０２１－１８４０８号公報 特開２０１９－１７５０１２号公報

受講者の理解度を高めるためには、受講者と講師とを適切にマッチングする必要がある。また、マッチングに際しては、単に、受講者の希望に適しているというだけではなく、受講者が集中できる環境を提供可能な講師を選別して紹介することが重要となる。

本発明は、このような事情を考慮してなされたものであり、受講者の集中度を高めることが可能な講師とのマッチングを実現することができる情報処理装置、情報処理方法、およびプログラムを提供することを目的の一つとする。

本発明の一態様は、講義中における受講者の受講者画像を取得する取得部と、取得された前記受講者画像に基づいて、前記受講者の前記講義に対する集中度を判定する集中度判定部と、判定された前記集中度に基づいて、前記受講者と講師とのマッチングを行うマッチング部とを備える、情報処理装置である。

本発明の一態様によれば、受講者の集中度を高めることが可能な講師とのマッチングを実現することができる。

第１の実施形態に係る情報処理システムＳ１の全体構成の一例を示す図である。 第１の実施形態に係る集中度判定モデルＭ１の入出力データを説明するための図である。 第１の実施形態に係るマッチングモデルＭ２の入出力データを説明するための図である。 第１の実施形態に係る受講者情報Ｒ１の一例を示す図である。 第１の実施形態に係る講師情報Ｒ２の一例を示す図である。 第１の実施形態に係る情報処理装置１００の集中度判定処理の一例を示すフローチャートである。 第１の実施形態に係る情報処理装置１００のマッチング処理の一例を示すフローチャートである。 第２の実施形態に係る受講者情報Ｒ１０の一例を示す図である。 第２の実施形態に係る講師情報Ｒ２０の一例を示す図である。 第２の実施形態に係るマッチングモデルＭ２０の入出力データを説明するための図である。 第２の実施形態に係る情報処理装置１００のマッチング処理の一例を示すフローチャートである。 第２の実施形態に係るマッチング結果の一例を示す図である。 第２の実施形態に係るマッチング結果の一例を示す図である。 第３の実施形態に係る情報処理システムＳ１の全体構成の一例を示す図である。 第３の実施形態に係る受講者情報Ｒ１５の一例を示す図である。 第３の実施形態に係る講師情報Ｒ２５の一例を示す図である。 第３の実施形態に係る情報処理装置１００の質問処理の一例を示すフローチャートである。

以下、図面を参照して、本発明の情報処理装置、情報処理方法、およびプログラムの実施形態について説明する。

＜第１の実施形態＞
［概要］
第１の実施形態の情報処理装置は、講義における受講者の集中度をリアルタイムで判定し、講師へのフィードバックやマッチングに活用する。講義には、例えば、各種学校（英会話学校、大学、各種専門学校、高等学校等）においてオンラインで行われるオンライン講義、または各種学校の現場において対面で行われる対面型講義が含まれる。

［機能構成］
図１は、第１の実施形態に係る情報処理システムＳ１の全体構成の一例を示す図である。情報処理システムＳ１は、例えば、１以上の講師端末装置１０と、１以上の受講者端末装置２０と、情報処理装置１００とを備える。講師端末装置１０と、受講者端末装置２０と、情報処理装置１００とは、ネットワークＮＷを介して接続されている。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、プロバイダ装置、無線基地局、専用回線等のうち一部または全部を含む。

［講師端末装置］
講師端末装置１０は、講義において受講者を指導する講師により操作される。講師端末装置１０は、例えば、パーソナルコンピュータ、スマートフォン等の携帯電話、タブレット端末、ＰＤＡ（Personal Digital Assistant）等のコンピュータ装置である。

［受講者端末装置］
受講者端末装置２０は、講義において講師による指導を受ける受講者により操作される。受講者端末装置２０は、例えば、パーソナルコンピュータ、スマートフォン等の携帯電話、タブレット端末、ＰＤＡ等のコンピュータ装置である。

［情報処理装置］
情報処理装置１００は、ネットワークＮＷを介して、講師端末装置１０および受講者端末装置２０と各種情報の受け渡しを行うアプリケーションサーバ装置である。情報処理装置１００は、例えば、通信部１１０と、制御部１２０と、記憶部１３０とを備える。通信部１１０は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部１１０は、ネットワークＮＷを介して、講師端末装置１０および受講者端末装置２０と通信する。

制御部１２０は、情報処理装置１００の動作を制御する。制御部１２０は、例えば、取得部１２１と、集中度判定部１２２と、マッチング部１２３と、提供部１２４と、学習部１２５とを備える。

取得部１２１は、通信部１１０を介して、受講者端末装置２０から、講義中における受講者を撮像することにより得られた受講者画像（音声付き動画を含む）を取得する。受講者画像は、例えば、受講者端末装置２０に備えられたカメラにより撮像された画像である。或いは、対面型講義において、受講者画像は、講義が行われる空間（教室等）に備えられたカメラにより撮像された画像であってもよい。また、取得部１２１は、通信部１１０を介して、講師端末装置１０および受講者端末装置２０から各種情報のリクエストを取得する。取得部１２１は、「取得部」の一例である。

集中度判定部１２２は、取得された受講者画像に基づいて、各受講者の講義に対する集中度を判定する。集中度判定部１２２は、統計的学的に得られている人が集中するときの動作パターンと、画像から得られる情報とを比較することで、集中度を判定する。例えば、集中度判定部１２２は、後述する集中度判定モデルＭ１を用いて、集中度を判定する。集中度は、例えば、数値によって表されるものであってもよいし、高、中、低等のレベルによって表されるものであってもよい。集中度判定部１２２は、例えば、受講者画像から得られる受講者の視線、表情、声の大きさ、および姿勢の少なくとも１つに基づいて、各受講者の集中度を判定する。集中度判定部１２２は、「集中度判定部」の一例である。

受講者の視線の情報が用いられる場合、例えば、前方を向いている（受講者端末装置２０の画面の方向に向いている）、前方と手元のノートの方向と交互に向いていることは、集中度が上がっている事象と判定され、一方、下方等の無関係な方向を向いている（スマートフォンの方向を向いている）ことは、集中度が下がっている事象と判定される。また、受講者の表情の情報が用いられる場合、例えば、満足している表情、他の受講者が笑っているときに笑顔である、表情筋（口角）が上がっている等は、集中度が上がっている事象と判定され、一方、困っている表情、目を閉じている等は、集中度が下がっている事象と判定される。また、受講者の声の大きさ情報が用いられる場合、例えば、質問に対する回答がハキハキしている、声が大きい等は、集中度が上がっている事象と判定され、一方、回答がはっきりしない、声が小さい等は、集中度が下がっている事象と判定される。また、姿勢の情報が用いられる場合、例えば、前のめりの姿勢をとっている等は、集中度が上がっている事象と判定され、一方、ふんぞり返っている等は、集中度が下がっている事象と判定される。また、受講者の目（白目、黒目の割合等）の情報に基づいて、集中度が判定されてもよい。

その他、集中度判定部１２２は、受講者に取り付けられた各種ＩＯＴデバイスから得られる体温、発汗等の身体情報に基づいて、集中度を判定してもよい。また、集中度判定部１２２は、講義の内容（科目）に応じて、集中度の判定方法を変えてもよい。

マッチング部１２３は、判定された集中度に基づいて、講義の受講を希望する受講者と、講義を担当する講師とのマッチングを行う。マッチング部１２３は、後述するマッチングモデルＭ２を用いて、受講者の集中度を向上させるように講師とのマッチングを行う。マッチング部１２３は、受講者が過去に受講した講師の属性情報と紐付けて記録された集中度に基づいて、マッチングを行う。マッチング部１２３の処理の詳細については、後述する。マッチング部１２３は、「マッチング部」の一例である。

提供部１２４は、講師端末装置１０および受講者端末装置２０の少なくとも一方からのリクエストに応じて、対応する情報をリクエスト元に提供する。例えば、提供部１２４は、受講者端末装置２０に対して、マッチング結果を提供する。また、例えば、提供部１２４は、講師端末装置１０に対して、講義中における受講者の集中度をリアルタイムで提供する。提供部１２４は、「提供部１２４」の一例である。

学習部１２５は、教師データに基づいて、集中度判定モデルＭ１およびマッチングモデルＭ２の学習処理を行う。図２は、第１の実施形態に係る集中度判定モデルＭ１の入出力データを説明するための図である。図２に示すように、集中度判定モデルＭ１は、受講者画像Ｄ１が入力されたときに、受講者画像Ｄ１に含まれる受講者の集中度ＣＤを示す情報を出力するように学習されたモデルである。集中度判定モデルＭ１は、過去に取得された受講者画像と、この受講者画像に対して正解データとしてラベル付けられた集中度との組を教師データとして学習することで、集中度判定モデルＭ１を生成する。尚、教師データは、汎用的な人物の画像に対して、集中度がラベル付けられたデータであってもよい。

図３は、第１の実施形態に係るマッチングモデルＭ２の入出力データを説明するための図である。図３に示すように、マッチングモデルＭ２は、受講を希望する特定の受講者の受講者情報Ｒ１（集中度）と、候補となる複数の講師の講師情報Ｒ２（講師群情報）が入力されたときに、マッチング結果ＭＲを出力するように学習されたモデルである。マッチング結果ＭＲは、特定の受講者の集中度が上がるのに適した講師を特定する情報を含む。マッチングモデルＭ２は、過去に取得された受講者情報Ｒ１および講師情報Ｒ２と、これらの情報に対して正解データとしてラベル付けられたマッチング結果との組を教師データとして学習することで、マッチングモデルＭ２を生成する。

集中度判定モデルＭ１およびマッチングモデルＭ２は、ロジスティック回帰分析、決定木分析、サポートベクターマシン、再帰型ニューラルネットワーク（ＲＮＮ）、多層構造のニューラルネットワーク（ＤＮＮ）、または畳み込みニューラルネットワーク（ＣＮＮ）を用いたディープラーニングに基づく技術等の任意の機械学習により生成されたモデルであってよい。

制御部１２０の各構成要素は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサ（あるいはプロセッサ回路）が、記憶部１３０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、制御部１２０の構成要素のうち一部または全部は、例えば、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部：circuitry）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。また、プロセッサにより参照されるプログラムは、予め記憶部１３０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体が情報処理装置１００のドライブ装置に装着されることで記憶媒体から記憶部１３０にインストールされてもよい。

記憶部１３０は、例えば、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＳＤカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disc Drive）、レジスタ等によって実現される。また、記憶部１３０は、部分的に、或いは全部がＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置等であってもよい。記憶部１３０は、例えば、受講者情報Ｒ１、講師情報Ｒ２、集中度判定モデルＭ１、マッチングモデルＭ２等を記憶する。

図４は、第１の実施形態に係る受講者情報Ｒ１の一例を示す。受講者情報Ｒ１では、受講者を識別する受講者ＩＤに対して、受講者の属性および集中度が紐付けられている。属性には、例えば、性別、年代、国籍、学習レベル、最終学歴、性格等が含まれる。属性は、例えば、受講申し込み時に受講者により提供された基本情報に基づいて設定される。集中度は、集中度判定部１２２により判定された結果に基づいて設定される。集中度は、講義を担当した講師の属性に紐づけられて、受講者情報Ｒ１に登録される。例えば、講師が「日本人」の講義において判定された集中度、講師が「ネイティブ」の講義において判定された集中度、「説明速度（速い）」講師の講義において判定された集中度、「質疑中心」の講師の講義において判定された集中度等が、受講者情報Ｒ１に登録される。尚、集中度判定部１２２により判定される集中度のデータが存在しない場合、集中度は、受講者により回答された講師の好みに関するアンケートの結果に基づいて設定されてもよい。

図５は、第１の実施形態に係る講師情報Ｒ２の一例を示す。講師情報Ｒ２では、講師を識別する講師ＩＤに対して、講師の属性が紐付けられている。属性には、例えば、性別、年代、国籍、習得方法、留学経験、講師歴、講義タイプ等が含まれる。属性は、例えば、講師により提供された基本情報に基づいて設定される。講義タイプは、講師が行う講義の特徴を示す情報である。講義タイプには、例えば、説明速度（速い、遅い）、教え方（説明中心、質疑中心）、厳しさ（厳しい、優しい）、雑談（多い、少ない）等の情報が含まれる。尚、講義タイプは、講師の講義中の動画像を解析することにより設定されるものであってもよい。

［処理フロー］
（集中度判定処理）
以下、情報処理装置１００の処理について説明する。まず、集中度判定処理について説明する。図６は、第１の実施形態に係る情報処理装置１００の集中度判定処理の一例を示すフローチャートである。図６に示す処理は、例えば、講義中において継続的に繰り返し実行されるか、或いは、講師端末装置１０からの集中度に関する情報のリクエストに応じて開始される。以下においては、オンライン授業において、複数の受講者が講義に参加している場合を例に挙げて説明する。

まず、取得部１２１は、講義に参加している受講者の各々の受講者端末装置２０から、カメラにより撮像された受講者画像（音声付き動画を含む）を取得する（ステップＳ１０１）。

次に、集中度判定部１２２は、取得された受講者画像の各々を集中度判定モデルＭ１に入力することで、受講者画像に写り込んだ受講者の各々の集中度を判定する（ステップＳ１０３）。

次に、集中度判定部１２２は、判定した受講者の集中度を用いて、受講者情報Ｒ１を更新する（ステップＳ１０５）。例えば、講師が「ネイティブ」である場合、その講義において取得された受講者画像に基づいて判定された集中度は、「ネイティブ」と紐付けられて受講者情報Ｒ１に登録される。また、例えば、講師が「説明速度（速い）」である場合、その講義において取得された受講者画像に基づいて判定された集中度は、「説明速度（速い）」と紐付けられて受講者情報Ｒ１に登録される。

次に、提供部１２４は、例えば、講師端末装置１０に対して、受講者ごとに判定された集中度をリアルタイムで提供する（ステップＳ１０７）。これにより、講師は、講義中において、各受講者の集中度の変化をリアルタイムで確認することが可能となる。

（マッチング処理）
次に、マッチング処理について説明する。図７は、第１の実施形態に係る情報処理装置１００のマッチング処理の一例を示すフローチャートである。図７に示す処理は、例えば、マッチングを希望する受講者の受講者端末装置２０からのマッチングに関するリクエストに応じて開始される。

まず、取得部１２１は、記憶部１３０から、マッチングを希望する受講者の受講者情報Ｒ１および候補となる複数の講師の講師情報Ｒ２を取得する（ステップＳ２０１）。

次に、マッチング部１２３は、取得された受講者情報Ｒ１および講師情報Ｒ２を、マッチングモデルＭ２に入力することで、受講者と講師とのマッチングを行う（ステップＳ２０３）。マッチング部１２３は、マッチング結果として、受講者の集中度が上がるのに適した講師を特定する情報を生成する。マッチング結果は、最も適した一人の講師を特定するものであってもよいし、複数の講師を順位付けしたものであってもよい。

次に、提供部１２４は、マッチング結果を、例えば、リクエスト元の受講者端末装置２０に提供する（ステップＳ２０５）。これにより、受講者は、マッチング結果（受講者自身の集中度が上がるのに適した講師）を把握することが可能となる。以上により、本フローチャートの処理が終了する。

以上において説明した第１の実施形態によれば、受講者の集中度を高めることが可能な講師とのマッチングを実現することができる。これにより、受講者は、マッチング結果（受講者自身の集中度が上がるのに適した講師）を把握し、受講した際に成果を高めることが期待される講師の講義を受けることが可能となる。また、講師は、自身の講義を集中して受けることが期待される生徒に対して講義を行うことができるため、一体感のある良好な学習環境を創出できるとともに、自身の講義に対するモチベーションを高めることができる。

＜第２の実施形態＞
［概要］
以下、第２の実施形態について説明する。第１の実施形態では、講師と受講者とのマッチングに着目した構成を説明した。一方、第２の実施形態では、受講者同士のマッチング、さらには、マッチングされた受講者グループと講師とのマッチングに着目する。以下、第１の実施形態との相違点を中心として、第２の実施形態の情報処理装置について説明する。

図８は、第２の実施形態に係る受講者情報Ｒ１０の一例を示す図である。受講者情報Ｒ１０では、受講者ＩＤに対して、受講者の属性および他受講者相性が紐付けられている。他受講者相性は、その受講者にとって、成果（成績、集中度等）を高めるのに適した他受講者の属性を示すものである。他受講者相性には、例えば、学習レベル、性別、年代等が含まれる。

例えば、他受講者相性１（学習レベル）が「同レベル」とは、同じ講義を受ける（グループ化される）他の受講者の学習レベルが「同レベル」である場合に、その受講者の成果が高まることを示す。すなわち、この受講者は、自身と同じ学習レベルの他の受講者の中で受講した方が、成果が伸びるタイプであるといえる。一方、他受講者相性１（学習レベル）が「上位レベル」とは、同じ講義を受ける（グループ化される）他の受講者の学習レベルが「上位レベル」である場合に、その受講者の成果が高まることを示す。すなわち、この受講者は、自身よりも学習レベルが高い他の受講者の中に混じって受講した方が、成果が伸びるタイプであるといえる。一方、他受講者相性１（学習レベル）が「下位レベル」とは、同じ講義を受ける（グループ化される）他の受講者の学習レベルが「下位レベル」である場合に、その受講者の成果が高まることを示す。すなわち、この受講者は、自身よりも学習レベルが低い他の受講者の中に混じって受講した方が、成果が伸びるタイプであるといえる。

また、例えば、他受講者相性２（性別）が「同姓」とは、同じ講義を受ける（グループ化される）他の受講者の性別が「同姓」である場合に、その受講者の成果が高まることを示す。一方、他受講者相性２（性別）が「混合」とは、同じ講義を受ける（グループ化される）他の受講者の性別が男女入り混じった「混合」である場合に、その受講者の成果が高まることを示す。

図９は、第２の実施形態に係る講師情報Ｒ２０の一例を示す図である。講師情報Ｒ２０では、講師ＩＤに対して、講師の属性および受講者グループ相性が紐付けられている。受講者グループ相性は、その講師にとって、受講者の成果（成績、集中度等）を高めるのに適した受講者グループの特性を示すものである。受講者グループ相性には、例えば、学習レベル、性別、年代等が含まれる。例えば、受講者グループ相性１（学習レベル）が「同レベル」とは、受講者グループが同レベルの学力の受講者により構成される場合に、その受講者グループの成果が高まることを示す。また、例えば、受講者グループ相性２（性別）が「同姓」とは、受講者グループが同姓により構成される場合に、その受講者グループの成果が高まることを示す。

図１０は、第２の実施形態に係るマッチングモデルＭ２０の入出力データを説明するための図である。図１０に示すように、マッチングモデルＭ２０は、複数の受講者（受講者群）の受講者情報Ｒ１０と、複数の講師（講師群）の講師情報Ｒ２０とが入力されたときに、マッチング結果ＭＲを出力するように学習されたモデルである。マッチング結果ＭＲは、グループ化される受講者の各々の成果または全体の成果（例えば、成果の全体平均等）を向上させるのに適した受講者グループと講師との組を特定する情報を含む。マッチングモデルＭ２０は、過去に取得された受講者情報Ｒ１０および講師情報Ｒ２０と、これらの情報に対して正解データとしてラベル付けられたマッチング結果との組を教師データとして学習することで、マッチングモデルＭ２０を生成する。マッチング結果ＭＲは、例えば、グループを構成する受講者の各々について、受講者自身の基準となる成果に対して、成果が上がるか下がるかといった情報を示すものであってよい。マッチングモデルＭ２０には、講義の科目の情報がさらに入力されるようにしてもよい。

［処理フロー］
（マッチング処理）
次に、マッチング処理について説明する。図１１は、第２の実施形態に係る情報処理装置１００のマッチング処理の一例を示すフローチャートである。図１１に示す処理は、例えば、グループ分けを担当する講師の講師端末装置１０からのマッチングに関するリクエストに応じて開始される。

まず、取得部１２１は、記憶部１３０から、グループ分けの対象となる複数の受講者の各々の受講者情報Ｒ１０および候補となる複数の講師の各々の講師情報Ｒ２０を取得する（ステップＳ３０１）。受講者情報Ｒ１０は、他の受講者との相性情報を含む。講師情報Ｒ２０は、グループ化された受講者群との相性情報を含む。

次に、マッチング部１２３は、取得された受講者情報Ｒ１０および講師情報Ｒ２０を、マッチングモデルＭ２０に入力することで、複数の受講者のマッチングおよびグループ化された受講者群と講師とのマッチングを行う（ステップＳ３０３）。

図１２Ａおよび１２Ｂは、第２の実施形態に係るマッチング結果ＭＲの一例を示す図である。図１２Ａに示すマッチング結果ＭＲ１では、１人の講師（講師ＩＤ；Ｋ０００１）と、３人の受講者（受講者ＩＤ；Ｊ０００１，Ｊ０００５，Ｊ００１１）とがマッチングされており、２人の受講者（受講者ＩＤ；Ｊ０００１，Ｊ００１１）については成果が下がるが、１人の受講者（受講者ＩＤ；Ｊ０００５）については成果が上がることが示されている。一方、図１２Ｂに示すマッチング結果ＭＲ２では、１人の講師（講師ＩＤ；Ｋ０００１）と、３人の受講者（受講者ＩＤ；Ｊ０００１，Ｊ０００２，Ｊ０００４）とがマッチングされており、２人の受講者（受講者ＩＤ；Ｊ０００１，Ｊ０００２）については成果が上がるが、１人の受講者（受講者ＩＤ；Ｊ０００４）については成果が下がることが示されている。

次に、提供部１２４は、マッチング結果ＭＲを、例えば、リクエスト元の講師端末装置１０に提供する（ステップＳ３０５）。これにより、グループ分けを担当する講師は、マッチング結果を把握することが可能となる。また、提供部１２４は、マッチング結果ＭＲを、受講者端末装置２０に提供してもよい。以上により、本フローチャートの処理が終了する。

尚、受講者情報Ｒ１０には、受講者ＩＤに対して、受講者グループの規模が紐付けられて登録されていてもよい。受講者グループの規模は、例えば、その受講者にとって、成果（成績、集中度等）を高めるのに適した受講者グループを構成する受講者数の程度（大、中、小）や、受講者数（３人以上、５人以下等）を示す。例えば、オンライン授業の場合、グループ規模は統一されている必要なく、大小様々なグループが混在した状態で講義を行い、合間にその受講者が心地よいと感じる規模のグループで講義内容に関するディスカッションが可能になる。マッチング部１２３は、このような受講者グループの規模を含む受講者情報Ｒ１０をマッチングモデルＭ２０に入力することで、各受講者の受講者グループの規模に対する相性を考慮したマッチングおよびグループ化が可能となる。

以上において説明した第２の実施形態によれば、受講者が十分な成果を達成するための受講者間のマッチングを実現することができる。さらには、受講者が十分な成果を達成するための受講者グループと講師とのマッチングも実現することができる。

＜第３の実施形態＞
［概要］
以下、第３の実施形態について説明する。第３の実施形態では、講義内容についてある受講者が質問を行った際に、講師または他の受講者が回答を行うための仕組みおよび回答を行った者へのインセンティブ（報酬）の付与の仕組みをさらに提供する。以下、第１の実施形態との相違点を中心として、第３の実施形態の情報処理装置について説明する。

［情報処理装置］
図１３は、第３の実施形態に係る情報処理システムＳ１の全体構成の一例を示す図である。情報処理システムＳ１に含まれる情報処理装置１００の制御部１２０Ａは、取得部１２１、集中度判定部１２２、マッチング部１２３、提供部１２４、および学習部１２５に加えて、質問処理部１２６と、報酬付与部１２７とをさらに備える。

質問処理部１２６は、ある受講者（受講者端末装置２０のいずれか１つ）から取得された質問を、講師（講師端末装置１０）および他の受講者（他の受講者端末装置２０）に共有し、講師端末装置１０および他の受講者端末装置２０から取得された回答を、質問元の受講者端末装置２０に出力する。これとともに、質問処理部１２６は、回答者の特定を行う。質問処理部１２６は、例えば、講師端末装置１０および受講者端末装置２０から閲覧可能な講義内容を示すファイル（レジュメ）に対して、受講者端末装置２０のいずれか１つから質問が書き込まれる（追加される）ことで質問が共有され、同ファイルに対して、回答が書き込まれる（追加される）ことで質問に対する回答が行われる。或いは、講義に参加する受講者および講師により構成されるグループがメッセージをやり取りすることが可能なツールにおいて質問および回答が行われるようにしてもよい。対面型の講義の場においては、質問処理部１２６は、教室に設置されたカメラおよびマイクから得られる情報に基づいて、質問および回答を取得し、質問者および回答者を特定してよい。すなわち、質問処理部１２６は、受講者からの質問を講師および他の受講者に公開し、講師および他の受講者からの質問に対する回答を受け付け、受け付けた回答を受講者に提供する。質問処理部１２６は、「質問処理部」の一例である。

報酬付与部１２７は、質問処理部１２６により特定された回答者（講師および他の受講者）に対して、報酬の付与を行う。報酬は、回答の回数が多くなるほど、回答が速いほど、解決率が高いほど、質問した受講者の満足度が高いほど、増大するように設定される。報酬付与部１２７は、回答の速さ、解決率に応じて、報酬の度合いを変更する。回答者としての受講者が報酬を得た場合、講義料等のキャッシュバックや講義の申込時等に使用できるクーポン等の金銭的な優遇や、講師への質問を優先的に行うことができる権利等のメリットを享受することができる。回答者としての講師が報酬を得た場合、報酬に応じて、キャッシュを獲得することができる。報酬付与部１２７は、「報酬付与部」の一例である。

図１４は、第３の実施形態に係る受講者情報Ｒ１５の一例を示す図である。受講者情報Ｒ１５では、受講者ＩＤに対して、受講者の属性および報酬が紐付けられている。図１５は、第３の実施形態に係る講師情報Ｒ２５の一例を示す図である。講師情報Ｒ２５では、講師ＩＤに対して、受講者の属性および報酬が紐付けられている。報酬の数値は、報酬付与部１２７により更新される。

［処理フロー］
（質問処理）
次に、質問処理について説明する。図１６は、第３の実施形態に係る情報処理装置１００の質問処理の一例を示すフローチャートである。図１６に示す処理は、例えば、受講者端末装置２０のいずれか１つから質問が出力された場合に開始される。

まず、質問処理部１２６は、受講者端末装置２０のいずれか１つから出力された質問を取得する（ステップＳ４０１）。例えば、質問処理部１２６は、講師端末装置１０および受講者端末装置２０から閲覧可能な講義内容を表示するファイル（レジュメ）に対して、受講者端末装置２０のいずれか１つにより書き込まれた質問を取得する。

次に、質問処理部１２６は、取得された質問を講師端末装置１０および他の受講者端末装置２０に共有する（ステップＳ４０３）。例えば、質問処理部１２６は、ファイル（レジュメ）上に質問を表示することで、質問を共有する。

次に、質問処理部１２６は、講師端末装置１０および他の受講者端末装置２０により入力された回答を、質問元の受講者端末装置２０に出力する（ステップＳ４０５）。例えば、質問処理部１２６は、ファイル（レジュメ）上に回答を表示することで、回答を出力する。これとともに、質問処理部１２６は、回答者の特定を行う。

次に、報酬付与部１２７は、質問処理部１２６により特定された回答者に対して、報酬の付与を行う（ステップＳ４０７）。報酬は、回答の回数に加えて、回答の速さ、解決率、質問した受講者の満足度等に応じて大きくなるように設定される。以上により、本フローチャートの処理が終了する。

尚、講義の中でグループに分かれて行われるディスカッション等においては、ある受講者の主張が、他の受講者が漠然と感じている疑問に対する答えとなる場合もある。このような場合、質問者および回答者を明確に特定することができないため、受講者同士の投票・選択形式で、回答者が特定されるようにしてもよい。例えば、質問処理部１２６は、受講者（受講者端末装置２０）からの入力に応じて、回答者の特定を行い、報酬付与部１２７は、特定された回答者に対して報酬の付与を行うようにしてもよい。報酬付与部１２７は、受講者（受講者端末装置２０）からの入力（評価点）に応じて、報酬を決定するようにしてもよい。

以上において説明した第３の実施形態によれば、受講者からの質問に対する回答を活発化させることができる。質問への回答が迅速的確な講師や指導力のある受講者を条件で優遇することで、講義に参加した受講者の理解度を高めることができる。質問に対する回答のモチベーションを与えることで、先を争って回答するという好循環を生むことができる。また、受講者は、他の受講者の質問に回答することで、自身の理解度を高めることができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

上記においては、情報処理システムＳ１が、講師端末装置１０、受講者端末装置２０、および情報処理装置１００により構成される例を挙げて説明したが、これに限られない。講師端末装置１０および受講者端末装置２０の各々にアプリケーションプログラムをインストールすることで、情報処理システムＳ１が実現されてもよい。この場合、講師端末装置１０および受講者端末装置２０の一方またはその組み合わせが、情報処理装置の一例となる。

１０…講師端末装置
２０…受講者端末装置
１００…情報処理装置
１１０…通信部
１２０，１２０Ａ…制御部
１２１…取得部
１２２…集中度判定部
１２３…マッチング部
１２４…提供部
１２５…学習部
１２６…質問処理部
１２７…報酬付与部
１３０…記憶部
ＮＷ…ネットワーク

Claims (8)

1. 講義中における受講者の受講者画像を取得する取得部と、
   取得された前記受講者画像に基づいて、前記受講者の前記講義に対する集中度を判定する集中度判定部と、
   判定された前記集中度に基づいて、前記受講者と講師とのマッチングを行うマッチング部と、
   を備え、
   前記マッチング部は、前記受講者が過去に受講した講師の属性情報と紐付けられて記録された前記集中度と、前記講師の属性情報とが入力されたときにマッチング結果を出力するように学習されたマッチングモデルを用いて、前記マッチングを行う、
   情報処理装置。
2. 前記マッチング部は、前記受講者の集中度を向上させるように講師とのマッチングを行う、
   請求項１に記載の情報処理装置。
3. 前記集中度判定部は、前記受講者画像から取得される前記受講者の視線、表情、声の大きさ、および姿勢の少なくとも１つに基づいて、前記集中度を判定する、
   請求項１または２に記載の情報処理装置。
4. 前記集中度判定部は、前記受講者画像が入力されたときに前記受講者の集中度を出力するように学習された集中度判定モデルを用いて、前記集中度を判定する、
   請求項１または２に記載の情報処理装置。
5. 前記マッチングの結果を、前記受講者の受講者端末装置および前記講師の講師端末装置の少なくとも一方に提供する提供部をさらに備える、
   請求項１または２に記載の情報処理装置。
6. 前記提供部は、判定された前記集中度を、前記講師端末装置に提供する、
   請求項５に記載の情報処理装置。
7. コンピュータが、
   講義中における受講者の受講者画像を取得し、
   取得された前記受講者画像に基づいて、前記受講者の前記講義に対する集中度を判定し、
   判定された前記集中度に基づいて、前記受講者と講師とのマッチングを行う、
   情報処理方法であって、
   前記受講者が過去に受講した講師の属性情報と紐付けられて記録された前記集中度と、前記講師の属性情報とが入力されたときにマッチング結果を出力するように学習されたマッチングモデルを用いて、前記マッチングを行う、
   情報処理方法。
8. コンピュータに、
   講義中における受講者の受講者画像を取得させ、
   取得された前記受講者画像に基づいて、前記受講者の前記講義に対する集中度を判定させ、
   判定された前記集中度に基づいて、前記受講者と講師とのマッチングを行わせる、
   プログラムであって、
   前記受講者が過去に受講した講師の属性情報と紐付けられて記録された前記集中度と、前記講師の属性情報とが入力されたときにマッチング結果を出力するように学習されたマッチングモデルを用いて、前記マッチングを行わせる、
   プログラム。

Images