JPWO2020032125A1 - 議論支援装置および議論支援装置用のプログラム - Google Patents

議論支援装置および議論支援装置用のプログラム Download PDF

Info

Publication number
JPWO2020032125A1
JPWO2020032125A1 JP2020535844A JP2020535844A JPWO2020032125A1 JP WO2020032125 A1 JPWO2020032125 A1 JP WO2020032125A1 JP 2020535844 A JP2020535844 A JP 2020535844A JP 2020535844 A JP2020535844 A JP 2020535844A JP WO2020032125 A1 JPWO2020032125 A1 JP WO2020032125A1
Authority
JP
Japan
Prior art keywords
node
discussion
ideas
parent node
idea
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.)
Granted
Application number
JP2020535844A
Other languages
English (en)
Other versions
JP7360655B2 (ja
Inventor
孝行 伊藤
孝行 伊藤
俊 白松
俊 白松
鈴木　祥太
祥太 鈴木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nagoya Institute of Technology NUC
Original Assignee
Nagoya Institute of Technology NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nagoya Institute of Technology NUC filed Critical Nagoya Institute of Technology NUC
Publication of JPWO2020032125A1 publication Critical patent/JPWO2020032125A1/ja
Application granted granted Critical
Publication of JP7360655B2 publication Critical patent/JP7360655B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/226—Validation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】通信ネットワークを介して発言を取得するシステムにおいて、議論の整理または進行を支援する技術を提供する。【解決手段】議論支援装置は、議論の主題に対する複数の発言を通信ネットワークを介して取得し、取得した複数の発言から、複数のアイデア、複数の長所、複数の短所、および複数の課題を抽出し（Ｓ２０５）、抽出された複数のアイデア、複数の長所、複数の短所、および複数の課題の間の接続形態を特定し（Ｓ２１０、Ｓ２１５）、特定された接続形態を実現するよう、ファシリテーション構造を作成する。

Description

本発明は、議論支援装置および議論支援装置用のプログラムに関するものである。
近年、ソーシャルネットワーキングシステムの発達によって、インターネットを介して数万人、数百万人等の人の発言を収集することが可能になっている。従来、群衆のアイデアの集約や質問応答を支援するシステムとして、Ｉｎｎｏｃｅｎｔｉｖｅ、Ｑｕｏｌａが知られている（非特許文献１、２参照）。
特開２０１２−１４２３４号公報 特開２０１３−３８８０号公報
Ｉｎｎｏｃｅｎｔｉｖｅ、［online］、［平成３０年７月２７日検索］、インターネット<URL:http://Innocentive.com> Ｑｕｏｒａ、［online］、［平成３０年７月２７日検索］、インターネット<URL: http://Quora.com> Thomas W. Malone; Mark Klein (Summer 2007), "Harnessing Collective Intelligence to Address Global Climate Change", Innovations: Technology, Governance, Globalization. MIT Press. 2 (3): 15-26, doi:10.1162/itgg.2007.2.3.15, ISSN 1558-2477, Retrieved 2013-09-25 Mark Klein (2012), "Enabling Large-Scale Deliberation Using Attention-Mediation Metrics" (PDF), Computer Supported Cooperative Work. 21: 449-473, doi:10.1007/s10606-012-9156-4 Mark Klein; Ali Gurkan; Luca Iandoli, "Deliberatorium: Supporting Large-Scale Online Deliberation", MIT Center for Collective Intelligence, Retrieved 2013-09-25 Sycara, K. "The PERSUADER", In The Encyclopedia of Artificial Intelligence, D. Shapiro (Ed.), John Wiley and Sons Inc., New York, N.Y., January, 1992 Sycara, K. "Arguments of Persuasion in Labour Mediation", In Proceedings of the Ninth International Joint Conference on Artificial Intelligence (IJCAI-85), vol 1, pp. 294-296, Los Angeles, Ca., August 1985. Bain W.M. (1986) Judge: A Case-based Reasoning System, In: Machine Learning, The Kluwer International Series in Engineering and Computer Science (Knowledge Representation, Learning and Expert Systems), vol 12. Springer, Boston, MA KUNZ, W., AND RITTEL, H. Issues as elements of information systems. Working Paper No. 131, Institute of Urban and Regional Development, Univ. of California, Berkeley, Calif., 1970. Conklin, E. Jeffrey; Begeman, Michael L. (October 1988). "gIBIS: a hypertext tool for exploratory policy discussion" (PDF). ACM Transactions on Information Systems. 6 (4): 303-331. doi:10.1145/58566.59297. Retrieved 2017-05-26. Marie-Francine Moens, Argumentation mining: How can a machine acquire common sense and world knowledge? DOI: 10.3233/AAC-170025, Argument & Computation, vol. 9, no. 1, pp. 1-14, 2018
発明者の検討によれば、通信ネットワークを介して取得した発言をうまくまとめて、多人数による大規模な議論の整理または進行を支援すれば、これまでには不可能だった、大規模な人数による意思決定が可能になる。しかし、上述のＩｎｎｏｃｅｎｔｉｖｅ、Ｑｕｏｌａは、主にアイデアを生成する事に主眼が置かれたシステムであり、意見や好みに基づく議論を支援することまでは対象としていない。例えば、旅行先を決めているときに、行きたい場所の候補だけたくさん挙げても、議論の整理や進行は捗らない。
本発明は上記点に鑑み、通信ネットワークを介して発言を取得するシステムにおいて、議論の整理または進行を支援する技術を提供することを目的とする。
上記目的を達成するための第１の観点によれば、議論支援装置は、議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）と、前記取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいてファシリテーション構造を作成する構造作成部（Ｓ２００）と、を備え、前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含み、前記構造作成部は、前記発言取得部（Ｓ１００）によって前記記憶媒体（１３）に記録された前記複数の発言（Ｘｍ）から、前記複数のアイデア、前記複数の評価、および前記複数の課題を抽出する抽出部（Ｓ２０５）と、前記抽出部（Ｓ２０５）によって抽出された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を特定する特定部（Ｓ２１０、Ｓ２１５）と、前記リンク部（Ｓ２１０、Ｓ２１５）によって特定された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を実現するよう、前記ファシリテーション構造を作成して記憶媒体（１３）に記録する記録部（Ｓ２２０）と、を有する。
このように、議論支援装置は、複数の発言から複数のアイデア、複数の評価、および複数の課題を抽出し、それらをノードとして含むと共に議論の主題をルートノードとする木構造、すなわち、ファシリテーション構造を生成する。このように作成されたファシリテーション構造は、複数のアイデア、複数の評価、および複数の課題が相互に関連した問題解決のための構造である。したがって、議論支援装置は、ファシリテーション構造を生成することで、議論の整理を支援することができる。
また、第２の観点によれば、前記抽出部は、前記複数の発言の各々について、当該発言を、発言が入力されると当該発言に含まれるアイデアを出力するよう学習されたニューラルネットワークであるアイデア抽出モデル（Ｍ０１）、発言が入力されると当該発言に含まれる評価を出力するよう学習されたニューラルネットワークである評価抽出モデル（Ｍ０２、Ｍ０３）、および、発言が入力されると当該発言に含まれる課題を出力するよう学習されたニューラルネットワークである課題抽出モデル（Ｍ０４）に、入力することで、当該発言に含まれるアイデア、評価、または課題を抽出する。
人がファシリテータとなって議論を進行しながらファシリテーション構造を作成する場合、得られた発言がアイデアを含むのか、アイデアに対する評価を含むのか、それとも課題を含むのかの判断は、多くの場合直感的に為される。この直感的な判断は、無意識のうちにファシリテータの脳内で行われる極めて複雑な知的作業の産物であり、同じことをコンピュータが行うのは従来不可能であった。
本発明者は、この判断をコンピュータで代替する方法として、複数のニューラルネットワークを用いる方法を着想した。すなわち、アイデア、評価、課題という種類別に、その種類に対応するノードを出力するよう学習されたニューラルネットワークを用意して上記のように使用することを着想した。このような手法を用いることで、人の直観に頼らなくても、発言中からアイデア、評価、課題を適切に抽出することができる。
また、第３の観点によれば、前記特定部は、前記抽出部によってアイデア、評価、または課題が新規ノードとして抽出されたとき、前記新規ノードの親ノードになるべき予測親ノードを、前記ファシリテーション構造中のノードとは別に、生成する予測親ノード生成部（Ｓ２１０）と、前記ファシリテーション構造から、前記予測親ノードとの類似度が所定の基準より高いノードを選択する高類似ノード選択部（Ｓ２１５）と、を備え、前記記録部は、前記高類似ノード選択部が選択したノードの子ノードとして、前記新規ノードを前記ファシリテーション構造に追加し、予測親ノード生成部は、あるノードが入力されるとそのノードの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１−Ｍ１６）に、前記新規ノードを入力することで、前記予測親ノードを生成する。
人がファシリテータとなって議論を進行しながらファシリテーション構造を作成する場合、発言から抽出されたアイデア、評価、または課題に相当する新規ノードに対して、それがファシリテーション構造中のどのノードの子ノードとなるべきかを判断する。この判断は多くの場合直感的に為される。この直感的な判断は、無意識のうちにファシリテータの脳内で行われる極めて複雑な知的作業の産物であり、同じことをコンピュータが行うのは従来不可能であった。
本発明者は、この判断をコンピュータで代替する方法として、アイデア、評価、または課題に相当する新規ノードの親ノードを直接選ぶのではなく、間接的な処理を経て選ぶことを着想した。
具体的には、アイデア、評価、または課題が新規ノードとして抽出されたとき、新規ノードの親ノードになるべき予測親ノードを、ファシリテーション構造中のノードとは別に生成することを着想した。つまり、ファシリテーション構造中のノードとは無関係に、まず理想的な親ノードとして予測親ノードを創作することを着想した。そして、そのように生成した予測親ノードとの類似度に基づいて、新規ノードが接続されるべき親ノードを抽出することを着想した。
新規ノードにとって理想的な親ノードを、ファシリテーション構造中のノードに縛られることなく生成することは、コンピュータにとって比較的容易であることが、本発明者の検討により判明した。したがって、一旦ファシリテーション構造中のノードに縛られることなく理想的な親ノードを生成するという間接的な手法を用いることで、人の直観に頼らなくても、適切にファシリテーション構造から適切に親ノードを選択することができる。
また、第４の観点によれば、予測親ノード生成部は、あるノードが入力されるとそのノードの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１−Ｍ１６）に、前記新規ノードを入力することで、前記予測親ノードを生成する。
ニューラルネットワークは、ファシリテーション構造等の外部データに縛られることなく理想的な親ノードを生成するという処理に適しているので、より適切な予測親ノードを生成することができる。
また、第５の観点によれば、前記予測親ノード生成部は、前記新規ノードがアイデアであれば、あるアイデアが入力されるとそのアイデアの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１、Ｍ１２）に入力することで、前記予測親ノードを生成し、前記予測親ノード生成部は、前記新規ノードが評価であれば、ある評価が入力されるとその評価の親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１３、Ｍ１４）に入力することで、前記予測親ノードを生成し、前記予測親ノード生成部は、前記新規ノードが課題であれば、ある課題が入力されるとその課題の親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１５、Ｍ１６）に入力することで、前記予測親ノードを生成する。
ニューラルネットワークは、ファシリテーション構造等の外部データに縛られることなく理想的な親ノードを生成するという処理に適しているので、より適切な予測親ノードを生成することができる。
しかも、アイデア、評価、課題という新規ノードの種類別に、その種類に対応するノードに適した予測親ノードを出力するよう学習されたニューラルネットワークを用いることで、より適切な予測親ノードを生成することができる。
また、第６の観点によれば、議論支援装置は、前記ファシリテーション構造に基づいて、前記議論について所定の終結条件が満たされたか否かを判定する判定部（Ｓ３００）と、前記所定の終結条件が満たされたと前記判定部が判定したことに基づいて、議論が終結したことを示すデータを、前記通信ネットワークを介して送信可能なように作成する終結部（Ｓ６００）とを備える。
このように、議論支援装置が、ファシリテーション構造に基づいて終結条件が満たされるか否かを判定することにより、議論の内容に応じた議論の終結タイミングを選ぶことができる。また、終結条件が満たされたことに基づいて、議論が終結したことを示すデータを、通信ネットワークを介して送信可能なように作成することで、議論の終結を報知するという形態で議論誘導を行うことができる。
また、第７の観点によれば、議論支援装置は、前記記録部（Ｓ２２０）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）を備えることを特徴とする。
このように、ファシリテーション構造に基づいて問いかけ文を生成することで、そのファシリテーション構造に適した議論の進行を誘導することができる、したがって、その議論の内容に応じた議論の進行を支援することができる。
また、第８の観点によれば、議論支援装置は、議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）と、前記取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいて作成されたファシリテーション構造を取得して記憶媒体に記録する構造取得部（Ｓ２００）と、前記構造取得部（Ｓ２００）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）と、を備え、前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含む。
このように、複数のアイデア、複数の評価、および複数の課題が相互に関連した問題解決のための構造であるファシリテーション構造に基づいて、議論支援装置が問いかけ文を生成する。これにより、そのファシリテーション構造に応じた議論の進行を誘導することができる、したがって、その議論の内容に応じた議論の進行を支援することができる。
また、第９の観点によれば、前記誘導部は、前記ファシリテーション構造に含まれる複数のノードのうち、子ノードが存在しない特定のノード（Ｍ）があることに基づいて、前記問いかけ文として、前記特定のノードの子ノードとなるフレーズを問い合わせる文を作成することを特徴とする。
このように、問いかけ文として、子ノードが存在しない特定のノードに対して当該特定のノードの子ノードとなるフレーズを問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また、第１０の観点によれば、前記複数の評価は、複数の長所と、複数の短所とを含み、前記ファシリテーション構造は、前記複数の長所のそれぞれ、および、前記複数の短所のそれぞれを、１つのノードとして含み、前記複数の長所は、前記複数のアイデアのうち親ノードとなるアイデアの長所を表し、前記複数の短所は、前記複数のアイデアのうち親ノードとなるアイデアの短所を表すことを特徴とする。このように、評価が長所と短所に分けられていることで、ファシリテーション構造をより複雑に作成することができる。
また、第１１の観点によれば、前記誘導部は、前記複数のアイデアのうち、長所である子ノードが存在しない特定のアイデア（Ｃ）があることに基づいて、前記問いかけ文として、前記特定のアイデアに対する長所を問い合わせる文を作成することを特徴とする。
このように、問いかけ文として、長所である子ノードが存在しないアイデアに対して長所を問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また、第１２の観点によれば、前記誘導部は、前記複数のアイデアのうち、短所である子ノードが存在しない特定のアイデアがあることに基づいて、前記問いかけ文として、前記特定のアイデアに対する短所を問い合わせる文を作成することを特徴とする。
このように、問いかけ文として、短所である子ノードが存在しないアイデアに対して短所を問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また、第１３の観点によれば、前記誘導部は、前記ファシリテーション構造に含まれる複数のノードのうち、生成された後に所定の猶予時間を経過しても子ノードが生成されない葉ノード（Ｌ）があることに基づいて、前記問いかけ文として、前記葉ノードの先祖ノード（Ｃ）に基づいた発言を促す文を作成することを特徴とする。
このように、問いかけ文として、生成された後に所定の猶予時間を経過しても子ノードが生成されない葉ノードに対して、当該葉ノードの先祖ノードに立ち返った発言を促す文を作成することで、行き詰まった議論を再度進めるための支援ができる。
また、第１４の観点によれば、議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）、前記取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいてファシリテーション構造を作成する構造作成部（Ｓ２００）、として、議論支援装置を機能させるプログラムは、前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含み、前記構造作成部は、前記発言取得部（Ｓ１００）によって前記記憶媒体（１３）に記録された前記複数の発言（Ｘｍ）から、前記複数のアイデア、前記複数の評価、および前記複数の課題を抽出する抽出部（Ｓ２０５）と、前記抽出部（Ｓ２０５）によって抽出された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を特定する特定部（Ｓ２１０、Ｓ２１５）と、
前記リンク部（Ｓ２１０、Ｓ２１５）によって特定された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を実現するよう、前記ファシリテーション構造を作成して記憶媒体（１３）に記録する記録部（Ｓ２２０）と、を有するプログラムである。これにより、請求項１と同様の効果を得ることができる。
また、第１５の観点によれば、議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）、前記取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいて作成されたファシリテーション構造を取得して記憶媒体に記録する構造取得部（Ｓ２００）、前記構造取得部（Ｓ２００）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）として、議論支援装置を機能させるプログラムは、前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含む、プログラムである。これにより、請求項４と同様の効果を得ることができる。
なお、各構成要素等に付された括弧付きの参照符号は、その構成要素等と後述する実施形態に記載の具体的な構成要素等との対応関係の一例を示すものである。
実施形態に係る通信システムの構成図である。 議論支援装置のハードウェア構成を示すブロック図である。 ある議題に対する主題および複数の発言を例示する図である。 議論支援処理のフローチャートである。 ファシリテーション構造の一例を示す図である。 ファシリテーション構造を作成する処理のフローチャートである。 発言からアイデア、長所、短所、課題を抽出する学習済みモデルを示す図である。 ノードから予測親ノードを出力する学習済みモデルを示す図である。 アイデアである新規ノードからルートノードを選ぶ処理の概念図である。 アイデアである新規ノードから親ノードを選ぶ処理の概念図である。 長所である新規ノードから親ノードを選ぶ処理の概念図である。 短所である新規ノードから親ノードを選ぶ処理の概念図である。 課題である新規ノードから親ノードを選ぶ処理の概念図である。 ファシリテーション構造に基づいてファシリテートを行う処理のフローチャートである。 ファシリテーション構造に基づいて生成される問いかけ文を例示する図である。
以下、本発明の一実施形態について説明する。本実施形態に係る通信システムは、議論支援装置１、広域ネットワーク２、複数の端末３〜６等を含んでいる。複数の端末３〜６の数は、図１では４つのみ記載されているが、百以上でもよいし、千以上でもよいし、百万以上でもよいし、十億以上でもよい。
議論支援装置１および複数の端末３〜６は、広域ネットワーク２に接続されている。広域ネットワーク２は、インターネット等の、広範囲をカバーする通信ネットワークである。議論支援装置１が広域ネットワーク２を介して行う送信、受信は、すべて、この通信インターフェース１１を用いたものである。
端末３〜６は、広域ネットワーク２に有線接続されてもよいし、無線接続されてもよい。広域ネットワーク２はパーソナルコンピュータでも、スマートホンでも、タブレットＰＣでもよい。端末３〜６の各々は、当該端末のユーザに操作されることによって、当該ユーザが入力した発言のデータを、広域ネットワーク２を介して議論支援装置１に送信する。
議論支援装置１は、複数種類の議論の進行を管理し、これら複数種類の議論の整理および進行を支援すると共に合意形成を支援する合意形成支援装置である。図２に示すように、議論支援装置１は、通信インターフェース１１、ＲＡＭ１２、フラッシュメモリ１３、ＣＰＵ１４を有している。通信インターフェース１１は、広域ネットワーク２と接続するためのインターフェース回路である。
ＲＡＭ１２は、揮発性の記憶媒体である。フラッシュメモリ１３は、不揮発性の記憶媒体である。フラッシュメモリ１３は磁気記憶媒体に置き換えられてもよい。ＲＡＭ１２、フラッシュメモリ１３は、いずれも、非遷移的実体的記憶媒体である。
ＣＰＵ１４は、フラッシュメモリ１３に記憶された各種プログラムを実行し、その実行の際にＲＡＭ１２をワークメモリとして使用し、更に、通信インターフェース１１を用いて広域ネットワーク２を介した通信を行う。
以下、このような構成の通信システムの作動について、説明する。議論支援装置１のフラッシュメモリ１３には、複数種類の議論の各々について、その議論の主題が表されたテキストデータが、その主題に対応する議論に固有な識別子である議論ＩＤと共に、記録されている。主題とは、「名古屋市の渋滞をどう解決するか」のように、対応する議論において解決すべき根本の課題を表すデータである。
ＣＰＵ１４は、これら議論の主題のテキストデータおよび対応する議論ＩＤを、広域ネットワーク２に接続された他の装置から受信してフラッシュメモリ１３に記録してもよい。あるいは、議論支援装置１に接続された不図示の入力装置（例えばキーボード）に対して作業者がある議論の主題を入力したとき、その入力された主題のテキストデータおよび対応する議論ＩＤをフラッシュメモリ１３に記録してもよい。なお、記録する議論ＩＤは、フラッシュメモリ１３に記録された順番を表す通し番号でもよいし、その他のものでもよい。
そして、ＣＰＵ１４は、例えばＷｅｂサーバ等の表示プログラムを、フラッシュメモリ１３から読み出して実行する。この表示プログラムを実行することで、ＣＰＵ１４は、フラッシュメモリ１３に記録されているこれら主題および議論ＩＤを、広域ネットワーク２を介して端末３〜６に送信可能となる。すなわち、ＣＰＵ１４は、表示プログラムの実行において、広域ネットワーク２を介して端末３〜６のうち任意の１つの端末から所定の表示要求のデータを受信すると、受信した表示要求に従って、フラッシュメモリ１３からすべての主題および議論ＩＤを読み出す。そしてＣＰＵ１４は、読み出した主題および議論ＩＤを、広域ネットワーク２を介して、当該１つの端末に送信する。これら主題および議論ＩＤを受信した当該１つの端末は、受信した主題を当該１つの端末の不図示の表示部（例えば液晶ディスプレイ）に表示する。これにより、端末３〜６のユーザは、議論支援装置１に記録された議論の主題を閲覧することができる。
そして、端末３〜６の各々のユーザは、閲覧した複数の主題のうち１つの主題に対して、何らかの意見を表明したい場合は、当該端末の不図示の操作部を操作して、当該１つの主題を指定すると共に、その後に、自分の発言を入力する。すると当該端末は、入力された発言を表すテキストデータを生成し、生成したテキストデータと、指定された主題に対応する議論ＩＤとを関連付けた投稿データを、広域ネットワーク２を介して、議論支援装置１に送信する。
議論支援装置１のＣＰＵ１４は、このようにして送信された投稿データを、広域ネットワーク２を介して受信すると、受信した投稿データにタイムスタンプを含め、更に、タイムスタンプが含まれた投稿データをフラッシュメモリ１３に追加記録する。ここで、投稿データに含められるタイムスタンプは、議論支援装置１が当該投稿データを受信した時点のタイムスタンプ（例えば日付と時刻）である。
また、ＣＰＵ１４は、上述の表示プログラムを実行することで、フラッシュメモリ１３に記録されているこれら主題、主題に関連付けられた議論ＩＤ、および投稿データを、広域ネットワーク２を介して端末３〜６に送信可能となる。すなわち、ＣＰＵ１４は、表示プログラムの実行において、広域ネットワーク２を介して端末３〜６のうち任意の１つの端末から、特定の議論ＩＤを指定する表示要求のデータを受信すると、受信した表示要求に従って、フラッシュメモリ１３から当該議論ＩＤに対応する主題および当該議論ＩＤに対応する発言すべてを読み出す。そしてＣＰＵ１４は、読み出した主題および発言を、広域ネットワーク２を介して、当該１つの端末に送信する。これら主題および発言を受信した当該１つの端末は、受信した主題および発言を当該１つの端末の不図示の表示部（例えば液晶ディスプレイ）に表示する。これにより、端末３〜６のユーザは、議論支援装置１に記録された特定の議論の主題および発言をすべて閲覧することができる。
端末３〜６からは、複数の議題に対して多数の投稿データが議論支援装置１に対して送信される。したがって、議論支援装置１のフラッシュメモリ１３には、複数の議論の各々について、図３に示すように、その議論Ｘの主題Ｘｓおよび複数の発言Ｘｍが、当該議論に対応する議論ＩＤで関連付けられて、記録される。図３中では、議論ＩＤはＩｘと表されている。
また、議論支援装置１のＣＰＵ１４は、図４に示す議論支援処理を、フラッシュメモリ１３に記録されている議論の数だけ、同時並行的に、実行する。これら複数の合意形成支援処理は、フラッシュメモリ１３に記録されている複数種類の議論と１対１に対応する。複数の合意形成支援処理の各々は、対応する議論において合意が形成されることを支援するための処理である。合意形成支援処理のプログラムは、フラッシュメモリ１３にあらかじめ記憶されている。ＣＰＵ１４は、このプログラムを実行することで、図４に示す処理を実現する。
これら合意形成支援処理の各々において、ＣＰＵ１４は、まずステップＳ１００で、対応する議論と同じ議論ＩＤを有する新規な投稿データを広域ネットワーク２を介して受信するまで待ち、受信すると、当該投稿データ中の発言を読み出して取得する。
ＣＰＵ１４は続いてステップＳ２００で、取得した発言に基づいてファシリテーション構造を作成する。ある議論に対応するファシリテーション構造は、図５に示すような木構造を表すデータである。このファシリテーション構造は、対応する議論の主題Ｘｓをルートノードとして含む。また、このファシリテーション構造は、対応する議論に関する複数の発言Ｘｍに含まれる複数のアイデアＢ１〜Ｂ６、複数の長所Ｃ１〜Ｃ４、複数の短所Ｄ１〜Ｄ６、および複数の課題Ｅ１〜Ｅ３のそれぞれを、１つのノードとして含む。長所Ｃ１〜Ｃ４、短所Ｄ１〜Ｄ６は、いずれも評価のノードでもある。このように、評価が長所と短所に分けられていることで、ファシリテーション構造をより複雑に作成することができる。
これら複数のノードＸｓ、Ｂ１〜Ｂ６、Ｃ１〜Ｃ４、Ｄ１〜Ｄ６、Ｅ１〜Ｅ３は、複数のリンクによって接続されている。図５中では、リンクは矢印線で表されている。複数のリンクのうちどのリンクも、１つの親ノードと、その親ノードの子ノードの２つにのみ繋がる。矢印線の先端が親ノードに繋がり、根元が子ノードに繋がる。親ノードはその親ノードの子ノードよりも、ルートノードに近い。なお、ルートノードに近いとは、ルートノードに到達するために辿るリンクの数が少ないことをいう。そして、各子ノードには１つの親ノードしか有さない。
アイデアは、「車線を増やす」、「人が出て行くのと渋滞問題は関係ない」のように、主題Ｘｓまたは課題を解決する案を表すノードである。「人が出て行くのと渋滞問題は関係ない」というアイデアＢ６は、対象とする「むしろ人が出て行くのでは？」という課題を無効化することで、当該課題を解決する案である。したがって、アイデアＢ１〜Ｂ６は、主題Ｘｓ、課題Ｅ１〜Ｅ３、または他のアイデアＢ２を親ノードとし、長所、短所を親ノードとしない。あるアイデアが主題または課題を親ノードとする場合、そのアイデアは当該主題または当該課題を解決する案を表す。アイデアＢ３、Ｂ４が別のアイデアＢ２を親ノードとする場合、当該アイデアＢ３、Ｂ３は、親のノードとなるアイデアＢ２をより特殊化または具体化したアイデアを表す。
長所Ｃ１〜Ｃ４は、「車が走れる量が増えそう」、「手軽に電車を使える」のように、親ノードとなるアイデアの長所（すなわち良い評価）を表すノードである。したがって、長所Ｃ１〜Ｃ４は、アイデアＢ１〜Ｂ５を親ノードとし、主題、他の長所、短所、課題のいずれも親ノードとしない。
短所Ｄ１〜Ｃ６は、「民間の鉄道会社の経営に影響」、「工事にコストがかかる」のように、親ノードとなるアイデアの短所（すなわち悪い評価）を表すノードである。したがって、短所Ｄ１〜Ｄ６は、アイデアＢ１〜Ｂ５を親ノードとし、主題、長所、他の短所、課題のいずれも親ノードとしない。
課題Ｅ１〜Ｅ３は、「電車内の混雑が問題になるのでは？」、「企業を動かす方法はないか？」のように、親ノードとなる長所または親ノードとなる短所に対する課題を表すノードである。したがって、課題Ｅ１〜Ｅ３は、長所Ｃ２、Ｃ３または短所Ｄ６を親ノードとし、主題、アイデア、課題のいずれも親ノードとしない。
議論支援装置１のＣＰＵ１４は、このようなファシリテーション構造を作成するために、ステップＳ２００で、図６に示す処理を行う。図６の処理では、ＣＰＵ１４は、まずステップＳ２０５で、対応する議論に対する直前のステップＳ１００で新たに取得した１つの発言（以下、新規取得発言という）から、０個以上のアイデア、０個以上の長所、０個以上の短所、および０個以上の課題、を、新規ノードとして抽出する。
ある発言には、アイデアとなるフレーズ、長所となるフレーズ、短所となるフレーズ、および課題となるフレーズのうち、１個のみが含まれる場合がある。その場合、ステップＳ２０５では、ＣＰＵ１４は、当該１個のフレーズを抽出する。ここで、フレーズとは、同じ発言中に連続して出現する単語の一群をいう。
例えば、図３に示した「車線を増やすのはどうでしょう？」という発言が新規取得発言であるとする。この発言中には、「車線を増やす」という、アイデアのフレーズが含まれている。この場合、ＣＰＵ１４は、ステップＳ２０５で、「車線を増やす」というアイデアのフレーズを抽出し、その他のフレーズは抽出しない。
また、新規取得発言によっては、ＣＰＵ１４は、ステップＳ２０５で、長所のフレーズを抽出してその他のフレーズは抽出しない場合も、短所のフレーズを抽出してその他のフレーズは抽出しない場合も、課題のフレーズを抽出してその他のフレーズは抽出しない場合もある。
また、ＣＰＵ１４は、ステップＳ２０５で、アイデアとなるフレーズ、長所となるフレーズ、短所となるフレーズ、および課題となるフレーズのうち、複数個の組み合わせを、同じ発言から抽出する場合もある。
ＣＰＵ１４は、このようなステップＳ２０５の処理を、ニューラルネットワークで構成される学習済みモデルを用いて行う。このステップＳ２０５で用いられる学習済みモデルとは、図７に示すアイデア抽出モデルＭ０１、長所抽出モデルＭ０２、短所抽出モデルＭ０３、課題抽出モデルＭ０４である。使用されるこれら学習済みモデルＭ０１〜Ｍ０４は、あらかじめフラッシュメモリ１３に記録されている。長所抽出モデルＭ０２、短所抽出モデルＭ０３は、それぞれ、評価抽出モデルの一例に相当する。
ＣＰＵ１４は、ステップＳ２０５で、新規取得発言を周知の形態素解析処理等によって複数の単語（すなわち、形態素）に分割する。そして更に、得られた複数の単語の各々について、分散表現を算出する。分散表現の算出方法は周知であるが、例えば、Ｗｒｏｄ２Ｖｅｃ、Ｇｌｏｖｅ等で用いられる周知のアルゴリズムを採用してもよい。
そしてＣＰＵ１４は、得られた複数の単語の分散表現を、学習済みモデルＭ０１〜Ｍ０４の各々に入力する。その結果、アイデア抽出モデルＭ０１からは、新規発言中に、アイデアに該当するフレーズがあれば、そのフレーズに含まれる複数の単語の分散表現の群が出力される。また、長所抽出モデルＭ０２からは、新規発言中に、長所に該当するフレーズがあれば、そのフレーズに含まれる複数の単語の分散表現の群が出力される。また、短所抽出モデルＭ０３からは、新規発言中に、短所に該当するフレーズがあれば、そのフレーズに含まれる複数の単語の分散表現の群が出力される。また、課題抽出モデルＭ０４からは、新規発言中に、課題に該当するフレーズがあれば、そのフレーズに含まれる複数の単語の分散表現の群が出力される。このようにして学習済みモデルＭ０１〜Ｍ０４から出力されるフレーズの分散表現の群が、新規ノードとなる。
これら学習済みモデルＭ０１〜Ｍ０４の学習方法については後述する。また、これら学習済みモデルＭ０１〜Ｍ０４としては、例えば、周知のＢｉｌａｔｅｒａｌ ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の周知のニューラルネットワークが採用されてもよい。
人がファシリテータとなって議論を進行しながらファシリテーション構造を作成する場合、得られた発言がアイデアを含むのか、アイデアに対する評価を含むのか、それとも課題を含むのかの判断は、多くの場合直感的に為される。この直感的な判断は、無意識のうちにファシリテータの脳内で行われる極めて複雑な知的作業の産物であり、同じことをコンピュータが行うのは従来不可能であった。
本発明者は、この判断をコンピュータで代替する方法として、複数のニューラルネットワークである学習済みモデルＭ０１〜Ｍ０４を用いる方法を着想した。すなわち、アイデア、評価、課題という種類別に、その種類に対応するノードを出力するよう学習されたニューラルネットワークを用意して上記のように使用することを着想した。このような手法を用いることで、人の直観に頼らなくても、発言中からアイデア、評価、課題を適切に抽出することができる。
続いてＣＰＵ１４は、ステップＳ２０５からステップＳ２１０に進み、対応する議論について直前のステップＳ２０５で抽出した新規ノードに対応する予測親ノードを、現在のファシリテーション構造中のノードとは別に、生成する。現在のファシリテーション構造中のノードとは別に生成するとは、現在のファシリテーション構造中のノードとは無関係なノードとして新規に作成することをいう。ＣＰＵ１４は、このようなステップＳ２１０の処理を、ニューラルネットワークの学習済みモデルを用いて行う。このステップＳ２０５で用いられる学習済みモデルとは、図８に示す学習済みモデルＭ１１〜Ｍ１６である。これら使用される学習済みモデルＭ１１〜Ｍ１６は、あらかじめフラッシュメモリ１３に記録されている。
学習済みモデルＭ１１は、アイデアの代表分散表現が入力されると、そのアイデアの親ノードになるべき課題の代表分散表現の予測値（すなわち、課題となる予測親ノード）を出力するモデルである。ここで、あるノードの代表分散表現とは、そのノードによって表されるフレーズに含まれる複数の単語の分散表現の代表値である。代表分散表現の次元数は、各分散表現の次元数と同じである。代表値としては、例えば平均値を採用してもよい。
学習済みモデルＭ１２は、アイデアの代表分散表現が入力されると、そのアイデアの親ノードになるべきアイデアの代表分散表現の予測値（すなわち、アイデアとなる予測親ノード）を出力するモデルである。学習済みモデルＭ１３は、長所の代表分散表現が入力されると、その長所の親ノードになるべきアイデアの代表分散表現の予測値（すなわち、アイデアとなる予測親ノード）を出力するモデルである。
学習済みモデルＭ１４は、短所の代表分散表現が入力されると、その短所の親ノードになるべきアイデアの代表分散表現の予測値（すなわち、アイデアとなる予測親ノード）を出力するモデルである。学習済みモデルＭ１５は、課題の代表分散表現が入力されると、その課題の親ノードになるべき長所の代表分散表現の予測値（すなわち、長所となる予測親ノード）を出力するモデルである。学習済みモデルＭ１６は、課題の代表分散表現が入力されると、その課題の親ノードになるべき短所の代表分散表現の予測値（すなわち、短所となる予測親ノード）を出力するモデルである。
ＣＰＵ１４は、ステップＳ２０５で抽出された新規ノードがアイデアであれば、それを学習済みモデルＭ１１および学習済みモデルＭ１２の両方に入力する。その結果、学習済みモデルＭ１１からは、課題となる予測親ノードが抽出され、学習済みモデルＭ１２からは、アイデアとなる予測親ノードが抽出される。
またＣＰＵ１４は、ステップＳ２０５で抽出された新規ノードが長所であれば、それを学習済みモデルＭ１３に入力する。その結果、学習済みモデルＭ１３からは、アイデアとなる予測親ノードが抽出される。またＣＰＵ１４は、ステップＳ２０５で抽出された新規ノードが短所であれば、それを学習済みモデルＭ１４に入力する。その結果、学習済みモデルＭ１４からは、アイデアとなる予測親ノードが抽出される。
またＣＰＵ１４は、ステップＳ２０５で抽出された新規ノードが課題であれば、それを学習済みモデルＭ１５および学習済みモデルＭ１６の両方に入力する。その結果、学習済みモデルＭ１５からは、長所となる予測親ノードが抽出され、学習済みモデルＭ１６からは、短所となる予測親ノードが抽出される。
これら学習済みモデルＭ１１〜Ｍ１６の学習方法については後述する。また、これら学習済みモデルＭ１１〜Ｍ１６としては、例えば、周知のＢｉｌａｔｅｒａｌ ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の周知のニューラルネットワークが採用されてもよい。
続いてＣＰＵ１４は、ステップＳ２１０からステップＳ２１５に進む。ステップＳ２１５では、対応する議論について直前のステップＳ２１０で生成された予測親ノードに対して最も類似度が高いノードを、現時点において対応する議論について作成されているファシリテーション構造から選択する。
ある議論に対応するファシリテーション構造に含まれるノードは、まだその議論に対応する発言を議論支援装置１が取得していない時点では、その議論の主題に対応するルートノードＸｓのみである。その議論の主題に対応するルートノードＸｓのデータは、その議論の主題を構成するフレーズのテキストデータ、当該フレーズを構成する単語の分散表現の集合、当該フレーズの代表分散表現を含む。
そのような場合に、ＣＰＵ１４が、ステップＳ２０５でアイデアを新規ノードとして抽出し、かつステップＳ２１０で上述の通り課題となる予測親ノードおよびアイデアとなる予測親ノードを生成したとする。このとき、ＣＰＵ１４は、ステップＳ２１５では、ファシリテーション構造に含まれるノードがルートノードだけであることに基づいて、図９に示すように、課題となる予測親ノードとルートノードＸｓとの類似度を算出する。類似度の指標としては、例えば、課題となる予測親ノードの代表分散表現とルートノードの代表分散表現とのコサイン類似度を採用してもよいし、その他の類似度指標を採用してもよい。予測親ノードとファシリテーション構造中のノードとの類似度については、以下も同様である。
そして、当該予測親ノードとルートノードとの類似度が基準値以上であれば、新規ノードの親ノードとして、ルートノードＸｓを選択する。また、当該予測親ノードとルートノードとの類似度が基準値未満であれば、新規ノードの親ノードとして、ルートノードＸｓを選択しない。
図９は、ファシリテーション構造に含まれるノードがルートノードＸｓだけである場合に、アイデアである新規ノードの親ノードとしてルートノードＸｓを選ぶ処理の概念図である。
ファシリテーション構造に含まれるノードがルートノードだけである場合、ＣＰＵ１４が、ステップＳ２０５で長所、短所、課題のいずれかを新規ノードとして抽出し、かつステップＳ２１０でその新規ノードに対応する予測親ノードを生成したとする。このとき、ＣＰＵ１４は、ステップＳ２１５では、ファシリテーション構造に含まれるノードがルートノードだけであることに基づいて、新規ノードの親ノードを選択しない。
図１０は、ファシリテーション構造に含まれるノードが複数ある場合に、アイデアである新規ノードから親ノードを選ぶ処理の概念図である。ファシリテーション構造に含まれるノードが複数ある場合、ＣＰＵ１４が、ステップＳ２０５でアイデアを新規ノードとして抽出し、かつステップＳ２１０で上述の通り課題となる予測親ノードおよびアイデアとなる予測親ノードを生成したとする。
このときＣＰＵ１４は、ステップＳ２１５では、図１０に示すように、当該課題となる予測親ノードとルートノードＸｓとの類似度を算出すると共に、当該課題となる予測親ノードとファシリテーション構造に含まれる課題の各々との間の類似度を算出する。更にＣＰＵ１４は、ステップＳ２１５では、図１０に示すように、当該アイデアとなる予測親ノードとファシリテーション構造に含まれる課題の各々との間の類似度を算出する。したがって、算出される類似度の数は、ファシリテーション構造に含まれるルートノードＸｓと課題とアイデアの総数と同じになる。
そしてＣＰＵ１４は、算出したルートノードＸｓ、課題、およびアイデアとの類似度のうち、基準値よりも高くかつ最も高い類似度を有するノード（すなわち、ルートノードＸｓ、課題、またはアイデア）を、新規ノードの親ノードとして選択する。なお、算出した複数の類似度のすべてが上記基準値より低ければ、新規ノードの親ノードを選択しない。
図１１は、ファシリテーション構造に含まれるノードが複数ある場合に、長所である新規ノードから親ノードを選ぶ処理の概念図である。ファシリテーション構造に含まれるノードが複数ある場合、ＣＰＵ１４が、ステップＳ２０５で長所を新規ノードとして抽出し、かつステップＳ２１０で上述の通りアイデアとなる予測親ノードを生成したとする。このときＣＰＵ１４は、ステップＳ２１５では、図１１に示すように、当該アイデアとなる予測親ノードとファシリテーション構造に含まれるアイデアの各々との間の類似度を算出する。そしてＣＰＵ１４は、算出した類似度のうち、基準値よりも高くかつ最も高い類似度を有するノードを、新規ノードの親ノードとして選択する。なお、算出した複数の類似度のすべてが上記基準値より低ければ、新規ノードの親ノードを選択しない。
図１２は、ファシリテーション構造に含まれるノードが複数ある場合に、短所である新規ノードから親ノードを選ぶ処理の概念図である。ファシリテーション構造に含まれるノードが複数ある場合、ＣＰＵ１４が、ステップＳ２０５で短所を新規ノードとして抽出し、かつステップＳ２１０で上述の通りアイデアとなる予測親ノードを生成したとする。このときＣＰＵ１４は、ステップＳ２１５では、図１２に示すように、当該アイデアとなる予測親ノードとファシリテーション構造に含まれるアイデアの各々との間の類似度を算出する。そしてＣＰＵ１４は、算出した類似度のうち、基準値よりも高くかつ最も高い類似度を有するノードを、新規ノードの親ノードとして選択する。なお、算出した複数の類似度のすべてが上記基準値より低ければ、新規ノードの親ノードを選択しない。
図１３は、ファシリテーション構造に含まれるノードが複数ある場合に、課題である新規ノードから親ノードを選ぶ処理の概念図である。ファシリテーション構造に含まれるノードが複数ある場合、ＣＰＵ１４が、ステップＳ２０５で課題を新規ノードとして抽出し、かつステップＳ２１０で上述の通り長所となる予測親ノードおよび短所となる予測親ノードを生成したとする。
このときＣＰＵ１４は、ステップＳ２１５では、図１３に示すように、当該長所となる予測親ノードとファシリテーション構造に含まれる長所の各々との間の類似度を算出する。更にＣＰＵ１４は、図１３に示すように、当該短所となる予測親ノードとファシリテーション構造に含まれる短所の各々との間の類似度を算出する。
そしてＣＰＵ１４は、算出した長所および短所との類似度のうち、基準値よりも高くかつ最も高い類似度を有するノード（すなわち、長所または短所）を、新規ノードの親ノードとして選択する。なお、算出した複数の類似度のすべてが上記基準値より低ければ、新規ノードの親ノードを選択しない。
このようにすることで、ステップＳ２１５において、新規ノードが既存のファシリテーション構造中のいずれかのノードが、新規ノードの親ノードとして選択される。これにより、既存のファシリテーション構造中のノードと新規ノードの間の親子関係が特定される。
人がファシリテータとなって議論を進行しながらファシリテーション構造を作成する場合、発言から抽出されたアイデア、評価、または課題に相当する新規ノードに対して、それがファシリテーション構造中のどのノードの子ノードとなるべきかを判断する。この判断は多くの場合直感的に為される。この直感的な判断は、無意識のうちにファシリテータの脳内で行われる極めて複雑な知的作業の産物であり、同じことをコンピュータが行うのは従来不可能であった。しかも、そのような直感的な作業は、全体の発言数が５０未満程度の議論においては可能であるものの、全体の発言数が１００以上、１０００以上等になると、ファシリテーション構造が複雑になり過ぎて、人にはとてもできるものではなくなる。
本発明者は、この判断をコンピュータで代替する方法として、アイデア、評価、または課題に相当する新規ノードの親ノードを直接選ぶのではなく、間接的な処理を経て選ぶことを着想した。
具体的には、アイデア、評価、または課題が新規ノードとして抽出されたとき、新規ノードの親ノードになるべき予測親ノードを、ファシリテーション構造中のノードとは別に生成することを着想した。つまり、ファシリテーション構造中のノードとは無関係に、まず理想的な親ノードとして予測親ノードを創作することを着想した。そして、そのように生成した予測親ノードとの類似度に基づいて、新規ノードが接続されるべき親ノードを抽出することを着想した。
新規ノードにとって理想的な親ノードを、ファシリテーション構造中のノードに縛られることなく生成することは、コンピュータにとって比較的容易であることが、本発明者の検討により判明した。したがって、一旦ファシリテーション構造中のノードに縛られることなく理想的な親ノードを生成するという間接的な手法を用いることで、人の直観に頼らなくても、適切にファシリテーション構造から適切に親ノードを選択することができる。
また、ニューラルネットワークは、ファシリテーション構造等の外部データに縛られることなく理想的な親ノードを生成するという処理に適しているので、より適切な予測親ノードを生成することができる。
しかも、アイデア、評価、課題という新規ノードの種類別に、その種類に対応するノードにｆ適した予測親ノードを出力するよう学習されたニューラルネットワークを用いることで、より適切な予測親ノードを生成することができる。しかも、ＣＰＵ１４は、人と違って、取得される発言の全体数が１００以上であろうが、１０００以上であろうが、１００００以上であろうが、特に問題なく、上記の処理を行うことができる。
続いてＣＰＵ１４は、ステップＳ２２０では、新規ノードが、対応する議論についての直前のステップＳ２１５で親ノードとして選択されたノードの子ノードとなるよう、ファシリテーション構造に新規ノードを追加する。このとき、ＣＰＵ１４は、追加される新規ノードと共に、その新規ノードに関連付けてタイムスタンプをフラッシュメモリ１３に記録する。ここで、記録されるタイムスタンプは、関連付けられる新規ノードが示すフレーズが含まれていた投稿データのタイムスタンプである。
これにより、フラッシュメモリ１３中のファシリテーション構造の内容が書き換えられる。この結果、新規ノードが既存のノードの子ノードとなる。なお、ファシリテーション構造中の子ノードに関連付けられたタイムスタンプは、その親ノードに関連付けられたタイムスタンプよりも後の時点を示す。
なお、対応する議論についての直前のステップＳ２１５で新規ノードの親ノードが選択されなかった場合は、ステップＳ２２０では、ファシリテーション構造に新規ノードを追加しない。ステップＳ２２０が終了することで、図４のステップＳ２００の処理が終了する。
ステップＳ２００に続いてＣＰＵ１４は、ステップＳ３００で、対象となる議論の合意判定を行う。合意判定では、合意条件が満たされたか否か、すなわち、対象となる議論が十分尽くされたか否かの判定を行う。合意条件は、議論の終結条件として用いられる。
合意条件としては、対象の議論が始まってからの時間が基準時間を超えたという条件を採用してもよい。ここで、対象の議論が始まった時点は、端末３〜６によって当該議論の主題Ｘｓが閲覧可能になった時点であってもよいし、議論支援装置１のＣＰＵ１４が当該議論に対応する最初の投稿データを受信した時点であってもよい。最初の投稿データを受信した時点は、当該議論に対応する投稿データに含まれるタイムスタンプのうち、最も早い時点のタイムスタンプから特定できる。
また、合意条件としては、対象の議論のファシリテーション構造中でアイデアの数が基準数を超えたという条件を採用してもよい。また、合意条件としては、対象の議論のファシリテーション構造中で課題の数が基準数を超えたという条件を採用してもよい。
また、合意条件としては、対象の議論のファシリテーション構造について、その形が充分均等であり、かつ、ファシリテーション構造の複雑度が基準値を超えたという条件を採用してもよい。ファシリテーション構造の形が充分均等であるか否かは、例えば、すべての葉ノードの深さの平均値からのばらつき度合い（例えば標準偏差）が基準値より小さい場合に充分均等であり、当該基準値以上である場合に充分均等でないと判断されてもよい。
また、ファシリテーション構造の形が充分均等であるか否かは、例えば、すべてのノードの分岐数の平均値からのばらつき度合い（例えば標準偏差）が基準値より小さい場合に充分均等であり、当該基準値以上である場合に充分均等でないと判断されてもよい。
ここで、葉ノードとは、子ノードがいないノードをいう。また、葉ノードの深さは、その葉ノードからルートノードに到達するまでに通るリンクの数をいう。また、ノードの分岐数とは、そのノードの子ノードの数をいう。
また、ファシリテーション構造の複雑度は、ファシリテーション構造中で深さが最も大きいノードの深さをであってもよいし、ファシリテーション構造に含まれるノードの総数であってもよい。ファシリテーション構造の複雑度としては、ファシリテーション構造が複雑になるほど大きくなる指標であれば、どのような指標が採用されてもよい。
なお、合意条件は、議論毎に異なるように設定されていてもよい。広く浅く行うことが望ましい議論がある一方で、狭く深く行うことが望ましい議論もあるからである。どの議論にどの合意条件を設定するかは、人が決定してもよいし、自動的に決定されてもよい。
ＣＰＵ１４は続いてステップＳ４００で、対応する議論についての直前のステップＳ３００で合意条件が満たされていないと判定されている場合、ステップＳ５００に進み、合意条件が満たされていると判定されている場合、ステップＳ６００に進む。
ステップＳ５００では、作成されたファシリテーション構造に基づいてファシリテートを行う。すなわち、対応する議論を誘導して、端末３〜６のユーザが発言を作成することを誘導するための、問いかけ文を、広域ネットワーク２を介して端末３〜６に送信可能なように、作成する。なお、ステップＳ５００の処理は、対応する議論について新たな発言を取得する度に行われてもよいし、あるいは、新たな発言を所定の待ち回数（例えば１０回）だけ取得する度に行うようになっていてもよい。
以下、ステップＳ５００の処理について説明する。ＣＰＵ１４は、ステップＳ５００において、図１４に示すように、まずステップＳ５１０で、対応する議論のファシリテーション構造中から、注目ノードを抽出する。
注目ノードは、それに基づいて問いかけ文を作成するためのノードである。ある観点では、注目ノードは、その注目ノードに子ノードが追加されることで議論が深まることが期待されるノードである。別の観点では、注目ノードは、その注目ノードに子ノードが追加される可能性が高いノードである。
ファシリテーション構造中の注目ノードとしては、例えば、以下のようなノードがある。
（１）アイデアである子ノードが存在しない課題
（２）長所である子ノードが存在しないアイデア
（３）短所である子ノードが存在しないアイデア
（４）生成された後に所定の猶予時間を経過しても子ノードが生成されない葉ノード
これら条件（１）〜（４）のいずれかに該当するノードが、注目ノードとして抽出される。ここで、あるノードの子孫ノードとは、当該あるノードからルートノードとは反対方向にリンクを辿って到達できるすべてのノードをいう。例えば、図５に示したノードＢ５の子孫ノードは、ノードＣ４、Ｄ５、Ｄ６、Ｅ３である。また、あるノードの先祖ノードとは、当該あるノードからルートノードの方向にリンクを辿って到達できるすべてのノードをいう。また、条件（４）における猶予時間は、例えば、１時間以上の時間、２日以上の時間、一週間以上の時間等であってもよい。なお、ノードの生成時点は、そのノードに関連付けられたタイムスタンプで確認することができる。
例えば、対応する議論のファシリテーション構造が図１５のようになっているとする。図１５では、ノードＡがルートノードであり、ノードＢ、Ｃ、Ｊ、Ｋ、Ｌがアイデアに該当するノードであり、ノードＤ、Ｆ、Ｇが長所に該当するノードであり、ノードＥが短所に該当するノードであり、ノードＨ、Ｉ、Ｍが課題に該当するノードである。これらノードの接続関係は、矢印線で表させるリンクの通りである。
図１５のファシリテーション構造においては、課題Ｍは、アイデアである子ノードが存在しない課題であるので、上述の条件（１）に該当する。またアイデアＣは、短所である子ノードが存在しないアイデアであるので、上述の条件（２）に該当する。したがって、課題ＭおよびアイデアＣは、注目ノードとして抽出される。
また、図１５のファシリテーション構造において、ノードＬのアイデアに関する議論が停滞しており、ノードＬが生成された後に上記猶予期間経過しても、ノードＬの子ノードが生成されなかったとする。その場合は、ノードＬは、条件（４）に該当する注目ノードとして抽出される。
続いてＣＰＵ１４は、ステップＳ５２０で、対応する議論について直前のステップＳ５１０で抽出した注目ノードの各々について、当該注目ノードに応じた問いかけ文を生成する。具体的には、注目ノードが表すフレーズを、所定のテンプレートに当てはめることで、問いかけ文を生成する。テンプレートは、定型文であり、フラッシュメモリ１３にあらかじめ記録されている。
例えば、上述の条件（１）に該当することにより抽出された注目ノードに対応するテンプレートは、「課題Ｙに対してアイデアはありますか？」というものであり、Ｙの部分に当該注目ノードの表すフレーズ（例えば、「企業を動かす方法はないか？」）が適用される。つまり、問いかけ文は、「課題「企業を動かす方法はないか？」に対してアイデアはありますか？」となる。これにより、問いかけ文は、注目ノードである特定の課題に対するアイデアを問い合わせる文となる。図１５において注目ノードＭに付随する問いかけ文も、そのようにして生成される。このように、問いかけ文として、アイデアである子ノードが存在しない課題に対してアイデアを問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また例えば、上述の条件（２）に該当することにより抽出された注目ノードに対応するテンプレートは、「アイデアＹに対して長所はありますか？」というものであり、Ｙの部分に当該注目ノードの表すフレーズが適用される。これにより、問いかけ文は、注目ノードである特定のアイデアに対する長所を問い合わせる文となる。このように、問いかけ文として、長所である子ノードが存在しないアイデアに対して長所を問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また例えば、上述の条件（３）に該当することにより抽出された注目ノードに対応するテンプレートは、「アイデアＹに対して短所はありますか？」というものであり、Ｙの部分に当該注目ノードの表すフレーズが適用される。これにより、問いかけ文は、注目ノードである特定のアイデアに対する短所を問い合わせる文となる。図１５において注目ノードＣに付随する問いかけ文も、そのようにして生成される。このように、問いかけ文として、短所である子ノードが存在しないアイデアに対して短所を問い合わせる文を作成することで、議論のうちまだ進行の余地のある部分をユーザに伝えることができる。したがって、議論の進行を効果的に促すことができる。
また例えば、上述の条件（４）に該当することにより抽出された注目ノードに対応するテンプレートは、「議論が行き詰まりましたが、もともとＶ：Ｗについて議論していましたので立ち返って議論しましょう」というものである。そして、Ｖの部分には、注目ノードの特定の先祖ノード（例えばノードＣ）の種類（例えば、アイデア）が適用される。また、Ｗの部分に当該先祖ノードの表すフレーズが適用される。これにより、問いかけ文は、注目ノードの先祖ノードに基づいた発言を促す文となる。図１５においてノードＬに付随する問いかけ文も、そのようにして生成される。このように、問いかけ文として、生成された後に所定の猶予時間を経過しても子ノードが生成されない葉ノードに対して、当該葉ノードの先祖ノードに立ち返った発言を促す文を作成することで、行き詰まった議論を再度進めるための支援ができる。
なお、ＣＰＵ１４は、注目ノードの特定の先祖ノードとしては、例えば、注目ノードのすべての先祖ノードのうち、注目ノードに最も近いアイデアノードを採用してもよい。あるいは、注目ノードの特定の先祖ノードとしては、例えば、注目ノードのすべての先祖ノードのうち、注目ノードに最も近い課題ノードを採用してもよい。なお、注目ノードに最も近いノードとは、注目ノードから当該最も近いノードに到達するために辿るリンクの数が最も少ないノードをいう。
あるいは、同じ１つの葉ノードが上述の条件（４）に繰り返して注目ノードになる場合、当該注目ノードの特定の先祖ノードとして選ばれるノードは、当該注目ノードが選ばれる度に、当該注目ノードから１段階ずつ遠ざかっていってもよい。１段階とは、１つのリンクを辿ることをいう。
続いてＣＰＵ１４は、ステップＳ５３０で、対応する議論について直前のステップＳ５２０で生成した１つ以上の問いかけ文の各々について、妥当性があるか否かを判定する。具体的には、妥当性を判定する対象の問いかけ文の構文解析を行う。すなわち、当該問いかけ文を形態素解析して複数の単語に分け、それら複数の単語の品詞を特定し、更にそれら品詞間の係り受けの関係を特定し、さらに、主語、述語を特定する。そして、この構文解析において異常があった場合に、当該問いかけ文に妥当性がないと判定し、異常がなかった場合に、当該問いかけ文に妥当性があると判定する。構文解析における異常とは、例えば、主語を特定できない、述語が複数個特定された、動詞を特定できない、係り先のない形容詞がある等の、文法に反する状態をいう。
あるいは、ＣＰＵ１４は、ニューラルネットワークで構成される学習済みの妥当性判定モデルを用いて、問いかけ文の各々について、妥当性があるか否かを判定してもよい。学習済みの妥当性判定モデルは、あらかじめフラッシュメモリ１３に記録されている。
この場合、ＣＰＵ１４は、ステップＳ５３０で、問いかけ文に含まれる複数の単語の分散表現の群を、当該学習済みの妥当性判定モデルに入力する。これにより、当該妥当性判定モデルからは、当該問いかけ文が妥当であるか妥当でないかの判定結果が出力される。
これら学習済みの妥当性判定モデルの学習方法については後述する。また、これら学習済みの妥当性判定モデルとしては、例えば、周知のＢｉｌａｔｅｒａｌ ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ−ｔｅｒｍ ｍｅｍｏｒｙ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等の周知のニューラルネットワークが採用されてもよい。
ＣＰＵ１４は、ステップＳ５４０では、対応する議論について直前のステップＳ５３０で妥当だと判定された問いかけ文を、対応する議論に対する発言として投稿する。具体的には、直前のステップＳ５３０で妥当だと判定された１つ以上の問いかけ文の各々について、当該問いかけ文のテキストデータと、対応する議論の議論ＩＤとを関連付けた投稿データに、現時点のタイムスタンプを含め、フラッシュメモリ１３に記録する。なお、このように議論支援装置１が生成してフラッシュメモリ１３に記録した投稿データは、図４のステップＳ２００においては、ファシリテーション構造の作成には用いられない。ステップＳ５４０の後、ＣＰＵ１４はステップＳ５００の処理を終了する。ステップＳ５００の後は、ステップＳ１００に戻って、対応する議論において次の発言が広域ネットワーク２を介して投稿されるまで待つ。
このように、ステップＳ５００において議論支援装置１が生成してフラッシュメモリ１３に記録した問いかけ文の投稿データは、議論支援装置１が上述の表示プログラムを実行することにより、広域ネットワーク２を介して端末３〜６に送信される。したがって、問いかけ文の投稿データは、端末３〜６によって、他の投稿データと同様に、閲覧可能となる。したがって、端末３〜６のユーザは、投稿された問いかけ文に促されて、議論をより深め、議論を導く発言を、より容易に思い付いて投稿することができるようになる。
一方、ＣＰＵ１４は、合意条件が満たされたと判定した後のステップＳ６００では、対応する議論を終了する。具体的には、議論を終結したことを示すテキストデータと対応する議論の議論ＩＤとを関連付けて投稿データとしてフラッシュメモリ１３に記録する。議論を終結したことを示すテキストデータは、例えば「この議論は終結しました」という文字列のテキストデータであってもよい。
これにより、議論が終結したことを示す投稿データは、議論支援装置１が上述の表示プログラムを実行することにより、広域ネットワーク２を介して端末３〜６に送信される。したがって、議論が終結したことを示す投稿データは、端末３〜６によって、他の投稿データと同様に、閲覧可能となる。また、ＣＰＵ１４は、対応する議論の議論ＩＤを含む投稿データを、これ以降受信してもフラッシュメモリ１３に記録せずに破棄する。つまり、ＣＰＵ１４は、対応する議論についての発言の受け付けを終了する。
このように、議論支援装置１が、ファシリテーション構造に基づいて合意条件が満たされるか否かを判定することにより、議論の内容に応じた議論の終結タイミングを選ぶことができる。また、上記の通り、議論支援装置１は、合意条件が満たされたことに基づいて、議論が終結したことを示すデータを、広域ネットワーク２を介して送信可能なように作成する。これにより、議論の終結を報知するという形態で議論誘導を行うことができる。
また、ＣＰＵ１４は、ステップＳ６００で、現時点のファシリテーション構造を端末３〜６に対して閲覧可能にしてもよい。具体的には、現時点のファシリテーション構造を表す画像データを、対応する議論の議論ＩＤと関連付けて、フラッシュメモリ１３に記録する。これにより、現時点のファシリテーション構造を表す画像データが、対応する議論の１つの発言として、投稿された状態になる。したがって、この画像データは、議論支援装置１が上述の表示プログラムを実行することにより、端末３〜６によって、他の投稿データと同様に、閲覧可能となる。
以上の通り、議論支援装置１のＣＰＵ１４は、ステップＳ４００で合意条件が満たされたと判定する前は、ステップＳ１００、Ｓ２００、Ｓ３３０、Ｓ４００、Ｓ５００の処理をこの順に繰り返す。
この繰り返しにおいて、ステップＳ１００が複数回繰り返されることにより、対応する議論の主題Ｘｓに対する複数の発言Ｘｍが広域ネットワーク２を介して取得され、取得された複数の発言Ｘｍがフラッシュメモリ１３に記録される。ＣＰＵ１４が、ステップＳ１００を繰り返し実行することで、発言取得部として機能する。
また、この繰り返しにおいて、フラッシュメモリ１３中の複数の発言Ｘｍに基づいてファシリテーション構造が作成される。ＣＰＵ１４が、ステップＳ２００を繰り返し実行することで、構造作成部および構造取得部として機能する。
より詳しくは、ステップＳ２０５が繰り返し実行されることで、フラッシュメモリ１３中の複数の発言Ｘｍから、複数のアイデア、複数の評価、および複数の課題が抽出される。ＣＰＵ１４が、ステップＳ２０５を繰り返し実行することで、抽出部として機能する。
また、ステップＳ２１０、Ｓ２１５が繰り返し実行されることで、複数のアイデア、複数の評価、および複数の課題の間の接続形態が特定される。すなわち、ファシリテーション構造中の複数のノード間の接続形態が特定される。複数のノード間の接続形態とは、複数のノード間のリンクを介した接続形態、すなわち、複数のノード間の親子関係をいう。ＣＰＵ１４が、ステップＳ２１０、Ｓ２１５を繰り返し実行することで、特定部として機能する。
また、ステップＳ２２０が繰り返し実行されることで、複数のアイデア、複数の評価、および複数の課題の間の接続形態を実現するよう、ファシリテーション構造が作成されてフラッシュメモリ１３に記録される。ＣＰＵ１４が、ステップＳ２２０を繰り返し実行することで、記録部として機能する。
また、ＣＰＵ１４が、ステップＳ３００を実行することで判定部として機能し、ステップＳ５００を実行することで誘導部として機能し、ステップＳ６００を実行することで終結部として機能する。また、ＣＰＵ１４が、ステップＳ２１０を実行することで、予測親ノード生成部として機能し、ステップＳ２１５を実行することで、高類似ノード選択部として機能する。
このように、議論支援装置１は、複数の発言から複数のアイデア、複数の評価、および複数の課題を抽出し、それらをノードとして含むと共に議論の主題をルートノードとする木構造、すなわち、ファシリテーション構造を生成する。このように作成されたファシリテーション構造は、複数のアイデア、複数の評価、および複数の課題が相互に関連した問題解決のための構造である。したがって、議論支援装置１は、ファシリテーション構造を生成することで、議論の整理および進行の支援を行うことができる。
ここで、図７に示した学習済みモデルＭ０１〜Ｍ０４の作成方法について、説明する。学習済みモデルＭ０１〜Ｍ０４の作成は、議論支援装置１が行っても、議論支援装置１以外のコンピュータが行ってもよい。ここでは、議論支援装置１が行う場合について説明するが、議論支援装置１以外のコンピュータが行う場合も同様である。
まず、学習済みモデルＭ０１〜Ｍ０４の作成者は、教示データを作成してフラッシュメモリ１３に記録させる。教示データは、複数個（例えば、千個以上、百万個以上、１０億個以上等）の発言のテキストデータと、それら複数個の発言のテキストデータの各々に対する第１種アノテーションデータとを有する。
各第１種アノテーションデータは、対象とする発言のテキストデータ中の、アイデアに該当するフレーズを指し示す情報と、長所に該当するフレーズを指し示す情報と、短所に該当するフレーズを指し示す情報と、課題に該当するフレーズを指し示す情報とを、含む。
教示データを構成する発言のテキストデータは、例えば、ＣＰＵ１４が、広域ネットワーク２を介して他のＳＮＳのサーバから取得してフラッシュメモリ１３に記録してもよい。ＳＮＳは、Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｅｒｉｖｃｅの略である。各第１種アノテーションデータは、人が、対応する発言のテキストデータの意味を理解した上で作成し、不図示の入力装置を用いて議論支援装置１に入力してもよい。その場合、議論支援装置１のＣＰＵ１４は、入力された第１種アノテーションデータを、対応する発言に関連付けてフラッシュメモリ１３に記録する。
ＣＰＵ１４は、このようにして用意された教示データを用いて学習済みモデルＭ０１〜Ｍ０４の学習を行う。このために、フラッシュメモリ１３には、学習済みモデルＭ０１〜Ｍ０４の学習前のモデルに該当するニューラルネットワークが、学習前モデルとして記録されている。
具体的には、学習済みモデルＭ０１を作成する場合、ＣＰＵ１４は、上記学習前モデルと同じ構造を有するニューラルネットに対し、教師あり学習を行わせる。具体的には、フラッシュメモリ１３中の教示データにおける、複数の発言の各々について、当該発言を入力とし、当該発言に対応する第１種アノテーションデータが示すアイデアのフレーズを出力の正解データとして、誤差逆伝播法等を用いて、学習を行わせる。これにより、学習済みモデルＭ０１が作成される。
なお、入力として用いられる発言のデータ形式は、当該発言に含まれる複数の単語の分散表現の群である。また、正解データとして用いられるフレーズのデータ形式は、当該フレーズに含まれる複数の単語の分散表現の群である。
学習済みモデルＭ０２、Ｍ０３、Ｍ０４についても、アイデアのフレーズではなく、それぞれ、第１種アノテーションデータが示す長所、短所、課題のフレーズを出力の正解データとする点以外は、学習済みモデルＭ０１と同じ学習方法で、作成される。
次に、図８に示した学習済みモデルＭ１１〜Ｍ１６の作成方法について、説明する。学習済みモデルＭ１１〜Ｍ１６の作成は、議論支援装置１が行っても、議論支援装置１以外のコンピュータが行ってもよい。ここでは、議論支援装置１が行う場合について説明するが、議論支援装置１以外のコンピュータが行う場合も同様である。
まず、学習済みモデルＭ１１〜Ｍ１６の作成者は、教示データを作成してフラッシュメモリ１３に記録させる。教示データは、複数個（例えば、千個以上、百万個以上、１０億個以上等）の発言のテキストデータと、それら複数個の発言のテキストデータの各々に対する第２種アノテーションデータとを有する。
各第２種アノテーションデータは、対象とする発言のテキストデータ中の、アイデアに該当するフレーズを指し示す情報と、長所に該当するフレーズを指し示す情報と、短所に該当するフレーズを指し示す情報と、課題に該当するフレーズを指し示す情報とを、含む。
更に各第２種アノテーションデータは、対象とする発言のテキストデータ中の、アイデアに該当するフレーズの親ノードの情報と、長所に該当するフレーズの親ノードの情報と、短所に該当するフレーズの親ノードの情報と、課題に該当するフレーズの親ノードの情報とを、含む。ここで、あるフレーズの親ノードの情報とは、当該フレーズの親ノードがどの発言のどのフレーズに該当するかを示す情報である。すなわち、あるフレーズの親ノードの情報は、当該フレーズの親ノードの、教示データ中の位置を示す。
教示データを構成する発言のテキストデータは、例えば、ＣＰＵ１４が、広域ネットワーク２を介して他のＳＮＳのサーバから取得してフラッシュメモリ１３に記録してもよい。各第２種アノテーションデータは、人が、全発言からファシリテーション構造を作成し、そのファシリテーション構造に基づいて、第２アノテーションデータを作成し、不図示の入力装置を用いて議論支援装置１に入力してもよい。その場合、議論支援装置１のＣＰＵ１４は、入力された第２種アノテーションデータを、対応する発言に関連付けてフラッシュメモリ１３に記録する。
ＣＰＵ１４は、このようにして用意された教示データを用いて学習済みモデルＭ１１〜Ｍ１６の学習を行う。このために、フラッシュメモリ１３には、学習済みモデルＭ１１〜Ｍ１６の学習前のモデルに該当するニューラルネットワークが、学習前モデルとして記録されている。
具体的には、学習済みモデルＭ１１を作成する場合、ＣＰＵ１４は、上記学習前モデルと同じ構造を有するニューラルネットに対し、教師あり学習を行わせる。具体的には、フラッシュメモリ１３中の教示データにおける、アイデアのフレーズを入力とし、当該アイデアの親ノードに該当する課題のフレーズを出力の正解データとして、誤差逆伝播法等を用いて、学習を行わせる。これにより、学習済みモデルＭ１１が作成される。
なお、入力として用いられるフレーズのデータ形式は、当該フレーズに含まれる複数の単語の代表分散表現である。また、正解データとして用いられるフレーズのデータ形式は、当該フレーズに含まれる複数の単語の代表分散表現である。
学習済みモデルＭ１２についても、課題のフレーズではなく親ノードに該当するアイデアのフレーズを出力の正解データとして用いる点以外は、学習済みモデルＭ１１と同じ学習方法で、作成される。
学習済みモデルＭ１３についても、アイデアのフレーズではなく長所のフレーズを入力とし、課題のフレーズではなく親ノードに該当するアイデアのフレーズを出力の正解データとして用いる点以外は、学習済みモデルＭ１１と同じ学習方法で、作成される。学習済みモデルＭ１４についても、アイデアのフレーズではなく短所のフレーズを入力とし、課題のフレーズではなく親ノードに該当するアイデアのフレーズを出力の正解データとして用いる点以外は、学習済みモデルＭ１１と同じ学習方法で、作成される。
学習済みモデルＭ１５についても、アイデアのフレーズではなく課題のフレーズを入力とし、課題のフレーズではなく親ノードに該当する長所のフレーズを出力の正解データとして用いる点以外は、学習済みモデルＭ１１と同じ学習方法で、作成される。学習済みモデルＭ１６についても、アイデアのフレーズではなく課題のフレーズを入力とし、課題のフレーズではなく親ノードに該当する短所のフレーズを出力の正解データとして用いる点以外は、学習済みモデルＭ１１と同じ学習方法で、作成される。
次に、図１４のステップＳ５３０で用いられる学習済みの妥当性判定モデルの作成方法について、説明する。学習済みの妥当性判定モデルの作成は、議論支援装置１が行っても、議論支援装置１以外のコンピュータが行ってもよい。ここでは、議論支援装置１が行う場合について説明するが、議論支援装置１以外のコンピュータが行う場合も同様である。
まず、学習済みの妥当性判定モデルの作成者は、教示データを作成してフラッシュメモリ１３に記録させる。教示データは、複数個（例えば、千個以上、百万個以上、１０億個以上等）の問いかけ文のテキストデータと、それら複数個の問いかけ文の各々に対する妥当性の有無を示すデータとを有する。これら複数個の問いかけ文の一部は、妥当性があり、それゆえ、妥当性がある旨のデータと関連付けられている。これら複数個の問いかけ文の残りの一部は、妥当性がなく、それゆえ、妥当性がない旨のデータと関連付けられている。これら教示データは、例えば、上記作成者が作成してもよいし、ＣＰＵ１４が、広域ネットワーク２を介して取得してフラッシュメモリ１３に記録してもよい。
ＣＰＵ１４は、このようにして用意された教示データを用いて学習済みモデルＭ０１〜Ｍ０４の学習を行う。このために、フラッシュメモリ１３には、学習済みモデルＭ０１〜Ｍ０４の学習前のモデルに該当するニューラルネットワークが、学習前モデルとして記録されている。
具体的には、学習済みモデルＭ０１を作成する場合、ＣＰＵ１４は、学習済みの妥当性判定モデルと同じ構造を有するニューラルネットに対し、教師あり学習を行わせる。具体的には、フラッシュメモリ１３中の教示データにおける、複数の問いかけ文の各々について、当該問いかけ文を入力とし、当該問いかけ文に関連付けられた妥当性の有無のデータを出力の正解データとして、誤差逆伝播法等を用いて、学習を行わせる。これにより、学習済みの妥当性判定モデルが作成される。
以上のような議論支援装置１およびそれを含む通信システムの、従来技術に対するアドバンテージについて、以下説明する。本実施形態では、インターネット等の広域ネットワーク２上で群衆の議論の整理および進行を支援する通信システムが実現する。
近年、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）などのＳＮＳによって、インターネットで何万人、何百万人という人たちの意見を収集できるようになってきている。これらの意見をうまくまとめて、何百万人という人たちの議論の整理および進行を支援できたり合意を形成できる可能性がある。大規模な合意を形成できれば、これまでには不可能だった、大規模な人数による意思決定が可能になる。
ファシリテータの立場で合意を形成しようとすると、ああ言わなければうまく行ったかもしれない、こうしておけばよかったと思うような失敗を経験することもある。そんな失敗をしないために、様々な相手と交渉することを練習する自動交渉シミュレーションが知られている。ただし、既存の自動交渉シミュレーションで得られる合意は妥協の産物になっている。自動交渉シミュレーションでは、前もって与えられた条件の中で、合意を探すことしかできないからである。
議論の整理および進行を支援するにはもっと創造的な視点が必要ある。なぜなら、創造的な視点がないと、対立しているような状況では、いくら交渉や議論を続けても対立したままになり、より良い合意を探すことができないからである。例えば、今年の夏休みに家族で旅行する先を決めるときに、母はハワイ、父はボストンに行きたいとする。創造的な視点がないと、どちらかの選択肢をコスト、魅力、地域などから分析してからしか選べない。どちらかに決めることで、母か父の心情も悪くなるかもしれない。創造的な視点があれば、例えば、今年は母の意見を優先する代わりに、来年は父の意見を優先しようというようなメタレベルの合意を創造する事も可能である。本実施形態の議論支援装置１は、端末３〜６のユーザである群衆の発言からファシリテーション構造を作成する、発言に含まれる創造的な視点を整理することができる。
また、群衆のアイデアの集約や質問応答を支援するシステムとしては、Ｉｎｎｏｃｅｎｔｉｖｅ、Ｑｕｏｌａなどがあるが、主にアイデアを生成する事に主眼が置かれ、意見や好みに基づく議論の整理および進行を支援することまでは対象としていない。例えば、旅行先を決めているときに、行きたい場所の候補だけたくさんあげても、議論の整理も進行も行えない。たくさんのアイデアを生成する支援をする他に、そのアイデアに対する好みや意見に基づいて、アイデアを導くことが必要である。本実施形態の議論支援装置１ではそれが可能になる。
群衆の討論を支援するシステムとしては、Ｄｅｌｉｂｅｒａｔｏｒｉｕｍ（非特許文献３、４、５参照）が知られている。ただしこのシステムでは、群衆は規定の構造に基づいて討論を展開する必要があり、自由な自然言語による討論はできない。規定の構造に基づいて討論をする場合、全てのユーザがこの構造について深く理解している必要がある。既存の研究では、Ｄｅｌｉｂｅｒａｔｏｒｉｕｍで適切に討論を展開するために、構造に基づいて討論を進めることを強制される。これに対し、本実施形態の議論支援装置１は、ユーザは、議論の構造にとらわれず、自由に記述した発言を投稿することができる。自由記述であれば、参加者の発言を促すためのジョークなども発言することができるが、Ｄｅｌｉｂｅｒａｔｏｒｉｕｍでは不可能である。
また、１９９０年代に、ＰＥＲＳＵＡＤＥＲ（非特許文献６、７参照）やＪＵＤＧＥ（非特許文献８参照）といった人工知能の事例ベース推論を用いた合意形成の支援システムが開発されている。しかし、これは特定のドメインでの合意形成を支援するものであり、インターネット上で多人数を対象とした内容ではない。また、ファシリテーション構造を作成するものでもない。
本実施形態の議論支援装置１は、広域ネットワーク２上での群衆の意見や好みに基づいて議論の整理および進行を支援するシステムを実現する。上の例で示した通り、例えば、旅行先を決めているときに、行きたい場所の候補のアイデアだけたくさん挙げても、議論の整理も進行も支援できない。たくさんのアイデアを生成する他に、そのアイデアに対する好みや意見に基づいて、議論の整理および進行を支援することが必要である。そして、群衆の議論の整理および進行を支援するために、群衆の議論を大規模かつ高速に仲介し、より創造的な議論の整理および進行を支援するファシリテータエージェントが、本実施形態の議論支援装置１である。
本実施形態の議論支援装置１は、ファシリテーション技法の一つであるＩＢＩＳ（非特許文献９、１０参照）にヒントを得た問題解決の構造化手法を用いて、議論の中にある問題解決の構造（すなわち、ファシリテーション構造）を、大規模かつ高速に抽出することによって、群衆を創造的な議論の整理および進行を支援することができる。
議論の構造そのものを抽出する方法としてＡｒｇｕｍｅｎｔａｔｉｏｎ Ｍｉｎｉｎｇ（非特許文献１１参照）が知られている。しかし、その研究のほとんどが論理的な議論の構造を抽出するものであり、仮に抽出がうまくできたとしても、対立したものは対立しており、合意を得ることは難しいと考えらえる。合意を形成するためには、今ある議論の構造を抽出するだけでは不十分であり、それと同時に問題解決の構造を抽出しながら創造的な合意案を群衆とインタラクションをしながら、形成していくことが重要だと考えられる。
本実施形態の議論支援装置１は、創造的なファシリテーションの代表的な方法論であるＩＢＩＳの手法にヒント得た新しい合意構造表現手法に基づき、議論を仲介しながら問題解決の構造を抽出することによって、議論の整理および進行を支援することができる。ない、従来のＩＢＩＳの手法は、会議室等の限られたスペース内で少数の人間の意見を集約するために人が手作業で行う技法として知られており、広域ネットワーク２を介した群衆を相手とする大規模な議論に使用することなど、これまで全く想定されていなかった。
なお、特許文献１には、複数のオピニオンリーダのそれぞれの意見に基づいて各オピニオンリーダの最適解を算出する機能と、一般参加者に指示するオピニオンリーダを投票させる機能とを有する議論支援装置が記載されている。また、特許文献２には、対象問題について、複数のオピニオンリーダによる議論と、議論に対する一般参加者の意見との合意形成において、一般参加者の意見の分析を支援する議論支援装置が記載されている。特許文献１、２のいずれにおいても、ファシリテーション構造についての記載は無い。
（他の実施形態）
なお、本発明は上記した実施形態に限定されるものではなく、適宜変更が可能である。また、上記実施形態において、実施形態を構成する要素は、特に必須であると明示した場合および原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではない。また、上記実施形態において、実施形態の構成要素の個数、数値、量、範囲等の数値が言及されている場合、特に必須であると明示した場合および原理的に明らかに特定の数に限定される場合等を除き、その特定の数に限定されるものではない。特に、ある量について複数個の値が例示されている場合、特に別記した場合および原理的に明らかに不可能な場合を除き、それら複数個の値の間の値を採用することも可能である。また、本発明は、上記実施形態に対する以下のような変形例および均等範囲の変形例も許容される。なお、以下の変形例は、それぞれ独立に、上記実施形態に適用および不適用を選択できる。すなわち、以下の変形例のうち明らかに矛盾する組み合わせを除く任意の組み合わせを、上記実施形態に適用することができる。
（変形例１）
上記実施形態においては、ファシリテーション構造は議論支援装置１によって自動で作成されている。しかし、ファシリテーション構造は人によって複数の発言Ｘｍから作成されてもよい。その場合、議論支援装置１のＣＰＵ１４は、ステップＳ２００において、人によって作成されて人によって入力されたファシリテーション構造のデータを取得してフラッシュメモリ１３に記録する。その場合、ＣＰＵ１４は、人によって作成されたファシリテーション構造に基づいて、議論における発言を誘導するための問いかけ文を、通信ネットワークを介して送信可能なように生成する。
（変形例２）
上記実施形態では、ファシリテーション構造において、評価に属する長所と短所は、互いに区別されて記録されている。しかし、必ずしもこのようになっておらずともよく、長所と短所に区別されずに単なる評価としてフラッシュメモリ１３に記録されていてもよい。
（変形例３）
上記実施形態では、ＣＰＵ１４は、図４のステップＳ１００で新規の発言を１回取得する度にステップＳ２００以降を実行する。しかし、必ずしもこのようになっておらずともよい。例えば、ＣＰＵ１４は、新規の発言を１０回以上の所定回数取得する度にステップＳ２００以降を実行するようになっていてもよい。また例えば、ＣＰＵ１４は、新規の発言を１００回以上の所定回数取得する度にステップＳ２００以降を実行するようになっていてもよい。また例えば、ＣＰＵ１４は、新規の発言を１０００回以上の所定回数取得する度にステップＳ２００以降を実行するようになっていてもよい。
通常、人がファシリテータとなって議論をファシリテートするときは、既にあるファシリテーション構造に基づいて、「このアイデアに対する長所はないですか」等、特定のノードの子ノードとなるべき発言を促す呼びかけを行う。そしてファシリテータは、その呼びかけに呼応した１個または２、３個の発言を当該特定ノードの子ノードとして追加する。
このように、特定のノードに対する発言を促し、それに応じて得られた少数の発言を子ノードに付け加えるという作業が繰り返されるのが、人によって行われるファシリテーションの特徴である。このような流れにおいては、受けた発言をどのノードの子ノードとして追加するべきかは、ファシリテータにとって自明である。上述のように、ファシリテータが特定のノードの子ノードとなるべき発言を求める呼びかけを行ったからである。
これに対し、本例では、１０個以上、１００個以上、あるいは１０００個以上の発言を一度にそれぞれノードとしてファシリテーション構造に加えることができる。どの発言がどのノードの子ノードとなるフレーズを含んでいるかが明示されていない状況で、多数の発言からファシリテーション構造を作成する作業は、人にとっては非常に困難である。
本例においては、ＣＰＵ１４が、上記実施形態で説明したようなアルゴリズムで発言中から新規ノードを抽出し、さらに当該新規ノードの親ノードを選択することができる。つまり、上記実施形態の議論支援装置は、どのノードがどのノードの子ノードとなるかということについて明示されていなくても、多数の発言からファシリテーション構造を作成するという、人にとっては非常に困難な処理を行うのに、非常に適している。
（変形例４）
上記実施形態では、ＣＰＵ１４は、図４のステップＳ５００に示すような、議論における発言を誘導するための問いかけ文を生成する処理を行っているが、この処理の実行は必須事項ではない。その場合でも、ＣＰＵ１４は、発言から自動的にファシリテーション構造を作成する処理行うことで、従来にない機能および効果を達成する。
この場合、どの発言がどのノードの子ノードとなるフレーズを含んでいるかが明示されていない状況となる。このような場合において、もし人がファシリテータになるのなら、順次得られる発言からファシリテーション構造をファシリテータが作成するのは、非常に困難である。ファシリテータが問いかけをすることができなくなるからである。
これに対し、本例においては、ＣＰＵ１４が、上記実施形態で説明したようなアルゴリズムで発言中から新規ノードを抽出し、さらに当該新規ノードの親ノードを選択することができる。つまり、上記実施形態の議論支援装置は、どのノードがどのノードの子ノードとなるかということについて明示されていなくても、順次得られる発言からファシリテーション構造を作成するという、人にとっては非常に困難な処理を行うのに、非常に適している。
（変形例５）
上記実施形態では、ＣＰＵ１４は、新規の発言を取得したことに基づいてステップＳ５００を実行している。しかし、必ずしもこのようになっておらずともよい。例えば、ＣＰＵ１４は、所定の待機期間（例えば１時間）発言を受信しないときにも、ステップＳ５００を実行してもよい。
（変形例６）
上記実施形態では、議論支援装置１が接続する通信ネットワークの一例として広域ネットワーク２が例示されている。しかし、議論支援装置１が接続する通信ネットワークは、広域ネットワーク２に限らず、どのような通信ネットワークであってもよい。
（変形例７）
ファシリテーション構造中のノードが注目ノードとなる条件は、上述の条件（１）〜（４）以外にあってもよい。例えば、課題である子ノードが存在しない長所、および、課題である子ノードが存在しない短所も、注目ノードとなってもよい。その場合、ＣＰＵ１４は、ファシリテーション構造中の複数の長所または複数の短所のうち、課題である子ノードが存在しない長所または短所のノードがあることに基づいて、問いかけ文として、当該ノードに対する課題を問い合わせる文を作成してもよい。
また同様に、評価である子ノードが存在しないアイデアも、注目ノードとなってもよい。その場合、ＣＰＵ１４は、ファシリテーション構造中の複数のアイデアのうち、評価である子ノードが存在しないアイデアがあることに基づいて、問いかけ文として、当該アイデアに対する評価を問い合わせる文を作成してもよい。
つまり、ＣＰＵ１４は、ファシリテーション構造に含まれる複数のノードのうち、子ノードが存在しない特定のノードがあることに基づいて、問いかけ文として、特定のノードの子ノードとなるフレーズを問い合わせる文を作成してもよい。
（変形例８）
上記実施形態では、発言中から新規ノードを抽出する処理にニューラルネットの学習済みモデルＭ０１〜Ｍ０４が用いられている。しかし、この処理には、単純ベイズ分類器等のニューラルネット以外のものが用いられてもよい。
また、上記実施形態では、新規ノードから予測親ノードを算出する処理にニューラルネットの学習済みモデルＭ１１〜Ｍ１６が用いられている。しかし、この処理には、単純ベイズ分類器等のニューラルネット以外のものが用いられてもよい。
（変形例９）
上記実施形態では、ファシリテーション構造中において、課題は長所または短所の子ノードとなっている。しかし、課題は、アイデアの子ノードになってもよい。また、課題は、他の課題の子ノードになってもよい。また、課題は、主題の子ノードになってもよい。また、課題、長所、短所、アイデア間の親子関係は、上記例に限らず適宜変更してもよい。また、上記実施形態では、ファシリテーション構造は、主題、アイデア、課題、長所、短所の５種類のノードを含んでいるが、ファシリテーション構造は、手段、アイデア、課題の３種類のノードのみを含んでいてもよい。
（変形例１０）
ＣＰＵ１４は、ステップＳ５３０における妥当性のチェックを行わなくてもよい。すなわち、ＣＰＵ１４は、ステップＳ５２０で生成した問いかけ文を、その妥当性をチェックすることなく、ステップＳ５４０で投稿してもよい。
１ 議論支援装置
２ 広域ネットワーク
３〜６ 端末
１３ フラッシュメモリ
Ｘｓ 主題
Ｘｍ 発言

Claims (15)

  1. 議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）と、
    前記発言取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいてファシリテーション構造を作成する構造作成部（Ｓ２００）と、を備え、
    前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、
    前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含み、
    前記構造作成部は、
    前記発言取得部（Ｓ１００）によって前記記憶媒体（１３）に記録された前記複数の発言（Ｘｍ）から、前記複数のアイデア、前記複数の評価、および前記複数の課題を抽出する抽出部（Ｓ２０５）と、
    前記抽出部（Ｓ２０５）によって抽出された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を特定する特定部（Ｓ２１０、Ｓ２１５）と、
    前記特定部（Ｓ２１０、Ｓ２１５）によって特定された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を実現するよう、前記ファシリテーション構造を作成して記憶媒体（１３）に記録する記録部（Ｓ２２０）と、を有する議論支援装置。
  2. 前記抽出部は、前記複数の発言の各々について、当該発言を、発言が入力されると当該発言に含まれるアイデアを出力するよう学習されたニューラルネットワークであるアイデア抽出モデル（Ｍ０１）、発言が入力されると当該発言に含まれる評価を出力するよう学習されたニューラルネットワークである評価抽出モデル（Ｍ０２、Ｍ０３）、および、発言が入力されると当該発言に含まれる課題を出力するよう学習されたニューラルネットワークである課題抽出モデル（Ｍ０４）に、入力することで、当該発言に含まれるアイデア、評価、または課題を抽出する、請求項１に記載の議論支援装置。
  3. 前記特定部は、
    前記抽出部によってアイデア、評価、または課題が新規ノードとして抽出されたとき、前記新規ノードの親ノードになるべき予測親ノードを、前記ファシリテーション構造中のノードとは別に、生成する予測親ノード生成部（Ｓ２１０）と、
    前記ファシリテーション構造から、前記予測親ノードとの類似度が所定の基準より高いノードを選択する高類似ノード選択部（Ｓ２１５）と、
    を備え、
    前記記録部は、前記高類似ノード選択部が選択したノードの子ノードとして、前記新規ノードを前記ファシリテーション構造に追加し、
    予測親ノード生成部は、あるノードが入力されるとそのノードの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１−Ｍ１６）に、前記新規ノードを入力することで、前記予測親ノードを生成する請求項１または２に記載の議論支援装置。
  4. 前記予測親ノード生成部は、あるノードが入力されるとそのノードの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１−Ｍ１６）に、前記新規ノードを入力することで、前記予測親ノードを生成する請求項３に記載の議論支援装置。
  5. 前記予測親ノード生成部は、前記新規ノードがアイデアであれば、あるアイデアが入力されるとそのアイデアの親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１１、Ｍ１２）に入力することで、前記予測親ノードを生成し、
    前記予測親ノード生成部は、前記新規ノードが評価であれば、ある評価が入力されるとその評価の親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１３、Ｍ１４）に入力することで、前記予測親ノードを生成し、
    前記予測親ノード生成部は、前記新規ノードが課題であれば、ある課題が入力されるとその課題の親ノードになるべきノードを前記ファシリテーション構造中のノードとは別に生成するようあらかじめ学習されたニューラルネットワークである学習済みモデル（Ｍ１５、Ｍ１６）に入力することで、前記予測親ノードを生成する、請求項３に記載の議論支援装置。
  6. 前記ファシリテーション構造に基づいて、前記議論について所定の終結条件が満たされたか否かを判定する判定部（Ｓ３００）と、
    前記所定の終結条件が満たされたと前記判定部が判定したことに基づいて、議論が終結したことを示すデータを、前記通信ネットワークを介して送信可能なように作成する終結部（Ｓ６００）とを備えたことを特徴とする請求項１ないし５のいずれか１つに記載の議論支援装置。
  7. 前記記録部（Ｓ２２０）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）を備えた請求項１ないし６のいずれか１つに記載の議論支援装置。
  8. 議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）と、
    前記発言取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいて作成されたファシリテーション構造を取得して記憶媒体に記録する構造取得部（Ｓ２００）と、
    前記構造取得部（Ｓ２００）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）と、を備え、
    前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、
    前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含む、議論支援装置。
  9. 前記誘導部は、前記ファシリテーション構造に含まれる複数のノードのうち、子ノードが存在しない特定のノード（Ｍ）があることに基づいて、前記問いかけ文として、前記特定のノードの子ノードとなるフレーズを問い合わせる文を作成することを特徴とする請求項７または８に記載の議論支援装置。
  10. 前記複数の評価は、複数の長所と、複数の短所とを含み、
    前記ファシリテーション構造は、前記複数の長所のそれぞれ、および、前記複数の短所のそれぞれを、１つのノードとして含み、
    前記複数の長所は、前記複数のアイデアのうち親ノードとなるアイデアの長所を表し、
    前記複数の短所は、前記複数のアイデアのうち親ノードとなるアイデアの短所を表すことを特徴とする請求項７ないし９のいずれか１つに記載の議論支援装置。
  11. 前記誘導部は、
    前記複数のアイデアのうち、長所である子ノードが存在しない特定のアイデア（Ｃ）があることに基づいて、前記問いかけ文として、前記特定のアイデアに対する長所を問い合わせる文を作成することを特徴とする請求項１０に記載の議論支援装置。
  12. 前記誘導部は、
    前記複数のアイデアのうち、短所である子ノードが存在しない特定のアイデアがあることに基づいて、前記問いかけ文として、前記特定のアイデアに対する短所を問い合わせる文を作成することを特徴とする請求項１０または１１に記載の議論支援装置。
  13. 前記誘導部は、
    前記ファシリテーション構造に含まれる複数のノードのうち、生成された後に所定の猶予時間を経過しても子ノードが生成されない葉ノード（Ｌ）があることに基づいて、前記問いかけ文として、前記葉ノードの先祖ノード（Ｃ）に基づいた発言を促す文を作成することを特徴とする請求項７ないし１２のいずれか１つに記載の議論支援装置。
  14. 議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）、
    前記発言取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいてファシリテーション構造を作成する構造作成部（Ｓ２００）、として、議論支援装置を機能させるプログラムであって、
    前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、
    前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含み、
    前記構造作成部は、
    前記発言取得部（Ｓ１００）によって前記記憶媒体（１３）に記録された前記複数の発言（Ｘｍ）から、前記複数のアイデア、前記複数の評価、および前記複数の課題を抽出する抽出部（Ｓ２０５）と、
    前記抽出部（Ｓ２０５）によって抽出された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を特定する特定部（Ｓ２１０、Ｓ２１５）と、
    前記特定部（Ｓ２１０、Ｓ２１５）によって特定された前記複数のアイデア、前記複数の評価、および前記複数の課題の間の接続形態を実現するよう、前記ファシリテーション構造を作成して記憶媒体（１３）に記録する記録部（Ｓ２２０）と、を有するプログラム。
  15. 議論の主題（Ｘｓ）に対する複数の発言（Ｘｍ）を通信ネットワーク（２）を介して取得し、取得した前記複数の発言（Ｘｍ）を記憶媒体（１３）に記録する発言取得部（Ｓ１００）、
    前記発言取得部（Ｓ１００）によって取得および記録された前記複数の発言（Ｘｍ）に基づいて作成されたファシリテーション構造を取得して記憶媒体に記録する構造取得部（Ｓ２００）、
    前記構造取得部（Ｓ２００）が前記記憶媒体（１３）に記録した前記ファシリテーション構造に基づいて、前記議論における発言を誘導するための問いかけ文を、前記通信ネットワークを介して送信可能なように生成する誘導部（Ｓ５００）として、議論支援装置を機能させるプログラムであって、
    前記ファシリテーション構造は、前記主題（Ｘｓ）をルートノードとして含み、前記複数の発言に含まれる複数のアイデアのそれぞれ、複数の評価のそれぞれ、および複数の課題のそれぞれを、１つのノードとして含む木構造を表すデータであり、
    前記複数のアイデアは、親ノードとなる前記主題（Ｘｓ）または前記複数の課題のうち親ノードとなる課題を解決する案を表すノードを含み、前記複数の評価は、前記複数のアイデアのうち親ノードとなるアイデアの評価を表すノードを含み、前記複数の課題は、前記複数のアイデアのうち親ノードとなる評価に対する課題を表すノードを含む、プログラム。
JP2020535844A 2018-08-07 2019-08-07 議論支援装置および議論支援装置用のプログラム Active JP7360655B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018148665 2018-08-07
JP2018148665 2018-08-07
PCT/JP2019/031183 WO2020032125A1 (ja) 2018-08-07 2019-08-07 議論支援装置および議論支援装置用のプログラム

Publications (2)

Publication Number Publication Date
JPWO2020032125A1 true JPWO2020032125A1 (ja) 2021-08-10
JP7360655B2 JP7360655B2 (ja) 2023-10-13

Family

ID=69414817

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020535844A Active JP7360655B2 (ja) 2018-08-07 2019-08-07 議論支援装置および議論支援装置用のプログラム

Country Status (3)

Country Link
US (1) US11847421B2 (ja)
JP (1) JP7360655B2 (ja)
WO (1) WO2020032125A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200123945A (ko) * 2019-04-23 2020-11-02 현대자동차주식회사 자연어 생성 장치, 이를 포함하는 차량 및 자연어 생성 방법
WO2023069989A1 (en) * 2021-10-19 2023-04-27 Intelling Media Corp. System and method for topological representation of commentary
JP2023179025A (ja) * 2022-06-07 2023-12-19 株式会社日立製作所 発想支援装置、発想支援プログラムおよび発想支援方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011187064A (ja) * 2011-03-09 2011-09-22 Fuji Xerox Co Ltd 画像処理システム及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7266548B2 (en) * 2004-06-30 2007-09-04 Microsoft Corporation Automated taxonomy generation
JP2012014234A (ja) 2010-06-29 2012-01-19 Tokyo Denki Univ 合意形成支援装置および合意形成支援プログラム
JP2013003880A (ja) 2011-06-17 2013-01-07 Tokyo Denki Univ 合意形成支援装置、合意形成支援プログラムおよび合意形成支援方法
US9946809B2 (en) * 2014-04-09 2018-04-17 Introspective Systems LLC Executable graph framework for the management of complex systems
TWI602064B (zh) * 2016-11-23 2017-10-11 財團法人工業技術研究院 資料傳輸系統，以及其所使用的拓樸架構建立方法與拓樸架構修復方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011187064A (ja) * 2011-03-09 2011-09-22 Fuji Xerox Co Ltd 画像処理システム及びプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
久兼 大知: "カスケード型ＳＶＭを用いたケースメソッド学習の議論構造グラフ作成方式", 電気学会研究会資料, vol. p.69-74, JPN6019040313, 28 May 2015 (2015-05-28), JP, ISSN: 0005138627 *
池田 雄斗: "ファシリテータの質問生成のための先行文脈からの参加者の意見抽出方法", 一般社団法人 人工知能学会 第３１回全国大会論文集ＤＶＤ ［ＤＶＤ−ＲＯＭ］, JPN6019040314, 6 July 2018 (2018-07-06), pages 1 - 3, ISSN: 0005138628 *

Also Published As

Publication number Publication date
US20210319187A1 (en) 2021-10-14
WO2020032125A1 (ja) 2020-02-13
US11847421B2 (en) 2023-12-19
JP7360655B2 (ja) 2023-10-13

Similar Documents

Publication Publication Date Title
Androutsopoulou et al. Transforming the communication between citizens and government through AI-guided chatbots
Deriu et al. Survey on evaluation methods for dialogue systems
Muller et al. Designing ground truth and the social life of labels
JPWO2020032125A1 (ja) 議論支援装置および議論支援装置用のプログラム
CN114003949B (zh) 基于隐私数据集的模型训练方法和装置
US11205130B2 (en) Mental modeling method and system
KR20200071878A (ko) 딥러닝 기반으로 구성된 대학 학과별 표준 모델 및 인공 지능을 이용한 입시 합격 가이드 제공 방법 및 서버
Montoni et al. Applying grounded theory to understand software process improvement implementation
Chen et al. Cognitive computing on unstructured data for customer co-innovation
KR102462412B1 (ko) 멘토링 플랫폼 제공 시스템 및 그 방법
Nyberg et al. BARD: A structured technique for group elicitation of Bayesian networks to support analytic reasoning
Sitthithanasakul et al. Using ontology to enhance requirement engineering in agile software process
Siiman et al. Opportunities and challenges for AI-assisted qualitative data analysis: An example from collaborative problem-solving discourse data
CN113220951A (zh) 一种基于智能内容的医学临床支持方法和系统
CN111143454B (zh) 一种文本输出方法、装置及可读存储介质
Sarigiannidis et al. A novel lexicon-based approach in determining sentiment in financial data using learning automata
Troussas et al. Automatic predictions using LDA for learning through social networking services
De Vries Reducing ambiguity during enterprise design
Nik-Bakht et al. Towards bottom-up decision making and collaborative knowledge generation in urban infrastructure projects through online social media
Jantunen Making sense of software product requirements
Zeb et al. Infrastructure management transaction formalism protocol specification: A process development model
Casillas et al. Knowledge extraction and representation of collaborative activity through ontology-based and Social Network Analysis technologies
KR102635363B1 (ko) 대화용 챗봇 기반 ai 코드 생성 시스템
Mahmood et al. Bridging the gaps between impact assessments and resettlement planning: a case study of Padma Multipurpose Bridge Project, Bangladesh
Macharia Telephone farming as an enterprise: the role of digital technologies

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210212

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220722

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: 20230829

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230921

R150 Certificate of patent or registration of utility model

Ref document number: 7360655

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150