KR20180108562A - 지능형 가상 어시스턴트 시스템들 및 관련 방법들 - Google Patents
지능형 가상 어시스턴트 시스템들 및 관련 방법들 Download PDFInfo
- Publication number
- KR20180108562A KR20180108562A KR1020187009347A KR20187009347A KR20180108562A KR 20180108562 A KR20180108562 A KR 20180108562A KR 1020187009347 A KR1020187009347 A KR 1020187009347A KR 20187009347 A KR20187009347 A KR 20187009347A KR 20180108562 A KR20180108562 A KR 20180108562A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- game
- data
- processor
- virtual assistant
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 230000015654 memory Effects 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims description 64
- 238000003860 storage Methods 0.000 claims description 40
- 230000004044 response Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 38
- 238000003058 natural language processing Methods 0.000 claims description 37
- 230000003993 interaction Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 206010003805 Autism Diseases 0.000 abstract description 11
- 208000020706 Autistic disease Diseases 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 35
- 238000004891 communication Methods 0.000 description 33
- 238000012545 processing Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000012552 review Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 230000009471 action Effects 0.000 description 11
- 230000001149 cognitive effect Effects 0.000 description 10
- 238000013480 data collection Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 229940079593 drug Drugs 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000010923 batch production Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 235000013601 eggs Nutrition 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 206010007559 Cardiac failure congestive Diseases 0.000 description 3
- 241000760358 Enodes Species 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000003155 kinesthetic effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 241000191291 Abies alba Species 0.000 description 2
- 102100035081 Homeobox protein TGIF1 Human genes 0.000 description 2
- 101000596925 Homo sapiens Homeobox protein TGIF1 Proteins 0.000 description 2
- 101001033233 Homo sapiens Interleukin-10 Proteins 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 2
- 229920000168 Microcrystalline cellulose Polymers 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 241000700159 Rattus Species 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 208000017763 cutaneous neuroendocrine carcinoma Diseases 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010013932 dyslexia Diseases 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 235000019813 microcrystalline cellulose Nutrition 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003607 modifier Substances 0.000 description 2
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 1
- 241000282421 Canidae Species 0.000 description 1
- 102100034761 Cilia- and flagella-associated protein 418 Human genes 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 101100439214 Homo sapiens CFAP418 gene Proteins 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- FQCKMBLVYCEXJB-MNSAWQCASA-L atorvastatin calcium Chemical compound [Ca+2].C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC([O-])=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1.C=1C=CC=CC=1C1=C(C=2C=CC(F)=CC=2)N(CC[C@@H](O)C[C@@H](O)CC([O-])=O)C(C(C)C)=C1C(=O)NC1=CC=CC=C1 FQCKMBLVYCEXJB-MNSAWQCASA-L 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000011654 childhood malignant neoplasm Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 201000010235 heart cancer Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000024348 heart neoplasm Diseases 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229940002661 lipitor Drugs 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G06F17/30654—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
- A63F13/44—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment involving timing of operations, e.g. performing an action within a time slot
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/45—Controlling the progress of the video game
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G06F17/30681—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G06N99/005—
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
- A63F2300/8064—Quiz
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
지능형 가상 어시스턴트 시스템 및 관련 방법이 여기 제공된다. 지능형 가상 어시스턴트 시스템은 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 적어도 하나의 실행 가능 명령어를 포함하고, 상기 명령어는 프로세서에 의해 실행될 때 프로세서로 하여금: 적어도 하나의 캠페인 애플리케이션들로부터 복수의 캠페인 및 복수의 프롬프트를 나타내는 적어도 하나의 입력 파라미터들을 수신하는 동작; 적어도 하나의 입력 파라미터들에 기초하여 캠페인 흐름을 결정하는 동작; 및 캠페인 흐름에 기초하여 지능형 가상 어시스턴트 애플리케이션을 생성하는 동작를 포함하는 동작들을 실행하도록 야기한다. 개시된 지능형 가상 어시스턴트 시스템 및 관련 방법은, 예를 들어 자폐증과 같은 특별한 필요를 가진 아동 및 성인과 같은 사람들의 상담 및 지도에 사용될 수 있다.
Description
관련 출원들의 상호 참조
본 출원은 2015년 9월 2일자로 출원되고 발명의 명칭이 "지능형 가상 어시스턴트 시스템 및 관련 방법"인 미국 가출원 제62/213,276호의 35 U.S.C.§119(e) 하의 혜택을 주장하며, 그 내용은 본 명세서에 참조에 의해 그 전체가 통합된다.
특별한 필요를 가진 성인은, 일하러 나갈 준비를 하기 위해 잠에서 깨어나거나, 약속 장소에 가기 위해 대중교통 시스템을 이용하거나, 약국에서 처방전을 작성하는 것을 기억하거나, 자기의 약을 먹도록 상기되거나, 식품을 쇼핑하거나, 음식을 조리하거나, 집을 정기적으로 청소하는 등과 같이 삶에 있어서 수많은 생활 필수 요건들에 대처하는 데 있어서 종종 도움을 필요로 한다. 그러한 특별한 필요를 가진 많은 성인들이 오늘날 자신들이 그러한 작업을 하도록 돕는 친구와 가족에게 의존하고 있지만, 그러한 지원을 받지 못하는 사람들이 많이 있다. 컴퓨터 기술이 매년 더 빠르고, 더 작고, 더 휴대성을 가지며, 더 똑똑해지는 데 있어서 기적적인 발전 페이스를 지속하고 있지만, 구두 의사 소통을 할 수 있고 사람들을 안내하여 그러한 간단한 작업을 수행하게 할 수 있는 인공 지능 시스템은 결여되어 있다.
본 명세서에 지능형 가상 어시스턴트 시스템(intelligent virtual assistant system) 및 관련 방법이 제공된다. 지능형 가상 어시스턴트 시스템은 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세서에 의해 실행될 때 프로세서로 하여금 적어도 하나의 캠페인 애플리케이션으로부터 복수의 캠페인 및 복수의 프롬프트를 나타내는 적어도 하나의 입력 파라미터를 수신하는 동작; 적어도 하나의 입력 파라미터에 기초하여 캠페인 흐름을 결정하는 동작; 및 캠페인 흐름에 기초하여 지능형 가상 어시스턴트 애플리케이션을 생성하는 동작을 포함하는 동작들을 실행하도록 야기하는 적어도 하나의 실행 가능 명령어를 포함한다. 개시된 지능형 가상 어시스턴트 시스템 및 관련 방법은, 예를 들어 자폐증과 같은 특별한 필요를 가진 아동 및 성인과 같은 사람들의 상담 및 지도에 사용될 수 있다.
본 명세서에는, 지능형 가상 어시스턴트 시스템이 제공되며, 이것은 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세서에 의해 실행될 때 프로세서로 하여금 적어도 하나의 캠페인 애플리케이션으로부터 복수의 캠페인 및 복수의 프롬프트를 나타내는 적어도 하나의 입력 파라미터를 수신하는 동작; 적어도 하나의 입력 파라미터에 기초하여 캠페인 흐름을 결정하는 동작; 및 캠페인 흐름에 기초하여 지능형 가상 어시스턴트 애플리케이션을 생성하는 동작을 포함하는 동작들을 실행하도록 야기하는 적어도 하나의 실행 가능 명령어를 포함한다.
또한, 본 명세서에는 컴퓨터 판독 가능 저장 매체가 제공되는데, 이것은 프로세서에 의해 실행될 때 프로세서로 하여금 사용자들의 개인 특성을 나타내는 복수의 사용자 데이터를 수신하는 동작; 복수의 사용자 데이터를 사용자별 점수의 매트릭스로 변환하는 동작; 사용자별 점수 매트릭스에 기초하여 제1 사용자 클러스터를 생성하는 동작; 사용자별 점수 매트릭스에 기초하여 제2 사용자 클러스터를 생성하는 동작; 및 제1 및 제2 사용자 클러스터 각각의 결과들에 기초하여 적어도 하나의 유사성을 결정하는 동작을 포함하는 동작들을 실행하도록 야기하는 실행 가능 명령어들을 포함하고; 여기서 사용자별 점수 매트릭스의 각각의 열은 작업에 부여된 점수를 나타내고, 사용자별 점수 매트릭스의 각각의 행은 작업을 수행한 사용자를 나타낸다.
또한, 본 명세서에는, 지능형 가상 어시스턴트 시스템이 제공되며, 이것은: 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세스에 의해 실행될 때 프로세서로 하여금 지능형 가상 어시스턴트 애플리케이션 내의 사용 패턴을 나타내는 복수의 사용자 상호 작용 데이터를 수신하는 동작; 복수의 사용자 상호 작용 데이터에 기초하여 사용자 상호 작용의 제1 경로를 결정하는 동작; 및 사용자 상호 작용의 제1 경로에 기초하여 사용자 상호 작용의 제2 경로를 예측하는 동작을 포함하는 동작들을 실행하도록 야기하는 적어도 하나의 실행 가능 명령어를 포함한다.
또한, 지능형 가상 어시스턴트 시스템이 개시되며, 이것은: 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세서에 의해 실행될 때, 프로세서로 하여금 지능형 가상 어시스턴트 애플리케이션을 통해 사용자의 질문을 나타내는 텍스트 데이터를 수신하는 동작; 기존 질문을 답변으로 매핑하는 매핑 정보를 나타내는 훈련 세트 데이터를 수신하는 동작; 텍스트 데이터를 벡터 공간 표현으로 변환하는 동작; 훈련 세트 데이터 및 벡터 공간 표현에 기초하여, 사용자 질문에 대한 복수의 후보 응답을 생성하고 - 복수의 후보 응답 각각은 확률적 가중 점수를 포함함 -; 확률적 가중 점수에 기초하여, 복수의 후보 응답의 순위를 결정하는 동작; 및 순위에 기초하여 지능형 가상 어시스턴트 애플리케이션에 대한 응답을 제공하는 동작을 포함하는 동작들을 실행하도록 야기하는 적어도 하나의 실행 가능 명령어를 포함한다.
또한, 게임을 하는 동안 사람들이 의사 결정과 반응을 하는 방식을 분석하여 개인의 능력, 실력 및 관심사를 확인하는 시스템, 방법 및 도구를 제공한다. 예를 들어, 서버는 적어도 하나의 개인 특성을 평가하도록 설계된 복수의 게임을 나타내는 게임 데이터를 수신한다. 적어도 하나의 개인 특성은 인간 능력, 인지 실력, 또는 진로 관심사 중 적어도 하나를 포함할 수 있다. 게임 데이터를 수신하면, 서버는 복수의 게임 중 제1 게임과 연관된 제1 비교 게임 성과를 결정할 수 있다. 제1 비교 게임 성과는 예를 들어 게임 데이터 및 비교 게임 정보에 기초하여 결정된다. 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 나타낸다. 제1 비교 게임 성과를 결정할 때, 서버는 제1 비교 게임 성과로부터 개인 특성을 유도하고 개인 특성의 표시를 제공할 수 있다.
게임 및 기술을 사용함으로써 개인의 능력, 실력 및 관심사를 확인하는 시스템 및 방법은 이전에는 "우연한 사건"으로만 발견되었을 수 있는 방식으로 개인의 인지적, 사회적, 및 의사소통 강점 및 약점에 대한 방향 감각을 제공할 수 있다.
본 명세서에 제시된 개인의 능력, 실력 및 관심사를 확인하는 것은 3회 테스트를 거친 프레임워크: 하워드 가드너(Howard Gardner)의 다중 지능; 조지 맥클로스키(George McCloskey)의 집행 기능(EF)에 관한 연구; 존 홀랜드(John Holland)의 진로 관심사에 대한 연구 위에 구축될 수 있다. 하워드 가드너의 다중 지능 연구는 포괄적인 인간 능력 세트를 개략적으로 나타낸다. 조지 맥클로 스키의 집행 기능(EF: Executive Function)에 관한 연구는 한 사람이 결과물을 배우고 "생산"하고 목표를 달성하는 데 도움을 주기 위해 함께 일하는 인지 실력의 세트를 기술한다. 존 홀랜드의 진로 관심사에 관한 연구는 사람들이 자신의 시간을 어떻게 보내고 싶은지에 기초하여 사람들이 진로를 탐구하는 데 도움을 준다.
플레이하기를 즐기는 아동과 성인을 위한 일련의 게임을 제공할 수 있다. 게임 자체는 플레이어가 어떻게 반응하고, 질문에 답변하고, 결정을 내리는지 등의 데이터를 수집하도록 설계될 수 있다. 더 많은 게임이 사용자에 의해 수행될수록, 자신의 능력과 집행 기능 실력에 대한 더 많은 정보가 수집될 수 있다.
게임은 부모(그리고 부모에 의해 초대된 교육자, 치료사 등)가 제공한 관찰을 보완하여 360°로 개인을 관찰할 수 있게 할 수 있다. 예를 들어 학부모/전문가는 개인에 대한 추가 정보를 제공하기 위해 MEFS(McCloskey Executive Function Survey) 및 Autism Speaks의 CSA(Community-Based Skills Assessment)를 완료할 수 있다. 개인과 가장 밀접하게 일하는 사람들의 관찰 자료를 게임으로부터의 데이터와 통합하면 합의 영역과 가능한 연결 해제 영역에 대한 귀중한 통찰력을 얻을 수 있다. 이것은 개인의 강점 영역과 발달 필요 영역을 강조하는 데 역할을 할 수 있다.
게임 및 설문 조사의 모든 데이터는 분석되어 "대시보드"에 표시될 수 있으며 개인의 가드너 지능, EF 및 진로 관심사를 보고할 수 있다. 개인의 능력에 대한 이해와 보고서의 인간적 관심사와 야망에 대한 이해를 결합함으로써 각각의 개인을 위한 교육 및 직업 옵션의 충족을 탐구하는 것을 지원하는 개인의 강점과 관심이 표시될 수 있다. 학부모는 자녀와 함께 일하는 다른 전문가 및 교육자들과 이 보고서를 공유하도록 선택할 수 있다.
인공 지능 플랫폼은 각 개인의 능력, 실력 또는 관심사를 확인하는 데 사용될 수 있다. 인공 지능 플랫폼은 인간 아바타를 제공하여 사용자와 상호 작용할 수 있다. 인간 아바타는 음성 인식 및 대화형 콘텍스트를 활용할 수 있다. 인간 아바타는 인공 지능 엔진을 기반으로 하고, 그에 의해 웹사이트, 모바일 디바이스, 착용 가능 디바이스 등을 통해 플레이어를 안내할 수 있다. 예를 들어, 인간 아바타는 플레이어의 질문에 답변하고, 플레이어와 이들의 부모에게 결과를 직관적이고 이해하기 쉬운 방식으로 제시할 수 있다. 또한 인간 아바타는 개인 클라이언트와 함께 일하는 전문 심리학자가 EF 실력을 개발하기 위해 대화에 참여하는 방식으로 질문을 하도록 훈련될 수 있다. 일 실시예에서, 인간 아바타는 사용자가 하루 동안 스스로 발견할 수 있는 상황에 대처하도록 생활 지도 기능을 제공할 수 있다.
개인의 능력, 실력 및 관심사는 개인이 게임을 플레이하는 동안 어떻게 의사 결정하고 반응하는지의 데이터를 분석함으로써 확인될 수 있다. 이러한 분석으로부터의 결과는 강점 영역을 강화하고 약점 영역에 대한 행동 지침을 결정하기 위해 어디를 추가로 탐구해야 할지에 대해 어떤 방향 감각을 부모에게 제시할 수 있다. 시간이 지남에 따라, 인공 지능 플랫폼은 심리학자가 EF 실력을 구축하기 위해 클라이언트와 대화하는 방식으로 일대일 대화를 계속하도록 "훈련"될 수 있다. 결과에 기초하여, 개인과 가족은 각각의 개인에 대해 미래의 성취를 추구하기 위한 능력, 실력 및 관심사를 확인할 수 있다.
예들에 대한 이하의 상세한 설명은 첨부 도면들과 관련하여 읽어보면 더 잘 이해된다. 예시를 위해, 도면들에 예시적인 실시예들이 도시되어 있지만, 발명 요지가 개시된 특정의 요소들 및 수단들로만 제한되지는 않는다. 도면에서:
도 1은 일 실시예에 따라 개인 특성의 표시를 제공할 수 있는 예시적인 확인 시스템의 시스템도이다.
도 2는 도 1에 도시된 확인 시스템에 의해 수행될 수 있는 예시적인 프로세스 흐름이다.
도 3은 일 실시예에 따라 개인 특성을 확인하기 위해 사이트를 사용하여 구현될 수 있는 예시적인 프로세스 흐름이다.
도 4a-4e는 일 실시예에 따라 개인 특성을 확인하기 위한 계정 등록의 예시적인 프로세스 흐름을 도시한다.
도 5는 일 실시예에 따라 개인 특성을 평가하도록 설계된 게임에 대한 데이터 수집의 예시적인 프로세스 흐름을 도시한다
도 6은 일 실시예에 따라 비교 게임 정보를 생성하는 예시적인 프로세스 흐름을 도시한다.
도 7은 일 실시예에 따라 플레이어의 성과를 결정하는 예시적인 프로세스 흐름을 도시한다.
도 8은 일 실시예에 따라 플레이어의 상대적인 성과를 보고하는 예시적인 프로세스 흐름을 도시한다.
도 9는 일 실시예에 따라 플레이어의 상대적 성과를 보고하는 또 다른 예시적인 프로세스 흐름을 도시한다.
도 10은 일 실시예에 따라 사용자가 웹사이트에 들어갈 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 11은 일 실시예에 따라 사용자가 플레이 게임을 선택할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 12는 일 실시예에 따라 사용자가 정보 페이지를 선택하여 개인의 개인 특성을 학습할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 13은 일 실시예에 따라 사용자가 대시보드 페이지를 선택할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 14는 일 실시예에 따라 사용자가 심층 분석 페이지를 선택할 때 개인 특성을 확인하기 위한 예시적인 사이트의 또 다른 스크린샷이다.
도 15는 일 실시예에 따라 개인 특성을 확인하기 위한 예시적인 네트워크의 개관을 도시하는 시스템도이다.
도 16은 일 실시예에 따라 개인 특성을 확인하기 위해 등록된 사용자가 사이트에서 게임을 플레이할 때의 데이터 수집을 도시하는 흐름도이다.
도 17은 일 실시예에 따라 등록된 사용자가 게임을 플레이할 때의 데이터 마이닝 프로세스를 도시하는 흐름도이다.
도 18은 일 실시예에 따라 허가된 개인에 의한 플레이어의 성과에 대한 리뷰 프로세스를 도시하는 흐름도이다.
도 19는 일 실시예에 따라 개인 특성을 확인하기 위해 사용될 수 있는 게임들의 유형들을 도시한다.
도 20은 일 실시예에 따른, 용도 변경 게임들의 예들을 도시한다.
도 21은 일 실시예에 따른, 상세 데이터를 수집하기 위한 커스텀 게임들의 다른 예들을 도시한다.
도 22는 일 실시예에 따라 얼굴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 도시한다.
도 23은 일 실시예에 따라 멜로디 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 다른 예시적인 흐름을 도시한다.
도 24는 일 실시예에 따라 패턴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 도시한다.
도 25는 일 실시예에 따라 상이한 이해 모드를 사용해 상세 데이터를 수집하기 위한 커스텀 게임의 예를 도시한다.
도 26은 일 실시예에 따라 상세 데이터를 수집하기 위한 커스텀 게임들의 예들을 도시한다.
도 27은 일 실시예에 따라 능력 영역을 평가하기 위한 조정된 게임들의 예들을 도시한다.
도 28은 일 실시예에 따라 사용자와 상호 작용하는 인공 지능 플랫폼에 대한 예시적인 프로세스 흐름을 도시한다.
도 29는 일 실시예에 따른 지능형 가상 어시스턴트(Abby)와의 사용자 상호 작용의 높은 수준 예시이다.
도 30은 일 실시예에 따른 지능형 가상 어시스턴트 플랫폼을 위한 시스템을 도시하는 블록도이다.
도 31은 도 30에서 설명된 지능형 가상 어시스턴트 시스템에 대한 예시적인 코어 프레임워크를 도시하는 블록도이다.
도 32a는 일 실시예에 따른 예시적인 모바일 애플리케이션에서의 지능형 가상 어시스턴트의 스크린샷을 도시한다.
도 32b는 일 실시예에 따른 사용자가 내비게이션 바를 클릭할 때의 지능형 가상 어시스턴트의 스크린샷을 도시한다.
도 33은 일 실시예에 따른 지능형 가상 어시스턴트 시스템과의 사용자의 참여를 도시한 흐름도이다.
도 34는 일 실시예에 따른 지능형 가상 어시스턴트 시스템에 의한 자연 언어 처리의 흐름도이다.
도 35는 일 실시예에 따른 지능형 가상 어시스턴트 시스템에 의한 캠페인 논리 처리의 흐름도이다.
도 36은 일 실시예에 따른, 지능형 가상 어시스턴트 시스템을 구현하는 인공 지능 내에서의 사용자의 공간 표현을 도시한다.
도 37은 도 35에 도시된 예시적인 공간 표현으로부터 사용자의 잠재 성격 인자들을 추출하는 흐름도이다.
도 38은 일 실시예에 따른 예시적인 푸티지 및 예측을 도시한다.
도 39는 일 실시예에 따른 사용자 개선 및 위험에 대한 예측을 도시하는 그래프를 디스플레이한다.
도 40은 일 실시예에 따라 사용자들에 대한 관심 아이템의 예측을 예시하는 다이어그램이다.
도 41은 일 실시예에 따라 지능형 가상 어시스턴트 시스템이 어떻게 사용자 상호 작용을 이해하고 사용자의 인텐트를 사전에 예측할지를 도시하는 흐름도이다.
도 42는 일 실시예에 따라 지능형 가상 어시스턴트 시스템이 새로운 질문에 대한 답변을 어떻게 공식화할지를 도시하는 흐름도이다.
도 43은 일 실시예에 따른 자동화된 질문 추출을 도시하는 프로세스 다이어그램이다.
도 44는 일 실시예에 따른 사용자 인텐트의 예측을 예시하는 블록도이다.
도 45는 일 실시예에 따른 예시적인 워크플로를 도시하는 흐름도이다.
도 46은 일 실시예에 따른 예시적인 모니터링 프로세스를 도시하는 흐름도이다.
도 47은 일 실시예에 따른 작업 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 48은 일 실시예에 따른 리마인더 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 49는 일 실시예에 따른 교육 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 50a는 하나 이상의 개시된 실시예가 구현될 수 있는 예시적인 통신 시스템의 시스템도이다.
도 50b는 게임을 구현할 수 있고 또한 도 49a에 도시된 통신 시스템 내에서 사용될 수 있는 예시적인 디바이스의 시스템도이다.
도 51은 개인의 능력, 실력 및 관심사의 확인이 구현될 수 있는 예시적인 프로세서의 블록도이다.
도 52는 능력 이해에 대한 하워드 가드너의 연구에 대한 설명이다.
도 53은 인지 실력을 이해하기 위한 집행 기능에 대한 설명이다.
도 54는 게임을 통해 평가될 수 있는 7개의 클러스터가 있는 33개의 자기-관리 기능에 대한 설명이다.
도 55는 관심사를 이해하기 위한 홀랜드의 연구에 대한 설명이다.
도 56은 ASD의 영향을 받는 집단 및 자폐증 비용을 도시하는 막대 차트이다.
도 57은 일 실시예에 따른 지능형 가상 어시스턴트 플랫폼을 위한 시스템을 도시하는 블록도이다.
도 58은 일 실시예에 따른, 인텐트에 의한 자연 언어 처리 모델 생성을 도시하는 흐름도이다.
도 59는 일 실시예에 따른 인텐트를 사용자 질문에 매칭하는 것을 도시하는 흐름도이다.
도 60은 일 실시예에 따른 대화형 자연 언어 처리의 예시적인 데이터 흐름을 도시한다.
도 61은 일 실시예에 따라 이벤트를 스케줄링하는 예시적인 데이터 흐름을 도시한다.
도 1은 일 실시예에 따라 개인 특성의 표시를 제공할 수 있는 예시적인 확인 시스템의 시스템도이다.
도 2는 도 1에 도시된 확인 시스템에 의해 수행될 수 있는 예시적인 프로세스 흐름이다.
도 3은 일 실시예에 따라 개인 특성을 확인하기 위해 사이트를 사용하여 구현될 수 있는 예시적인 프로세스 흐름이다.
도 4a-4e는 일 실시예에 따라 개인 특성을 확인하기 위한 계정 등록의 예시적인 프로세스 흐름을 도시한다.
도 5는 일 실시예에 따라 개인 특성을 평가하도록 설계된 게임에 대한 데이터 수집의 예시적인 프로세스 흐름을 도시한다
도 6은 일 실시예에 따라 비교 게임 정보를 생성하는 예시적인 프로세스 흐름을 도시한다.
도 7은 일 실시예에 따라 플레이어의 성과를 결정하는 예시적인 프로세스 흐름을 도시한다.
도 8은 일 실시예에 따라 플레이어의 상대적인 성과를 보고하는 예시적인 프로세스 흐름을 도시한다.
도 9는 일 실시예에 따라 플레이어의 상대적 성과를 보고하는 또 다른 예시적인 프로세스 흐름을 도시한다.
도 10은 일 실시예에 따라 사용자가 웹사이트에 들어갈 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 11은 일 실시예에 따라 사용자가 플레이 게임을 선택할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 12는 일 실시예에 따라 사용자가 정보 페이지를 선택하여 개인의 개인 특성을 학습할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 13은 일 실시예에 따라 사용자가 대시보드 페이지를 선택할 때 개인 특성을 확인하기 위한 예시적인 웹사이트의 스크린샷이다.
도 14는 일 실시예에 따라 사용자가 심층 분석 페이지를 선택할 때 개인 특성을 확인하기 위한 예시적인 사이트의 또 다른 스크린샷이다.
도 15는 일 실시예에 따라 개인 특성을 확인하기 위한 예시적인 네트워크의 개관을 도시하는 시스템도이다.
도 16은 일 실시예에 따라 개인 특성을 확인하기 위해 등록된 사용자가 사이트에서 게임을 플레이할 때의 데이터 수집을 도시하는 흐름도이다.
도 17은 일 실시예에 따라 등록된 사용자가 게임을 플레이할 때의 데이터 마이닝 프로세스를 도시하는 흐름도이다.
도 18은 일 실시예에 따라 허가된 개인에 의한 플레이어의 성과에 대한 리뷰 프로세스를 도시하는 흐름도이다.
도 19는 일 실시예에 따라 개인 특성을 확인하기 위해 사용될 수 있는 게임들의 유형들을 도시한다.
도 20은 일 실시예에 따른, 용도 변경 게임들의 예들을 도시한다.
도 21은 일 실시예에 따른, 상세 데이터를 수집하기 위한 커스텀 게임들의 다른 예들을 도시한다.
도 22는 일 실시예에 따라 얼굴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 도시한다.
도 23은 일 실시예에 따라 멜로디 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 다른 예시적인 흐름을 도시한다.
도 24는 일 실시예에 따라 패턴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 도시한다.
도 25는 일 실시예에 따라 상이한 이해 모드를 사용해 상세 데이터를 수집하기 위한 커스텀 게임의 예를 도시한다.
도 26은 일 실시예에 따라 상세 데이터를 수집하기 위한 커스텀 게임들의 예들을 도시한다.
도 27은 일 실시예에 따라 능력 영역을 평가하기 위한 조정된 게임들의 예들을 도시한다.
도 28은 일 실시예에 따라 사용자와 상호 작용하는 인공 지능 플랫폼에 대한 예시적인 프로세스 흐름을 도시한다.
도 29는 일 실시예에 따른 지능형 가상 어시스턴트(Abby)와의 사용자 상호 작용의 높은 수준 예시이다.
도 30은 일 실시예에 따른 지능형 가상 어시스턴트 플랫폼을 위한 시스템을 도시하는 블록도이다.
도 31은 도 30에서 설명된 지능형 가상 어시스턴트 시스템에 대한 예시적인 코어 프레임워크를 도시하는 블록도이다.
도 32a는 일 실시예에 따른 예시적인 모바일 애플리케이션에서의 지능형 가상 어시스턴트의 스크린샷을 도시한다.
도 32b는 일 실시예에 따른 사용자가 내비게이션 바를 클릭할 때의 지능형 가상 어시스턴트의 스크린샷을 도시한다.
도 33은 일 실시예에 따른 지능형 가상 어시스턴트 시스템과의 사용자의 참여를 도시한 흐름도이다.
도 34는 일 실시예에 따른 지능형 가상 어시스턴트 시스템에 의한 자연 언어 처리의 흐름도이다.
도 35는 일 실시예에 따른 지능형 가상 어시스턴트 시스템에 의한 캠페인 논리 처리의 흐름도이다.
도 36은 일 실시예에 따른, 지능형 가상 어시스턴트 시스템을 구현하는 인공 지능 내에서의 사용자의 공간 표현을 도시한다.
도 37은 도 35에 도시된 예시적인 공간 표현으로부터 사용자의 잠재 성격 인자들을 추출하는 흐름도이다.
도 38은 일 실시예에 따른 예시적인 푸티지 및 예측을 도시한다.
도 39는 일 실시예에 따른 사용자 개선 및 위험에 대한 예측을 도시하는 그래프를 디스플레이한다.
도 40은 일 실시예에 따라 사용자들에 대한 관심 아이템의 예측을 예시하는 다이어그램이다.
도 41은 일 실시예에 따라 지능형 가상 어시스턴트 시스템이 어떻게 사용자 상호 작용을 이해하고 사용자의 인텐트를 사전에 예측할지를 도시하는 흐름도이다.
도 42는 일 실시예에 따라 지능형 가상 어시스턴트 시스템이 새로운 질문에 대한 답변을 어떻게 공식화할지를 도시하는 흐름도이다.
도 43은 일 실시예에 따른 자동화된 질문 추출을 도시하는 프로세스 다이어그램이다.
도 44는 일 실시예에 따른 사용자 인텐트의 예측을 예시하는 블록도이다.
도 45는 일 실시예에 따른 예시적인 워크플로를 도시하는 흐름도이다.
도 46은 일 실시예에 따른 예시적인 모니터링 프로세스를 도시하는 흐름도이다.
도 47은 일 실시예에 따른 작업 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 48은 일 실시예에 따른 리마인더 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 49는 일 실시예에 따른 교육 관리자 및 연관된 워크플로를 도시하는 블록도이다.
도 50a는 하나 이상의 개시된 실시예가 구현될 수 있는 예시적인 통신 시스템의 시스템도이다.
도 50b는 게임을 구현할 수 있고 또한 도 49a에 도시된 통신 시스템 내에서 사용될 수 있는 예시적인 디바이스의 시스템도이다.
도 51은 개인의 능력, 실력 및 관심사의 확인이 구현될 수 있는 예시적인 프로세서의 블록도이다.
도 52는 능력 이해에 대한 하워드 가드너의 연구에 대한 설명이다.
도 53은 인지 실력을 이해하기 위한 집행 기능에 대한 설명이다.
도 54는 게임을 통해 평가될 수 있는 7개의 클러스터가 있는 33개의 자기-관리 기능에 대한 설명이다.
도 55는 관심사를 이해하기 위한 홀랜드의 연구에 대한 설명이다.
도 56은 ASD의 영향을 받는 집단 및 자폐증 비용을 도시하는 막대 차트이다.
도 57은 일 실시예에 따른 지능형 가상 어시스턴트 플랫폼을 위한 시스템을 도시하는 블록도이다.
도 58은 일 실시예에 따른, 인텐트에 의한 자연 언어 처리 모델 생성을 도시하는 흐름도이다.
도 59는 일 실시예에 따른 인텐트를 사용자 질문에 매칭하는 것을 도시하는 흐름도이다.
도 60은 일 실시예에 따른 대화형 자연 언어 처리의 예시적인 데이터 흐름을 도시한다.
도 61은 일 실시예에 따라 이벤트를 스케줄링하는 예시적인 데이터 흐름을 도시한다.
자폐증은 우리 시대의 가장 큰 아동기 유행병들 중 하나이며, 자폐증 스펙트럼상에 있는 최대 백만 명의 개인들이 향후 10년 내에 성인기로 전환할 것이다. 특히, 68명의 아동들 중 1명(42명의 소년들 중 1명)이 자폐증 스펙트럼 장애(autism spectrum disorder)로 확인되고(CDC, 2014년 5월), 그 비율이 모든 비일상적 아동기 질병들(예컨대, 아동 당뇨병, 소아 암 등)을 합한 것보다 더 높다. 미국에서 최대 백만 명의 자폐증 청소년들이 현재부터 2030년까지 사이에 성인이 될 것으로 예상된다. 더욱이, 미국에서 자폐증 성인의 약 65% 내지 80%가 현재 실업 상태이다. 이런 사람들은 다른 장애를 가진 성인보다 더 적은 시간 일하고 더 적게 번다. 대부분의 자폐증 성인은 독립적인 주택이 없으며 부모의 지원을 필요로 한다.
도 56은 ASD의 영향을 받는 집단 및 자폐증의 비용을 나타내는 막대 차트이다. 도 56에서 볼 수 있듯이 자폐증은 미국에서 가장 비용이 많이 드는 질환이며 심장 질환, 암 및 뇌졸중을 합친 것 이상이다. 도 56에서 각각의 막대 그래프의 위쪽 부분은 '19세 이상'을 나타내며 각각의 막대의 아래 부분은 0세 내지 18세를 나타낸다.
따라서 이러한 개인들이 생산적인 삶을 추구하는 데 도움이 되는 새로운 도구들이 만들어지지 않는다면, 이들은 향후 수십 년 동안 사회에 부담이 될 가능성이 높다.
전형적인 자녀의 부모는 성인기로의 전환을 안내하는 데 도움을 주기 위해 학교 성적, 표준화된 테스트 점수, 수년간의 과외 활동 및 저녁 식사 대화를 가질 수 있다. 학교 성적과 표준화된 테스트 점수, 예를 들어, SAT, ACT, 전문적 관심 배터리(professional interest battery) 등은 부모가 학교 및 대학에 대한 관심 차원에 대해 자녀의 능력을 평가하는 데 도움이 될 수 있다. 댄스 및 스포츠 및 저녁 식사 대화와 같은 수년간의 과외 활동은 펜과 연필로 평가되지 않은 영역에서의 관심과 능력의 척도로서 사용될 수 있다.
그렇지만, 이러한 가장 기본적인 지침들이 종종 자폐증 아동의 부모에게는 신뢰할 수 없거나 전부 누락되어 있다. 자폐증 청소년은 성적과 테스트 점수가 좋지 않을 수 있다. 자폐증 청소년은 의사소통을 잘하지 못할 수 있다. 그들은 표현 수단의 결여로 인해 드러나지 않은 채로 있는, 전통적 수단을 통해 평가되지 않은 영역에서 강점을 가질 수 있다. 따라서 계획 수립을 위한 중대한 도구가 대다수의 자폐증 가정에서 누락되어 있으며, 만년에 이상적이지 못한 고등 교육/직업 추구, 불완전 고용/실업, 그리고 주택 및 교통 문제를 가져온다.
일 실시예에서, 개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법은 이들 자폐 아동의 기본적인 능력, 집행 기능 실력 및 관심사에 대한 방향 이해(directional understanding)를 제공할 수 있다. 능력 및 관심사를 이해하는 것은 자녀가 고등 교육/직업 계획을 추구하는 데 도움을 주는 첫 걸음이 될 수 있다. 구체적으로는, 그것은 부모가 수많은 능력과 실력, 특히 전통적으로 학교 및 표준화된 테스트에 의해 평가되지 않는 것에 대해 이들 자녀가 어디에서 현재의 한계에 도달하는지("벽에 부딪히는지")를 확인하는 데 도움이 될 수 있다. 더욱이, 그것은 아동들이, 연구가 특히 "집행 기능(Executive Function)"에 의해 가능하다고 보여준 실력을 키우는 데 도움이 될 수 있다.
일 실시예에서, 개인의 능력, 실력 및 관심사를 확인해 주는 시스템 및 방법은 특성을 확인하기 위해 3회 테스트 방식 프레임워크를 사용할 수 있다. 3회 테스트 방식 프레임워크는 하워드 가드너의 다중 지능 연구; 집행 기능; 및 존 홀랜드의 진로 관심사에 대한 연구를 포함할 수 있다.
하워드 가드너의 다중 지능 연구는 포괄적인 인간 능력 세트를 개략적으로 나타낸다. 전통적인 테스트에 의해 평가되는 능력은 언어, 논리 및 수학이다. 전통적인 평가 도구가 놓치는 다른 능력은 공간, 신체, 운동감각, 음악, 대인 관계 및 자기이해(intrapersonal)이다.
다중 지능은 지능을 단일의 일반적 능력에 의해 지배되는 것으로 보는 것이 아니라 특정한(주로 감각적인) "모달리티(modality)"로 차별화하는 지능 이론이다. 심리학자들은 역사적으로 지능이 측정될 수 있고 IQ 점수와 같은 단일 인자에 의해 나타내어질 수 있다고 믿었다. 다중 지능은 30년 이전부터 지금까지 하버드 교육 대학원의 하워드 가드너 교수에 의해 발전된 상이한 개념이다. 다중 지능은 단일의 지능이 아니라 8개의 상이한 지능이 있다는 것을 암시한다: 1) 구두-언어; 2) 논리-산술; 3) 시각-공간; 4) 음악; 5) 신체 운동감각; 6) 대인 관계; 7) 자기이해; 그리고 8) 자연 탐구. 가드너 교수는 각각의 개인이 8가지 지능들 전부의 고유한 혼합을 가진다고 믿는다. 그 8가지 지능은 도 52에서 추가로 기술된다.
집행 기능은 사람이 출력을 학습하고 "생산"하며 목표를 달성하는 데 도움을 주기 위해 협력하는 일단의 인지 실력들을 기술한다. 그 중에서도 특히, 이러한 실력들은 해결책을 개발하기 위해 주의 집중, 참여, 기억, 질문, 효율 및 최적화를 사용하는 사람의 능력을 통제하는 "자기-관리(Self-Regulation)" 기능, 사람이 다른 사람과 효과적으로 상호 작용하고 자신의 장기 계획과 목표를 세울 수 있게 하는 "자기-실현(Self-Realization)" 및 "자기-결정(Self-Determination)" 기능을 포함할 수 있다. 집행 기능 실력이 나빠지면, 행동이 제대로 통제되지 않음으로써 사람이 학교 또는 직장에 가는 능력을 제한한다.
집행 기능(EF)은 사람의 지각, 감정, 인지 및 행동을 지시하는 일을 맡고 있는 일단의 정신 프로세스들이다. EF의 효과적인 조율 및 통제는 사람이 정보를 받아들이고 처리하며 행동을 계획하고 그 계획을 실행할 수 있게 한다. 반대로, EF의 비효과적인 숙달은 학교 및 직장 환경에서 어려움을 초래하는 행동을 가져온다. "집행 기능의 홀라키컬 모델(Holarchical Model of Executive Functions)"의 창안자인 조지 맥클로스키 박사에 따르면, 5개의 상이한 레벨의 집행 통제가 있다. 도 53을 참조하면, 자기-관리 레벨에서, HMEF는 33개의 개별적인 EF 실력을 명시한다. 이러한 자기-관리 EF 실력들 중 약 15개는 도 54에 기술되는 바와 같이 게임을 통해 평가될 수 있다.
존 홀랜드의 진로 관심사에 관한 연구는 사람들이 자신의 시간을 어떻게 보내고 싶은지에 기초하여 그들이 진로를 탐구하는 데 도움을 준다. 존스 홉킨스 대학의 존 홀랜드 교수는 그 주제에 관한 수년간의 연구를 통해 진로 선호도의 유형분류체계(typology)를 개발하였다. Holland 직업 선호도 유형분류체계는 통상적으로 홀랜드의 모델에서 다양한 유형들에 대한 약어 - RIASEC - 를 사용하여 지칭된다. 홀랜드는 사람들의 선호도가 하나 이상의 카테고리들: 현실적(실천가), 연구적(사색가), 예술적(창작자), 사교적(조력자), 진취적(설득자) 및 전통적(조직자)에 들어 맞는다고 제안했다. 이 6개의 카테고리는 특정 직장 관련 환경에 대한 선호도를 나타낸다. 사람의 진로가 그 사람이 자신이 선택한 진로에서 성취감을 찾기 위해 그 사람의 선호도를 반영해야 한다는 개념이 이론에 암시되어 있다. 예를 들어, "야외 활동을 좋아하는 사람"은 하루종일 사무실 칸막이 환경에 앉아 있는 것을 즐기지 않을 것이다. 홀랜드의 RIASEC 유형분류체계는 사람들이 어떤 유형들의 직장 환경을 가장 흥미 있는 것으로 생각할 수 있는지를 사람들에게 강조하는 데 도움이 되며, 이 유형분류체계는 지난 수십 년 동안 진로 상담 전문가들 사이에서 널리 받아들여지고 있다. RIASEC과 Holland 코드는 도 55에 추가로 설명되어 있다.
일 실시예에서, 개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법은 사람의 능력(가드너의 능력 및 집행 기능 실력)에 대한 이해와 홀랜드에 의해 설명된 이해 관심사를 결합함으로써, 각각의 개인의 프로파일에 부합하는 교육적/직업적 선택권의 추구를 가능하게 한다.
도 1은 일 실시예에 따른 게임 데이터 및 게임 성과에 기초한 개인 특성의 표시를 제공할 수 있는 확인 시스템의 예를 도시한다. 예를 들어, 서버(20)는 프로세서 및 메모리를 포함한다. 프로세서에 결합된 메모리는, 프로세서에 의해 실행될 때, 프로세서로 하여금 동작들을 수행하게 하는 적어도 하나의 실행 가능 명령어를 포함할 수 있고, 이 동작들은 복수의 게임들을 나타내는 게임 데이터를 수신하는 동작, 복수의 게임들 중 제1 게임과 연관된 제1 비교 게임 성과를 결정하는 동작, 제1 비교 게임 성과로부터 개인 특성을 도출하는 동작, 및 개인 특성의 표시를 제공하는 동작을 포함한다.
복수의 게임들 각각은 적어도 하나의 개인 특성: 인간 능력, 인지 실력 및 진로 관심사를 평가하도록 설계될 수 있다. 인간 능력에는 수학 실력, 논리적 추론 실력, 언어 실력, 시각-공간 실력, 음악적 실력, 신체 운동감각 실력, 대인 관계 실력, 자기 이해 실력, 자연 탐구 실력 등이 포함될 수 있다. 인지 실력은 주의 기능, 참여 기능, 최적화 기능, 효율성 기능, 기억 기능, 질의 기능, 해결 기능 등을 포함할 수 있다.
도 1에 도시된 바와 같이, 각각의 게임은 모바일 통신 디바이스(12), 태블릿(14), 컴퓨터(16), 멀티미디어 콘솔 게임(18), 또는 착용 가능 디바이스에 의해 플레이될 수 있다. 각각의 게임은 게임 데이터를 무선 및/또는 유선 네트워크를 통해 서버(20)에 전송할 수 있다. 제1 비교 게임 성과는 예를 들어 게임 데이터 및 비교 게임 정보에 기초하여 결정된다. 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 포함할 수 있다.
일 실시예에서, 비교 게임 정보는 사용자의 게임 성과의 점수 및 성과 레벨을 표시하는 벤치마크 테이블을 포함할 수 있다. 벤치마크 테이블은 또한 다른 사용자의 게임 성과에 대한 점수 및 성과 레벨도 표시할 수 있다. 구체적으로, 사용자의 게임 성과는 수학 실력, 논리적 추론 실력, 주의 기능, 참여 기능 또는 기억 기능과 같은 개인 특성에 대한 측정들인 적어도 하나의 메트릭을 포함할 수 있다. 사용자가 플레이한 게임의 점수 및 성과 레벨을 결정하기 위해, 먼저, 게임과 연관된 적어도 하나의 메트릭이 결정될 수 있다. 메트릭에 기초하여, 각각의 메트릭에 대한 원시 점수들이 계산되고 평균을 낼 수 있다. 마지막으로 평균 원시 점수들에 기초하여, 각각의 메트릭에 대한 점수와 성과 레벨이 결정될 수 있다.
또 다른 실시예에서, 사용자가 플레이한 게임과 연관된 제1 비교 게임 성과는 게임과 연관된 메트릭 각각에 대해 적어도 하나의 백분위수 순위를 포함할 수 있다. 예를 들어, 사용자가 Word Grid를 플레이할 때 비교 게임 성과는 모든 다른 사용자 사이의 논리적 추론 실력 영역에서 사용자의 백분위수 정보를 포함할 수 있다. 구체적으로, 사용자의 백분위수 정보는 사용자의 게임 성과와 다른 사용자의 제각기 게임 성과 사이의 비교에 기초하여 결정될 수 있다.
도 2는 도 1에 도시된 확인 시스템에 의해 수행될 수 있는 예시적인 프로세스 흐름을 도시한다. 예를 들어, 단계(30)에서, 게임 데이터는 적어도 하나의 개인 특성을 평가하도록 설계된 복수의 게임들 각각으로부터 서버에서 수신된다. 개인 특성에는 개인의 능력, 실력 및/또는 관심이 포함될 수 있다. 게임 데이터를 수신하면, 단계(32)에서 복수의 게임들 중 제1 게임과 연관된 제1 비교 게임 성과가 서버에 의해 결정될 수 있다. 제1 비교 게임 성과는 예를 들어 게임 데이터 및 비교 게임 정보에 기초하여 결정된다. 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 포함할 수 있다. 단계(34)에서, 제1 비교 게임 성과로부터의 개인 특성이 유도될 수 있고, 단계(36)에서, 개인 특성의 표시가 서버에 의해 제공될 수 있다.
일 실시예에서, 플레이어는 PC, 모바일 디바이스, 태블릿, 또는 멀티미디어 콘솔 게임, 착용 가능 디바이스, 또는 그와 유사한 것에서 게임들을 플레이할 수 있다. 그 게임들은 게임의 집중을 통해 언어, 논리-산술, 공간, 음악과 같은 가드너의 다중 지능의 일부 측면들을 평가하도록 설계될 수 있다. IQ 테스트와 유사하게 다중 지능을 측정하는 정의된 방식은 없다. "MI 점수"가 아닌 사람의 능력, 실력 및 관심에 대한 방향 이해가 도 2에 도시된 프로세스를 통해 제공될 수 있다. 이러한 이해는 점점 더 어려워지고 따라서 최고 레벨로 나아가기 위해 특정 영역에서의 특별한 실력/지능을 필요로 하는 게임을 통해 달성될 수 있다. 플레이어가 제기된 도전에 어떻게 반응하는지에 대한 데이터를 분석함으로써, 플레이어가 그 게임을 플레이한 다른 사람들과 어떻게 비교되는지에 대한 비교 게임 성과 감각이 획득될 수 있다. 플레이어가 게임의 특정 영역에서 모든 플레이어들 중 상위 10%에 속하는 경우, 이것이 강점의 영역일 가능성이 높다.
앞서 설명한 대로, 게임은 다중 지능을 포착하도록 설계될 수 있다. 예를 들어, 논리, 수학, 시각 및 공간과 같은 일부 지능은 다른 것들보다 게임에 의해 평가되는 것에 더 적합할 수 있다. 신체 운동감각 능력을 평가하기 위해 Xbox Kinect와 같은 기술을 사용하는 것과 같이, 대인 관계 실력을 평가하기 위해 추가 게임들이 만들어질 수 있다.
게임들이, 33개의 자기-관리 기능에 중점을 두고 자기-실현 및 자기-결정으로 이동하면서, 집행 기능을 평가하도록 설계될 수 있다. 집행 기능은 전통적으로 훈련된 심리학자와 전문가에 의한 직접 관찰을 통해 측정된다. 맥클로스키 박사는 MEFS(McCloskey Executive Function Scale)을 창안함으로써 그 분야를 발전시켰다. 사람의 360° 개관을 제공할 수 있다면, MEFS는 부모, 교육자, 다른 전문가, 및 개인 자신에 의해 완성될 수 있다. MEFS를 통한 직접적인 관찰에 부가하여, 게임은 게임을 사용하여 검출될 수 있는 EF 실력들 중 일부에 대한 플레이어의 프로파일을 또한 제공할 수 있다.
효과적인 집행 기능이 교실과 직장 둘 다에서 중요하다고 생각된다. EF 실력의 효과적인 숙달은 사람이 주의를 기울이고, 참여하며, 효율성을 달성하기 위해 그/그녀의 계획을 최적화하고, 해결책을 생성/실행할 수 있게 한다. 이들은 교실과 직장 둘 다에서 성공을 가능하게 하는 실력이다.
게임은 진로 관심사 설문조사의 대화형 버전을 통해 Holland 관심 배터리를 평가하도록 설계될 수 있다. RIASEC를 평가할 때, 자폐증, 난독증 등을 갖는 개인들의 상당 부분이 이 도구들을 사용하는 데 어려움을 겪고 있기 때문에 전통적인 RIASEC 단어 기반 설문조사는 사용되지 않을 가능성이 있다. 그 대신에, 이미지 기반 진로 관심사 평가 도구가 진로 관심을 평가하는 데 사용될 수 있다. 이미지 기반 진로 관심사 평가 도구는 참가자들에게 텍스트, 이미지 및 음성을 사용하여 제시되는 진로들의 쌍들 중에서 선택하도록 요청할 수 있다. RIASEC 유형들의 이러한 멀티미디어 제시는 응시자가 각각의 아이템을 정확하게 이해할 가능성을 극대화할 수 있다. 이산 선택 분석(discrete choice analysis) 기술을 사용하여, 가장 선호되는 직장 환경이 더 종래의 방식들보다 더욱 효과적으로 추론될 수 있다. 개인의 주요 직장 관심을 확인해주는 진로 관심사 평가가 사용될 수 있다. 이 정보는, 다음 차례로, 개인이 성취감을 발견할 수 있는 가능한 진로를 확인하는 데 사용될 수 있다.
일 실시예에서, 신체 운동을 요구하는 게임은 신체 운동감각의 측면을 평가하도록 설계될 수 있다. 예를 들어, Xbox Kinect 움직임 검출기를 사용하는 게임은 신체 운동감각의 측면을 평가한다. 또 다른 실시예에서, 게임이 Skype와 같은 화상 회의 도구를 사용하여 앞서 기술된 개인의 능력, 실력 및 관심사를 원격으로 평가하도록 설계될 수 있다. 그에 부가하여, 게임이 또한 국가 또는 세계 여기저기에 있는 센터들에서 직접 평가를 수행하도록 설계될 수 있다.
도 3은 일 실시예에 따른, 개인 특성을 확인해주는 사이트를 이용하여 구현될 수 있는 예시적 프로세스 흐름이다. 도 3에 도시된 바와 같이, 사이트에 들어가는 사용자는 자신의 계정을 등록하고, 게임들을 플레이하며, 하워드 가드너의의 다중 지능 연구, 집행 기능, 및 존 홀랜드의 진로 관심사에 대한 연구에 관한 정보를 수신하고, 및 완료된 게임에 대한 결과를 대시보드를 통해 검토할 수 있다. 사이트는 웹페이지, 모바일 애플리케이션, 또는 그와 유사한 것에 의해 구현될 수 있다.
도 4a 내지 도 4e는 일 실시예에 따른, 개인 특성을 확인해주는 다양한 계정 등록 흐름들을 도시한다. 예를 들어, 웹사이트는 사용자의 나이에 기초하여 상이한 등록 프로세스들을 가질 수 있다. 도 4a는 12세 이하의 아동에 대한 계정 등록 흐름을 도시한다. 도 4b는 13세부터 17세까지의 아동에 대한 계정 등록 흐름을 도시한다. 도 4c는 18세가 넘은 아동 또는 성인에 대한 계정 등록 흐름을 도시한다. 도 4d는 부모에 대한 계정 등록 흐름을 도시한다. 도 4e는 교육자에 대한 계정 등록 흐름을 도시한다.
일 실시예에서, 등록은 무료이고, 사용자가 게임의 모든 레벨에 대한 완전한 액세스를 가질 수 있게 할 필요가 있을 수 있다. 자녀의 능력, 실력 및 관심사에 관한 부모의 보고서에 액세스하기 위해서는 가입이 요구될 수 있다. 이 보고서는 부모가 강점의 영역을 탐구하고 자녀를 위한 생산적인 미래를 계획하는 데 도움이 되는 매우 귀중한 통찰력을 제공할 수 있다.
도 5는 일 실시예에 따른, 개인 특성을 평가하도록 설계된 게임의 데이터 수집 흐름을 도시한다. 사용자가 게임을 플레이할 때, 게임 데이터가 API(application programing interface)를 사용하여 데이터베이스에 저장된다. 게임 데이터는 유선/무선 네트워크를 통해 클라우드 서버에 전송될 수 있다. 다양한 게임들에 의해 각각의 레벨과 라운드에 대해 수집된 데이터 요소들의 예는 다음과 같다:
날짜/시간 스탬프
레벨 숫자
레벨이 성공적으로 완료되었는가(예/아니오)?
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 %
주차장에 있는 자동차의 수
이론적 최소 무브(move) 횟수
취해진 무브 횟수
사용된 미러의 수
필요한 이론적 최소 미러
힌트 모드가 사용되었는가(예/아니오).
가능한 단어의 수
올바른 단어의 수
누락된 단어의 수
그리드 상의 정사각형의 수
번호 또는 빈 공간을 잘못 클릭했는가
기억될 시퀀스에서의 높은 번호
숨겨진 계란의 수
발견된 계란의 수
틀린 클릭 횟수
힌트가 사용된 횟수
올바른 답변의 수
틀린 답변의 수
레벨에 있는 아동의 수
레벨에 있는 성인의 수
레벨에 있는 고령자의 수
레벨에서 보여지는 문제의 수
틀린 매칭의 수
숫자들 사이의 최대 공백 수
라인에 표시되는 볼의 총수
발사된 볼의 수
사용자가 매칭을 완료하기 위해 올바른 볼을 클릭한 횟수
사용자가 보너스 점수를 위해 동일한 숫자들을 그룹화하기 위해 발사한 횟수
종료 시에 몇 개의 볼이 취소되지 않았는지
보여진 고유의 아이템의 수
보여진 중복된 아이템의 수
클릭되지 않은 중복된 아이템의 수
올바른 클릭의 횟수
틀린 클릭의 횟수
보여진 형상의 수
사용된 형상의 수
폐기된 형상의 수
터치되지 않은 형상의 수
회전 수
큐브의 총수
보이는 큐브의 수
숨겨진 큐브의 수
틀린 답변의 수
시소의 수
문제에서의 가중치의 수
틀린 답변의 수
비교할 이미지의 수
찾아낼 차이점의 수
틀린 클릭 횟수
사용된 힌트의 수
매트릭스 크기
회전 수
클릭의 총 횟수
전구 수
클릭의 총 횟수
완료할 이론적 최소 클릭 횟수
리셋 횟수
도 6은 일 실시예에 따른, 비교 게임 정보를 생성하는 예시적인 프로세스 흐름을 도시한다. 비교 게임 정보는 게임에서의 다른 플레이어들과 비교하여 플레이어가 어떻게 플레이하는지를 나타낼 수 있다. 비교 게임 정보는 벤치마킹 테이블의 포맷을 가질 수 있다.
도 6을 참조하면, 벤치마킹 테이블을 준비하는 프로세스는 벤치마크 테이블을 생성하기 위해 다양한 게임을 플레이한 모든 플레이어들을 조사할 수 있다. 벤치마크 테이블은 99번째 백분위수, 98번째 백분위수 등에 있을 것으로 요구되는 점수 및/또는 성과 레벨을 결정하는 데 도움을 줄 수 있다. 도 6에 도시된 바와 같이, 능력 영역은 논리, 수학, 음악, 주의, 집중 등일 수 있다. 필터들은 (가능한 것들 중에서도 특히) 성별, 나이, 임상 진단 등에 기초하여 모든 플레이어를 보거나 비교 세트를 선택하는 능력을 제공할 수 있다. 일 실시예에서, 일괄 프로세스가 주기적으로, 예를 들어, 매시간, 매 x 시간마다, 또는 매일 개시될 수 있다. 일괄 프로세스에 대한 주기는 미리 결정될 수 있다.
도 7은 일 실시예에 따른, 플레이어의 성과를 결정하는 예시적인 프로세스 흐름을 도시한다. 도 6에 설명된 바와 같이, 일단 벤치마크 테이블이 계산되었다면, 플레이어의 레벨을 결정하는 프로세스는 플레이어가 플레이한 게임으로부터의 데이터를 사용하여 모든 다른 플레이어들과 비교하여 데이터베이스에서의 각각의 플레이어가 어떤 상황에 있는지를 결정하는 데 사용될 수 있다. 도 7에서, 능력 영역은 논리, 수학, 음악, 주의, 집중 등일 수 있다. 필터들은 (가능한 것들 중에서도 특히) 성별, 나이, 임상 진단 등에 기초하여 모든 플레이어를 보거나 비교 세트를 선택하는 능력을 제공할 수 있다. 일 실시예에서, 일괄 프로세스가 주기적으로, 예를 들어, 매시간, 매 x 시간마다, 또는 매일 개시될 수 있다. 일괄 프로세스에 대한 주기는 미리 결정될 수 있다.
도 8은 일 실시예에 따른, 플레이어의 상대적 성과를 대시보드상에 보고하는 예시적인 프로세스 흐름을 도시한다. 일단 다양한 필터 그룹들에서의 다른 플레이어들의 성과에 대한 한 플레이어의 상대적인 성과가 결정되었다면, 결과 데이터는 대시보드를 사용하여 부모 및 다른 허가된 성인에게 보여질 수 있다. 도 8에서, 필터들은 (가능한 것들 중에서도 특히) 성별, 나이, 임상 진단 등에 기초하여 모든 플레이어를 보거나 비교 세트를 선택하는 능력을 제공할 수 있다. 능력 영역이 또한 논리, 수학, 음악, 주의, 집중 등일 수 있다.
도 9는 일 실시예에 따른, 플레이어의 상대적 성과를 보고하는 또 다른 예시적인 프로세스 흐름을 도시한다. 도 8에 설명된 바와 같이, 일단 다양한 필터 그룹들에서의 다른 플레이어들의 성과에 대한 한 플레이어의 상대적인 성과가 결정되었다면, 결과 데이터는 대시보드를 사용하여 부모 및 다른 허가된 성인에게 보여질 수 있다. 도 9에서, 필터들은 (가능한 것들 중에서도 특히) 성별, 나이, 임상 진단 등에 기초하여 모든 플레이어를 보거나 비교 세트를 선택하는 능력을 제공할 수 있다. 능력 영역이 또한 논리, 수학, 음악, 주의, 집중 등일 수 있다.
일 실시예에서, 게임 결과 및 보고서는 서비스에 가입한 부모 및/또는 전문가에게 보내질 수 있다. 허가된 부모 및/또는 전문가는 웹사이트, 모바일 애플리케이션, 또는 그와 유사한 것을 통해 개인에 대한 보고서를 볼 수 있다. 부모(또는 가입한 교육자/전문가)는 부모의 재량에 따라 다른 사람들에게 보고서를 보내는 옵션을 가질 수 있다.
도 10은 사용자가 일 실시예에 따라 웹사이트에 들어갈 때의 개인 특성을 확인하는 예시적인 웹사이트의 스크린샷이다. 웹사이트는 인공 지능 엔진에 기초한 사용자 인터페이스로서 인간 아바타를 포함할 수 있다. 인간 아바타는 자연 언어와 음성을 인식하여 사용자를 웹사이트에 참여시킬 수 있다. 인간 아바타는 PC, 태블릿 PC, 모바일 디바이스, 착용 가능 디바이스 등과 같은 다중 채널에 걸쳐서 구현될 수 있다.
일 실시예에서, 인간 아바타는 사용자의 코멘트를 듣고 코멘트에 대한 응답을 줄 수 있다. 예를 들어, 사용자가 자신의 의료 정보에 대해 인간 아바타에게 물으면, 인간 아바타는 자폐증, ADHD, 난독증 및 기타 의학적 상태와 같은 의료 정보를 사용자에게 제공할 수 있다. 인간 아바타는 또한 다중 지능, 집행 기능 및 직업/진로 관심사를 포함하여 개인 특성에 대한 정보를 제공할 수 있다. 또 다른 실시예에서, 인간 아바타는 이들의 다중 지능 및 집행 기능을 평가하기 위해 사용자가 플레이해야 하는 게임을 제안할 수 있다. 이 권장 사항은 사용자의 사용 패턴을 기반으로 할 수 있다. 예를 들어, 인간 아바타는 협업 필터링 기술을 채택하여 사용자의 사용 패턴을 기반으로 게임을 예측할 수 있다. 인간 아바타는 또한 플레이어들에게 직업 선택 중에서 선택하도록 요청할 수 있다. 인간 아바타의 소리는 실제 사람의 녹음으로 구현될 수 있다. 인간 아바타는 개인 어시스턴트, 이메일, 오디오, 로봇, 만화, 또는 그와 유사한 것과 같은 다양한 형태의 인터페이스를 취할 수 있다. 일 실시예에서, 아바타는 구두로 생성된 텍스트의 의인화일 수 있다.
인간 아바타는 또한 생활 지도 기능을 사용자에게 제공할 수 있다. 인간 아바타에 의한 생활 지도는 조언, 교육, 모니터링, 상기시키는 것 등을 포함할 수 있다. 생활 지도 프로세스를 통해 인간 아바타는 사용자가 하루 동안 그들에게 찾아로 수 있는 다양한 상황을 해결할 수 있다. 상황은 학교 환경, 직장 환경, 주거, 교통, 또는 사용자가 매일 직면하는 사회적 환경과 같은 모든 정황에 있을 수 있다. 인간 아바타(Abby)와 사용자 간의 생활 지도 대화의 예가 아래에 예시되어 있다:
앱 시작시 Abby 인사말
안녕, 난 Abby야. 나는 네가 가지고 있을지도 모르는 질문에 답변하고 네가 조직화되도록 돕기 위해 하루 종일 너와 여기 함께 있어. 그래서 묻기만 하면 내가 도울 수 있는 것을 할께.
대화
시퀀스
1:
사용자: Abby, 나는 내일 아침 제시간에 일해야만 해, 그래서 네가 오전 6시로 내 알람을 설정할 수 있니?
Abby: 물론이지. 마찬가지로 리마인더로 내가 네 전화기로 통화를 하기를 원하니?
사용자: 그렇게 해 줘. 알람이 울린 후 15 분 후에 리마인더로 전화할 수 있니?
Abby: 좋아, 오전 6시 15분에 전화할께.
Abby: "우유를 들라"가 여전히 해야 할 일 목록에 있는 것을 알았어. 어제 집에 돌아올 때 식료품 가게에 들렀어?
사용자: 아, 깜박했어.
Abby: 오늘 네가 집으로 걸어가기 위해 버스에서 내릴 때 다시 생각나게 해 주기를 바라니?
사용자: 그렇게 해 줘. 내가 버스에서 내릴 때를 어떻게 아니?
Abby: 우리가 시작했을 때 휴대 전화의 GPS에 액세스할 수 있게 해줬고, 그래서 네가 어디에 있는지를 알 수 있어. 평상시의 버스 정류장에 네가 도착하는 것을 알았을 때 전화 줄께. 식료품 가게에서 더 필요한 것이 있어?
답변이 '예'라면
사용자: 음, 시리얼 및 빵을 목록에 추가할 수 있을까?
Abby: 알겠어.
답변이 '아니오'인 경우
사용자: 아냐. 고마워.
Abby: 괜찮아. 추가하길 원한다면 나중에 알려주기만 해.
대화
시퀀스
2
사용자: 부모님이 이번 주말 저녁 식사를 위해 오고 있어. 그분들을 위해 타코를 만들고 싶은데. 조리법을 말해줄 수 있니?
Abby: 물론이지. 타코에는 여러 종류가 있어. 일반 쇠고기 타코가 가장 인기가 있지만, 닭고기, 새우, 생선도 마찬가지로 옵션에 있어. 너는 무엇을 만들고 싶어?
사용자: 쇠고기 타코는 그분들이 좋아하는 것이야.
Abby: 좋아. 네게 조리법을 이메일로 보낼께. 쇼핑 목록에 재료를 추가하길 원해?
답변이 '예'이면
사용자: 그렇게 해줘.
Abby: 알았어. 내일 식료품 가게에 있을 때 쇼핑 목록에서 그걸 보게 될꺼야.
답변이 '아니오'인 경우
사용자: 아냐. 고마워.
Abby: 괜찮아. 추가하길 원한다면 나중에 알려주기만 해.
대화
시퀀스
3
사용자: 언제 투약해야 하지?
Abby: 의사가 지시한 시간에 약을 복용해야만 해. 원하면 각각의 약에 대한 리마인더를 만드는 것을 도와줄 수 있어. 이 스케줄을 만들려면 복용해야 하는 약의 수에 따라 약간의 시간이 걸릴 수 있어. 지금 스케줄을 만들기 원하니?
답변이 '아니오'인 경우
사용자: Abby 지금은 아냐.
Abby: 괜찮아. 내가 이 스케줄을 만드는 데에 도움이 되기 원한다면 나중에 내게 알려줘.
답변이 '예'인 경우
사용자: 그렇게 해줘.
Abby: 좋아, 시작하자. 첫째, 복용해야 하는 약병을 수집해야 해. 당신을 기다릴께. 네가 준비됐을 때 말해줘.
사용자: 준비됐어.
Abby: 네가 복용해야 할 약의 이름이 뭐야?
사용자: Lipitor
Abby: 알았어. 얼마나 자주 복용해야 해?
사용자: 약병에는 하루에 한 번이라고 써있어.
Abby: 좋아요. 지시가 특정 시간을 표시하니?
사용자: 잠자기 전이라고 쓰여 있어.
Abby: 좋아, 네가 매일 잠자러 갈 때마다 오후 9시에 리마인더 해주기를 바라니?
답변이 '예' 이면
사용자: 그렇게 해줘.
Abby: 좋아요. 매일 밤 9시에 알람이 울려서 약을 복용하도록 네게 상기시켜 줄꺼야.
답변이 '아니오'인 경우
사용자: 아니, 다른 시간이 좋아.
Abby: 문제 없어. 언제 리마인더를 받기 원하지?
사용자: 보통은 오후 11시경에 자러 가거든. 그러니 그 때 내게 상기시켜 줘.
Abby: 알겠어. 매일 밤 11시에 알람이 울려서 약을 복용하도록 네게 상기시켜 줄꺼야.
Abby: 좋았어. 네 첫번째 약에 대해서는 끝났어. 리마인더 받고 싶은 다른 약이 있어?
답변이 '예'이면
사용자: 그렇게 해줘.
Abby가 4 단계에서 루프를 다시 시작한다.
답변이 '아니오'인 경우
사용자: 아니. 다 끝났어.
Abby: 좋았어.
대화
시퀀스
4
사용자: 레스토랑에서 팁을 남기려면 얼마를 내야 하니?
Abby: 미국인 웨이터와 웨이트리스는 보통 청구액의 18%를 팁으로 기대해. 청구 총액을 알려 주면 팁을 계산해 줄 께. 팁 금액을 계산해 줄까?
답변이 '예'이면
사용자: 그렇게 해줘.
Abby: 좋아요, 총 청구액은 얼마지?
사용자: $ 27.85
Abby: 좋아. $ 27.85의 18%는 $ 5.02니까. $ 5.00까지 반올림할 수 있어.
답변이 '아니오'인 경우
사용자: 아니. 고마워.
Abby: 괜찮아. 다른 무엇이라도 도움을 줄 수 있다면 알려줘.
상술한 바와 같이, 인간 아바타는 사용자가 제기한 다양한 질문에 대한 답변을 제공할 수 있다. 인간 아바타와 사용자 사이의 질문 및 답변의 예들로는 다음과 같은 것들이 예시된다:
질문: 누군가 나에게 TGIF라고 말했어. 그게 무슨 뜻이지?
답변: TGIF는 'Thank God It's Friday'의 약자야. 일하는 주중이 지나고 주말을 보낼 시간이라서 사람이 기쁘다는 것을 의미해.
질문: 횡단 보도 표시가 의미하는 게 뭐야?
답변: 이것은 사람들이 신호등 신호가 없더라도 차선을 건너갈 수 있는 권리가 있고 자동차들은 너를 위해 정지해야만 하는 것을 의미해. 너는 표시를 보게 될 거야... 자동차가 없는지 또는 자동차가 오지 않는지 또는 그들이 멈추었는지 체크하고, 횡단 보행로 사이를 빠르게 지나가면 돼.
질문: 보행자 표시등이 길을 건너도록 변경되지 않으면 어떻게 해야 하지?
답변: 항상 보행자 신호등에 보행자 아이콘이 표시될 때까지 기다려. 교통 신호등에게 네가 건너가기를 원하는 것을 알려주려고 버튼을 눌러야 할 수도 있어. 이 이미지와 비슷한 버튼이 있는지 확인해. 그것을 발견하면, 그것을 눌러.
질문: 이 도로에는 보도가 없어. 내가 어느 쪽 길을 걸어가는 것이 좋을까?
답변: 자동차가 당신에게 다가와 당신이 그들을 볼 수 있도록 항상 교통 흐름을 마주보는 식으로 걸어야 해.
질문: 버스나 기차를 탈 때 내 발을 뻗어 빈 좌석에 두어도 괜찮아?
답변: 다른 사람이 그곳에 앉을 필요가 있을 수 있으므로 깨끗하게 유지해야 하므로 좌석에 발을 올려놓아서는 안돼.
질문: 버스 또는 기차에서 사람이 너무 가까이 있어서 불편함을 느끼면 어떻게 해야 하지?
답변: 조용히 일어나 좀 떨어진 다른 좌석으로 가서 네가 느끼기에 안전한 사람 주위로 이동하면 돼. 기차 승무원과 이야기할 수도 있어.
질문: "9까지 4 분의 1"은 무엇을 의미하지?
답변: 8시 45분을 의미해. 한 시간에 60분이 있기 때문에 1/4은 15분을 의미해. 9까지 4 분의 1은 9시 15 분전을 의미하므로 8:45가 되지.
질문: 내가 좋아하거나 동의하지 않는 주어진 일을 완료하려면 어떻게 해야 하지?
답변: 이것은 답변하기가 매우 어려운 질문이네. 그것은 정말로 해야 할 일과, 왜 네가 업무 할당에 대해 싫어하거나 동의하지 않는지에 달려 있지. 때때로 부적절하거나 잘못되었기 때문에 무언가를 하지 않는 것은 좋은 이유가 되지. 그러나 다른 경우에는 작업이 마음에 들지 않아도 여전히 완료될 필요가 있어. 자신의 상황을 파악하는 가장 좋은 방법은 신뢰할 수 있는 동료와 논의하는 것이야. 너는 또한 네 상사와 함께 네 관심사를 제기하고 네가 해야 할 일에 대한 지도를 구하는 것을 고려할 수도 있어.
질문: 내 식료품에 대한 총액은 56.67 달러이지만 20 달러 지폐들만 있어. 계산원에게 무엇을 주어야 하지?
답변 : 그에게 20 달러짜리 3장, 곧 60 달러를 줘, 그러면 거스름돈을 줄 거야.
질문: 3주 동안 급료를 받지 못했어. 어떻게 해야 하지?
답변: 고용주에게 전화하여 오랫동안 급료를 받지 못했다고 설명해. 무엇을 해야하는지 물어봐.
질문: 내가 모르는 사람이 문에 서서 들여보내 달라고 요구해. 어떻게 해야 하지?
답변: 아는 사람이거나 들어올 충분한 이유가 있는 경우를 제외하고는 아무도 집에 들어오지 못하게 해야 해. 좋은 이유는 누군가 패키지를 배달하는 것일 수 있고 서명을 해야 할 수도 있어. 확신이 없으면 부모님이나 신뢰하는 사람을 불러서 물어 봐. 도 11은 일 실시예에 따른, 사용자가 게임을 플레이하기를 선택할 때 개인의 능력, 실력 및 관심사를 확인해주는 예시적인 웹사이트의 스크린샷이다. 일 실시예에서, 게임은 아동, 청소년 및 성인이 자신의 휴대폰, PC, 또는 태블릿상에서 플레이하는 것이 재미있다는 것을 알고 있는 캐주얼 게임(casual game)일 수 있다. 이러한 게임들은 사람의 다중 지능, 집행 기능, 및 진로 관심사라는 세 가지 중요한 영역에 대한 통찰력을 제공하도록 설계될 수 있다. 게임의 지속 시간은, 수 분에서 수십 분까지의 범위를 포함하여, 아주 다양할 수 있다. 이것은 플레이어가 나아갈 수 있는 능력 그리고 계속하는 것에 대한 관심에 의존한다. 게임은 플레이어에게 중단하거나 계속할 선택권을 줄 수 있다.
또 다른 실시예에서, 게임은 직관적이고 어떤 감독도 필요로 하지 않도록 설계될 수 있다. 게임이 사람의 능력을 검사하기 때문에, 부모/성인은 (사람이 운동 장애(motor challenge)가 있고 운동 보조기구(motor support)의 도움을 받을 수 있는 경우를 제외하고는) 개인의 플레이를 돕지 않는다. 게임이 자폐증 청소년을 위해 설계되었지만, 게임이 모든 사람에 의해 - 모든 연령대에서 그리고 임상 진단에 관계 없이 - 플레이될 수 있다.
도 12는 일 실시예에 따른, 사용자가 개인의 능력, 실력 및 관심사를 알기 위해 정보 페이지를 선택할 때 개인 특성을 확인해주는 예시적인 웹사이트의 스크린샷이다. 도 12에 도시된 바와 같이, 정보 페이지는 하워드 가드너의 다중 지능; 조지 맥클로스키의 집행 기능(EF)에 관한 연구; 및 존 홀랜드의 진로 관심사에 대한 연구의 상세를 설명할 수 있다.
도 13은 일 실시예에 따른, 사용자가 결과를 검토하기 위해 대시보드 페이지를 선택할 때 개인 특성을 확인해주는 예시적인 웹사이트의 스크린샷이다. 대시보드 페이지는 게임으로부터 전송된 게임 데이터에 기초한 개인의 가드너 지능, EF, 및 진로 관심사의 분석을 포함할 수 있다.
도 14는 일 실시예에 따른, 사용자가 결과를 추가로 검토하기 위해 심층 분석 페이지를 선택할 때 개인 특성을 확인해주는 예시적인 웹사이트의 또 다른 스크린샷이다. 대시보드 페이지는 개인의 가드너 지능, EF, 및 진로 관심사 중 하나에 대한 상세한 분석을 디스플레이할 수 있다.
도 15는 일 실시예에 따른, 개인 특성을 확인해주는 예시적인 네트워크의 개관을 도시하는 시스템도이다. 개인의 능력, 실력 및 관심사를 확인해주는 시스템은 보고 엔진, 게임 데이터 수집, 등록/가입 데이터 수집, 데이터 웨어하우스, 콘텐츠 데이터베이스, 데이터 추출 및 데이터 마이닝 프로세스를 포함할 수 있다.
도 16은 일 실시예에 따른, 등록된 사용자가 개인 특성을 확인하기 위해 게임을 플레이할 때의 데이터 수집을 도시하는 흐름도이다. 이 예시적인 실시예에서, 등록된 13세 자녀가 Word Grid와 같은 게임을 플레이하기 위해 사이트로 돌아갈 수 있다. 예를 들어, 자녀가 웹사이트에 로그인하고 자녀가 허가된 사용자인지를 체크하기 위해 인증이 수행된다. 일단 자녀가 인증되면, 자녀는 홈 페이지에서 인간 아바타의 인사를 받는다. 자녀가 Word Grid와 같은 게임을 선택하면, 게임이 인간 아바타에 의해 설명된다. 자녀가 Word Grid를 플레이한다. 일단 자녀가 시한이 있는 레벨(timed level)을 완료하면, 게임 특정 파라미터를 콘텐츠 데이터베이스에 게시하기 위해 게임 API가 실행된다. 파라미터는 게임 ID, 자녀 ID, 날짜, 점수, 가능한 단어의 수, 올바른 단어의 수, 누락된 단어의 수, 사용된 힌트, 이용가능 레벨 시간, 및 사용된 레벨 시간을 포함할 수 있다.
도 17은 일 실시예에 따른, 등록된 사용자가 게임을 플레이할 때의 데이터 마이닝 프로세스를 도시하는 예시적인 흐름도이다. 게임 특정 파라미터를 콘텐츠 데이터베이스에 게시할 때, 시스템 스케줄러는 데이터 추출 프로세스를 개시할 수 있다. 일단 데이터 추출 프로세스가 개시되면, 새로운 레코드가 콘텐츠 데이터베이스로부터 추출되고 게임 플레이 통계가 이용가능한 각각의 메트릭에 대해 표준화된다. 예를 들어, Word Grid에 의해 측정된 능력은 언어 및 공간을 가질 수 있다. Word Grid에 의해 측정된 집행 기능은 주의/지각,주의/집중, 및 해결/생성을 포함할 수 있다. 게임 플레이 통계가 각각의 메트릭에 대해 표준화되어 있을 때, 사람, 데이터 및 메트릭 레벨에서 로딩된 원시 점수는 하기의 수학식을 사용해 계산된다:
Word Grid 독점적 계산□
측정된 Word Grid 집행 기능□
원시 점수를 계산할 때, 게임 플레이 통계는 각각의 메트릭의 각각의 측정마다 평균화되고 각각의 메트릭에 대한 아동의 평균이 데이터 웨어하우스에 게시된다. 벤치마크는 각각의 메트릭에 대해 재계산되고, 매일마다 각각의 메트릭에 대해 각각의 아동의 백분위수가 계산된다. 각각의 메트릭에 대해 이러한 벤치마크 및 아동의 백분위수가 데이터베이스에 게시된다.
도 18은 일 실시예에 따라 개인 특성을 확인하기 위해 허가된 개인에 의한 플레이어의 성과에 대한 리뷰 프로세스를 도시하는 흐름도이다. 도 20에 도시된 바와 같이, 부모 및 허가된 성인은 대시보드 페이지로 돌아와 플레이어의 성과를 검토할 수 있다. 플레이어의 성과를 검토하려는 성인 사용자는 먼저 웹사이트 또는 모바일 애플리케이션에 로그인한 다음 성과 검토 권한을 부여받을 수 있다. 일단 성인 사용자가 인가되면, 인간 아바타가 홈 페이지상에서 성인 사용자를 환영한다. 플레이어의 성과를 검토하기 위해, 성인 사용자는 대시보드를 선택하고 결과를 검토할 아동을 선택할 수 있다. 성인 사용자는 검토할 권한이 있는 각각의 연관된 아동에게 데이터베이스에서 링크될 수 있다. 성인에게 링크된 아동이 두 명 이상인 경우 성인은 검토할 아동을 선택하라고 프롬프트될 수 있다. 성인에게 링크된 아동이 하나뿐인 경우, 해당 아동에 대한 결과가 디폴트로 표시된다.
아동을 선택할 때, 아동에 대한 결과 보고서가 편집되고 포맷팅된다. 성인은 다수의 구별되는 아동 집단들에 걸쳐 아동을 비교하기 위해 필터를 적용할 수 있다. 이용가능한 보고서 필터들은:
필터들이 적용된 후에, 아동에 대한 결과 보고서가 또다시 편집되고 포맷팅될 수 있다. 성인은 벤치마크와 비교하여 아동의 요약 결과를 검토할 수 있다. 일 실시예에서, 성인은 다수의 구별되는 아동 집단들에 걸쳐 아동을 비교하기 위해 필터들을 적용할 수 있다. 결과 보고서는 아동 능력 분석, 진로 관심사 분석, 그리고 집행 기능 분석을 포함할 수 있다.
도 19는 일 실시예에 따른, 개인 특성을 확인해주기 위해 사용될 수 있는 게임들의 유형들을 나타낸다. 용도 변경 게임, 커스텀 게임, 및 조정된 게임과 같은 세 가지 유형의 게임들이 개인의 능력, 실력 및 관심사를 평가하도록 설계될 수 있다. 용도 변경 게임은 데이터 수집을 가능하게 하기 위해 수정된 기존의 게임인 게임일 수 있다. 이는 수학, 논리 및 공간과 같은 선택된 능력 영역에 대해 적용가능할 수 있다. 커스텀 게임은 보다 많은 데이터를 포착하기 위해 또는 현재 게임으로는 가능하지 않은 일부 영역들을 탐구하기 위해 개발된 게임일 수 있다. 조정된 게임은 현재 평가되지 않은 또는 과소평가된 실력 영역을 평가하기 위해 새로운 게임으로서 개발되는 게임일 수 있다.
도 20은 일 실시예에 따른, 용도 변경 게임들의 예들을 도시한다. 도 20에 도시된 바와 같이, 용도 변경 게임은 논리, 공간 처리, 시각적 기억, 수학, 및 언어와 같은 능력을 평가할 수 있다. 논리에 대한 용도 변경 게임은 Parking Lot, Seesaw Logic, Rainbow Mechanic, 및 Christmas Tree Light-up을 포함할 수 있다. 공간 처리에 대한 용도 변경 게임은 Spot the Difference, Share Inlay, Count the Cubes, 및 Count the Sheep을 포함할 수 있다. 시각적 기억에 대한 용도 변경 게임은 Pattern Memory, 및 Memory III을 포함할 수 있다. 수학에 대한 용도 변경 게임은 Bus Driver Math, 및 Quick Calculate를 포함할 수 있다. 언어에 대한 용도 변경 게임은 Word Search를 포함할 수 있다. 각각의 용도 변경 게임은 또한 다수의 집행 기능, 예를 들어, 집중, 참여, 개시 및 중단, 기억 조작, 우선순위 부여, 시간 감도 등을 평가할 수 있다.
레벨이 끝날 때 수집되어 API로 전달되는 The Parking Lot에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
주차장에 있는 자동차의 수
이론적 최소 무브 횟수
취해진 무브 횟수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Rainbow Mechanic에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
사용된 미러의 수
필요한 이론적 최소 미러
힌트 모드가 사용되었는가(예/아니오).
레벨이 끝날 때 수집되어 API로 전달되는 Word Grid에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
가능한 단어의 수
올바른 단어의 수
누락된 단어의 수
힌트가 사용된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Sequence Master에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
그리드 상의 정사각형의 수
번호 또는 빈 공간을 잘못 클릭했는가(예 또는 아니오)
기억될 시퀀스에서의 높은 번호
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Easter Egg Hunt에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
숨겨진 계란의 수
발견된 계란의 수
틀린 클릭 횟수
힌트가 사용된 횟수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Pattern Memory II에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
그리드에 있는 블록의 총수
사용된 색상의 수
틀린 클릭의 횟수
틀린 색상 또는 빈 정사각형을 잘못 클릭했는가(예 또는 아니오)
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Count the Sheep에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
움직이는 양을 보는데 이용가능한 시간
답변하는 데 사용된 시간량
양의 수
늑대의 수
제공된 답변
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Bus Driver's Math에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
올바른 답변의 수
틀린 답변의 수
레벨에 있는 아동의 수
레벨에 있는 성인의 수
레벨에 있는 고령자의 수
레벨에서 보여지는 문제의 수
레벨이 끝날 때 수집되어 API로 전달되는 Spot the Difference II에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 %
이미지 이름
올바른 답변의 수
틀린 클릭 횟수
사용된 힌트의 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Number Twins에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
틀린 매칭의 수
매칭된 숫자 사이의 최대 공백 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Math Lines에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
나타난 볼의 총수
발사된 볼의 수
경기를 완료하기 위해 볼이 발사된 횟수
동일 번호의 볼 옆에 볼이 발사된 횟수
취소되지 않은 채로 있는 볼의 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 More of Less에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
매트릭스 내의 정사각형의 수
사용된 오퍼레이터(많음 또는 적음)
틀린 답변의 수
레벨이 끝날 때 수집되어 API로 전달되는 Double Bubble에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 퍼센트
보여진 고유의 아이템의 수
보여진 중복된 아이템의 수
클릭되지 않은 중복된 아이템의 수
올바른 클릭의 횟수
틀린 클릭의 횟수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Scene Memory에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이미지를 보는데 이용가능한 시간
답변하는 데 사용된 시간량
레벨에 있는 아이템의 수
변경된 아이템의 수
발견된 올바른 아이템의 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Find the Suspect에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
보여진 용의자의 수
선택된 이미지
올바른 이미지
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Find the Pair에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
이용가능 시간
사용된 시간량
올바른 형상
보여진 형상의 총수
실수의 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Shape Inlay에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
보여진 형상의 수
사용된 형상의 수
폐기된 형상의 수
터치되지 않은 형상의 수
회전 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Quick Calculate에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
질문
올바른 답변
틀린 답변의 수
레벨이 끝날 때 수집되어 API로 전달되는 Count the Cubes에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
큐브의 총수
보이는 큐브의 수
숨겨진 큐브의 수
틀린 답변의 수
힌트 버튼이 클릭된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Seesaw Logic에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
시소의 수
문제에서의 가중치의 수
틀린 답변의 수
레벨이 끝날 때 수집되어 API로 전달되는 Spot the Difference에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
보여진 얼굴의 수
찾아낼 차이점의 수
틀린 클릭 횟수
사용된 힌트의 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Memory III에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
보여진 쌍의 수
클릭의 총 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Moving Memory에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
매트릭스 크기
회전 수
클릭의 총 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Christmas Tree Light Up에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
사용된 힌트의 수
전구의 수
클릭의 총 횟수
완료할 이론적 최소 클릭 횟수
리셋 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Math Search에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
수학식
틀린 답변의 수
게임이 연장된 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Memory에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
클릭의 총 횟수
레벨이 끝날 때 수집되어 API로 전달되는 Tower of Hanoi II에 대한 게임 데이터는 하기를 포함할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)
점수
사용된 시간량
무브의 총 횟수
이론적 최소 무브 횟수
게임이 연장된 횟수
도 21은 일 실시예에 따른, 상세 데이터를 수집하기 위한 커스텀 게임들의 예들을 나타낸다. 게임 1 Greater는, 각각이 숫자 또는 수학식을 디스플레이하는, 2개의 "카드"를 보여줌으로써 동작할 수 있다. 숫자는 적응적으로 제시될 수 있고, 그 난이도는 고등학교 기하까지 증가될 수 있다. 플레이어는 어느 카드가 더 큰 값인지를 선택하라고(또는 같은 경우 "같음" 버튼을 클릭하라고) 요구받는다. 게임은 [20] 개의 레벨을 통해 점점 더 어려운 문제들을 디스플레이한다. 몇 가지 파라미터들:
시스템은, 하기를 비롯하여, 2개의 카드를 디스플레이하기 위해 다수의 파라미터들을 무작위적으로 선택할 필요가 있을 수 있다:
11개의 문제 유형이 있다:
덧셈
뺄셈
곱셈
나눗셈
지수
정사각형, 직사각형, 원의 둘레
삼각형의 둘레
정사각형, 직사각형, 원의 면적
삼각형의 면적
체적
각각의 괄호가 앞의 문제 카테고리들 중 임의의 것을 포함할 수 있는 괄호 수학식 - 예컨대, (342 - 125) X (53 - 32)
게임이 개시될 때, 플레이어에게 게임에 대한 느낌을 주기 위해 점수가 계산되기를 시작하기 전에 "레벨 0"이 제시된다. 완료 이후에, 레벨 1에서 게임이 시작된다. 3개의 올바른 답변을 완료할 때, 시스템은 "레벨 1을 완료한 것을 축하합니다, 레벨 2로 이동합니다."를 디스플레이할 수 있다. 레벨 10을 완료한 후에, 시스템은 "레벨 10을 완료한 것을 축하합니다."를 디스플레이할 수 있다. 중단하겠습니까 계속하겠습니까?"를 디스플레이할 수 있다. "중단" 및 "계속" 버튼이 디스플레이될 수 있다. 플레이어가 계속하기로 결정하면, 시스템은 "틀린 문제" 카운터를 0으로 리셋시키고 틀린 문제를 다시 카운팅하기 시작한다. 게임의 끝에서 또는 플레이어가 게임을 종료하기로 선택할 때, "축하합니다!"를 디스플레이하고 플레이어가 가진 마지막 5개의 점수에 비교되는 이 게임에서의 플레이어의 점수를 보여준다.
점수는 하기의 방식으로 획득될 수 있다:
■ 레벨 숫자가 10과 곱해지고 그 값이 플레이어에게 "올바른 답변 점수"로서 주어진다(예컨대, 레벨 1에서의 올바른 답변은 10점을 제공한다. 레벨 20에서의 올바른 답변은 200점을 제공한다.)
■ 남아 있는 매초마다 "시간 보너스 점수"로서 점수가 부여된다.
■ 5개의 올바른 문제를 연속적으로 답변하면 마지막 올바른 답변에 대해 부여되는 점수의 5배가 얻어진다(예컨대, 5개의 시퀀스의 마지막 올바른 답변이 100점을 받았으면, 5 연속 보너스는 500이다)
■ 10개의 올바른 문제를 연속적으로 답변하면 마지막 올바른 답변에 대해 부여된 점수의 10배가 얻어진다
틀리게 답변하는 것에 대해 점수가 차감될 수 있다. 각각의 틀린 응답에 대해 레벨 숫자의 5배에 해당하는 점수가 차감될 수 있다.
Greater의 하기의 요소들이 포착되어 API로 다시 전달된다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
이용가능 시간
사용된 시간량
이용가능 시간 중 사용된 %
이 게임의 시작으로부터 가장 빈번히 올바르게 답변되는 문제 유형
이 게임의 시작으로부터 가장 빈번히 틀리게 답변되는 문제 유형
플레이어에게 제기된 각각의 질문에 대해 하기의 아이템이 API의 외부에 있는 파일로 덤프될 수 있다:
사용자 ID
날짜/시간 스탬프
레벨
문제 유형
제기된 문제
주어진 답변
올바른 답변인가(예/아니오)?
이용가능 시간
사용된 시간량
도 21에서의 게임 2 Motion은 사진을 보여줌으로써 동작할 수 있다. 사진들이 적응적으로 제시될 수 있고, 그 난이도는 멀티태스킹을 평가하기 위해 15개의 동시적인 프레임까지 증가될 수 있다. 논리적 추론과 우선순위 부여를 평가하기 위해 각각의 프레임에서의 객체의 수가 변화될 수 있다. 게임 3 Berserk는 Great와 Motion을 하나의 동시적인 게임으로 결합할 수 있다. 카드와 사진이 적응적으로 제시될 수 있다.
도 22는 일 실시예에 따른, 얼굴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 나타낸다. 게임 Faces는 다양한 활동에 참여하고 질문을 하는 사람들의 점점 더 복잡한 사진을 계속해서 적응적으로 제시할 수 있다. 문의된 질문은 하기를 포함할 수 있다:
Faces가 개시될 때, 레벨 0에서, 플레이어는 1 사람 사진을 제시받는다. 개인은 사진과 사진에 있는 사람의 이름을 5초 동안 볼 수 있다. 집중할 3개의 요소는 다음과 같다: (1) 그 사람의 이름; (2) 그들이 사진에서 무엇을 하고 있는지; 및 (3) 옷의 색상 또는 패턴, 사진에 있는 사람이 무엇을 잡고 있는지, 그 사람 주위의 환경 등과 같은 질문가능한 측면들. 지정된 시간 동안 사진이 보여진 후에, 개인의 얼굴에 맞게 조정된 사진이 나타날 수 있다. 이 시점에서, 플레이어는 시스템에 의해 랜덤하게 선택된 하기의 질문들 중 하나를 받을 수 있다:
시스템은 플레이어가 선택할 4개의 선택항을 제공할 수 있다.
Faces는 4 사람 이미지에 대해 작동할 수 있다. 예를 들어, 이름 "Marilyn, Jayden, Andy, Aubrie"이 제각기 열거된 4명의 사람이 있는 사진이 지정된 시간 동안 디스플레이될 수 있다. 문의된 질문은 하기를 포함할 수 있다:
레벨 1에서, 퀴즈 이전에 하나의 사진에 대해, 플레이어는 1-얼굴 이미지들 중에서 무작위적으로 선택된 사진을 5초 동안 제시받을 수 있다. 시스템은 이어서 방금 보여진 사진에 관한 무작위적으로 선택된 질문을 디스플레이함으로써 플레이어에게 퀴즈를 낸다. 플레이어가 답변을 틀리게 하면, 개인의 전체 사진을 갖는 올바른 답변이 플레이어에게 보여질 것이다. 시스템은 이어서 단계 1을 반복한다. 플레이어가 답변을 올바르게 하면, 단계 2로 진행한다.
퀴즈 이전의 2개의 사진에 대해, 1개의 얼굴을 갖는 새로운 이미지가 5초 동안 플레이어에게 보여질 수 있다. 1개의 얼굴을 갖는 다른 새로운 이미지가 5초 동안 플레이어에게 보여질 수 있다. 시스템은 선택된 이미지에 대한 3개의 가능한 퀴즈 질문들 중 하나를 무작위적으로 선택하여 플레이어에게 퀴즈를 낸다. 플레이어가 답변을 틀리게 하면, 퀴즈 단계 이전의 이 2개의 사진을 반복한다. 플레이어가 답변을 올바르게 하면, 다음 단계로 계속된다.
퀴즈 이전에 3개의 사진 그리고 퀴즈 이전에 4개의 사진을 보여주는 것에 의해 게임이 점점 더 어려워질 수 있다. 일단 플레이어가 4개의 사진 이후에 질문에 답변하면, 플레이어는 한 레벨 올라갈 것이다.
레벨 2 이상이 레벨 1과 동일한 방식으로 작동할 수 있지만, 시스템은 2개 이상의 얼굴을 갖는 이미지들 중에서 무작위적으로 선택할 수 있다.
레벨들:
레벨 1: 1개의 얼굴
레벨 2: 2개의 얼굴
레벨 3: 3개의 얼굴
레벨 4: 4개의 얼굴
레벨 5: 5개의 얼굴
레벨 6: 6개의 얼굴
레벨 7: 7개의 얼굴
레벨 8: 8개 이상의 얼굴
플레이어에게 퀴즈를 낼 때, 시스템은 그 시점까지 보여진 임의의 얼굴 중에서 선택할 수 있다. 즉, 플레이어가 레벨 3(3-얼굴 이미지)에 있을지라도, 시스템은 여전히 레벨 1 동안에 보여진 얼굴 중에서 선택할 수 있다.
플레이어는, 하기의 3개의 질문들 중 임의의 것에 올바르게 답변하면, 점수를 받을 수 있다: (1) 개인(들)의 이름; (2) 그들의 활동; (3) 고유 질문에 대한 답변. 플레이어는 1-얼굴 이미지에 대해 100점, 2-얼굴 이미지에 대해 200점, 그리고 3-얼굴에 대해 300점, 등등을 얻을 수 있다. 틀린 답변에 대해 점수가 차감되지 않는다. Faces 게임은 플레이어가 20개의 올바른 답변 또는 5개의 틀린 답변을 할 때 종료된다.
각각의 레벨의 끝에서, 시스템은 하기의 데이터 요소를 기록하기 위해 API를 사용할 수 있다:
날짜/시간 스탬프
레벨
점수
제시된 이름 질문의 수
올바르게 답변된 이름 질문의 수
제시된 활동 질문의 수
올바르게 답변된 활동 질문의 수
제시된 고유 질문의 수
올바르게 답변된 고유 질문의 수
올바른 답변에 대한 중간 이미지의 최대 수(즉, 플레이어가 어디까지 얼굴을 기억할 수 있는지)
각각의 레벨의 끝에서, 시스템은 또한 하기의 데이터 요소들을 기록하기 위해 API를 사용할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
올바른 이름의 수
올바른 남성 이름의 수
올바른 남성 이름의 수
올바른 이름의 %
올바른 남성 이름의 %
올바른 남성 이름의 %
올바른 활동의 수
올바른 활동의 %
플레이어가 올바르게 이름을 답변한 경우 이미지 내의 사람들의 최대 수
이미지에 1명의 사람이 있는 경우 올바른 답변의 수
이미지에 2명의 사람이 있는 경우 올바른 답변의 수
이미지에 3명의 사람이 있는 경우 올바른 답변의 수
이미지에 4명의 사람이 있는 경우 올바른 답변의 수
이미지에 5명의 사람이 있는 경우 올바른 답변의 수
이미지에 6명의 사람이 있는 경우 올바른 답변의 수
이미지에 7명의 사람이 있는 경우 올바른 답변의 수
이미지에 8명 이상의 사람이 있는 경우 올바른 답변의 수
이미지에 1명의 사람이 있는 경우 올바른 답변의 %
이미지에 2명의 사람이 있는 경우 올바른 답변의 %
이미지에 3명의 사람이 있는 경우 올바른 답변의 %
이미지에 4명의 사람이 있는 경우 올바른 답변의 %
이미지에 5명의 사람이 있는 경우 올바른 답변의 %
이미지에 6명의 사람이 있는 경우 올바른 답변의 %
이미지에 7명의 사람이 있는 경우 올바른 답변의 %
이미지에 8명 이상의 사람이 있는 경우 올바른 답변의 %
도 23은 일 실시예에 따른, 멜로디 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 다른 예시적인 흐름을 도시한다. 게임 Melodies는, 누군가가 이미 멜로디를 알고 있는지가 아니라, 음악적 기억을 테스트할 수 있다. 이에 따라, 게임으로부터의 실제 값은 플레이어가 멜로디를 틀리게 말한 후에 어떤 일이 일어나는지 이해하는 것으로부터 나올 수 있다. 멜로디를 또다시 제공할 때 멜로디의 이름을 그/그녀가 기억할 수 있는지. 플레이어가 피스를 이미 알고 있다는 사실은 그의 점수를 높이는 데 도움이 되지만, 게임의 실제 값은 첫 번째로 플레이될 때와 2번째 또는 3번째 또는 4번째 플레이될 때를 대비하여 올바른 답변을 추적하는 것이다.
레벨 0 연습 라운드에서, 하나의 화면 상에, 시스템은 멋진 배경을 디스플레이하고, 클립을 플레이하며, 플레이어에게 4개의 가능한 옵션들 - 그 중 3개는 음악적 피스들의 이름들이고 5번째 선택항은 "모릅니다; 이전에 이것을 들어본 적이 없습니다 "임 - 중에서 선택하라고 요청할 수 있다.
시스템은 "이전에 틀린" 목록으로부터 뿐만 아니라 우리의 컬렉션으로부터의 모든 가능한 피스들 중에서 무작위적으로 선택된 클립을 플레이할 수 있다. 시스템은 처음 4개의 클립에 대해 이전에 플레이되지 않은 컬렉션 중에서만 무작위적으로 선택한다. 그 후에, 시스템은 플레이되지 않은 것으로부터 선택할 50% 확률과 "이전에 틀린" 목록 중에서 선택할 50% 확률을 갖는다. 일단 플레이어가 클립에 대해 올바르게 답변하면, 그 클립이 또다시 제시되지 않는다.
시스템은 플레이어에게 4개의 가능한 옵션 중에서 선택하도록 요청할 수 있다. 플레이어가 올바른 답변을 제공하면, 시스템은 피스가 올바르게 답변되었다고 말하고, 올바른 답변 카운트를 1만큼 증가시키고, 점수를 증가시키며 다시 단계 1로 진행한다. 플레이어가 틀린 답변을 제공하거나 모르는 경우, 시스템은 (1) 피스의 올바른 이름을 사용해 피스를 다시 플레이하고; (2) 이 피스에 대한 "틀린 개수" 카운터를 1만큼 증가시키고 피스를 다시 선택될 음악적 피스들의 "이전에 틀린" 큐에 두며; (3) 게임에 대한 틀린 개수를 1만큼 증가시키고; 및 (4) 다시 단계 1로 진행한다.
이 게임이 실제로 레벨들을 갖지 않기 때문에, 플레이어가 10개의 틀린 답변 또는 20개의 올바른 답변에 도달할 때까지 게임이 계속된다. 10개의 틀린 답변 제약조건에 도달하는 것에 의해 게임이 종료되는 경우, 시스템은 "게임 종료. 다시 시도하시겠습니까?"를 디스플레이한다. 20개의 올바른 답변 제약조건에 도달하는 것에 의해 게임이 종료되는 경우, 시스템은 "20개의 올바른 답변을 한 것을 축하합니다. 당신은 훌륭한 음악적 기억을 가지고 있습니다. 계속하시겠습니까?"를 디스플레이한다. 시스템은 API를 사용하여 데이터를 기입한다. 플레이어가 계속하기를 원하는 경우, 시스템은 올바른/틀린 카운터를 재시작하고, 플레이어가 다음 10개의 틀린/20개의 올바른 제약조건에 도달할 때까지, 계속한다.
게임 또는 각각의 "라운드"의 끝에서, 시스템은 하기를 API를 통해 데이터베이스에 기입할 수 있다:
날짜/시간 스탬프
점수
첫 번째에 올바르게 답변된 피스의 수(즉, 플레이어가 피스를 이미 알고 있었음)
첫 번째 제시에서 올바르게 답변된 피스의 %
두 번째 제시에서 올바르게 답변된 피스의 수
두 번째 제시에서 올바르게 답변된 피스의 %
세 번째 또는 후속 제시에서 올바르게 답변된 피스의 수(즉, 플레이어가 피스를 배웠음)
세 번째 제시에서 올바르게 답변된 피스의 %
여러 번의 제시에도 불구하고 틀리게 답변된 피스의 수
그에 부가하여, 시스템은 플레이어가 이미 알고 있었고, 배웠으며 그리고 배운 적이 없는 피스에 대한 개별 이름/ID를 추적할 수 있다. 제시된 매 클립마다, 시스템은 하기의 아이템을 갖는 레코드를 파일에 기입할 수 있다:
사용자 ID
날짜/시간 스탬프
음악 클립 이름/ID
플레이어가 제공한 답변
플레이어가 올바르게 답변했는지(예/아니오)
플레이어가 올바르게 답변한 경우, 플레이어가 올바르게 답하기 위해 몇 번의 제시가 있었는지(1회, 2회, 3회, 기타)
게임 또는 각각의 "라운드"의 끝에서, 시스템은 또한 하기를 API를 통해 데이터베이스에 기입할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
첫 번째 듣기에서 올바르게 답변된 멜로디의 수(즉, 음조를 이미 알고 있음)
두 번째 듣기에서 올바르게 답변된 멜로디의 수
세 번째 듣기에서 올바르게 답변된 멜로디의 수
네 번째 듣기에서 올바르게 답변된 멜로디의 수
첫 번째 듣기에서 올바르게 답변된 멜로디의 %(즉, 음조를 이미 알고 있음)
두 번째 듣기에서 올바르게 답변된 멜로디의 %
세 번째 듣기에서 올바르게 답변된 멜로디의 %
네 번째 듣기에서 올바르게 답변된 멜로디의 %
올바르게 답변된 클래식 클립의 %
올바르게 답변된 째즈 클립의 %
올바르게 답변된 팝 음악 클립의 %
올바르게 답변된 클래식 록 클립의 %
올바르게 답변된 컨트리 클립의 %
올바르게 답변된 동요 클립의 %
도 24는 일 실시예에 따른, 패턴 인식을 사용하여 상세 데이터를 수집하기 위한 커스텀 게임의 예시적인 흐름을 도시한다. 도 24에 예시된 바와 같이, 게임 Patterns은, 형상, 숫자, 및 문자 팔레트로부터 혼합하여, 점점 더 복잡한 패턴을 계속하여 적응적으로 제시할 수 있다.
도 25는 일 실시예에 따른, 상이한 이해 모드를 사용해 상세 데이터를 수집하기 위한 커스텀 게임의 예를 나타낸다. 대부분의 자폐증 학생들은 독해력 테스트에 저조하지만, 실패의 원인은 불분명하다. 가능한 실패 원인은 (1) 텍스트의 단락으로부터의 감각 과부하로 인해 정보를 받을 수 없는 것; (2) 받은 정보를 이해할 수 없는 것; 또는 (3) 운동 장애로 인해 답변을 제공할 수 없는 것일 수 있다. 도 25에 설명된 바와 같이, 상이한 이해 모드를 제공하는 것은 자폐증 학생들에 대한 이해를 방해할 수 있는 인자들을 격리시킬 수 있다. 예를 들어, 질문들의 배터리에 걸친 다양한 제시 옵션들의 적응적이고 무작위적 제시는 응답자의 선호된 상호 작용 모드를 격리시킬 수 있다.
도 26은 일 실시예에 따른, 상세 데이터를 수집하기 위한 커스텀 게임들(Arrows, Math Bubbles, 및 Bumpers)의 예들을 나타낸다. 게임 Arrows는 주로 플레이어가 산만함에도 불구하고 집중할 수 있는지를 측정할 수 있다. 게임 또는 각각의 "라운드"의 끝에서, 시스템은 API를 통해 하기를 데이터베이스에 기입할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
무리와 반대로 있는 경우 올바른 답변의 수(즉, 초점의 새가 무리의 나머지와 상이한 방향으로 날아가고 있을 때)
무리와 함께 있는 경우 올바른 답변의 수
무리와 반대로 있을 때 올바른 시간의 % - 이것은 어쩌면 단일의 가장 드러내보이는 초점 메트릭임
무리와 함께 있을 때 올바른 시간의 %
답변하는 평균 속도
올바르게 답변하는 평균 속도 - 무리와 반대로 있는 경우
올바르게 답변하는 평균 속도 - 무리와 함께 있는 경우
틀리게 답변하는 평균 속도 - 무리와 반대로 있는 경우
틀리게 답변하는 평균 속도 - 무리와 함께 있는 경우
게임 Bumpers의 주된 목적은 논리적 프로세스이다(범퍼의 시각적 회상은 부차적이다). 게임 또는 각각의 "라운드"의 끝에서, 시스템은 API를 통해 하기를 데이터베이스에 기입할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
그리드 크기(셀들의 수)
올바른 시도의 횟수
틀린 시도의 횟수
레벨에서 하나의 턴(turn)에서 보여지는 패들(paddle)의 최대 수
레벨에서 하나의 턴에서 터치되는 패들의 최대 수
답변하는 데 걸린 최단 시간
답변하는 데 걸린 최장 시간
레벨의 모든 턴에 대한 모든 올바른 답변에 대해 터치된 패들의 총수
힌트가 사용된 횟수
게임 Math Bubbles는 주로 논리-산술을 측정할 수 있다. 산술 문제는 하기의 표에 기초하여 생성될 수 있다:
생성된 큰 쪽 숫자가 제시된 수학식에서 항상 먼저 있다. 나눗셈에서, 무작위적으로 생성된 큰 쪽 숫자는 분자이고 작은 쪽 숫자는 분모이다. 모든 질문에 대한 답변이 정수일 수 있다.
플레이어가 레벨 1에서 시작한다. 다음 레벨로 진행하기 위해, 플레이어는 5개의 질문에 연속적으로 정확하게 답변할 수 있다. 질문에 틀리게 답변하면, 레벨이 다시 시작된다. 질문의 동작은 그 레벨에 대해 이용가능한 옵션들 중에서 무작위적으로 선택된다. 이어서, 앞서 열거된 범위들에 따라 2개의 숫자가 무작위적으로 생성된다. 일단 장래의 실패에 관계없이 최대 레벨이 끝나면, 플레이어는, 실패하거나 종료하기로 결정할 때까지, 레벨 15 난이도의 질문을 받을 수 있다. 올바르게 답변된 매 50개의 질문마다, 플레이어는 "축하합니다! 50개의 질문에 올바르게 답변했습니다. 현재 점수로 지금 종료하기로 선택할 수 있거나 계속하기로 선택할 수 있으며 중단한 곳으로부터 다른 50개의 질문들에 답변할 수 있습니다."라는 화면을 제시받는다. 플레이어는 여기서 계속하고자 하는지 중단하고자 하는지를 클릭할 수 있다.
Math Bubbles에는, (1) 문제의 난이도; (2) 버블의 속도; (3) 화면 상의 버블의 밀도; 그리고 (4) 답변하는 데 걸린 시간과 같은, 점수 매기기에 대한 4개의 측면이 있다. 문제의 난이도 점수는 문제의 레벨 x 10이다. 예를 들어, 레벨 6 질문에 올바르게 답변하는 것은 60점의 가치가 있다.
1x 속도, 1.5x 속도 및 2x 속도와 같은, 버블의 3개의 가능한 속도가 있다. 속도 승수가 문제의 난이도 점수와 곱해진다. 레벨 6 질문이 1.5x 속도로 올바르게 답변되면, 질문에 답변하는 것은 이제 1.5x60, 즉 90점의 가치가 있다. 느린 버블은 화면의 하단에 도달하는 데 12초 걸릴 수 있다. 중간 속도 버블은 화면의 하단에 도달하는 데 8초 걸릴 수 있고, 빠른 버블은 화면의 하단에 도달하는 데 6초 걸릴 수 있다.
버블의 밀도는 버블 방출들 사이에 얼마의 시간이 허용되는지에 의해 결정된다. 기본 방출 레이트(느림)는 1x 승수의 경우 12초당 하나이다. 중간 방출 레이트는 6x 승수의 경우 9초당 하나이다. 빠른 방출 레이트는 2x 승수의 경우 4.5초당 하나이다. 레벨 6에서 중간 속도로 방출되기 이전으로부터의 버블이 6초 후에 방출되는 경우(1.5x 승수), 점수는 90 x 1.5 = 135이다.
답변하는 데 걸린 시간은 점수 매기기에서의 마지막 인자이다. 버블이 화면의 상단 1/3에서 올바르게 답변되는 경우, 2x 승수가 적용된다. 버블이 화면의 중간 1/3에서 답변되는 경우, 1.5x 승수가 부여된다. 버블이 화면의 마지막 1/3에서 답변되는 경우, 1x 승수가 부여된다. 이것은 끝에서 기존의 점수와 곱해진다. 이전과 동일한 버블을 사용하는 것이 화면의 중간 1/3에서 답변되는 경우, 최종 점수는 135 x 1.5 = 202.5이고, 이는 가장 가까운 정수, 이 경우에, 203으로 반올림될 것이다.
점수에 대한 수학식은 다음과 같다:
(문제의 레벨 x 10) x (속도 승수) x (레이트 승수) x (답변할 시간 승수).
시작 속도는 1x 속도이고 시작 방출 레이트는 8초당 1개이다. 올바르게 답변한 매 15개의 문제마다, 3 레벨(빠름)이 해제될 때까지 속도와 방출 레이트 둘 다가 한 단계씩 증가된다. 플레이어가 문제에 틀리게 답변하는 경우, 스피드와 속도의 레벨이 한 레벨 아래로 이동된다. 예를 들어, 플레이어가 연속적으로 32개의 질문에 올바르게 답변했고(그리고 따라서 속도와 방출 레이트 둘 다에 대해 2x 승수에 있고) 33번째 질문이 틀리게 답변되는 경우, 15개의 질문이 다시 연속적으로 올바르게 답변될 때까지 속도와 방출 레이트가 1.5x로 내려간다.
게임 또는 각각의 "라운드"의 끝에서, 시스템은 API를 통해 하기를 데이터베이스에 기입할 수 있다:
날짜/시간 스탬프
레벨
성공(예 또는 아니오)?
점수
올바르게 푼 문제의 수
올바르게 푼 덧셈 문제의 수
올바르게 푼 뺄셈 문제의 수
올바르게 푼 곱셈 문제의 수
올바르게 푼 나눗셈 문제의 수
놓친/틀린 문제의 수
가장 큰 "상단 숫자"의 값 - 수학식에 제시된 첫 번째 숫자
가장 큰 "하단 숫자"의 값 - 수학식에 제시된 두 번째 숫자
가장 큰 "답변"의 값
한 번에 화면 상의 최대 문제 수.
도 27은 일 실시예에 따른, 능력 영역을 평가하기 위한 조정된 게임들의 예들을 나타낸다. 이 조정된 게임은 신체 운동감각과 같은 어려운 능력 영역을 평가할 수 있다. 이 유형의 게임은 신체 운동 능력을 평가하기 위해 Kinect의 카메라를 사용하여 기존의 Xbox 게임으로부터 만들어질 수 있다.
도 28은 일 실시예에 따른, 지능형 가상 어시스턴트 플랫폼에 기초한 생활 지도 기능을 제공하기 위한 예시적인 프로세스이다. 상술한 바와 같이, 인간 아바타는 사용자의 코멘트, 질문 또는 진술을 청취할 수 있다. 사용자는 하루 동안 직면할 수 있는 모든 종류의 코멘트를 가져올 수 있다. 예를 들어, 사용자는 인간 아바타에게 "내 상사가 나에게 내가 동의하지 않는 것을 요청했어. 어떻게 응답해야 하지?" 일단 인공 지능 엔진을 구현하는 서버에서 사용자의 코멘트를 받으면 코멘트는 명사, 동사 및 수식어로 파싱되어 진술 인텐트를 추론할 수 있다. 사용자가 로그인하면 사용자의 코멘트는 사용자 프로파일 데이터베이스에 저장된다. 코멘트를 게시한 후 명사, 동사 및 수식어의 조합을 Q&A 지식 데이터베이스에서 검색할 수 있다. 질문이 Q&A 지식 데이터베이스에서 발견되면, 인간 아바타는 연관된 비디오를 플레이함으로써 답변을 생성할 수 있다. 그 후, 인간 아바타는 후속 코멘트에 대한 모니터링을 유지하고 지식 데이터베이스에 포함된 추가 처리 규칙을 실행할 수 있다. 질문이 Q&A 지식 데이터베이스에서 발견되지 않으면, 인간 아바타는 제기된 질문에 대한 답변을 알지 못한다는 메시지를 플레이할 수 있다. 그 후, 인공 지능 플랫폼은 후속 조치를 위해 관리자 대시보드에 질문을 게시할 수 있다.
지능형 가상 어시스턴트 플랫폼을 기반으로 하는 인간 아바타는 임의의 디바이스 또는 매체에서 사용자를 교육하고 모니터링하고 상기시킬 수 있다. 지능형 가상 어시스턴트 플랫폼은 임의의 소스로부터의 데이터를 활용하여 지도 능력을 향상시킬 수 있다. 예를 들어, 사용자는 수면과 걸음을 추적하는 착용 가능 디바이스를 가질 수 있다. 지능형 가상 어시스턴트는 이 데이터를 시스템으로 가져 와서 패턴을 평가하고 이것을 프로토콜들과 상호 참조할 수 있다. 또한 지능형 가상 어시스턴트는 사용자에 대한 권장 사항을 만들기 위해 사용자가 취한 다른 행동을 모니터링할 수 있다. 지능형 가상 어시스턴트 플랫폼은 자연 언어 이해, 인공 지능, 머신 러닝, 사용자 정의 가능한 지식 기반, 고객 데이터, 고객 상호 작용, 규칙 및 프로세스와 같은 워크플로 등을 결합할 수 있다.
도 29는 일 실시예에 따른, 다양한 형태의 지능형 가상 어시스턴트(Abby)와의 높은 수준의 사용자 상호 작용을 도시한다. 사용자는 Abby와 임의의 디바이스 또는 매체에서 관여할 수 있다. 디바이스 또는 매체는 웹, 전화(IVR), 모바일 디바이스, 태블릿 PC, 안경, 착용 가능 디바이스 등을 포함할 수 있다. 지능형 가상 어시스턴트는 예를 들어 웹사이트상의 어시스턴트, 모바일 개인 어시스턴트, sms, 이메일, 전화 통화의 오디오, 대화형 화면, 로봇 내부 등과 같은 다양한 형태의 인터페이스를 취할 수 있다. 사용자는 인간 아바타, 텍스트, 버튼, 비디오, 문서, 링크, 오디오, 이미지, 다이어그램, 형태 등과 같은 다양한 형태의 시각적 또는 가청 매체를 제시받을 수 있다.
도 30은 일 실시예에 따른, 지능형 가상 어시스턴트 플랫폼에 대한 전체 시스템을 도시한다. 지능형 가상 어시스턴트 플랫폼은 필요한 볼륨에 의존하여 하나의 서버 또는 수평적으로 확장된 애플리케이션에서 실행되는 클라우드 기반 애플리케이션으로 설계될 수 있다. 도 30에 도시된 바와 같이, 지능형 가상 어시스턴트 플랫폼은 클라우드 기반 환경에서 다양한 유형의 서버를 포함할 수 있다. 각각의 유형의 서버는 그 자신의 서버 클러스터를 포함할 수 있다. 따라서, 시스템의 임의의 노드가 실패하면, 나머지가 자동으로 인계받을 수 있다. 지능형 가상 어시스턴트는 관리자 사용자가 포털 사이트를 통해 구성할 수 있다. 이는 개발자가 아닌 사용자도 프로그래밍 없이 지능형 가상 어시스턴트를 구축하고 관리할 수 있음을 의미한다. 지능형 가상 어시스턴트 플랫폼은 다른 시스템 및 디바이스와 통합되어 데이터를 끌어올 뿐만 아니라 데이터를 푸시할 수 있다. 시스템 및 디바이스는 웹 서비스, 모바일/착용 가능 디바이스, PC, 태블릿, 플랫 파일, FTP, 소켓 접속, CSV, IoT 디바이스 등을 포함할 수 있다.
도 31은 도 30에서 설명한 지능형 가상 어시스턴트 시스템의 코어 프레임워크를 도시한다. 코어 프레임워크는 하기의 서버 유형을 포함할 수 있다: Abby-web, Abby-Rest, Abby-Domain, Abby-SIP Gateway, Abby Speech 서버, Abby Calling, Abby ASR/TTS, Abby Process Servers, Abby-DB, Abby-Datawarehouse 또는 그와 유사한 것. Abby-web은 웹/모바일 애플리케이션을 서빙하기 위한 목적의 웹 서버이다. 예를 들어, Abby-web은 관리자 사용자를 위한 관리 포털 사이트를 제공하여 이들이 그들 자신의 지능형 가상 어시스턴트를 구성할 수 있도록 한다. Abby-Rest는 시스템을 위한 RESTful API를 제공하는 서버이고, 이것은 시스템의 엔드 포인트를 노출할 수 있다. 지능형 가상 어시스턴트의 클라이언트 애플리케이션 및 그래픽 사용자 인터페이스는 이러한 엔드 포인트들을 호출할 수 있다. Abby-Domain은 Services/Entities를 실행하고 DB에 연결하는 서버이다. Abby-SIP Gateway는 사업자와 연결하고 인바운드 및 아웃바운드 호 트래픽을 관리하는 SIP 게이트웨이 프록시이다. Abby Speech Server는 자연 언어 처리(NLP)에 사용되는 음성 서버이다. Abby Calling은 전화 통화를 제어하고 대화형 음성 응답(IVR: interactive voice response)을 실행하는 서버이다. Abby ASR/TTS는 자동 음성 인식(ASR: automated speech recognition)) 및 텍스트 음성 변환(TTS: text to speech)을 수행하는 서버이다. Abby Process Servers는 머신 러닝(ML), 인공 지능(AI), 미디어 변환, 데이터 조작, 워크플로, 리마인더 등과 같은 백그라운드 처리 서버들이다.
도 32a는 일 실시예에 따른, 모바일 애플리케이션에서의 지능형 가상 어시스턴트의 사용자 인터페이스를 도시한다. 도 32b는 사용자가 일 실시예에 따라 내비게이션 바를 클릭할 때 지능형 가상 어시스턴트의 사용자 인터페이스를 도시한다. 모바일 애플리케이션은 모바일 디바이스 또는 착용 가능 디바이스에 설치될 수 있으며 사용자에게 위에서 설명한 것과 동일한 웹사이트 기능을 제공할 수 있다. 예를 들어, 사용자들은 계정을 등록하고 게임을 플레이하고 자신들의 개인 특성과 관계된 정보를 받을 수 있다. 또한 모바일 애플리케이션은 도 32a에 도시된 바와 같이 인간 아바타를 통한 생활 지도 기능을 제공할 수 있다. 인간 아바타는 사용자의 질문을 받고 지식 데이터베이스에 포함된 답변을 제공할 수 있다.
도 32a에 도시된 바와 같이, 지능형 가상 어시스턴트는 인터페이스의 중심이될 수 있고 인간 생활 지도자로서 기능하도록 설계될 수 있다. 지능형 가상 어시스턴트(Abby)는 사용자가 말하기 위해 마이크로폰 버튼을 클릭하고 Abby가 응답함으로써 관여될 수 있다. 사용자는 내비게이션 바에서 슬라이드하기 위해 화면을 클릭할 수 있는데, 이는 사용자로 하여금 애플리케이션의 작업, 리마인더, 모니터링, 교육 및 프로파일 섹션을 탐색할 수 있게 한다. Abby가 사용자가 수행해야만 하는 권장 작업을 디스플레이하는 작업 섹션이 로케이트될 수 있다. 이러한 작업은 Abby가 사용자에 대해 가지고 있는 프로파일을 기반으로 할 수 있다. 또한 사용자가 Abby와 상호 작용하는 인터페이스인 Abby 포털을 통해 작업이 할당되고, 사용자 정의되고, 또는 개인화될 수 있다. Abby가 사용자에게 이벤트를 상기하게 하는 리마인더 섹션이 로케이트될 수 있다. 동적 이벤트를 의료 기록이나 의사 사무실과 같은 제3자 시스템에서 가져올 수 있다. 리마인더는 임의의 제3자 시스템과도 링크될 수 있다. 예를 들어, Abby는 사용자가 애플리케이션에 로그인하지 않은 경우에도 임의의 다른 전달 시스템을 통해 사용자에게 상기시킬 수 있다. 모니터링은 자동이거나 또는 자가 보고될 수 있다. 예를 들어, Abby가 사용자의 체중을 추적하도록 구성된 경우 Abby는 Bluetooth 지원 스케일로부터 시스템으로 데이터를 가져올 수 있다. 사용자가 이러한 스케일을 갖지 않으면, 그 또는 그녀는 Abby가 제공한 양식에 직접 체중을 입력할 수 있다. Abby가 Abby와의 사용자의 상호 작용을 기반으로 사용자를 동적으로 교육할 수 있는 교육 섹션이 로케이트될 수 있다. 사용자는 Abby 포털을 통해 교육 섹션을 구성할 수 있다. 교육에는 Abby와 Abby 포털이 주제에 대한 이해의 수준을 결정하는 데 사용할 수 있는 teach-back 방법이 포함될 수 있다. 이를 통해 Abby는 해당 사용자에 대한 교육을 강화하고 동적으로 구성할 수 있다.
도 33은 사용자가 지능형 가상 어시스턴트 시스템과 관여하는 예시적인 프로세스를 도시한다. 예를 들어, 일단 사용자 질의(query) 또는 요청을 지능형 가상 어시스턴트를 구현하는 시스템에서 받게 되면, 시스템은 사용자가 시스템에 등록되어 있는지를 체크한다. 사용자가 권한이 있는 경우, 시스템은 자연 언어 처리(NLP)가 필요한지 여부를 결정할 수 있다. 그 후에, 시스템은 캠페인 프로세스 흐름으로 진행하여 사용자에게 응답을 보낼 수 있다.
도 34는 일 실시예에 따른, 개인 지능형 어시스턴트(Abby) 시스템에 의한 자연 언어 처리를 위한 예시적인 프로세스를 도시한다. 첫째, Abby는 사용자의 인터페이스를 통해 사용자로부터 음성 또는 서면 요청을 받을 수 있다. 도 34에 도시된 바와 같이, AbbyRest-NLP 서비스는 요청을 받아들여 파라미터 처리를 개시할 수 있다. 파라미터는 캠페인, 지식 기반, 회사, 언어, 사용자 입력, 기타 구성 파라미터 등을 포함할 수 있다. 일단 파라미터가 처리되면, 사용자 입력 정리, 켜져 있으면 맞춤법 체크, 동적 변수 교체, 정규 표현식 평가 등 일련의 작업이 따라올 수 있다. 그 후 상태와 콘텍스트를 평가하고 메모리에 설정될 수 있다. 그런 다음, 시스템에서 동적 질의를 처리할 수 있도록 임의의 패턴 또는 제3자 룩업이 수행될 수 있다. 이후에, 사용자 입력이 음성 부분들로 청크되고 지식 기반과 비교될 수 있다. 결과가 점수 매겨지고 콘텍스트 및 상태와 비교될 수 있다. 문턱값보다 높은 최고 점수 결과가 반환될 수 있다. 결과 세트가 문턱값보다 큰 결과를 포함하지 않지만 최소 문턱값보다 높은 결과를 산출하면, 가장 가능성이 높은 결과 목록이 반환될 수 있다. 최소 문턱값보다 높은 결과가 발견되지 않으면, 디폴트 목표/경로를 반환할 수 있다. 결과에는 비디오, 오디오, 텍스트, 문서, 링크, 양식, 사용자 인터페이스 정보 및 구성 변수를 포함하는 JSON(JavaScript Object Notation)에 의한 복잡한 객체가 포함될 수 있다.
도 35는 일 실시예에 따른 지능형 가상 어시스턴트 시스템에 의해 캠페인 논리가 어떻게 처리되는지를 도시한다. 특히, 캠페인 논리에는 시스템 결정 방법, 시스템 응답 방법 및 시스템에서 다음 단계를 결정하는 사람이 포함될 수 있다. 사용자가 관여하는 인터페이스에 의존하여 HTTP 또는 SIP를 통해 서버에 요청을 보낼 수 있다(이 목적을 위해 SMTP는 HTTP로 간주될 수 있음). 제1 단계는 입력 요청과 파라미터를 평가하는 것이다. 시스템은 캠페인 상태 및 프롬프트 유형을 체크할 수 있다. 상태 및 프롬프트 유형에 기초하여, 시스템은 취할 필요가 있는 조치와 평가될 필요가 있는 규칙을 결정할 수 있다. 예를 들어, 프롬프트는 사용자 입력을 평가하고 이전 프롬프트에서 변수를 가져올 필요가 있을 수 있다. 프롬프트는 또한 제3자 시스템에 로그인하고 계정 정보를 검색하기 위해 다른 캠페인 변수를 평가할 필요가 있을 수 있다. 프롬프트 조치 및 규칙이 완료되면, 시스템은 반환될 응답을 준비할 수 있다. 캠페인은 애플리케이션일 수 있다. 이것은 프롬프트 또는 프롬프트 컬렉션을 포함할 수 있다.
도 36은 일 실시예에 따른, 지능형 가상 어시스턴트 시스템을 구현하는 인공 지능 내에서의 사용자의 공간 표현을 도시한다. 도 36에 도시된 것처럼, 사용자들은 시스템 내에서 공간 표현을 부여받을 수 있다. 이 표현은 전처리 단계 동안 발생할 수 있다. 데이터는 (사용자별 점수) 매트릭스로서 입력될 수 있는데, 여기서 각각의 열은 작업에 주어진 점수를 나타내며 각각의 행은 사용자를 나타낸다. 이것은 각각의 사용자를 d차원 공간에서의 한 포인트로 취급하는 기본 벡터 공간 표현이 될 수 있다. 이 표현을 사용하면, 애플리케이션들은 사용자들을 고정된 수의 그룹으로 클러스터링하고 다른 유사한 사용자들에게 주어진 결과들을 예측할 수 있다.
도 37은 도 36에서 설명된 사용자들의 벡터 공간 표현으로부터 어떻게 사용자의 잠재 성격 인자가 추출될 수 있는지의 예시적인 프로세스를 도시한다. 매트릭스 인수 분해 기술이 벡터 공간 매트릭스 데이터 내에서 잠재적인 "테마"를 발견하는 데 사용될 수 있다. 예를 들어, 일련의 주제가 텍스트 문서 그룹에서 자동적으로 발견될 수 있다. 이렇게 하면 게임을 부드럽게 그룹화하고 또한 사용자를 테마에 매핑할 수 있다. 일 실시예에서, 사람은 떠오르는 화제를 조사하여 그들이 예를 들어, 성과의 특정 측면들을 측정하는 것, 상이한 집행 기능들과 정렬하는 것에 대응하는 것을 결정할 수 있다.
도 38은 일 실시예에 따른, 실제 예시적인 푸티지(footage) 및 예측을 도시한다. 머신 러닝을 통해, 훈련 푸티지를 사용하여 실연 아바타를 모델링하는 방법을 배울 수 있다. 이것은 또한 비디오 클립의 공간에 걸친 확률 모델을 제시할 수 있다. 이것은 이전 프레임 세트가 주어졌을 때 어느 프레임이 주어질 가능성이 가장 큰 지에 대한 예측을 허용한다. 따라서 합성 푸티지가 결국 생성될 수 있다.
도 39는 일 실시예에 따른, 사용자 개선 및 위험에 대한 예측을 도시한다. 예를 들어 예측 모델은 사용자가 시스템과 상호 작용하는 방식에 대한 시간적 이력을 기반으로 학습될 수 있다. 예측 모델에는 사용자가 시간이 지남에 따라 향상되는 방식 및 사용자가 시스템을 더 이상 사용하지 않을 위험이 있는 때가 포함될 수 있다.
도 40은 일 실시예에 따른, 사용자들에 대한 관심 아이템의 예측을 도시한다. 사용자의 과거 관심사와 다른 유사한 사용자의 관심사를 기반으로, 어떤 아이템이 사용자의 관심을 일으킬지를 예측하는 것이 학습될 수 있다. 예를 들어, 시스템은 협업 필터링 기술을 적응시켜서 사용자에게 관심 아이템을 예측할 수 있다.
도 41은 일 실시예에 따른, 지능형 가상 어시스턴트 시스템이 사용자 상호 작용을 이해하고 사전에 사용자의 인텐트를 예측하는 방법을 도시하는 흐름도이다. 머신 러닝의 사용을 통해, 사용 패턴과 그 상관 관계를 발견할 수 있어서 시스템이 사용자가 시스템을 사용하고 있는 이유, 이들이 달성하고자 하는 것이 무엇인지, 및 이들이 다음에 취할 가능성이 높은 조치 단계가 무엇인지에 대한 통찰력을 얻을 수 있도록 한다. 이러한 통찰력은 제안을 조종하고 잠재적으로 판매를 촉진하는 데 추가로 적용될 수 있다. 캠페인을 통해, 사용자들의 그럴듯한 경로들을 예측할 수 있다. 더욱이, 좌절된 사용자로 인해 매출 손실을 가져 오는 공통적인 "이탈 지점"을 확인할 수 있다. 사용자가 그들에게 질문하기 전에 질문에 답변하는 사전 제안을 또한 작성할 수 있다. 자동 타이핑 검색 엔진 제안이 보다 쉬운 Google의 사용으로 이어지는 것과 마찬가지로 시스템을 통한 보다 자연스러운 내비게이션을 유도할 수 있다. 사용자가 직면하는 측면 외에도, 동일한 분석 능력이 클라이언트가 직면하는 백엔드에 대해 활용될 수 있어서, 고객 및 캠페인에 대한 귀중한 통찰력을 제공할 수 있다. 이 지식은 정량적으로 정당화된 방식으로 더 나은 캠페인 전략을 수립하는 데 직접적으로 도움이 될 수 있다. 이러한 지식에 의해, 시스템은: (1) 캠페인을 통해 그럴듯한 경로를 찾고 예측하고; (2) 시스템에 들어갈 때 높은 수준의 사용자 인텐트를 이해하고 예측하고; 및 (3) 이력 상호 작용 데이터가 주어지면, 그럴듯한 다음 질문 및 주제를 예측할 수 있다.
도 42는 일 실시예에 따른, 지능형 가상 어시스턴트 시스템이 새로운 질문에 대한 답변을 어떻게 공식화할 수 있는지를 도시하는 예시적 흐름이다. 시스템이 지능형이 아니라는 것을 사용자에게 알리는 가장 빠른 방법 중 하나는 "잘 모릅니다" 및 "나는 사용자의 질의를 이해할 수 없습니다"라는 응답으로 이들의 질의에 반복적으로 응답하는 것이다. 머신 러닝이 Q&A 시스템에서 새로운 질문에 답변하기 위해 사용될 수 있다. 가능한 답변 세트와 기존 질문을 이러한 답변에 매핑하는 훈련 세트가 주어지면, 시스템은 자신이 이전에 결코 볼 수 없었던 새로운 질문에 대해 각각의 답변이 얼마나 그럴듯한지에 대한 확률적 가중치를 공식화할 수 있다. 이것은 자연 언어 처리, 특히 문장을 벡터 공간 표현으로 변환하고 문장 특징이 주어지면 답변을 예측하는 다중 클래스 분류 알고리즘을 사용해야 할 필요가 있을 수 있다.
도 43은 일 실시예에 따른, 자동화된 질문 추출을 도시하는 예시적인 프로세스이다. 자유로운 형태의 클라이언트가 제공한 텍스트 문서가 주어지면, 목표는 이러한 질문들에 대한 가능한 질문 및 답변 목록으로 지식베이스를 최종적으로 자동적으로 채우는 것이다. 이 지식베이스는 이후 품질을 보장하고 자동화된 프로세스에서 누락된 임의의 질문/답변 쌍을 추가하기 위해 수작업으로 작성될 수 있다.
도 44는 일 실시예에 따른, 사용자 인텐트의 예측을 도시하는 블록도이다. 도 38에 도시된 바와 같이, 이력 사용자 데이터 및 현재의 사용자 콘텍스트가 주어지면, 시스템은 가능한 제1 상태들 중 어느 것이 사용자에 의해 방문될 가능성이 있는지를 학습할 수 있다. 이러한 상관 관계를 발견하면 사용자에게 사전 제안을 할 수 있어서, 이들이 도움이 필요한 문제(들)를 예측하게 한다.
도 45는 일 실시예에 따른 워크플로를 도시하는 흐름도이다. 워크플로 엔진은 규칙 세트를 기반으로 조치를 트리거하는 상태 및 스케줄 시스템일 수 있다. 이 엔진은 비즈니스 로직을 동적으로 구성하고 관리할 수 있는 것이다. 각각의 작업자는 하나 또는 많은 이벤트, 규칙 및 조건에 의해 트리거될 수 있다. 작업자가 수행한 조치는 하기 조치들: 캠페인 실행, Abby 응답 푸시, 이메일 송신, 제3자 웹 서비스 액세스, 전화 발신, SMS 송신, 리마인더 작성, 작업 생성 또는 그와 유사한 것 중 하나 또는 많은 것일 수 있다. 작업자는 스케줄에 따라, 예를 들어, 온 오프 또는 온 디맨드를 실행할 수 있다.
도 46은 일 실시예에 따른, 모니터링 프로세스를 도시하는 흐름도이다. 모니터링은 특정 아이템에 대한 정보를 캡처하고 기록하는 조치이다. 예를 들어, 시스템은 사용자로 하여금 자신의 체중을 기록하고 제3자 또는 블루투스 디바이스에서 데이터를 가져오도록 하게 할 수 있다. 워크플로 작업자는 데이터 수집 방법, 빈도, 및 데이터 캡처를 둘러싼 규칙을 구성할 수 있다. 모니터링 중인 데이터의 다중 피스를 체크하기 위해서 네스팅된 작업자의 워크플로 엔진에 복잡한 규칙이 설정될 수 있다. 예를 들어, 사용자가 (1) 울혈성 심부전증 환자가 3일 동안 4파운드가 늘어난 경우; (2) 처방된 약(모니터링될 수 있는 또 다른 아이템)을 복용하고 있었던 경우; 및 (3) 운동(다시금 또 다른 모니터링되는 아이템) 후 심박수가 정상 심박수로 복귀하는 데 더 오랜 시간이 걸리는 경우, 작업자 또는 작업자 그룹이 이를 인지하고 의사에게 전화하는 등의 이벤트를 트리거할 수 있다.
도 47은 일 실시예에 따른 작업을 도시하는 블록도이다. 작업은 아이템, 예를 들어, 캠페인, 워크플로 엔진에서 작업자를 트리거하기, 간단한 데이터 수집, 리마인더, 또는 교육 아이템을 하는 것일 수 있다. 작업은 사용자 역할, Abby 포털 관리자 사용자, 또는 사용자가 생성할 수 있다. 하나의 실시예에서, 작업은 작업자 트리거 이벤트에 의해 동적으로 생성될 수 있다. 작업은 스케줄링되거나 스케줄링되지 않을 수 있다. 예를 들어, 울혈성 심부전증 환자가 매일 체중을 측정해야 할 필요가 있거나 또는 의사가 환자의 작업 목록상에 약속 요청을 올릴 필요가 있다.
도 48은 일 실시예에 따른 리마인더를 도시하는 블록도이다. 리마인더는 Abby 포털 관리자 사용자가 작성한 사용자 정의 리마인더일 수 있다. 이것은 또한 워크플로 작업자에 의해 동적으로 생성될 수 있다. 모든 리마인더는 트리거 이벤트를 가진 워크플로 작업자를 가질 수 있다. 트리거 이벤트는 리마인더 통지가 전달되는 방식을 지정할 수 있다. 예를 들어, 울혈성 심부전증 환자는 매일 아침 약을 복용하도록 상기시켜야 한다. 환자는 통지 선호사항들에서 리마인더를 설정할 수 있다. 일 실시예에서, 리마인더를 설정함으로써, 환자는 매일 아침 그들의 약을 복용하도록 상기시키는 전화 통화를 수신할 수 있다.
도 49는 일 실시예에 따른 교육을 예시하는 블록도이다. 교육은 주어진 주제 분야에 대한 미리 정의된 학습 모듈일 수 있다. 이러한 학습 모듈은 지능형 가상 어시스턴트를 강사로 설정함으로써 대화형 방식으로 수행될 수 있다. 또한 지능형 가상 어시스턴트는 교육 자료를 강화하기 위해 티치 백(teach back)을 제공하고 리마인더를 트리거할 수 있다. 덧붙여, 지능형 가상 어시스턴트는 사용자의 진행 상황을 추적하고 시스템에 이들의 결과를 점수 매길 수 있다.
도 57은 일 실시예에 따른 지능형 가상 어시스턴트 플랫폼을 위한 예시적인 시스템을 도시하는 블록도이다. 플랫폼은 2개의 주요 컴포넌트, 사설 가상 클라우드(5720) 및 데이터 액세스 계층(5730)을 포함한다.
사설 가상 클라우드(5720)는 본 명세서에 설명된 기능성: 지식베이스(5702), NLP 서비스 클러스터(5704), 스케줄러 클러스터(5706), 메시징 서버(5708), 프로세스 흐름 서버(5710), 구성 서버(5712), 등록 서버(5714), 및 게이트키퍼 클러스터(5716)를 생성하도록 서로 상호 작용하는 컴포넌트들을 포함한다.
사설 가상 클라우드(5720)의 각각의 컴포넌트는 지능형 가상 어시스턴트 플랫폼을 위한 하나 이상의 서비스를 포함하거나 생성하는데, 이들 중 대부분은 사설 가상 클라우드(5720)에 전용이다. 예를 들어, 지식베이스(5702)는 하나 이상의 인텐트 엔진을 포함하고 또한 캠페인 흐름을 위한 다른 플랫폼 컴포넌트에 액세스하는 지식베이스 서비스를 포함하는데, 그 기능성은 도 59, 도 61 및 도 62와 관련하여 추가로 설명된다; NLP 서비스 클러스터(504)는 사용자 입력으로부터 NLP 질의를 처리하고 이하에서 설명되는 NLP 훈련 모델을 생성 및 액세스하는 NLP 서비스 인스턴스를 포함한다; 스케줄러 클러스터(5706)는 사용자에 대한 이벤트를 스케줄링하기 위한 스케줄러 서비스를 포함한다; 메시징 서버(5708)는 이벤트를 큐잉하고 사설 가상 클라우드(5720) 내에서의 및 사설 가상 클라우드(5720) 외부에서의 컴포넌트와 서비스 간에 데이터를 전송하는 메시징 서비스를 포함한다; 프로세스 흐름 서버(5710)는 캠페인 상태를 추적 및 라우팅하고 이메일, SMS 및 푸시 서비스를 포함하는 프로세스 흐름 서비스를 포함한다; 구성 서버(5712)는 소스 코드 리포지토리(5718)를 통해 플랫폼을 구성하고 갱신하는 구성 서비스를 포함한다; 등록 서버(5714)는 신규 사용자를 플랫폼에 등록하는데 사용되는 등록 서비스를 포함한다; 게이트키퍼 클러스터(5716)는 유일한 사용자 대면 서비스이고 사용자 요청 및 상호 작용을 처리하는데 사용되는 게이트웨이 서비스를 포함한다. 서비스들은 과도한 사용자 부하를 보상하기 위해 플랫폼 사용 동안 동적으로 인스턴스화될 수 있다.
데이터 액세스 계층(5730)은 데이터 저장소(5732)에 대한 게이트웨이로서 동작하고 플랫폼 서비스가 데이터 저장소(5732)에 저장된 데이터를 액세스하는데 사용할 수 있는 API를 제공한다. 이러한 데이터의 예에는 언어 코퍼스들, NLP 훈련 모델, 캠페인 상태, 사용자 진행 또는 정보, 및 지능형 가상 어시스턴트 플랫폼 및 사용자에게 유용한 임의의 기타 데이터가 포함된다.
일부 실시예에서, 사설 가상 클라우드(5720)의 컴포넌트의 서비스가 분석 및 머신 러닝 목적을 위해 데이터를 엑스포트하는 것을 허용하는 비 국지적, 확장 데이터 저장소, "데이터 웨어하우스"가 있을 수 있다. 예를 들어, 이벤트들은 사설 가상 클라우드(5720) 외부에서 메시지 큐에게 보내질 수 있으며, 여기서 이들은 저장 및 카탈로그화를 위해 파일 시스템으로 보내진다. 그런 다음 파일 시스템은 이들을 데이터 웨어하우스로 보내기 전에 이벤트를 분석 도구 또는 프로세스로 보낼 수 있다. 플랫폼에 의해 처리된 질문 이벤트는 질의/엑스포트 프로세스로 보내져서 이들이 데이터 웨어하우스에 저장되기 전에 플랫폼에서 수행되는 질의 유형을 분석할 수 있다. 에러 이벤트 및 고객 상호 작용 이벤트를 포함하는 다른 이벤트가 데이터 웨어하우스에 저장되기 전에 분석을 위해 머신 러닝 프로세스로 보내질 수 있다. 이벤트의 머신 러닝 분석은 플랫폼이 실수와 성공으로부터 학습하여 시간이 지남에 따라 향상되도록 할 수 있다. 관리자에 의해 온라인 분석 처리(OLAP: Online Analytical Processing)를 사용하는 것가 같은 다른 분석 도구를 사용하여 추세, 통계, 훈련 데이터 및 기타 유용한 분석을 위해 데이터 웨어하우스에 저장된 데이터를 추가로 분석할 수 있다.
도 58은 일 실시예에 따른, 인텐트에 의한 예시적인 NLP 모델 생성을 도시한 흐름도이다. 먼저, 블록(5802)에서, 관리자는 캠페인을 생성하고 질문 또는 질문-응답 쌍을 플랫폼에 입력한다. 그 다음, 블록(5804)에서, 관리자는 질문에 "인텐트(intent)"를 할당한다. 대안적으로, 관리자는, 예를 들어, 텍스트 파일을 통해 모두 동시에 할당된 인텐트를 가진 몇몇 질문 또는 질문-응답 쌍을 입력할 수 있다. 인텐트는 질문이나 질의에 의미를 부여하고 다양한 플랫폼 컴포넌트를 통해 질의를 라우팅하는 데 도움이 되는 레이블이다. 각각의 인텐트에 대해, 그것이 보내지는 질의를 처리하는 특정 핸들러 서비스가 있다. 플랫폼에는 무제한의 인텐트와 무제한의 인텐트 핸들러가 있을 수 있다. 예를 들어, 인텐트는 "LOCATION"일 수 있는데, 이것은 사용자가 위치 정보를 묻고 있는 것과 그에 따라 사용자 요청을 라우팅해야 한다는 것을 플랫폼에 표시한다. 사용자 질의는 이후 처리를 위해 "LOCATION" 인텐트 핸들러 서비스로 보내질 수 있는데, 이것은 데이터베이스 룩업, 인터넷 검색, 또는 사용자가 요구하고 있는 정보에 액세스하기 위한 다른 처리를 포함할 수 있다. 훈련 데이터는 텍스트 파일이나 기타 적절한 수단을 통해 입력될 수 있으며 하기의 예시적 데이터처럼 보일 수 있는데, 여기서 모두 대문자로 된 단어 또는 단어들은 인텐트이고, 각각의 인텐트에 이어지는 단어들은 매칭된 질문/질의를 포함한다:
LOCATION 세계에서 가장 높은 산은 어디입니까?
LOCATION 에펠 탑은 어디에 위치해 있습니까?
PERSON 누가 미국 대통령입니까
PERSON 러시아 대통령은 누구입니까
SCHEDULE_COMMAND는 내일 오전 9시에 개를 산책시킬 것을 상기시킨다.
SCHEDULE_COMMAND는 내일 오전 10시에 의사를 만날 약속을 한다.
블록(5806)에서, 질문 및 할당된 인텐트가 NLP 서비스 클러스터(5704)를 통해 NLP 훈련 컴포넌트에 추가되는데, 이것은 인텐트가 플랫폼에 추가됨에 따라 무수한 질문을 수집한다. 그 다음, 훈련 컴포넌트는 블록(5808)에서 머신 러닝을 사용하여 질문 및 할당된 인텐트의 코퍼스에 기초하여 훈련된 NLP 모델을 생성한다. 이후 훈련된 NLP 모델은 사용자가 플랫폼과 상호 작용하는 동안 묻는 질문에 인텐트를 매칭하는 데 사용될 수 있다. 예를 들어, 수백 또는 수천 개의 질문-인텐트 조합을 훈련한 후에, 플랫폼이 올바르게 훈련된 경우 "캐나다 대통령이 누구인가"라는 질의는 "PERSON" 인텐트에 매칭될 것이다. "캐나다의 대통령은 누구인가"라는 문장은 훈련 데이터 세트에 있지 않을 수 있지만, 모델이 문장에 인텐트를 매칭하는 방법을 "학습"했기 때문에 이것은 훈련 세트에서 문장의 구조 및 의미와 매칭되는 다른 문장의 인텐트를 반환할 수 있다.
도 59는 일 실시예에 따른, 사용자 질문에 인텐트를 매칭하는 것을 도시하는 흐름도이다. 플랫폼과의 상호 작용 동안, 블록(5902)에서, 사용자는 플랫폼에게 정보의 피스를 요청하거나 알려줌으로써 플랫폼에게 질의를 제시한다. 질의가 발성된 경우, 이후 플랫폼은 블록(5904)에서 음성 인식 소프트웨어를 사용하여 음성을 텍스트로 변환하고, 그렇지 않으면 질의는 블록(5906)으로 이동한다. 블록(5906)에서, 이후 텍스트는 지식베이스 서비스의 인텐트 엔진에게 보내진다. 블록(5908)에서, 인텐트 엔진은 도 58과 관련하여 설명된 NLP 훈련 모델을 사용하여 질의의 인텐트를 결정한다. 인텐트 엔진이 NLP 훈련 모델을 사용하여 질문을 인텐트에 매칭시키려고 시도할 때, NLP 훈련 모델은 NLP 훈련 모델을 훈련하는 데 사용된 훈련 데이터/코퍼스를 기반으로 "퍼센트 매칭"을 반환한다. 예를 들어, NLP 훈련 모델은 80% 매칭을 반환할 수 있는데, 이것은 그곳에 입력된 훈련 질문-인텐트 쌍에 기초하여 반환된 매칭의 80% 신뢰도 점수를 나타낸다. 블록(5910)에서, 퍼센트 매칭은 플랫폼 내의 문턱값 요건에 대해 테스트되어 매칭이 수용 가능한지를 결정하는데, 이것은 구성 가능한 설정이다. 예를 들어 질의가 특정 인텐트 핸들러로 보내지기 전에 플랫폼은 85% 매칭 문턱값 요건으로 설정될 수 있다. 그래서, NLP 훈련 모델에 의해 85% 또는 그보다 높은 신뢰도 점수로 매칭되지 않는 인텐트는 플랫폼에 대해 비매칭일 것이다. 매칭되 인텐트가 플랫폼의 문턱값 아래로 떨어지면 디폴트 인텐트가 질의를 라우팅하는 데 사용될 수 있다. 도 59의 예시적인 흐름도에서, 비매칭은 블록(5912)으로 흐르고, 인텐트를 플랫폼의 디폴트 인텐트인 "INFORMATION"으로 설정하는데, 이것은 이후 가장 가까운 인텐트 매칭을 시도하는 것, 인텐트 재매칭을 시도하는 것, 또는 사용자로부터 더 많은 정보를 요청하는 것에 의해 핸들링될 수 있다. 매칭된 인텐트가 문턱값 요건을 충족시키는 경우, 블록(5914)에 의해 도시된 바와 같이, 질의는 그 특정 인텐트에 대한 인텐트 핸들러에게 보내진다. 블록(5916)에서, 이후 인텐트 핸들러는 질의를 처리하여 사용자에게 답변을 반환한다. 예를 들어, 사용자가 플랫폼에게 "오늘 오후 5시에 엄마에게 전화하라고 상기시켜줘"라고 말하면 음성 오디오는 먼저 음성 인식을 사용하여 텍스트로 파싱된다. 그 텍스트는 이후 인텐트 엔진으로 보내지고, 여기서 훈련된 모델이 "SCHEDULE_COMMAND" 인텐트를 사용자의 진술 또는 질의에 매칭할 것이다. NLP 훈련 모델이 충분히 높은 문턱값으로 SCHEDULE_COMMAND 인텐트와 매칭되었다고 가정하면, 질의는 SCHEDULE_COMMAND 인텐트에 대한 핸들러로 보내지며, 이것은 이후 질의를 처리하고 사용자에 대한 캘린더 이벤트를 생성할 수 있다.
도 60은 일 실시예에 따른, 대화형 NLP의 예시적인 데이터 흐름을 도시한다. 더 특정하게는, 도 60은 도 59의 것들과 같은 단계들을 수행할 때 플랫폼을 통해 정보의 데이터 흐름을 디스플레이한다. 묘사된 클라우드는 사설 가상 클라우드(5720)이지만, 설명의 용이함을 위해 모든 플랫폼 컴포넌트가 디스플레이되는 것은 아니다. 우선, 사용자(6040)는 음성, 텍스트, SMS, VOIP, 채팅 등을 통해 플랫폼과 상호 작용하여 게이트키퍼 클러스터(5716)의 게이트키퍼 서비스(6016)에 보내지는 요청 또는 질의를 형성한다. 전술한 바와 같이, 게이트키퍼 서비스는 유일한 사용자 대면 서비스인 반면, 모든 다른 것들은 사설 가상 클라우드(5720) 내부에 있다. 게이트키퍼 서비스(6016)는 질의를 지식베이스(5702)의 지식베이스 서비스(6002)에 라우팅한다.
이어서, 지식베이스(5702)는 프로세스 흐름 서버(5710)의 프로세스 흐름 서비스(6010)에 질의를 전달하여 이 질의가 사용자와의 기존 대화의 일부인지 여부를 결정한다. 이어서, 지식베이스 서비스(6002)는 그 인텐트 엔진을 사용하여 사용자(6040)의 인텐트를 검증하고, 도 59와 관련하여 기술된 바와 같이 적절한 인텐트 핸들러에 질의를 전달한다. 보다 구체적으로, 여러 가지 상이한 결과가 있을 수 있으며, 이들 프로세스 흐름 중 4가지가 본 명세서에 설명되어 있지만, 본 명세서는 플랫폼을 이러한 4가지 프로세스 흐름으로만 제한하는 것으로 해석해서는 안 된다. 인텐트가 상태-가능 대화를 트리거하면, 질의는 대화 상태 및 콘텍스트를 추적하기 위해 프로세스 흐름 서비스(6010)에 라우팅된다. 인텐트가 반복 응답 또는 사용자 스몰 토크와 같은 지식베이스 서비스(6002)를 필요로 하지 않는 경우, 질의는 적절하고 신속하게 요청을 처리하기 위해 적절한 인텐트 핸들러에 보내진다. 인텐트가 도 59와 관련하여 상술한 SCHEDULE_COMMAND 인텐트와 같은 스케줄링 명령이라면, 질의는 스케줄러 클러스터(5706)의 스케줄러 서비스(6006)에 라우팅되어 사용자(6040)에 대한 이벤트를 스케줄링한다. 인텐트가 지식베이스(5702)를 필요로 하는 경우, 질의는 지식 기반 핸들러에게 보내져서, 도 58 및 도 59와 관련하여 논의된 사실 정보를 결정하는 프로세스와 유사하게, NLP 훈련 모델 및 임의의 다른 관련 데이터 및 알고리즘에 기초하여 질의에 대한 응답을 결정한다. 인텐트가 결정된 후, 지식베이스(5702) 또는 인텐트 핸들러는 매칭된 인텐트를 찾기 위해 NLP 서비스 클러스터(5704)의 NLP 서비스(6004)를 호출할 수 있고, 질의를 처리하고 사용자(6040)에게 응답하는 방식을 결정하기 위해 "엄마(Mom)" 또는 "에펠 탑(Eiffel Tower)"와 같은 음성의 일부 또는 사용자 검색에서의 임의의 명명된 엔티티를 처리할 수 있다. 마지막으로, 인텐트 핸들러로부터의 매칭된 또는 트리거된 응답이 사용자(6040)에게 반환된다.
플랫폼으로부터의 응답은 임의의 클라이언트가 해석하도록 포맷팅될 수 있으며 텍스트 또는 아바타 음성 또는 비디오로만 제한되지 않을 수 있다. 클라이언트는 임의의 적절한 방식으로 응답을 핸들링할 수 있고, 응답은 GUI 조작과 같은 특정 프로세스를 트리거하기 위해 다른 변수들로 사용자 정의될 수 있다. 응답에는 응답이 생성된 방식에 관한 디버깅 및 로깅 정보가 포함될 수 있다. JSON(Javascript Object Notation) 포맷의 예시적 응답은 하기와 같다:
플랫폼에 의해 생성되는 응답은 반환된 정보를 제3자 API(6050)를 사용하여 제3자 벤더로부터 검색된 콘텐츠에 묶을 수 있다. 지식베이스(5702)는 사용자 질의를 내부적으로 다수의 응답으로 매핑할 수 있고 또한 제3자 응답 키에 의해 트리거될 수 있다. 전체 응답은 제3자에 의해 반환되거나, 또는 이것은 지식베이스(5702)에 의한 사용을 위해 키를 반환할 수 있다. 예를 들어, 제3자 API들(6050)와 같은 외부 API들은, 플랫폼이 사용자(6040)가 요청하고 있는 정보에서 충분한 훈련을 받지 못한 경우 플랫폼 외부의 제3자에 의해 응답들이 핸들링되게 할 수 있다. 제3자 API들(6050)은 기존 지식베이스 응답에 매핑되는 키를 반환할 수 있다. 외부 API 응답 유형이 있으면, 텍스트, 비디오 등과 같은 다른 모든 응답 유형이 무시될 수 있다.
도 61은 일 실시예에 따른, 이벤트 스케줄링의 예시적인 데이터 흐름을 도시한다. 보다 구체적으로, 도 61은 앞서 간략히 설명한 바와 같이, 스케줄링을 수행할 때 플랫폼을 통한 정보의 데이터 흐름을 디스플레이한다. 묘사된 클라우드는 사설 가상 클라우드(5720)이지만, 설명의 용이함을 위해 모든 플랫폼 컴포넌트가 디스플레이되는 것은 아니다. 우선, 사용자(6040)는 음성, 텍스트, SMS, VOIP, 채팅 등을 통해 플랫폼과 상호 작용하여 게이트키퍼 클러스터(5716)의 게이트키퍼 서비스(6016)에 보내지는 요청 또는 질의를 형성한다. 전술한 바와 같이, 게이트키퍼 서비스는 유일한 사용자 대면 서비스인 반면, 나머지 모두는 사설 가상 클라우드(5720) 내부에 있다. 게이트키퍼 서비스(6016)는 질의를 지식베이스(5702)의 지식베이스 서비스(6002)에게 라우팅한다. 이어서, 지식베이스(5702)는 그 질의를 스케줄러 클러스터(5706)의 스케줄러 서비스(6006)에게 전달한다. 이어서, 스케줄러 서비스(6006)는 사용자(6040)에 대한 스케줄링된 이벤트를 생성, 갱신, 판독, 또는 제거할 수 있다. 스케줄러 서비스(6006)가 그 작업을 완료한 후에, 일반적인 응답이 사용자(6040)에게 반환되어 이들에게 취해진 작업을 알릴 수 있다. 예를 들어, 스케줄러 서비스(6006)가 이벤트를 생성하는 경우, 플랫폼은 "나는 당신의 이벤트를 생성했습니다" 또는 "나는 내일 오전 10시에 당신 의사와의 약속을 캘린더에 추가했습니다"와 같은 응답을 반환할 수 있다. 대안적으로, 응답은 다른 지식베이스(5702)가 하나를 추가해 응답하는 것과 동일한 포맷으로 질의의 모든 상세 사항을 포함할 수 있다; 날짜, 시간, 제목, 재발 등과 같은 이벤트의 상세 사항이 포함될 수 있으며 구체적으로 파싱될 수 있다. 이후 이 데이터는 원하는 경우 또 다른 시스템 또는 플랫폼에 대한 API 호출에서 사용될 수 있다. 예를 들어, 사용자(6040)가 "내일 오전 10시"에 대한 이벤트를 스케줄링하려고 원한 경우, 플랫폼은 "당신 의사와의 약속이 123 페이크 스트리트, 스몰타운, 펜실베니아, 미국에서 2016년 9월 2일 오전 10시에 생성되었습니다"라는 응답을 반환할 수 있다. 사용자(6040)가 플랫폼 외에도 모바일 디바이스상에서 이 이벤트를 스케줄링하려고 원한 경우, API 호출이 모바일 OS에 쉽게 이루어져서 이벤트를 스케줄링할 수 있는데, 그 이유는 이벤트의 특정 상세 사항이 파싱되었고 API 속성에 쉽게 할당 가능하기 때문이다.
각각의 이벤트는 이벤트 레코드로서 지식베이스(5702)에 저장되고, 이벤트 통지를 위한 트리거가 생성되어 스케줄러 서비스(6006)에 저장된다. 각각의 트리거는 SMS, 이메일 또는 푸시 통지와 같은 하나 이상의 연관된 통지 이벤트 유형을 가질 수 있다. 이벤트 또는 이벤트의 알람을 위한 시간일 때, 트리거가 발해지고, 통지 이벤트가 프로세스 흐름 서버(5710)를 통해 핸들러에게 전달된다. 통지 이벤트는 사용자(6040)에게 SMS 메시지를 보내는 것이거나, 사용자(6040)에게 이메일을 보내는 것이거나, 사용자(6040)에게 등록된 애플리케이션에게 푸시 통지를 보내는 것이거나, 또는 사용자에게 이벤트를 통지하는 임의의 다른 적절한 방법일 수 있다. 도 61의 예에서, SMS 서비스(6062)는 SMS 통지 이벤트에 대한 핸들러이고, 이메일 서비스(6064)는 이메일 통지 이벤트에 대한 핸들러이고, 푸시 서비스(6066)는 푸시 통지 이벤트에 대한 핸들러이다. SMS 서비스(6062), 이메일 서비스(6064), 및 푸시 서비스(6066)는 프로세스 흐름 서버(5710)상의 서비스이다.
도 50a는 하나 이상의 개시된 실시예들이 구현될 수 있는 예시적인 통신 시스템(100)의 도면이다. 통신 시스템(100)은 음성, 데이터, 비디오, 메시징, 브로드캐스팅, 게임 등과 같은 콘텐츠를 다중 무선 사용자들 및 게임 플레이어들에게 제공하는 다중 액세스 시스템일 수 있다. 통신 시스템(100)은 다중 무선 사용자들이, 무선 대역폭을 비롯한, 시스템 자원들의 공유를 통해 이러한 콘텐츠에 액세스할 수 있게 할 수 있다. 예를 들어, 통신 시스템(100)은 CDMA(code division multiple access), TDMA(time division multiple access), FDMA(frequency division multiple access), OFDMA(orthogonal FDMA), SC-FDMA(single-carrier FDMA) 등과 같은 하나 이상의 채널 액세스 방법들을 이용할 수 있다. 도 50a에 도시된 것과 같은 통신 시스템은 본 명세서에서 네트워크라고도 지칭될 수 있다.
도 50a에 도시된 바와 같이, 통신 시스템(100)은 WTRU(wireless transmit/receive unit)(102a, 102b, 102c, 102d), RAN(radio access network)(104), 코어 네트워크(106), PSTN(public switched telephone network)(108), 인터넷(110), 및 다른 네트워크들(112)을 포함할 수 있지만, 개시된 실시예들이 임의의 수의 WTRU들, 기지국들, 네트워크들 및/또는 네트워크 요소들을 생각하고 있다는 것을 잘 알 것이다. WTRU들(102a, 102b, 102c, 102d) 각각은 무선 환경에서 동작하고 및/또는 통신하도록 구성된 임의의 유형의 디바이스일 수 있다. 예로서, WTRU들(102a, 102b, 102c, 102d)은 무선 신호들을 전송 및/또는 수신하도록 구성될 수 있고, UE(user equipment), 이동국(mobile station), 모바일 디바이스, 고정 또는 모바일 가입자 유닛(fixed or mobile subscriber unit), 페이저(pager), 셀룰러 전화기(cellular telephone), PDA(personal digital assistant), 스마트폰, 랩톱, 넷북, 개인용 컴퓨터, 무선 센서, 가전 제품, 태블릿, 멀티미디어 콘솔 게임, 착용 가능 디바이스 등을 포함할 수 있다.
통신 시스템(100)은 또한 기지국(114a) 및 기지국(114b)을 포함할 수 있다. 기지국들(114a, 114b) 각각은, 코어 네트워크(106), 인터넷(110), 및/또는 네트워크들(112)과 같은, 하나 이상의 통신 네트워크들에의 액세스를 용이하게 하기 위해 WTRU들(102a, 102b, 102c, 102d) 중 적어도 하나와 무선으로 인터페이스하도록 구성된 임의 유형의 디바이스일 수 있다. 예로서, 기지국들(114a, 114b)은 BTS(base transceiver station), Node-B, eNode B, Home Node B, Home eNode B, 사이트 제어기(site controller), AP(access point), 무선 라우터(wireless router) 등일 수 있다. 기지국들(114a, 114b)은 각각이 단일 요소로서 묘사되어 있지만, 기지국들(114a, 114b)이 임의 수의 상호접속된 기지국들 및/또는 네트워크 요소들을 포함할 수 있다는 것을 잘 알 것이다.
기지국(114a)은 BSC(base station controller), RNC(radio network controller), 릴레이 노드(relay node) 등과 같은 다른 기지국들 및/또는 네트워크 요소들(도시 생략)도 포함할 수 있는 RAN(104)의 일부일 수 있다. 기지국(114a) 및/또는 기지국(114b)은, 셀(cell)(도시되지 않음)이라고 지칭될 수 있는 특정의 지리적 영역 내에서 무선 신호를 전송 및/또는 수신하도록 구성될 수 있다. 셀은 셀 섹터(cell sector)들로 추가로 나누어질 수 있다. 예를 들어, 기지국(114a)과 연관된 셀이 3개의 섹터로 나누어질 수 있다. 따라서, 일 실시예에서 기지국(114a)은 3개의 송수신기를 - 즉, 셀의 각각의 섹터마다 하나씩 - 포함할 수 있다. 또 다른 실시예에서, 기지국(114a)은 MIMO(multiple-input multiple-output) 기술을 이용할 수 있고, 따라서, 셀의 각각의 섹터에 대해 다중 송수신기를 이용할 수 있다.
기지국들(114a, 114b)은 임의의 적당한 무선 통신 링크(예컨대, RF(radio frequency), 마이크로파, IR(infrared), UV(ultraviolet), 가시광 등)일 수 있는 공중 인터페이스(air interface)(116)를 통해 WTRU들(102a, 102b, 102c, 102d) 중 하나 이상과 통신할 수 있다. 공중 인터페이스(116)는 임의의 적당한 RAT(radio access technology)를 사용하여 구축될 수 있다.
보다 구체적으로는, 앞서 살펴본 바와 같이, 통신 시스템(100)은 다중 액세스 시스템일 수 있고, CDMA, TDMA, FDMA, OFDMA, SC-FDMA 등과 같은, 하나 이상의 채널 액세스 방식들을 이용할 수 있다. 예를 들어, RAN(104) 내의 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 WCDMA(wideband CDMA)를 사용하여 공중 인터페이스(116)를 구축할 수 있는 UTRA(UMTS(Universal Mobile Telecommunications System) Terrestrial Radio Access)와 같은 무선 기술을 구현할 수 있다. WCDMA는 HSPA(High-Speed Packet Access) 및/또는 HSPA+(Evolved HSPA)와 같은 통신 프로토콜들을 포함할 수 있다. HSPA는 HSDPA(High-Speed Downlink Packet Access) 및/또는 HSUPA(High-Speed Uplink Packet Access)를 포함할 수 있다.
또 다른 실시예에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 LTE(Long Term Evolution) 및/또는 LTE-A(LTE-Advanced)를 사용하여 공중 인터페이스(116)를 구축할 수 있는 E-UTRA(Evolved UMTS Terrestrial Radio Access)와 같은 무선 기술을 구현할 수 있다.
다른 실시예들에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 IEEE 802.16(즉, WiMAX(Worldwide Interoperability for Microwave Access)), CDMA2000, CDMA2000 1X, CDMA2000 EV-DO, IS-2000(Interim Standard 2000), IS-95(Interim Standard 95), IS-856(Interim Standard 856), GSM(Global System for Mobile communications), EDGE(Enhanced Data rates for GSM Evolution), GSM EDGE(GERAN) 등과 같은 무선 기술들을 구현할 수 있다.
도 28a의 기지국(114b)은, 예를 들어, 무선 라우터, Home Node B, Home eNode B, 또는 액세스 포인트일 수 있고, 사업장, 가정, 차량, 캠퍼스 등과 같은 로컬화된 영역에서의 무선 연결을 용이하게 하기 위해 임의의 적당한 RAT를 이용할 수 있다. 하나의 실시예에서, 기지국(114b)과 WTRU들(102c, 102d)은 WLAN(wireless local area network)을 구축하기 위해 IEEE 802.11과 같은 무선 기술을 구현할 수 있다. 또 다른 실시예에서, 기지국(114b)과 WTRU들(102c, 102d)은 WPAN(wireless personal area network)을 구축하기 위해 IEEE 802.15와 같은 무선 기술을 구현할 수 있다. 또 다른 실시예에서, 기지국(114b)과 WTRU들(102c, 102d)은 피코셀(picocell) 또는 펨토셀(femtocell)을 구축하기 위해 셀룰러 기반 RAT(cellular-based RAT)(예컨대, WCDMA, CDMA2000, GSM, LTE, LTE-A 등)를 이용할 수 있다. 도 49a에 도시된 바와 같이, 기지국(114b)은 인터넷(110)에의 직접 접속(direct connection)을 가질 수 있다. 따라서, 기지국(114b)은 코어 네트워크(106)를 통해 인터넷(110)에 액세스할 필요가 없을 수 있다.
RAN(104)은 음성, 데이터, 애플리케이션들, 및/또는 VoIP(voice over internet protocol) 서비스들을 WTRU들(102a, 102b, 102c, 102d) 중 하나 이상에 제공하도록 구성된 임의의 유형의 네트워크일 수 있는 코어 네트워크(106)와 통신할 수 있다. 예를 들어, 코어 네트워크(106)는 호 제어, 과금 서비스, 모바일 위치-기반 서비스, 선불 전화(pre-paid calling), 인터넷 접속, 비디오 배포 등을 제공하고 및/또는 사용자 인증과 같은 높은 수준 보안 기능들을 수행할 수 있다. 도 50a에 도시되어 있지는 않지만, RAN(104) 및/또는 코어 네트워크(106)가 RAN(104)과 동일한 RAT 또는 상이한 RAT를 이용하는 다른 RAN들과 직접 또는 간접 통신을 할 수 있다는 것을 잘 알 것이다. 예를 들어, E-UTRA 무선 기술을 이용하고 있을 수 있는 RAN(104)에 접속되는 것에 부가하여, 코어 네트워크(106)는 또한 GSM 무선 기술을 이용하는 또 다른 RAN(도시 생략)과 통신할 수 있다.
코어 네트워크(106)는 또한 WTRU들(102a, 102b, 102c, 102d)이 PSTN(108), 인터넷(110), 및/또는 다른 네트워크들(112)에 액세스하기 위한 게이트웨이로서 역할할 수 있다. PSTN(108)은 POTS(plain old telephone service)를 제공하는 회선 교환 전화 네트워크를 포함할 수 있다. 인터넷(110)은 TCP/IP 인터넷 프로토콜군(internet protocol suite) 내의 TCP(transmission control protocol), UDP(user datagram protocol) 및 IP(internet protocol)와 같은, 공통의 통신 프로토콜들을 사용하는 상호접속된 컴퓨터 네트워크들 및 디바이스들의 전세계 시스템(global system)을 포함할 수 있다. 네트워크들(112)은 다른 서비스 공급자들이 소유하고 및/또는 운영하는 유선 또는 무선 통신 네트워크들을 포함할 수 있다. 예를 들어, 네트워크들(112)은 RAN(104)과 동일한 RAT 또는 상이한 RAT를 이용할 수 있는 하나 이상의 RAN들에 접속된 또 다른 코어 네트워크를 포함할 수 있다.
통신 시스템(100) 내의 WTRU들(102a, 102b, 102c, 102d) 중 일부 또는 전부는 다중 모드 성능들을 포함할 수 있는데, 즉, WTRU들(102a, 102b, 102c, 102d)이 상이한 무선 링크들을 통해 상이한 무선 네트워크들과 통신하기 위한 다중 송수신기들을 포함할 수 있다. 예를 들어, 도 50a에 도시된 WTRU(102c)는 셀룰러 기반 무선 기술을 이용할 수 있는 기지국(114a)과 통신하도록, 그리고 IEEE 802 무선 기술을 이용할 수 있는 기지국(114b)과 통신하도록 구성될 수 있다.
도 50b는 본 명세서에 개시된 모바일 애플리케이션을 구현할 수 있는 예시적인 WTRU(102)의 시스템도이다. 도 50b에 도시된 바와 같이, WTRU(102)는 프로세서(118), 송수신기(120), 송/수신 요소(transmit/receive element)(122), 스피커/마이크로폰(124), 키패드(126), 디스플레이/터치패드(128), 비 이동식 메모리(130), 이동식 메모리(132), 전원(134), GPS(global positioning system) 칩셋(136), 및 다른 주변 장치들(138)을 포함할 수 있다. 실시예와 부합한 채로 남아 있으면서 WTRU(102)가 전술한 요소들의 임의의 서브콤비네이션(sub-combination)을 포함할 수 있다는 것을 잘 알 것이다.
프로세서(118)는 범용 프로세서, 특수 목적 프로세서, 종래의 프로세서, DSP(digital signal processor), 복수의 마이크로프로세서들, DSP 코어와 연관된 하나 이상의 마이크로프로세서들, 제어기, 마이크로제어기, ASIC(Application Specific Integrated Circuit)들, FPGA(Field Programmable Gate Array) 회로들, 임의의 다른 유형의 IC(integrated circuit), 상태 머신(state machine) 등일 수 있다. 프로세서(118)는 WTRU(102)가 무선 환경에서 동작할 수 있게 하는 신호 코딩, 데이터 처리, 전력 제어, 입/출력 처리, 및/또는 임의의 다른 기능성을 수행할 수 있다. 프로세서(118)는 송수신기(120)에 결합될 수 있고, 이것은 송/수신 요소(122)에 결합될 수 있다. 도 50b가 프로세서(118) 및 송수신기(120)를 별개의 컴포넌트들로서 도시하고 있지만, 프로세서(118) 및 송수신기(120)가 전자 패키지 또는 칩에 함께 통합되어 있을 수 있다는 것을 잘 알 것이다.
송/수신 요소(122)는 공중 인터페이스(116)를 통해 기지국(예컨대, 기지국(114a))으로 신호들을 전송하거나 기지국으로부터 신호들을 수신하도록 구성될 수 있다. 예를 들어, 하나의 실시예에서, 송/수신 요소(122)는 RF 신호들을 전송 및/또는 수신하도록 구성된 안테나일 수 있다. 또 다른 실시예에서, 송/수신 요소(122)는, 예를 들어, IR 신호, UV 신호 또는 가시광 신호를 전송 및/또는 수신하도록 구성된 방출기/검출기(emitter/detector)일 수 있다. 또 다른 실시예에서, 송/수신 요소(122)는 RF 및 광 신호들 둘 다를 전송 및 수신하도록 구성될 수 있다. 송/수신 요소(122)가 무선 신호들의 임의의 조합을 전송 및/또는 수신하도록 구성될 수 있다는 것을 잘 알 것이다.
그에 부가하여, 송/수신 요소(122)가 도 50b에 단일 요소로서 도시되어 있지만, WTRU(102)는 임의의 수의 송/수신 요소들(122)을 포함할 수 있다. 보다 구체적으로는, WTRU(102)는 MIMO 기술을 이용할 수 있다. 따라서, 하나의 실시예에서, WTRU(102)는 공중 인터페이스(116)를 통해 무선 신호들을 전송 및 수신하기 위한 2개 이상의 송/수신 요소들(122)(예컨대, 다수의 안테나들)을 포함할 수 있다.
송수신기(120)는 송/수신 요소(122)에 의해 전송되어야 하는 신호들을 변조하도록 그리고 송/수신 요소(122)에 의해 수신되는 신호들을 복조하도록 구성될 수 있다. 앞서 살펴본 바와 같이, WTRU(102)는 다중 모드 성능을 가질 수 있다. 따라서, 송수신기(120)는 WTRU(102)가, 예를 들어, UTRA 및 IEEE 802.11과 같은, 다수의 RAT들을 통해 통신할 수 있게 하기 위해 다중 송수신기들을 포함할 수 있다.
WTRU(102)의 프로세서(118)는 스피커/마이크로폰(124), 키패드(126), 및/또는 디스플레이/터치패드(128)(예컨대, LCD(liquid crystal display) 디스플레이 유닛 또는 OLED(organic light emitting diode) 디스플레이 유닛)에 결합될 수 있고 그로부터 사용자 입력 데이터를 수신할 수 있다. 프로세서(118)는 또한 사용자 데이터를 스피커/마이크로폰(124), 키패드(126), 및/또는 디스플레이/터치패드(128)에 출력할 수 있다. 그에 부가하여, 프로세서(118)는 비 이동식 메모리(130) 및/또는 이동식 메모리(132)와 같은, 임의 유형의 적당한 메모리로부터의 정보에 액세스하고 그 메모리에 데이터를 저장할 수 있다. 비 이동식 메모리(130)는 RAM(random access memory), ROM(read only memory), 하드 디스크, 또는 임의의 다른 유형의 메모리 저장 디바이스를 포함할 수 있다. 이동식 메모리(132)는 SIM(subscriber identity module) 카드, 메모리 스틱(memory stick), SD(secure digital) 메모리 카드 등을 포함할 수 있다. 다른 실시예에서, 프로세서(118)는, 서버 또는 홈 컴퓨터(도시되지 않음)상에 있는 것과 같이, WTRU(102) 상에 물리적으로 위치되지 않은 메모리로부터의 정보에 액세스하고 그 메모리에 데이터를 저장할 수 있다.
프로세서(118)는 전원(134)으로부터 전력을 받을 수 있고, WTRU(102) 내의 다른 컴포넌트들에 전력을 분배하고 및/또는 전력을 제어하도록 구성될 수 있다. 전원(134)은 WTRU(102)에 전력을 공급하기 위한 임의의 적당한 디바이스일 수 있다. 예를 들어, 전원(134)은 하나 이상의 건전지(예컨대, 니켈 카드뮴(NiCd), 니켈 아연(NiZn), 니켈 금속 수소화물(NiMH), 리튬 이온(Li-ion) 등), 태양 전지(solar cell), 연료 전지(fuel cell) 등을 포함할 수 있다.
프로세서(118)는 또한 WTRU(102)의 현재 위치에 관한 위치 정보(예컨대, 경도 및 위도)를 제공하도록 구성될 수 있는 GPS 칩셋(136)에 결합될 수 있다. GPS 칩셋(136)으로부터의 정보에 부가하여 또는 그 대신에, WTRU(102)는 기지국(예컨대, 기지국들(114a, 114b))으로부터 공중 인터페이스(116)를 통해 위치 정보를 수신할 수 있고 및/또는 2개 이상의 근방의 기지국들로부터 수신되고 있는 신호들의 타이밍에 기초하여 그의 위치를 결정할 수 있다. WTRU(102)가 일 실시예와 부합한 채로 남아 있으면서 임의의 적당한 위치 결정 방법에 의해 위치 정보를 획득할 수 있다는 것을 잘 알 것이다.
프로세서(118)는 또한 부가의 특징, 기능성 및/또는 유선 또는 무선 연결을 제공하는 하나 이상의 소프트웨어 및/또는 하드웨어 모듈들을 포함할 수 있는 다른 주변 장치들(138)에 결합될 수 있다. 예를 들어, 주변 장치들(138)은 가속도계, 전자 나침반(e-compass), 위성 송수신기, 디지털 카메라(사진 또는 비디오용), USB(universal serial bus) 포트, 진동 디바이스, 텔레비전 송수신기, 핸즈프리 헤드셋, 블루투스® 모듈, FM(frequency modulated) 라디오 유닛, 디지털 음악 플레이어, 미디어 플레이어, 비디오 게임 플레이어 모듈, 인터넷 브라우저 등을 포함할 수 있다.
도 51은 모바일 디바이스들(210, 310, 및 610)의 하나 이상의 컴포넌트들로서, 네트워크 장비 또는 관련 장비의 하나 이상의 컴포넌트들로서, 및/또는 본 명세서에 기술되는 발명 요지의 임의의 부분을 구현할 수 있는 임의의 제3자 시스템 또는 서브시스템의 하나 이상의 컴포넌트들로서를 비롯하여, 본 명세서에 기술되는 실시예들 중 임의의 것에서 이용될 수 있는 예시적인 프로세서(1158)의 블록도이다. 도 51에 묘사된 블록도가 예시적인 것이고 특정 구현을 암시하려고 의도되지 않았다는 것이 강조된다. 이와 같이, 프로세서(1158)는 단일 프로세서 또는 다수의 프로세서들로 구현될 수 있다. 다수의 프로세서들은 분산되거나 중앙 집중식으로 위치될 수 있다. 다수의 프로세서들은 무선으로, 하드 와이어를 통해, 또는 이들의 조합으로 통신할 수 있다.
도 51에 도시된 바와 같이, 프로세서(1158)는 처리 부분(1160), 메모리 부분(1162), 그리고 입/출력 부분(1164)을 포함한다. 처리 부분(1160), 메모리 부분(1162), 그리고 입/출력 부분(1164)이 이 부분들 간의 통신을 가능하게 하기 위해 함께 결합된다(결합이 도 51에 도시되어 있지 않음). 입/출력 부분(1164)은, 예를 들어, APN, MNC, 및/또는 MCC를 요청하고 수신하며, 통신 세션을 구축하고 종료하며, 데이터 액세스 요청 데이터 및 응답을 전송하고 수신하며, 텍스트, 데이터, 및 음성 통신을 전송, 수신, 저장 및 처리하고, 무선 자원 요청을 효율적으로 처리하는 소프트웨어를 실행하며, 무선 자원 요청, 무선 자원 요청 처리 선호사항 및 구성을 수신하고 저장하며, 및/또는 본 명세서에 기술된 임의의 다른 기능을 수행하기 위해 이용되는, 컴포넌트들, 명령들, 및/또는 명령어들을 제공 및/또는 수신할 수 있다.
프로세서(1158)는 클라이언트 프로세서 및/또는 서버 프로세서로서 구현될 수 있다. 기본적인 구성에서, 프로세서(1158)는 적어도 하나의 처리 부분(1160) 및 메모리 부분(1162)을 포함할 수 있다. 메모리 부분(1162)은 텍스트, 데이터 및/또는 음성 통신, 통신 관련 데이터 및/또는 콘텐츠, 음성 호출, 다른 전화 통신 등을 설정, 전송, 수신 및/또는 처리하는 것과 관련하여 이용되는 임의의 정보를 저장할 수 있다. 예를 들어, 메모리 부분은 APN, MNC, MCC, 무선 자원 요청, 효율적인 무선 자원 요청 처리 시스템을 위한 소프트웨어, 텍스트 및 데이터 통신, 호출, 음성메일, 멀티미디어 콘텐츠, 시각적 음성메일 애플리케이션 등을 저장할 수 있다. 프로세서의 정확한 구성 및 유형에 따라, 메모리 부분(1162)은 휘발성(RAM 등)(1166), 비휘발성(ROM, 플래시 메모리, 기타 등등)(1168), 또는 이들의 조합일 수 있다. 프로세서(1158)는 부가의 특징들 또는 기능성을 가질 수 있다. 예를 들어, 프로세서(1158)는 자기 또는 광학 디스크, 테이프, 플래시, 스마트 카드 또는 이들의 조합 - 이들로만 제한되지는 않음 - 을 비롯한 부가의 저장소(이동식 저장소(1170) 및/또는 비 이동식 저장소(1172))를 포함할 수 있다. 메모리 및 저장 요소들(1162, 1170, 1172, 1166, 및 1168)과 같은 컴퓨터 저장 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위해 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성, 이동식 및 비 이동식 매체를 포함할 수 있다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, DVD(digital versatile disk) 또는 다른 광학 저장소, 자기 카세트, 자기 테이프, 자기 디스크 저장소 또는 다른 자기 저장 디바이스, USB(universal serial bus) 호환 메모리, 스마트 카드, 또는 원하는 정보를 저장하는 데 사용될 수 있고 프로세서(1158)에 의해 액세스될 수 있는 임의의 다른 매체를 포함하지만, 이들로만 제한되지는 않는다. 임의의 이러한 컴퓨터 저장 매체가 프로세서(1158)의 일부일 수 있다.
프로세서(1158)는 또한 프로세서(1158)가, 예를 들어, RAN(radio access network)을 통해, 다른 디바이스들과 통신할 수 있게 하는 통신 접속(들)(1180)을 포함할 수 있다. 통신 접속(들)(1180)은 통신 매체의 일 예이다. 통신 매체는 전형적으로 컴퓨터 판독 가능 명령어들, 데이터 구조들, 프로그램 모듈들, 또는 기타 데이터를 반송파 또는 다른 전송 메커니즘과 같은 변조된 데이터 신호에 구현하고 임의의 정보 전달 매체를 포함한다. 용어 "변조된 데이터 신호"는 신호의 특성들 중 하나 이상이 정보를 그 신호에 인코딩하는 방식으로 설정되거나 변경된 신호를 의미한다. 제한이 아닌 예로서, 통신 매체는, 지상선 전화기에서 사용될 수 있는 유선 네트워크 또는 직접 유선 접속(direct-wired connection)과 같은 유선 매체와, 음향, RF, 적외선, 셀룰러, 및 다른 무선 매체와 같은 무선 매체를 포함한다. 본 명세서에서 사용되는 바와 같은 용어 컴퓨터 판독 가능 매체는 저장 매체 및 통신 매체 둘 다를 포함한다. 프로세서(1158)는 또한 키보드, 키패드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스 등과 같은 입력 디바이스(들)(1176)를 가질 수 있다. 디스플레이, 스피커, 프린터 등과 같은 출력 디바이스(들)(1174)가 또한 포함될 수 있다.
개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법의 예시적인 실시예들이 다양한 통신 디바이스들 및 컴퓨팅 디바이스들/프로세서들과 관련하여 기술되었지만, 기본적인 개념들이 개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법을 구현할 수 있는 임의의 통신 또는 컴퓨팅 디바이스, 프로세서, 또는 시스템에 적용될 수 있다. 본 명세서에 기술되는 다양한 기법들이 하드웨어 또는 소프트웨어, 또는 적절한 경우, 이 둘의 조합과 관련하여 구현될 수 있다. 따라서, 개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법, 또는 그의 특정 양태들 또는 부분들은 플로피 디스켓, CD-ROM, 하드 드라이브, 또는 임의의 다른 머신 판독 가능 저장 매체와 같은 유형적, 비일시적 매체상에 구현되는 프로그램 코드(즉, 명령어들)의 형태를 가질 수 있으며, 여기서 프로그램 코드가, 컴퓨터와 같은 머신에 로드되어 실행될 때, 그 머신은 개인의 능력, 실력 및 관심사를 확인해주는 장치가 된다. 프로그래밍가능 컴퓨터들상에서의 프로그램 코드 실행의 경우에, 컴퓨팅 디바이스는 일반적으로 프로세서, 프로세서에 의해 판독 가능한 저장 매체(휘발성 및 비휘발성 메모리 및/또는 저장 요소들을 포함함), 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함할 것이다. 프로그램(들)은, 원하는 경우, 어셈블리어 또는 기계어로 구현될 수 있다. 언어는 컴파일링되거나 인터프리팅되는 언어일 수 있고, 하드웨어 구현들과 결합될 수 있다.
본 명세서에 기술되는 바와 같은, 저장 매체, 메모리, 컴퓨터 판독 가능 저장 매체, 및 머신 판독 가능 저장 매체가 실체적이고 유형적이며 물리적인 구조를 가진다는 것을 잘 알 것이다. 공지된 바와 같이, 신호는 실체적이고 유형적이고 물리적인 구조를 갖지 않는다. 본 명세서에 기술되는 임의의 컴퓨터 판독 가능 저장 매체뿐만 아니라 저장 매체, 메모리, 컴퓨터 판독 가능 저장 매체, 및 머신 판독 가능 저장 매체는 신호로 해석해서는 안된다. 본 명세서에 기술되는 임의의 컴퓨터 판독 가능 저장 매체뿐만 아니라 저장 매체, 메모리, 컴퓨터 판독 가능 저장 매체, 및 머신 판독 가능 저장 매체는 과도 신호로 해석해서는 안된다. 본 명세서에 기술되는 임의의 컴퓨터 판독 가능 저장 매체뿐만 아니라 저장 매체, 메모리, 컴퓨터 판독 가능 저장 매체, 및 머신 판독 가능 저장 매체는 전파 신호(propagating signal)로 해석해서는 안된다. 본 명세서에 기술되는 임의의 컴퓨터 판독 가능 저장 매체뿐만 아니라 저장 매체, 메모리, 컴퓨터 판독 가능 저장 매체, 및 머신 판독 가능 저장 매체는 실체적이고, 물리적이며, 유형적인 구조를 가지는 제조 물품으로 해석해야 한다.
개인의 능력, 실력 및 관심사를 확인해주는 방법 및 시스템이 또한, 전기 배선 또는 케이블을 통해, 광섬유를 통해, 또는 임의의 다른 형태의 전송을 통하는 것과 같이, 어떤 전송 매체를 통해 전송되는 프로그램 코드의 형태로 구현되는 통신을 통해 실시될 수 있고, 여기서, 프로그램 코드가, EPROM, 게이트 어레이, PLD(programmable logic device), 클라이언트 컴퓨터 등과 같은, 머신에 의해 수신되고, 그에 로드되며, 그에 의해 실행될 때, 그 머신은 개인의 능력, 실력 및 관심사를 확인해주는 장치가 된다. 범용 프로세서상에서 구현될 때, 프로그램 코드는 프로세서와 결합하여, 본 명세서에 기술되는 바와 같이 개인의 능력, 실력 및 관심사를 확인해주는 기능성을 호출하는 동작을 하는 독자적인 장치를 제공한다. 그에 부가하여, 지능형 로밍 및 연동 시스템과 관련하여 사용되는 임의의 저장 기술들은 변함없이 하드웨어와 소프트웨어의 조합일 수 있다.
개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법이 다양한 도면들의 다양한 실시예들과 관련하여 기술되었지만, 본 발명으로부터 벗어남이 없이 개인의 능력, 실력 및 관심사를 확인해주는 동일한 기능을 수행하기 위해 다른 유사한 실시예들이 사용될 수 있거나 기술된 실시예들에 대해 수정 및 부가가 행해질 수 있다는 것을 이해할 것이다. 예를 들어, 본 기술분야의 통상의 기술자라면, 본 출원에 기술된 바와 같이 개인의 능력, 실력 및 관심을 확인해주는 시스템 및 방법이, 유선이든 무선이든 관계없이, 임의의 환경에 적용될 수 있고, 통신 네트워크를 통해 접속되고 네트워크를 거쳐 상호 작용하는 임의의 수의 그러한 디바이스들에 적용될 수 있다는 것을 잘 알 것이다. 따라서, 개인의 능력, 실력 및 관심사를 확인해주는 시스템 및 방법이 임의의 단일 실시예로 제한되어서는 안되고, 오히려 첨부된 청구항들에 따라 범위 및 폭이 해석되어야 한다.
본 발명의 양태들은 하기를 포함한다:
방법이 하기를 포함한다: 서버에서, 복수의 게임들을 나타내는 게임 데이터를 수신하는 단계 - 복수의 게임들 중 각각의 게임은 적어도 하나의 개인 특성을 평가하도록 설계됨 -; 서버에 의해 복수의 게임들 중 제1 게임과 연관된 제1 비교 게임 성과를 결정하는 단계 - 제1 비교 게임 성과는 게임 데이터 및 비교 게임 정보에 기초하며, 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 나타냄 -; 및 서버에 의해 제1 비교 게임 성과로부터 개인 특성을 도출하는 단계; 및 서버에 의해 개인 특성의 표시를 제공하는 단계.
이 방법에서, 적어도 하나의 개인 특성은 인간 능력, 인지 실력, 또는 진로 관심사 중 적어도 하나를 포함한다. 예를 들어, 인간 능력은 수학 실력, 논리적 추론 실력, 언어 실력, 시각-공간 실력, 음악 실력, 신체 운동감각 실력, 대인 관계 실력, 자기 이해 실력, 및 자연 탐구 실력으로 구성될 수 있다. 예를 들어, 인지 실력은 주의 기능, 참여 기능, 최적화 기능, 효율성 기능, 기억 기능, 질의 기능, 및 해결 기능을 포함할 수 있다.
이 방법에서, 비교 게임 정보는 제1 게임과 연관된 게임 성과에 대한 점수 및 성과 레벨들과 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과를 나타내는 적어도 하나의 벤치마크 테이블을 포함할 수 있다. 예를 들어, 제1 게임과 연관된 게임 성과는 게임 데이터에 기초하여 적어도 하나의 개인 특성의 측정을 나타내는 적어도 하나의 메트릭을 포함할 수 있다. 이 방법은 하기를 추가로 포함할 수 있다: 제1 게임과 연관된 적어도 하나의 메트릭을 결정하는 단계; 적어도 하나의 메트릭에 기초하여 적어도 하나의 메트릭 각각에 대한 원시 점수들을 계산하는 단계; 적어도 하나의 메트릭 각각에 대한 원시 점수들을 평균화하는 단계; 및 원시 점수들에 기초하여, 적어도 하나의 메트릭 각각에 대한 점수들 및 성과 레벨들을 결정하는 단계. 여기서, 제1 게임과 연관된 제1 비교 게임 성과는 제1 게임과 연관된 적어도 하나의 메트릭 각각에 대한 적어도 하나의 백분위수 순위를 포함한다.
방법은 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교에 기초하여 제1 게임과 연관된 게임 성과 각각에 대해 적어도 하나의 백분위수 순위를 결정하는 단계를 추가로 포함할 수 있다.
추가적인 실시예에서, 방법은 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교에 기초하여 제1 게임과 연관된 게임 성과 각각에 대해 적어도 하나의 백분위수 순위를 결정하는 단계를 추가로 포함할 수 있다.
본 발명의 다른 양태는 시스템을 포함하고, 이 시스템은 프로세서; 및 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세서에 의해 실행될 때 프로세서로 하여금 하기를 포함하는 동작들을 수행하게 야기하는 적어도 하나의 실행 가능 명령어를 포함한다: 복수의 게임을 나타내는 게임 데이터를 수신하는 동작 - 복수의 게임 중 각각의 게임은 적어도 하나의 개인 특성에 액세스하도록 설계됨 -; 복수의 게임들 중 제1 게임과 연관된 제1 비교 게임 성과를 결정하는 동작 - 제1 비교 게임 성과는 게임 데이터 및 비교 게임 정보에 기초하며, 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 나타냄 -; 제1 비교 게임 성과로부터 개인 특성을 도출하는 동작; 및 개인 특성의 표시를 제공하는 동작.
이들 시스템은 적어도 하나의 개인 특성이 인간 능력, 인지 실력, 또는 진로 관심사 중 적어도 하나를 포함하도록 설계될 수 있다. 대안적으로, 비교 게임 정보가 제1 게임과 연관된 게임 성과에 대한 점수 및 성과 레벨들과 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과를 나타내는 적어도 하나의 벤치마크 테이블을 포함하는 이들 시스템이 설계될 수 있다. 예를 들어, 제1 게임과 연관된 게임 성과는 게임 데이터에 기초하여 적어도 하나의 개인 특성의 측정을 나타내는 적어도 하나의 메트릭을 포함할 수 있다. 마찬가지로, 이 동작들은 하기를 추가로 포함할 수 있다: 제1 게임과 연관된 적어도 하나의 메트릭을 결정하는 동작; 적어도 하나의 메트릭에 기초하여 적어도 하나의 메트릭 각각에 대한 원시 점수들을 계산하는 동작; 적어도 하나의 메트릭 각각에 대한 원시 점수들을 평균화하는 동작; 및 원시 점수들에 기초하여, 적어도 하나의 메트릭 각각에 대한 점수들 및 성과 레벨들을 결정하는 동작. 그에 따라서, 제1 게임과 연관된 제1 비교 게임 성과는 제1 게임과 연관된 적어도 하나의 메트릭 각각에 대한 적어도 하나의 백분위수 순위를 포함할 수 있다.
다른 실시예에서는, 프로세서에 의해 실행될 때 프로세서로 하여금 하기 동작들을 수행하게 야기하는 실행 가능 명령어들을 포함하는 컴퓨터 판독 가능 저장 매체가 제공된다: 복수의 게임들을 나타내는 게임 데이터를 수신하는 동작 - 복수의 게임들 중 각각의 게임은 적어도 하나의 개인 특성을 평가하도록 설계됨 -; 서버에 의해 복수의 게임들 중 제1 게임과 연관된 제1 비교 게임 성과를 결정하는 동작 - 제1 비교 게임 성과는 게임 데이터 및 비교 게임 정보에 기초하며, 비교 게임 정보는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교를 나타냄 -; 서버에 의해 제1 비교 게임 성과로부터 개인 특성을 도출하는 동작; 및 서버에 의해 개인 특성의 표시를 제공하는 동작. 이들 실시예에서, 적어도 하나의 개인 특성은 인간 능력, 인지 실력, 또는 진로 관심사 중 적어도 하나를 포함할 수 있다. 또한, 비교 게임 정보는 제1 게임과 연관된 게임 성과에 대한 점수 및 성과 레벨들과 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과를 나타내는 적어도 하나의 벤치마크 테이블을 포함할 수 있다. 여기서, 제1 게임과 연관된 게임 성과는 게임 데이터에 기초하여 적어도 하나의 개인 특성의 측정을 나타내는 적어도 하나의 메트릭을 포함할 수 있다. 마찬가지로, 동작들은 하기를 추가로 포함할 수 있다: 제1 게임과 연관된 적어도 하나의 메트릭을 결정하는 동작; 적어도 하나의 메트릭에 기초하여 적어도 하나의 메트릭 각각에 대한 원시 점수들을 계산하는 동작; 적어도 하나의 메트릭 각각에 대한 원시 점수들을 평균화하는 동작; 및 원시 점수들에 기초하여, 적어도 하나의 메트릭 각각에 대한 점수들 및 성과 레벨들을 결정하는 동작. 예를 들어, 제1 게임과 연관된 제1 비교 게임 성과는 제1 게임과 연관된 적어도 하나의 메트릭 각각에 대한 적어도 하나의 백분위수 순위를 포함할 수 있다.
다른 실시예에서, 본 발명의 컴퓨터 판독 가능 저장 매체는 제1 게임과 연관된 게임 성과와 복수의 게임들 중 적어도 하나의 다른 게임과 연관된 제각기 게임 성과 사이의 비교에 기초하여 제1 게임과 연관된 게임 성과 각각에 대해 적어도 하나의 백분위수 순위를 결정하는 동작을 추가로 포함할 수 있다.
Claims (17)
- 지능형 가상 어시스턴트 시스템(intelligent virtual assistant system)으로서:
프로세서; 및
상기 프로세서에 결합된 메모리를 포함하고, 상기 메모리는 적어도 하나의 실행 가능 명령어를 포함하고, 상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금:
적어도 하나의 캠페인 애플리케이션들로부터 복수의 캠페인 및 복수의 프롬프트를 나타내는 적어도 하나의 입력 파라미터들을 수신하는 동작;
상기 적어도 하나의 입력 파라미터들에 기초하여 캠페인 흐름을 결정하는 동작; 및
상기 캠페인 흐름에 기초하여 지능형 가상 어시스턴트 애플리케이션을 생성하는 동작을 포함하는 동작들을 실행하도록 야기하는 지능형 가상 어시스턴트 시스템. - 실행 가능 명령어들을 포함하는 컴퓨터 판독 가능 저장 매체로서,
상기 명령어들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금:
사용자들의 개인 특성들을 나타내는 복수의 사용자 데이터를 수신하는 동작;
상기 복수의 사용자 데이터를 사용자별 점수 매트릭스로 변환하는 동작;
상기 사용자별 점수 매트릭스에 기초하여 제1 사용자들의 클러스터를 생성하는 동작;
상기 사용자별 점수 매트릭스에 기초하여 제2 사용자들의 클러스터를 생성하는 동작; 및
상기 제1 및 제2 사용자들의 클러스터 각각의 결과들에 기초하여 적어도 하나의 유사성을 결정하는 동작을 포함하는 동작들을 실행하도록 야기하고;
상기 사용자별 점수 매트릭스의 각각의 열은 작업에 부여된 점수를 나타내고, 상기 사용자별 점수 매트릭스의 각각의 행은 상기 작업을 수행한 사용자를 나타내는 컴퓨터 판독 가능 저장 매체. - 지능형 가상 어시스턴트 시스템으로서:
프로세서; 및
상기 프로세서에 결합된 메모리를 포함하고, 상기 메모리는 적어도 하나의 실행 가능 명령어를 포함하고, 상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금,
지능형 가상 어시스턴트 애플리케이션 내의 사용 패턴을 나타내는 복수의 사용자 상호 작용 데이터를 수신하는 동작;
상기 복수의 사용자 상호 작용 데이터에 기초하여 사용자 상호 작용의 제1 경로를 결정하는 동작; 및
상기 사용자 상호 작용의 제1 경로에 기초하여 사용자 상호 작용의 제2 경로를 예측하는 동작을 포함하는 동작들을 실행하도록 야기하는 지능형 가상 어시스턴트 시스템. - 지능형 가상 어시스턴트 시스템으로서:
프로세서; 및
상기 프로세서에 결합된 메모리를 포함하고, 상기 메모리는 적어도 하나의 실행 가능 명령어를 포함하고, 상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금,
지능형 가상 어시스턴트 애플리케이션을 통해 사용자의 질문을 나타내는 텍스트 데이터를 수신하는 동작;
기존 질문들을 답변들에 매핑하는 매핑 정보를 나타내는 훈련 세트 데이터를 수신하는 동작;
상기 텍스트 데이터를 벡터 공간 표현으로 변환하는 동작;
상기 훈련 세트 데이터 및 상기 벡터 공간 표현에 기초하여, 상기 사용자 질문에 대한 복수의 후보 응답을 생성하는 동작 - 상기 복수의 후보 응답 각각은 확률적 가중 점수들을 포함함 -;
상기 확률적 가중 점수들에 기초하여, 상기 복수의 후보 응답의 순위를 결정하는 동작; 및
상기 순위에 기초하여, 상기 지능형 가상 어시스턴트 애플리케이션에 대한 응답을 제공하는 동작을 포함하는 동작들을 실행하도록 야기하는 지능형 가상 어시스턴트 시스템. - 사설 가상 클라우드 및 데이터 액세스 계층을 포함하는 지능형 가상 어시스턴트 시스템으로서,
상기 사설 가상 클라우드는 지식베이스, NLP 서비스 클러스터, 스케줄러 클러스터, 메시징 서버, 프로세스 흐름 서버, 구성 서버, 등록 서버, 및 게이트키퍼 클러스터를 포함하고,
상기 데이터 액세스 계층은 데이터 저장소에 대한 게이트웨이로서 역할하고 및 상기 사설 가상 클라우드가 상기 데이터 저장소에 저장된 데이터에 액세스하는데 사용할 수 있는 API를 제공하는 지능형 가상 어시스턴트 시스템. - 제5항에 있어서, 상기 데이터 저장소는 언어 코퍼스들, NLP 훈련 모델들, 캠페인 상태들, 사용자 진행, 및 사용자 정보를 홀드하는 지능형 가상 어시스턴트 시스템.
- 방법으로서:
지능형 가상 어시스턴트 시스템에 의해 이벤트 데이터를 수신하는 단계;
머신 러닝 알고리즘을 이용하여 상기 이벤트 데이터를 분석하는 단계; 및
지능형 가상 어시스턴트 플랫폼에 의해 상기 이벤트 데이터를 데이터 웨어하우스에 저장하는 단계를 포함하는 방법. - 제7항에 있어서, 상기 이벤트 데이터는 에러 데이터이고, 상기 머신 러닝 알고리즘은 미래의 에러들을 회피하기 위해 사용되는 방법.
- 제7항에 있어서,
추세, 통계, 및 훈련 데이터를 위해 상기 데이터 웨어하우스에 저장된 상기 이벤트 데이터를 분석하는 단계를 추가로 포함하는 방법. - 제7항에 있어서, 상기 이벤트 데이터는 고객 데이터이고, 상기 머신 러닝 알고리즘은 상기 지능형 가상 어시스턴트 시스템과의 사용자 상호 작용을 향상시키기 위해 사용되는 방법.
- 지능형 가상 어시스턴트 시스템에서, 방법은:
질문을 수신하는 단계;
상기 질문에 할당된 인텐트(intent)를 수신하는 단계;
상기 질문 및 인텐트를 자연 언어 처리 훈련 컴포넌트에 보내는 단계; 및
상기 훈련 컴포넌트를 사용하여 자연 언어 처리 모델을 훈련하는 단계를 포함하는 방법. - 제11항에 있어서,
질문을 수신하는 단계; 및
상기 훈련된 자연 언어 처리 모델을 사용하여 상기 질문에 인텐트를 할당하는 단계를 추가로 포함하는 방법. - 제11항에 있어서,
음성 질의를 수신하는 단계;
상기 음성 질의를 텍스트 질의로 변환하는 단계;
상기 텍스트 질의를 인텐트 엔진에 보내는 단계; 및
상기 텍스트 질의에 대해 매칭된 인텐트를 결정하는 단계를 추가로 포함하는 방법. - 제13항에 있어서,
상기 매칭된 인텐트의 신뢰도 점수를 결정하는 단계;
상기 신뢰도 점수가 문턱값 요건을 충족하는지를 결정하는 단계;
상기 신뢰도 점수가 상기 문턱값 요건을 충족하지 못한다고 결정하는 단계; 및
상기 질의에 디폴트 인텐트를 할당하는 단계를 추가로 포함하는 방법. - 제13항에 있어서,
상기 매칭된 인텐트의 신뢰도 점수를 결정하는 단계;
상기 신뢰도 점수가 문턱값 요건을 충족하는지를 결정하는 단계;
상기 신뢰도 점수가 상기 문턱값 요건을 충족하는 것으로 결정하는 단계; 및
상기 매칭된 인텐트를 위해 상기 텍스트 질의를 핸들러에 할당하는 단계를 추가로 포함하는 방법. - 제14항 또는 제15항에 있어서,
상기 텍스트 질의에 대한 응답을 결정하는 단계; 및
상기 응답을 출력하는 단계를 추가로 포함하는 방법. - 제11항 내지 제16항 중 어느 한 항에 있어서, 상기 수신하는 단계는 게이트키퍼 서비스 또는 지식베이스 서비스에 의해 수행되는 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562213276P | 2015-09-02 | 2015-09-02 | |
| US62/213,276 | 2015-09-02 | ||
| PCT/US2016/050223 WO2017041008A1 (en) | 2015-09-02 | 2016-09-02 | Intelligent virtual assistant systems and related methods |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180108562A true KR20180108562A (ko) | 2018-10-04 |
Family
ID=58188487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187009347A KR20180108562A (ko) | 2015-09-02 | 2016-09-02 | 지능형 가상 어시스턴트 시스템들 및 관련 방법들 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20180308473A1 (ko) |
| EP (1) | EP3347812A4 (ko) |
| KR (1) | KR20180108562A (ko) |
| CN (1) | CN108369521A (ko) |
| WO (1) | WO2017041008A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020055188A1 (ko) | 2018-09-11 | 2020-03-19 | 주식회사 엘지화학 | 가교 폴리올레핀 분리막 및 이의 제조방법 |
Families Citing this family (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10315113B2 (en) | 2015-05-14 | 2019-06-11 | Activision Publishing, Inc. | System and method for simulating gameplay of nonplayer characters distributed across networked end user devices |
| US10769185B2 (en) * | 2015-10-16 | 2020-09-08 | International Business Machines Corporation | Answer change notifications based on changes to user profile information |
| US11334803B2 (en) * | 2016-04-20 | 2022-05-17 | Carnegie Mellon University | Data processing system to detect neurodevelopmental-specific learning disorders |
| US10437841B2 (en) * | 2016-10-10 | 2019-10-08 | Microsoft Technology Licensing, Llc | Digital assistant extension automatic ranking and selection |
| US20180137401A1 (en) * | 2016-11-16 | 2018-05-17 | Microsoft Technology Licensing, Llc | Security systems and methods using an automated bot with a natural language interface for improving response times for security alert response and mediation |
| US20180364798A1 (en) * | 2017-06-16 | 2018-12-20 | Lenovo (Singapore) Pte. Ltd. | Interactive sessions |
| US10864443B2 (en) | 2017-12-22 | 2020-12-15 | Activision Publishing, Inc. | Video game content aggregation, normalization, and publication systems and methods |
| US10489507B2 (en) * | 2018-01-02 | 2019-11-26 | Facebook, Inc. | Text correction for dyslexic users on an online social network |
| US10706085B2 (en) * | 2018-01-03 | 2020-07-07 | Oracle International Corporation | Method and system for exposing virtual assistant services across multiple platforms |
| US10991369B1 (en) * | 2018-01-31 | 2021-04-27 | Progress Software Corporation | Cognitive flow |
| US10874947B2 (en) * | 2018-03-23 | 2020-12-29 | Sony Interactive Entertainment LLC | Connecting a player to expert help in real-time during game play of a gaming application |
| US11087090B2 (en) * | 2018-03-23 | 2021-08-10 | Servicenow, Inc. | System for focused conversation context management in a reasoning agent/behavior engine of an agent automation system |
| US11232365B2 (en) * | 2018-06-14 | 2022-01-25 | Accenture Global Solutions Limited | Digital assistant platform |
| US11532007B2 (en) | 2018-08-16 | 2022-12-20 | Frank S. Maggio | Systems and methods for implementing user-responsive reactive advertising via voice interactive input/output devices |
| US11238508B2 (en) * | 2018-08-22 | 2022-02-01 | Ebay Inc. | Conversational assistant using extracted guidance knowledge |
| US11205422B2 (en) | 2018-10-02 | 2021-12-21 | International Business Machines Corporation | Methods and systems for managing chatbots with data access |
| US11017028B2 (en) | 2018-10-03 | 2021-05-25 | The Toronto-Dominion Bank | Systems and methods for intelligent responses to queries based on trained processes |
| CN109284387B (zh) * | 2018-10-19 | 2021-06-01 | 昆山杜克大学 | 刻板特异用语检测系统、方法、计算机设备和存储介质 |
| US10831989B2 (en) | 2018-12-04 | 2020-11-10 | International Business Machines Corporation | Distributing updated communications to viewers of prior versions of the communications |
| US11113370B2 (en) | 2018-12-05 | 2021-09-07 | Bank Of America Corporation | Processing authentication requests to secured information systems using machine-learned user-account behavior profiles |
| US11159510B2 (en) | 2018-12-05 | 2021-10-26 | Bank Of America Corporation | Utilizing federated user identifiers to enable secure information sharing |
| US11120109B2 (en) | 2018-12-05 | 2021-09-14 | Bank Of America Corporation | Processing authentication requests to secured information systems based on machine-learned event profiles |
| US11048793B2 (en) | 2018-12-05 | 2021-06-29 | Bank Of America Corporation | Dynamically generating activity prompts to build and refine machine learning authentication models |
| US11176230B2 (en) | 2018-12-05 | 2021-11-16 | Bank Of America Corporation | Processing authentication requests to secured information systems based on user behavior profiles |
| US11036838B2 (en) | 2018-12-05 | 2021-06-15 | Bank Of America Corporation | Processing authentication requests to secured information systems using machine-learned user-account behavior profiles |
| CN109446121B (zh) * | 2018-12-11 | 2024-01-30 | 李卓钢 | 智能识别计算设备 |
| US11679330B2 (en) * | 2018-12-18 | 2023-06-20 | Activision Publishing, Inc. | Systems and methods for generating improved non-player characters |
| US11854433B2 (en) * | 2019-02-04 | 2023-12-26 | Pearson Education, Inc. | Systems and methods for item response modelling of digital assessments |
| US11423035B2 (en) | 2019-02-04 | 2022-08-23 | Pearson Education, Inc. | Scoring system for digital assessment quality with harmonic averaging |
| US11422989B2 (en) | 2019-02-04 | 2022-08-23 | Pearson Education, Inc. | Scoring system for digital assessment quality |
| CA3133176A1 (en) * | 2019-03-20 | 2020-09-24 | Nykan MIRCHI | Method and system for generating a training platform |
| US11093715B2 (en) | 2019-03-29 | 2021-08-17 | Samsung Electronics Co., Ltd. | Method and system for learning and enabling commands via user demonstration |
| US11468881B2 (en) | 2019-03-29 | 2022-10-11 | Samsung Electronics Co., Ltd. | Method and system for semantic intelligent task learning and adaptive execution |
| WO2020213996A1 (en) * | 2019-04-17 | 2020-10-22 | Samsung Electronics Co., Ltd. | Method and apparatus for interrupt detection |
| WO2020212649A1 (en) | 2019-04-17 | 2020-10-22 | Mikko Vaananen | Mobile secretary meeting scheduler |
| EP3956876A1 (en) * | 2019-04-18 | 2022-02-23 | Yuliana Ivanova Murdjeva | Interactive system and method of use |
| US10860535B1 (en) * | 2019-05-31 | 2020-12-08 | Verizon Patent And Licensing Inc. | Systems and methods for utilizing machine learning and natural language processing to provide a dual-panel user interface |
| CN110308792B (zh) * | 2019-07-01 | 2023-12-12 | 北京百度网讯科技有限公司 | 虚拟角色的控制方法、装置、设备及可读存储介质 |
| JP7485685B2 (ja) * | 2019-11-02 | 2024-05-16 | 遊戯橘子数位科技股▲ふん▼有限公司 | ゲームアカウントの評価方法及びシステム |
| US11712627B2 (en) | 2019-11-08 | 2023-08-01 | Activision Publishing, Inc. | System and method for providing conditional access to virtual gaming items |
| US11290536B2 (en) | 2019-11-19 | 2022-03-29 | International Business Machines Corporation | Updating automated communication replies based on detected situations |
| CN111125335B (zh) * | 2019-12-27 | 2021-04-06 | 北京百度网讯科技有限公司 | 问答处理方法、装置、电子设备和存储介质 |
| US20210365891A1 (en) * | 2020-05-20 | 2021-11-25 | Lifestyle Learning LLC | Career navideer lifestyle survey module for exploration of life choices |
| US11351459B2 (en) | 2020-08-18 | 2022-06-07 | Activision Publishing, Inc. | Multiplayer video games with virtual characters having dynamically generated attribute profiles unconstrained by predefined discrete values |
| US11524234B2 (en) | 2020-08-18 | 2022-12-13 | Activision Publishing, Inc. | Multiplayer video games with virtual characters having dynamically modified fields of view |
| CN112035567B (zh) * | 2020-08-21 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及计算机可读存储介质 |
| US11636269B2 (en) * | 2020-10-15 | 2023-04-25 | Fmr Llc | Content creation and prioritization |
| US20230030822A1 (en) * | 2021-07-31 | 2023-02-02 | Khoros, Llc | Automated predictive response computing platform implementing adaptive data flow sets to exchange data via an omnichannel electronic communication channel independent of data source |
| CN112365892A (zh) * | 2020-11-10 | 2021-02-12 | 杭州大搜车汽车服务有限公司 | 人机对话方法、装置、电子装置及存储介质 |
| WO2022154403A1 (ko) * | 2021-01-12 | 2022-07-21 | 삼성전자 주식회사 | 검색어를 제공하는 방법 및 이를 지원하는 전자 장치 |
| US11816137B2 (en) | 2021-01-12 | 2023-11-14 | Samsung Electronics Co., Ltd | Method for providing search word and electronic device for supporting the same |
| US11699431B2 (en) | 2021-09-08 | 2023-07-11 | Allstate Solutions Private Limited | Methods and systems for codeless chatbot development |
| US20230237922A1 (en) * | 2022-01-21 | 2023-07-27 | Dell Products L.P. | Artificial intelligence-driven avatar-based personalized learning techniques |
| CN114979029B (zh) * | 2022-05-16 | 2023-11-24 | 百果园技术(新加坡)有限公司 | 一种虚拟机器人的控制方法、装置、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5816936B2 (ja) * | 2010-09-24 | 2015-11-18 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 質問に対する解答を自動的に生成するための方法、システム、およびコンピュータ・プログラム |
| US20120296638A1 (en) * | 2012-05-18 | 2012-11-22 | Ashish Patwa | Method and system for quickly recognizing and responding to user intents and questions from natural language input using intelligent hierarchical processing and personalized adaptive semantic interface |
| WO2014197336A1 (en) * | 2013-06-07 | 2014-12-11 | Apple Inc. | System and method for detecting errors in interactions with a voice-based digital assistant |
| US20150066817A1 (en) * | 2013-08-27 | 2015-03-05 | Persais, Llc | System and method for virtual assistants with shared capabilities |
| US10055681B2 (en) * | 2013-10-31 | 2018-08-21 | Verint Americas Inc. | Mapping actions and objects to tasks |
-
2016
- 2016-09-02 EP EP16843117.9A patent/EP3347812A4/en not_active Withdrawn
- 2016-09-02 WO PCT/US2016/050223 patent/WO2017041008A1/en active Application Filing
- 2016-09-02 CN CN201680064009.6A patent/CN108369521A/zh active Pending
- 2016-09-02 US US15/757,105 patent/US20180308473A1/en not_active Abandoned
- 2016-09-02 KR KR1020187009347A patent/KR20180108562A/ko unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020055188A1 (ko) | 2018-09-11 | 2020-03-19 | 주식회사 엘지화학 | 가교 폴리올레핀 분리막 및 이의 제조방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180308473A1 (en) | 2018-10-25 |
| WO2017041008A1 (en) | 2017-03-09 |
| EP3347812A1 (en) | 2018-07-18 |
| CN108369521A (zh) | 2018-08-03 |
| EP3347812A4 (en) | 2019-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20180108562A (ko) | 지능형 가상 어시스턴트 시스템들 및 관련 방법들 | |
| US10315118B2 (en) | Identifying an individual's abilities, skills and interests through gaming data analytics | |
| US20140024009A1 (en) | Systems and methods for providing a personalized educational platform | |
| US20140272847A1 (en) | Method and system for integrated reward system for education related applications | |
| US20200111043A1 (en) | System and method for providing personalized planning | |
| KR20140131291A (ko) | 학습 플랫폼 메커니즘을 구비한 컴퓨팅 시스템 및 그 작동 방법 | |
| KR20210064153A (ko) | 인지강화훈련 게임의 제공 방법 | |
| KR20200045863A (ko) | 하브루타 학습시스템 및 하브루타 학습플랫폼 | |
| Papa et al. | Artificial Intelligence, Human Agency and the Educational Leader | |
| de Paula et al. | A recommendation system to support the students performance in programming contests | |
| US20190385748A1 (en) | System and method for creating a digital virtual sponsor | |
| Perry | An analysis of game-based learning for the design of digital science games | |
| Kavanaugh | Gamification techniques and millennial generation philanthropy | |
| US20240012860A1 (en) | Systems, methods and computer readable media for special needs service provider matching and reviews | |
| Holmes | Communication of Health Messages: A Personalised Chatbot for Weight Loss Maintenance | |
| Dutton | Enabling people with dementia and mild cognitive impairment to maintain physically active lives: what role can technology play? | |
| Ibarra | The Connective Power of Reminiscence: Designing a Reminiscence-based Tool to Increase Social Interactions in Residential Care | |
| Heuvelman-Hutchinson | The effect different synchronous computer mediums have on distance education graduate students' sense of community and feelings of loneliness | |
| Hou | Coping with prospective memory failures: an effective reminder system design | |
| Sehapi | The impact of social media on teaching and learning in higher educational institutions in Lesotho. | |
| White et al. | Methodological Alternatives that Promote Public Engagement for Science Communication | |
| Wahlbrink et al. | Use of an iPhone to Enhance Interpersonal Daily Living Skills in the Community for Adolescents With Autism Spectrum Disorder | |
| Thiha | Web and SMS interfaces to create and share personal resilience testimonials for youth suicide prevention | |
| Nikitina | Understanding the interplay between technology and social ties in later life: How social ties promote use of technology and how technology can promote social relationships | |
| Costa | Use of social techniques in the PersonAAL Platform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| N231 | Notification of change of applicant |