CN116245092A - 信息处理装置、信息处理方法以及记录介质 - Google Patents

Abstract

本发明涉及信息处理装置、信息处理方法以及记录介质。信息处理装置具备处理部，该处理部构成为，基于关于多个问题的包含向多个用户出题完毕的问题的正误判定结果的出题历史记录信息，从所述多个用户中确定所述多个问题的熟习倾向与所述多个用户当中的某对象用户近似的近似用户，基于所述出题历史记录信息中的所述近似用户的预测对象问题的所述正误判定结果，来导出与所述多个问题当中的成为预测对象的所述预测对象问题对应的所述对象用户的预测正解率，执行基于所导出的所述预测正解率的确定处理。

Description

信息处理装置、信息处理方法以及记录介质

技术领域

本公开涉及信息处理装置、信息处理方法以及记录介质。

背景技术

过去，在能用在语言学等种种学科的学习中的终端装置中，能进行该学科所涉及的测验(问题的出题以及回答的正误判定)。在这样的测验中，通过出题与用户的学习水平相应的难易度的问题，能合适地判定用户的学习水平，或提高测验自身带来的学习效果。

作为出题与用户的学习水平相应的难易度的问题的方法之一，有对该用户预测未出题的问题的正解率的方法。例如在专利文献1中公开了如下技术：基于用户自身的多个问题的正误判定结果来分析关于出题完毕的问题中所含的多个概念的用户的理解度，基于该分析结果来预测未出题的问题的正解率。

现有技术文献

专利文献1：JP特表2020-521244号公报

但上述的现有技术由于将对于概念的理解度反映在其他问题的正解率作为前提，因此，在该前提不成立的情况下(例如单词测验那样并非将多个概念组合的问题的情况等)，不能运用。此外，即使上述的前提成立，也由于问题不一定仅由单纯的概念的组合构成，因此，正解率的预测精度不一定高。

如此地，由于若使用上述的现有技术，则能运用正解率的预测方法的问题受限，并且正解率的预测精度不一定高，因此，存在进行与用户的学习水平相应的合适的难易度的测验并不容易这样的课题。

发明内容

本发明的目的在于，提供能容易地出题与用户的学习水平相应的合适的难易度的问题的信息处理装置、信息处理方法以及记录介质。

本公开的信息处理装置具备处理部，该处理部基于关于多个问题的包含对多个用户出题完毕的问题的正误判定结果的出题历史记录信息，来从所述多个用户中确定所述多个问题的熟习倾向与所述多个用户当中某对象用户近似的近似用户，基于所述出题历史记录信息中的所述近似用户的所述预测对象问题的所述正误判定结果来导出与所述多个问题当中成为预测对象的预测对象问题对应的所述对象用户的预测正解率，执行基于所导出的所述预测正解率的确定处理。

根据本公开，能容易地进行与用户的学习水平相应的难易度的测验。

附图说明

图1是学习支援系统的概略结构图。

图2是表示服务器的功能结构的框图。

图3是表示用户管理DB的内容例的图。

图4是表示辞典DB的内容例的图。

图5是表示学习历史记录DB的内容例的图。

图6是表示终端装置的功能结构的框图。

图7是表示辞典画面的图。

图8是表示难易度指定画面的图。

图9是表示单词测验的难易度与所选择的单词的预测正解率的关系的图。

图10是表示测验画面的图。

图11是表示出题历史记录DB的内容例的图。

图12是表示预测正解率DB的内容例的图。

图13是表示预测正解率算出处理的控制步骤的流程图。

图14是表示测验处理的控制步骤的流程图。

图15是表示变形例1中的特征向量的示例的图。

图16是表示变形例2所涉及的出题历史记录DB的内容例的图。

图17是表示变形例2所涉及的学习历史记录DB的内容例的图。

图18是表示变形例2所涉及的预测正解率算出处理的控制步骤的流程图。

图19是表示变形例2所涉及的难易度指定画面的示例的图。

具体实施方式

以下基于附图来说明本发明的实施方式。

＜学习支援系统的结构>

图1是本实施方式的学习支援系统1的概略结构图。

学习支援系统1(信息处理系统)具备：服务器10(信息处理装置)；和经由通信网络N与服务器10能信息通信地连接的多个终端装置20。通信网络N例如是因特网，但并不限于此，也可以是LAN(Local Area Network，局域网)等其他网络。服务器10与终端装置20之间的通信路径当中的至少一部分可以是基于无线的通信路径。

学习支援系统1对使用终端装置20的用户提供支援语言学的学习的学习支援服务。终端装置20例如是智能手机，但并不限于此，也可以是平板型终端、笔记本型的PC(个人计算机)或静置型的PC等。

在终端装置20安装学习用的应用程序(以下记作“学习应用231(参考图6)”)，终端装置20通过执行该学习应用231，来与服务器10协作地对用户提供语言学的学习所涉及的种种服务。例如，终端装置20若在学习应用231的执行中从用户输入单词(辞典的词条、辞典的项目)的检索指示，就从服务器10取得包含该单词的意义、例句等的项目信息，并进行显示。此外，终端装置20能在学习应用231的执行中执行测试单词的熟习度的单词测验。单词测验例如是对单词的拼写(表记)回答翻译的问题、或对单词的翻译回答拼写的问题。在执行测验的情况下，终端装置20从服务器10取得出题的单词的列表以及各单词的表记以及翻译的数据，对用户出题问题，若从用户输入了问题的回答，就进行该回答的正误判定，并将结果提示给用户。

上述是学习支援系统1所提供的服务的一例，并不限于此。

学习支援系统1对分别使用多个终端装置20的多个用户提供学习支援服务。服务器10管理各用户的学习支援服务的利用状况所涉及的信息，将与该信息相应的合适的服务提供给用户。例如，在分析对多个用户的单词测验的出题状况并对某用户实施单词测验的情况下，基于上述的分析结果来出题与用户的学习水平相应的合适的难易度的问题。关于决定出题的问题的方法，之后详述。

<服务器的结构>

图2是表示服务器10的功能结构的框图。

服务器10具备CPU11(Central Processing Unit，中央处理器)、RAM12(RandomAccess Memory，随机存取存储器)、存储部13、操作部14、显示部15、通信部16和总线17等。服务器10的各部经由总线17连接。

CPU11是通过将存储于存储部13的服务器控制程序131(程序)读出并执行、进行各种运算处理来控制服务器10的动作的处理器(处理部)。另外，服务器10可以具有多个处理器(例如多个CPU)，也可以由该多个处理器执行本实施方式的CPU11所执行的多个处理。在该情况下，由多个处理器构成处理部。在该情况下，可以多个处理器参与共通的处理，或者多个处理器独立地并列执行不同的处理。

存储部13是能由作为计算机的CPU11读取的非临时性记录介质，存储服务器控制程序131以及各种数据。存储部13例如包含HDD(Hard Disk Drive，硬盘驱动器)、SSD(SolidState Drive，固态硬盘)等非易失性存储器。服务器控制程序131以计算机可读的程序代码的形态存放于存储部13。作为存储于存储部13的数据，有用户管理DB(数据库)132(特征信息)、辞典DB133、学习历史记录DB134、出题历史记录DB135(出题历史记录信息)以及预测正解率DB136等。

图3是表示用户管理DB132的内容例的图。

在用户管理DB132中存放利用学习支援服务的多个用户所涉及的数据。用户管理DB132包含各用户的属性以及特性的至少一方所涉及的特征信息。用户管理DB132的1个数据行(记录)与1位用户对应。在图3所示的示例中，用户管理DB132具有“用户ID”、“学年”以及“志愿校”的数据列(column)。

“用户ID”是附在各用户的固有的符号。

“学年”是用户的学年。在用户不是学生或学员的情况下，登记“一般”的数据。

“志愿校”是由用户预先输入的志愿校。

另外，在用户管理DB132中还包含用户的属性(性别、年龄等)、特性(学习时间、学习时间带、擅长的单词的分类等)所涉及的数据列。

图4是表示辞典DB133的内容例的图。

辞典DB133的1个数据行(记录)与英日辞典的1个单词(项目)对应。辞典DB133的1个数据行中所含的信息相当于1个项目所涉及的“项目信息”。辞典DB133具有“单词ID”、“单词”以及“翻译”的数据列(column)。

“单词ID”是附在该数据行的单词的固有的符号。

“单词”是单词的表记(拼写)。

“翻译”是单词的日语翻译。

另外，在辞典DB133中可以还存放英日辞典以外的辞典(英英辞典等)所涉及的数据。

图5是表示学习历史记录DB134的内容例的图。

在学习历史记录DB134中存放学习支援服务中的各用户的学习历史记录所涉及的数据。学习历史记录DB134具有按每个用户生成的数据块。各数据块中的1个数据行(记录)与该用户检索到的单词、或对该用户作为单词测验而出题的单词对应。此外，各数据块具有“用户ID”、“单词ID”、“检索日”、“出题日”以及“正误判定结果”的数据列(column)。

“用户ID”是与图3的用户管理DB132中的用户ID共通的符号。

“单词ID”是与该数据行对应的单词的单词ID，是与图4的辞典DB133中的单词ID共通的符号。

“检索日”是表征最后检索该数据行的单词的时间点的日期。另外，可以除了日期以外还登记时刻的信息。

“出题日”是表征该数据行的单词在单词测验中最后出题的时间点的日期。另外，可以除了日期以外还登记时刻的信息。

“正误判定结果”是单词测验中的用户的回答的正误的判定结果，“1”表征正确回答，“0”表征错误回答。

例如，在图5所示的学习历史记录DB134中登记了：用户ID“U00000”的用户对于单词ID“W0012”的单词在“2021年8月12日”的单词测验进行了回答且回答正确，在之后的“2021年8月15日”进行检索。

关于出题历史记录DB135以及预测正解率DB136的内容例，之后叙述。

图2所示的操作部14具有鼠标等指向设备以及键盘等，接受用户的位置输入以及键输入等，并将该操作信息输出到CPU11。

显示部15具备液晶显示器等显示装置，按照来自CPU11的显示控制信号在显示装置中进行各种显示。

通信部16由网卡等构成，在与通信网络N上的终端装置20之间按照给定的通信标准进行数据的收发。

<终端装置20的结构>

图6是表示终端装置20的功能结构的框图。

终端装置20具备CPU21、RAM22、存储部23、操作部24、显示部25、声音输出部26、通信部27和总线28等。终端装置20的各部经由总线28而连接。

CPU21是通过将存储于存储部23的学习应用231等程序读出并执行、进行各种运算处理来控制终端装置20的动作的处理器(处理部)。另外，终端装置20可以具有多个处理器(例如多个CPU)，由该多个处理器执行本实施方式的CPU21所执行的多个处理。在该情况下，由多个处理器构成处理部。在该情况下，可以是多个处理器参与共通的处理，或者，也可以是多个处理器独立地并列执行不同的处理。

存储部23是能由作为计算机的CPU21读取的非临时性记录介质，存储学习应用231等程序以及各种数据。存储部23例如包含闪速存储器等非易失性存储器。程序以计算机可读的程序代码的形态存放于存储部23。

操作部24具有与显示部25的显示画面重叠设置的触控面板以及物理按钮等，接受用户对触控面板的触摸操作以及对物理按钮的按下操作等，并将该操作信息输出到CPU21。

显示部25具备液晶显示器等显示装置，按照来自CPU21的显示控制信号来在显示装置进行各种显示。

声音输出部26具有扬声器，按照来自CPU21的声音输出控制信号，来输出单词的发声、测验的问题句等声音。此外，声音输出部26通过对有线连接或无线连接的外部的声音输出装置(例如入耳式耳机或头戴式耳机等)输出声音信号，来从该声音输出装置输出声音。

通信部27由包含天线的通信模块等构成，在与通信网络N上的服务器10之间按照给定的通信标准进行数据的收发。

<学习支援系统的动作>

接下来，说明学习支援系统1的动作。以下所示的动作中的动作主体是服务器10的CPU11以及终端装置20的CPU21，但以下为了方便，有时将服务器10以及终端装置20记载作为动作主体。

接受学习支援系统1的学习支援服务的用户在终端装置20中执行学习应用231，登录到学习支援系统1。向学习支援系统1的登录例如通过将例如由用户输入并从终端装置20发送到服务器10的用户ID以及密码和预先登记于服务器10的用户ID以及密码进行比对的认证处理来进行。登录到学习支援系统1的用户能在学习应用231上执行学习支援服务的各种功能。

(单词检索)

学习支援系统1的学习支援服务的基本功能之一是英日辞典中的单词的检索。用户通过在学习应用231上进行给定的操作，能使用于进行英日辞典中的单词检索的辞典画面40显示于显示部25。

图7是表示辞典画面40的图。

在辞典画面40中显示：用于指定进行检索的单词的搜索框41；显示检索到的单词的项目信息的项目信息显示区域42；用于使单词的声音重放的声音重放按钮43；和用于使单词检索结束的辞典画面结束按钮44等。若在搜索框41中输入了希望检索的单词的拼写的状态下执行检索，终端装置20就对服务器10请求该单词的项目信息。服务器10对应于该请求从辞典DB133取得所指定的单词的项目信息，并发送到终端装置20。终端装置20使取得的项目信息显示于项目信息显示区域42。此外，服务器10在学习历史记录DB134当中与进行过检索的用户对应的数据块中，登记进行单词的检索的检索日。由此，记录用户的单词的检索历史记录。

(测验)

在学习支援系统1的学习支援服务中，能进行上述的单词测验。以下举出对单词的拼写(表记)回答翻译的单词测验为例来进行说明。在本实施方式的单词测验中，从在辞典DB133中作为项目包含的单词当中的、用户过去未执行检索且在过去的单词测验中一次都未出题的单词(未出题问题)中选择出题的单词(以下记作“出题单词”)。

用户若在学习应用231上进行单词测验的执行指示，则首先将用于指定单词测验的难易度(水平)的难易度指定画面50显示于显示部25。

图8是表示难易度指定画面50的图。

在难易度指定画面50显示：用于指定单词测验的难易度的难易度指定按钮51；和用于使单词测验开始的测验开始按钮52等。在本实施方式中，能通过难易度指定按钮51指定从难易度最低的“水平1”到难易度最高的“水平5”为止5阶段的难易度的任一者。

若在通过难易度指定按钮51指定了任一者难易度的状态下进行选择测验开始按钮52的操作，终端装置20就对服务器10请求成为所指定的难易度的出题单词的列表(以下记作“出题单词列表”)。服务器10对应于该请求，从辞典DB133取得对用户而言成为所指定的难易度这样的出题单词，并生成出题单词列表。在服务器10的存储部13的预测正解率DB136中，关于对该用户在过去的单词测验中一次都未出题的单词，登记该用户的预测正解率的信息。服务器10基于该预测正解率来提取所指定的难易度的出题单词。具体地，如图9所示那样，在所指定的难易度为“水平5”的情况下，从预测正解率0.0以上不足0.2的单词中选择出题单词，在所指定的难易度为“水平4”的情况下，从预测正解率0.2以上不足0.4的单词中选择出题单词，在所指定的难易度为“水平3”的情况下，从预测正解率0.4以上不足0.6的单词中选择出题单词，在所指定的难易度为“水平2”的情况下，从预测正解率0.6以上不足0.8的单词中选择出题单词，在所指定的难易度为“水平1”的情况下，从预测正解率0.8以上1.0以下的单词中选择出题单词。

进入到出题单词列表的单词的数量、即在1次单词测验中出题的单词的数量通过设定预先确定，在本实施方式中是10个。服务器10选择10个与所指定的难易度对应的预测正解率的单词来作成出题单词列表，并发送到终端装置20。终端装置20若取得出题单词列表，就使显示部25的显示画面过渡到用于进行单词测验的测验画面60。

图10是表示测验画面60的图。

在测验画面60显示出题单词61、用于输入作为回答的翻译的文本框62、和回答按钮63等。出题单词61是出题单词列表中所含的1个单词。用户通过在文本框62输入出题单词61的翻译并进行选择回答按钮63的操作，能针对问题进行回答。若对1个出题单词61的回答完成，就显示出题单词列表中所含的下一出题单词61，能继续进行回答。若对全部(在本实施方式中，10个)出题单词61的回答完成，就将全部出题单词61的正误判定结果显示在显示部25。或者，也可以每当进行对1个出题单词61的回答，就显示该出题单词61的正误判定结果。

此外，服务器10将进入出题单词列表的单词作为出题完毕的单词记录到学习历史记录DB134中。即，在学习历史记录DB134当中的与进行过单词测验的用户对应的数据块中追加进入出题单词的列表的单词的数据行，登记出题日。此外，登记各出题单词的正误判定结果。由此，记录对用户的单词的出题历史记录以及正误判定结果的历史记录。

(预测正解率的算出方法)

接下来，说明上述的预测正解率的算出方法。

服务器10以给定的频度(例如1月1次程度)执行关于全部用户(多个用户)的、算出在单词测验中未出题的单词的预测正解率的预测正解率算出处理。在本实施方式中，未出题的单词(未出题问题)相当于算出预测正解率的对象即“预测对象问题”。

在预测正解率算出处理中，首先，收集关于登记于辞典DB133的全部的单词(换言之，单词测验的全部问题(多个问题))的、对各用户的出题历史记录的有无以及包含出题完毕的单词的正误判定结果的出题历史记录的数据，登记到出题历史记录DB135。出题完毕的单词的正误判定结果将最近的给定期间内(例如过去3个月以内)进行的测验中的正误判定结果进行总计。在上述给定期间进行多次出题的情况下，使用最后出题时的正误判定结果。

图11是表示出题历史记录DB135的内容例的图。

出题历史记录DB135的1个数据行(记录)与1位用户对应。在出题历史记录DB135中具有与全部用户(这里设为用户ID：U00000～U29999的3万人)对应的数量的数据行。

此外，出题历史记录DB135的1个数据列(column}与1个单词对应。出题历史记录DB135具有与登记于辞典DB133的全部的单词(这里单词ID：W0000～W2999的3000词)对应的数的数据列。

与各数据行中的各单词对应的数据是“0”、“1”或“null(无数据)”的任一者。

“0”表征对与该数据行对应的用户在最近的给定期间内该单词出题完毕1次以上且最后出题时的正误判定结果为“错误回答”。

“1”表征对与该数据行对应的用户在最近的给定期间内该单词出题完毕1次以上且最后出题时的正误判定结果为“正确回答”。

“null”表征对与该数据行对应的用户在过去一次都未出题该单词。

如此地，出题历史记录DB135包含关于全部的单词的针对全部用户的出题状况(出题历史记录的有无)以及正误判定结果的信息。

接下来，基于出题历史记录DB135的出题状况以及正误判定结果，来对各用户确定其他全部用户当中的单词的熟习倾向近似的近似用户。在此使用协调过滤的手法。

具体地，首先，对于确定近似用户的对象即1位对象用户和其他全部用户各自(以下记作“比较用户”)分别确定特征向量。特征向量设为在要素中包含出题历史记录DB135的数据行中的全单词数的数据(图11中3000个数据)当中、对对象用户以及比较用户双方出题完毕的单词(即，在对象用户以及比较用户的数据行中值成为“0”或“1”的单词)的数据的向量(这里是包含该要素的向量)。

例如，以全单词数为10个、关于这些单词的与对象用户以及某比较用户对应的数据成为以下那样的情况举例来进行说明(“-”表征“null”)。

对象用户：01--01110-

比较用户：101--01-1-

在该情况下，将对对象用户以及比较用户均出题完毕的第1、2、6、7、9个单词的数据作为特征向量的要素，与对象用户对应的特征向量a以及与比较用户对应的特征向量b如以下那样确定。

特征向量a＝(0，1，1，1，0)

特征向量b＝(1，0，0，1，1)

接着，通过以下的式算出关于对象用户以及比较用户的特征向量的余弦相似度。

【数学式1】

余弦相似度越接近于“1”，表征对象用户以及比较用户的特征(这里是单词的熟习倾向)越类似。对于某对象用户，在与剩余的全部比较用户之间算出该余弦相似度。图11的数据群D1表征将用户ID“U00000”的用户设为对象用户时的与其他全部比较用户的余弦相似度的算出结果。

另外，根据至少一方用户成为“null”的单词的数量，会有特征向量的维数变少、从而无法以所期望的精度进行利用了余弦相似度的熟习倾向的比较的情况，因此，可以将特征向量的维数不足给定数的用户从近似用户的提取对象除外。

基于所算出的数据群D1的余弦相似度来算出与对象用户单词的熟习倾向近似的近似用户。

例如，可以将多个用户当中的余弦相似度为基准值以上(例如0.5以上)的比较用户确定为对象用户的近似用户。

或者，可以将多个用户当中的按余弦相似度从大到小的顺序选出的给定的基准数(例如“前10名”等)的比较用户确定为对象用户的近似用户。

或者，也可以将多个用户当中的按余弦相似度从大到小的顺序选出的给定的基准比例(例如“前5％”等)的比较用户确定为对象用户的近似用户。

在图11的示例中，将按余弦相似度从大到小的顺序选出的3位比较用户设为近似用户，作为近似用户，确定用户ID为“U00001”～“U00003”的3名用户(将其余弦相似度在区域A示出)。

接下来，关于对对象用户未出题的单词(图11中的着色部、即单词ID为“W0002”～“W0004”的3个单词)，基于近似用户的正误判定状况的数据(图11中的区域B)来算出(导出)对象用户的预测正解率(图11中的区域C)。具体地，关于未出题的各单词，算出所确定的多个近似用户的平均正解率，设为对象用户的预测正解率。例如，关于图11中的单词ID为“W0002”的单词，由于3位近似用户的正误判定结果全都为“1”(正确回答)，因此，预测正解率算出为“1”。此外，关于单词ID为“W0003”的单词，由于3位近似用户当中的1人为“1”(正确回答)、2人为“0”(错误回答)，因此，预测正解率算出为“0.33”。此外，关于单词ID为“W0003”的单词，由于3位近似用户当中的1人为“1”(正确回答)、1人为“0”(错误回答)、1人为“null”(未出题)，因此，预测正解率算出为“0.50”。

如此地，生成关于对对象用户为未出题的全部的单词的预测正解率的数据群D2。

另外，在本实施方式中，由于即使是对对象用户为未出题的单词，对象用户检索完毕的单词也不会成为出题对象，因此，关于检索完毕的单词的预测正解率设为“null”。因而，在本实施方式中，未出题的单词当中的不是检索完毕的单词相当于“预测对象问题”。但并不限于此，也可以关于未出题的单词，不管有无检索历史记录都设为出题对象。在该情况下，关于有检索历史记录的单词，对于未出题的单词，也设为“预测对象问题”，算出预测正解率并登记于数据群D2。

预测正解率的导出过程中生成的数据群D1以及数据群D2可以含在出题历史记录DB135中，也可以存储于存储部13当中的出题历史记录DB135以外的存储区域。

以后将剩余的各用户作为对象用户，通过与上述同样的方法进行近似用户的确定以及预测正解率的导出。将关于各用户的预测正解率的数据群D2登记到预测正解率DB136。

图12是表示预测正解率DB136的内容例的图。

预测正解率DB136的1个数据行与1位用户对应，在与多个单词对应的各数据列(column)中登记该用户的对该单词的预测正解率(图11的数据群D2的值)。此外，关于对与数据行对应的用户出题完毕的单词以及检索完毕的单词，设为“null”。预测正解率DB136的预测正解率如上述那样，用在选择与所指定的难易度相应的预测正解率的单词的处理中。

(预测正解率算出处理的控制步骤)

接下来，说明用于算出预测正解率的预测正解率算出处理的控制步骤。

图13是表示预测正解率算出处理的控制步骤的流程图。

如上述那样，预测正解率算出处理以1月1次等给定的频度执行。

若开始预测正解率算出处理，服务器10的CPU11就取得全部用户的单词测验的结果数据(步骤S101)。在此，CPU11从学习历史记录DB134的各用户的数据块取得出题完毕的单词以及关于该单词的正误判定结果，将其内容登记到出题历史记录DB135中。

CPU11对表征用户的序数的变量N代入0(步骤S102)。以下将第N个用户(在本实施方式中，N从0到29999)记作“用户N”。

CPU11判别变量N是否不足全用户数(步骤S103)。在判别为变量N不足全用户数的情况下(步骤S103中“是”)，CPU11算出用户N(对象用户)与其他各用户(比较用户)的余弦相似度，生成图11所示的数据群D1(步骤S104)。

CPU11按余弦相似度从大到小的顺序提取给定的基准数的用户，确定为用户N的近似用户(步骤S105)。另外，基于余弦相似度的近似用户的确定方法如上述那样，并不限于此。

CPU11在表征单词的序数的变量M中代入0(步骤S106)。以下，将第M个单词(在本实施方式中，M从0到2999)记作“单词M”。

CPU11判别变量M是否不足全单词数(步骤S107)。在判别为变量M不足全单词数的情况下(步骤S107中“是”)，CPU11对单词M判别是否是用户N检索完毕(步骤S108)。在此，在学习历史记录DB134中的用户N的数据块中，在单词M的数据行中登记有检索日的情况下，CPU11将单词M判别为用户N检索完毕。

在将单词M判别为不是用户N检索完毕的情况下(步骤S108中“否”)，CPU11判别单词M是否对用户出题完毕(步骤S109)。在此，在学习历史记录DB134中的用户N的数据块，在单词M的数据行中登记有出题日的情况下，CPU11判别为单词M对用户N出题完毕。

在判别为单词M对用户N未出题的情况下(步骤S109中“否”)，CPU11算出关于单词M的近似用户的平均正解率，作为单词M的预测正解率(步骤S110)。

另一方面，在步骤S108，在将单词M判别为用户检索完毕的情况下(步骤S108中“是”)，或者，在步骤S109，在判别为单词M对用户出题完毕的情况下(步骤S109中“是”)，CPU11将关于单词M的预测正解率设为“null”(步骤S111)。

另外，在未出题的单词当中的检索完毕的单词也作为出题对象的情况下，省略步骤S108的判别步骤。

若步骤S110或步骤S110结束，CPU11就在预测正解率DB136中登记预测正解率的算出结果(步骤S112)。

CPU11将变量M递增(步骤S113)，将处理回到步骤S107。在步骤S107，在判别为变量M达到全单词数的情况下(步骤S107中“否”)，CPU11将变量N递增(步骤S114)，将处理回到步骤S103。在步骤S103中，在判别为变量N达到全用户数的情况下(步骤S103中“否”)，CPU11使预测正解率算出处理结束。

(测验处理的控制步骤)

接下来，说明用于进行单词测验的测验处理的控制步骤。

图14是表示测验处理的控制步骤的流程图。

在图14中，并记终端装置20的CPU21所执行的测验处理以及服务器10的CPU11所执行的测验处理。

若开始测验处理，终端装置20的CPU21就使难易度指定画面50显示于显示部25(步骤S201)。

CPU21判别是否进行了指定难易度的操作(在图8中的选择了难易度指定按钮51的状态下选择测验开始按钮52的操作)(步骤S202)，在判别为未进行该操作的情况下(步骤S202中“否”)，再度执行步骤S202。在判别为进行了指定难易度的操作的情况下(步骤S202中“是”)，CPU21对服务器请求所指定的难易度的出题单词列表(步骤S203)。在此，CPU21对服务器10发送出题单词列表的请求信号。

服务器10的CPU11若接收到出题单词列表的请求信号，就参考预测正解率DB136当中的与执行测验中的用户(对象用户)对应的数据行，提取与所指定的难易度对应的预测正解率(参考图9)的单词(步骤S301)。此外，CPU11，将给定数(本实施方式中10个)的所提取的单词包含在内，生成包含各单词的表记以及翻译的数据的出题单词列表的数据，并发送到终端装置20(步骤S302)。

终端装置20的CPU21若接收到出题单词列表的请求信号，就使测验画面60显示于显示部25，开始单词测验(步骤S204)。在此，CPU21使出题单词列表中所含的单词之一显示于测验画面60，在文本框62接受用户所进行的翻译的回答的输入，若在输入了翻译的状态下选择回答按钮63，就与出题单词列表的翻译的数据进行相比，来进行正误判定。以后对出题单词列表中所含的全部的单词执行该处理。若对全部的单词进行了来自用户的回答，CPU21就使关于全部的单词的正误判定结果显示于显示部25。

CPU21判别单词测验是否结束(是否进行了上述的正误判定结果的显示)(步骤S205)。CPU21在判别为单词测验未结束的情况下(步骤S205中“否”)，再度执行步骤S205，在判别为单词测验结束的情况下(步骤S205中“是”)，使测验处理结束。

另一方面，服务器10的CPU11对于步骤S302中发送的出题单词列表中所含的单词，在学习历史记录DB134中登记出题日(步骤S303)。由此，记录对用户的该单词的出题历史记录。此外，在预测正解率DB136当中的与执行测验中的用户对应的数据行中，将与出题的单词对应的数据变更为“null”(步骤S304)。由此，在下次以后的测验中，不将出题完毕的单词作为出题单词提取。

若步骤S304结束，CPU11就使测验处理结束。

<变形例1>

接下来，说明上述实施方式的变形例1。本变形例在近似用户的确定方法上与上述实施方式不同，其他点与上述实施方式同样。以下说明与上述实施方式的相异点。

在上述实施方式中，作为余弦相似度的算出中所用的用户的特征向量，使用出题历史记录DB135(出题历史记录信息)中的出题完毕的单词的正误判定结果。与此相对，在本变形例中，基于出题历史记录DB135的正误判定结果、和用户管理DB132中所含的各用户的属性以及特性的至少一方所涉及的特征信息，来确定近似用户。

图15是表示变形例1中的特征向量的示例的图。

在图15中，在与用户对应的数据行中，除了出题历史记录DB135的内容以外，还追加了用户管理DB132中的学年以及志愿校的数据列。具体地，追加了与关于“学年”的“高中1年级”、“高中2年级”…这样的区分以及关于“志愿校”的“A大学”、“B大学”…这样的区分对应的数据列。并且，将各用户所符合的区分的数据列设为“1”，将不符合的区分的数据列设为“null”。在本变形例中，使用包含出题历史记录DB135以及用户管理DB132的数据作为要素的特征向量a。关于相当于“学年”、“志愿校”的区分的要素，仅将对象用户以及比较用户均成为“1”的区分编入到特征向量的要素，关于对象用户以及比较用户等知识一方成为“null”的区分，不编入到特征向量的要素中。根据该方法，关于“学年”、“志愿校”的区分与对象用户一致的比较用户、即属性、特性与对象用户共通的比较用户，余弦相似度变大，易于确定为近似用户。

另外，对于用户的特征信息，还能在不编入特征向量的要素地用在近似用户的确定中。

例如，也可以在通过仅将出题历史记录DB135的正误判定结果作为要素的特征向量算出余弦相似度的基础上，进行对应于对象用户以及比较用户的特征信息的一致率的高低使余弦相似度增大的补正。

此外，将特征信息的一致率为给定值以下的用户从近似用户的提取对象除外。

<变形例2>

接下来，说明上述实施方式的变形例2。

在上述实施方式中，从对对象用户为未出题的单词中对应于预测正解率来决定出题的问题。但关于即使是已经出题完毕的单词但却是对象用户错误回答的单词，有时再度出题也有意义、益处。这是因为，通过再度出题，能确认学习效果，或实现学习的巩固。

为此，在本变形例中，除了关于未出题的单词(未出题问题)以外，还关于对对象用户过去出题完毕且对象用户错误回答的单词(错误回答问题)，设为“预测对象问题”并算出预测正解率。然后，从包含未出题问题以及错误回答问题的预测对象问题中，对应于预测正解率来决定对对象用户出题的问题。此外，在本变形例中，即使是由对象用户过去检索过的单词，也设为出题对象。这是因为，错误回答问题的单词在出题后为了学习而被检索的情况较多。但并不限于此，在本变形例中，也可以将过去检索完毕的单词从出题对象排除。

其他点与上述实施方式同样。以下说明与上述实施方式的相异点。变形例2可以与变形例1组合。

图16是表示变形例2所涉及的出题历史记录DB135的内容例的图。

在本变形例中，对象用户也是用户ID为“U00000”的用户。此外，该对象用户的近似用户与上述实施方式同样地设为用户ID为“U00001”～“U00003”的3名用户(将该余弦相似度在区域A中示出)。关于对对象用户未出题的单词(图16中单词ID为“W0002”、“W2995”的单词)，通过与上述实施方式同样的方法算出预测正解率。

在本变形例中，进而，关于对对象用户过去出题过且对象用户错误回答的单词(即，正误判定结果成为“0”的单词；图16中是单词ID为“W2996”、“W2998”的单词)，也算出预测正解率。关于错误回答问题，也基于近似用户的正误判定状况的数据(图16中的区域B)，来算出(导出)对象用户的预测正解率(图16中的区域C)。即，将近似用户的平均正解率设为对象用户的预测正解率。具体地，关于单词ID为“W2996”的单词，由于3位近似用户当中的1人为“1”(正确回答)、2人为“0”(错误回答)，因此，预测正解率算出为“0.33”。此外，关于单词ID为“W2998”的单词，由于3位近似用户当中的1人为“1”(正确回答)，1人为“0”(错误回答)，1人为“null”(未出题)，因此，预测正解率算出为“0.50”。

另外，在导出关于错误回答问题的预测正解率的情况下，也可以取代仅近似用户的平均正解率，将近似用户以及对象用户的平均正解率设为预测正解率。在该情况下，在图16中，关于单词ID为“W2996”的单词，由于3位近似用户加上对象用户的4人当中的1人为“1”(正确回答)、3人为“0”(错误回答)，因此，预测正解率算出为“0.25”。此外，关于单词ID为“W2998”的单词，由于上述4人当中的1人为“1”(正确回答)、2人为“0”(错误回答)、1人为“null”(未出题)，因此，预测正解率算出为“0.33”。

在本变形例中，也对全部用户算出预测对象问题(未出题问题以及错误回答问题)的预测正解率。此外，在本变形例中，将对各用户算出的预测正解率登记在学习历史记录DB134。

图17是表示变形例2所涉及的学习历史记录DB134的内容例的图。

在图17所示的学习历史记录DB134中，在每个用户的数据块中包含与全部的单词对应的数据行(记录)。此外，各数据块具有“预测正解率”的数据列(column)，在该数据列中登记所算出的预测正解率。通过参考图17的学习历史记录DB134，能区别地取得关于未出题问题的预测正解率和关于错误回答问题的预测正解率。详细地，“出题日”以及“正误判定结果”的数据列成为“null(无数据)”的数据行中的预测正解率，能判别为是关于未出题问题的预测正解率。此外，“正误判定结果”成为“0(错误回答)”的数据行中的预测正解率，能判别为是关于错误回答问题的预测正解率。另外，关于“正误判定结果”成为“1(正确回答)”的单词，不算出预测正解率。

另外，也可以与上述实施方式同样地，取代学习历史记录DB134，而在预测正解率DB136中登记预测正解率。在该情况下，例如，也可以在仅登记关于各用户的未出题问题的预测正解率的第1数据库(与图12所示的预测正解率DB136相同的数据库)之外，另行生成仅登记关于各用户的错误回答问题的预测正解率的第2数据库。由此，能将关于未出题问题的预测正解率和关于错误回答问题的预测正解率以能区别的状态进行登记。

接下来，说明变形例2所涉及的预测正解率算出处理。

图18是表示变形例2所涉及的预测正解率算出处理的控制步骤的流程图。

图18相当于从图13所示的预测正解率算出处理的流程图删除步骤S108，追加步骤S115，将步骤S112变更为步骤S112a。

图18的步骤S101～S107与图13的步骤S101～S107相同。在步骤S107，在判别为变量M不足全单词数的情况下(步骤S107中“是”)，CPU11判别单词M是否对用户出题完毕(步骤S109)。在判别为单词M对用户出题完毕的情况下(步骤S109中“是”)，CPU11参考出题历史记录DB135来判别用户N是否对单词M的问题进行了正确回答(步骤S115)。在判别为用户N对单词M的问题进行了正确回答的情况下(步骤S115中“是”)，CPU11判别为单词M不是预测对象问题，将关于单词M的预测正解率设为“null”(步骤S111)。

在判别为用户N对单词M的问题进行了错误回答的情况下(步骤S115中“否”)，或者在步骤S109，在判别为单词M对用户为未出题的情况下(步骤S109中“否”)，CPU11判别为单词M是预测对象问题，作为单词M的预测正解率，算出关于单词M的近似用户的平均正解率(步骤S110)。

若步骤S110或步骤S110结束，CPU11就在学习历史记录DB134中登记预测正解率的算出结果(步骤S112a)。另外，也可以如上述那样，在预测正解率DB136中登记预测正解率的算出结果。

以后的处理与图13的流程图同样。

本变形例中的测验处理的流程图与图14所示的上述实施方式的测验处理的流程图基本相同。

但也可以在图14的步骤S201中显示的难易度指定画面50中，接受未出题问题以及错误回答问题的出题的比例的指定。

图19是表示变形例2所涉及的难易度指定画面50的示例的图。

图19所示的难易度指定画面50相当于在图8所示的难易度指定画面50中追加了用于指定未出题问题以及错误回答问题各自的出题的比例(百分比)的文本框53。通过在文本框53输入了从“0”到“100”的任一者数值的状态下选择测验开始按钮52，来出题多个问题，以使得未出题问题以及错误回答问题的出题数分别成为所指定的比例。也可以若在未出题问题以及错误回答问题当中一方的文本框53输入数值，就在另一方的文本框53自动输入数值，以使得2个文本框53中的数值的合计成为“100”。

另外，也可以在难易度指定画面50中分开地设置未出题问题用的难易度指定按钮51和错误回答问题用的难易度指定按钮51，CPU11分别接受未出题问题的第1难易度以及错误回答问题的第2难易度的指定。在该情况下，CPU11基于未出题问题以及错误回答问题的预测正解率，来将与所指定的第1难易度对应的未出题问题以及与所指定的第2难易度对应的错误回答问题决定为对对象用户出题的问题。

在本变形例中，使用将未出题问题以及错误回答问题均设为出题对象的示例进行了说明，但并不限于此，也可以仅将错误回答问题设为出题对象。在该情况下，也可以仅将错误回答问题设为预测对象问题，仅就错误回答问题算出预测正解率。

<效果>

如以上那样，作为本实施方式所涉及的信息处理装置的服务器10具有作为处理部的CPU11。CPU11基于关于多个问题的、对多个用户的出题历史记录的有无以及包含出题完毕的问题的正误判定结果的出题历史记录DB135(出题历史记录信息)，来从多个用户中确定多个问题的熟习倾向与多个用户当中的某对象用户近似的近似用户，基于近似用户的预测对象问题的正误判定结果，来导出与多个问题当中、对对象用户为未出题的未出题问题以及对象用户过去错误回答的错误回答问题的至少一方预测对象问题对应的该对象用户的预测正解率，基于所导出的预测正解率，来决定多个问题当中的对对象用户出题的问题。

如此地，根据利用近似用户的正误判定结果的方法，与从对象用户自身的概念的理解度等解析结果导出预测正解率的现有技术相比，能简易且高精度地导出关于预测对象问题(未出题问题及/或错误回答问题)的对象用户的预测正解率。因而，能基于所导出的预测正解率来容易地出题与用户的学习水平相应的合适的难易度的问题。例如，若是单词测验，能预测用户未记住的单词进行出题，能进行有效率的学力提升。此外，由于通过出题预测正解率低的问题来进行学习，能练习并习得学习水平接近的近似用户弄错的问题，因此能相对于成为竞争对手的用户确保优势。

此外，近似用户由于是为了反映该时间点的对象用户的学力而选择的，因此，关于对象用户过去错误回答的错误回答问题，能导出反映了对象用户的学力的提升的该时间点的预测正解率。因而，能对应于预测正解率在合适的定时再度出题错误回答问题，能对错误回答问题进行有效果的学习。

此外，由于在确定近似用户的基础上，基于近似用户的正误判定结果导出对象用户的预测正解率，因此，并不需要为了预测正解率的导出而分析问题的内容。因而，上述方法能适用于任意的种类的问题。

此外，CPU11确定多个近似用户，将多个近似用户的预测对象问题的平均正解率设为预测正解率。由此，能提高预测正解率的精度。

此外，CPU11通过基于在要素中包含对象用户的多个问题的正误判定结果的特征向量和在要素中包含其他各用户的多个问题的正误判定结果的向量而导出的余弦相似度，来确定近似用户。由此，能通过使用各用户的多个问题的正误判定结果的简易的方法来确定近似用户。

此外，CPU11将多个用户当中的余弦相似度为基准值以上的用户确定为近似用户。由此，能确定与对象用户的熟习倾向的类似度为一定水准以～上的近似用户。

此外，CPU11将多个用户当中的按照余弦相似度从大到小的顺序选出的基准数或基准比例的用户确定为近似用户。由此，能确定与对象用户的熟习倾向的类似度大的一定数量的近似用户。

此外，CPU11基于出题历史记录DB135和包含多个用户的属性以及特性的至少一方的用户管理DB132(特征信息)，来确定近似用户。由此，能更合适地确定近似用户，能进一步提高对象用户的预测正解率的精度。

此外，CPU11接受对对象用户出题的问题的难易度的指定，基于多个预测对象问题的预测正解率，来将与所指定的难易度对应的预测正解率的问题决定为对对象用户出题的问题。由此，能出题与用户的学习水平以及所指定的难易度相应的合适的难易度的问题。

此外，在变形例2中，CPU11也可以在导出关于错误回答问题的预测正解率的情况下，将近似用户以及对象用户的错误回答问题的平均正解率设为预测正解率。错误回答问题能设为对对象用户而言易于错误回答的问题。为此，通过取代仅近似用户的平均正解率而使用近似用户以及对象用户的平均正解率，能将平均正解率向更妥当的方向、即变低的方向进行调整。由此，能进一步提高预测正解率的精度。

此外，在变形例2中，CPU11接受对对象用户出题的问题中的未出题问题的比例、以及错误回答问题的比例的指定，基于多个预测对象问题的预测正解率来决定对对象用户出题的问题，以使得未出题问题以及错误回答问题的出题数成为所指定的比例。由此，能以用户所期望的比例出题未出题问题以及错误回答问题。

此外，在上述实施方式中，基于出题历史记录DB135(出题历史记录信息)中所含的对多个用户的出题历史记录的有无以及出题完毕的问题的正误判定结果，来确定多个问题的熟习倾向与对象用户近似的近似用户，但也可以仅基于出题完毕的问题的正误判定结果，来确定与对象用户多个问题的熟习倾向近似的近似用户。

此外，在上述实施方式中，基于出题历史记录DB135(出题历史记录信息)，来将多个问题当中、对对象用户为未出题的未出题问题以及对象用户过去错误回答的错误回答问题的至少一方确定为成为预测对象的预测对象问题，但例如在过去出题后的经过天数长、对象用户的记忆有变淡的可能性的情况下，也可以是，能将不是未出题问题、错误回答问题的任意的问题选择为预测对象问题。

在该情况下，也能简易且高精度地导出关于预测对象问题的对象用户的预测正解率。

此外，在上述实施方式中，基于所导出的所述预测正解率来决定所述多个问题当中的对所述对象用户出题的问题，但例如也可以是，基于所导出的所述预测正解率的平均值、最低值来决定是否对所述对象用户出题问题等，基于所导出的所述预测正解率来控制所述对象用户的学习(控制问题的出题)。

此外，由作为本实施方式所涉及的信息处理系统的学习支援系统1的作为计算机的CPU11以及CPU21执行的信息处理方法中，基于关于多个问题的、对多个用户的出题历史记录的有无以及包含出题完毕的问题的正误判定结果的出题历史记录DB135(出题历史记录信息)，来从多个用户中确定多个问题的熟习倾向与多个用户当中的某对象用户近似的近似用户，基于近似用户的预测对象问题的正误判定结果来导出与多个问题当中、对对象用户为未出题的未出题问题以及对象用户过去错误回答的错误回答问题的至少一方即预测对象问题对应的该对象用户的预测正解率，并基于所导出的预测正解率，来决定多个问题当中的对对象用户出题的问题。

据此，与从对象用户自身的概念的理解度等解析结果导出预测正解率的现有技术相比，能简易且高精度地导出关于预测对象问题(未出题问题及/或错误回答问题)的对象用户的预测正解率。因而，能基于所导出的预测正解率来容易地出题与用户的学习水平相应的合适的难易度的问题。此外，能在反映了对象用户的学力的提升的合适的定时再度出题错误回答问题，能对错误回答问题进行有效果的学习。此外，由于在确定近似用户的基础上，基于近似用户的正误判定结果来导出对象用户的预测正解率，因此，不需要为了预测正解率的导出而分析问题的内容。因而，上述方法能适用于任意的种类的问题。

此外，作为本实施方式所涉及的程序的服务器控制程序131使设于作为信息处理装置的服务器10的作为计算机的CPU11执行如下处理：基于关于多个问题的、对多个用户的出题历史记录的有无以及包含出题完毕的问题的正误判定结果的出题历史记录DB135(出题历史记录信息)，来从多个用户中确定多个问题的熟习倾向与多个用户当中的某对象用户近似的近似用户；基于近似用户的预测对象问题的正误判定结果，来导与对多个问题当中、对对象用户为未出题的未出题问题以及对象用户过去错误回答的错误回答问题的至少一方即预测对象问题对应的该对象用户的预测正解率；以及基于所导出的预测正解率，来决定多个问题当中对对象用户出题的问题。

据此，与从对象用户自身的概念的理解度等解析结果导出预测正解率的现有技术相比，能简易且高精度地导出关于预测对象问题(未出题问题及/或错误回答问题)的对象用户的预测正解率。因而，能基于所导出的预测正解率来容易地出题与用户的学习水平相应的合适的难易度的问题。此外，能在反映了对象用户的学力的提升的合适的定时再度出题错误回答问题，能对错误回答问题进行有效果的学习。此外，由于在确定近似用户的基础上，基于近似用户的正误判定结果来导出对象用户的预测正解率，因此，不需要为了预测正解率的导出而分析问题的内容。因而，上述方法能适用于任意的种类的问题。

＜其他>

另外，上述实施方式中的记述是本发明所涉及的信息处理装置、信息处理方法以及程序的一例，并不限定于此。

例如，也可以是，终端装置20执行上述实施方式中服务器10所执行的处理的一部分或全部。在终端装置20的CPU21执行预测正解率的算出以及基于预测正解率的问题的选择的情况下，终端装置20相当于“信息处理装置”。

此外，作为对用户出题的问题，例示了提问单词测验中的单词的翻译或拼写的问题，但并不限于此，可以是能进行正误的判定的任意的问题。因而，上述实施方式的出题方法能适用于任意的学科(例如数学、国语等)的任意的种类的问题(例如熟记问题、笔记问题以及利用了终端装置20的声音输出部26的听力问题等)。此外，并不限于学校教育中的问题，还能适用于驾校等资格考试中的问题、问答游戏中出题的问题等。

此外，在上述实施方式中，使用在难易度指定画面50中由用户指定问题的难易度的示例进行了说明，但并不限于此，服务器10的CPU11也可以按照预先确定的难易度设定来提取问题。例如，可以提取推定为用户记不住的可能性高的单词(预测正解率为给定值以下的单词)，也可以反过来，以确认用户的理解为目的，提取推定为用户记住的可能性高的单词(预测正解率为给定值以上的单词)。在这些情况下，省略难易度指定画面50的显示。

此外，在以上的说明中，公开了使用存储部13的HDD、SSD作为本发明所涉及的程序的计算机可读的介质的示例，但并不限定于该示例。作为其他计算机可读的介质，能运用闪速存储器、CD-ROM等信息记录介质。此外，作为将本发明所涉及的程序的数据经由通信线路提供的介质，还能将载波(carrier wave)运用于本发明。

此外，关于上述实施方式中的学习支援系统1、服务器10以及终端装置20的各构成要素的细节部分结构以及细节部分动作，当然能在不脱离本发明的趣旨的范围内适宜变更。

Claims (20)

1.一种信息处理装置，其特征在于，具备处理部，所述处理部构成为：

基于关于多个问题的包含对多个用户出题完毕的问题的正误判定结果的出题历史记录信息，来从所述多个用户中确定所述多个问题的熟习倾向与所述多个用户当中某对象用户近似的近似用户，

基于所述出题历史记录信息中的所述近似用户的预测对象问题的所述正误判定结果，来导出与所述预测对象问题对应的所述对象用户的预测正解率，其中该预测对象问题在所述多个问题当中成为预测对象，

执行基于所导出的所述预测正解率的确定处理。

2.根据权利要求1所述的信息处理装置，其特征在于，

所述出题历史记录信息还包含关于所述多个问题的对所述多个用户的出题历史记录的有无，

所述处理部基于所述出题历史记录信息，来将所述多个问题当中、对所述对象用户为未出题的未出题问题以及所述对象用户过去错误回答的错误回答问题的至少一方确定为所述预测对象问题。

3.根据权利要求2所述的信息处理装置，其特征在于，

所述处理部执行基于所导出的所述预测正解率来决定所述多个问题当中对所述对象用户出题的问题的处理，作为所述确定处理。

4.根据权利要求2所述的信息处理装置，其特征在于，

所述处理部基于所导出的所述预测正解率来控制对所述对象用户的问题的出题，作为所述确定处理。

5.根据权利要求2所述的信息处理装置，其特征在于，

所述处理部确定多个所述近似用户，将所述多个近似用户的所述预测对象问题的平均正解率设为所述预测正解率。

6.根据权利要求3～5中任一项所述的信息处理装置，其特征在于，

所述处理部通过基于在要素中包含所述对象用户的所述多个问题的正误判定结果的向量和在要素中包含其他各用户的所述多个问题的正误判定结果的向量导出的余弦相似度，来确定所述近似用户。

7.根据权利要求6所述的信息处理装置，其特征在于，

所述处理部将所述多个用户当中、所述余弦相似度为基准值以上的用户确定为所述近似用户。

8.根据权利要求6所述的信息处理装置，其特征在于，

所述处理部将所述多个用户当中、按照所述余弦相似度从大到小的顺序选出的基准数或基准比例的用户确定为所述近似用户。

9.根据权利要求3～5中任一项所述的信息处理装置，其特征在于，

所述处理部基于所述出题历史记录信息和包含所述多个用户的属性以及特性的至少一方的特征信息，来确定所述近似用户。

10.根据权利要求3～5中任一项所述的信息处理装置，其特征在于，

所述处理部接受对所述对象用户出题的问题的难易度的指定，基于多个所述预测对象问题的所述预测正解率，来将与所指定的难易度对应的预测正解率的问题决定为对所述对象用户出题的问题。

11.根据权利要求2所述的信息处理装置，其特征在于，

所述处理部在导出关于所述错误回答问题的所述预测正解率的情况下，将所述近似用户以及所述对象用户的所述错误回答问题的平均正解率设为所述预测正解率。

12.根据权利要求3～5中任一项所述的信息处理装置，其特征在于，

所述处理部接受对所述对象用户出题的问题中的所述未出题问题的比例以及所述错误回答问题的比例的指定，基于多个所述预测对象问题的所述预测正解率来决定对所述对象用户出题的问题，以使得所述未出题问题以及所述错误回答问题的出题数成为所指定的比例。

13.一种信息处理方法，由信息处理系统的计算机执行，所述信息处理方法的特征在于，

基于关于多个问题的包含对多个用户出题完毕的问题的正误判定结果的出题历史记录信息，来从所述多个用户中确定所述多个问题的熟习倾向与所述多个用户当中某对象用户近似的近似用户，

基于所述出题历史记录信息中的所述近似用户的预测对象问题的所述正误判定结果，来导出与所述预测对象问题对应的该对象用户的预测正解率，其中该预测对象问题在所述多个问题当中成为预测对象，

执行基于所导出的所述预测正解率的确定处理。

14.根据权利要求13所述的信息处理方法，其特征在于，

所述出题历史记录信息还包含关于所述多个问题的对所述多个用户的出题历史记录的有无，

基于所述出题历史记录信息，来将所述多个问题当中、对所述对象用户为未出题的未出题问题以及所述对象用户过去错误回答的错误回答问题的至少一方确定为所述预测对象问题。

15.根据权利要求14所述的信息处理方法，其特征在于，

执行基于所导出的所述预测正解率来决定所述多个问题当中对所述对象用户出题的问题的处理，作为所述确定处理。

16.根据权利要求14所述的信息处理方法，其特征在于，

基于所导出的所述预测正解率来控制对所述对象用户的问题的出题，作为所述确定处理。

17.一种记录介质，其特征在于，存储了使设于信息处理装置的计算机执行如下处理的程序：

基于关于多个问题的包含对多个用户出题完毕的问题的正误判定结果的出题历史记录信息，来从所述多个用户中确定所述多个问题的熟习倾向与所述多个用户当中某对象用户近似的近似用户；

基于所述出题历史记录信息中的所述近似用户的预测对象问题的所述正误判定结果，来导出与所述预测对象问题对应的该对象用户的预测正解率，其中该预测对象问题在所述多个问题当中成为预测对象的；

基于所导出的所述预测正解率的确定处理。

18.根据权利要求17所述的记录介质，其特征在于，

所述出题历史记录信息还包含关于所述多个问题的对所述多个用户的出题历史记录的有无，

基于所述出题历史记录信息，来将所述多个问题当中、对所述对象用户为未出题的未出题问题以及所述对象用户过去错误回答的错误回答问题的至少一方确定为所述预测对象问题。

19.根据权利要求18所述的记录介质，其特征在于，

执行基于所导出的所述预测正解率来决定所述多个问题当中对所述对象用户出题的问题的处理，作为所述确定处理。

20.根据权利要求18所述的记录介质，其特征在于，

基于所导出的所述预测正解率来控制对所述对象用户的问题的出题，作为所述确定处理。

Images