JP2008500660A - グループのデザインプレファレンスの決定 - Google Patents

Abstract

市場調査を実施し、製品デザインを開発するための方法および装置を開示する。該方法は、デザイン、選択、または市場調査に携わる人に対して多数のデザインの選択肢を一般に電子的に生成および示すことを伴う。関係者は示されたデザインの選択肢の中のまたはその間のプレファレンスを示すデータを送信する。グループまたはそのメンバーのプレファレンス要因を調査するために、コンジョイント分析または非収束エクササイズを行うために一部のデータが使用され、以降の多数のデザインの選択肢または提案を導出するために一部のデータが使用される。好適には、以後のデザインは関係者の選択に影響される進化的または遺伝的コンピュータプログラムの使用を介して生成されることが好ましい。処理は、１つ以上の好適な製品形態の生成、および製品のどの属性が試験グループのメンバーのプレファレンスに影響を与えるのかを理解できるようにする情報をもたらす。

Description

本発明は、新しい製品およびサービスを開発するプロセス、および消費者調査、市場細分化、デザイン反復、市場化テストなどの付随するアクティビティ、および直接的な消費者参加による消費者のプレファレンスの動向および意識の識別における改善に関する。

過去、新製品をデザインする場合、多くの製品開発組織は、デザインまたはマーケティング部門の少数の人、あるいはその役員に依存していた。これらの人々はまた、自分たちの市場および顧客の知識、技術的可能性の知識、およびビジョン、判断、経験、プレファレンス、先入観、および偏見に依存していた。

最近では、企業は、より低い階級の社員に意思決定の責務を負わせて、よりフラットで階層的ではない組織的モデルを採用しており、「顧客の声」に新たな焦点を当てている。この動きは、社員とは、デザイナーとして、デザインされる商品またはサービスの最終消費者の単なる代理人であり、顧客のニーズおよび要求は、そのプロセスへの最も重要な情報であることを思い出させるためのものである。

しかし、顧客の声から顧客の声を反映する製品またはサービスに進むプロセスは、間違いおよび曲解の可能性を伴ったままである。間違いの第１のソースは、顧客の要求およびニーズの確認時におけるものであり、第２のソースは、色付けおよび曲解することなく、決定、製品、アーチファクト、またはサービスにその情報を変換するプロセスにおけるものである。専門家らは、顧客のニーズを評価し、それらのニーズを製品のコンセプトおよびエンジニアリング要件に転換するための、いくつかのツールおよび技術を開発して使用してきた。

市場調査者らによって因習的に開発されたツールおよび機器は、オープンエンドなインタビュー、関係者の見解、およびフォーカスグループのような、民族誌から借用した非常に定性的な方法から、調査研究およびコンジョイント分析のような、一般に広く普及している定量的な統計学的方法まで様々である。２００１年１１月９日に出願された同時係属の米国特許出願第１０／０５３，３５３号「ＭＥＴＨＯＤ ＡＮＤＡＰＰＡＲＡＴＵＳ ＦＯＲ ＤＹＮＡＭＩＣ、ＲＥＡＬ−ＴＩＭＥ ＭＡＲＫＥＴ ＳＥＧＭＥＮＴＡＴＩＯＮ」では、非常に重要な商業的成功を収めた、斬新なツールのファミリを開示しており、その開示は参照することにより本願明細書に組み込まれる。

新しい製品またはサービスの開発中に、デザイン組織は、一般に複数の市場調査を行う。プロジェクトの初期に、潜在的ニーズを発見するか、または製品およびサービスに対する新たなアイディアを生み出すために、実質的にこれらをより定性的なものにすることが可能である。その後、提案された製品の特定の特徴または属性に関して、現在の、または潜在的な顧客からフィードバックを得るために、その調査にさらに集中することが可能である。これらは、例えば、定性的方法、フォーカスグループ、および調査または体系的な一連のインタビューのような定量的なものに依存することができる。関係者に新製品に関するフィードバックを要求する、消費者の臨床における１つの問題は、潜在的な顧客に、一般に限定された数の選択肢だけが示され、その顧客がコメントを要求されることである。これは、適切なレベルの関係者への認知的要求を保持するために行われるが、関係者には、時としてコストのかかる製品であるモデルまたはプロトタイプの形態のデザインが示されるからである。

さらに、消費者の臨床は、人々が十分に開発され安定した潜在的なプレファレンスを有すると仮定している。したがって、新製品を見たときに関係者が形成する姿勢は有効であり、その製品が市場に出たとき（出る場合）に、関係者が有する姿勢を反映しているものと仮定している。さらに、多くの場合、人々の製品に対する長期的な傾向が初期のものとは異なることはよく知られている。

臨床およびフォーカスグループの別の問題は、状況によって課される個人間のダイナミクスに関係がある。一般に、グループダイナミクスは、関係者間で行われる議論がデータを生成するための機構であり、所望の結果は関係者の経験および意見の動的なシェアリングおよび比較であるという意味において、望ましい。１つまたは２、３の強力な個体が、その議論を支配して偏らせてしまう場合には問題が生じる。別の問題点は、互いを知らない関係者を見いだしていることである。これは、単純に関係者の友人も特定のデザインを選択しているので、その１人の関係者に特定のデザインを選択させないようにするためには望ましい。この状況は、デザインされる製品またはサービスが、小グループのユーザー、またはある企業の従業員へのベネフィットパッケージをデザインしているユーザーを対象とした場合に、しばしば生じる。同様な問題は、製品の潜在的な顧客が偶然に競合他社であるために、そのプレファレンスを協調して共有する意思が少ない場合に生じる。

コンジョイント分析は、製品およびサービスの異なる選択肢に対する消費者のプレファレンスを評価するために使用される。コンジョイント分析は、複数の特徴および利点を有する選択肢の中から決定する場合に、人々が行う主観的なトレードオフを明示的に説明する、複数属性のユーティリティまたはプレファレンスの測定技術である。その基本形態において、コンジョイント分析は分解的手法である。意思決定者が製品の異なる側面とみなす重要性を測定するパラメータは、統計学的な回帰法を使用して、製品またはサービスの複数の完全なプロファイル記述の意思決定者の評価から導出される。コンジョイント分析は、石鹸および栄養補助食品の開発から、米国国防総省内の軍用経歴の魅力の改善まで、広い範囲に使用されている。

コンジョイントエクササイズを行う第１のステップは、当該の製品またはサービスの関連属性を識別し、各属性に対する興味のレベルを識別するためのものである。これは、一般に、類似した製品での以前の経験、およびオープンエンドなインタビューまたはフォーカスグループのような以前の定性調査に基づく。一例として、自動車の調査の場合、排気量を１つの興味の属性として、２．０、２．５、３．０リッターのエンジンの３つのレベルを試験することが可能である。また、車体のスタイルは、興味の属性として「セダン」および「クーペ」を別の属性とすることが可能である。次に、複数の完全なプロファイル記述、すなわち、各属性が値によって表される記述は、通常、非常に細分された階乗直交計画を使用する（すなわち、すべての可能な製品プロファイルのうちのごくわずかだけが試験に使用される）。これらのプロファイルは、因習的にプロパティカードの形態で回答者に示され、回答者は、それらをプレファレンスの順にランク付けすること、またはプロファイルのそれぞれを、例えば０乃至１００の間隔尺度で評価するように要求される。次いで応答は、属性レベルのそれぞれの「部分効用」、すなわちプロファイルの全体的なプレファレンスレベルに対する各属性レベルのコントリビューションを評価するために、通常の最小二乗回帰のような統計学的なツールを使用して分析される。上述の例では、１つの特定の回答者に対して、２．０リッターのエンジンは部分効用０．０を有し、２．５リッターのエンジンは部分効用０．５を有する、などという結果になりうる。また、「セダン」の車体のスタイルは部分効用０．０を有し、一方、「クーペ」スタイルは０．８を有しうる。このように個人の属性に対する部分効用が得られると、個人に対する最適な製品、すなわち、可能な最高レベルのユーティリティを与えるか、または最も強い購入の意志を持たせる製品を総合するために、属性レベルのすべての可能な組み合わせを通じて検索することが可能である。

コンジョイント分析調査は、一般に複数の個体によって行われ、部分効用は、一般に消費者の代表的なサンプルに対して得られる。この複数回答者のデータは、複数の目的に使用することができる。目的の１つは、市場の競合製品（現在の、および予想されるもの。これは、「選択のシェア」（ｓｈａｒｅ−ｏｆ−ｃｈｏｉｃｅｓ）問題として知られている）の属性を鑑みて、製品開発組織に最大の市場占有率をもたらす、製品デザインを識別することである。別の目的は、消費者全体の有用性、すなわちすべての消費者にわたる有用性の合計を最大化する製品デザインを識別することである。これは、「購入者の福利」（ｂｕｙｅｒ’ｓ ｗｅｌｆａｒｅ）問題として知られている。これらの検索問題を解決することは、計算的に難しい。数学的に、これらはＮＰ−Ｈａｒｄ問題として知られており、それらのソリューションに対して発見的手法の動的プログラミングプロシージャを必要とする。最近では、これらの問題に対するソリューションを見つけるために、遺伝的および進化的な計算、より詳しくは、遺伝的アルゴリズム（ＧＡ）といった適応可能な検索手法が有効に使用されている。

関係者の代表的なグループからコンジョイントデータを収集する別の目的は、異なるプレファレンスプロファイルを有する相異なる市場セグメントを識別することである。これは、サブグループ内の回答者が、異なる製品属性を同じように評価するが、他のサブグループの回答者とは異なるように、クラスタ分析、すなわち回答者のサブグループを見つけるための統計学的な手法を通じて行われる。クラスタが識別されると、重要な商業的可能性を示すものを、特定の製品デザインによって対象とすることができる。

コンジョイント分析には欠点がある。第一に、回答者としてそのプロセスに関与する単調さである。概して、その製品への深い関わりおよび情報によって、製品デザイナーおよび市場関係者は、多数の課題に回答すること、および多数の属性を試験することを求める。一方で顧客は、概して冗長なアンケートの提出に積極的に取り組もうとはしない。そして、非常に細分された要因計画が使用されても、回答者には、なおも一般にかなりの数の可能性の評価が求められる。例えば、各属性に対して４つの異なるレベルを有する１２の製品属性がある場合、回答者は、３５のプロファイルに直面することになる。その数には、確率的誤差を減じるために、しばしば係数３が乗じられるので、回答者は１００以上の質問に直面しなければならなくなる。プロセスの困難さは、回答者側の混乱を招き、注目を失わせる。回答者は、そのアンケートを済ませるためのショートカットとして、しばしば発見的手法を使用することになる（コンジョイントエクササイズのいつくかの例は、ワールドワイドウェブ、例えばｗｗｗ．ｃｏｎｊｏｉｎｔｏｎｌｉｎｅ．ｃｏｍなどに見出すことができる）。例えば、互いに対する全ての属性を適切に重み付けする代わりに、１つまたは２つの属性のみに依存して決定すると、不正確な結果がもたらされる。

最近では、プロセスの単調さ、および得られる結果の不正確さを減じることを目的として、コンジョイント分析にいくつかの変更が提案され、実際に使用されている。これらのハイブリッド手法は、従来のコンジョイント分析にあるような、仮定的な製品の完全なプロファイルを排他的に含んでいないが、その手法は、回答者に一組の自己申告質問（トレードオフを伴わない非コンジョイント質問）を行うことによって開始し、部分的なプロファイル記述をさらに付け加える。当該の手法の例には、アダプティブコンジョイント分析（Ａｄａｐｔｉｖｅ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓ）、および、より新しい階層ベイズコンジョイント分析（Ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｅｓ Ｃｏｎｊｏｉｎｔ Ａｎａｌｙｓｉｓ）が挙げられる。

Ｓａｗｔｏｏｔｈ Ｓｏｆｔｗａｒｅ（米国およびヨーロッパの両方で最も頻繁に使用されている、商業的なコンジョイント調査のための手法）によって実行されるようなアダプティブコンジョイント分析では、調査は、回答者があらゆる条件下で許容できないとする属性レベルを取り除くように要求することから始まる。それらのレベルは、インタビューの以降の部分で使用されることはない。次に、回答者は、回答者が最も興味のありそうな５つのレベルに各属性のレベルを減じるように要求される。プロセスの次のステップは、回答者に、個々の属性の重要性を評価するように要求する。これらの評価付けは、重要でないとみなされる属性を取り除き、回答者のユーティリティの当初見通しを生成することを試み、その後、部分的なプロファイルを使用した、一組のカスタマイズされた一対比較質問を生成するために使用される。各応答によって、回答者のユーティリティの評価が更新され、適切な一対比較質問が生成される。これらの質問は、制限されたサブスペース内のその回答者のトレードオフプロファイルの評価を絞り込むことを目的として、以前の応答に基づいて、回答者によって最も好まれていると思われる、属性のサブスペースの比較に収束し、着目するように構成される。

明らかに、アダプティブコンジョイント分析は、アンケートの自己申告型評価コンポーネントに大きく依存し、意思決定者は、様々な属性に対する自分の姿勢を示すことが明示的に要求される。その方法の背後にあるキーとなる仮定は、回答者の姿勢およびプレファレンスが先在的で安定していることである。アダプティブコンジョイントは、インタビューされる人に示される選択肢を迅速に狭めること、およびそれらの人に課せられるワークロードを軽減するために、その仮定に依存する。したがって、アダプティブコンジョイントは、回答者が調査に関与するときに、新しい個人用プレファレンスまたは属性トレードオフプロファイルを発見するか、または展開する可能性が生じないようにする。その手法での問題は、回答者が先験的に有する可能性がある、あらゆる先入観または部分的な、不適格なプレファレンスの具象化の危険性であり、製品デザインの問題に対する次善策をもたらす。実際に、アダプティブコンジョイント分析のユーザーは、「容認できる短いインタビューを行うための他の方法がない場合を除いて」回答者が属性レベル（上述のパラグラフの最初のステップ）を取り除けないように警告される。

最近開発された階層ベイズコンジョイント分析は、より堅牢で、理論的により妥当な統計学的な方法を使用することによって、アダプティブコンジョイントを改善している。しかし、それは上述の問題に対処していない。さらに、階層ベイズアダプティブコンジョイント分析は、調査の他の関係者の応答に依存して、各個人のユーティリティの評価を改善している。すなわち、階層ベイズによって、調査される回答者の数を個々の回答者へのワークロードと交換できるようになる。しかし、それは非常に計算的に集中したプロシージャであり、標準的なパーソナルコンピュータにおいて数時間の実行時間を必要とする。したがって、リアルタイムのオンラインコンテキストにはあまり有用でない。既存のソフトウェア製品は、事後にオフラインで、アダプティブコンジョイント調査を介して得られるデータの階層ベイズ分析を実行する。

コンジョイント分析の第２の大きな欠点は、上述の改善された方法のいずれによっても対処されていないものであり、異なる製品属性が互いに依存しないという仮定を生じる。コンジョイント分析は、「主効果専用」のモデルであり、属性の中で情報のやりとりがないと仮定している。全般的に使用される付加的な部分効用モデルでは、特定の製品に対する個人のプレファレンスは、その製品の属性レベルの独立した機能の合計から構成されている。上述の自動車の例を使用すると、例えば明るい赤に対し濃い灰色といった、外装色に対する消費者のプレファレンスは、当該の自動車がスポーツクーペまたは高級セダンであるかどうかといった、車体のスタイルに依存しないものと仮定される。しかし、明るい赤は、高級セダンよりもスポーティな自動車に人気がある。２つの属性間に（製品情報に基づいて、または統計分析から）いくつかの相互作用があるかもしれないと、調査者が推測した場合、コンジョイント分析のフレームワーク内のソリューションは、２つの相互に作用する属性を組み合わせたものである複合変数（「超属性」）を定める。これらの超属性には、個々の属性レベルを組み合わせることによって形成されるレベルが与えられる。上述の例では、複合属性は「色−車体のスタイル」となり、「明るい赤のスポーツクーペ」、「明るい赤の高級セダン」、「濃い灰色のスポーツクーペ」、および「濃い灰色の高級セダン」の４つのレベル（２×２）を有することになる。その次善策による問題は、回答者のワークロードに非常に有害な影響があることである。（つまり、非常に細分された要因計画を可能にする、コンジョイントの主効果だけの側面である。）それぞれ１つのレベルを有する２つの属性の代わりに、合計で８つのレベルを有する３つの属性の場合とする。この組み合わせの急増は、より現実的な数の個々の属性が使用される場合に、さらに厳しくなる。５種類の色および５種類の車体のスタイルの場合、１０のレベル（５＋５）から３５のレベル（５＋５＋（５×５））になる。コンジョイント調査によって評価されるパラメータの数、したがって、回答者への質問の数は、これらのレベルの数に比例して増加する。

コンジョイント分析の「主効果だけ」という性質は、どのくらいの市場関係者および製品開発者が製品およびサービスを考えるかに影響を及ぼすように、より微妙な、潜行性の影響を有する。顧客の声を得るためにコンジョイント分析に依存することによって、より容易に分解できる製品の属性を使用する調査をデザインする傾向がある。また、回答者が属性を分割しやすくするように、調査を示す。回答者は、これらの属性のうちの２、３に着目することになり、その属性を（上述のように）発見的に使用して、属性間の可能な相互作用を明らかにする、更なる知的な処理を実行しない。その結果は、付加的な部分効用に見掛け上は良好にフィットするが、予測精度は不十分である。

より根本的には、製品またはサービスは、一組の属性レベルによって消費者に十分に説明できるという、まさにその概念は、それ自体が問題を含んでいる。コンジョイント分析は、回答者に分解できる刺激を示すことによって機能するので、消費者が製品の重要なクラスをどのように理解するか、すなわち消費者によって総体的に知覚される製品をどのように理解するかに対して、特にふさわしくない。当該の「単一の」製品の例には、これに限定されないが、審美的なオブジェクト、食品、香水、および音楽が挙げられる。このように、回答者は示された刺激をコンポーネント部分または属性に分割できない場合には、要因的にデザインされた調査が成功しそうにないということに基づいて、回答者のプレファレンスの単純なモデルの構築を試みる。

対照的に、本発明は、回答者のプレファレンスを評価するために、回答者に示される製品を変更するための、市場関係者またはデザイナーによって使用される同じファクターを必要としない。本発明では、回答者には、実生活において特定の製品またはサービスにおける回答者の知覚の仕方に一致する刺激が示される。

本発明は、製品またはサービス（本願明細書では「決定オブジェクト」と称する）のグループ、例えば消費者グループに対して、様々なデザインの選択肢の中から、デザインプレファレンス傾向を効率的に分析する方法を提供する。該方法は、あらゆる所与の対象グループのプレファレンスの情報を提供する高品位のデータセットを収集するために、製品またはサービスのどの属性がそのグループに対して重要であるか、または重要でないかを識別するために、また、忠実に偏見なく「顧客の声」に応答する製品形態を明らかにするために、使用することが可能である。該方法は、電子的に、および一般に非同期で比較的短期間で実行される。該方法は、あらゆる組のデザインまたは市場調査目的を満たすように、また、あらゆるタイプの製品に関連すると考えられる、あらゆる特定のデザイン問題に関連するデータを得るように、デザインすることが可能である。関係者は、その取り組みにフィットさせるための比較的大きな時間窓が示されるので、フォーカスグループよりもリクルートが容易であり、関係者にネットワークへのリンクおよび閲覧手段、それ以外ならばデザインオブジェクトを検出してプレファレンスを記録する手段が提供される、あらゆる便利なロケーションから作業することができる。

概して、該方法は、電子ネットワークを通じて、複数の個々の「セレクタ」に、複数の属性の組み合わせを有する１つ以上の決定オブジェクトのグループを示すステップと、前記示された決定オブジェクトの中からのそれぞれのセレクタのプレファレンスを示す情報を、前記複数のセレクタから得るステップと、１つ以上の異なる属性の異なる組み合わせを含む、決定オブジェクトの派生グループを展開または選択するために、前記情報を使用するステップと、１つ以上の好適な決定オブジェクトに到達するために、派生グループを使用して、これらの前記ステップを繰り返すステップと、前記セレクタの前記属性のプレファレンスに関連する情報を収集する、コンジョイント分析を実行するために、前記セレクタから少なくともいくつかの情報を使用するステップと、を含む。一般にこれらのデータは、良好な製品開発のためのガイドを構成するレポートに組み込まれる。

他の実施態様では、本発明は、セレクタグループのデザインプレファレンス傾向を分析する方法であって、（ａ）電子ネットワークを通じて、複数のセレクタに、複数の属性の組み合わせを有する１つ以上の決定オブジェクトのグループを示すステップと、（ｂ）前記示された決定オブジェクトの中からのセレクタのプレファレンスを示すデータを、前記複数のセレクタから得るステップと、（ｃ）前記複数のセレクタの属性プレファレンスに関連する情報を収集するコンジョイント分析を実行するために、前記ステップ（ｂ）から少なくともいくつかのデータを使用するステップと、（ｄ）電子ネットワークを通じて、同じか、または異なるグループのセレクタに、複数の属性の組み合わせを有する１つ以上の更なる決定オブジェクトのグループを示すステップと、（ｅ）前記示された更なる決定オブジェクトの中からプレファレンスを表す情報をセレクタから得るステップと、（ｆ）１つ以上の異なる属性の組み合わせを含む、決定オブジェクトの派生グループを展開または選択するために、前記情報を使用するステップと、（ｇ）１つ以上の好適な決定オブジェクトに到達するために、前記ステップ（ｆ）からの派生グループを使用して、前記ステップ（ｄ）乃至（ｆ）を繰り返すステップと、（ｈ）停止基準を達成すると、更なる開発、製造、使用、または販売のために好適な決定オブジェクトの１つまたはそのグループを選択するステップと、を含む方法である。

前記決定オブジェクトの派生グループを展開または選択するために、遺伝的アルゴリズムを使用することが可能である。方法のステップの実行順は自由に変えられる。したがって、前記ステップ（ｃ）は、前記ステップ（ｇ）の後、または前記ステップ（ｈ）の後、実行することが可能である。前記ステップ（ｃ）の前記コンジョイント分析の結果は、前記ステップ（ｄ）に示される更なる決定オブジェクトの母集団の属性の組み合わせに影響を与えるように使用することが可能である。前記ステップ（ａ）に示される前記決定オブジェクトは、ランダムな複数組の属性を含むか、またはコンジョイント分析の効率を高めるようにデザインされた属性を含むことが可能である。前記ステップ（ａ）の前に、人口統計学的方法を得て、それらを限定するために、またはそのセレクタまたは他の人に示す決定オブジェクトを選択するための質問への応答を使用して、エクササイズの開始点決定するために、応答するための複数の質問をすべての、またはいくつかのセレクタに示すことが可能である。

一般的な意味では、本発明は、多数の製品形態のどれがセレクタに好まれるのか（各形態は複数の属性または属性値、すなわち決定オブジェクトを有する）を決定する方法、および決定オブジェクトの属性の中のプレファレンス情報を決定する方法を提供する。

本願明細書で使用される「セレクタ」は、その入力が本発明の方法の実行過程において考慮される、個人または個人のグループである。前記セレクタは、個人、個人のグループ、機械学習システムのような、個人の代わりになるもの、ニューラルネット、統計学的または他の数学的モデル、またはエキスパートシステム、またはそれらを組み合わせたもの、を含むことが可能である。「セレクタ」は、エクササイズに関与する一群のエンティティ、またはエクササイズに関与する個々のエンティティのいずれかのことを指すことが可能である。セレクタは、フォーカスグループまたはその個々のメンバー、企業または専門的デザインサービス組織内のデザイナーのワーキンググループおよび／またはマネージャ、対象の人口統計学的グループを代表する人々のグループ、いくつかのアクティビティまたは職業に従事するクラブまたはクラスのメンバー、犬の飼い主、ゴルファー、インテリアデザイナー、サイクリスト、家屋所有者、１０代の少年のような所与の製品の潜在的な顧客、企業に雇われている人または業界で働く人、などであってよい。セレクタとしての役割を果たしている人々には、例えば２乃至１２程度の異なる可能なデザイン形態が１度または連続的に示される。

セレクタはまた、来春のファッションのデザインを行う若い女性のグループ、自動車用の座席をデザインしている専門的工業デザイングループ、クライアントに家屋をデザインしている建築家の小グループ、または音楽作品を作曲している音楽家のグループのような、製品の共同デザインに従事している人のグループであってもよい。この場合、デザインに対するコンセンサスに到達すると、該方法は、複数のユニットの選択された製品形態か、またはそれに類似する形態の製品を製造する更なるステップを含むことが可能である。セレクタが個人のグループである場合、そのグループの個人に示される分割されたグループの形態は、グループ内の１人以上の他の個人によって表される、プレファレンスを示すデータを使用して生成することが可能である。また、本発明は、セレクタとしての役割を果たす１人以上の個人に、特定の分割されたグループ内の特定の製造形態のプレゼンテーションを繰り返すことを考慮する。

本願明細書で使用される「アフィニティ」とも称することが可能な「プレファレンス」は、一組の属性を有する特定のアイテムに対する、セレクタが気に入る（または気に入らない）ことを示す。一実施態様では、正のアフィニティの値は、セレクタが特定のアイテムを気に入ることを示し、負のアフィニティの値は、セレクタがそのアイテムが気に入らないことを示す。

本発明の方法では、提案されたデザインは関係者に示され、関係者からのフィードバックは、例えば、インターネットのようなネットワーク、エクストラネット、またはインターネットに接続された、個人のパーソナルコンピュータを介して収集される。それに応じて、関係者の中の個人間に生じるダイナミクスを制御することが可能である。また、他の人によって表されるプレファレンスを関係者が誰も認識しないように、デザインを互いから完全に分離することも可能である。また、実際の、または仮想のグループ討論を開始するために、それらが受けるであろう社会的な圧力の程度を制御するために、プロジェクトのステータスまたは方向に関する情報に対する願望を満たすために、または他の人がどの製品を買ったのかに関する情報に対して、情報の選択的なレベルを共有できるようにすることも可能である。これは、実生活で行われるネットワークの外在性を模倣するために使用することができ、同僚が購入および消費している同じ製品を気に入る傾向がある人もいれば、反対の姿勢をとる人もいる場合がある。これは、ファッション衣料またはアクセサリ、投資物件またはポートフォリオ、コンピュータソフトウェア、などのような製品において重要である。さらに、コンピュータネットワークを介して関係者を結びつけることによって、非常に異なる地理的場所に位置する関係者のグループを組み立てること、および非同期的な関係が可能になる。したがって、該方法はまた、（本発明の特定の実施態様において）適時に異なる場所で受信されるデータを継ぎ目なく統合することによって、すべての関係者を同時に集める必要性を低減するので、時間管理も容易にする。

本願明細書で使用され、以下に十分に説明する「製品」は、決定オブジェクトとして表され、商品を指す一般的な用語を意味するものである。この商品には、大量生産を目的とするオブジェクト、マスカスタマイゼーションに好適な複数の交換可能な部分を備えるパーソナルコンピュータのようなモジュールで組み立てられた商品、ミューチュアルファンドまたは旅行サービス、パッケージングおよび広告コピーのようなサービス、および個人または組織の将来の行動を管理するための選択肢の手書きのリスト、グループによって消費される食料品のビジネス計画またはメニューのような計画書、あるいは他の消費製品、などが挙げられる。

本願明細書で使用される、製品の「属性」とは、例えば、製品のコンポーネント、サービスまたは計画などの、決定オブジェクトを構成する構造的、機能的、文体的、または経済的特徴を指すことを意図したものであり、コスト、色、色の組み合わせ、サイズ、強度、形状、スタイル、パターン、長さ、重さ、コンテンツの特徴、テーマ、オプション、材料の選択、柔らかさ、などが挙げられる。製品属性は、審美的または機能的であってよい。所与の製品は、デザインを開発するために、本発明の方法を使用して組み合わせた一連の可能な属性を有する。デザインまたは選択の異なるタイプのオブジェクトは、明らかに、異なるグループの可能な属性を有することになる。したがって、例えば、ハンズフリーの電話の審美的に美しい外観に対するデザインは、材料（例：プラスチックまたは金属）、材料の配置（例：上面が金属で側面がプラスチック）、テクスチャ、色、色の組み合わせ、長さ、幅、および厚さのような「属性」を有する。掲示板のデザインは、寸法、アスペクト比、主要な色、背景色、配色、および画像資料の有無のような属性を有する。

「属性」という用語は、製品に存在するかしないかという意味において絶対的な要素、および属性が多数の値を有することができるか、または多数のサブタイプに分割することができるという意味において相対的な要素、の両方を示す。この点で、本願明細書で使用される「属性」の意味は、より広義であり、コンジョイント分析の文献に使用される用語とは相異なる。前者の例には、自動車のダッシュボード内の時計の有無、または服装デザインにおける色の有無が挙げられる。後者の例には、ボートの船体設計の船首における湾曲の程度が半径であるかまたは他の基準であるかということ、または建造物を覆うガラスの反射率が挙げられる。

概して、本発明は、デザイン、選択、または市場調査のエクササイズに携わる人に対して、複数のデザインの選択肢を一般に電子的に生成および示すことを伴う。関係者（セレクタ）は、示されたデザインの選択肢の中のまたはその間のプレファレンスを示すデータを送信する。そのデータは、属性のプレファレンス情報を決定するためのコンジョイント分析の基準として、新しい世代のデザインの選択肢または提案、あるいはその両方を導出または選択するために使用される。所与のエクササイズでは、決定オブジェクトは特に、コンジョイント分析（またはランダムな決定オブジェクト）を高めるように、デザインまたは選択される。これらの決定オブジェクトは、最初に、またはいつでも示すことが可能であり、そのデータは、エクササイズを継続するときにオンザフライで、またはデータ収集の後に、コンジョイント分析を実行するために使用される。一実施態様では、反復デザインエクササイズは、同時係属の米国特許出願第１０／０５３，３５３号に開示されているように行われ、表されるプレファレンスデータは、示された決定オブジェクトの選択を行うか、または移行繰り返して示される新しい決定オブジェクトをリアルタイムで展開するために使用される。本実施態様では、プレファレンス情報は、コンジョイントエクササイズを行うためにも使用される。これによって、デザイン全体の決定だけでなく、デザインのプレファレンスを導出する属性のグループのプレファレンスの決定も可能になる。好適な実施態様では、初期に示された決定オブジェクトからのデータは、コンジョイント分析の基準を提供する。コンジョイント分析の結果は、次いで、以降の、一般に継ぎ目のない、反復デザインエクササイズにおいて使用される決定オブジェクトに対する、属性のレベルまたは属性の組み合わせを、ポピュレートするか、または決定するために使用される。さらに別の実施態様では、コンジョイント分析を容易にするようにデザインされた表示がそれぞれのプレゼンテーションにおいて散在している。本実施態様では、その表示は、以前のプレファレンスデータによって導出することが可能である。コンジョイント分析は、十分な客観的データが収集された後で、例えば、エクササイズが進行中である間、またはそのデータ収集フェーズが終了した後に、いつでも行うことが可能である。これによって、消費者動向を予測する高品位の市場情報の開発が可能になる。

以降のコンジョイント分析のためのデータを生成するタスクに向けられた、示された決定オブジェクトは、ランダムに選択された属性を有するか、または専門かまたはアルゴリズムによる目的に特にデザインすることが可能である。反復デザインエクササイズにおけるプレゼンテーションのための、新しい決定オブジェクトまたは派生製品形態は、遺伝的または進化的計算手法を利用するコンピュータプログラムの使用によって生成されることが好ましい。プロセスは、多数回または多数サイクル繰り返される。

取り組みの目的、およびその方法がどのようにデザインされ、実行されるのかに応じて、実験を複数の新規かつ有用な方法で使用することができる。実験は、個々の消費者または対象とする消費者グループの興味を引く、新しい製品またはサービスのデザインに役立つ。実験は、これまで可能であったものよりも良い方法で、グループでのデザイン活動を容易にするか、または市場調査を行うために使用することができる。例えば、調査は、これに限定されないが、個々の消費者、人工統計学的に定義された消費者グループ、または特定の心理状態の消費者のアフィニティの精査を含み、諸費者の興味を引くことに重要であるか、または重要でないデザインの属性を解明する。

本発明は、プレファレンスを示すデータを収集するために様々な方法を利用すること、およびそのデータの作表、フィルター処理、および使用するために様々な方法を利用することが可能である。したがって、セレクタを含む人々のサブセットから得られたデータには、製品形態の派生グループの生成に不均衡な影響力、すなわち、ディスカウント、重要性の増加、または無視すること、を与えられうる。セレクタは、派生グループの繰り返しの前またはその間に、前記製品の属性を特定できるようにすることが可能である。これは、その属性の値を特定の値に定めること、または関係者が望ましくないと考える特定の値にその属性が取り込まれないようすることを伴うことが可能である。反復的な選択／デザイン／分析プロセスを開始する前に、システムは、セレクタから特定のプレファレンス情報を得ることが可能であり、派生製品形態の以降の生成を抑制するために、当該の事前選別において得られる情報の少なくとも一部を使用することが可能である。例えば、当該の情報には、販売者がその製品に支払うおうとする価格の範囲、製品スタイルの情報、色のプレファレンス、材料のプレファレンス、性能仕様、またはセレクタが所望する製品の機能のリストが挙げられる。

別の観点から見ると、本発明は、デザイン学の言語の構成要素間で非互換のコンピュータ支援のブリッジを備え、一方では、消費者がプレファレンスまたは購入を考慮するときに消費者によって用いられる認識言語および思考プロセスを備える。それが、デザインのタスクへの有効な消費者の入力を妨げているこの二分法であり、その入力は消費者のプレファレンスを正しく反映する。本願明細書に記載される本発明のデザイン分析の実施態様は、コンピュータを利用した翻訳装置を備え、消費者のプレファレンスを継ぎ目なく有効に変換し、デザインの具体化に有用な変数を介して特定されるデザイン固有のデータへの言葉による記述をしばしば拒む。消費者がすべてのデザインの組の展開を評価できるようにすることにより、デザインそれぞれが、その消費者のプレファレンスの決定に関連する側面を組み込み、消費者は、特定のデザイン特性または言語を熟知することなく、デザインまたは選択プロセスを直接行えるようになる。製品の選択プロセスは、消費者が、好ましい（または好ましくない）製品の特徴を意識的に明らかにすることによって、または消費者が、魅力的なデザインの開発を潜在意識で行うことによって、行うことが可能である。

概ね上述したように、本発明の方法を実行するための好適な装置は、複数のターミナルに接続されたサーバーにプログラムが常駐するネットワークを備える。該装置に用いられるターミナルは、コンピュータ、テレビ、電話、携帯情報端末、またはサーバーに無線または有線で接続される他の電子装置を備えることが可能である。該装置は、最も一般に複数のターミナルを備える。当然、情報技術の現状を鑑みると、他のシステムアーキテクチャは、本発明の種々の方法を実行するために、本発明のシステムを組み込むために使用することが可能である。

該方法は、選択者に好まれる１つまたは複数の製品形態を決定できるようにするために、選択サイクルおよび派生製品形態を生成するサイクルを十分な回数繰り返すことを伴うことが可能である。特に、選択者が消費者グループである、グループでのデザイン活動では、該方法は、複数の好適なデザインの識別をもたらすことが可能である。セレクタに関する人口統計学的データを収集して、選択者に好まれる製品形態を人口統計学的データに関連付けることによって、異なる方策を使用して活用することが可能な市場セグメントの識別が可能になる。したがって、本発明は、新しい形態の市場調査を容易にし、その所有者は、所与の製品形態に対して、消費者または消費者グループの関連するアフィニティを識別すること、または、例えば初期導入者、後期の多数派などの市場セグメントを識別すること、および属性のプレファレンス情報を決定することが可能になる。

次の製品形態の派生グループは、今回は新しい一組の製品形態に関連して、プレファレンスを示すデータを再び入力する、セレクタを含む１人以上の人に示され、プロセスは、停止基準を満たすまで繰り返される。停止基準には、例えば、セレクタによって行われる購入の決定、所定の繰り返し数のサイクル、セレクタを含む複数の人による属性に関するコンセンサスの合意に到達すること、セレクタを有する所定数の人の関与、所定数の評価の達成、エクササイズを行うための所定時間の経過、将来の時の到来、良好なデザインが達成されたと判断する人のような管理者の介入、セレクタまたは管理者を含む人に判断されるような新しい製品形態の改善不足、または適切にプログラムされたコンピュータ、セレクタを含む人による特定の製品形態の選択、進化的アルゴリズムによって生成されるすべてのデザインの選択肢の十分少ない数の可能性への収束（すなわち、遺伝的な多様性の損失、またはデザインの母集団におけるある程度のレベルの類似性への到達）、そのいくつかを組み合わせたもの、が挙げられる。

エクササイズに関与するセレクタを構成する人々は、当然、設計サイクル中に良好に展開することが可能なプレファレンスプロファイルを有することになる。関係者は、グループのダイナミクスにおいて、同僚の選択によって影響を受ける場合がある。また、関係者のプレファレンスは、選択肢をより厳密な方法で見たり考えたりして、それ以外ならばその状況になりうるので、調整することが可能である。おそらくは最も重要なことに、人によるデザインエクササイズへの関与は、評価を提供するその関係者の信頼性のレベルを高める役目を果たすことが可能である。しばしば、初期の多数の製品の選択肢は、低い信頼性のレベルを伴う場合がある。しかし、進化的な設計プロセス中、消費者のプレファレンスがよりデザインの属性に反映されると、消費者自身の評価は、より大きな信頼を生み出すことになる。類似した現象には、何人かの消費者が製品を調査した場合に、より確信して購入決定を行うことが挙げられる。さらに、反復されたステップおよび消費者の本当のプレファレンスについて集中して考えることを通じて、消費者のデザインを含めることは、それ以外の場合よりも、購入の頻度がより高くなる可能性がある。これらの行動の洞察に基づいて、本発明によれば、いくつかの実施態様では、反復プロセスの少なくともいくつかの点で、関係者のプレファレンスに信頼を示すデータを関係者が入力できるようにすることに役立つ可能性がある。関係者によって表される、デザインにおける信頼のレベルは、少なくとも特定の関係者に関して、サイクル停止基準として使用することができる。

本発明は、所与のエクササイズの目標達成を補助するために、様々なプログラム手法の使用を考慮するものである。概して、多くの公知の計算手法は、本発明の方法および装置に有用なコンピュータプログラムのデザインに利用することができ、所与の目的を達成するために熟練したプログラマによって適応させることができる。反復デザインエクササイズに使用する好適な手法には、遺伝的アルゴリズム、進化戦略、分布推定アルゴリズム、および遺伝的プログラミングのような、遺伝的または進化的な計算手法（ＧＥＣ）が挙げられる。本発明でその使用を考慮する他の計算手法には、生成文法、ヒルクライミング、シミュレーテッドアニーリング、ランダムサーチ、ランダムな属性値の発生器、統計学的な実験計画法、またはそれらを組み合わせたもの、が挙げられる。従来のコンジョイント分析技術を使用することが可能である。

プログラムは、遺伝的アルゴリズム演算、進化戦略演算、遺伝的プログラミング演算、生成文法演算、ランダムな属性動作の発生器の演算、または製品形態の派生グループを生成させるための他の演算、を実行することが可能である。プログラムは、派生組の製品形態を組み立てるために、一組の製品属性から選択することが可能であり、および／または新しいまたは変更された属性を生成することができる機能を利用することができる。また、プログラムによって、セレクタは、製品形態の派生グループ内に新しい製品形態を導くために、予め選択された属性または属性値を含む形態に対する、または当該の特定の属性または属性値を含む形態に対する派生グループの生成に制限を課すために、またはエクササイズの製品または他のオブジェクトの属性を特定するために、生成された製品形態を削除することも可能になる。該装置は、セレクタに好まれる複数の製品形態を格納するための手段と、セレクタが選択した製品形態のセレクタへの販売を達成するための手段と、をさらに含む。

これらの様々な計算手法は、当然、他のプロセスステップと組み合わせて使用される場合を除いて、本願明細書に述べられるような、または添付の特許請求の範囲のいくつかに述べられるような、本発明の側面を考慮していない。本発明はまた、例えば、第１のアルゴリズムの出力を次のアルゴリズムの入力として使用するような、複数のレベルの遺伝的または進化的な計算手法を用いているシステムも含む。コンピュータプログラムは、種々の促進方策、すなわち、例えば、デザインのいくつかを評価するために関係者の適応可能な統計モデルを使用することによって、関係者の投票の負担を軽減するコード実行ロジックを組み込むか、または「良好な」デザインを有する母集団から製品をシードすることによって、本来はモジュール式であるデザインの場合に最初により高いレベルのモジュールを展開することによって、または非実用的または不可能なデザインを減じるかまたは取り除くために種々の制約パラメータを使用することによって、適切または最適な形態を識別するために必要とされるデザインサイクルの数の減じることが可能なコードを組み込むことが可能である。

該方法は、概して、例えば、コンピュータディスプレイまたはあるタイプの出力装置を介して、セレクタに製品形態のグループを示すステップを含み、それぞれのステップは特定の属性の組み合わせを有する。これらの初期の製品形態をデザインまたは選択する方法は、セレクタまたは管理者が以前に明らかにしたプレファレンスを反映させるために、代表のデザインのスクリーニングを伴うことが可能である。別様には、初期の製品形態は、一連の最初に示されたデザインのオプションからのプレファレンスのデータに基づいて、オンザフライのコンジョイント分析によって、セレクタにとって重要であることがわかった属性を組み合わせたものを含むことが可能である。一般にプレゼンテーションは、例えば、代表的なデザインの選択肢または形態を、グラフィック、英数字、または他の視覚的なデータで示すことによって、電子的に行われる。デザインまたは選択された製品は、局またはジングルのような聴覚的に可聴の製品によるものが可能であるので、プレゼンテーションの視覚的な感知は、本発明の要件ではない。製品の属性は、スムーズさ、テクスチャ、温度、人間工学的な湾曲、柔らかさ、またはそれらの程度の中から、またはその間で識別するために、触覚的に感知することが可能である。また、鼻で感知する香り、および経口的にまたは経口／鼻で感知する味をデザインまたは選択するように、本発明の方法および装置を用いることも可能である。

次に、本発明の方法は、示された製品形態の（１つ以上の）サブセットに対するプレファレンスを表すセレクタを有し、セレクタによって表されたプレファレンスを示すデータは、デザインの選択肢の展開および／またはコンジョイント分析の基準として使用するために取得される。本願明細書に開示されるように、エクササイズの目標に依存する、データの収集、集計、スクリーニング、それ以外に、データを調整するためのプロトコルの選択とともに、様々な投票スキームを使用することが可能である。取得したデータは、製品形態の派生グループまたは「次の世代」を生成するために、プログラムに入力される。これらには、新しい属性（例えば、製品デザインの一部またはコンポーネントの新しい色または新しい形状）、新しい値を有する属性、または属性の新しい組み合わせ、のいずれかまたはすべてを有する製品形態が含まれる。上述のように、プログラムは、派生グループまたは次の世代を生成するために、既知または開発中の様々な手法、方策、データ処理方法、およびアルゴリズムを利用する。

プログラムは、所与の派生組の製品形態の少なくとも一部を生成するために一組の製品属性から選択するか、または属性を作成または変更する機能を利用することが可能である。プログラムはまた、セレクタまたはシステムの所有者または管理者などの第三者が、サイクル内のいずれかの時点で、特定の製品形態を削除するか、または新しい製品形態を導入できるようにするか、または促進できるようにすることも可能である。また、プログラムは、第三者またはセレクタが、派生製品形態の母集団をその属性によって拡充する（または代わりに、減少させる）ように、いくつかの予め選択された属性（または属性値）を含む（または代わりに、含まない）派生グループの生成を抑制できるようにすることが可能である。すなわち、システムを制御するセレクタまたは管理者によって境界条件に対応することが可能である。

所与の目標に対するこれらの計算手法（または下述するように、投票手法）の適用は、例えば市場調査の実施態様の場合、関係者（一般に、オンライン上の多数の消費者）に、コンピュータプログラムを介して、製品属性の様々な組み合わせを有するデザインスペースの調査を活性化するために、多岐にわたる広範なデザインの選択肢を示すように特にデザインされた、後に続く世代の様々な製品形態を提供するように、アルゴリズム／プログラムを制御することを伴う。別様には、またはさらに、コンピュータプログラムは、１つまたはサブセットの消費者のプレファレンスに一致する一組の製品属性に収束する、すなわち、「一致する製品」（消費者のプレファレンスに最も適したもの）へ展開する、派生製品形態を生成する。さらに別の側面では、コンピュータプログラムは、対応する複数の消費者のサブセットのプレファレンスに一致する複数組の製品属性を有する、複数の形態の製品に収束する、派生製品形態を生成する。したがって、システムは、類似したプレファレンスおよびそのプレファレンスを満たすデザインによって、消費者グループが識別することを可能にできる。

該方法は、セレクタが好む１つまたは複数の製品形態を決定できるようにするために、十分な回数、選択サイクルおよび派生製品形態の生成サイクルを繰り返すことを伴うことが可能である。特に、セレクタが消費者グループであるグループでのデザイン活動では、この方法によって、複数の好適なデザイン、および消費者にもたらされる潜在的な誘因となるものに対する洞察をもたらすことが可能である。セレクタに関する人口統計学的データを収集して、選択者に好まれる製品形態を人口統計学的データに関連付けることによって、異なる方策を使用して活用することが可能な市場セグメントを識別することが可能になる。したがって、本発明は、新しい形態の市場調査を容易にし、その所有者は、所与の製品形態に対して、消費者または消費者グループの関連するアフィニティを識別すること、または、例えば初期導入者、後期の多数派などの市場セグメントを識別することが可能になる。

従って、本発明は、ハイブリッド実験を行うための方法を提供し、セレクタグループのデザインプレファレンス傾向を分析するために、一般に収束および非収束エクササイズを組み合わせる。

種々の実施態様では、非収束エクササイズは、コンジョイント分析を含み、収束エクササイズは、遺伝的または進化的アルゴリズムを使用することによる決定オブジェクトの展開または選択を含む。本発明の異なる実施態様では、収束実験と非収束実験との間の移行のために様々な方法を用いており、各方法は、セレクタのデザインのプレファレンスに関する情報を得るために異なって有効である。様々な繰り返し、制限時間、および他の基準は、いつおよびどのようにして非収束および収束エクササイズを切り替えるのかを決定するために使用される。いくつかのバージョンでは、実験は、収束と非収束エクササイズとのハイブリッドである。他のバージョンでは、データ収集と収束エクササイズとのハイブリッドである。これらのバリエーション、その他は、明細書の残りおよび添付の請求の範囲を通してより詳細に説明する。

上述の本発明の利点は、更なる利点とともに、添付図面とともに取り込まれる以下の説明を参照することによって、さらに理解することが可能である。図において、異なる図を通して、同一の参照符号は同一の部分を参照する。また、図は必ずしも一定の比率でなく、その代わりに本発明の概念を伝えることに重点が置かれる。

概要では、請求項記載の発明は、決定オブジェクトおよびそれらの属性に対する様々なデザインの選択肢の中から、セレクタのデザインプレファレンス傾向を効率的に分析する方法を提供する。該方法は、あらゆる所与の対象グループのプレファレンスの情報を提供する高品位のデータセットを収集するために、製品またはサービスのどの属性がそのセレクタに対して重要であるか、または重要でないかを識別するために、また、忠実に偏見なく、好適な製品形態を明らかにするために、使用することが可能である。該方法は、電子的に、および一般に非同期で比較的短期間で実行される。該方法は、あらゆる組のデザインまたは市場調査目的を満たすように、また、あらゆるタイプの製品に関連すると考えられるあらゆる特定のデザイン問題に関連するデータを得るように、デザインすることが可能である。好都合に、該方法は、セレクタから様々な選択的な情報を得るために、収束エクササイズおよび非収束エクササイズの両方を使用する。

図１は、本発明を使用することが可能な環境の一実施態様を示す図である。セレクタは、ネットワーク１００を通じて、１つ以上のサーバーコンピュータシステム５０、５２、５４と通信するために、１つ以上のクライアントシステム１０、２０、３０、４０を使用することが可能である。ネットワーク１００は、イーサネット（登録商標）ネットワークのようなローカルエリアネットワーク（ＬＡＮ）、またはインターネットまたはワールドワイドウェブのようなワイドエリアネットワーク（ＷＡＮ）であってよい。クライアントシステム１０、２０、３０、４０は、標準電話線、ＬＡＮまたはＷＡＮリンク（例：Ｔ１、Ｔ３、５６ｋｂ、Ｘ．２５）、ブロードバンド接続（ＩＳＤＮ、Ｆｒａｍｅ Ｒｅｌａｙ、ＡＴＭ）、および無線接続を含む様々な接続を介して、ネットワーク１００に接続することができる。接続は、様々な接続プロトコル（例：ＴＣＰ／ＩＰ、ＩＰＸ、ＳＰＸ、ＮｅｔＢＩＯＳ、イーサネット（登録商標）、ＲＳ２３２、および直接の非同期接続）を使用して確立することができる。例えば、ネットワーク１００は、組織内の意思決定者を集中決定エンジンに接続する企業内イントラネットであるか、または企業の供給者またはコンサルタントのような異なるエンティティを企業のデザインエンジンに接続する安全なエクストラネットまたは仮想プライベートネットワークであってよい。

図１に示されるように、クライアントシステム１０、２０は、あらゆるパーソナルコンピュータ（例：２８６ベース、３８６ベース、４８６ベース、Ｐｅｎｔｉｕｍ（登録商標）ベース、ｉＴａｎｉｕｍベース、Ｐｏｗｅｒ ＰＣベース）、Ｗｉｎｄｏｗｓ（登録商標）ベースのターミナル、ネットワークコンピュータ、無線装置、情報機器、Ｘ−ｄｅｖｉｃｅ、ワークステーション、ミニコンピュータ、メインフレームコンピュータ、携帯情報端末、または他のコンピュータのような、一般にユーザーによって使用されるクライアントコンピュータシステムであってよい。これらの実施態様では、クライアントシステム１０、２０は、Ｗｉｎｄｏｗｓ（登録商標）３．ｘ、Ｗｉｎｄｏｗｓ（登録商標）９５、Ｗｉｎｄｏｗｓ（登録商標）９８、Ｗｉｎｄｏｗｓ（登録商標）ＮＴ ３．５１、Ｗｉｎｄｏｗｓ（登録商標）ＮＴ ４．０、Ｗｉｎｄｏｗｓ（登録商標）ＣＥ、Ｍａｃｉｎｔｏｓｈ、Ｊａｖａ（登録商標）、Ｕｎｉｘ（登録商標）、およびＬｉｎｕｘのような、複数のＷｉｎｄｏｗｓ（登録商標）志向のオペレーティングシステムのうちのいずれか１つを使用することが可能である。本実施態様では、セレクタは、クライアント装置１０、２０を介してシステムと情報をやりとりするユーザー１２、２２を含む。

他の実施態様では、クライアントシステム４０は、小売店内に位置する情報キオスクである。これらの実施態様では、クライアントノード４０は、消費者の入力を受信するためのタッチセンシティブスクリーンまたはメンブレインキーボードを含むことが可能である。他の実施態様では、クライアントシステム４０は、販売取引から消費者の参照情報を収集する、ＰＯＳターミナルである。図１のクライアントシステム３０は、ニューラルネットとしてプログラムおよび訓練されたコンピュータ、統計モデル、分布推定アルゴリズム、強化またはＱ学習法、学習分類子システム、または他の機械学習法またはエキスパートシステムのような、現実の人の代理である、セレクタの一実施態様を示す。これらの実施態様では、クライアントシステム３０は、ニューラルネットモデル、学習分類子システム、統計モデル、またはエキスパートシステムのような、モデルまたはアルゴリズムの評価を実行する１つ以上のプロセスであってよく、人間の投票のプレファレンスをエミュレートし、代理によって投票する。これらのプロセスは、クライアントシステム３０上で実行し、ネットワーク１００を介してサーバーシステム５０、５２、５４と通信することが可能である。別様には、クライアントシステム３０は、サーバーシステム５０、５２、５４上で実行し、パイプ、共有メモリ、またはリモートプロシージャ呼出しのようなメッセージベースの通信を使用して、様々なサーバプロセスと通信することが可能である。

多くの実施態様では、サーバー５０、５２、５４のうちの１つは、セレクタに、製品形態の初期の母集団を示すこと、セレクタに示される派生製品形態を生成すること、およびセレクタのプレファレンスを示すデータの取得および処理を担う。このサーバーを「プレゼンテーションサーバー」と称する。少なくとも１つの属性データベース６０は、製品形態を生成するために利用できる可能な属性を格納する。少なくとも１つの投票データベース７０は、プロセスの過程中にセレクタから得られるプレファレンスデータを格納する。いくつかの実施態様では、可能な製品属性および得られたプレファレンスデータの両方を格納するために、単一のデータベースが使用される。

サーバー５０、５２、５４のうちのもう１つは、製品形態の代表例を生成するために、格納された属性データおよび格納されたプレファレンスデータを使用する、生成的および進化的な計算プログラムを実装する。このサーバーを「生成サーバー」と称する。プレゼンテーションサーバーは、これらの製品形態の代表例を処理して、セレクタに示すことができる製品形態を生成する。

サーバー５０、５２、５４のうちのさらにもう１つは、投票集計分析サーバーとしての機能を果たす。このサーバーは、以下の複数の役割を果たす。セレクタに由来するプレファレンスデータを取得し、それを投票データベース７０に格納する。また、データを分析し、生成サーバーが使用できるフォーマットに変換または調整する。また、セレクタのプレファレンスの統計学的またはニューラルネットベースのモデルまたは他の機械学習モデルのような、モデルを開発するためにも使用され、これらのモデルは、セレクタに示される前に、生成サーバーによって生成された形態のいくつかを取り除くために使用することが可能である。加えて、セレクタのサブセットのプレファレンスを示すデータを提供することが可能であり、プレゼンテーションサーバーによって示された形態に添付することが可能である。独立したサーバーとして示されているが、生成サーバー、プレゼンテーションサーバー、および投票集計／分析サーバーは、複数の物理的サーバーとして組み込むことが可能である。

本発明によって、セレクタまたはそのサブセットによる購入決定が可能になる、またはこれを利用する実施態様の場合、サーバー５０、５２、５４は、ｅコマースサーバーであってよい。例えば、購入決定は、デザインエクササイズに停止条件のうちの１つを提供するか、またはセレクタを含む個体が、満足のいく中間の製品形態のうちの１つに対する購入注文を出せるようにすることが可能である。当業者には十分理解されているｅコマースサーバーは、課金情報および送り先住所のような顧客情報を含む、データベースを使用する。ｅコマースサーバーは、クライアントから関連する購入および配送情報を得て、それを処理し、データベースに格納し、また関連するデータをオーダーフルフィルメントエンティティに転送するために使用することが可能である。

セレクタはまた、統計モデル、ニューラルネット、学習分類子システム、他の機械学習モデルとしてプログラムされた１つ以上のコンピュータ、または消費者のプレファレンスパターンを模倣またはシミュレートするように「訓練された」他の適切なソフトウェアアルゴリズムを含むことも可能である。当該の代用セレクタは、とりわけ、コンピュータ制御の創発的デザインサイクル中の、フィードバックおよび評価プロセスを容易にすることができる。好適なコンピュータプログラムは、おそらくは管理者としての関与を除いて、消費者の関与を容易にするか、または取り除くこともできる。例えば、訓練フェーズを行った後、評価プログラムは、生成プログラムへの入力としてサブミットする前に承認または調整するために、所与の組の選択肢に対して提案されたプレファレンスパターン（評価）を消費者に表すことが可能である。反復サイクルの後、消費者が調整を行えるようにするために中断する前に、消費者は、個人の評価プログラムが、複数のサイクルに対する生成プログラムに、管理されていない入力を提供できるようにすることが可能である。最後に、信頼感は、消費者と評価プログラムとの間に生じさせることが可能であり、評価プログラムが消費者の代理としての役割を果たすことができる。当該の方法の利点は、消費者のプレファレンスと特定のデザインの選択肢との間のより完全なフィットネス環境を探索するために、評価プログラム−生成プログラムが、多くの初期シード評価の組（選択肢）から始まる複数サイクルに対して情報をやりとりすることができることである。

ニューラルネット、学習分類子システム、機械学習システム、エキスパートシステム、または他のタイプの評価プログラムは、コンピュータ生成の選択肢および消費者規定の評価を有する、一組の創発的デザインサイクルを使用して訓練することができる。将来の創発的デザインプロセスとの相互作用を補助するために利用可能なパーソナライズされた評価プログラムを有する可能性は、消費者が多数組のデザインサイクルに関わることへの誘因となりうる。

本発明の他の実施態様では、セレクタは、単一の個人で構成されている。すなわち、システムはシングルユーザーシステムである。この場合、集計および分析すべき複数の投票が存在しない。したがって、投票データベース７０は、特定のセレクタに対するデザインエクササイズまたは意思決定プロセス全体にわたって、プレファレンスデータを格納するために使用される。投票データベース７０はまた、現在のものよりも前の類似したエクササイズに関与したと考えられる、他のセレクタからのプレファレンスデータも含むことが可能であり、同じセレクタが以前に関与したと考えられるエクササイズからのデータを含む。サーバー５０、５２、５４のうちの１つは、セレクタから入力されたプレファレンスデータを収集、分析、および格納する。また、プレゼンテーションサーバーにデータを提供することによって、関係者にフィードバックを提供するために使用することも可能であり、エクササイズの期間にわたって、セレクタのプレファレンスの進化を示すか、または現在のプレファレンスと投票データベース７０に格納されたデータを比較するための基準を、セレクタに提供することが可能である。

図２は、本発明の方法を組み込んだ、例示的な意思決定または製品デザインエクササイズのプロセスフロー図である。

この例では、プロセスは、エクササイズのオブジェクト、すなわち、ブロック２１０で表される決定オブジェクトまたはデザインオブジェクトを識別することで始まる。この時点で、オブジェクトは、「テニスシューズの色」、「来週の会議の議事日程」、「来月の組合会議のメニュー」のような、ごく一般的な用語で識別される。次に、ステップ２１１で、エクササイズ中に変更することが可能になるそれらのオブジェクトの属性が識別され、それらが取り込むことが可能になる異なる値が決定される。例えば、上述のテニスシューズの色の場合、ステップ２１１は、デザインの変更を受けるシューズの個々の要素の識別を伴うことが可能である。その結果は、爪革の色、アイステーの色、舌部の色、ヒールの色、ソールの色、および靴ひもの色、となりうる。さらに、これらの要素のそれぞれが取りうる色の範囲が確立される。例えば、靴ひもは、それらが取ることができる３つの異なる色、例えば、白、黒、および赤を有するか、または４つの暗度の赤、または異なる値の赤の属性を有することが可能である。他の実施態様では、属性は、連続的な範囲の値を有することが可能である。

プロセスの次のステップは、ブロック２１２で表され、代表例または遺伝子型の符号化の決定を伴い、この符号化は、遺伝的アルゴリズム、遺伝的なプログラム、または他のＧＥＣプログラムにおいて内部的に特定のデザインまたは決定オブジェクトを示すために使用される。遺伝的アルゴリズムの場合、「遺伝子型」は、特定のインスタンス、属性を組み合わせたもの、または１つの特定の製品形態を表す構造の「値」のような、各属性値を符号化するデータ構造である。遺伝子型は以前のステップ２１１に直接結び付けられ、属性およびそれらの可能な値が決定され、「フィーチャリゼーション」と呼ばれることもある。テニスシューズの色の例を続けると、適切な遺伝子型は、つなぎ合わせた６つの整数で構成することが可能であり、それぞれ靴ひもの色のような識別された特徴のうちの１つを表す遺伝子とみなすことができる。その整数は、相異なる整数値をとるように制限され、ここでは一例として３つ、例えば、０、１、および２であり、それぞれ、３つの靴ひもの所定の許容可能な色のうちの１つを表すために使用される。この例の遺伝子型の構造を概略的に下記に示す。

フローチャートの次のステップはブロック２１３で表され、上述の遺伝子型の代表例、進化的アルゴリズムの内部のデータ構造から、セレクタに示すことができる対応する形態の代表例である表現型への、マッピングまたは変換の決定を伴う。テニスシューズの色の例では、特定の特徴色とそのインデックス値との間に相関関係があるので、このマッピングは自明である。他の場合には、このマッピングはより複雑になりうる。例えば、遺伝的プログラムが使用される場合、遺伝子型は、プログラムまたは一組の命令を符号化し、この命令は、例えば幾何学的形状などの製品形態を生成するか、または形状のパラメトリックコンピュータ支援デザインモデルを決定し、そのパラメータはゲノムによって符号化される。

次のステップ２２２で、非収束エクササイズが状況に応じて行われる。非収束エクササイズでは、データはセレクタから得られるが、当該のデータは、決定オブジェクトを展開するために、または評価される決定オブジェクトの範囲を狭くするために使用されないことが好ましい。しかし、種々の実施態様では、データは、収束エクササイズにおいてセレクタが見る１つ以上のフォーカスウィンドウをポピュレートするために使用することが可能である。別様には、データを格納して、セレクタのプレファレンスに応じて、後に分析および／または報告するために使用することが可能である。収束および非収束エクササイズ、およびその２つの間の移行を容易にする切り替え条件の使用および相互作用について述べている実施態様は、「ハイブリッド実験」というタイトルの項で以下に詳述する。

先のステップはプロセスの収束部分のための予備のステップであり、ステップ２１４から始まる。ステップ２１５で、収束エクササイズのための可能なソリューションの初期の母集団（可能なデザイン、可能な決定、可能なメニュー）が生成される。遺伝的および進化的計算の言語では、この初期の母集団は、しばしばシード母集団またはトライアル母集団と称される。標準的な母集団のサイズは、２から１００，０００まで変動する場合がある。

母集団の各メンバーは、上述の遺伝子型のインスタンス、すなわち、各フィールドまたは「遺伝子」が、その許容可能な値のうちの１つをとるデータ構造である。これらは、染色体とも称される。シード母集団は、染色体の各フィールドに対して許容可能な範囲からランダムな値をピックすることによって生成することが可能である。別様には、シード母集団は、上述の非収束エクササイズ２２２の使用によって選択することが可能である。例えば、現段階での種々の実施態様は、予めセレクタから受信した入力に基づいて、コンジョイント分析を用いることが可能である。可能なソリューションの初期の組をポピュレートする他の可能な方法は、以前のエクササイズの結果である染色体を使用すること、他の（より従来の）手段を使用して人々によってデザインされた製品形態を表すものを使用すること、または部分的にそのプロセスの目標に依存する他の方法の間で使用することである。

初期の母集団が生成されると、それは評価のためにセレクタに示される。このステップは２１６で表される。可能なソリューションを示すことは、ステップ２１３で決定された表現型変換スキームへの遺伝子型の使用を必要とする場合がある。ステップ２１６は、セレクタに可能なソリューションの全ての母集団を示すことを伴うことが可能であるか、またはその母集団のサブセットを示すことを伴うことが可能である。いくつかの特定の実施態様では、セレクタには、グローバルな（この場合、初期の）母集団のサブセット、または「ウィンドウ」上にこれを示す。少なくとも、可能なソリューションのうちの２つがセレクタに示される。ステップ２１６で、製品形態のプレゼンテーションとともに、セレクタには、それらの中のプレファレンスを表すための手段も示される。これは、良いとみなされるものをクリックすることから、示される種々の形態に割り当てたグレードを移動すること、プレファレンスの順序によって形態を順序付けすることなどまで、複数の方法で実施することができる。これらの方法のそれぞれは、次のステップで取得および使用される特定のタイプのプレファレンスデータをもたらす。特に、１つの方法では、セレクタは、おそらくは満足しているとみなされる、示された形態のうちの１つに対して購入のリクエストを発行することによって、セレクタのプレファレンスを示すことが可能である。

ステップ２１７で、セレクタからのプレファレンスデータは、一般に電子的に収集および分析される。複数の個体がセレクタを構成する場合、異なる個人からのプレファレンスデータは、プロセスの移行のステップで使用できるようにするために、集計および調整されなければならない。このステップでは、複数の投票集計方法を使用することが可能である。投票集計方法およびセレクタのプレファレンスを表すためにセレクタに提供される方法は、技術的に関連していることに留意されたい。

本発明の実行に有用な投票システムには、これに限定されないが、以下のものが挙げられる。

選択肢間の二進数の比較からの情報のみに依存する、多数決原理および多数決方式。あるいは、多数決原理の最もよく知られている例は、米国の大統領選挙のプロセスであり、しばしば２人の候補者間の選択である。多数決原理の選挙スキームの勝利者は、半分以上の投票者に好まれる選択肢（または候補）である
ポジショナル方式は、投票者のプレファレンスの順序付けに関する情報を、多数決方式よりも多く用いる（しかし、すべての順位付けが必要なわけではない）。相対多数投票（小選挙区制としても公知である）では、投票者が最も好むｎ個の選択肢に対してすべての投票者が投票を行う。ここでｎは選択される候補者の数である。最も多い投票を有する選択肢が勝利する。多数決方式と異なり、相対多数投票における投票の***により、有権者全体があまり好んでいなくても、２人の類似した候補者は、どちらも十分に異なる第３の候補者に敗れる。ポジショナル方式は、エクササイズにおいて関係者に複数の選択肢を示すこと、および関係者にその選択肢をプレファレンスの順でランク付けするように要求することを伴うので、特に複数の本発明の好適な実施態様に関連する。

マルチステージ方式は、投票プロセスの異なるステージで、異なる機能または機構を使用する。その方式はまた、選択肢の数を減少させて、同じ機構を繰り返して使用することも可能である。

単一移譲式投票（ＳＴＶ）では、投票者は、すべての候補者全体をランク付けしているプレファレンスをサブミットする。第１位の閾値数よりも多く投票されたすべての候補者が選ばれる。当選者が選挙に必要な投票数よりも多く投票された場合、超過した投票は、投票者の第二希望のプレファレンスに基づいて、残りの候補全体に再分配される。また、必要な投票数よりも多く投票された投票者は、評価した投票の再分配に従って、選択され、新ラウンドの再分配が行われる。利用可能な超過獲得投票がなくなり、当選者の必要数に到達していない場合、最低投票数の候補者が除外され、その候補者への投票が再分配される。

クームスのプロシージャ（Ｃｏｏｍｂｓ’ｓ ｐｒｏｃｅｄｕｒｅ）は、最下位となった選択肢が除外される（そして、その投票が再分配される）ことを除いて、ＳＴＶに類似している。ＳＴＶは、最も好まれる選択肢を選択する傾向があるが、クームスのプロシージャは、大多数によって最も好まれなかった選択肢を選択する傾向がある。

実利的な方式（Ｕｔｉｌｉｔａｒｉａｎ Ｍｅｔｈｏｄ）。投票者に選択肢の順位付けの提供を必要とする、これまで述べてきた方式とは異なり、実利的な方式では、基本的な格付けを必要とする。投票者は、示された選択肢のそれぞれに効用価値を割り当てるように要求される。これらの効用価値は、有限のスケールを使用して、投票者が各選択肢からもたらされると予想する、幸福感または満足感の量を反映させるためのものである（一般に使用されるスケールは、１乃至５、１乃至７、０乃至１０、または０乃至１００である）。実利的な方式における結果は、種々の選択肢に対して、投票者によって与えられる効用価値の集計に基づいている。

一実施態様では、請求項記載の発明は、デザインエクササイズが進行するときに、あるシステムから別にシステムに投票スキームを切り替えることを考慮している。別の実施態様では、種々の投票方式は、収束および非収束エクササイズの両方において情報を収集することを考慮している。

上述の投票方式のリストから明らかなように、関与を最大化することのような、特定の公平さの測度に関してはより優れているものもあるが、潜在的にセレクタに強く感じさせるごく一部の人だけが選択肢を迅速に見出すことにおいてより優れているものもある。すなわち、エクササイズ中のある時点で、本発明によって行われるエクササイズ中に使用される投票システムは、例えば市場調査の実施態様を利用する場合の調査を助力するか、または迅速な最適化、または例えば特定の市場セグメントのセレクタの代表を含む、人または一組の人が好む特定のデザインへの収束に到達することを助力することが可能である。したがって、請求項記載の発明は、初期に調査を助力し、その後のステージにおけるソリューションへ導くために、エクササイズの過程中に投票方法を切り替えることによって実施することができる。同様に、収束および非収束エクササイズの両方とともに、異なる投票方式を使用することが可能である。この一般的な概念は、尚早の収束を防止して、初期の調査を可能にするために、遺伝的アルゴリズムで使用される特定の標準的な手法の価値を有するものとして認識されている。

本発明のさらに別の側面では、単純な投票システムを並行して実行すること、および、例えばエクササイズの過程中に、各世代または割り当てられたポストでの結果を比較することを考慮する。意思決定スキームまたはルールあるいは管理者は、次いで、プロセス中に次の繰り返しを導くために、それらの結果のどれを使用するのか、またはそれらのいくつかの組み合わせを使用する可能性があるのかを決定することができる。当該の決定は、評価が行われたときの現在の投票データに基づくだけでなく、異なる投票またはデータ集計スキーム、および投票履歴または初期の繰り返しの結果に基づくこともできる。

ステップ２１８では、プレファレンスデータおよびエクササイズの他のパラメータ（経過時間、繰り返しの実行数など）は、停止条件を満たしたかどうかを確かめるために試験される。停止条件をまだ満たしていない場合、プロセスはステップ２１９に移動する。このステップでは、遺伝的な計算オペレーションは、ソリューションの「新しい」または派生母集団を生成するために、可能なソリューションの母集団に実行される。このステージで使用されるアルゴリズムは、上述のように広範囲に変化させることが可能である。好ましい形態では、演算は、現実の、および、整数値遺伝子を有する遺伝的アルゴリズムである。遺伝的および進化的な計算の大部分の実現例において一般的である演算子には、選択または再生演算子、再結合またはクロスオーバー演算子、および突然変異演算子が挙げられる。再生演算子は、それらのフィットネスの関数として、基本的にソリューションの現世代のメンバーのコピーを作成する。セレクタが好んだ、すなわち、セレクタが高い度合いのフィットネスを有することがわかった、それらの可能なソリューションは、あまり望ましくないことがわかったものよりも、選択および再生される可能性がより高い。再生演算子の大部分の実現例が決定的というわけではなく、ランダムな要素を伴うことに留意されたい。すなわち、可能なソリューションが再生されるという可能性であり、そのフィットネスによって変化する。また、非常にフィットしたソリューションは、この再生の中間ステージで現れるそのソリューションのいくつかのコピーをもたらすことに留意されたい。

別の演算子はクロスオーバー演算子であり、再生演算の結果であるソリューションの中間の母集団に作用する。クロスオーバーでは、中間の母集団のメンバーが対にされ、各対合の２つの染色体が分割され、異なる部分には交雑組み合わせが行われ、一対の子、すなわち新しい対の可能なソリューションをもたらす。下記の模式図は、単一ポイントクロスオーバーの場合を表す。

その結果の製品は２つの染色体を有し、遺伝子２と３との間の単一ポイントクロスオーバーが続く。

対合プロセスは、異なる染色体のフィットネスまたは好ましさに基づいて、ランダムに実行することができる。加えて、特定のスキームは、親の遺伝的な類似性または相違に基づいて、親を対にすることが可能である（本願明細書において、より複雑な交配スキームを後述する）。さらに、あらゆる所与の対にクロスオーバー演算を行う決定は、ランダムな要素を含むことが可能である。単一ポイントクロスオーバーでは、同様にクロスオーバーロケーションをランダムに決定することが可能である。（本発明に使用され、後述するいくつかの実施態様は、親の各対に対する単一の子をもたらす。）
複数のクロスオーバー演算子は、遺伝的計算の分野の調査者および専門家によって開発された。これらは、マルチポイントクロスオーバーおよび均一クロスオーバーを含み、異なる条件下で、（収束または調査／開発トレードオフに関して）それぞれ異なる機能を提供する。実数値の遺伝子の場合、クロスオーバー演算子は、親染色体内の対応する遺伝子の値間の補間および外挿を伴うことが可能である。

クロスオーバーを受けて、突然変異演算子は、子、すなわちクロスオーバーの結果に適用される。突然変異は、可能なソリューションのスペースの調査を高めることを目的とするランダムな演算である。実現例は、使用される特定の代表例に依存する。二進数評価された遺伝的アルゴリズムが使用される場合では、遺伝子型は、０および１の文字列から構成される。その場合、突然変異は、ランダムに所与の確率でビットを（０から１に、またはその逆に）反転させることを伴う。例えば、突然変異率が０．１％であれば、染色体の母集団において１０００ビットごとに１つ遭遇し、１つがランダムに選択され反転される。遺伝子が整数値をとる場合、適切な突然変異率（例えば、平均で１０００の遺伝子ごとに１つ）で、その整数は、その遺伝子に対する可能な値の範囲から、またはその遺伝子の現在の値のある近傍から、ランダムに選択された別の１つと置き換えられる。

その時点で、すべての遺伝的計算が可能な形態またはソリューションの母集団に適用された後、派生母集団が得られ、ステップ２１９は有効に終了する。（「モンスターキリング」とも称されることもある、更なる演算を適用することが可能であり、それによって、生成された可能性のある許容不可能な染色体が取り除かれ、代替物が生成される。）
派生母集団は、ステップ２１６での評価のために、セレクタに示される状態になっているので、ループの１つの繰り返しを完了する。

ブロック２１８で停止条件のうちの１つが満たされた場合、プロセスはブロック２２０に進むが、これは収束エクササイズの終了を表す。ブロック２２０で、好適な形態または複数の好適な形態２２１が発見される。この時点で、異なるセレクタによって、または同じセレクタであるが異なるソリューションの初期の母集団によって、あるいはその両方によってエクササイズを繰り返すことが可能である。また、同じデザインまたは決定オブジェクトに対して、異なる属性または異なる属性の範囲を使用して、関連するエクササイズを実行することも可能である（すなわち、２１０は元のままであるが、異なる属性を得るために、ステップ２１１を繰り返す）。これは、階層的デザインプロセスが行われる場合に可能であり、それによって、製品の１つの側面が最初にデザインされ、次いで別の側面がデザインされる。例えば、１つのフェーズにおいて靴の形状をデザインし、続けてその靴に対するカラーパレットを選択する。

種々の実施態様はまた、収束エクササイズの前、その途中、またはその後に、セレクタまたはアンケートの調査を組み込むことも可能である。この実施態様では、ステップ２２０に示される。調査は、セレクタの意見を求めるようにデザインされた、当業者に公知の標準の市場調査であってよい。調査を使用して得られた情報は、本願明細書に開示された方法に基づいて、任意の非収束エクササイズ２２２、２２３に組み込むか、または分析、あるいは報告することが可能である。

図３Ａおよび３Ｂは、許容される結果として、購入を伴う製品デザインエクササイズの一例のプロセスフローを示す。ブロック３１０乃至３１６、およびブロック３１８乃至３２０は、図２に対して上述した対応部分に類似する。ブロック３３６および３３８は、図２のブロック２２２および２２３のように、状況に応じて非収束エクササイズを実行することを表す。

本発明のこの実施態様では、ブロック３１７のセレクタからプレファレンスデータを収集した後、ブロック３１６に示される製品形態のうちの１つに対する、セレクタのいずれかのメンバーからのあらゆる購入リクエストの存在が確認される。プレファレンスデータが、１つまたは複数の当該の購入リクエストを含む場合、セレクタのメンバーは、選択した製品形態を識別する情報とともに、必要な配送および課金情報３３２が個人から得られる、ｅコマースサーバーに導かれる。選択した製品形態に関する情報は、３３３においてフルフィルメントセンターに送信されるか、または述べられたプロセス外である製造およびフルフィルメントオペレーション３３４に送信される。

図４Ａを参照して概要を説明する。図４Ａは、一組のアイテムに対して、複数のセレクタが類似したアフィニティを有する、一組のアイテムを動的に識別する方法の図であって、表示のためにセレクタのグループに第１のアイテムのグループを示すステップ（ステップ４０２）と、セレクタのグループの少なくとも何人かによって表されたアイテムのプレファレンスを示すデータを取得するステップ（ステップ４０４）と、取得したデータに対応する第２のアイテムのグループを選択するステップ（ステップ４０６）と、それぞれの属性の中で類似性を有する第２のアイテムのグループのサブセットを識別するステップ（ステップ４０８）と、を含む。

さらに図４Ａを参照して詳述する。図２のステップ２１６に関連して上述したように、セレクタのグループへ表示のために第１のアイテムのグループが示される。例えば、アイテムは視覚的に、すなわち、アイテムの図または写真のような図解が１人以上のセレクタに示される。他の実施態様では、アイテムの表示は、１つ以上のアイテムを表すコンピュータ支援設計（ＣＡＤ）ファイルまたはコンピュータ支援製造（ＣＡＭ）ファイルのような、データファイルの提供を指す。さらに他の実施態様では、アイテムは、聴覚的に示すことが可能である。アイテムは、サーバーコンピューティングノード３０、３２、３４またはクライアントコンピューティングノード１０、２０によって示すことが可能である。表示のために示されるアイテムの選択は、クライアントノード１０、２０、サーバノード３０、３２、３４、またはクライアントノードおよびサーバノードのいくつかの組み合わせによって実行することが可能である。

アイテムのプレファレンスを示すデータは、図２のステップ２１７に関連して上述したように取得される（ステップ４０４）。アイテムのプレファレンスは、ステップ２０２におけるアイテムの表示に応えて、各クライアントノード１０、２０で取得することが可能である。セレクタが母集団のｋ個のエンティティ全体のプレファレンスを表すことが可能な、多くの方法が存在する。セレクタは、例えば、好みのエンティティ（同順位の場合は複数のエンティティ）がスコアｋを受け、次に好むものがｋ−１を受けるなどの場合に、プレファレンスに基づいてエンティティをランク付けすることが可能である。別様には、セレクタは、各エンティティをスケール０乃至１００にランク付けするか、または単にどのエンティティが許容可能で、どのエンティティが許容できないのかを示すことが可能である。投票者のフィードバックが与えられる様式に関わらず、すべての投票者からのフィードバックは、応答を直接比較できるように、続いて適切にスケールされる。

セレクタの応答のスケーリングは、セレクタがエンティティをいくつかのスケール（例：［０，１００］）に格付けすることによって応答する場合に起因する矛盾を取り除く。１人のセレクタがｋ個のエンティティすべてに非常に興味を示し、別のセレクタが興味を示さない場合、その二組の応答のスケールは比較することができない。その結果、興味を示すセレクタによって与えられるスコアは、進化的システムの軌線にわたってより多くの影響力を有することになる。

スケーリングの問題は、正規化を使用することによって解決される。エンティティｊに投票者ｉによって与えられるｕ^ｉ _ｊを「未加工の」応答またはスコアとする。ベクトルｕ_ｉは、ベクトルｇ_ｉを作成するために正規化される。

エンティティｊのスコアは次式で与えられる：

明らかに、ランク付けはスケーリングの問題を生じさせないので、投票者がエンティティをランク付けすることによって応答する場合、このステップは不要である。スケーリングの問題が存在しない場合は、投票データを損なうことがないので、それでも正規化を実行することが可能である。

取得したデータに対応するアイテムの第２のグループを組み立てる（ステップ４０６）ことは、上述のように、母集団のメンバーの「フィットネス」を決定すること、フィットネスに基づいて交配のための母集団のサブセットを選択すること、およびそれらに対する「交配相手」を選択して、その結果の親の対を「再生」させること、を伴う。

図４Ｂに示されるように、エンティティｊのフィットネスｆ_ｊは、そのニッチングディスカウントによって分割される、そのスコア（上記、与えられたｓ_ｊ）として定義される。以下に詳述するニッチングディスカウントは、エンティティが母集団に冗長性を追加する程度を反映する量である。正に関連づけられた冗長性の機能のディスカウントを行うことによって、遺伝的な（および、おそらくは表現型の）多様性を保持するために、プレッシャーを生み出す。多様性のメンテナンスは、相異なる種を成功裏に達成および保持するために不可欠であり、別々のプレファレンスプロファイルおよび／または市場セグメントとみなすことができる。

フィットネスのベクトルｆは、各エンティティが親および子に対して選択される可能性を得るために正規化される。当該のスキームは、フィットネス比例選択と称される。一般に、フィットネス比例選択は、単純な「ルーレット盤」アルゴリズムによって実行され、各エンティティは、選択される確率に対するサイズに比例する、１枚のルーレットの「パイ」を有する。親の選択を望むたびに、ルーレットの円盤が一度「回転」される。選択されるエンティティの確率をｐとし、ｋ回円盤を回転させる場合、エンティティが選択される予想回数はｐｋである。

このルーレット盤の実現例では、多項分布が得られる。したがって、回転の数が多い場合、観察される挙動は、予想される挙動にほぼ一致する。しかし、回転の数が少ない場合、観察される挙動は、予想される挙動から外れる確率が高くなる。あらゆる有限数ｋの回転に対して、選択される確率が０＜ｐ＜１．０のエンティティが０乃至ｋ回のどこかで選択される、非ゼロの確率が存在する。

組み換え変分演算子（すなわちクロスオーバー）を使用した実施態様に対して、ｋ個の子の作成には、ｋ組の親を必要とする。交配相手を選択するためにフィットネス情報を使用するのではなく、交配のプレファレンスを使用する。展開する各エンティティは、２つの相異なる部分で構成されるゲノムを有する。ゲノムの１つの部分は、エンティティのメリット特性−人間の投票者によって評価され、最終的にエンティティのフィットネスをもたらす特性−を決定する。ゲノムのもう１つの部分は、エンティティの繁殖特性−エンティティの交配のプレファレンスを表す特性−を決定する。繁殖特性は、エンティティのフィットネスに影響を及ぼさない。

エンティティのメリット特性−対立遺伝子の値のタイプおよび範囲−の正確な構造は、ドメイン依存である。対照的に、繁殖特性は実数として定義され、特定の範囲になるように制限されない。全てのエンティティは、同じ数の繁殖特性−ｑ個の実数値の遺伝子−を有する。エンティティのｑ個の繁殖特性を、ｑ次元のユークリッド空間のある点として解釈する。エンティティは、このｑ次元の「再生」スペースにおいて、そのエンティティに遠いものよりも、より近くにある別のエンティティと交配することを好む。

図４Ｃは、エンティティがどのように交配相手をピックするのかを詳述した図である。対象のマトリクスＲが計算され、ここで、エントリＲ_ｉｊは、エンティティｉとｊとの間のユークリッド距離である。交配のプレファレンスを計算する次のステップは、以下に定義されるように、マトリクスＲからＲ’を導出することである。エントリＲ’_ｉｊの値が大きくなれば、エンティティｉは、エンティティｊとさらに交配しようとする。エンティティは、それ自体と交配する可能性はないので、対角線はゼロで構成される。特に、エンティティｉがエンティティｊと交配する意欲は、次式で表される：

したがって、交配する意欲は、ユークリッド距離によって指数的に低下する。この低下は、係数βを使用してスケーリングすることが可能である。β＝０の場合、エンティティは交配のプレファレンスを持たず、（自己交配は依然として生じないが）ランダムに交配する。そのフィットネスによってエンティティｉが選択された場合、交配相手の選択の確率を得るために、マトリクスＲ’の行ｉを正規化することによって、エンティティｉに対する交配相手をピックする。これらの確率は、ルーレット盤を構成するために使用され、所望の交配相手を選択するために１度回転される。このプロセスは、交配相手を求めるすべてのエンティティに対して繰り返される。

この実現例では、２つの親エンティティが交配した場合、単一の子が生成される。メリット特性に適用される再結合演算子は、許容される対立遺伝子の値のタイプおよび範囲に依存し、したがってドメイン間で異なる。親の再生特性に適用される再結合演算子は、再生スペース内のそれらの位置の算術平均を計算する。子は、再生スペース内のその親の中間に位置する。一実施態様では、子の位置が計算された後、少量のガウスノイズが加えられる。ある特定の実施態様では、加えられたノイズは平均ゼロであり、２．０の標準偏差を有する。

上述のように、エンティティのフィットネスは、エンティティが母集団に導く冗長性の量に関連付ける、ディスカウント要素によって分割されたそのスコアであると定義される。遺伝子型の類似性は、概して測定が容易であるが、それが必ずしも表現型の類似性の正確な予知因子であるというわけではなく、多様性が求められるスペースである。さらに、表現型の類似性は、問題ドメインおよび遺伝子型−表現型マッピング−の性質によって、決定が非常に困難または不可能になりうる。種は、エンティティの他のグループから生殖的に隔離される、エンティティのグループとして定義することが可能である。種の中のエンティティは、互いに再生させることができる。分種化プロセスは、フィードバックの使用によって行われる。人間の審美的な意見の収集が、２つの非互換のデザインのグループに集まる場合、第１のグループに属するどのエンティティも、第２のグループに属するエンティティとの交配によって、存続可能な（高フィットネス）の子を生成できないように、２つの種を形成する。ニッチングは、分種化プロセスを容易にし、種がより安定して存続できるようにする。したがって、エンティティが母集団に導く冗長性を、再生スペース内の他のエンティティの近傍を測定することによって、計算することができる。１つの種が母集団を過密にし始める場合、そのメンバーは、他の（より小さいサイズの）種に属するエンティティよりも大きいディスカウントを受信し始める。（後述する別の実施態様では、フィットネスのディスカウントを計算するための基準として、遺伝子型の類似性を使用する。）
図４Ｄは、ニッチングのディスカウントがどのように計算されるのかを示す図である。交配相手の選択プロシージャと同様にマトリクスＲから開始し、ここで、エントリＲ_ｉｊは、再生スペースにおけるエンティティｉとｊとの間のユークリッド距離である。このマトリクスから、マトリクスＲ’を導出し、ここで、エントリＲ’_ｉｊは、エンティティｉに適用されるエンティティｊについて生成されるディスカウントの量である。類似性のメトリックを前提として、類似性ベースのディスカウントを計算する三角法を使用する：

ここで、Ｓ_{ｔｈｒｅｓｈｏｌｄ}∈［０，１］は、ある量のディスカウントを生成する類似性の最小量（または相違の最大量）を決定するパラメータである。より大きな値のＳ_{ｔｈｒｅｓｈｏｌｄ}は、非ゼロのディスカウントの生成に必要なエンティティｉとｊとの間の類似性の最小量を減少させる。

図５に示される実施態様では、ユーザーの電子メールアドレス、所望のパスワード、および郵便番号が、テキスト入力ボック５０２、５０４、５０６に入力される。性別、年齢、出身国、および所得範囲のような人口統計学的情報は、プルダウンメニュー５１０、５１２、５１４、５１６を使用して入力される。他の情報は、チェックボックス５２０、５２２、５２４を使用して入力される。ラジオボタンおよびスライダのような他のグラフィカルユーザーインターフェース技術を使用することが可能である。

人口統計学的情報を入力した後に、関係者は、エクササイズに導かれる。場合によっては、人が参加を求められている複数のエクササイズが存在する場合がある。それらの場合、関係者は、管理された方法または事前特定された方法で、あるいは関係者が実行させたいエクササイズを選択できる対話スクリーンを介して、異なるエクササイズに導かれる。図６は、当該の対話を示す。図６に示される実施態様では、ユーザーに、ポロシャツのデザインエクササイズ、Ｔシャツのデザインエクササイズ、および「デモ」エクササイズ、の３つのデザインエクササイズが示される。

図７Ａは、関係者が適切なエクササイズに到達した時点で見ることになる、標準的な画面７００を示す。当該の画面は、関係者に、デザイン（または決定）オブジェクト７０２、７０４、７０６、７０８、７１０、７１２に対する複数の代替選択肢を示す。この図では、デザインオブジェクトはポロシャツであり、この特定の画面に示される選択肢の数は６である。各デザインの選択肢の隣には、関係者（「投票者」とも呼ばれる）が当該のデザインの選択肢に関する意見を表すための手段として、「賛成」ボタン７２０および「反対」ボタン７２２が提供される。図７Ｂは、関係者がデザインの選択肢７０４に賛成投票して、デザインの選択肢７０８に反対投票した後の、同じ画面を示す。いくつかの実施態様では、関係者に対応する選択肢に対するデザインの評価を想起させるための視覚フィードバックとして、緑および赤の境界を使用することが可能である。この図では、残りの４つのデザインの選択肢７０２、７０６、７１０、７１２は、賛成も反対もされておらず、関係者がそれらに対して中立または曖昧で、好きでも嫌いでもないことを意味する。関係者が評価を入力すると、「投票」ボタン７３０をクリックすることによって、投票がサブミットされる。これによって、関係者には、評価のために新しいデザインの選択肢の組が示され、上述のプロセスにおける新しい繰り返しが引き起こされる。図７Ｃは、当該の一組の派生選択肢デザインを含む画面を示す。この項で説明される特定の実現例では、各繰り返しにおいて関係者によって提供される評価または投票の情報は、複数の方法で使用され、それらを下述する。しかし、その前に、次のパラグラフは、この例で使用される特定の製品フィーチャリゼーションを説明する。

このエクササイズで使用されるデザインオブジェクトは、１つの特定の製品フィーチャリゼーションを表す。ポロシャツは、無数の方法でフィーチャライズすることができる。この特定の例では、簡略化したフィーチャリゼーションが使用され、次のデザイン要素から構成される。すなわち、シャツの本体の色、襟のスタイルおよび色、および特定の襟のタイプ−タブ襟−タブの長さの場合である。これらのデザイン要素またはデザイン属性のそれぞれは、一組の値のうちのいずれかを取り込むことができる。本体の色の場合、例えば１２種類の別々の色となりうる。襟の場合、例えば４種類の可能なスタイルとなり、それぞれ決まった色を有する。最後に、タブ襟の場合、タブの長さは、特定の範囲内のあらゆる実数（タブの長さがシャツの本体の長さを超えられないように選択される）を取ることができる。特定のデザインの候補は、本体の色、襟のスタイル、および襟のタブ長さの特定の三重項（必要でなければ後者の値は使用されなくなるが）に対応する。

（進化的アルゴリズム）
一実施態様では、よりフィットするデザインを展開するために、すなわち、投票者によって表されるプレファレンスにより即したデザインを生成するために、進化的アルゴリズムが使用される。各デザイン候補を表すために使用される遺伝子型は、異なるデザイン候補が交配（以下に詳述する、２つの「親」のデザインからの属性が、新しい「子」のデザインを生成するために組み合わせる演算）のために選択される方法を制御するために使用される更なる変数とともに、上記のパラグラフで説明された３つのデザインの属性を表す変数または遺伝子から構成される。第１の組の遺伝子Ｇ１、Ｇ２、およびＧ３は、それらがデザイン候補はどのように見えるか、その結果それが得る賛成の程度を決定するための役割を直接果たすので、それらの遺伝子は、「メリット」遺伝子（あるいは「特徴」遺伝子、または「属性」遺伝子）と称されるか、または変数である。関係者に対するデザイン候補の見た目は、これらの遺伝子の値に影響を受けないという意味では、第２の遺伝子の組は隠されている。後述する交配および交配相手の選択においてこれらの遺伝子が果たす役割に対して、これらの遺伝子は、「再生」遺伝子と称されるか、または変数である。この特定の実現例では、これらの遺伝子は実数値であり、それらは、「再生」スペースと称される、ユークリッド空間の直交寸法を表す。下記の表１は、説明中のポロシャツのエクササイズのための遺伝子型を表す。この場合、２つの再生遺伝子Ｒ１およびＲ２が使用される。

進化的アルゴリズムは、母集団ベースの検索および最適化アルゴリズムである。本実施態様では、アルゴリズムは、サイズがＮ個のデザインの母集団によって機能する。ここで、Ｎは、一般に５０から数百まで変化する。エクササイズの開始時に、この母集団はランダムに、すなわち、その遺伝子の許容する範囲からの各遺伝子に対してランダムに、対立遺伝子の値を選択することによって、シードされる。別様には、現在の実施態様は、特定の所望の開始母集団を反映させるための、決定的なシードを可能にする。

（繁殖）
（交配相手の選択）
関係者が候補者の第１の画面を評価した後に投票をサブミットする場合、以下のプロシージャに基づいて、新しいデザインを生成するために、および関係者に示される以降の画面をポピュレートするために、その情報が使用される。賛成の投票を受けた第１の画面のすべてのデザイン候補は、繁殖のために直ちに選択される。すなわち、親として選択され、これをＰ１と呼ぶ。次に、より大きな母集団のデザインの中から親に対する好適な交配相手が選択される。その交配相手は、親Ｐ２となる。示された候補の半分未満しか賛成を受けなかった場合、現在の実現例は、選択された候補が２度繁殖されるように設定することができ、通常はそのように設定される。この特定の実施態様では、交配相手の選択は、Ｐ１とその時点での母集団の他のメンバーとの間の再生スペースにおけるユークリッド距離に基づいて、確率的に行われる。さらに具体的には、母集団（または「エンティティ」）のＮ−１個のうちのいずれかが、Ｐに対する交配相手として選択される確率は、以下の式に基づいて計算される。

ここで、Ｐｒ（ｊ｜ｉ）は、エンティティｊが、エンティティｉ（Ｐｒ（ｉ｜ｉ）＝０である）に対する交配相手として選択される確率であり、ｆ（ｄ_ｉｊ）は、生成スペースにおけるエンティティｊとｉとの間のユークリッド距離の関数である。すなわち：

この場合に使用される特定の関数は、単調に距離によって減少させる。
特に：

であり、ここで、βは、交配における近接バイアスの強度を決定する実数値のパラメータであり、ｄ_ｍａｘは、その時点でのいずれかの２つのエンティティ間の再生スペースにおける最大距離である：

βの値は［０，∞）の範囲内にあり、値がゼロならば交配バイアスはもたらされず、より大きな値ならばより一層の制限的な交配バイアスを与える。

また、本実施態様で使用される関数ｆ（ｄ_ｉｊ）の別のバージョンは次式で与えられる：

この場合、γは、交配における距離バイアスの強度を決定する実数値のパラメータである。γの値は（０，∞）の範囲内にあり、値が小さくなれば、より一層制限的な交配バイアスが与えられる。

このように計算される距離−重み確率は、「ルーレット盤」をロードするために使用されるか、または確率的汎用サンプリングスキームにおいて使用される。Ｐ１に対する交配相手が選択されると、そのエンティティは、生成間近の子に対する第２の親Ｐ２となる。これは、クロスオーバー演算によって行われ、状況に応じて突然変異演算が続けて行われる。

交配相手の選択に対する１つの代替方法では、ビット列表現が、一組の機能遺伝子（特徴遺伝子に相当する）および交配を制御する２つの別の組の遺伝子（生成遺伝子に相当する）を含む、遺伝的アルゴリズムが使用される。交配遺伝子の１つの組は交配テンプレートと呼ばれ、他の組はタグと呼ばれる。両方の組は、同じ数の遺伝子を有さなければならない。テンプレートおよびタグ遺伝子は、機能遺伝子と平行して展開し、クロスオーバーおよび突然変異を受ける。テンプレート遺伝子は、０、１、またはワイルドカードシンボルの３つの値のうちの１つを取ることができる。タグ遺伝子は、０または１となる。２つの個体は、一方のテンプレートが他方のタグと一致した場合に交配することが可能である。１つの個体の特定のテンプレート遺伝子に０または１が指定される場合、別の個体の対応するタグ遺伝子には同じ値が発生しなければならない。特定のテンプレート遺伝子にワイルドカードが発生した場合、あらゆる値の対応する遺伝子が一致する。ある交配スキームは、１つの個体のテンプレートを他の個体のタグと一致させることが必要である。代替スキームは、一致を生じさせるために、各個体のテンプレートを他の個体のタグと一致させることが必要である。いずれも、一致が見いだされない場合は、部分的な一致を許容することが可能である。

概して、Ｒスペースの概念は、相異なるデザインのクラスタ間の異種交配を防止することである。それでも、異種交配による随時の実験は、重要な新発明をもたらすことができる。Ｒスペースの次元は、クラスタ間の近傍の構造に影響を及ぼし、したがって、異なるクラスタが異種交配実験を試みることが容易である。１つの明らかな改良は、Ｒスペースの次元を２からより高い数に増加させることである。別の可能性は、おそらくは同じフォーカスウィンドウ内で、同じ投票者から賛成を受けた２つのデザインを異種交配することである。当該の異種交配は、親デザインが位置する２つのＲスペース領域間のＲスペースに、小さいブリッジを作成する。異種交配実験が成功した場合は、新しいクラスタを形成する。実験が不成功の場合は、子は絶滅することになる。

（Ｒスペースの代替案）
本発明の別の実施態様は、上述のＲスペースの距離スキームに対して、系統的な距離に基づいて、交配相手の選択を決定する、同類交配機構を含むことが可能である。特に、２つの個体Ｐ_ｉおよびＰ_ｊの交配の可能性は、それらを「家系図」に関係させる最短経路の長さに関係する。初期の母集団における個体は、兄弟であるとみなされる。すなわち、初期の母集団を作成する「一次的」親の存在を前提とする。家計図はグラフのように表され、頂点は個体に対応し、エッジは親／子供関係を表す。したがって、個体のうちの１つが他の個体の親である場合、およびこの場合に限り、２つの個体間にエッジが存在する。各個体は、そこにちょうど２つあるその親のアイデンティティを記録するので、グラフは容易に構成される。このルールの唯一の例外は、初期の母集団における個体に適用され、グラフに挿入される単一の親の頂点（「一次的」親）に対するエッジをすべてが有する。２つの個体Ｐ_ｉとＰ_ｊとの距離ｄ_ｉｊ（どちらも「一次的」頂点でない）は、グラフ上のそれらの間の最短経路の長さである。現在の実現例では、経路の長さは、（上述のＲスペースの実現例において使用されるユークリッド距離に対して）一方の個体から他方の個体に横断する相異なるエッジの数（または親−子関係）によって測定される。

Ｐ_ｉの交配相手として選択された個体Ｐ_ｊの確率を以下に示す：

ここで、

である。また、ここで、ｄ_ｉｊは頂点ｐ_ｉおよびｐ_ｊを結ぶ最短経路の長さであり、ｄ_ｍａｘはずべてのｄ_ｉｊ（別名、グラフの直径）にわたる最大値であり、ｖ_ｍｉｎ（パラメータ＜ｄ_ｍａｘ）は、互いに非常に離れている個々のデザインに対する交配の非ゼロの最小確率を提供するために、関数ｆが返す最小値である。

経時的に、家系図のより弱い分岐は絶滅し、場合により遠縁に当たる可能性のある他の分岐は残る。その場合、異なる分岐は生殖的に隔離されるので、相異なる種である。絶滅する分岐は、生存する遺伝子の組み合わせに対して劣っている遺伝子の組み合わせである。したがって、この方式は、同類交配に別の手法を提供する。

クロスオーバー演算を概略的に以下に示す：

ここで説明される実現例では、親ゲノムは、遺伝子ごとの基準で交差される。すなわち、親Ｐ１および親Ｐ２からの本体スタイルに対する遺伝子は、それら自体によって「組み合わせ」または「交差」され、襟のスタイルを表すＧ２遺伝子、そしてタブ長さを表すＧ３遺伝子が続く。再生スペースの遺伝子Ｒ１およびＲ２もまた個々に交差される。使用される特定のクロスオーバー演算は、当該の遺伝子の性質に従属する。例えば、カテゴリ変数を表す遺伝子Ｇ１の場合、親のうちの１つからの対立遺伝子の値はランダムに選択される。遺伝子Ｇ２に対しても同様である。これを概略的に以下に示す：

ここで、αは、一様分布からピックされるランダムな変数である：
α〜Ｕ［０，１］_。

遺伝子Ｇ３は整数値を表し、異なるクロスオーバーの演算子を「１つの親からのランダムなピック」のスキームに代わるものとして使用できるようにする。１つの可能性は、親からの２つの値を使用して、補間および外挿された値を計算し、次いでこれらの２つの可能性のうちの１つをランダムに選択することである。プロセスを以下に説明する。最初に、親の遺伝子の２つの値から、子の遺伝子に対する値を補間するのか、または外挿入するのかを決定するために、ベルヌーイトライアル（「コインフリップ」）を実行する。

γが０から１の間の決定的な実数値、またはその範囲内のランダムに生成された変数、例えば一様分布からのものである場合：
γ∈（０， １）
または
γ〜Ｕ［０，１］
である。決定が補間である場合、下記のような式が使用される：
Ｇ３_Ｏ１＝Ｒｏｕｎｄ （μ・Ｇ３_Ｐ１＋（１−μ）・Ｇ３_Ｐ２）
ここで、μは、０から１の間の実数値であり、エクササイズの始めに、または繁殖ごとに、確定的に選択されるか、またはランダムに引き出される。別様には、異なる決定的な値または異なる分布（ランダムに引き出される変数の場合）は、エクササイズの異なる点で使用することができる。Ｇ３は整数の遺伝子であるので、補間によって得られる値は、最も近い整数に四捨五入される。

補間の代わりに外挿を選択する場合、当該の外挿の方向を決定するために、親の値のうちの１つがピックされ、これはランダムに行われる。Ｐ１’がピックされる場合、以下のような式を使用することができる：
Ｇ３_Ｏ１＝Ｒｏｕｎｄ （ｖ・（（１＋μ）・Ｇ３_Ｐ１−μ・Ｇ３_Ｐ２））_。

ここで、ｖは、（場合によりランダムな）実数値のパラメータで、一般に１．０未満であり、取り込まれた外挿ステップのサイズを縮小するために選択される。上述の式において反映されない更なるステップは、遺伝子Ｇ３の許容可能な範囲を超えない、このように計算される値を確認すること、および許容可能な範囲を超えた場合に、その値を限度に等しく設定することを含む。

Ｐ２が外挿方向としてピックされる場合、以下の式を使用することができる：
Ｇ３_Ｏ１＝Ｒｏｕｎｄ （ｖ・（（１＋μ）・Ｇ３_Ｐ２−μ・Ｇ３_Ｐ１））_。

再生スペースの遺伝子Ｒ１およびＲ２は、実数値であり、四捨五入する演算が不要であることを除いて、同様に扱われる。本実現例では、以下のように改良された平均化演算を使用する：

ここで、εは、ガウスのノイズである：
ε〜Ｎ（０， ２）
Ｒ２_Ｏ２の計算は、同じように続けられる。

多くの他のスキームは、当業者の知識の範囲内にある。

（突然変異）
生成されるデザイン候補に随時のランダムなバリエーションを導くために、クロスオーバーの演算に加えて、またはそれと同時に、突然変異演算が適用される。現在の実現例では、これも遺伝子ごとの基準について行われる。各遺伝子に対して、突然変異が適用されるのかどうかに関して、クロスオーバーの演算の前か、またはこれに続けて、決定が行われる。これは、成功の確率が一般に約０．０１と比較的低い、ベルヌーイトライアルに基づいている。カテゴリ遺伝子の場合、突然変異は、一般に２つの親の値とは異なる値である、許容可能な対立遺伝子の値のうちの１つをランダムに選択することを含む。整数および実数値の遺伝子の場合、クロスオーバーの演算が終了した後に、得られた遺伝子の値にガウスのノイズが加えられる。また、変異した値が許容可能な範囲にあることを確実にするために、確認が実行される。その値が範囲外である場合、必要に応じて、その値は、上限または下限に等しく設定される。この例（ポロシャツ）で使用されない別の場合では、遺伝子が二進数のビットまたは文字列として符合化される。例は、ロゴまたは袖の周りの輪のようなデザインの特徴であり、そのビットが有効であるかどうかに基づいて、オンまたはオフにされる。その場合、突然変異は、単純にビットフリップを伴う。

上述したように、突然変異は、繁殖イベントの後にしか適用されず、繁殖イベントは、賛成投票によってのみ引き起こされる。実現例に対する改良は、進化的プロセスが滞らないように、賛成投票が生成されない場合に引き起こされる。その場合、投票者が賛成を含まない一組の投票をサブミットするたびに、複数のランダムな個体を生成する。これらのランダムな個体のためのメリット属性は、母集団を初期化するために、上述のように生成される。これらのランダムな個体のためのＲスペース属性は、投票者の「ピック」の再挿入を論じる項において下述するように決定される。

（置換／除去ポリシー）
１つ以上の新しいデザイン候補（子）が作成されると、それらは母集団に導かれる。そうするために、対応する数の母集団の現在のメンバーを置換のために選択しなければならない。そのために種々の方策が用いられ、純粋にランダムな選択から、フィットネス（またはその不足）および冗長性に基づいた比較的複雑なスキームまで様々である。（冗長性および多様性を測定するために使用される種々の方法は、後述する。）単純な場合では、母集団メンバーはランダムに選択される。１からＮ個（デザイン候補の母集団のサイズ）の間でランダムに分配されるランダムな整数が生成され、母集団のｉ番目のメンバーが取り除かれて、子によって置き換えられる。これは、交配イベントによって生成された子の数と同じ回数繰り返される。現在の実現例における別のオプションは、フィットネスというよりはフィットネスの不足によって、その除去をバイアスすることである。その場合、ミスフィットネスのスコアは、母集団の各メンバーに対して保持され、最も高いミスフィットネスのスコアのメンバーを取り除くために確定的に使用されるか、またはこれらのミスフィットネスのスコアに比例する数の「ルーレット盤」をロードすることによって確率的に使用される。「賛成」投票にしか依存しない、ミスフィットネスのスコアを計算するための非常に単純なアルゴリズムを以下に示す。最初に、まだ評価されておらず、したがって投票を受けていない、Ｎ個のデザインの母集団のメンバーは無視され、除去の候補にならない。これは、（ランダムに均等にピックする時点で）絶対に必要とされない場合を除いて、デザイン候補の早期損失を防ぐためのものである。次に、母集団の残りのメンバーのそれぞれに対して、「賛成」の比率は、メンバーが受けた投票の総数（すなわち、「賛成」、「反対」、および「中立」投票の合計）で割った、そのエンティティが受けた「賛成」投票の比率として計算される。次に、母集団の全てのメンバーに対する「賛成」の平均比率が計算され、デザインの母集団は、２つのグループに分けられる。その１つは平均よりも大きな「賛成」の比率を有し、もう１つは平均に等しいかそれ以下の比率を有する。後者のグループのメンバーは、必要に応じて、除去のためにランダムに選択される。

３つのタイプの投票−賛成、中立、反対−すべてを使用する、より識別するための除去スキームは、現在の実現例において時折使用される。その場合、母集団のｉ番目のメンバーに対するミスフィットネスｍ_ｉは、そのメンバーの賛成、中立、および反対の割合の重みの合計として計算され、以下のように表される：
ｍ_ｉ＝ｗ^ｄｏｗｎ・Ｒ_ｉ ^ｄｏｗｎ＋ｗ^{ｎｅｕｔｒａｌ}・Ｒ_ｉ ^{ｎｅｕｔｒａｌ}＋ｗ^ｕｐ・Ｒ_ｉ ^ｕｐ _。

ここで、ｗ^ｔｙｐｅの項は、特定のタイプの投票に対する重みであり、Ｒ_ｉ ^ｔｙｐｅの項は、ｗ^ｄｏｗｎ＞０、ｗ^ｕｐ＜０、および概して正のｗ^{ｎｅｕｔｒａｌ}を有するｉ番目のメンバーに対する所与のタイプの投票比率である。例えば次式で示される：
ｍ_ｉ＝３・Ｒ_ｉ ^ｄｏｗｎ＋１・Ｒ_ｉ ^{ｎｅｕｔｒａｌ}−４・Ｒ_ｉ ^ｕｐ _。

また、デザイン候補の早期除去を防ぐために、（例えばエクササイズの初期におけるいくつかの場合において、絶対に昼用である場合を除いて）関係者が誰も見ていないデザイン候補は無視される。

除去ポリシーに関する別のバリエーションは、投票がすべて同じ関係者によるものか、または異なる関係者によるものかに基づいて、類似した投票のミスフィットネスの格付けを変更する。このバージョンに隠れた概念は、そのデザインが、ただ１人の関係者から同じ数の反対を受けた場合と比較して、複数の異なる関係者がそのデザイン候補を好まない場合に、すなわち、例えば異なる関係者がそのデザインに反対を示した場合に、そのデザイン候補により大きなペナルティを課すことである。このバージョンでは、各エンティティに対する個々の投票が追跡され、次式で表されるように、各関係者の投票に対する重み関数またはスケジュールの低下に基づいて、ミスフィットネスが計算される：

ここで、ｍ_ｉは、エンティティｉのミスフィットネスのスコアであり、Ｖ_ｉは、そのときまでにエンティティｉが受けた投票の総数であり、Ｖ_ｉ，ｊ ^ｔｙｐｅ
は、要素ｉに対して投票者ｊが投じた所与のタイプの投票数であり、

は、すべての投票者ｊの合計を示し、γは、同じ関係者が投じる更なる投票の影響を減じる、指数的に減少する重み関数の勾配を決定する、実際のパラメータである。

除去スキームの別のクラスは、そのミスフィットネスに加えて、母集団の特定のメンバーがどのくらい冗長であるのかを考慮する。ここでの概念を以下に示す。同様にフィットしない２つのエンティティを考えると、母集団内の遺伝子型の多様性の損失を最小限に抑えるために、母集団の多くの他のメンバーと遺伝子型的に類似しているものを取り除くことが好ましい。冗長性の計算は、再生遺伝子、または特徴遺伝子、あるいはその両方に基づくことができる。これらの計算を次項で説明する。母集団Ｐ_ｉのメンバーに対する冗長性の値をＲ（Ｐ_ｉ）とすると、調整されたミスフィットネス値ｍ’_ｉは次式で計算される。
ｍ_ｉ＝Ｒ（Ｐｉ）・ｍ_ｉ
次項は、冗長性またはその反対の多様性を測定する種々の方法を説明する。

（多様性の測定）
多様性の測定手法は、特徴遺伝子および再生遺伝子の両方に適用される。変異率（変異確率）のような、進化的アルゴリズムの種々のパラメータを動的に制御するために、また、除去（または置換）方策および関係者の投票ウィンドウをポピュレートするために使用される方策（後述）のような、システムで使用される種々の方策を動的に制御するために、多様性の測定を使用する。

（冗長性）
Ｎ個のデザインの展開母集団における多様性は、展開デザイン（「個体」）の対の間の、遺伝子型の（または表現型の）類似性のメトリックを使用して測定される。ペアワイズ類似性のメトリックＳ（Ｐ_ｉ、Ｐ_ｊ）が定義され、０から１までの値を返す。ここで、１は、Ｐ_ｉおよびＰ_ｊが遺伝子型的に（または代わりに、表現型的に）同一であることを示す。次いで、以下のように、総じて母集団に関して、展開母集団における各個体の冗長性を計算するために、このメトリックを使用する：

母集団内に高い冗長性値を有する個体に類似した多くの他の個体が存在するという点において、その個体は比較的共通である。以下に詳述するように、より冗長な個体に対する除去ポリシーをバイアスすることによって多様性の保持を助力するために、これらの冗長性の値が使用される。冗長性の値はまた、遺伝的（または表現型の）多様性をグラフィカルに視覚化するためにも使用される。

２つの相似関数が、現在の実現例に使用される。その１つは特徴遺伝子に基づき、もう１つは再生遺伝子に基づいている。ポロシャツの場合、前者は、遺伝子型の最初の３つ遺伝子を使用する。（最初の２つはカテゴリ遺伝子であり、３番目のものは整数値遺伝子である。）関数Ｓを次式のように定義する：

ここで、Ｐ_ｉ ^ｋは、母集団内の個体ｉのｋ番目の遺伝子を示す。

カテゴリ遺伝子Ｇ１およびＧ２の場合、Ｓは次式で与えられる：

整数遺伝子である遺伝子３の場合、Ｓ’は以下のように計算される：

ここで、ＭａｘΔ^３は、遺伝子Ｇ３の範囲、すなわち取り込みが許される最大値と最小値との差である。

再生変数に対して使用されるような実数値の遺伝子の場合、冗長性または密度は、以下のように、異なる母集団のメンバー間のＲスペースにおいて、（上述の）ユークリッド距離ｄ_ｉｊを使用して計算される。ｉ番目の母集団メンバーの冗長性または密度は次式で与えられる：

ここで、ｄ_ｉｊは、Ｒスペースにおける個体ｉとｊとの間の距離であり、

ここで、閾値は、間隔（０，１］において一定であり、

（クラスタ化）
この項では、クラスタについて説明する。後述するように、クラスタは類似性の測定結果に依存し、ここで説明する実施態様において異なる時点で使用される。上述のように、関数Ｓ（Ｐ_ｉ，Ｐ_ｊ）が、個体Ｐ_ｉとＰ_ｊとの間に類似性を示す場合、これらの２つの個体間の相違を示すために、以下の新しい関数を定義することができる：
Ｄ（Ｐ_ｉ， Ｐ_ｊ）＝１−Ｓ（Ｐ_ｉ， Ｐ_ｊ）
関数Ｄによって、相違マトリクスＭを計算することができ、各エントリＭｉｊは、個体ＰｉとＰｊとの間の相違である。このマトリクスは対称であり、斜めにゼロを有する。

マトリクスＭによって、Ｋ−ｍｅｄｏｉｄクラスタ化アルゴリズムのような、遺伝子型の類似性またはＲスペースにおける近接性によって、個体をグループ化するために、複数の公知のクラスタ化手法を適用することができる。Ｋ−ｍｅｄｏｉｄアルゴリズムには、見つけるクラスタの数を告げなければならない。データに最もフィットするクラスタの数がわかっていない場合、いくつのクラスタを探すべきかを決定するために、クラスタ化のシルエット値を使用することができる。

また、ユーザーの投票行動に基づいて、人間のユーザーをクラスタ化することも可能である。この場合、以下のように、ユーザーＶ_ｉおよびＶ_ｊのいずれかの対の投票記録における相関関係を測定し、エントリＭ_ｉｊをマトリクスＭ内に導出する。

（投票ウィンドウをポピュレートするための方策）
フォーカスウィンドウとも称される投票ウィンドウは、一組のデザイン候補を示し、投票者のそれらに対する評価を収集するために、各投票者に示されるウィンドウである。各投票の繰り返しにおいてフォーカスウィンドウをポピュレートするために使用される種々のポリシーを、この項で説明する。概して、これらのポリシーは、相反することもある、以下の複数の目標の達成を目指すものである。ａ）関係者に、可能な限り多くのデザインスペースを調査する機会を与える。ｂ）関係者に、システムが関係者の投票に対応するという感覚を提供する。

（投票ウィンドウの混合ポリシー）
投票またはフォーカスウィンドウの混合ポリシーは、第１のフォーカスウィンドウからサブミットされる投票を調査し、以下の項目で満たされる、次の（その投票をシステムが現在処理している、関係者に対する）フォーカスウィンドウにおけるスロットの数を決定する。ａ）前記第１のフォーカスウィンドウに示されるデザイン候補の子、およびｂ）デザイン後方の一般的な母集団からのデザイン候補のサンプル。

現在の実現例では、賛成投票を受けたフォーカスウィンドウ内のすべての個体は、２つまでの、少なくとも１つの子の親になる。賛成投票の数がフォーカスウィンドウのスロットの数未満である場合、賛成投票を受けた個体は、それぞれが第２の子を持つまで、または新しいフォーカスウィンドウが満たされるまで、のいずれか早いほうで、第２の子を生成するために使用される。例えば、フォーカスウィンドウが６つのスロットを有し、２つの個体が賛成を受けた場合、どちらも２つの子の親になり、新しいフォーカスウィンドウの６つのスロットのうちの４つを満たす。その代わりに、４つの個体が賛成を受けた場合、最初の２つの個体はそれぞれ２つの子の親になり、一方で、最後の２つの個体はそれぞれ１つの子の親になり、したがって、フォーカスウィンドウの６つのスロットをすべて満たす。

すべての賛成投票が投じられたときに、あらゆるスロットが空のままである場合、次の項で説明するように、個体の一般的な母集団のサンプルをとることによって、スロットが満たされる。

賛成を受けた各候補に対して、１つの子だけが許可される場合、上述のポリシーは、わずかに変更される（上述の繁殖の項を参照のこと）。

現在の実現例で使用される代替的混合ポリシーでは、賛成を受けている個体のいくつか、またはすべてが次のフォーカスウィンドウに保持されるように、エリート主義的概念−進化的計算の文献でよく知られる−をフォーカスウィンドウに入している。一般に、エリート主義は、次世代にわたって母集団の高フィットのメンバーの消失を回避するために、進化的アルゴリズムの世代間バージョンにおいて使用される。この場合、フォーカスウィンドウまたは投票ウィンドウでは類似した概念を使用する。そのポリシーの背後にあるモチベーションは、以前に好まれたデザイン候補のフォーカスウィンドウからの消失によって困惑する可能性のある関係者に対して、継続感を提供するためのものである。この例で説明されるように、賛成投票を使用する場合、賛成を受けたエンティティが、次のウィンドウのエリートスロットよりも多ければ、エリートスロットが満たされるまで、賛成を受けたそれらのエンティティの中でランダムなピックが行われる。

現在の実施態様におけるさらに別の代替のポリシーでは、以下のものに割り当てられる、フォーカスウィンドウの最小および最大数を定める。ａ）エリート（賛成を受け、引き継がれる個体）、ｂ）賛成を受けたそれらの個体の子、およびｃ）一般的な母集団のサンプル。賛成投票の数が、子に割り当てられたスロットの数を超える場合、賛成投票を受けたもののうちのいくつかだけが子の親になれるように、サンプリング法が使用される。別様には、ユーザーがフォーカスウィンドウごとに許される、賛成投票の数を制限することができる。さらに別の代替案は、賛成を受ける個体ごとに子を作成するが、以降のフォーカスウィンドウ内のすべての子を含まないことである（フォーカスウィンドウに現れないものは依然として一般的な母集団にある）。

（フォーカスウィンドウサンプリング）
母集団全体からサンプルに利用可能なフォーカスウィンドウのスロットに対して、ポリシーは、これらの候補がどのように選択されるのかを決定する必要がある。現在の実現例では、使用される最も単純なポリシーは、個体の母集団にわたってランダムかつ均等にサンプリングされるものである。このサンプリングは、全ての子（賛成を受けた個体が親になった）が母集団に挿入された後に行われる。サンプリングプロシージャは、同じ個体がフォーカスウィンドウ内に２回現れないようにしようとせず、また遺伝子型的に同一である２つの相異なる個体が、フォーカスウィンドウに同時に現れないようにしようともしない。

代替的手法は、冗長性の高い冗長性（冗長性は、上述の項で説明したように研鑽される）の領域から離れてサンプリングをバイアスするものである。これらのポリシーの利点は、関係者のフォーカスウィンドウにより大きな多様性を提供することによって、関係者によるデザインスペースのより大きな調査を可能にすることである。本実施態様で使用される当該のポリシーは、特定の母集団のメンバーが選択される可能性がどのくらいなのかを見越すために、Ｒスペースの冗長性を用いる。より詳しくは、母集団のメンバーの冗長性に反比例する、母集団のＮ個のメンバーのそれぞれに与えられる、ルーレット盤の選択を使用する：

別のポリシーは、サンプリングをバイアスするために、再び上述の同じ式を使用して、特徴スペースの冗長性（特徴遺伝子に基づいて計算される）を使用する。

現在のシステムに組み込まれる代替的ポリシーは、Ｒスペース内の個体の位置によって、または個体の遺伝子型の特性によって、あるいはその両方によって、（上述の）母集団の個体のクラスタ分析を実行する。クラスタが決定されると、各クラスタ内の個体の数に関係なく、各クラスタが、空いているフォーカスウィンドウのスロットに個体を同程度に提供する可能性があるように、ランダムサンプリングが行われる。このスキームの利点は、関係者が、エクササイズ中に現れる、異なる種またはプレファレンスクラスタ（または、審美的なクラスタ）から、同程度にサンプリングすることが可能になることである（分種化は後述する）。これは、実質的に、クラスタサイズに比例したすべてのクラスタからサンプリングする、均一なサンプリングとは対照的である。関連する手法には、各クラスタ（そのクラスタの重心またはｍｅｄｏｉｄ）に対する代表的なデザイン候補を選択するものである。

さらに別のポリシーでは、関係者によって見られる頻度の低い個体のために、サンプリングをバイアスする。子の場合、母集団のメンバーが選択される可能性は、関係者のフォーカスウィンドウに現れる回数に反比例する。ルーレット盤をロードするために使用される確率は、次式で与えられる：

ここで、ｍ_ｉｊは、デザイン候補Ｐ_ｉが関係者ｊのフォーカスウィンドウに現れた回数であり、ｆ（ｘ）は、単調関数である。例えば次式で示される：
ｆ（ｍ_ｉｊ）＝ｍ_ｉｊ ^２ _。

関連するポリシーでは、（特徴の類似性に基づいて）あまり見られることのない特徴の特性を有する個体のために、またはフォーカスウィンドウにおいてあまり見られることのないＲスペースの領域内の個体のためにバイアスする。ここでも、ルーレット盤をロードするために使用される確率は、次式で与えられる：

ここで、所与の関係者のｔ番目のフォーカスウィンドウＷ^ｔ（Ｗ^１は現在のウィンドウ、Ｗ^２は以前のウィンドウ、など）に関する母集団のメンバーＰ_ｉの冗長性、Ｒ（Ｐ_ｉ｜Ｗ^ｔ）は次式で示される：

ここで、

は、ｑ個のフォーカスウィンドウ内のメンバーまたはデザイン候補すべての合計であり、Ｓ（Ｐ_ｉ，Ｗ_ｑ ^ｔ）は、フォーカスウィンドウＷ^ｔのエンティティＰ_ｉとｑ番目のメンバーとの間の類似性である。最後に、相似関数Ｓは、必要に応じて、冗長性および類似性に関する以前の項で与えられた方法のいずれかを使用して計算される。

このポリシーに関するバリエーションは、最後のフォーカスウィンドウだけでなく、最後の２、３個の、またはｎ個のフォーカスウィンドウも追跡するものであり、それらすべてに同じ重みを与えるか、またはより最近のフォーカスウィンドウのコンテンツに、冗長性の計算におけるより大きな重要性を与えるものである。この１つの特定のバージョンは、最後のｎ個（例：ｎ＝３）のフォーカスウィンドウに注目し、それらに異なって重みをつける。この場合、ルーレット盤で使用される一片または割り当て分は次式で与えられる：

一例として、重み要素ω_ｔは、次式によって減少する：

この実現例で使用されるさらに別のサンプリングポリシーでは、その関係者のフォーカスウィンドウがポピュレートされる関係者によって反対の投票を受けた個体に関して、冗長（特徴スペースの類似性、または再生スペースの類似性、あるいはその両方に基づく）である個体から離れてサンプルをバイアスする。これは、関係者がすでに反対を投じたデザイン候補に従属する機会を最小限に抑えることを意図するものである。これは、使用される冗長性がＲ（Ｐ_ｉ｜Ｗ^ｔ）ではなくＲ（Ｐ_ｉ｜Ｗ^{ｄｏｗｎ，ｔ}）である場合を除いて、以前のポリシーで説明されたものに類似する方法で行われ、当該の関係者から反対を受けたそれらのフォーカスウィンドウのメンバーだけに関して計算される。関連するポリシーは、そのユーザーのフォーカスウィンドウがポピュレートされているユーザーによって賛成投票（あるいは、中立投票）が投じられた個体に関して、冗長（特徴スペース、または再生スペース、あるいはその両方において）である個体に対するサンプルをバイアスする。その場合、Ｒ（Ｐ_ｉ｜Ｗ^ｕｐ，ｔ）が使用され、確率またはルーレット盤で使用される割り当ては、反比例と対照的に、冗長性に正比例する。例えば：

さらに別のポリシーは、そのときまでにフォーカスウィンドウに配置される個体の特性から離れてバイアスされる以降のサンプルのそれぞれを有する、（特性遺伝子、または再生遺伝子、あるいはその両方に基づいた）デザイン候補の遺伝的コンテンツに関するフォーカスウィンドウの多様性を最大化しようとするものである。この正当性は、関係者のフォーカスウィンドウにおける多様性を増加させるためのものである。

上述のポリシーのいずれか、またはそのバリエーションは、しばらくの間、進行中のエクササイズから離れた後に関係者が返すときに、関係者のウィンドウをポピュレートするために用いることができる。その目的に特に使用される別のポリシーは、関係者が最後にログオフしたときに、関係者の最後のフォーカスウィンドウに存在した、同じ候補を返される関係者のウィンドウに再ロードすることを伴う。しかし、このポリシーは、これらの候補が母集団から取り除かれている可能性があるので、それらを母集団に再作成および再挿入する必要がある、という問題をしばしば含む。代替案では、関係者に、現在のデザインの母集団のサンプリングを可能な限り広範に示す。これは、上述のように、クラスタの代表例からのサンプリングによって行われる。このポリシーはまた、エクササイズがしばらくの間進行した後にそのエクササイズに加わり、特定のプレファレンスのセグメントを識別されていない、関係者の場合にも使用される。

一実施態様では、投票ウィンドウに特定の改良点が加えられるが、これは関係者に以下のいくつか、またはすべてを提供すること意図するものである。ａ）エクササイズ中の進行の測定または指示。ｂ）エクササイズ中に目標に到達したときの達成感。ｃ）進化プロセスにわたるより直接的な制御。ｄ）設計プロセスにおける共関係者のコミュニティ内のメンバーシップの知覚。図７Ｄは、これらの改良点のうちの２つを右上に有する投票ウィンドウを示す図である。これらは、０％乃至１００％の範囲を補い、有色部分で進行の度合いを示す、プログレスバー７８０を含む。同じ図面内に示される他の改良点は、「ピックパネル」７８８であり、これは、「マーカーデザイン」と表記された、プログレスバーの下の投票ウィンドウの右側にある。図において、ピックパネルは、垂直に配置された３つのサムネイルを示し、そのうちの１つは、選択したものが示されており、他の２つはまだ空白である。ピックパネルは、後述する方策のうちの１つに基づいて、エクササイズ中の特定の時点で、特定のデザイン候補を表示する。図示の場合、選択したピックの下の「Ｘ」マークによって、関係者は、前記ピックを取り除き、特定のピックがもたらされるエクササイズの一部を再起動することが可能になる。

本実施態様では、４つのクラスの方策を使用することができる。第１のクラスの方策は、関係者によってサブミットされる定められた数の投票に依存する。第２のクラスの方策は、関係者の最後のいくつかの投票ウィンドウに現れる、候補の中の類似性の程度に依存するので、当該の関係者による投票のサブミットの変数を伴うことが可能である。第３のクラスの方策は、関係者が、賛成または反対ボタンの隣にある特別なボタン（図示せず）を使用してピックを選択する、投票ウィンドウ内のデザイン候補のうちのひとつを直接選択できるようにする。最後に、第４のクラスの方策は、他の関係者がどのくらい投票しているかを関係者に示すために、ピックパネルを使用することを目的とするものである。

（方策Ｉ：予め設定された投票およびピック数の分析）
この方策では、システムは、６乃至４０の範囲の一般的な値ｎで、各関係者が予め設定されたｎ個の投票ウィンドウを見て評価することが可能なように設定される。この場合、プログレスバーは、予め設定された数ｎに対して、その点まで関係者が見た投票ウィンドウの投票の比率に比例して増加する。ｎ個の投票のサブミット後、後述するように、関係者の投票パターンに基づいて、関係者の変わりに自動的にピックが行われ、プログレスバーはゼロに設定され、一般のデザインの母集団からランダムにポピュレートされる新しい投票ウィンドウ、および新しい組のｎ個の投票のサブミットが開始される。図７Ｄに示される投票ウィンドウは、関係者が、３組のｎ個の投票のサブミットを行うように要求され場合に対応し、３つのピックをもたらす。

予め設定されたｎ個の投票ウィンドウの後で、これらのｎ個のウィンドウへの関係者の投票に分析が行われる（すべての投票を調査するか、またはあらゆる「訓練」または調整効果を取り除くために、ｎ個のサブミットのうちの最後の８０％だけを調査する場合がある）。１つのスキームでは、分析は、各対立遺伝子によって受ける賛成投票を計数すること、および最も「選択された」属性値の組み合わせを生成するために、その計数を使用することを伴う。その時点で、デザイン候補は、これらの最も選択された属性値を使用して組み立てられ、ピックとなる。この手法は、遺伝子間にほとんど依存関係がない場合に十分に機能する。依存関係があったとしても十分に機能するより精緻化された分析は、以下のステップを伴う。ｎ個のサブニットを受けた後、正の投票（賛成）を受けたこれらの投票ウィンドウ内のすべての候補を収集する。次いで、第１の正の投票の候補が選択され、その候補の第１の遺伝子によって開始し、他の正の投票の候補のうちのいくつが、その遺伝子に対して同じ対立遺伝子を共有しているのかを計数する。これは、選択された候補のすべての遺伝子に対して繰り返され、これらの計数ｋ（ｋは、遺伝子の数）が合計される。この計数は、その候補に対する「代表」スコアである。このプロセスは、正の投票の候補の１つずつに対して繰り返され、それらのスコアに基づいてランク付けされる。それらの中で、トップランクの正の投票の候補が、ピックとして選択される。

１つのバリエーションでは、関係者には、次に最も高いスコアのものがピックとして選択された、などの場合に、選択したピックを除去する機会が与えられる。複数（例：３つ）が除去された場合、その組のｎ個のセットの繰り返しが再開される。別のバリエーションでは、関係者には、３つの最高スコアのピック候補を示すパネルが示され、関係者が投票したものに最も近いとみなされるものを選択する機会が与えられる。

（方策ＩＩ：フォーカスウィンドウの収束の選択）
第２のクラスの進行表示方策では、プログレスバーは単調に増加せず、関係者の挙動によって退行する場合がある。投票者が連続して投票する場合、投票者の連続する投票ウィンドウが、ますます類似したデザイン候補とポピュレートされる可能性が高い。その場合、これらの連続する投票ウィンドウのコンテンツの類似性に結び付けられたプログレスバーは増加する。この場合、ピックの選択より前の投票のサブミット数は変数である。投票ウィンドウ内のデザイン候補のうちのいくつかの分数（例えば３／４）が同一または非常に類似するので、最も重複する候補がピックとして選択される。ピックを行って、そのピックが関係者によって除去されなかった場合、新しいフォーカスウィンドウが（例えばランダムに）ポピュレートされ、関係者は、次のピックを生じるプロセスの次のフェーズを開始する。ピックが除去される場合、上述の方策Ｉで示されたものに類似した選択肢が後に続く。

（方策ＩＩＩ：直接選択）
この場合、関係者によってある数の投票がサブミットされた後、フォーカスウィンドウ内のデザイン候補のそれぞれに隣接する更なるボタンが有効になる。そのボタンは直接ピックボタンであり、これによって関係者は、対応する候補がピックになるように選択することが可能である。別様には、直接ピックが有効になったとき、関係者は、所望の候補を投票ウィンドウ内のその候補の場所からピックのパネル領域にドラッグし、そのコピーを配置することが可能になる。関係者が直接ピックを行うと、直接ピックボタンは、予め設定された投票の繰り返し回数の間、再び無効になる。ピックパネルは、ピックを保持するために定められた数のスロットを有し、直接ピックボタンをクリックして新しいピックが挿入されると、ピックパネルの最上部に配置され、他のすべてが１スロット分下方に移動され、下部スロットを占有しているデザインは破棄される。ピックをピックパネルにドラッグしてピックを行った場合、ピックされたデザインは、ドラッグアンドドロップされたスロットのアイテムと置き換えられるか、またはそのスロットまたはその下のスロットのアイテムが１スロット分下方に移される（下部スロットのアイテムは廃棄される）。ピックパネルがどのように管理されていても、以降の分析のために、すべてのピックの履歴が記録される。

（方策ＩＶ：社会的ネットワークの効果スキーム）
これは、ピックウィンドウにおいて、関係者の投票パターンに基づいて推定されたピック候補だけでなく、他の投票者に対するピック（候補または実際のもの）も関係者に示すことを伴う、方策のファミリである。この場合、投票者全体で最も人気のあるデザイン候補は、正の投票候補が現在述べている関係者の投票ウィンドウからだけでなく、すべての関係者から選択されることを除いて、上述の方策Ｉで説明したものと同じ技術を使用して推定される。

（分種化および動的な（または共進化的な）細分化）
交配相手の選択３を制御するために使用されるβパラメータは、４０．０のような十分高い価に設定され、上記に概略を説明した機構およびプロシージャは、異なるプレファレンスプロファイルが、プロセス中に現れて同時に存在できるようにする。関係者が市場における消費者の母集団を表す程度まで、およびその市場内の異なるサブグループが製品属性の相異なる組み合わせに対するプレファレンスを伴うことになる程度まで、システムは、実質的にその市場の一種の動的な市場細分化を実行する。ここで使用される「動的」という用語は、プレファレンスプロファイルおよび対応する好適なデザインが、プロセス中に共展開することを示す。これは市場細分化に対する既存の手法とは異なり、（それに対して適切なデザインが開発される）所与のプレファレンスプロファイルか、またはそれに対して適せつな顧客が識別される、所与のデザインを前提とする。この項は、現在の実現例がどのように細分化能力を提供するのかを説明すること、および単純な例を示すこと、を目的としたものである。

（同類交配）
特定の個体（デザイン候補）間のクロスオーバー演算が、関係者にあまり好まれない新しい候補をもたらす程度まで、当該の交配が生じないように努める。しかし、どの当該の交配が有害なのか先験的にはわからない。個体の交配相手の選択肢を表すＲスペース機構は、経時的に、実際の交配の結果の関係者による評価に基づいて、どの交配相手の対が互換であり、また互換でないのかを学習することができる。成功した遺伝物質の対合は、より頻繁に生じる傾向があるので、あまり成功しないそれらの対合を締め出す。特定の交配相手を禁止すること（または可能性を減じること）は、同類交配として公知であり、互いに交配することが認められているが、他の組のメンバーを持たない個体の組のそれぞれは、種として公知である。

種（分種化）の進化は、動的な関係者のプレファレンスの細分化には直接的に重要である。デザインエクササイズを開始する場合、Ｒスペースは均一である。デザイン候補の母集団のＲの値は、Ｒスペース内に均等に分配される。進化が進むにつれ、他よりも遺伝物質の対合が成功していることに関する情報が（関係者のフィードバックによって）得られる。関係者の評価および再生遺伝子へのクロスオーバー演算の結果として、Ｒスペース内の遺伝子の値の分布は不均一になる。すなわち、Ｒスペースは、クラスタ化し始める。この不均一性は、互いに近く、他から離れている特定の固体を保持するように構築される。これらのクラスタは、種、すなわち生殖的に隔離された複数組の固体に対応する。生殖的隔離が現れると、投票によって種を展開した関係者とともに、それぞれの種は、デザインスペースの特定のサブ領域に特殊化し始め、それらは他の種から干渉されることがあまりない。

（生態学における複数のニッチ）
市場が複数のセグメントを有する場合、これらのセグメントのそれぞれに対して、一組の相異なるプレファレンスプロファイルが存在する。各セグメントのプレファレンスは、デザインの検索スペースにおける領域を表す。これらの領域は、相異なる生態的ニッチとみなすことができる。同類交配の力学によって、複数の種は、出現および存続することが可能になり、それぞれの種がそれ自体のニッチに存在する。各セグメントをサポートする関係者の数−その市場のセグメントのサイズの代わりとなる−は、そのニッチの収容力、ひいては対応する種のサイズを決定する。すなわち、Ｒスペースのクラスタを形成するとき、クラスタのサイズ（その特定の種に属するデザイン候補の数）は、市場のセグメントのサイズを反映する（関係者の中の投票のレベルは均衡が取れているものと仮定し、現在の実現例では、各関係者に示される投票画面の数を制限することによって、または割り当てられた投票数に達した、所与の関係者によってサブミットされた投票を無視することによって、制御することができる）。関係者がシステムと情報をやりとりする（および、それによって意見を形成する）ときに、関係者はデザインの可能性を見いだし、デザインは関係者に応えて展開するので、デザインと関係者との間の相互作用が、ある意味では共進化的であるということが説明できる。展開しているデザインによって想起されるプレファレンスによって、総じてシステムは、市場の複数のセグメントを詳細に描写する一組のデザインに収束する。

図８乃至１４は、この動的な細分化プロセスの例を示す図である。この例では、２人の関係者が並行してシステムと情報をやりとりしている。プロセスは、候補の母集団のランダムなシードに基づいて、均等に分配された再生遺伝子および特徴遺伝子（それぞれ図８および９を参照のこと）から開始する。複数の投票サイクルの後、２つのセグメントが現れ、１つは 関係者１に対応し、もう１つは関係者２に対応する。図１０および１１は、エクササイズのその時点での２人の関係者に対するフォーカスウィンドウを示す。各フォーカスウィンドウのコンテンツは、その関係者に対する選択のデザインが占める。すなわち、第１の関係者に示されるデザインの選択肢は、第２の関係者に示されるデザインの選択肢とは異なる色、パターン、およびデザインスタイル（例、タブ長さ）を特徴付けることが可能である。いずれかの関係者に示されるデザインの選択肢は、Ｒスペース内に非常に集中させることが可能である。すなわち、各デザインの選択肢は、その関係者に示される互いに非常に類似したデザインの選択肢（例、類似した色、類似したパターンなど）となりうる。他のエクササイズでは、関係者に示されるデザインの選択肢は、Ｒスペース内に散存させることが可能である。すなわち、各デザインの選択肢は、関係者に示される他のデザインの選択肢とは異なる色またはパターンを有することが可能である。図１２は、ハイライトされた１つのセグメントに対応するデザインセグメントによる、その時点でのＲスペースの線図である。本実施態様では、２つのクラスタは明確に区別される。最後に、図１３および１４は、プロセスのその時点での各関係者に対する特徴遺伝子の値の分布を示す図である。図１３は、関係者１に対する特徴遺伝子１乃至３の分布を示す図である。スタイル「２」は、両方のセグメントによって好まれているので、唯一の存続する襟スタイルである。関係者１は、紫がかった本体スタイル（本体スタイル「１」）、および短いタブ長さ（１２３に相当する値）を好む。

図１４は、関係者２に対する特徴遺伝子の分布を示す。襟スタイル「２」（タブ襟）は、唯一の存続している襟スタイルである。関係者２は、緑色の本体スタイル（本体スタイル「６」）、および長いタブ長さ（相当する値１３１０）を好む。

一実施態様では、上述の進化的アルゴリズムを変更するために、各ユーザーについて収集された人口統計学的情報を使用することが可能である。例えば、システムは、多数のユーザーから情報を受け入れることが可能であるが、多数のデザインオブジェクトを展開するために、特定の人口統計学を有する一組のユーザーからの情報だけを使用する。本実施態様によって、メーカーは、特定の人口統計学的市場での市場調査活動を肯定的に導くことを必要とせずに、特定の市場のセグメントのプレファレンスを決定することが可能となる。

別の実施態様では、関連する競合製品に関してデータを収集できるようにするために、上述のシステムを使用することが可能である。これは、競合製品が「存続」しているかどうかを確かめるようにデザインされた、一組の製品に競合製品を含むことによって達成される。ある特定の実施態様では、進化的アルゴリズムは、１つ以上のセレクタによって選択された一組の製品デザインに、いつ競合製品が遺伝的に類似したのかを認識し、次世代の製品の選択肢にその競合製品を挿入する。

さらに別の実施態様では、進化的なデザインシステムは、メーカーに原材料を供給する商業関係者からの情報を含む。例えば、供給者は、製品に含めることが可能なハンドルに関する情報を提供することが可能である。その情報は、一般に寸法情報およびスタイル情報をだけでなく、価格設定情報を含むことになる。本実施態様では、セレクタに、潜在的なデザインのコストに関する情報を提供することが可能であり、その遺伝的要素は、セレクタが閲覧するための次世代の製品の作成から検討することが可能である。

さらに別の実施態様では、上述の進化的なデザイン手法は、セレクタに推奨データ、または他の販売促進用のスキームおよび方策を提供することによって強化される。本実施態様では、オピニオンメーカーとして認められるセレクタは、オピニオンメーカーの投票のプレファレンスの情報に基づいて、他のセレクタが投票を変更したかどうかを判断するために、投票の場に示される投票のプレファレンスを有することが可能である。

（ハイブリッド実験）
上述のように、これは、セレクタと情報をやりとりする場合に、分析と実験方法とを組み合わせるために好都合である。当該の組み合わせは、「ハイブリッド実験」と称され、複数の実施態様を有する。各実施態様は、データ収集の観点から異なる利点を達成している。異なる実施態様を以下に述べる。

図１５は、非収束エクササイズ１５０２が収束エクササイズ１５０４に移行する実験である、請求項記載の発明の実施態様を示す図である。実験は、１つ以上のエクササイズから構成することが可能であり、通常エクササイズのステップに適用される分析の形態によって、互いにグループ化されたより小さな複数組の実験である。

あらゆるエクササイズと同様に、非収束エクササイズは、セレクタの回答が収集されて潜在的に分析される、セレクタが有するプレゼンタ（例、コンピュータ）による一連の相互作用である。しかし、選択肢が示される順序および組み合わせは変更することが可能であるが、ベースの母集団は変更されないことが好ましい。ベースの母集団は、一般にユーザーの入力に応えて変更されないので、それらのフィットネス（フィットネスは、セレクタのプレファレンスについて測定される）を最大化するために、メンバーを収束または展開しない。この一連の相互作用は母集団の収束を生じさせないので、必然的に非収束エクササイズと称される。非収束エクササイズの例には、コンジョイント分析を用いる相互作用が挙げられる。

一方で、収束エクササイズは、セレクタがエクササイズに関与するときに、新しい属性の組み合わせにベースの母集団を展開する。母集団は、エクササイズが進行するときにセレクタの最大のプレファレンスに収束し、途中で完全に新しい母集団のメンバーを潜在的に作成する。必然的に、母集団の収束を伴う相互作用は、収束エクササイズと称される。

いくつかの実施態様では、非収束エクササイズ１５０２は、従来のコンジョイント実験を含む。他の実施態様では、非収束エクササイズ１５０２は、アダプティブコンジョイント分析を含み、選択肢が示される順序は変更することが可能であるが、ベースの母集団は変更されないことが好ましい。

収束エクササイズ１５０４は、上述のような遺伝的アルゴリズムベースのエクササイズであるか、または別の進化的志向の手法であってよい。

非収束エクササイズから収束エクササイズへの移行は、それぞれの利点を組み合わせる、実験のデザインに有効である。非収束エクササイズ１５０２は、概して回帰モデルによって、一般に、多数の決定オブジェクトに、特定の決定オブジェクトの属性に対するセレクタの部分効用（またはユーティリティ）に関する情報を提供する。しかし、収束エクササイズ１５０４は、最大のアフィニティにセレクタのプレファレンスを集中させる。これらの最大量は、セレクタまたはセレクタのグループに対してローカルであるか、または有益に、すべてのセレクタに対する全体の最大のアフィニティであってよい。これらの手法を組み合わせることによって、セレクタのプレファレンスに対してユーティリティを計算することが可能であり、それらのプレファレンスは、セレクタに「良い」選択肢を示すことによって、進化的なプロセスを活性化させるために適用することが可能である。加えて、最初に非収束エクササイズを実行することによって、セレクタがエクササイズの収束部分において承認しなかった、決定オブジェクトに関する情報を得ることが可能である。進化の活性化の例証では、キャンディメーカーがキャンディーバーの包装紙をデザインし、異なる包装紙の市場性を調査する場合、セレクタは、特定のロゴおよび包装紙の色を好む場合があるが、栄養成分の配置には関心を持たない場合がある。例えば平均してより高い部分効用を有するなど、セレクタに対してロゴおよび色が重要であると判断すると、セレクタの関心がロゴおよび色に集中して、栄養成分の配置には集中しない可能性がある。しかし、セレクタが、栄養成分の配置にはプレファレンスを表さなかったことを知ることもまた有用である。セレクタの嫌気の情報によって、実験のデザイナーは、別のデザインのシナリオを作成するか、または収束母集団内の好まれない、または特定の決定オブジェクトに対する仮定的またはモデリングの質問に回答することが可能になる。また、第１の非収束エクササイズを実行することによって、いくつかの実施態様の実験のデザイナーは、セレクタが行った以前の決定に影響されていない（故にデータはあまり偏っていない）データを収集することが可能になる。実際にいくつかの実施態様では、収束エクササイズの移行前の時点での相互作用には分析が適用されない。すなわち、エクササイズは単純にデータ収集のルーチンである。

実験のデザイナーは、セレクタのパラメータまたは属性の好適な組み合わせに焦点を当てることができるので、以前の非収束エクササイズ１５０２のユーティリティまたは部分効用の評価を用いて、収束エクササイズ１５０４を実行することは有益である。上述の例を使用して、セレクタがそのロゴの色が重要であると示したことを判断するために、コンジョイント分析は非収束エクササイズの終わりに実行されることを前提とする。収束エクササイズは、目立つように表示された好適なロゴを有する包装紙のバリエーションだけを示すことによって、始めることが可能である。別様には、収束エクササイズは、調査の目的に基づいて、どのロゴが妥当であるのかを判断するために、様々なロゴを有するいくつかの包装紙のバリエーションをセレクタに示すことによって、始めることが可能である。いずれも、収束エクササイズは、非収束エクササイズ中に得られたユーティリティを適用し、この情報の少なくとも一部に基づいて、セレクタの選択肢を示している。

収束エクササイズにおいて、セレクタに初期の選択が表示されると、非収束エクササイズ中にセレクタが行った選択は、概して収束エクササイズには影響を及ぼさない。収束エクササイズの性質は、エクササイズが進行するときにセレクタに示される選択肢を適応させることである。したがって、エクササイズ間の移行は、非収束エクササイズにおいて得られた情報に基づいて、収束エクササイズの始めにセレクタに示された選択肢を、理知的にポピュレートすることを伴うことが可能である。収束エクササイズが実行される前に、データに分析が適用されない実施態様では、収束エクササイズの始めに示された選択肢は、ランダムに選択され、その時点での進化的エクササイズの母集団に存在する属性の分布を反映する。

これは、エクササイズのタイプを変更したセレクタには明らかではない場合があることに留意されたい。いくつかの実施態様では、移行は、選択画面間で継ぎ目なく行うことが可能であり、また実行される単一のエクササイズが存在するセレクタに発生させることが可能である。他の実施態様では、エクササイズは、他の関係者からユーティリティデータを得るために、または現在のセレクタを休止させるために、数時間、または１日切り離すことが可能である。２つのエクササイズ間の異なる移行は、請求項記載の発明の異なる実施態様を構成する。

図１６Ａは、請求項記載の発明の一実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための１つの方法を示す図である。全体の実験の第１のエクササイズは、本実施態様では非収束エクササイズである。１つのバージョンでは、非収束エクササイズは、コンジョイントエクササイズである（ステップ１６０２）。別のバージョンでは、非収束エクササイズは、アダプティブコンジョイントエクササイズである。さらに別の実施態様では、非収束エクササイズは、階層的ベイズコンジョイントモデルを使用して、得られたデータを分析する、コンジョイントエクササイズである。３つすべてのバージョンおよび他のバージョンでは、非収束エクササイズは、電子ネットワークを通じて表されることが好ましい。コンジョイントエクササイズのセレクタは、示された選択肢の中から選択し、セレクタの応答を示すデータが取得される。エクササイズは、スイッチング基準が満たされるまで、選択肢のプレゼンテーションの繰り返し、およびセレクタの決定を繰り返す。いくつかの実施態様では、スイッチング基準は、特定の数の選択肢の画面のセレクタへのプレゼンテーションである。他の実施態様では、スイッチング条件は、所定の制限時間に及ぶ。さらに別の実施態様では、スイッチング基準は、ユーティリティの評価（例えば、前記評価の予想される信頼性のレベル）に対する、特定の妥当な数学的特性に及ぶ。

スイッチング基準が満たされると、特定の属性に対するセレクタのプレファレンスを計算するために、回帰モデルが使用される（ステップ１６０４）。ランダムな数の決定オブジェクトは、収束エクササイズで使用される、組み合わせの母集団から選択される（ステップ１６０６）。場合によって、この母集団は、多数の可能な組み合わせ全体の様々な割合を表す。また、収束エクササイズの状態に基づいて、母集団は、異なる状態のランダムさにあるか（エクササイズの初期において）、または好適なデザインへ収束する（エクササイズの後半において）。どのような母集団を構成するのかに関わらず、本発明は、次いで、回帰モデルによって提供された（ステップ１６０４から）、ユーティリティの評価による決定オブジェクトの選択を記録する（ステップ１６０８）。請求項記載の発明は、次いで回答者の選択肢が「最良の」選択となりうる可能性を示す、決定オブジェクトをピックし（ステップ１６１０）、その決定オブジェクトをフォーカスウィンドウの第１のスロットに配置する。請求項記載の発明は、次いで、セレクタのユーティリティに基づく属性の妥当な組み合わせを有するが、第１の決定オブジェクトとは異なる、すなわち遺伝的に遠い、別の決定オブジェクトを選択することが好ましい（ステップ１６１２）。第２の決定オブジェクトが選択されると（ステップ１６１２）、第２のフォーカスウィンドウのスロットに配置される。いくつかの実施態様では、残りのウィンドウのスロットは、ランダムな決定オブジェクトで満たされる（ステップ１６１４）。他の実施態様では、スロットは、母集団からのランダムでないがあまり妥当でない決定オブジェクトで満たされる。「第１のウィンドウのスロット」、「第２のウィンドウのスロット」、および「残りのウィンドウのスロット」という記述は、いかなる画面上、またはフォーカスウィンドウ内の順序または配置も暗示するものではないことに留意されたい。当該の引用は、限られた数の可能な位置の中のある位置が満たされたことを単に示すものである。フォーカスウィンドウがポピュレートされると、遺伝的アルゴリズムのエクササイズまたはセッションを始めることが可能である（ステップ１６１６）。

しかし、本実施態様の第２のエクササイズは、遺伝的アルゴリズムのプロセスに制限されるものではない。本実施態様および他の実施態様では、あらゆる収束プロセスであってよい。

図１６Ｂは、図１６Ａを参照して説明される方法を示すが、収束母集団および投票ウィンドウの観点からのものである。決定オブジェクトＸは、上述の判断プロセスに基づいて、フォーカスウィンドウ１６２２内のスロット１６２０に対して、収束母集団１６１８からピックされる。第２の異なる遠い決定オブジェクトＹは、フォーカスウィンドウ１６２２内の第２のスロット１６２４に対して選択される。フォーカスウィンドウ１６２２内の残りのスロット１６２６は、次いで、収束母集団１６１８からのランダムな決定オブジェクトによってポピュレートされることが好ましい（ＸおよびＹと異なり、それらは非収束エクササイズからの情報を使用して選択されていないので、符号１、２、３、および４を付す）。ユーザーの収束実験のセッションが開始されると、ユーザーには、決定オブジェクトの母集団から単に選択された決定オブジェクトを含む、フォーカスウィンドウが示される。また、プレゼンテーションは、電子ネットワークを通じたもの、または調査またはアンケートのような別の方法によるものであってよい。セレクタの決定および決定オブジェクトのプレファレンスが取得され、進化的な演算子は、セレクタがそこから選択するための新しい選択肢の組を生成する。このプロセスの例は上述したものであり、エクササイズは停止基準が満たされるまで継続される。本実施態様では、それによって、非収束エクササイズは、好都合に、セレクタの選択を集め始めるために、収束エクササイズに関連する決定オブジェクトを設定する。

決定オブジェクトを比較する１つの方法は、遺伝的な距離によるものである。遺伝的な距離は、（図１７Ａに示されるように）決定オブジェクトが同じ遺伝子に対して異なる値を有する場合に、それらがどのくらい離れているのかを測定したものである。一実施態様では、特定の遺伝子の同じ対立遺伝子を表す遺伝子は距離０を有し、同じ遺伝子の異なる対立遺伝子を表す遺伝子は距離１を有する。キャンディーバーの包装紙の例を続けると、第１のキャンディーバーの包装紙１７０２は、赤いロゴの青色の包装紙を有し、栄養成分は表示されず、第２のキャンディーバーの包装紙１７０４は、栄養成分を表示することを除いて同じ属性を有し、２つの包装紙の間の距離は１（１７０７）である。これは、第１のバーの包装紙の色を考察して、それを第２の包装紙の色と比較することによって計算される。包装紙の色は同じなので、差は０である（１７０６）。次に、２つのロゴの色が比較される。２枚の包装紙が同じロゴの色を共有するので、ここでの距離も０である。しかし、栄養成分の表示は異なり、遺伝的な差異を１増加させ（１７０６）、合計１７０７に示されるように、合計の遺伝的な距離を１にする。

図１７Ｂを参照する。第１の包装紙１７０２を再び使用して、新しい包装紙１７０８と比較する。距離１７１０が２つの包装紙間で再び計算され、合計１７１１で示されるように、その合計距離は２である。ロゴの色（距離＋０）は第１の包装紙１７０２と同一であるが、第２の包装紙１７０８は、どちらも包装紙の色が異なり（距離＝＋１）、栄養成分の表示も異なる（距離＝＋１）。これは、各遺伝子に対する対立遺伝子が同じであるか、異なるかに基づいた、直接的な計算である。

図１７Ｃを参照する。いくつかの実施態様では、距離計算は、特定の属性が総距離または決定オブジェクト間の相違に増大または減少効果を有することが可能な、アカウントへの重み付け、例えば、ロゴの色は、セレクタにとって栄養成分よりも２倍重要であること、をさらに加えることが可能である。そのシナリオでは、ロゴの差異は、栄養成分の表示の２倍もの距離を増加させる。図１７Ｃでは、第１の包装紙１７０２が再び使用されているが、更なる属性「大文字Ｘの使用」が示される。第１の包装紙１７０２は、新しい包装紙１７１２と比較される。新しい包装紙１７１２は、上述の直接的な距離の決定方法を用いて、距離３（１７１４）を有する。しかし、本実施態様では、重み１７１６が距離１７１４に適用され、異なる総距離、すなわち加重距離１７１８がもたらされる。このシナリオでは、包装紙の色は、通常よりも２倍重要であるが、一方で、例えば「ｅｘｔｒｅａｍ」の代わりに「ｅＸｔｒｅａｍ」を使用するような、包装紙への大文字Ｘの使用は半分しか重要でない。したがって、２つの包装紙の間の加重距離は、３．５（１７１９）であり、２つの包装紙を、直接的な距離の決定方法を使用した場合よりも、遺伝的にさらに遠ざける。距離計算に使用される重み要素は、一般にコンジョイント分析によって得られる（各属性の異なる値に対するユーティリティの範囲か、またはそれらの標準偏差に基づく）。別様には、重み要素は、市場の消費者動向を観察すること、代表的な消費者に対する直接的な質問、または他の何らかのタイプのプレファレンス評価エクササイズに基づくことができる。加えて、いくつかの実施態様では、属性値は、図１７Ａ乃至Ｃに示されるとは対照的に、基数によって表すことが可能である。例えば、「中間の青」という色には５という基数を割り当てることが可能であり、一方で、淡い青には３を割り当てることが可能である。そのような場合、距離計算は、アカウントにこの基数を取り込む。上述の例では、例えば、２色間の距離は２となる（重み要素として１を使用することを前提とした場合）。別の実施態様では、２つのデザイン候補間の相違または距離は、それらを合計する前に、個々の距離の構成要素のｎ乗に増加させること、および合計のｍ乗根をとることを伴うことが可能である。上述したように、上述の手法のいずれかを使用した距離の計算は直接的であり（および当業者に公知である）、あるエクササイズから別のエクササイズへの移行中に、決定オブジェクトとそれらの属性の比較に有用である。

図１８Ａは、請求項記載の発明の一実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための別の方法を示す図である。（図１６Ａについて上述したように）非収束エクササイズが実行された後（ステップ１８０２）、本発明の実施態様は、初期のフォーカスウィンドウに対する候補である決定オブジェクトを記録し（ステップ１８０４）、それらを非収束エクササイズにおいて参照される決定オブジェクトのすべての対合と比較する（同じくステップ１８０４）。すなわち、候補は、セレクタがすでにプレファレンスを示した中からの一対の決定オブジェクトと比較される。上述のように、フォーカスウィンドウに対する可能な候補は、収束エクササイズ内の決定オブジェクトの母集団全体、またはそのサブセットとなりうる。該実施態様は、次いで、非収束エクササイズにおいて参照される複数の対の決定オブジェクトを使用して、収束オブジェクト内の各決定オブジェクトの候補に対するスコアリングアルゴリズムを実行し、すべての（または所定の数の）対合に対する候補を記録するまで、候補の選択（ステップ１８０６）、およびその記録（ステップ１８０４）を繰り返す。したがって、本実施態様は、非収束エクササイズ中に、セレクタが、示された母集団をどれを選択したかをエミュレートする方法で、決定オブジェクトの母集団を比較する。実質的に、これは、非収束エクササイズ中にセレクタが行った少なくとも一部の決定に基づいて、セレクタの代わりの投票者を作成する。請求項記載の発明は、セレクタに対する決定オブジェクトを選択していない点に留意されたい。代わりに、セレクタは、収束オブジェクトからの決定オブジェクトが示される代わりに、非収束エクササイズにおいて選択した可能性があるということを予測している。

図１８Ｂを参照する。図１８は、候補−対合比較／投票者代用の概念を示す図である。本実施態様では、非収束エクササイズ中に、特定の選択ウィンドウ内の決定オブジェクト１、２、３、および４を閲覧した場合、本実施態様は、フォーカスウィンドウのスロットに対する収束母集団で利用可能な各候補を記録するために、１−２、１−３、１−４、２−３、２−４、および３−４（それ自体と決定オブジェクトの対合および重複する対合は省略する）の対合の使用を考慮する。対合の例示的なテーブル１８０８では、Ｘが利用可能な対合を示し、Ｏは自己対合を避けたものであり、空白のエントリは重複する対合を無視したものである。本実施態様における、候補と所与の予め閲覧された対（ｐ_ｉ，ｐ_ｊ）との間のスコアリング比較は、次式によって達成される：
ｓｃｏｒｅ_ｃ ^{（ｐｉ，ｐｊ）}＝（ｄ（Ｐ_ｉ， ｃ）−ｄ（ｐ_ｊ， ｃ））＊（ＮＲａｔｉｎｇ（ｐ_ｊ）−ＮＲａｔｉｎｇ（Ｐ_ｉ））_。

ここで、ｐ_ｉは第１の対であり、ｐ_ｊは第２の対であり、ｃはフォーカスウィンドウのスロットに対する候補であり、ｄ（ｘ，ｙ）は決定オブジェクトｘとｙとの間の遺伝的な距離であり、ＮＲａｔｉｎｇ（ｘ）は決定オブジェクトｘが受けたプレファレンスの格付けの関数である。このスコアリング関数は、非収束エクササイズ中に、候補および第１および第２の決定オブジェクトの対が受けたスコアにおける負の差を乗じた非収束エクササイズからの、候補と第１および第２の決定オブジェクトの対との間の距離を定義する。決定オブジェクトの総スコアｃは、次式のように、利用可能なすべての対を使用して得られた、すべてのスコアの構成要素を合計することによって得られる：

実質的に、このスコアリングアルゴリズムでは、セレクタの対のそれぞれに対する以前の格付けに基づいて、セレクタがどのように、比較的に、現在の決定オブジェクトの候補を格付けするのかを計算する。図１８Ａを参照する。本実施態様は、次いで、上述の決定オブジェクト−比較アルゴリズムを使用して、すべての候補のスコアを計算した後に、最高スコアのｎ個の決定オブジェクトを決定する（ステップ１８１０）。ここで、ｎは、セレクタに示されるフォーカスウィンドウ内のスロットの数である。この方法は、「トップＮピック」法として公知である。他の実施態様では、ｍ個の最高スコアの決定オブジェクトが選択され、ｍ＜ｎであり、ｍは、エクササイズ間の移行の前の時点で実験のデザイナーによって選択される。その場合、残りのフォーカスウィンドウのスロットは、残りのスロットに対してランダムに選択された（１つ以上が選択されることを前提とする）、それらの決定オブジェクト間のある遺伝的な差異のレベルを確保するために、進化的エクササイズの母集団からのランダムまたは準ランダムな選択によってポピュレートされる。

関数ＮＲａｔｉｎｇ（ｘ）に関して、これは、回答者によって提供される格付けを使用可能な数値に変換するために、複数の方法で構成することができる。一実施態様では、回答者には、所与の４つの決定オブジェクトの組の選択画面において、最良および２番目に最良の決定オブジェクトを選択するように要求することが可能である。これらの２つの格付けは、次いで、それぞれ３および２の値に変換することができる。そのページで格付けされなかった決定オブジェクトには、０または−１の値が割り当てられる。別の実施態様では、回答者は、最良および最悪の決定オブジェクトを選択するように要求される。この場合、関数は、最高の決定オブジェクトに２または３の値を割り当て、最悪の決定オブジェクトには−２または−３の値が割り当てられ、また格付けされ邸内決定オブジェクトには０または−１の値が割り当てられる。さらに別の実施態様では、回答者は、選択の組の各決定オブジェクトにおいて５ポイントまたは７ポイントが与えられ、そのページのすべての決定オブジェクトまたはそのサブセットに対して、直接数値的な格付けを選択するように要求される。その場合、関数は、これらの数値を変更せずに使用するか、または直接的な数値的変換を適用することが可能であり、一部の回答者が他のものに対して一端を選択する傾向に対する影響を取り除くためにそれらを正規化することを含む。これらの実施態様に関する多くの他のバリエーションは、当業者によって容易に開発されて実行される。

フォーカスウィンドウに対する決定オブジェクトが選択された後、図１６Ａを参照して上述したように、フォーカスウィンドウがセレクタに示され、収束エクササイズを続行する（ステップ１８１２）。

上述の実施態様のバージョンは、示された決定オブジェクトを選択するために、異なる方法を適用する。１つのバージョンでは、本発明は、コンジョイント分析に基づいて直線のスコアリング機構を適用し、進化的母集団内の決定オブジェクトの候補は、非収束エクササイズから収集されたデータを使用して、コンジョイントモデルを評価することによって得られたときに、それらの部分効用を合計することによって記録される。それらの部分効用の合計による最も高い総ユーティリティを有する候補が、セレクタに示される。別のバージョンでは、決定オブジェクトは、クラスタ化アルゴリズムまたは潜在的クラス回帰に基づいて選択される。このシナリオにおける潜在的クラスの回帰モデルは、異なる組の部分効用を評価し、それぞれのプレファレンスの類似性に基づいて、回答者の異なる創発的グループ化にそれぞれ対応する。そのような場合、潜在的クラスのコンジョイント分析は、そのときまでにエクササイズを行った複数の回答者から収集したデータに実行される。潜在的クラス回帰によって識別されるクラスの数は変数であり、回答者のグループがどのくらい類似または不均一であるのかに依存する。異なる組の部分効用（一般に２乃至４）は、異なる組の部分効用によって上位に記録される、収束決定オブジェクトの母集団内の異なる候補を識別するために使用される。例えば、潜在的クラス回帰が、３つのクラスおよび対応する３組の部分効用を識別する場合、候補を記録するために各組の部分効用が使用され、また、各潜在的クラスごとの最高スコアのものが識別されて、収束エクササイズにおける初期のフォーカスウィンドウを（部分的に）ポピュレートするために使用される。

さらに別のバージョンでは、実験の収束エクササイズの一部の初期のフォーカスウィンドウをポピュレートするための候補を記録するために、閾値関数が使用される。閾値より上に記録される候補は１つの組に配置され、初期のフォーカスウィンドウをポピュレートするために、その組から置換のないランダムな選択が行われる。

他の実施態様では、初期のフォーカスウィンドウを超えてポピュレートされるように、システムを設定することが可能である。一実施態様ではまた、上述の方法で、進化的エクササイズにおける第２のフォーカスウィンドウもポピュレートする。さらに別の実施態様では、以降のフォーカスウィンドウは予約された２、３個のスロットを有すことが可能であるので、それらを同じようにポピュレートできる。

図１９は、請求項記載の発明による、非収束エクササイズと収束エクササイズとの間の移行を示す図である。非収束エクササイズが実行された後、本発明の実施態様は、セレクタが非収束エクササイズにおいて閲覧および承認した決定オブジェクトを通じて繰り返す。セレクタは、これに限定されないが、他の決定オブジェクトよりも、例えば１乃至１０のスケールで９のような、高い整数ベースのスケールにランク付けすることによって、決定オブジェクトに「賛成」投票を投じることによって、またはウェブページ上のラジオボタンを介して、「これが、この画面でのお気に入りである」ことを示すことによって、決定オブジェクトに対するプレファレンスを示すことが可能である。

図１９に示されるように、セレクタが行ったすべての決定に基づくユーティリティを生成するために、実験の後にコンジョイント分析の回帰モデルを実行する（ステップ１９０２）。セレクタによって閲覧された決定オブジェクトのすべての属性の分析による情報に基づいて、スコアが、以前に閲覧された決定オブジェクトに適用される。

本発明は、次いで、これらのユーティリティまたは部分効用に基づいて、回答者によって参照された決定オブジェクトを記録する（ステップ１９０６）。それらのユーティリティは、その方法がセレクタが閲覧した決定オブジェクトを使い果たすまで、非収束エクササイズにおいてセレクタが参照した決定オブジェクトに適用される（ステップ１９０４乃至１９０６）。すべての決定オブジェクトにユーティリティが適用されると（ステップ１９０４乃至１９０６）、上位ｎ個の決定オブジェクトがピックされる（ステップ１９０８）。ここで、ｎは、セレクタに示されるフォーカスウィンドウ内のスロットの数である。これらｎ個の決定オブジェクトは、進化的エクササイズの初期のフォーカスにおけるスロットをポピュレートするために使用され、それらは、進化的エクササイズの母集団に同時に挿入される（ステップ１９０９）。一実施態様では、これは、所定の母集団のサイズを保持するために、あまり機能していないｎ個の決定オブジェクトを前記母集団から取り除くことを必要とする。本発明の異なる実施態様では、進化的エクササイズに使用される決定オブジェクトの母集団は、これらの増大分を収容するために、サイズを増加させることが可能である。

いずれの実施態様においても、決定オブジェクト間の差異を増加させるために、上位ｎ個の決定オブジェクトを選択した場合に、基準が適用されることに留意されたい。いくつかの実施態様では、この基準は、上述のようないくつかの遺伝的距離の閾値に基づくことができる。他の実施態様では、その基準は、候補をグループに分類し、各グループから代表的な決定オブジェクトを選択するための類似性のメトリックとして、いくつかの遺伝的距離を使用する、クラスタ化アルゴリズムである。

また、本実施態様では、上述または他の選択方法のように、決定オブジェクトが変わりに選択される場合があり、ｍ＜ｎであり、また残りのスロットは（いずれかの母集団から）ランダムまたは準ランダムに満たされ、類似性を考慮することにも留意されたい。この「上位ｎ個の異なるピック」の実施態様は、非収束エクササイズの実行中に、すべてが許容可能とみなされる様々な組の決定オブジェクトをセレクタに示すことへの影響を有する。この選択方法を介して母集団が選択されると（ステップ１９０８）、上述のように収束エクササイズが実行される（ステップ１９１０）。

図２０の実施態様は図１９のものと類似しており、非収束エクササイズが実行された後（ステップ２００２）、参照された決定オブジェクトを記録することによって（ステップ２００４乃至２００６）、セレクタによってすでに閲覧された母集団を介して繰り返すことによって（ステップ２００４乃至２００６）、また上位ｎ個の決定オブジェクトをピックすることによって（ステップ２００８）、始まる。しかし、本実施態様では、非収束母集団からの決定オブジェクトが使用されるのではなく、本発明は、非収束母集団（ｊ＝ｎ）からの上位スコアのものに類似する、収束母集団からのｊ個の（ｊ＝ｎ）決定オブジェクトを選択する（ステップ２０１０）。

類似性は、ランダムに分けられる等しい距離のスコアを有する候補間の関係による、上述の遺伝的距離を使用して測定される。上述のように、決定オブジェクトの重複または高い類似性を避けるために、非収束エクササイズから選択されるｎ個の上位スコアの決定オブジェクトに、類似性の試験を適用することが可能であることに留意されたい。

加えて、上述の実施態様でｊおよびｎが等しいと考えると、類似性の一致が一対一でなくてもよいので、そのようにする必要はない。実験のデザイナーは、最高スコアの非収束の決定オブジェクトに類似する、２つの収束母集団の決定オブジェクトを検索することが可能である（この場合、ｊ＞ｎであり、特にこの例ではｊ＝ｎ＋１である）。別様には、デザイナーは、ｊ＜ｎのような実験を設定するように選択することが可能である。収束エクササイズのフォーカスウィンドウをポピュレートするために必要な決定オブジェクトの数よりも、多数の上位スコアの決定オブジェクトが非収束エクササイズによって識別される。これは、収束母集団が低い多様性の場所に展開および収束した場合に有用であり、非収束エクササイズからのあらゆる任意の上位スコアの決定オブジェクトに対して、前記収束母集団内の十分に近い一致を見いだす可能性を低くする。この後者の実施態様は、一般に、上位に格付けされた非収束決定オブジェクトのうちの１つに、収束決定オブジェクトが十分に近いと考えられる前に、類似性の閾値を満たさなければならない場合に有用である。さらに別の実施態様では、実験のデザイナーは、収束母集団における収束の程度（および類似性の不足）に基づいて、これらのスキームの切り替えを選択することが可能である。この方法およびそのバリエーションは、「ｔｏｐ Ｎ ｌｏｏｋ−ａ−ｌｉｋｅｓ」法として公知である。

他の実施態様にあるように、ｎはフォーカスウィンドウ内のスロットの数であり、実験のデザイナーは、このようにフォーカスウィンドウのｍ個のスロットだけのポピュレートに関心を持つことが可能であり、ここで、ｍ＜ｎである。そのシナリオでは、上述のパラグラフで説明したｊとｎとの関係には、現在ｊおよびｍが適用される。初期のフォーカスウィンドウに対して類似の決定オブジェクトが選択されると（ステップ２０１０）、収束エクササイズは上述のように始めることが可能である（ステップ２０１２）。

上述の他の実施態様と同様に、本実施態様は、複数の利点を提供する。第１の利点は、コンジョイント分析での部分効用の評価における偏向およびノイズを減じるように最適化する方法で、非収束エクササイズ中に、回答者のプレファレンスの見解の収集が可能になることである。これは、非収束エクササイズ中に、ランダムに、または、好ましくはその後に最適な実験計画スキーム（ＤＯＥまたはＤＯＸとして公知）に基づいたパターンが続く、決定オブジェクトを示すことによって達成される。当該のスキームは、数学的に言えば、限られた数の選択肢の組、および回答者がそこから得る見解を最も効率的に使用させる。上述の実施態様の第２の利点は、非収束エクササイズ中の回答者のフィードバックに基づいて、前記回答者に好まれていると推定される、収束決定オブジェクトの母集団の領域での初期のアクティビティに着目することによって、収束エクササイズ中の回答者のセッションを、最初により効率的かつ直接的に行わせるために、非収束エクササイズ中に収集された情報を使用することである。これらの実施態様の第３の利点は、前の非収束エクササイズ中に、回答者が閲覧して気に入った決定オブジェクトに関連する、収束エクササイズの開始時に、回答者に初期の組の決定オブジェクトを示すことによって、回答者が非収束エクササイズから収束エクササイズへ移行するときに、回答者に継続感を提供することである。特に、これらの実施態様は、推定される好みの決定オブジェクトを、第１のエクササイズから、直接収束母集団に、およびセレクタの初期のフォーカスウィンドウにコピーすることが好ましい。

図２１は、概して、本発明の一実施態様による収束実験の後に、非収束実験２１０２を実行するための方法を示す図である。これは、概して上述の方法の逆のものである。このシナリオでは、本発明の実施態様は、収束エクササイズを実行することによって始まる（２１０２）。収束エクササイズは、上述のもののような遺伝的アルゴリズムベースのエクササイズであるか、または別の進化的志向の収束手法であってよい。該実施態様は、次いで、好適な属性を組み合わせたもの、好適な決定オブジェクト、または好適な部分的決定オブジェクトのような、収束エクササイズで収集された情報を用いて、その情報に基づいて、非収束エクササイズを設定して実行する（２１０４）。これは、下述するシナリオの異なる使用のもとでの異なる理由に対して好都合である。

図２２Ａに示される好適な実施態様では、収束エクササイズが行われ（ステップ２２０２）、先頭の決定オブジェクトを識別するために、収束母集団を分析する（ステップ２２０３）。上述のように、この分析は、収束エクササイズの母集団にクラスタ化アルゴリズムを実行すること、およびその母集団の状態に反映される、異なるプレファレンスの領域の代表を識別することを伴う。別様には、他の分析的方法を用いることも可能である。また、当業者に公知である分析手法を使用して、これらの好適な決定オブジェクトのバリエーションを識別することも可能である。

先頭の決定オブジェクト（およびそれに関するバリエーション）は、次いで、非収束エクササイズを設定するために使用されるが、これはしばしば離散的選択エクササイズと称される。これは、決定オブジェクトの異なる変異体を指す、その属性の異なる値を有する、全体論的決定オブジェクトを示すために、属性が１つだけしか使用されないことを除いて、収束エクササイズに類似する。状況に応じて、更なる「参照」決定オブジェクトを混合物に加えることが可能である（ステップ２２０７）。これらの決定オブジェクトは、それらが好まれなかったか、またはそれらの属性のうちのいくつかが最初のエクササイズに含まれていなかったために、実験のデザイナーには先見的に公知であるが、収束エクササイズ中に展開しない、競合する決定オブジェクトを含む。当該の参照の例には、競合他社の市場内でのデザインが挙げられる。これらの決定オブジェクトが非収束エクササイズにロードされる（すなわち、そのエクササイズに対する決定オブジェクトの母集団の設定に使用される）と、非収束エクササイズが実行され（ステップ２２０９）、コンジョイントモデルに類似する回帰モデルを使用して、収集されたデータが分析される（ステップ２２１１）。この分析の結果は、異なる決定オブジェクトが、市場において互いにどのような関係となっていくのか、また、それぞれが得るプレファレンスの割り当てへの洞察を提供する。非収束エクササイズで使用される不偏のサンプリングは、これらの決定オブジェクトの中の、「プレファレンスの割り当て」または「プレファレンスの強度」に対する、不偏の評価を得るために最適である。

収束エクササイズに続けて非収束エクササイズを実行するために有用である別のシナリオは、実験のデザイナーが、非常に大きな属性スペースの好適なサブセット内のより正確な属性ユーティリティの測定を得るために、非収束エクササイズを使用している場合である。この状況では、大きなデザインスペースを調査するために、またその中のプレファレンスのサブ領域を識別するために、収束エクササイズが最初に使用される。より大きな属性スペースのそれらのサブセットを示す属性は、以降の非収束エクササイズのにロードされ、次にそれらのサブスペース内の決定オブジェクトを一様にサンプリングするために使用される。この手法は、あまり統計学的でないノイズを有するユーティリティの評価を得る。このシナリオの一実施態様を図２２Ｂに示す。実験は、収束エクササイズを実行することによって始まる（ステップ２２０２）。収束エクササイズは、上述のように収束母集団を展開することによって、概して１つまたは限られた数の好適な決定オブジェクトに収束する。この進化によって、各遺伝子の対立遺伝子の分布に経時的変化が生じ、好適な対立遺伝子がより多くなり、より好ましくないものが少なくなる。収束母集団の状態を分析することによって、それらの好適な遺伝子の対立遺伝子（属性変異体）が識別される（ステップ２２０４）。一実施態様では、これは、収束母集団のクラスタ化を介して、好適な決定オブジェクト（およびそのバリエーション）を識別することによって行われ、後に、前記好適な決定オブジェクトをそれらの構成要素の対立遺伝子に解剖する、列挙ステップが続く。別の実施態様では、収束母集団内の対立遺伝子の分布のより直接的な分析が行われる。そして、上述の平均頻度（または他の閾値頻度）を有するものが識別される（ステップ２２０６）。いずれの方法でも、非収束エクササイズを設定するために、このように識別された属性の変異体が使用される（ステップ２２０８）。これは、ランダムな非収束エクササイズとなりうるが、非収束母集団が、この属性のプールからランダムに（または決定オブジェクトの重複を避けるために準ランダムに）生成され、または上述のようにＤＯＥの原理に基づくことができる。これが行われると、非収束エクササイズが始まる（ステップ２２１０）。続いて、収束エクササイズを介して識別された、好適なサブスペース内の小さな組の属性の変異体に対する部分効用またはユーティリティを評価するために、非収束データにコンジョイント分析が実行される（ステップ２２１２）。

本実施態様では、破線の矢印（２２１４）で示されるように、コンジョイント分析を補足するために、収束エクササイズ中に得られる情報を使用することができる（ステップ２２１２）。非収束エクササイズ中に収集した一部のフィードバック情報は、次いで、回帰モデルに対する更なる見解を提供するために使用することが可能である。別様には、相互作用の項（特定の属性の変異体間の相乗効果をモデル化する高次項）は、コンジョイント回帰モデルに含まれ、収束エクササイズ中の、当該の相互作用の効果の存在および重要性を観察することに基づく。これは、収束母集団内の対立遺伝子の仮定的な分布を考察することによって、または好適な決定オブジェクト内に存在する属性の特定の組み合わせを識別することによって行うことができる。

本実施態様は、実用的には非常に多くの回答者および回答者ごとの非常に多くの画面が必要となるような、コンジョイント分析（階層的ベイズモデルを含む）を実行するには大きすぎるものである、非常に大きなデザインスペース（多数の可能な決定オブジェクト）から始めることを可能にする。収束エクササイズは、大きなデザインスペースをより扱いやすいものに効率的かつ迅速に減じるために使用され、収束エクササイズおよびコンジョイント分析を介して実行することが可能である。

それでも、収束エクササイズから表されたプレファレンスを有することによって、実験のデザイナーは、非収束エクササイズを介して、表されたプレファレンスに関して何が重要であるのかを判断できるようになる。これは、図１５乃至２０に示される方法によって提供される情報とは異なる。それらの実施態様では、実験のデザイナーは、非収束エクササイズを介して、属性スペース全体で概して何が重要であるのかを収集し、次いで、収束実験に基づいて、デザインスペース全体の中から最良の選択を評価することが可能であった。この項で説明される手法は、有望な候補を見いだし、次いで、それらの領域に着目してフィーチャリゼーションのそれらのサブセットのユーティリティを決定するために、デザインスペース内の幅広い調査が可能になる。

図２３は、請求項記載の発明の実施態様による、収束実験を実行し、取得したデータにコンジョイント分析を適用していることを示す図である。該方法は、上述の収束アルゴリズムが行うのと同様に始まる。決定オブジェクトがセレクタに示される（ステップ２３０２）。セレクタは、複数の決定オブジェクトに対するプレファレンスを表す（ステップ２３０４）。収束エクササイズは、このプレファレンスデータを取得する（ステップ２３０６）。前記取得したデータに応えて母集団を展開する（ステップ２３０８）。プロセスは、停止基準が満たされるまで繰り返される（ステップ２３１０）。しかし、エクササイズの終わりには、収束エクササイズの演算中に取得されたプレファレンスまたは選択データに、コンジョイント分析が実行される（ステップ２３１２）。収束投票の形跡は、バランス、直交性、および他のＤＯＥの必要とするもの、の観点からすると、最適にデザインされた非収束エクササイズが持つような、妥当なサンプリング特性を持たない場合がある。しかし、取得したプレファレンスまたは選択データにコンジョイント分析を行うことで、依然として、実験のデザイナーは、回答者のプレファレンスに対する有用な洞察を得ることが可能である。収束エクササイズは、好適なソリューションへ収束するようにデザインされているので、初期の関係者によって提供されるフィードバックに基づいて、好適ではないことがわかっている属性の変異体によって、決定オブジェクトの展開および選択に多くの時間を費やす可能性は低い。対照的に、非収束エクササイズは、好まれた属性を有する決定オブジェクトと同じくらいの頻度で、あまり好まれていない属性を有する決定オブジェクトを選択する。したがって、十分に機能していない属性の変異体に対するユーティリティの評価は、非収束エクササイズと比較すると、収束オブジェクトに基づいた場合に、よりノイズが多くなり、潜在的に偏ることになる。

しかし、収束投票の形跡にコンジョイント分析を実行することの１つの利点は、非常に好適な属性に対して得られるユーティリティが、高次の相互作用の効果を反映するように好都合に偏ったものとなることであり、一般に標準的なコンジョイント分析においてモデル化されないままである。これは、好適な決定オブジェクトに対する最良の属性の組み合わせを識別するときに、それらのユーティリティの評価をより適したものにさせる。これらの理由により、実験のデザイナーまたはクライアントは、収束した母集団の状態の分析、および収束エクササイズの投票の形跡へのコンジョイント分析の両方に基づいて、結果を有するレポートをリクエストすることが可能であり、クライアントまたはデザイナーに、実行される実験のより均衡のとれた光景を与える。

図２４は、概して収束実験と並行して実行する非収束実験を示す図である。本実施態様は、実験が始まる前に、２つのエクササイズの設定のうちの１つにセレクタを送ることから始まる。一方の設定は収束エクササイズ２４０４であり、他方は非収束エクササイズ２４０４である。いくつかの実施態様では、セレクタ、すなわち回答者がどちらの設定に進むのかをランダムに決定する。

他の実施態様では、２つのエクササイズに対するセレクタの数は、概して平衡に保持されるか、または異なるエクササイズに別の回答者を送ることによって、確定的に行われる。他の実施態様では、および調査の目的に従い、２つのエクササイズにわたる回答者の分布は均一でない場合があるが、あらゆる妥当な比率に従うことができる。例えば、非収束エクササイズに回答者の１／３を送り、収束エクササイズに２／３を送ることが望ましい場合がある。その状況でも同様に、回答者の選択は、確定的または確率的に実行することが可能である。

セレクタがどちらの選択に関与するのかが決定されると、エクササイズが実行される。いくつかの実施態様では、２つの実験の設定は、多数の可能な決定オブジェクトからランダムに、または準ランダムに生成された、同一または類似した初期の母集団から始まる。他の実施態様では、上述のように、非収束母集団は、最適化された実験計画スキームに基づいて生成され、決定オブジェクトが非収束エクササイズ中に示される、順位および組み合わせを決定することも可能である。非収束母集団は、セレクタに示された決定オブジェクトに対するプレファレンスを示す、異なるセレクタによって、一定に保持する。同じ母集団から始まっている場合があるが、収束の設定はその母集団を展開し、セレクタに示される決定オブジェクトは、その進化の結果である。

セレクタが収束エクササイズの母集団を閲覧する最初のセレクタではない実施態様では、セレクタに示される決定オブジェクトは、収束エクササイズに関与した、または関与している他のセレクタの選択の結果である。セレクタが収束母集団を閲覧する最初のセレクタである、実施態様では、そのセレクタには、非収束エクササイズで参照したものと類似するランダムなサンプリングが示される。エクササイズが実行されると、非収束母集団から収集されたユーティリティは、収束母集団の好適な決定オブジェクトの識別に使用することが可能である。これによって、実験のデザイナーは、回答者のグループに何が重要であったのか、および最終的な収束の最良の決定オブジェクトに展開するために、そのグループのある一部がどのように元の母集団への変更を達成したのか、を判断することが可能になる。

好適な実施態様では、属性内のユーティリティの範囲、または前記属性内のユーティリティの標準偏差（しばしば「選択ドライバ（Ｃｈｏｉｃｅ Ｄｒｉｖｅｒ）」と称される）は、実際に収束した収束エクササイズの母集団に対する、好適に決定オブジェクトの代表を識別するプロセスに使用される。これらの選択ドライバは、異なる決定オブジェクトの回答者への相対的重要度に関する情報を提供する。当該の実施態様では、それらは、収束母集団におけるプレファレンスのクラスタに対する代表的な決定オブジェクトを識別するための、Ｋ−ＭｅｄｏｉｄまたはＫ−Ｍｅｄｉａｎにおける類似性のメトリックの重み要素として使用される。

多くの変更および改良は、本発明の精神と範囲から逸脱することなく、当業者によって行うことが可能である。したがって、図示した実施態様は、例示目的のためだけに示されたものであり、本発明を制限するものと捉えるべきではなく、以下の請求項によって定義されるものである、と明白に理解されたい。故に、以下の請求項は、字義通りに請求項に記載されたものだけでなく、上図に示されたものおよび記載されたものに対して、他の点において同一ではなくても、実質的の同じ結果を得るために、実質的に同じ方法で実質的に同じ機能を実行するための、すべての同等の要素も含むものとして、解釈されたい。

図１は、本発明を実行するためのシステムの一実施態様を示すブロック図である。 図２は、本発明によって行われる意思決定またはデザインエクササイズのプロセスステップの位置実施態様を示すフローチャートである。 図３Ａおよび図３Ｂは、結果として購入決定を有する多目的セレクタエンティティを伴うエクササイズに取り込まれるステップの一実施態様を示すフローチャートである。 図３Ａおよび図３Ｂは、結果として購入決定を有する多目的セレクタエンティティを伴うエクササイズに取り込まれるステップの一実施態様を示すフローチャートである。 図４Ａは、進化的なデザインエクササイズにおける市場セグメントを識別するために用いられるステップの一実施態様を示すフローチャートである。 図４Ｂは、分種化およびニッチングを特徴付ける進化的アルゴリズムの一実施態様を示すフロー図である。 図４Ｃは、交配の可能性を計算するために用いられるステップの一実施態様を示すフロー図である。 図４Ｄは、エンティティのニッチングディスカウントを計算するために用いられるステップの一実施態様を示すフロー図である。 図５は、本発明に関連して有用な登録ページの一実施態様を示すスクリーンショットの図である。 図６は、本発明に関連して有用な対話画面の一実施態様を示すスクリーンショットの図である。 図７Ａは、ユーザー入力の受信に有用な画面の一実施態様を示すスクリーンショットの図である。 図７Ｂは、投票をサブミットする前の特定のプレファレンスの評価を示すスクリーンショットの図である。 図７Ｃは、投票のサブミット後の第２の投票画面の一実施態様を示すスクリーンショットの図である。 図７Ｄは、「ピックパネル」および「プログレスバー」を特徴とする投票画面の一実施態様を示すスクリーンショットの図である。 図８は、Ｒスペース表現に基づいた、アイテムの表示の一実施態様を示すスクリーンショットの図である。 図９は、特徴表現に基づいた、アイテムの表示の一実施態様を示すスクリーンショットの図である。 図１０は、デザインエクササイズの一実施態様中に、関係者に示されるアイテムを示すスクリーンショットの図である。 図１１は、デザインエクササイズの一実施態様中に、関係者に示されるアイテムを示すスクリーンショットの図である。 図１２は、Ｒスペース線図一実施態様を示すスクリーンショットの図である。 図１３は、デザインエクササイズの一実施態様における特徴遺伝子の分布を示すスクリーンショットの図である。 図１４は、デザインエクササイズの一実施態様における特徴遺伝子の分布を示すスクリーンショットの図である。 図１５は、非収束エクササイズを収束エクササイズに移行させる実験の、本発明の一実施態様を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 図１７Ａ〜図１７Ｃは、本発明による、遺伝的な距離の概念を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 図１６Ａおよび図１６Ｂ、図１８Ａおよび図１８Ｂ、図１９、および図２０は、本発明に種々の実施態様による、非収束エクササイズと収束エクササイズとの間の移行のための方法を示す図である。 概して、本発明の一実施態様による収束実験の後に、非収束実験を実行するための方法を示す図である。 本発明の種々の実施態様による、収束エクササイズと非収束エクササイズとの間の移行のための方法を示す図である。 本発明の種々の実施態様による、収束エクササイズと非収束エクササイズとの間の移行のための別の方法を示す図である。 本発明の種々の実施態様による、収束実験を実行し、取得したデータにコンジョイント分析を適用していることを示す図である。 概して収束実験と並行して実行する非収束実験を示す図である。

Claims (61)

1. セレクタグループのデザインプレファレンス傾向を分析する方法であって、
   （ａ）電子ネットワークを通じて、複数のセレクタに、複数の属性の複数の組み合わせを有する１つ以上の決定オブジェクトのグループを示すステップと、
   （ｂ）前記複数のセレクタから、前記示された決定オブジェクトの中からのそれぞれのセレクタのプレファレンスを示す情報を取得するステップと、
   （ｃ）前記属性の１つ以上の異なる組み合わせを含んでいる、決定オブジェクトの派生グループを展開または選択するために、前記情報を使用するステップと、
   （ｄ）１つ以上の好適な決定オブジェクトに到達するために、前記ステップ（ｃ）からの派生グループを使用して、前記ステップ（ａ）乃至（ｃ）を繰り返すステップと、
   （ｅ）前記セレクタの前記属性のプレファレンスに関連する情報を収集するようにコンジョイント分析をインプリメントするために、前記ステップ（ｂ）から少なくともいくつかの情報を使用するステップと
   を含む、方法。
2. 前記セレクタは、
   （ｉ）個人、
   （ｉｉ）個人のグループ、
   （ｉｉｉ）機械学習システムのような、個人の代わりになるもの、
   （ｉｖ）ニューラルネット、統計学的または他の数学的モデル、またはエキスパートシステム、または
   （ｖ）それらの組み合わせ
   のうちの１つ以上を含む、請求項１に記載の方法。
3. 前記決定オブジェクトの派生グループを展開または選択するために、遺伝的アルゴリズムが使用される、請求項２に記載の方法。
4. 前記決定オブジェクトは、包装材料を含む、請求項２に記載の方法。
5. 前記決定オブジェクトは、包装材料を含む、請求項２に記載の方法。
6. 前記決定オブジェクトは、消費製品を含む、請求項２に記載の方法。
7. （ｆ）前記セレクタグループのデザインプレファレンス傾向について述べるレポートを生成するステップをさらに含む、請求項２に記載の方法。
8. 前記ステップ（ｄ）は、所定の繰り返し数、前記ステップ（ａ）乃至（ｃ）を繰り返すステップをさらに含む、請求項２に記載の方法。
9. 前記ステップ（ｄ）は、所定の時間、前記ステップ（ａ）乃至（ｃ）を繰り返すステップをさらに含む、請求項２に記載の方法。
10. 応答するために複数の質問を各セレクタに示すステップをさらに含む、請求項２に記載の方法。
11. 各セレクタの応答が、前記ステップ（ａ）において当該セレクタに示される決定オブジェクトを選択するために、用いられる、請求項１０に記載の方法。
12. 複数のセレクタの応答が、前記ステップ（ａ）において各セレクタに示される決定オブジェクトを選択するために、用いられる、請求項１０に記載の方法。
13. 複数のセレクタの応答が、前記セレクタグループの前記デザインプレファレンス傾向について述べるレポートを生成するために、用いられる、請求項１０に記載の方法。
14. セレクタグループのデザインプレファレンス傾向を分析する方法であって、
    （ａ）電子ネットワークを通じて、複数のセレクタに、複数の属性の複数の組み合わせを有する１つ以上の決定オブジェクトのグループを示すステップと、
    （ｂ）前記複数のセレクタから、前記示された決定オブジェクトの中からのセレクタのプレファレンスを示すデータを取得するステップと、
    （ｃ）前記複数のセレクタの属性プレファレンスに関連する情報を収集するようにコンジョイント分析をインプリメントするために、前記ステップ（ｂ）から少なくともいくつかのデータを使用するステップと、
    （ｄ）電子ネットワークを通じて、複数のセレクタに、複数の属性の複数の組み合わせを有する１つ以上の更なる決定オブジェクトのグループを示すステップと、
    （ｅ）セレクタから、前記示された決定オブジェクトの中からそのセレクタのプレファレンスを表す情報を取得するステップと、
    （ｆ）属性の１つ以上の異なる組み合わせを含んでいる、決定オブジェクトの派生グループを展開または選択するために、前記情報を使用するステップと、
    （ｇ）１つ以上の好適な決定オブジェクトに到達するために、前記ステップ（ｆ）からの派生グループを使用して、前記ステップ（ｄ）乃至（ｆ）を繰り返すステップと、
    （ｈ）停止基準を達成した後において、更なる開発、製造、使用、または販売のために好適な決定オブジェクトのうちの１つまたは前記決定好適なオブジェクトのグループを選択するステップと
    を含む、方法。
15. 前記セレクタは、
    （ｉ）個人、
    （ｉｉ）個人のグループ、
    （ｉｉｉ）機械学習システムのような、個人の代わりになるもの、
    （ｉｖ）ニューラルネット、統計学的または他の数学的モデル、またはエキスパートシステム、または
    （ｖ）それらの組み合わせ
    のうちの１つ以上を含む、請求項１４に記載の方法。
16. 前記決定オブジェクトの派生グループを展開または選択するために、遺伝的アルゴリズムが使用される、請求項１５に記載の方法。
17. 前記ステップ（ｃ）は、前記ステップ（ｇ）の後に実行される、請求項１５に記載の方法。
18. 前記ステップ（ｃ）は、前記ステップ（ｈ）の後に実行される、請求項１５に記載の方法。
19. 前記ステップ（ｃ）の前記コンジョイント分析の結果は、前記ステップ（ｄ）において示される更なる決定オブジェクトの母集団の属性の組み合わせに影響を与えるように使用される、請求項１５に記載の方法。
20. 前記ステップ（ａ）において示される前記決定オブジェクトは、ランダムな複数組の属性を含む、請求項１５に記載の方法。
21. 前記ステップ（ａ）において示される前記決定オブジェクトは、前記ステップ（ｃ）のコンジョイント分析の効率を高めるようにデザインされた属性を含む、請求項１５に記載の方法。
22. 前記ステップ（ａ）の前に、応答するために複数の質問が各セレクタに示される、請求項１５に記載の方法。
23. 各セレクタの応答が、当該セレクタに示される決定オブジェクトを選択するために、用いられる、請求項２２に記載の方法。
24. 複数のセレクタの応答が、各セレクタに示される決定オブジェクトを選択するために、用いられる、請求項２２に記載の方法。
25. 決定オブジェクトの属性に対して、少なくとも１つのセレクタのプレファレンスを識別および分析する方法であって、
    （ａ）前記セレクタに、第１の母集団からの少なくとも１つの決定オブジェクトを示すステップと、
    （ｂ）前記セレクタから、前記少なくとも１つの決定オブジェクトに対する当該セレクタのプレファレンスを示すデータを取得するステップと、
    （ｃ）切り替え基準を満たすまで前記ステップ（ａ）および（ｂ）を繰り返すステップと、
    （ｄ）前記セレクタに、第２の母集団からの少なくとも１つの決定オブジェクトを示すステップと、
    （ｅ）前記セレクタから、少なくとも１つの決定オブジェクトに対する当該セレクタのプレファレンスを示す情報を取得するステップと、
    （ｆ）前記第２の母集団の少なくとも１つの決定オブジェクトを展開するために、前記情報を使用するステップと、
    （ｇ）停止基準を満たすまで、前記ステップ（ｄ）乃至（ｆ）を繰り返すステップと
    を含む、方法。
26. 前記セレクタは、
    （ｉ）個人、
    （ｉｉ）個人のグループ、
    （ｉｉｉ）機械学習システムのような、個人の代わりになるもの、
    （ｉｖ）ニューラルネット、統計学的または他の数学的モデル、またはエキスパートシステム、または
    （ｖ）それらの組み合わせ
    のうちの１つ以上を含む、請求項２５に記載の方法。
27. 前記ステップ（ｃ）は、切り替え基準を満たした後に、前記取得されたデータのコンジョイント分析を行うステップをさらに含む、請求項２６に記載の方法。
28. 前記ステップ（ｃ）は、前記コンジョイント分析に応答して、前記セレクタに示される少なくとも１つの決定オブジェクトを選択するステップをさらに含む、請求項２７に記載の方法。
29. 前記ステップ（ｇ）は、停止基準を満たした後に、前記取得されたデータおよび情報のコンジョイント分析を行うステップをさらに含む、請求項２６に記載の方法。
30. 前記ステップ（ｃ）は、切り替え基準を満たした後に、前記ステップ（ｄ）で前記セレクタに示される、前記第２の母集団からの少なくとも１つの決定オブジェクトを選択するために、前記取得されたデータを用いるステップをさらに含む、請求項２６に記載の方法。
31. 前記取得されたデータまたは前記取得された情報のいずれかを使用してコンジョイント分析が実行される、請求項２６に記載の方法。
32. 前記コンジョイント分析は、前記取得されたデータおよび情報の両方を使用して実行される、請求項３１に記載の方法。
33. （ｈ）前記決定オブジェクトの属性に対して、各セレクタのプレファレンスを識別するレポートを生成するステップをさらに含む、請求項２６に記載の方法。
34. 前記切り替え基準は、前記ステップ（ａ）および（ｂ）の所定数回の繰り返しを含む、請求項２６に記載の方法。
35. 前記切り替え基準は、所定の制限時間に到達することを含む、請求項２６に記載の方法。
36. 前記停止基準は、前記ステップ（ｄ）乃至（ｆ）の所定数回の繰り返しを含む、請求項２６に記載の方法。
37. 前記停止基準は、所定の制限時間に到達することを含む、請求項２６に記載の方法。
38. 各決定オブジェクトは、広告資料を含む、請求項２６に記載の方法。
39. 各決定オブジェクトは、包装材料を含む、請求項２６に記載の方法。
40. 各決定オブジェクトは、消費製品を含む、請求項２６に記載の方法。
41. 各繰り返しに対して、各セレクタは、他のセレクタに示されるものとは実質的に異なる少なくとも１つの決定オブジェクトとともに、前記ステップ（ｄ）において示される、請求項２６に記載の方法。
42. 決定オブジェクトの属性に対して、少なくとも１つのセレクタのプレファレンスを識別および分析する方法であって、
    （ａ）前記セレクタに、第１の母集団からの少なくとも１つの決定オブジェクトを示すステップと、
    （ｂ）前記セレクタから、少なくとも１つの決定オブジェクトに対する当該セレクタのプレファレンスを示す情報を取得するステップと、
    （ｃ）前記第１の母集団の少なくとも１つの決定オブジェクトを展開するために、前記情報を使用するステップと、
    （ｄ）切り替え基準を満たすまで前記ステップ（ａ）乃至（ｃ）を繰り返すステップと、
    （ｅ）前記セレクタに、第２の母集団からの少なくとも１つの決定オブジェクトを示すステップと、
    （ｆ）前記セレクタから、少なくとも１つの決定オブジェクトに対する当該セレクタのプレファレンスを示すデータを取得するステップと、
    （ｇ）停止基準を満たすまで、前記ステップ（ｅ）および（ｆ）を繰り返すステップと
    を含む、方法。
43. 前記セレクタは、
    （ｉ）個人、
    （ｉｉ）個人のグループ、
    （ｉｉｉ）機械学習システムのような、個人の代わりになるもの、
    （ｉｖ）ニューラルネット、統計学的または他の数学的モデル、またはエキスパートシステム、または
    （ｖ）それらの組み合わせ
    のうちの１つ以上を含む、請求項４２に記載の方法。
44. 前記ステップ（ｇ）は、停止基準を満たした後に、前記取得されたデータのコンジョイント分析を行うステップをさらに含む、請求項４３に記載の方法。
45. 前記ステップ（ｇ）は、停止基準を満たした後に、前記取得されたデータおよび情報のコンジョイント分析を行うステップをさらに含む、請求項４３に記載の方法。
46. 前記ステップ（ａ）の前に、応答するために複数の質問が各セレクタに示される、請求項４３に記載の方法。
47. 前記応答は、前記セレクタに示される前記第１の母集団からの少なくとも１つの決定オブジェクトを選択するために用いられる、請求項４６に記載の方法。
48. 前記ステップ（ａ）、（ｂ）、（ｃ）、（ｅ）、および（ｆ）のうちの少なくとも１つの決定オブジェクトは、部分的な決定オブジェクトを含み、前記部分的な決定オブジェクトは、前記決定オブジェクトの属性のサブセットを含む、請求項４３に記載の方法。
49. 前記取得されたデータを使用してコンジョイント分析が実行される、請求項４３に記載の方法。
50. 前記取得されたデータおよび情報の両方を使用してコンジョイント分析が実行される、請求項４９に記載の方法。
51. （ｈ）前記決定オブジェクトの属性に対して、各セレクタのプレファレンスを識別するレポートを生成するステップをさらに含む、請求項５０に記載の方法。
52. 前記切り替え基準は、前記ステップ（ａ）乃至（ｃ）の所定数回の繰り返しを含む、請求項４３に記載の方法。
53. 前記切り替え基準は、所定の制限時間に到達することを含む、請求項４３に記載の方法。
54. 前記停止基準は、前記ステップ（ｅ）および（ｆ）の所定数回の繰り返しを含む、請求項４３に記載の方法。
55. 前記停止基準は、所定の制限時間に到達することを含む、請求項４３に記載の方法。
56. 各決定オブジェクトは、広告資料を含む、請求項４３に記載の方法。
57. 各決定オブジェクトは、包装材料を含む、請求項４３に記載の方法。
58. 各決定オブジェクトは、消費製品を含む、請求項４３に記載の方法。
59. 各繰り返しに対して、各セレクタは、他のセレクタに示されるものとは実質的に異なる少なくとも１つの決定オブジェクトとともに、前記ステップ（ａ）において示される、請求項４３に記載の方法。
60. １つ以上の決定オブジェクトの属性に対して複数のセレクタのそれぞれがプレファレンスを有する、１つ以上の決定オブジェクトの属性を識別および認識する方法であって、
    （ａ）電子ネットワークを通じて、少なくとも１つのセレクタによって提供される情報に応答して、複数の決定オブジェクトのそれぞれに対して少なくとも１つの属性を記録するステップと、
    （ｂ）複数の決定オブジェクトによって投票ウィンドウをポピュレートするために各属性の記録から導出した情報を使用するステップと、
    （ｃ）複数のセレクタのうちの少なくとも１つによって表されるプレファレンスに応答して、繰り返し、複数のセレクタに複数の決定オブジェクトを示し、決定オブジェクトを展開するステップと、
    （ｄ）停止基準を満たした場合、１つ以上の好適な決定オブジェクトの属性を識別する情報を返すステップと
    を含む、方法。
61. 決定オブジェクトに対して複数のセレクタのそれぞれがアフィニティを有し、決定オブジェクトのそれぞれが属性の組み合わせを有する、より大きな決定オブジェクトの母集団のサブセットを識別する方法であって、
    （ａ）電子ネットワークを通じて、前記複数のセレクタのそれぞれに、より大きな一組の決定オブジェクトから選択された第１のグループの決定オブジェクトを示すステップであって、前記第１のグループの各決定オブジェクトは特定の属性の組み合わせを有する、ステップと、
    （ｂ）前記セレクタの少なくとも一部によって、前記示された決定オブジェクトのサブセットに対して示されるプレファレンスを示すデータを取得するステップと、
    （ｃ）第２のグループの決定オブジェクトを選択するために、選択プロセスにおいて前記取得したデータを使用するステップと、
    （ｄ）停止条件が満たされるまで、前記ステップ（ａ）の第１のグループとして前記ステップ（ｃ）の第２のグループを使用して、前記ステップ（ａ）乃至（ｃ）を繰り返すステップと、
    （ｅ）前記取得したデータのコンジョイント分析を実行するステップと
    を含む、方法。

Images