JP2021026686A - 文字表示装置、文字表示方法、及びプログラム - Google Patents

Abstract

【課題】面接時の音声データに含まれている情報を確認しやすくする。【解決手段】文字表示装置１０は、評価部１５０、表示形態決定部１８０、及び表示制御部２００を有している。評価部１５０は、上記した音声データから生成されたテキストデータを取得し、そのテキストデータに含まれる複数の表現それぞれに対して評価値を生成する。この評価値は、面接におけるその表現の重要度（例えば重要性を示すスコア）を示している。表示形態決定部１８０は、評価部１５０が生成した評価値を用いて、複数の表現それぞれの表示形態を決定する。表示制御部２００は、これら複数の表現を、表示形態決定部１８０が決定した表示形態で同一の表示領域に表示させる。表示制御部２００が行う表示は、例えば端末２０のディスプレイに表示される。【選択図】図１

Description

本発明は、文字表示装置、文字表示方法、及びプログラムに関する。

近年、インターネットなどの通信回線を介して面接官と被面接者が面接を行うことが行われている。例えば特許文献１には、面接仲介システムが、面接時の動画データ及び音声データを記憶することが記載されている。

特開２０１７−４１２１５号公報

面接時の音声データには様々な情報が含まれている。本発明の目的は、面接時の音声データに含まれている情報をユーザが確認しやすくすることにある。

本発明によれば、面接の時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成する評価部と、
前記評価値を用いて、前記複数の表現それぞれの表示形態を決定する表示形態決定部と、
前記複数の表現を、前記表示形態決定部が決定した表示形態で同一の表示領域に表示させる表示制御部と、
を備える文字表示装置が提供される。

また本発明によれば、コンピュータが、
面接の時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成し、
前記評価値を用いて、前記複数の表現それぞれの表示形態を決定し、当該表示形態で前記複数の表現を同一の表示領域に表示させる、文字表示方法が提供される。

本発明によれば、コンピュータに、
面接の時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成する機能と、
前記評価値を用いて、前記複数の表現それぞれの表示形態を決定する機能と、
前記複数の表現を、前記決定した表示形態で同一の表示領域に表示させる機能と
を持たせるプログラムが提供される。

本発明によれば、ユーザは、面接時の音声データに含まれている情報を確認しやすくなる。

実施形態に係る文字表示装置の機能構成を、その使用環境とともに示す図である。 面接データ記憶部のデータ構成の一例を示す図である。 テキスト記憶部のデータ構成の一例を示す図である。 モデル記憶部のデータ構成の一例を示す図である。 モデル記憶部のデータ構成の一例を示す図である。 各モデルの生成方法を説明するための図である。 評価結果記憶部のデータ構成の一例を示す図である。 表示ルール記憶部のデータ構成の一例を示す図である。 表示制御部による端末の表示例を示す図である。 文字表示装置のハードウエア構成を例示するブロック図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。

図１は、実施形態に係る文字表示装置１０の機能構成を、その使用環境とともに示す図である。文字表示装置１０は端末２０とともに使用される。端末２０は面接を行う主体（例えば企業や団体）の従業員（例えば面接官）によって使用される。端末２０は、面接時に、面接に応募した応募者が使用する端末（図示せず）と通信を行う。これにより、面接官は、応募者が異なる場所にいても、面接を行うことができる。

端末２０は、面接時に動画データ及び音声データを生成する。この動画データには面接官の映像及び応募者の映像の双方が含まれており、また、音声データには面接官の音声及び応募者の音声の双方が含まれている。文字表示装置１０は、これらの動画データ及び音声データ（以下、面接データと記載）を取得し、この音声データを解析することにより、面接官に、面接に関する情報を提供する。

具体的には、文字表示装置１０は、評価部１５０、表示形態決定部１８０、及び表示制御部２００を有している。評価部１５０は、上記した音声データから生成されたテキストデータを取得し、そのテキストデータに含まれる複数の表現それぞれに対して評価値を生成する。この評価値は、面接におけるその表現の重要度（例えば重要性を示すスコア）を示している。表示形態決定部１８０は、評価部１５０が生成した評価値を用いて、複数の表現それぞれの表示形態を決定する。表示制御部２００は、これら複数の表現を、表示形態決定部１８０が決定した表示形態で同一の表示領域に表示させる。表示制御部２００が行う表示は、例えば端末２０のディスプレイに表示される。

なお、文字表示装置１０は、互いに異なる複数の主体それぞれの端末２０と通信する。そして文字表示装置１０は、複数の主体別に処理を行う。以下、文字表示装置１０について詳細に説明する。

文字表示装置１０は、上記した評価部１５０、表示形態決定部１８０、及び表示制御部２００の他に、データ取得部１１０、面接データ記憶部１２０、音声認識部１３０、テキスト記憶部１４０、モデル記憶部１６０、評価結果記憶部１７０、及び表示ルール記憶部１９０を有している。

データ取得部１１０は、端末２０から面接データを、その面接データの属性情報と共に取得し、これら面接データ及び属性情報を面接データ記憶部１２０に記憶させる。属性情報は、面接それぞれに割り振られたＩＤ（以下、面接ＩＤと記載）、面接を行った主体（例えば企業）を特定する情報、面接官を特定する情報（以下、面接官ＩＤと記載）、応募者を特定する情報（以下、応募者ＩＤと記載）、及び面接が行われた日時を示す情報を含んでいる。面接ＩＤは、例えば面接が行われる前に予め付与されていてもよいし、面接が行われたタイミングで付与されてもよい。面接ＩＤの付与は、端末２０が行ってもよいし、文字表示装置１０が行ってもよいし、面接を管理する他の装置が行ってもよい。端末２０は、この面接ＩＤを記憶しており、面接データと共にデータ取得部１１０に送信する。

音声認識部１３０は、面接データ記憶部１２０から音声データを読み出し、音声認識処理を行うことにより、テキストデータを生成する。テキストデータは、発話内容を示す文字の他に、その文字の出現位置（発話時刻）、その文字を発話した話者情報、及びその文字の推定結果の確からしさ（以下、第１スコアと記載）も含んでいる。そして音声認識部１３０は、このテキストデータを、主体別（例えば企業別）に、面接ＩＤに紐づけてテキスト記憶部１４０に記憶させる。

音声認識部１３０は、上記した音声認識処理において、話者を特定し、この特定した話者を示す情報、すなわち上記した話者情報を生成する。例えば、面接データには対応している面接官のＩＤが対応づいている。各面接官の音声を事前に録音しておきその音声から得られる音響特徴量を用いることで、面接データ中のどの区間が面接官の発話か、どの区間が応募者の発話かを推定する。この結果を用いて、面接データを書き起こしたテキストデータに、面接官及び／又は応募者の発話内容であることを示す情報を紐付けることができる。

評価部１５０は、テキスト記憶部１４０が記憶しているテキストデータを処理することにより、そのテキストデータに含まれる複数の表現それぞれに対して、上記した評価値を生成する。評価が行われる表現の単位は、単語であってもよいし、熟語であってもよいし、文節であってもよい。評価部１５０は、面接ＩＤ別に、複数の表現を、その表現の評価値に対応付けて評価結果記憶部１７０に記憶させる。この際、評価部１５０は、応募者の発話内容に含まれる表現のみを評価結果記憶部１７０に記憶する。また評価部１５０は、評価値が基準を満たす表現のみ、例えば重要度が基準以上の表現のみを評価結果記憶部１７０に記憶するのが好ましい。

評価部１５０は、学習済モデルを用いて、テキストデータに含まれる複数の表現それぞれの評価値を生成する。この学習済みモデルは、テキストデータを入力として評価値を出力するモデルであり、機械学習を用いて生成され、モデル記憶部１６０に記憶されている。モデル記憶部１６０には複数の学習済モデルが記憶されている。そして評価部１５０は、適切な学習済モデルを選択して使用する。学習済モデルの種類及び学習済モデルの選択方法については、後述する。

また、評価部１５０は、面接データを書き起こしたテキストデータのほか、その表現を発話した話者の属性、テキストデータの基になった音声データにおけるその表現の出現位置、その表現における音声の特徴量（例えば音量や話速）、音声認識処理の推定結果の確からしさを表す第１スコアも入力することができる。これらの入力を元に上記した評価値のほか、その表現が出現した時の話題、その表現のポジティブ性／ネガティブ性を表す第２スコア、及びその表現を行ったときの話者の感情の推定結果を示す第３スコアも判定することができる。評価部１５０は、上記の入力と判定結果を評価結果記憶部１７０に記憶させる。例えば、話者の属性を除いて、テキスト記憶部１４０が記憶しているデータを処理することにより生成される。

上記した話者の属性は、例えば話者のＩＤ（例えば応募者ＩＤ）、話者の性別、及び年齢の少なくとも一つである。評価部１５０は、話者の属性を、面接ＩＤを用いて他のデータベースから取得してもよい。この場合、他のデータベースは、面接ＩＤ別に、上記した話者の属性を記憶している。

また、話者の感情は、例えば感情推定モデルを用いて推定される。この感情推定モデルは、上記したテキストデータに含まれる表現がどの感情であるかを推定するモデルであり、例えば、テキストデータや音声データを入力としており、感情及びその大きさを示すスコアを出力としている。

表示形態決定部１８０は、評価結果記憶部１７０が記憶している評価値を用いて、複数の表現それぞれの表示形態を決定する。表示形態決定部１８０は、例えばワードクラウドと呼ばれる表現を作成する場合、表示形態は、文字の色、文字の大きさ、及び表示領域における表現の位置、が挙げられるが、これらに限定されない。この際、表示形態決定部１８０は、詳細を後述するように、表示ルール記憶部１９０が記憶しているルールを用いて各表現の表示形態を決定する。

なお、端末２０は、バッチ式でデータ取得部１１０に面接データを送信してもよいし、面接データを生成するたびにデータ取得部１１０に面接データを送信してもよい。また、音声認識部１３０，評価部１５０、及び表示形態決定部１８０は、端末２０からの指示に応じて処理を行ってもよいし、端末２０からの指示とは関係ないタイミング、例えば文字表示装置１０の処理能力が空いているタイミングで処理を行ってもよい。そして表示制御部２００は、端末２０のユーザが望んだタイミングで、表示形態決定部１８０が決定した表示形態で複数の表現を表示させるためのデータを、端末２０に送信する。

図２は、面接データ記憶部１２０のデータ構成の一例を示す図である。面接データ記憶部１２０は、面接ＩＤに紐づけて、その面接ＩＤに対応する面接の面接官ＩＤ、応募者ＩＤ、面接が行われた日時、及び面接データを記憶している。上記したように、これらのデータは端末２０から送信される。

図３は、テキスト記憶部１４０のデータ構成の一例を示す図である。面接データ記憶部１２０は、面接ＩＤに紐づけてテキストデータを記憶している。このテキストデータは、その面接ＩＤに対応する面接で生成された音声データを音声認識した結果を示している。なお、テキストデータのフォーマットは任意である。

また、テキストデータの一部には、面接官の発言内容であることを示す情報が紐付いていることもある。この場合、テキストデータのうちこの情報が紐付いている内容は面接官の発話内容であり、テキストデータのうちこの情報が紐付いていない内容は応募者の発話内容であることが特定できる。

図４及び図５は、モデル記憶部１６０のデータ構成の一例を示す図である。図４に示すように、モデル記憶部１６０は、複数のモデル群を、そのモデル群が適用されるべき主体の条件（適用条件）に対応付けて記憶している。評価部１５０は、処理対象となっているテキストデータに紐付いている主体を用いて、用いるべきモデル群を選択する。図４に示す例では、複数のモデル群は、そのモデル群が適用されるべき企業に対応付けられている。

そして各モデル群は、図５に示すように、複数の学習済モデルを記憶している。この複数の学習済モデルの一例は、Ｐ／Ｎ（Positive/ Negative）判定モデル、話題別重み付けモデル、単語共起重み付けモデル、業種別重み付けモデル、及び企業別重みづけモデルである。いずれのモデルも、評価対象としての表現を含むデータが入力されると、その表現に対する評価値を出力するものである。

Ｐ／Ｎ（Positive/ Negative）判定モデルは、各表現に対し、肯定的（Positive）／否定的（Negative）のいずれかと、その度合（スコア）を算出するモデルである。本実施形態で用いられるＰ／Ｎ判定モデルは、面接データを用いて構築されているため、面接における表現に特化されている。

話題別重み付けモデルは、面接で予め設定されている話題、例えば議題やトピック（例えば志望理由や活動履歴など）の回答となるような単語、フレーズ等の重要な表現に対して重みを付与するモデルである。面接では、その面接の目的によって、触れるべき話題が設定されている場合が多い。このような場合において、ある面接で適用されるべき話題別重み付けモデルは、その面接で設定されている話題に基づいて設定される。

単語共起重み付けモデルは、表現（例えば単語、フレーズ、及び文などの任意の単位で設定可能）間の共起に関する統計情報を利用した重み付けモデルである。

業種別重み付けモデルは、面接対象の主体（例えば企業）の業種における重要な単語、フレーズ等の重要な表現に対して重みを付与するモデルである。業種別重み付けモデルは、面接を行う主体の業種別に生成されている。なお、業種別重み付けモデルの代わりに、又は採用種別重み付けモデルに加えて、採用種別重み付けモデルが用いられてもよい。採用別重み付けモデルは、採用種（例えば新卒、中途、アルバイト、パート、及び派遣など）における重要な単語、フレーズ等の重要な表現に対して重みを付与するモデルであり、採用種別に生成されている。

主体別重み付けモデルは、面接対象の主体（例えば企業）に特有な商品・サービス等の固有表現などを考慮した上で、面接中の表現（例えば重要な表現）に重み付けを行うモデルである。主体別重み付けモデルは、面接を行う主体別に生成されている。このモデルは、例えばその主体のウェブページに含まれるテキストデータを用いて生成することができる。

上記した複数の学習済モデルの一部（例えばＰ／Ｎ判定モデル及び単語共起重みづけモデル）は、全てのモデル群で共通になっていてもよい。また、上記した複数の学習済モデルの他の一部（例えば話題別重み付けモデルや業種別重み付けモデル）は、複数のモデル群（ただし全てではない）で共通になっていてもよい。

なお、上記した学習済モデルは、例えば以下の３つの方法で生成（学習）されている。

第１は、教師あり学習に基づく表現推定方法である。この方法の一例は、テキストデータと、そのテキストデータに含まれる重要な表現と、からなる対データを予め作成し、この対データを用いて、テキストを入力すると重要な表現集合を出力するような識別器又は識別モデルを学習するものである。この方法には、ロジスティック回帰、ニューラルネットワーク、構造化パーセプトロン、（構造化）サポートベクタマシンなどが用いられる。

第２は、教師あり学習に基づく表現重み推定方法である。この方法の一例は、テキストデータと、そのテキストデータに含まれる重要な表現と、からなる対データを予め作成し、この対データを用いて、入力テキスト中の各表現に対して重み（スコア）を推定するような回帰関数を学習するものである。この方法には、ロジスティック回帰、ニューラルネットワーク、決定木、及びランダムフォレストなどが用いられる。

第３は、教師なし学習に基づく表現重み推定方法である。この方法の一例は、書き起こしテキストを予め作成し、このテキストデータから単語などの表現の重みを出力するような、表現から実数値への関数や生成モデルを学習するものである。この方法には、ＴＦ−ＩＤＦ（Term Frequency Inverse Document Frequency）、潜在的意味解析、非負値行列分解、潜在ディリシュレ配分法、及びニューラルトピックモデルなどが用いられる。

そして図６に示すように、Ｐ／Ｎ判定モデルには、教師あり学習に基づく推定方法及び教師あり学習に基づく重み推定方法が好適である。また、単語共起重み付けモデルには、教師あり学習に基づく重み推定方法及び教師なし学習に基づく表現重み推定方法が好適である。また、話題別重み付けモデル、業種別重み付けモデル、及び企業別重みづけモデルには、教師あり学習に基づく表現推定方法、教師あり学習に基づく表現重み推定方法、及び教師なし学習に基づく表現重み推定方法が好適である。

上記したモデルのうち、話題別重み付けモデル、単語共起重み付けモデル、業種別重み付けモデル、及び企業別重み付けモデルは、各表現の評価値（重要度）を算出するモデルである。評価部１５０は、これらのモデルのうち複数（例えばすべて）を用いて評価値を算出してもよいし、一つのモデルのみを用いて評価値を算出してもよい。

前者の場合、各モデルの評価値の統合方法は、例えば以下の３つの方法がある。第１の方法では、各モデルの信頼度を事前に定め、出力結果と信頼度を掛け合わせることで統合する。第２の方法では、モデルの出力結果の和集合をとることで統合する。第３の方法では、各モデルの出力結果の積集合をとることで統合する。また、評価部１５０は、統合した後の重要度が一定値未満の表現を、切り捨ててもよい。

なお、モデル記憶部１６０は、図５〜図７を用いて説明したモデルの他に、図１を用いて説明した感情推定モデルも記憶している。

図７は、評価結果記憶部１７０のデータ構成の一例を示す図である。評価結果記憶部１７０は、面接ＩＤ毎に、テキスト記憶部１４０においてその面接ＩＤに対応付けられていたテキストデータから抽出された複数の表現（例えば重要な表現）を示す文字列を、各表現の重要度（評価値）及びその他の情報に紐づけて記憶している。その他の情報は、例えば、図１を用いて説明したように、話者の属性、テキストデータの基になった音声データにおけるその表現の出現位置、その表現における音声の特徴量、その表現の第１スコア、その表現が出現したときの話題、その表現の第２スコア、及びその表現の第３スコアの少なくとも一つである。

図８は、表示ルール記憶部１９０のデータ構成の一例を示す図である。上記したように、表示ルール記憶部１９０は、表示形態決定部１８０が各表現の表示形態を決めるときのルールを記憶している。図８に示すルールは、評価結果記憶部１７０が記憶している各データが、表示形態の各要素（色、大きさ、及び位置）のいずれに影響を与えるかを示している。「○」は影響を与えることを示しており、「△」は影響を与えないか、または与えたとしてもその影響度が小さいことを示している。

具体的には、重要度（上記した評価値）、音声の特徴量、第１スコア、第２スコア、及び第３スコアは、いずれも色及び大きさに影響を与える。話者の属性は色及び位置に影響を与える。出現位置（時刻）は位置に影響を与える。さらに、話題は色、大きさ、及び位置のすべてに影響を与える。

図９は、表示制御部２００による端末２０の表示例を示す図である。本図に示す例において、評価値が高い表現、すなわち重要な表現は中央かつ大きな文字で表示されている。また、評価値が高い表現は、目立つ色（例えば赤色）で表示されるのが好ましい。

図１０は、文字表示装置１０のハードウエア構成を例示するブロック図である。文字表示装置１０は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０を有する。

バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、及びネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０２０は、ＣＰＵ（Central Processing Unit） やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。

メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。

ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置である。ストレージデバイス１０４０は文字表示装置１０の各機能（例えばデータ取得部１１０、音声認識部１３０、評価部１５０、表示形態決定部１８０、及び表示制御部２００）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、そのプログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は面接データ記憶部１２０、テキスト記憶部１４０、モデル記憶部１６０、評価結果記憶部１７０、及び表示形態決定部１８０としても機能する。

入出力インタフェース１０５０は、文字表示装置１０と各種入出力機器とを接続するためのインタフェースである。

ネットワークインタフェース１０６０は、文字表示装置１０をネットワーク上の他の装置（例えば端末２０）に接続するためのインタフェースである。

以上、本実施形態によれば、文字表示装置１０は、面接時に生成された音声データに含まれる表現を、その表現の重要度に応じた表示形態で端末２０に表示する。このため、端末２０のユーザは、面接時の音声データに含まれている情報を確認しやすくなる。

また、文字表示装置１０が用いる学習済モデルは面接に特化したモデルになっている。従って、文字表示装置１０が算出した重要度の精度も高くなる。さらにこれらの学習済モデルの少なくとも一部は、その業種に特化したモデルになっていたり、その面接主体（例えば企業）に特化したモデルになっていたり、話題に特化したモデルになっている。従って、文字表示装置１０が算出する重要度の精度も高くなる。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。

また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。

１０ 文字表示装置
２０ 端末
１１０ データ取得部
１２０ 面接データ記憶部
１３０ 音声認識部
１４０ テキスト記憶部
１５０ 評価部
１６０ モデル記憶部
１７０ 評価結果記憶部
１８０ 表示形態決定部
１９０ 表示ルール記憶部
２００ 表示制御部

Claims (9)

1. 面接の時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成する評価部と、
   前記評価値を用いて、前記複数の表現それぞれの表示形態を決定する表示形態決定部と、
   前記複数の表現を、前記表示形態決定部が決定した表示形態で同一の表示領域に表示させる表示制御部と、
   を備える文字表示装置。
2. 請求項１に記載の文字表示装置において、
   前記評価部は、機械学習を適用することで前記テキストデータから前記評価値を出力するモデルを学習し、その学習済モデルを用いて前記評価値を生成する文字表示装置。
3. 請求項２に記載の文字表示装置において、
   前記学習済モデルは、前記面接を行った主体別に生成されている文字表示装置。
4. 請求項２又は３に記載の文字表示装置において、
   前記学習済モデルは、前記面接を行った主体の業種別に生成されている文字表示装置。
5. 請求項２〜４のいずれか一項に記載の文字表示装置において、
   前記学習済モデルは、前記面接における話題別に生成されている文字表示装置。
6. 請求項１〜５のいずれか一項に記載の文字表示装置において、
   前記表示形態決定部は、さらに、話者の属性、前記音声データにおける前記表現の出現位置、前記表現における前記音声の特徴量、音声認識処理における前記表現の推定結果の確からしさを示す第１スコア、前記表現が出現したときの話題、前記表現のポジティブ性／ネガティブ性を示す第２スコア、及び前記表現を行ったときの話者の感情の推定結果を示す第３スコアの少なくとも一つを用いて前記表示形態を決定する文字表示装置。
7. 請求項１〜６のいずれか一項に記載の文字表示装置において、
   前記表示形態は、色、大きさ、及び位置の少なくとも一つである文字表示装置。
8. コンピュータが、
   面接時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成し、
   前記評価値を用いて、前記複数の表現それぞれの表示形態を決定し、当該表示形態で前記複数の表現を同一の表示領域に表示させる、文字表示方法。
9. コンピュータに、
   面接時に生成された音声データから生成されたテキストデータを取得し、当該テキストデータに含まれる複数の表現それぞれに対して、前記面接における当該表現の重要度を示す評価値を生成する機能と、
   前記評価値を用いて、前記複数の表現それぞれの表示形態を決定する機能と、
   前記複数の表現を、前記決定した表示形態で同一の表示領域に表示させる機能と
   を持たせるプログラム。

Images