JP6700396B2 - 才能のデータ駆動型識別のシステム及び方法 - Google Patents
才能のデータ駆動型識別のシステム及び方法 Download PDFInfo
- Publication number
- JP6700396B2 JP6700396B2 JP2018532380A JP2018532380A JP6700396B2 JP 6700396 B2 JP6700396 B2 JP 6700396B2 JP 2018532380 A JP2018532380 A JP 2018532380A JP 2018532380 A JP2018532380 A JP 2018532380A JP 6700396 B2 JP6700396 B2 JP 6700396B2
- Authority
- JP
- Japan
- Prior art keywords
- participant
- group
- participants
- candidate
- game
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 132
- 238000012360 testing method Methods 0.000 claims description 134
- 230000001149 cognitive effect Effects 0.000 claims description 89
- 230000002996 emotional effect Effects 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 84
- 230000000007 visual effect Effects 0.000 claims description 72
- 230000007115 recruitment Effects 0.000 claims description 66
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000013179 statistical model Methods 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 33
- 230000002452 interceptive effect Effects 0.000 claims description 29
- 230000013016 learning Effects 0.000 claims description 28
- 230000009471 action Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 17
- 230000007423 decrease Effects 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 description 92
- 238000013102 re-test Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 24
- 238000012358 sourcing Methods 0.000 description 22
- 230000006399 behavior Effects 0.000 description 21
- 230000008451 emotion Effects 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 16
- 238000000605 extraction Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 238000012552 review Methods 0.000 description 13
- 238000003909 pattern recognition Methods 0.000 description 12
- 238000013439 planning Methods 0.000 description 11
- 230000003542 behavioural effect Effects 0.000 description 10
- 230000002596 correlated effect Effects 0.000 description 10
- 230000003936 working memory Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000008921 facial expression Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000000540 analysis of variance Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000019771 cognition Effects 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000003935 attention Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 208000007415 Anhedonia Diseases 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 2
- 241000557626 Corvus corax Species 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 2
- 238000012356 Product development Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 208000011597 CGF1 Diseases 0.000 description 1
- XNOPRXBHLZRZKH-UHFFFAOYSA-N Oxytocin Natural products N1C(=O)C(N)CSSCC(C(=O)N2C(CCC2)C(=O)NC(CC(C)C)C(=O)NCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(CCC(N)=O)NC(=O)C(C(C)CC)NC(=O)C1CC1=CC=C(O)C=C1 XNOPRXBHLZRZKH-UHFFFAOYSA-N 0.000 description 1
- 101800000989 Oxytocin Proteins 0.000 description 1
- 102100031951 Oxytocin-neurophysin 1 Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 235000019788 craving Nutrition 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- XNOPRXBHLZRZKH-DSZYJQQASA-N oxytocin Chemical compound C([C@H]1C(=O)N[C@H](C(N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CSSC[C@H](N)C(=O)N1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)NCC(N)=O)=O)[C@@H](C)CC)C1=CC=C(O)C=C1 XNOPRXBHLZRZKH-DSZYJQQASA-N 0.000 description 1
- 229960001723 oxytocin Drugs 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004884 risky behavior Effects 0.000 description 1
- 230000010332 selective attention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/45—Controlling the progress of the video game
- A63F13/46—Computing the game score
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F3/00—Board games; Raffle games
- A63F3/04—Geographical or like games ; Educational games
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Description
本願は、２０１５年１２月２３日に出願された米国仮特許出願第６２／３８７，４４０号の優先権を主張するものであり、この仮特許出願の内容はその全体が参照により本明細書に援用される。
ポジションに適する候補者のリクルートは、企業にとって難しい課題であることができる。一般に、企業は、採用担当者及び面接に頼り、応募者がチームに理想的に適合するか否かを判断することができる。しかし、新しい従業員を見つけることは、特に応募者のプールが大きい場合、時間がかかり、コストがかかり、及び場合によっては、無益なプロセスであることがある。逆に、適するキャリアパスの決定は、新しい求職者にとって手強い課題であることがあり、既存のジョブサーチリソースは多くの場合、個人に向けて仕立てられていない。所望の特徴プロファイルに基づいて理想的な従業員又は仕事を見つけるためのプラットフォームは、得られないままである。
（１）特定のジョブポジションへの企業のニーズに合わせられた才能を識別し、（２）トップ従業員を識別し、ポテンシャルを最適化するポジションへのそれらの従業員の配置を推奨するために、企業及び異なるエンティティにより使用可能なシステム及び方法が必要である。
本明細書に開示されるシステム及び方法は、少なくとも上記のニーズに対処することができる。幾つかの実施形態では、本システム及び本方法は、１つ又は複数の神経科学ベースの課題（又はテスト）から得られる候補者の挙動出力に基づいて、候補者と企業とをマッチングすることができる。候補者の挙動出力は、企業の特定のポジションに理想的な従業員を表す従業員モデルと比較し得る。豊富な感情特性及び認知特性をテスト／測定するように設計された実行ベースのゲームの形態で、複数の神経科学ベースのタスクを提供し得る。神経科学ベースのゲームの使用及び従業員モデルと突き合わせたこれらのゲームからの結果の分析は、企業がリクルート及び候補者ソーシングプロセスを最適化するのに役立つことができる。企業にとって有用なリクルートツールであることに加えて、本明細書に記載されるシステム及び方法は、キャリアプラニング及び才能識別において個人を支援することができる。豊富な感情特性及び認知特性を測定するテストを使用することにより、本システム及び本方法は、テスト対象者の強み及び弱みを突き止め、その情報を適用して、どの分野がテスト対象者に適するかを推奨することができる。
一態様によれば、ゲームベースの個人リクルート方法を実施するシステムが提供される。本システムは、複数の参加者に関連する複数の計算デバイスと通信するサーバを含み得る。サーバは、インタラクティブメディア及び第１の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含み、１つ又は複数のプロセッサは、第１の組のソフトウェア命令を実行して、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供するように構成される。インタラクティブメディアは、参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み得る。リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み得る。複数の予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で参加者に表示し得る。
１つ又は複数のプロセッサは、第１の組のソフトウェア命令を実行して、参加者が、１つ又は複数の入力デバイスを使用して、グラフィカルディスプレイ上のグラフィカル視覚的物体のうちの１つ又は複数を操作することにより、リクルートゲームを計算デバイスのグラフィカルディスプレイ上でプレイして、複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、計算デバイスから入力データを受信するようにも構成し得る。
１つ又は複数のプロセッサは、第１の組のソフトウェア命令を実行して、リクルートゲーム内の１つ又は複数のグラフィカル視覚的物体の参加者の操作から導出される入力データを分析して、（１）参加者によるグラフィカル視覚的物体の操作の程度の程度に基づいて、参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類するように更に構成し得る。
本システムは、第２の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含む少なくとも１つの計算デバイスを更に含み得、１つ又は複数のプロセッサは、第２の組のソフトウェア命令を実行して、サーバから分析された入力データを受信し、少なくとも１つの計算デバイスのグラフィカルディスプレイ上に、１組のグラフィカル視覚的物体として分析された入力データを視覚的に表示する。１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）第１の密度関数プロット及び第２の密度関数プロットのそれぞれに対して定義される決定境界を含み得る。決定境界は、リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への候補者の適性を特定するために、エンティティにより使用可能であり得る。
幾つかの実施形態では、１つ又は複数のプロセッサは、候補者の感情特性及び認知特性の測定値を統計モデルと比較することにより、リクルートゲームにおける候補者の実行を測定するように構成し得る。
幾つかの実施形態では、１つ又は複数のプロセッサは、候補者の感情特性及び認知特性の測定値と統計モデルとの比較に基づいて、候補者の適合スコアを生成するように構成し得る。適合スコアは、候補者と参加者のうちの選択されたグループとの一致のレベルを示し得る。１つ又は複数のプロセッサは、少なくとも１つの計算デバイスのグラフィカルディスプレイ上に、適合スコアを示す点を表示するように構成することもできる。点は、グラフィカルディスプレイ上の第１及び第２の密度関数プロットに点を重ねることにより表示し得る。１つ又は複数のプロセッサは、（１）点が決定境界に対して第１の領域にある場合、グループ外として、（２）点が決定境界に対して第２の領域にある場合、グループ内として候補者を分類するように更に構成し得る。
幾つかの実施形態では、決定境界は、第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義し得る。第１の領域は第１の密度関数プロットと重複し得、第２の領域は第２の密度関数プロットと重複し得る。候補者は、点が第１の領域にある場合、グループ外に分類される参加者への類似度が高く、グループ内に分類される参加者への類似度が低いと判断し得る。逆に、候補者は、点が第２の領域にある場合、グループ内に分類される参加者への類似度が高く、グループ外に分類される参加者への類似度が低いと判断し得る。
幾つかの実施形態では、候補者がグループ外に正確に分類される確率は、点の決定境界から第１の領域内への距離が増大するにつれて増大し得る。逆に、候補者がグループ内に正確に分類される確率は、点の決定境界から第２の領域内への距離が増大するにつれて増大し得る。
幾つかの実施形態では、候補者は、点が第１の領域にある場合、標的ポジションへの適合度が低いと判断し得、候補者は、点が第２の領域にある場合、標的ポジションへの適合度が高いと判断し得る。標的ポジションへの候補者の適合度は、点の決定境界から第１の領域内への距離が増大するにつれて低減すると判断し得る。逆に、標的ポジションへの候補者の適合度は、点の決定境界から第２の領域内への距離が増大するにつれて増大すると判断し得る。
幾つかの実施形態では、グラフィカルディスプレイ上の第１の密度プロット及び第２の密度プロットに対する決定境界の位置は、エンティティにより調整可能であり得、決定境界の位置が調整される場合、グループ内又はグループ外に分類される参加者の数は変化し得る。例えば、決定境界の位置は、より多数の参加者がグループ外に分類され、より少数の参加者がグループ内に分類されるように、グラフィカルディスプレイ上で第１の方向に調整可能であり得る。逆に、決定境界の位置は、より多数の参加者がグループ内に分類され、より少数の参加者がグループ外に分類されるように、グラフィカルディスプレイ上で第２の方向に調整可能であり得る。第２の方向は第１の方向の逆であり得る。決定境界の位置が第１の方向に調整される場合、より多数の候補者をグループ外に分類し得、より少数の候補者をグループ内に分類し得る。逆に、決定境界の位置が第２の方向に調整される場合、より多数の候補者をグループ内に分類し得、より少数の候補者をグループ外に分類し得る。
幾つかの実施形態では、１つ又は複数のプロセッサは、候補者の感情特性及び認知特性の測定値と統計モデルとの比較に基づいて、複数の候補者に対して複数の適合スコアを生成するように構成し得る。適合スコアは、候補者と参加者のうちの選択されたグループとの一致のレベルを示し得る。１つ又は複数のプロセッサは、グラフィカルディスプレイ上での複数の適合スコアを示す複数の点の表示を達成するように構成することもできる。複数の点は、第１の密度関数プロット及び第２の密度関数プロットに点を重ねることにより表示し得る。
幾つかの実施形態では、複数の計算デバイスは、リクルートゲームが複数の計算デバイスで複数の参加者によりプレイされているとき、互いと通信するとともに、インタラクティブメディアを提供するように構成されるサーバと通信し得る。入力データは、サーバのメモリに記憶し得る。入力データは、リクルートゲームにおける複数の選択された神経科学ベースのコンピュータ化課題の実行における各参加者の過去及び／又は現在の実行データを含み得る。１つ又は複数のプロセッサは、各参加者の過去及び／又は現在の実行データに基づいて、リクルートゲームでの複数の選択された神経科学ベースのコンピュータ化課題の実行における各参加者の将来の実行を予測するように構成し得る。
幾つかの実施形態では、過去及び／又は現在の実行データは、（１）各参加者が選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数に費やす時間量、（２）各参加者が選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するのにかかる試行数、（３）各参加者が選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するのにとる異なる動作、（４）各参加者が異なる動作のうちの１つ又は複数を実行するのにかかる時間量、（５）異なる動作のうちの１つ又は複数の実行における各参加者の正確性、及び／又は（６）選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するために特定の決定又は判断を下す際に各参加者が適用するウェイトを含み得る。
幾つかの実施形態では、１つ又は複数のプロセッサは、入力データを分析して、各参加者が異なる視覚的物体を正確に選択、配置、及び／又は使用して、リクルートゲームにおいて複数の選択された神経科学ベースのコンピュータ化課題を完了するか否かを判断するように構成し得る。プロセッサは、入力データを分析して、リクルートゲームをプレイすることにおける各参加者の学習、認知スキル、及びプレイでの前の誤りから学習する能力を評価するように構成することもできる。幾つかの場合、プロセッサは、各参加者がその他のペアになった参加者の身元情報を知らないよう、リクルートゲームにおいてランダムに複数の参加者のうちの２人以上の参加者をペアにするように構成し得、複数の選択された神経科学ベースのコンピュータ化課題のうちの少なくとも１つは、ペアになった参加者間の信用レベル及び／又は寛容レベルをテストするように設計し得る。
幾つかの実施形態では、統計モデルは、複数の参加者が同じリクルートゲームの複数のラウンドをプレイする際及び／又は複数の参加者が複数の異なるリクルートゲームをプレイする際、参加者の感情特性及び認知特性の測定値の変化を動的に織り込むように構成し得る。
幾つかの実施形態では、１つ又は複数のプロセッサは、リクルートゲームをプレイしている参加者の身元情報をマスキングすることにより、入力データを匿名化し、入力データの分析前に、匿名化された入力データをサーバのメモリに記憶するように構成し得る。
幾つかの実施形態では、複数の参加者はエンティティにより雇われ得る。参加者の選択されたグループは、少なくとも、エンティティにより予め定義された１組のジョブ実行尺度を満たすエンティティの従業員のグループに対応し得る。統計モデルは１組のジョブ実行尺度に相関し得る。
幾つかの実施形態では、１つ又は複数のグラフィカル視覚的物体の操作は、参加者が、１つ又は複数の入力デバイスを使用してグラフィカルディスプレイ上の１つ又は複数のグラフィカル視覚的物体を選択及び／又は空間的に操作して、複数の選択された神経科学ベースのコンピュータ化課題を完了することにより達成し得る。参加者の複数の感情特性及び認知特性は、複数の選択された神経科学ベースのコンピュータ化課題を完了することにおける参加者の速度、正確性、及び／又は判断に基づいて測定し得る。
幾つかの実施形態では、リクルートゲームは、複数の参加者がグラフィカルディスプレイ上の１つ又は複数のグラフィカル視覚的物体を通して互いと対話して、複数の選択された神経科学ベースのコンピュータ化課題を完了できるようにするように構成し得る。幾つかの場合、複数の異なる分野、機能、業界、及び／又はエンティティに対して異なる統計モデルを生成し得る。
本発明の別の態様では、コンピュータ実施のゲームベースの個人リクルート方法が提供される。本方法は、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することを含み得る。インタラクティブメディアは、参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み得る。リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み得る。複数の予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で参加者に表示し得る。
本方法は、参加者が、グラフィカルディスプレイ上のグラフィカル視覚的物体のうちの１つ又は複数を操作することにより、リクルートゲームを計算デバイスのグラフィカルディスプレイ上でプレイして、複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、計算デバイスから入力データを受信することを含むこともできる。
本方法は、リクルートゲーム内の１つ又は複数のグラフィカル視覚的物体の参加者の操作から導出される入力データを分析して、（１）参加者によるグラフィカル視覚的物体の操作の程度の程度に基づいて、参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類することを更に含み得る。
更に、本方法は、１組のグラフィカル視覚的物体として分析された入力データを視覚的に表示することを含み得、１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）第１の密度関数プロット及び第２の密度関数プロットのそれぞれに対して定義される決定境界を含む。決定境界は、リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への候補者の適性を特定するために、エンティティにより使用可能であり得る。
本発明の更なる態様では、１つ又は複数のサーバにより実行されると、１つ又は複数のサーバにコンピュータ実施の神経科学ベースの個人リクルート方法を実行させる命令を記憶する有形コンピュータ可読媒体が提供される。方法は、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することを含み得る。インタラクティブメディアは、参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み得る。リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み得る。複数の予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で参加者に表示し得る。
方法は、参加者が、１つ又は複数の入力デバイスを使用してグラフィカルディスプレイ上のグラフィカル視覚的物体のうちの１つ又は複数を操作することにより、リクルートゲームを計算デバイスのグラフィカルディスプレイ上でプレイして、複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、計算デバイスから入力データを受信することを含むこともできる。
方法は、リクルートゲーム内の１つ又は複数のグラフィカル視覚的物体の参加者の操作から導出される入力データを分析して、（１）参加者によるグラフィカル視覚的物体の操作の程度の程度に基づいて、参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類することを更に含み得る。
更に、方法は、エンティティによる使用のために、分析された入力データを記憶することを含み得る。分析された入力データは、少なくとも１つの計算デバイスのグラフィカルディスプレイに視覚的に表示されるように構成される１組のグラフィカル視覚的物体を含み得る。１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義される決定境界を含み得る。決定境界は、リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への候補者の適性を特定するために、エンティティにより使用可能であり得る。
幾つかの実施形態では、コンピュータ実行可能コードが内部に符号化されたコンピュータ可読媒体を含むコンピュータプログラム製品が提供される。コンピュータ実行可能コードは、実行されて、方法を実施するように構成し得、方法は、ａ）リクルートシステムを提供することであって、リクルートシステムは、ｉ）課題モジュール、ｉｉ）測定モジュール、ｉｉｉ）評価モジュール、及びｉｖ）識別モジュールを含む、リクルートシステムを提供することと、ｂ）課題モジュールによりコンピュータ化課題を対象者に提供することと、ｃ）測定モジュールにより、課題の実行において対象者により示された実行値を測定することと、ｄ）評価モジュールにより、測定された実行値に基づいて対象者の特性を評価することと、ｅ）識別モジュールにより、評価された特性に基づいて、採用担当者に対して、対象者がエンティティによる雇用に適することを識別することとを含み得る。
幾つかの実施形態では、コンピュータ実行可能コードが内部に符号化されたコンピュータ可読媒体を含むコンピュータプログラム製品が提供される。コンピュータ実行可能コードは、実行されて、方法を実施するように構成され得、方法は、ａ）才能識別システムを提供することであって、才能識別システムは、ｉ）課題モジュール、ｉｉ）測定モジュール、ｉｉｉ）評価モジュール、ｉｖ）識別モジュール、及びｖ）出力モジュールを含む、才能識別システムを提供することと、ｂ）課題モジュールによりコンピュータ化課題を対象者に提供することと、ｃ）測定モジュールにより、課題の実行において対象者により示された実行値を測定することと、ｄ）評価モジュールにより、測定された実行値に基づいて対象者の特性を評価することと、ｅ）識別モジュールにより、対象者の特性の評価に基づいて、キャリア傾向を識別することと、ｆ）出力モジュールにより、識別されたキャリア傾向を採用担当者に出力することとを含む。
幾つかの実施形態では、コンピュータ実施方法は、ａ）コンピュータ化課題を対象者に提供することと、ｂ）課題の実行において対象者により示された実行値を測定することと、ｃ）実行値に基づいて対象者の特性を評価することと、ｄ）コンピュータシステムのプロセッサにより、対象者の特性をテスト対象者のデータベースと比較することと、ｅ）比較に基づいて、対象者がエンティティによる雇用に適すると判断することと、ｆ）対象者が雇用に適することをエンティティの採用担当者に報告することとを含み得る。
幾つかの実施形態では、コンピュータ実施方法は、ａ）コンピュータ化課題を対象者に提供することと、ｂ）課題の実行において対象者により示された実行値を測定することと、ｃ）実行値に基づいて対象者の特性を評価することと、ｄ）コンピュータシステムのプロセッサにより、対象者の評価された特性とテスト対象者のデータベースとの比較に基づいて、対象者のキャリア傾向を識別することと、ｅ）比較の結果を採用担当者に出力することとを含み得る。
本発明の一態様では、コンピュータ実施の神経科学ベースの個人リクルート方法が提供される。本方法は、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、インタラクティブメディアは、参加者の複数の感情特性及び認知特性を測定するように設計される１組の選択された神経科学ベースの課題を用いて作成された少なくとも１つのリクルートゲームを含み、リクルートゲームは、１組の選択された神経科学ベースの課題に関連する予め定義される組のグラフィカル視覚的物体を含み、予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で表示される、提供することと、参加者が、予め定義された組の視覚的物体と対話して、１組の選択された神経科学ベースの課題を完了することにより、計算デバイスのグラフィカルディスプレイ上でリクルートゲームをプレイするとき、計算デバイスから入力データを受信することと、リクルートゲーム内の予め定義された組の視覚的物体との参加者の対話から導出される入力データを分析することであって、それにより、（１）参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析することと、複数の密度関数プロットとして分析された入力データをグラフィカルディスプレイに視覚的に表示することであって、複数の密度関数プロットは、グループ外として分類される参加者に対応する第１の密度関数プロット及びグループ内として分類される参加者に対応する第２の密度関数プロットを含み、決定境界が、第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義される、表示することとを含み得る。
幾つかの実施形態では、複数の参加者は少なくとも１人の候補者を更に含み得、本方法は、候補者の感情特性及び認知特性の測定値を統計モデルと比較することと、比較に基づいて候補者のスコアを生成することと、グラフィカルディスプレイにおいて複数の密度関数プロット上にスコアを示す点を表示することと、（１）点が決定境界に対して第１の領域にある場合、グループ内、又は（２）点が決定境界に対して第２の領域にある場合、グループ外として候補者を分類することとを更に含み得る。
本発明の別の態様は、神経科学ベースの個人リクルート方法を実施するシステムを提供し得る。本システムは、複数の参加者に関連する複数の計算デバイスと通信するサーバを含み得、サーバは、第１の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含み、１つ又は複数のプロセッサは、第１の組のソフトウェア命令を実行して、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、インタラクティブメディアは、参加者の複数の感情特性及び認知特性を測定するように設計される１組の選択された神経科学ベースの課題を用いて作成された少なくとも１つのリクルートゲームを含み、リクルートゲームは、１組の選択された神経科学ベースの課題に関連する予め定義される組の視覚的物体を含み、予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で表示される、提供することと、参加者が、予め定義された組の視覚的物体と対話して、１組の選択された神経科学ベースの課題を完了することにより、計算デバイスのグラフィカルディスプレイ上でリクルートゲームをプレイするとき、計算デバイスから入力データを受信することと、リクルートゲーム内の予め定義された組の視覚的物体との参加者の対話から導出される入力データを分析することであって、それにより、（１）参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析することとを行うように構成される。複数の計算デバイスは、第２の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含み得、１つ又は複数のプロセッサは、第２の組のソフトウェア命令を実行して、分析された入力データをサーバから受信することと、複数の密度関数プロットとして分析された入力データをグラフィカルディスプレイに視覚的に表示することであって、複数の密度関数プロットは、グループ外として分類される参加者に対応する第１の密度関数プロット及びグループ内として分類される参加者に対応する第２の密度関数プロットを含み、決定境界が、第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義される、表示することとを行うように構成される。
本発明の更なる態様によれば、１つ又は複数のサーバにより実行されると、１つ又は複数のサーバに、コンピュータ実施の神経科学ベースの個人リクルート方法を実行させる命令を記憶した有形コンピュータ可読媒体が提供される。方法は、複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、インタラクティブメディアは、参加者の複数の感情特性及び認知特性を測定するように設計される１組の選択された神経科学ベースの課題を用いて作成された少なくとも１つのリクルートゲームを含み、リクルートゲームは、１組の選択された神経科学ベースの課題に関連する予め定義される組の視覚的物体を含み、予め定義される組の視覚的物体は、計算デバイスのグラフィカルディスプレイ上で表示される、提供することと、参加者が、予め定義された組の視覚的物体と対話して、１組の選択された神経科学ベースの課題を完了することにより、計算デバイスのグラフィカルディスプレイ上でリクルートゲームをプレイするとき、計算デバイスから入力データを受信することと、リクルートゲーム内の予め定義された組の視覚的物体との参加者の対話から導出される入力データを分析することであって、それにより、（１）参加者の感情特性及び認知特性の測定値を抽出し、（２）参加者の感情特性及び認知特性の測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析することと、複数の密度関数プロットとして分析された入力データをグラフィカルディスプレイに視覚的に表示することであって、複数の密度関数プロットは、グループ外として分類される参加者に対応する第１の密度関数プロット及びグループ内として分類される参加者に対応する第２の密度関数プロットを含み、決定境界が、第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義される、表示することとを含み得る。
本発明の異なる態様が、個々に、集合的に、又は互いと組み合わせて理解することができることが理解されるものとする。本明細書に記載される本発明の様々な態様は、以下に記載される任意の特定の用途に適用し得る。
本発明の他の目的及び特徴が、本明細書、特許請求の範囲、及び添付図の検討により明らかになる。
本明細書に記載される全ての公開物、特許、及び特許出願は、まるで個々の各公開物、特許、又は特許出願が特に個々に参照により援用されることが示されているかのような程度まで参照により本明細書に援用される。
企業は多くの場合、非効率なリクルート慣例に頼っており、これは、劣った応募者の雇用に繋がり、最終的には、従業員の定着低下に繋がる恐れがある。更に、リクルートプロセスは高価であり得るため、雇用者は、新しい才能を獲得することを嫌がることがある。この嫌気は、企業の停滞及びよりよい機会を追い求めるトップ従業員の離脱に繋がる恐れがある。したがって、企業は、費用効率的であるが、正確な雇用という困難な作業に面している。逆に、新卒者又は求職者は、予測不可能な求人市場のみならず、最初にどのキャリアパスを追い求めるかの判断の難しさにも起因して、各自の才能及び性向に最も合ったキャリアを見つけることにおいて問題に面している。
幾つかの場合、従業員は、企業内で別の職務内容に切り替えたいが、その役割に秀でたその従業員の才能又は潜在性の代わりに、知識や技能又は経験により重きを置いた人事異動指針により、そうする機会がないことがある。企業内の内部機会の喪失は、トップ従業員が離脱して、よりよい機会を他の場所で追い求めることに繋がる恐れがある。
したがって、（１）特定のジョブポジションへの企業のニーズに合った才能を識別し、（２）トップ従業員を識別し、それらの従業員の潜在性を最適化するポジションにそれらの従業員の配置を推奨するために企業が使用することができるシステム及び方法が必要である。
本明細書に開示されるシステム及び方法は、少なくとも上記ニーズに対処することができる。幾つかの実施形態では、本システム及び本方法は、１つ又は複数の神経科学ベースの課題（又はテスト）から得られる候補者の挙動出力に基づいて、候補者を企業とマッチングすることができる。候補者の挙動出力は、企業の特定のポジションに対して理想的な従業員を表す従業員モデルと比較し得る。複数の神経科学ベースの課題は、広範囲の感情特性及び認知特性をテスト／測定するように設計された実行ベースのゲームの形態で提供し得る。神経科学ベースのゲームの使用及び従業員モデルと突き合わせたこれらのゲームからの結果の分析は、企業がリクルート及び候補者ソーシングプロセスを最適化するのに役立つことができる。企業にとって有用なリクルートツールであることに加えて、本明細書に開示されるシステム及び方法は、キャリアプラニング及び才能識別において個人を支援することができる。広範囲の感情特性及び認知特性を測定するテストを使用することにより、システム及び方法は、テスト対象者の強み及び弱みを突き止め、その情報を適用して、どの分野がテスト対象者に適するかを推奨することができる。
上述したように、神経科学ベースのゲームを使用して、人の認知特性及び感情特性についての情報を収集することができる。幾つかの実施形態では、本明細書に開示されるシステム及び方法は、神経科学ベースのゲームでの従業員グループの実行を評価することにより、企業の従業員モデルを生成することができる。従業員のグループは、企業の現在の従業員を含み得る。任意選択的に、従業員のグループは、企業の前従業員を含むこともできる。従業員のグループは、企業の従業員の幾人か又は全てを含み得る。幾つかの実施形態では、従業員のグループは、企業の従業員の選択されたグループ（例えば、特定の地理的場所又はオフィスにおける従業員）を含み得る。従業員モデルは、企業の特定のポジションにとって理想的な従業員を表し得、従業員の神経科学ベースのゲームの結果及びジョブ実行データに基づいて生成し得る。候補者は、同じ神経科学ベースのゲームを完了するように求められ得る。本システム及び本方法を使用して、候補者の結果を従業員モデルに対して分析して、特定のポジションへの候補者の適性を判断することができる。本システム及び本方法は、複数のポジションにわたり候補者を比較して、従業員モデルに基づいて、候補者に適するポジションがあれば、どのポジションであるかを判断することもできる。
本発明の方法及びシステム
本発明のシステムは、広範囲の厳格な方法を使用して、企業にとって興味がある対象者についての要因を予測する関連情報を発見することができる。システムの評価は、システムの評価モジュールを使用して客観的データを収集し、次に、学習挙動ダイナミクスをモデリングすることを含むことができる。学習挙動ダイナミクスをモデリングする強みは、静的スコア、例えば、平均スコアを用いて挙動を調べる代わりに、システムが挙動を経時的に調べることができることである。この方法では、システムは、学習の尺度、例えば、テストを受けた者が誤りからいかに学習するか又はテストを受けた者の学習に対して報酬がいかに影響するかを突き止めることができる。これらの学習尺度は多くの場合、人的資本分析において無視されるが、重要な従業員特徴を特定するに当たり有価値であることができる。
本発明のシステムは、広範囲の厳格な方法を使用して、企業にとって興味がある対象者についての要因を予測する関連情報を発見することができる。システムの評価は、システムの評価モジュールを使用して客観的データを収集し、次に、学習挙動ダイナミクスをモデリングすることを含むことができる。学習挙動ダイナミクスをモデリングする強みは、静的スコア、例えば、平均スコアを用いて挙動を調べる代わりに、システムが挙動を経時的に調べることができることである。この方法では、システムは、学習の尺度、例えば、テストを受けた者が誤りからいかに学習するか又はテストを受けた者の学習に対して報酬がいかに影響するかを突き止めることができる。これらの学習尺度は多くの場合、人的資本分析において無視されるが、重要な従業員特徴を特定するに当たり有価値であることができる。
システムは、システム内の個人の評価により生成されるスコアを使用して、対象者の適合スコアを生成することができる。適合スコアは、個々の課題のスコアの集計であることができる。適合スコアは、０％〜１００％の範囲であることができ、対象者が特定のポジション又はキャリア業界に適する確率を予測することができる。予測分析を実行する前、システムは、既存のデータにおける関係を定量化することができ、定量化により、データの主要特徴を識別し、データのサマリを提供することができる。例えば、システムは、特定の候補者がマネージメントコンサルタントとして特定の企業で成功することができるか否かをシステムが予測できるようになるには、先に、現在の従業員の特性と、現在の従業員のマネージメントコンサルタントとしての成功との関係の記述的モデルを構築することができる。システムの分析エンジンは、様々なデータマイニング及び教師なし分類のクラスタ化アルゴリズムを実施して、これらの記述的モデルを生成することができる。記述的モデルを作成するために、システムは、現在の従業員から評価データを取得し、そのデータを企業によりシステムに提供される従業員の格付けと相関付けることができる。これらの格付けは、実行レビューで使用される等の客観的尺度であることができ、企業にとって特に関心があることであることができる。
本明細書に開示されるシステム及び方法は、様々な分野内及び同様の分野の企業内のトップ／成功従業員又は専門家の感情特性及び認知特性を、それらの企業内の従業員の代表的な標本の神経科学ベースのゲームの実行データを収集し分析することにより特定するように構成し得る。例えば、神経科学ベースのゲームの実行データを分析することにより、本明細書におけるシステム及び方法は、（１）１企業内、（２）同分野の異なる複数の企業にわたり、（３）分野又は業界内、（４）異なる複数の分野にわたり、及び／又は（５）異なる複数の分野の異なる複数の企業にわたり、トップ／成功従業員又は専門家の感情特性及び認知特性を特定することができる。それらのトップ／成功従業員の感情特性及び認知特性は、上記（１）〜（５）の状況のそれぞれにおいて類似性及び／又は相違について分析し得る。幾つかの場合、トップ／成功従業員の特性の第１のサブセットは、広範囲の分野にわたり一貫し得、広範囲の分野での候補者のキャリアの成功に繋がり得る。他の場合、トップ／成功従業員の特性の第２のサブセットは、同分野内の異なる複数の企業にわたり一貫し得、その分野内の異なる複数の企業での候補者の成功に繋がり得る。幾つかの他の場合、トップ／成功従業員の特性の第３のサブセットは、１企業内で一貫し得、その特定の企業での候補者の成功に繋がり得る。上述した特性の第１、第２、及び第３のサブセットは、少なくとも幾つかの重複する特性及び／又は幾つかの異なる特性を含み得る。したがって、本明細書に開示されるシステム及び方法は、例えば、（１）１企業内、（２）同分野の異なる複数の企業にわたり、（３）分野又は業界内、（４）異なる複数の分野にわたり、及び／又は（５）異なる複数の分野の異なる複数の企業にわたり、異なる組織レベルでのトップ従業員のモデルを生成することができる。１人又は複数の候補者を１つ又は複数のモデルにおけるトップ従業員の特性と比較して、候補者が特定のジョブポジションで成功する確率を特定し得る。
図１は、幾つかの実施形態による１つ又は複数のスクリーニングシステムを含む例示的なネットワークレイアウトを示す。一態様では、ネットワークレイアウト１００は、複数のユーザデバイス１０２、サーバ１０４、ネットワーク１０６、１つ又は複数のデータベース１０８、及び１つ又は複数のスクリーニングシステム１１０を含み得る。構成要素１０２、１０４、１０８、及び１１０のそれぞれは、ネットワーク１０６又はある構成要素から別の構成要素へのデータの送信を可能にする任意のタイプの通信リンクを介して互いに動作可能に結合し得る。
ユーザデバイスは、例えば、開示される実施形態による１つ又は複数の動作を実行するように構成される１つ又は複数の計算デバイスであり得る。例えば、ユーザデバイスは、スクリーニングシステムにより提供されるソフトウェア又はアプリケーションを実行可能な計算デバイスであり得る。幾つかの実施形態では、ソフトウェアは、人の認知特性及び感情特性についての情報を収集するように設計される神経科学ベースのゲームを提供し得る。企業は、この情報を使用して、リクルート及び候補者ソーシングプロセスを最適化することができる。ゲームは、１つ又は複数のインタラクティブウェブページ上でサーバによりホストし、１人又は複数のユーザによりプレイし得る。１人又は複数のユーザは、企業の従業員、ジョブ候補者、求職者等を含み得る。幾つかの実施形態では、ソフトウェア又はアプリケーションは、神経科学ベースのゲームから収集された情報を受信して分析し、結果を１人又は複数のエンドユーザに報告するように構成されるクライアント側ウェブベースのポータルを含み得る。エンドユーザは、求人者、企業の人的資源人員、マネージャ、監督者等を含み得る。
ユーザデバイスは、特に、デスクトップコンピュータ、ラップトップ又はノートブックコンピュータ、モバイルデバイス（例えば、スマートフォン、携帯電話、個人情報端末（ＰＤＡ）、及びタブレット）、又はウェアラブルデバイス（例えば、スマートウォッチ）を含むことができる。ユーザデバイスは、任意の他のメディアコンテンツプレーヤ、例えば、セットトップボックス、テレビジョンセット、テレビゲームシステム、又はデータの提供若しくはレンダリングが可能な任意の電子デバイスを含むこともできる。ユーザデバイスは、１つ又は複数のプロセッサ並びにプロセッサにより実行されるソフトウェア命令及びデータを記憶する１つ又は複数のメモリデバイス等の既知の計算構成要素を含み得る。
幾つかの実施形態では、ネットワークレイアウトは複数のユーザデバイスを含み得る。各ユーザデバイスはユーザに関連し得る。ユーザは、企業の従業員、ジョブポジションへの候補者、求職者、求人者、人的資源人員、学生、教師、講師、教授、企業管理者、ゲーム開発者、又はスクリーニングシステムにより提供されるソフトウェア若しくはアプリケーションを使用する任意の個人若しくは個人のグループを含み得る。幾つかの実施形態では、２人以上のユーザがユーザデバイスに関連し得る。代替的には、２つ以上のユーザデバイスがユーザに関連し得る。ユーザは、地理的に同じ場所に位置してもよく、例えば、同じオフィスで働く従業員であってもよく、又は特定の地理的場所におけるジョブ候補者であってもよい。幾つかの場合、ユーザ及びユーザデバイスの幾つか又は全ては、地理的に離れた場所（例えば、異なる都市、国等）に存在し得るが、これは本発明の制限ではない。
ネットワークレイアウトは、複数のノードを含み得る。ネットワークレイアウト内の各ユーザデバイスはノードに対応し得る。「ユーザデバイス１０２」の後に数字又は文字が続く場合、「ユーザデバイス１０２」が同じ数字又は文字を共有するノードに対応し得ることを意味する。例えば、図１に示されるように、ユーザデバイス１０２−１は、ユーザ１に関連するノード１に対応し得、ユーザデバイス１０２−２は、ユーザ２に関連するノード２に対応し得、ユーザデバイス１０２−ｋは、ユーザｋに関連するノードｋに対応し得、ここで、ｋは１よりも大きい任意の整数であり得る。
ノードは、ネットワークレイアウト内の論理的に独立したエンティティであり得る。したがって、ネットワークレイアウト内の複数のノードは、異なるエンティティを表すことができる。例えば、各ノードは、ユーザ、複数のユーザの１つのグループ、又は複数のユーザの複数のグループに関連し得る。例えば、一実施形態では、ノードは個々のエンティティ（例えば、個人）に対応し得る。幾つかの特定の実施形態では、ノードは、複数のエンティティ（例えば、リクルート又は才能のある人材を雇用するために異なる役割／責任を有する個人のグループ）に対応し得る。それらの特定の実施形態の例は、共通ノードを共有する求人者及び人的資源人員であり得る。
ユーザは、開示される実施形態により実行される１つ又は複数の動作に関連するサービスを提供するエンティティに登録又は関連し得る。例えば、ユーザは、開示される特定の実施形態による才能のデータ駆動型識別のサーバ１０４、データベース１０８、及び／又はスクリーニングシステム１１０のうちの１つ又は複数を提供するエンティティ（例えば、企業、組織、個人等）の登録ユーザであり得る。開示される実施形態は、ユーザとエンティティ、人、又はサーバ１０４、データベース１０８、及びスクリーニングシステム１１０を提供するエンティティとのいかなる特定の関係又は提携にも限定されない。
ユーザデバイスは、１人又は複数のユーザから入力を受信するように構成し得る。ユーザは、入力デバイス、例えば、キーボード、マウス、タッチスクリーンパネル、音声認識及び／又は音声入力ソフトウェア、又は上記の任意の組合せを使用してユーザデバイスに入力を提供し得る。入力は、神経科学ゲーム環境において様々な仮想動作を実行する（例えば、従業員又はジョブ候補者により実行される）ことを含み得る。入力は、１つ又は複数のデータベースに記憶された従業員モデルと突き合わせて従業員又はジョブ候補者の実行を分析する、スクリーニングシステムへのエンドユーザの命令を含むこともできる。異なるユーザは、役割及び担当（例えば、従業員、ジョブ候補者、求人者、及び人的資源人員は異なる入力を提供し得る）に応じて異なる入力を提供し得る。
図１の実施形態では、双方向データ転送機能をサーバと各ユーザデバイスとの間に提供し得る。ユーザデバイスは、サーバを介して（すなわち、クライアント−サーバアーキテクチャを使用して）互いと通信することもできる。幾つかの実施形態では、ユーザデバイスは、ピアツーピア通信チャネルを介して互いと直接通信することができる。ピアツーピア通信チャネルは、ユーザデバイスのリソース（例えば、帯域幅、記憶空間、及び／又は処理能力）を利用することにより、サーバへの作業負荷を低減するのに役立つことができる。
サーバは、開示される実施形態による１つ又は複数の動作を実行するように構成される１つ又は複数のサーバコンピュータを含み得る。一態様では、サーバは、ユーザデバイスがネットワークレイアウトの他の構成要素と通信できるようにする単一のコンピュータとして実施し得る。幾つかの実施形態では、ユーザデバイスは、ネットワークを通してサーバと通信し得る。他の実施形態では、サーバは、ネットワークを通して、ユーザデバイスの代理としてスクリーニングシステム又はデータベースと通信し得る。幾つかの実施形態では、サーバは１つ又は複数のスクリーニングシステムの機能を実施し得る。幾つかの実施形態では、スクリーニングシステムは、サーバの内部及び／又は外部で実施し得る。例えば、スクリーニングシステムは、サーバに含まれる又はサーバからリモートのソフトウェア及び／又はハードウェア構成要素であり得る。
幾つかの実施形態では、ユーザデバイスは、別個のリンク（図１に示されず）を通してサーバに直接接続し得る。特定の実施形態では、サーバは、開示される特定の実施形態による１つ又は複数のスクリーニングシステムへのアクセスを提供するように構成されるフロントエンドデバイスとして動作するように構成し得る。サーバは、幾つかの実施形態では、スクリーニングシステムを利用して、ユーザデバイスからの入力データを処理して、ユーザの神経科学ベースのゲームプレイ実行を特定し、ユーザのゲームプレイ実行を分析して、ユーザと従業員モデルとの一致を特定し得る。サーバは、従業員及び候補者のゲームプレイ実行データをデータベースに記憶するように構成し得る。サーバは、データベースに記憶されたデータ及び情報をサーチ、検索、及び分析するように構成することもできる。データ及び情報は、１つ又は複数の神経科学ベースのゲームでのユーザの過去の実行及び１つ又は複数の神経科学ベースのゲームでのユーザの現在の実行を含み得る。
サーバは、ウェブサーバ、企業サーバ、又は任意の他のタイプのコンピュータサーバを含み得、計算デバイス（例えば、ユーザデバイス）から要求（例えば、データ送信を開始することができるＨＴＴＰ又は他のプロトコル）を受け入れ、要求されたデータを計算デバイスに供給するようにプログラムされたコンピュータとすることができる。加えて、サーバは、データを配信する、無料、ケーブル、衛星、及び他のブロードキャスト設備等のブロードキャスト設備とすることができる。サーバは、データネットワーク（例えば、クラウド計算ネットワーク）内のサーバであることもできる。
サーバは、１つ又は複数のプロセッサ、プロセッサにより実行されるソフトウェア命令及びデータを記憶する１つ又は複数のメモリデバイス等の既知の計算構成要素を含み得る。サーバは、１つ又は複数のプロセッサと、プログラム命令を記憶する少なくとも１つのメモリとを有することができる。プロセッサは、特定の命令セットを実行可能な１つ又は複数のマイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はデジタル信号プロセッサ（ＤＳＰ）とすることができる。コンピュータ可読命令は、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ（コンパクトディスク−読み取り専用メモリ）、及びＭＯ（磁気光学）、ＤＶＤ−ＲＯＭ（デジタル多用途ディスク−読み取り専用メモリ）、ＤＶＤ ＲＡＭ（デジタル多用途ディスク−ランダムアクセスメモリ）、又は半導体メモリ等の有形非一時的コンピュータ可読媒体に記憶することができる。代替的には、本明細書に開示される方法は、例えば、ＡＳＩＣ、専用コンピュータ、又は汎用コンピュータ等のハードウェア構成要素又はハードウェアとソフトウェアとの組合せで実施することができる。図１は単一のサーバとしてサーバを示すが、幾つかの実施形態では、複数のデバイスがサーバに関連する機能を実施してもよい。
ネットワークは、図１に示されるネットワークレイアウトの様々な構成要素間に通信を提供するように構成し得る。ネットワークは、幾つかの実施形態では、デバイス及び／又は構成要素間での通信を可能にする、ネットワークレイアウト内のデバイス及び／又は構成要素を接続する１つ又は複数のネットワークとして実施し得る。例えば、当業者は認識するように、ネットワークは、インターネット、無線ネットワーク、有線ネットワーク、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、Bluetooth、近距離通信（ＮＦＣ）、又はネットワークレイアウトの１つ又は複数の構成要素間に通信を提供する任意の他のタイプのネットワークとして実施し得る。幾つかの実施形態では、ネットワークは、セル及び／又はページャネットワーク、衛星、認可された電波、又は認可された電波と無認可電波との組合せを使用して実施し得る。ネットワークは、無線、有線、又はそれらの組合せであり得る。
スクリーニングシステムは、１つ又は複数のプロセッサにより実行されると、神経科学ベースのゲームプレイの実行データを処理して、ユーザの感情特性及び認知特性を特定し、ユーザの特性を１つ又は複数のモデル（例えば、企業での特定のジョブポジションに対して理想的な従業員を表す従業員モデル）と突き合わせて比較し、１つ又は複数のモデルとのユーザの一致／適合性を特定する命令を記憶する１つ又は複数のコンピュータとして実施し得る。スクリーニングシステムはまた、データベースに記憶された従業員／候補者の神経科学ベースのゲームプレイ実行データ及びジョブ実行データもサーチ、検索、分析し得る。神経科学ベースのゲームプレイ実行データは、例えば、（１）ユーザがゲームのプレイに費やす時間量、（２）ゲームを完了するためにユーザが行う試行数、（３）ユーザがゲーム中に実行する異なる動作、（４）各動作を実行するためにユーザが費やす時間量、（５）特定の動作を実行することにおけるユーザの正確性、及び（６）ゲーム中に特定の決定／判断を下す際にユーザが適用するウェイトを含み得る。幾つかの実施形態では、サーバは、スクリーニングシステムが実施されるコンピュータであり得る。
しかし、幾つかの実施形態では、スクリーニングシステムの少なくとも幾つかは別個のコンピュータで実施し得る。例えば、ユーザデバイスは、ユーザ入力をサーバに送信し得、サーバはネットワークを介して他のスクリーニングシステムに接続し得る。幾つかの実施形態では、スクリーニングシステムは、プロセッサにより実行されると、才能のデータ駆動型識別プロセスを実行するソフトウェアを含み得る。
サーバは、スクリーニングシステムにアクセスして実行し、開示される実施形態による１つ又は複数のプロセスを実行し得る。特定の構成では、スクリーニングシステムは、サーバがアクセス可能なメモリに（例えば、サーバにローカルなメモリ又はネットワーク等の通信リンクを介してアクセス可能なリモートメモリに）記憶されたソフトウェアであり得る。したがって、特定の態様では、スクリーニングシステムは、１つ又は複数のコンピュータとして、サーバによりアクセス可能なメモリデバイスに記憶されたソフトウェアとして、又はそれらの組合せとして実施し得る。例えば、あるスクリーニングシステムは、１つ又は複数のデータ駆動型才能識別技法を実行するコンピュータハードウェアであり得、別のスクリーニングシステムは、サーバにより実行されると、１つ又は複数のデータ駆動型才能識別技法を実行するソフトウェアであり得る。
スクリーニングシステムを使用して、多種多様な異なる方法で候補者を企業とマッチングすることができる。例えば、スクリーニングシステムは、従業員の神経科学ベースのゲームプレイデータを処理して、企業での特定のジョブポジションに理想的な従業員を表す従業員モデルを生成するアルゴリズムを実行するソフトウェアを記憶及び／又は実行し得る。スクリーニングシステムは、従業員の神経科学ベースのゲームプレイデータ及び／又はジョブ実行格付けの変化に基づいて、従業員モデルを動的に変更するアルゴリズムを実行するソフトウェアを記憶及び／又は実行することもできる。スクリーニングシステムは更に、候補者の神経科学ベースのゲームプレイデータを従業員モデルと突き合わせて比較して、その候補者の挙動が従業員モデルでの従業員の挙動といかに一致するか及び特定のジョブポジションでその候補者が成功する確率を特定するアルゴリズムを実行するソフトウェアを記憶及び／又は実行し得る。
開示される実施形態は、多種多様なアルゴリズムを実行して、１つ又は複数のデータ駆動型才能識別技法を実行し得るようにスクリーニングシステムを実施するように構成し得る。上記アルゴリズムを実行する複数のスクリーニングシステムについて説明したが、アルゴリズムの幾つか又は全てが、開示される実施形態による１つのスクリーニングシステムを使用して実行し得ることに留意されたい。
ユーザデバイス、サーバ、及びスクリーニングシステムは、１つ又は複数のデータベースに接続又は相互接続し得る。データベースは、データ（例えば、神経科学ベースのゲームプレイデータ及び従業員モデル）を記憶するように構成された１つ又は複数のメモリデバイスであり得る。更に、データベースは、幾つかの実施形態では、記憶装置を有するコンピュータシステムとして実施することもできる。一態様では、データベースは、ネットワークレイアウトの構成要素により使用されて、開示される実施形態による１つ又は複数の動作を実行し得る。特定の実施形態では、１つ又は複数のデータベースは、サーバと同じ場所にあってもよく、又はネットワーク上で互いと同じ場所にあってもよい。開示される実施形態がデータベースの構成及び／又は配置に限定されないことを当業者は認識する。
ユーザデバイス、サーバ、データベース、及び／又はスクリーニングシステムのいずれも、幾つかの実施形態では、コンピュータシステムとして実施し得る。更に、ネットワークは図１において、ネットワークレイアウトの構成要素間の通信の「中央」ポイントとして示されているが、開示される実施形態はそれに限定されない。例えば、ネットワークレイアウトの１つ又は複数の構成要素は、多種多様な方法で相互接続し得、幾つかの実施形態では、当業者が理解するように、互いに直接接続されてもよく、互いと同じ場所にあってもよく、又は互いからリモートであってもよい。更に、幾つかの開示される実施形態はサーバで実施し得るが、開示される実施形態はそのように限定されない。例えば、幾つかの実施形態では、他のデバイス（１つ又は複数のユーザデバイス等）は、サーバ及びスクリーニングシステムに関して説明した実施形態を含め、開示される実施形態によるプロセス及び機能のうちの１つ又は複数を実行するように構成し得る。
特定の計算デバイスが示され、特定のネットワークが説明されるが、本明細書に記載される実施形態の趣旨及び範囲から逸脱せずに、他の計算デバイス及びネットワークを利用することもできることを認識され理解されたい。加えて、ネットワークレイアウトの１つ又は複数の構成要素は、多種多様な方法で相互接続し得、幾つかの実施形態では、当業者が理解するように、互いに直接接続されてもよく、互いと同じ場所にあってもよく、又は互いからリモートであってもよい。
図２は、幾つかの実施形態によるスクリーニングシステム内の例示的な構成要素及び入／出力の概略ブロック図を示す。上述したように、スクリーニングシステムは、サーバの内部及び／又は外部で実施し得る。例えば、スクリーニングシステムは、サーバに含まれるか、又はサーバからリモートのソフトウェア及び／又はハードウェア構成要素であり得る。
図２を参照すると、スクリーニングシステム１１０は、特性抽出エンジン１１２、モデル分析エンジン１１４、及び報告エンジン１１６を含み得る。スクリーニングシステムは、複数のユーザから入力を受信するように構成し得る。ユーザは、１人又は複数のエンドユーザ、従業員、又はジョブ候補者を含み得る。エンドユーザは、企業の採用担当者又は企業の人的資源人員であり得る。従業員のグループは、企業の現在の従業員を含み得る。任意選択的に、従業員のグループは、企業の元社員を含み得る。従業員のグループは、企業の幾人か又は全ての従業員を含み得る。幾つかの実施形態では、従業員のグループは、企業内の従業員のうちの選択されたグループを含み得る。従業員のグループは、地理的場所、仕事の機能、仕事の実行、又は任意の他の要因に基づいて選択し得る。ジョブ候補者は、企業で特定のポジションに応募しているユーザ、積極的な求職者、履歴書／プロファイルがデータベースにあり、企業にとって一致する可能性があり得るユーザ、最近の大学卒業者、学生等を含み得る。
エンドユーザは、特定のポジションへの企業のニーズに適合し得るトップ候補者を識別する要求をスクリーニングシステムに提出し得る（例えば、ユーザデバイスを介して）。エンドユーザは、スクリーニングシステムを使用し、従業員モデルを使用して、候補者の挙動出力を分析することにより、候補者を企業とマッチングし得る。従業員モデルは、企業での特定のポジションに理想的な（又は例示的な）従業員を表し得る。従業員モデルは、従業員の複数の神経科学ベースのゲームの結果及びジョブ実行データに基づいて生成し得る。ゲームは、従業員に複数の神経科学ベースの課題を完了させることにより、従業員の豊富な感情特性及び認知特性をテスト／測定するように設計し得る。それらの特性は、従業員の企業／従業員の役割における職場での成功を示し得、企業／職場での成功に言い換え得る。ジョブ実行データは、企業により提供される（例えば、人的資源人員、マネージャ、監督者等から）従業員の格付けを含み得る。格付けは、実行レビューで使用される等の客観的な尺度であり得、企業にとって特に関心があるものであり得る。スクリーニングシステムは、従業員提供格付けと、神経科学ベースのゲームでの従業員の実行との相関を特定するように構成し得る。
図１に示されるように、特性抽出エンジンは、複数の従業員（従業員１、従業員２〜従業員ｍ、ここで、ｍは２よりも大きい任意の整数であり得る）のゲームプレイデータを受信するように構成し得る。幾つかの場合、特性抽出エンジンは、従業員に関連するユーザデバイスから直接、ゲームプレイ実行データを受信し得る。代替的には、特性抽出エンジンは、従業員のゲームプレイデータをデータベース又はサーバから受信し得る。データベース又はサーバ（従業員のゲームプレイデータが記憶されているか、又は送信された）は、スクリーニングシステムが実施されるサーバにローカル又はリモートであり得る。ゲームは、企業により従業員に対して実施し得る。代替的には、ゲームは、企業と提携することもあれば、又はしないこともある第三者により従業員に対して実施し得る。幾つかの実施形態では、ゲームは、１つ若しくは複数のインタラクティブウェブページを使用して又はモバイルアプリケーションを通して、スクリーニングシステムにより提供し得る。任意選択的に、ゲームは、スクリーニングシステムにより提供される必要はなく、スクリーニングシステムからリモートのサーバでホストし得る。特性抽出エンジンは、従業員のゲームプレイデータから、従業員の複数の感情特性及び認知特性を抽出するように構成し得る。
神経科学ベースのゲームでの課題の例は、類似による推論、バルーンアナログリスク課題、選択課題、***者課題、数字範囲、ＥＥｆＲＴ、顔影響課題、指タッピング、将来割引き、フランカー課題、決行／中止、目から心を読む、Ｎバック、パターン認識、報償学習課題、ロンドン塔、又は信頼課題を含み得る。上記課題のそれぞれの詳細については、本明細書において後述する。
従業員の感情特性及び認知特性が抽出された後、特性抽出エンジンは、特性をモデル分析エンジンに入力し得る。モデル分析エンジンは、特性と、雇用者提供の従業員格付けとの相関を特定し、相関した特性に基づいて従業員モデルを生成するように構成し得る。例えば、モデル分析エンジンは、データマイニング及びクラスタ化アルゴリズムを相関された従業員のゲームプレイデータ及び雇用者提供格付けに適用して、従業員モデルを生成し、微調整することができる。上述したように、従業員モデルは、理想的な従業員が企業の特定のポジションに対して保有する可能性が高い特徴を含む。したがって、従業員モデルは、神経科学ベースのテストを受けている（ゲームをプレイしている）全従業員からのトップ従業員の標的グループに基づき得る。従業員モデルは、適切なベースライングループと対比し得る。ベースライングループは、性別、年齢、民族性、学歴等の人口統計学的要因に関して神経科学ベースのテストを受けている従業員の標的グループと同様であり得るが、従業員の標的グループと同じ分野の仕事をしない、他の分野からの従業員を含むデータベースから選択し得る。モデル分析エンジンは、従業員のゲームプレイデータをベースライングループと対比することにより、神経科学ベースのテストを受けている従業員がグループ内に分類されるか、それともグループ外に分類されるかを判断することができる。
幾つかの実施形態では、モデル分析エンジンは、機械学習アルゴリズムを使用して従業員の挙動出力及びジョブ実行格付けを分析することにより、特定の特性を系統的に識別し、従業員のジョブ実行格付けとの関係を確立することができる。機械学習アルゴリズムは、サポートベクターマシン（ＳＶＭ）を利用し得るが、それに限定されない。幾つかの実施形態では、ランダムフォレスト及び他の分析技法を使用し得る。機械学習アルゴリズムは、統計学的推論に基づき得る。モデル分析エンジンは、従業員のゲームプレイ実行データ及びジョブ実行格付けから特定の特性及びそれらの相関を自動的に識別するように構成し得る。幾つかの実施形態では、モデル分析エンジンは、１つ又は複数のデータベースに記憶された現実世界の神経科学ベースのゲームプレイデータの大規模コーパスを分析することにより、企業又は特定の仕事の役割での成功に寄与する新しい特性を学習するように構成し得る。モデル分析エンジンは、各特性に実数値の重みを付すことに基づく確率的軟判定を行うことが可能な統計モデルを含み得る。幾つかの実施形態では、自然言語処理（ＮＬＰ）を使用して、候補者及び／又は従業員の履歴書及び人口統計データを通して解析し得る。
幾つかの実施形態では、モデル分析エンジンは、関心のある特徴間の基本となる確率分布を知る必要なく、従業員のゲームプレイデータ及びジョブ実行格付けから、関心のある特徴を識別し、観測された変数間の特定の関係を特定することができる。機械学習の利点は、ゲームプレイデータ及びジョブ実行格付けの分析に基づく複雑なパターン及び知的判断の自動認識である。幾つかの実施形態では、モデル分析エンジンは、小さなトレーニングデータセットで多くの属性を有するデータセットにおける従来のパターン分類アルゴリズムよりも実行が良好であることができる非線形非パラメトリック分類技法を使用することができる。
モデル分析エンジンが上記データを使用して適宜「トレーニング」された後、エンドユーザ（例えば、求人者又は企業の人的資源人員）は従業員モデルを使用して、企業での特定のジョブポジションで候補者が成功する確率を予測することができる。神経科学ベースのゲーム（前に従業員によりプレイされて、従業員モデルを生成した）はここで、１人又は複数の候補者に提供し得る。スクリーニングシステムは、神経科学ベースのゲームでの候補者の実行から、候補者の挙動出力を取得するように構成し得る。例えば、特性抽出エンジンは、各候補者のゲームプレイデータに基づいて各候補者についての感情特性及び認知特性を抽出するように構成し得る。幾つかの実施形態では、各候補者のプロファイルを生成し得る。プロファイルは、候補者に固有又は特有の特性のリストを含み得る。
次に、特性抽出エンジンは、候補特性をモデル分析エンジンに入力し得る。モデル分析エンジンは、候補者特性を従業員モデルと比較して、各候補者の適合スコアを生成することにより、候補者特性を分析するように構成し得る。適合スコアを使用して、企業での特定の役割で各候補者が成功する確率を特定することができる。従業員モデルを使用した候補者のスコア付けは、特定のジョブポジションでの成功に関連する各候補者の感情又は認知の定量的評価を提供することができる。候補者の特性を企業従業員（例えば、トップ従業員）の特性と比較することにより、エンドユーザ（例えば、求人者又は人的資源人員）は、候補者が、特定のジョブポジションを埋めるために雇用するのに適するか否かを判断することができる。幾つかの実施形態では、候補者の特性を複数のポジションにわたり比較して、１つ又は複数の従業員モデルに基づいて、候補者に適するポジションがあれば、それがどのポジションであるかを特定し得る。
候補者の適合スコアは、神経科学ベースの課題での候補者のスコアの平均であり得る。適合スコアは０％〜１００％の範囲であることができ、候補者が特定のポジション又はキャリア業界に適する確率を予測するために使用することができる。適合スコアは、例えば、約０％、約１％、約２％、約３％、約４％、約５％、約６％、約７％、約８％、約９％、約１０％、約１５％、約２０％、約２５％、約３０％、約３５％、約４０％、約４５％、約５０％、約６０％、約７０％、約８０％、約９０％、又は約１００％であることができる。
次に、報告エンジンは、各候補者の適合スコアをモデル分析エンジンから受信し、適合スコア及び推奨をエンドユーザに提供し得る。推奨は、特定の候補者が、特定のジョブポジションの充填のための雇用に適するか否か及びそのポジションで候補者が成功する確率を含み得る。
したがって、上記スクリーニングシステム及び方法を使用することにより、候補者についての関連情報を抽出し分析して、企業にとって興味がある要因を予測／識別することができる。スクリーニングシステムを使用して、神経科学ベースのゲームプレイデータ及び従業員のジョブ実行格付けから導出される客観的データを収集し、企業での特定のジョブポジションでの成功に寄与する様々な特性を識別可能な動的モデルを作成することができる。モデルの動的性質は、一時の静的スコアを使用して挙動を調べる代わりに、従業員／候補者の挙動を経時的に調べられるようにする。スクリーニングシステムは、様々な特性に関連する実行尺度、例えば、従業員／候補者が、ゲームプレイ中に生じたエラーからいかに学習するか及び報酬が従業員／候補者の学習及び実行にいかに影響するかを突き止めることもできる。これらの学習尺度は、人的資本分析では無視されることが多いが、成功に関連する従業員の特徴を特定するに当たり有価値であることができる。
ビジネスエンティティは、図２のスクリーニングシステムを使用して、才能のある候補者を識別しリクルートすることができる。ビジネスエンティティの非限定的な例としては、会社、提携、共同経営、企業、公開有限責任、民間企業、公開会社、有限責任会社、有限責任提携、チャーター企業、組織、非営利組織、人材派遣会社、学術機関、政府施設、政府機関、軍関係省、又は公益財団を挙げ得る。スクリーニングシステムのエンドユーザとしては、例えば、求人者、人的資源人員、マネージャ、監督者、採用担当者、キャリアアドバイザー、就職斡旋専門職、又は雇用エージェントを挙げ得る。
ビジネスエンティティの代理として働くことができる対象者の非限定的な例としては、従業員、フルタイム従業員、パートタイム従業員、法定従業員、一時的な従業員、契約者、独立契約者、下請け業者、名誉従業員、コンサルタント、及びアドバイザーが挙げられる。
本発明のシステムは、対象者により使用されて、対象者のキャリア傾向を特定することもできる。本発明を使用することができる対象者は、例えば、学生、大学院生、求職者、及びキャリアプラニングに関して支援を求める個人を含む。対象者は、システムの課題を完了することができ、その後、システムは、対象者の識別された特性に基づいて、対象者のプロファイルを作成することができる。ユーザは、コンピュータシステムから本発明のシステムにアクセスすることができる。次に、ユーザは、例えば、コンピュータ、ラップトップ、モバイルデバイス、又はタブレットを使用して、システムのコンピュータ化課題を完了することができる。
対象者のプロファイルをテスト対象者のデータベースと比較して、対象者をスコア付け、参照モデルに基づいて対象者のモデルを生成することができる。テスト対象者は、例えば、ビジネスエンティティで働くことができる。システムは更に、ビジネスエンティティで働くテスト対象者及びビジネスエンティティでのテスト対象者の特定のポジションに基づいて、対象者の適合スコアを生成することができる。本発明のシステムは、対象者の特定されたキャリア傾向に基づいて、対象者に様々な業界を推奨することができる。システムにより推奨することができる業界の非限定的な例としては、コンサルティング、教育、医療、マーケティング、小売り、エンターテイメント、消費者製品、起業、テクノロジー、ヘッジファンド、投資管理、投資バンキング、未公開株式、製品開発、及び製品管理が挙げられる。
幾つかの実施形態では、モデル分析エンジンは、対象者の特性を複数のモデルと比較することにより、対象者のキャリア傾向を識別することができる。対象者は、求職者、別の分野への転職を探し求めている誰か、最近の大卒者、大学院生、学生、又はキャリアプラニングについて支援を求めている個人であり得る。モデルは、様々なビジネスエンティティで働く従業員に関連し得る。モデルは異なる分野（例えば、バンキング、マネージメントコンサルティング、エンジニアリング等）に関連し得る。代替的には、モデルは、同じ分野内の異なるジョブ機能（例えば、ソフトウェアエンジニア、プロセスエンジニア、ハードウェアエンジニア、セールス又はマーケティングエンジニア等）に関連し得る。エンドユーザ（例えば、求人者又はキャリアアドバイザー）は、特性比較の結果を使用して、１つ又は複数の適するキャリアを対象者に推奨し得る。
対象者は、１つ又は複数の神経科学ベースのゲームを完了するように求められ得、その後、スクリーニングシステムは、対象者の識別された特性に基づいて対象者のプロファイルを作成することができる。ゲームは、ユーザデバイス上で対象者に提供し得、対象者はゲームをユーザデバイス上でプレイし得る。ゲームを完了すると、ユーザデバイスは、分析のために、対象者のゲームプレイデータをスクリーニングシステムに送信し得る。スクリーニングシステムは、対象者の特性を複数のモデルと比較することにより、対象者の適合スコアを生成することができる。スクリーニングシステムは、適合スコアを使用して、対象者のキャリア傾向を特定し、適するキャリア分野を対象者に推奨することができる。スクリーニングシステムにより推奨することができる分野（又は業界）の非限定的な例としては、コンサルティング、教育、医療、マーケティング、小売り、エンターテイメント、消費者製品、起業、テクノロジー、ヘッジファンド、投資管理、投資バンキング、未公開株式、製品開発、及び製品管理を挙げ得る。
上述したように、スクリーニングシステムは、候補者又は対象者の神経科学ベースのゲームプレイのデータから感情特性及び認知特性を抽出して、候補者が特定のジョブポジションで成功する確率及び様々な分野での対象者のキャリア傾向を特定することができる。
感情特性は、候補者又は対象者が企業に適するか否か、及び企業内の特定の役割の履行に適するか否かを判断するに当たり重要なファクタであることができる。スクリーニングシステムは、様々な感情特性を評価して、雇用判断を下すに当たり、システムのエンドユーザを支援することができる。システムにより抽出し測定することができる感情特性としては、例えば、信用、利他性、粘り強さ、リスクプロファイル、フィードバックからの学習、間違いからの学習、創造性、曖昧さへの耐性、満足遅延能力、報償感受性、感情感度、及び感情識別を挙げ得、以下に説明する。
信用は、他人の行動を、その他の行動を知ることなく信頼する気持ちとして評価することができる。信用は、対象者がグループ設定で効率的に働くことができるか否か、並びに他人の意見及び行動を信頼することができるか否かを示すことができる。
利他性は、無私無欲、又は他人の幸福のために行動する意欲として評価することができる。利他性は、対象者が、自己の要求よりも企業の要求を満たす意思のほうが強いことを示すことができる。
粘り強さは、落胆せずに一連の行動を継続することとして説明することができる。粘り強さは、失敗又は反対のときであっても、対象者が解決策を見つけ、割り当てられた課題に集中することができることを示すことができる。
創造性は、対象者が、問題を解決し、課題を実行するために型にはまらないアプローチを有することができることを示すことができる。
候補者のリスクプロファイルは、対象者がリスクをとる意欲を識別することができる。リスクをとる意欲が高い対象者ほど、リスクが高く、プレッシャーが高い状況に対応する企業にとって好ましい人物であることができる。
フィードバックからの学習は、仕事の機能を実行しながら、対象者が他者からの提言を用いて、挙動又は動作を変更するか否かを測定することができる。誤りからの学習は、対象者が、課題で生じた誤りを用いて、同じ課題を実行するための将来の挙動を変更することができるか否かを評価することができる。
曖昧さへの耐性は、不確か又は不完全な状況及び刺激での対象者の快適レベルと、不確か又は不完全な状況及び刺激への対象者の反応とを評価することができる。曖昧さへの耐性を有する対象者は、不完全又は不審なデータに直面した場合、よりクリエイティブで機知に富むことができる。
満足遅延に向けた傾向を有する対象者は、昇給又はボーナスを期待して、より長期間にわたりより努力して働くことができるため、企業にとって魅力的であることができる。
報償感度は、報償感度が、対象者が報償の約束によりどの程度動機付けられるかを測定することができるという点で、満足遅延に関連する。企業は、本質的に動機付けられるのみならず、昇給及びボーナス等の報酬に敏感でもある対象者を望み得る。
感情感度及び識別は、対象者が他者の感情に適切に反応することができるか否か及び対象者が他者の感情を正確に識別することができるか否かを記述することができる。感情感度が高く、識別能力が高い対象者ほど、よりよいチームプレーヤー及びリーダーであることができる。
上記感情特性に加えて、認知特性も評価することができ、ビジネスエンティティは認知特性も使用して、対象者が雇用に適するか否かを判断することができる。スクリーニングシステムにより抽出又は測定することができる認知特性としては、例えば、処理速度、パターン認識、集中力、散漫を回避する能力、衝動性、認知コントロール、ワーキングメモリ、計画性、記憶範囲、順序学習、認知柔軟性、又は学習を挙げ得、これらについて以下に説明する。
処理速度は、意図的な思考を必要とせずに、情報を完全にスピーディに処理する能力に関する。対象者が状況を素早く考え、状況に素早く反応することができるという点で、処理速度が高い対象者ほど、企業にとって望ましい人物であることができる。
パターン認識は、１組の刺激の特徴である特定の様式で構成されたその１組の刺激を認識する能力を指すことができる。パターン認識スキルが高い対象者ほど、よりよいクリティカルシンキングスキルを示し、データのトレンドを識別することができる。
集中力スコアが高い対象者ほど、１つの課題への注意を持続するより高い能力を示すことができる。対象者は、注意散漫を回避し、特定の課題に集中する能力についても評価することができる。
衝動性は、結果を予測せず、反映せず、又は考慮せずに行動を起こすこととして評価することができる。衝動性のある対象者は、潜在的な雇用者には好ましくないと見られ得、その理由は、その対象者が、企業にとって不利であることが分かる早急な判断を下すおそれがあるためである。衝動的な対象者は、企業が、リスクをとり、クリエイティブに考え、素早く行動する意欲がより高い対象者を望む場合には、好ましいと見られることもある。
認知コントロールは、ワーキングメモリ、学習、認知柔軟性、及び計画性を含む様々な認知プロセスを記述することができる。ワーキングメモリは、記憶系の能動的な部分であり、短期記憶及び注意の両方が関わり得る。高いワーキングメモリを有する対象者ほど、課題へのより集中した注意及びマルチタスク能力を示すことができる。
認知柔軟性は、様々なタスクから切り替え、複数の課題を同時かつ効率的に考える能力として説明することができる。認知柔軟性がある対象者は、多くの課題を効率的にバランスさせることができる。
計画性は、目標を達成するために行動を企画する能力を示し、課題の実行における洞察力を示すことができる。
記憶範囲は、短期記憶の尺度であり、対象者に、前に提示された一連の数字又は単語を暗唱させることにより評価することができる。記憶範囲が大きい対象者ほど、指示を覚え、記憶範囲が短い誰かよりも特定の課題をよりよく実行することができる。
順序学習は、行動及び考えを、そのような順序付けが発生していることを自覚せずに順序付ける能力である。順序学習は４つの順序付け問題を含むことができる。第１に、順序予測が、先行要素に基づいて順序の要素を予測しようとすることができる。第２に、順序生成が、要素が自然に発生する際、順序の要素を１つずつ一緒につなぎ合わせようとすることができる。第３に、順序認識が、順序が所定の基準に基づいて正当であるか否かを確認しようとすることができる。最後に、順序判断は、目標を達成するか、軌跡を辿るか、又は費用関数を最大化若しくは最小化する行動の順序を選択することを含むことができる。
本発明のシステムを使用して、専門又は個人の領域内の適合性を推奨するために、個人又は個人のグループを別の個人又は個人のグループと一致することができる。
神経科学ベースのゲームの使用及び１つ又は複数の従業員モデルと突き合わせたこれらのゲームからの結果の分析は、企業がリクルート及び候補者ソーシングプロセスを最適化するのに役立つことができる。企業にとって有用なリクルートツールであることに加えて、本明細書に開示されるシステム及び方法は、キャリアプラニング及び才能識別において個人を支援することができる。広範囲の感情特性及び認知特性を測定するテストを使用することにより、システム及び方法は、対象者の強み及び弱みを突き止め、その情報を適用して、どの分野が対象者に適するかを推奨することができる。
幾つかの実施形態では、スクリーニングシステムは、スクリーニングシステムの中央通信ハブとして機能するデータハブを含み得る。データハブは、従業員のゲームポータル、候補者のゲームポータル、対象者のゲームポータル、１つ又は複数のデータベース、特性抽出エンジン、モデル分析エンジン、及び報告エンジンの間の通信を制御し、指示するように構成し得る。幾つかの場合、データハブは、１つ又は複数の神経科学ベースのゲームを１人又は複数のユーザ（例えば、従業員、候補者等）に提供するように構成し得る。アプリケーションプログラミングインタフェース（ＡＰＩ）を使用して、ゲームをデータハブ及び１つ又は複数のユーザデバイスに接続することができる。ゲームは、ユーザデバイスで実行可能なソフトウェアであり得る。幾つかの実施形態では、ゲームはウェブベースであり得、ウェブブラウザを使用してユーザデバイスに表示することができる複数のインタラクティブウェブページを含み得る。幾つかの実施形態では、ゲームは、ユーザデバイス（例えば、モバイルデバイス）で実行可能なモバイルアプリケーションであり得る。
ゲームは、従業員及び候補者の感情特性及び認知特性を測定するように設計し得る。ゲームは、ゲーム開発者、心理学者、求人者、人的資源人員、マネージャ、監督者、及び／又はそのようなゲームの設計を専門とするエンティティにより設計し得る。ゲームは、ユーザデバイスに表示されるように構成された仮想環境で提供し得る。幾つかの実施形態では、仮想環境は、ユーザにより操作可能な複数の物体を含み得る。ユーザは、仮想環境において多種多様な異なる動作を通して物体を操作することができる。そのような動作の例としては、１つ又は複数の物体の選択、ドラッグアンドドロップ、並進移動、回転、スピン、プッシュ、プル、ズームイン、ズームアウト等を挙げ得る。仮想空間における物体の任意のタイプの移動動作を意図し得る。物体のユーザの操作は、特定の感情特性及び認知特性を示し得る。
幾つかの実施形態では、ゲームポータルは、ユーザがゲームをプレイする際、ユーザデバイスから各ユーザ（例えば、従業員及び／又は候補者）のリアルタイムゲームプレイデータを受信し、ゲームプレイデータをデータハブに送信するように構成し得る。ゲームプレイデータは、様々な神経科学ベースの課題でのユーザの実行を示し得る。ユーザが仮想環境で実行する動作は、タイムスタンプ付き信号に符号化し得、この信号はゲームポータルを通してデータハブに提供される。上述したように、それらの動作は、仮想環境において１つ又は複数の物体を操作して、ゲームにより要求されるように特定の課題を完了することを含み得る。データハブは、ゲームポータルを通して、ユーザが各ゲームのプレイに費やした時間長、ユーザが各ゲームを完了するまでに行った試行数、ゲーム中、特定の動作の実行におけるユーザの正確性等に関するゲームプレイデータを収集するように構成し得る。
特性抽出エンジンは、ゲームプレイデータを処理して分析し、少なくとも以下を特定するように構成し得る。例えば、特性抽出エンジンは、要求される神経科学ベースの課題を完了するために、ゲームにおいてユーザが物体を正確に選択し、配置し、及び／又は異なる物体を使用したか否かを判断することができる。特性抽出エンジンは、ユーザの学習、認知スキル、及び前の誤りから学習する能力を評価することもできる。
幾つかの実施形態では、スクリーニングシステムは、エンドユーザがスクリーニングシステムに提供されるゲームプレイデータにアクセスできるようにするユーザポータルを含み得る。異なるエンドユーザは、異なるドメインにおける異なるデータセットにアクセスし得る。例えば、人的資源人員は、第１のドメインにおける従業員グループのゲーム結果／実行にアクセス可能であり得、求人者は、第２のドメインにおける候補者グループのゲーム結果／実行にアクセス可能であり得る。幾つかの場合、企業の人的資源人員は、他の企業の従業員のゲーム結果／実行にアクセスすることが許されないことがある。幾つかの場合、求人者は、異なる企業の従業員のゲーム結果／実行にアクセス可能であり得る。任意の形態の権利又はデータ特権を異なるエンドユーザ及びエンティティに対して意図し得る。
ユーザポータルは、エンドユーザによるデータへのアクセスを許可する前に、エンドユーザを認証するように構成し得る。幾つかの実施形態では、ユーザポータルは、エンドユーザによるデータへのアクセスを許可する前に、認証信用情報（例えば、ユーザ名及びパスワード）を記入するように促すログインウィンドウを生成し得る。ユーザポータルは、エンドユーザのログインデータを受信し、それをエンドユーザデータベースに記憶された既存のユーザデータと比較するように構成し得る。エンドユーザデータは、氏名、認証情報、ユーザの権利／特権、ユーザのタイプ等を含み得る。ユーザの権利／特権は、ユーザタイプに応じて定義し得る。エンドユーザの例としては、求人者、人的資源人員、マネージャ、監督者、教師、講師、管理者、ゲーム開発者等を挙げ得る。幾つかの場合、システム管理者及びゲーム開発者は、エンドユーザによるデータ及び神経科学ベースのゲームの変更を許可する特定の権利／特権を有し得る。
幾つかの実施形態では、データハブは、ゲームプレイデータを受信した後、ゲームプレイデータをゲームプレイデータベースに記憶し得る。ゲームプレイデータは、従来のリレーショナルテーブルに記憶することができる。ゲームプレイデータは、１つのゲームに一意のデータの非リレーショナル名前−値対に記憶することもできる。幾つかの実施形態では、データハブは、ゲームプレイデータを匿名化し、匿名化されたゲームプレイデータをゲームプレイデータベースに記憶するように構成し得る。ゲームプレイデータは、従業員１、従業員２、候補者１、候補者２等の記述子を使用して、ゲームをプレイする従業員及び候補者の身元情報をマスキングすることにより匿名化し得る。したがって、求人者又は人的資源人員は、レビューに影響する外部要因及び／又は外部バイアスなしで、報告エンジンを通して提供される分析及び推奨のみに基づいてゲームプレイデータを検討することができる。幾つかの実施形態では、匿名化されたゲームプレイデータは、特定のステークホルダ（例えば、管理者、マネージャ、監督者等）により生成し得る共有鍵を使用してマスキング解除（アンロック）し得る。
モデル分析エンジンは、候補者の特性を従業員モデルでの特性と比較し、比較結果を報告エンジンに提供するように構成し得る。報告エンジンは、従業員モデルと突き合わせた候補者特性の評価に基づいて、特定のジョブポジションへの各候補者の適性の全体評価を生成するように構成し得る。報告エンジンは、神経科学ベースのゲームにおける候補者の実行に基づいて、各候補者の特定の特性及び適合スコアを識別する視覚的インジケータを生成することができる。幾つかの実施形態では、報告エンジンは、候補者が特定のジョブポジションで成功する確率を求人者又は人的資源人員が一目で識別できるようにする視覚的インジケータを含む１つ又は複数のウィンドウを生成するように構成し得る。次に、インジケータに基づいて、求人者又は人的資源人員はトップ候補者を獲得することができる。
幾つかの実施形態では、報告エンジンは、身元識別された又は匿名化されたゲームプレイデータのいずれかを使用して、候補者の実行比較を提供することができる。例えば、候補者の実行を１人又は複数の他の候補者の実行と比較し得る。求人者又は人的資源人員は、それらの比較を使用して、各候補者の実行が他の候補者といかに比較されるかを判断することができる。
報告エンジンは、データをユーザデバイスに表示する複数のグラフィカルユーザインタフェース（ＧＵＩ）を生成するように構成し得る。そのようなＧＵＩの例を図３〜図３１に示す。上述したように、ユーザデバイスは、１つ又は複数のウェブページを表示することができる計算デバイスであり得る。ユーザデバイスは、特に、デスクトップコンピュータ、ラップトップ又はノートブックコンピュータ、モバイルデバイス（例えば、スマートフォン、携帯電話、個人情報端末（ＰＤＡ）、及びタブレット）、並びにウェアラブルデバイス（例えば、スマートウォッチ）を含むことができる。ユーザデバイスは、任意の他のメディアコンテンツプレーヤ、例えば、セットトップボックス、テレビジョンセット、テレビゲームシステム、又はデータの提供若しくはレンダリングが可能な任意の電子デバイスを含むこともできる。ユーザデバイスは、１つ又は複数のプロセッサ並びにプロセッサにより実行されるソフトウェア命令及びデータを記憶する１つ又は複数のメモリデバイス等の既知の計算構成要素を含み得る。ＧＵＩは、テキストベースのインタフェース、タイプされたコマンドラベル、又はテキストナビゲーションとは対照的に、補助的な表記等のグラフィカルアイコン及び視覚的インジケータを通して電子デバイスとユーザが対話できるようにするタイプのインタフェースである。ＧＵＩでの動作は通常、グラフィカル要素の直接操作を通して実行される。コンピュータに加えて、ＧＵＩは、ＭＰ３プレーヤ、ポータブルメディアプレーヤ、ゲーミングデバイス、並びにより小型の家庭、オフィス、及び業界の機器等のハンドヘルドデバイスで見出すことができる。ＧＵＩは、ソフトウェア、ソフトウェアアプリケーション、ウェブブラウザ等で提供し得る。ソフトウェアアプリケーションを構築する１組のルーチン、プロトコル、及びツールであるアプリケーションプログラミングインタフェース（ＡＰＩ）を通して、リンクを生成し得る。
図３は、幾つかの実施形態による例示的なサインアップウィンドウ及びログインウィンドウを示す。図３のパートＡはサインアップウィンドウ３００を示し、図３のパートＢはログインウィンドウ３１０を示す。
ユーザは、スクリーニングシステムにより管理されるアカウントにサインアップ又はログインするように求められ得る。ユーザは、求人者又は企業の人的資源人員等のエンドユーザであり得る。ユーザは、関連する情報（例えば、名、姓、電子メール、パスワード、パスワード再入力、電話番号、雇用者又は企業、並びに国）３０２を記入することによりアカウントにサインアップし、サービス規約及びプライバシーポリシー３０４に同意し、登録ボタン３０６を選択し得る。ユーザがアカウントにサインアップした後、ウィンドウ３１０を生成し得る。ユーザは、ユーザの電子メールアドレス及びアカウント３１２に関連するパスワードを入力することにより、アカウントにログインし得る。幾つかの実施形態では、ユーザがログインボタン３１４を選択した後、図４のウィンドウ４００を表示し得る。幾つかの実施形態では、ウィンドウ４００は、ユーザが自分のアカウントにログインしたときにユーザに表示されるランディングページ（又はホームページ）であり得る。しかし、本発明はそれに限定されない。任意のタイプのランディングページ（又はホームページ）を意図し得る。
図４を参照すると、ウィンドウ４００は、スクリーニングシステムにより提供される異なるアプリケーション／機能への複数のリンクを含み得る。例えば、ウィンドウ４００は、ソーシングモデルへのリンク４０２、スクリーニングモデルへのリンク４０４、内部移動度モデルへのリンク４０６、ダウンロードへのリンク４０８、メールボックスへのリンク４１０、ユーザのアカウント設定へのリンク４１２、及び一般的な質問（ＦＡＱ）セクションへのリンク４１４を含み得る。
図４は、幾つかの実施形態による例示的なソーシングモデルウィンドウを示す。ユーザは、ソーシングモデルウィンドウを使用して１つ又は複数のソーシングモデルにアクセスし得る。ユーザは、ソーシングモデルを使用して、標的とする個人グループに最も類似する候補者（すなわち、従業員モデルの最も一致する候補者）を識別し得る。したがって、企業及び求人者はソーシングモデルを使用して、才能を「調達」することができる。ユーザは、ソーシングモデルを使用して、カットオフ閾値を満たす候補者を識別し、それらの候補者を企業の雇用ニーズに向けて企業に提示し得る。
ソーシングモデルは、１つ又は複数の従業員モデルを使用し得る。上述したように、従業員モデルは、企業での特定のジョブポジションに対して理想的な従業員が保有する傾向がある特徴を含み得る。従業員モデルは、企業のトップ従業員の標的グループを表し得る。従業員モデルはベースライングループと対照をなし得る。ベースライングループは、性別、年齢、民族性、学歴等の人口統計学的要因に関して、神経科学ベースのテストを受ける従業員の標的グループと同様であり得るが、従業員の標的グループと同じ分野では働いていない、他の分野からの従業員で構成されるデータベースから選択し得る。候補者は従業員モデルと比較されて、企業での特定のジョブポジションへの一致度／適合性を判断し得る。
図４に示されるように、企業のトップ従業員の標的グループ４１６は、８人の従業員を含み得、標的グループの従業員モデルはベースライングループ４１８と対照をなし得る。何人かの候補者（例えば、４人）４２０を従業員モデルと比較して、候補者が従業員モデルにいかに適合又は一致するかを判断し得る。
ウィンドウ４００の右側に示されるように、グループ機能４２２はアクティブであり得る。グループは、企業又は企業グループ、キャリア分野等に関連し得る。ユーザは異なるグループに関連し得る。例えば、ユーザは、異なるポジションを満たす候補者を識別するために異なる企業と契約した第三者求人者であり得る。代替的には、ユーザは、企業内の様々なグループに関連する人的資源人員であり得る。任意選択的に、ユーザは、複数の異なる専門分野にまたがる最高の人材を捜し求める求人者であり得る。したがって、ユーザは、複数のグループのメンバーである場合、異なるグループ間を切り替えて（４２４）、異なるモデル／データにアクセスすることができる。
ユーザは、グループ機能４２２と設定機能４２６とを切り替え得る。設定機能については、図２６、図２７、及び図２８を参照して本明細書においてより詳細に後述する。
幾つかの場合、チャットウィンドウ４２８をウィンドウ４００内に提供し得る。ユーザは、チャットウィンドウを使用してヘルプ代表者とリアルタイムで通信し得る。ヘルプ代表者は、スクリーニングシステムを提供するエンティティに関連し得る。代替的には、ユーザは、チャットウィンドウにヘルプ代表者へのメッセージを残し得る。
ユーザがウィンドウ４００において候補者４２０を選択する場合、図５のウィンドウ５００を生成し得る。ウィンドウ５００は、幾つかの実施形態による例示的な候補者ウィンドウを示す。各候補者の一般プロファイル５０２を候補者ウィンドウに表示し得る。例えば、各候補者Ａ、Ｂ、Ｃ、及びＤの一般プロファイル５０２−１、５０２−２、５０２−３、及び５０２−４をウィンドウ５００に表示し得る。各一般プロファイルは、候補者の写真５０４（例えば、５０４−１、５０４−２、５０４−３、及び５０４−４）、候補者の学歴５０６（例えば、５０６−１、５０６−２、５０６−３、及び５０６−４）、候補者の履歴書へのリンク（例えば、５０８−１、５０８−２、及び５０８−４）を含み得、候補者が企業により掲示される特定のジョブポジションに興味を示したか否か（例えば、５１０−１及び５１０−２）を示し得る。ユーザ（例えば、求人者）は、各プロファイルにおける１つ又は複数のボタンを選択することにより、候補者のプロファイルを保存し（５１２）、候補者と連絡を取り（５１４）、又は候補者のプロファイルをアーカイブし得る（５１６）。ウィンドウ５００に示されるように、候補者Ａ及びＢは特定のジョブポジションに興味を示した（５１０−１及び５１０−２）が、候補者Ｃ及びＤはジョブポジションに興味をまだ示していない。候補者Ａ、Ｂ、及びＤは履歴書をアップロードしたが（５０８−１、５０８−２、及び５０８−４）、候補者Ｃは履歴書をまだアップロードしていない。候補者Ｃ及びＤのプロファイルはユーザにより保存された（５１２−３及び５１３−４）が、候補者Ａ及びＢのプロファイルはまだ保存されていない。
図４の例では、候補者リンク５２０は、ウィンドウ４００が候補者ウィンドウに対応することから、アクティブである。ウィンドウ４００は、従業員リンク５２２、参加リンク５２４、モデル特性リンク５２６、モデル正確性リンク５２８、及びモデルバイアスリンク５３０を更に含み得る。各リンクについては本明細書の他の箇所において詳細に説明する。
幾つかの実施形態では、ユーザは１組の基準に基づいて候補者をフィルタリングし得る。図６は、幾つかの実施形態による、図５の候補者ウィンドウ内の例示的なフィルタリングウィンドウを示す。ユーザは、フィルタリングウィンドウ６００を使用して、地理的場所（例えば、都市）６０２、候補者が参加した学校６０４、候補者が取得した学位６０６、及び／又は候補者が卒業してからの年数６０８に基づいて、候補者をフィルタリングすることができる。フィルタは、候補者がシステムに新たに追加されたか否か６１０、候補者がジョブポジションに興味を有するか否か６１２、候補者が履歴書をアップロードしたか否か６１４、候補者がシステムにおいてアバターを使用している（身元をマスキングしている）か否か６１６、プロファイルが求人者により保存６１８及び／又はアーカイブ６２０されたか否か、及び候補者が求人者により連絡を受けたか否か６２２を更に含み得る。フィルタが上記に限定されず、ユーザが候補者リストをフィルタリングするのに役立つことができる追加のフィルタを含み得ることに留意されたい。
図５を再び参照すると、ユーザが候補者Ａの一般プロファイル５０２−１をクリックすると、図７のウィンドウ７００を生成し得る。ウィンドウ７００は、候補者Ａの特定のプロファイル７０２に対応し得る。ユーザがウィンドウ７００を下にスクロールすると、図８のウィンドウ８００を生成し得る。図７及び図８に示されるように、候補者Ａの仕事経験及び学歴を時系列順に詳細に列挙し得る。上述したように、候補者Ａは、特定のジョブポジションに興味を示しており、履歴書をアップロードしていることができる。この例では、候補者Ａはユーザによりまだ連絡を受けておらず、候補者Ａのプロファイルはユーザによりまだ保存又はアーカイブされていない。ウィンドウ７００は、候補者Ａのウェブプレゼンス７０４へのリンク（例えば、LinkedIn（商標）、Github（商標）、Twitter（商標）等を通して）を更に含み得る。図８に示されるように、ユーザ（求人者であり得る）が候補者Ａと連絡を取るためのリンク８０２を提供し得る。
ユーザがウィンドウ７００において連絡ボタン７０６をクリックすると、図９のウィンドウ９００を生成し得る。ウィンドウ９００は、特定のジョブポジションに関するユーザと候補者Ａとの間の通信９０２を表示し得る。ユーザがウィンドウ７００において履歴書ボタン７０８をクリックすると、候補者Ａの履歴書のコピーをウィンドウに表示し得る。
図４を再び参照すると、ユーザがウィンドウ４００において従業員４１６を選択すると、図１０のウィンドウ１０００を生成し得る。代替的には、ユーザは、図５のウィンドウ５００における従業員リンク５２２をクリックすることによりウィンドウ１０００にアクセスし得る。図１０は、幾つかの実施形態による例示的な従業員ダッシュボードウィンドウを示す。ウィンドウ１０００は、神経科学ベースのゲームを完了することにおける各従業員１００４の進行度１００２及び各従業員が、従業員のゲームプレイデータに基づいて「グループ内」であるか、それとも「グループ外」であるか１００６を示し得る。図１０の例では、全ての従業員は、１００２における進行度により示されるように、従業員＃４を除き、ゲームを完了していることができる。更に、全ての従業員は、ゲームプレイデータに基づいてグループ内であると判断されていることができる（１００６）。幾つかの実施形態では、ユーザは、サーチ入力１００８を入力することにより、ユーザがグループ内であるか、それともグループ外であるかをサーチし得る。
ユーザがウィンドウ５００において参加リンク５２４を選択すると、図１１のウィンドウ１１００を生成し得る。図１１に示されるように、神経科学ベースのゲームを１０人の従業員（合計参加者１１０２）に提供し得る。９人の従業員はゲームを完了しており（１１０４）、いずれも進行中ではなく（１１０６）、１人の従業員はゲームプレイをまだ開始していない（１１０８）。参加スナップショット１１１０をウィンドウ１１００の左部分に表示し得る。参加スナップショットは、ゲームへの従業員の参加率を視覚的に表す円グラフ１１１２を含み得る。ウィンドウ１１００の右部分は、異なる時間期間１１１６（例えば、１ヶ月、３ヶ月、６ヶ月、年初来からの期間、１年等）にわたる従業員のゲーム完了進行度のグラフ１１１４を表示し得る。
ユーザがカーソルを参加率の円グラフ１１１２視覚表現上に動かすと、異なる情報を表示し得る。例えば、図１２のパートＡは、１人の従業員がゲームプレイをまだ開始していないこと（１２０２）を示し、図１２のパートＢは、９人の従業員がゲームを完了したこと（１２０４）を示す。従業員のゲームプレイデータのチャートは、図１２のパートＣに示されるように、様々なフォーマット（例えば、ＰＮＧ、ＪＰＥＧ、ＰＤＦ、ＳＶＧベクターイメージ、ＣＳＶ、又はＸＬＳ）１２０６でダウンロードし得る。
ユーザは、ウィンドウ１１００においてグラフ１１１４を操作して、異なる時点での従業員のゲーム完了進行度を表示し得る。例えば、図１３のパートＡに示されるように、第１の時点１３０４では、従業員のいずれもゲームを完了しておらず、進行中のゲームはない（１３０２）。図１３のパートＢは、第２の時点１３０８において、２人の従業員がゲームを完了しており、２人の従業員が現在進行中である（１３０６）ことを示す。図１３のパートＣは、第３の時点１３１２において、６人の従業員がゲームを完了しており、２人の従業員が現在進行中である（１３１０）ことを示す。図１３のパートＤは、第４の時点１３１６において、７人の従業員がゲームを完了しており、２人の従業員が現在進行中である（１３１４）ことを示す。
ユーザが図５のウィンドウ５００においてモデル特性リンク５２６を選択すると、図１４のウィンドウ１４００を生成し得る。ウィンドウ１４００は、従業員の特性１４０２のスナップショットを含み得る。特性スナップショットは、異なる特性カテゴリ１４０６の視覚的表現である円グラフ１４０４を含み得る。上述したように、特性は、例えば、スクリーニングシステム内の特性抽出エンジンを使用して、従業員のゲームプレイデータ（神経科学挙動データ）から抽出し得る。特性スナップショットに示されるように、特性カテゴリは、プラニング、学習、注目、努力、リスク、及び柔軟性変更速度を含み得る。ユーザがウィンドウ１４００を下にスクロールすると、図１５のウィンドウ１５００を生成し得る。
各特性カテゴリ及び関連する特性特徴の説明は、特性スナップショット１４０２の下に位置する特性表１５０２に提供し得る。各特性カテゴリ１４０６は、１つ又は複数の特性特徴１４０８を含み得る。例えば、リスクカテゴリ１４１０は、被制御リスク状況における対象者の応答速度、堅実なリスク回避の表示、並びに高リスク状況下及び中リスク状況下でよく学習する対象者の能力等の複数の特性特徴を含み得る。学習カテゴリ１４１２は、失敗の学習から容易に回復する対象者の能力及び対象者が手続き学習でより高速であるか否か等の複数の特性特徴を含み得る。努力カテゴリ１４１４も、努力を素早く拡張する対象者の能力及び目標を達成するために頑張って働く能力等の複数の特性特徴を含み得る。
異なる色及び陰影を使用して、円グラフ１４０４内のセクションを互いと区別し得る。幾つかの実施形態では、異なる配色を各特性カテゴリに使用し得る。任意の配色又は任意の他の視覚的区別方式（形状、フォントサイズ、陰影等）を意図し得る。
本明細書に記載される神経科学ベースのテスト（ゲーム）は、感情特性及び認知特性の測定の精度について評価することができる。テストの精度は、神経科学ベースのテストがそれらの特性の正確な予測子であるか否かを判断するのに重要であることができる。神経科学ベースのテストの精度を突き止めるために、信頼性評価を実行することができる。テスト信頼性について測定することができる１つの出力は、ピアソンの相関係数（ｒ）である。ピアソンの相関係数は、２つの結果間の線形関係を記述することができ、−１〜＋１である。標本ｒの相関係数は以下の式を使用して計算することができる。
式中、ｎは標本サイズ；ｉ＝１，２，・・・，ｎであり、Ｘ及びＹは変数であり、
は変数の平均である。ピアソンの相関係数の二乗は、決定係数として知られ、単純な線形回帰でのＸの関数としてのＹの分散の割合を説明するのに使用することができる。ピアソンの相関係数は、２つのグループの関係の大きさとして定義することができる効果量を記述するのに使用することもできる。ピアソンの相関係数が効果量の尺度として使用される場合、結果の二乗は、実験モデルで説明される実験内の分散量を推定することができる。
式中、ｎは標本サイズ；ｉ＝１，２，・・・，ｎであり、Ｘ及びＹは変数であり、
は変数の平均である。ピアソンの相関係数の二乗は、決定係数として知られ、単純な線形回帰でのＸの関数としてのＹの分散の割合を説明するのに使用することができる。ピアソンの相関係数は、２つのグループの関係の大きさとして定義することができる効果量を記述するのに使用することもできる。ピアソンの相関係数が効果量の尺度として使用される場合、結果の二乗は、実験モデルで説明される実験内の分散量を推定することができる。
図１５のウィンドウ１５００に示されるように、各特性カテゴリ及び対応する特性特徴は、ｒ値１４１６及びＲ２値１４１８を有し得る。各特性特徴のｒ値は、各特性特徴と従業員モデルでの予測式との相関を示し得る。各特性特徴のＲ２値は、各特性特徴により示される従業員モデルでの分散を示し得る。
各特性カテゴリでの特性特徴のＲ２値は合算し得、特性スナップショットでの円グラフの生成に使用し得る。ユーザは、カーソルを円グラフの各特性カテゴリ上に動かすことにより各特性カテゴリのＲ２値を見ることができる。例えば、ユーザがカーソルを円グラフの「柔軟性変更速度」上に動かすと、そのカテゴリの合計Ｒ２値が０．１１４（図１６のパートＡに示されるように）であることを示すポップアップウィンドウ１６０２を生成し得る。同様に、ユーザが円グラフのリスクカテゴリ上にカーソルを動かすと、そのカテゴリの合計Ｒ２値が０．３５６（図１６のパートＢに示されるように）であることを示すポップアップウィンドウ１６０４を生成し得る。リスクカテゴリの合計Ｒ２値は、「被制御リスク状況での応答が遅い」（０．１０１）、「堅実なリスク回避を示す」（０．０９５）、「高リスク状況下でよく学習する」）（０．０８５）、及び「中リスク状況下であまりよく学習しない」（０．０７５）の特性特徴のＲ２値を合算することにより取得し得る。
信頼性は、測定値が時間にわたり一貫しており、ランダム誤差がない程度のインジケータであることができる。信頼性は、テスト結果が安定しており、内部整合性があるか否かを測定することができる。試験−再試験法は、信頼性のテストに使用することもできる一尺度である。試験−再試験信頼性テストは、対象者に同じテストが２つの異なる時間に与えられる場合の標本の結果の変化を測定することができる。２つの異なる時間に与えられたテストからの結果が類似する場合、テストは信頼できると見なすことができる。２つの結果の関係は、ピアソンの相関係数を使用して記述することができ、相関係数の値が高いほど、テストの信頼性は高い。
試験−再試験信頼性の相関係数の値は、例えば、約−１．０、約−０．９５、約−０．９、約−０．８５、約−０．８、約−０．７５、約−０．７、約−０．６５、約−０．６、約−０．５５、約−０．５、約−０．４５、約−０．４、約−０．３５、約−０．３、約−０．２５、約−０．２、約−０．１５、約−０．１、約−０．０５、約０．０５、約０．１、約０．１５、約０．２、約０．２５、約０．３、約０．３５、約０．４、約０．４５、約０．５、約０．５５、約０．６、約０．６５、約０．７、約０．７５、約０．８、約０．８５、約０．９、約０．９５、又は約１．０であることができる。
テストの信頼性の測定に使用することができる別のテストは、折半法信頼性テストである。折半法信頼性テストは、テストの２つの部分が同様の趣旨を含む場合、テストを２つの部分に分割し、テストは対象者に与えられる。次に、標本からのテストのそれぞれ半分のスコアを互いと比較する。テストの２つの半分からのスコア間の相関又は類似度は、ピアソンの相関係数を使用して記述することができ、相関が高い場合、テストの信頼性は高い。
折半法信頼性の相関係数の値は、例えば、約−１．０、約−０．９５、約−０．９、約−０．８５、約−０．８、約−０．７５、約−０．７、約−０．６５、約−０．６、約−０．５５、約−０．５、約−０．４５、約−０．４、約−０．３５、約−０．３、約−０．２５、約−０．２、約−０．１５、約−０．１、約−０．０５、約０．０５、約０．１、約０．１５、約０．２、約０．２５、約０．３、約０．３５、約０．４、約０．４５、約０．５、約０．５５、約０．６、約０．６５、約０．７、約０．７５、約０．８、約０．８５、約０．９、約０．９５、又は約１．０であることができる。
有効性とは、テストが、意図されるものを測定する程度である。テストが有効であるには、テストは、テストの結果が状況的にサポートされることを示すことができる。特に、テスト有効性に関する証拠は、テスト内容、応答プロセス、内部構造、他の変数への関連、及びテストの結果を介して提示することができる。
ホテリングのＴ二乗検定は、システムを使用して対象者の異なる母集団の結果の平均差を特定するためにスクリーニングシステムが利用することができる多変量テストである。Ｔ二乗検定のテスト統計（Ｔ２）は、以下の式を使用して計算される。
式中、
は標本平均であり、Ｓｐは標本の統合された分散共分散であり、ｎは標本サイズである。
式中、
は標本平均であり、Ｓｐは標本の統合された分散共分散であり、ｎは標本サイズである。
Ｆ統計量を計算するために、以下の式を使用する。
式中、ｐは分析されている変数の数であり、Ｆ統計量はｐ及びｎ１＋ｎ２−ｐの自由度を有するＦ分散である。Ｆ表を使用して、指定されたαでの結果の有意性又は有意性レベルを特定することができる。観測されたＦ統計量が、正確な自由度において表で見られるＦ統計量よりも大きい場合、テストは、定義されたαレベルで有意である。結果は、例えば、αレベルが０．０５として定義された場合、０．０５未満のｐ値において有意であることができる。
式中、ｐは分析されている変数の数であり、Ｆ統計量はｐ及びｎ１＋ｎ２−ｐの自由度を有するＦ分散である。Ｆ表を使用して、指定されたαでの結果の有意性又は有意性レベルを特定することができる。観測されたＦ統計量が、正確な自由度において表で見られるＦ統計量よりも大きい場合、テストは、定義されたαレベルで有意である。結果は、例えば、αレベルが０．０５として定義された場合、０．０５未満のｐ値において有意であることができる。
分散分析（ＡＮＯＶＡ）とは、２つ以上のデータグループの平均間の統計的に有意な差を特定するためにスクリーニングシステムにより使用することができる統計検定である。ＡＮＯＶＡのＦ統計量は以下のように計算することができる。
式中、
は標本平均であり、ｎは標本サイズであり、ｓは標本の標準偏差であり、Ｉはグループの総数であり、Ｎは合計標本サイズである。次に、Ｆ表を使用して、指定されたαレベルでの結果の有意性を特定する。観測されるＦ統計量が、指定された自由度において表に見られるＦ統計量よりも大きい場合、検定は、定義されたαレベルにおいて有意である。結果は、例えば、αレベルが０．０５として定義された場合、０．０５未満のｐ値において有意であることができる。
式中、
は標本平均であり、ｎは標本サイズであり、ｓは標本の標準偏差であり、Ｉはグループの総数であり、Ｎは合計標本サイズである。次に、Ｆ表を使用して、指定されたαレベルでの結果の有意性を特定する。観測されるＦ統計量が、指定された自由度において表に見られるＦ統計量よりも大きい場合、検定は、定義されたαレベルにおいて有意である。結果は、例えば、αレベルが０．０５として定義された場合、０．０５未満のｐ値において有意であることができる。
ホテリングのＴ二乗検定又はＡＮＯＶＡのαレベルは、例えば、約０．５、約０．４５、約０．４、約０．３５、約０．３、約０．２５、約０．２、約０．１５、約０．１、約０．０５、約０．０４、約０．０３、約０．０２、約０．０１、約０．００９、約０．００８、約０．００７、約０．００６、約０．００５、約０．００４、約０．００３、約０．００２、又は約０．００１に設定することができる。
図５のウィンドウ５００を再び参照すると、ユーザがモデル正確性リンク５２８を選択した場合、図１７Ａのウィンドウ１７００を生成し得る。ウィンドウ１７００は、従業員モデルの正確性リポートスナップショット１７０２を含み得る。正確性リポートスナップショットは、グループ内又はグループ外の従業員の割合を示すグラフ１７０４を含み得る。グラフは、グループ外従業員に対応する第１の密度プロット１７０６及びグループ内従業員に対応する第２の密度プロット１７０８を含み得る。ユーザは、第１の密度プロットの曲線と第２の密度プロットの曲線が重複する領域において決定境界１７１０を描き得る。例えば、決定境界の左側にいる従業員はグループ外として分類し得、決定境界の右側にいる従業員はグループ内として分類し得る。決定境界の左端にいる従業員は、決定境界のわずかに左側にいる従業員と比較して、グループ外として正確に分類されたより高い確率を有し得る。逆に決定境界の右端にいる従業員は、決定境界のわずかに右側にいる従業員と比較して、グループ内として正確に分類されたより高い確率を有する。重複領域内の従業員は、グループ内又はグループ外のいずれかとして分類し得、幾つかの場合、神経科学ベースのテストを受ける従業員の総数のごく一部を表し得る。
ユーザは、候補者のゲームプレイ実行を評価する閾値として決定境界１７１０を使用することができる。例えば、図１７Ｂは、幾つかの実施形態による、候補者グループの特性を図１７Ａの従業員モデルと比較した結果を示す。図１７Ｂのウィンドウ１７５０に示されるように、比較結果は１つ又は複数の密度プロットで示し得る。例えば、比較結果は、グループ内従業員により密に一致する候補者に対応する第３の密度プロット１７２０を含み得る。更に、比較結果は、グループ外従業員により密に一致する候補者に対応する第４の密度プロット１７２２を含むこともできる。ユーザは、決定境界の右側にいる候補者が、グループ内従業員により密に一致するため、特定のジョブポジションで成功する可能性が高いと判断し得る。同様に、ユーザは、決定境界の左側にいる候補者が、グループ外従業員により密に一致するため、特定のジョブポジションで成功する可能性が低いと判断し得る。
幾つかの実施形態では、決定境界は、第１の密度プロットの曲線と第２の密度プロットの曲線とが重複する領域にある必要はない。ユーザは、ユーザがより多くを受け入れたい（すなわち、より大きな候補者プールを包含する）か、それともより厳しくしたい（すなわち、候補者プールを狭める）かに応じて、決定境界の位置を調整し得る。例えば、ユーザが決定境界を重複領域の左側のグループ外密度プロット内に移動させる（１７１０−１）場合、より多くの候補者が決定境界閾値１７１０−１を満たすことが可能であり得る。逆に、決定境界を重複領域の右側のグループ内密度プロットに移す場合（１７１０−２）、決定境界閾値１７１０−２を満たすことができる候補者は少なくなり得る。したがって、ユーザは、企業のスクリーニング及び雇用のニーズ（例えば、企業がより大きな候補者プールを受け入れる意思があるか、それとも選ばれた一握りの候補者のみを必要とするか）に応じて決定境界を調整することができる。
ユーザは、ウィンドウ１７００においてカーソルを密度プロット上に動かして、決定境界に対してグループ内又はグループ外である従業員の割合を表示することができる。例えば、図１８のパートＡは、第１の密度プロット上の選択されたポイント１８０２において、従業員の３７．９％がグループ外であり得ることを示す。図１８のパートＢは、第２の密度プロット上の選択されたポイント１８０４において、従業員の８．３３％がグループ内であり得ることを示す。
ウィンドウ１７００を再び参照すると、モデル正確性リポートは、ヒット１７１２、ミス１７１４、誤報１７１６、及び正確な拒絶１７１８を含み得る。上記パラメータの詳細は図１９のウィンドウ１９００に示されている。ヒット１７１２は、グループ内としてラベルされ、モデル分析エンジンによりグループ内として予測され、正確に分類される従業員に対応し得る。ミス１７１４は、グループ外としてラベルされ、モデル分析エンジンによりグループ外として誤って分類されたが、グループ内として分類されるべき従業員に対応し得る。誤報１７１６は、グループ内としてラベルされ、モデル分析エンジンによりグループ外として正確に分類される従業員に対応し得る。正確な拒絶１７１８は、グループ外としてラベルされ、モデル分析エンジンによりグループ外として予測され正確に分類される従業員に対応し得る。
ウィンドウ１９００は、ヒット、ミス、誤報、及び正確な拒絶の結果をまとめた分類表１９０２を含み得る。図１９の例では、モデル分析エンジンは、１２のヒット及び２９の正確領域を特定し、その結果、モデルの正確性は１００％であった。分類表１９０２は、従業員グループのゲームプレイデータに基づいて生成される１つの従業員モデルに基づき得る。
幾つかの実施形態では、ウィンドウ１９００はクロス検証表１９０４を更に含み得る。クロス検証表では、各従業員についてモデルを生成し得、複数のモデルを互いに対して相互検証して、各従業員のグループ内又はグループ外ステータスを予測し得る。分類表１９０２とは異なり、クロス検証表１９０４は、従業員がグループ内であるか、それともグループ外であるかの事前のラベリングを必要としない。したがって、クロス検証表は、分類表と比較してモデルのより正確な分析を提供し得、分類表の正確性の検証に使用し得る。
図１７Ａを再び参照すると、ユーザがウィンドウ５００においてモデルバイアスリンク５３０をクリックする場合、図２０のウィンドウ２０００を生成し得る。ウィンドウ２０００は、従業員の異なる本質的な特徴に基づいてモデルがバイアスされる（又はスキューする）か否かについての情報を提供し得る。例えば、ウィンドウ２０００は、性別バイアスリポートスナップショット２００２及び民族性バイアスリポートスナップショット２００４を含み得る。性別バイアスリポートは、性別（男性及び女性）により分類し得、民族性バイアスリポートは民族性（例えば、白人、黒人、アジア人、ヒスパニック／ラテンアメリカ人、及び他）により分類し得る。各リポートは、各性別及び民族性グループ内の適合スコアの棒グラフ２００６及び２００８を示し得る。ユーザがウィンドウ２０００を下にスクロールすると、図２１のウィンドウ２１００を生成し得る。ウィンドウ２１００は、性別バイアステストの結果をまとめた性別バイアス表２１０２及び民族性バイアステストの結果をまとめた民族性バイアス表２１０４を含み得る。ユーザは、カーソルを棒グラフ上に移して、例えば、図２２に示されるように、異なるグループの平均適合スコアを表示し得る。図２２のパートＡでは、ポップアップウィンドウ２２０２が、男性従業員の平均適合スコアが４５．４９であることを示し得る。図２２のパートＢでは、ポップウィンドウ２２０４は、アジア人従業員の平均適合スコアが４２．５５であることを示し得る。
適合スコアは、従業員の個々の神経科学ベースの評価のスコアの集計であり得る。適合スコアの多変量統計分析を実行して、スコアに対する人口統計学的要因の影響を評価し得る。例えば、ホテリングのＴ二乗検定を使用して、性別グループ間の統計学的有意差（もしあれば）を評価し得る。多変量ＡＮＯＶＡテストを使用して、異なる民族性グループ間の統計学的有意差（もしあれば）を評価し得る。図２０の例では、多変量統計分析は、性別又は民族性のいずれも、適合スコアに統計学的に有意に関連しないことを示した。
図４を再び参照すると、ユーザがウィンドウ４００の左側のスクリーニングリンク４０４を選択する場合、図２３のウィンドウ２３００を生成し得る。図２３は、幾つかの実施形態による例示的なスクリーニングモデルウィンドウを示す。ユーザは、スクリーニングモデルウィンドウを使用して１つ又は複数のスクリーニングモデルにアクセスし得る。スクリーニングモデルとソーシングモデルとの違いは、従業員モデルの使用及び候補者のソースにあり、従業員モデル自体にはない。スクリーニング及びソーシングをサポートするモデルは同一であり得る。ソーシングの場合、ユーザ（例えば、求人者）は、ソーシングモデルを使用して、個人の標的グループに最も類似する候補者を識別（すなわち、従業員モデルに最も一致する候補者を識別）し、雇用ニーズのためにそれらの候補者を企業に提示し得る。スクリーニングの場合、企業は、スクリーニングモデルを使用して、企業が既に選択した候補者プールをスクリーニングし得る。ソーシングでは、求人者は、閾値カットオフに合格した候補者のみを企業に提示し得、閾値カットオフに合格しなかった候補者についてのデータを共有する必要はない。それとは対照的に、企業は、スクリーニングでは、各候補者が閾値カットオフに合格したか否かに関係なく、全候補者についてのデータを受信し得る。
上述したように、従業員モデルは、企業のトップ従業員の標的グループを表し得、従業員モデルはベースライングループと対照をなし得る。ベースライングループは、性別、年齢、民族性、学歴等の人口統計学的要因に関して神経科学ベースのテストを受けている従業員の標的グループと同様であり得るが、従業員の標的グループと同じ分野の仕事をしない、他の分野からの従業員を含むデータベースから選択し得る。候補者を従業員モデルと比較して、企業の特定のジョブポジションへの候補者の一致度／適合性を特定し得る。
図２３のウィンドウ２３００を参照すると、企業のトップ従業員の標的グループ２３１６は８人の従業員を含み得、標的グループの従業員モデルはベースライングループ２３１８と照合し得る。何人かの候補者２３２０（例えば、５人）を従業員モデルと比較して、候補者が従業員モデルにいかに適合／一致するかを判断し得る。
ユーザがウィンドウ２３００の左側の内部移動度リンク４０６を選択すると、図２４のウィンドウ２４００を生成し得る。図２４は、幾つかの実施形態による例示的な内部移動度モデルウィンドウを示す。ユーザは、内部移動度モデルウィンドウを使用して１つ又は複数の内部移動度モデルにアクセスし得る。内部移動度モデルウィンドウとスクリーニングモデル及びソーシングモデルとの違いは、従業員モデルの使用及び候補者のソースにあり、従業員モデル自体にはない。スクリーニング、ソーシング、及び内部移動度をサポートするモデルは同一であり得る。企業は内部移動度モデルを使用して、企業内で候補者２４２０を調達し得、それにより、それらの候補者は企業内で移動度を有することができ、候補者の潜在性を最大化する異なる機能／役割を担い得る。幾つかの実施形態では、候補者は、企業のイントラネットウェブサイトでホストし得る神経科学ベースのゲームをプレイし得る。候補者のゲームプレイ実行に基づいて、内部移動度モデルは、企業内の適するポジションに候補者への一致を推奨し得る。ソーシングモデル及びスクリーニングモデルと同様に、候補者２４２０は、トップ従業員の標的グループ２４１６の従業員モデルとも照合される。
ユーザが図２３のウィンドウ２３００の左側のメールボックスリンク４１０を選択すると、図２５のウィンドウ２５００を生成し得る。ウィンドウ２５００は、特定のジョブポジションに関するユーザと異なる候補者（例えば、候補者Ａ及びＢ）との間の通信（メッセージ）２５０２を含み得る。
ユーザが図２３のウィンドウ２３００におけるアカウントリンク４１２を選択すると、ウィンドウ２６００を生成し得る。ウィンドウ２６００は、ユーザが関連し得るグループのグループ設定２６０２をユーザが管理できるようにし得る。例えば、ユーザは、特定のグループの企業名２６０４、企業サイズ２６０６、及び企業ロゴ２６０８を更新することができる。
ユーザがウィンドウ２６００におけるカスタマイズリンク２６１０を選択すると、図２７のウィンドウ２７００を生成し得る。ユーザは、ウィンドウ２７００において電子メールアドレス２７０４を提供することにより、他のユーザを招待し、自分のアカウントへのアクセス許可を認可し得る（２７０２）。ユーザは、他のユーザによる特定の特徴２７０６の閲覧をイネーブル又はディセーブルすることもできる。例えば、図２７及び図２８のウィンドウ２７００及び２８００に示されるように、ユーザは、他のユーザがアカウントで閲覧することができる特徴を選択し得る。それらの特徴は、特性リポート２７０６−１、キャリアリポート２７０６−２、企業リポート２７０６−３、リクルートリポート２７０６−４、候補者又は従業員の個人プロファイル２７０６−５、コネクション２７０６−６、ダッシュボード２７０６−７等を含み得る。
ユーザがウィンドウ２３００においてＦＡＱリンク４１４を選択すると、図２９及び図３０のウィンドウ２９００及び３０００を生成し得る。ウィンドウ２９００及び３０００は、異なるモデルがいかに機能するか、候補者ソーシング／スクリーニング等についての一般的な質問に答えるリンク２９０２を提供し得る。ユーザが問い合わせへの答えを見つけられない場合、ユーザは、図３１のウィンドウ３１００を使用して問い合わせを入力し得る。
図３２は、システムの分析エンジンを、従業員候補者が従業員として成功する可能性を予測しようとするビジネスエンティティへの予測モデルとしていかに使用することができるかの全体図である。第１のステップにおいて、現在の従業員はシステムのテストを完了することができる。テストが完了すると、システムは、テストでの従業員の実行に基づいて認知特性データ及び感情特性データを抽出することができる。次に、システムは、従業員の格付けデータ及びテストデータを使用して、ビジネスエンティティの特定のポジションに理想的な従業員が保有すべき特性を特定するように分析エンジンをトレーニングすることができる。
分析エンジンが適宜トレーニングされると、第２のステップにおいて、予測分析及び予想にモデルを使用することができる。まず、候補者はシステムのテストを完了することができる。完了後、システムは、テストでの候補者の実行に基づいて候補者についての特性を抽出することができる。次に、テストからのデータをトレーニングされた分析エンジンに適用して、候補者の適合スコアを生成することができる。これらの予測モデルを使用して、例えば、従業員候補者が企業の特定の役割で成功する可能性を含む要因を評価することができる。正確な予測モデルは、微妙なデータパターンを検出して、従業員の将来実行についての質問に答え、雇用者が人的資本を最適化するようにガイドすることができる。
本発明のシステムは、コンピュータ化課題を対象者に提供する方法を提供することができる。課題は、感情又は認知の神経科学ベースの評価であることができる。課題の完了後、システムは、課題での対象者の実行に基づいて対象者の実行値を測定することができる。次に、実行値に基づいて特定の特性を評価することができ、評価された特性は、対象者のプロファイルの作成に使用することができる。次に、コンピュータシステムのプロセッサは、特性をテスト対象者のデータベースと比較することができる。テスト対象者のデータベースとの対象者の特性の比較を使用して、テストされた対象者に固有のモデルを作成することができる。次に、モデルを使用して対象者をスコア付けることができ、これは、対象者の感情又は認知の定量的評価の生成を支援することができる。テスト対象者は、ビジネスエンティティのために働くことができる。テスト対象者のデータベースとの対象者の特性の比較を使用して、対象者が雇用に適するか否かを判断することができる。
本発明のシステムは、コンピュータ化課題を対象者に提供する方法を提供することができる。課題は、感情又は認知の神経科学ベースの評価であることができる。課題の完了後、システムは、課題での対象者の実行に基づいて対象者の実行値を測定することができる。次に、実行値に基づいて特定の特性を評価することができ、評価された特性は、対象者のプロファイルの作成に使用することができる。評価された特性を更に使用して、対象者の２つ以上の特性の評価に基づいて対象者のモデルを生成し、対象者のモデルと参照モデルとの比較を生成することができる。次に、コンピュータシステムのプロセッサを使用して、対象者の特性をテスト対象者のデータベースと比較することに基づいて、対象者のキャリア傾向を識別することができる。テスト対象者のデータベースとの対象者の特性の比較を使用して、対象者のモデルを生成することもできる。比較の結果は採用担当者に出力することができる。比較の結果を更に使用して、対象者のキャリアを推奨することができる。
以下は、従業員、候補者、及び対象者に提供し得るゲームでの神経科学ベースの課題及びそれらの課題の完了から得られる結果の例である。
例１：類似による推論
類似による推論課題は、関連していないように見える概念又は事象間の結び付きを判別する対象者の能力を測定することができる。類似による推論は、類似性を使用して、表面上は類似するように見えない状況又は表現間の新規の結び付きをモデリングする課題を更に指すことができる。類似による推論は往々にして、創造的問題解決にリンクされ、その理由は、両方とも個人が特定の課題の制約内で新規の概念を生成する必要があるためである。出現する２つの状況が異なるほど、類似による推論プロセスは創造的になり得る。２つの状況、概念、事象、又は表現間のリンクは、意味的距離により記述することができる。意味的距離が大きいほど、２つの提示される状況間に存在する類似性は低くなる。類似による推論課題では、意味的距離は、被験者がかなり似てないように見える状況間に結び付きを形成する場合、被験者はより創造的であり得るように、独立した格付け者の創造性の評価と強く相関することができる。機能的磁気共鳴撮像（ｆＭＲＩ）を使用して、類似による推論課題中の脳の活動を測定することができ、類似性での項目間の意味的距離は、パラメトリックに変化することができる。重要なことに、反応時間、正確性により測定され、別様に格付けされる、課題の難しさではなく類似性マッピングの意味的距離が、脳活動を調節することができる。
類似による推論課題は、関連していないように見える概念又は事象間の結び付きを判別する対象者の能力を測定することができる。類似による推論は、類似性を使用して、表面上は類似するように見えない状況又は表現間の新規の結び付きをモデリングする課題を更に指すことができる。類似による推論は往々にして、創造的問題解決にリンクされ、その理由は、両方とも個人が特定の課題の制約内で新規の概念を生成する必要があるためである。出現する２つの状況が異なるほど、類似による推論プロセスは創造的になり得る。２つの状況、概念、事象、又は表現間のリンクは、意味的距離により記述することができる。意味的距離が大きいほど、２つの提示される状況間に存在する類似性は低くなる。類似による推論課題では、意味的距離は、被験者がかなり似てないように見える状況間に結び付きを形成する場合、被験者はより創造的であり得るように、独立した格付け者の創造性の評価と強く相関することができる。機能的磁気共鳴撮像（ｆＭＲＩ）を使用して、類似による推論課題中の脳の活動を測定することができ、類似性での項目間の意味的距離は、パラメトリックに変化することができる。重要なことに、反応時間、正確性により測定され、別様に格付けされる、課題の難しさではなく類似性マッピングの意味的距離が、脳活動を調節することができる。
本発明では、対象者に２組の単語対が提示され、次に、２番目の組が、１番目の組との関係に類似するか否かを判断するように求めた。本発明のシステムは、テストセッション間に２週間の間隔を有して、大学生標本（Ｎ＝３８）を使用して試験−再試験研究を実行した。類似による推論課題の試験−再試験信頼度は、ｒ＝約０．６３で許容可能であることが分かった。
例２：バルーンアナログリスク課題（ＢＡＲＴ）
ＢＡＲＴでは、対象者は、漫画のポンプのクリックする都度、刺激された風船が膨張し、小額の金銭が一時的な銀行口座に入金されるコンピュータゲームで金銭を獲得する。対象者は、任意の時点で金銭を収集することが許された。しかし、風船が破裂すると、一時的な銀行口座は金銭を増加させず、トライアルは終了する。対象者によるクリック数は、リスクをとる尺度として機能し、課題は約８０回のトライアルにわたり続く。
ＢＡＲＴでは、対象者は、漫画のポンプのクリックする都度、刺激された風船が膨張し、小額の金銭が一時的な銀行口座に入金されるコンピュータゲームで金銭を獲得する。対象者は、任意の時点で金銭を収集することが許された。しかし、風船が破裂すると、一時的な銀行口座は金銭を増加させず、トライアルは終了する。対象者によるクリック数は、リスクをとる尺度として機能し、課題は約８０回のトライアルにわたり続く。
ＢＡＲＴでの実行は、バラット衝動性スケール、刺激欲求スケール、及び挙動制約スケールを含む幾つかの他のリスク関連構造と相関することができる。
ＢＡＲＴの有効性は、ＢＡＲＴでの実行が、テスト対象者により完了された自己報告測定といかに相関するかを見ることにより特定することができる。リスクのある挙動を予測することにおけるＢＡＲＴの有効性の増大を示すために、年齢、性別、衝動性、及び刺激欲求をステップ１で使用し、ステップ２でＢＡＲＴ結果を考慮して、段階的再帰分析を行うことができる。ステップ１及び２の再帰分析は、他のファクタをコントロールしながらであっても、高ＢＡＲＴスコアが、リスクのある挙動のより高い傾向にリンクし得ることを示すことができる。ＢＡＲＴは、衝動性、刺激欲求、及びリスクスコアと有意に相関することができるが、他の人口統計学的要因とは有意な相関を有さない。
テストセッション間に２週間の間隔を有して、大学生標本（Ｎ＝４０）を使用して、本発明のシステムにより試験−再試験研究を行った。試験−再試験信頼度は、リスクのレベルに応じて約０．６５〜約０．８８の範囲のｒであることが分かった。コミュニティ標本（Ｎ＝２４）で行った別の研究は、折半法信頼度が、リスクのレベルに応じて約０．８８〜約０．９６の範囲のｒであることを示した。
例３：選択課題
選択課題は、対象者のリスクをとる傾向の尺度として使用することができる。選択課題は、対象者が、一連の選択セットに基づいて評価するように求められる１組のシナリオを含むことができる。選択セットは、相互に排他的であり、独立した選択肢を含むことができ、一般に、一方の選択肢は、２つの選択肢のうちのよりリスクがある選択肢として見なすことができる。対象者が、性格及び挙動リスク尺度を測定する様々なテストを完了するように求められる研究を行うことができる。対象者が完了することができるテストは、ザッカーマン刺激欲求スケール、アイゼンク衝動性スケール、遡及的挙動自己コントロールスケール、領域特定リスクテイクスケール、選択課題、バルーンアナログリスク課題、多様性選好課題、将来割引きＩ、及び将来割引きＩＩを含む。主成分分析を行い、どの主成分がリスクの基本尺度であるかを特定することができる。例えば、多様性選好は選択課題に相関することができる。多様性選好は、リスクの強力な尺度であることができ、興奮及び外向性の性格的傾向として説明することができる。
選択課題は、対象者のリスクをとる傾向の尺度として使用することができる。選択課題は、対象者が、一連の選択セットに基づいて評価するように求められる１組のシナリオを含むことができる。選択セットは、相互に排他的であり、独立した選択肢を含むことができ、一般に、一方の選択肢は、２つの選択肢のうちのよりリスクがある選択肢として見なすことができる。対象者が、性格及び挙動リスク尺度を測定する様々なテストを完了するように求められる研究を行うことができる。対象者が完了することができるテストは、ザッカーマン刺激欲求スケール、アイゼンク衝動性スケール、遡及的挙動自己コントロールスケール、領域特定リスクテイクスケール、選択課題、バルーンアナログリスク課題、多様性選好課題、将来割引きＩ、及び将来割引きＩＩを含む。主成分分析を行い、どの主成分がリスクの基本尺度であるかを特定することができる。例えば、多様性選好は選択課題に相関することができる。多様性選好は、リスクの強力な尺度であることができ、興奮及び外向性の性格的傾向として説明することができる。
本発明のシステムでは、対象者は、設定された金額の金銭を受け取るか、それともより高額の金銭を受け取るチャンスに賭けるか尋ねられた。金額及び金銭を受け取るチャンスは、選択肢のリスクが高いように見えるか、又は低いように見えるように変更した。システムにより２つの研究を行い、選択課題の試験−再試験信頼度を確立した。一方の研究は、テストセッション間に２週間の間隔がある大学生標本（Ｎ＝４０）を用いて行われた。測定された試験−再試験信頼度はｒ約０．６２であることが分かった。第２の研究は、コミュニティ標本（Ｎ＝２４）を使用した折半法信頼度研究であった。折半法信頼度はｒ＝約０．８２であることが分かった。
例４：***者課題
***者課題は、寛大さ及び利他性の尺度として行動経済学で使用することができる。このゲームの有効性を特定するために、対象者に、去年にわたる慈善行為について報告するように求めることができる。例えば、課題中の架空の収入を寄付した対象者は、現実で、課題中の架空の収入を寄付しなかった対象者よりも、去年にわたりより多額を慈善運動に寄付したことを発見することができる。
***者課題は、寛大さ及び利他性の尺度として行動経済学で使用することができる。このゲームの有効性を特定するために、対象者に、去年にわたる慈善行為について報告するように求めることができる。例えば、課題中の架空の収入を寄付した対象者は、現実で、課題中の架空の収入を寄付しなかった対象者よりも、去年にわたりより多額を慈善運動に寄付したことを発見することができる。
本発明では、対象者はランダム参加者とペアになり、対象者及びランダム参加者は両者ともまず、同額の金銭を受け取った。続けて、対象者に追加の金銭が与えられ、ランダム参加者にその金銭を与えないか、幾らかを与えるか、又は全てを与えるように指示した。ランダム参加者に寄付した金額を利他性の尺度として使用した。本発明のシステムにより、テストセッション間に２週間の間隔がある大学生標本（Ｎ＝４０）を用いて試験−再試験研究を行った。試験−再試験信頼度はｒ＝約０．６２で許容可能であることが分かった。折半法信頼度も、コミュニティ標本（Ｎ＝２４）を使用して測定され、信頼度はｒ＝約０．６５で許容可能であることが分かった。
例５：数字範囲
数字範囲課題を使用して、対象者のワーキングメモリ数字格納容量を測定することができる。本発明のシステムでは、対象者に一連の数字が提示され、プロンプトされた場合、数字をキーボードに入力することにより、一連の数字を繰り返すように求めた。対象者が数字の暗唱に成功した場合、対象者に、覚えて暗唱するより長いシーケンスが与えられた。対象者が覚えることができる最長リストの長さが、対象者の数字範囲である。
数字範囲課題を使用して、対象者のワーキングメモリ数字格納容量を測定することができる。本発明のシステムでは、対象者に一連の数字が提示され、プロンプトされた場合、数字をキーボードに入力することにより、一連の数字を繰り返すように求めた。対象者が数字の暗唱に成功した場合、対象者に、覚えて暗唱するより長いシーケンスが与えられた。対象者が覚えることができる最長リストの長さが、対象者の数字範囲である。
数字範囲は、キャパシティ及び処理を表すのに使用される尺度を含め、ワーキングメモリの全ての尺度と正の相関を有することができ、数字範囲は、年齢と負の相関を有することができる。数字範囲課題は、１ヶ月間隔にわたり健康な成人の適切な信頼度を有することができる。
数字範囲テストを行った。コミュニティ標本（Ｎ＝２３）では、数字範囲課題の折半法信頼度は、ｒ＝０．６３で許容可能であることが分かった。大学生標本（Ｎ＝３９）へのテストセッション間隔２週間での試験−再試験研究も、ｒ＝０．６８で許容可能な信頼度を示した。
例６：ＥＥｆＲＴ（簡単又は困難）
報酬のための労力量課題（ＥＥｆＲＴ）を使用して、人間での労力に基づく判断を探ることができる。ＥＥｆＲＴは、人物が、報酬のために費やす意思がある労力量を測定することができる。複数の分析にわたり、無快感症と、報償のために労力を費やす意思との間には有意な逆相関を観測することができる。無快感症特性の増大は、報酬のために労力を費やす可能性の全体的な低減を有意に予測することができ、ＥＥｆＲＴ課題が、動機付け及び労力に基づく判断での有効な代理であることができることを示す。
報酬のための労力量課題（ＥＥｆＲＴ）を使用して、人間での労力に基づく判断を探ることができる。ＥＥｆＲＴは、人物が、報酬のために費やす意思がある労力量を測定することができる。複数の分析にわたり、無快感症と、報償のために労力を費やす意思との間には有意な逆相関を観測することができる。無快感症特性の増大は、報酬のために労力を費やす可能性の全体的な低減を有意に予測することができ、ＥＥｆＲＴ課題が、動機付け及び労力に基づく判断での有効な代理であることができることを示す。
本発明のシステムでは、対象者に、簡単な課題又は困難な課題を完了する選択肢を提示した。簡単な課題は、困難な課題よりも少ない回数、キーボードのスペースバーを押下することを含んだ。簡単な課題の完了は、毎回同じ報償が保証され、一方、困難な課題の完了は、はるかに高い報償を受け取るチャンスを提供した。より困難な課題を選ぶ傾向が高い被験者ほど、より多くの労力が必要とされる場合であっても、報償により、より大きく動機付けられるものとして評価された。
システムは、ＥＥｆＲＴの信頼度に対してテストを行った。コミュニティ標本（Ｎ＝２４）では、ＥＥｆＲＴの折半法信頼度は、ｒ＝０．７６で平均を超えることが分かった。テストセッション間隔２週間で大学生標本（Ｎ＝４０）を使用して、第２の研究を行った。試験−再試験信頼度は、ｒ＝０．６８で許容可能であることが分かった。
例７：顔影響課題
状況ファクタは、顔の表情が、関連するが不明瞭な情報を提供する場合、対象者の感情表現の解釈に対して大きな影響を有することができる。この限られた状況内で、大半の対象者は、実際の顔の表情ではなく、状況に一致する感情を感じていると表現者を判断することができる。状況情報は、基本的ではない感情を示唆している場合、例えば、人が痛みを伴う状況にいるが、恐怖の表情を示し得る場合、特に影響を有することができる。多くの場合、人物の表情を判断する対象者は、その人物の表情が、恐怖ではなく痛みの表情であると結論付ける。
状況ファクタは、顔の表情が、関連するが不明瞭な情報を提供する場合、対象者の感情表現の解釈に対して大きな影響を有することができる。この限られた状況内で、大半の対象者は、実際の顔の表情ではなく、状況に一致する感情を感じていると表現者を判断することができる。状況情報は、基本的ではない感情を示唆している場合、例えば、人が痛みを伴う状況にいるが、恐怖の表情を示し得る場合、特に影響を有することができる。多くの場合、人物の表情を判断する対象者は、その人物の表情が、恐怖ではなく痛みの表情であると結論付ける。
本発明のシステムでは、対象者に、異なる感情を示している男性及び女性の写真を提示した。幾つかの場合、写真は、状況を説明する物語と共に提示され、一方、他の写真は写真だけ提示された。対象者は、４つ１組の感情から、写真の人物の表情を最もよく説明する感情を選ぶように指示された。物語が提示されずに感情を正しく識別することができない対象者は、顔の表情を読み取る正確な能力を有するものとして説明された。
システムは、信頼度テストを顔影響課題に対して行った。コミュニティ標本（Ｎ＝２４）を使用して、顔影響課題の折半法信頼度を測定した。折半法信頼度は、ｒ値が約０．７３〜０．７９の範囲で平均を超えることが分かった。セッション間隔２週間で大学生標本（Ｎ＝４０）を２回測定した。試験−再試験信頼度は、ｒ値が約０．５７〜０．６１の範囲で許容可能であることが分かった。
例８：指タッピング（キー押下）
指タッピング課題（ＦＴＴ）は、筋神経系の完全性を評価し、運動コントロールを調べることができる、心理学的テストである。この課題は、１ヶ月間隔にわたり良好な信頼度を有することができる。
指タッピング課題（ＦＴＴ）は、筋神経系の完全性を評価し、運動コントロールを調べることができる、心理学的テストである。この課題は、１ヶ月間隔にわたり良好な信頼度を有することができる。
単純な運動タッピング課題を健康な対象者に対して行うことができる。対象者に、６０秒間、可能な限り高速で利き手の人差し指でタッチスクリーンモニタ上の静止した円をタッピングするように求めることができる。試験−再試験間隔は約４週間であることができ、有意に高い信頼度相関を有することができる。
本発明のシステムでは、対象者に、指定された時間量にわたり、利き手を使用してキーボードのスペースバーを繰り返し打つように求めた。コミュニティ標本（Ｎ＝２４）を使用して、ＦＴＴの折半法信頼度を評価した。主要測定により、約０．６８〜０．９６のｒ値で信頼できることが分かった。試験−再試験研究は、テストセッション間隔２週間で大学生標本（Ｎ＝４０）を使用した。関連する測定の信頼度は、約０．５８〜０．７７のｒ値で許容可能であることが分かった。
例９：将来割引き
時間的な将来割引きは、個人が、将来であるが、かなりの報酬よりも、即時であるが、控え目な報酬を好む程度を指すことができる。時間的割引きは、時間遅延の増大に伴った選好の単調減少に繋がる指数関数としてモデリングすることができ、個人は、報酬の遅れに伴って増大する係数により、将来の報酬の価値を割引きする。双曲線割引きは、将来割引きの時間非一貫モデルを指すことができる。双曲線モデルが使用されて、将来割引きをモデリングする場合、モデルは、価値が短い遅延期間でかなり急速に落ちるが、次に、より長い期間にわたりゆっくりと落ちることを示唆することができる。双曲線は、他のモデルよりもよりよい近似を示すことができ、個人が遅れた報酬を割引きすることのエビデンスを提供する。
時間的な将来割引きは、個人が、将来であるが、かなりの報酬よりも、即時であるが、控え目な報酬を好む程度を指すことができる。時間的割引きは、時間遅延の増大に伴った選好の単調減少に繋がる指数関数としてモデリングすることができ、個人は、報酬の遅れに伴って増大する係数により、将来の報酬の価値を割引きする。双曲線割引きは、将来割引きの時間非一貫モデルを指すことができる。双曲線モデルが使用されて、将来割引きをモデリングする場合、モデルは、価値が短い遅延期間でかなり急速に落ちるが、次に、より長い期間にわたりゆっくりと落ちることを示唆することができる。双曲線は、他のモデルよりもよりよい近似を示すことができ、個人が遅れた報酬を割引きすることのエビデンスを提供する。
本発明のシステムでは、対象者に質問が提示され、質問では、対象者は、今、特定の金額を受け取るか、それとも特定の将来の時点でより多くの金銭を受け取るかを選ぶ必要があった。金額及び金銭が対象者に与えられる時間は、報酬の遅延及びサイズを増減するように変更した。
システムは、将来割引き課題の信頼度テストを行った。将来割引き課題の折半法信頼度は、コミュニティ標本（Ｎ＝２４）を使用して評価した。対数変換データでの折半法信頼度は、ｒ＝約０．６５で許容可能であることが分かった。テスト−レスト研究により、テストセッション間隔２週間で、大学生標本（Ｎ＝４０）を使用して将来割引き課題の信頼度を評価した。対数変換データの信頼度は、ｒ＝約０．７２で許容可能であることが分かった。
例１０：フランカー課題
フランカー課題を使用して、対象者の課題切り替え能力を調べることができる。フランカー課題は、特定の状況で不適切な反応を抑制する能力を評価するのに使用される１組の反応阻害テストを指すことができる。フランカー課題を使用して、選択的注目及び情報処理能力を評価することができる。標的の側面には非標的刺激が位置することができ、非標的刺激は、標的と同じ方向の反応（認知刺激）、逆の反応（非認知刺激）、又はそのいずれでもない反応（神経刺激）に対応する。対象者が、見ているものに対していかに反応すべきかについて異なる規則が対象者に与えられる。
フランカー課題を使用して、対象者の課題切り替え能力を調べることができる。フランカー課題は、特定の状況で不適切な反応を抑制する能力を評価するのに使用される１組の反応阻害テストを指すことができる。フランカー課題を使用して、選択的注目及び情報処理能力を評価することができる。標的の側面には非標的刺激が位置することができ、非標的刺激は、標的と同じ方向の反応（認知刺激）、逆の反応（非認知刺激）、又はそのいずれでもない反応（神経刺激）に対応する。対象者が、見ているものに対していかに反応すべきかについて異なる規則が対象者に与えられる。
対象者が、課題を繰り返すよりも、課題を切り替えるように求められる場合、一貫してよくない実行を観測することができ、フランカー課題の課題切り替え効果の有効性を示す。認知刺激と比較して非認知刺激に反応してより活性化することができる前帯状皮質（ＡＣＣ）は、フランカー課題中、活性化することができ、課題での競合量をモニタリングすることができる。ＡＣＣにより測定される競合レベルは、次のトライアルで対象者により大きなコントロールを提供することができ、トライアルｎで提示される競合が大きいほど、トライアルｎ＋１で対象者により提示することができるコントロールが大きくなることを示す。
フランカー課題及び経頭蓋磁気機能（ＴＭＳ）を使用して、誤反応後の反応時間の遅れ（ＰＥＳ）に繋がる誤反応後の調整の時間過程を見つけることができる。幾つかの結果は、活性運動皮質の興奮性が、誤反応後に低減することができることを示すことができる。
本発明のシステムでは、対象者は、提示される５つの矢印の方向及び色に応じて、キーボード上の特定の矢印キーを押下するように指示された。赤い矢印が、５つの赤い矢印のうちの中央の矢印である場合、中央の赤い矢印の方向が、どのキーを押下すべきかを指示する。赤い矢印が、全て同じ方向を指す４つの青い矢印の中の中央の矢印であった場合、青い矢印の方向が、対象者が押下すべきキーを指示する。例えば、対象者に、右を指す５つの一連の赤い矢印が示された場合、対象者は、右の矢印キーを押下すべきであった。次の画像が、右を指す赤い中央の矢印を示すが、左を指す残りの赤い矢印を示した場合、対象者は、再び右の矢印キーを押下すべきであった。しかし、次の画像が、左を指す青い矢印に囲まれた右を指す赤い中央の矢印を示した場合、対象者は、左矢印キーを押下すべきであった。「フランカー」又は中央の矢印を囲む矢印に基づいて正確な矢印キーを押下する能力を使用して、対象者の課題切り替え能力を測定した。
システムは、フランカー課題の信頼度テストを行った。フランカー課題の折半法信頼度は、コミュニティ標本（Ｎ＝１４）を使用して評価された。主要測定により、約０．７０〜０．７６のｒ値で信頼できることが分かった。第２の研究では、大学生標本（Ｎ＝３４）を使用して、試験−再試験信頼度を評価した。関連する測定の結果は、約０．５１〜０．６９のｒ値で許容可能であることが分かった。
例１１：決行／中止
決行／中止テストを使用して、対象者の注意範囲及び反応コントロールを評価することができる。決行／中止テストの例は、特定の刺激が存在する場合、対象者にボタンを押下させ（「決行」）、異なる刺激が提示される場合、同じボタンを押下させない（「中止」）ことを含むことができる。特に阻害トライアルでの決行／中止課題の実行は、ウィスコンシンカードソート課題、ストループカラーワード課題、及びトライアルメイキング課題により測定される複雑な実行機能に関連することができる。
決行／中止テストを使用して、対象者の注意範囲及び反応コントロールを評価することができる。決行／中止テストの例は、特定の刺激が存在する場合、対象者にボタンを押下させ（「決行」）、異なる刺激が提示される場合、同じボタンを押下させない（「中止」）ことを含むことができる。特に阻害トライアルでの決行／中止課題の実行は、ウィスコンシンカードソート課題、ストループカラーワード課題、及びトライアルメイキング課題により測定される複雑な実行機能に関連することができる。
本発明のシステムでは、対象者に、赤い円又は緑の円が提示され、赤い円が示される場合、スペースバーを押下し、緑の円が示される場合、どこも押下しないように指示された。コミュニティ標本（Ｎ＝２３）を使用して、決行／中止課題の折半法信頼度を研究した。関連する測定の折半法信頼度は、約０．５６のｒ値で許容可能であることが分かった。セッション間隔２週間で大学生標本（Ｎ＝３３）に対して試験−再試験研究も行った。主要測定の信頼度は、ｒ＝約０．８２で高いことが分かった。
例１２：目から心を読む
目から心を読む課題は、目の周囲の表情のみを使用して、他人のメンタル状態を認識する対象者の能力を評価することにより、対象者の社会認知を評価することができる。感情のタイプ、刺激として使用される顔の量、及び刺激の性別を変えた一連の実験を行い、対象者が基本的な感情及び複雑な感情をいかに知覚したかを特定することができる。健康なコントロールは、顔全体からは基本的な感情及び複雑な感情の両方を良好に知覚することができるが、複雑なメンタル状態の場合、対象者のスコアは、目を見るだけでより高いスコアであることができる。この発見は、目が顔全体よりも多くの情報を保持することができることを示唆する。
目から心を読む課題は、目の周囲の表情のみを使用して、他人のメンタル状態を認識する対象者の能力を評価することにより、対象者の社会認知を評価することができる。感情のタイプ、刺激として使用される顔の量、及び刺激の性別を変えた一連の実験を行い、対象者が基本的な感情及び複雑な感情をいかに知覚したかを特定することができる。健康なコントロールは、顔全体からは基本的な感情及び複雑な感情の両方を良好に知覚することができるが、複雑なメンタル状態の場合、対象者のスコアは、目を見るだけでより高いスコアであることができる。この発見は、目が顔全体よりも多くの情報を保持することができることを示唆する。
本発明のシステムでは、対象者に、写真中で個人の目のみを明らかにした一連の写真を提示した。次に、対象者は、目により最もよく表されていたと感じる感情を選ぶように指示された。感情の選択は、基本的な感情、例えば、悲しみ、嬉しさ、怒り、驚きから、複雑な感情、例えば、傲慢、残念、批判、及び緊張に及んだ。目から感情を正確に読み取ることができた対象者は、より感情知覚的であると説明された。
システムは、目から心を読む課題に対して信頼度テストを行った。コミュニティ標本（Ｎ＝２３）で目から心を読む課題の折半法信頼度を評価し、折半法信頼度は、ｒ＝約０．７４の平均超相関を有した。大学生標本（Ｎ＝３８）に対するテストセッション間隔２週間での試験−再試験研究は、ｒ＝約０．６７の許容可能信頼度を有した。
例１３：Ｎバック（文字）
Ｎバック課題は、対象者のワーキングメモリの測定に使用することができる連続実行課題である。例えば、対象者に一連の刺激を提示することができ、対象者は、現在の刺激が、シーケンス中でｎステップ前からの刺激に一致するときを示さなければならない。ｎの値は、課題の難しさを増減するように調整することができる。２レベルの複雑性でのＮバック課題をウェクスラー成人知能検査（ＷＡＩＳ−Ｒ）での数字範囲課題での実行と比較することができる。Ｎバック課題の正確性スコアは、ＷＡＩＳ−Ｒの数字範囲サブテストでの実行と正の相関を有することができる。ＷＡＩＳ−Ｒの数字範囲サブスケールは、特定の認知プロセスを反映することができ、これはワーキングメモリ容量と重なることができ、Ｎバック課題での正確性スコアに、ワーキングメモリ容量の個人差を関連付けることができることを示す。
Ｎバック課題は、対象者のワーキングメモリの測定に使用することができる連続実行課題である。例えば、対象者に一連の刺激を提示することができ、対象者は、現在の刺激が、シーケンス中でｎステップ前からの刺激に一致するときを示さなければならない。ｎの値は、課題の難しさを増減するように調整することができる。２レベルの複雑性でのＮバック課題をウェクスラー成人知能検査（ＷＡＩＳ−Ｒ）での数字範囲課題での実行と比較することができる。Ｎバック課題の正確性スコアは、ＷＡＩＳ−Ｒの数字範囲サブテストでの実行と正の相関を有することができる。ＷＡＩＳ−Ｒの数字範囲サブスケールは、特定の認知プロセスを反映することができ、これはワーキングメモリ容量と重なることができ、Ｎバック課題での正確性スコアに、ワーキングメモリ容量の個人差を関連付けることができることを示す。
本発明のシステムでは、対象者に文字が提示され、２フレーム前の文字と同じ文字が示された場合、スペースバーを押下するように指示された。文字の２回目のインスタンスを正確に識別することができなかった対象者は、高いワーキングメモリを有するものとして評価された。
システムは、Ｎバック課題の信頼度テストを行った。コミュニティ標本（Ｎ＝２４）でＮバックテストの折半法信頼度を評価し、ｒ＝約０．８３で平均を超える信頼度を有することが分かった。試験−再試験研究は、テストセッション間隔２週間で大学生標本（Ｎ＝３８）を使用した。信頼度は、ｒ＝約０．７３で許容可能であることが分かった。
例１４：パターン認識
パターン認識課題は、一連の刺激又は物体からパターン及び類似性を識別する対象者の能力を測定することができる。
パターン認識課題は、一連の刺激又は物体からパターン及び類似性を識別する対象者の能力を測定することができる。
レーヴン漸進的マトリックス（ＲＰＭ）テストは、パターン認識課題と同様である。高度漸進的マトリックス（ＡＰＭ）テストは、レーヴン漸進的マトリックステストの一形態であり、非常に良好な試験−再試験信頼度を有することができる。信頼度係数は約０．７６〜約０．９１の範囲であることができる。
本発明のシステムでは、対象者に、１つの角が欠けている有色正方形の格子が提示された。対象者は、格子のパターンを正確に完成する画像を６つの画像から選ぶ必要があり、画像を正確に識別することができた対象者は、高いパターン認識能力を有するものとして評価された。
システムは、パターン認識課題の信頼度テストを行った。試験−再試験信頼度を評価するために、課題は、大学生標本（Ｎ＝３６）に対してセッション間隔２週間で与えられた。信頼度は、ｒ＝約０．５５で許容可能であることが分かった。
例１５：報償学習課題
報酬に応じて挙動を調整する対象者の能力の関係を評価するために、対象者が、分化強化スケジュールにより決定される金額を獲得する報酬学習課題を作成することができる。対象者に、選択肢を提示することができ、１つの選択肢に報償を関連付けることができるが、報酬の受け取りは、正確な選択肢を選ぶことに依存する。対象者が、どの選択肢が正しいかを学習するにつれて、報酬を増大することができる。
報酬に応じて挙動を調整する対象者の能力の関係を評価するために、対象者が、分化強化スケジュールにより決定される金額を獲得する報酬学習課題を作成することができる。対象者に、選択肢を提示することができ、１つの選択肢に報償を関連付けることができるが、報酬の受け取りは、正確な選択肢を選ぶことに依存する。対象者が、どの選択肢が正しいかを学習するにつれて、報酬を増大することができる。
本発明のシステムでは、対象者に、短い口又は長い口のいずれかを有するデジタルフェイスが提示された。口の長さの差は最小であるが、人間の目で知覚可能であった。対象者は、口が長い顔が提示された場合、右矢印キーを押下し、口が短い顔が提示された場合、左矢印キーを押下するように求められた。対象者は更に、正しい選択肢を選んだ場合、金銭を受け取ることができると話された。報酬学習課題を使用して、報酬の受け取りに基づいて、どの刺激が正確かを対象者が学習できたか否かを判断した。
システムは、報酬学習課題の信頼度テストを行った。コミュニティ標本（Ｎ＝２４）で報酬課題の折半法信頼度を評価し、ｒ＝０．７８である場合、主要測定で平均を超える信頼度を有することが分かった。大学生標本（Ｎ＝４０）をセッション間隔２週間で試験−再試験研究で使用した。主要測定の試験−再試験信頼度は、ｒ＝約０．６６で平均を超えることが分かった。
例１６：ロンドン塔（ＴＯＬ）
ＴＯＬ課題を使用して、実行機能及びプランニング能力を評価することができる。困難レベルが異なる課題で、平均移動数及び平均初期思考時間（ＩＴＴ）を計算することができる。ＩＴＴは、パズルが提示されてから、対象者がパズルを解き始めるまでの経過時間に対応することができる。負の相関が、総合平均ＩＴＴスコアと総合平均移動スコアとの間に存在し得、ＩＴＴスコアが長いほど、移動数の低減に役立つこと、換言すれば、ＩＴＴがプランニングを反映することができることを示唆する。移動数、正確な実行、及びロンドン塔課題に最初の移動を行う前の時間を測定する変数は、０．６１〜１．４３の効果量を有することができる。
ＴＯＬ課題を使用して、実行機能及びプランニング能力を評価することができる。困難レベルが異なる課題で、平均移動数及び平均初期思考時間（ＩＴＴ）を計算することができる。ＩＴＴは、パズルが提示されてから、対象者がパズルを解き始めるまでの経過時間に対応することができる。負の相関が、総合平均ＩＴＴスコアと総合平均移動スコアとの間に存在し得、ＩＴＴスコアが長いほど、移動数の低減に役立つこと、換言すれば、ＩＴＴがプランニングを反映することができることを示唆する。移動数、正確な実行、及びロンドン塔課題に最初の移動を行う前の時間を測定する変数は、０．６１〜１．４３の効果量を有することができる。
研究及び臨床設定で使用される一連のＴＯＬ課題を評価して、最小移動にわたる課題困難性の明確で略完全な線形増大を示すことができる。換言すれば、低実行、中実行、及び高実行の対象者は、例移動レベル、中移動レベル、及び高移動レベルまでのそれぞれの問題の正解を得ることができるが、それを超えると正解を得ることができない。課題の正確性は、最小移動数により異なることができる。
本発明のシステムでは、対象者に３本１組の杭が２組、提示された。標的組の杭は、５つの有色円盤を１本の杭に有し、一方、実験組の杭は、３本の杭に分散した５つの有色円盤を有した。課題の目的は、実験組の有色円盤の配置を標的組の配置に一致させることであった。最小数の移動で指定された時間期間以内に課題を完了することができた対象者は、高いプラニング能力を有するものとして評価された。
システムは、ＴＯＬ課題の信頼度テストを行った。コミュニティ標本（Ｎ＝２４）でＴＯＬ課題の折半法信頼度を評価し、ＴＯＬ課題は、主要測定がｒ＝約０．７７であるときに良好な信頼度を有することが分かった。大学生標本（Ｎ＝３９）を使用した試験−再試験研究をテストセッション間隔２週間で行った。この方法を使用したときの信頼度は、ｒ＝約０．６９で平均を超えることが分かった。
例１７：信頼課題
信頼課題を使用して、評判、契約上の義務、又は処罰をコントロールしながら、信頼及び相互性を研究することができる。信頼課題は２つの段階を有することができる。第１に、対象者に金銭を与え、次に、対象者は、金銭のうち、別の場所にいる未知の人物に送る金額がもしあれば、その金額を決めることができる。対象者には、送る金額が、その他人に届くときまでに２倍になると伝えることができる。次に、その他人は、金額を対象者に返金する選択肢を有する。
信頼課題を使用して、評判、契約上の義務、又は処罰をコントロールしながら、信頼及び相互性を研究することができる。信頼課題は２つの段階を有することができる。第１に、対象者に金銭を与え、次に、対象者は、金銭のうち、別の場所にいる未知の人物に送る金額がもしあれば、その金額を決めることができる。対象者には、送る金額が、その他人に届くときまでに２倍になると伝えることができる。次に、その他人は、金額を対象者に返金する選択肢を有する。
信頼課題での実行には、マキャベリズム及び関係動機を含む性格尺度、例えば、他人への高い配慮及び自己への低い配慮を関連付けることができる。信頼課題への参加は、神経生理学的反応、例えば、オキシトシンの生成に影響を及ぼすことができ、信頼及び社交に関連する脳の部位での神経反応の場所、大きさ、及びタイミングを関連付けることができる。
本発明のシステムでは、対象者はランダム参加者とペアにされた。対象者は金銭を受け取り、一方、ランダム参加者は金銭を受け取らなかった。対象者は、金銭がその他人に届く時間までに３倍になることを知りながら、ランダム参加者に金銭の幾らか又は全てを送るように指示された。次に、その他人は、その金銭の幾らか若しくは全てを対象者に送るか、又は金銭を対象者に送らないことができる。対象者は次に、ランダム参加者が送り返した金額に基づいて、ランダム参加者の公正さを評価することができる。多くの金銭を送った対象者ほど、ランダム参加者に送った金額が少ない対象者よりも信頼できると知覚された。
システムは、信頼課題の信頼度テストを行った。コミュニティ標本（Ｎ＝２４）で、信頼課題の折半法信頼度研究を行った。折半法信頼度は、ｒ＝約０．６０で妥当であることが分かった。大学生標本（Ｎ＝４０）で試験−再試験信頼度を測定した。主要測定は、ｒ＝約０．５９で許容可能であることが分かった。
表１は、本発明のシステムが使用することができる例示的な課題についての先の例で計算される信頼度測定値のまとめを表示する。
例１８：従業員分類への本発明のシステムの使用
企業Ａは、２２人の従業員を有するコンサルティングファームであった。この企業は、この群内の従業員の４人をトップ実行者として識別し、一方、残りの１８人はトップ実行者として識別されなかった。システムは、統合アルゴリズムを使用して、本明細書に記載の神経科学テストでの従業員の実行からの挙動データを使用して、ボトム実行者及びトップ実行者として従業員を分類することができた。システムのアルゴリズムは、各従業員の挙動データセットを０〜１００の適合スコアに変換した。適合スコアは、従業員がある群又は別の群に属する確率を示した。５０％の適合スコアを有する個人では、ボトム実行者として識別される可能性又はトップ実行者として識別される可能性は等しく、一方、９０％の適合スコアを有する従業員は、真のトップ実行者であるはるかに高い可能性を有することができ、１０％の適合スコアを有する従業員は、ボトム実行者であるはるかに高い可能性を有することができる。システムは、モデル正確性を最大にしながら、二項分類を実行し、決定境界は、誤検出及び検出漏れを最小にすることを保証するように調整された。
企業Ａは、２２人の従業員を有するコンサルティングファームであった。この企業は、この群内の従業員の４人をトップ実行者として識別し、一方、残りの１８人はトップ実行者として識別されなかった。システムは、統合アルゴリズムを使用して、本明細書に記載の神経科学テストでの従業員の実行からの挙動データを使用して、ボトム実行者及びトップ実行者として従業員を分類することができた。システムのアルゴリズムは、各従業員の挙動データセットを０〜１００の適合スコアに変換した。適合スコアは、従業員がある群又は別の群に属する確率を示した。５０％の適合スコアを有する個人では、ボトム実行者として識別される可能性又はトップ実行者として識別される可能性は等しく、一方、９０％の適合スコアを有する従業員は、真のトップ実行者であるはるかに高い可能性を有することができ、１０％の適合スコアを有する従業員は、ボトム実行者であるはるかに高い可能性を有することができる。システムは、モデル正確性を最大にしながら、二項分類を実行し、決定境界は、誤検出及び検出漏れを最小にすることを保証するように調整された。
システムは、４人のトップ実行者を正確に識別したモデルを構築した。モデルは、２人のボトム実行者をトップ実行者としても分類し、１６人の従業員がボトム実行者として正確に識別されたことを意味する。システムは、決定境界６０％を使用して、誤検出及び検出漏れの両方を最小に抑えた。表２は、この分析の結果を示し、システムの分類がいかに、企業の分類に一致したかを示す。例えば、システムは、実際には企業が２人の従業員をボトム実行者として分類する場合、これらの２人の従業員をトップ実行者として分類した。したがって、２２人の個人の標本を使用して、システムは、９１％の精度で従業員を分類するモデルを構築した。
例１９：潜在的なジョブ実行の特定への本発明のシステムの使用
リクルート中、企業Ａには２３５人の個人が応募した。応募者プールは、大規模大学からの大学生からなった。全ての応募者は、企業Ａの標準履歴書検討プロセス及びシステムの１組のテストの両方により評価された。システムを使用して、履歴書検討の効率を上げ、才能を見逃す確率を低減した。
リクルート中、企業Ａには２３５人の個人が応募した。応募者プールは、大規模大学からの大学生からなった。全ての応募者は、企業Ａの標準履歴書検討プロセス及びシステムの１組のテストの両方により評価された。システムを使用して、履歴書検討の効率を上げ、才能を見逃す確率を低減した。
例１８で構築された予測モデルを利用して、システムは、内定を受け取る可能性が最も高い応募者を識別しようとした。システムのアルゴリズムが、内定率を増大させることができるか否かを理解するために、システムはまず、企業Ａが内定を出した候補者数と、企業Ａの標準履歴書検討プロセスに基づいて面接に呼ばれた候補者数とを比較した。続けて、システムは、企業Ａの標準履歴書検討プロセスと併せて、システムのアルゴリズムに基づいて面接に対する内定の同様の比率を計算した（表３）。企業Ａの標準履歴書検討プロセスと組み合わせて本明細書のアルゴリズムを利用することにより、システムは、内定率を５．３％から２２．５％に増大させた。
企業Ａは、システムを使用して、応募者の中の才能の見逃しを低減するのにも役立った。企業は、システムに、企業Ａの履歴書検討プロセスにより拒絶された１４１人の応募者から１０人の応募者を推薦するように求めた。システムは、システムが推薦した１０人の候補者の中から、内定の価値がある１人の候補者を識別することにより、企業が拒絶した候補者を評価した場合、企業の標準履歴書検討プロセスの内定率にマッチし、わずかに上回ることができた（表４）。
企業Ａは、履歴書検討にとって代わるサービスとしてもシステムを使用した。システムのアルゴリズムは、２３５人の応募者のうち２８人を面接の価値があるものとして識別した。企業は、それらの２８人の個人と面接し、そのうちの５人に内定を出した（表５）。したがって、システムは、応募者の内定率を８．５％から１７．９％に増大させることができた。
システムは、３つの別個の目的で利用することができる。システムは、応募者の内定率を上げることにより、履歴者検討の効率を増大させることができる。システムは、本システムを使用しなければ企業の履歴書検討プロセスが考慮しなかった候補者を評価することにより、才能の見逃しを低減することができる。最後に、システムは、企業がリクルートチームをサポートする予算がない状況で、履歴書検討にとって代わるために使用することができる。
例２０：キャリアフィードバックの提供への本発明のシステムの使用
企業Ｂは、システムに、１ヶ月にわたり測定された７８２人の従業員群からの神経科学に基づく１組のテストでの従業員の実行からのデータを使用して、トップ実行者として様々なセールスポジションにわたる従業員を分類するモデルを構築するように求めた。分析の目標は、必要な場合、キャリア発展フィードバック及びスタッフ入れ替えアドバイスを提供することであった。
企業Ｂは、システムに、１ヶ月にわたり測定された７８２人の従業員群からの神経科学に基づく１組のテストでの従業員の実行からのデータを使用して、トップ実行者として様々なセールスポジションにわたる従業員を分類するモデルを構築するように求めた。分析の目標は、必要な場合、キャリア発展フィードバック及びスタッフ入れ替えアドバイスを提供することであった。
システムは、アルゴリズムを使用して、各従業員ポジション内の従業員をトップ実行者又はボトム従業員のいずれかとして分類するモデルを構築した。これらのモデルにより、システムは、トップ実行者をボトム実行者から区別する特性を報告することができる。システムの特性識別特徴により、システムは、個々の従業員のプロファイルを企業ポジションのモデル従業員プロファイルと定量的に比較し、次に、従業員の強み及び改善が必要な分野について報告することにより、キャリア発展アドバイスを提供することができた。
選択された間隔で時間を超えて参加した従業員数に関する詳細は、表６に列挙され、図３３に表される。４つの従業員ポジションのそれぞれからのトップ実行者の最終群サイズは、表７に詳述される。
モデル精度を以下のように特定した：正確分類／総数Ｎ。ここで、Ｎは群サイズであり、従業員の正確分類は、システムと企業との群分類の重複により特定された。
調べられた４つのポジションの、トレーニングデータに基づくモデル精度結果は全て、図３４に示されるように、９５％を超えた。図３４は、モデリングされる各ポジションに１つずつ、４つ１組のヒストグラムを示し、各ヒストグラムは、Ｙ軸に従業員数を示し、Ｘ軸に適合スコアを示す。適合スコアが０．８未満であった暗いグレーの従業員は、本発明の尺度に従って非トップ実行者として正確に分類された。適合スコアが０．８以上である明るいグレーで示される従業員は、本発明により、トップ実行者として正確に識別された。適合スコアが０．８以上である暗いグレーで示される従業員は、トップ実行者として不正確に分類され（誤検出）、一方、スコアが０．８未満である明るいグレーで示される従業員は、非トップ従業員として不正確に分類された（検出漏れ）。誤検出及び検出漏れは、セクション［００１１５］において説明され、表２に示された。企業Ｂは、システムにより構築された４つのモデルのそれぞれで、特性によるプロファイル分析を受け取った。これらのプロファイルは、特定のポジションへのモデル従業員に特徴的な特性を示唆した。
システムは、企業Ｂの従業員にキャリア発展フィードバックも提供した。システムは特に、各従業員に、その従業員がポジションに理想的に適合させる上位３つの特性のリストと、従業員が改善することができる上位３つの特性のリストとを提供した。更に、システムは、従業員が、各特性をいかに改善することができるかについての推奨も提供した。
システムは、４つの異なるセールスポジションにわたり従業員をトップ実行者又はボトム実行者として９５％を超える精度で分類した。企業Ｂは、システムからの結果を利用して、必要であれば部門間での従業員の移転を促進することにも興味があったため、システムは、企業Ｂでのスタッフ入れ替えにも利用可能であった。更に、従業員は、評価に直接基づくキャリア発展フィードバックも受け取った。システムの評価は特に、企業でのポジションで成功する従業員の特性を識別した。次に、システムは、従業員がモデル従業員といかに比較されたか、及びボトム実行者の従業員が実行を改善することができる方法についてボトム実行者の従業員にフィードバックを与えた。
例２１：臨時従業員の変換率増大への本発明のシステムの使用
企業Ｃ及び企業Ｄは、主要なビジネススクールからサマーアソシエイトを熱心にリクルートするコンサルティングファームであった。２０１２年及び２０１３年に、企業Ｃは５７人のＭＢＡサマーアソシエイトを雇用し、一方、企業Ｄは１０６人の学生サマーアソシエイトを雇用した。本発明のシステムは、２年の夏の過程にわたり企業が面接した学生を評価し、システムのアルゴリズムが、コンサルティングフィールドに居続ける学生を、企業がそのような学生を識別することができるよりも良好に正確に識別することができるか否かを判断した。システムは、いたポジションに関係なく、企業Ｃ及び企業Ｄで働いた学生から行動様式適合モデルを構築した。研究の目標は、サマーアソシエイトのフルタイム従業員への変換率の増大であった。
企業Ｃ及び企業Ｄは、主要なビジネススクールからサマーアソシエイトを熱心にリクルートするコンサルティングファームであった。２０１２年及び２０１３年に、企業Ｃは５７人のＭＢＡサマーアソシエイトを雇用し、一方、企業Ｄは１０６人の学生サマーアソシエイトを雇用した。本発明のシステムは、２年の夏の過程にわたり企業が面接した学生を評価し、システムのアルゴリズムが、コンサルティングフィールドに居続ける学生を、企業がそのような学生を識別することができるよりも良好に正確に識別することができるか否かを判断した。システムは、いたポジションに関係なく、企業Ｃ及び企業Ｄで働いた学生から行動様式適合モデルを構築した。研究の目標は、サマーアソシエイトのフルタイム従業員への変換率の増大であった。
サマーアソシエイトプログラム後、企業Ｃは８人に内定を出し、それらのうちの６人が、卒業後、コンサルティング業界で引き続き働いた。企業Ｄは１６人に内定を出し、それらの個人のうちの１１人が、卒業後、コンサルティング業界で引き続き働いた。システムは、企業Ｃ及び企業Ｄの両方のモデルを構築し、適合スコアを生成して、企業が誰に内定を出すべきかを予測した。システムは、企業Ｃが１１人の学生に内定を出し、そのうちの１０人がコンサルティング業界で引き続き働くことを示唆した。システムは、企業Ｄが１０人の個人に内定を出し、そのうちの９人がコンサルティング業界で引き続き働くことも示唆した（表８）。
例２２：内定の応募者受け入れ率の増大への本発明のシステムの使用
企業Ｃで２０１２年及び２０１３年にわたり５７人のサマーアソシエイトが働いた。企業Ｃは、アソシエイトのうちの１３人に内定を出した。１３人のアソシエイトのうち１０人が、企業Ｃからの内定を受け入れた。企業Ｃは、システムに、アルゴリズムがファームからの内定を受け入れる可能性がより高いのは誰かを予測することができるか否かをテストするように求めた。例２１において企業Ｃに向けて前に構築されたモデルを使用して、システムは、企業からの内定を受け入れた個人の平均適合スコアを企業からの内定を拒絶した個人の適合スコアと比較した。
企業Ｃで２０１２年及び２０１３年にわたり５７人のサマーアソシエイトが働いた。企業Ｃは、アソシエイトのうちの１３人に内定を出した。１３人のアソシエイトのうち１０人が、企業Ｃからの内定を受け入れた。企業Ｃは、システムに、アルゴリズムがファームからの内定を受け入れる可能性がより高いのは誰かを予測することができるか否かをテストするように求めた。例２１において企業Ｃに向けて前に構築されたモデルを使用して、システムは、企業からの内定を受け入れた個人の平均適合スコアを企業からの内定を拒絶した個人の適合スコアと比較した。
企業Ｃからのフルタイム内定を受け入れた１０人のサマーアソシエイトの平均適合スコアは６９％であった。企業Ｃからの内定を受け入れなかった３人の個人の平均適合スコアは３５％であった。したがって、システムの適合スコアは、企業からの内定を受け入れる可能性がより高い個人を追跡することができる。企業Ｃでは、企業Ｃの内定を受け入れた個人は、企業Ｃの内定を拒絶した個人よりも高い行動様式適合スコアを有した。
例２３：本発明のシステムでの不利な影響の評価
本発明のシステムにより生成される適合スコアは、システムの一環である個人評価のスコアの集計であることができる。適合スコアの多変量統計学的分析を行い、スコアへの人口統計学的要因の影響を評価した。システムのスコアへの年齢の影響を調べるために、母集団（Ｎ＝１７９）からの２つの年齢群：３９才以下及び４０才以上を分析した。ホテリングのＴ二乗検定を使用して、年齢群間の任意の統計学的に有意な差を評価した。年齢に基づく群差は観測されなかった。年齢の影響は、母集団を４つの年齢群に細分することにより、更に分析した：ａ）２９才以下、ｂ）３０才〜３４才、ｃ）３５才〜３９才、及びｄ）４０才以上。多変量一方向ＡＮＯＶＡ検定を利用し、これも年齢群間の差を示さなかった（ｐ＞０．０５）。同じデータセット及びホテリングのＴ二乗検定を使用して、女性と男性との間での差異は統計学的に有意ではなかった（ｐ＞０．０５）。多変量ＡＮＯＶＡ検定では、アジア人、黒人、ヒスパニック、中東、ネイティブアメリカン、白人、他、及び混血人種を含む人種カテゴリにわたり有意差は観測されなかった（ｐ＞＞０．１）。
本発明のシステムにより生成される適合スコアは、システムの一環である個人評価のスコアの集計であることができる。適合スコアの多変量統計学的分析を行い、スコアへの人口統計学的要因の影響を評価した。システムのスコアへの年齢の影響を調べるために、母集団（Ｎ＝１７９）からの２つの年齢群：３９才以下及び４０才以上を分析した。ホテリングのＴ二乗検定を使用して、年齢群間の任意の統計学的に有意な差を評価した。年齢に基づく群差は観測されなかった。年齢の影響は、母集団を４つの年齢群に細分することにより、更に分析した：ａ）２９才以下、ｂ）３０才〜３４才、ｃ）３５才〜３９才、及びｄ）４０才以上。多変量一方向ＡＮＯＶＡ検定を利用し、これも年齢群間の差を示さなかった（ｐ＞０．０５）。同じデータセット及びホテリングのＴ二乗検定を使用して、女性と男性との間での差異は統計学的に有意ではなかった（ｐ＞０．０５）。多変量ＡＮＯＶＡ検定では、アジア人、黒人、ヒスパニック、中東、ネイティブアメリカン、白人、他、及び混血人種を含む人種カテゴリにわたり有意差は観測されなかった（ｐ＞＞０．１）。
多変量統計学的分析は、年齢、性別、及び人種のいずれも、適合スコアに統計学的に有意に関連しないことを示した。
システムは、年齢、人種、又は性別に基づく結果の差について、各個人のテストでのバイアスをテストすることにより、不利な影響についてテストを調べることができる。システムのテストでの結果を個人評価レベルで調べた。システムは、年齢、性別、又は人種群による差について各課題を調べ、分析は、課題毎に１〜１０の別個の尺度を含んだ。統計学的分析からの有意な結果を表９に与える。課題のいずれも人種による差を示さず、課題のサブセットは、年齢及び性別に基づく差を示した。群間で有意差を示した課題では、それらの差の効果量が報告された。効果量の相関係数（ｒ）０．１は小さいと見なすことができ、０．３は中程度であると見なすことができ、０．５は大きいと見なすことができる。１７の有意な結果のうちの１６は、小〜中範囲に入り、ロンドン塔課題（正確な移動毎の時間）からの１つの測定が、中範囲のｒ０．３２を達成した。
バルーンアナログリスク課題（ＢＡＲＴ）
ＢＡＲＴの一測定が、性別間で有意差を示し、特に、女性は男性よりもリスク回避型であった。この差は、性別により説明される観測分散の３％を表した。
ＢＡＲＴの一測定が、性別間で有意差を示し、特に、女性は男性よりもリスク回避型であった。この差は、性別により説明される観測分散の３％を表した。
選択課題
選択課題では、結果は年齢及び性別の両方で異なった。若い参加者ほど、４０才を超える参加者よりも高いギャンブルパーセントスコアを有した。この差は、標本の分散の２．６％を表した。性別によるギャンブルパーセントの調査により、男性は女性よりも高いスコアを有することが明らかになり、この差は標本の分散の１．９６％を表した。
選択課題では、結果は年齢及び性別の両方で異なった。若い参加者ほど、４０才を超える参加者よりも高いギャンブルパーセントスコアを有した。この差は、標本の分散の２．６％を表した。性別によるギャンブルパーセントの調査により、男性は女性よりも高いスコアを有することが明らかになり、この差は標本の分散の１．９６％を表した。
***者課題
ランダム参加者に与えられた金額は、性別により異なり、この課題において、女性は男性よりも多くの金額を与えた。この差は、標本の分散の１．２％を表した。
ランダム参加者に与えられた金額は、性別により異なり、この課題において、女性は男性よりも多くの金額を与えた。この差は、標本の分散の１．２％を表した。
ＥＥｆＲＴ
より難しい課題がより頻繁に選ばれた後の変曲点は、性別により異なり、男性は女性よりも高いスコアを有した。性別差は、データの分散の１．９６％を説明した。
より難しい課題がより頻繁に選ばれた後の変曲点は、性別により異なり、男性は女性よりも高いスコアを有した。性別差は、データの分散の１．９６％を説明した。
顔影響テスト
顔影響テストの結果は、年齢の高い参加者ほど、若い参加者よりも顔の表情から感情をより正確に識別したという点で、年齢により異なった。年齢差は、データの分散の３．６１％を説明した。
顔影響テストの結果は、年齢の高い参加者ほど、若い参加者よりも顔の表情から感情をより正確に識別したという点で、年齢により異なった。年齢差は、データの分散の３．６１％を説明した。
指タッピング課題
指タッピング課題の反応時間は、年齢及び性別の両方により異なった。年齢の高い参加者ほど、若い参加者よりも反応時間測定が遅く、女性は男性よりも遅かった。これらの影響は、データの分散の４％及び６．２５％をそれぞれ占める。
指タッピング課題の反応時間は、年齢及び性別の両方により異なった。年齢の高い参加者ほど、若い参加者よりも反応時間測定が遅く、女性は男性よりも遅かった。これらの影響は、データの分散の４％及び６．２５％をそれぞれ占める。
フランカー課題
フランカー課題の一測定は、男性と女性との間の有意差を示した。男性のスコアは切り替え精度でより高く、この差は、データの分散の２．２５％を占めた。
フランカー課題の一測定は、男性と女性との間の有意差を示した。男性のスコアは切り替え精度でより高く、この差は、データの分散の２．２５％を占めた。
将来割引き
システムは、将来割引き課題で年齢及び性別の両方による差を識別した。年齢の高い参加者ほど、若い参加者よりも将来の機会を待つ可能性が高かった。この影響は、データの分散の１．９６％を占めた。割引き率も、女性は男性よりも将来の機会を待つ可能性が高いという点で、性別により異なった。
システムは、将来割引き課題で年齢及び性別の両方による差を識別した。年齢の高い参加者ほど、若い参加者よりも将来の機会を待つ可能性が高かった。この影響は、データの分散の１．９６％を占めた。割引き率も、女性は男性よりも将来の機会を待つ可能性が高いという点で、性別により異なった。
Ｎバックテスト
Ｎバックテストでの正確性測定は、性別により異なった。男性は、女性よりも高い正確性スコアを有し、データの分散の２．８９％を占めた結果。
Ｎバックテストでの正確性測定は、性別により異なった。男性は、女性よりも高い正確性スコアを有し、データの分散の２．８９％を占めた結果。
信頼課題
システムは、性別により、金額及び公正性の両方で差を識別した。男性は女性よりも高い金額を与え、データの分散の２．８９％を占めた効果。女性はより高い公正性格付けを与え、データの分散の２．２５％を占めた影響。
システムは、性別により、金額及び公正性の両方で差を識別した。男性は女性よりも高い金額を与え、データの分散の２．８９％を占めた効果。女性はより高い公正性格付けを与え、データの分散の２．２５％を占めた影響。
パターン認識
システムは、パターン認識課題で性別に基づく有意差を識別した。男性は女性よりも高いパターン認識スコアを有し、データの分散の２．５６％を占めた影響を有した。
システムは、パターン認識課題で性別に基づく有意差を識別した。男性は女性よりも高いパターン認識スコアを有し、データの分散の２．５６％を占めた影響を有した。
ロンドン塔
システムは、ロンドン塔課題で年齢の有意な影響を識別した。年齢の高い参加者ほど、若い参加者よりも正確な移動毎により多くの時間がかかり、分散の１０．２４％を占める影響。
システムは、ロンドン塔課題で年齢の有意な影響を識別した。年齢の高い参加者ほど、若い参加者よりも正確な移動毎により多くの時間がかかり、分散の１０．２４％を占める影響。
例２４：適合スコア調査
システムは、企業Ｂからの標本でシステムにより生成された適合スコア内に存在する不利な影響のエビデンスについて、標本データを調べた。表１０は、ポジションによる標本の細分を含め、標本人口統計を報告している。
システムは、企業Ｂからの標本でシステムにより生成された適合スコア内に存在する不利な影響のエビデンスについて、標本データを調べた。表１０は、ポジションによる標本の細分を含め、標本人口統計を報告している。
システムは、各ポジションで合計標本（Ｎ＝４６４）への不利な影響についてテストした。４つのポジションにわたる企業Ｂからの５１４人の従業員は、１組のテストを完了した。５３８人の従業員の合計標本から、各ポジションの個人モデルがシステムにより構築された。システムは、５３８人の従業員のうち４６４人の従業員についての性別データを有した。ポジション内又はポジション間で性別による適合スコアの差は見つからなかった。
システムは、上で報告された企業Ｂの従業員の民族データにアクセスすることができなかった。しかし、システムは、上で生成されたモデルを使用して、民族でのバイアスについて内部データベースからの標本をテストした。システムは、内部データベースからの９６２人の個人の標本の適合スコアを生成した（表１１）。母集団は、大学生、ＭＢＡ生徒、及び業界専門家の混合からなった。
民族間での適合スコア差は、表１２で報告される標本で観測されなかった（表１２）。
例２５：適合スコア調査：業界適合モデル
システムは、性別及び民族のバイアスについて、システムの全ての業界モデルを更に調べた。システムは、内部データベースからの９６２人の個人の標本の適合スコアを生成した（表１１及び表１３）。母集団は、大学生、ＭＢＡ生徒、及び業界専門家の混合からなった。性別又は民族でのバイアスは、システムが安定と見なしたいずれの業界モデルでも観測されなかった（表１４）。
システムは、性別及び民族のバイアスについて、システムの全ての業界モデルを更に調べた。システムは、内部データベースからの９６２人の個人の標本の適合スコアを生成した（表１１及び表１３）。母集団は、大学生、ＭＢＡ生徒、及び業界専門家の混合からなった。性別又は民族でのバイアスは、システムが安定と見なしたいずれの業界モデルでも観測されなかった（表１４）。
任意のツール、インタフェース、エンジン、アプリケーション、プログラム、サービス、コマンド、又は他の実行可能アイテムは、コンピュータ実行可能コードにおいてコンピュータ可読媒体に符号化されるモジュールとして提供することができる。幾つかの実施形態では、本発明は、本明細書に記載される任意の動作を実行する方法を符号化するコンピュータ実行可能コードを内部に符号化したコンピュータ可読媒体を提供し、方法は、本明細書に記載される任意の数のモジュールを含むシステムを提供することを含み、各モジュールは、出力等の結果をユーザに提供する本明細書に記載される任意の機能を実行する。
例２６：コンピュータアーキテクチャ
様々なコンピュータアーキテクチャが、本発明との併用に適する。図３５は、本発明の実施形態例と組み合わせて使用することができるコンピュータシステム３５００の第１のアーキテクチャ例を示すブロック図である。図３５に示されるように、コンピュータシステム例は、命令を処理するプロセッサ３５０２を含むことができる。プロセッサの非限定的な例としては、Intel Core i7（商標）プロセッサ、Intel Core i5（商標）プロセッサ、Intel Core i3（商標）プロセッサ、Intel Xeon（商標）プロセッサ、AMD Opteron（商標）プロセッサ、Samsung 32-bit RISC ARM 1176JZ(F)-S v1.0（商標）プロセッサ、ARM Cortex-A8 Samsung S5PC100（商標）プロセッサ、ARM Cortex-A8 Apple A4（商標）プロセッサ、Marvell PXA 930（商標）プロセッサ、又は機能的に均等なプロセッサが挙げられる。複数の実行スレッドを並列処理に使用することができる。幾つかの実施形態では、単一のコンピュータシステム内であれ、クラスタであれ、又は複数のコンピュータ、携帯電話、及び／若しくは個人情報端末装置を含むネットワークを介してのシステムにわたる分散であれ関係なく、複数のプロセッサ又は複数のコアを有するプロセッサを使用することができる。
様々なコンピュータアーキテクチャが、本発明との併用に適する。図３５は、本発明の実施形態例と組み合わせて使用することができるコンピュータシステム３５００の第１のアーキテクチャ例を示すブロック図である。図３５に示されるように、コンピュータシステム例は、命令を処理するプロセッサ３５０２を含むことができる。プロセッサの非限定的な例としては、Intel Core i7（商標）プロセッサ、Intel Core i5（商標）プロセッサ、Intel Core i3（商標）プロセッサ、Intel Xeon（商標）プロセッサ、AMD Opteron（商標）プロセッサ、Samsung 32-bit RISC ARM 1176JZ(F)-S v1.0（商標）プロセッサ、ARM Cortex-A8 Samsung S5PC100（商標）プロセッサ、ARM Cortex-A8 Apple A4（商標）プロセッサ、Marvell PXA 930（商標）プロセッサ、又は機能的に均等なプロセッサが挙げられる。複数の実行スレッドを並列処理に使用することができる。幾つかの実施形態では、単一のコンピュータシステム内であれ、クラスタであれ、又は複数のコンピュータ、携帯電話、及び／若しくは個人情報端末装置を含むネットワークを介してのシステムにわたる分散であれ関係なく、複数のプロセッサ又は複数のコアを有するプロセッサを使用することができる。
データの取得、処理、及び記憶
図３５に示されるように、高速キャッシュ３５０１をプロセッサ３５０２に接続するか、又はプロセッサ３５０２に組み込んで、プロセッサ３５０２により最近又は頻繁に使用された命令又はデータの高速メモリを提供することができる。プロセッサ３５０２は、プロセッサバス３５０５によりノースブリッジ３５０６に接続される。ノースブリッジ３５０６は、メモリバス３５０４によりランダムアクセスメモリ（ＲＡＭ）３５０３に接続され、プロセッサ３５０２によるＲＡＭ３５０３へのアクセスを管理する。ノースブリッジ３５０６は、チップセットバス３５０７によりサウスブリッジ３５０８にも接続される。そして、サウスブリッジ３５０８は周辺バス３５０９に接続される。周辺バスは、例えば、ＰＣＩ、ＰＣＩ−Ｘ、ＰＣＩ Ｅｘｐｒｅｓｓ、又は他の周辺バスであることができる。ノースブリッジ及びサウスブリッジはプロセッサチップセットと呼ばれることが多く、プロセッサ、ＲＡＭ、及び周辺バス３５０９上の周辺機器間のデータ転送を管理する。幾つかのアーキテクチャでは、別個のノースブリッジチップを使用する代わりに、ノースブリッジの機能はプロセッサに組み込むことができる。
図３５に示されるように、高速キャッシュ３５０１をプロセッサ３５０２に接続するか、又はプロセッサ３５０２に組み込んで、プロセッサ３５０２により最近又は頻繁に使用された命令又はデータの高速メモリを提供することができる。プロセッサ３５０２は、プロセッサバス３５０５によりノースブリッジ３５０６に接続される。ノースブリッジ３５０６は、メモリバス３５０４によりランダムアクセスメモリ（ＲＡＭ）３５０３に接続され、プロセッサ３５０２によるＲＡＭ３５０３へのアクセスを管理する。ノースブリッジ３５０６は、チップセットバス３５０７によりサウスブリッジ３５０８にも接続される。そして、サウスブリッジ３５０８は周辺バス３５０９に接続される。周辺バスは、例えば、ＰＣＩ、ＰＣＩ−Ｘ、ＰＣＩ Ｅｘｐｒｅｓｓ、又は他の周辺バスであることができる。ノースブリッジ及びサウスブリッジはプロセッサチップセットと呼ばれることが多く、プロセッサ、ＲＡＭ、及び周辺バス３５０９上の周辺機器間のデータ転送を管理する。幾つかのアーキテクチャでは、別個のノースブリッジチップを使用する代わりに、ノースブリッジの機能はプロセッサに組み込むことができる。
幾つかの実施形態では、システム３５００は、周辺バス３５０９に取り付けられたアクセラレータカード３５１２を含むことができる。アクセラレータは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）又は特定の処理を加速させる他のハードウェアを含むことができる。
ソフトウェアインタフェース
ソフトウェア及びデータは、外部記憶装置３５１３に記憶され、プロセッサによる使用のためにＲＡＭ３５０３及び／又はキャッシュ３５０１にロードすることができる。システム３５００は、システムリソースを管理するオペレーティングシステムを含み、オペレーティングシステムの非限定的な例としては、Linux、Windows（商標）、MACOS（商標）、BlackBerry OS（商標）、iOS（商標）、及び他の機能的に同等のオペレーティングシステム、並びにオペレーティングシステムの上で実行するアプリケーションソフトウェアが挙げられる。
ソフトウェア及びデータは、外部記憶装置３５１３に記憶され、プロセッサによる使用のためにＲＡＭ３５０３及び／又はキャッシュ３５０１にロードすることができる。システム３５００は、システムリソースを管理するオペレーティングシステムを含み、オペレーティングシステムの非限定的な例としては、Linux、Windows（商標）、MACOS（商標）、BlackBerry OS（商標）、iOS（商標）、及び他の機能的に同等のオペレーティングシステム、並びにオペレーティングシステムの上で実行するアプリケーションソフトウェアが挙げられる。
この例では、システム３５００は、周辺バスに接続されて、ネットワーク接続ストレージ（ＮＡＳ）及び分散並列処理に使用することができる他のコンピュータシステム等の外部記憶装置にネットワークインタフェースを提供するネットワークインタフェースカード（ＮＩＣ）３５１０及び３５１１も含む。
コンピュータシステム
図３６は、複数のコンピュータシステム３６０２ａ及び３６０２ｂ、複数の携帯電話及び個人情報端末３６０２ｃ、並びにネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０１ｂを有するネットワーク３６００を示す図である。幾つかの実施形態では、システム３６０２ａ、３６０２ｂ、及び３６０２ｃは、データストレージを管理し、ネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０２ｂに記憶されたデータへのデータアクセスを最適化することができる。数学的モデルをデータに使用し、コンピュータシステム３６０２ａ及び３６０２ｂ並びに携帯電話及び個人情報端末システム３６０２ｃにわたる分散並列処理を使用して評価することができる。コンピュータシステム３６０２ａ及び３６０２ｂ並びに携帯電話及び個人情報端末システム３６０２ｃは、ネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０１ｂに記憶されたデータの適応データ再構築に並列処理を提供することもできる。図３６は単なる例を示し、広範囲の他のコンピュータアーキテクチャ及びシステムを本発明の様々な実施形態と併せて使用することができる。例えば、ブレードサーバを使用して、並列処理を提供することができる。プロセッサブレードは、バックプレーンを通して接続されて、並列処理を提供することができる。ストレージは、バックプレーンに接続されるか、又は別個のネットワークインタフェースを通してネットワーク接続ストレージ（ＮＡＳ）としてであってもよい。
図３６は、複数のコンピュータシステム３６０２ａ及び３６０２ｂ、複数の携帯電話及び個人情報端末３６０２ｃ、並びにネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０１ｂを有するネットワーク３６００を示す図である。幾つかの実施形態では、システム３６０２ａ、３６０２ｂ、及び３６０２ｃは、データストレージを管理し、ネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０２ｂに記憶されたデータへのデータアクセスを最適化することができる。数学的モデルをデータに使用し、コンピュータシステム３６０２ａ及び３６０２ｂ並びに携帯電話及び個人情報端末システム３６０２ｃにわたる分散並列処理を使用して評価することができる。コンピュータシステム３６０２ａ及び３６０２ｂ並びに携帯電話及び個人情報端末システム３６０２ｃは、ネットワーク接続ストレージ（ＮＡＳ）３６０１ａ及び３６０１ｂに記憶されたデータの適応データ再構築に並列処理を提供することもできる。図３６は単なる例を示し、広範囲の他のコンピュータアーキテクチャ及びシステムを本発明の様々な実施形態と併せて使用することができる。例えば、ブレードサーバを使用して、並列処理を提供することができる。プロセッサブレードは、バックプレーンを通して接続されて、並列処理を提供することができる。ストレージは、バックプレーンに接続されるか、又は別個のネットワークインタフェースを通してネットワーク接続ストレージ（ＮＡＳ）としてであってもよい。
幾つかの実施形態では、プロセッサは、別個のメモリ空間を維持し、他のプロセッサによる並列処理のために、ネットワークインタフェース、バックプレーン、又は他の接続を通してデータを送信することができる。幾つかの実施形態では、プロセッサの幾つか又は全ては、共有仮想アドレスメモリ空間を使用することができる。
仮想システム
図３７は、共有仮想アドレスメモリ空間を使用するマルチプロセッサコンピュータシステムのブロック図である。システムは、共有メモリサブシステム３７０２にアクセスすることができる複数のプロセッサ３７０１ａ〜３７０１ｆを含む。システムは、メモリサブシステム３７０２に複数のプログラマブルハードウェアメモリアルゴリズムプロセッサ（ＭＡＰ）３７０３ａ〜３７０３ｆを組み込む。各ＭＡＰ３７０３ａ〜３７０３ｆは、メモリ３７０４ａ〜３７０４ｆ及び１つ又は複数のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）３７０５ａ〜３７０５ｆを含むことができる。ＭＡＰは、構成可能な機能ユニットを提供し、特定のアルゴリズム又はアルゴリズムの部分は、各プロセッサと密に協働して処理するためにＦＰＧＡ３７０５ａ〜３７０５ｆに提供することができる。この例では、各ＭＡＰは、これらの目的で全てのプロセッサによりグローバルにアクセス可能である。一構成では、各ＭＡＰは、直接メモリアクセス（ＤＭＡ）を使用して、関連付けられたメモリ３７０４ａ〜３７０４ｆにアクセスし、各マイクロプロセッサ３７０１ａ〜３７０１ｆから独立して非同期でタスクを実行できるようにする。この構成では、ＭＡＰは、アルゴリズムのパイプライン処理及び並列実行のために、結果を別のＭＡＰに直接供給することができる。
図３７は、共有仮想アドレスメモリ空間を使用するマルチプロセッサコンピュータシステムのブロック図である。システムは、共有メモリサブシステム３７０２にアクセスすることができる複数のプロセッサ３７０１ａ〜３７０１ｆを含む。システムは、メモリサブシステム３７０２に複数のプログラマブルハードウェアメモリアルゴリズムプロセッサ（ＭＡＰ）３７０３ａ〜３７０３ｆを組み込む。各ＭＡＰ３７０３ａ〜３７０３ｆは、メモリ３７０４ａ〜３７０４ｆ及び１つ又は複数のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）３７０５ａ〜３７０５ｆを含むことができる。ＭＡＰは、構成可能な機能ユニットを提供し、特定のアルゴリズム又はアルゴリズムの部分は、各プロセッサと密に協働して処理するためにＦＰＧＡ３７０５ａ〜３７０５ｆに提供することができる。この例では、各ＭＡＰは、これらの目的で全てのプロセッサによりグローバルにアクセス可能である。一構成では、各ＭＡＰは、直接メモリアクセス（ＤＭＡ）を使用して、関連付けられたメモリ３７０４ａ〜３７０４ｆにアクセスし、各マイクロプロセッサ３７０１ａ〜３７０１ｆから独立して非同期でタスクを実行できるようにする。この構成では、ＭＡＰは、アルゴリズムのパイプライン処理及び並列実行のために、結果を別のＭＡＰに直接供給することができる。
上記コンピュータアーキテクチャ及びシステムは、単なる例であり、汎用プロセッサ、コプロセッサ、ＦＰＧＡ及び他のプログラマブル論理装置、システムオンチップ（ＳＯＣ）、特定用途向け集積回路（ＡＳＩＣ）、並びに他の処理要素及び論理要素の任意の組合せを使用するシステムを含め、広範囲の他のコンピュータ、携帯電話、及び個人情報端末アーキテクチャ及びシステムを実施形態例と併せて使用することができる。ランダムアクセスメモリ、ハードドライブ、フラッシュメモリ、テープドライブ、ディスクアレイ、ネットワーク接続ストレージ（ＮＡＳ）、及び他のローカル又は分散データ記憶装置及びシステムを含め任意の様々なデータ記憶媒体を実施形態例と併せて使用することができる。
実施形態例では、コンピュータシステムは、上記又は他の任意のコンピュータアーキテクチャ及びシステムで実行中のソフトウェアモジュールを使用して実施することができる。他の実施形態では、システムの機能は、部分的又は完全にファームウェア、図３７で参照されたようにフィールドプログラマブルゲートアレイ（ＦＰＧＡ）等のプログラマブル論理装置、システムオンチップ（ＳＯＣ）、特定用途向け集積回路（ＡＳＩＣ）、又は他の処理要素及び論理要素で実施することができる。例えば、セットプロセッサ及びオプティマイザは、図３５に示されるアクセラレータカード３５１２等のハードウェアアクセラレータカードの使用を通してハードウェア加速と共に実施することができる。
本明細書に記載の本発明の任意の実施形態は、例えば、同じ地理的場所内のユーザにより生成し、送信することができる。本発明の製品は、例えば、ある国の地理的場所から生成及び／又は送信することができ、本発明のユーザは、異なる国に存在し得る。幾つかの実施形態では、本発明のシステムによりアクセスされるデータは、複数の地理的場所３８０１の１つからユーザ３８０２（図８）に送信することができるコンピュータプログラム製品である。本発明のコンピュータプログラム製品により生成されたデータは、例えば、ネットワーク、セキュアネットワーク、非セキュアネットワーク、インターネット、又はイントラネットにより、複数の地理的場所間で前後に伝送することができる。幾つかの実施形態では、本発明により提供される存在論的階層は、物理的な有形製品に符号化される。
図３９は、幾つかの実施形態による、従業員統計モデルを生成する例示的な方法のフローチャートを示す。図３９を参照すると、方法３９００は、以下のステップの１つ又は複数を含み得る。本発明がこれに限定されず、追加のステップが追加可能なことに留意されたい。代替的には、１つ又は複数のステップを省き得る。
まず、複数の参加者に関連する複数の計算デバイスに、インタラクティブメディアを提供し得る（３９０２）。インタラクティブメディアは、例えば、図１に記載されるスクリーニングシステム１１０及び／又はサーバ１０４により提供し得る。インタラクティブメディアは、１つ又は複数のデータベース１０８に記憶し得る。複数の計算デバイスは、図１に示されるユーザデバイス１０２に対応し得る。インタラクティブメディアは、参加者の複数の感情特性及び認知特性を測定するように設計された１組の選択された神経科学ベースの課題を用いて作成された少なくとも１つのリクルートゲームを含み得る。リクルートゲームは、本明細書の他の箇所に記載されるように、１組の選択された神経科学ベースの課題に関連する予め定義される組の視覚的物体を含み得る。予め定義される１組の視覚的物体は、計算デバイスのグラフィカルディスプレイに提示し得る。
次に、参加者が計算デバイスのグラフィカルディスプレイでリクルートゲームをプレイする際、計算デバイスから入力データを受信し得る（３９０４）。入力データは、例えば、スクリーニングシステム１１０により受信し得る。幾つかの場合、入力データは、図２に示される特性抽出エンジン１１２により受信し得る。幾つかの場合、入力データは、１つ又は複数のデータベース１０８に記憶することもできる。参加者は、本明細書の他の箇所に記載されるように、予め定義される１組の視覚的物体と対話して、１組の選択された神経科学ベースの課題を完了することにより、リクルートゲームをプレイし得る。
次に、リクルートゲーム内の予め定義される１組の視覚的物体との参加者の対話から導出される入力データを分析し得る（３９０６）。入力データは、例えば、スクリーニングシステム１１０を使用して分析し得る。例えば、特性抽出エンジン１１２は、参加者の感情特性及び認知特性の測定値を抽出し得る。モデル分析エンジン１１４は、参加者の感情特性及び認知特性の測定値に基づいて統計モデルを生成し得る。統計モデルは、参加者の選択されたグループを表し得る。幾つかの場合、参加者の選択されたグループは、企業のトップ従業員のグループに対応し得る。次に、スクリーニングシステム１１０は、参加者の感情特性及び認知特性の測定値を統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類し得る。
次に、複数の密度関数プロットとして、分析された入力データをグラフィカルディスプレイに視覚的に表示し得る（３９０８）。複数の密度関数プロットは、グループ外として分類される参加者に対応する第１の密度関数プロット及びグループ内として分類される参加者に対応する第２の密度関数プロットを含み得る。決定境界が、例えば図１７Ａに示されるように、第１の密度関数プロットと第２の密度関数プロットとの重複領域において定義される。
図４０は、幾つかの実施形態による、候補者を図３９の従業員統計モデルと比較する例示的な方法のフローチャートを示す。図４０を参照すると、方法４０００は以下のステップの１つ又は複数を含み得る。本発明がこれに限定されず、追加のステップが追加可能なことに留意されたい。代替的には、１つ又は複数のステップを省き得る。
図４０に示されるように、候補者の感情特性及び認知特性の測定値を統計モデルと比較し得、比較に基づいて候補者のスコアを生成し得る（４００２）。候補者の感情特性及び認知特性を測定して、候補者の特性が企業のグループ内従業員の特性に一致するか否かを判断し得る。次に、スコアを示す点をグラフィカルディスプレイ上の複数の密度関数プロット上に表示し得る（４００４）。幾つかの実施形態では、複数の候補者を統計モデルと比較し得、したがって、複数の点を生成し得る。複数の点は、例えば、図１７Ｂに示される１７２０及び１７２２で示される密度関数プロットの形態で提供し得る。次に、候補者は、（１）点が決定境界に対して第１の領域にある場合、グループ内に又は（２）点が決定境界に対して第２の領域にある場合、グループ外に分類し得る（４００６）。例えば、図１７Ｂを参照すると、候補者の点が決定境界の左側にある場合、候補者をグループ外に分類し得る。逆に、候補者の点が決定境界の右側にある場合、候補者をグループ内に分類し得る。したがって、エンドユーザ（例えば、求人者又は人的資源人員）は、様々な候補者に関連する点を閲覧し、各候補者がグループ内従業員により密に一致するか、それともグループ外従業員により密に一致するかを判断することができる。この判断は、候補者の点が決定境界に相対してどこにあるかを見ることにより素早く（一目で）実行し得る。更に、各グループ（グループ内又はグループ外）に入る候補者について、エンドユーザは、各候補者の点が決定境界に相対してどこにあるかを見ることができる。例えば、候補者の点が決定境界の右端にある場合、候補者は、決定境界のわずかにのみ右側にある別の候補者の点と比較して、グループ内従業員に非常によく一致すると判断し得る。
実施形態
以下の非限定的な実施形態は、本発明の説明のための例を提供するが、本発明の範囲を限定しない。
以下の非限定的な実施形態は、本発明の説明のための例を提供するが、本発明の範囲を限定しない。
実施形態１．コンピュータ実行可能コードが内部に符号化されたコンピュータ可読媒体を含むコンピュータプログラム製品であって、コンピュータ実行可能コードは、実行されて、方法を実施するように構成され、方法は、ａ）リクルートシステムを提供することであって、リクルートシステムは、ｉ）課題モジュール、ｉｉ）測定モジュール、ｉｉｉ）評価モジュール、及びｉｖ）識別モジュールを含む、リクルートシステムを提供することと、ｂ）課題モジュールによりコンピュータ化課題を対象者に提供することと、ｃ）測定モジュールにより、課題の実行において対象者により示された実行値を測定することと、ｄ）評価モジュールにより、測定された実行値に基づいて対象者の特性を評価することと、ｅ）識別モジュールにより、評価された特性に基づいて、採用担当者に対して、対象者がエンティティによる雇用に適することを識別することとを含む、コンピュータプログラム製品。
実施形態２．リクルートシステムはプロファイルモジュールを更に含み、方法は、プロファイルモジュールにより、対象者の特性の評価に基づいて対象者のプロファイルを作成することを更に含む、実施形態１に記載のコンピュータプログラム製品。
実施形態３．リクルートシステムは、モデルモジュール、参照モデル、及び比較モジュールを更に含み、方法は、モデルモジュールにより、対象者の２つ以上の特性の評価に基づいて、対象者のモデルを生成することを更に含み、方法は、比較モジュールにより、対象者のモデルと参照モデルとを比較することを更に含む、実施形態１又は２に記載のコンピュータプログラム製品。
実施形態４．リクルートシステムは、モデルモジュール及び比較モジュールを更に含み、方法は、モデルモジュールにより、対象者の２つ以上の特性の評価に基づいて、対象者のモデルを生成することを更に含み、方法は、比較モジュールにより、対象者のモデルとテスト対象者のデータベースとを比較することを更に含む、実施形態１又は２に記載のコンピュータプログラム製品。
実施形態５．テスト対象者は、エンティティに勤めている、実施形態４に記載のコンピュータプログラム製品。
実施形態６．採用担当者は、エンティティに勤めている、実施形態１〜５のいずれかに記載のコンピュータプログラム製品。
実施形態７．リクルートシステムは集計モジュールを更に含み、方法は、集計モジュールにより、対象者からデータを収集し、対象者からのデータをテスト対象者のデータベースに集計することを更に含む、実施形態４に記載のコンピュータプログラム製品。
実施形態８．リクルートシステムはスコアモジュールを更に含み、方法は、スコアモジュールにより、対象者のモデルと参照モデルとの比較に基づいて、対象者をスコア付けすることを更に含む、実施形態３に記載のコンピュータプログラム製品。
実施形態９．リクルートシステムはスコアモジュールを更に含み、方法は、スコアモジュールにより、対象者のモデルとテスト対象者のデータベースとの比較に基づいて、対象者をスコア付けすることを更に含む、実施形態４に記載のコンピュータプログラム製品。
実施形態１０．コンピュータ実行可能コードが内部に符号化されたコンピュータ可読媒体を含むコンピュータプログラム製品であって、コンピュータ実行可能コードは、実行されて、方法を実施するように構成され、方法は、ａ）才能識別システムを提供することであって、才能識別システムは、ｉ）課題モジュール、ｉｉ）測定モジュール、ｉｉｉ）評価モジュール、ｉｖ）識別モジュール、及びｖ）出力モジュールを含む、才能識別システムを提供することと、ｂ）課題モジュールによりコンピュータ化課題を対象者に提供することと、ｃ）測定モジュールにより、課題の実行において対象者により示された実行値を測定することと、ｄ）評価モジュールにより、測定された実行値に基づいて対象者の特性を評価することと、ｅ）識別モジュールにより、対象者の特性の評価に基づいて、キャリア傾向を識別することと、ｆ）出力モジュールにより、識別されたキャリア傾向を採用担当者に出力することとを含む、コンピュータプログラム製品。
実施形態１１．才能識別システムは推奨モジュールを更に含み、方法は、推奨モジュールにより、対象者のキャリア傾向に基づいてキャリアを推奨することを更に含む、実施形態１０に記載のコンピュータプログラム製品。
実施形態１２．才能識別システムは、モデルモジュール、参照モデル、及び比較モジュールを更に含み、方法は、モデルモジュールにより、対象者の２つ以上の特性の評価に基づいて、対象者のモデルを生成することを更に含み、方法は、比較モジュールにより、対象者のモデルと参照モデルとを比較することを更に含む、実施形態１０又は１１に記載のコンピュータプログラム製品。
実施形態１３．才能識別システムは、モデルモジュール及び比較モジュールを更に含み、方法は、モデルモジュールにより、対象者の２つ以上の特性の評価に基づいて、対象者のモデルを生成することを更に含み、方法は、比較モジュールにより、対象者のモデルとテスト対象者のデータベースとを比較することを更に含む、実施形態１０又は１１に記載のコンピュータプログラム製品。
実施形態１４．ａ）コンピュータ化課題を対象者に提供することと、ｂ）課題の実行において対象者により示された実行値を測定することと、ｃ）実行値に基づいて対象者の特性を評価することと、ｄ）コンピュータシステムのプロセッサにより、対象者の特性をテスト対象者のデータベースと比較することと、ｅ）比較に基づいて、対象者がエンティティによる雇用に適すると判断することと、ｆ）対象者が雇用に適することをエンティティの採用担当者に報告することとを含む、方法。
実施形態１５．対象者の特性の評価に基づいて、対象者のプロファイルを作成することを更に含む、実施形態１４に記載の方法。
実施形態１６．対象者の２つ以上の特性とテスト対象者のデータベースとの比較に基づいて、対象者のモデルを生成することを更に含む、実施形態１４又は１５に記載の方法。
実施形態１７．対象者のモデルに基づいて対象者をスコア付けすることを更に含む、実施形態１６に記載の方法。
実施形態１８．評価される特性は認知特性である、実施形態１４〜１７のいずれかに記載の方法。
実施形態１９．評価される特性は感情特性である、実施形態１４〜１８のいずれかに記載の方法。
実施形態２０．テスト対象者は、エンティティに勤めている、実施形態１４〜１９のいずれかに記載の方法。
実施形態２１．コンピュータ化課題は、試験−再試験評価により特定される許容可能な信頼度レベルを有する、実施形態１４〜２０のいずれかに記載の方法。
実施形態２２．コンピュータ化課題は、折半法信頼度評価により特定される許容可能な信頼度レベルを有する、実施形態１４〜２１のいずれかに記載の方法。
実施形態２３．ａ）コンピュータ化課題を対象者に提供することと、ｂ）課題の実行において対象者により示された実行値を測定することと、ｃ）実行値に基づいて対象者の特性を評価することと、ｄ）コンピュータシステムのプロセッサにより、対象者の評価された特性とテスト対象者のデータベースとの比較に基づいて、対象者のキャリア傾向を識別することと、ｅ）比較の結果を採用担当者に出力することとを含む、方法。
実施形態２４．対象者の特性の評価に基づいて、対象者のプロファイルを作成することを更に含む、実施形態２３に記載の方法。
実施形態２５．対象者の２つ以上の特性とテスト対象者のデータベースとの比較に基づいて、対象者のモデルを生成することを更に含む、実施形態２３又は２４に記載の方法。
実施形態２６．対象者のキャリア傾向に基づいて、対象者にキャリアを推奨することを更に含む、実施形態２３〜２５のいずれかに記載の方法。
実施形態２７．コンピュータ化課題は、試験−再試験評価により特定される許容可能な信頼度レベルを有する、実施形態２３〜２６のいずれかに記載の方法。
実施形態２８．コンピュータ化課題は、折半法信頼度評価により特定される許容可能な信頼度レベルを有する、実施形態２３〜２７のいずれかに記載の方法。
実施形態２９．評価される特性は認知特性である、実施形態２３〜２８のいずれかに記載の方法。
実施形態３０．評価される特性は感情特性である、実施形態２３〜２９のいずれかに記載の方法。
本開示は、２０１５年６月２６日に出願された「Systems and Methods for Data-Driven Identification of Talent」という名称の米国特許出願第１４／７５１，９４３号を参照により援用する。
本開示の好ましい実施形態を本明細書に示し説明したが、そのような実施形態が単なる例として提供されることが当業者には明らかである。これより、本開示から逸脱せずに、当業者は多くの変形、変更、及び置換を思い付くであろう。本開示を実施するに当たり、本明細書に記載される開示の実施形態への様々な代替が利用可能であることを理解されたい。以下の特許請求の範囲が本開示の範囲を規定し、これらの請求項及びそれらの均等物の範囲内の方法及び構造がそれにより包含されることが意図される。
Claims (28)
- ゲームベースの個人リクルート方法を実施するシステムであって、
複数の参加者に関連する複数の計算デバイスと通信するサーバであって、前記サーバは、インタラクティブメディア及び第１の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含み、前記１つ又は複数のプロセッサは、前記第１の組のソフトウェア命令を実行して、
複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、前記インタラクティブメディアは、前記参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み、前記リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み、前記複数の予め定義される組の視覚的物体は、前記計算デバイスのグラフィカルディスプレイ上で前記参加者に表示される、提供すること、
前記参加者が、１つ又は複数の入力デバイスを使用して、前記グラフィカルディスプレイ上の前記グラフィカル視覚的物体のうちの１つ又は複数を操作することにより、前記リクルートゲームを前記計算デバイスの前記グラフィカルディスプレイ上でプレイして、前記複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、前記計算デバイスから入力データを受信すること、及び
前記リクルートゲーム内の前記１つ又は複数のグラフィカル視覚的物体の前記参加者の操作から導出される前記入力データを分析することであって、それにより、（１）前記参加者による前記グラフィカル視覚的物体の操作の程度の程度に基づいて、前記参加者の感情特性及び認知特性の測定値を抽出し、（２）前記参加者の感情特性及び認知特性の前記測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）前記参加者の感情特性及び認知特性の前記測定値を前記統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析すること
を行うように構成される、サーバと、
第２の組のソフトウェア命令を記憶するメモリと、１つ又は複数のプロセッサとを含む少なくとも１つの計算デバイスであって、前記１つ又は複数のプロセッサは、前記第２の組のソフトウェア命令を実行して、
前記サーバから前記分析された入力データを受信すること、及び
前記少なくとも１つの計算デバイスのグラフィカルディスプレイ上に、１組のグラフィカル視覚的物体として前記分析された入力データを視覚的に表示することであって、前記１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）前記第１の密度関数プロット及び前記第２の密度関数プロットのそれぞれに対して定義される決定境界を含み、前記決定境界は、前記リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への前記候補者の適性を特定するために、エンティティにより使用可能である、表示すること
を行うように構成される、少なくとも１つの計算デバイスと
を含む、システム。 - 前記１つ又は複数のプロセッサは、前記候補者の感情特性及び認知特性の測定値を前記統計モデルと比較することにより、前記リクルートゲームにおける前記候補者の実行を測定するように構成される、請求項１に記載のシステム。
- 前記１つ又は複数のプロセッサは、
前記候補者の感情特性及び認知特性の測定値と前記統計モデルとの比較に基づいて、前記候補者の適合スコアを生成することであって、前記適合スコアは、前記候補者と前記参加者のうちの選択されたグループとの一致のレベルを示す、生成することと、
少なくとも１つの計算デバイスのグラフィカルディスプレイ上に、前記適合スコアを示す点を表示することであって、前記点は、前記グラフィカルディスプレイ上の前記第１及び第２の密度関数プロットに前記点を重ねることにより表示される、表示することと、
（１）前記点が前記決定境界に対して第１の領域にある場合、グループ外として、（２）前記点が前記決定境界に対して第２の領域にある場合、グループ内として前記候補者を分類することと
を行うように構成される、請求項１に記載のシステム。 - 前記決定境界は、前記第１の密度関数プロットと前記第２の密度関数プロットとの重複領域において定義され、前記第１の領域は前記第１の密度関数プロットと重複し、前記第２の領域は前記第２の密度関数プロットと重複する、請求項３に記載のシステム。
- 前記候補者は、前記点が前記第１の領域にある場合、グループ外に分類される前記参加者への類似度が高く、グループ内に分類される前記参加者への類似度が低いと判断され、
前記候補者は、前記点が前記第２の領域にある場合、グループ内に分類される前記参加者への類似度が高く、グループ外に分類される前記参加者への類似度が低いと判断される、請求項３に記載のシステム。 - 前記候補者がグループ外に正確に分類される確率は、前記点の前記決定境界から前記第１の領域内への距離が増大するにつれて増大し、前記候補者がグループ内に正確に分類される確率は、前記点の前記決定境界から前記第２の領域内への距離が増大するにつれて増大する、請求項３に記載のシステム。
- 前記候補者は、前記点が前記第１の領域にある場合、前記標的ポジションへの適合度が低いと判断され、前記候補者は、前記点が前記第２の領域にある場合、前記標的ポジションへの適合度が高いと判断される、請求項３に記載のシステム。
- 前記標的ポジションへの前記候補者の適合度は、前記点の前記決定境界から前記第１の領域内への距離が増大するにつれて低減すると判断され、前記標的ポジションへの前記候補者の適合度は、前記点の前記決定境界から前記第２の領域内への距離が増大するにつれて増大すると判断される、請求項７に記載のシステム。
- 前記グラフィカルディスプレイ上の前記第１の密度プロット及び前記第２の密度プロットに対する前記決定境界の位置は、前記エンティティにより調整可能であり、前記決定境界の前記位置が調整される場合、グループ内又はグループ外に分類される前記参加者の数は変化する、請求項３に記載のシステム。
- 前記決定境界の前記位置は、より多数の参加者がグループ外に分類され、より少数の参加者がグループ内に分類されるように、前記グラフィカルディスプレイ上で第１の方向に調整可能であり、
前記決定境界の前記位置は、より多数の参加者がグループ内に分類され、より少数の参加者がグループ外に分類されるように、前記グラフィカルディスプレイ上で第２の方向に調整可能であり、
前記第２の方向は前記第１の方向の逆である、請求項９に記載のシステム。 - 前記１つ又は複数のプロセッサは、
前記候補者の感情特性及び認知特性の測定値と前記統計モデルとの比較に基づいて、複数の候補者に対して複数の適合スコアを生成することであって、前記適合スコアは、前記候補者と前記参加者のうちの前記選択されたグループとの一致のレベルを示す、生成することと、
前記グラフィカルディスプレイ上での前記複数の適合スコアを示す複数の点の表示を達成することであって、前記複数の点は、前記第１の密度関数プロット及び前記第２の密度関数プロットに前記点を重ねることにより表示される、達成することと
を行うように構成される、請求項１０に記載のシステム。 - 前記決定境界の前記位置が前記第１の方向に調整される場合、より多数の候補者がグループ外に分類され、より少数の候補者がグループ内に分類され、
前記決定境界の前記位置が前記第２の方向に調整される場合、より多数の候補者がグループ内に分類され、より少数の候補者がグループ外に分類される、請求項１１に記載のシステム。 - 前記複数の計算デバイスは、前記リクルートゲームが前記複数の計算デバイスで前記複数の参加者によりプレイされているとき、互いと通信するとともに、前記インタラクティブメディアを提供するように構成される前記サーバと通信する、請求項１に記載のシステム。
- 前記入力データは、前記サーバの前記メモリに記憶され、前記入力データは、前記リクルートゲームにおける前記複数の選択された神経科学ベースのコンピュータ化課題の実行における各参加者の過去及び／又は現在の実行データを含む、請求項１に記載のシステム。
- 前記１つ又は複数のプロセッサは、各参加者の過去及び／又は現在の実行データに基づいて、前記リクルートゲームでの前記複数の選択された神経科学ベースのコンピュータ化課題の実行における各参加者の将来の実行を予測するように構成される、請求項１４に記載のシステム。
- 前記過去及び／又は現在の実行データは、（１）各参加者が前記選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数に費やす時間量、（２）各参加者が前記選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するのにかかる試行数、（３）各参加者が前記選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するのにとる異なる動作、（４）各参加者が異なる動作のうちの１つ又は複数を実行するのにかかる時間量、（５）異なる動作のうちの１つ又は複数の実行における各参加者の正確性、及び／又は（６）選択された神経科学ベースのコンピュータ化課題のうちの１つ又は複数を完了するために特定の決定又は判断を下す際に各参加者が適用するウェイトを含む、請求項１４に記載のシステム。
- 前記１つ又は複数のプロセッサは、前記入力データを分析して、各参加者が異なる視覚的物体を正確に選択、配置、及び／又は使用して、前記リクルートゲームにおいて前記複数の選択された神経科学ベースのコンピュータ化課題を完了するか否かを判断するように構成される、請求項１に記載のシステム。
- 前記１つ又は複数のプロセッサは、前記入力データを分析して、前記リクルートゲームをプレイすることにおける各参加者の学習、認知スキル、及びプレイでの前の誤りから学習する能力を評価するように構成される、請求項１７に記載のシステム。
- 前記１つ又は複数のプロセッサは、各参加者がその他のペアになった参加者の身元情報を知らないよう、前記リクルートゲームにおいてランダムに前記複数の参加者のうちの２人以上の参加者をペアにするように構成され、前記複数の選択された神経科学ベースのコンピュータ化課題のうちの少なくとも１つは、前記ペアになった参加者間の信用レベル及び／又は寛容レベルをテストするように設計される、請求項１に記載のシステム。
- 前記統計モデルは、前記複数の参加者が同じリクルートゲームの複数のラウンドをプレイする際及び／又は前記複数の参加者が複数の異なるリクルートゲームをプレイする際、前記参加者の感情特性及び認知特性の前記測定値の変化を動的に織り込むように構成される、請求項１に記載のシステム。
- 前記１つ又は複数のプロセッサは、
前記リクルートゲームをプレイしている前記参加者の身元情報をマスキングすることにより、前記入力データを匿名化することと、
前記入力データの分析前に、前記匿名化された入力データを前記サーバの前記メモリに記憶することと
を行うように構成される、請求項１に記載のシステム。 - 前記複数の参加者は前記エンティティにより雇われており、前記参加者の選択されたグループは、少なくとも、前記エンティティにより予め定義された１組のジョブ実行尺度を満たす前記エンティティの従業員のグループに対応し、前記統計モデルは前記１組のジョブ実行尺度に相関する、請求項１に記載のシステム。
- 前記１つ又は複数のグラフィカル視覚的物体の前記操作は、前記参加者が、１つ又は複数の入力デバイスを使用して前記グラフィカルディスプレイ上の前記１つ又は複数のグラフィカル視覚的物体を選択及び／又は空間的に操作して、前記複数の選択された神経科学ベースのコンピュータ化課題を完了することにより達成される、請求項１に記載のシステム。
- 前記参加者の前記複数の感情特性及び認知特性は、前記複数の選択された神経科学ベースのコンピュータ化課題を完了することにおける前記参加者の速度、正確性、及び／又は判断に基づいて測定される、請求項１に記載のシステム。
- 前記リクルートゲームは、前記複数の参加者が前記グラフィカルディスプレイ上の前記１つ又は複数のグラフィカル視覚的物体を通して互いと対話して、前記複数の選択された神経科学ベースのコンピュータ化課題を完了できるようにするように構成される、請求項１に記載のシステム。
- 異なる統計モデルが、複数の異なる分野、機能、業界、及び／又はエンティティに対して生成される、請求項１に記載のシステム。
- コンピュータ実施のゲームベースの個人リクルート方法であって、
複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、前記インタラクティブメディアは、前記参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み、前記リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み、前記複数の予め定義される組の視覚的物体は、前記計算デバイスのグラフィカルディスプレイ上で前記参加者に表示される、提供することと、
前記参加者が、前記グラフィカルディスプレイ上の前記グラフィカル視覚的物体のうちの１つ又は複数を操作することにより、前記リクルートゲームを前記計算デバイスの前記グラフィカルディスプレイ上でプレイして、前記複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、前記計算デバイスから入力データを受信することと、
前記リクルートゲーム内の前記１つ又は複数のグラフィカル視覚的物体の前記参加者の操作から導出される前記入力データを分析することであって、それにより、（１）前記参加者による前記グラフィカル視覚的物体の操作の程度の程度に基づいて、前記参加者の感情特性及び認知特性の測定値を抽出し、（２）前記参加者の感情特性及び認知特性の前記測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）前記参加者の感情特性及び認知特性の前記測定値を前記統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析することと、
１組のグラフィカル視覚的物体として前記分析された入力データを視覚的に表示することであって、前記１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）前記第１の密度関数プロット及び前記第２の密度関数プロットのそれぞれに対して定義される決定境界を含み、前記決定境界は、前記リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への前記候補者の適性を特定するために、エンティティにより使用可能である、表示することと
を含む、方法。 - 命令を記憶する有形コンピュータ可読媒体であって、前記命令は、１つ又は複数のサーバにより実行されると、前記１つ又は複数のサーバにコンピュータ実施の神経科学ベースの個人リクルート方法を実行させ、前記方法は、
複数の参加者に関連する複数の計算デバイスにインタラクティブメディアを提供することであって、前記インタラクティブメディアは、前記参加者の１つ又は複数の感情特性及び認知特性を測定するように設計される少なくとも１つのリクルートゲームを含み、前記リクルートゲームは、複数の選択された神経科学ベースのコンピュータ化課題に関連する複数の予め定義される組のグラフィカル視覚的物体を含み、前記複数の予め定義される組の視覚的物体は、前記計算デバイスのグラフィカルディスプレイ上で前記参加者に表示される、提供することと、
前記参加者が、前記グラフィカルディスプレイ上の前記グラフィカル視覚的物体のうちの１つ又は複数を操作することにより、前記リクルートゲームを前記計算デバイスの前記グラフィカルディスプレイ上でプレイして、前記複数の選択された神経科学ベースのコンピュータ化課題を完了するとき、前記計算デバイスから入力データを受信することと、
前記リクルートゲーム内の前記１つ又は複数のグラフィカル視覚的物体の前記参加者の操作から導出される前記入力データを分析することであって、それにより、（１）前記参加者による前記グラフィカル視覚的物体の操作の程度の程度に基づいて、前記参加者の感情特性及び認知特性の測定値を抽出し、（２）前記参加者の感情特性及び認知特性の前記測定値に基づいて、参加者からの選択されたグループを表す統計モデルを生成し、（３）前記参加者の感情特性及び認知特性の前記測定値を前記統計モデルと比較することにより、各参加者がグループ内であるか、それともグループ外であるかを分類する、分析することと、
エンティティによる使用のために、前記分析された入力データを記憶することであって、前記分析された入力データは、少なくとも１つの計算デバイスのグラフィカルディスプレイに視覚的に表示されるように構成される１組のグラフィカル視覚的物体を含み、前記１組のグラフィカル視覚的物体は、（ｉ）グループ外として分類される参加者に対応する第１の密度関数プロット、（ｉｉ）グループ内として分類される参加者に対応する第２の密度関数プロット、及び（ｉｉｉ）前記第１の密度関数プロットと前記第２の密度関数プロットとの重複領域において定義される決定境界を含み、前記決定境界は、前記リクルートゲームでの候補者の測定された実行に基づいて標的ポジションへの求人への前記候補者の適性を特定するために、前記エンティティにより使用可能である、記憶することと
を含む、有形コンピュータ可読媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201562387440P | 2015-12-23 | 2015-12-23 | |
| US62/387,440 | 2015-12-23 | ||
| PCT/US2016/068454 WO2017112914A2 (en) | 2015-12-23 | 2016-12-22 | Systems and methods for data-driven identification of talent |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020080544A Division JP2020126684A (ja) | 2015-12-23 | 2020-04-30 | 才能のデータ駆動型識別のシステム及び方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019508776A JP2019508776A (ja) | 2019-03-28 |
| JP6700396B2 true JP6700396B2 (ja) | 2020-05-27 |
Family
ID=59091280
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018532380A Active JP6700396B2 (ja) | 2015-12-23 | 2016-12-22 | 才能のデータ駆動型識別のシステム及び方法 |
| JP2020080544A Pending JP2020126684A (ja) | 2015-12-23 | 2020-04-30 | 才能のデータ駆動型識別のシステム及び方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020080544A Pending JP2020126684A (ja) | 2015-12-23 | 2020-04-30 | 才能のデータ駆動型識別のシステム及び方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11030554B2 (ja) |
| EP (1) | EP3394808A4 (ja) |
| JP (2) | JP6700396B2 (ja) |
| KR (1) | KR20180118611A (ja) |
| CN (1) | CN108701293A (ja) |
| AU (1) | AU2016379422A1 (ja) |
| CA (1) | CA3006640A1 (ja) |
| WO (1) | WO2017112914A2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020126684A (ja) * | 2015-12-23 | 2020-08-20 | パイメトリクス，インコーポレイテッド | 才能のデータ駆動型識別のシステム及び方法 |
Families Citing this family (53)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6791850B2 (ja) | 2014-06-27 | 2020-11-25 | パイメトリクス，インコーポレイテッド | 才能のデータ駆動型識別システム及び方法 |
| US20180011978A1 (en) * | 2016-07-06 | 2018-01-11 | Cisco Technology, Inc. | Wellness tracking system |
| US20190012629A1 (en) * | 2017-07-10 | 2019-01-10 | Findo, Inc. | Team performance supervisor |
| US11853397B1 (en) * | 2017-10-02 | 2023-12-26 | Entelo, Inc. | Methods for determining entity status, and related systems and apparatus |
| US11860960B1 (en) | 2018-04-15 | 2024-01-02 | Entelo, Inc. | Methods for dynamic contextualization of third-party data in a web browser, and related systems and apparatus |
| US11924297B2 (en) | 2018-05-24 | 2024-03-05 | People.ai, Inc. | Systems and methods for generating a filtered data set |
| US11463441B2 (en) | 2018-05-24 | 2022-10-04 | People.ai, Inc. | Systems and methods for managing the generation or deletion of record objects based on electronic activities and communication policies |
| US10565229B2 (en) | 2018-05-24 | 2020-02-18 | People.ai, Inc. | Systems and methods for matching electronic activities directly to record objects of systems of record |
| US20200005217A1 (en) * | 2018-06-29 | 2020-01-02 | Microsoft Technology Licensing, Llc | Personalized candidate search results ranking |
| US11410111B1 (en) * | 2018-08-08 | 2022-08-09 | Wells Fargo Bank, N.A. | Generating predicted values based on data analysis using machine learning |
| JP7350590B2 (ja) * | 2018-09-28 | 2023-09-26 | オラクル・インターナショナル・コーポレイション | 反復的な人工知能を用いて、通信決定木を通る経路の方向を指定する |
| TWI696966B (zh) * | 2018-10-03 | 2020-06-21 | 一零四資訊科技股份有限公司 | 推薦伺服器及其推薦方法 |
| TWI696929B (zh) * | 2018-11-07 | 2020-06-21 | 遊戲橘子數位科技股份有限公司 | 遊戲行為的資料庫建立及其分析方法 |
| US11144880B2 (en) * | 2018-12-06 | 2021-10-12 | At&T Intellectual Property I, L.P. | Document analysis using machine learning and neural networks |
| US11010941B1 (en) | 2018-12-19 | 2021-05-18 | EffectiveTalent Office LLC | Matched array general talent architecture system and method |
| US11016988B1 (en) | 2018-12-19 | 2021-05-25 | Airspeed Systems LLC | Matched array flight alignment system and method |
| US10896529B1 (en) * | 2018-12-19 | 2021-01-19 | EffectiveTalent Office LLC | Matched array talent architecture system and method |
| CN113287133A (zh) * | 2019-01-07 | 2021-08-20 | 劳恩斯实验室有限公司 | 面试影像自动评价模型管理方法、***以及计算机可读介质 |
| CN109507876B (zh) * | 2019-01-25 | 2021-12-28 | 杭州电子科技大学 | 一种基于信度推理的电推船舶电机pid参数整定方法 |
| JP6796668B2 (ja) * | 2019-02-22 | 2020-12-09 | 株式会社三菱総合研究所 | 情報処理装置、情報処理方法及びプログラム |
| US20200302296A1 (en) * | 2019-03-21 | 2020-09-24 | D. Douglas Miller | Systems and method for optimizing educational outcomes using artificial intelligence |
| CN113614756A (zh) * | 2019-03-26 | 2021-11-05 | Hrl实验室有限责任公司 | 用于具有可编程人机混合集成学习的预报警报的***和方法 |
| US10705861B1 (en) | 2019-03-28 | 2020-07-07 | Tableau Software, LLC | Providing user interfaces based on data source semantics |
| JP2020190859A (ja) * | 2019-05-21 | 2020-11-26 | 株式会社Ｐｏｎｔｅｌｙ | ペットの性格情報出力システム及びペットの性格情報出力方法 |
| JP2022536946A (ja) | 2019-06-17 | 2022-08-22 | タブロー ソフトウェア，エルエルシー | データセット特性に基づく可視化内のマークの分析 |
| CN110298580A (zh) * | 2019-06-26 | 2019-10-01 | 刘玉静 | 一种基于人力资源开发的职业潜能测评*** |
| EP4020347A4 (en) * | 2019-08-21 | 2022-10-12 | Sony Group Corporation | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
| US11089112B2 (en) * | 2019-08-21 | 2021-08-10 | Facebook, Inc. | Low latency interactive media distribution using shared user hardware |
| US11222242B2 (en) * | 2019-08-23 | 2022-01-11 | International Business Machines Corporation | Contrastive explanations for images with monotonic attribute functions |
| US11783266B2 (en) | 2019-09-18 | 2023-10-10 | Tableau Software, LLC | Surfacing visualization mirages |
| CN111159043B (zh) * | 2019-12-31 | 2024-02-27 | 中国银行股份有限公司 | 一种测试风险的自动识别方法及*** |
| US11990057B2 (en) * | 2020-02-14 | 2024-05-21 | ARH Technologies, LLC | Electronic infrastructure for digital content delivery and/or online assessment management |
| SE2030053A1 (en) * | 2020-02-18 | 2021-08-19 | El Zouki Elias | Integrated automation in matchmaking for business platform |
| WO2021168254A1 (en) * | 2020-02-21 | 2021-08-26 | Pymetrics, Inc. | Systems and methods for data-driven identification of talent and pipeline matching to role |
| JP7521226B2 (ja) * | 2020-03-27 | 2024-07-24 | 日本電気株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| EP3910574A1 (en) | 2020-05-14 | 2021-11-17 | Game Time Project Sp. z o.o. | Method for assessing personality profile of player and computer program product implementing same |
| US11550815B2 (en) | 2020-07-30 | 2023-01-10 | Tableau Software, LLC | Providing and surfacing metrics for visualizations |
| US11397746B2 (en) | 2020-07-30 | 2022-07-26 | Tableau Software, LLC | Interactive interface for data analysis and report generation |
| US11579760B2 (en) | 2020-09-08 | 2023-02-14 | Tableau Software, LLC | Automatic data model generation |
| US20240020647A1 (en) | 2020-09-24 | 2024-01-18 | Miidas Co., Ltd. | Method of matching human resources |
| US20220101270A1 (en) * | 2020-09-30 | 2022-03-31 | Amazon Technologies, Inc. | Prognostics and health management service |
| CN112418706A (zh) * | 2020-12-07 | 2021-02-26 | 绿瘦健康产业集团有限公司 | 一种员工能力评估方法及装置 |
| CN112558965B (zh) * | 2020-12-10 | 2023-12-26 | 广州市网星信息技术有限公司 | 游戏地图数据适配方法、装置、设备和存储介质 |
| CN112785247A (zh) * | 2020-12-30 | 2021-05-11 | 南京博尔英科技有限公司 | 一种数字智能化招聘管理*** |
| CN113011711B (zh) * | 2021-02-24 | 2023-08-22 | 湖南汽车工程职业学院 | 一种差异规划人力资源管理*** |
| JPWO2022230050A1 (ja) * | 2021-04-27 | 2022-11-03 | ||
| WO2022230049A1 (ja) * | 2021-04-27 | 2022-11-03 | 株式会社I’mbesideyou | 動画像分析システム |
| JPWO2022230065A1 (ja) * | 2021-04-27 | 2022-11-03 | ||
| JPWO2022230155A1 (ja) * | 2021-04-29 | 2022-11-03 | ||
| KR102383371B1 (ko) * | 2021-07-22 | 2022-04-08 | 주식회사 에이치엠씨네트웍스 | 하드웨어 리소스 프로비저닝 최적화 방법 및 그 방법이 적용된 온라인 서비스 제공 방법 |
| US11741651B2 (en) | 2022-01-24 | 2023-08-29 | My Job Matcher, Inc. | Apparatus, system, and method for generating a video avatar |
| WO2024019917A1 (en) * | 2022-07-19 | 2024-01-25 | React Neuro Inc. | Systems and methods for assessment and training of perceptual-motor efficiency using motion |
| CN117112116B (zh) * | 2023-10-16 | 2024-02-02 | 成都市蓉通数智信息技术有限公司 | 基于数字政务的用户管理*** |
Family Cites Families (67)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6093119A (en) | 1998-07-31 | 2000-07-25 | Tipton; Steven M. | Football training and evaluation apparatus |
| US7792773B2 (en) | 2002-10-23 | 2010-09-07 | Genesys Telecommunications Laboratories, Inc. | Method and system for enabling automated and real-time discovery of skills available to agents and systems in a multimedia communications network |
| US7502748B1 (en) | 1999-08-31 | 2009-03-10 | Careerious Inc. | Job matching system and method |
| US7457764B1 (en) | 2000-02-04 | 2008-11-25 | Iq Navigator | System and method for matching human resources to human resource needs |
| CA2417863A1 (en) | 2000-08-03 | 2002-02-14 | Unicru, Inc. | Electronic employee selection systems and methods |
| JP3986739B2 (ja) | 2000-08-31 | 2007-10-03 | 富士通株式会社 | 最適研修推奨装置、最適研修推奨方法および最適研修推奨プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| JP2002140558A (ja) | 2000-11-02 | 2002-05-17 | Taiyo Yuden Co Ltd | ネットワークサービス方法、ネットワークサービス装置およびネットワークサービスプログラムを格納した記録媒体 |
| CA2441556C (en) | 2001-03-19 | 2015-06-16 | Techmicro, Inc. | Application of multi-media technology to computer administered vocational personnel assessment |
| US20030050816A1 (en) | 2001-08-09 | 2003-03-13 | Givens George R. | Systems and methods for network-based employment decisioning |
| JP2003076886A (ja) * | 2001-09-03 | 2003-03-14 | Human Bank Ltd | 求職・求人情報システム及びこれを実現するためのプログラムを記録した記録媒体 |
| US6996806B2 (en) | 2001-09-21 | 2006-02-07 | International Business Machines Corporation | Graphical view of program structure during debugging session |
| US7424438B2 (en) | 2002-03-19 | 2008-09-09 | Marc Vianello | Apparatus and methods for providing career and employment services |
| JP4255314B2 (ja) | 2003-05-23 | 2009-04-15 | 財団法人鉄道総合技術研究所 | ヒューマンエラー診断システム |
| JP2005018274A (ja) * | 2003-06-24 | 2005-01-20 | Saint Media:Kk | 人材マッチング方法及び人材マッチングシステム |
| US20050114203A1 (en) | 2003-11-24 | 2005-05-26 | Terrance Savitsky | Career planning tool |
| JP2005258519A (ja) * | 2004-03-09 | 2005-09-22 | First Career Trading Co Ltd | 採用内定率を利用した求人システム及びその運用方法 |
| US7502804B2 (en) | 2004-03-17 | 2009-03-10 | Hrvision Ltd. | Method of candidate selection using an organization-specific job profile |
| US7565193B2 (en) | 2004-06-14 | 2009-07-21 | Cephos Corp. | Questions and control paradigms for detecting deception by measuring brain activity |
| JP2006092109A (ja) * | 2004-09-22 | 2006-04-06 | Fujitsu Ltd | 合否決定支援装置、合否決定支援方法、合否決定支援プログラム、合否決定支援プログラムを格納したコンピュータ読み取り可能な記録媒体 |
| JP4009632B2 (ja) | 2004-11-01 | 2007-11-21 | 有限会社 上野ビジネスコンサルタンツ | 検査方法、検査システム、検査システム用プログラム及び検査システムサーバー装置 |
| US7751878B1 (en) | 2004-11-10 | 2010-07-06 | Sandia Corporation | Real-time human collaboration monitoring and intervention |
| JP2007041878A (ja) | 2005-08-03 | 2007-02-15 | Railway Technical Res Inst | 適性検査評価システム |
| US20070185757A1 (en) | 2006-02-09 | 2007-08-09 | Sap | Talent relationship management with E-recruiting |
| US20080003553A1 (en) | 2006-06-14 | 2008-01-03 | Roger Stark | Cognitive learning video game |
| US20130164713A1 (en) | 2011-12-23 | 2013-06-27 | Zonar Systems, Inc. | Method and apparatus for gps based slope determination, real-time vehicle mass determination, and vehicle efficiency analysis |
| US8204778B2 (en) * | 2007-06-29 | 2012-06-19 | Peopleanswers, Inc. | Behavioral profiles in sourcing and recruiting as part of a hiring process |
| US8353749B2 (en) | 2007-09-04 | 2013-01-15 | Dean Sanders | Vehicle tracking system, method and game |
| US8615479B2 (en) | 2007-12-13 | 2013-12-24 | The Invention Science Fund I, Llc | Methods and systems for indicating behavior in a population cohort |
| CN101952851A (zh) * | 2008-02-26 | 2011-01-19 | 汤姆斯股份有限公司 | 产业人才的持续能力开发*** |
| US20100010317A1 (en) | 2008-07-09 | 2010-01-14 | De Lemos Jakob | Self-contained data collection system for emotional response testing |
| US20100082356A1 (en) | 2008-09-30 | 2010-04-01 | Yahoo! Inc. | System and method for recommending personalized career paths |
| US9558499B2 (en) * | 2009-02-27 | 2017-01-31 | The Forbes Consulting Group, Llc | Methods and systems for assessing psychological characteristics |
| IL201810A (en) | 2009-10-29 | 2015-06-30 | Greenroad Driving Technologies Ltd | METHOD AND DEVICE FOR ASSESSING EFFECTIVE FUEL CONSUMPTION IN CAR |
| US20110218821A1 (en) * | 2009-12-15 | 2011-09-08 | Matt Walton | Health care device and systems and methods for using the same |
| US8628331B1 (en) | 2010-04-06 | 2014-01-14 | Beth Ann Wright | Learning model for competency based performance |
| WO2012012791A2 (en) | 2010-07-23 | 2012-01-26 | Anne Galya | Business matching system and methods thereof for the creative arts industries |
| US8928498B2 (en) | 2010-09-27 | 2015-01-06 | Honeywell International Inc | Workload management system and method |
| US20130185218A1 (en) | 2010-10-28 | 2013-07-18 | Talentcircles, Inc. | Methods and apparatus for a social recruiting network |
| AU2011332799A1 (en) * | 2010-11-24 | 2013-07-11 | Digital Artefacts, Llc | Systems and methods to assess cognitive function |
| US8655793B2 (en) | 2011-01-03 | 2014-02-18 | Pugazendhi Asaimuthu | Web-based recruitment system |
| WO2012135654A1 (en) | 2011-04-01 | 2012-10-04 | Concorrx Corporation | Computer-executed method, system, and computer readable medium for testing neuromechanical function |
| US20120258436A1 (en) | 2011-04-08 | 2012-10-11 | Case Western Reserve University | Automated assessment of cognitive, fine-motor, and memory skills |
| US20120271675A1 (en) | 2011-04-19 | 2012-10-25 | Alpine Access, Inc. | Dynamic candidate organization system |
| US20130066769A1 (en) | 2011-09-13 | 2013-03-14 | William TRENCHARD | Methods of distributed interviewing |
| US9014614B2 (en) | 2011-10-20 | 2015-04-21 | Cogcubed Corporation | Cognitive assessment and treatment platform utilizing a distributed tangible-graphical user interface device |
| US20130216986A1 (en) * | 2012-02-20 | 2013-08-22 | Athletic Intelligence Measures, Llc | Cognitive aptitude assessment tool |
| US20130260357A1 (en) * | 2012-03-27 | 2013-10-03 | Lauren Reinerman-Jones | Skill Screening |
| US20130290207A1 (en) * | 2012-04-30 | 2013-10-31 | Gild, Inc. | Method, apparatus and computer program product to generate psychological, emotional, and personality information for electronic job recruiting |
| US20130311416A1 (en) | 2012-05-16 | 2013-11-21 | Xerox Corporation | Recommending training programs |
| US20140015749A1 (en) * | 2012-07-10 | 2014-01-16 | University Of Rochester, Office Of Technology Transfer | Closed-loop crowd control of existing interface |
| US20150079578A1 (en) | 2012-08-10 | 2015-03-19 | Dario Nardi | Neurological performance quotient |
| US20140195310A1 (en) | 2012-10-04 | 2014-07-10 | Zonar Systems, Inc. | Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance |
| WO2014071307A1 (en) * | 2012-11-05 | 2014-05-08 | Velvet Ape, Inc. | Methods for targeted advertising |
| US20140129462A1 (en) | 2012-11-07 | 2014-05-08 | International Business Machines Corporation | Multifaceted candidate screening |
| US20140214709A1 (en) | 2013-01-07 | 2014-07-31 | Assessment Innovation, Inc. | Occupational performance assessment apparatuses, methods and systems |
| US20140278633A1 (en) | 2013-03-12 | 2014-09-18 | Kevin M. Daly | Skill-based candidate matching |
| US20140279636A1 (en) * | 2013-03-13 | 2014-09-18 | Profiles International, Inc. | System and method for using three dimensional graphical figures in an assessment |
| US20140279635A1 (en) | 2013-03-13 | 2014-09-18 | Profiles International, Inc. | System and method for utilizing assessments |
| EA201300375A1 (ru) | 2013-04-18 | 2014-10-30 | Общество С Ограниченной Ответственностью "Умный Рекрутинг" | Способ организации поисковой базы данных с использованием нечетких критериев |
| US9996822B2 (en) | 2013-05-01 | 2018-06-12 | Mercer (US) Inc. | Systems and methods for identifying hidden talent |
| US20140351156A1 (en) | 2013-05-24 | 2014-11-27 | mySOAP PH Limited | Method and system of personal assessment and profiling |
| US20150046357A1 (en) | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
| US20150154564A1 (en) * | 2013-12-02 | 2015-06-04 | Hirevue, Inc. | Weighted evaluation comparison |
| KR101495672B1 (ko) * | 2014-03-21 | 2015-02-27 | (주)한국브릿지개발원 | 피팅률 산출에 의한 직업 피팅 시스템 |
| JP6791850B2 (ja) | 2014-06-27 | 2020-11-25 | パイメトリクス，インコーポレイテッド | 才能のデータ駆動型識別システム及び方法 |
| US20160275431A1 (en) * | 2015-03-18 | 2016-09-22 | Adp, Llc | Employee Evaluation System |
| EP3394808A4 (en) * | 2015-12-23 | 2019-05-15 | Pymetrics, Inc. | SYSTEMS AND METHOD FOR DATA-CONTROLLED IDENTIFICATION OF TALENT |
-
2016
- 2016-12-22 EP EP16880131.4A patent/EP3394808A4/en not_active Ceased
- 2016-12-22 JP JP2018532380A patent/JP6700396B2/ja active Active
- 2016-12-22 WO PCT/US2016/068454 patent/WO2017112914A2/en active Application Filing
- 2016-12-22 KR KR1020187020903A patent/KR20180118611A/ko not_active Application Discontinuation
- 2016-12-22 AU AU2016379422A patent/AU2016379422A1/en not_active Abandoned
- 2016-12-22 CA CA3006640A patent/CA3006640A1/en active Pending
- 2016-12-22 CN CN201680082459.8A patent/CN108701293A/zh active Pending
-
2018
- 2018-06-20 US US16/013,784 patent/US11030554B2/en active Active
-
2020
- 2020-04-30 JP JP2020080544A patent/JP2020126684A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020126684A (ja) * | 2015-12-23 | 2020-08-20 | パイメトリクス，インコーポレイテッド | 才能のデータ駆動型識別のシステム及び方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108701293A (zh) | 2018-10-23 |
| US20190026681A1 (en) | 2019-01-24 |
| US11030554B2 (en) | 2021-06-08 |
| KR20180118611A (ko) | 2018-10-31 |
| WO2017112914A2 (en) | 2017-06-29 |
| CA3006640A1 (en) | 2017-06-29 |
| JP2020126684A (ja) | 2020-08-20 |
| WO2017112914A3 (en) | 2017-08-10 |
| EP3394808A4 (en) | 2019-05-15 |
| JP2019508776A (ja) | 2019-03-28 |
| AU2016379422A1 (en) | 2018-06-14 |
| EP3394808A2 (en) | 2018-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6700396B2 (ja) | 才能のデータ駆動型識別のシステム及び方法 | |
| JP6791850B2 (ja) | 才能のデータ駆動型識別システム及び方法 | |
| Pandit et al. | Examining entrepreneurial intention in higher education: An exploratory study of college students in India | |
| Bettinger et al. | The effects of student coaching: An evaluation of a randomized experiment in student advising | |
| EP3616619A1 (en) | Method of preparing recommendations for taking decisions on the basis of a computerized assessment of the capabilities of users | |
| US20190087781A1 (en) | Digital credential system for employer-based skills analysis | |
| Teo et al. | Understanding the intention to use technology by preservice teachers: An empirical test of competing theoretical models | |
| Jones | Advising the whole student: eAdvising analytics and the contextual suppression of advisor values | |
| US20210264371A1 (en) | Systems and methods for data-driven identification of talent and pipeline matching to role | |
| US20130344968A1 (en) | System and method for extracting value from game play data | |
| US10558916B2 (en) | Simulation system and method for integrating client behavioral preferences within decision-based simulation scenarios | |
| Cesario et al. | Power poseur: Bodily expansiveness does not matter in dyadic interactions | |
| Fitzpatrick et al. | An Exploratory Study of Engineering Graduate Student Persistence: Self-Efficacy and Contextual Influences | |
| Bhatia et al. | The relationship between parental attachment and career aspirations in Indian female undergraduate students | |
| WO2013184848A2 (en) | System and method for extracting value from game play data | |
| Nomlala | Financial capability, financial socialisation and professional skills of Accounting students studying in KwaZulu-Natal universities. | |
| Michaud et al. | Transformational leadership, well-being, morale, and readiness: The mediating role of empowerment | |
| Ham | Big Data in Student Data Analytics: Higher Education Policy Implications for Student Autonomy, Privacy, Equity, and Educational Value | |
| Hejazi | Responsibility Factors of Reducing Inefficiencies in Information System Processes and Their Role on Intention to Acquire Six Sigma Certification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191111 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200228 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200331 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200430 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6700396 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |