JP7056049B2 - 機械学習に基づくアクセス制御のためのシステムおよび方法、プログラム - Google Patents

Description

本開示は、一般に、機械学習に関し、より具体的には、機械学習に基づいた状態間の移行中のアクセス制御を提供するためのシステムおよび方法に関する。

関連技術の実施態様には、業務期間中にデジタル装置における非業務活動へのアクセスを制限するルールベースの手法がある。業務中に休憩（身体的なものおよび精神的なものの両方）を取ることが人の生産性および健康を大幅に改善し得ることはよく知られている。職場の生産性の問題は、休憩を取った後に集中的な業務に素早くかつ首尾よく再度移行することが人々にとって困難なことである。人々は、個人的な事柄によって注意を逸らされる場合もあれば、業務期間中の、非業務関連ウェブサイトへのアクセスを効果的に管理する自己管理が不十分な場合もある。

業務期間中にデジタル装置における非業務活動を制限する技術的手法は、一般的に、コンテンツのブロックおよびデバイスへの物理的アクセスの制限を含む。しかしながら、業務活動からの休憩は、人々の健康および生産性にプラスの効果をもたらすことが知られているため、デジタル装置における非業務活動へのアクセスのすべてをブロックすることは、生産性に恩恵を与えるというよりも生産性を損ない、その結果、休憩を取ることによって得られる結果的な生産性を低下させる。したがって、人が、休憩から業務に再度移行するとき、その人は、集中的な業務活動に関与する準備ができていないかもしれないが、非業務活動へのアクセスをブロックすることに比べると生産的になり得る。したがって、集中的な業務活動に再度移行する人の能力を改善するためにデジタル装置における非業務活動へのアクセスを管理するシステムおよび方法を開発することは望ましくあり得る。

米国特許第７２２１９３９号明細書

ANTI-SOCIAL, 80 PCT SOLUTIONS, 2015, 3PGS., URL: http://antisocial.80pct.com/ STAYFOCUSD, TRANSFUSION MEDIA, 1 PG., URL: https://chrome.***.com./webstore/detail/stayfocusd/AANKEJKBHDBHMIPFMGCNGDELAHLFOJI FREEDOM, 80 PCT SOLUTIONS, 6PGS. URL: https://freedom.to/ DEJAL TIME OUT, DEJAL SYSTEMS, LLC, 2017, 3 PGS., URL: http://www.dejal.com/timeout/ SLACK, SLACK TECHNOLOGIES, 5 PGS., URL:www.slack.com

本開示の技術は、従来技術より、集中的な業務活動に再度移行する人の能力を改善することを目的とする。

本明細書で説明される例示的な実施態様は、活動に関連する情報を受信し、第１のパターンおよび第２のパターンを特定するために情報を解析し、および第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成するためのシステムおよび方法を提供する。第１のパターンへの移行を示す検出されたトリガに応答して、本方法は、コンテキスト要因を評価し、カスタマイズされた移行モデルを適用して、第１のパターンへの移行中にデジタルリソースへのアクセスを動的に管理する。第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、本方法は、デジタルリソースへのアクセスを変更する。情報は、検知データ、ピンポイントデータ、および環境データのうちの１つ以上を含んでもよい。例えば、情報は、位置データ、生理学的データ、コンピュータ使用量、電話使用量、センサデータなどのうちの１つ以上を含む。一例では、閾値は、アプリケーションまたはアプリケーション群とのインタラクション時間の量、生理学的センサからのセンサ読み取り値、スケジュールされたイベントなどによって満たされてもよい。

本開示の例示的な態様は、１つ以上のパラメータ（トレーニングデータ、ユーザの好み、環境制御、ソーシャルグラフなど）に基づいて、カスタマイズされた移行モデルを生成するために機械学習を使用することを含む。例示的な実施態様では、第１のパターンに関連する集中的な活動は、センサ、デバイスインタラクション、ユーザフィードバックなどによってユーザの挙動を監視することにより判定される。

非一時的なコンピュータ可読媒体であって、プロセッサによって実行されると、モデルを適用してデジタルリソースを動的に管理させる命令を含む非一時的なコンピュータ可読媒体もまた、例示的な実施態様によって提供される。

第１の態様は、生産性を向上させるための方法であって、活動に関連する情報を受信するステップと、第１のパターンおよび第２のパターンを特定するために前記情報を解析するステップと、前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成するステップと、前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理するステップと、前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへのアクセスを回復するステップとを含む。
前記第１のパターンに関連する活動への前記集中的な関与のレベルが、インタラクション率に基づいて閾値を満たすようにしてもよい。
前記インタラクション率が、期間中のアプリケーション分類におけるユーザイベント率を含み、前記閾値が、過去の期間と比較される前記期間中の前記ユーザイベント率の平均に応答して満たされるようにしてもよい。
前記カスタマイズされた移行モデルが、以前のセッション中の前記第１のパターンの活動に基づいてデジタルリソースアクセスを提案する生産的計画を含む。
前記生産的計画が、前記第２のパターンに関連する活動へのアクセスに対する前記ユーザへのアラートまたは前記第２のパターンに関連する活動へのアクセスのブロックを表示するか否かを判定することを含むようにしてもよい。
前記カスタマイズされた移行モデルが、トレーニングデータ、ユーザの好み、環境制御、およびソーシャルグラフのうちの１つ以上に関連する機械学習を用いて生成されるようにしてもよい。
前記カスタマイズされた移行モデルを生成する前記ステップが、デジタルリソースに関連するユーザフィードバックに基づいて前記ユーザに関連する集中度評価を計算することをさらに含むようにしてもよい。
前記第１のパターンへの移行を示す前記検出されたトリガが、ユーザの身体の動き、位置、および視線のうちの１つ以上を追跡することに基づくようにしてもよい。
前記デジタルリソースへのアクセスを動的に管理する前記ステップが、前記ユーザに関連する複数の同じ場所に配置されたデバイスにおいて別々にデジタルリソースを管理することを含むようにしてもよい。
前記情報が、検知データ、ピンポイントデータ、および環境データのうちの１つ以上を含むようにしてもよい。
前記情報が、位置データ、生理学的データ、コンピュータ使用量、電話使用量、およびセンサデータのうちの１つ以上を含むようにしてもよい。
前記第１のパターンに関連するフィードバック情報を受信するステップであって、前記フィードバック情報が、前記第１のパターンへの復帰に関する時間、別のユーザの共存の追跡、ユーザ位置データ、ユーザ調査、および休憩後活動のうちの１つ以上を含むステップと、前記受信したフィードバック情報に基づいて前記モデルをアップデートするステップとをさらに含むようにしてもよい。

第２に態様は、生産性を改善するためのシステムであって、メモリと、前記メモリに動作可能に結合されたプロセッサであって、活動に関連する情報を受信し、第１のパターンおよび第２のパターンを特定するために前記情報を解析し、前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成し、前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理し、および前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへの前記アクセスを回復するように構成されたプロセッサとを備えるようにしてもよい。
前記第１のパターンに関連する活動への前記集中的な関与のレベルが、インタラクション率に基づいて閾値を満たし、前記インタラクション率が、期間中のアプリケーション分類におけるユーザイベント率を含み、前記閾値が、過去の期間と比較される前記期間中の前記ユーザイベント率の平均に応答して満たされるようにしてもよい。
前記カスタマイズされた移行モデルが、トレーニングデータ、ユーザの好み、環境制御、臨床ガイドライン、安全規則、およびソーシャルグラフのうちの１つ以上に関連する機械学習を用いて生成されるようにしてもよい。
前記カスタマイズされた移行モデルが、以前のセッション中の前記第１のパターンの活動に基づいてデジタルリソースアクセスを提案する生産的計画を含むようにしてもよい
前記プロセッサが、前記第１のパターンに関連するフィードバック情報であって、前記第１のパターンへの復帰に関する時間、別のユーザの共存の追跡、ユーザ位置データ、ユーザ調査、および休憩後活動のうちの１つ以上を含むフィードバック情報を受信し、および前記フィードバック情報に基づいて前記モデルをアップデートするようにさらに構成されているようにしてもよい。

第３の態様は、プロセッサによって実行されると、活動に関連する情報を受信させ、第１のパターンおよび第２のパターンを特定するために前記情報を解析させ、前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成させ、前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理させ、および前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへの前記アクセスを回復させる、プログラムである。
前記カスタマイズされた移行モデルを生成することが、前記デジタルリソースに関連するユーザフィードバックに基づいて前記ユーザに関連する集中度評価を計算することをさらに含むようにしてもよい。
前記カスタマイズされた移行モデルが、トレーニングデータ、ユーザの好み、環境制御、およびソーシャルグラフのうちの１つ以上に関連する機械学習を用いて生成されるようにしてもよい。
前記デジタルリソースへのアクセスを動的に管理することが、前記ユーザに関連する複数のデバイスに別々に、同じ場所に配置されたデジタルリソースを管理することを含む。
前記第１のパターンに関連するフィードバック情報であって、前記第１のパターンへの復帰に関する時間、別のユーザの共存の追跡、ユーザ位置データ、ユーザ調査、および休憩後活動のうちの１つ以上を含むフィードバック情報を受信させ、および前記フィードバック情報に基づいて前記モデルをアップデートさせるようにしてもよい。

上記生産性を向上させるための方法、システム、プログラムでは、前記第１のパターンは、業務中であることを示すパターンであり、前記第２のパターンは、休息中であることを示すパターンであるとしてもよい。

本発明の概念の他の特徴および利点は、以下の詳細な説明および添付図面を検討した後に当業者により容易に明らかになるであろう。

例示的な実施態様の構造および動作は、以下の詳細な説明および同じ参照符号が同じ部分を示す添付図面の検討から理解される。

例示的な実施態様によるシステムの概要を示している。 例示的な実施態様による例示的な活動エンジンを示している。 例示的な実施態様による例示的なユーザシーケンスを示している。 例示的な実施態様によるカスタマイズされたモデルのための、サーバのフロー図を示している。 例示的な実施態様による例示的なモデルのためのフロー図を示している。 例示的な実施態様によるカスタマイズされたモデルを実行するためのフロー図を示している。 例示的な実施態様での使用に適した例示的なコンピュータ装置を有する例示的なサーバコンピューティング環境を示している。 例示的な実施態様での使用に適した例示的なコンピュータ装置を有する例示的なネットワーク環境を示している。

以下の詳細な説明は、本出願の図面および例示的な実施態様のさらなる詳細を提供する。図面間の重複する要素の参照符号および説明は、明確にするために省略されている。説明を通して使用されている用語は、例として提供されており、限定を意図したものではない。例えば、「自動」という用語の使用は、本出願の実施態様を実施する当業者の所望の実施態様に応じて、実施態様の特定の態様についてのユーザまたはオペレータの制御を含む全自動または半自動の実施態様を含んでもよい。

例示的な実施態様は、第２のパターン（例えば、休憩中であることを示すパターン）から第１のパターン（例えば、業務中であることを示すパターン）に移行するためのカスタマイズされた移行モデルを生成することを含む。システムは、ユーザのパターンを学習すると、システムは、第１のパターンおよび第２のパターンを観察して、第１のパターンに関連しない活動を識別し、各パターン中のプラスのパフォーマンスに寄与する活動に関連付けるアクセスポリシー（すなわち、生産的計画）を決定してもよい。カスタマイズされた移行モデルは、デバイス、アプリケーション、コミュニケーション（ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、コンテンツなどへのユーザのデジタルアクセスを管理し、第１のパターンへの移行中にユーザの注意を生産的活動への集中的な関与に誘導してもよい。

本明細書で説明されるシステムおよび方法の例示的な態様は、休憩期間から集中的な業務の状態に再度移行した後のユーザの生産性（例えば、業務活動との閾値インタラクション率）を改善することができる。例示的な実施態様によれば、システムは、休憩前のユーザの活動を監視し、業務への再度の移行を検出し、カスタマイズされた機械学習生成モデルに基づいてユーザを活動に誘導する。休憩から復帰するとき、システムは、ウェブサイト、アプリケーション、パーソナルコミュニケーション（ｐｅｒｓｏｎａｌ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）などの、集中的な業務の再開から、不必要に注意を逸らすものとして働き得る、「デジタル休憩（ｄｉｇｉｔａｌ ｂｒｅａｋ）」に使用される活動とのインタラクションを低減するためにデジタル活動へのアクセスをインテリジェントに管理する。

カスタマイズされた機械学習生成モデルは、業務活動にとっても重要であり得る「デジタル休憩」に使用されるデジタル活動へのアクセスを管理するために使用される。例えば、もともとパーソナルコミュニケーションを目的としていたソーシャルネットワーキングサイトは、ビジネスコミュニケーションにとって不可欠なものになりつつある。システムがデジタルリソースへのアクセスを管理することは、業務活動にとって重要であり得ることからデジタルリソース（例えば、ウェブサイト、メッセージングツール、アプリケーション、デジタルコンテンツなど）へのアクセスを許可しながらも、移行期間中のユーザの生産性を改善するためにアクセスを制限することを含んでもよい。本明細書で説明されるシステムおよび方法は、ユーザの活動、挙動、および好みを考慮して推奨およびアクセス制御をカスタマイズする、ユーザに焦点を合わせた機械学習に関する。

例示的な態様は、デジタルリソース（例えば、ウェブサイト、アプリケーション、コンタクト（ｃｏｎｔａｃｔｓ）など）へのユーザのアクセスを動的に管理することによって、第１のパターンに関連する集中的な活動（例えば、業務活動）に復帰する人の準備の改善を容易にする。例示的な実施態様では、職場にいるユーザは、業務への復帰の準備ができているものとして検出されてもよく、非業務関連活動（すなわち、第２のパターンに関連する活動）の検出に応答して、ユーザは、業務関連活動（例えば、第１のパターンに関連する活動への集中的な関与）を行うようユーザを誘導する推奨を受け取ってもよい。

したがって、本発明の概念に関連する方法およびシステムの例示的な実施態様は、活動に関連する情報を解析し、第１のパターンまたは第２のパターンに関連するものとして活動を特定することに関する。例えば、第１のパターンは、ユーザの業務活動に関連付けられてもよく、第２のパターンは、ユーザの休憩活動に関連付けられてもよい。

例えば、第２のパターンが、複数の非業務活動（例えば、オンラインショッピングウェブサイトへのアクセス）を含むとき、第１のパターンのためのカスタマイズされた移行モデルは、以下でより詳細に説明するように、ユーザが第２のパターンから第１のパターンに移行した（例えば、休憩から戻ってきた）ときにユーザの注意を業務関連活動に誘導する（例えば、アプリケーションを起動する、期限に近づいていることをユーザにアラートする、同僚への連絡を提案する等）ためにアクセスポリシー（例えば、オンラインショッピングウェブサイトへのアクセスをブロックする、個人的な会話の開始を回避するためにユーザにアラートする等）を含んでもよい。例えば、ユーザが、個人的な物品のショッピングに休憩期間（すなわち、第２のパターン）を費やす場合、業務（すなわち、第１のパターン）に移行する間のショッピングウェブサイトの、ユーザの継続的な使用は、休憩を延長し、第１のパターンに関連する活動への集中的な関与からユーザの注意を逸らし、その結果、生産性を損ない得る。

さらに、デジタルリソースへの制限的なアクセスは、システムが第１のパターンに関連する活動への集中的な関与の閾値レベルを検出した後に解除される。例示的な実施態様によれば、ユーザが第１のパターンの活動への集中的な関与の閾値に達すると、第１のパターンへの移行は完了し、アクセスポリシーは変更され得る。例えば、オンライン購入用のデジタルリソースと効率的にインタラクションするユーザの能力は、第１のパターン中の生産性を改善することができ、および／または第１のパターンの活動に対するユーザの注意を高める（例えば、注意の逸脱を解消する）ことができる。したがって、以前にブロックされたデジタルリソースへのアクセスは、ショッピングサイトにおける業務関連活動（例えば、事務用品の注文）および非業務関連活動（例えば、ユーザが注文が無事に完了したか否かをチェックするために短いデジタル休憩を取らせる）の両方を許可するために回復されてもよい。

例示的な実施態様では、第２のパターンから第１のパターンへの移行を示す移行トリガが検出される。例示的な実施態様によれば、コンテキスト要因が、第１のパターンへの移行を確認するために使用される。

第１のパターンへのユーザの移行に応答して、システムは、機械学習されたユーザ挙動に基づいて活動のセットを推奨する。ユーザが第２のパターンに関連する活動（例えば休憩活動）に関与しようとしていることに応答して、システムは、業務活動を行うようユーザを誘導する。例えば、推奨は、ユーザの休憩前活動、スケジューリング情報、または使用パターンを含んでもよいコンテキスト情報に基づいて、業務関連アプリケーションの一覧をユーザに提供してもよい。

以下でより詳細に説明するように、カスタマイズされた移行モデルは、例えばトレーニングデータ、ユーザの好み、環境制御、臨床ガイドライン、安全規則、ソーシャルグラフなどを適用し得る機械学習を用いて生成される。

例示的な実施態様の態様は、検知データ（例えば、ウェアラブルデバイス、カメラなどからの）、ピンポイントデータ（例えば、位置追跡、コンピュータ使用量、カレンダースケジュール、ソーシャルグラフなど）、および環境データ（例えば、地域の天気、建物のレイアウト、室内の気候制御、会議室のスケジュール、企業ポリシーなど）を含む情報の使用に関する。情報は、ユーザの活動または挙動のパターンを検出し、生産的計画のための、コンテキストに敏感な移行モデルを作成するために使用され得る。モデルは、第１のパターンへの移行後に生産的計画を実行すべしとの推奨を生成する。さらに、例示的な実施態様は、移行モデルを改良するためにフィードバック情報、生産性測定、および検知データを組み込むことに関する。

本開示は、デジタルリソースのためのアクセスポリシーをカスタマイズすることを含む。例示的な実施態様では、ユーザが、第１のパターンから第２のパターンに移って休憩し、その後、第１のパターンに再度移行するとき、アクセスポリシーは、第１のパターンの活動に再び関与するようユーザの注意を誘導するように構成されてもよい。すなわち、ユーザは、業務（例えば、第１のパターン）に再度移行するときにアラートされて休憩前活動に導かれる。例示的な実施態様は、例えば、ユーザに関連する検知データに基づいてユーザの活動を監視することならびにコンテキストパラメータ（ピンポイントデータおよび／または環境データなど）に基づいて第２のパターンと第１のパターンとの間の移行を検出することに関する。ユーザが第１のパターンに移行したとの判定に応答して、システムは、第１のパターンのための移行モデルの出力に基づいて、第２のパターンに関連するデジタルリソースへのアクセスを動的に管理する。

例示的な実施態様の態様は、職場環境（オフィス環境、組立ライン、建設現場、小売りスタンドなど）を参照して説明される。しかしながら、例示的な実施態様の範囲は、特定の環境に限定されるものではなく、本発明の範囲から逸脱することなくそれは他の環境に置き換えることができる。例えば、限定のためではないが、アクセス制御による活動間の移行の管理が実行され得る他の環境は、オフィスまたは職場以外の教育環境を含み得るが、これに限定されない。

図１は、例示的な実施態様によるシステム１００の概要を示している。システム１００は、コンテキスト認識による生産的推奨（ｃｏｎｔｅｘｔ ａｗａｒｅ ｐｒｏｄｕｃｔｉｖｉｔｙ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ）をユーザに提供するために１つ以上のクライアント装置１０５ａ～１０５ｎと通信するように構成された活動エンジン１１０を含む。活動エンジン１１０は、ネットワーク１０２を介してリモートで１つ以上の処理装置（１つ以上のクライアント装置１０５ａ～１０５ｄなど）上でクラウドサービス１０５ｎ（図１）として動作するソフトウェア（例えば、非一時的なコンピュータ可読媒体上の命令）の形態または当業者に知られている他の構成で実施されてもよい。

「コンピュータ」、「コンピュータプラットフォーム」、処理装置、およびクライアント装置という用語は、任意のデータ処理装置（デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、メインフレームコンピュータ、サーバ、ハンドヘルドデバイス、デジタル信号プロセッサ（ＤＳＰ）、埋め込みプロセッサ、またはデータを処理することができる任意の他のデバイスなど）を含むことを意図したものである。コンピュータ／コンピュータプラットフォームは、１つ以上の非一時的なコンピュータ可読媒体および１つ以上のネットワークに通信可能に接続された１つ以上のマイクロプロセッサを含むように構成される。

活動エンジン１１０は、データ記憶装置１０３（例えば、ＲＡＭ、ＲＯＭ、および／もしくは内部記憶装置、磁気記憶装置、光学記憶装置、固体記憶装置、ならびに／または有機記憶装置）などのメモリを直接的または間接的に含み、そのいずれも、情報を通信するための通信機構（またはバス）に結合されてもよい。

例示的な実施態様では、活動エンジン１１０は、クラウドサービス１０５ｎによってホストされてもよく、データを送受信するためにネットワーク１０２を介してクライアント装置１０５ａ～１０５ｎに通信可能に接続されてもよい。「通信可能に接続された」という用語は、データが通信され得る有線または無線の任意の種類の接続を含むことを意図したものである。「通信可能に接続された」という用語は、単一のコンピュータ内のデバイスおよび／もしくはプログラム間の接続またはネットワーク１０２を介したデバイスおよび／もしくは別々のコンピュータ間の接続を含むが、これらに限定されないことを意図したものである。「ネットワーク」という用語は、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）、ＴＣＰ／ＩＰ（インターネット）などのパケット交換ネットワークを含むが、これに限定されないことを意図したものであり、様々な伝送手段（ＷｉＦｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、低電力無線エリアネットワークを介するインターネットプロトコルバージョン６（６ＬｏｗＰＡＮ）、電力線通信（ＰＬＣ）、イーサネット（登録商標）（例えば、１０メガバイト（Ｍｂ）、 １００Ｍｂ、および／もしくは１ギガバイト（Ｇｂ）のイーサネット（登録商標）など）、または他の通信プロトコルなどであるが、これらに限定されない）を使用してもよい。

ユーザまたはユーザの環境に関連するデータは、異なる種類のクライアント装置１０５ａ～１０５ｎから来てもよい。クライアント装置１０５ａ～１０５ｎは、例えば、センサシステム１０５ａ（例えば、フィットネストラッカ、生理学的センサ、生体センサ、位置センサ、全地球測位システム（ＧＰＳ）ユニット、Ｂｌｕｅｔｏｏｔｈ（登録商標）ビーコンなどを含むウェアラブル技術）、モバイルコンピューティングデバイス１０５ｂ（例えば、スマートフォン、ラップトップ、タブレットなど）、コンピューティングデバイス１０５ｃ（例えば、デスクトップ、メインフレーム、ネットワーク機器など）、位置ベースのシステム１０５ｄ（例えば、制御システム、建物環境制御装置、セキュリティシステム、企業インフラなど）、カメラシステム１０５ｅ、接続されたマシン１０５ｆ、およびクラウドサービス１０５ｎ（例えば、リモートで利用可能なプロプライエタリまたはパブリックコンピューティングリソース）を含んでもよい。

クライアント装置１０５ａ～１０５ｎは、例えば、検知データを収集および／または記憶する、位置を追跡する、ならびに外部装置との通信を管理するなどの機能を有するクライアントサービスを含んでもよい。例えば、モバイルコンピューティングデバイス１０５ｂは、ユーザをカメラ１０５ｅで観察する、ユーザが身に着けたウェアラブルセンサシステム１０５ａで心拍数情報を監視する、企業のメインフレームから組織構造を収集するなどを行うクライアントサービスを含んでもよい。例示的な実施態様では、活動エンジン１１０は、複数のクライアント装置１０５ａ～１０５ｎから情報を受信する。

また、クライアント装置１０５ａ～１０５ｎは、１つ以上の他のクライアント装置１０５ａ～１０５ｎから情報を収集してもよく、収集した情報を活動エンジン１１０に提供してもよい。例えば、クライアント装置１０５ａ～１０５ｎは、ＷｉＦｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、低電力無線エリアネットワークを介するインターネットプロトコルバージョン６（６ＬｏｗＰＡＮ）、電力線通信（ＰＬＣ）、イーサネット（登録商標）（例えば、１０メガバイト（Ｍｂ）、１００メガビット、および／もしくは１ギガバイト（Ｇｂ）のイーサネット（登録商標））、または他の通信プロトコルを用いて他のクライアント装置に通信可能に接続されてもよい。

例示的な実施態様では、ユーザは、１つ以上のクライアント装置１０５ａ～１０５ｎを含むオフィス環境に位置してもよく、ユーザは、クライアントサービスによって監視される業務活動（例えば、第１のパターン）および休憩活動（例えば、第２のパターン）を行う。ユーザが、業務活動（机でのコンピュータなどのデバイスの操作または倉庫での物品の移動など）を行っている間、クライアントサービスは、活動エンジン１１０に通信される、ユーザに関連する異なる種類の情報を収集する。一実施態様では、クライアントサービスは、移行制御を調整するために、ユーザに関連する複数のデバイス１０５ａ～１０５ｎ上で動作してもよい。

例えば、位置センサ１０５ａは、オフィスまたは倉庫でのユーザの動きを受信し、スケジューリングアプリケーションは、ユーザのミーティングスケジュールを提供し、ウェアラブルデバイスは、ユーザの心拍数を取得し、カメラ１０５ｅは、視線方向または瞳孔拡張を検出してもよい等々であり、情報は、活動エンジン１１０に送信される。コンピュータベースの活動の場合、クライアントサービスは、例えば、ユーザがアクセスするアプリケーション、入力イベント（１分当たりのキーボードストローク数、マウス操作、および他の入力など）を監視してもよい。

ユーザが、第１のパターン中に業務活動から休憩する準備ができたとき、活動エンジン１１０は、情報を用いて第２のパターン（例えば、休憩活動）を示す休憩トリガを検出してもよい。活動エンジン１１０は、ユーザの休憩前活動を検出してもよく、ユーザが第１のパターンに復帰したことを示す業務トリガを検出してもよく、ユーザのパターンの学習に基づいて、カスタマイズされた移行モデルを生成してもよい。カスタマイズされた移行モデルは、例えばトレーニングデータ、ルール、フィードバックなどを含む経験サンプリング（ｅｘｐｅｒｉｅｎｃｅ ｓａｍｐｌｉｎｇ）を用いて生成される。

カスタマイズされた移行モデルは、ユーザに、ユーザが第１のパターン（例えば、業務活動）に移行したとの判定に応答して異なる生産的活動（例えば、生産的計画）を行わせる誘導を出力し、第２のパターンに関連する活動（例えば、非業務関連活動）へのアクセスを動的に管理してもよい。

例えば、休憩を取る前、ユーザは、自分のワークステーションで集中的な業務活動に関与していて、休憩を取るために自分のワークステーションを離れてもよく、ユーザが自分のワークステーションに戻ったとき、ワークステーションまたはユーザのモバイルデバイスの表示は、生産への再度の移行にユーザの注意を再び集中させるのを助ける、休憩前の集中的な業務活動に再び関与するようユーザを誘導する推奨を提示してもよい。例示的な実施態様では、ユーザは、休憩後活動のゲーミフィケーションまたは報酬プログラムを通して推奨活動を行うように動機付けられる。

さらに、一部の例では、ユーザのインタラクション率が、その後の生産的計画を改善するために、第１のパターンおよび第２のパターン中にモデルへのフィードバックとして監視される。例えば、ユーザが、メッセージをチェックするためにユーザのモバイルデバイスとインタラクションすることなく短時間の休憩を取るとき、生産的計画は、全体の生産性を低下させるより大きな注意の逸脱が起こることを回避するために、集中的な業務に再度移行する間にパーソナルメッセージングアプリケーションへのアクセスを許可してもよい。

したがって、休憩後のユーザの業務活動は、クライアントサービスによって収集された情報を用いて向上される。機械学習を通して、活動エンジン１１０は、集中的な業務に関与するようユーザを誘導するために、ユーザが実行することができる推奨された生産的計画を生成する。提案された生産的計画は、第１のセットのデジタルリソースへのアクセスをブロックすること、第２のセットのデジタルリソースへのアクセスからユーザを再誘導するためにユーザにアラートすること、または移行モデルに基づいて第３のセットのデジタルリソースへのアクセスをユーザに許可することを含んでもよい。以下でより詳細に説明するように、移行モデルは、ユーザの第１のパターンの生産性の向上（すなわち、休憩後に集中的な業務活動に復帰する時間の短縮）を示すユーザの活動パターンまたは挙動パターンの機械学習を通してカスタマイズされる。

図２は、例示的な実施態様による活動エンジン２１０を含む例示的なシステム２００を示している。活動エンジン２１０は、１つ以上のＩ／Ｏインターフェース２１２、デバイスマネージャ２１５、活動検出器２２０、決定支援システム２３０、およびフィードバックモジュール２４０を含む。活動エンジン２１０は、データ（例えば、情報、モデル、フィードバック、ユーザプロフィールなど）を記憶するための１つ以上のデータ記憶装置２０３に結合される。

例示的な実施態様では、Ｉ／Ｏインターフェース２１２は、活動に関連する情報（例えば、検知データ２０６、ピンポイントデータ２０７、および／または環境データ２０８）を受信するために、異なる種類のクライアント装置２０５（例えば、図１のクライアント装置１０５ａ～１０５ｎ）と直接またはネットワーク２０２を介して通信可能に接続される１つ以上の通信インターフェースを含む。

Ｉ／Ｏインターフェース２１２は、異なる種類のクライアント装置２０５（例えば、クライアント装置１０５ａ～１０５ｎ）またはクライアントサービスからデータを受信してもよい。さらに、各クライアント装置２０５は、複数の種類のデータ（例えば、検知データ２０６、ピンポイントデータ２０７、および／または環境データ２０８）を提供してもよい。活動エンジン２１０は、Ｉ／Ｏインターフェース２１２を介して、監視データ、アプリケーションデータなどの情報を受信し、ユーザのパターン（例えば、第１のパターンおよび第２のパターン）を特定するために決定支援システム２３０によって情報を解析する。

検知データ２０６は、ユーザの身体活動に関する情報を含んでもよい。例えば、ユーザは、ユーザの動き、睡眠挙動、摂食挙動などを収集する様々なセンサを有するモバイルデバイス２０５を携帯してもよい。

ピンポイントデータ２０７は、ユーザの第１のパターンおよび第２のパターンに関する記憶された情報を含んでもよい。例示的な実施態様では、監視ソフトウェアは、ユーザのデジタルインタラクションに関する情報を収集してもよい。例えば、監視ソフトウェアは、ユーザのコンピュータ使用量、マシンインタラクション、通信パターン、スケジューリング情報などを受信してもよい。

環境データ２０８（例えば、周囲データ）は、第１のパターンおよび第２のパターンに関連する場所または組織に関する情報を含んでもよい。例示的な実施態様では、サービスは、組織の情報およびポリシー、場所にいる人々の関係、場所の物理的レイアウト、場所ベースのポリシーなどに関する環境データを提供してもよい。

活動エンジン２１０は、特定のユーザに関連する入力および共通の環境を共有する複数のユーザに使用され得る入力を受信するために１つ以上のデバイスおよびクライアントサービスとインタラクトしてもよい。例えば、クライアントサービスは、場所にいる複数のユーザに関する場所情報を含む、例えば建物センサシステムからの環境データ、場所にいる各ユーザ用の例えばワークステーションコンピュータからのピンポイントデータ、例えば個人用健康追跡センサからの検知データを提供してもよい。

活動検出器２２０は、ユーザに関連する活動を監視してもよい。一部の実施態様では、活動検出器２２０は、活動エンジン２１０に含まれ、クライアント装置１０５ａ～１０５ｎによってホストされてもよく、ユーザの活動に関連するデータ（例えば、情報）を活動エンジン２１０に通知してもよい。例示的な実施態様では、活動検出器２２０は、特定レベルの活動の変化を特定するためにユーザ活動を追跡する。例えば、活動検出器２２０は、複数のデジタル装置上のデジタルリソースとのユーザのインタラクション率に関するデータを監視してもよく、カメラを用いた視線および瞳孔の検出を通してユーザの注意を追跡してもよく、ユーザの心拍数データを追跡してもよく、閾値、パーセンテージ、偏差などを満たす、ユーザの心拍数の変化に基づいてユーザの活動レベルの変化を特定してもよい。

ユーザの活動を監視する活動検出器２２０は、ユーザのパターンに関連する変化を検出するように構成されてもよい。例えば、ユーザがパターン間を移行しつつあることを検出するために、活動検出器２２０は、ユーザの位置を追跡し、ユーザの位置が変化したときに活動エンジン２１０に信号を送るように構成されてもよい。

例示的な実施態様によれば、ユーザが第１のパターンの集中的な業務活動に関与していることを検出するために、活動検出器２２０は、ユーザのインタラクション、注意の領域などを追跡するように構成されてもよい。例えば、カメラが、ユーザの視線の測定を行い、頭の向き、瞳孔拡張などを測定するために使用されてもよい。機能的には、カメラは、ディスプレイ上に観察され得る、ユーザが行っている活動を受信し、コンピュータベースのイベントを確かめる。一例では、ユーザは、カメラの視野の外に出る場合があり（例えば、ユーザは、マーカーボードに書き込む）、異なる種類のセンサが、身体活動（骨格追跡によってユーザの動きなど）を追跡するために使用されてもよい。

デバイスマネージャ２１５は、ユーザインタラクションおよびユーザに関連する複数のデバイスにわたるデジタルリソースへのアクセスを調整する。例えば、デジタルリソースに関連するユーザ挙動（例えば、アクセスの頻度）は、主なワークステーションコンピュータ、ラップトップコンピュータ、およびスマートフォンにおいて監視されてもよい。デバイスマネージャ２１５は、第１のパターンに関連する活動への集中的な関与への再誘導を助けるようにユーザの複数のデバイスにおける生産的計画の実施を調整してもよい。例えば、ソーシャルネットワーキングサイトへのアクセスをブロックする生産的計画が、ワークステーションコンピュータおよびモバイルデバイス上で実施されてもよい。別の例では、生産的計画は、ユーザのデバイスでのソーシャルネットワーキングサイトへのアクセスをブロックし、ラップトップでのソーシャルネットワーキングサイトへのアクセスが業務関連であるおよび／または生産性を改善することを機械学習が検出したときにラップトップコンピュータでのアクセスを許可するようにカスタマイズされる。

決定支援システム（ＤＳＳ：ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ ｓｙｓｔｅｍ）２３０は、パターンモジュール２３３、コンテキストモジュール２３６、および移行モジュール２３７を含んでもよい。例示的な実施態様では、決定支援システム２３０は、ユーザの活動または挙動のパターンを学習するトレーニングプロセスを含み、第１のパターン（例えば、業務活動）へのユーザの再度の移行を助ける移行モデルを生成する。パターンモジュール２３３は、第１のパターン（例えば、業務活動）および第２のパターン（例えば、休憩活動）を特定するために特定のユーザに関連する受信データ（例えば、検知データ、ピンポイントデータ、環境データなど）を解析する。コンテキストモジュール２３６は、移行モジュール２３７への入力として、第１のパターンおよび第２のパターンに関連するデータからコンテキスト要因を決定する。移行モジュール２３７は、第２のパターンから第１のパターンに移行するためのカスタマイズされた移行モデルを生成する。例示的な実施態様では、ＤＳＳ２３０は、フィードバックモジュール２４０からの入力によってカスタマイズされるベースラインパターンおよびモジュールを作成するために共通の環境内のユーザのセットからのデータを解析してもよい。

ユーザに関連する第１のパターンおよび第２のパターンを特定するために、パターンモジュール２３３は、受信データ（例えば、活動に関連する情報）を解析するように構成される。例示的な実施態様では、パターンモジュール２３３は、ユーザの活動を第１のパターンおよび第２のパターンに関連するものに分類してもよい。例えば、パターンモジュール２３３は、異なるイベントをラベル付けして分類し、アクション、メッセージ、および／またはコマンドを関連付ける。例示的な実施態様では、ＤＳＳ２３０は、パターンモジュール２３３による、パターンの機械学習ベースの検出を使用する。例示的な実施態様では、ユーザは、第１のパターンおよび第２のパターンを示すためにラベルおよび／または分類を用いて活動、期間、場所などをマーキングしてもよい。一部の例では、システム２００は、第１のパターンおよび第２のパターンに関連するものとして活動にマーキングし、ユーザは、フィードバックの提供またはエラー修正のためにシステムのマーキングを修正または変更してもよい。

例示的な実施態様では、活動は、休憩対業務、短時間対非短時間、ソーシャル対非ソーシャルなどに分類されてもよい。机から離れた時間の大部分が、会議室で費やされた場合、または机から離れた時間が、ユーザのカレンダーのイベントに対応する場合、時間は、第１のパターンに関連する「業務」に分類されてもよい。机から離れた時間が、時間閾値（例えば、２分）を下回る場合、机から離れた時間は、「短時間の休憩」に分類されてもよい。情報の分類は、パターンを特定し、推奨の有効性を改善し、集中的な業務へのユーザの移行を改善する種類の推奨を強化するのを助けるために使用されてもよい。

例えば、物理的な位置から離れる短時間の休憩を示す要因の特定は、機械学習モデルに基づいて、デジタル休憩のためにデジタルリソースへのアクセスをユーザに許可し、業務活動への復帰をユーザに促すために使用されてもよい。机から離れた業務時間が、他の同僚と過ごされた場合、机から離れた時間は、「業務」および／または「ソーシャル」に分類されてもよい。ソーシャルな要因は、以下に述べるように、集中的な業務活動に移行するために机に戻ったときにコミュニケーション活動（例えば、電子メール通知、メッセージングアプリケーションなど）を管理するために使用されてもよい。

例示的な実施態様では、ユーザの位置は、分類を特定するために使用されてもよい。例えば、ユーザが、主な業務領域（例えば、自分の机）を離れているとき、パターンモジュール２３３は、第２のパターンに関連するもの（例えば、休憩）としてその時間を判定してもよい。他の例示的な実施態様では、パターンモジュール２３３は、様々な検出されたコンテキスト要因に基づいて活動とパターンとを関連付けてもよい。

第２のパターンの別の例は、デジタル休憩であってもよい。ユーザは、活動が第１のパターンに関係しないデジタルリソースとのインタラクションを含む第２のパターンに関連する活動に関与してもよい。例えば、デジタル活動を伴うユーザのインタラクションは、活動の詳細（メッセージ受信者、アカウントプロフィール、出荷先など）に基づいて第２のパターンに関連する活動として検出されてもよい。

デジタルリソースは、コンテキスト要因に基づいて第１のパターンおよび第２のパターンに関連付けられてもよい。例えば、ハンドヘルドデバイスを用いたメッセージングサービスとのユーザインタラクションは、第２のパターンに関連付けられてもよく、ワークステーション装置を用いたメッセージングサービスとのユーザインタラクションは、第１のパターンに関連付けられてもよい。処理装置は、デジタルリソースとのユーザのインタラクションが第１のパターンまたは第２のパターンのいずれに関連するのかを判定してもよい。

例示的な実施態様では、パターンモジュール２３３は、受信データと第１のパターンおよび第２のパターンとを関連付けるためにトレーニングデータのセットを使用する。トレーニングデータのセットは、第１のパターンの正例および負例ならびに第２のパターンの正例および負例の集合を含んでもよい。正例は、パターンと一致するものとして分類されてもよく、負例は、パターンと一致しないものとして分類されてもよい。トレーニングデータのセットは、ユーザの環境に基づいて作成されてもよい。例えば、オフィス環境に関するトレーニングデータのセットは、机での着席、ビジネスコンタクト（ｂｕｓｉｎｅｓｓ ｃｏｎｔａｃｔ）との会話、業務関連アプリケーションとのユーザインタラクション率などの第１のパターンに関する検知データの正例を含んでもよい。

アプリケーションは、業務関連活動と非業務関連活動の両方に使用される場合があるため、トレーニングデータは、アプリケーションの使用を業務関連あるいは非業務関連として特定するのを助ける経験サンプリングを通して作成されてもよい。第１のパターンの負例は、キュービクルを離れること、個人的な物品を持ち上げること、ソーシャルメディアのウェブサイトで個人アカウントをアクティブ化することなどを含んでもよい。

例示的な実施態様によれば、パターンモジュール２３３は、デジタルリソース（例えば、ウェブサイト、アプリケーションなど）を第１のパターンに関連する活動（例えば、業務関連の）または第２のパターンに関連する活動（例えば、非業務関連の）に分類するようユーザを促すトレーニング段階を採用してもよい。例えば、メッセージングアプリケーションが起動されると、ユーザは、非業務関連使用としてメッセージングアプリケーションをマーキングするよう促されてもよい。さらに、メッセージングアプリケーションのその後の使用中に、ユーザが、使用が業務関連であるというトレーニングプロンプトに応答する場合、パターンモジュール２３３は、使用の分類に関連する対応する挙動を観察してもよい。第１のパターンおよび第２のパターンに関連する活動は、以下でさらに詳細に述べるように、デジタルリソース識別子および様々なコンテキスト要因を含む。例えば、ある位置においてハンドヘルドモバイルデバイスでウェブサイトにアクセスすることおよび同じまたは異なる位置においてデスクトップデバイスでウェブサイトにアクセスすることは、ユーザ挙動の機械学習に基づいて別々の活動または関連活動として識別可能である。

さらに、オフィス環境に関するトレーニングデータのセットは、第２のパターンの正例（休憩領域に位置すること、パーソナルコンタクト（ｐｅｒｓｏｎａｌ ｃｏｎｔａｃｔ）との会話など）を含む。第２のパターンの負例は、会議室への入室、ビジネスコンタクトとの会話、ノートパッドの携帯、業務関連のモバイルアプリケーションのアクティブ化などを含んでもよい。

パターンモジュール２３３は、業務に復帰する移行を表す、第２のパターンから第１のパターンへの移行を示すトリガを特定するために情報を解析する。例えば、パターンモジュール２３３は、パターン間の変化を示す検出された活動レベルを比較することによって移行を示すトリガを特定するために受信データを解析してもよい。一例では、自分の机に戻ったときに検出されたユーザは、ユーザが業務（例えば、第１のパターンの活動）に復帰する移行中であることを示すトリガに分類されてもよい。パターンモジュール２３３は、活動検出器２２０にトリガを検出させる命令を生成してもよい。

活動検出器２２０は、活動（検知データ２０６の変化またはピンポイントデータ２０７によるインタラクション率など）を検出するように構成される。パターンモジュール２３３によって特定されたパターンに基づいて、活動検出器２２０は、休憩後に再開することが生産的であり得る休憩前活動を検出するために第１のパターンに関連する活動を監視する。第２のパターン（例えば、休憩）中、活動検出器２２０は、休憩への移行が生じたか否かを確認するためにユーザの活動を追跡してもよい。休憩が開始されたことを示す検出されたトリガデータは、例えば、時刻、机からの離脱、特定の業務関連アプリケーションの終了、携帯電話などの、机から離れての個人的使用に関連するアプリケーションの使用、ソーシャルコンタクト（ｓｏｃｉａｌ ｃｏｎｔａｃｔ）とのインタラクションなどを含んでもよい。第１のパターンの一部の負例は、第２のパターンの正例と一致してもよいし、一致しなくてもよく、逆もまた同様である。

したがって、ＤＳＳ２３０のコンテキストモジュール２３６は、機械学習プロセスを通して追加のパラメータに基づいて重み係数を活動に割り当てることを含み得るルールを作成する。

例示的な実施態様によれば、コンテキストモジュール２３６は、ＤＳＳ２３０が第１のパターンまたは第２のパターンへの移行を確認するコンテキスト要因を認識するためにデータ（およびフィードバックモジュール２４０からのフィードバック）を使用してもよい。例えば、コンテキストモジュール２３６は、第２のパターンへの移行を誤って特定する徴表を無効にするために、第１のパターンに関連するスケジュールされた活動を示し得るピンポイント情報を認識してもよい。

一例では、ユーザは、自分の机に戻る（第１のパターンに移行する）ときに検出されてもよいが、そのモバイルデバイス（例えば、ピンポイント情報）は、ユーザが依然として個人的なソーシャルインタラクション（ｓｏｃｉａｌ ｉｎｔｅｒａｃｔｉｏｎ）（例えば、第２のパターン）に関与しており、したがって、休憩後の業務関連活動に復帰していないこと（例えば、低い生産性）を示し得る。この状況において、コンテキストモジュール２３６は、第１のパターンと一致しない第２のパターンに関連するデータを認識し、移行モジュール２３７に基づいて、非業務関連活動へのアクセスをブロック、アラート、または許可する。

例示的な実施態様では、コンテキストモジュール２３６は、情報が機械学習によってデジタルリソースへのアクセスを管理するための基準として有用であるか否かを判定するポリシーのセットを含んでもよい。コンテキストモジュール２３６は、統計解析に基づいて重みを情報に割り当ててもよい。例えば、コンテキストモジュール２３６は、ユーザの過去の挙動パターンを統計的に解析することに基づいて要因のセットを重み付けしてもよい。一例では、ユーザは、昼食を食べた後にオフィススペースに戻り、カレンダーシステムは、ミーティングがスケジュールされていることを示す。この例において、複数の要因が組み合わされて在するときに、業務に再度移行するユーザの過去の挙動が、低い生産性（例えば、スケジュールされたミーティングに遅れて参加する）ことを示す場合、コンテキストモジュール２３６は、高いレベルの移行制御を必要とする移行期間に対応するものとして要因を重み付けする。コンテキストモジュール２３６は、要因の組み合わせが検出されたときに、ユーザのためのカスタマイズされた生産的計画を作成するために、重み付けされた組み合わせを移行モジュール２３７に渡してもよい。

移行モジュール２３７は、図３～図４を参照して以下でより詳細に説明するように、第１のパターンへの移行（例えば、業務への復帰）を増加させるためにデジタルリソースへのアクセスを管理する、ユーザのためのカスタマイズされた移行モデル（例えば、生産的計画）を生成する。一部の例示的な実施態様では、移行モジュール２３７は、第２のパターン（例えば、休憩活動）に基づいて移行モデルを第１のパターンへの移行（例えば、業務への復帰）に適合させる。例示的な実施態様では、移行モジュール２３７は、コンテキストモジュール２３６を用いて、カスタマイズされた移行モデルを生成してもよい。

例えば、コンテキストモジュール２３６は、第２のパターン（例えば、休憩の長さ、休憩活動の種類、近づきつつある期間にスケジュールされた業務関連イベントの数など）に基づいて、非業務関連の活動へのアクセス制御を設定するために移行モジュール２３７に要因を提供してもよい。さらに、コンテキストモジュール２３６は、移行モジュール２３７にアクセスポリシーの種類を有効または無効にさせてもよい。

例えば、コンテキストモジュール２３６は、移行モジュール２３７が、過去の挙動が集中的な業務へのユーザの移行の改善を示す環境データ２０８（例えば、悪天候、交通量の増加など）に基づいて生産的計画にアクセスポリシー（例えば、天候ウェブサイトへのアクセスの許可）を含むことを可能にしてもよい。

別の例では、コンテキストモジュール２３６は、移行モジュール２３７が、ピンポイントデータ２０７（例えば、間近のミーティングスケジュール）および／または検知データ２０６（例えば、ソーシャルインタラクションを含む休憩活動など）に基づいて生産的計画にアクセスポリシー（例えば、ソーシャルネットワークサイトへのアクセスのブロック）を含むことを可能にしてもよい。

移行モジュール２３７は、カスタマイズされた移行モデルを生成するために休憩前活動（例えば、検知データ２０６、ピンポイントデータ２０７、および環境データ２０８）を使用する。例えば、活動検出器２２０は、休憩前のチャットアプリケーションなどの同期および半同期対人コミュニケーションツールとの能動的なインタラクションを監視してもよい。パターンモジュール２３３は、ユーザが休憩後に対人コミュニケーションツールに再び関与するか否かを判定するために対人コミュニケーションツールに関連するユーザ挙動を監視してもよい。パターンモジュール２３３が、休憩から戻ったときに休憩前活動に再び関与するユーザ挙動を認識すると、移行モジュール２３７は、一時的に休憩前活動を保存し、休憩後のユーザに休憩前活動を推奨する命令を含む。休憩前活動に再び関与するユーザ挙動は、アプリケーションごとをベースにしてもよい。すなわち、移行モジュール２３７は、ユーザの１つ以上のデジタル装置に関連する各デジタルリソースごとにユーザ挙動に基づいて、カスタマイズされた移行モデルを生成してもよい。

移行モジュール２３７は、活動検出器２２０およびパターンモジュール２３３からの入力に基づいて、カスタマイズされた移行モデルを生成するために集中的な活動の指標を使用する。集中的な活動の指標は、ユーザ入力率（例えば、キーボードおよびマウスとのインタラクション率）、注意検出（例えば、カメラによって取得される瞳孔拡張、視線などに基づく精神負荷の解析）を含んでもよい。例えば、業務関連として分類されたデジタルリソース（例えば、ウェブサイト、アプリケーションなど）の使用中、活動検出器２２０は、情報を収集してもよく、パターンモジュール２３３は、集中的な活動の指標を求めるために情報を解析してもよい。

休憩後活動のユーザ挙動に基づいて、カスタマイズされた移行モデルは、休憩前活動へのアクセスをブロック、アラート、承認してもよく、休憩前活動の再開を推奨してもよい。活動検出器２２０が、第１のパターン（例えば、業務活動）が休憩前の非業務関連活動を含むことを検出すると、カスタマイズされた移行モデルはまた、休憩前活動に再び関与するユーザ挙動に基づいて、ユーザが休憩から自分の机に戻ったときに非業務関連活動へのアクセスを承認してもよい。例えば、カスタマイズされた移行モデルは、ユーザに会話を終了させ、休憩後のコミュニケーションの継続を妨害するというソーシャルなコストを回避するために特定の休憩前のウェブサイトへのアクセスを承認してもよい。カスタマイズされた移行モデルは、パターンモジュール２３３に基づいてユーザ挙動が、アクセスを許可する価値が業務への移行を改善する利益よりも高い可能性があることを示すとき、非業務関連活動へのアクセスを承認するアクセスポリシーを含んでもよい。例えば、メッセージングサービスを介して配偶者と通信するユーザが、活動検出器２２０によって検出される可能性があり、パターンモジュール２３３は、ユーザが配偶者に電話することによってメッセージングサービスへのアクセスのブロックに応答することを観察し、メッセージングサービスに対して、ユーザが電話後に集中的な業務に復帰するまでにかかる時間を比較する可能性がある。

移行モジュール２３７は、第１のパターン（例えば、業務活動）への移行中のユーザに生産的計画（例えば、第１のパターンに関連する活動への集中的な関与の増加を直接的または間接的にもたらす提案された活動）を実行させるよう推奨を適合させる。

移行モジュール２３７は、ユーザが推奨を拒否するか、または推奨を完了しない第１のパターンを含む、第１のパターン（例えば、業務活動）および第２のパターン（例えば、休憩活動）のサイクル間に学習する。例えば、ユーザが、移行段階中に非業務関連活動にアクセスするとき、ＤＳＳ２３０は、非業務関連活動に関連するデジタルリソースを回避するためにユーザにアラートを出力してもよく、デバイスマネージャ２１５は、ユーザが、ユーザに関連する１つ以上のデバイス２０４、２０５のデジタルリソースに関与するか否かを検出してもよい。ユーザによるアラートの無効化に基づいて、移行モジュール２３７は、共通の挙動シーケンスを示すその後のサイクルにおける集中的な業務活動とのユーザのインタラクション率に基づいてアラートを抑制するか、またはデジタルリソースへのアクセスをさらに制限するために、カスタマイズされた移行モデルをアップデートしてもよい。

移行モジュール２３７は、特定のユーザによるモデルの反復的な改善に肯定的に寄与する観察された相関からモデルを生成し、これにより、推奨を改善し、その結果、第１のパターンへの移行中のユーザの生産性を高める。

フィードバックモジュール２４０は、ＤＳＳ２３０の機能を改良および改善するために、ＤＳＳ２３０に戻される評価情報を提供するように構成される。例えば、フィードバックモジュール２４０は、業務関連あるいは非業務関連であるデジタルリソースのセットを特定するためにユーザ入力を収集してもよい。非業務関連デジタルリソースのセットから、移行モジュール２３７は、非業務関連デジタルリソース（例えば、ウェブサイトおよびアプリケーション）のサブセットを、ブロックアクセスポリシー、制限アクセスポリシー、アラートアクセスポリシー、および／または許容アクセスポリシーに割り当ててもよい。フィードバックモジュール２４０は、割り当てられたアクセスポリシーをデジタルリソースに適合させるためにユーザから情報を収集してもよい。

例えば、デジタルリソースを回避するアラートを拒否し、次に非業務活動のためにデジタルリソースを使用するユーザの活動が、フィードバックモジュール２４０によって特定されてもよく、移行モジュール２３７は、ユーザが推奨を拒否する可能性を低減する仕方で生産的計画を改良する（例えば、異なるアクセスポリシーをデジタルリソースに割り当てる）。ＤＳＳ２３０は、第１のパターンへの移行中にコンテキスト要因を考慮して生産的計画のための推奨を決定する。また、フィードバックモジュール２４０は、推奨が第１のパターン中に受け入れられないときに収集データと比較して生産的計画の有効性を示すフィードバック情報を収集してもよい。

例えば、ＤＳＳ２３０は、断続的に（例えば、１時間に１回）、（例えば、段階評価で）自分の業務集中レベルを評価するようユーザを促してもよい。移行モジュール２３７は、業務集中度評価を予測する機械学習移行モデルを構築するために業務集中レベルのユーザ評価を使用する。移行モジュール２３７は、フィードバックモジュール２４０からのフィードバックに基づいて移行モデルをさらに適合させる。例えば、移行モデルの実行中に、フィードバックモジュール２４０は、移行モデルを反復的に改良する目的で指標として集中的な業務の評価を比較するために、業務集中度の評価をユーザに促してもよい。

移行モジュール２３７は、フィードバックモジュール２４０によって収集されたデータの相関を観察することによって移行モデルをさらにカスタマイズしてもよい。例示的な実施態様では、移行モジュール２３７は、集中的な業務のパフォーマンスの測定に基づいて、第１のパターンへの再度の移行中にアクセスポリシーと肯定的に相関する第２のパターン（例えば、休憩）中の監視データを使用する。すなわち、移行モジュール２３７は、第１のパターンおよび第２のパターン中の休憩活動の以前のサイクルからの監視データに基づいて業務関連活動を促す。場合によって、アクセスポリシーが受け入れられない（例えば、ユーザが、デジタルリソースへのブロックを無効にする）とき、第１のパターンへの移行後に測定されるプラスのパフォーマンスは、デジタルリソースに関連する新しいアクセスポリシーを含む（例えば、ユーザにアラートする、使用を分類するようユーザを促す等）ようモデルをアップデートすることによって次の推奨を改善するために使用されてもよい。

例示的な実施態様では、ユーザの集中レベルが、第１のパターンから第２のパターンに変化し、次に第１のパターンに再度復帰する（例えば、業務、休憩、業務）とき、サイクルの生産性測定が、以前のサイクル（例えば、第１のパターンおよび第１のパターンへの復帰）と比較されてもよく、次に、フィードバックモジュール２４０は、各サイクルの推奨出力に適用される要因を評価してもよい。例えば、フィードバックモジュール２４０は、その後のサイクル間（例えば、アクセスを拒否するユーザによって行われる移行とアクセスポリシーを受け入れるユーザによって行われるその後の移行との間）のデータ（例えば、集中的な業務に復帰する時間）を比較することによって、推奨（例えば、生産的計画）の有効性を評価してもよい。

例示的な実施態様では、フィードバックモジュール２４０は、第１のパターンと第２のパターンとの間のパフォーマンスレベルを比較する。例示的な実施態様では、フィードバックモジュール２４０は、第１のパターンへの移行後の集中的な業務のレベル（例えば、インタラクション率）を観察する。このフィードバックは、推奨された生産的計画を適合させるためにＤＳＳ ２３０によって使用されてもよい。例えば、フィードバックモジュール２４０からのフィードバックに基づいて、活動エンジン２１０は、所望のインタラクション率の増加に達しなかったと判定してもよく、システムは、さらなるデジタルリソースをブロックするよう生産的計画を適合させてもよく、業務関連活動を推奨してもよい、等々。

移行制御アプリケーション（例えば、クライアントサービス）（スマートフォン２０５上で動作するモバイルアプリケーションなど）が、活動エンジン２１０との間で入力を提供し、出力を受信する目的で活動エンジン２１０とインタラクトするために使用されてもよい。移行制御アプリケーションは、直接的または間接的に（ネットワークを介するなどして）活動エンジン２１０とインタラクトしてもよい。例示的な実施態様では、移行制御アプリケーションは、移行モデルに関連する推奨に基づいてユーザ活動を誘導する命令を受信する。例えば、移行制御アプリケーションは、本明細書で参照して以下により詳細に説明するように、生産的計画を実行するようユーザを誘導する、活動エンジン２１０の出力を実行してもよい。

図３は、例示的な実施態様による例示的なユーザシーケンス３００を示している。例示的なサイクルでは、ユーザは、自分の机３１０で業務活動３１５の遂行を行い、休憩３３０に行くために自分の机３２０から離れ、休憩活動３４０に関与し、次に、机３５０に再度戻ってもよい。集中的な業務への移行段階（例えば、３５０および３６０）の間、ユーザは、机に再度戻った後でも休憩活動３６０に関与し続蹴る場合がある。最終的に、ユーザは、業務活動３７０に関与し、机３５５での業務に復帰する。

例示的な実施態様では、ユーザの活動に関連する情報が、第１のパターン（例えば、業務活動）および第２のパターン（例えば、休憩活動）を特定するために収集されて解析される。

ユーザシーケンス３００は、第１のパターンおよび第２のパターンの一部としてユーザの位置の変化（例えば、机での業務）を検出する例示的な実施態様を示している。例示的なユーザシーケンス３００によれば、ユーザの位置の変化は、第２のパターンと第１のパターンとの間の移行を検出する際の要因である。

他の例示的なユーザシーケンスによれば、ユーザは、位置を変えることなく第２のパターンに移行してもよい。例えば、ユーザは、デジタル活動またはデジタルリソースとのインタラクションを含む第２のパターンに関連する活動に関与してもよい。例えば、ユーザは、第２のパターンに関連する活動としてハンドヘルドデバイスを介して、また、第１のパターンに関連する活動としてワークステーション装置を介してメッセージングサービスに関与してもよい。

別の例によれば、ユーザは、デジタルリソースを介して複数の活動に関与してもよく、各活動の詳細（例えば、メッセージ受信者、アカウントプロフィール、出荷先など）は、第１のパターン（例えば、販売活動）および第２のパターン（例えば、管理活動）を特定するために解析される。

さらに、例示的な実施態様は、第１のパターンへの潜在的な移行を示すトリガ（ユーザシーケンス３００におけるものなど）、位置に戻るユーザ（例えば、自分の机３５０への帰還）を検出する。活動エンジンは、ユーザが業務に復帰することを示す監視された挙動を判定してもよい。しかしながら、トリガは、第１のパターンへの潜在的な移行を示し、移行が起こったことを確認するためには十分でない場合がある。検出されたトリガは、活動エンジン２１０に、さらなる情報（他の検知データ２０６、ピンポイントデータ２０７、環境データ２０８など）に基づいてユーザの状態（例えば、第１のパターンまたは第２のパターン）をさらに判定させる。例えば、トリガは、検出されたユーザ活動が第２のパターンに関連し、ユーザは依然として休憩活動３６０に関与していることを示してもよい。

例えば、ユーザが、ミーティングに行くために、または別の位置３２５で業務活動（例えば、第１のパターン）を行うために休憩３３０の後に自分の机３５０に戻る（例えば、第１のパターンを示すトリガ）と、第１のパターンおよび第２のパターンに関連するさらなるパラメータが、コンテキストをユーザの状態に提供してもよい。したがって、コンテキスト要因は、ユーザが業務に再度移行したか否か、または、ユーザはワークスペースに戻ったが、業務活動に復帰する準備ができていないか否かを評価するために組み合わされる。例示的なユーザシーケンス３００において、自分の机３２０に戻るユーザを検出することは、両方の第１のパターン（例えば、業務活動）に関連付けられてもよく、一方、デジタルリソースの使用は、第２のパターンに関連付けられる（例えば、休憩活動２６０に関与する）。

例示的な実施態様では、第１のパターンおよび第２のパターンを特定するために、トリガおよびコンテキスト要因には、情報の解析に基づいて、重みが割り当てられる。活動検出器２２０は、トリガを検出し、コンテキストモジュール２３６によって重み付けされた要因に基づいて確認された第１のパターンへの潜在的な移行をＤＳＳ２３０に通知してもよい。

反復機械学習を通して、活動エンジン２１０は、第２のパターンから第１のパターンへの潜在的な移行を示す、第１のパターンあるいは第２のパターンに関連するデジタルリソースの使用に関連する活動の特定を反復的に改善してもよい。活動エンジン２１０は、第１のパターンと一致しない第２のパターンに関連するコンテキスト要因を認識してもよい。したがって、ユーザが、休憩３３０から切り替える（例えば、机３５０に戻る）場合、また業務活動３７０に関与する前の休憩活動２６０に関与する場合、活動エンジン２１０は、業務活動３７０への再度の移行の間の第２のパターン（例えば、休憩活動３６０に関与する）に費やされる時間を短縮または解消するよう生産的計画をカスタマイズするためのコンテキスト要因（例えば、時刻、ミーティングスケジュール、会議室の位置、管理者の存在、特定の位置での業務の履歴など）を学習してもよい。反復的なユーザインタラクションおよびフィードバックを通して、ＤＳＳ２３０は、コンテキストとユーザ関与レベルとの相関を特定するために要因を比較してもよい。例示的な実施態様によれば、ユーザインターフェースは、ユーザが、生産的計画をさらにカスタマイズするために、学習されたコンテキスト要因の関連付けおよび関連付けの解除を行うことを可能にする。

ユーザが第１のパターンに移行した（例えば、業務活動３７０に関与した）か否かを確認するために、活動エンジン２１０は、機械学習を用いて閾値移行確信度を計算してもよい。例示的な実施態様では、活動エンジン２１０は、業務（例えば、第１のパターン）への再度の移行の間に非業務関連活動（例えば、第２のパターンに関連する活動）に使用されるデジタルリソースへのアクセスを制限するために実施すべきアクセスポリシーを決定する要因として業務活動のためのデジタルリソースとのユーザのインタラクション率および関与率を重み付けする。したがって、業務３１０への再度の移行は、閾値移行確信度を満たす、業務活動３７０とのユーザインタラクション率を考慮して判定されてもよい。第１のパターンへの移行および第２の活動３６０のユーザ活動を示すコンテキスト要因を考慮して、検出されたユーザ活動を確認することに応答して、活動エンジンは、業務関連活動（例えば、第１のパターンに関連する活動）に関与するようユーザを誘導する生産的計画（例えば、デジタルリソースに関するアクセスポリシー）を提示してもよい。

ＤＳＳ２３０は、コンテキストモジュール２３６によって重み付けされた要因を考慮して確認されるトリガに基づいて、ユーザが第１のパターンに移行していることを検出してもよい。ＤＳＳ２３０が、第１のパターンへの移行がトリガされたと判定した後、活動検出器２２０は、第２のパターンに関連する活動を検出してもよく、移行中に第２のパターンに関連する活動を検出したことに応答して、ＤＳＳ２３０は、第２のパターンに関連する活動に使用される１つ以上のデジタルリソースにアクセスポリシーを適用してもよい。

例示的な実施態様によれば、生産的計画は、休憩の直後の業務の再開にユーザを集中させるために特定の業務関連のアプリケーション、サイト、およびツール（例えば、業務関連のウェブサイト、業務用電子メール、ビジネスアプリケーションなど）にユーザを誘導することによる、移行期間中のユーザのための予防的な誘導を含んでもよい。例えば、ユーザが、自分の机３５０に戻り、コンピュータのロックを解除すると、コンピュータは、コンピュータ上に開かれているすべてのアプリケーションの一覧を表示し、一般的にアクセスされる業務関連デジタルリソースにユーザを誘導するために、ショートカットを伴う業務関連アプリケーションを強調表示する。さらに、ブロックポリシーまたはアラートポリシーに関連するデジタルリソースの動作は、一覧において視覚的に非強調または非表示にされてもよい。活動エンジン２１０は、生産的計画を実行するようユーザを誘導する推奨を提供する。

例えば、活動検出器２２０が、第２のパターンに関連する活動とのユーザのインタラクションレベルが閾値に達したことの検出に応答して、ＤＳＳ２３０は、ユーザがデジタル休憩（例えば、第２のパターン）に移行していると判定してもよい。例示的なユーザシーケンス（図示せず）では、ユーザは、自分の机に戻り、業務活動への関与を開始し、次に、一定期間（例えば、１０分）にわたってパーソナルコンタクト（ｐｅｒｓｏｎａｌ ｃｏｎｔａｃｔ）と自分のモバイルデバイス上のメッセージングアプリケーションで関与する場合がある。この例示的なユーザシーケンスでは、ＤＳＳ２３０は、ユーザが第１のパターンに再度移行し（例えば、物理的な休憩の後に業務に復帰し）、次に、ユーザがデジタル休憩（例えば、長時間の個人的な会話）に移行したと判定する。第２のパターン（例えば、デジタル休憩）から第１のパターン（例えば、業務活動への関与）への次の移行中に、移行モジュール２３７は、第１のパターンに関連する集中的な活動にユーザの注意を再び誘導する生産的計画を適用してもよい。移行モジュール２３７は、フィードバックモジュール２４０を考慮して、アクセスポリシーを適用し、再誘導提案を決定してもよい。活動エンジン２１０は、Ｉ／Ｏインターフェース２１２を介して、デジタルリソース２０２、２０４、２０５によって実行される生産的計画を実行するようユーザを誘導し、集中的な活動にユーザの注意を誘導する推奨を提供してもよい。例えば、デジタルリソース２０２、２０４、２０５は、通知を抑制してもよく、統計情報（例えば、パターン当たりの時間、活動当たりの時間、活動当たりのインタラクション率など）をユーザに表示してもよく、直近の第１のパターンをユーザにアラートしてもよい、等々。

図４は、例示的な実施態様によるカスタマイズされたモデルのための方法（プログラム）４００のサーバのフロー図を示している。方法４００は、ハードウェア（回路、専用論理など）、ソフトウェア（汎用コンピュータシステムもしくは専用マシン上で動作するものなど）、またはこれら両方の組み合わせを含んでもよい処理論理によって実行される。方法４００は、図１の活動エンジン１１０によって実行されてもよい。方法４００は、活動エンジンによって実行されるものとして以下に説明されているが、方法４００は、他の処理論理によっても実行され得る。

４０１において、処理装置は、活動に関連する情報を受信する。例示的な実施態様では、検知データ２０６、ピンポイントデータ２０７、環境データ２０８を含む情報が、クライアントサービスによって収集されてもよい。ユーザに関連する情報は、複数のクライアントサービスから並行して提供されてもよい。クライアントサービスは、データを収集するための任意の数のリソース（クラウドサービス、データリポジトリ、スケジューリングアプリケーション、建物制御システム、モバイルデバイス、スマートフォン、健康追跡センサ、カメラなど）を含んでもよい。

４０３において、処理装置は、第１のパターンおよび第２のパターンを特定するために情報を解析する。例示的な実施態様では、第１のパターンおよび第２のパターンは、ユーザの生理学的データ（***、位置、心拍数、血糖レベル、血圧、視線、声の活動、体温など）の変化を検知することによって示されてもよい。例えば、カメラは、ユーザが姿勢を変えたもしくはワークステーションを離れた時点またはワークステーションに訪問者がいるか否かを監視してもよい。また、ユーザのパターンは、活動の変化を示すピンポイントデータを解釈することによって示されてもよい。例えば、ユーザのパターンは、コンピュータ活動、騒音レベル、ソーシャルインタラクション、スケジュールされた活動、周辺機器の使用などによって示されてもよい。

ユーザのパターンは、照明システムの活動または建物の内部もしくは外部の温度などの環境データによってさらに示されてもよい。例えば、処理装置は、ユーザに関連する検知データに基づいて、ユーザが指定されたワークステーションから遠ざかったことを判定するために位置データを解析してもよい。別の例では、処理装置は、ユーザの第１のパターン（例えば、業務活動）とデジタルリソース（例えば、スプレッドシートアプリケーション）のアクティブ化とを相関させてもよい。処理装置は、ユーザが第１のパターンに移行していることを示すトリガ（または一連のトリガ）を特定してもよい。例示的な実施態様では、処理装置は、受信した情報と第１のパターンおよび第２のパターンとを相関させるためにトレーニングデータを使用する。例示的なトレーニングデータセットでは、ユーザは、第１のパターンおよび／または第２のパターンで情報（例えば、デジタルリソースの使用）を分類するために期間をラベル付けするよう促されてもよい。

例示的な実施態様では、処理装置は、第１のパターンおよび第２のパターン中のユーザの活動を区別するトリガを特定するために情報を解析する。例えば、検知された挙動（ユーザの***、位置、心拍数、血糖レベル、アドレナリン、血圧、視線などの変化）が、トリガが第１のパターンまたは第２のパターンの一方と排他的に相関するか否かを判定するために解析されてもよい。

４０５において、処理装置は、機械学習に基づいて、第１のパターンのためのカスタマイズされた移行モデルを生成する。カスタマイズされた移行モデルは、情報および第１のパターンに基づいてアクセスポリシーを実施する命令を含んでもよい。カスタマイズされたモデルは、トレーニングデータのセット、ユーザの好み、環境制御、臨床ガイドライン、安全規則、およびソーシャルグラフに関連する１つ以上の機械学習技術を用いて生成される。

例示的な実施態様では、処理装置は、モデルの階層ライブラリに基づいて、カスタマイズされた移行モデルを生成してもよい。処理装置は、異なるデータ（例えば、センサデータ、ピンポイントなど）に基づいてモデルの階層ライブラリから選択してもよい。例えば、カスタマイズされた移行モデルは、異なる時刻のために異なるモデル（例えば、午前と午後では異なるモデル）を含んでもよい。モデルの階層ライブラリの各モデルは、業務関連活動に対する様々な予防的な指示および非業務関連活動のための様々なアクセスポリシー（例えば、生産的計画）を含んでもよく、第１のパターンまたはデータに基づいて設計されてもよい。例えば、モデルの階層ライブラリは、スペース内のユーザがアクセス可能な異なるデバイスのための様々なモデル（例えば、モバイルデバイス上のデジタルリソースへのアクセスを許可する一方で、デスクトップデバイスを介するアクセスを制限する）を含んでもよい。処理装置は、ユーザのパターンに基づいてモデルの階層ライブラリからのモデルを組み込むことによって、カスタマイズされた移行モデルを生成してもよい。

カスタマイズされた移行モデルは、異なる業務の種類のための異なるモデルを含んでもよい。例えば、極度の集中に分類された活動を含む第１のパターンを有するユーザのためのカスタマイズされた移行モデルは、モデルの階層ライブラリから制限モデル（例えば、ブロック通知を推奨する）を含んでもよい。例えば、マルチタスク（例えば、いくつかの短い活動）に分類された活動を含む第１のパターンを有するユーザのためのカスタマイズされた移行モデルは、モデルの階層ライブラリから許容モデル（例えば、時間または頻度に基づいて非業務活動をユーザにアラートする）を含んでもよい。

４０７において、処理装置は、ユーザ活動を監視する。４０９において、処理装置は、第１のパターンへの潜在的な移行を示すトリガを検出する。一部の実施態様では、別の処理装置が、例えば、図１～図３を参照して上述したようにユーザ活動４０７を監視し、４０９でトリガを検出するために使用されてもよい。トリガの検出に応答して、処理装置は、４１１に進み、ユーザが、第１のパターンへの移行中に第２のパターンの非業務活動に関与しているか否かを検出するためにコンテキスト要因を評価する。そうである場合、処理装置は、第１のパターン（例えば、業務活動）へのユーザの復帰を改善するために推奨を提供し、デジタルリソース（例えば、ウェブサイト、アプリケーションなど）の非業務使用を制限する。非業務活動が、４１１で検出されない場合、処理装置は、ユーザ活動の監視を続けるために４０７に戻ってもよい。処理装置は、ユーザ情報、フィードバック、パフォーマンスなどを収集するために、ブロック４０７とは無関係にユーザ活動の監視を続けることに留意されたい。

４１３において、処理装置は、第１のパターンに関連する活動への集中的な関与への誘導を提供し、第２のパターンの活動へのアクセスを制限するために、カスタマイズされた移行モデルを適用する。再誘導は、休憩前活動への１つ以上の誘導を含んでもよい生産的計画、一般的に使用される業務関連デジタルリソース、業務活動スケジュールに基づく提案などであってもよい。例えば、生産的計画は、業務への再度の移行中の、非業務関連デジタルリソースの使用を回避するためにユーザをブロックするまたはユーザにアラートすることを含んでもよい。カスタマイズされた移行モデルは、集中的な業務へのユーザの復帰を改善するために複数のデバイスにわたってデジタルリソースへのアクセスを動的に管理してもよい。

４１７において、処理装置は、ユーザの集中レベルが閾値を満たすか否かを判定するために、業務関連活動とのユーザのインタラクション率を測定してもよい。閾値を満たす、業務活動に対するユーザの集中に応答して、４１９において、処理装置は、非業務関連活動へのアクセスを回復してもよい。

例示的な実施態様では、処理装置は、移行に関連するフィードバック情報を受信する。処理装置は、受信したフィードバック情報に基づいてモデルをさらにアップデートしてもよい。機械学習プロセスは、パターン検出、コンテキスト要因解析、および生産的計画の推奨を反復的に改善する。フィードバック情報は、ユーザが生産的計画を実行するために推奨を受け入れたこと、第１のパターンの実行中に記録されたフィードバック（例えば、業務活動に復帰した後のユーザの生産性）、推奨に対する満足度に関するユーザからのフィードバックなどを示してもよい。

例えば、フィードバック情報は、第１のパターンへの再度の移行に関する時間、別のユーザの共存の追跡、ユーザ位置データ、ユーザ調査、休憩後活動などを含んでもよい。ユーザが、特定の時間にまたは特定のデジタルリソースについて推奨アクセスポリシーを繰り返し拒否した場合、システムは、アクセスポリシーの重みを減らすようモデルを適合させてもよい。ユーザが、特定のコンテキストで推奨アクセスポリシーを繰り返し拒否した場合、処理装置は、コンテキストに基づいて、修正されたまたは異なる生産的計画（例えば、集中的な業務活動に関して閾値を低くした生産的計画）を推奨するように、カスタマイズされた移行モデルをアップデートしてもよい。反復的なユーザインタラクションおよびフィードバックを通して、処理装置は、コンテキストとユーザ関与レベルとの相関を特定するために要因を比較してもよい。例示的な実施態様によれば、ユーザインターフェースは、ユーザが、アクセスポリシーをさらにカスタマイズするために、学習されたコンテキスト要因の関連付けおよび関連付けの解除を行うことを可能にする。

第１のパターン（例えば、業務活動）へのユーザの再度の移行が完了した後、４１９において、処理装置は、カスタマイズされた移行モデルを改善するためにユーザの活動の追跡および解析を続けてもよい。例示的な実施態様では、生産性要因は、推奨の有効性を求めるために特定、測定、および追跡されてもよい。例えば、第１のパターンが、業務期間中に測定可能な目標を有する場合、複数の第１のパターン（例えば、業務期間）にわたる生産性は、より効果的に目標に達するために、カスタマイズされた移行モデルを改良することができる。また、ユーザは、第１のパターンへの復帰に対する推奨の影響を示すフィードバックを提供してもよい。例えば、ユーザは、好みを調整してもよい、満足度調査を完了してもよい、等々。

一部の例示的な実施態様では、方法４００は、異なる、より少ない、またはより多くのブロックで実施されてもよい。例示的な実施態様では、ブロック４０１～４０５は、ブロック４０７～４１３から独立して実施されてもよい。例えば、ブロック４０１～４０５は、モデルを生成するデバイスによってトレーニング段階の一部として実施されてもよく、ブロック４０７～４１３は、モデルを繰り返し適用する別のデバイスによって活動段階の一部として実施されてもよい。一部の例示的な実施態様では、プロセスは、図２を参照してより詳細に説明したように、フィードバックを組み込んでモデルをアップデートするために、ブロック４０１～４０５の１つに周期的に戻ってもよい。方法４００は、コンピュータ実行可能命令として実施されてもよく、このコンピュータ実行可能命令は、媒体に記憶されてもよく、１つ以上のコンピューティングデバイスの１つ以上のプロセッサにロードされてもよく、コンピュータ実施方法として実行されてもよい。

活動エンジンは、ユーザの記憶可能なパターンによって修正され、ユーザの最近の活動レベルに合わせて調整され、個人の好みおよびコンテキスト要因を満たすように調整された選択モデルに基づいてユーザ用にカスタマイズされた個人用の生産的計画を決定する。

レポートインターフェース（図示せず）は、生産的計画中の自分のパターン、挙動、およびパフォーマンスに関する情報をユーザに提供してもよい。例えば、ユーザが、集中的な業務活動（例えば、第１のパターン）に移行するために自分の机に戻ったとき、レポートインターフェースは、ユーザが自分の机上から離れていた時間（例えば、第２のパターン）をまとめてもよい。レポート情報は、例えば、机への帰還から、集中的な業務活動の閾値が満たされるまでの時間の長さ、第１のパターン（例えば、休憩前活動）中の、第２のパターン（休憩活動）中の、および第１のパターンに復帰したとき（例えば、休憩後活動）のユーザの記録された心拍数の間の差を含んでもよい。

フィードバックインターフェース（図示せず）は、フィードバック（経験サンプリング、ユーザ満足度など）を収集するためにユーザからの入力を受信するために使用されてもよい。ユーザフィードバックは、第１のパターンへの次の移行（例えば、集中的な業務への復帰）のためにユーザのカスタマイズされた移行モデルを改善するために活動エンジンにフィードバックされる。

図５は、例示的な実施態様による例示的なモデルのためのフロー（プログラム）の図を示している。デジタルリソースへのアクセスをブロックするか否か、デジタルリソースにアクセスしないようユーザの注意を再誘導するためにユーザにアラートするか否か、および／またはデジタルリソースへのアクセスを許可するか否かを判定するための例示的な決定プロセスにおいて。例示的な実施態様では、処理装置は、５０５において、デジタルリソースにアクセスする要求を検出してもよい。例えば、ユーザは、ソーシャルコンタクトとのミーティングの約束をするためにソーシャルネットワーキングウェブサイトへのアクセスを試みてもよい。

上述したように、非業務関連活動へのアクセスをブロックする従来のルールは、ユーザが非業務関連活動にアクセスするために完全に業務から離れたときに生産性の結果的な損失をもたらし得る。例えば、ユーザが、近い将来にソーシャルコンタクトとのミーティングを計画をしている場合、ソーシャルネットワーキングウェブサイトは、素早く約束をするのに効率的なツールとなり得る。したがって、一部の状況では、他の通信手段（例えば、電話、ボイスメール、電子メールなど）ではなくソーシャルネットワーキングウェブサイトへのアクセスを許可することは、ユーザが集中的な業務に素早く復帰することを可能にする。

例示されているプロセス５００は、第２のパターンから第１のパターンへの移行 （例えば、休憩活動から集中的な業務活動への移行）中にデジタルリソースへのアクセスを効果的に管理するために機械学習を用いる活動エンジン（例えば、図１の活動エンジン１１０、図２の活動エンジン２１０）に関連付けられた処理装置によって実行されてもよい。処理装置は、ユーザの挙動パターンに基づいてモデルをカスタマイズすることによって、第２のパターンから第１のパターンへの移行中のパフォーマンスの改善を助けることができる。

ユーザの監視された挙動パターンに基づいて、移行モデルは、ユーザが注意の逸脱を抑制することを助けて非業務関連活動と業務関連活動とのバランスをとる生産的計画を実施してもよい。ユーザが、ソーシャルコンタクトとのミーティングの前に一定量の集中的な業務の遂行を計画している場合、移行モジュールは、ソーシャルな約束が守られるように、注意の逸脱を減らすことによってユーザが集中的な業務を遂行することを助けてもよい。

異なる移行モデルでは、デジタルリソースへのアクセスは、ソースデバイスの、デジタルリソースへのアクセス要求に基づいてカスタマイズされてもよい。例えば、モバイルデバイス上のソーシャルネットワーキングウェブサイトのユーザの使用パターンは、業務活動に移行している間の短い関与を示す場合があり、デスクトップデバイス上のソーシャルネットワーキングウェブサイトのユーザの使用パターンは、長期間の関与を示す場合がある。上述したように、活動エンジンは、デジタルリソースへのアクセスを管理するために命令を作成し、アクセスポリシーを割り当てるためにユーザの使用パターンを解析する。

５１０において、処理装置は、第１のパターン（例えば、業務）への再度の移行が検出されたか否かを判定してもよい。第１のパターンへの再度の移行が検出されなかった場合、処理装置は、移行モデルを無効にし、５７０においてデジタルリソースへのアクセスを許可してもよい。代替的な実施形態では、活動エンジンは、異なるユーザ状態に対処するために移行モデル以外のモデルを含んでもよい。

ユーザが、第２のパターンから第１のパターンに（例えば、休憩活動から業務活動に）移行しているとき、処理装置は、デジタルリソースへのアクセスをブロック、アラート、または許可するか否を判定するために、移行モデルを考慮して１つ以上の要因を評価してもよい。例えば、ユーザが、業務（例えば、第１のパターン）に再度移行しているとき、ソーシャルネットワーキングウェブサイトにアクセスすること（例えば、第２のパターンに関連する活動）は、ユーザが集中的な業務のレベルに達するのを妨害する注意の逸脱であると判定されてもよい。したがって、移行モデルは、デジタルリソースへのアクセスを動的に管理する際に複数の分類化またはコンテキスト要因を組み合わせてもよい。

５１０において、処理装置が第２のパターンから第１のパターンへの移行が進行中であるとの判定に応答して、処理装置は、５１５において、デジタルリソースが第２のパターンの前の活動に関連するか否かをチェックしてもよい。例示的な実施態様では、処理装置は、デジタルリソースが第１のパターンの前の休憩の前に使用されていたか否かを判定してもよい。例えば、ユーザが、休憩を取る前に（すなわち、第１のパターンの前の休憩の前に）ソーシャルネットワーキングウェブサイトを介して会話中であった場合、移行モデルは、非業務関連デジタルリソースへのアクセス（例えば、第２のパターンに関連する活動）の許可を決定してもよく、これにより、ユーザは、コミュニケーションに効率的に応答するまたは会話を終了させることができ、集中的な業務活動（例えば、第１のパターンに関連する活動）を再開することができる。

処理装置が、５１５において、ソーシャルネットワーキングウェブサイトが休憩前にアクティブでなかったと判定した場合、移行モデルは、ユーザの過去の挙動に基づいて、次のスケジュールされた休憩（例えば、第２のパターン）まで、ソーシャルネットワーキングウェブサイトを介したソーシャルな会話の開始はデジタルリソースへのアクセスを妨げるまたは遅延させる注意の逸脱であることを示してもよい。

５２０において、移行モデルは、機械学習に基づいてデジタルリソースに関連するアクセスポリシーを示してもよい。例示的な実施態様では、移行モデルは、ユーザの過去の監視された挙動に基づいて適用される異なるアクセスポリシーを有するカスタマイズされた生産的計画を出力する。アクセスポリシーは、より詳細に上述したように、デジタルリソース、デジタルリソースの種類、１つ以上のコンテキスト要因、ユーザフィードバックなどに関連付けられてもよい。

移行モデルは、ユーザの好みに基づいて構成可能である。例えば、非業務関連のデジタルリソースの分類には、より制限的でないアクセスポリシー（例えば、ソーシャルアプリケーション）が割り当てられてもよく、特定のデジタルリソース（例えば、特定されたソーシャルデートアプリケーション）は、ブロックされる。

この例では、移行モデルは、５２５において、デジタルリソースの種類が対人コミュニケーションデジタルリソースの場合、第１のパターンに関連するデジタルリソースへのアクセスを許可してもよい。一例では、デジタルリソースを介して複数の会話を継続するユーザの能力は、第１のパターンに関連する活動との高いインタラクション率を維持することにほとんど影響を及ぼし得ない。別の例では、いくつかの、ユーザの個人的なコミュニケーションパターン（例えば、第２のパターン）および業務コミュニケーションパターン（例えば、第１のパターン）は重なり合う場合がある（ファミリービジネスのユーザなど）。

移行モデルは、様々な実施態様を用いてデジタルリソースへのアクセスを管理してもよい。例示的な実施態様によれば、移行モジュールは、ユーザの現在検出された挙動、コンテキスト要因、または他の情報（例えば、検知データ、ピンポイントデータ、および環境データ）に基づいてアクセスポリシーをアクティブ化してもよい。例えば、デジタルリソースへのアクセスを複数回要求するユーザは、より制限的なアクセスポリシーをトリガしてもよい。ピンポイントデータが、ユーザが、いくつかのスケジュールされた間近のミーティングを予定していることを示している場合、移行モデルは、非業務デジタルリソースへの制限を増やしてもよい。

５３０において、処理装置は、デジタルリソースへのアクセスを制限するためにブロックタイマがアクティブであるか否かまたはアラートタイマがアクティブであるか否かを判定してもよい。例えば、ユーザは、一定期間にわたってデスクトップコンピュータを介したソーシャルネットワーキングウェブサイトへのアクセスをブロックされてもよい一方で、モバイルデバイスを介してソーシャルネットワーキングウェブサイトにアクセスするときに注意の逸脱を回避するためにアラートされてもよい。アクセスポリシーは、５３５において一定期間にわたってユーザがデジタルリソースを使用するのをブロックするために、制限されたアクセスを強制してもよい。

５３５において、処理装置は、様々な入力からの一連の要因を考慮して、第２のパターン（例えば、非業務デジタルリソース）に関連する活動へのアクセスをブロックすることを決定してもよい。移行モデルは、複数のデバイスにわたって同じデジタルリソースに対する複数のアクセスレベルを管理してもよい。アクセスレベルは、１つのコンテキストを考慮したユーザの使用パターンが第１のアクセスレベルを適用する一方で、要因の変化が第２のアクセスレベルを適用し得ることを可能にするために複数の要因に基づいてもよい。

制限タイマが５３０においてアクティブでないことに応答して、処理装置は、５４０において、業務活動とのユーザのインタラクション率の監視に基づいて、集中的な業務が期待されるか否かを判定してもよい。業務活動とのユーザのインタラクション率は、サンプル期間にわたる業務デジタルリソースに関連する入力コマンドの数によって測定されてもよい。例えば、処理装置は、ユーザによって送られる業務関連の電子メールの通信を測定し、業務関連の電子メールの通信に伴うユーザ入力率を計算してもよい。ユーザのインタラクション率が増加すると、処理装置は、ユーザが集中的な業務に関与していると判定し、非業務関連デジタルリソースに対してより制限的なアクセスポリシーを強制してもよい。

例えば、ユーザが休憩からの再度の移行の間に電子メール通信に集中するのを助けるために、処理装置は、休憩前に開始された電子メール通信への集中をユーザに推奨してもよく、モバイルデバイスからの通知を抑制してもよく、および／またはソーシャルネットワーキングウェブサイトから離れるよう再誘導するためにユーザにアラートしてもよい。

５５０において、処理装置は、非業務デジタルリソースにアクセスしないようユーザにアラートしてもよい。アラートは、５６０において、ユーザがアラートを無効にして、デジタルリソースにアクセスすることを許すように実施されてもよい。ユーザがアラートを無効にしたことに応答して、処理装置は、移行モデルをアップデートするために活動エンジンを無効にしてもよい。５６５において、移行モデルのアップデートは、図２を参照して述べたように機械学習に基づいてアクセスポリシーをより制限的なものまたはより制限的でないものに変更してもよい。

図６は、例示的な実施態様によるカスタマイズされたモデルを実行するためのフロー（プログラム）の図を示している。一部の例示的な実施態様では、プロセス６００は、異なる、より少ない、またはより多くのブロックで実施されてもよい。図２を参照して上述したように、例示的な実施態様は、トレーニング段階および活動段階を含んでもよい。例示的な実施態様では、ブロック６０５および６２０は、ブロック６１０、６１５、６２５～６４０と順番に実施されてもよい。プロセス６００は、コンピュータ実行可能命令として実施されてもよく、このコンピュータ実行可能命令は、媒体に記憶されてもよく、１つ以上のコンピューティングデバイス（例えば、図７のシステム７００）の１つ以上のプロセッサにロードされてもよく、コンピュータ実施方法として実行されてもよい。

６０５において、システムは、ユーザのパターンを学習する。例示的な実施態様では、システムは、活動に関連する受信した情報に基づいてユーザの第１のパターンおよび第２のパターンを特定するために機械学習を使用する。例示的な実施態様では、システムは、時間間隔またはトリガ要因の階層に基づいて、ユーザ活動に関連する情報を能動的にリアルタイムで監視してもよい。リアルタイム監視は、例えば、カメラシステムによって実施されてもよい。さらに、時間間隔は、静的であってもよく、非常に多くの秒、分、または時間ごとにユーザの活動をチェックする（例えば、活動レベルの変化を検出する）ように予めプログラムされてもよい。

動的な時間間隔は、ユーザの活動に関連する情報をチェックする間隔を変更するために徐々に調整されてもよい。例示的な実施態様では、システムは、パターンを考慮してカウントダウン間隔に基づいて情報をチェックする。例えば、ユーザが、３～４時間ごとに第１のパターンから第２のパターンに定期的に移行する（例えば、休憩を取る）場合、システムは、第１のパターンへの以前の移行（例えば、休憩の終了）が観察された３～４時間の間隔の近くで増加するため、時間として情報をチェックする間隔を短くしてもよい。

例示的な実施態様では、システムは、ユーザの集中度（すなわち、活動への集中的な関与のレベル）を推定するためにセンサデータ（例えば、瞳孔拡張）を使用してもよい。システムは、例えば、より頻繁に、集中的な関与のレベルが閾値を下回る時点を追跡してもよい。関与レベルの変化は、カウントダウン間隔を調整するために使用されてもよい。一部の実施態様では、集中的な関与のレベルまたは集中的な関与のレベルの変化率は、第１のパターンから第２のパターンへの移行（すなわち、ユーザは業務活動から休憩を取る）を示すことができる。システムは、ユーザの検知された挙動に基づいて、集中的な関与のレベルの低下に関連するコンテキスト要因を重み付けしてもよい。重み付けされていないコンテキスト要因または以前に観察されていないコンテキスト要因の新しい組み合わせが検出されると、システムは、カウントダウン間隔を調整してもよい。例えば、システムが、ユーザが自分の机に戻り、第１のパターンおよび第２のパターンに関連付けられていない新しいデジタルリソースを使用したことを検出したとき、システムは、観察間のカウントダウン間隔を短くしてもよい。

６１０において、システムは、図２～図４を参照して上述したように、第１のパターンへの移行を示すトリガを検出する。さらに、トリガ要因の階層が、移行を検出するために、および／または情報をチェックする間隔を調整するために使用されてもよい。例示的な実施態様では、システムは、第１のパターンへの移行を示す挙動（例えば、ユーザが業務に復帰することを示す挙動）を検知してもよい。

第１のパターンへの移行を示すトリガに応答して、６１５において、システムは、ユーザが、第１のパターンに関連する活動（例えば、業務活動）への生産的な集中的な関与への復帰を邪魔する第２のパターンに関連する活動（例えば、非業務関連活動）に関与しているか否かを判定するために、コンテキスト要因を考慮してピンポイントデータなどの情報を検査する。例えば、システムは、あくびを検出してもよく、ユーザの視線を監視してもよい。１つ以上の観察された挙動は、ユーザが第１のパターンに移行している（例えば、業務に復帰する）間に非業務活動に関与していることを示すものとして検出されてもよい。

６２０において、システムは、ユーザのパターンに基づいて、カスタマイズされた移行モデルを生成する。６２５において、システムは、モデルに基づいて、デジタルリソースの非業務関連使用へのアクセスを管理する。図２～図４を参照して上述したように、カスタマイズされた移行モデルを生成するための例示的な実施態様は、トレーニングデータ、コンテキスト要因、モデルの階層ライブラリなどを含んでもよい。さらに、提案されたアクセスポリシーは、第１のパターン（例えば、業務活動の種類、検知データ、環境、コンテキスト要因など）に基づいて、集中的な業務（例えば、生産的計画）への異なる再誘導を提案するためにコンテキスト要因、フィードバック情報、機械学習などを組み込んでもよい。

６３０において、システムは、ユーザのインタラクション率が、ユーザが第１のパターンに関連する集中的な活動に関与していることを示す閾値を満たすか否かを判定する。ユーザが第１のパターンに首尾よく移行することに失敗したことに応答して、６３５において、モデルは、第２のパターン（例えば、非業務）に関連する活動へのアクセスをさらに制限してもよく、第１のパターン（例えば、業務）に関連する活動に関与するようユーザを積極的に再誘導してもよい。システムは、パターン学習および推奨のカスタマイズを改善するために、第１のパターンへの移行中にユーザ活動を追跡および監視してもよい。したがって、ユーザの生産性は、第１のパターンへのユーザの移行がパターン認識プロセスを通して確認されるまで非業務関連活動に関する通知を抑制することによって、また、第１のパターンへの復帰からユーザの注意を逸らす非業務活動から離れるように再誘導するために提案を反復的に改善することによって改善され得る。

６４０において、システムは、ユーザの、第２のパターンへの再度の切り替えを監視してもよい。ユーザが、第２のパターンに切り替わっていない場合、システムは、６３０に戻り、ユーザが一定期間にわたって集中的な業務活動に関与したままであることを追跡するために第１のパターン中にユーザを監視してもよい。システムは、ユーザのパターンを学習およびアップデートするためにユーザの挙動をフィードバックしするために６０５に戻ってもよい。

図７は、一部の例示的な実施態様で用いる、外部ホストに関連付けられた例示的なコンピューティングデバイスを有する例示的なコンピューティング環境を示している。コンピューティング環境７００内のコンピューティングデバイス７０５は、１つ以上の処理ユニット、コア、もしくはプロセッサ７１０、メモリ７１５（例えば、ＲＡＭおよび／もしくはＲＯＭなど）、内部記憶装置７２０（例えば、磁気記憶装置、光記憶装置、固体記憶装置、および／もしくは有機記憶装置）、ならびに／またはＩ／Ｏインターフェース７２５を含んでもよく、これらのいずれも、情報を通信するための通信機構またはバス７３０に結合されてもよく、コンピューティングデバイス７０５に組み込まれてもよい。

コンピューティングデバイス７０５は、入力／ユーザインターフェース７３５および出力デバイス／インターフェース７４０に通信可能に結合されてもよい。入力／ユーザインターフェース７３５および出力デバイス／インターフェース７４０の一方または両方は、有線または無線インターフェースであってもよく、取り外し可能であってもよい。入力／ユーザインターフェース７３５は、入力を提供するために使用され得る物理的または仮想的なデバイス、コンポーネント、センサ、またインターフェース（例えば、ボタン、タッチスクリーンインターフェース、キーボード、ポインティング／カーソル制御、マイクロホン、カメラ、点字、運動センサ、および／または光リーダなど）を含んでもよい。

出力デバイス／インターフェース７４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、または点字などを含んでもよい。一部の例示的な実施態様では、入力／ユーザインターフェース７３５および出力デバイス／インターフェース７４０は、コンピューティングデバイス７０５に組み込まれてもよいし、これに物理的に結合されてもよい。他の例示的な実施態様では、他のコンピューティングデバイスは、コンピューティングデバイス７０５のための入力／ユーザインターフェース７３５および出力デバイス／インターフェース７４０として機能してもよいし、これらの機能を提供してもよい。

コンピューティングデバイス７０５の例は、携帯性が非常に高いデバイス（例えば、スマートフォン、ビークルおよび他のマシンのデバイス、ならびに人間および動物によって携帯されるデバイスなど）、モバイルデバイス（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、およびラジオなど）、ならびに携帯用に設計されていないデバイス（例えば、デスクトップコンピュータ、他のコンピュータ、情報キオスク、１つ以上のプロセッサが組み込まれたおよび／または１つ以上のプロセッサが結合されたテレビ、ならびにラジオなど）を含んでもよいが、これらに限定されない。

コンピューティングデバイス７０５は、任意の数のネットワークコンポーネント、デバイス、およびシステム（同じまたは異なる構成の１つ以上のコンピューティングデバイスを含む）と通信するために、外部記憶装置７４５およびネットワーク７５０に通信可能に（例えば、Ｉ／Ｏインターフェース７２５を介して）結合されてもよい。コンピューティングデバイス７０５または任意の接続されたコンピューティングデバイスは、サーバ、クライアント、シンサーバ、汎用マシン、専用マシン、または別のラベルとして機能してもよく、これらのサービスを提供してもよく、またはこれらと呼ばれてもよい。

Ｉ／Ｏインターフェース７２５は、音声および／またはデータネットワークを介した無線通信を容易にする無線通信コンポーネント（図示せず）を含んでもよい。無線通信コンポーネントは、１つ以上のアンテナを有するアンテナシステム、無線システム、ベースバンドシステム、またはこれらの任意の組み合わせを含んでもよい。無線周波数（ＲＦ）信号は、無線システムの管理下でアンテナシステムによって空気を介して送受信されてもよい。

Ｉ／Ｏインターフェース７２５は、コンピューティング環境７００内の少なくともすべての接続されたコンポーネント、デバイス、およびネットワークにおよび／またはから情報を通信するために、任意の通信またはＩ／Ｏプロトコルまたは規格（例えば、イーサネット（登録商標）、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、およびセルラーネットワークプロトコルなど）を使用する有線および／または無線インターフェースを含んでもよいが、これらに限定されない。ネットワーク７５０は、任意のネットワークまたはネットワークの組み合わせ（例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話ネットワーク、セルラーネットワーク、および衛星ネットワークなど）であってもよい。

コンピューティングデバイス７０５は、コンピュータ使用可能またはコンピュータ可読媒体を（一時的媒体および非一時的媒体を含む）を使用してもよい、および／またはこれを用いて通信してもよい。一時的媒体は、伝送媒体（例えば、金属ケーブル、光ファイバ）、信号、および搬送波などを含む。非一時的媒体は、磁気媒体（例えば、ディスクおよびテープ）、光学媒体（例えば、ＣＤ－ＲＯＭ、デジタルビデオディスク、ブルーレイディスク）、固体媒体（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、固体記憶装置）、ならびに他の不揮発性記憶装置またはメモリを含む。

コンピューティングデバイス７０５は、一部の例示的なコンピューティング環境において技術、方法、アプリケーション、プロセス、またはコンピュータ実行可能命令を実施するために使用されてもよい。コンピュータ実行可能命令は、一時的媒体から取り出されてもよく、非一時的媒体に記憶され、そこから取り出されてもよい。実行可能命令は、プログラミング、スクリプティング、および機械語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、およびＪａｖａＳｃｒｉｐｔ（登録商標）など）のうちの１つ以上に由来してもよい。

プロセッサ７１０は、ネイティブ環境または仮想環境において、任意のオペレーティングシステム（ＯＳ）（図示せず）下で動作してもよい。論理ユニット７５５、アプリケーションプログラミングインターフェース（ＡＰＩ）ユニット７６０、入力ユニット７６５、出力ユニット７７０、活動エンジン７７５、活動検出器７８０、決定支援システム７８５、およびフィードバックモジュール７９０を含む１つ以上のアプリケーションが導入されてもよい。

例えば、入力ユニット７６５、活動エンジン７７５、活動検出器７８０、決定支援システム７８５、およびフィードバックモジュール７９０は、図２～図５に示した１つ以上のプロセスを実施してもよい。説明されたユニットおよび要素は、設計、機能、構成、または実施において変更されてもよく、提供された説明に限定されない。

一部の例示的な実施態様では、情報または実行命令が、ＡＰＩユニット７６０によって受信されるとき、それは、１つ以上の他のユニット（例えば、論理ユニット７５５、出力ユニット７７０、入力ユニット７６５、活動エンジン７７５、活動検出器７８０、決定支援システム７８５、およびフィードバックモジュール７９０）に通信されてもよい。

入力ユニット７６５は、活動に関連する入力情報を提供するためにＡＰＩユニット７６０を介して活動エンジン７７５および活動検出器７８０とインタラクトする。ＡＰＩユニット７６０を用いて、決定支援システム７８５は、活動パターンを特定するために情報を解析し、生産的計画に基づいて非業務関連活動およびデジタルリソースへのユーザのアクセスを管理するために、カスタマイズされた移行モデルを生成してもよい。フィードバックモジュール７９０は、例えば、アップデートされた情報で、カスタマイズされた移行モデルを改良してもよい。

一部の例では、論理ユニット７５５は、上述した一部の例示的な実施態様においてユニット間の情報フローを制御し、ＡＰＩユニット７６０、入力ユニット７６５、出力ユニット７７０、活動エンジン７７５、活動検出器７８０、決定支援システム７８５、およびフィードバックモジュール７９０によって提供されるサービスに命令するように構成されてもよい。例えば、１つ以上のプロセスまたは実施のフローは、単独でまたはＡＰＩユニット７６０と連携して論理ユニット７５５により制御されてもよい。

図８は、一部の例示的な実施態様に適した例示的な環境を示している。環境８００は、デバイス８０５～８５０を含み、それぞれは、例えばネットワーク８６０を介して（例えば、有線および／または無線接続によって）少なくとも１つの他のデバイスに通信可能に接続される。一部のデバイスは、１つ以上の記憶装置８３０および８４５に通信可能に接続されてもよい。

１つ以上のデバイス８０５～８５０の例は、それぞれ、図７に関して説明したコンピューティングデバイス７０５であってもよい。デバイス８０５～８５０は、上で説明したようにディスプレイを有し、かつウェブカムと関連付けられたコンピュータ８０５（例えば、ラップトップコンピューティングデバイス）、モバイルデバイス８１０（例えば、スマートフォンまたはタブレット）、テレビ８１５、ビークル８２０に関連するデバイス、サーバコンピュータ８２５、コンピューティングデバイス８３５～８４０、記憶装置８３０および８４５を含んでもよいが、これらに限定されない。上で説明したように、ユーザのミーティング環境は、様々であり得るものであり、オフィス環境に限定されない。

一部の実施態様では、デバイス８０５～８２０、８５０は、企業のユーザに関連するユーザデバイスと考えられてもよい。デバイス８２５～８５０は、（例えば、図１～図２に関して上述したようなサービスを提供するために、ならびに／またはデータ（検知データ、ピンポイントデータ、環境データ、ウェブページ、テキスト、テキストの一部、画像、画像の一部、音声、音声の一部、動画、動画の一部セグメント、および／もしくはこれらに関する情報など）を記憶するためにユーザおよび管理者によって使用される）クライアントサービスに関連するデバイスであってもよい。

詳細な説明のいくつかの部分は、コンピュータ内の動作のアルゴリズムおよび記号表現に関して提示されている。これらのアルゴリズム記述および記号表現は、技術革新の本質を他の当業者に伝えるためにデータ処理技術の当業者によって使用される手段である。アルゴリズムは、所望の終了状態または結果に至る一連の規定された動作である。例示的な実施態様では、実行される動作は、有形の結果を得るために有形の量の物理的操作を必要とする。

特に断らない限り、議論から明らかなように、説明を通して、「受信する」、「解析する」、「判定する」、「生成する」、「特定する」、「示す」、「検出する」、「管理する」、「適用する」、「取得する」、または「監視する」などの用語を用いる議論が、コンピュータシステムのレジスタおよびメモリ内の物理的（電子的）量として表されるデータを操作して、コンピュータシステムのメモリもしくはレジスタまたは他の情報記憶装置、伝送装置、もしくは表示装置内の物理的量として同様に表される他のデータに変換するコンピュータシステムまたは他の情報処理装置のアクションおよびプロセスを含み得ることが理解される。

また、例示的な実施態様は、本明細書の動作を実行するための装置に関してもよい。この装置は、必要な目的のために特別に構成されてもよいし、１つ以上のコンピュータプログラムによって選択的に作動または再構成される１つ以上の汎用コンピュータを含んでもよい。このようなコンピュータプログラムは、コンピュータ可読媒体（コンピュータ可読記憶媒体またはコンピュータ可読信号媒体など）に記憶されてもよい。

コンピュータ可読記憶媒体は、有形の媒体（光ディスク、磁気ディスク、読み出し専用メモリ、ランダムアクセスメモリ、固体素子、およびドライブ、または電子情報を記憶するのに適した任意の他の種類の有形のもしくは非一時的媒体などであるが、これらに限定されない）を含んでもよい。コンピュータ可読信号媒体は、搬送波などの媒体を含んでもよい。本明細書に提示されているアルゴリズムおよびディスプレイは、本質的に、特定のコンピュータまたは他の装置に関連しない。コンピュータプログラムは、所望の実施態様の動作を実行する命令を含む純粋なソフトウェアの実施態様を含んでもよい。

様々な汎用システムが、本明細書の例に従ってプログラムおよびモジュールと共に使用される場合もあるし、所望の方法の動作を実行するために、より特殊化された装置を構成することが好適であると判明する場合もある。加えて、例示的な実施態様は、特定のプログラミング言語を基準として説明されていない。本明細書で説明されているような例示的な実施態様の教示を実施するために、様々なプログラミング言語を使用することができることが理解されよう。プログラミング言語の命令は、１つ以上の処理装置（例えば、中央処理装置（ＣＰＵ）、プロセッサ、またはコントローラ）によって実行されてもよい。

当該技術分野で知られているように、上述の動作は、ハードウェア、ソフトウェア、またはソフトウェアとハードウェアの何らかの組み合わせによって実行されてもよい。例示的な実施態様の様々な態様は、回路および論理デバイス（ハードウェア）を用いて実施されてもよく、一方、他の態様は、プロセッサによって実行されると本出願の実施態様をプロセッサに実行させる、機械可読媒体に記憶された命令（ソフトウェア）を用いて実施されてもよい。

さらに、本出願の一部の例示的な実施態様は、ハードウェアのみで実行されてもよく、一方、他の例示的な実施態様は、ソフトウェアのみで実行されてもよい。さらに、説明された様々な機能は、単一のユニットで実行されてもよいし、任意の数の方法で複数のコンポーネントに分散されてもよい。ソフトウェアによって実行される場合、方法は、コンピュータ可読媒体に記憶された命令に基づいてプロセッサ（汎用コンピュータなど）によって実行されてもよい。必要に応じて、命令は、圧縮されたおよび／または暗号化された形式で媒体に記憶されてもよい。

例示的な実施態様は、関連技術に対して様々な相違点および利点を有し得る。例えば、限定のためではないが、関連技術に関して上で説明したようにＪａｖａＳｃｒｉｐｔ（登録商標）でウェブページを編集するのではなく、テキストおよびマウス（例えば、ポインティング）アクションが、ビデオドキュメントにおいて検出および解析されてもよい。

さらに、本出願の他の実施態様は、本明細書の考察および本出願の教示の実施から当業者には明らかであろう。説明された例示的な実施態様の様々な態様および／または構成要素は、単独でまたは任意の組み合わせで使用され得る。本明細書および例示的な実施態様は、単なる例として考えられており、本出願の真の範囲および精神は、以下の特許請求の範囲によって示されるものとする。

Claims (25)

1. 生産性を向上させるための方法であって、
   活動に関連する情報を受信するステップと、
   第１のパターン及び第２のパターンを特定するために前記情報を解析するステップと、
   前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成するステップと、
   前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理するステップと、
   前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへのアクセスを回復するステップと、
   を含み、
   前記カスタマイズされた移行モデルが、
   特定のユーザに対して、前記第１のパターンへの移行時において、特定された第１のパターン及び第２のパターンに関連するユーザの挙動と、前記特定された第１のパターン及び第２のパターンに関連するデータから決定された前記コンテキスト要因とから、適用すべき前記デジタルリソースへのアクセスポリシーを出力するモデルであり、
   前記特定のユーザに対して得られた、前記第１のパターンへの移行時における前記ユーザの挙動及び前記コンテキスト要因、適用された前記デジタルリソースへのアクセスポリシー、及び前記アクセスポリシーの適用により得られた前記集中的な関与のレベルをトレーニングデータとして用いて、機械学習により生成された、
   方法。
2. 前記第１のパターンに関連する活動への前記集中的な関与のレベルが、インタラクション率に基づいて閾値を満たす、請求項１に記載の方法。
3. 前記インタラクション率が、期間中のアプリケーション分類におけるユーザイベント率を含み、前記閾値が、過去の期間と比較される前記期間中の前記ユーザイベント率の平均に応答して満たされる、請求項２に記載の方法。
4. 前記カスタマイズされた移行モデルが、以前のセッション中の前記第１のパターンの活動に基づいてデジタルリソースアクセスを提案するアクセスポリシーを含む、請求項１に記載の方法。
5. 前記アクセスポリシーが、前記第２のパターンに関連する活動へのアクセスに対するユーザへのアラートまたは前記第２のパターンに関連する活動へのアクセスのブロックを表示するか否かを判定することを含む、請求項４に記載の方法。
6. 前記カスタマイズされた移行モデルが、前記トレーニングデータ以外に、ユーザの好み、環境制御、およびソーシャルグラフのうちの１つ以上を考慮した機械学習を用いて生成される、請求項１に記載の方法。
7. 前記カスタマイズされた移行モデルを生成する前記ステップが、デジタルリソースに関連するユーザフィードバックに基づいてユーザに関連する集中度評価を計算することをさらに含む、請求項１に記載の方法。
8. 前記第１のパターンへの移行を示す前記検出されたトリガが、ユーザの身体の動き、位置、および視線のうちの１つ以上を追跡することに基づく、請求項１に記載の方法。
9. 前記デジタルリソースへのアクセスを動的に管理する前記ステップが、ユーザに関連する複数の同じ場所に配置されたデバイスにおいて別々にデジタルリソースを管理することを含む、請求項１に記載の方法。
10. 前記情報が、検知データ、ピンポイントデータ、および環境データのうちの１つ以上を含む、請求項１に記載の方法。
11. 前記情報が、位置データ、生理学的データ、コンピュータ使用量、電話使用量、およびセンサデータのうちの１つ以上を含む、請求項１に記載の方法。
12. 前記第１のパターンに関連するフィードバック情報を受信するステップであって、
    前記フィードバック情報が、前記集中的な関与のレベルを含むステップと、
    前記受信したフィードバック情報に含まれる前記集中的な関与のレベルと、対応する前記ユーザの挙動、前記コンテキスト要因、及び適用された前記デジタルリソースへのアクセスポリシーとを、前記トレーニングデータに追加して、機械学習により前記移行モデルをアップデートするステップと、
    をさらに含む、請求項１に記載の方法。
13. 生産性を改善するためのシステムであって、
    メモリと、
    前記メモリに動作可能に結合されたプロセッサであって、
    活動に関連する情報を受信し、
    第１のパターンおよび第２のパターンを特定するために前記情報を解析し、
    前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成し、
    前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理し、および
    前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへの前記アクセスを回復する
    ように構成されたプロセッサと
    を備え、
    前記カスタマイズされた移行モデルが、
    特定のユーザに対して、前記第１のパターンへの移行時において、特定された第１のパターン及び第２のパターンに関連するユーザの挙動と、前記特定された第１のパターン及び第２のパターンに関連するデータから決定された前記コンテキスト要因とから、適用すべき前記デジタルリソースへのアクセスポリシーを出力するモデルであり、
    前記特定のユーザに対して得られた、前記第１のパターンへの移行時における前記ユーザの挙動及び前記コンテキスト要因、適用された前記デジタルリソースへのアクセスポリシー、及び前記アクセスポリシーの適用により得られた前記集中的な関与のレベルをトレーニングデータとして用いて、機械学習により生成された、
    システム。
14. 前記第１のパターンに関連する活動への前記集中的な関与のレベルが、インタラクション率に基づいて閾値を満たし、前記インタラクション率が、期間中のアプリケーション分類におけるユーザイベント率を含み、前記閾値が、過去の期間と比較される前記期間中の前記ユーザイベント率の平均に応答して満たされる、請求項１３に記載のシステム。
15. 前記カスタマイズされた移行モデルが、前記トレーニングデータ以外に、ユーザの好み、環境制御、およびソーシャルグラフのうちの１つ以上を考慮した機械学習を用いて生成される、請求項１３に記載のシステム。
16. 前記カスタマイズされた移行モデルが、以前のセッション中の前記第１のパターンの活動に基づいてデジタルリソースアクセスを提案するアクセスポリシーを含む、請求項１３に記載のシステム。
17. 前記プロセッサが、
    前記第１のパターンに関連するフィードバック情報であって、前記集中的な関与のレベルを含むフィードバック情報を受信し、
    前記受信したフィードバック情報に含まれる前記集中的な関与のレベルと、対応する前記ユーザの挙動、前記コンテキスト要因、及び適用された前記デジタルリソースへのアクセスポリシーとを、前記トレーニングデータに追加して、機械学習により前記移行モデルをアップデートする、
    ようにさらに構成されている、請求項１３に記載のシステム。
18. プロセッサによって実行されると、
    活動に関連する情報を受信させ、
    第１のパターンおよび第２のパターンを特定するために前記情報を解析させ、
    前記第１のパターンへの復帰のためのカスタマイズされた移行モデルを生成させ、
    前記第１のパターンへの移行を示す検出されたトリガに応答して、コンテキスト要因を評価し、前記カスタマイズされた移行モデルを適用して、前記第１のパターンへの前記移行中にデジタルリソースへのアクセスを動的に管理させ、および
    前記第１のパターンに関連する活動への集中的な関与のレベルが閾値を満たしたとの判定に応答して、前記デジタルリソースへの前記アクセスを回復させ、
    前記カスタマイズされた移行モデルが、
    特定のユーザに対して、前記第１のパターンへの移行時において、特定された第１のパターン及び第２のパターンに関連するユーザの挙動と、前記特定された第１のパターン及び第２のパターンに関連するデータから決定された前記コンテキスト要因とから、適用すべき前記デジタルリソースへのアクセスポリシーを出力するモデルであり、
    前記特定のユーザに対して得られた、前記第１のパターンへの移行時における前記ユーザの挙動及び前記コンテキスト要因、適用された前記デジタルリソースへのアクセスポリシー、及び前記アクセスポリシーの適用により得られた前記集中的な関与のレベルをトレーニングデータとして用いて、機械学習により生成された、
    プログラム。
19. 前記カスタマイズされた移行モデルを生成することが、前記デジタルリソースに関連するユーザフィードバックに基づいてユーザに関連する集中度評価を計算することをさらに含む、請求項１８に記載のプログラム。
20. 前記カスタマイズされた移行モデルが、前記トレーニングデータ以外に、ユーザの好み、環境制御、およびソーシャルグラフのうちの１つ以上を考慮した機械学習を用いて生成される、請求項１８に記載のプログラム。
21. 前記デジタルリソースへのアクセスを動的に管理することが、ユーザに関連する複数のデバイスに別々に、同じ場所に配置されたデジタルリソースを管理することを含む、請求項１８に記載のプログラム。
22. 前記プログラムがさらに、
    前記第１のパターンに関連するフィードバック情報であって、前記集中的な関与のレベルを含むフィードバック情報を受信させ、
    前記受信したフィードバック情報に含まれる前記集中的な関与のレベルと、対応する前記ユーザの挙動、前記コンテキスト要因、及び適用された前記デジタルリソースへのアクセスポリシーとを、前記トレーニングデータに追加して、機械学習により前記移行モデルをアップデートさせる、
    請求項１８に記載のプログラム。
23. 前記第１のパターンは、業務中であることを示すパターンであり、
    前記第２のパターンは、休息中であることを示すパターンである、
    請求項１～請求項１２の何れか１項に記載の方法。
24. 前記第１のパターンは、業務中であることを示すパターンであり、
    前記第２のパターンは、休息中であることを示すパターンである、
    請求項１３～請求項１７の何れか１項に記載のシステム。
25. 前記第１のパターンは、業務中であることを示すパターンであり、
    前記第２のパターンは、休息中であることを示すパターンである、
    請求項１８～請求項２２の何れか１項に記載のプログラム。

Images