JP7372716B1 - Driving aptitude test program, driving aptitude test system - Google Patents
Driving aptitude test program, driving aptitude test system Download PDFInfo
- Publication number
- JP7372716B1 JP7372716B1 JP2023049489A JP2023049489A JP7372716B1 JP 7372716 B1 JP7372716 B1 JP 7372716B1 JP 2023049489 A JP2023049489 A JP 2023049489A JP 2023049489 A JP2023049489 A JP 2023049489A JP 7372716 B1 JP7372716 B1 JP 7372716B1
- Authority
- JP
- Japan
- Prior art keywords
- test
- driving
- questions
- question
- driving aptitude
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 824
- 238000011156 evaluation Methods 0.000 claims abstract description 342
- 230000003920 cognitive function Effects 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims description 103
- 230000001149 cognitive effect Effects 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 81
- 238000010801 machine learning Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002459 sustained effect Effects 0.000 claims description 8
- 230000002688 persistence Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 123
- 230000008569 process Effects 0.000 abstract description 101
- 238000010586 diagram Methods 0.000 abstract description 30
- 238000004904 shortening Methods 0.000 abstract 1
- 230000003936 working memory Effects 0.000 description 61
- 238000004891 communication Methods 0.000 description 24
- 230000008901 benefit Effects 0.000 description 19
- 238000012854 evaluation process Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000003825 pressing Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 240000004050 Pentaglottis sempervirens Species 0.000 description 3
- 244000088415 Raphanus sativus Species 0.000 description 3
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 240000003768 Solanum lycopersicum Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RMFAWIUWXUCNQL-UHFFFAOYSA-N 1-[2-[[2-hydroxy-3-(3-methoxyphenoxy)propyl]amino]ethylamino]-3-(3-methoxyphenoxy)propan-2-ol;dihydrochloride Chemical compound Cl.Cl.COC1=CC=CC(OCC(O)CNCCNCC(O)COC=2C=C(OC)C=CC=2)=C1 RMFAWIUWXUCNQL-UHFFFAOYSA-N 0.000 description 1
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 229930091051 Arenine Natural products 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010000059 abdominal discomfort Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
【課題】認知機能の評価を含む運転適性検査を、オンラインで実現する。採点時間の短縮と採点精度の向上を図るほか、受検者・検査機関双方の利便性を向上する。【解決手段】本実施形態の運転適性検査システム１は、受検者に認知機能を測定するための検査問題を出題する。各検査問題において、受検者の得点は標準化される。この標準化処理により、種類の異なる複数の問題の結果を統合して運転適性評価項目の評価値を算出できる。さらに、種類の異なる運転適性評価項目から総合評価を算出する。【選択図】図６[Problem] To realize a driving aptitude test including evaluation of cognitive function online. In addition to shortening scoring time and improving scoring accuracy, it will also improve convenience for both test takers and testing institutions. A driving aptitude test system 1 of this embodiment presents test questions for measuring cognitive function to test takers. Test takers' scores are standardized for each test question. Through this standardization process, it is possible to integrate the results of multiple different types of questions and calculate the evaluation value for the driving aptitude evaluation item. Furthermore, a comprehensive evaluation is calculated from different types of driving aptitude evaluation items. [Selection diagram] Figure 6
Description
本発明は、運転適性検査プログラム、運転適性検査システムに関するものである。 The present invention relates to a driving aptitude test program and a driving aptitude test system.
自動車事故の原因の一つとして、運転者の認知機能低下が考えられる場合がある。
ここで「認知」とは、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）などの認知科学や、認知症という用語などからわかるように、ただ知覚するだけでなく、知覚、思考し、判断する全般ことを指す。知能・知覚心理学の分野の中では、比較的新しい考え方であり、例えば高年齢者の運転技術の程度を知るために、認知機能が指標となっている。
One of the causes of car accidents may be a decline in the driver's cognitive function.
As can be seen from cognitive science such as AI (Artificial Intelligence) and the term dementia, "cognition" here refers not only to just perceiving, but also to perceiving, thinking, and making judgments in general. This is a relatively new idea in the field of intelligence and perceptual psychology, and cognitive function is used as an index to determine the level of driving skills of elderly people, for example.
認知機能の低下は自分では気づきにくいこともあるため、運転者の認知機能を客観的に正しく測定する方法が求められる。自動車の運転者が自身の認知機能やその低下を正しく知ることができれば、事故の防止に役立つと考えられる。
よって、オンラインで気軽に受検できる、認知機能の測定を含む運転適性検査があれば、多くの運転者が自己の認知機能を把握することができ、事故防止のためにも好ましい。
Because it may be difficult to notice a decline in cognitive function, there is a need for a method to accurately and objectively measure a driver's cognitive function. If car drivers could accurately understand their own cognitive function and its decline, it would be helpful to prevent accidents.
Therefore, if there were a driving aptitude test that included the measurement of cognitive function that could be easily taken online, many drivers would be able to understand their own cognitive function, which would be desirable for preventing accidents.
また、知能・知覚心理学の分野の中で比較的新しい「認知」に関する検査問題を運転適性検査に積極的に取り入れることにより、運転適性検査の品質向上を見込むことができる。 Furthermore, by proactively incorporating test questions related to ``cognition,'' which is relatively new in the field of intelligence and perceptual psychology, into driving aptitude tests, it is possible to improve the quality of driving aptitude tests.
このほか、運転適性検査をオンラインで実施でき、コンピュータが出題や制限時間の管理、採点を行うのであれば、自動車学校など、運転適性検査の提供機関にとっては手間が少なくなるという利点がある。また、結果の提供までの時間が短縮されるため、受検者にとってもメリットが大きい。
さらに、運転適性検査を受検者自身のスマートフォンで受けられるのであれば、運転適性検査の受検率は高くなり、ひいては自己の運転適性を正しく知る機会が多くなると考えられる。
In addition, if driving aptitude tests can be conducted online, and a computer handles questions, time limits, and scoring, there is the advantage that driving aptitude test providers, such as driving schools, will find it less troublesome. It also has great benefits for test takers, as it shortens the time it takes to provide results.
Furthermore, if test takers can take the driving aptitude test using their own smartphones, it is thought that the percentage of test takers who take the test will be higher, and that they will have more opportunities to accurately learn about their own driving aptitude.
特許文献１には、ワーキングメモリーの働きの向上に寄与できるワーキングメモリートレーニング装置が開示されている。
非特許文献１には、運転適性に関わる認知機能検査について掲載されている。ここでは、「手がかり再生」及び「時間の見当識」という２つの検査項目について説明されている。
また非特許文献２は、認知機能についてオンラインでチェックを受けられるサイトである。
Non-Patent
Additionally, Non-Patent
しかしながら、特許文献１で開示されている文献は、ワーキングメモリーに関するものであるが、運転適性に関するものではなく、認知機能に関しての記述もない。
また非特許文献１、非特許文献２のいずれも、制限時間を計時する手段については記載がない。また、標準化や規格化といった、受検者の得点に対する統計処理について具体的な記載はない。
However, although the document disclosed in
Furthermore, neither Non-Patent
解決しようとする課題は、受検者の認知機能を測定できる運転適性検査のオンラインでの実現である。 The problem we are trying to solve is to create an online driving aptitude test that can measure the cognitive function of test takers.
本発明は、上記課題を鑑みてなされたものであり、例えば以下の手段を採用している。
すなわち、コンピュータを、認知機能を測る検査問題を出題する検査問題出題手段、前記検査問題において受検者の解答入力を受け付ける解答入力受付手段、前記解答入力の制限時間を計時する制限時間計時手段、前記検査問題について受検者の得点を取得する得点取得手段、
記憶部にあらかじめ格納されている統計処理用データを用いて前記受検者の得点を統計処理し、換算後得点を算出する得点換算手段、および、
前記換算後得点を用いて、少なくとも１以上の運転適性検査項目について評価値を算出する評価値算出手段、として機能させ、
前記統計処理は、標準化または正規化であることを特徴とする、受検者の運転適性を検査するための運転適性検査プログラムを提供することを最も主要な特徴とする。
The present invention has been made in view of the above problems, and employs, for example, the following means.
That is, the computer is used as a test question asking means for asking test questions to measure cognitive function, an answer input receiving means for receiving the test taker's answer input for the test questions, a time limit clocking means for measuring the time limit for inputting the answer, and score acquisition means for acquiring test takers' scores on test questions;
score conversion means for statistically processing the test taker's score using statistical processing data stored in advance in a storage unit and calculating a converted score;
functioning as an evaluation value calculation means for calculating an evaluation value for at least one or more driving aptitude test items using the converted score,
The main feature of the statistical processing is to provide a driving aptitude test program for testing a test taker's driving aptitude, which is characterized by standardization or normalization.
本発明の運転適性検査プログラムによる運転適性検査処理は、認知機能を測る検査問題を出題し、その受検者の得点について適切な統計処理を施すことにより、複数の評価項目間の比較を可能にし、また、他者の評価結果との比較を可能にする。 The driving aptitude test processing by the driving aptitude test program of the present invention asks test questions that measure cognitive function, and performs appropriate statistical processing on the test takers' scores, thereby making it possible to compare multiple evaluation items. It also enables comparison with other people's evaluation results.
本発明の運転適性検査プログラムにより実現する運転適性検査システムは、認知機能の評価を含む運転適性検査をオンラインで提供することを可能にする。
「認知（する）力」を測定する問題を組み入れることによって、現代のニーズにより対応した評価結果を導出することができる。
The driving aptitude test system realized by the driving aptitude test program of the present invention makes it possible to provide a driving aptitude test including evaluation of cognitive function online.
By incorporating questions that measure ``cognitive ability,'' it is possible to derive evaluation results that are more responsive to modern needs.
また、本発明の運転適性検査システムにより、受検者や検査機関における検査にかかる負担を減少する。より具体的には、採点時間の大幅な減少と採点精度の向上による受検者の利便性向上や、検査機関の問題管理等に係る負担の減少が挙げられる。 Furthermore, the driving aptitude test system of the present invention reduces the burden of testing on test takers and testing institutions. More specifically, it will improve convenience for test takers by significantly reducing scoring time and improving scoring accuracy, and reduce the burden of problem management on testing institutions.
本発明の実施形態を図面に基づいて説明する。以下の各実施形態では、同一又は対応する部分については同一の符号を付して説明を適宜省略する場合がある。
また、以下に用いる図面は本実施形態を説明するために用いるものであり、実際の装置の構成やユーザーインターフェース（ＵＩ）、データベースなどとは異なる場合がある。
Embodiments of the present invention will be described based on the drawings. In each of the following embodiments, the same or corresponding parts may be given the same reference numerals and the description thereof may be omitted as appropriate.
Further, the drawings used below are used to explain this embodiment, and may differ from the actual device configuration, user interface (UI), database, etc.
（実施形態の概要）
本実施形態の概要について、図１を用いて説明する。
図１は、本実施形態の運転適性検査プログラムＰ１による処理を行うシステム（以下「運転適性検査システム１」とする。）の概要を示す図（ネットワーク図）である。
運転適性検査プログラムＰ１を備えるサーバ１０は、受検者に対し、オンラインで運転適性検査を提供する。
(Summary of embodiment)
An overview of this embodiment will be explained using FIG. 1.
FIG. 1 is a diagram (network diagram) showing an overview of a system (hereinafter referred to as "driving
The
本実施形態の運転適性検査システム１は、受検者に認知機能を測定するための検査問題を出題する。この認知機能を測定する検査問題として、認知地図問題、ワーキングメモリー問題、概念認知問題を出題する。
The driving
各検査問題において、受検者の得点は、例えば標準化といった、統計処理がなされる。この統計処理により、運転検査システム１は、認知地図問題、ワーキングメモリー問題、そして概念認知問題など、種類の異なる複数の問題の結果から、受検者の運転適性を評価する各種運転適性評価項目について評価値を算出する。
運転適性評価項目のそれぞれは同じ標準化手法で標準化されることから、運転適性検査項目同士でも比較をすることができる。
さらに、この標準化により、種類の異なる運転適性評価項目から総合評価を算出する。
For each test question, the test taker's score is subjected to statistical processing, such as standardization. Through this statistical processing, the
Since each driving aptitude evaluation item is standardized using the same standardization method, comparisons can be made between driving aptitude test items.
Furthermore, through this standardization, a comprehensive evaluation is calculated from different types of driving aptitude evaluation items.
また、本実施形態の運転適性検査システム１は、検査問題における受検者の解答による得点（ひいては運転適性評価項目の評価値）と、受検者の運転特徴についてのアンケートと、を紐づけて学習する機械学習モデル（運転特徴機械学習モデルＰ２２）を備える。
学習済みの運転特徴機械学習モデルＰ２２は、受検者の解答を入力データとして、受検者の運転特徴を予測して出力する。
In addition, the driving
The learned driving feature machine learning model P22 uses the test taker's answers as input data, predicts and outputs the test taker's driving characteristics.
さらに、本実施形態の運転適性検査システム１は、運転適性評価項目の評価値を算出するための計算式を更新する。
上述した運転適性評価項目の評価値は、運転適性検査の換算後得点と評価値算出用係数から求められる（後述の数式２参照）。そこで、当該運転適性評価項目の評価値と、本検査問題とは別の、運転適性評価項目を直接的に測定する手段による評価結果とを紐づけて学習する機械学習モデル（係数調整用学習モデルＰ２４）により、評価値算出用係数を調整する。
これにより、検査問題を用いて算出する運転適性評価項目の評価値は、運転適性評価項目を直接的に測定する手段による評価結果により近い値を算出することができる。
Furthermore, the driving
The evaluation value of the driving aptitude evaluation item described above is obtained from the converted score of the driving aptitude test and the evaluation value calculation coefficient (see
Thereby, the evaluation value of the driving aptitude evaluation item calculated using the test questions can be calculated to be a value closer to the evaluation result obtained by means of directly measuring the driving aptitude evaluation item.
（実施形態の詳細）
以下、本実施形態に係る運転適性検査システム１について、詳細を説明する。運転適性検査システム１は、運転適性検査プログラムＰ１を備えるコンピュータを含み、受検者に対し、運転適性検査をオンラインで提供する。
すなわち運転適性検査システム１は、運転適性検査プログラムＰ１による情報処理が、ハードウェア資源を用いて具体的に実現されるものである。
以下、適性検査システム１を構成する、１．ユーザーインターフェース、２．プログラム処理、３．データ、および４．ハードウェア構成、について順に説明する。
(Details of embodiment)
Hereinafter, details of the driving
That is, in the driving
Below, the
（用語の定義）
ここで、いくつか言葉の定義を行う。
「運転適性検査」は、受検者の運転適性を検査する。運転は、本実施形態において自動車の運転を意味する。
(Definition of terms)
Let's define some words here.
The "driving aptitude test" tests the driving aptitude of the test taker. Driving in this embodiment means driving a car.
「運転適性」は、運転についての適性である。思考判断力のほか、運転操作の正確さや癖、または本人の性格や行動パターンなどから総合的に判断する。本実施形態では、特に、認知機能を測定する問題により、運転適性を測定する。
ここで、人の「認知機能」は、例えば思考判断力に関連し、運転に大きな影響を与える。例えば、著しい認知機能の低下は運転を困難にする。つまり、認知機能は運転適性と関連するため、認知機能を測定することで、運転適性の少なくとも一部を測定することができる。
認知機能の測定については、判断の速さや集中の持続など（次項の運転適性検査項目）が認知機能と関連するため、これらについて測定することで、認知機能を測定することができる。
"Driving aptitude" is aptitude for driving. In addition to the driver's ability to think and judge, a comprehensive judgment is made based on the accuracy and habits of driving operations, as well as the person's personality and behavioral patterns. In this embodiment, in particular, driving aptitude is measured using questions that measure cognitive function.
Here, a person's "cognitive function" is related to, for example, the ability to think and make decisions, and has a great influence on driving. For example, significant cognitive decline can make driving difficult. In other words, since cognitive function is related to driving aptitude, at least a portion of driving aptitude can be measured by measuring cognitive function.
Regarding the measurement of cognitive function, it is possible to measure cognitive function by measuring such things as speed of judgment and sustained concentration (driving aptitude test items in the next section), as these are related to cognitive function.
「運転適性評価項目」は、運転適性を評価するための項目である。本実施形態において、運転適性評価項目として特に認知機能が関わるものを採用している。具体的には、「判断の速さ」、「集中の持続」、「同時に複数のことを処理する力」、「細かい点に気づく力」、「空間の把握と視野の広さ」、「思考のスムースさ」、「落ち着いた行動」、「計画を立てる力」、「客観的な自己理解」の９項目を採用しているが、これに限られない。 "Driving aptitude evaluation item" is an item for evaluating driving aptitude. In this embodiment, items particularly related to cognitive functions are adopted as driving aptitude evaluation items. Specifically, ``speed of judgment'', ``sustained concentration'', ``ability to process multiple things at the same time'', ``ability to notice details'', ``grasp of space and wide field of view'', and ``thinking Nine items are adopted, including, but not limited to, "smooth behavior," "calm behavior," "ability to make plans," and "objective self-understanding."
「受検者」は、運転適性検査システム１により運転適性検査を受ける者を意味する。
「管理者」は、運転適性検査システム１を運営し管理する者である。例えば自動車学校やその従業員などが挙げられる。つまり、組織を表すこともあれば、個人を表す場合もある。また、運転適性検査システム１により運転適性検査を行う組織を、検査機関とも記載する場合もある。
このほか、運転適性検査システム１を運営するものでなくても、例えばコンピュータシステムのメンテナンス業者など、システムのメンテナンスを行う者についても管理者と称する場合がある。
「ユーザ」は、上記受検者と管理者との２つの意味を有するが、特に断りが無い場合は受検者を意味する。
“Test taker” means a person who takes a driving aptitude test using the driving
The “administrator” is a person who operates and manages the driving
In addition, even if a person does not operate the driving
"User" has two meanings: the above-mentioned test taker and administrator, but unless otherwise specified, it means the test taker.
「検査問題」は、運転適性検査を構成し、受検者の運転適性を検査するための問題である。検査問題として例えば、認知機能を評価するための問題がある。また、認知機能を評価するための問題として、本実施形態の認知地図問題、ワーキングメモリー問題、または概念認知問題などがある。
なお、本実施形態の認知地図問題、ワーキングメモリー問題、および／または概念認知問題を「各種検査問題」と称する場合がある。
本実施形態の検査問題は、小問を複数含む。例えば、本実施形態の認知地図問題では、最初の小問で選択肢を選択すると、次の小問に移る。つまり、認知地図問題は複数の小問により構成されると言える。
The "test questions" constitute the driving aptitude test and are questions for testing the driving aptitude of the test taker. Examples of test questions include questions for evaluating cognitive function. In addition, questions for evaluating cognitive function include the cognitive map problem, working memory problem, and conceptual recognition problem of this embodiment.
Note that the cognitive map problem, working memory problem, and/or concept recognition problem of this embodiment may be referred to as "various test problems."
The test questions of this embodiment include a plurality of small questions. For example, in the cognitive map problem of this embodiment, when an option is selected in the first question, the next question is moved on. In other words, a cognitive map problem can be said to consist of multiple subquestions.
「地図」は、ある場所の一部または全部を縮小して平面上に描き表したものである。地図はある場所を上方から見下ろす視点で描かれるため、地図上方から地図平面への視点を上面視と表記し、地図を「上面視図」とも称する。また、見下ろす角度により、「俯瞰図」または「鳥瞰図」とも称する場合がある。例えば、俯瞰図を写す視線は地図平面と略直交方向になる。 A "map" is a scaled-down representation of part or all of a certain place on a flat surface. Since a map is drawn from a viewpoint looking down on a certain place from above, the viewpoint from above the map to the map plane is referred to as a top view, and the map is also called a ``top view''. It may also be called a "bird's eye view" or a "bird's eye view" depending on the viewing angle. For example, the line of sight for capturing an overhead view is in a direction substantially orthogonal to the map plane.
これに対し、「正面視図」は、地図上のある所定位置における正面視の視点に対応する図である。正面視を写す視線は地図平面と略水平方向である。
言い換えると、上面視はトップビュー、正面視はサイドビューとなる。
On the other hand, a "front view" is a view corresponding to a front view point at a certain predetermined position on the map. The line of sight that captures the front view is approximately horizontal to the map plane.
In other words, a top view is a top view, and a front view is a side view.
地図は目印となるものを含む。目印は、例えば道路標示などの平面的なものや、道路・建物・ランドマークなどの構造物、乗り物、動植物・岩石・水系などの自然物、または地形などの立体的なものである。
地図は実在する地形の地図である必要はなく、検査問題用に創作されたものでもよい。また、例えば三次元形状の辺だけを表示する、ワイヤーフレームを用いて構成されていてもよい。
The map includes landmarks. Marks include, for example, two-dimensional objects such as road markings, structures such as roads, buildings, and landmarks, natural objects such as vehicles, animals, plants, rocks, and water systems, or three-dimensional objects such as landforms.
The map does not have to be a map of an actual terrain, but may be one created for the test question. Further, it may be configured using a wire frame that displays only the sides of a three-dimensional shape, for example.
「押下」は、ブラウザ画面に表示されているボタンアイコンを押すことを言う。マウスを操作しているのであればクリックに該当し、スマートフォンやタブレットなどを操作しているのであればタップに該当する。選択入力と称する場合がある。
「解答入力」は、受検者による解答の入力である。例えば、選択肢の選択といった選択入力などである。また、計算問題について解答を数値で入力するのであれば、その数値入力が解答入力となる。
「制限時間」は、検査問題の解答時における、受検者に対する時間的制限である。本実施形態において、検査問題ごとに制限時間が設定されている。ただしこれに限られるものではなく、例えば検査問題全体で１つの制限時間を設定してもよい。
「アンケート」は、運転適性検査における、検査問題とは別の受検者回答項目である。例えば、受検者の運転特徴を取得するためのアンケートなどである。
“Press” refers to pressing a button icon displayed on the browser screen. If you are operating a mouse, this corresponds to a click, and if you are operating a smartphone or tablet, it corresponds to a tap. This is sometimes called selection input.
"Answer input" is input of an answer by the test taker. For example, this includes selection input such as selection of options. Furthermore, if the answer to a calculation problem is input as a numerical value, the numerical input becomes the answer input.
The "time limit" is a time limit for test takers when answering test questions. In this embodiment, a time limit is set for each test question. However, the time limit is not limited to this, and for example, one time limit may be set for all test questions.
The "questionnaire" is a test taker response item different from the test questions in the driving aptitude test. For example, it may be a questionnaire for acquiring driving characteristics of test takers.
「得点」は、各種検査問題における受検者の評価に係る指標である。本実施形態において、誤答などによって減点されることはないため、得点は正解数と一致する。また、得点は検査問題ごとに算出される。
「換算後得点」は、統計処理方法により統計処理した得点である。特に、標準化した得点を「標準化得点」と称する。
「統計処理」は、標準化または正規化である。本実施形態では標準化を用いているため、主に標準化を用いて説明する。
「解答数」は、各種検査問題における受検者の解答の数である。解答数には、正答の数と誤答の数、および受検者が「わからない」と解答した問題の数を含む。
The "score" is an index related to the test taker's evaluation of various test questions. In this embodiment, points are not deducted due to incorrect answers, so the score matches the number of correct answers. In addition, scores are calculated for each test question.
The "converted score" is a score statistically processed using a statistical processing method. In particular, the standardized scores are referred to as "standardized scores."
"Statistical processing" is standardization or normalization. Since this embodiment uses standardization, the description will mainly be made using standardization.
The "number of answers" is the number of answers given by test takers to various test questions. The number of answers includes the number of correct answers, the number of incorrect answers, and the number of questions to which the test taker answered "I don't know."
「評価値」は、単独のまたは複数の換算後得点から算出する、ある１つの運転適性検査項目の評価指標である（数式２参照）。本実施形態において、評価値の数値が高いほど良い評価である。
「評価値算出用係数」は、換算後得点から運転適性評価項目の評価値を算出する際に用いられる係数である。具体例は後述する。
「評価値スコア」は、評価値を所定の数値ごとに区分して得られる多段階評価指標である。
「総合評価値」は、受検者の運転適性を表す評価指標である。本実施形態では、運転適性検査項目の評価値から算出する。
「総合スコア」は、総合評価値を所定の数値ごとに区分して得られる多段階評価指標である。
The "evaluation value" is an evaluation index of one driving aptitude test item calculated from one or more converted scores (see Formula 2). In this embodiment, the higher the numerical value of the evaluation value, the better the evaluation.
The "evaluation value calculation coefficient" is a coefficient used when calculating the evaluation value of the driving aptitude evaluation item from the converted score. A specific example will be described later.
The "evaluation value score" is a multi-level evaluation index obtained by classifying evaluation values into predetermined numerical values.
The "overall evaluation value" is an evaluation index representing the test taker's driving aptitude. In this embodiment, it is calculated from the evaluation value of the driving aptitude test item.
The "total score" is a multi-level evaluation index obtained by dividing the comprehensive evaluation value into predetermined numerical values.
「運転適性検査結果」は、運転適性検査により得られる結果である。例えば、認知機能を測定する検査問題の解答数・得点・換算後得点・解答に要した時間、評価値・評価値スコア、総合評価値・総合スコアなどである。
運転適性検査結果の語は、受検者の得点など、含まれる内容の一部を指すこともあれば、含まれる内容全体を指すこともある。
また、運転適性検査結果は、認知機能を測定する検査問題以外の検査結果を含んでいてもよい。例えば、運転適性検査で行われる心理テストの結果などである。
さらに、運転適性検査結果は、過去分の結果を含んでよい。
運転適性検査結果は広い概念であり、その中に各種検査問題の検査結果を含む。
"Driving aptitude test result" is a result obtained from a driving aptitude test. Examples include the number of answers, scores, converted scores, time required for answering test questions for measuring cognitive function, evaluation values, evaluation value scores, and overall evaluation values and overall scores.
The term "driving aptitude test result" may refer to a part of the content, such as the test taker's score, or may refer to the entire content.
Furthermore, the driving aptitude test results may include test results other than test questions that measure cognitive function. For example, it is the result of a psychological test conducted in a driving aptitude test.
Furthermore, the driving aptitude test results may include past results.
Driving aptitude test results are a broad concept and include test results for various test questions.
「運転特徴」は、受検者の運転に関する特徴である。具体的には例えば、運転歴（運転免許を取得してからの年数など）、免許の色（青色・ゴールドなど運転免許の色のほか、ゴールド免許の有無などであってもよい）、免許種別（自動車免許の普通、大型、第一種、第二種など）、所定の期間内における事故の有無などである。また、これらのような客観的に確認できる情報に限らず、運転の好き嫌い、嗜好など、受検者における主観的なものであってもよい。
"Driving characteristics" are characteristics related to the test taker's driving. Specifically, for example, driving history (number of years since obtaining a driver's license, etc.), license color (in addition to the color of the driver's license such as blue or gold, it may also be the presence or absence of a gold license), license type. (regular, large,
「ワーキングメモリー」の語は、本実施形態において２つの意味が存在し得る。１つは、人の認知機能と関わるワーキングメモリーである。作業記憶などとも呼ばれる。もう一つは、コンピュータの制御部を構成するランダムアクセスメモリ（ＲＡＭ１２６）である。ＲＡＭは、プロセッサ１２２にワーキングメモリとして使用される。
本実施形態において、特に断りの無い場合は前者の意味を指す。
The term "working memory" can have two meanings in this embodiment. One is working memory, which is related to human cognitive function. Also called working memory. The other is a random access memory (RAM 126) that constitutes the control section of the computer. RAM is used by
In this embodiment, unless otherwise specified, the former meaning is indicated.
以下において、「○○」処理と記載している場合、コンピュータのプロセッサは、プログラム格納部に記憶されている「○○」プログラムに基づく処理を実行することを意味する。本段落において、「○○」の箇所には同じ語が入る。
すなわち、「○○」プログラムは、「○○」処理の実行により、コンピュータを「○○」手段として機能させるプログラムである。またこの際、当該プロセッサを備える制御部は、「○○」部（または「○○」装置）としても機能することを意味する。
この場合において、「○○」部は、「○○」プログラムに基づく「○○」処理を実行することを意味する。
In the following, when it is described as "○○" process, it means that the processor of the computer executes the process based on the "○○" program stored in the program storage unit. In this paragraph, the same word is used in place of "○○".
That is, the "○○" program is a program that causes a computer to function as a "○○" means by executing the "○○" process. Further, in this case, it means that the control unit including the processor also functions as a "○○" unit (or "○○" device).
In this case, the "○○" part means to execute the "○○" process based on the "○○" program.
例えば、運転適性検査プログラムＰ１は、運転適性検査処理の実行により、コンピュータを運転適性検査手段として機能させるプログラムである。またこの際、プロセッサ１２２を備えるコンピュータの制御部１２は、運転適性検査部１３０（または運転適性検査装置）として機能する。
For example, the driving aptitude test program P1 is a program that causes a computer to function as a driving aptitude test means by executing a driving aptitude test process. Further, at this time, the
運転適性検査システム１において、受検者端末２０や管理者端末３０などの各端末（コンピュータ）はそれぞれプロセッサを備えるが、単にプロセッサという場合は、運転適性検査プログラムＰ１により処理を行うプロセッサ、本実施形態ではサーバ１０のプロセッサ１２２、を指すものとする。
In the driving
１．ユーザーインターフェース
まず、本実施形態の運転適性検査システム１が受検者端末２０に表示させるインターフェース（ＵＩ）について、図を用いて説明する。
以降で説明するインターフェースは、プロセッサ１２２が端末（受検者端末２０または管理者端末３０）のブラウザに表示させるものを簡略化したものである。
1. User Interface First, the interface (UI) displayed on the test taker's terminal 20 by the driving
The interface described below is a simplified version of the interface that the
ユーザは画面要素（ＵＩ－１０）の操作、つまりテキストボックスＵＩ－１２への入力や、カーソルＵＩ－１４によるボタンＵＩ－１６の押下などにより、情報の登録や解答の入力を容易に行うことができる。
なお、画面ごとにテキストボックスＵＩ－１２やボタンＵＩ－１６の役割は異なるが、簡単のため同じ符号を付し、各種機能の差異はその都度説明する。
Users can easily register information and input answers by operating screen elements (UI-10), such as inputting into text boxes UI-12 and pressing buttons UI-16 using cursor UI-14. can.
Note that although the roles of the text box UI-12 and button UI-16 differ from screen to screen, they are given the same reference numerals for simplicity, and differences in various functions will be explained each time.
また、説明に必要な機能に関わるアイコン等のみ表示することとし、それ以外の公知のアイコンなどは省略する。例えば、直前に表示されていたページに戻るための戻るボタンなどは省略している。 Further, only icons related to functions necessary for explanation are displayed, and other well-known icons are omitted. For example, a back button for returning to the previously displayed page is omitted.
なお以下において、簡単のため、「サーバ１０のプロセッサ１２２が、端末（受検者端末２０や管理者端末３０）からのリクエストを受けて、当該端末のブラウザに表示するためのデータを返す」ことを、「プロセッサ１２２が端末のブラウザに表示する（させる）」または「プロセッサ１２２が表示する（させる）」などと記載する場合がある。
また同様に、「サーバ１０のプロセッサ１２２が、記憶部１４のデータ記憶部１４ｂにデータを保存させる」ことを、「プロセッサが（データを）保存する（させる）」などと記載する場合がある。
In the following, for the sake of simplicity, it is assumed that "the
Similarly, "the
以下のユーザーインターフェースの説明の前提として、受検者は、運転適性検査システム１を管理する検査機関に対して運転適性検査を申し込み、一意の受検者ＩＤと企業コード、および認証手段が付与されている。
本実施形態において、運転適性検査システム１にアクセスするための認証手段はパスワードである。また、個人の受検者であっても、企業コードとして個人受検者用のコードが付与される。
これらの情報は、プロセッサ１２２が後述する受検者情報データベースＤ２０に保存する。
The following explanation of the user interface assumes that a test taker applies for a driving aptitude test to the testing organization that manages the driving
In this embodiment, the authentication means for accessing the driving
These pieces of information are stored by the
図２は、受検者情報登録画面を示す図である。受検者による運転適性検査システム１の利用に先立ち、受検者または管理者は、受検者個人に係る情報を登録する。
管理者が受検者の情報を登録する場合とは例えば、検査機関において、検査を希望する者（受検者）が紙の書面等で検査の申し込みを行い、検査機関の担当者（管理者）が当該書面に記載された受検者情報を入力する場合などである。
FIG. 2 is a diagram showing a test taker information registration screen. Before a test taker uses the driving
When an administrator registers the information of a test taker, for example, a person who wishes to be tested (test taker) applies for a test in a paper document, etc. at a testing institution, and the person in charge of the testing institution (administrator) registers the information of the test taker. This is the case, for example, when inputting test taker information written on the document.
図２に示すように、本実施形態において、受検者情報は、氏名、年齢、性別、住所、電話番号などのほか、運転特徴を得るためのアンケートを含む。
図２において、運転特徴は受検者の運転歴である。
As shown in FIG. 2, in this embodiment, the test taker information includes name, age, gender, address, telephone number, etc., as well as a questionnaire for obtaining driving characteristics.
In FIG. 2, the driving characteristics are the test taker's driving history.
ただし、運転特徴はこれに限られるものではなく、免許の色（例えばゴールド免許の有無）、所定の期間内における事故の有無、などであってもよい。この運転特徴を含む受検者情報は、後述する機械学習に用いる。 However, the driving characteristics are not limited to this, and may include the color of the driver's license (for example, the presence or absence of a gold driver's license), the presence or absence of an accident within a predetermined period, and the like. This test taker information including driving characteristics is used for machine learning, which will be described later.
図２に戻り、受検者の情報登録を行うユーザがＯＫボタンを押下すると、プロセッサ１２２は受検者情報を受検者情報データベースＤ２０に保存する。
Returning to FIG. 2, when the user who registers the test taker's information presses the OK button, the
受検者情報に情報を多く含むほど、後述する機械学習などに利用できるデータが多くなるため、事故防止のための分析など、より多くの用途に役立てやすくなる。例えば、登録情報に住所情報を含める場合、データが蓄積することにより、都道府県別の事故分析などを行うことが想定される。 The more information the test taker information contains, the more data that can be used for machine learning, which will be described later, and the easier it is to use it for a variety of purposes, such as analysis to prevent accidents. For example, if address information is included in the registered information, it is assumed that accident analysis by prefecture will be performed as the data is accumulated.
図３は、運転適性検査システム１のログイン画面を示す図である。
図３に示すように、本実施形態において、受検者などのユーザは、企業コード、メールアドレス、およびパスワードをテキストボックス（ＵＩ－１２）に入力し、画面中央下部のログインボタン（ＵＩ－１６）を押下することで、個人ページ画面にログインする。
FIG. 3 is a diagram showing a login screen of the driving
As shown in FIG. 3, in this embodiment, a user such as a test taker enters a company code, email address, and password into a text box (UI-12), and then clicks the login button (UI-16) at the bottom center of the screen. Click to log in to the personal page screen.
プロセッサ１２２は、ログインボタンの押下による入力を受け付けると、パスワードを含む受検者の入力情報の組み合わせについて認証を行う。
認証に成功すると、プロセッサ１２２は次項の個人ページ表示画面などを表示させる。
When the
If the authentication is successful, the
図４は、運転適性検査システム１の個人ページ画面を示す図である。図４は受検者用の画面である。プロセッサ１２２は、ログインしている受検者に応じた内容を表示する。
例えば、受検者が検査を受けたことが無い場合、画面には「検査を受ける」と表示されているボタン（以下、「検査画面表示ボタン」とする。）のみが表示される。図４中、「検査結果を参照する」と表示されているボタン（以下、「検査結果参照ボタン」とする。）の斜線は、押下（入力）を受け付けない態様で薄く表示されるか、表示されていないことを意味する。また、受検可能な検査が無い場合、プロセッサ１２２は、検査画面表示ボタンを表示させないようにしてもよい。
FIG. 4 is a diagram showing a personal page screen of the driving
For example, if the test taker has never taken a test, only a button labeled "Take test" (hereinafter referred to as "test screen display button") is displayed on the screen. In Figure 4, the diagonal line on the button that says "Refer to test results" (hereinafter referred to as the "Refer to test results button") is either dimmed or displayed in a manner that does not accept pressing (input). means not. Furthermore, if there are no tests available, the
一方、受検者が受検済みで、検査結果が検査結果データベースＤ２２に保存されている場合、プロセッサ１２２は検査結果参照ボタンを表示する。受検者は検査結果参照ボタンを押下することで、検査結果参照画面（不図示）に進むことができ、自己の検査結果を閲覧等することができる。
On the other hand, if the test taker has already taken the test and the test results are stored in the test result database D22, the
図５は、運転適性検査システム１の検査開始画面を示す図である。受検者が上述の検査画面表示ボタンを押下したときに、プロセッサ１２２が表示する画面である。図５に示すように、受検可能な検査がある場合、プロセッサ１２２は検査を開始するためのボタン（以下、「検査開始ボタン」とする。）を表示する。
受検者が検査開始ボタンを押下すると、プロセッサ１２２は運転適性検査を開始する。
FIG. 5 is a diagram showing a test start screen of the driving
When the test taker presses the test start button, the
プロセッサ１２２は、各検査問題のはじめに、説明画面の表示を行い、また、練習問題を数題出題する（不図示）。練習問題のＵＩは本番問題のＵＩに準ずるため、説明は省略する。
The
本実施形態の運転適性検査では、プロセッサ１２２が認知機能を測定するための検査問題を表示し、出題する。つまり、プロセッサ１２２は、検査問題データベースＤ１０から問題や解答選択肢を読み出し、受検者端末２０のブラウザに表示させる。
In the driving aptitude test of this embodiment, the
ここで、検査について補足する。
本実施形態のすべての検査は、制限時間が設定されている。プロセッサ１２２が最初の問題が表示すると共に、計時部１２８がカウントダウンを始める。カウントがゼロになると（制限時間が経過すると）、その検査は終了する。
Here, I would like to add some information about the inspection.
All tests in this embodiment have a time limit set. As
また本実施形態において、プロセッサ１２２は制限時間や残り時間を受検者端末２０のブラウザ上に表示させていないが、これらを表示させるようにしてもよい。この場合、受検者は残り時間を把握して解答の時間配分等を行うことができる利点がある。
この制限時間は、運転適性検査システム１の管理者が設定により適宜変更することができる。
Further, in this embodiment, the
This time limit can be changed as appropriate by the administrator of the driving
検査問題は時間をかければ解ける問題もあり、また、検査機関等で行う検査である以上、解答時間の制限は必須である。
そのほか、制限時間を設定することにより、例えば検査機関等で使用するパーソナルコンピュータ等の回転率（使用効率）を上げることができるため、効率的な検査を提供することができる。
Some test questions can be solved by taking time, and since the test is conducted by a testing organization, it is essential to limit the answering time.
In addition, by setting a time limit, it is possible to increase the turnover rate (usage efficiency) of, for example, a personal computer used in an inspection agency, etc., so that efficient inspections can be provided.
本実施形態の運転適性検査システム１は、認知機能を測定するための問題として認知地図問題、ワーキングメモリー問題、概念認知問題を出題する。以下それぞれについて説明する。
The driving
（認知地図問題のＵＩ）
図６は、認知地図問題出題画面を示す図である。
本実施形態において、プロセッサ１２２は、問題文のほか、正面視図（イラスト）ＵＩ－１８２ａと、上面視図（地図）ＵＩ－１８２ｂと、解答選択肢ＵＩ－１６２を表示する。
プロセッサ１２２は上面視図（地図）に、複数の立ち位置を示す記号（Ａ～Ｄ）と、それぞれの立ち位置における視線方向を示す記号（矢印）を表示する。そして、立ち位置を示す記号（Ａ～Ｄ）と、解答選択肢ＵＩ－１６２の記号（Ａ～Ｄ）とは対応する。
(UI for cognitive map problem)
FIG. 6 is a diagram showing a cognitive map question question screen.
In this embodiment, the
The
図６中の問題文にあるように、認知地図問題は、正面視図（イラスト）の画像が、上面視図（地図）中のどの地点から見ているものか、受検者に答えさせる問題である。
受検者は正しいと考える選択肢を解答選択肢ＵＩ－１６２から選択（押下）し、「次へすすむ」ボタンを押下する。「次へすすむ」ボタンの入力を受け付けると、プロセッサ１２２は次の問題を表示する。
なお本実施形態において、認知地図問題の制限時間は１２０秒である。
As shown in the question text in Figure 6, the cognitive map question asks the test taker to answer from which point on the top view (map) the image of the front view (illustration) is viewed. be.
The test taker selects (presses) the option that he or she considers correct from the answer options UI-162, and presses the "Next" button. Upon receiving the input of the "Next" button,
In this embodiment, the time limit for the cognitive map problem is 120 seconds.
図６の例において、正解選択肢はＡである。目の前に直進や右折などの標示のほか、進行方向と直交する横断歩道があり、さらにその先には左から右に向かう車が見えることなどがヒントになる。 In the example of FIG. 6, the correct answer option is A. In addition to signs telling you to go straight or turn right in front of you, there is also a crosswalk that is perpendicular to the direction of travel, and you can also get hints by seeing cars heading from left to right beyond that.
Ｂの選択肢の場合、正面視において左から来る車は視界に入らないはずである。また、前を走る車の後部が正面視で視認できると考えられる。
Ｃの選択肢の場合、正面視において、進行方向を横切る横断歩道は視界に入らないはずである。また、前方の交差点を右から左に横切る車が視界に入ると考えられる。
Ｄの選択肢の場合、直近に交差点は無く、正面視において横断歩道も視界に入らないはずである。また、Ｄの矢印に沿う道路が別の道路の下をくぐる形となっているため、正面視図ではその立体交差の様子などが視界に入ると考えられる。
In the case of option B, a car coming from the left should not be visible when viewed from the front. It is also considered that the rear of the car running in front can be seen from the front.
In the case of option C, the crosswalk that crosses the direction of travel should not be visible when viewed from the front. It is also possible that a car crossing the intersection ahead from right to left will come into view.
In the case of option D, there is no intersection in the immediate vicinity, and the crosswalk should not be visible from the front. In addition, since the road along the arrow D passes under another road, the state of the grade-separated intersection can be seen in the front view.
なお、図６に示すように、プロセッサ１２２は「わからない」ボタンも表示する。受検者は、答えが分からない場合は「わからない」ボタンを押下してもよい。
この場合、プロセッサ１２２はその小問については誤答とし、次の計算問題に進む。受検者が「わからない」ボタンを押下したときの処理は以下の出題処理でも同様である。
Note that, as shown in FIG. 6, the
In this case, the
認知地図問題は、言い換えると、プロセッサ１２２が、上面視図である地図と、前記上面視図の所定位置における正面視に対応する正面視図と、前記所定位置に対応する選択肢を含む複数の選択肢とを表示し、前記所定位置に対応する選択肢を受検者に解答させる問題である。
In other words, in the cognitive map problem, the
ここで、「前記所定位置に対応する選択肢を受検者に解答させる」とは、「前記所定位置に対応する選択肢」が正しい選択肢（正解選択肢）であり、それ以外の選択肢は誤り（不正解選択肢）であることを意味する。
これは、後述する概念認知問題における「各要素が各見本要素と同じ関係にある選択肢を受検者に解答させる」の文言も同様である。
また、ワーキングメモリー問題の「受検者に前記記憶対象を入力させる」の文言も同様であり、記憶対象が解答されるべき内容であることを意味する。
Here, "having the test taker answer the option corresponding to the predetermined position" means that "the option corresponding to the predetermined position" is the correct option (correct option), and the other options are incorrect (incorrect option). ).
This is also the case with the wording of ``the test taker is asked to answer the options in which each element has the same relationship with each sample element'' in the conceptual recognition question described below.
Furthermore, the wording of the working memory question, ``Have the test taker input the memorized object'' is also similar, meaning that the memorized object is the content to be answered.
（ワーキングメモリー問題のＵＩ）
図７から図９は、ワーキングメモリー問題の出題画面を示す図である。
まず、記憶対象提示画面（図７）に示すように、プロセッサ１２２は記憶対象である数桁の数字等を表示し、受検者はその記憶対象を記憶する（順序１（図中丸１））。
続いて、計算問題出題画面（図８）に示すように、プロセッサ１２２は所定の数の計算問題を受検者に出題し、受検者はこれに解答する（順序２（図中丸２））。
最後に、記憶対象入力画面（図９）に示すように、プロセッサは数値入力部（ＵＩ－１２２）を表示し、受検者は順序１で記憶した数桁の数字を入力する（順序３（図中丸３））。
順序１から順序３までを１セット（１つの小問）とし、プロセッサは制限時間の限り次々に小問を出題する。本実施形態において、制限時間は１８０秒である。
(UI for working memory problem)
FIGS. 7 to 9 are diagrams showing working memory problem question screens.
First, as shown in the memorization object presentation screen (FIG. 7), the
Next, as shown in the calculation question question screen (FIG. 8), the
Finally, as shown in the memory target input screen (Figure 9), the processor displays the numerical input section (UI-122), and the test taker enters the several-digit number memorized in order 1 (order 3 (Figure 9)). Nakamaru 3)).
図７から図９の各図を用いて詳細に説明する。
図７は、ワーキングメモリー問題出題画面の記憶対象表示画面を示す図である。
本実施形態において、プロセッサ１２２は記憶対象表示部ＵＩ－２０に３桁の数字を表示する。所定の時間経過後、プロセッサ１２２は自動的に次の画面（計算問題出題画面）を表示する。
This will be explained in detail with reference to the figures in FIGS. 7 to 9.
FIG. 7 is a diagram showing a storage target display screen of the working memory question question screen.
In this embodiment, the
本実施形態において、前記所定の時間、つまり次の画面に切り替わるまでの時間（受検者が数字を記憶できる時間）は、図７に示すように、プロセッサ１２２が残り時間表示部（ＵＩ－２２）にバーグラフの形で表示する。バー（図中ＵＩ－２２の斜線部）が右端まである状態（満タン）から、時間の経過とともに左の方に目盛り（図中斜線部）が減っていき、バーが無くなると制限時間は終了となる。制限時間終了でプロセッサ１２２は次の画面（計算問題出題画面）を表示する。
In this embodiment, the predetermined time, that is, the time until switching to the next screen (the time during which the test taker can memorize the numbers), is determined by the
図８は、ワーキングメモリー問題出題画面の計算問題出題画面を示す図である。
図８に示すように、本実施形態において、プロセッサ１２２は計算問題画像（ＵＩ－１８４）部分に簡単な足し算を表示する。
プロセッサ１２２は計算問題のほか、解答するための数字ボタンＵＩ－１６４を表示する。受検者は題意に沿って、正しいと考える数字ボタンＵＩ－１６４を押下して解答する。
FIG. 8 is a diagram showing a calculation question question screen of the working memory question question screen.
As shown in FIG. 8, in this embodiment, the
In addition to calculation questions, the
例えば、図８の例では、「７＋８＝」の答えは１５であるから、受検者はその下一桁（一の位）である「５」の数字ボタンを選択する。
受検者が正しい数値ボタンを選択すると、プロセッサ１２２は次の計算問題を出題する。受検者の解答が正しくない場合、プロセッサ１２２は誤答である旨を表示し、次の解答入力を待ち受ける。
For example, in the example of FIG. 8, the answer to "7+8=" is 15, so the test taker selects the number button for "5", which is the last digit (one's digit).
When the test taker selects the correct numeric button,
本実施形態において、この足し算の出題数は１０題である。
受検者から１０題の計算問題について（正しい）解答入力を受け付けると、プロセッサ１２２は次項の記憶対象入力画面を表示する。
In this embodiment, the number of addition questions is 10.
When the
図９は、ワーキングメモリー問題出題画面の記憶対象入力画面を示す図である。
図９に示すように、本実施形態において、プロセッサ１２２は記憶対象入力画面で受検者が記憶していた数字を入力する数字入力部ＵＩ－１２２と、その解答入力のための数字ボタンＵＩ－１６４を表示する。そのほか、プロセッサ１２２は間違った解答入力を１字分削除するための１字削除ボタンを表示する。
数字入力部ＵＩ－１２２において、数字ボタンを押すごとに上位の桁から解答欄にその数値が表示される。また、１字削除ボタンを押すごとに直近に入力した数字（下位の桁）から順に削除される。
FIG. 9 is a diagram showing a memory target input screen on the working memory question question screen.
As shown in FIG. 9, in this embodiment, the
In the numeric input section UI-122, each time a numeric button is pressed, the numeric value is displayed in the answer column starting from the highest digit. Also, each time you press the one-character delete button, the most recently entered number (lower digit) is deleted.
図９の例で入力されるべき数字は「５９２」である。受検者は解答の数字を入力したら「次へすすむ」ボタンを押下して解答を確定する。 In the example of FIG. 9, the number to be input is "592". After the test taker enters the answer number, he or she presses the "Next" button to confirm the answer.
以上、図７から図９に示すように、受検者は（順序１）記憶対象の数字の記憶、（順序２）計算問題の解答、および（順序３）記憶対象の数字の入力を繰り返す。
なお本実施形態において、２セット目、３セット目と進むごとに、順序１で覚える数字の桁数は増えていく。
As described above, as shown in FIGS. 7 to 9, the test taker repeats (order 1) memorizing numbers to be memorized, (order 2) answering calculation questions, and (order 3) inputting numbers to be memorized.
In this embodiment, the number of digits of the number to be memorized in
例えば、最初の１セット目において、順序１で覚える数字は３桁であるが、２セット目ではこれが４桁となり、３セット目ではこれが５桁となる。つまり、後半になるほどより受検者の記憶力が試されることになる。
問題の難易度を上げていくことによって、用意する問題の数を減らすことができるなどの効果がある。
For example, in the first set, the number to be memorized in
By increasing the difficulty of the questions, the number of questions to be prepared can be reduced.
本実施形態のワーキングメモリー問題は、（順序１）記憶対象の数字の記憶と（順序３）記憶対象数字の入力の間に、（順序２）計算問題を挟み、また、その計算問題では、計算させて下一桁を答えさせるものであるという特徴がある。
これは、難易度が適切であり、質問意図がわかりやすい、という利点がある。また、ワーキングメモリーとは、「作業に必要な情報を、一時的に保存し処理する能力」であるため、本実施形態では計算問題の部分を「簡単な足し算」と「その下一桁の確認」という作業にすることで、計算力が結果に与える影響を小さくしている。
In the working memory problem of this embodiment, a calculation problem (order 2) is sandwiched between (order 1) memorizing the number to be memorized and (order 3) inputting the number to be memorized, and in the calculation problem, the calculation problem is The feature is that the user is asked to answer the last digit.
This has the advantage that the difficulty level is appropriate and the intent of the question is easy to understand. In addition, since working memory is the ability to temporarily store and process information necessary for a task, in this embodiment, the calculation problem part is ``simple addition'' and ``checking the last digit.'' By doing this, the influence of computational power on the results is reduced.
ワーキングメモリー問題は、言い換えると、プロセッサ１２２が、受検者に記憶させる記憶対象を表示した後、少なくとも２以上の計算問題を出題し、前記計算問題の出題後に、受検者に前記記憶対象を入力させる解答入力欄を表示する問題である。
In other words, for the working memory question, the
（概念認知問題のＵＩ）
図１０は、概念認知問題（言葉）の出題画面を示す図である。
図１０に示すように、概念認知問題においてプロセッサ１２２は、問題文のほか、例示画像（ＵＩ－１８６）と４つの解答選択肢（ＵＩ－１６２）を表示する。問題文にあるように、受検者は例の組み合わせと同じものを４つの選択肢から選択する。
なお本実施形態において、概念認知問題の制限時間は１２０秒である。
(UI for conceptual recognition questions)
FIG. 10 is a diagram showing a question screen for conceptual recognition questions (words).
As shown in FIG. 10, in the concept recognition question, the
Note that in this embodiment, the time limit for the concept recognition problem is 120 seconds.
図１０に示すように、ハイフンの左と右に表示される文字や図形などを「要素」と称する。図１０の例では、「野菜」と「大根」がそれぞれ要素である。つまり、上述した組み合わせは、要素の組み合わせである。 As shown in FIG. 10, characters, figures, etc. displayed to the left and right of the hyphen are called "elements." In the example of FIG. 10, "vegetables" and "radish" are each elements. That is, the above-mentioned combination is a combination of elements.
図１０の例には、「野菜」と「大根」という見本要素を含む見本が例示されており、各見本要素は例えば「全体」と「部分」の関係にある。受検者は、各要素がこれと同じ関係にある選択肢を探す。
各要素が各見本要素と同じ関係にあるといえるものは、選択肢Ｃの「果物」と「りんご」である。選択肢Ｃの各要素は「全体」と「部分」の関係にあるため、各要素が各見本要素と同じ関係にある。よって正解はＣの選択肢である。
In the example of FIG. 10, a sample including sample elements "vegetables" and "radish" is illustrated, and each sample element has a relationship of "whole" and "part", for example. Test takers look for options in which each element has the same relationship.
Choices C, "fruit" and "apple," can be said to have the same relationship between each element and each sample element. Since each element of option C has a relationship between "whole" and "part", each element has the same relationship with each sample element. Therefore, the correct answer is option C.
Ａの選択肢は「タクシー」と「トラック」であり、どちらも同じ自動車という分野に属する。
Ｂの選択肢は「医者」と「注射器」であり、その関係は例えば「道具の使用者」と「道具」である。
Ｄの選択肢は「野球」と「サッカー」であり、どちらも同じスポーツ競技に属する。
Ａ、Ｂ、およびＤのいずれの選択肢においても、各要素の関係は「全体」と「部分」の関係とは異なるため、要素同士が見本要素同士と同じ関係にあるとはいえない。
Choices A are "taxi" and "truck," both of which belong to the same field of automobiles.
Choices B are "doctor" and "syringe," and their relationship is, for example, "tool user" and "tool."
Choices D are "baseball" and "soccer," both of which belong to the same sports competition.
In any of the options A, B, and D, the relationship between the elements is different from the relationship between the "whole" and the "part," so it cannot be said that the elements have the same relationship with each other as the sample elements.
解答選択肢ＵＩ－１６２はボタンとなっており、受検者は解答選択肢ＵＩ－１６２の画像部分を押下することで選択を行う。プロセッサ１２２は受検者の選択入力を受け付けると、その選択入力の内容を保存して次の問題を表示する。
The answer option UI-162 is a button, and the test taker makes a selection by pressing the image part of the answer option UI-162. When the
図１１は、概念認知問題（イラスト）の出題画面を示す図である。
図１１の例に表示されている組み合わせは「飲食」と「腹痛」であり、これらは例えば因果関係（「飲食をしたら、お腹を壊した」という関係）を示す。
例と同じになる組み合わせは、選択肢Ｃの「雨」と「風邪（発熱）」である。これらも因果関係（「雨に濡れたら、風邪をひいた」という関係）にある。よって正解はＣの選択肢である。
FIG. 11 is a diagram showing a question screen for conceptual recognition questions (illustrations).
The combinations displayed in the example of FIG. 11 are "eating and drinking" and "abdominal pain," and these indicate, for example, a causal relationship ("I had an upset stomach after eating and drinking").
The combination that is the same as in the example is option C, "rain" and "cold (fever)." These also have a causal relationship (``If you get wet in the rain, you catch a cold''). Therefore, the correct answer is option C.
Ａの選択肢は「野球」と「野球ボール」であり、スポーツ競技とその道具である。
Ｂの選択肢は「トマト」と「きゅうり」であり、どちらも同じ野菜という分野に属する。
Ｄの選択肢は「にわとり」と「鳩」であり、どちらも同じ鳥という分野に属する。
Ａ、Ｂ、およびＤのいずれの選択肢においても、各要素の関係は時系列を伴う因果関係にあるものではないため、要素同士が見本要素同士と同じ関係にあるとはいえない。
Choices A are ``baseball'' and ``baseball,'' which are sports competitions and their tools.
Choice B is "tomato" and "cucumber," both of which belong to the same category of vegetables.
Choices D are "chicken" and "pigeon," both of which belong to the same field of birds.
In any of the options A, B, and D, the relationships between the elements do not have a causal relationship with time series, so it cannot be said that the elements have the same relationship with each other as with the sample elements.
概念認知問題は、言い換えると、プロセッサ１２２が、ある一定の関係にある少なくとも２以上の見本要素を備える見本と、各要素が各見本要素と同じ関係にある選択肢を含む複数の選択肢とを表示し、各要素が各見本要素と同じ関係にある選択肢を受検者に解答させる問題である。
In other words, the concept recognition problem is a problem in which the
ここで、「少なくとも２以上の」とは、例えば、見本要素が「トマト」、「大根」、「人参」のように、３つあってもよいことを意味する。この場合、受検者はこれらの各見本要素の関係性を考察して解答する。
この例の場合、見本と正解選択肢は、要素がいずれも野菜である組み合わせであり、不正解選択肢は要素の少なくとも一つが野菜でない選択肢などである。
Here, "at least two or more" means that there may be three sample elements, such as "tomato", "radish", and "carrot", for example. In this case, the test taker considers the relationship between these sample elements and answers.
In this example, the sample and the correct option are combinations in which all elements are vegetables, and the incorrect options are options in which at least one of the elements is not a vegetable.
以上、認知機能を測定する検査問題を３種類説明した。各種検査問題における評価の方法については、後述のプログラム処理のところで詳細を説明する。
認知機能を測定する検査問題は、認知機能を測定する問題が２種類以上出題されることが好ましい。例えば、認知地図問題、ワーキングメモリー問題、および概念認知問題のうち、２以上の組み合わせである。
種類の異なる複数の検査問題を用いて、受検者の運転適性を多面的に測定することで、より詳細に受検者の運転適性を把握することができるからである。よって、問題の種類は２種類よりも３種類の方がより好ましい。
Above, we have explained three types of test questions that measure cognitive function. The evaluation methods for various test questions will be explained in detail in the program processing section below.
It is preferable that the test questions for measuring cognitive function include two or more types of questions for measuring cognitive function. For example, it is a combination of two or more of cognitive map problems, working memory problems, and conceptual recognition problems.
This is because by measuring a test taker's driving aptitude from multiple aspects using a plurality of test questions of different types, it is possible to understand the test taker's driving aptitude in more detail. Therefore, it is more preferable to have three types of questions than two types.
各検査問題について、検査に要する時間が妥当な長さである限り、検査問題の小問数は多いほどよい。より詳細に受検者の認知機能を測定できるためである。
例えば概念認知問題において、５問出題するよりも、１０問出題することで、少なくとも０点から１０点までの値で評価することができる。このように多くの小問で評価することで、より詳細に受検者の認知機能を評価することができ、また評価の誤差などを小さくすることができる。
For each test question, as long as the time required for the test is a reasonable length, the larger the number of subquestions in the test question, the better. This is because the test taker's cognitive function can be measured in more detail.
For example, in conceptual recognition questions, by asking 10 questions rather than 5 questions, it is possible to evaluate at least a value from 0 to 10 points. By evaluating with many small questions in this way, it is possible to evaluate the test taker's cognitive function in more detail, and it is possible to reduce errors in the evaluation.
本実施形態の運転適性検査システム１において、受検者は受検者情報の登録や解答の入力をグラフィカルユーザインターフェース（以下「ＧＵＩ」とする。）により行うことができる。これにより、受検者は視覚的かつ簡単な操作で運転適性検査を受けることができる。
In the driving
また本実施形態の運転適性検査システム１はレスポンシブデザインに対応しているため、受検者は、ＰＣに限らず、スマートフォンでも運転適性検査を受けることができる。
Further, since the driving
２．プログラム処理
＜運転適性検査処理＞
本実施形態の運転適性検査システム１において行われるプログラム処理について説明する。
2. Program processing <Driving aptitude test processing>
The program processing performed in the driving
本実施形態において、プロセッサ１２２は、運転適性検査プログラムＰ１に基づき、運転適性検査処理を行う。
運転適性検査プログラムＰ１は、少なくとも受検者情報登録プログラムＰ１２、検査問題出題プログラムＰ１４、および認知機能評価プログラムＰ１６を含み、プロセッサ１２２はこれらの各プログラムに基づいて、受検者情報登録処理、検査問題出題処理、および認知機能評価処理をそれぞれ実行する。
In this embodiment, the
The driving aptitude test program P1 includes at least a test taker information registration program P12, a test question asking program P14, and a cognitive function evaluation program P16, and the
また、運転適性検査プログラムＰ１は機械学習モデルＰ２０を含む。本実施形態において、機械学習モデルＰ２０として、運転特徴機械学習モデルＰ２２と係数調整用学習モデルＰ２４を含む。
プロセッサ１２２は、これらの機械学習モデル２０に基づいて後述する各種判断を行う。
Further, the driving aptitude test program P1 includes a machine learning model P20. In this embodiment, the machine learning model P20 includes a driving feature machine learning model P22 and a coefficient adjustment learning model P24.
The
以下において各処理を説明する。以下の説明において、運転適性検査システム１へのログインは済んでいるものとする。
Each process will be explained below. In the following description, it is assumed that the user has already logged in to the driving
＜２－１．受検者情報登録処理＞
プロセッサ１２２は、受検者情報登録プログラムＰ１２に基づき、受検者情報登録処理を行う。
すなわち、受検者情報登録プログラムＰ１２は、プロセッサ１２２による受検者情報登録処理の実行により、コンピュータを受検者情報登録手段として機能させる。
<2-1. Test taker information registration process＞
The
That is, the test taker information registration program P12 causes the computer to function as a test taker information registration means by executing test taker information registration processing by the
また、本実施形態において、受検者情報は受検者の運転特徴を含むことから、受検者情報登録手段は、「少なくとも受検者の運転特徴を含む受検者情報、を登録する受検者情報登録手段」である。「運転特徴を問うアンケート」については後述する。 Furthermore, in this embodiment, since the test taker information includes the driving characteristics of the test taker, the test taker information registration means is "a test taker information registration means for registering test taker information including at least the driving characteristics of the test taker". It is. The "questionnaire asking about driving characteristics" will be described later.
図１２は、受検者情報登録処理を示すフローチャートである。プロセッサ１２２はブラウザに受検者情報登録画面を表示させる。
受検者情報登録処理において、プロセッサ１２２は、受検者情報の入力を受け付けて保存する。
プロセッサ１２２は、ユーザによる受検者情報登録処理開始の指示を端末（受検者端末２０または管理者端末３０）から受けることにより、受検者情報登録処理を開始する。
FIG. 12 is a flowchart showing the test taker information registration process. The
In the test taker information registration process, the
The
プロセッサ１２２は受検者情報の入力を受け付け（ステップ０１）、入力完了（ＯＫボタンの押下）まで待機する（ステップ０２Ｎｏ）。ＯＫボタンの入力を受け付けたら（ステップ０２Ｙｅｓ）、入力された受検者情報を含む各種データを保存し（ステップ０３）、受検者情報登録処理を終了する。
プロセッサ１２２は、受検者ＩＤと紐づける形でこの受検者情報を記憶部１４（受検者情報データベースＤ２０）に保存する。
The
The
＜２－２．検査問題出題処理＞
プロセッサ１２２は、検査問題出題プログラムＰ１４に基づき、検査問題出題処理を行う。
すなわち、検査問題出題プログラムＰ１４は、プロセッサ１２２による検査問題出題処理の実行により、コンピュータを検査問題出題手段として機能させる。
本実施形態では認知機能を測るための検査問題を出題することから、検査問題出題手段は「認知機能を測る検査問題を出題する検査問題出題手段」である。
<2-2. Test question processing>
The
That is, the test question question program P14 causes the
In this embodiment, since test questions are asked to measure cognitive function, the test question asking means is "a test question asking means for asking test questions to measure cognitive function."
検査問題出題処理において、プロセッサ１２２は、各種検査問題を出題する。また、本実施形態の検査問題出題処理において、プロセッサ１２２は解答制限時間の計時や、受検者の解答入力の正否判定（採点）および得点付与（得点計算）を行う。
In the test question posing process, the
本実施形態において、検査問題出題プログラムＰ１４は、解答入力受付プログラムＰ１４２、導入プログラムＰ１４４、認知地図問題出題プログラムＰ１４６、ワーキングメモリー問題出題プログラムＰ１４８、および概念認知問題出題プログラムＰ１５０を含み、プロセッサ１２２はこれらの各プログラムに基づいて、解答入力受付処理、導入処理、認知地図問題出題処理、ワーキングメモリー問題出題処理、および概念認知問題出題処理をそれぞれ実行する。
In this embodiment, the examination question question program P14 includes an answer input reception program P142, an introduction program P144, a cognitive map question question program P146, a working memory question question program P148, and a conceptual recognition question question program P150, and the
解答入力受付プログラムＰ１４２は、プロセッサ１２２による解答入力受付処理の実行により、コンピュータを解答入力受付手段として機能させる。
ここで、検査問題において解答入力を行うのは運転適性検査の受検者であるため、解答入力受付手段は、「検査問題において受検者の解答入力を受け付ける解答入力受付手段」である。
The answer input reception program P142 causes the
Here, since it is the test taker of the driving aptitude test who inputs the answer to the test question, the answer input receiving means is "answer input receiving means that receives the test taker's answer input to the test question."
解答入力受付プログラムＰ１４２は、受検者からの解答入力を受け付けるためのプログラムである。具体的には、解答入力受付プログラムＰ１４２によりプロセッサ１２２は、受検者によるテキストボックスＵＩ－１２への入力や、ボタンＵ－１６（解答選択肢ＵＩ－１６２、数字ボタンＵＩ－１６４など）の押下といった入力操作を受け付ける。プロセッサ１２２は、これらの入力操作を受け付けたことをトリガーとして、所定の処理を実行する。
The answer input acceptance program P142 is a program for accepting answer input from test takers. Specifically, the answer input reception program P142 causes the
ここで、本実施形態のプロセッサ１２２は、解答入力受付プログラムＰ１４２により、検査問題ごとに設けられている制限時間内において解答入力を受け付ける。このとき、この制限時間は計時部１２８が計時する。つまり制御部１２は、受検者の解答入力の制限時間を計時する制限時間計時手段として機能する。
Here, the
図１３は、導入処理を示すフローチャートである。プロセッサ１２２は、導入プログラムＰ１４４に基づき、導入処理を行う。
導入処理によりプロセッサ１２２は、各種検査問題のはじめに、受検者に対して検査問題の内容を説明する画面を表示し、また、受検者に問題解答やその操作について練習する機会を与える。
各種検査問題処理において、サブルーチンとして導入処理の呼び出しがあった時に、プロセッサ１２２は導入処理を開始する。
なお、導入処理は必ずしもサブルーチン化する必要はなく、各検査問題に組み込んでもよい。
FIG. 13 is a flowchart showing the introduction process. The
In the introduction process, the
In processing various test questions, when the introduction process is called as a subroutine, the
Note that the introduction process does not necessarily need to be made into a subroutine, and may be incorporated into each test question.
図１３に示すように、プロセッサ１２２は、検査の内容を説明する文章や画像を表示する（ステップ１１）。受検者はその説明を読み終わったら、同画面に表示されているＯＫボタンを押下する。プロセッサ１２２は、ＯＫボタンの押下入力を受け付けるか、所定の表示時間が経過するまで待機する（ステップ１２Ｎｏ）。受検者によるＯＫボタンの押下、または表示時間経過により（ステップ１２Ｙｅｓ）、プロセッサ１２２は練習問題を表示する（ステップ１３）。
As shown in FIG. 13, the
練習問題における処理は、本番検査の処理に準ずる。例えば、認知地図問題であれば、後述するように、プロセッサ１２２は問題を表示し（図１４・ステップ２２）、時間切れになるか（ステップ２３Ｎｏ）、最後の問題が終わるまで（ステップ２５Ｙｅｓ）次々と問題を出題する。
上述したとおり、練習問題は本番の問題より問題量が少ないか、解答時間が短い。
The processing for practice questions is similar to that for the actual test. For example, in the case of a cognitive map problem, as described below, the
As mentioned above, practice questions have fewer questions or take less time to answer than actual questions.
図１３に戻り、プロセッサ１２２は、練習時間が経過するか、すべての問題への解答が終わるまで待機し（ステップ１４Ｎｏ）、練習時間経過か全練習問題の解答終了（ステップ１４Ｙｅｓ）により、それぞれのメインプログラムに処理を戻す（リターン処理）。
Returning to FIG. 13, the
本実施形態の導入処理のように、プロセッサ１２２は少なくとも、各種検査問題のはじめに検査問題の内容を説明する画面を表示することが好ましい。
一般的な認知機能検査と異なり、本運転適性検査システム１は運転適性検査を測るものであるため、受検者は極めて広範囲の年齢層を対象としている。よって、何人も内容を理解できる検査であることが必要だからである。
As in the introduction process of this embodiment, it is preferable that the
Unlike a general cognitive function test, this driving
図１４は、認知地図問題出題処理を示すフローチャートである。プロセッサ１２２は、認知地図問題出題プログラムＰ１４６に基づき、認知地図問題出題処理を行う。
認知地図問題出題処理により、プロセッサ１２２は、認知地図問題を出題する。
本実施形態において、認知地図問題が最初の検査問題であるため、受検者が検査開始ボタン（図５参照）を押下すると、プロセッサ１２２は運転適性検査を開始し、認知地図問題出題処理を開始する。
なお、仮に、認知地図問題が２番目以降の検査問題となる場合は、直前の検査問題に係る処理が終わった後に、プロセッサ１２２は認知地図問題を開始する。
FIG. 14 is a flowchart showing the cognitive map question question processing. The
Through the cognitive map question asking process, the
In this embodiment, since the cognitive map question is the first test question, when the test taker presses the test start button (see FIG. 5), the
Note that if the cognitive map problem becomes the second or subsequent test problem, the
プロセッサ１２２は、導入処理ののち（ステップ２１）、認知地図問題を表示する（ステップ２２）。認知地図問題を表示するとは、上述したように、プロセッサ１２２が、問題文のほか、上面視図（地図）、正面視図（イラスト）、解答選択肢を表示することを指す。
また、プロセッサ１２２は、問題の表示とともに制限時間のカウントダウンを開始する。最初の問題表示とともに制限時間が開始するのは、以降の出題処理でも同様である。
After the introduction process (step 21), the
The
図１４に示すように、認知地図問題出題処理で設定されている制限時間内であれば（ステップ２３Ｙｅｓ）、プロセッサ１２２は受検者の解答入力があるまで待機する（ステップ２４Ｎｏ）。受検者の解答入力があった場合（ステップ２４Ｙｅｓ）で、その問題が最後の問題でない場合（ステップ２５Ｎｏ）は、プロセッサ１２２は次の問題を表示する（ステップ２２）。
As shown in FIG. 14, if it is within the time limit set in the cognitive map question asking process (Step 23 Yes), the
ここで、受検者の解答は検査結果データベースＤ２２に保存される（不図示）。また、プロセッサ１２２は、解答の正誤判定を行い、正解であれば得点を付与し、保存する。
またプロセッサ１２２は、問題表示から解答までに要した時間など、小問に係るそのほかの情報を保存してもよい。
ただし、解答の正誤判定や得点付与はこのタイミングに限られるものではなく、各種データの保存（認知地図問題出題処理の場合はステップ２６）時に行ってもよい。これは以下の出題処理でも同様である。
Here, the test taker's answers are stored in the test result database D22 (not shown). Further, the
The
However, determining whether an answer is correct or not and assigning a score are not limited to this timing, and may be performed at the time of saving various data (in
図１４に戻り、制限時間が経過する（ステップ２３Ｎｏ）か、最後の問題が終わった場合（ステップ２５Ｙｅｓ）、プロセッサ１２２は受検者の解答を含む各種データを保存して（ステップ２６）、認知地図問題出題処理を終了する。
Returning to FIG. 14, when the time limit has elapsed (
ここで各種データとは、認知地図問題の出題で得られたデータであり、例えば検査結果に関するデータ、つまり受検者の解答数、正答数（得点）、誤答数、わからないと答えた問題の数、個々の問題や全ての問題の解答に要した時間、などである。プロセッサ１２２は、これら検査結果のデータを検査結果データベースＤ２２に保存される。これは以下の出題処理でも同様である。
なお、ここでいう検査結果は、上述した運転適性検査結果に含まれる。
Here, various data are data obtained from cognitive map questions, such as data regarding test results, i.e., the number of test takers' answers, the number of correct answers (scores), the number of incorrect answers, and the number of questions for which they answered "I don't understand". , the time required to answer each question or all questions, etc. The
Note that the test results here are included in the driving aptitude test results described above.
なお、出題処理の別の処理の途中であっても、制限時間が経過した場合、プロセッサ１２２は各種データを保存してその処理を終了する。これは以降の出題処理でも同様である。
It should be noted that even in the middle of another process of the question-taking process, if the time limit has elapsed, the
図１５は、ワーキングメモリー問題出題処理を示すフローチャートである。プロセッサ１２２は、ワーキングメモリー問題出題プログラムＰ１４８に基づき、ワーキングメモリー問題出題処理を行う。
ワーキングメモリー問題出題処理により、プロセッサ１２２は、ワーキングメモリー問題を出題する。
本実施形態において、認知地図問題が終了すると、プロセッサ１２２はワーキングメモリー問題出題処理を開始する。
なお図１５において、円に囲まれた数字（１）は結合子であり、処理のつながりを示す。
FIG. 15 is a flowchart showing the working memory question question processing. The
Through the working memory question asking process, the
In this embodiment, when the cognitive map question is completed, the
Note that in FIG. 15, the number (1) surrounded by a circle is a connector and indicates a connection of processes.
プロセッサ１２２は、導入処理ののち（ステップ３１）、受検者が記憶する記憶対象を表示する（ステップ３２）。
After the introduction process (step 31), the
本実施形態において、記憶対象は３桁以上の数字である。記憶対象の数字は、プロセッサ１２２がランダムで表示する。プロセッサ１２２は表示した数字を記憶し、最終的に受検者の解答と表示した数値が一致するか否かを判定する。
In this embodiment, the storage target is a number of three digits or more. The numbers to be stored are randomly displayed by the
なお、プロセッサ１２２が記憶対象の数字の選択し、表示する方法はこれに限られない。例えば、あらかじめ３桁の数字、４桁の数字などをワーキングメモリー問題データベースＤ１０４に格納しておき、プロセッサ１２２が記憶対象を表示するタイミングで格納している数字を取得してもよい。
Note that the method by which the
図１５に戻り、プロセッサ１２２はあらかじめ定められている一定の表示時間が経過するまで待機し（ステップ３３Ｎｏ）、表示時間が経過したら（ステップ３３Ｙｅｓ）計算問題を表示する（ステップ３４）。
Returning to FIG. 15, the
本実施形態において、計算問題は１０題出題されるが、計算問題は計算問題用の制限時間があらかじめ設定されている。
図１５に示すように、計算問題の制限時間内であれば（ステップ３５Ｙｅｓ）、プロセッサ１２２は受検者の解答入力があるまで待機する（ステップ３６Ｎｏ）。受検者の解答入力があった場合（ステップ３６Ｙｅｓ）で、その問題が最後の計算問題でない場合（ステップ３７Ｎｏ）は、プロセッサ１２２は次の計算問題を表示する（ステップ３４）。
In this embodiment, 10 calculation questions are asked, and a time limit for each calculation problem is set in advance.
As shown in FIG. 15, if the calculation problem is within the time limit (Step 35, Yes), the
なお本実施形態の計算問題において、受検者が正しい選択肢を選択しない場合、プロセッサ１２２は次の計算問題を表示させない（不図示）。
Note that in the calculation problem of this embodiment, if the test taker does not select the correct option, the
本実施形態において、計算問題の正誤は次の計算問題に進むか否かの判断にのみ用いられ、得点や運転適性評価項目の評価値には用いられないため、プロセッサ１２２は受検者の解答を保持しない。ただし、これに限られるものではなく、プロセッサ１２２は、計算問題の結果を検査結果データベースＤ２２に保存してもよい。
In this embodiment, the correctness of the calculation question is used only to determine whether to proceed to the next calculation problem, and is not used for the score or the evaluation value of the driving aptitude evaluation item. Not retained. However, the present invention is not limited to this, and the
図１５に戻り、計算問題のおける制限時間が経過する（ステップ３５Ｎｏ）か、最後（１０問目）の計算問題が終わった場合（ステップ３７Ｙｅｓ）、プロセッサ１２２は数値入力部を表示する（ステップ３８）。
Returning to FIG. 15, if the time limit for the calculation problem has elapsed (No in step 35) or the last (10th) calculation problem has been completed (Yes in step 37), the
図１５に示すように、数値入力で設定されている制限時間内であれば（ステップ３９Ｙｅｓ）、プロセッサ１２２は受検者の解答入力があるまで待機する（ステップ４０Ｎｏ）。受検者の解答入力があった場合（ステップ４０Ｙｅｓ）は、プロセッサ１２２はその解答を保存する。
As shown in FIG. 15, if it is within the time limit set by numerical input (
ここで、受検者の解答は検査結果データベースＤ２２に保存される（不図示）。また、プロセッサ１２２は、解答の正誤判定を行い、正解であれば得点を付与し、保存する。
Here, the test taker's answers are stored in the test result database D22 (not shown). Further, the
図１５に示すように、（順序１）記憶対象の標示、（順序２）計算問題の標示、（順序３）数値入力部標示までがワーキングメモリー問題における１つの小問である。
ワーキングメモリー問題出題処理の制限内である場合（ステップ４１Ｙｅｓ）、プロセッサ１２２は次の小問に進み、順序１記憶対象の標示を行う（ステップ３２）。
As shown in FIG. 15, (order 1) the display of the storage object, (order 2) the display of the calculation problem, and (order 3) the display of the numerical input part are one small question in the working memory problem.
If it is within the limits of the working memory question question processing (step 41, Yes), the
ここで、次の小問に進む前に、本実施形態のプロセッサ１２２は、小問の難易度を上げる処理を行う（不図示）。
本実施形態において小問の難易度を上げるとは、記憶対象の数字の桁数を３桁から４桁に増やすことである。ただしこれに限られるものではなく、計算問題の問題数を例えば１０問から１２問に増やすなどであってもよい。また、小問の難易度を上げるタイミングもこれに限られるものではなく、例えば小問３問ごとに難易度を上げるようにしてもよい。
Here, before proceeding to the next small question, the
In this embodiment, increasing the difficulty level of a quiz means increasing the number of digits of the number to be stored from three to four digits. However, the present invention is not limited to this, and the number of calculation questions may be increased from 10 to 12, for example. Furthermore, the timing of increasing the difficulty level of the small questions is not limited to this, and the difficulty level may be increased every three small questions, for example.
図１５に戻り、ワーキングメモリー問題の制限時間が経過した場合（ステップ４１Ｎｏ）、プロセッサ１２２は各種データを保存し（ステップ４２）、ワーキングメモリー問題出題処理を終了する。
Returning to FIG. 15, if the time limit for the working memory question has elapsed (No in step 41), the
図１６は、概念認知問題出題処理を示すフローチャートである。プロセッサ１２２は、概念認知問題出題プログラムＰ１５０に基づき、概念認知問題出題処理を行う。
概念認知問題出題処理により、プロセッサ１２２は、概念認知問題を出題する。
本実施形態において、ワーキングメモリー問題が終了すると、プロセッサ１２２は概念認知問題出題処理を開始する。
FIG. 16 is a flowchart showing the conceptual recognition question question processing. The
Through the concept recognition question question processing, the
In this embodiment, when the working memory question is completed, the
プロセッサ１２２は、導入処理ののち（ステップ５１）、概念認知問題を表示する（ステップ５２）。認知地図問題を表示するとは、プロセッサ１２２が、問題文のほか、例と解答選択肢を表示することを指す。
After the introduction process (step 51), the
図１６に示すように、認知地図問題出題処理で設定されている制限時間内であれば（ステップ５３Ｙｅｓ）、プロセッサ１２２は受検者の解答入力があるまで待機する（ステップ５４Ｎｏ）。受検者の解答入力があった場合（ステップ５４Ｙｅｓ）で、その問題が最後の問題でない場合（ステップ５５Ｎｏ）は、プロセッサ１２２は次の問題を表示する（ステップ５２）。
As shown in FIG. 16, if it is within the time limit set in the cognitive map question questioning process (Step 53 Yes), the
ここで、受検者の解答は検査結果データベースＤ２２に保存される。また、プロセッサ１２２は、解答の正誤判定を行い、正解であれば得点を付与し、保存する。
Here, the test taker's answers are stored in the test result database D22. Further, the
図１６に戻り、制限時間が経過する（ステップ５３Ｎｏ）か、最後の問題が終わった場合（ステップ５５Ｙｅｓ）、プロセッサ１２２は受検者の解答を含む各種データを保存して（ステップ５６）、認知地図問題出題処理を終了する。
Returning to FIG. 16, if the time limit has elapsed (
＜２－３．認知機能評価処理＞
プロセッサ１２２は、認知機能評価プログラムＰ１６に基づき、認知機能評価処理を行う。すなわち、認知機能評価プログラムＰ１６は、プロセッサ１２２による認知機能評価処理の実行により、コンピュータを認知機能評価手段として機能させる。
<2-3. Cognitive function evaluation processing>
The
また、認知機能評価処理は得点取得処理、得点標準化処理、および評価値算出処理を含む。
すなわち、認知機能評価プログラムＰ１６は、プロセッサ１２２による認知機能評価処理（得点取得処理、得点標準化処理、および評価値算出処理）の実行により、コンピュータを得点取得手段、得点標準化手段、および評価値算出手段として機能させる。
Further, the cognitive function evaluation process includes a score acquisition process, a score standardization process, and an evaluation value calculation process.
That is, the cognitive function evaluation program P16 causes the
認知機能評価処理において、プロセッサ１２２は以下に係る処理を行う。
まず、プロセッサ１２２は、検査問題について受検者の得点を取得する（得点取得処理）。
また、プロセッサ１２２は、記憶部にあらかじめ格納されている統計処理用データを用いて受検者の得点を統計処理する（得点換算処理）。
さらに、統計処理した得点（換算後得点）を用いて、少なくとも１以上の運転適性検査項目について評価値を算出する（評価値算出処理）。
ここで、統計処理は標準化または正規化である。
このほか、認知機能評価処理において、プロセッサ１２２は、評価値スコアや総合評価値、総合スコアを導出し、評価レポートを作成する。
In the cognitive function evaluation process, the
First, the
Further, the
Further, using the statistically processed scores (converted scores), an evaluation value is calculated for at least one driving aptitude test item (evaluation value calculation process).
Here, statistical processing is standardization or normalization.
In addition, in the cognitive function evaluation process, the
図１７は、認知機能評価処理を示すフローチャートである。
本実施形態において、例えば管理者などのユーザが、管理者端末３０を用いて認知機能評価処理の開始を指示することにより、プロセッサ１２２は認知機能評価処理を開始する。
FIG. 17 is a flowchart showing the cognitive function evaluation process.
In this embodiment, the
まず、プロセッサ１２２は、採点対象となる受検者の得点を、検査結果データベースＤ２２から検査問題（認知地図、ワーキングメモリー問題、概念認知問題）ごとに取得する（ステップ６１）。例えば、問題が認知地図問題であれば、認知地図問題の得点である。
First, the
つづいて、図１７に示すように、プロセッサ１２２は検査問題ごとに取得した受検者の得点をそれぞれ統計処理し、検査問題ごとの換算後得点として検査結果データベースＤ２２に保存する（ステップ６２）。
Subsequently, as shown in FIG. 17, the
ここで統計処理について説明する。プロセッサ１２２は、検査問題データベースＤ１０に格納されている統計処理用データを用いて受検者の得点を統計処理し、換算後得点を算出する。
上述したように、統計処理は標準化または正規化である。統計処理用データは、標準化であれば得点の平均（平均点）と標準偏差である。正規化であれば、得点の最高値と最低値である。
Here, statistical processing will be explained. The
As mentioned above, statistical processing is standardization or normalization. In the case of standardization, the data for statistical processing is the average score (average score) and standard deviation. For normalization, this is the highest and lowest score.
本実施形態の統計処理では標準化を用いているため、以下では標準化の例で説明する。運転適性検査の得点には平均点と比較して極めて高い得点、いわゆる外れ値が含まれることもあるため、統計処理として標準化を用いることがより好ましい。 Since standardization is used in the statistical processing of this embodiment, an example of standardization will be described below. Since the scores of the driving aptitude test may include extremely high scores compared to the average score, so-called outliers, it is more preferable to use standardization as a statistical process.
つまり、プロセッサ１２２は、検査問題ごとに、各検査問題の得点の平均値と標準偏差をもとに標準化を行い、（換算後得点である）標準化得点を得る。
例えば、検査問題が認知地図問題であれば、認知地図問題データベースＤ１０２に格納されている、認知地図問題の平均得点と得点の標準偏差をもとに標準化を行い、認知地図問題の標準化得点を算出する。
That is, the
For example, if the test question is a cognitive map question, standardization is performed based on the average score and standard deviation of the scores for the cognitive map question stored in the cognitive map question database D102, and the standardized score for the cognitive map question is calculated. do.
得点の標準化について、詳細を説明する。本実施形態においてプロセッサ１２２は、以下の数式１に基づいて得点の標準化を行う。
We will explain the details of standardization of scores. In this embodiment, the
具体的な数値を用いて説明する。認知地図問題データベースＤ１０２に格納されている、認知地図問題の平均点が５．０であり、得点の標準偏差は２．０、定数は３．５であるとする。
ここで、ある受検者の認知地図問題の得点が７であるとすると、上記数式１より、当該受検者の認知地図問題の標準化得点は（（７．０－５．０）／２．０）＋３．５＝４．５である。
この例の場合、標準化得点は概ね１．０から５．９の範囲に収まる。ただし、ここで用いる平均点などの数値は説明のためのものであり、実際の数値とは異なる。
This will be explained using specific numerical values. It is assumed that the average score of the cognitive map questions stored in the cognitive map question database D102 is 5.0, the standard deviation of the scores is 2.0, and the constant is 3.5.
Here, if a certain test taker's score on the cognitive map question is 7, then from the
In this example, the standardized scores generally fall within the range of 1.0 to 5.9. However, the numerical values used here, such as the average score, are for explanation purposes and are different from the actual numerical values.
ここで、検査問題データベースＤ１０に格納されている平均点や標準偏差は、過去の運転適性検査の蓄積により得られているものであるが、固定されているわけではなく、適宜更新され得る。
例えば、運転適性検査システム１による運転適性検査の総受検者数が増えていったときに、管理者は平均値や標準偏差の値を更新でき、より多くの受検者データをもとにした標準化得点を得ることができる。
値を更新し得る点は、統計処理手法が標準化ではなく正規化である場合も同様である。
Here, the average score and standard deviation stored in the test question database D10 are obtained from the accumulation of past driving aptitude tests, but are not fixed and may be updated as appropriate.
For example, when the total number of test takers for the driving aptitude test using Driving
The value can be updated in the same way even when the statistical processing method is normalization rather than standardization.
図１７に戻り、プロセッサ１２２は運転適性評価項目ごとに評価値を算出し、検査結果データベースＤ２２に保存する（ステップ６３）。
Returning to FIG. 17, the
本実施形態では、運転適性評価項目として、特に認知機能が関連する、「判断の速さ」、「集中の持続」、「同時に複数のことを処理する力」、「細かい点に気づく力」、「空間の把握と視野の広さ」、「思考のスムースさ」、「落ち着いた行動」、「計画を立てる力」、「客観的な自己理解」の９項目を採用している。
なお、運転適性評価項目はこの９項目に限るものではなく、さらに多くてもよい。受検者の運転適性をより多面的に測定するため、運転適性評価項目は多い方が好ましい。
In this embodiment, the driving aptitude evaluation items include "speed of judgment", "sustained concentration", "ability to process multiple things at the same time", "ability to notice small details", which are particularly related to cognitive functions. It uses nine items: ``grasp of space and wide field of view,'' ``smooth thinking,'' ``calm action,'' ``ability to make plans,'' and ``objective self-understanding.''
Note that the driving aptitude evaluation items are not limited to these nine items, and may be more. In order to measure the test taker's driving aptitude in a more multifaceted manner, it is preferable to have as many driving aptitude evaluation items as possible.
数式２は、運転適性評価項目の評価値を算出するための計算式である。
数式２のうち、ａ、ｂ、ｃ、およびｄは係数である。ある検査問題の得点への寄与（関連の程度）が大きい場合、対応する係数が大きくなる。
例えば、ある運転適性評価項目について、認知地図問題の標準化得点が他の問題の標準化得点よりも大きく寄与するのであれば、係数ａの値は他の係数よりも相対的に大きくなる。
以下において、便宜上、検査問題から運転適性評価項目の評価値を求めるために用いる係数を「評価値算出用係数」とも称する。
In
For example, for a certain driving aptitude evaluation item, if the standardized score of the cognitive map problem contributes more than the standardized score of other problems, the value of the coefficient a will be relatively larger than the other coefficients.
In the following, for convenience, the coefficients used to obtain the evaluation values of the driving aptitude evaluation items from the test questions are also referred to as "evaluation value calculation coefficients."
数式２に示すように、評価値を算出するための計算式は、ｄを係数とする項を備える。
これは、運転適性評価項目によっては、認知機能に関する問題（本実施形態の認知地図問題、ワーキングメモリー問題、または概念認知問題）の標準化得点とは別の問題の標準化得点に影響を受けるものがあり得るためである。
なお、認知機能に関する問題以外の問題は１つに限らないが、簡単のため、ｄを係数とする項にまとめている。
As shown in
This is because some driving aptitude evaluation items may be influenced by the standardized scores of questions other than the standardized scores of questions related to cognitive function (cognitive map questions, working memory questions, or conceptual recognition questions in this embodiment). It's to get it.
Note that problems other than those related to cognitive function are not limited to one problem, but for simplicity, they are grouped into terms with d as a coefficient.
本実施形態において、各項の標準化得点は同一の標準化計算方法が用いられるため、その値の幅は上述したように概ね１．０から５．９の範囲に収まる。
よって、標準化得点から求める運転適性評価の評価値もこの数値の範囲に収まるよう、係数の総和（ここでは係数ａからｄの総和）で割り算している。標準化得点に係数を掛けて比重をかけた分について評価値を調整するためである。
In this embodiment, since the same standardization calculation method is used for the standardized scores of each term, the range of the values generally falls within the range of 1.0 to 5.9 as described above.
Therefore, the evaluation value of the driving aptitude evaluation obtained from the standardized score is also divided by the sum of coefficients (here, the sum of coefficients a to d) so that it falls within this numerical range. This is to adjust the evaluation value by multiplying the standardized score by a coefficient and multiplying the specific weight.
このほか数式２において、数値等を調整するために、さらに定数を加算または減算するなどの計算を行ってもよい。
In addition, in
数式２について、具体例を挙げて説明する。
運転適性評価項目のうち、「集中の持続」の評価値は、認知地図問題の（標準化）得点の寄与が大きく、また、概念認知問題の（標準化）得点も寄与する。
これを数式２の形に当てはめると、次の数式３のようになる。
Among the driving aptitude evaluation items, the evaluation value of "sustained concentration" has a large contribution from the (standardized) score of the cognitive map problem, and also the (standardized) score of the conceptual recognition problem.
Applying this to the form of
数式３に示すように、「集中の持続」の評価値は、認知地図問題と概念認知問題の（標準化）得点の影響を受けるが、特に認知地図問題の（標準化）得点の影響を大きく受ける。
これを式２にあてはめると、係数ａからｄは例えばそれぞれ、「１．０」、「０．０」、「０．５」、および「０．０」である。
なお、この係数の値は説明のための数値であり、実際の数値とは異なる（以下において同じ）。
As shown in
When this is applied to
Note that the value of this coefficient is a numerical value for explanation and is different from an actual numerical value (the same applies below).
運転適性評価項目によっては、単一の問題の標準化得点に影響を受けるものがある。例えば、「同時に複数のことを処理する力」の評価値は、ワーキングメモリー問題の（標準化）得点が特に大きく寄与する。
なお、係数が０となる項は記載を省略する。
Some driving aptitude assessment items are influenced by the standardized score of a single question. For example, the (standardized) score on working memory questions makes a particularly large contribution to the evaluation value of ``ability to process multiple things at the same time.''
Note that the description of terms whose coefficients are 0 is omitted.
数式４に示すように、この例では、係数が約分されるため、「同時に複数のことを処理する力」の評価値は「ワーキングメモリー問題の標準化得点」と一致する。
As shown in
ここで、各運転適性評価項目の評価値と、認知機能を測定するための問題における（標準化）得点との関連の程度について説明する。 Here, the degree of relationship between the evaluation value of each driving aptitude evaluation item and the (standardized) score on questions for measuring cognitive function will be explained.
「判断の速さ」は、概念認知問題の得点が寄与する、
「集中の持続」は、認知地図問題の得点が大きく寄与し、かつ概念認知問題の得点が寄与する。
「同時に複数のことを処理する力」は、ワーキングメモリー問題の得点が特に大きく寄与する。
``Speed of judgment'' is determined by the score on conceptual recognition questions.
Regarding "sustaining concentration," the score on the cognitive map problem greatly contributes, and the score on the conceptual recognition problem also contributes.
Working memory test scores particularly contribute to the ability to process multiple things at the same time.
「細かい点に気づく力」は、認知地図問題の得点が大きく寄与し、かつ概念認知問題の得点が寄与する。
「空間の把握と視野の広さ」は、認知地図問題の得点が大きく寄与する。
「思考のスムースさ」は、ワーキングメモリー問題の得点が寄与し、かつ概念認知問題の得点が寄与する。
The score on the cognitive map problem greatly contributes to the ability to notice small details, and the score on the conceptual recognition problem also contributes.
Scores on cognitive map questions greatly contribute to ``spatial grasp and wide field of view.''
The score on the working memory problem contributes to "smoothness of thinking," and the score on the conceptual recognition problem also contributes.
「落ち着いた行動」は、ワーキングメモリー問題の得点が寄与し、かつ概念認知問題の得点が大きく寄与する。
「計画を立てる力」は、概念認知問題の得点が寄与する。
「客観的な自己理解」は、認知地図問題の得点が大きく寄与する。
For ``calm behavior,'' scores on working memory questions contribute, and scores on conceptual recognition questions make a large contribution.
The score on conceptual recognition questions contributes to the ability to make plans.
Scores on cognitive map questions greatly contribute to "objective self-understanding."
ここで、９つの運転適性評価項目のうち４つの評価項目の評価値について、認知地図問題の（標準化）得点が大きく寄与している。よって、認知機能を測る検査問題には認知地図問題を含めることが特に好ましい。 Here, the (standardized) score of the cognitive map problem greatly contributes to the evaluation values of four of the nine driving aptitude evaluation items. Therefore, it is particularly preferable to include cognitive map questions in the test questions that measure cognitive function.
また、上述したように、運転適性検査項目のうち「同時に複数のことを処理する力」の評価値はワーキングメモリー問題の（標準化）得点が特に大きく寄与する。よって、認知機能に関連する「同時に複数のことを処理する力」を測るため、検査問題にはワーキングメモリー問題を含めることが好ましい。 Furthermore, as mentioned above, among the driving aptitude test items, the (standardized) score of the working memory question makes a particularly large contribution to the evaluation value of "ability to process multiple things at the same time." Therefore, in order to measure the ability to process multiple things at the same time, which is related to cognitive function, it is preferable to include working memory questions in the test questions.
さらに、概念認知問題は、９つの運転適性評価項目のうち５つの評価項目の評価値に寄与し、１つの評価項目の評価値に大きく寄与する。運転適性検査項目に単独で強い影響を与えるものではないが、多くの評価項目に影響を与えることから、認知機能を測る検査問題には概念認知問題を含めることが好ましい。 Furthermore, the concept recognition problem contributes to the evaluation value of five of the nine driving aptitude evaluation items, and greatly contributes to the evaluation value of one evaluation item. Although it does not have a strong influence on the driving aptitude test items alone, it does affect many evaluation items, so it is preferable to include conceptual recognition questions in the test questions that measure cognitive function.
上述した認知機能を測る検査問題は、１種類の検査問題だけでも認知機能を測ることができるが、２種類の検査問題をともに用いて測ることがより好ましく、さらに、３種類以上の検査問題を用いて測ることがより好ましい。
例えば、運転適性評価項目のうち「集中の持続」について、認知地図問題の得点のみをもとに評価値を算出してもよいが、上述のように、さらに概念認知問題の得点も用いて評価値を算出することがより好ましい。質の異なる評価方法を用いることにより、多面的に評価することができるためである。
Although it is possible to measure cognitive function using just one type of test question, it is more preferable to use two types of test questions together, and it is more preferable to use three or more types of test questions. It is more preferable to measure using
For example, for "sustaining concentration" among the driving aptitude evaluation items, the evaluation value may be calculated based only on the score on the cognitive map problem, but as described above, the score on the conceptual recognition problem may also be used for evaluation. It is more preferable to calculate the value. This is because by using evaluation methods of different quality, it is possible to evaluate from multiple perspectives.
数式２で示した係数（評価値算出用係数ａからｄ）について補足する。これらの評価値算出用係数の値は、検査問題データベースＤ１０に格納されている。
また、評価値算出用係数の値は適宜更新され得る。管理者（特に問題設計等の担当者）は、評価値算出用係数の値を更新し、運転適性評価項目の算出方法を調整することができる。
また、評価値算出用係数の調整には機械学習を適用し得る。これについては後述の機械学習処理の項目で説明する。
The coefficients (evaluation value calculation coefficients a to d) shown in
Further, the value of the evaluation value calculation coefficient may be updated as appropriate. The administrator (particularly the person in charge of problem design, etc.) can update the value of the evaluation value calculation coefficient and adjust the calculation method of the driving aptitude evaluation item.
Furthermore, machine learning can be applied to adjust the evaluation value calculation coefficients. This will be explained in the machine learning process section below.
ここまで述べたように、プロセッサ１２２は、検査問題データベースＤ１０から係数を、検査結果データベースＤ２２から検査問題ごとの標準化得点を取得し、運転適性評価項目の評価値を算出する。
As described above, the
本実施形態の認知機能評価処理において、プロセッサ１２２は各検査問題の得点を標準化する。この標準化処理により、認知地図問題、ワーキングメモリー問題、そして概念認知問題といった、種類の異なる複数の問題の結果から運転適性評価項目を算出できるという利点がある。
また、運転適性評価項目のそれぞれについても同じ標準化手法で標準化されることから、運転適性検査項目同士で比較ができる。さらに、この標準化により、種類の異なる運転適性評価項目から総合評価を算出することができるという利点がある。つづいてこれらについて説明する。
In the cognitive function evaluation process of this embodiment, the
Furthermore, since each driving aptitude evaluation item is standardized using the same standardization method, it is possible to compare the driving aptitude test items. Furthermore, this standardization has the advantage that a comprehensive evaluation can be calculated from different types of driving aptitude evaluation items. Next, these will be explained.
図１７に戻り、プロセッサ１２２は運転適性評価項目ごとの評価値を比較する（ステップ６４）。この比較により、運転適性検査項目において、受検者が得意とする項目（以下「得意項目」とする。）と、苦手とする項目（以下「不得意項目」とする。）を判定する。
Returning to FIG. 17, the
例えば、運転適性検査項目が「判断の速さ」、「集中の持続」、「同時に複数のことを処理する力」、「細かい点に気づく力」、「空間の把握と視野の広さ」の５つであり、これらの評価値が、この順に「４．４」、「４．９」、「５．１」、「５．２」、「５．８」だったとする。
この場合、最も得意とする運転適性検査項目は、「空間の把握と視野の広さ」であり、２番目に得意とする項目は「細かい点に気づく力」である。
逆に、最も不得意とする項目は「判断の速さ」であり、２番目に不得意とする項目は「集中の持続」である。
For example, the driving aptitude test items include ``speed of judgment,'' ``sustained concentration,'' ``ability to process multiple things at the same time,'' ``ability to notice details,'' and ``grasp of space and wide field of vision.'' It is assumed that the evaluation values are "4.4", "4.9", "5.1", "5.2", and "5.8" in this order.
In this case, the driving aptitude test item that the driver is best at is ``grasp of space and wide field of view,'' and the second item that he is best at is ``ability to notice small details.''
Conversely, the item they are least good at is ``speed of judgment,'' and the second item they are least good at is ``sustained concentration.''
プロセッサ１２２は、これら得意項目、不得意項目の情報を、検査結果データベースＤ２２に保存する。本実施形態では、評価値の良かった順に２つと、評価値の悪かった順に２つをそれぞれ保存する。これらの情報は、後述する評価レポートの作成に用いられる。
The
図１７に示すように、プロセッサ１２２は、運転適性検査項目ごとの評価値を、多段階評価に変換（以下「カテゴライズ」とする。）して評価値スコアとし、保存する（ステップ６５）。
本実施形態において、この多段階評価は５段階評価である。評価値スコアは、後述する評価レポート作成に用いられる。
多段階評価への変換について具体例を挙げると、本実施形態において、評価値２未満を評価値スコア「１」、評価値２以上３未満を評価値スコア「２」、評価値３以上４未満を評価値スコア「３」、評価値４以上５未満を評価値スコア「４」、評価値５以上を評価値スコア「５」としている。
As shown in FIG. 17, the
In this embodiment, this multi-level evaluation is a five-level evaluation. The evaluation value score is used to create an evaluation report, which will be described later.
To give a specific example of conversion to multi-level evaluation, in this embodiment, an evaluation value of less than 2 is given an evaluation value score of "1", an evaluation value of 2 or more and less than 3 is given an evaluation value score of "2", and an evaluation value of 3 or more but less than 4. An evaluation value score of "3" is given for an evaluation value, an evaluation value score of "4" is given for an evaluation value of 4 or more and less than 5, and an evaluation value score of "5" is given for an evaluation value of 5 or more.
なお本実施形態では、運転適性検査項目のどの評価値についても同じ方法で評価値スコアに変換しているが、評価値ごとに変換方法を変えてもよい。 In this embodiment, all evaluation values of the driving aptitude test items are converted into evaluation value scores using the same method, but the conversion method may be changed for each evaluation value.
図１７に示すように、プロセッサ１２２は、総合評価値を算出し、さらに総合評価値を多段階評価にカテゴライズして総合スコアとし、検査結果データベースＤ２２に保存する（ステップ６６）。総合スコアは後述する評価レポート作成に用いられる。
As shown in FIG. 17, the
本実施形態において、プロセッサ１２２は、運転適性検査項目ごとの評価値を合計して総合評価値を算出する。
ここで、運転適性検査項目ごとの評価値の合計は、認知機能を測定する検査問題による評価値の合計に限らない。認知機能を測定する検査問題以外の検査がある場合は、その検査結果（評価値）を含んでよい。つまり、運転適性検査で行われるすべての検査の評価の合計を指すものであってもよい。
In this embodiment, the
Here, the total evaluation value for each driving aptitude test item is not limited to the total evaluation value based on test questions that measure cognitive function. If there are tests other than test questions for measuring cognitive function, the test results (evaluation values) may be included. In other words, it may refer to the sum of the evaluations of all tests conducted in the driving aptitude test.
総合評価値の算出後、プロセッサ１２２は、さらに総合評価値を多段階評価にカテゴライズして総合スコアを算出する。
本実施形態において、総合スコアは、総合評価値が高い順に、Ｈ（高）／Ｍ（中）／Ｌ（低）の３つである。
例えば、総合スコアは、総合評価値３５未満がＬ（低）、３５以上４５未満がＭ（中）、４５以上がＨ（高）などと表現される。
After calculating the overall evaluation value, the
In this embodiment, there are three total scores: H (high), M (medium), and L (low) in descending order of total evaluation value.
For example, the overall score is expressed as L (low) if the overall evaluation value is less than 35, M (medium) if it is 35 or more and less than 45, H (high) if it is 45 or more.
なお、総合評価値の算出方法は、運転適性検査項目ごとの評価値の合計に限らない。例えば、運転適性検査で行われるすべての検査問題の各評価値の平均値をもとに総合評価値を算出してもよい。この方法の場合、本実施形態の総合評価値は概ね１．０から５．９の範囲に収まる。
または、評価値を合計しあるいは平均して得た総合評価値について、検査問題データベースＤ１０に格納されている所定の値（総合評価値の平均や標準偏差など）を用いて標準化するなど、統計処理を行ってもよい。
Note that the method for calculating the comprehensive evaluation value is not limited to the sum of the evaluation values for each driving aptitude test item. For example, the comprehensive evaluation value may be calculated based on the average value of each evaluation value of all test questions conducted in the driving aptitude test. In the case of this method, the overall evaluation value of this embodiment falls within the range of approximately 1.0 to 5.9.
Alternatively, the comprehensive evaluation value obtained by summing or averaging the evaluation values may be subjected to statistical processing such as standardization using a predetermined value (such as the average or standard deviation of the comprehensive evaluation value) stored in the examination question database D10. You may do so.
図１７に戻り、プロセッサ１２２は、評価レポートを作成する（ステップ６７）。評価レポートは、受検者の運転適性検査結果の少なくとも一部について表示するレポートである。本実施形態において、受検者は評価レポートを受検者端末２０のブラウザ上で閲覧することができる。
また、評価レポートは、受検者や受検者の属する企業などに電子データとして送信され、または印刷されて配布されてもよい。評価レポートを電子データとする場合のファイル形式は特に問わないが、本実施形態ではｐｄｆファイル形式で作成される。
Returning to FIG. 17, the
Furthermore, the evaluation report may be transmitted as electronic data to the test taker, the company to which the test taker belongs, or may be printed and distributed. Although the file format of the evaluation report as electronic data is not particularly limited, it is created in the PDF file format in this embodiment.
本実施形態の評価レポートは、受検者の氏名のほか、各運転適性検査項目の評価値スコアと、総合スコア、得意項目・不得意項目を含む。
また、本実施形態の評価レポートは、得意項目・不得意項目に対するコメントも含む。受検者に自身の得意項目や不得意項目を認識してもらい、また、不得意項目に関しては注意を促すためである。
The evaluation report of this embodiment includes the name of the test taker, as well as the evaluation value score of each driving aptitude test item, the overall score, and good/bad items.
Furthermore, the evaluation report of this embodiment also includes comments on the good and bad items. This is to make test takers aware of their own strengths and weaknesses, and to alert them to areas in which they are weak.
得意項目・不得意項目に対するコメントについて例を挙げる。
例えば、運転適性評価項目のうち、「空間の把握と視野の広さ」の評価値が最も低い場合、「相対的にもっとも低いと評価された能力適性項目は、自分とは異なる視点の様子を想像して物事を考えられる「空間の把握と視野の広さ」でした。この項目が低い人は、車両感覚がつかめず車体をこすってしまったり、駐車に手間取ったりしがちです。まずは余裕を持った空間の把握を促します。」といったコメントが評価レポートに記載される。
Here are some examples of comments on strong and weak points.
For example, among the driving aptitude evaluation items, if the evaluation value of ``spatial grasp and wide field of view'' is the lowest, then ``the ability aptitude item rated relatively lowest is the ability to see things from a different perspective than one's own.'' It was a ``grasp of space and a wide field of vision'' that allowed me to imagine and think about things. People with low scores in this category tend to have trouble getting a feel for the vehicle, and end up scraping the vehicle body or having trouble parking it. First of all, we encourage you to understand the space you have. ” will be included in the evaluation report.
また、運転適性評価項目のうち、「空間の把握と視野の広さ」の評価値が２番目に低い場合、「次いで低いと評価された項目は、複数の作業を同時に行うことができるほか、作業の優先順位をつけられる「同時に複数のことを処理する力」でした。この項目が低い人は、目先のことに目を奪われがちです。最初に手順を思い浮かべてから行動するよう促します。考えを声に出すことも有効です。」といったコメントが評価レポートに記載される。
コメントに関するデータの詳細はデータベースの項で説明する。
In addition, among the driving aptitude evaluation items, if the evaluation value of "spatial grasp and wide field of view" is the second lowest, "the items rated the next lowest are the ability to perform multiple tasks at the same time, It was the ability to prioritize tasks and the ability to process multiple things at the same time. People who are low on this item tend to be distracted by immediate things. Encourage them to visualize the steps first and then take action. It is also helpful to voice your thoughts. ” will be included in the evaluation report.
Details of data regarding comments are explained in the database section.
図１７に戻り、プロセッサ１２２は評価レポートの作成後、各種データを保存して（ステップ６６）、認知機能評価処理を終了する。
Returning to FIG. 17, after creating the evaluation report, the
なお、本実施形態において、認知機能評価処理には、検査問題ごとの得点の取得（ステップ６１）と、その換算後得点（標準化得点）の算出（ステップ６２）を含めているが、これらの処理は検査問題出題処理に含めてもよい。
例えば、認知地図問題の得点の取得とその標準化得点の算出は、認知地図問題出題処理に含めてもよい。
Note that in this embodiment, the cognitive function evaluation process includes obtaining a score for each test question (step 61) and calculating the converted score (standardized score) (step 62), but these processes may be included in the examination question question processing.
For example, the acquisition of scores for cognitive map questions and the calculation of their standardized scores may be included in the process of asking cognitive map questions.
便宜上、検査問題ごとの得点の取得と、その換算後得点の算出（ステップ６１とステップ６２）を「問題別得点換算処理」と称する。
つまり、本実施形態において「問題別得点換算処理」は「認知機能評価処理」に含まれるが、別の実施形態では、「問題別得点換算処理」を「検査問題出題処理」に含めてもよい。
For convenience, the acquisition of scores for each test question and the calculation of the converted scores (steps 61 and 62) are referred to as "question-specific score conversion processing."
In other words, in this embodiment, the "problem-specific score conversion process" is included in the "cognitive function evaluation process," but in another embodiment, the "problem-specific score conversion process" may be included in the "test question assignment process." .
＜２－４．機械学習処理＞
プロセッサ１２２は、機械学習モデルＰ２０に基づき、各種判断を行う。
本実施形態の機械学習モデルＰ２０は、運転特徴機械学習モデルＰ２２と、係数調整用学習モデルＰ２４を含む。
<2-4. Machine learning processing＞
The
The machine learning model P20 of this embodiment includes a driving feature machine learning model P22 and a coefficient adjustment learning model P24.
機械学習で用いるアルゴリズムとして、例えばＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などを用いることができる。また、機械学習の一態様として、ディープラーニング（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ（ＤＬ））を用いてもよい。ディープラーニングで用いるアルゴリズムとして、例えば畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＣＮＮ））や再帰型ニューラルネットワーク（Ｒｅｃｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＮＮ））など、公知の方法を用いることができる。 As an algorithm used in machine learning, for example, SVM (Support Vector Machine) can be used. Further, as one aspect of machine learning, deep learning (DL) may be used. As an algorithm used in deep learning, a known method such as a convolutional neural network (CNN) or a recurrent neural network (RNN) can be used.
機械学習モデルＰ２０は、学習により、各種判断に資する一定の判断基準を有する分類器ともいえる。
機械学習モデルＰ２０の判断（推論）に影響するパラメータ（例えば重みやバイアス）は、管理者が適宜調整することができる。
The machine learning model P20 can also be said to be a classifier that has certain criteria that contribute to various judgments through learning.
Parameters (for example, weights and biases) that affect the judgment (inference) of the machine learning model P20 can be adjusted as appropriate by the administrator.
便宜上、機械学習モデルＰ２０に基づいて、プロセッサ１２２が機械学習に関して行う処理を、「機械学習処理」と称する。このとき、機械学習モデルＰ２０は機械学習プログラムとして機能する。
For convenience, the processing that the
同様に、便宜上、運転特徴機械学習モデルＰ２２に基づいて、プロセッサ１２２が受検者の運転特徴について機械学習（学習・推論）する処理を「運転特徴機械学習処理」と称する。
Similarly, for convenience, the process in which the
運転特徴機械学習モデルＰ２２は、運転特徴機械学習プログラムとして機能する。
運転特徴機械学習プログラムは、運転特徴機械学習処理の実行により、コンピュータを運転特徴機械学習手段として機能させるプログラムである。またこの際、当該コンピュータにおいて、プロセッサを備える制御部は、運転特徴機械学習部（または運転特徴機械学習装置）としても機能する。
The driving feature machine learning model P22 functions as a driving feature machine learning program.
The driving feature machine learning program is a program that causes a computer to function as a driving feature machine learning means by executing a driving feature machine learning process. At this time, in the computer, the control unit including the processor also functions as a driving feature machine learning unit (or a driving feature machine learning device).
運転特徴機械学習モデルＰ２２は、受検者情報（性別、年齢、住所、およびアンケートの回答など）と受検者の運転適性検査結果（得点、換算後得点、評価値、評価値スコア、総合評価値、および総合スコアなど）とをもとに学習する機械学習モデルである。
機械学習に用いる運転適性検査結果は、少なくとも、いずれかの検査問題における受検者の得点を含む。
プロセッサ１２２は、運転特徴機械学習モデルＰ２２により、受検者情報や受検者の運転適性検査結果（検査問題の得点など）の入力を受けて、受検者の運転特徴を予測（推論）する。
The driving characteristics machine learning model P22 includes test taker information (gender, age, address, questionnaire answers, etc.) and the test taker's driving aptitude test results (scores, converted scores, evaluation values, evaluation value scores, comprehensive evaluation values, etc.). It is a machine learning model that learns based on the total score, etc.).
The driving aptitude test results used for machine learning include at least the score of the test taker on any of the test questions.
The
ここで、この運転特徴機械学習処理について具体的に説明する。運転特徴機械学習処理は、運転特徴学習処理と運転特徴推論処理を備える。
つまり、運転特徴機械学習プログラムは、運転特徴機械学習処理の実行により、コンピュータを運転特徴学習手段、および運転特徴推論手段として機能させるプログラムである。
Here, this driving feature machine learning process will be specifically explained. The driving feature machine learning process includes a driving feature learning process and a driving feature inference process.
In other words, the driving feature machine learning program is a program that causes a computer to function as a driving feature learning means and a driving feature inference means by executing a driving feature machine learning process.
「運転特徴」は、上記で定義したとおり、受検者の運転に関する特徴であり、例えば、運転歴や所定の期間内における事故の有無などである。
運転特徴に関する情報は、例えば受検者に対するアンケート（以下「運転特徴を問うアンケート」と称する。）を通じてプロセッサ１２２が取得する。
As defined above, the "driving characteristics" are characteristics related to the test taker's driving, such as driving history and the presence or absence of accidents within a predetermined period.
Information regarding driving characteristics is acquired by the
運転特徴と機械学習について例を挙げて説明する。運転特徴を問うアンケート項目の１つが、「５年以内の事故歴の有無」であったとする。
運転適性検査システム１は、運転適性検査の実施により、得点や評価値などを含む受検者の運転適性検査結果と、アンケートの回答（「５年以内の事故歴の有無」の情報）とを蓄積する。そうすると、運転特徴機械学習モデルＰ２２は、運転適性検査結果と、５年以内の事故歴の有無との間に関係性を見出し得る（運転特徴学習処理）。
Driving characteristics and machine learning will be explained using examples. Assume that one of the items in the questionnaire asking about driving characteristics is "Has there been an accident history within the past 5 years?"
Driving
例えば、運転特徴機械学習モデルＰ２２は、データの蓄積により、「このような運転適性検査結果になった受検者は、５年以内の事故歴がない人が多い」、あるいは逆に、「このような運転適性検査結果になった受検者は、５年以内の事故歴がある人が多い」、といった関係を見出す（学習する）。 For example, the driving characteristics machine learning model P22 has accumulated data and can say, ``Many test takers with such driving aptitude test results have no accident history within the past 5 years,'' or conversely, ``Many test takers with such driving aptitude test results have no history of accidents within the past five years.'' The study found (learned) a relationship such as ``Many test takers who received a good driving aptitude test result had a history of an accident within the past five years.''
この関係性は定量化した値で表される。定量化した値は例えば、パーセンテージであってもよいし、段階評価（例えば５段階評価）であってもよい。
具体的には、「年齢が３０歳で、検査問題についてある所定の解答を入力した受検者が、５年以内の事故歴を有する人である確率は○○％である」といった確率値である。
This relationship is expressed as a quantified value. The quantified value may be, for example, a percentage, or may be a graded evaluation (for example, a 5-level evaluation).
Specifically, it is a probability value such as ``The probability that a test taker who is 30 years old and enters a certain answer to a test question has an accident history within 5 years is ○○%.'' .
そして、運転特徴機械学習モデルＰ２２が十分に学習したあとにおいて、受検者が運転適性検査システム１による運転適性検査を受けるとする。そうするとプロセッサ１２２は、受検者の運転適性検査の結果とともに、機械学習に基づく受検者の運転特徴、ここでは事故の起こしやすさ（５年以内事故率）を予測（推論）する（運転特徴推論処理）。この目安を得ることで、受検者はより安全な運転を心がけることができるなどの利点がある。
It is assumed that the test taker takes a driving aptitude test by the driving
言い換えると、コンピュータが少なくとも受検者の運転特徴を含む受検者情報を登録する受検者情報登録手段を備えたうえで、運転特徴機械学習モデルＰ２２は、プロセッサ１２２による運転特徴機械学習処理の実行により、コンピュータを、前記受検者の得点を少なくとも含む運転適性検査結果と、前記受検者情報とを学習データとして学習する運転特徴学習手段、および、受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力する運転特徴推論手段、として機能させる。
以下フローチャートを用いて説明する。
In other words, the computer is equipped with a test taker information registration means for registering test taker information including at least the test taker's driving characteristics, and the driving feature machine learning model P22 is configured to: Driving characteristic learning means for causing a computer to learn a driving aptitude test result including at least a score of the test taker and the test taker information as learning data, and a driving aptitude test result including at least a score of the test taker as input data. It functions as a driving characteristic inference means that outputs a quantified value regarding the driving characteristics of the test taker.
This will be explained below using a flowchart.
図１８は、運転特徴学習処理を示すフローチャートである。本実施形態において、例えば管理者などのユーザが、管理者端末３０を用いて運転特徴学習処理の開始を指示することにより、プロセッサ１２２は運転特徴学習処理を開始する。
FIG. 18 is a flowchart showing the driving feature learning process. In this embodiment, the
プロセッサ１２２は、受検者の運転適性検査の得点や評価値などの「運転適性検査結果」と、運転特徴を問うアンケートの回答など「運転特徴を含む受検者情報」とを併せ持つデータセットを取得する（ステップ７１）。
データセットのデータは、機械学習モデルへの入力に適するように前処理済みのデータが使用される。なお、データの前処理の方法に特に制限はなく、公知の方法が適宜用いられる。
The
The data in the dataset is preprocessed so that it is suitable for input to a machine learning model. Note that there are no particular limitations on the method of data preprocessing, and known methods can be used as appropriate.
プロセッサ１２２は、多数のデータの中からサンプルを抽出する（ステップ７２）。プロセッサ１２２は、抽出したサンプルを用いて機械学習モデル（運転特徴機械学習モデルＰ２２）のトレーニングを行う（ステップ７３）。機械学習モデルのトレーニングにより、プロセッサ１２２はデータセットに係る特徴量を抽出する。
続いて、プロセッサ１２２は、機械学習モデルのテストを行う（ステップ７４）。学習が十分であれば（ステップ７５Ｙｅｓ）、プロセッサ１２２は、その機械学習モデルを保存して（ステップ７６）、運転特徴学習処理を終了する。
学習が十分でない場合には（ステップ２５Ｎｏ）、再度サンプル抽出を行い、学習を行う。なお、学習が十分か否かの閾値は、管理者等のユーザが設定する。
If the learning is not sufficient (No in step 25), sample extraction is performed again and learning is performed. Note that a threshold value for determining whether learning is sufficient is set by a user such as an administrator.
図１９は、運転特徴推論処理を示すフローチャートである。本実施形態において、例えば管理者などのユーザが、管理者端末３０を用いて運転特徴推論処理の開始を指示することにより、プロセッサ１２２は運転特徴推論処理を開始する。
FIG. 19 is a flowchart showing driving characteristic inference processing. In this embodiment, the
まずプロセッサ１２２は、対象となる受検者の運転適性検査結果を（前処理済み）データとして取得し（ステップ８１）、学習済みモデル（運転特徴機械学習モデルＰ２２）への入力を行う（ステップ８２）。
プロセッサ１２２は、当該受検者の運転特徴について推論を行い、出力する（ステップ８３）。
プロセッサ１２２は、各種データを保存し（ステップ３６）、推論処理を終了する。保存されたデータは、評価レポートの作成などに使用される。
First, the
The
The
まとめると、本実施形態において、運転特徴機械学習モデルＰ２２は、
「（１）少なくとも受検者の運転特徴を含む受検者情報と、
（２）認知機能を測る検査問題における前記受検者の得点を、記憶部にあらかじめ格納されている平均値および標準偏差を用いて標準化し、当該標準化による標準化得点を用いて算出する運転適性評価項目の評価値と、を学習データとし、
認知機能を測る検査問題における受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力するようコンピュータを機能させるための、学習済み機械学習モデル」である。
In summary, in this embodiment, the driving feature machine learning model P22 is
(1) Test taker information including at least the test taker's driving characteristics;
(2) Driving aptitude evaluation items that standardize the test taker's scores on test questions that measure cognitive function using the average value and standard deviation stored in advance in the storage unit, and calculate using the standardized scores resulting from the standardization. Let the evaluation value of and be the learning data,
A trained machine learning model that uses as input data the results of a driving aptitude test that includes at least the test taker's scores on test questions that measure cognitive function, and makes the computer function to output quantified values for the test taker's driving characteristics.'' It is.
つづいて、係数調整用学習モデルＰ２４について説明する。
係数調整用学習モデルＰ２４は、プロセッサ１２２が、評価値算出用係数を調整するための機械学習モデルである。
Next, the coefficient adjustment learning model P24 will be explained.
The coefficient adjustment learning model P24 is a machine learning model for the
係数調整用学習モデルＰ２４は、運転適性評価項目を直接的に測定する手段による評価と、受検者の運転適性検査結果（得点、換算後得点、評価値、評価値スコア、総合評価値、総合スコアなど）をもとに学習する。 The coefficient adjustment learning model P24 evaluates the driving aptitude test results by directly measuring the driving aptitude evaluation items and the test takers' driving aptitude test results (scores, converted scores, evaluation values, evaluation value scores, comprehensive evaluation values, and total scores. etc.).
係数調整用学習モデルＰ２４に基づいて、プロセッサ１２２が運転適性評価項目の評価値を算出するための係数（評価値算出用係数）を調整する処理を「係数調整処理」と称する。
A process in which the
係数調整用学習モデルＰ２４は係数調整プログラムとして機能する。
すなわち、係数調整プログラムは、係数調整処理の実行により、コンピュータを係数調整手段として機能させるプログラムである。またこの際、当該コンピュータにおいて、プロセッサを備える制御部は、係数調整部（または係数調整装置）としても機能する。
The coefficient adjustment learning model P24 functions as a coefficient adjustment program.
That is, the coefficient adjustment program is a program that causes the computer to function as a coefficient adjustment means by executing coefficient adjustment processing. At this time, in the computer, the control section including the processor also functions as a coefficient adjustment section (or coefficient adjustment device).
係数調整処理について詳細を説明する。
本実施形態において、受検者の運転適性は、認知機能を測定する問題の換算後得点（標準化得点）をもとに、プロセッサ１２２が運転適性評価項目の評価値という形で算出する。
これとは別に、運転適性評価は、受検者本人の自己申告や、上述した認知機能を測定する問題以外の検査などによっても評価し得る。
The details of the coefficient adjustment process will be explained.
In the present embodiment, the test taker's driving aptitude is calculated by the
Apart from this, the driving aptitude evaluation can also be evaluated by the test taker's self-report or by tests other than the above-mentioned questions that measure cognitive function.
ここで、受検者本人の自己申告による評価について説明する。
例えば、運転適性評価項目のうち、「集中の持続」という項目だけを考えるとする。この場合、受検者本人の自己申告による評価とは、受検者に対して例えば「集中力はあるほうですか？」といった質問をアンケートにより行い、それに１から５の数値（数が大きいほどあてはまるとする）で答えてもらうことによる評価である。
なおこのような受検者本人の自己申告による評価を得るためのアンケートを、以下「運転適性評価項目について問うアンケート」と称する。
Here, we will explain the evaluation based on the test takers' self-reports.
For example, suppose that among the driving aptitude evaluation items, only the item ``sustained concentration'' is considered. In this case, the self-reported evaluation by the test taker means that the test taker is asked questions such as "Do you have the ability to concentrate?" using a questionnaire, and then answered with a numerical value from 1 to 5 (the higher the number, the more applicable you are). This is an evaluation based on having students answer the following questions.
Note that such a questionnaire for obtaining a self-reported evaluation by the test taker will be hereinafter referred to as a "questionnaire asking about driving aptitude evaluation items."
また、認知機能を測定する問題以外の検査による評価とは、例えば、集中力の測定に特化したようなや心理学上の筆記テストや、測定装置を用いた実技テストによるものである。
例えば、運転適性評価項目が「判断の速さ」であれば、もぐらたたきゲーム機のような装置でも測ることができると考えられる。
Furthermore, evaluations using tests other than questions that measure cognitive function include, for example, psychological written tests that specialize in measuring concentration, and practical tests using measuring devices.
For example, if the driving aptitude evaluation item is "speed of judgment," it may be possible to measure it using a device such as a whack-a-mole game machine.
運転適性評価項目について問うアンケートや、認知機能を測定する問題以外の問題のように、運転適性評価項目のうち一部の項目について直接的に測る手段を、「運転適性評価項目を直接的に測定する手段」と称する。 Directly measuring some of the driving aptitude evaluation items, such as questionnaires asking about the driving aptitude evaluation items and questions other than questions measuring cognitive function, are referred to as ``direct measurement of driving aptitude evaluation items''. means to do so.
運転適性評価項目を直接的に測定する手段がある場合は、当該手段による評価結果がいわゆる教師データとなり、その運転適性評価項目の評価値を算出するための評価値算出用係数を改善し得る。
この運転適性評価項目を直接的に測定する手段による評価結果は、例えば標準化などの方法により、上述の数式による運転適性評価項目の評価値と対応させる。
If there is a means to directly measure a driving aptitude evaluation item, the evaluation result by the means becomes so-called teaching data, and it is possible to improve the evaluation value calculation coefficient for calculating the evaluation value of the driving aptitude evaluation item.
The evaluation result obtained by the means for directly measuring the driving aptitude evaluation item is made to correspond to the evaluation value of the driving aptitude evaluation item based on the above-mentioned formula, for example, by a method such as standardization.
なお運転適性評価項目を直接的に測定する手段は、教師データである以上、ある運転適性評価項目の検査に使用するにあたり、本実施形態の検査問題による運転適性検査よりも適切に当該運転適性評価項目を測定できる手段でなくてはならない。 Since the means for directly measuring driving aptitude evaluation items is teacher data, when used for testing a certain driving aptitude evaluation item, it is more appropriate to evaluate the driving aptitude than the driving aptitude test using the test questions of this embodiment. It must be a means of measuring the item.
係数調整処理について、具体例を挙げて説明する。運転適性評価項目のうち、「集中の持続」の評価値が｛１．０×（認知地図問題の標準化得点）＋０．５×（概念認知問題の標準化得点）｝／１．５で算出されるとする。この１．０や０．５が係数である。 The coefficient adjustment process will be explained using a specific example. Among the driving aptitude evaluation items, the evaluation value of "sustained concentration" is calculated as {1.0 x (standardized score of cognitive map questions) + 0.5 x (standardized score of conceptual recognition questions)} / 1.5 shall be. This 1.0 or 0.5 is a coefficient.
「集中の持続」について、多くの受検者に運転適性評価項目について問うアンケート（運転適性評価項目（集中の持続）について問うアンケート）を行った結果、「集中力がある」と自己申告した受検者は、認知地図問題の得点が高い傾向にあったと学習したとする。
この場合、プロセッサ１２２は、先ほど１．０であった認知地図問題の標準化得点に係る係数を１．１に更新し得る。
As for "sustaining concentration", as a result of a questionnaire that asked many test takers about the driving aptitude evaluation items (questionnaire asking about the driving aptitude evaluation items (sustained concentration)), test takers self-reported that they had the ability to concentrate. Suppose that we learned that scores on cognitive map questions tended to be high.
In this case, the
このように、運転適性評価項目を直接的に測定する手段、上記の例では運転適性評価項目について問うアンケートにより、運転適性評価項目の評価値をプロセッサ１２２は取得する。
これにより、係数調整用学習モデルＰ２４は、データの蓄積により、「このような運転適性検査結果になった受検者は、ある運転適性評価項目を直接的に測定する手段において、高い（または低い）評価値となる人が多い」、といった関係を見出す（学習する）。
In this way, the
As a result, the coefficient adjustment learning model P24, by accumulating data, can determine that ``a test taker with such a driving aptitude test result is high (or low) in a means of directly measuring a certain driving aptitude evaluation item. Discover (learn) relationships such as "Many people have a high evaluation value."
この関係性は定量化した値で表される。本実施形態において、この関係性は評価値算出用係数で表される。 This relationship is expressed as a quantified value. In this embodiment, this relationship is represented by an evaluation value calculation coefficient.
なお本実施形態の係数調整用学習モデルＰ２４は、学習後、当該運転適性評価項目の評価値算出用係数について、補正案を管理者等のユーザに提示する。プロセッサ１２２が評価値算出用係数を自動的に更新しないのは、運転適性試験の同一性を保持したい場合もあり得るからである。
ただし、これに限られるものではなく、プロセッサ１２２が、当該運転適性評価項目の評価値算出用係数を自動的に補正し、改善された評価値算出用の数式を保存するようにしてもよい。
Note that after learning, the coefficient adjustment learning model P24 of this embodiment presents a correction plan to a user such as an administrator for the evaluation value calculation coefficient of the driving aptitude evaluation item. The reason why the
However, the present invention is not limited to this, and the
そして、係数調整用学習モデルＰ２４が十分に学習し、その学習に基づいて係数を変更したあとにおいて、受検者が運転適性検査システム１による運転適性検査を受けるとする。そうすると受検者は、運転適性評価項目について、より改善された数式による評価値を得ることができる。これにより、受検者は自分の運転適性をより正確に知ることができるなどの利点がある。
つまり、評価値は定量化した値であるから、プロセッサ１２２は、運転適性検査の検査問題に対する受検者の標準化得点を入力データとして、運転適性評価項目の評価について定量化した値である評価値を与える。
It is assumed that the test taker takes a driving aptitude test by the driving
In other words, since the evaluation value is a quantified value, the
まとめると、本実施形態においての係数調整用学習モデルＰ２４は、「少なくとも（１）運転適性評価項目を直接的に測定する手段による評価、（２）認知機能を測る検査問題における前記受検者の得点を、記憶部にあらかじめ格納されている平均値および標準偏差を用いて標準化し、当該標準化による標準化得点を用いて算出する運転適性評価項目の評価値、および（３）前記標準化得点から運転適性評価項目の評価値を算出する式に用いる評価値算出用係数、を学習データとして、
前記数式による評価値を、前記運転適性評価項目を直接的に測定する手段による評価に近づける評価値算出用係数を導出し、
運転適性検査の検査問題に対する受検者の標準化得点を入力データとして、運転適性評価項目の評価について定量化した値を出力するようにコンピュータを機能させるための学習済み機械学習モデル」である。
In summary, the learning model P24 for coefficient adjustment in the present embodiment has the following characteristics: ``at least (1) evaluation by means of directly measuring driving aptitude evaluation items, and (2) scores of the test taker on test questions measuring cognitive function. is standardized using the average value and standard deviation stored in advance in the storage unit, and the evaluation value of the driving aptitude evaluation item is calculated using the standardized score resulting from the standardization, and (3) the driving aptitude evaluation from the standardized score. The evaluation value calculation coefficient used in the formula for calculating the evaluation value of the item is used as learning data,
Deriving an evaluation value calculation coefficient that brings the evaluation value according to the formula closer to the evaluation obtained by means of directly measuring the driving aptitude evaluation item,
It is a trained machine learning model that uses a test taker's standardized scores for driving aptitude test questions as input data to operate a computer to output a quantified value for the evaluation of driving aptitude evaluation items.
以上のように、本実施形態の運転適性検査処理では、プロセッサ１２２が認知機能を測定する検査問題を出題し、受検者の解答入力を得てこれを採点し、検査問題ごとに得点をつける。
またプロセッサ１２２は、検査問題ごとに設定されている統計処理用データ（得点の平均値と標準偏差）を用いて得点を統計処理（標準化）して換算後得点（標準化得点）を算出する。
つづいてプロセッサ１２２は、標準化得点と所定の数式から、運転適性評価項目ごとに評価値を算出する。また、評価値を５段階に区分し評価値スコアとする。
さらに、プロセッサ１２２は、評価値をもとに、受検者の総合評価値を算出する。また、総合評価値を３段階に区分し、総合スコアとする。
プロセッサ１２２はこれらの評価結果をもとに評価レポートを作成する。
As described above, in the driving aptitude test process of this embodiment, the
The
Subsequently, the
Further, the
The
本実施形態の運転適性検査処理において、プロセッサ１２２は、認知機能を測る３種類の検査問題（認知地図問題、ワーキングメモリー問題、概念認知問題）を用いて、９つの運転適性検査項目について評価（値）を出力する。
プロセッサ１２２は、検査問題の得点を統計的に処理（標準化、正規化）するため、それぞれの検査問題について同じ尺度で比較し、また加算等の演算をすることができる。つまり、運転適性を評価する（運転適性評価項目の評価値を得る）に際し、複数の検査問題を組み合わせて評価することができる。
In the driving aptitude test process of this embodiment, the
Since the
これにより、本実施形態の運転適性検査システム１は、運転適性評価項目について多面的に測定でき、より正確に受検者の運転適性を測ることができるという利点がある。
また、統計処理により、運転適性評価項目の評価値についても加算等の演算ができるため、受検者は自己の運転適性について総合的な結果を知ることができる。
Thereby, the driving
In addition, statistical processing allows calculations such as addition for the evaluation values of the driving aptitude evaluation items, so the test taker can know the comprehensive result regarding his or her driving aptitude.
さらに、本実施形態の機械学習処理により、本実施形態の運転適性検査システム１は、受検者の運転適性予測や、評価値算出用係数の改善など、従来の運転適性検査にはない付加価値を与えることができる。
Furthermore, through the machine learning process of this embodiment, the driving
知能・知覚心理学の分野の中では、「認知」は比較的新しい考え方であることから、認知機能を測る検査問題を出題する本実施形態の運転適性検査システム１により、運転適性検査の精度がより向上することが期待できる。
Since "cognition" is a relatively new concept in the field of intelligence/perceptual psychology, the driving
そのほか、運転適性検査をオンラインで行うメリットもある。例えば、人が採点を行う場合、読み取るべき箇所を誤るなど、間違いなどが生じる可能性がある。採点者の教育や各種工夫によりこういった誤りは抑制できるが、完全にゼロにすることは困難である。この点、コンピュータによる評価は見間違いによる誤りは生じない。また一般に、判断速度や処理速度も、コンピュータによる評価の方がはるかに早いという利点がある。 There are also other benefits to taking the driving aptitude test online. For example, when grading is done by a person, there is a possibility that errors may occur, such as reading the wrong part. Although these errors can be suppressed through grader training and various measures, it is difficult to eliminate them completely. In this respect, computer-based evaluations do not cause errors due to misreading. In general, computer-based evaluations have the advantage of being much faster in terms of judgment and processing speed.
３．データ
以下、本実施形態の運転適性検査システム１が扱うデータについて、図を用いて説明する。
本実施形態の運転適性検査システム１は、サーバ１０の記憶部１４（データ格納部１４ｂ）に運転適性検査データベースＤ１を備える。運転適性検査データベースＤ１は、検査問題データベースＤ１０、受検者情報データベースＤ２０、および管理者情報データベースＤ３０を備える。
3. Data Hereinafter, data handled by the driving
The driving
検査問題データベースＤ１０は、検査問題に関するデータ（検査問題データ）を備えるデータベースである。検査問題データベースＤ１０は、検査に応じた個々のデータベースを備える。本実施形態において、検査に応じた個々のデータベースとは例えば、認知地図問題データベースＤ１０２、ワーキングメモリー問題データベースＤ１０４、および概念認知問題データベースＤ１０６である。
また、検査問題データベースＤ１０はコメントデータベースＤ１２を含む。
The examination question database D10 is a database that includes data regarding examination questions (examination question data). The examination question database D10 includes individual databases according to examinations. In this embodiment, the individual databases depending on the test are, for example, the cognitive map problem database D102, the working memory problem database D104, and the conceptual recognition problem database D106.
The examination question database D10 also includes a comment database D12.
これら個々のデータベースはそれぞれ、検査の内容を説明するためのデータ（テキスト、画像など）、（練習問題を含む）検査問題データ、正解データ、および得点の統計処理のためのデータ（得点の平均値、標準偏差、最高値、最低値）など、検査や評価に必要なデータを含む。データ形式に制限はなく、テキストデータ、画像（映像）データ、音声データなどの各種データ形式を使用し得る。
以下検査問題データベースＤ１０に含まれるデータベースについて例示する。
These individual databases each contain data for explaining the content of the test (text, images, etc.), test question data (including practice questions), correct answer data, and data for statistical processing of scores (average of scores). , standard deviation, maximum value, minimum value) and other data necessary for inspection and evaluation. There is no limit to the data format, and various data formats such as text data, image (video) data, and audio data can be used.
Examples of databases included in the examination question database D10 will be given below.
表１は、認知地図問題データベースＤ１０２に含まれるデータを例示するものである。
表１に示すように、本実施形態において認知地図問題データベースＤ１０２には、データとして一意の問題ＩＤのほか、ブラウザ画面に表示される地図（上面視図）およびイラスト（正面視図）に用いられる画像ファイル名や、正解選択肢の情報が含まれる。
Table 1 illustrates data included in the cognitive map problem database D102.
As shown in Table 1, in the present embodiment, the cognitive map problem database D102 includes unique problem IDs as data, as well as data used for maps (top view) and illustrations (front view) displayed on the browser screen. Contains information about the image file name and correct answer choices.
例えば、認知地図問題出題処理において、問題ＩＤ「Ｍ０００１」の問題を表示する場合、プロセッサ１２２は、ブラウザ上で上面視図（地図）を表示する部分に「ｍａｐ０００１．ｐｎｇ」の画像ファイルを、正面視図（イラスト）を表示する部分に「ｖｉｓｉｏｎ０００１．ｐｎｇ」の画像ファイルを配置する。
また、この問題の正解選択肢は「Ｃ」であるから、プロセッサ１２２は、受検者がＣの選択肢を選択した場合は得点を付与し、それ以外の選択肢を選択した場合、あるいは「わからないボタン」を押下した場合は、得点を付与しない。
For example, when displaying a question with question ID "M0001" in the cognitive map problem question processing, the
In addition, since the correct answer option for this question is "C," the
ワーキングメモリー問題データベースＤ１０４は、ワーキングメモリー問題に関するデータを備える（不図示）。ワーキングメモリー問題データベースＤ１０４は例えば、計算問題に関するデータなどを含む。 The working memory problem database D104 includes data regarding working memory problems (not shown). The working memory problem database D104 includes, for example, data regarding calculation problems.
表２は、概念認知問題データベースＤ１０６に含まれるデータを例示するものである。本実施形態において概念認知問題データベースＤ１０６には、データとして一意の問題ＩＤのほか、ブラウザ画面に表示される例および解答選択肢の画像ファイル名と、正解選択肢の情報が含まれる。 Table 2 illustrates data included in the conceptual recognition problem database D106. In this embodiment, the concept recognition question database D106 includes data including, in addition to a unique question ID, image file names of examples and answer options displayed on the browser screen, and information on correct answer options.
例えば、概念認知問題出題処理において、問題ＩＤ「Ｒ０００１」の問題を標示する場合、プロセッサ１２２は、例を表示する部分に「ｅｘａｍｐｌｅ０００１．ｐｎｇ」の画像ファイルを、選択肢Ａから選択肢Ｄを表示する部分に「Ｒ０００１０１．ｐｎｇ」から「Ｒ０００１０４．ｐｎｇ」のそれぞれの画像ファイルを配置して表示する。
また、この問題の正解選択肢は「Ｃ」であるから、プロセッサ１２２は、受検者がＣの選択肢を選択した場合は得点を付与し、それ以外の選択肢を選択し場合、あるいは「わからないボタン」を押下した場合は、得点を付与しない。
For example, when displaying a question with the problem ID "R0001" in the concept recognition question question processing, the
Furthermore, since the correct answer option for this question is "C," the
表３は、コメントデータベースＤ１２に含まれるデータを例示するものである。本実施形態においてコメントデータベースＤ１２には、データとして一意のコメントＩＤのほか、コメント選択条件、およびコメント文の情報が含まれる。 Table 3 illustrates data included in the comment database D12. In this embodiment, the comment database D12 includes information on comment selection conditions and comment sentences in addition to a unique comment ID as data.
本実施形態において、運転適性評価項目は９つある。そして、評価レポートには、１番目と２番目に評価値の高かった運転適性評価項目についてのコメントと、１番目と２番目に評価値の低かった評価項目についてのコメントが表示される。 In this embodiment, there are nine driving aptitude evaluation items. The evaluation report displays comments on the driving aptitude evaluation items that had the first and second highest evaluation values, and comments on the evaluation items that had the first and second lowest evaluation values.
表３の例で説明すると、コメントＩＤでＣ０００１からＣ００３９のコメントのうち、プロセッサ１２２は４つのコメントを選択する。
つまり、最も評価値が高い運転適性評価項目について、プロセッサ１２２はＣ０００１からＣ０００９のどれかのコメントを選択する。
また、２番目に評価値が高い運転適性評価項目について、プロセッサ１２２はＣ００１１からＣ００１９のどれかのコメントを選択する。
不得意項目については、Ｃ００２１からＣ００２９から１つ、Ｃ００３１からＣ００３９から１つのコメントを選択する。
To explain using the example of Table 3, the
That is, for the driving aptitude evaluation item with the highest evaluation value, the
Furthermore, for the driving aptitude evaluation item with the second highest evaluation value, the
For weak items, select one comment from C0021 to C0029 and one comment from C0031 to C0039.
例えば、９つの運転適性評価項目のうち、最も評価値の高かった評価項目が「集中の持続」だったとする。この場合、表３に示すように、最も評価値が高かった評価項目のコメントとして、プロセッサ１２２は「Ｃ０００２」のコメントを選択し、評価レポート上に表示する。
また、２番目に評価値の高かった評価項目が「判断の速さ」だった場合、プロセッサ１２２は、２番目に評価値が高かった評価項目のコメントとして、「Ｃ００１１」のコメントを選択し、表示する。
For example, suppose that among the nine driving aptitude evaluation items, the evaluation item with the highest evaluation value was "sustained concentration." In this case, as shown in Table 3, the
Further, if the evaluation item with the second highest evaluation value is "speed of judgment", the
受検者情報データベースＤ２０は、受検者に関する情報（受検者情報）を記憶するデータベースである。
受検者情報とは例えば、受検者ＩＤ、受検者の年齢、氏名、性別、住所、電話番号、またはアンケートの回答などの情報である。上述したように、アンケートは受検者の運転特徴を得るためのアンケートを含む。
The test taker information database D20 is a database that stores information regarding test takers (test taker information).
The test taker information is, for example, information such as the test taker ID, the test taker's age, name, gender, address, telephone number, or answers to a questionnaire. As described above, the questionnaire includes a questionnaire for obtaining the test taker's driving characteristics.
表４は、受検者情報データベースＤ２０に含まれるデータを例示するものである。データには、受検者ＩＤのほか、上述した各種受検者情報（氏名、性別、年齢、住所、電話番号、アンケートの回答）が含まれる。さらに、受検者情報には、認証情報や、更新履歴、評価レポートの発行履歴などの各種情報を含んでいてもよい。
なお、受検者情報データベースＤ２０に含まれるデータはテキストデータに限られるものではなく、例えば認証用の登録画像など、画像情報を含んでいてもよい。
Table 4 illustrates data included in the test taker information database D20. In addition to the test taker ID, the data includes the various test taker information described above (name, gender, age, address, telephone number, and answers to the questionnaire). Furthermore, the test taker information may include various information such as authentication information, update history, and evaluation report issuance history.
Note that the data included in the test taker information database D20 is not limited to text data, and may also include image information such as a registered image for authentication, for example.
表５は、検査結果データベースＤ２２に含まれるデータを例示するものである。
検査結果データベースＤ２２は、受検者の運転適性検査結果を格納するデータベースである。
表５に示すように、検査結果データベースＤ２２に格納されるデータは例えば、認知機能を測定する各種検査問題の解答数・得点・換算後得点、評価値・評価値スコア、総合評価値・総合スコアである。
Table 5 illustrates data included in the test result database D22.
The test result database D22 is a database that stores the driving aptitude test results of test takers.
As shown in Table 5, the data stored in the test result database D22 includes, for example, the number of answers, scores, and converted scores for various test questions that measure cognitive function, evaluation values, evaluation value scores, and overall evaluation values and overall scores. It is.
なお表５中、解答数・得点・換算後得点は認知地図問題についてのみ表記し、評価値・評価値スコアは「判断の速さ」と「集中の持続」についてのみ表記している。また、表５中、換算後得点は「換算後」と、評価値スコアは「判断の速さ」などの欄に「スコア」と、総合評価値は総合欄に「評価値」と、そして総合スコアは総合欄に「スコア」と表記している。 In Table 5, the number of answers, scores, and converted scores are shown only for cognitive map questions, and the evaluation values and evaluation value scores are shown only for ``speed of judgment'' and ``sustained concentration.'' In addition, in Table 5, the score after conversion is written as "after conversion," the evaluation value score is written as "score" in the column such as "judgment speed," and the overall evaluation value is written as "evaluation value" in the overall column. The score is written as "score" in the overall column.
そのほか、表５には記載していないが、個々の問題（小問）の正誤（次項）、誤答数、「わからない」を選択した数（不図示）、解答に要した時間などが含まれていてもよい。
さらに、検査結果データベースＤ２２は、過去の運転適性検査結果を含んでもよく、例示した以外の各種運転適性検査結果が含まれ得る。
In addition, although not listed in Table 5, it includes the correctness of each question (subquestion) (see next section), the number of incorrect answers, the number of people who selected "I don't know" (not shown), and the time required to answer. You can leave it there.
Furthermore, the test result database D22 may include past driving aptitude test results, and may include various driving aptitude test results other than those exemplified.
なお、表５においては、認知地図問題、ワーキングメモリー問題、概念認知問題の検査結果を１つずつ表示しているが、これに限られるものではない。ほかの検査問題を複数組み合わせて、運転適性を測ることが考えられる。
例えば、異なる種類の認知地図問題が２つ含まれるケースや、上述した認知機能を測定するための問題とは別の心理テスト問題が含まれるケースなどである。上述したように、多くの評価問題で多面的に評価することで、受検者の運転適性がより適切に評価されるためである。
このような心理テストなどの結果など、運転適性検査結果に関するものであれば検査結果データベースＤ２２に含まれ得る。
Although Table 5 shows test results for the cognitive map problem, working memory problem, and conceptual recognition problem one by one, the results are not limited to this. It is possible to measure driving aptitude by combining multiple other test questions.
For example, there may be a case where two different types of cognitive map questions are included, or a case where a psychological test question that is different from the above-mentioned question for measuring cognitive function is included. This is because, as described above, the test taker's driving aptitude is evaluated more appropriately by performing a multifaceted evaluation using many evaluation questions.
Any results related to driving aptitude tests, such as the results of such psychological tests, can be included in the test result database D22.
表６は、検査結果データベースＤ２２に含まれるデータの別の例である。データには、受検者ＩＤのほか、問題ＩＤ、その問題に対する受検者の解答、そしてその正誤が含まれる。
この例では、ある受検者（受検者ＩＤ：１００１０００１）について、個々の問題（小問）のける正誤が示される。例えば、表６に示すように、この受検者は、Ｍ０００１とＭ０００３について正しい答えを入力しているが、Ｍ０００２の問題では誤った答えを入力していることがわかる。
Table 6 is another example of data included in the test result database D22. In addition to the test taker ID, the data includes the question ID, the test taker's answer to the question, and whether it is correct or incorrect.
In this example, the correctness or incorrectness of each question (small question) for a certain test taker (test taker ID: 10010001) is shown. For example, as shown in Table 6, it can be seen that this test taker entered correct answers for questions M0001 and M0003, but entered an incorrect answer for question M0002.
本実施形態において、受検者情報データベースＤ２０と、検査結果データベースＤ２２は、受検者ＩＤにより運転適性検査データベースＤ１内で紐づけられる。ただし本実施形態において、このデータベースへのアクセスは、どの端末からのアクセスかによって、プロセッサ１２２が適宜制御する。
In this embodiment, the test taker information database D20 and the test result database D22 are linked within the driving aptitude test database D1 by the test taker ID. However, in this embodiment, access to this database is appropriately controlled by the
例えば、受検者は、自己の登録情報と自己の評価値スコア・総合スコアを知ることはできるが、当然他の受検者のデータにはアクセスできず、知ることはできない。また、本実施形態において、受検者は自己の得点、換算後得点（標準化得点）、運転適性検査項目の評価値、および総合評価値にもアクセスできない。
一方、本実施形態において、管理者は、すべての受検者のすべての運転適性検査結果にアクセスできるが、ある検査結果がどの受検者の検査結果であるかまではわからない。
For example, a test taker can know his/her own registered information, his/her own evaluation value score, and overall score, but of course cannot access or know the data of other test takers. Furthermore, in the present embodiment, test takers cannot access their own scores, converted scores (standardized scores), evaluation values of driving aptitude test items, and comprehensive evaluation values.
On the other hand, in this embodiment, the administrator can access all the driving aptitude test results of all test takers, but cannot know which test taker a certain test result belongs to.
このようにしているのは、個人情報の保護と、ビッグデータの活用を両立するためである。例えば、管理者が、受検者の年齢、性別、住所（都道府県）、アンケートの回答、各検査の検査結果といった情報を、個人情報を除いて一括で取得できるようにすれば、この情報単独で、またはほかの情報との連携により、運転特徴などの情報を蓄積することができ、交通事故を低減するための情報分析などに利活用できる。 This is done in order to balance the protection of personal information and the utilization of big data. For example, if the administrator can obtain all the information such as age, gender, address (prefecture), questionnaire responses, and test results of each test taker, excluding personal information, this information can be used alone. By linking with , or other information, it is possible to accumulate information such as driving characteristics, which can be used for information analysis to reduce traffic accidents.
管理者データベースＤ３０は、運転適性検査システム１の管理者に係るデータベースである（不図示）。上述した通り、管理者とは例えば、検査機関やその職員などである。
管理者データベースＤ３０は、個々の管理者のＩＤ（管理者ＩＤ）などを含む。また管理者データベースＤ３０には、管理者である職員の個人の情報のほか、管理者のログイン情報、例えばパスワードや認証用の登録画像などを含んでいてもよい。
The administrator database D30 is a database related to the administrator of the driving aptitude test system 1 (not shown). As mentioned above, the administrator is, for example, an inspection agency or its staff.
The administrator database D30 includes IDs (administrator IDs) of individual administrators. Further, the administrator database D30 may include not only personal information of the staff member who is the administrator, but also login information of the administrator, such as a password and a registered image for authentication.
以上のようなデータベースの構成により、運転適性検査システム１は、受検者情報や受検者の運転適性検査結果を蓄積することができる。この結果、例えば受検者が時間をおいて複数回受検し、前回の受検データと今回の受検データとを比較することにより、受検者の成長や変化などを客観的に把握することができる。
With the above database configuration, the driving
また、データベースが受検者情報や受検者の運転適性検査結果を多く蓄積することにより、機械学習モデルを構築することができ、この機械学習モデルと機械学習プログラムを用いて、受検者の運転特徴を予測する運転特徴機械学習処理などを行うことができる。 In addition, by accumulating a large amount of test taker information and test taker driving aptitude test results in the database, a machine learning model can be constructed, and this machine learning model and machine learning program can be used to determine the driving characteristics of test takers. It is possible to perform machine learning processing to predict driving characteristics.
言い換えると、運転適性検査データベースＤ１は、コンピュータとの協働により、機械学習、特に本実施形態の運転特徴機械学習処理に適したデータ構造を有する。
すなわち、運転適性検査データベースＤ１は、「制御部及び記憶部を備えるコンピュータに用いられるデータ構造であって、前記データ構造はデータ要素として、（１）少なくとも受検者の運転特徴を含む受検者情報、（２）認知機能を測る検査問題、（３）前記検査問題における前記受検者の得点、（４）前記得点を統計処理することにより算出する換算後得点、および、（５）前記換算後得点より算出する運転適性評価項目の評価値、を含み、
認知機能を測る検査問題における受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力する、運転特徴機械学習処理に用いられることを特徴とするデータ構造」を備える。
In other words, the driving aptitude test database D1 has a data structure suitable for machine learning, particularly the driving characteristic machine learning process of this embodiment, through cooperation with a computer.
That is, the driving aptitude test database D1 is a data structure used in a computer including a control unit and a storage unit, and the data structure includes, as data elements, (1) test taker information including at least the test taker's driving characteristics; (2) test questions that measure cognitive function, (3) the test taker's scores on the test questions, (4) converted scores calculated by statistically processing the scores, and (5) the converted scores. including the evaluation value of the driving aptitude evaluation item to be calculated,
It is characterized in that it is used in a driving characteristic machine learning process that outputs a quantified value of the driving characteristics of the test taker using the driving aptitude test results, which include at least the test taker's score on test questions that measure cognitive function, as input data. data structure.
４．ハードウェア構成
図１に示すように、本実施形態における運転適性検査システム１は、サーバ１０、受検者端末２０、および管理者端末３０を備える。また、これらの各装置は、ネットワークＮを介して接続されている。ネットワークＮは例えばインターネットなどである。
サーバ１０には本実施形態に係る運転適性検査システム１を動作させるためのソフトウェア（運転適性検査プログラムＰ１）がインストールされており、当該ソフトウェアの機能により、各種処理が実行される。
以下、各ハードウェアについて説明する。
4. Hardware Configuration As shown in FIG. 1, the driving
Software (driving aptitude test program P1) for operating the driving
Each piece of hardware will be explained below.
＜サーバ１０＞
サーバ１０は、運転適性検査プログラムＰ１を実行するためのコンピュータである。図１においてサーバ１０は１台のみ図示しているが、数は１台に限られるものではなく、複数のサーバにより実現してもよい。
<
The
例えば、機械学習に係る処理を別のサーバで行わせるなどの機能分散が考えられる。この場合、運転適性検査に係るサーバ（コンピュータ）と機械学習に係るサーバ（コンピュータ）が異なるため、プロセッサも別のものになるが、本実施形態では簡単のため、いずれのプロセッサについてもプロセッサ１２２と表記している。
このほか、負荷分散や可用性の観点から、複数のサーバを用いることも考えられる。
For example, functional distribution may be considered, such as having another server perform processing related to machine learning. In this case, the server (computer) related to the driving aptitude test and the server (computer) related to machine learning are different, so the processors are also different, but for the sake of simplicity in this embodiment, the
In addition, from the viewpoint of load distribution and availability, it is also possible to use multiple servers.
図２０は、サーバ１０のハードウェア構成図である。
図２０に示すように、サーバ１０は、制御部１２、記憶部１４、および通信制御部１６を備える。
また制御部１２は、プロセッサ１２２、ＲＯＭ１２４、ＲＡＭ１２６、計時部１２８を備える。
なお、本実施形態において、機器間の接続態様（ネットワークトポロジ）は特に限定されない。例えばバス型であってもよいし、スター型、メッシュ型などであってもよい（以下において同じ）。
FIG. 20 is a hardware configuration diagram of the
As shown in FIG. 20, the
The
Note that in this embodiment, the connection mode (network topology) between devices is not particularly limited. For example, it may be a bus type, a star type, a mesh type, etc. (the same applies below).
プロセッサ１２２は、ＲＯＭ１２４や記憶部１４などに記憶されたプログラムに従って、情報処理や各種装置の制御を行う。本実施形態において、プロセッサ１２２はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。
The
なお、プロセッサ１２２はＣＰＵに限られるものではない。ＣＰＵ、ＤＳＰ（Ｄｅｇｉｔａｌ Ｓｉｇｎａｌ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、またはＧＰＧＰＵ（Ｇｅｎｅｒａｌ Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ ＧＰＵ）など、各種プロセッサを単独で、あるいは組み合わせて用いてもよい。
例えば、ＣＰＵとＧＰＵを統合したプロセッサはＡＰＵ（Ａｃｃｅｌｅｒａｔｅｄ Ｐｒｏｅｓｓｉｎｇ Ｕｎｉｔ）などと呼ばれるが、このようなプロセッサを用いてもよい。
Note that the
For example, a processor that integrates a CPU and a GPU is called an APU (Accelerated Processing Unit), and such a processor may also be used.
プロセッサ１２２は、サーバ１０において運転適性検査部１３０としても機能する（不図示）。運転適性検査部１３０は、運転適性検査プログラムＰ１を実行して運転適性検査処理を行う。
The
また、一のプログラムは、別のプログラムを含んでいてもよい。例えば本実施形態において、運転適性検査プログラムＰ１は、受検者情報登録プログラムＰ１２や検査問題出題プログラムＰ１４などを含む。 Further, one program may include another program. For example, in this embodiment, the driving aptitude test program P1 includes a test taker information registration program P12, a test question assignment program P14, and the like.
図２０に戻り、ＲＯＭ１２４は、プロセッサ１２２が各種制御や演算を行うための各種プログラムやデータがあらかじめ格納された、リードオンリーメモリである。
Returning to FIG. 20, the
ＲＡＭ１２６は、プロセッサ１２２にワーキングメモリとして使用されるランダムアクセスメモリである。このＲＡＭ１２６には、本実施形態の各種処理を行うための各種エリアが確保可能になっている。
すなわち、記憶部１４に格納された、運転適性検査プログラムＰ１などの各種プログラムや、運転適性検査データベースＤ１などの各種データがプロセッサ１２２により読み出され、ＲＡＭ１２６に記録（格納）される。
That is, various programs such as the driving aptitude test program P1 and various data such as the driving aptitude test database D1 stored in the
計時部１２８は、計時処理を行う。本実施形態において、計時部１２８は例えば、検査問題における制限時間の計算などに用いられる。
The
記憶部１４は、プログラムやデータなどの情報を記憶するための装置である。記憶部はストレージとも称する。本実施形態において、記憶部１４はサーバ１０に内蔵されるが、これに限られるものではなく、専用ＨＤＤ（ハードディスクドライブ）等の外部記憶を備えていてもよい。
The
記憶部１４は、データの読み書きが可能な記憶媒体と、当該記憶媒体に読み書きするドライブとを含む。
当該記憶媒体は、特に制限されないが、例えば、内蔵型でも外付型でもよく、ＨＤ（ハードディスク）、ＣＤ－ＲＯＭなどが挙げられる。
当該ドライブは、特に制限されないが、例えばＨＤＤ（ハードディスクドライブ）、ＳＳＤ（ソリッドステートドライブ）等が挙げられる。
The
The storage medium is not particularly limited, but may be of a built-in type or an external type, and includes, for example, an HD (hard disk), a CD-ROM, and the like.
Although the drive is not particularly limited, examples thereof include an HDD (hard disk drive), an SSD (solid state drive), and the like.
図２０に示すように、記憶部１４は、プログラム格納部１４ａとデータ格納部１４ｂを備え、各種処理に必要なプログラムやデータを備える。
例えば。プログラム格納部１４ａには、本実施形態に係る運転適性検査プログラムＰ１のほか、サーバ１０に接続されている機器を制御するための制御プログラム、例えば通信制御部１６を制御する通信制御プログラムなどが格納されている。
As shown in FIG. 20, the
for example. In addition to the driving aptitude test program P1 according to the present embodiment, the program storage unit 14a stores control programs for controlling devices connected to the
図２０に示すように、通信制御部１６は、サーバ１０と、外部にある端末等との間で通信を行うための装置である。外部にある端末とは例えば、後述する受検者端末２０や管理者端末３０などである。通信制御部１６は、図１に示すように、サーバ１０をネットワークＮに接続する。
本実施形態における通信制御部１６の通信方式は有線ＬＡＮによる方式であるが、通信方式は公知のものを適宜用いることができる。
As shown in FIG. 20, the
Although the communication method of the
上記のほか、サーバ１０は、命令やデータの入力を行うための入力部（例えばキーボード）や、情報を何らかの形で出力するための出力部（例えば音声出力装置）などを備えていてもよい（不図示）。また、本実施形態の用途のために追加的に必要な装置や、本実施形態の用途について利便性を向上させるための装置を備えていてもよい。
In addition to the above, the
＜受検者端末２０＞
受検者端末２０は、受検者が運転適性検査システム１を利用するための情報処理装置である。受検者は受検者端末２０を用いて、サーバ１０にアクセスする。
<
The
本実施形態において、受検者端末２０はデスクトップＰＣである。ただし、受検者端末２０はこれに限られるものではなく、スマートフォンやタブレットなどの携帯型端末であってもよい。
図２０において、１台の受検者端末２０のみ図示しているが、数は１台に限られるものではなく、複数の端末のそれぞれにより利用できる。
In this embodiment, the
Although only one
図２１は、受検者端末２０のハードウェア構成図である。
図２１に示すように、受検者端末２０は、制御部２２、記憶部２４、通信制御部２６、および入出力部２８を備える。すでに説明済みの項目については、説明を省略する。
FIG. 21 is a hardware configuration diagram of the
As shown in FIG. 21, the
制御部２２は、サーバ１０の制御部１２同様、プロセッサ、ＲＯＭ、ＲＡＭ、および計時部を備えるが、これらの基本的な機能は上記で説明したものに準ずるため、説明は省略する。
The
記憶部２４は、プログラムやデータなどの情報を記憶するための装置である。記憶部２４は、プログラム格納部とデータ格納部を備える。サーバ１０同様に、各種処理に必要なプログラムやデータが格納されている。
記憶部２４には例えば、運転適性検査システム１を利用するためのソフトウェア（アプリケーションソフトウェア）が格納されている。当該ソフトウェアは、サーバ１０と通信を行い、データをやり取りして各種データを保存するための機能などを備える。
The
For example, the
ただし受検者端末２０は専用のアプリケーションソフトウェアを必須とするものではない。例えば、受検者端末２０は汎用的なブラウザを備えていればよく、サーバ１０にアクセスするだけで運転適性検査システム１を利用するようにしてもよい。これは管理者端末３０も同様である。
However, the
通信制御部２６は、受検者端末２０と、外部にある端末等との間で通信を行うための装置である。外部にある端末等とは例えば、サーバ１０である。通信制御部２６は、図１に示すように、受検者端末２０をネットワークＮに接続する。
本実施形態における通信制御部１６の通信方式は、有線でも無線でもよい。受検者端末２０がデスクトップＰＣであれば有線、無線の両方の場合が考えられる。また、受検者端末２０がスマートフォンであれば、無線による通信方式が考えられる。
The
The communication method of the
有線であれば、例えばＩＥＥＥ８０２．３（例えばバス型やスター型の有線ＬＡＮ）で規定される通信方式を好適に用いることができるが、それ以外にも、ＩＥＥＥ８０２．５（例えばリング型の有線ＬＡＮ）で規定される通信方式などを用いてもよい。
無線であれば、例えばＩＥＥＥ８０２．１１（例えばＷｉ－Ｆｉ）で規定される通信方式を好適に用いることができるが、それ以外にも、ＩＥＥＥ８０２．１５（例えばブルートゥース（登録商標）、ＢＬＥ（ブルートゥース（登録商標）ローエナジー）など）、ＩＥＥＥ８０２．１６（例えばＷｉＭＡＸ）、または赤外線通信などの光通信で規定される通信方式などを用いてもよい。
If it is a wired communication method, for example, the communication method specified by IEEE 802.3 (e.g., bus type or star type wired LAN) can be suitably used. ) may be used.
For wireless communication, for example, communication methods defined by IEEE802.11 (e.g. Wi-Fi) can be suitably used; A communication method defined by optical communication such as IEEE 802.16 (eg, WiMAX), or infrared communication may be used.
図２１に示すように、入出力部２８は、受検者端末２０への入力、および受検者端末からの出力に係る装置である。入出力部２８は、入力を受け付ける入力部２８２と、出力を行う出力部２８４とを備える。
入力部２８２として例えば、キーボード、ポインティングデバイスとしてのマウス、トラックパッド、タブレット、またはタッチパネルなどが挙げられる。
As shown in FIG. 21, the input/
Examples of the input unit 282 include a keyboard, a mouse as a pointing device, a track pad, a tablet, or a touch panel.
出力部２８４は例えば、画像や音声、帳票などを出力するための装置である。
出力部２８４として例えば、ディスプレイ（液晶ディスプレイや有機ＥＬディスプレイ）などの表示装置や、スピーカなどの音声出力装置、プリンタなどの帳票出力装置が挙げられる。
便宜上、受検者端末２０の出力部２８４のうち、画像等を表示する表示部を表示部２８４ａとする。
The output unit 284 is, for example, a device for outputting images, audio, forms, and the like.
Examples of the output unit 284 include a display device such as a display (liquid crystal display or organic EL display), an audio output device such as a speaker, and a form output device such as a printer.
For convenience, a display section of the output section 284 of the
受検者端末２０がスマートフォンなどの場合、入力部２８２は、タッチスクリーンなど、画像などを表示する表示部（表示部２８４ａ）の表面に配置される。この場合、入力部２８２は、表示部２８４ａに表示される各種操作キーに対応した、ユーザのタッチ位置を特定し、当該操作キーの入力を受け付ける。
When the
＜管理者端末３０＞
管理者端末３０は、サーバ１０の管理のために用いられる端末である。本実施形態において、管理者端末３０はデスクトップＰＣである。管理者端末３０は、例えば運転適性検査を提供する検査機関（自動車学校など）に設置される。
<
The
管理者端末３０は、制御部、記憶部、通信制御部、入力部、および出力部を備える。ハードウェア構成図やすでに説明済みの項目の説明については省略する。
管理者端末３０の制御部は、受検者端末２０の制御部２２同様、運転適性検査システム１を利用するためのソフトウェア（アプリケーションソフトウェア）を備える。
The
Like the
管理者は管理者端末３０により、サーバ１０の管理のほか、サーバ１０が保有するデータにアクセスし、統計情報を取得することなどもできる。そのため、管理者端末３０は運転適性検査システム１について、受検者端末２０よりも高度なアクセス権限を有する。
上述したＵＩについても、管理者端末３０に対してのみ表示されるＵＩがあってもよい。その場合、サーバ１０は、データへのアクセスが管理者端末３０からであることを認識し、管理者端末３０用のデータを送信する。
Using the
Regarding the above-mentioned UI, there may also be a UI that is displayed only to the
以上のような構成により、運転適性検査の問題等はサーバ１０の記憶部１４（データ格納部１４ｂ）に記憶されるため、受検者端末２０とは隔離される。
この点、本実施形態の運転適性検査システム１では、受検者端末２０には運転適性検査の問題が表示されるのみであるため、紙ベースの運転適性検査のように問題用紙を回収等するが必要なく、問題用紙の管理の手間を省くことができる。
また、受検者情報をサーバ１０の特に秘匿性の高い領域に格納することで、受検者端末２０から個人情報が流出するなどのリスクを低減できるメリットがある。
With the above-described configuration, the questions and the like of the driving aptitude test are stored in the storage unit 14 (
In this regard, in the driving
Further, by storing the test taker information in a particularly highly confidential area of the
また、従来の紙ベースの運転適性検査と異なり、本実施形態の運転適性検査システム１は、問題の変更が容易というメリットがある。これにより、最新の心理学の研究成果などを応用した検査を取り入れやすいという利点がある。
例えば問題の切り替えについて、紙ベースの運転適性検査は、検査用紙を発行する必要上、古い検査用紙と新しい検査用紙が併存し得る。よって、新しい問題の細かい期間でアップデートし、切り替えることは困難である。一方、本実施形態の運転適性検査システム１では、場所や日時を問わず、問題のアップデートを短時間で一斉に行うことができる。
Furthermore, unlike conventional paper-based driving aptitude tests, the driving
For example, regarding question switching, in paper-based driving aptitude tests, old test forms and new test forms may coexist due to the need to issue test forms. Therefore, it is difficult to update and switch over a detailed period for new problems. On the other hand, in the driving
（変形例）
本発明は上述の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において、上述の実施形態に種々の変更を加えたものを含む。
(Modified example)
The present invention is not limited to the above-described embodiments, but includes various modifications to the above-described embodiments without departing from the spirit of the present invention.
（ログイン認証の変形例）
例えば、上述した実施形態において、受検者は、企業コード、メールアドレス、およびパスワードを入力して受検システムにログインしていた。
このログイン認証に用いる入力情報の組み合わせはこれに限られない。例えば、受検者ＩＤとパスワードで認証してもよい。この場合、メールアドレスを持たない受検者であってもログインが可能となる。
(Modified example of login authentication)
For example, in the embodiment described above, the test taker logs into the test taking system by entering a company code, email address, and password.
The combination of input information used for this login authentication is not limited to this. For example, the test taker ID and password may be used for authentication. In this case, even test takers who do not have an email address can log in.
また、本実施形態において認証手段はパスワード（知識認証）を用いていたが、これに限られない。例えば、受検者が使用する端末による所有物認証や、生体認証によりログインできるようにしてもよい。
所有物認証であれば、例えばＩＣカードやワンタイムパスワード、ＳＭＳ（ショートメッセージサービス）を用いた認証などが挙げられる。
また、生体認証の場合、指紋認証装置による認証などが挙げられる。この場合、受検者端末２０に入力部２８２として指紋認証装置を接続する。
Furthermore, although a password (knowledge authentication) is used as the authentication means in this embodiment, the present invention is not limited to this. For example, the test taker may be able to log in using property authentication using a terminal used by the test taker or biometric authentication.
Examples of property authentication include authentication using an IC card, one-time password, and SMS (Short Message Service).
Further, in the case of biometric authentication, authentication using a fingerprint authentication device, etc. can be cited. In this case, a fingerprint authentication device is connected to the
（入力方式の変形例）
上述した実施形態では、受検者の入力は主にボタン押下などの選択入力であった。しかしこれに限られるものではなく、受検者の解答（解答入力）は、問題に形式に応じて種々の形式を取り得る。
例えばワーキングメモリー問題の計算問題において、解答入力は、受検者端末２０に付属するキーボードやテンキーなどの入力装置によるものや、タッチペンを用いた筆記入力を採用することなどが挙げられる。
(Modified example of input method)
In the embodiment described above, the test taker's inputs were mainly selection inputs such as button presses. However, the test taker's answers (answer input) are not limited to this, and can take various forms depending on the format of the question.
For example, in calculation questions such as working memory questions, answers may be input using an input device such as a keyboard or numeric keypad attached to the test taker's terminal 20, or by writing using a touch pen.
（制限時間表示の変形例）
上述した実施形態のユーザーインターフェースでは省略していたが、各検査問題において、画面上に残り時間を表示するようにしてもよい。解答時における受検者の時間管理が容易になるという利点がある。
また、表示方式はバーグラフで表示するもの（図７参照）のほか、円グラフなどの各種グラフや、数値（例えば、「残り時間○○秒」、「残り時間１：２０」、「経過時間５：２５（解答時間１０：００）」など）などで表示するものであってもよい。
(Modified example of time limit display)
Although omitted in the user interface of the embodiment described above, the remaining time may be displayed on the screen for each test question. This has the advantage of making it easier for test takers to manage their time when answering questions.
In addition to bar graphs (see Figure 7), display methods include various graphs such as pie charts, and numerical values (for example, "Remaining time XX seconds", "Remaining time 1:20", "Elapsed time"). 5:25 (answer time 10:00), etc.).
（検査問題出題処理の変形例）
上述の実施形態において、検査問題出題処理で出題される問題は、プロセッサ１２２が検査問題データベースＤ１０からランダムに問題を選択して出題する。ただしこれに限られるものではなく、出題される一部の問題またはすべての問題が固定であってもよい。
すべての問題が固定である場合、各受検者に対して同一の問題を出題することで、極めて信頼度の高い統計データが取得できるという利点がある。
一方、ランダムに問題を出題する場合、出題と実際の運転傾向を見ながら、運転適性検査システムを動的に改良できるほか、心理学等の研究結果を踏まえて問題を改良することができるといった利点がある。
(Variation example of examination question processing)
In the above-described embodiment, the
If all questions are fixed, the advantage is that extremely reliable statistical data can be obtained by asking each test taker the same questions.
On the other hand, when questions are asked randomly, the driving aptitude test system can be dynamically improved by looking at the questions asked and actual driving trends, and the questions can also be improved based on research results such as psychology. There is.
（認知地図問題における変形例）
上述した実施形態において、プロセッサ１２２は、問題文のほか、正面視図（イラスト）ＵＩ－１８２ａと、上面視図（地図）ＵＩ－１８２ｂと、解答選択肢ＵＩ－１６２を１つの画面に同時に表示していた。
しかしこれに限られるものではなく、受検者の操作により正面視図と上面視図を切り替えられるようにしてもよい。スマートフォンなどの画面の場合、ある程度解像度が必要な２つの図を同時に表示するのは困難なためである。
また、上面視図（地図）が画面に映り切らない場合、地図をスクロール表示できるようにしてもよい。
(Variation example of cognitive map problem)
In the embodiment described above, the
However, the present invention is not limited to this, and the test taker may be able to switch between the front view and the top view through an operation. This is because it is difficult to display two diagrams that require a certain level of resolution at the same time on a smartphone screen.
Further, when the top view (map) does not completely appear on the screen, the map may be scroll-displayed.
また、上述した実施形態において、上面視図（地図）は真上から見た図、いわゆる俯瞰図であったが、これに限られるものではなく、斜め上から見た図、いわゆる鳥瞰図であってもよい。
俯瞰図は、地図平面の法線上から法線に沿って真下に地図を見ているといえる。これを地図平面と視線の角度（見下ろす角度）で表すと、上述した俯瞰図は視線の角度が９０度といえる。
斜め上からみた図について定量化すると、視線の角度は３０度以上９０度以下が好ましい。３０度未満だと俯瞰図として見づらくなり、また正面視（角度で表すと０度）とあまり変わらなくなるためである。
Furthermore, in the above-described embodiment, the top view (map) is a view viewed from directly above, a so-called bird's-eye view, but is not limited to this, and may be a view viewed diagonally from above, a so-called bird's-eye view. Good too.
An overhead view can be said to be viewed from above the normal line of the map plane directly below along the normal line. Expressing this in terms of the angle of the line of sight (the angle of looking down) with respect to the map plane, it can be said that the above-mentioned bird's-eye view has a line of sight angle of 90 degrees.
When quantifying a diagram viewed diagonally from above, the angle of line of sight is preferably 30 degrees or more and 90 degrees or less. This is because if it is less than 30 degrees, it will be difficult to see as an overhead view, and it will not be much different from a front view (expressed as an angle of 0 degrees).
本実施形態を含む発明は、換言すると以下の特徴を備える。下記は本願出願時における特許請求の範囲と対応する。ただし、出願後における特許請求の範囲の補正により、当該補正後の特許請求の範囲の記載とは異なる場合がある。
（１）第１の発明は、コンピュータを、認知機能を測る検査問題を出題する検査問題出題手段、前記検査問題において受検者の解答入力を受け付ける解答入力受付手段、前記解答入力の制限時間を計時する制限時間計時手段、前記検査問題について受検者の得点を取得する得点取得手段、
記憶部にあらかじめ格納されている統計処理用データを用いて前記受検者の得点を統計処理し、換算後得点を算出する得点換算手段、および、
前記換算後得点を用いて、少なくとも１以上の運転適性検査項目について評価値を算出する評価値算出手段、として機能させ、
前記統計処理は、標準化または正規化であることを特徴とする、受検者の運転適性を検査するための運転適性検査プログラムを提供する。
（２）第２の発明は、前記認知機能を測る検査問題は、（１）上面視図である地図と、前記上面視図の所定位置における正面視に対応する正面視図と、前記所定位置に対応する選択肢を含む複数の選択肢とを表示し、前記所定位置に対応する選択肢を受検者に解答させる認知地図問題、（２）受検者に記憶させる記憶対象を表示した後、少なくとも２以上の計算問題を出題し、前記計算問題の出題後に、受検者に前記記憶対象を入力させる解答入力欄を表示するワーキングメモリー問題、または、（３）ある一定の関係にある少なくとも２以上の見本要素を備える見本と、各要素が各見本要素と同じ関係にある選択肢を含む複数の選択肢とを表示し、各要素が各見本要素と同じ関係にある選択肢を受検者に解答させる概念認知問題、のいずれかであることを特徴とする、請求項１に記載の運転適性検査プログラムを提供する。
この場合、まず、認知地図問題を含むことで、運転適性評価項目のうち多くの項目を測定することができる。認知地図問題の結果（得点、標準化得点）は、多くの項目に寄与するためである。そのほか、さらにワーキングメモリー問題、概念認知問題をさらに検査問題として含むことにより、受検者の認知機能（ひいては運転適性）をより多面的に、正確に評価することができるという利点がある。検査問題の種類は、多いほど好ましい。
（３）第３の発明は、さらに、少なくとも受検者の運転特徴を含む受検者情報を登録する受検者情報登録手段、
前記受検者の得点を少なくとも含む運転適性検査結果と、前記受検者情報とを学習データとして学習する運転特徴学習手段、および、
受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力する運転特徴推論手段、を備えることを特徴とする、請求項１または２に記載の運転適性検査プログラムを提供する。
この場合、さらに運転特徴機械学習手段を備えることで、運転適性検査にとどまらず、受検者に対し、ビッグデータを利用した運転特徴の予測という付加価値を与えることができるという利点がある。
（４）第４の発明は、学習済み機械学習モデルであって、少なくとも受検者の運転特徴を含む受検者情報と、
認知機能を測る検査問題における前記受検者の得点を、記憶部にあらかじめ格納されている平均値および標準偏差を用いて標準化し、当該標準化による標準化得点を用いて算出する運転適性評価項目の評価値と、を学習データとし、
認知機能を測る検査問題における受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力するようコンピュータを機能させるための、学習済み機械学習モデルを提供する。
（５）第５の発明は、制御部及び記憶部を備えるコンピュータに用いられるデータ構造であって、前記データ構造はデータ要素として、（１）少なくとも受検者の運転特徴を含む受検者情報、（２）認知機能を測る検査問題、（３）前記検査問題における前記受検者の得点、（４）前記得点を統計処理することにより算出する換算後得点、および、（５）前記換算後得点より算出する運転適性評価項目の評価値、を含み、
認知機能を測る検査問題における受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力する、運転特徴機械学習処理に用いられることを特徴とするデータ構造を提供する。
（６）第６の発明は、学習済み機械学習モデルであって、少なくとも、（１）運転適性評価項目を直接的に測定する手段による評価、（２）認知機能を測る検査問題における前記受検者の得点を、記憶部にあらかじめ格納されている平均値および標準偏差を用いて標準化し、当該標準化による標準化得点を用いて算出する運転適性評価項目の評価値、および、（３）前記標準化得点から運転適性評価項目の評価値を算出する式に用いる評価値算出用係数、を学習データとして、
前記式による評価値を、運転適性評価項目を直接的に測定する手段による評価に近づける評価値算出用係数を導出し、
運転適性検査の検査問題に対する受検者の標準化得点を入力データとして、運転適性評価項目の評価について定量化した値を出力するようにコンピュータを機能させるための、学習済み機械学習モデルを提供する。
この場合、ほかの運転適性評価方法による結果のデータも取り込むことにより、標準化得点から評価値を算出する式を改善し、運転適性検査の精度を高められるという利点がある。
In other words, the invention including this embodiment has the following features. The following corresponds to the scope of claims as of the filing of this application. However, due to amendments to the scope of claims after filing, the description of the scope of claims may differ from the amended scope of claims.
(1) A first invention comprises a computer, a test question asking means for asking a test question to measure cognitive function, an answer input receiving means for receiving an answer input from a test taker for the test question, and a time limit for inputting the answer. means for measuring a time limit for the examination; score obtaining means for obtaining the score of the test taker on the test questions;
score conversion means for statistically processing the test taker's score using statistical processing data stored in advance in a storage unit and calculating a converted score;
functioning as an evaluation value calculation means for calculating an evaluation value for at least one or more driving aptitude test items using the converted score,
The present invention provides a driving aptitude test program for testing a test taker's driving aptitude, characterized in that the statistical processing is standardization or normalization.
(2) In the second invention, the test question for measuring the cognitive function includes (1) a map that is a top view, a front view corresponding to a front view at a predetermined position of the top view, and a front view at the predetermined position. (2) After displaying a memorization target for the test taker to memorize, a cognitive map question that displays a plurality of choices including an option corresponding to the predetermined position and asks the test taker to answer the option corresponding to the predetermined position; A working memory question in which a calculation problem is asked and, after the calculation problem is asked, an answer input field is displayed for the test taker to input the memorized object, or (3) at least two or more sample elements in a certain relationship are displayed. A conceptual recognition question that displays a prepared sample and a plurality of options including options in which each element has the same relationship with each sample element, and asks the test taker to answer the option in which each element has the same relationship with each sample element. There is provided a driving aptitude test program according to
In this case, first, by including the cognitive map problem, many items among the driving aptitude evaluation items can be measured. This is because the results of cognitive map problems (scores, standardized scores) contribute to many items. In addition, by including working memory questions and conceptual recognition questions as test questions, there is the advantage that the test taker's cognitive function (and by extension, driving aptitude) can be evaluated more accurately and from multiple angles. The more types of test questions there are, the better.
(3) The third invention further includes a test taker information registration means for registering test taker information including at least driving characteristics of the test taker;
Driving characteristic learning means for learning a driving aptitude test result including at least a score of the test taker and the test taker information as learning data;
3. The driving characteristic inference means according to
In this case, by further providing a driving characteristic machine learning means, there is an advantage that it is possible to provide not only a driving aptitude test but also an added value of predicting driving characteristics using big data to test takers.
(4) The fourth invention is a trained machine learning model, which includes test taker information including at least driving characteristics of the test taker;
An evaluation value of a driving aptitude evaluation item that is calculated by standardizing the test taker's score on a test question that measures cognitive function using an average value and standard deviation stored in advance in a storage unit, and using the standardized score resulting from the standardization. Let and be the learning data,
A trained machine learning model that uses the driving aptitude test results as input data, including at least the test taker's scores on test questions that measure cognitive function, to make the computer function to output quantified values for the test taker's driving characteristics. provide.
(5) A fifth invention is a data structure used in a computer including a control unit and a storage unit, wherein the data structure includes, as data elements, (1) test taker information including at least driving characteristics of the test taker; 2) a test question that measures cognitive function; (3) the test taker's score on the test question; (4) a converted score calculated by statistically processing the score; and (5) calculated from the converted score. including the evaluation value of the driving aptitude evaluation item,
It is characterized in that it is used in a driving characteristic machine learning process that outputs a quantified value of the driving characteristics of the test taker using the driving aptitude test results, which include at least the test taker's score on test questions that measure cognitive function, as input data. Provide data structures.
(6) The sixth invention is a trained machine learning model, which includes at least (1) evaluation by means of directly measuring driving aptitude evaluation items, and (2) test questions for measuring cognitive function of the test taker. (3) An evaluation value of the driving aptitude evaluation item calculated using the standardized score obtained by standardizing the score using the average value and standard deviation stored in advance in the storage unit, and (3) the standardized score. The evaluation value calculation coefficient used in the formula for calculating the evaluation value of the driving aptitude evaluation item is used as learning data,
Derive an evaluation value calculation coefficient that brings the evaluation value according to the above formula closer to the evaluation by means of directly measuring the driving aptitude evaluation items,
A trained machine learning model is provided for making a computer function so as to output a quantified value for the evaluation of driving aptitude evaluation items, using the standardized scores of test takers for driving aptitude test questions as input data.
In this case, there is an advantage that by incorporating data from results from other driving aptitude evaluation methods, the formula for calculating evaluation values from standardized scores can be improved and the accuracy of the driving aptitude test can be increased.
知能・知覚心理学の分野の中では比較的新しい「認知」の考え方を取り込んだ運転適性検査システム１により、運転適性検査の精度がより向上することが期待できる。
また、運転適性検査システム１で蓄積するビッグデータを活用することで、運転適性検査システムそのものの改善のほか、自動車事故などの傾向分析を行う用途に適応し得る。これにより、自動車事故を低減する、安心・安全な社会の実現に貢献する。
Driving
Furthermore, by utilizing the big data accumulated by the driving
１ 運転適性検査システム
１０ サーバ
１２ 制御部
１２２ プロセッサ
１２４ ＲＯＭ
１２６ ＲＡＭ
１２８ 計時部
１３０ 運転適性検査部
１４ 記憶部
１４ａ プログラム格納部
１４ｂ データ格納部
１６ 通信制御部
２０ 受検者端末
２２ 制御部
２４ 記憶部
２６ 通信制御部
２８ 入出力部
２８２ 入力部
２８４ 出力部
２８４ａ 表示部
３０ 管理者端末
ＵＩ－１ ブラウザ
ＵＩ－１０ 画面要素
ＵＩ－１２ テキストボックス
ＵＩ－１２２ 数値入力部
ＵＩ－１４ カーソル
ＵＩ－１６ ボタン
ＵＩ－１６２ 解答選択肢
ＵＩ－１６４ 数字ボタン
ＵＩ－１８ 画像
ＵＩ－１８２ 問題画像
ＵＩ－１８２ａ 正面視図（イラスト）
ＵＩ－１８２ｂ 上面視図（地図）
ＵＩ－１８４ 計算問題画像
ＵＩ－１８６ 例示画像
ＵＩ－２０ 記憶対象表示部
ＵＩ－２２ 残り時間表示部
Ｐ１ 運転適性検査プログラム
Ｐ１２ 受検者情報登録プログラム
Ｐ１４ 検査問題出題プログラム
Ｐ１４２ 解答入力受付プログラム
Ｐ１４４ 導入プログラム
Ｐ１４６ 認知地図問題出題プログラム
Ｐ１４８ ワーキングメモリー問題出題プログラム
Ｐ１５０ 概念認知問題出題プログラム
Ｐ１６ 認知機能評価プログラム
Ｐ２０ 機械学習モデル
Ｐ２２ 運転特徴機械学習モデル
Ｐ２４ 係数調整用学習モデル
Ｄ１ 運転適性検査データベース
Ｄ１０ 検査問題データベース
Ｄ１０２ 認知地図問題データベース
Ｄ１０４ ワーキングメモリー問題データベース
Ｄ１０６ 概念認知問題データベース
Ｄ１２ コメントデータベース
Ｄ２０ 受検者情報データベース
Ｄ２２ 検査結果データベース
Ｄ３０ 管理者情報データベース
1 Driving
126 RAM
128 Timing section 130 Driving
UI-182b top view (map)
UI-184 Calculation problem image UI-186 Example image UI-20 Memory target display section UI-22 Remaining time display section P1 Driving aptitude test program P12 Test taker information registration program P14 Test question assignment program P142 Answer input reception program P144 Introduction program P146 Cognitive map question question program P148 Working memory question question program P150 Concept recognition question question program P16 Cognitive function evaluation program P20 Machine learning model P22 Driving characteristics machine learning model P24 Coefficient adjustment learning model D1 Driving aptitude test database D10 Test question database D102 Cognitive map Problem database D104 Working memory problem database D106 Concept recognition problem database D12 Comment database D20 Test taker information database D22 Test result database D30 Administrator information database
Claims (3)
認知機能を測る少なくとも２種類以上の検査問題を出題する検査問題出題手段、
前記検査問題について受検者の解答入力を受け付ける解答入力受付手段、
前記解答入力の制限時間を計時する制限時間計時手段、
前記検査問題について受検者の得点を取得する得点取得手段、
記憶部にあらかじめ格納されている統計処理用データを用いて前記受検者の得点を統計処理し、換算後得点を算出する得点換算手段、および、
前記少なくとも２種類以上の検査問題のそれぞれの換算後得点に評価値算出用係数をかけたもの、の総和を用いることにより、少なくとも２以上の運転適性検査項目について評価値を算出する評価値算出手段、
として機能させ、
前記少なくとも２種類以上の検査問題が、
（１）上面視図である地図と、前記上面視図の所定位置における正面視に対応する正面視図と、前記所定位置に対応する選択肢を含む複数の選択肢と、を表示し、前記所定位置に対応する選択肢を受検者に解答させる認知地図問題、および、
（２）ある一定の関係にある少なくとも２以上の見本要素を備える見本と、各要素が各見本要素と同じ関係にある選択肢を含む複数の選択肢とを表示し、各要素が各見本要素と同じ関係にある選択肢を受検者に解答させる概念認知問題、を含み、
前記統計処理は、標準化または正規化であり、
前記少なくとも２以上の運転適性検査項目が、集中の持続、および、細かい点に気づく力、を含むことを特徴とする、
受検者の運転適性を検査するための運転適性検査プログラム。 computer,
A test question asking means that asks at least two or more types of test questions that measure cognitive function;
answer input receiving means for receiving an answer input from a test taker regarding the test question;
time limit timing means for timing the time limit for inputting the answer;
score acquisition means for acquiring the test taker's score on the test questions;
score conversion means for statistically processing the test taker's score using statistical processing data stored in advance in a storage unit and calculating a converted score;
Evaluation value calculation means for calculating evaluation values for at least two or more driving aptitude test items by using the sum of the converted scores of the at least two or more types of test questions multiplied by evaluation value calculation coefficients. ,
function as
The at least two or more types of test questions are
(1) Displaying a map that is a top view, a front view corresponding to a front view at a predetermined position of the top view, and a plurality of options including an option corresponding to the predetermined position, and displaying a map at the predetermined position. Cognitive map questions that require test takers to answer options corresponding to
(2) Displaying a sample with at least two or more sample elements in a certain relationship, and multiple options including options in which each element has the same relationship with each sample element, and each element is the same as each sample element. conceptual recognition questions that require test takers to answer related choices;
The statistical processing is standardization or normalization,
The at least two or more driving aptitude test items include sustained concentration and the ability to notice small details ,
A driving aptitude test program to test test takers' driving aptitude.
前記受検者の得点を少なくとも含む運転適性検査結果と、前記受検者情報とを学習データとして学習する運転特徴学習手段、および、
受検者の得点を少なくとも含む運転適性検査結果を入力データとして当該受検者の運転特徴について定量化した値を出力する運転特徴推論手段、
を備えることを特徴とする、請求項１に記載の運転適性検査プログラム。 Further, a test taker information registration means for registering test taker information including at least driving characteristics of the test taker;
Driving characteristic learning means for learning a driving aptitude test result including at least a score of the test taker and the test taker information as learning data;
Driving characteristic inference means for outputting a quantified value of the driving characteristics of the test taker using the driving aptitude test results including at least the test taker's score as input data;
The driving aptitude test program according to claim 1, comprising:
受検者の運転特徴と、認知機能を測る少なくとも２種類以上の検査問題における受検者の得点と、を学習データとして、
前記少なくとも２種類以上の検査問題における受検者の得点を、記憶部にあらかじめ格納されている統計処理用データにより統計処理して得るそれぞれの換算後得点に、評価値算出用係数をかけたものの総和を用いて算出する、少なくとも２以上の運転適性検査項目についての評価値と、前記運転特徴との関係を学習し、
認知機能を測る少なくとも２種類以上の検査問題における受検者の得点を入力データとして、当該得点を、記憶部にあらかじめ格納されている統計処理用データにより統計処理して得るそれぞれの換算後得点に、評価値算出用係数をかけたものの総和を用いて算出する、少なくとも２以上の運転適性検査項目についての評価値を算出することで、当該受検者の運転特徴について定量化した値を出力するようコンピュータを機能させ、
前記少なくとも２種類以上の検査問題が、
（１）上面視図である地図と、前記上面視図の所定位置における正面視に対応する正面視図と、前記所定位置に対応する選択肢を含む複数の選択肢と、を表示し、前記所定位置に対応する選択肢を受検者に解答させる認知地図問題、および、
（２）ある一定の関係にある少なくとも２以上の見本要素を備える見本と、各要素が各見本要素と同じ関係にある選択肢を含む複数の選択肢とを表示し、各要素が各見本要素と同じ関係にある選択肢を受検者に解答させる概念認知問題、を含み、
前記少なくとも２以上の運転適性検査項目が、集中の持続、および、細かい点に気づく力、を含むことを特徴とする、学習済み機械学習モデル。 A trained machine learning model,
The test taker's driving characteristics and the test taker's scores on at least two types of test questions that measure cognitive function are used as learning data.
The total sum of the respective converted scores obtained by statistically processing the test taker's scores on the at least two or more types of test questions using statistical processing data stored in advance in the storage unit, multiplied by an evaluation value calculation coefficient. learning the relationship between the evaluation values for at least two or more driving aptitude test items calculated using the above-mentioned driving characteristics,
Using the test taker's scores on at least two or more types of test questions that measure cognitive function as input data, the scores are statistically processed using statistical processing data stored in advance in the storage unit to obtain respective converted scores, The computer outputs a quantified value for the test taker's driving characteristics by calculating the evaluation value for at least two or more driving aptitude test items, which is calculated using the sum of the coefficients multiplied by the evaluation value calculation coefficient. function ,
The at least two or more types of test questions are
(1) Displaying a map that is a top view, a front view corresponding to a front view at a predetermined position of the top view, and a plurality of options including an option corresponding to the predetermined position, and displaying a map at the predetermined position. Cognitive map questions that require test takers to answer options corresponding to
(2) Displaying a sample with at least two or more sample elements in a certain relationship, and multiple options including options in which each element has the same relationship with each sample element, and each element is the same as each sample element. conceptual recognition questions that require test takers to answer related choices;
A trained machine learning model , wherein the at least two or more driving aptitude test items include persistence of concentration and ability to notice small points.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023049489A JP7372716B1 (en) | 2023-03-27 | 2023-03-27 | Driving aptitude test program, driving aptitude test system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023049489A JP7372716B1 (en) | 2023-03-27 | 2023-03-27 | Driving aptitude test program, driving aptitude test system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP7372716B1 true JP7372716B1 (en) | 2023-11-01 |
Family
ID=88509995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023049489A Active JP7372716B1 (en) | 2023-03-27 | 2023-03-27 | Driving aptitude test program, driving aptitude test system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7372716B1 (en) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006158421A (en) * | 2004-12-02 | 2006-06-22 | Hq Research Japan:Kk | Cerebral function measuring system and method, and computer program |
| CN101756705A (en) * | 2008-11-14 | 2010-06-30 | 北京宣爱智能模拟技术有限公司 | System and method for testing driving accident proneness |
| KR20140133412A (en) * | 2013-05-09 | 2014-11-19 | 서울대학교산학협력단 | System and Method for Memory Tests |
| JP2015141536A (en) * | 2014-01-28 | 2015-08-03 | 公立大学法人高知工科大学 | Safe travel support system |
| WO2018131542A1 (en) * | 2017-01-10 | 2018-07-19 | 公益財団法人ヒューマンサイエンス振興財団 | Cognitive function evaluation system |
| WO2019150916A1 (en) * | 2018-02-02 | 2019-08-08 | 株式会社アルム | Driving aptitude test device and driving aptitude determination system |
| JP2020028319A (en) * | 2018-08-20 | 2020-02-27 | 日本テクトシステムズ株式会社 | Recognition function test progress management system, method and program |
| JP2022072024A (en) * | 2020-10-29 | 2022-05-17 | グローリー株式会社 | Cognitive function determination device, cognitive function determination system, learning model generation device, cognitive function determination method, learning model manufacturing method, learned model, and program |
-
2023
- 2023-03-27 JP JP2023049489A patent/JP7372716B1/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006158421A (en) * | 2004-12-02 | 2006-06-22 | Hq Research Japan:Kk | Cerebral function measuring system and method, and computer program |
| CN101756705A (en) * | 2008-11-14 | 2010-06-30 | 北京宣爱智能模拟技术有限公司 | System and method for testing driving accident proneness |
| KR20140133412A (en) * | 2013-05-09 | 2014-11-19 | 서울대학교산학협력단 | System and Method for Memory Tests |
| JP2015141536A (en) * | 2014-01-28 | 2015-08-03 | 公立大学法人高知工科大学 | Safe travel support system |
| WO2018131542A1 (en) * | 2017-01-10 | 2018-07-19 | 公益財団法人ヒューマンサイエンス振興財団 | Cognitive function evaluation system |
| WO2019150916A1 (en) * | 2018-02-02 | 2019-08-08 | 株式会社アルム | Driving aptitude test device and driving aptitude determination system |
| JP2020028319A (en) * | 2018-08-20 | 2020-02-27 | 日本テクトシステムズ株式会社 | Recognition function test progress management system, method and program |
| JP2022072024A (en) * | 2020-10-29 | 2022-05-17 | グローリー株式会社 | Cognitive function determination device, cognitive function determination system, learning model generation device, cognitive function determination method, learning model manufacturing method, learned model, and program |
Non-Patent Citations (2)
| Title |
|---|
| 警視庁，「認知機能検査の採点方法」，［online］，2023年02月04日，インターネット＜URL： https://web.archive.org/web/20230204080108/https://www.npa.go.jp/policies/application/license_renewal/ninti/saiten_r03.html＞ |
| 警視庁: "「認知機能検査の採点方法」", ［ONLINE］, JPN6023020412, 4 February 2023 (2023-02-04), ISSN: 0005062145 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hossler et al. | A study of the use of nonacademic factors in holistic undergraduate admissions reviews | |
| Hochweber et al. | Gender differences in reading achievement and enjoyment of reading: The role of perceived teaching quality | |
| Simonsen et al. | Illinois statewide positive behavioral interventions and supports: Evolution and impact on student outcomes across years | |
| Cho et al. | Exploring online students’ self-regulated learning with self-reported surveys and log files: a data mining approach | |
| Green | The Delphi technique in educational research | |
| Dugdale et al. | A case study comparison of objective and subjective evaluation methods of physical qualities in youth soccer players | |
| Ellingson et al. | Understanding faking behavior through the lens of motivation: An application of VIE theory | |
| JP2020126684A (en) | Systems and methods for data-driven identification of talent | |
| Van Coillie et al. | Variability of operator performance in remote-sensing image interpretation: the importance of human and external factors | |
| Loveday et al. | An objective approach to identifying diagnostic expertise among power system controllers | |
| US20050096973A1 (en) | Automated life and career management services | |
| Brouwers et al. | The role of cue utilisation in reducing the workload in a train control task | |
| Tabak et al. | The importance of positive parenting in predicting adolescent mental health | |
| Raley et al. | The impact of the self-determined learning model of instruction on student self-determination in inclusive, secondary classrooms | |
| Sancho-Vinuesa et al. | Continuous activity with immediate feedback: A good strategy to guarantee student engagement with the course | |
| Lavilles Jr et al. | Teachers’ soft skills proficiency level and school performance of selected schools in Sultan Kudarat Division | |
| Weston et al. | A review of Butler and Hardy's (1992) performance profiling procedure within sport | |
| Bruhn et al. | Data-based decision making for social behavior: Setting a research agenda | |
| WO2011034381A2 (en) | Career-counseling system and method | |
| Waung et al. | The effects of video and paper resumes on assessments of personality, applied social skills, mental capability, and resume outcomes | |
| KR20160105286A (en) | Apparatus and method for diagnostic of internet overflow | |
| KR20160109575A (en) | Method and apparatus for job mentoring | |
| Guo et al. | Differential rapid responding across language and cultural groups | |
| Lemons et al. | Professional development and coaching: Addressing the “last mile” problem in educational research | |
| Préfontaine et al. | Assessment tools for reflection in healthcare learners: A scoping review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230327 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230327 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230519 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230620 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230804 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230919 |
|
| 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: 20231011 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231013 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7372716 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |