3.1 会議の構造化

実世界における会議（ここでは対面・同期式の会議）では、時系列に沿って会議が進行する。しかし、議論中の発言に着目すると、すべての発言が直前の発言を受けているわけではないように、会議を構成する発言・議論といった要素は必ずしも時系列で表現できるわけではない。そこで、会議内容を意味理解するためには、会議を構造化する必要がある。

本研究では会議の構造化とは会議を構成する要素、そしてその要素間の意味関係を明確にすることであると考える。つまり、会議のセグメンテーションを行い、各セグメントごとにリンクを付与することである。会議要素の切り分けや要素間の意味関係は、対象となる会議形態によって異なる。本研究で対象とする会議は、発表を中心とした会議とした。発表を中心とした会議、特にモデレータが発表資料としてスライドをプロジェクタに投影するような会議では、現在何を対象として議論がなされているかが明確にすることが容易なためである。

このような会議要素の抽出や意味関係の付与を自動的に行うのは困難である。そこでディスカッションマイニングという仕組みによって議論の構造化を半自動的に行う。

3.2 ディスカッションマイニング

会議支援や議事録作成の研究ではミーティングブラウザのように映像や音声の自動認識技術を用いることが多い。本研究で用いるディスカッションマイニングシステムでは、複数のカメラとマイクロフォンで議論の詳細な様子を記録するとともに会議参加者がブラウザベースのツールや、議論の構造化に必要なメタデータを入力するデバイスを用いて会議コンテンツを生成していく。ディスカッションマイニングシステムのイメージを図に示す。

図1: ディスカッションマイニングシステム

また本研究では発表者がMicrosoft PowerPointのスライドを用いて発表を行い、その内容に対して参加者が議論を行う会議を対象とする。スライドに含まれるテキスト内容やスライドを切り替えるタイミングなどは発表者が専用ツールを用いることによって自動的に記録される。また、会議中の発言は議論札と呼ばれる札型のデバイスを用いることで、発言者のIDと「導入(Start-up)」「継続(Follow-up)」という発言の種類、発言の開始時間、終了時間が入力される。具体的な発言内容は、書記が専用ツールを用いて記録を行う。また会議参加者はボタンデバイスによって、現在行われている議論に対する自身のスタンスを表明することができる。議論の記録はXMLとMPEG-4によるマルチメディア議事録としてデータベースに記録される。記録された内容は、Webブラウザを用いて検索・閲覧が可能となっている。

ディスカッションマイニングでは発言者の発言のタイプを議事録構造化の視点から、「導入」と「継続」の2つに大きく分類する。発言の持つ意味については多くの議論があるが、議論の構造化とは議論のセグメンテーションであると考えている。つまり、現在行っている発言が直前の発言（あるいはいくつか前の発言）を受けてなされるものなのか（継続）、それとも新しい話題の起点なのか（導入）が議事録理解に大きな影響を与えていると考える。

3.3 会議記録の利用

議論を構造的に閲覧するためには、発言と発言間の関係を明確にする必要がある。グラフビューでは構造化議事録の閲覧とともに、アノテーションによる発言間の関係付けを行うことができる。グラフビューを図に示す。

図2: 議事録グラフビュー

会議のより詳細な様子を把握するためには、実際の会議映像を効果的に提示するのが有効である。ディスカッションマイニングでは、詳細な議論閲覧のための視聴支援インタフェースが用意されている。視聴支援インタフェースを図に示す。

図3: 議事録視聴支援インタフェース

4.1 発言意図タグの決定

会議の発言に対し意図タグを付与することで、様々な目的に利用することができる。前述したように議論展開の抽出に用いることもできるし、働き掛けや応答のような、局所的な議論構造を調べることで対面式のコミュニケーションの特徴を明らかにすることや、構造の変化に伴うコミュニケーション効率の変化を明確にすることもできる。

利用する意図タグセットは、信頼性を高めるために標準化されたタグに基づいて作成されるべきである。当然利用する目的により意図タグは変化するものであるが、抽象度の高いタグを安定して付与できることが求められる。そこで本研究では、発話単位タグ標準化案を基に意図タグセットを作成した。発話単位タグ標準化案では、働き掛けやその働き掛けに対する応答といったやりとりを大きな分類とし、その下位分類として発話内行為を位置付けた1次元タグセットから構成されている。また、発話単位タグの安定性を向上する目的で、タグ付け作業を行うための決定木が用意されている。

そこで、会議情報として蓄積している4議事録に対し複数人でタグ付け作業を行い、発話単位タグの頻度分布を基に、本研究で利用する意図タグセットは以下のものとした。

• 未知情報要求

  話者が相手に何らかの値あるいは表現を応答として要求する発言

• 真偽情報要求

  話者が相手にYesまたはNoを応答として要求する発言

• 未知情報応答

  未知情報要求に対し、その値を返す発言

• 真偽情報応答

  真偽情報要求に対し、肯定あるいは否定する発言

• 応答要求に対し直接的に応答を返していない発言

  応答保留

• 話者が自分の持つ知識を述べる発言

  情報提示

• 話者が相手に行為を要求する発言

  示唆・提案

• 意見・希望

  話者が自分の持つ意見や希望を述べる発言

4.2 発言意図の分類

ディスカッションマイニングで蓄積された議事録数は370を超え、含まれる発言数も約14500に上る。この発言を前述の意図タグセットに分類することは人手では困難であるため、各発言の持つメタデータを属性として、機械学習アルゴリズムC4.5を用いて意図タグの推定を行い、人手で修正する方法を取った。

機械学習に用いる発言に関するメタデータとして、「発言者」「発言の種類(導入か継続か)」「直前の発言の種類」「発言時間」「キーワードの有無」などの情報が獲得できる。これらを属性とし、3議事録に対し人手で付与した意図タグを正解とした訓練例を作成し、意図タグの判別ルールを作成した。意図タグの判別ルールの例を以下に示す。

• 未知情報要求

  発言の種類＝導入、発言者＝発表者以外の参加者、キーワード＝有、発言時間＝短(20秒以内)

• 意見・希望

  発言の種類＝導入、発言者＝発表者以外の参加者、キーワード＝無、発言時間＝中程度(21秒-40秒)

判別ルールを適用した結果、複数の意図タグを含む発言の場合には該当する意図タグ全てを付与することにした。これは一つの発言であっても複数の意図が含まれる場合があるからである。例えば、未知情報要求の意図を持つ発言があった場合に、発言には呼応する未知情報応答とともに情報提示や意見・希望の意図を持つ場合もある。判別の精度は適合率が83％であった。判別した後、人手により意図タグの修正を行った。

4.3 発言意図に基づいた議論構造の抽出

ディスカッションマイニングでは、議論札によってそれぞれの発言に「導入」「継続」の情報が付与される。議論は導入発言から始まり、その発言に対して議論が継続されるなら継続発言が続いていく。この1つの導入発言とそれに付随する複数の継続発言をまとめて議論セグメントと呼び議論の単位とする。

次に、蓄積された20議事録対し議論展開の抽出を行い、頻出する議論展開や発言意図の共起頻度を調べた。頻度の高い10項目を表1に示す。

出現頻度の高い意図タグによる議論展開は、会議における議論の進め方の手本の一つになるだろう。つまり、頻出する議論展開は議論の文法であり、これに従った議論の進行はある一定の成果をもたらすと考えられる。逆にこの議論の文法から逸脱する展開の場合には、議論を発散させる恐れがあり、効果的な議論を阻害させる可能性がある。

議論展開の利用として、以下のようなことが考えられる。抽出された議論展開から、任意の議論間の類似性や差分を発見することができる。抽出した議論展開の比較（パターンマッチ）から類似する展開を持つ議論の発見を行ったり、同内容の議論の展開比較を行うことで議論差分を発見したりすることができる。

また、抽出された議論展開は、議論の特徴とすることができる。これによって議論の文法を定義することができると考えられ、また議論要約や一つの議事録の要約も行うことができる。例えば、質問とそれに対する回答が繰り返される、という議論パターンの場合は、質問→回答→質問→回答の繰り返し、という議論展開となる。ここに含まれる繰り返しパターンを省略することにより議論の要約が可能となる。