2022-002990

特願２０２１－ ２２８１「効率推定装置」拒絶査定不服審判事件〔令和 ３年 ９月１６日出願公開、特開２０２１－１４０１３９〕について、次のとおり審決する。

結 論 本件審判の請求は、成り立たない。

理 由 第１ 手続の経緯 本願は、令和３年１月８日に出願され、同年４月２３日付けで拒絶理由が通知され、同年６月２８日付けで意見書が提出されるとともに手続補正がなされ、同年１１月１７日付けで拒絶査定がなされ、これに対し、令和４年２月２８日付けで拒絶査定不服審判請求がされたものである。 その後、当審において、令和５年５月１６日付けで拒絶理由が通知され、同年７月２１日付けで意見書が提出されるとともに手続補正がされたものである。 第２ 本願発明 本願の請求項１ないし１０に係る発明（以下、それぞれ、「本願発明１」・・・「本願発明１０」といい、これらをまとめて「本願発明」という。）は、令和５年７月２１日付け手続補正による補正後の特許請求の範囲の、請求項１ないし１０に記載された以下の事項によって特定されるものと認められる。 「【請求項１】 対象者の効率を推定する効率推定装置であって、 前記対象者の生体情報を取得する生体情報取得部と、 物理モデルを用いて前記生体情報に基づいて前記対象者の効率を推定する推定部と、 を備え、 前記生体情報は、前記対象者の体温、体動、又は顔の向きの少なくとも１つを含む、効率推定装置。 【請求項２】 対象者（１０）の効率を推定する効率推定装置であって、 前記対象者の生体情報を取得する生体情報取得部（２０）と、 学習済モデル（４０）を有し、前記学習済モデルを用いて前記生体情報から前記対象者の効率を推定する推定部（３０）と、 を備え、 前記学習済モデルは、前記生体情報および前記対象者の効率を含む教師データセットによって学習されたものであり、 前記生体情報は、前記対象者の体温、体動、又は顔の向きの少なくとも１つを含む、効率推定装置（１００）。 【請求項３】 対象者の効率を推定する効率推定装置であって、 前記対象者の生体情報を取得する生体情報取得部と、 物理モデルを用いて前記生体情報に基づいて前記対象者の効率を推定する推定部と、 を備え、 前記生体情報は、生体現象または生体活動によって生じる生体信号に処理を加えた情報であり、眠気度合、覚醒度、集中度、又は疲労度の少なくとも１つを含み、 前記生体現象または生体活動によって生じる生体信号は、前記対象者の体温、体動、又は顔の向きである、 効率推定装置。 【請求項４】 対象者（１０）の効率を推定する効率推定装置であって、 前記対象者の生体情報を取得する生体情報取得部（２０）と、 学習済モデル（４０）を有し、前記学習済モデルを用いて前記生体情報から前記対象者の効率を推定する推定部（３０）と、 を備え、 前記学習済モデルは、前記生体情報および前記対象者の効率を含む教師データセットによって学習されたものであり、 前記生体情報は、生体現象または生体活動によって生じる生体信号に処理を加えた情報であり、眠気度合、覚醒度、集中度、又は疲労度の少なくとも１つを含み、 前記生体現象または生体活動によって生じる生体信号は、前記対象者の体温、体動、又は顔の向きである、効率推定装置（１００）。 【請求項５】 前記効率は、前記対象者の学習効率である、 請求項１から４のいずれかに記載の効率推定装置。 【請求項６】 前記学習効率は、前記対象者に行わせたテストの結果における前記対象者の正答率に基づく、 請求項５に記載の効率推定装置。 【請求項７】 前記学習効率は、前記対象者に行わせたテストの結果における前記対象者の回答時間に基づく、 請求項５に記載の効率推定装置。 【請求項８】 前記効率は、前記対象者の作業効率である、 請求項１から４のいずれかに記載の効率推定装置。 【請求項９】 前記作業効率は、前記対象者の作業精度に基づくものであり、 前記対象者の作業精度は、前記対象者の所定作業でのミスの発生の度合いを含む、 請求項８に記載の効率推定装置。 【請求項１０】 前記作業効率は、前記対象者の所定作業に要した作業時間に基づく、 請求項８に記載の効率推定装置。」 第３ 当審において通知した拒絶の理由 当審において令和５年５月１６日付けで通知した拒絶の理由は、次の理由を含むものである。 １．（実施可能要件）この出願は、発明の詳細な説明の記載が下記の点で、特許法第３６条第４項第１号に規定する要件を満たしていない。 記 ●理由１（実施可能要件）： ・請求項１ないし１１に係る発明の詳細な説明 第４ 当審の判断 事案に鑑み、当審において通知した拒絶の理由の理由１（実施可能要件）について、判断する。 １ 発明の詳細な説明の記載 本願明細書の発明の詳細な説明には、次の記載がある。 （１）第１実施形態について 「【００２０】 ＜第１実施形態＞ （１）効率推定装置の全体構成 本実施形態の効率推定装置１００を図１に示す。効率推定装置１００は、コンピュータにより実現されるものである。効率推定装置１００は、生体情報取得部２０と、推定部３０と、を備える。生体情報取得部２０は、対象者１０の生体情報を取得する。推定部３０は、学習済モデル４０を用いて対象者１０の生体情報から対象者１０の効率を推定する。 【００２１】 （２）効率推定装置の詳細構成 （２－１）生体情報取得部 生体情報取得部２０は、対象者１０の生体情報を取得する。生体情報は、対象者１０の視線に関する情報である。対象者１０の視線に関する情報は、対象者１０の視線の位置、視線の動き、又は視線の動く速度の少なくとも１つを含む。本実施形態では、生体情報取得部２０は、カメラを使って対象者１０の視線の位置を取得する。 【００２２】 （２－２）推定部 推定部３０は、学習済モデル４０を有し、学習済モデル４０を用いて生体情報から対象者１０の効率を推定する。推定部３０には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。推定部３０は、記憶装置（図示せず）に記憶されているプログラムを読み出し、このプログラムに従って所定の演算処理を行う。さらに、効率推定装置１００は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。 【００２３】 （２－３）学習済モデル （２－３－１）ネットワークアーキテクチャ 学習済モデル４０は、生体情報および対象者１０の効率を含む教師データセットによって学習されたものである。 【００２４】 本実施形態において、学習済モデル１０を用いて対象者１０の効率を予測（推定）するために、対象者１０の画面上の視線を使用する。次の式（１）を、画面上の位置（ｘＫ、ｙＫ）Ｔの連結とする。 ｐ∈Ｒ２×Ｋ （１） 【００２５】 式（１）について、対象者１０の画面上の視線の位置の数は試行ごとに異なる場合がある。Ｋは収集した視線座標のデータ数である。例えば、対象者１０の画面上の視線を１サンプル／秒で取得するカメラで１０秒間データを取る場合、Ｋ＝１０となる。 【００２６】 二項分類タスクは、効率的または非効率的であるかをラベルするためにｐをマップする関数を見つけることである。 【００２７】 本実施形態では、ディープニューラルネットワークを使用する。具体的には、Ｌ＝１、２、または３の畳み込み層を持つ畳み込みニューラルネットワークを使用し、各層には、活性化関数として非線形関数のＲｅＬＵ関数（ランプ関数）が続いている。最上位の畳み込み層からの出力は、時系列方向の次元を圧縮した特徴量を取得するために平均値または最大値を抽出することによってプーリングされて、活性化関数として非線形関数のｓｏｆｔｍａｘ関数を有する完全に接続された層に供給される。 【００２８】 畳み込み層が二層であるネットワークアーキテクチャの例を図２に示す。 【００２９】 まず、ネットワークアーキテクチャの入力は、次の式（２）に示すように、画面上のｘ座標の値、及びｙ座標の値である。 ｐ＝（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘＫ、ｙＫ） （２） 【００３０】 式（２）において、（ｘＫ、ｙＫ）は、ベクトルである。図２に示される二層のネットワークアーキテクチャでは、入力側（図２の下側）から複数の入力ベクトル（ｘ１、ｙ１）、（ｘ２、ｙ２）・・・が入力され、出力側（図２の上側）から対象者の効率が出力される。このネットワークアーキテクチャは、２つの層Ｌ１、Ｌ２から構成される。 【００３１】 第１畳み込み層Ｌ１に、入力ベクトル（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘＫ、ｙＫ）が入力される。第１畳み込み層Ｌ１では、対象者１０の視線の特徴量が抽出され、第１特徴量が出力される。 【００３２】 次に、第２畳み込み層Ｌ２に、第１畳み込み層Ｌ１からの第１特徴量が入力される。第２畳み込み層Ｌ２では、第１特徴量から対象者１０の視線の特徴量が抽出され、第２特徴量が出力される。 【００３３】 次に、プーリング層（mean/max pooling）に、第２畳み込み層Ｌ２からの第２特徴量が入力される。プーリング層では、第２特徴量（特徴マップ）の平均値または最大値を抽出することで圧縮される。 【００３４】 次に、全結合層に、プーリング層からの特徴ベクトルが入力される。全結合層の出力が出力層（図示せず）に入力される。全結合層の出力は、対象者１０の効率が、効率的であるか、又は非効率的であるかを示す。 【００３５】 （３）学習処理 効率推定装置１００が使用する学習済モデル４０について説明する。学習済モデル４０は、ニューラルネットワークに、あらかじめ生体情報および対象者の効率を含む教師データセットによって学習させた推定モデルを使用する。 【００３６】 学習処理において、視線に関する情報を測定するためのパソコンのカメラ（図示せず）と、テスト付きのｅ－ラーニングを準備する。ｅ－ラーニングを受講中の対象者の視線に関する情報を入力データとし、ｅ－ラーニング受講後のテストの正答率に相関のある情報を出力データとする教師データセットによって学習させる。 【００３７】 図３に学習データの一例を示す。この例ではｅ－ラーニングの受講中の対象者１０の画面上の視線が、コンテンツが表示されている画面上のどこに位置するかを記録したものを対象者の生体情報とする。図３に示すように、ｅ－ラーニング受講後のテストの正答率が、８０％の場合、対象者１０の視線の位置が「（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘｋ、ｙｋ）」であると記録された生体情報を入力とし、正答率の８０％を出力とする教師データセットによって学習させる。また、対象者１０の視線の位置が「（ｘ１’、ｙ１’）、（ｘ２’、ｙ２’）、・・・（ｘｌ’、ｙｌ’）」であると記録された生体情報を入力とし、正答率の９０％を出力とする教師データセットによって学習させる。また、対象者１０の視線の位置が「（ｘ１’ ’、ｙ１’ ’）、（ｘ２’ ’、ｙ２’ ’）、・・・（ｘｍ’ ’、ｙｍ’ ’）」であると記録された生体情報を入力とし、正答率の５０％を出力とする教師データセットによって学習させる。また、対象者１０の視線の位置が「（ｘ１’ ’ ’、ｙ１’ ’ ’）、（ｘ２’ ’ ’、ｙ２’ ’ ’）、・・・（ｘｎ’ ’ ’、ｙｎ’ ’ ’）」であると記録された生体情報を入力とし、正答率の４０％を出力とする教師データセットによって学習させる。 【００３８】 （４）学習効率 効率推定装置１００の対象者１０の効率は、学習効率である。学習効率は、対象者１０のテストの正答率に基づくものである。 【００３９】 学習効率のヒストグラムの例を図４に示す。横軸が対象者１０のテストの正答率であり、縦軸が対象者の人数である。図４に例示するように、学習データはクラスターＡとクラスターＢの２つのクラスターに分けられる。クラスターＡは、対象者１０のテストの正解率が８０パーセントをピークとする。クラスターＡは、対象者１０のテストの正答率が高く、学習効率が高いと推定される。クラスターＢは、対象者の１０のテストの正答率が４０パーセントをピークとする。クラスターＢは、対象者１０のテストの正答率が低く、学習効率が低いと推定される。 【００４０】 （５）効率推定装置１００の全体動作 効率推定装置１００のフローチャートを図５に示す。本実施形態では、効率推定装置１００をｅ－ランニングで使用する場合について説明する。 【００４１】 まずステップＳ１で、対象者１０がｅ－ラーニングを受講する。ｅ－ラーニングを受講中の対象者１０はカメラで撮影されている。生体情報取得部２０によってｅ－ラーニングを受講中の対象者１０の視線の位置を取得する（ステップＳ２）。推定部３０は、学習済モデル４０を用いて、対象者１０の視線の位置から、対象者１０にテストを行った場合の正答率を推定する（ステップＳ３）。次に、推定部３０は、ステップＳ３で推定した正答率をディスプレイ（図示せず）に出力する（ステップＳ４）。ディスプレイは、推定されたテストの正答率を表示する。 【００４２】 （６）特徴 （６－１） 本実施形態に係る効率推定装置１００では、対象者１０の効率を推定する効率推定装置１００であって、生体情報取得部２０と、推定部３０と、を備える。生体情報取得部２０は、対象者１０の生体情報を取得する。推定部３０は、学習済モデル４０を有し、学習済モデル４０を用いて生体情報から対象者１０の効率を推定する。学習済モデル４０は、生体情報および対象者１０の効率を含む教師データセットによって学習されたものである。 【００４３】 この効率推定装置１００では、生体情報および対象者１０の効率を含む教師データによって学習された学習済モデル４０を用いるようにしたので、対象者１０の生体情報に基づき、生産性の評価の指標となる、対象者１０の効率を推定することができる。 【００４４】 （６－２） 本実施形態に係る効率推定装置１００では、効率は、対象者１０の学習効率である。 【００４５】 この効率推定装置１００では、対象者１０の学習効率を推定するようにしたので、ｅ－ランニングを受講した対象者１０の学習効率を推定することができる。 【００４６】 （６－３） 本実施形態に係る効率推定装置１００では、学習効率は、対象者１０に行わせたテストの結果における対象者１０の正答率に基づく。 【００４７】 この効率推定装置１００では、学習効率を対象者１０に行わせたテストの結果における対象者１０の正答率に基づくものにしたので、ｅ－ランニングを受講している対象者１０の学習効率（推定された正答率）に応じて、ｅ－ラーニングのコンテンツを変更することができる。 【００４８】 （６－４） 本実施形態に係る効率推定装置１００では、対象者の視線に関する情報は、対象者の視線の位置、視線の動き、又は視線の動く速度の少なくとも１つを含む。 【００４９】 この効率推定装置１００では、対象者の視線に関する様々な情報を生体情報として用いることができる。」 （２）第１実施形態の変形例について 「【００５３】 （７－３）変形例１Ｃ 本実施形態において、効率推定装置１００の生体情報は、対象者１０の視線に関する情報である場合について説明したが、これに限るものではない。効率推定装置１００の生体情報は、対象者の脳波、心拍、体温、体動、表情、又は顔の向きの少なくとも１つを含むものとしてもよい。また、効率推定装置１００の生体情報は、生体現象または生体活動によって生じる生体信号に処理を加えた情報であり、眠気度合、覚醒度、集中度、又は疲労度の少なくとも１つを含むものとしてもよい。生体現象の例として、心拍、脳波、脈拍、呼吸、発汗等がある。また、生体活動の例として、表情、顔の向き、体の動き等がある。また、生体現象及び生体活動によって生じる生体信号には、脳波、心拍、体温、体動、表情、又は顔の向き等を含み、生体現象によって生じる生体信号の一部にはバイタルサインと呼ばれるものがある。 【００５４】 変形例１Ｃに係る効率推定装置では、生体情報は、対象者の視線に関する情報、脳波、心拍、体温、体動、表情、又は顔の向きの少なくとも１つを含むようにしたので、対象者の様々な生体情報から対象者の効率を推定することができる。また、変形例１Ｃに係る効率推定装置では、生体現象または生体活動によって生じる生体信号に処理を加えた情報であり、眠気度合、覚醒度、集中度、又は疲労度の少なくとも１つを含むようにしたので、生体から生体現象または生体活動によって生じる生体信号に限らず、生体現象または生体活動によって生じる生体信号に処理を加えた情報を生体情報として用いて、対象者の効率を推定することができる。 【００５５】 また、本実施形態において、生体情報取得部２０がカメラから対象者の生体情報を取得する場合について説明したが、生体センサから対象者の生体情報を取得するようにしてもよい。」 （３）第２実施形態について 「【００６８】 ＜第２実施形態＞ （１）効率推定装置の全体構成 本実施形態の効率推定装置２００を図７に示す。効率推定装置２００は、コンピュータにより実現されるものである。効率推定装置２００は、生体情報取得部２０と、推定部５０と、を備える。生体情報取得部２０は、対象者１０の生体情報を取得する。推定部５０は、物理モデル６０を用いて対象者１０の生体情報から対象者１０の効率を推定する。 【００６９】 （２）効率推定装置の詳細構成 （２－１）生体情報取得部 生体情報取得部２０は、対象者１０の生体情報を取得する。生体情報は、対象者１０の視線に関する情報である。対象者１０の視線に関する情報は、対象者１０の視線の位置、視線の動き、又は視線の動く速度の少なくとも１つを含む。本実施形態では、生体情報取得部２０は、カメラを使って対象者１０の視線の位置を取得する。 【００７０】 （２－２）推定部 推定部５０は、物理モデル６０を有し、物理モデル６０を用いて生体情報から対象者１０の効率を推定する。推定部５０には、ＣＰＵ又はＧＰＵといったプロセッサを使用できる。推定部５０は、記憶装置（図示せず）に記憶されているプログラムを読み出し、このプログラムに従って所定の演算処理を行う。さらに、効率推定装置２００は、プログラムに従って、演算結果を記憶装置に書き込んだり、記憶装置に記憶されている情報を読み出したりすることができる。記憶装置は、データベースとして用いることができる。 【００７１】 （２－３）物理モデル 効率推定装置２００が使用する物理モデル６０について説明する。物理モデル６０は、生体情報と対象者１０の効率との相関関係を示す。 【００７２】 本実施形態において、物理モデル６０を用いて対象者１０の効率を予測（推定）するために、対象者１０の画面上の視線を使用する。ｅ－ラーニングの受講中の対象者１０の画面上の視線が、コンテンツが表示されている画面上のどこに位置するかを取得したものを対象者の生体情報とする。 【００７３】 対象者１０の視線の位置が「（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘｋ、ｙｋ）」であると取得された生体情報を入力とした場合、ｅ－ラーニング受講後のテストの正答率は、次の式（３）の物理モデル６０で求められる。 【００７４】 正答率＝ｆ（ｘ１，ｘ２，・・・ｘｋ、ｙ１，ｙ２，・・・ｙｋ） （３） 【００７５】 （３）効率推定装置２００の全体動作 効率推定装置２００のフローチャートを図８に示す。本実施形態では、効率推定装置２００をｅ－ランニングで使用する場合について説明する。 【００７６】 まずステップＳ１１で、対象者１０がｅ－ラーニングを受講する。ｅ－ラーニングを受講中の対象者１０はカメラで撮影されている。生体情報取得部２０によってｅ－ラーニングを受講中の対象者１０の視線の位置を取得する（ステップＳ１２）。推定部５０は、物理モデル６０を用いて、対象者１０の視線の位置から、対象者１０にテストを行った場合の正答率を推定する（ステップＳ１３）。次に、推定部５０は、ステップＳ３で推定した正答率をディスプレイ（図示せず）に出力する（ステップＳ１４）。ディスプレイは、推定されたテストの正答率を表示する。 【００７７】 （４）特徴 （４－１） 本実施形態に係る効率推定装置２００では、対象者１０の効率を推定する効率推定装置２００であって、生体情報取得部２０と、推定部５０と、を備える。生体情報取得部２０は、対象者１０の生体情報を取得する。推定部５０は、生体情報に基づいて対象者１０の効率を推定する。 【００７８】 この効率推定装置２００では、物理モデル６０は生体情報および対象者１０の効率の相関関係に基づくので、対象者１０の生体情報に基づき、生産性の評価の指標となる、対象者１０の効率を推定することができる。」 （４）第２実施形態の変形例について 「【００８０】 （５－３）変形例２Ｃ 本実施形態において、効率推定装置１００の生体情報は、対象者１０の視線に関する情報である場合について説明したが、これに限るものではない。効率推定装置１００の生体情報は、対象者の脳波、心拍、体温、体動、表情、又は顔の向きの少なくとも１つを含むものとしてもよい。また、効率推定装置１００の生体情報は、生体現象または生体活動によって生じる生体信号に処理を加えた情報、例えば眠気度合、覚醒度、集中度、疲労度に変換した情報を含むものとしてもよい。 【００８１】 また、本実施形態において、生体情報取得部２０がカメラから対象者の生体情報を取得する場合について説明したが、生体センサから対象者の生体情報を取得するようにしてもよい。」 ２ 実施可能要件の判断 （１）本願発明１について ア 本願発明１は、「物理モデル」を用いて「対象者の体温、体動、又は顔の向き」の少なくとも１つを含む「生体情報に基づいて前記対象者の効率を推定する」構成を有する。 イ 「物理モデル」を用いた「対象者の効率」の推定について、発明の詳細な説明の段落【００６８】－【００７８】（上記１（３）の摘記を参照）には、第２実施形態として、「物理モデル」は「生体情報と対象者１０の効率との相関関係」を示すものであり、ｅ－ラーニングの受講中の対象者の画面上の視線の位置「（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘｋ、ｙｋ）」を取得すると、ｅ－ラーニング受講後のテストの正答率が、「正答率＝ｆ（ｘ１，ｘ２，・・・ｘｋ、ｙ１，ｙ２，・・・ｙｋ）」の式の「物理モデル」で求められる旨が、記載されている。 ウ また、発明の詳細な説明の段落【００８０】及び【００８１】（上記１（４）の摘記を参照）には、「生体情報」が「視線に関する情報」である場合について説明した上記第２実施形態に関し、「生体情報」はこれに限るものではなく、「体温」、「体動」、又は「顔の向き」の少なくとも１つを含むものとしてもよい旨が、記載されている。 エ しかしながら、対象者の「体温」を入力することにより、ｅ－ラーニング受講後のテストの正答率が求まるような「物理モデル」の具体的な説明は、発明の詳細な説明において一切されていない。 オ この点に関し、「体温」ではなく「視線の位置」を用いる段落【００６８】－【００７８】の説明は、「物理モデル」を用いる第２実施形態の最も具体的な説明ではあるものの、単に視線の位置からテストの正答率を出力する関数ｆを用いることを抽象的に述べるにとどまり、関数ｆや使用可能な「物理モデル」の具体的な内容を示すものではない。 カ そして、段落【００８０】及び【００８１】の記載を考慮しても、入力を「視線の位置」から「体温」に変えた場合に、関数ｆにどのような変更を加えて、実際に使用可能な「物理モデル」とするのかについて、発明の詳細な説明には具体的な説明がされていない。また、「視線の位置」を入力としてテストの正答率を出力する関数ｆなるものに対して、入力を「視線の位置」から「体温」へと変えた場合に、どのような調整や変更を行うかは、技術常識から明らかということもできない。 キ 上記エないしカのとおりであるから、発明の詳細な説明には、「視線の位置」を入力とする「物理モデル」に関する段落【００６８】－【００７８】の記載、及び、「体温」を入力としてもよい旨を述べる段落【００８０】－【００８１】の記載、並びに技術常識を併せて考慮しても、「体温」を入力として「対象者の効率」を求める「物理モデル」を作成することについて、実質的な説明が記載されているとはいえない。 ク 「生体情報」として、「体動」又は「顔の向き」を用いる場合についても、「体温」を用いる場合について上記エないしキに指摘したのと、同様のことがいえる。 ケ そして、「体温」、「体動」、または「顔の向き」を入力信号として、「対象者の効率」を出力する「物理モデル」を作成することは、「体温」、「体動」、または「顔の向き」を入力信号とする関数ｆについて何ら具体的な説明がない本願発明の詳細な説明に依拠する場合、もっぱら試行錯誤のみによって新たな「物理モデル」を最初から創出していく必要があるから、当業者に過度の試行錯誤を要することが明らかである。 コ したがって、本願発明の詳細な説明の記載は、本願発明１について、当業者がその実施をすることができる程度に明確かつ十分に記載されておらず、特許法３６条４項１号に規定する実施可能要件を満たしていない。 （２）本願発明２について ア 本願発明２は、「学習済モデル」を用いて、「対象者の体温、体動、又は顔の向き」の少なくとも１つを含む「生体情報から前記対象者の効率を推定する」構成を有する。 イ 「学習済モデル」を用いた「対象者の効率」の推定について、発明の詳細な説明の段落【００２０】－【００４９】（上記１（１）の摘記を参照）には、「第１実施形態」として、ｅ－ラーニング受講後のテストの正答率が、８０％の場合、対象者１０の視線の位置が「（ｘ１、ｙ１）、（ｘ２、ｙ２）、・・・（ｘｋ、ｙｋ）」であると記録された生体情報を入力とし、正答率の８０％を出力とする教師データセットによって学習させ、同様に、「対象者１０の視線の位置が「（ｘ１’、ｙ１’）、（ｘ２’、ｙ２’）、・・・（ｘｌ’、ｙｌ’）」であると記録された生体情報を入力とし、正答率の９０％を出力とする教師データセット」、「対象者１０の視線の位置が「（ｘ１’ ’、ｙ１’ ’）、（ｘ２’ ’、ｙ２’ ’）、・・・（ｘｍ’ ’、ｙｍ’ ’）」であると記録された生体情報を入力とし、正答率の５０％を出力とする教師データセット」、「対象者１０の視線の位置が「（ｘ１’ ’ ’、ｙ１’ ’ ’）、（ｘ２’ ’ ’、ｙ２’ ’ ’）、・・・（ｘｎ’ ’ ’、ｙｎ’ ’ ’）」であると記録された生体情報を入力とし、正答率の４０％を出力とする教師データセット」によって学習させた「学習済モデル」とすれば、対象者の視線の位置から、対象者にテストを行った場合の正答率が推定される旨が、記載されている。 ウ また、発明の詳細な説明の段落【００５３】－【００５５】（上記１（２）の摘記を参照）には、「生体情報」が「視線に関する情報」である場合について説明した上記第１実施形態に関し、「生体情報」はこれに限るものではなく、「体温」、「体動」、又は「顔の向き」の少なくとも１つを含むものとしてもよい旨が、記載されている。 エ しかしながら、対象者の「体温」を入力することにより、ｅ－ラーニング受講後のテストの正答率が求まるような「学習済モデル」が、実際に作成されたことを示すような、具体的な性能評価結果等は、発明の詳細な説明には一切記載されていない。また、対象者の「体温」とテストの正答率との間に、前者から後者が推定されるような相関関係が成立することについても、発明の詳細な説明において具体的な説明はされていない。 オ この点に関し、「体温」ではなく「視線の位置」を用いる段落【００２０】－【００４９】の説明は、「学習済モデル」を用いる第１実施形態の最も具体的な説明ではあるものの、単にｅ－ラーニングにおける視線の位置とテストの正答率とを教師データとして学習済モデルを形成すれば、視線の位置からテストの正答率が推定可能となる旨を述べるにとどまり、具体的な性能評価結果等も示されていない。 カ そして、段落【００５３】－【００５５】の記載を考慮しても、発明の詳細な説明には、入力を「視線の位置」から「体温」に変えた場合に関して、「体温」と「テストの正答率」との間に、前者から後者を推定可能となるような相関関係があることは説明されておらず、そのような相関関係が存在することは技術常識から明らかともいえない。また、発明の詳細な説明には、「体温」を入力として「テストの正答率」を出力するような「学習済モデル」が実際に作成可能となることを示すような性能評価結果等は示されていない。 キ 上記エないしカのとおりであるから、発明の詳細な説明には、「視線の位置」を入力とする「学習済モデル」に関する段落【００２０】－【００４９】の記載、及び、「体温」を入力としてもよい旨を述べる段落【００５３】－【００５５】の記載、並びに技術常識を併せて考慮しても、「体温」を入力として「対象者の効率」を求める「学習済モデル」を作成し、当該「学習済モデル」を用いて「効率」を推定することについて、実質的な説明が記載されているとはいえない。 ク 「生体情報」として、「体動」又は「顔の向き」を用いる場合についても、「体温」を用いる場合について上記エないしキに指摘したのと、同様のことがいえる。 ケ したがって、本願発明の詳細な説明の記載は、本願発明２について、当業者がその実施をすることができる程度に明確かつ十分に記載されておらず、特許法３６条４項１号に規定する実施可能要件を満たしていない。 （３）本願発明３について ア 本願発明３は、「物理モデル」を用いて、「対象者の体温、体動、又は顔の向き」である「生体現象または生体活動によって生じる生体信号」に「処理を加えた情報」である「眠気度合、覚醒度、集中度、又は疲労度」の少なくとも１つを含む「生体情報に基づいて前記対象者の効率を推定する」構成を有する。 イ しかしながら、「物理モデル」を用いて、「体温、体動、又は顔の向き」に基づいて、「対象者の効率」を推定することに関し、発明の詳細な説明の記載の説明は、上記（１）において本願発明１について指摘したと同じ内容を述べるにとどまる。 ウ そして、上記（１）において本願発明１について示したと同じ理由から、「体温」、「体動」、または「顔の向き」を用いて、「対象者の効率」を出力する「物理モデル」を作成することは、当業者に過度の試行錯誤を要することが明らかである。 エ したがって、本願発明の詳細な説明の記載は、本願発明３について、当業者がその実施をすることができる程度に明確かつ十分に記載されておらず、特許法３６条４項１号に規定する実施可能要件を満たしていない。 （４）本願発明４について ア 本願発明４は、「学習済モデル」を用いて、「対象者の体温、体動、又は顔の向き」である「生体現象または生体活動によって生じる生体信号」に「処理を加えた情報」である「眠気度合、覚醒度、集中度、又は疲労度」の少なくとも１つを含む「生体情報に基づいて前記対象者の効率を推定する」構成を有する。 イ しかしながら、「学習済モデル」を用いて、「体温、体動、又は顔の向き」に基づいて、「対象者の効率」を推定することに関し、発明の詳細な説明の記載の説明は、上記（２）において本願発明２について指摘したと同じ内容を述べるにとどまる。 ウ そして、上記（２）において本願発明２について示したと同じ理由から、「体温」、「体動」、または「顔の向き」を用いて、「対象者の効率」を出力する「学習済モデル」を作成し、当該「学習済モデル」を用いて「効率」を推定することすることについて、発明の詳細な説明には、実質的な説明が記載されているとはいえない。 エ したがって、本願発明の詳細な説明の記載は、本願発明４について、当業者がその実施をすることができる程度に明確かつ十分に記載されておらず、特許法３６条４項１号に規定する実施可能要件を満たしていない。 （５）本願発明５ないし１０について ア 本願発明５ないし１０は、本願発明１ないし４のいずれかの構成を有するところ、本願発明５ないし１０が有する本願発明１ないし４の構成について、上記（１）ないし（４）において指摘したと同じ理由から、本願発明の詳細な説明の記載は、当業者がその実施をすることができる程度に明確かつ十分に記載されていない。 イ したがって、本願発明の詳細な説明の記載は、本願発明５ないし１０についても、特許法３６条４項１号に規定する実施可能要件を満たしていない。 （６）請求人の意見書における主張について 請求人は令和５年７月２１日付けの意見書において、実施可能要件に関し、「対象者の視線と対象者の効率の例が本願明細書の段落００２０－００４９に記載されているので、「対象者の脳波、心拍、対応、表情、または顔の向き」、あるいは「生体信号に処理を加えた情報であり、眠気度合、覚醒度、集中度、又は疲労度」と、「対象者の効率」との間に、相関関係が存在することは推認でき、物理モデル又は学習済みモデルを用いて、対象者の効率を推定することは記載されていると思料致します。」と主張している。 しかしながら、本願発明１ないし１０において使用する「生体情報」、または「生体情報」を得るための「生体信号」は、「体温、体動、又は顔の向き」と特定されているところ、「体温、体動、又は顔の向き」から「対象者の効率」を推定する「物理モデル」及び「学習済モデル」に関する、発明の詳細な説明の記載は、上記（１）カないしコ及び上記（２）カないしケに指摘したとおり、当業者がその実施をすることができる程度に明確かつ十分に記載されてたものではない。 したがって、上記請求人の意見書における主張について考慮しても、本願発明の詳細な説明の記載が実施可能要件を満たすか否かについて、上記（１）ないし（５）と異なる判断をすべき事情は見いだせない。 ３ 実施可能要件の小括 以上のとおりであるから、本願は、発明の詳細な説明の記載が、当審において通知した拒絶の理由の理由１に指摘したとおり、特許法３６条４項１号に規定する要件を満たしていない。 第５ むすび 上記第４のとおり、本願は、当審において通知した拒絶の理由の理由１により、他の理由について判断するまでもなく、拒絶すべきものである。 よって、上記の結論のとおり審決する。