interview-simulator

インタビューシミュレーター

リアルな模擬面接練習のためのプラットフォームアーキテクチャとコーチングシステムです。このスキルには2つの目的があります。（1）効果的な練習セッションの組み立て方を候補者に指導すること、（2）音声 AI、共同ホワイトボード、視線追跡による監督、モバイルコンパニオンを備えた自動インタビューシミュレーションプラットフォームを構築するためのフルスタックアーキテクチャを定義することです。

ほかの7つのインタビュースキルでは、何を練習するかを定義します。このスキルでは、リアルな条件、適応型の難易度、測定可能な進捗を取り入れ、どのように練習するかを定義します。

---

使用するタイミング

次の用途に使用します：

• 模擬面接シミュレーションプラットフォームの設計または構築
• 音声、ホワイトボード、監督機能を備えたリアルな練習セッションの設定
• 弱点を自動的に狙う適応型難易度の実装
• セッションをまたいだ進捗を追跡する採点・振り返りシステムの構築
• 概念の復習とエピソードのリハーサルのための間隔反復の設定
• 毎日／毎週の練習プロトコルの確立
• 練習インフラストラクチャのコスト分析と最適化

次の用途には使用しません：

• 特定の面接ラウンド形式だけを練習する場合（各ラウンド専用のスキルを使用してください）
• 準備スケジュールや学習計画の作成（interview-loop-strategistを使用してください）
• 履歴書やキャリアに関するストーリー作成（cv-creatorまたはcareer-biographerを使用してください）
• 給与交渉やオファーの評価
• カンファレンス登壇の準備（評価基準が異なります）

---

システムアーキテクチャ

graph TB
    subgraph Client["Client Layer"]
        MOBILE["Mobile App<br/>React Native + Expo<br/>Flash cards, voice drills,<br/>progress dashboard"]
        DESKTOP["Desktop Web<br/>Next.js<br/>Full sessions, whiteboard,<br/>proctoring"]
    end

    subgraph Engines["Engine Layer"]
        VOICE["Voice Engine<br/>Hume AI EVI<br/>Emotion-sensitive<br/>interviewer voice"]
        BOARD["Whiteboard Engine<br/>tldraw + Claude Vision<br/>Diagram evaluation<br/>and scoring"]
        PROCTOR["Proctor Engine<br/>MediaPipe Face Mesh<br/>Gaze tracking,<br/>attention monitoring"]
    end

    subgraph Orchestrator["Session Orchestrator — Node.js"]
        ROUND["Round Selector<br/>Weakness-weighted<br/>random selection"]
        ADAPT["Adaptive Difficulty<br/>Performance-based<br/>question scaling"]
        DEBRIEF["Debrief Generator<br/>Transcript + emotion +<br/>proctor + whiteboard<br/>scored rubric"]
        SM2["SM-2 Scheduler<br/>Spaced repetition<br/>for concepts and stories"]
    end

    subgraph Data["Data Layer — Supabase"]
        SESSIONS[("sessions<br/>recordings, transcripts")]
        SCORES[("scores<br/>per-dimension breakdowns")]
        STORIES[("story_bank<br/>STAR-L entries")]
        CARDS[("flash_cards<br/>SM-2 intervals")]
    end

    MOBILE --> Orchestrator
    DESKTOP --> Orchestrator
    Orchestrator --> VOICE
    Orchestrator --> BOARD
    Orchestrator --> PROCTOR
    Orchestrator --> Data
    VOICE --> DEBRIEF
    BOARD --> DEBRIEF
    PROCTOR --> DEBRIEF

コンポーネント選定の理由

flowchart TD
    V{Voice AI?}
    V -->|"Emotion detection needed"| HUME["Hume AI EVI<br/>Emotion callbacks,<br/>adaptive persona,<br/>WebSocket streaming"]
    V -->|"Voice only, no emotion"| ELEVEN["ElevenLabs<br/>Fallback: high-quality<br/>TTS, no affect reading"]
    V -->|"Cost-constrained"| OPENAI_RT["OpenAI Realtime API<br/>Cheaper per minute,<br/>no emotion detection"]

    W{Whiteboard?}
    W -->|"React ecosystem, extensible"| TLDRAW["tldraw<br/>MIT license, React native,<br/>rich API, snapshot export"]
    W -->|"Simpler, self-hosted"| EXCALI["Excalidraw<br/>Good but harder to<br/>integrate programmatic<br/>screenshot capture"]

    P{Proctoring?}
    P -->|"Privacy-first, free"| MEDIAPIPE["MediaPipe Face Mesh<br/>Browser-based, 468 landmarks,<br/>iris tracking, no cloud"]
    P -->|"Commercial accuracy"| COMMERCIAL["Commercial proctoring<br/>Expensive, privacy concerns,<br/>overkill for self-practice"]

    style HUME fill:#2d5016,stroke:#333,color:#fff
    style TLDRAW fill:#2d5016,stroke:#333,color:#fff
    style MEDIAPIPE fill:#2d5016,stroke:#333,color:#fff

OpenAI Realtime APIではなくHumeを選ぶ理由： HumeのEVIは、感情に関するコールバック（緊張、自信、ためらい）を提供し、面接官の振る舞いを適応させられます。OpenAIのRealtime APIは音声専用で、感情検出機能はありません。インタビューシミュレーションでは、感情を把握できることが差別化要因です。実際の面接官は、相手の感情状態に応じて対応を調整します。

Excalidrawではなくtldrawを選ぶ理由： tldrawは、豊富なプログラム用 API を備えたReactコンポーネントです。editor.getSnapshot()を呼び出してキャンバスの状態を取得し、画像としてエクスポートしてClaude Visionに送り、評価できます。ExcalidrawのAPIは、プログラムからの操作に関しては制限がより多くあります。

商用監督ツールではなくMediaPipeを選ぶ理由： これは試験監督ではなく、自主練習です。MediaPipeはブラウザー内で完全に動作し（クラウドを使用せず）、視線推定のための虹彩の位置を含む468個の顔のランドマークを処理し、費用もかかりません。商用監督ツール（ProctorU、ExamSoft）は、プライバシーとのトレードオフがある対立的な試験環境向けに設計されているため、個人練習には適しません。

---

セッションの流れ

sequenceDiagram
    participant U as User
    participant O as Orchestrator
    participant V as Voice Engine
    participant W as Whiteboard
    participant P as Proctor
    participant D as Debrief

    U->>O: Start session
    O->>O: Select round type<br/>(weakness-weighted)
    O->>U: Confirm: ML Design, Difficulty 3/5,<br/>Persona: Collaborative
    U->>O: Accept / override

    O->>V: Initialize interviewer persona
    O->>P: Activate gaze tracking
    alt Design or Coding Round
        O->>W: Open whiteboard
    end

    loop During Session (30-45 min)
        V->>U: Ask question / follow-up
        U->>V: Respond (voice)
        V->>O: Emotion data (confidence, hesitation)
        O->>V: Adjust difficulty / tone
        P->>O: Gaze flags (second monitor, notes)
        alt Design Round
            W-->>O: Periodic screenshot (every 30s active)
            O-->>W: Evaluate diagram (Claude Vision)
        end
    end

    U->>O: End session
    O->>D: Compile transcript + emotion<br/>timeline + proctor flags +<br/>whiteboard evaluations
    D->>U: Scored debrief with<br/>strengths, weaknesses,<br/>specific improvement actions
    O->>O: Update weakness tracker,<br/>adjust next session focus

セッション設定のオプション

パラメーター	選択肢	デフォルト
ラウンドの種類	コーディング、ML設計、行動面接、技術プレゼンテーション、HM、技術的な詳細面接	自動（弱点に応じて重み付け）
難易度	1（ウォームアップ）～5（対抗的）	3
面接官のペルソナ	フレンドリー、中立、対抗的、ソクラテス式	中立
監督の厳しさ	オフ、トレーニング（寛容）、シミュレーション（厳格）	トレーニング
セッション時間	15／30／45／60分	45分
ホワイトボード	オン／オフ	自動（設計ラウンドではオン）
録画	音声のみ／音声＋動画／オフ	音声のみ

---

毎日の練習プロトコル

朝のモバイルセッション（10分）

07:00  Open mobile app
07:00  3 flash cards — spaced repetition surfaces weakest concepts
       (ML concepts, system design patterns, Anthropic-specific topics)
07:05  1 behavioral story rehearsal — voice, 3 minutes max
       App plays the prompt, you respond aloud, app records duration
07:08  Quick self-check — rate confidence 1-5 on today's cards
07:10  Done — push notification schedules evening session

夜のデスクトップセッション（30～60分、週3～4回）

19:00  Open desktop app, orchestrator selects round type
19:02  Configure: confirm round, set proctor to Training mode
19:05  Session begins — voice AI drives conversation
       Whiteboard opens for design rounds
       Proctor tracks gaze, flags second monitor use
19:35  Session ends (30 min) or 19:50 (45 min)
19:35  Debrief displays: scored rubric, emotion timeline,
       proctor flags, whiteboard evaluation (if applicable)
19:45  Review debrief — spend 1/3 of practice time here
19:55  Update story bank with any new insights
20:00  Done — weakness tracker updated automatically

週末の面接ループシミュレーション（2時間、週1回）

10:00  Full loop: 2-3 back-to-back rounds (different types)
       5-minute breaks between rounds (no phone, no notes)
       Proctor set to Simulation (strict) mode
11:30  Energy management practice — track cognitive fatigue
11:45  Cross-round story coherence review
       Did you tell the same project consistently across rounds?
12:00  Comprehensive weekly debrief — pattern analysis across sessions

---

採点と進捗の追跡

セッションごとの採点項目

項目	重み	測定元
技術的な正確さ	25%	トランスクリプトに対する Debrief AI の評価
コミュニケーションの明瞭さ	20%	感情データ（ためらいの頻度、つなぎ言葉）
時間管理	15%	セクションごとの所要時間と目標時間の比較
構造的な思考	15%	ホワイトボードの評価（デザイン面接）または口頭での構成
プレッシャー下での冷静さ	10%	感情の推移の安定性、つまずきからの立て直し
質問への対応	10%	到達した深掘りのレベル（values-behavioral におけるレベル 1～6）
試験監督ルールの遵守	5%	フラグ数（視線の逸れ、メモの参照）

進捗の可視化

ダッシュボードで、次の指標を時系列で追跡します：

• セッションごとの総合スコア（0～100）と傾向線
• 強みと弱みを示す項目別レーダーチャート
• 連続記録トラッカー（練習を1つ以上行った連続日数）
• 遅れがある面接形式と項目を示す弱点ヒートマップ
• ストーリーごとの準備度ゲージ（準備済みの深掘りレベル数）
• 間隔反復のカバー率（「成熟」間隔に達したフラッシュカードの割合）

---

セットアップガイド

前提条件

コンポーネント	必要なもの	入手先
Hume AI API キー	音声と感情に対応する EVI へのアクセス	https://hume.ai — 開発者アクセスを申請してください
Anthropic API キー	Debrief とホワイトボード評価用の Claude	https://console.anthropic.com
Supabase プロジェクト	データベース、認証、ストレージ	https://supabase.com — 初期段階では無料プランで十分です
Node.js 20+	セッションオーケストレーターのランタイム	https://nodejs.org
React Native + Expo	モバイルコンパニオンアプリ	npx create-expo-app

初回起動時の操作

# 1. Clone the simulator repo
git clone <your-simulator-repo>
cd interview-simulator

# 2. Install dependencies
npm install

# 3. Configure environment
cp .env.example .env.local
# Edit .env.local with your API keys:
#   HUME_API_KEY=...
#   HUME_SECRET_KEY=...
#   ANTHROPIC_API_KEY=...
#   NEXT_PUBLIC_SUPABASE_URL=...
#   SUPABASE_SERVICE_KEY=...

# 4. Initialize database
npx supabase db push

# 5. Run first calibration session
npm run dev
# Navigate to localhost:3000/calibrate
# 10-minute session to establish baseline scores

キャリブレーションセッション

最初のセッションはキャリブレーションラウンドです。10分間、すべての面接形式を対象にさまざまな質問を行い、試験監督機能は使わず、親しみやすいペルソナを設定します。これにより各項目の基準スコアを確立し、適応型の難易度設定を開始できるようにします。キャリブレーションを行わない場合、すべての項目の難易度はデフォルトで 3 になります。

---

コスト分析

コンポーネント	月間使用量	単価	月間合計
Hume AI EVI	夕方のセッション20回 x 35分 + 朝のドリル30回 x 3分	~$0.07/分	$60-80
Claude（Debrief）	セッション20回 x Debrief 1回	~$0.15/Debrief	$3
Claude Vision（ホワイトボード）	デザインセッション10回 x 評価5回	~$0.03/評価	$1.50
Supabase	無料プラン（< 500MB、< 50K 認証）	$0 無料 / $25 プロ	$0-25
MediaPipe	すべてのセッションでローカル実行	$0	$0
ElevenLabs（モバイルのフォールバック）	朝の音声ドリル30回 x 3分	~$0.05/分	$4.50
合計			$70-115/月

コスト最適化の方法

1. セッション時間の上限設定：音声関連のコストが膨らまないよう、設定した時間に達したら必ず停止します
2. ホワイトボード評価のバッチ処理：描画中は30秒ごと、ディスカッション中は2分ごとに評価します（継続的には評価しません）
3. Debrief のキャッシュ：同じ質問形式でトランスクリプトも類似している場合は、具体的な詳細を差し替えてルーブリックの構成を再利用します
4. モバイル音声：感情検出が不要な朝のドリルには、より安価な ElevenLabs を使用します
5. Supabase の無料プラン：1ユーザーの練習には十分です。複数ユーザーでの利用や録音データの大量保存が必要な場合にのみアップグレードします

---

避けるべきアンチパターン

監督なしでの練習

初心者：2台目のモニターでメモを開き、答えを表示したブラウザーのタブを開き、すぐに調べられるようにスマートフォンを手元に置いて練習します。外部リソースによって知識の不足が隠されたセッションを通じて、誤った自信を身につけます。本番の面接ではサポートがなくなるため、パフォーマンスが30～40％低下します。

エキスパート：初回のセッションから、たとえトレーニング（寛容）モードであっても監督を有効にします。すべての練習を本番環境の再現と捉えます。机を片付け、関係のないタブを閉じ、スマートフォンを画面を下にして置きます。週末のループシミュレーションでは、厳格なシミュレーションモードを使用します。見られていることによる不快感こそがトレーニングだと理解しています。

検出方法：すべてのセッションで監督フラグが一度も立っていない（あり得ないほど問題がない）か、監督が常に「Off」に設定されています。自己申告の自信度と実際の振り返りスコアを比較します。大きな差があれば、練習条件が易しすぎることを示しています。

快適な領域だけを繰り返す

初心者：同じラウンドタイプを何度も手動で選びます。いつも行動面接（エピソードを練り上げてあるから）、いつもコーディング（生産的に感じるから）、あるいはすでに得意なラウンドだけを選びます。ホワイトボードでの評価が厳しいため、設計ラウンドを避けます。深掘りの質問が気まずいため、価値観ラウンドを避けます。

エキスパート：オーケストレーターに弱点分析に基づいてラウンドを選ばせます。SM-2 アルゴリズムを信頼し、最適な間隔で取り組みづらいトピックを提示してもらいます。手動で選ぶ場合は、意図的に最もスコアの低いラウンドタイプを選びます。進捗ダッシュボードでラウンドタイプの割合を追跡し、いずれかのタイプがセッションの40％を超えたらバランスを調整します。

検出方法：セッション履歴で、同じラウンドタイプがセッションの50％を超えています。弱点ヒートマップには、改善されないまま残っている冷えた部分があります。フラッシュカードの復習では、カテゴリ全体がスキップされています。

フィードバックを無視する

初心者：振り返りを確認せずに、セッションを連続して行います。模擬面接を学習の機会ではなく、こなすべき練習回数として扱います。セッション数は多いものの、スコアは横ばいです。振り返りタブの閲覧率は<50%です。振り返りで提示された改善アクションには一度も取り組みません。

エキスパート：練習時間全体の3分の1を振り返りの確認に充てます。各セッションの後、採点済みの評価基準をすべて読み、具体的な改善アクションを1つ選び、次のセッションでそのアクションに取り組みます。週ごとの傾向分析を確認し、セッションをまたぐ傾向を特定します。振り返りのたびに「学んだこと」のドキュメントを更新します。

検出方法：振り返りの閲覧率が50％未満です（ページ滞在時間で追跡）。同じ弱点が改善されないまま、3回以上連続して振り返りで指摘されています。記録された改善アクションがありません。

---

ラウンド別スキルとの連携

シミュレーターにはラウンドタイプごとのコンテンツは含まれません。質問、評価基準、評価の指標については、7つの専門スキルに委ねます。

ラウンドタイプ	コンテンツスキル	シミュレーターが取得する内容
コーディング	senior-coding-interview	問題の典型パターン、追加質問の段階的な構成、シニアレベルのシグナルのチェックリスト
ML システム設計	ml-system-design-interview	7段階のフレームワーク、代表的な問題、ホワイトボード戦略
行動面接／価値観	values-behavioral-interview	追加質問の深さ、STAR-L 形式、否定的な切り口のパターン
技術プレゼンテーション	tech-presentation-interview	物語の構成、深さの調整、質疑応答のストレステスト用質問
採用マネージャー	hiring-manager-deep-dive	影響範囲の評価、リーダーシップのシグナル評価基準
Anthropic 技術面接	anthropic-technical-deep-dive	トピック分野、見解の評価基準、安全性に関する深さ
フルループ	interview-loop-strategist	ラウンドの順序、エネルギー管理、エピソードの一貫性マトリックス

---

参照ファイル

ファイル	参照するタイミング
references/voice-engine-setup.md	Hume AI EVI の統合、面接官のペルソナ設定、感情に応じたロジック、WebSocket 接続の設定、ElevenLabs へのフォールバック
references/whiteboard-engine-setup.md	図の評価用の tldraw のセットアップ、Claude Vision の採点プロンプト、定期的なスクリーンショットの方針、評価あたりのコスト
references/proctor-engine-setup.md	MediaPipe Face Mesh のセットアップ、視線ベクトルの計算、不審度のしきい値、プライバシー設定、デブリーフへのフラグの統合
references/mobile-app-architecture.md	React Native + Expo の技術スタック、SM-2 間隔反復の実装、プッシュ通知、オフラインモード、データ同期の方針
references/session-orchestration.md	ラウンド選択アルゴリズム、難易度の適応、パフォーマンス追跡スキーマ、SM-2 の詳細、デブリーフ生成プロンプト、弱点の検出