JP2011008393A - グループ管理支援装置、グループ管理支援方法およびプログラム - Google Patents

Abstract

【課題】客観的に個人の性格を評定し、その結果を基に、グループ内における対人関係を管理・支援するグループ管理支援装置を提供する。
【解決手段】グループ管理支援装置１００は、行動情報取得部１、記憶部２、自己評定取得部３、特徴抽出部４、パラメータ算出部５、評定値算出部６、他者評定取得部７、関係判定部８を備える。行動情報取得部１は、ユーザの行動情報を取得し、自己評定取得部３は、ユーザの自己評定値を取得する。特徴抽出部４は、行動情報から行動特徴を抽出する。パラメータ算出部５は、行動特徴量と自己評定値と所定の写像関数より、パラメータを算出する。評定値算出部６は、写像関数に算出したパラメータを用いて性格評定値を算出する。他者評定取得部７は、メンバのユーザへ対する他者評定値を取得する。関係判定部８は、パラメータ算出後に取得した自己評定値と他者評定値と性格評定値より、対人関係の判定を行う。
【選択図】図１

Description

本発明は、グループ管理支援装置、グループ管理支援方法およびプログラムに関する。より詳しくは、自動算出した性格評定値よりグループメンバ間の関係を管理・支援するグループ管理支援装置、グループ管理支援方法およびプログラムに関する。

企業の組織やプロジェクトグループなどにおいて、職務を円滑にかつ効果的に行うために、それらグループの管理者はグループ内のメンバについて性格（パーソナリティ）を踏まえて、グループメンバの人間関係や執務状況を把握する必要がある。

グループメンバの人間関係や執務状況を把握するために、質問紙を用いての各メンバの性格評定値測定および組織内の不満・悩みの把握や、メンバとの面接による直接的な自己評価および対人評価の理解を定期的に行うことがある。これによって、メンバを適切な役割への配置替えや、悩みを持つメンバのカウンセリングが行われている。また、評価に対する客観性を高めるために、多面評価（３６０度評価）と呼ばれる、上司、部下や同僚、仕事で関係のある他部門の担当者、更には取引先や顧客による評価といった、多方面から人材を評価する方法が取られることがある。

一般的性格を測定するための方法としては、新性格検査やＢｉｇ Ｆｉｖｅモデルなどが挙げられる。新性格検査では、１３０項目の回答から社会的外向性、活動性、劣等感、神経質など１３尺度を測定する方式である。性格特性のＢｉｇ Ｆｉｖｅモデルは、６０項目の回答から、性格の基本５次元とされる（外向性、情緒不安定性、開放性、誠実性、調和性の５つの因子モデルを基本とする）尺度を測定する方式である。特にＢｉｇ Ｆｉｖｅモデルについては、評定対象者を良く知る人物（配偶者、恋人、友人など）が評定するピア評定によって得られた評定値と研究者による客観的な行動評価との相関が高い、すなわち性格評定が実際の行動傾向を反映しているとされている。

また、複数人の集団における評価を多面的に捉える方法として、教師に対する生徒側からの他者評価について、教師の自己評価と比較するだけでなく、学力推移データを利用して生徒の他者評価を成績の変化で分類した情報を提示し、教務改善のためのより詳細な情報を提供する方法が開示されている（特許文献１）。

特許文献２では、被験者自身の評価と、他人からの評価とを比べることにより客観的な性格評価を行うことができる性格評価システムを提供する技術が記載されている。

特許文献３では、音声情報のテンポ、抑揚、音量から対象人物の感情（喜び、悲しみ、怒り）を推定する方法や、さらに表情をあわせて用いて総合的に感情を推定する方法が開示されている。

特許文献４では、運転に関する車内機器の操作に関する車両情報とドライバの趣向の関係を解析し、検出された車両情報に基づいて、解析された車両情報とドライバの趣向との関係を参照して、ドライバの趣向を判別する装置が記載されている。

特許文献５では、客観性を備えた評価結果をもたらす多角的評価シートを提供する技術であり、多角的評価シートで行った評価は第三者が集めて集計し、各評価項目別のトータル点と全評価項目の総合トータル点とを集計結果とすることが記載されている。

特許文献６では、顧客の店舗における購入行動を、電子タグを用いて測定することで顧客行動情報を作成し、さらに服装や年齢および同伴者といった顧客特性情報を収集し、行動情報および特性情報を購入行動情報とあわせて分析し、顧客嗜好情報を作成する装置および方法が開示されている。

特許文献７では、入力した条件を元に行動ログを抽出し、場所・時間の共有によりコミュニケーションの有無を判定し、組織におけるコミュニケーション機会の活用状態の変化を分析し、その低下などから組織の硬直化等を分析するコミュニケーション分析装置が記載されている。

特許文献８では、組織におけるユーザやグループ間の関係を効率的に把握するために、位置情報を用いて、対象の人またはグループの間の関係量を算出し、さらにグループ間交流指標を算出する装置および方法が示されている。また、センサ情報から被観測者の嗜好および感情といった心理状態を判別する方法が開示されている。

特許文献９では、運転者のアクセル、ブレーキなどの操作情報から運転者の運転時における行動の傾向や性格を分類し、運転者の行動の傾向や性格に合わせた経路表示を行う装置および方法が記載されている。

特許文献１０では、センサ端末を用いて、組織内で起きている対面コミュニケーションを推定し、組織内の任意の２者間の関係を算出し、さらに前記関係と組織のパフォーマンスまたは自己評価との相関を算出する方法が提案されている。

特開平１１−０８４９９８号公報 特開２００１−３３８０４４号公報 特開２００２−０９１４８２号公報 特開２００３−３３５１９４号公報 特開２００３−３４５９５１号公報 特開２００７−０５８５３４号公報 特開２００７−０９４８５０号公報 特開２００７−１７９３９３号公報 特開２００８−０５８１９３号公報 特開２００８−２１０３６３号公報

メンバが抱える人間関係の問題を見つけ出すために行う、質問紙を用いた性格検査や面接では、メンバ自身が恣意的に回答を変更できることがあるため、前記問題を把握することができない可能性がある。また、上司が行う面接や質問紙を用いた自己評価は、一側面からの評価にすぎず、客観性に乏しい。多面評価では、他者からの評価を複数人の立場の異なるメンバから得ることで客観性を高めている。しかし多面評価は、自己評価と、他者評価とを比較して、評価の違いの有無を把握することはできるが、その違いは自己の性格の変化や心的負荷など内面的な要素に起因するものであるか、対外的な要素である他者との対人関係の問題に起因するものであるかを判断することができない。

特許文献１、２および５では、第３者の評価が平等でなかったり、自己の恣意的な部分を含んだりと、客観的な判断とならない問題がある。特許文献３、４、６および９では、センサにより得られる物理量から性格などを推定しているが、その性質は性格特性の一部であり、多面的な特性を網羅的に表していないだけでなく、その個人の分析に留まり、人間関係の問題に直接適応することができない問題がある。特許文献７ではコミュニケーション量、特許文献８および１０ではセンサにより得られる物理量、と、客観的に得られるデータを元に人間関係の関係性を算出や推定しているが、人間関係の問題点を検出することは行っていない。

本発明は上記のような事情に鑑みてなされたもので、複数人が属するグループにおいて、グループ内の各メンバについて、グループ内の他メンバとの人間関係を自動算出し、グループメンバ間の関係を管理・支援するグループ管理支援装置、グループ管理支援方法およびプログラムを提供することを目的とする。

上記目的を達成するため、本発明の第１の観点に係るグループ管理支援装置は、
対象ユーザの行動を表す情報である行動情報を取得する行動情報取得手段と、
前記行動情報を蓄積して記憶する記憶手段と、
前記対象ユーザの自己評定値を取得する自己評定取得手段と、
前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出手段と、
前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出手段と、
前記パラメータ算出手段で前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出手段と、
前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得手段と、
前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定手段と、
を備えることを特徴とする。

本発明の第２の観点に係るグループ管理支援方法は、
対象ユーザの行動を表す情報である行動情報を取得する行動情報取得ステップと、
前記行動情報を蓄積して記憶する記憶ステップと、
前記対象ユーザの自己評定値を取得する自己評定取得ステップと、
前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出ステップと、
前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出ステップと、
前記パラメータ算出ステップで前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出ステップと、
前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得ステップと、
前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定ステップと、
を備えることを特徴とする。

本発明の第３の観点に係るプログラムは、コンピュータに、
対象ユーザの行動を表す情報である行動情報を取得する行動情報取得ステップと、
前記行動情報を蓄積して記憶する記憶ステップと、
前記対象ユーザの自己評定値を取得する自己評定取得ステップと、
前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出ステップと、
前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出ステップと、
前記パラメータ算出ステップで前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出ステップと、
前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得ステップと、
前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定ステップと、
を実行させることを特徴とする。

本発明によれば、客観的に個人の性格を評定し、その結果を基に、複数人のグループ内における対人関係を管理・支援できる。

本発明の実施の形態に係るグループ管理支援装置の構成例を示すブロック図である。 グループ管理支援装置の行動情報取得部の構成の一例を示すブロック図である。 位置情報の軌跡の一例を示す図である。 位置情報のデータの一例を示す図である。 一般的性格を測定するためのテスト（質問紙）の一例を示す図である。 自己評定値の一例を示す図である。 パラメータ算出の一例を示す図である。 パラメータ収束の一例を示す図である。 対人関係と評定値について分類した概念の一例を示す。 対人関係と評定値について分類した判定結果の一例を示す。 実施の形態におけるグループ管理支援のパラメータ決定の動作の一例を示すフローチャートである。 実施の形態におけるグループ管理支援の動作の一例を示すフローチャートである。 本発明の実施の形態に係るグループ管理支援装置の物理的な構成例を示すブロック図である。

以下に、発明を実施するための形態について図面を参照して詳細に説明する。なお図中、同一または相当部分には同じ符号を付す。

（実施の形態）
図１は、本発明の実施の形態に係るグループ管理支援装置の構成例を示すブロック図である。実施の形態におけるグループ管理支援装置１００は、行動情報取得部１、記憶部２、自己評定取得部３、特徴抽出部４、パラメータ算出部５、評定値算出部６、他者評定取得部７および関係判定部８を備える。

グループ管理支援装置１００のサーバ１０１は、記憶部２、特徴抽出部４、パラメータ算出部５、評定値算出部６および関係判定部８を含む。行動情報取得部１は、例えばネットワークを介してサーバ１０１と接続する。また、自己評定取得部３および他者評定取得部７は、例えばコンピュータのキーボードなどの入力部を介してサーバ１０１と接続する。

行動情報取得部１は、着目する対象のユーザの行動に関する物理量を測定する。行動に関する物理量は、長さと時間との基本量次元の組み合わせで表すことができる。例えば、ＲＦＩＤ（Radio Frequency IDentification）のシステムを利用し、ＲＦタグから取得できる位置情報や、様々なセンサ（加速度センサやジャイロセンサなど）で取得できる加速度情報や角速度情報などを測定し、ユーザの行動に関する情報を取得する。

自己評定取得部３は、ユーザが自分を自己評価した自己評定値を取得する。自己評定値は、新性格検査やＢｉｇ Ｆｉｖｅモデルなどの多数の項目から構成されたテストの回答から、外向性、情緒不安定性、開放性、誠実性、調和性などの一般的性格を測定した値である。自己評定値の取得は、ユーザがコンピュータのキーボードなどで回答を選択し、コンピュータで直接その結果を算出したものを自己評定取得部３が性格に関する情報として取得する方法がある。ユーザがペーパーで回答した結果をコンピュータに入力し、その結果を集計して自己評定取得部３が性格に関する情報（自己評定値）として取得する方法であってもよい。

他者評定取得部７は、ユーザが所属するグループのユーザ以外の人（以下、メンバという）が、ユーザを評価した結果（以下、他者評定値という）を取得する。他者評定値は、第三者であるメンバが着目する対象のユーザを評価する値であって、自己評定値の算出を行う場合と同様に、一般的性格を測定する項目などを回答した結果から測定した値である。他者評定値の取得は、例えば、メンバがコンピュータに入力した回答などから導かれた結果を、他者評定取得部７が性格に関する情報（他者評定値）として取得する方法で行う。

記憶部２は、行動情報取得部１と自己評定取得部３および他者評定取得部７で取得したユーザの行動に関する情報や性格に関する情報を記憶し、保存する。また、記憶部２は予め、ユーザやメンバの性別や年齢、役職や所属するグループなどの経歴や、行動情報取得部１で情報を取得するときに用いるＩＤ番号などの識別情報などを記憶する。さらに、以下に説明するデータ（特徴抽出部４で抽出した特徴、パラメータ算出部５で算出したパラメータ、評定値算出部６で算出した評定値、関係判定部８で判定した人間関係）を記憶し、保存する。

特徴抽出部４は、行動情報取得部１で取得したユーザの行動に関する情報から所定の特徴要素の量を表す行動特徴を抽出する。抽出する行動特徴は、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、ユーザとメンバとの平均距離、ユーザとメンバごとの距離の分散、ユーザのグループへの接近回数、および、ユーザのグループからの回避回数が挙げられる。

パラメータ算出部５は、特徴抽出部４で抽出した行動特徴を表す空間から、自己評定取得部３で取得した自己評定値の空間への所定の写像関数を用いて、対象のユーザの行動特徴を写像した値が、ユーザの自己評定値の所定の範囲に入るように、その写像関数のパラメータを算出する。

評定値算出部６は、パラメータ算出部５でパラメータを算出した後に、行動特徴をパラメータ算出部５で算出したパラメータを設定値とした写像関数を用いて写像した値の、性格評定値を算出する。行動特徴には、新たに行動情報取得部１で取得したものを特徴抽出部４で抽出した、新行動特徴を用いる。新行動特徴は、パラメータを算出した後のもので、パラメータを算出する前の行動特徴と区別する。

関係判定部８は、パラメータ算出部５でパラメータを算出した後に、新たに自己評定取得部３で取得した自己評定値（以下、新自己評定値と表記し、パラメータを算出する前の自己評定値と区別する）と、他者評定取得部７で取得した他者評定値と、評定値算出部６で算出した性格評定値に基づいて、所定の方法で判定し、ユーザに心理的問題が生じているか否かを判断し、ユーザとメンバの人間関係を判定する。

図２は、行動情報取得部１の構成の一例を示すブロック図である。ユーザ、メンバ１、メンバｎは、識別情報を付したＲＦタグＵ、ＲＦタグＭ１、ＲＦタグＭｎ（以下、ＲＦタグ１１とする）をそれぞれ所持する。位置情報発信機１２は電波を発信し、その電波を受信したＲＦタグ１１はその電波を反射し、同時に識別情報を送信する。タグ情報送受信部１３はネットワークを介して、ＲＦタグ１１が反射した電波および位置情報発信機１２が発信した電波を受信し、そのＲＦタグ１１の識別情報と位置情報を位置算出部１４へ送る。位置算出部１４は、タグ情報送受信部１３から送られた情報をもとに、ユーザおよびメンバの位置座標や、その軌跡などを算出する。このときの位置情報の例を図３に示す。位置情報発信機１２でユーザおよびメンバの位置座標である座標（Ｘ，Ｙ）を算出し、座標を連続して記録することで、ユーザおよびメンバの軌跡を算出することができる。また、位置情報を記憶部２に記憶するときの位置情報のデータの例を図４に示す。記憶部２は、位置情報として、ユーザ名もしくはＲＦタグ１１の識別情報と、位置を算出した時間およびそのときの位置座標を記憶する。

以下の各関数は、特徴抽出部４で抽出する行動特徴の例を示す。特徴抽出部４は、行動情報取得部１で取得したユーザの行動に関する情報から所定の特徴要素の量を表す行動特徴を抽出する。抽出する行動特徴は、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、ユーザとメンバとの平均距離、ユーザとメンバごとの距離の分散、ユーザのグループへの接近回数、および、ユーザのグループからの回避回数が挙げられる。このとき抽出する行動特徴は複数あってもよい。

位置情報の規則性：

単位時間あたりの移動速度：

移動速度の分散：

最長移動時間：

最短停止時間：

最長停止時間：

全メンバとの平均距離：

メンバごとの距離の分散：

グループへの接近回数：

グループからの回避回数：

上述の各式において、
Ｌ（Ｕ_ｉ，ｄ，ｔ）は、ユーザｉの日ｄの時刻ｔにおける位置情報
と定義する。
Ｃ（Ｕ_ｉ，Ｌ_ｍｅｅｔ（Ｕ_ｊ，Ｕｋ，ｄ，ｔ），α）は、位置情報から生成する行動特徴
とする。また、上述の各式において、
Ｄ（Ｕ_ｉ，ｄ，ｔ）は、単位時間での移動距離すなわち、
（Ｄ（Ｕ_ｉ，ｄ，ｔ）＝｛Ｌ（Ｕ_ｉ，ｄ，ｔ＋１）−Ｌ（Ｕ_ｉ，ｄ，ｔ）｝）、
上線付のＬ（Ｕ_ｉ，ｄ，ｔ）は、特定時刻の平均位置情報、
Ｍ（ｄ，ｔ）は、時刻ｔから連続する移動量が０より大きい時間、
Ｓ（ｄ，ｔ）は、時刻ｔから連続する移動量が０の時間、
Ｄ（Ｕ_ｉ，Ｕ_ｊ，ｄ，ｔ）は、ユーザｉ、ユーザｊの特定時刻における距離、
Ｃ（Ｕ_ｉ，Ｌ_ｍｅｅｔ（Ｕ_ｊ，Ｕ_ｋ，ｄ，ｔ），α）は、ユーザｊ、ユーザｋが接近している時刻ｔから、ユーザｉがα時間内に離れた場合に１、それ以外は０を返す関数、
Ｄは記録日数、Ｔは１日の記録数、Ｍはメンバ数、
を表す。行動情報取得部１で取得する物理量の種類により、抽出する行動特徴は例に挙げた上述の各式以外のものであってもよい。

図５は、自己評定値や他者評定値を測定するために行う、一般的性格を測定するためのテスト（質問紙）の一例である。多数の質問項目から構成されたＢｉｇ Ｆｉｖｅ尺度により、外向性、情緒不安定性、開放性、誠実性、調和性などの一般的性格を求めることができる。自己評定取得部３は、ユーザが自身についてテストを回答した結果から自己評定値を測定して取得し、他者評定取得部７は、メンバがユーザについてテストを回答した結果から他者評定値を測定して取得する。

図６は、自己評定値の一例を示す。あるユーザの自己評定値と行動特徴を求め、一覧にまとめたものである。自己評定値は、図５のテストをもとに、外向性、情緒不安定性、開放性、誠実性、調和性などの一般的性格を表す各因子を数値化したものである。行動特徴は、上述の各式の行動特徴を算出したものである。図６では便宜上０から１の値をとるように正規化しているが、この限りではない。

図７は、パラメータ算出の一例を示す。本実施の形態では、写像関数として行動特徴の重みつき線形結合を用いた例を用いて説明する。行動特徴から自己評定値への写像関数は、この例に限るものではない。各行動特徴のパラメータ（結合加重）を推定するためのアルゴリズムは多く提案されているが、ここではWidrow-Hoffの学習規則を利用する例を挙げる。Widrow-Hoffの学習規則では、最急降下法を用いて逐次的近似によってパラメータを推定する。各パラメータの更新式は、自己評定値を教師信号として、推定した性格評定値との誤差に応じてパラメータを修正する（図７下部）。図８は、学習サンプルを３つ用いて性格評定値Ｖ_１のパラメータを学習した場合の具体例を示す。パラメータの学習方法は、最急降下法に限らず、他の関数最適化方法であってもよい。

図９は、対人関係と評定値について分類した概念の一例を示す。自己評定値、他者評定値および性格評定値はパラメータを算出した後に取得した値を用いる。パラメータを算出する際に使用した値と区別するために、パラメータを算出した後の値についてそれぞれ、新自己評定値、新他者評定値および新性格評定値とおく。所定の値αは新自己評定値と新他者評定値の差について設定した値、所定の値γは新自己評定値と新性格評定値の差について設定した値、所定の値βは新性格評定値と新他者評定値の差について設定した値を示す。評定値差Ｇは新自己評定値と新他者評定値の差、評定値差Ｒは新自己評定値と新性格評定値の差、評定値差Ｂは新性格評定値と新他者評定値の差を示す。ユーザとメンバの対人関係は、所定の値αと評定値差Ｇ、所定の値γと評定値差Ｒ、所定の値βと評定値差Ｂのそれぞれを比較して、関係判定部８で判定を行う。このとき使用する所定の値α・γ・βは、予め、任意に設定しておく。

ユーザに対する他者評価をする全てのメンバについて、評定値差Ｇが所定の値αより小さい場合は、ユーザ自身およびユーザとメンバとの間に問題はないと判断できる。ただし、全てのメンバについて評定値差Ｇが所定の値αより小さく、かつ、評定値差Ｒが所定の値γより大きい場合は、パラメータの更新が必要と分類できる。パラメータ更新が必要な場合、評定値差Ｇは所定の値αより小さいので、評定値差Ｂは一般に所定の値βより大きい。

ユーザが属するグループのメンバのうちあるメンバについて、評定値差Ｇが所定の値αより大きい場合は、ユーザ自身またはユーザとそのメンバとの間に何らかの問題があると判断できる。評定値差Ｇが所定の値αより大きく、かつ、評定値差Ｒが所定の値γより大きい場合はユーザに心理的な問題ありと判断できる。

評定値差Ｇが所定の値αより大きく、かつ、評定値差Ｒが所定の値γより小さい場合は、さらに評定値差Ｂと所定の値βを比較する。あるメンバについて評定値差Ｂが所定の値βより大きければ、そのメンバはユーザに対してなんらかの認識のずれを持っていると判断できる。評定値差Ｂが所定の値βより小さいメンバについては、問題なしと分類される。

上述したように、所定の値α・γ・βと評定値差Ｇ・Ｒ・Ｂを比較することで、ユーザとメンバの対人関係について、問題なし、ユーザに心理的な問題あり、メンバはユーザに対してなんらかの認識のずれあり、のいずれかに分類することができる。さらに、問題なしの場合においてパラメータの更新が必要と判定されたときは、性格評定値の推定に問題があるため、グループ管理支援装置１００は、パラメータの設定を再学習する。

図１０は、対人関係と評定値について分類した判定結果の一例を示す。図９に示す対人関係と評定値について分類した概念を数値化したものである。関係判定部８では、実際は、所定の値に実際の数値を入力して判断する。関係判定部８には、予め判断を行うときの閾値や所定の値をプログラムしておく。関係判定部８は、評定値算出部６で算出された数値を用いて判定を行い、グループ管理支援装置１００の動作または出力結果を決定する。

評定値差の閾値である所定の値は、任意に設定することが可能である。所定の値は、例えば、ある集団をサンプルとして算出したもので、母集団の年齢や性別、地域などにより異なる。また、グループ管理支援装置１００で得られる結果を蓄積し、そのデータを反映させて所定の値を変更することも可能である。

以下に、具体的な例を用いて本発明の実施の形態のグループ管理支援装置１００の動作を説明する。図２および図３に示すように、行動情報取得部１は、ＲＦタグ１１を所持するユーザやメンバの位置情報を取得する。詳しくは、複数ある位置情報発信器１２はＲＦタグ１１に向けて電波を発信する。タグ情報送受信部１３はネットワークを介してＲＦタグ１１の識別情報と位置情報を受信し、位置算出部１４へ情報を送る。位置算出部１４は位置座標などの位置情報だけでなく、例えば図４にあるようなＲＦタグ１１の識別情報や位置を検出した時刻などの情報も合わせて、記憶部２へ情報を送る。

自己評定取得部３は、ユーザの自己評定値を取得する。例えば図５に示すような質問紙をユーザが回答する。集計した結果をグループ管理支援装置１００の外部に接続したコンピュータに入力したり、また、ユーザが直接コンピュータ上で回答したものが自動集計されるなどして、自己評定値が求められる。取得した自己評定値は記憶部２で記憶される。

特徴抽出部４は、行動情報取得部１で取得した物理量のデータを行動特徴として抽出する。上述の各式に示す位置情報の規則性や単位時間当たりの移動速度など、所定の計算式に物理量を代入することで行動特徴を抽出できる。記憶部２に記憶し保存された行動特徴と自己評定値の例を図６に示す。これら評定値を元に、パラメータ算出部５でパラメータを算出する。計算については図７や図８を参照する。自己評定値の空間への所定の写像関数を用いて、ユーザの行動特徴を写像した値が、ユーザの自己評定値の所定の範囲に入るように、その写像関数のパラメータを算出する。パラメータの算出において、最急降下法を用いてパラメータの最小化を行うことで、最適なパラメータを算出することができる。

パラメータが算出された後に、再度、ユーザの自己に対する評価である自己評定値を自己評定取得部３で取得し、記憶部２に保存する。新たに取得した自己評定値は、パラメータ算出時の自己評定値と区別するために、新自己評定値とおく。あわせて、行動情報についても行動情報取得部１で新たに取得して、特徴抽出部４で行動特徴を抽出し、記憶部２に保存する。新たに抽出した行動特徴は、パラメータ算出時の行動特徴と区別するために、新行動特徴とおく。また、他者評定取得部７で、グループ内のメンバからユーザに関する評価である他者評定値を取得する。他者評定値の取得方法は、自己評定値の取得方法とほぼ同様であり、自己評定値ではユーザが自身を評定するのに対し、他者評定値ではメンバがユーザを評定する。

評定値算出部６は、新自己評定値と、新行動特徴と、算出したパラメータを用いて、算出したパラメータを設定値とした写像関数を用いて、写像した値である新性格評定値を算出する。

関係判定部８は、新自己評定値と、新性格評定値および新他者評定値を用いて、ユーザとメンバの関係を判定する。判定には、新自己評定値と新他者評定値の差である評定値差Ｇ、新自己評定値と新性格評定値の差である評定値差Ｒ、新性格評定値と新他者評定値の差である評定値差Ｂを用いる。比較する対象である所定の値α・γ・βは、評定値差Ｇ・Ｒ・Ｂのそれぞれに対応して、予め、任意に設定しておく。

例えば、対人関係に関して、新自己評定値と新性格評定値の差（評定値差Ｒ）が所定の値γより大きいときはユーザの行動と心証にずれが生じているデータが存在する場合、その結果をふまえて、判定結果を設定する。このとき、所定の値γは、例えば０．５などの限定した数値でなく、０．４以上０．６以下などの数値の幅を広げた範囲を設定してもよい。

グループ管理支援を行うとき、ユーザとメンバの間の対人関係について、関係判定部８は、設定された所定の値α・γ・βと、評定値差Ｇ・Ｒ・Ｂを比較して、値の大小を判断し、いずれかに分類を行う。

関係判定部８は、まず、評定値差Ｇと所定の値αを比較する。

全ての評定値差Ｇが所定の値αより小さい場合、関係判定部８は対人関係について問題なしと分類し、そのままグループ管理支援を終了する。

関係判定部８は、さらに評定値差Ｒと所定の値γを比較する。

全ての評定値差Ｇが所定の値αより小さく、かつ、評定値差Ｒが所定の値γより大きい場合、関係判定部８は対人関係について問題ないが、パラメータの更新が必要と分類する。関係判定部８は、新行動特徴を行動特徴、新自己評定値を自己評定値としてデータの書き換えを行うように記憶部２へ指示を送るとともに、パラメータを再計算して算出するようにパラメータ算出部５へ指示を送る。グループ管理支援装置１００は、パラメータの更新を行い、グループ管理支援を終了する。

パラメータの更新を行うときに、記憶部２に保存されている評定値の中で、最新の評定値を用いてパラメータを算出することにより、直近のユーザの情報を反映したパラメータを求めることができる。対人関係について問題ない場合であっても、時間の経過とともにユーザの考え方や状況が変化しており、パラメータを更新することが望ましい場合がある。グループ管理支援装置１００に、所定の期間毎にパラメータ更新を行うようにプログラムしてもかまわないが、関係判定部８で判定することにより、必要なときにパラメータ更新を行うことが可能となる。

評定値差Ｇが所定の値αより大きく、かつ、評定値差Ｒが所定の値γより大きい場合、関係判定部８は、ユーザに心理的な問題ありと分類し、そのままグループ管理支援を終了する。

評定値差Ｇが所定の値αより大きく、かつ、評定値差Ｒが所定の値γより小さい場合、関係判定部８は、さらに評定値差Ｂと所定の値βを比較する。関係判定部８は、評定値差Ｂが所定の値βより大きいメンバを抽出し、そのメンバに対して、ユーザに対してなんらかの認識のずれを持っていると分類する。そして、関係判定部８は特定のメンバに関する情報を記憶部２から抽出し、グループ管理支援を終了する。また、関係判定部８は、評定値差Ｂが所定の値βより小さいメンバについては、問題なしと分類し、そのままグループ管理支援を終了する。

メンバに関する情報とは、そのメンバの基本的な性格や所属などの予め入力した情報や、そのメンバがユーザを評価した他者評定値、そのメンバとユーザの行動に関する情報（軌跡や接触回数）などを指す。グループ管理支援を終了する前に、これらの抽出した情報を表示してもよい。例えば、グループ管理支援装置１００をコンピュータなどの外部機器と接続し、ディスプレイなどの表示部（図示せず）に、抽出したメンバおよび関連する情報を文字列やグラフなどで表示する。このとき表示する内容は任意に設定できる。これらの情報を表示することにより、グループ管理支援装置１００を利用する人が、情報を閲覧したり、情報を利用することができ、グループ管理支援に有意な情報として用いることが可能となる。さらに、グループ管理支援装置１００にデータの差異を検出する機能を備えておくことで、メンバとユーザに関する情報やデータについて、差異のある情報のみを抽出し、表示することも可能である。このとき表示部に表示する内容や、選択する情報、表示方法などについては、予め条件をプログラムしておいてもよく、その都度、必要な情報を選択して表示できるようにしてもよい。

図１１は、実施の形態におけるグループ管理支援のパラメータ決定の動作の一例を示すフローチャートである。まず、行動情報取得部１で行動情報の取得を行う（ステップＳ１１）。取得した距離や時間などの物理量で表される行動情報をもとに、特徴抽出部４で行動特徴の抽出をし、記憶部２に記憶する（ステップＳ１２）。自己評定取得部３にてユーザが入力した自己評定値を取得し、記憶部２に記憶する（ステップＳ１３）。ステップＳ１２で抽出し記憶した行動特徴と、ステップＳ１３で取得し記憶した自己評定値を用いて、行動特徴から自己評定値へ写像関数を用いて写像する（ステップＳ１４）。そして、パラメータ算出部５で写像関数におけるパラメータの算出を行い、記憶部２に記憶し（ステップＳ１５）、パラメータ決定の動作は終了となる。

図１２は、実施の形態におけるグループ管理支援の動作の一例を示すフローチャートである。図１１でパラメータを決定した後に、グループ管理支援の動作が可能となる。

まず、行動情報取得部１で新たに行動情報を取得し、特徴抽出部４で行動特徴（新行動特徴）を抽出し、記憶部２に記憶する（ステップＳ２１）。また、自己評定取得部３で新たに自己評定値（新自己評定値）を取得し、記憶部２に記憶する（ステップＳ２２）。評定値算出部６は、パラメータ決定の動作で求めたパラメータを用いた写像関数に基づいて、ステップＳ２１およびＳ２２で記憶した新行動特徴と新自己評定値から、新性格評定値を算出し、記憶部２に記憶する（ステップＳ２３）。新自己評定値と新性格評定値を求めるのと同時に、判定を行うのに必要な新他者評定値についても、他者評定取得部７で取得し、記憶部２で記憶する（ステップＳ２４）。

新自己評定値と新他者評定値および新性格評定値をもとに、関係判定部８でユーザとメンバの間の対人関係について判定を行う。対人関係について問題なし、ユーザに心理的な問題あり、メンバはユーザに対してなんらかの認識のずれあり、のいずれかに分類することができる。さらに、問題なしの場合において、パラメータの更新が必要と判定することがある。関係判定部８は、新自己評定値と新他者評定値の差である評定値差Ｇと、新自己評定値と新性格評定値の差である評定値差Ｒと、新性格評定値と新他者評定値の差である評定値差Ｂを求める（ステップＳ２５）。

全てのメンバについて評定値差Ｇが所定の値αより小さく（ステップＳ２６；ＹＥＳ）、かつ、評定値差Ｒが所定の値γより小さい場合（ステップＳ２７；ＹＥＳ）、予めプログラムされた判定基準に基づいて、関係判定部８は、対人関係について問題なしと判定し（ステップＳ２８）、グループ管理支援を終了する。

全てのメンバについて評定値差Ｇが所定の値αより小さく（ステップＳ２６；ＹＥＳ）、かつ、評定値差Ｒが所定の値γより大きい場合（ステップＳ２７；ＮＯ）、予めプログラムされた判定基準に基づいて、関係判定部８は、対人関係については問題ないが、パラメータ更新の必要があると判定する（ステップＳ２９）。そして新しいパラメータを算出するために、記憶部２に記憶している新行動特徴を行動特徴に置き換え（ステップＳ３０）、新自己評定値を自己評定値に置き換え（ステップＳ３１）、パラメータ決定を行う（ステップＳ３２）。ステップＳ３２のパラメータ決定は、図１１に示すフローチャートに従って行う。

ここで、メンバは合計ｎ人（１≦ｋ≦ｎ）とする。メンバに番号変数ｋを付して、特定のメンバについてメンバｋと設定する。メンバｋがユーザを評価した他者評定値を用いて評定値差Ｂを算出したものを、評定値差Ｂｋと設定する。

関係判定部８は、評定値差Ｇが所定の値αより大きく（ステップＳ２６；ＮＯ）、かつ、評定値差Ｒが所定の値γより小さい場合（ステップＳ３３；ＹＥＳ）、番号変数ｋに最初の番号１を設定し（ステップＳ３４）、評定値差Ｂｋと所定の値βの比較を行う（ステップＳ３５）。評定値差Ｂｋが所定の値βより小さければ（ステップＳ３５；ＮＯ）、ユーザとメンバｋの対人関係は問題ないため、関係判定部８は、メンバｋについての判定を終え、ステップＳ３９へ進む。評定値差Ｂｋが所定の値βより大きければ（ステップＳ３５；ＹＥＳ）、予めプログラムされた判定基準に基づいて、関係判定部８は、メンバｋはユーザに対して認識のずれありと判定する（ステップＳ３６）。そしてメンバｋを抽出し（ステップＳ３７）、さらに、メンバｋに関する情報や、ユーザとメンバｋの行動（軌跡や接触回数など）に関する情報などの、ユーザとメンバに関する情報を取得する（ステップＳ３８）。

番号変数ｋに１を加算し（ステップＳ３９）、番号変数ｋがメンバの合計数ｎを超えていなければ（ステップＳ４０；ＮＯ）、ステップＳ３５に戻って、その番号変数ｋであるメンバｋの評定値差Ｂｋと所定の値βを比較するところから、上述の処理を繰り返す。そして、番号変数ｋがメンバの合計数ｎを超えたところで（ステップＳ４０；ＹＥＳ）、各メンバについて判定を終え、グループ管理支援を終了する。

あるメンバについて評定値差Ｇが所定の値αより大きく（ステップＳ２６；ＮＯ）、かつ、評定値差Ｒが所定の値γより大きい場合（ステップＳ３３；ＮＯ）、予めプログラムされた判定基準に基づいて、関係判定部８は、対人関係についてユーザに心理的な問題ありと判定する（ステップＳ４１）。

以上説明したように、実施の形態に係るグループ管理支援装置では、判定するための情報を取得する際に、通常時におけるユーザの行動と性格の関連性を表す写像関数を用いることで、恣意的な考えや意図的な行動を取り除き、より信頼度の高い評価を得ることができる。また、ユーザ自身の評価だけでなく、グループ内におけるユーザ以外のメンバの評価を合わせることで、客観的な評価を行うことができるだけでなく、ユーザとグループ内におけるそれぞれのメンバとの関係について判定するので、グループ内でのユーザの対人関係についても評価することができる。さらに、ユーザ自身に心境の変化があったとき、例えばあるメンバに対して最初は競争心を抱いていたが徐々に仲間意識が芽生えるなどの気持ちの変化があったとき、行動と性格の関連性を表す写像関数のパラメータを更新することにより、ユーザの心理的な問題を考慮し、信頼度の高い評価を得ることができる。その結果、グループ管理支援装置を利用することで、グループ組織におけるメンバ間の対人関係を管理・支援するときに、メンバの関係が理解でき、また、より好ましい関係にするための情報を得ることができる。

図１３は、本発明の実施の形態に係るグループ管理支援装置１００の物理的な構成例を示すブロック図である。

グループ管理支援装置１００は、図１３に示すように、制御部２１、主記憶部２２、外部記憶部２３、操作部２４、表示部２５および送受信部２６を備える。主記憶部２２、外部記憶部２３、操作部２４、表示部２５および送受信部２６はいずれも内部バス２０を介して制御部２１に接続されている。

制御部２１はＣＰＵ（Central Processing Unit）等から構成され、外部記憶部２３に記憶されている制御プログラム２９に従って、グループ管理支援のための、ユーザとメンバの間の対人関係判定の処理を実行する。

主記憶部２２はＲＡＭ（Random-Access Memory）等から構成され、外部記憶部２３に記憶されている制御プログラム２９をロードし、制御部２１の作業領域として用いられる。

外部記憶部２３は、フラッシュメモリ、ハードディスク、ＤＶＤ−ＲＡＭ（Digital Versatile Disc Random-Access Memory）、ＤＶＤ−ＲＷ（Digital Versatile Disc ReWritable）等の不揮発性メモリから構成され、上述の処理を制御部２１に行わせるための制御プログラム２９を予め記憶し、また、制御部２１の指示に従って、この制御プログラム２９が記憶するデータを制御部２１に供給し、制御部２１から供給されたデータを記憶する。

操作部２４はキーボードおよびマウスなどのポインティングデバイス等と、キーボードおよびポインティングデバイス等を内部バスに接続するインタフェース装置から構成されている。操作部２４を介して、回答者の操作が入力され、制御部２１に供給される。

表示部２５は、ＣＲＴ（Cathode Ray Tube）またはＬＣＤ（Liquid Crystal Display）などから構成され、入力操作情報、入力操作プロファイル情報または評定値などを表示する。

送受信部２６は、無線送受信機、無線モデムまたは網終端装置、およびそれらと接続するシリアルインタフェースまたはＬＡＮ（Local Area Network）インタフェースから構成されている。送受信部２６を介して、入力操作情報の送受信を行う。

グループ管理支援装置１００の行動情報取得部１、記憶部２、自己評定取得部３、特徴抽出部４、パラメータ算出部５、評定値算出部６、他者評定取得部７および関係判定部８の処理は、制御プログラム２９が、制御部２１、主記憶部２２、外部記憶部２３、操作部２４、表示部２５および送受信部２６などを資源として用いて処理することによって実行する。

その他、本発明の好適な変形として、以下の構成が含まれる。

本発明の実施の形態１に係るグループ管理支援装置について、
好ましくは、前記関係判定手段は、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、該対象ユーザに心理的問題があると判断することを特徴とする。

好ましくは、前記関係判定手段は、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より小さい場合に、該他者評定値を入力したメンバが該対象ユーザに対する認識のずれをもっていると判断することを特徴とする。

好ましくは、前記対象ユーザの前記新自己評定値と前記他者評定値との差が所定の値より小さく、かつ、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、前記写像関数のパラメータを改めて算出して更新することを特徴とする。

好ましくは、前記行動情報は、前記対象ユーザおよび前記他のメンバの各メンバの位置情報を含むことを特徴とする。

好ましくは、前記特徴抽出手段は、前記各メンバの位置情報から生成する行動特徴として、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、前記対象ユーザと前記他のメンバとの平均距離、前記対象ユーザと前記他のメンバごとの距離の分散、前記対象ユーザの前記グループへの接近回数、前記対象ユーザの前記グループからの回避回数、のうちの少なくとも一つを抽出することを特徴とする。

本発明の実施の形態２に係るグループ管理支援方法について、
好ましくは、前記関係判定ステップは、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、該対象ユーザに心理的問題があると判断することを特徴とする。

好ましくは、前記関係判定ステップは、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より小さい場合に、該他者評定値を入力したメンバが該対象ユーザに対する認識のずれをもっていると判断することを特徴とする。

好ましくは、前記対象ユーザの前記新自己評定値と前記他者評定値との差が所定の値より小さく、かつ、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、前記写像関数のパラメータを改めて算出して更新することを特徴とする。

好ましくは、前記行動情報は、前記対象ユーザおよび前記他のメンバの各メンバの位置情報を含むことを特徴とする。

好ましくは、前記特徴抽出ステップは、前記各メンバの位置情報から生成する行動特徴として、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、前記対象ユーザと前記他のメンバとの平均距離、前記対象ユーザと前記他のメンバごとの距離の分散、前記対象ユーザの前記グループへの接近回数、前記対象ユーザの前記グループからの回避回数、のうちの少なくとも一つを抽出することを特徴とする。

その他、前記のハードウエア構成やフローチャートは一例であり、任意に変更および修正が可能である。

制御部２１、主記憶部２２、外部記憶部２３、操作部２４、内部バス２０などから構成される機器制御処理を行う中心となる部分は、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。たとえば、前記の動作を実行するためのコンピュータプログラムを、コンピュータが読み取り可能な記録媒体（フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等）に格納して配布し、当該コンピュータプログラムをコンピュータにインストールすることにより、前記の処理を実行する主観評定値検出装置１０を構成してもよい。また、インターネット等の通信ネットワーク上のサーバ装置が有する記憶装置に当該コンピュータプログラムを格納しておき、通常のコンピュータシステムがダウンロード等することでグループ管理支援装置１００を構成してもよい。

また、グループ管理支援装置１００の機能を、ＯＳ（オペレーティングシステム）とアプリケーションプログラムの分担、またはＯＳとアプリケーションプログラムとの協働により実現する場合などには、アプリケーションプログラム部分のみを記録媒体や記憶装置に格納してもよい。

また、搬送波にコンピュータプログラムを重畳し、通信ネットワークを介して配信することも可能である。たとえば、通信ネットワーク上の掲示板(BBS, Bulletin Board System)に前記コンピュータプログラムを掲示し、ネットワークを介して前記コンピュータプログラムを配信してもよい。そして、このコンピュータプログラムを起動し、ＯＳの制御下で、他のアプリケーションプログラムと同様に実行することにより、前記の処理を実行できるように構成してもよい。

本発明によれば、組織やグループの管理者が、グループ内の各メンバ同士の対人関係の変化を知り、グループをより好ましい状態へと管理することに利用可能である。さらに、性格評定値の変化および対人関係の変化をグループ管理方法の定量的指標として適用することもできる。

１ 行動情報取得部
２ 記憶部
３ 自己評定取得部
４ 特徴抽出部
５ パラメータ算出部
６ 評定値算出部
７ 他者評定取得部
８ 関係判定部
１１ ＲＦタグ
１２ 位置情報発信機
１３ タグ情報送受信部
１４ 位置算出部
２０ 内部バス
２１ 制御部
２２ 主記憶部
２３ 外部記憶部
２４ 操作部
２５ 表示部
２６ 送受信部
２９ 制御プログラム
１００ グループ管理支援装置
１０１ サーバ

Claims (13)

1. 対象ユーザの行動を表す情報である行動情報を取得する行動情報取得手段と、
   前記行動情報を蓄積して記憶する記憶手段と、
   前記対象ユーザの自己評定値を取得する自己評定取得手段と、
   前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出手段と、
   前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出手段と、
   前記パラメータ算出手段で前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出手段と、
   前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得手段と、
   前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定手段と、
   を備えることを特徴とするグループ管理支援装置。
2. 前記関係判定手段は、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、該対象ユーザに心理的問題があると判断することを特徴とする請求項１に記載のグループ管理支援装置。
3. 前記関係判定手段は、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より小さい場合に、該他者評定値を入力したメンバが該対象ユーザに対する認識のずれをもっていると判断することを特徴とする請求項１または２に記載のグループ管理支援装置。
4. 前記対象ユーザの前記新自己評定値と前記他者評定値との差が所定の値より小さく、かつ、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、前記写像関数のパラメータを改めて算出して更新することを特徴とする請求項１ないし３のいずれか１項に記載のグループ管理支援装置。
5. 前記行動情報は、前記対象ユーザおよび前記他のメンバの各メンバの位置情報を含むことを特徴とする請求項１ないし４のいずれか１項に記載のグループ管理支援装置。
6. 前記特徴抽出手段は、前記各メンバの位置情報から生成する行動特徴として、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、前記対象ユーザと前記他のメンバとの平均距離、前記対象ユーザと前記他のメンバごとの距離の分散、前記対象ユーザの前記グループへの接近回数、前記対象ユーザの前記グループからの回避回数、のうちの少なくとも一つを抽出することを特徴とする請求項５に記載のグループ管理支援装置。
7. 対象ユーザの行動を表す情報である行動情報を取得する行動情報取得ステップと、
   前記行動情報を蓄積して記憶する記憶ステップと、
   前記対象ユーザの自己評定値を取得する自己評定取得ステップと、
   前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出ステップと、
   前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出ステップと、
   前記パラメータ算出ステップで前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出ステップと、
   前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得ステップと、
   前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定ステップと、
   を備えることを特徴とするグループ管理支援方法。
8. 前記関係判定ステップは、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、該対象ユーザに心理的問題があると判断することを特徴とする請求項７に記載のグループ管理支援方法。
9. 前記関係判定ステップは、前記対象ユーザの前記新自己評定値と前記他者評定値に所定の値を超える差があって、前記性格評定値と該新自己評定値との差が所定の値より小さい場合に、該他者評定値を入力したメンバが該対象ユーザに対する認識のずれをもっていると判断することを特徴とする請求項７または８に記載のグループ管理支援方法。
10. 前記対象ユーザの前記新自己評定値と前記他者評定値との差が所定の値より小さく、かつ、前記性格評定値と該新自己評定値との差が所定の値より大きい場合に、前記写像関数のパラメータを改めて算出して更新することを特徴とする請求項７ないし９のいずれか１項に記載のグループ管理支援方法。
11. 前記行動情報は、前記対象ユーザおよび前記他のメンバの各メンバの位置情報を含むことを特徴とする請求項７ないし１０のいずれか１項に記載のグループ管理支援方法。
12. 前記特徴抽出ステップは、前記各メンバの位置情報から生成する行動特徴として、同時刻における位置情報の分散、単位時間あたりの移動速度、移動速度の分散、最長移動時間、最短停止時間、最長停止時間、前記対象ユーザと前記他のメンバとの平均距離、前記対象ユーザと前記他のメンバごとの距離の分散、前記対象ユーザの前記グループへの接近回数、前記対象ユーザの前記グループからの回避回数、のうちの少なくとも一つを抽出することを特徴とする請求項１１に記載のグループ管理支援方法。
13. コンピュータに、
    対象ユーザの行動を表す情報である行動情報を取得する行動情報取得ステップと、
    前記行動情報を蓄積して記憶する記憶ステップと、
    前記対象ユーザの自己評定値を取得する自己評定取得ステップと、
    前記蓄積記憶した行動情報から所定の特徴要素の量を表す行動特徴を抽出する特徴抽出ステップと、
    前記行動特徴の空間から前記自己評定値の空間への所定の写像関数を用いて、前記対象ユーザの行動特徴を写像した値が該対象ユーザの該自己評定値の所定の範囲に入るように、該写像関数のパラメータを算出するパラメータ算出ステップと、
    前記パラメータ算出ステップで前記パラメータを算出した後の前記対象ユーザの行動情報から抽出した行動特徴を、算出した該パラメータで決定される前記写像関数で写像した値である性格評定値を算出する評定値算出ステップと、
    前記対象ユーザが属するグループの他のメンバが該対象ユーザを評価した値である他者評定値を取得する他者評定取得ステップと、
    前記パラメータを算出した後に取得した前記対象ユーザの前記自己評定値である新自己評定値、前記他者評定値および前記性格評定値に基づいて、所定の方法で該対象ユーザに関する心理的問題が生じているか否かを判断する関係判定ステップと、
    を実行させることを特徴とするプログラム。

Images