JP2020160551A - Analysis support device for personnel item, analysis support method, program, and recording medium - Google Patents
Analysis support device for personnel item, analysis support method, program, and recording medium Download PDFInfo
- Publication number
- JP2020160551A JP2020160551A JP2019056486A JP2019056486A JP2020160551A JP 2020160551 A JP2020160551 A JP 2020160551A JP 2019056486 A JP2019056486 A JP 2019056486A JP 2019056486 A JP2019056486 A JP 2019056486A JP 2020160551 A JP2020160551 A JP 2020160551A
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- data
- learning model
- personnel
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 46
- 230000013016 learning Effects 0.000 claims abstract description 126
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 abstract 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、人事項目の分析支援装置、分析支援方法、プログラム、および記録媒体に関する。 The present invention relates to an analysis support device for human resources, an analysis support method, a program, and a recording medium.
企業においては、通常、人事部の担当者が、大量の人事データに基づいて、社員の適切な部署への配置、目的の効果を得るための研修の提案、退職等のリスクの抽出等を行っている。しかしながら、そのような人事関係の判断は、上司等の特定社員の意向が強く反映される等、客観的に行えなかったり、企業の規模が大きくなればなるほど参照する情報も膨大となるため、時間を要してしまう。 In a company, the person in charge of the human resources department usually assigns employees to appropriate departments, proposes training to obtain the desired effect, extracts risks such as retirement, etc. based on a large amount of personnel data. ing. However, such judgments on personnel relations cannot be made objectively, such as strongly reflecting the intentions of specific employees such as superiors, and the larger the company, the greater the amount of information to be referred to. Will be required.
一方、近年、様々な分野において、人間が行っている処理に関して、機械に学習させて、学習モデルを構築し、前記学習モデルを用いて処理することが試みられている。しかし、前記学習モデルは、通常、専門家によって構築され、ユーザに納品されるため、ユーザは、納品された学習モデルを使用してみなければ、その学習データが適したものでるか否かを判断することができない。また、学習モデルの生成については、汎用性のあるシステムが市場にでているが、ユーザが、前記システムを用いて学習モデルを生成しても、結果的に、生成された学習モデルが、目的にあっているか否かを判断することが困難である。 On the other hand, in recent years, in various fields, it has been attempted to make a machine learn about the processing performed by humans, construct a learning model, and process using the learning model. However, since the learning model is usually constructed by an expert and delivered to the user, the user must try using the delivered learning model to determine whether or not the learning data is suitable. I can't judge. Further, regarding the generation of the learning model, a versatile system is on the market, but even if the user generates the learning model using the system, the generated learning model is the purpose as a result. It is difficult to judge whether or not it matches.
そこで、本発明は、人事項目の分析において、学習モデルを選択するにあたって、ユーザが容易に適した選択を行うことができ、それによって適した人事項目の分析を行うことが可能となるシステムの提供を目的とする。 Therefore, the present invention provides a system that enables the user to easily make a suitable selection when selecting a learning model in the analysis of the human resources, thereby enabling the analysis of the suitable human resources. With the goal.
前記目的を達成するために、本発明の人事項目の分析支援装置は、
入力部、学習モデル生成部、選択情報生成部、出力部、および分析部を含み、
前記入力部は、
ユーザの情報を入力し、
前記学習モデル生成部は、
前記入力部により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成部は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力部は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析部は、
前記入力部により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行うことを特徴とする。
In order to achieve the above object, the analysis support device for human matters of the present invention
Including input unit, learning model generation unit, selection information generation unit, output unit, and analysis unit,
The input unit is
Enter the user's information and
The learning model generation unit
When the past personnel data is input as learning data for the analysis target items related to personnel by the input unit,
Two or more learnings are performed using a part of the training data, and two or more learning models to analyze the analysis target item are generated.
The selection information generation unit
Using the rest of the training data, prediction verification is performed for each of the training models, and the error between the true information and the prediction information, the recall rate, the precision rate, and the correct answer rate are determined as selection information for selecting the training model. Generated as
The output unit
For each of the learning models, the selection information is output.
The analysis unit
When the selection result of the user and the personnel data of the analysis target person are input by the input unit,
It is characterized in that the analysis target item is analyzed by using the personnel data of the analysis target person by the selected learning model.
本発明の人事項目の分析支援方法は、入力工程、学習モデル生成工程、選択情報生成工程、出力工程、および分析工程を含み、
前記入力工程は、
ユーザの情報を入力し、
前記学習モデル生成工程は、
前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成工程は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力工程は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析工程は、
前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行うことを特徴とする。
The analysis support method for human resources of the present invention includes an input process, a learning model generation process, a selection information generation process, an output process, and an analysis process.
The input process is
Enter the user's information and
The learning model generation step is
When past personnel data is input as learning data for the analysis target items related to personnel by the input process,
Two or more learnings are performed using a part of the training data, and two or more learning models to analyze the analysis target item are generated.
The selection information generation step is
Using the rest of the training data, prediction verification is performed for each of the training models, and the error between the true information and the prediction information, the recall rate, the precision rate, and the correct answer rate are determined as selection information for selecting the training model. Generated as
The output process is
For each of the learning models, the selection information is output.
The analysis step is
When the selection result of the user and the personnel data of the analysis target person are input by the input process,
It is characterized in that the analysis target item is analyzed by using the personnel data of the analysis target person by the selected learning model.
本発明のプログラムは、前記本発明の人事項目の分析支援方法をコンピュータに実行させることを特徴とする。 The program of the present invention is characterized in that a computer executes the analysis support method for the human resources of the present invention.
本発明の記録媒体は、前記本発明のプログラムを記録したコンピュータ読み取り可能な記録媒体である。 The recording medium of the present invention is a computer-readable recording medium on which the program of the present invention is recorded.
本発明によれば、例えば、学習データに基づいて、複数の学習モデルが生成されるとともに、各学習モデルについて、学習モデルを選択するための選択情報が生成されるため、ユーザは、前記選択情報に基づいて、容易に目的に沿った学習モデルの選択を行うことができる。このため、選択した学習モデルの使用によって、さらに、目的に沿った分析結果を得ることも可能となる。 According to the present invention, for example, a plurality of learning models are generated based on the learning data, and selection information for selecting the learning model is generated for each learning model. Therefore, the user can use the selection information. Based on the above, it is possible to easily select a learning model according to the purpose. Therefore, by using the selected learning model, it is possible to further obtain the analysis result according to the purpose.
本発明において、ユーザは、人事項目について分析を行うグループ、または人事担当者等である。「グループ」の単位は、特に制限されず、例えば、企業、組合、学校、行政等の組織単位でもよいし、人事部等の部署単位でもよい。 In the present invention, the user is a group that analyzes personnel items, a person in charge of personnel, or the like. The unit of the "group" is not particularly limited, and may be, for example, an organizational unit such as a company, a union, a school, or an administration, or a department unit such as a human resources department.
本発明の人事項目の分析支援装置および分析支援方法によれば、分析対象者の人事項目について、自動的な分析が可能になる。前記人事項目は、特に制限されず、例えば、適正配置、研修とその効果、または離脱可能性等である。「適正配置」とは、例えば、どのような部署、プロジェクト、役職、ポスト等に配置することが適正であるかを意味する。「研修とその効果」とは、例えば、どの研修を提供すれば、どのような効果が得られるかを意味する。「離脱可能性」とは、例えば、属しているグループから離脱する可能性を意味し、具体的には、離職（退職）の他、部署、役職、プロジェクト等からの離脱も含む。 According to the analysis support device and the analysis support method for the personnel items of the present invention, it is possible to automatically analyze the personnel items of the person to be analyzed. The personnel items are not particularly limited, and are, for example, proper placement, training and its effects, or withdrawal possibility. “Appropriate placement” means, for example, what kind of department, project, job title, post, etc. is appropriate to be placed. “Training and its effects” means, for example, what kind of training should be provided and what kind of effect can be obtained. The “possibility of withdrawal” means, for example, the possibility of withdrawal from the group to which the employee belongs, and specifically, includes withdrawal from a department, job title, project, etc. in addition to withdrawal (retirement).
本発明の実施形態について説明する。なお、本発明は、以下の実施形態には限定されない。なお、以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用できる。さらに、各実施形態の構成は、特に言及がない限り、組合せ可能である。 An embodiment of the present invention will be described. The present invention is not limited to the following embodiments. In each of the following figures, the same parts are designated by the same reference numerals. Further, the explanations of the respective embodiments can be referred to each other's explanations unless otherwise specified. Further, the configurations of the respective embodiments can be combined unless otherwise specified.
［実施形態１］
図１は、本実施形態の人事項目の分析支援装置１０の一例の構成を示すブロック図である。図１（Ａ）に示すように、分析支援装置１０は、入力部１２、学習モデル生成部１３、選択情報生成部１４、出力部１５、および分析部１６を有する。分析支援装置１０は、例えば、さらに、記憶部１２を有してもよい。分析支援装置１０は、例えば、分析支援システムともいう。分析支援装置１０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。前記通信回線網は、例えば、後述の例示と同様である。分析支援装置１０は、例えば、各部の処理がクラウド上で行われてもよい。
[Embodiment 1]
FIG. 1 is a block diagram showing a configuration of an example of the analysis support device 10 for the human resources of the present embodiment. As shown in FIG. 1A, the analysis support device 10 has an input unit 12, a learning model generation unit 13, a selection information generation unit 14, an output unit 15, and an analysis unit 16. The analysis support device 10 may further include, for example, a storage unit 12. The analysis support device 10 is also referred to as, for example, an analysis support system. The analysis support device 10 may be, for example, one device including the above-mentioned parts, or a device in which the above-mentioned parts can be connected via a communication network. The communication network is, for example, the same as the examples described later. In the analysis support device 10, for example, the processing of each part may be performed on the cloud.
分析支援装置１０は、例えば、図１（Ｂ）に示すように、外部機器３０と通信回線網２０を介して接続可能である。外部機器３０は、例えば、サーバ、ＰＣ（パーソナルコンピュータ）等の他、タブレット、スマートフォン、携帯電話等の端末等があげられる。本実施形態においては、ユーザは、外部機器３０を使用し、外部機器３０と分析支援装置１０とが、通信回線網２０を介して接続される形態を例示するが、これには制限されず、分析支援装置１０は、例えば、ユーザが直接使用する装置（例えば、ＰＣまたはサーバ等）でもよい。 As shown in FIG. 1B, for example, the analysis support device 10 can be connected to the external device 30 via the communication network 20. Examples of the external device 30 include a server, a PC (personal computer), and a terminal such as a tablet, a smartphone, and a mobile phone. In the present embodiment, the user uses the external device 30, and the external device 30 and the analysis support device 10 are connected to each other via the communication network 20. However, the present embodiment is not limited to this. The analysis support device 10 may be, for example, a device (for example, a PC or a server) directly used by the user.
通信回線網２０は、特に制限されず、公知の通信回線網を使用でき、有線でも無線でもよい。前記通信回線網は、例えば、例えば、インターネット回線、電話回線、ＬＡＮ（Local Area Network）、ＷｉＦｉ（Wireless Fidelity）等があげられる。 The communication line network 20 is not particularly limited, and a known communication line network can be used, and may be wired or wireless. Examples of the communication line network include an Internet line, a telephone line, a LAN (Local Area Network), WiFi (Wireless Fidelity), and the like.
つぎに、図２に、分析支援装置１０のハードウエア構成のブロック図を例示する。分析支援装置１０は、例えば、ＣＰＵ（中央処理装置）１０１、メモリ１０２、バス１０３、入力装置１０４、ディスプレイ１０５、通信デバイス１０６、記憶装置１０７等を有する。分析支援装置１０の各部は、それぞれのインターフェース（Ｉ／Ｆ）により、バス１０３を介して、相互に接続されている。 Next, FIG. 2 illustrates a block diagram of the hardware configuration of the analysis support device 10. The analysis support device 10 includes, for example, a CPU (central processing unit) 101, a memory 102, a bus 103, an input device 104, a display 105, a communication device 106, a storage device 107, and the like. Each part of the analysis support device 10 is connected to each other by an interface (I / F) via a bus 103.
ＣＰＵ１０１は、分析支援装置１０の全体の制御を担うプロセッサであり、ＣＰＵには限定されず、他のプロセッサでもよい。分析支援装置１０において、ＣＰＵ１０１により、例えば、本発明のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。 The CPU 101 is a processor that controls the entire analysis support device 10, and is not limited to the CPU, and may be another processor. In the analysis support device 10, for example, the program of the present invention and other programs are executed by the CPU 101, and various information is read and written.
分析支援装置１０は、例えば、バス１０３に接続された通信デバイス１０６により、通信回線網に接続でき、前記通信回線網を介して、外部機器とも接続できる。前記外部機器は、特に制限されず、例えば、データベース、ＰＣ（パーソナルコンピュータ）、端末等であり、前記端末は、例えば、タブレット、スマートフォン、携帯電話等である。分析支援装置１０と前記外部機器との接続方式は、特に制限されず、例えば、有線による接続でもよいし、無線による接続でもよい。前記有線による接続は、例えば、コードによる接続でもよいし、通信回線網を利用するためのケーブル等による接続でもよい。前記無線による接続は、例えば、通信回線網を利用した接続でもよいし、無線通信を利用した接続でもよい。前記通信回線網は、特に制限されず、例えば、公知の通信回線網を使用でき、前述と同様である。 The analysis support device 10 can be connected to the communication network by, for example, the communication device 106 connected to the bus 103, and can also be connected to an external device via the communication network. The external device is not particularly limited, and is, for example, a database, a PC (personal computer), a terminal, or the like, and the terminal is, for example, a tablet, a smartphone, a mobile phone, or the like. The connection method between the analysis support device 10 and the external device is not particularly limited, and may be, for example, a wired connection or a wireless connection. The wired connection may be, for example, a cord connection or a cable connection for using the communication network. The wireless connection may be, for example, a connection using a communication network or a connection using wireless communication. The communication line network is not particularly limited, and for example, a known communication line network can be used, which is the same as described above.
メモリ１０２は、例えば、メインメモリを含み、前記メインメモリは、主記憶装置ともいう。ＣＰＵ１０１が処理を行う際には、例えば、後述する補助記憶装置に記憶されている、本発明のプログラム等の種々の動作プログラム１０８を、メモリ１０２が読み込み、ＣＰＵ１０１は、メモリ１０２からデータを受け取って、プログラム１０８を実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。メモリ１０２は、例えば、さらに、ＲＯＭ（読み出し専用メモリ）を含む。 The memory 102 includes, for example, a main memory, and the main memory is also referred to as a main storage device. When the CPU 101 performs processing, for example, the memory 102 reads various operation programs 108 such as the program of the present invention stored in the auxiliary storage device described later, and the CPU 101 receives data from the memory 102. , Program 108 is executed. The main memory is, for example, a RAM (random access memory). The memory 102 further includes, for example, a ROM (read-only memory).
記憶装置１０７は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。記憶装置１０７は、例えば、記憶媒体と、前記記憶媒体に読み書きするドライブとを含む。前記記憶媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＦＤ（フロッピー（登録商標）ディスク）、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等があげられ、前記ドライブは、特に制限されない。記憶装置１０７は、例えば、記憶媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）も例示できる。記憶装置１０７には、例えば、前述のように、プログラム１０８が格納され、前述のように、ＣＰＵ１０１を実行させる際、メモリ１０２が、記憶装置１０７から動作プログラム１０８を読み込む。また、記憶装置１０７は、例えば、記憶部１１を含む。 The storage device 107 is also referred to as a so-called auxiliary storage device with respect to the main memory (main storage device), for example. The storage device 107 includes, for example, a storage medium and a drive for reading and writing to the storage medium. The storage medium is not particularly limited, and may be an internal type or an external type, for example, HD (hard disk), FD (floppy (registered trademark) disk), CD-ROM, CD-R, CD-RW, MO, Examples thereof include a DVD, a flash memory, a memory card, and the like, and the drive is not particularly limited. The storage device 107 may be, for example, a hard disk drive (HDD) in which a storage medium and a drive are integrated. For example, as described above, the program 108 is stored in the storage device 107, and as described above, when the CPU 101 is executed, the memory 102 reads the operation program 108 from the storage device 107. Further, the storage device 107 includes, for example, a storage unit 11.
分析支援装置１０は、例えば、さらに、入力装置１０４、ディスプレイ１０５を有してもよい。入力装置１０４は、例えば、スキャナー、タッチパネル、キーボード等である。ディスプレイ１０５は、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等があげられる。 The analysis support device 10 may further include, for example, an input device 104 and a display 105. The input device 104 is, for example, a scanner, a touch panel, a keyboard, or the like. Examples of the display 105 include an LED display and a liquid crystal display.
入力部１２は、ユーザの情報を入力する。記憶部１１は、例えば、入力部１２により入力された情報を記憶する。分析支援装置１０への情報の入力は、特に制限されず、例えば、ユーザが分析支援装置１０を直接使用する場合は、図２に示す入力装置１０４を用いて直接入力してもよいし、ユーザが図１（Ｂ）に示すように外部機器３０を使用する場合は、外部機器３０に情報を入力し、外部機器３０から通信回線網２０を介して、分析支援装置１０に送信されてもよい。 The input unit 12 inputs user information. The storage unit 11 stores, for example, the information input by the input unit 12. The input of information to the analysis support device 10 is not particularly limited. For example, when the user directly uses the analysis support device 10, the information may be directly input using the input device 104 shown in FIG. When using the external device 30 as shown in FIG. 1 (B), information may be input to the external device 30 and transmitted from the external device 30 to the analysis support device 10 via the communication network 20. ..
前記ユーザの情報は、例えば、学習モデルの生成においては、ユーザが蓄積してきた過去の人事データであり、分析対象者の分析においては、前記分析対象者の人事データである。 The user information is, for example, the past personnel data accumulated by the user in the generation of the learning model, and the personnel data of the analysis target person in the analysis of the analysis target person.
学習モデル生成部１３は、入力部１２により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成する。学習モデル生成部１３は、例えば、既存の学習モデル生成システムが使用できる。 When the past personnel data is input as learning data for the analysis target item related to personnel by the input unit 12, the learning model generation unit 13 performs learning two or more times using a part of the learning data, and the above-mentioned Generate two or more learning models to analyze the items to be analyzed. As the learning model generation unit 13, for example, an existing learning model generation system can be used.
選択情報生成部１４は、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する。 The selection information generation unit 14 performs predictive verification for each of the learning models using the rest of the learning data, and determines the error, recall rate, precision rate, and correct answer rate between the true information and the predicted information as the learning model. Is generated as selection information for selecting.
出力部１５は、前記各学習モデルについて、前記選択情報を出力する。分析支援装置１０の前記選択情報の出力は、特に制限されず、例えば、ユーザが分析支援装置１０を直接使用する場合は、図２に示すディスプレイ１０５に前記選択情報を出力して表示してもよいし、ユーザが図１（Ｂ）に示すように外部機器３０を使用する場合は、分析支援装置１０から通信回線網２０を介して、外部機器３０に前記選択情報を出力し、外部機器３０のディスプレイに前記選択情報が表示されもよい。 The output unit 15 outputs the selection information for each of the learning models. The output of the selection information of the analysis support device 10 is not particularly limited. For example, when the user directly uses the analysis support device 10, the selection information may be output and displayed on the display 105 shown in FIG. Alternatively, when the user uses the external device 30 as shown in FIG. 1 (B), the analysis support device 10 outputs the selection information to the external device 30 via the communication network 20 and outputs the selection information to the external device 30. The selection information may be displayed on the display of.
ユーザは、前記出力された前記選択情報に基づいて、前記複数の学習モデルからいずれかの学習モデルを選択し、その選択結果を、前述のように、入力部１２により分析支援装置１０に入力できる。また、ユーザは、前記学習モデルを選択すると、さらに、分析対象者の人事データを、前述のように、入力部１２により分析支援装置１０に入力できる。なお、前記分析対象者の人事データは、例えば、予め、入力しておき、記憶部１１に記憶させておき、前記選択した学習モデルにより分析を行う際に、記憶部１１から呼び出してもよい。 The user can select one of the learning models from the plurality of learning models based on the output selection information, and input the selection result to the analysis support device 10 by the input unit 12 as described above. .. Further, when the user selects the learning model, the user can further input the personnel data of the analysis target person into the analysis support device 10 by the input unit 12 as described above. The personnel data of the person to be analyzed may be input in advance, stored in the storage unit 11, and recalled from the storage unit 11 when performing analysis by the selected learning model.
分析部１６は、入力部１２により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う。この分析結果は、例えば、出力部１５により、前述と同様にして、ユーザに対して出力できる。 When the selection result of the user and the personnel data of the analysis target person are input by the input unit 12, the analysis unit 16 uses the personnel data of the analysis target person according to the selected learning model. Analyze the items to be analyzed. This analysis result can be output to the user by, for example, the output unit 15 in the same manner as described above.
つぎに、本実施形態の分析支援方法について説明する。本実施形態の分析支援方法は、入力工程、学習モデル生成工程、選択情報生成工程、選択情報表示工程、および分析工程を含む。本実施形態の分析支援方法は、例えば、図１および図２に示す分析支援装置１０を用いて実施できる。なお、本実施形態の分析支援方法は、分析支援装置１０の使用には限定されない。 Next, the analysis support method of the present embodiment will be described. The analysis support method of the present embodiment includes an input step, a learning model generation step, a selection information generation step, a selection information display step, and an analysis step. The analysis support method of the present embodiment can be carried out using, for example, the analysis support device 10 shown in FIGS. 1 and 2. The analysis support method of the present embodiment is not limited to the use of the analysis support device 10.
前記入力工程は、ユーザの情報を入力する工程であり、例えば、分析支援装置１０の入力部１２により実行できる。 The input step is a step of inputting user information, and can be executed by, for example, the input unit 12 of the analysis support device 10.
前記学習モデル生成工程は、前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成する工程である。前記工程は、例えば、分析支援装置１０の学習モデル生成部１３により実行できる。 In the learning model generation step, when past personnel data is input as learning data for analysis target items related to personnel by the input process, a part of the learning data is used to perform learning two or more times. This is a process of generating two or more learning models for analyzing the items to be analyzed. The step can be executed, for example, by the learning model generation unit 13 of the analysis support device 10.
前記選択情報生成工程は、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する工程である。前記工程は、例えば、分析支援装置１０の選択情報生成部１４により実行できる。 In the selection information generation step, prediction verification is performed for each of the training models using the rest of the training data, and the error, recall rate, precision rate, and correct answer rate between the true information and the prediction information are determined by the learning model. It is a process of generating as selection information for selecting. The step can be executed, for example, by the selection information generation unit 14 of the analysis support device 10.
前記出力工程は、前記各学習モデルについて、前記選択情報を出力する工程（選択情報出力工程）であり、例えば、分析支援装置１０の出力部１５により実行できる。 The output step is a step of outputting the selection information (selection information output step) for each of the learning models, and can be executed by, for example, the output unit 15 of the analysis support device 10.
前記分析工程は、前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う工程である。前記工程は、例えば、分析支援装置１０の分析部１６により実行できる。本実施形態の分析支援方法は、例えば、さらに出力工程（分析結果出力工程）を含み、前記分析結果を、ユーザに対して出力できる。 In the analysis step, when the selection result of the user and the personnel data of the analysis target person are input by the input step, the personnel data of the analysis target person is used by the selected learning model. This is the process of analyzing the items to be analyzed. The step can be executed, for example, by the analysis unit 16 of the analysis support device 10. The analysis support method of the present embodiment further includes, for example, an output step (analysis result output step), and the analysis result can be output to the user.
つぎに、本実施形態の分析支援装置１０を用いた分析支援方法について、分析対象者の適正配置の分析を例にあげ、図３のフローチャートを用いて説明する。 Next, the analysis support method using the analysis support device 10 of the present embodiment will be described with reference to the flowchart of FIG. 3, taking as an example the analysis of the proper arrangement of the analysis target persons.
まず、入力部１２により、適正配置に関する過去の人事データを入力する（Ｓ１０１）。前記人事データは、例えば、グループを構成する構成員の情報であり、個々の構成員についての、職務関連情報である。前記職務関連情報の項目は、例えば、職務経歴（例えば、異動の履歴、ポストの履歴）、スキルの履歴、業績評価等であり、この他に、例えば、保有資格、表彰経歴、キャリアプランを含んでもよい。また、項目間で関連するものは、その関連性が、さらに紐づけられてもよい。前記人事データは、分析支援装置１０による処理のため、例えば、予め数値化されたデータであり、数値化の方法は、特に制限されず、学習モデル生成における一般的な方法が採用できる。 First, the input unit 12 inputs past personnel data regarding proper placement (S101). The personnel data is, for example, information on the members constituting the group, and job-related information on the individual members. The items of the job-related information include, for example, job history (for example, transfer history, post history), skill history, performance evaluation, etc., and also include, for example, possession qualification, award history, career plan, etc. It may be. Moreover, if the items are related to each other, the relationship may be further linked. Since the personnel data is processed by the analysis support device 10, for example, the data is quantified in advance, and the quantification method is not particularly limited, and a general method in learning model generation can be adopted.
つぎに、学習モデル生成部１３により、前記入力された人事データの一部を用いて複数回の学習を行い、複数の学習モデルを生成する（Ｓ１０２）。具体的には、学習１回につき、一つの学習モデルを生成する。前記人事データは、例えば、ランダムに２グループに分割して、一方を学習モデルの生成に使用し、残りを後述する検証に使用する。前記人事データのうち前記学習モデルの生成に使用する割合は、特に制限されず、下限は、例えば、７割以上であり、上限は、例えば、８割以下であり、具体例としては、８割の人事データを使用する。ここで「割」は、人事データに含まれる全人数に対して、使用される人事データの人数の割合を意味し、％で表してもよい。 Next, the learning model generation unit 13 performs learning a plurality of times using a part of the input personnel data to generate a plurality of learning models (S102). Specifically, one learning model is generated for each learning. The personnel data is randomly divided into two groups, one of which is used to generate a learning model, and the rest is used for verification described later. The ratio of the personnel data used to generate the learning model is not particularly limited, and the lower limit is, for example, 70% or more, the upper limit is, for example, 80% or less, and as a specific example, 80%. Use the personnel data of. Here, "wari" means the ratio of the number of people in the personnel data to be used to the total number of people included in the personnel data, and may be expressed in%.
そして、選択情報生成部１４により、前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い（Ｓ１０３）、前記人事データの真の情報と、予測検証の予測情報とから、両者間の誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成する（Ｓ１０４）。予測検証において、例えば、真の情報と予測情報とが一致するか否かは、例えば、任意の閾値（例えば、０．６）を設定でき、適宜、変更してもよい。 Then, the selection information generation unit 14 performs predictive verification for each of the learning models using the rest of the learning data (S103), and from the true information of the personnel data and the predictive information of the predictive verification, both The error, recall rate, accuracy rate, and correct answer rate are generated as selection information for selecting a learning model (S104). In the prediction verification, for example, whether or not the true information and the prediction information match can be set with an arbitrary threshold value (for example, 0.6), and may be changed as appropriate.
前記真の情報と前記予測情報との誤差は、例えば、相対的に小さい程、良い学習モデルであり、相対的に大きい程、劣る学習モデルといえる。前記誤差の算出方法は、特に制限されず、下記式に示す平均平方二乗誤差（ＲＭＳＥ）および平均絶対誤差（ＭＡＥ）の計算方法が使用できる。下記式において、ｎは、人事データの数、ｙ１・・・ｙｎは、真の情報（真の値）、ｆ１・・・ｆｎは、予測情報（予測した値）である。
前記再現率、前記適合率、および前記正解率は、例えば、予測検証による結果を用いて算出できる。前記予測検証によれは、例えば、以下に示すＴＰ、ＴＮ、ＦＰ、およびＦＮのデータ数が得られる。下記表１に、ＴＰ、ＴＮ、ＦＰ、およびＦＮのデータ数の分類結果を、混同行列としてまとめた例を示す。
「ＴＰ」 真の情報がポジティブ（適正あり）で、予測結果がポジティブ（適正あり）のデータ数
「ＴＮ」 真の情報がネガティブ（適正なし）で、予測結果がネガティブ（適正なし）のデータ数
「ＦＰ」 真の情報がネガティブ（適正なし）で、予測結果がポジティブ（適正あり）のデータ数
「ＦＮ」 真の情報がポジティブ（適正あり）で、予測結果がネガティブ（適正なし）のデータ数
The recall rate, the precision rate, and the correct answer rate can be calculated using, for example, the result of prediction verification. According to the prediction verification, for example, the number of data of TP, TN, FP, and FN shown below can be obtained. Table 1 below shows an example in which the classification results of the number of data of TP, TN, FP, and FN are summarized as a confusion matrix.
"TP" The number of data whose true information is positive (with appropriateness) and the prediction result is positive (with appropriateness) "TN" The number of data whose true information is negative (not appropriate) and whose prediction result is negative (not appropriate) "FP" Number of data with true information negative (not appropriate) and prediction result positive (with appropriate) "FN" Number of data with true information positive (with appropriate) and prediction result negative (not appropriate)
前記再現率（Ｒｅｃａｌｌ）とは、真の情報が「適正あり」の人事データのうち、「適正あり」と予測したデータの割合であり、例えば、下記式により算出できる。前記表１の場合、１９８５/（１９８５＋１６７）＝０.９２２（９２．２％）となる。
Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ）
The recall (Recall) is the ratio of the data predicted to be “appropriate” among the personnel data whose true information is “appropriate”, and can be calculated by, for example, the following formula. In the case of Table 1, 1985 / (1985 + 167) = 0.922 (92.2%).
Recall = TP / (TP + FN)
前記適合率（Ｐｒｅｃｉｓｉｏｎ）とは、「適正あり」と予測したデータのうち、真の情報が「適正あり」の人事データの割合であり、例えば、下記式により算出できる。前記表１の場合、１９８５/（１９８５＋１２８）＝０．９３９（９３．９％）となる。
Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ）
The precision is the ratio of personnel data whose true information is "appropriate" among the data predicted to be "appropriate", and can be calculated by, for example, the following formula. In the case of Table 1, 1985 / (1985 + 128) = 0.939 (93.9%).
Precision = TP / (TP + FP)
前記正解率（Ａｃｃｕｒａｃｙ）とは、真の情報が「適正あり」であり且つ予測情報が「適正あり」であるデータと、真の情報が「適正なし」であり且つ予測情報が「適正なし」であるデータとの合計が、全体データにおいて占める割合であり、例えば、下記式により算出できる。前記表１の場合、（１９８５＋１１７２０）/（１９８５＋１２８＋１１７２０＋１６７）＝０．９７９（９７．９％）となる。
Ａｃｃｕｒａｃｙ＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＴＮ＋ＦＮ）
The accuracy rate is data in which the true information is "appropriate" and the prediction information is "appropriate", and the true information is "appropriate" and the prediction information is "appropriate". The total with the data is the ratio of the total data, and can be calculated by, for example, the following formula. In the case of Table 1, (1985 + 11720) / (1985 + 128 + 11720 + 167) = 0.979 (97.9%).
Accuracy = (TP + TN) / (TP + FP + TN + FN)
そして、出力部１５により、前記各学習モデルについて、前記選択情報を出力する（Ｓ１０５）。前記選択情報は、例えば、前記学習モデルの識別情報（例えば、番号）に紐付けて出力され、分析支援装置１０または外部機器３０のディスプレイに表示される。前記ディスプレイに表示される前記選択情報の例を、下記表２に示す。 Then, the output unit 15 outputs the selection information for each learning model (S105). The selection information is output in association with, for example, the identification information (for example, a number) of the learning model, and is displayed on the display of the analysis support device 10 or the external device 30. An example of the selection information displayed on the display is shown in Table 2 below.
出力された前記学習モデルの選択情報に基づいて、ユーザは、複数の前記学習モデルから、任意で望ましいと思う学習モデルを選択できる。前記選択情報として、例えば、前記表２に示すように、誤差を示すＲＭＳＥおよびＭＡＥ、前記再現率、適合率、正解率が表示されていることから、これらの項目の数値を考慮すれば、ユーザは、望ましい学習モデルを選択できる。前記ＲＭＳＥおよびＭＡＥは、前述のように、数値が小さい程、誤差の少ない学習モデルと判断でき、再現率、適合率および正解率は、それぞれ、数値が大きい程、信頼性が高い学習モデルと判断することができる。このように、本実施形態によれば、学習モデルを選択するための情報が出力されているため、ユーザ自身が、その情報に基づいて、容易に学習モデルの選択を行うことができる。 Based on the output selection information of the learning model, the user can arbitrarily select a desired learning model from the plurality of the learning models. As the selection information, for example, as shown in Table 2, the RMSE and MAE indicating the error, the recall rate, the precision rate, and the correct answer rate are displayed. Therefore, if the numerical values of these items are taken into consideration, the user Can select the desired learning model. As described above, the RMSE and MAE can be judged to be learning models with less error as the numerical values are smaller, and the recall rate, precision rate and correct answer rate are judged to be more reliable as the numerical values are larger. can do. As described above, according to the present embodiment, since the information for selecting the learning model is output, the user himself / herself can easily select the learning model based on the information.
そして、入力部１２により、前記ユーザの選択結果、すなわち、いずれの学習モデルを使用するかが入力され（Ｓ１０６）、さらに、分析対象者の人事データが入力（Ｓ１０７）されると、分析部１６により、前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析が行われる（Ｓ１０８）。そして、得られた分析結果は、出力部１５によりユーザに出力され（Ｓ１０９）、終了する（ＥＮＤ）。前記ユーザの選択結果は、例えば、前記表２に示すように、前記ディスプレイ上において、選択欄の該当箇所を選択（黒丸に変換）することで、入力することができる。 Then, the input unit 12 inputs the selection result of the user, that is, which learning model to use (S106), and further, when the personnel data of the analysis target person is input (S107), the analysis unit 16 (S108), the selected learning model is used to analyze the analysis target item using the personnel data of the analysis target person. Then, the obtained analysis result is output to the user by the output unit 15 (S109), and ends (END). The selection result of the user can be input, for example, by selecting (converting to a black circle) the corresponding part of the selection field on the display as shown in Table 2.
［実施形態２］
前記実施形態１の前記選択情報の出力工程（Ｓ１０５）においては、例えば、ユーザが複数の学習モデルから一つの学習モデルを選択するための補足情報として、以下のような情報を出力してもよい。
[Embodiment 2]
In the selection information output step (S105) of the first embodiment, for example, the following information may be output as supplementary information for the user to select one learning model from a plurality of learning models. ..
図４（Ａ）に、前記適合率と前記再現率との関係を示す曲線のグラフを示す。この曲線によれば、例えば、曲線下面積（ＡＵＣ：Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）が大きい程、前記適合率、前記再現率がともに高くなるポイント（グラフの右上の位置）があることになり、前記ＡＵＣが大きい程、相対的に良い学習モデルといえる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、前記ＡＵＣが相対的に大きい程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。 FIG. 4A shows a graph of a curve showing the relationship between the precision rate and the recall rate. According to this curve, for example, as the area under the curve (AUC: Area Under the Curve) is larger, there is a point (position at the upper right of the graph) where both the precision rate and the recall rate are higher, and the AUC. The larger the value, the better the learning model. Therefore, for example, in the step (S105), the user can select a learning model more by outputting guide information that the larger the AUC is, the better the learning model is, in accordance with this graph. Becomes easier.
図４（Ｂ）に、真陽性率と偽陰性率との関係を示す曲線のグラフを示す。前記真陽性率とは、目的変数（適正度）の真の情報が「適正あり」のデータのうち、「適正あり」と予測できた割合であり、前記偽陰性率は、目的変数（適正度）の真の情報が「適正なし」のデータのうち、「適正あり」と予測してしまった割合を示す。図４（Ｂ）においては、目的変数（適正度）の閾値を変化させていった場合の、真陽性率と偽陰性率の関係を示す。この曲線によれば、例えば、前記ＡＵＣが大きい程、前記真陽性率、前記偽陰性率がともに高くなるポイント（グラフの左上の位置）があることになり、前記ＡＵＣが大きい程、相対的に良い学習モデルといえる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、前記ＡＵＣが相対的に大きい程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。 FIG. 4B shows a graph of a curve showing the relationship between the true positive rate and the false negative rate. The true positive rate is the ratio at which the true information of the objective variable (appropriateness) can be predicted to be "appropriate" in the data of "appropriate", and the false negative rate is the objective variable (appropriateness). The true information of) indicates the percentage of the data that is "not appropriate" that is predicted to be "appropriate". FIG. 4B shows the relationship between the true positive rate and the false negative rate when the threshold value of the objective variable (appropriateness) is changed. According to this curve, for example, the larger the AUC, the higher the true positive rate and the false negative rate (at the upper left position of the graph), and the larger the AUC, the relatively. It's a good learning model. Therefore, for example, in the step (S105), the user can select a learning model more by outputting guide information that the larger the AUC is, the better the learning model is, in accordance with this graph. Becomes easier.
図４（Ｃ）に、真（実際）の目的変数（適正度）または予測の目的変数（適正度）と、実際の目的変数（適正度）との関係を示すグラフを示す。このグラフにおいて、真の目的変数（適正度）は、必ず直線となり、予測の目的変数（適正度）とのズレが、真の情報と予測情報との乖離を表すことになる。このため、このグラフによれれば、予測検証の結果、真の目的変数（適正度）の直線に対して、予測の目的変数（適正度）がどれだけ乖離しているかを、視覚的に判断することができる。このため、例えば、前記工程（Ｓ１０５）において、このグラフにあわせて、真の目的変数（適正度）の直線に対して、予測の目的変数（適正度）の解離が相対的に少ない程、良い学習モデルであるとのガイド情報を出力することで、ユーザは、より学習モデルの選択が容易になる。 FIG. 4C shows a graph showing the relationship between the true (actual) objective variable (appropriateness) or the prediction objective variable (appropriateness) and the actual objective variable (appropriateness). In this graph, the true objective variable (appropriateness) is always a straight line, and the deviation from the prediction objective variable (appropriateness) represents the deviation between the true information and the prediction information. Therefore, according to this graph, as a result of the prediction verification, it is visually determined how much the prediction objective variable (appropriateness) deviates from the straight line of the true objective variable (appropriateness). can do. Therefore, for example, in the step (S105), the smaller the dissociation of the prediction objective variable (appropriateness) with respect to the straight line of the true objective variable (appropriateness), the better. By outputting the guide information that the learning model is used, the user can more easily select the learning model.
［実施形態３］
前記実施形態１の前記学習モデルを用いた分析対象者の分析結果の出力工程（Ｓ１０９）の後、出力部１５は、さらに、例えば、分析対象者の分析に関する閾値の設定に関するガイド情報を出力してもよい。
[Embodiment 3]
After the output step (S109) of the analysis result of the analysis target person using the learning model of the first embodiment, the output unit 15 further outputs, for example, guide information regarding the setting of the threshold value for the analysis of the analysis target person. You may.
図５に、前記適合率と前記再現率のそれぞれについて、閾値との関係を示すグラフを示す。この曲線によれば、例えば、目的変数（適正度）の閾値、すなわち、「適正あり」と「適正なし」とを分ける目的変数（適正度）の分岐点を「０．６以下」とした場合、前記再現率は、ほぼ１００％に近い値となるが、閾値を「０．６を超える」とした場合、再現率は、低下し、閾値約０．６５で約５０％にまで低下する。一方、前記適合性に関しては、閾値を「０．６を超える」とした場合、ほぼ１００％に近い値となるが、閾値を「０．６以下」とした場合、前記適合性は、低下し、閾値約０．５６で約６４％にまで低下する。そして、例えば、適正配置を分析する場合、前記再現率の優先は、適正がある人を見逃さないことを優先するとの意味をもち、前記適合率の優先は、適正が無い人を誤って「適正あり」としないことを優先する意味合いをもつ。このため、例えば、前記工程（Ｓ１０９）の後このグラフにあわせて、前記再現率の優先と、適合率の優先との意味合いをガイド情報として出力することで、ユーザは、目的に沿った閾値の設定が可能になる。 FIG. 5 shows a graph showing the relationship between the precision and the recall rate and the threshold value. According to this curve, for example, when the threshold value of the objective variable (appropriateness), that is, the branch point of the objective variable (appropriateness) that separates "appropriate" and "not appropriate" is set to "0.6 or less". The recall rate is close to 100%, but when the threshold value is "exceeding 0.6", the recall rate decreases, and when the threshold value is about 0.65, it decreases to about 50%. On the other hand, regarding the suitability, when the threshold value is "exceeding 0.6", the value is close to 100%, but when the threshold value is "0.6 or less", the suitability is lowered. At a threshold of about 0.56, it drops to about 64%. Then, for example, when analyzing the appropriate placement, the priority of the recall rate has the meaning of giving priority not to overlook the person who has the appropriateness, and the priority of the precision rate mistakenly "appropriately" the person who does not have the appropriateness. It has the meaning of giving priority to not saying "yes". Therefore, for example, after the step (S109), by outputting the meaning of the priority of the recall rate and the priority of the precision rate as guide information in accordance with this graph, the user can set the threshold value according to the purpose. Can be set.
［実施形態４］
本実施形態のプログラムは、前記本発明の分析支援方法を、コンピュータ上で実行可能なプログラムである。または、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されてもよい。前記記録媒体としては、特に限定されず、例えば、前述のような記憶媒体等があげられる。
[Embodiment 4]
The program of the present embodiment is a program capable of executing the analysis support method of the present invention on a computer. Alternatively, the program of this embodiment may be recorded on, for example, a computer-readable recording medium. The recording medium is not particularly limited, and examples thereof include the storage medium described above.
以上、実施形態を参照して本願発明を説明したが、本願発明は、上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。 Although the present invention has been described above with reference to the embodiments, the present invention is not limited to the above embodiments. Various changes that can be understood by those skilled in the art can be made within the scope of the present invention in terms of the structure and details of the present invention.
本発明によれば、例えば、学習データに基づいて、複数の学習モデルが生成されるとともに、各学習モデルについて、学習モデルを選択するための選択情報が生成されるため、ユーザは、前記選択情報に基づいて、容易に目的に沿った学習モデルの選択を行うことができる。このため、選択した学習モデルの使用によって、さらに、目的に沿った分析結果を得ることも可能となる。 According to the present invention, for example, a plurality of learning models are generated based on the learning data, and selection information for selecting the learning model is generated for each learning model. Therefore, the user can use the selection information. Based on the above, it is possible to easily select a learning model according to the purpose. Therefore, by using the selected learning model, it is possible to further obtain the analysis result according to the purpose.
１０ 分析支援装置
１１ 記憶部
１２ 入力部
１３ 学習モデル生成部
１４ 選択情報生成部
１５ 出力部
１６ 分析部
２０ 通信回線網
３０ 外部機器
10 Analysis support device 11 Storage unit 12 Input unit 13 Learning model generation unit 14 Selection information generation unit 15 Output unit 16 Analysis unit 20 Communication network 30 External device
Claims (8)
前記入力部は、
ユーザの情報を入力し、
前記学習モデル生成部は、
前記入力部により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成部は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力部は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析部は、
前記入力部により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う、ことを特徴とする人事項目の分析支援装置。 Including input unit, learning model generation unit, selection information generation unit, output unit, and analysis unit,
The input unit is
Enter the user's information and
The learning model generation unit
When the past personnel data is input as learning data for the analysis target items related to personnel by the input unit,
Two or more learnings are performed using a part of the training data, and two or more learning models to analyze the analysis target item are generated.
The selection information generation unit
Using the rest of the training data, prediction verification is performed for each of the training models, and the error between the true information and the prediction information, the recall rate, the precision rate, and the correct answer rate are determined as selection information for selecting the training model. Generated as
The output unit
For each of the learning models, the selection information is output.
The analysis unit
When the selection result of the user and the personnel data of the analysis target person are input by the input unit,
An analysis support device for a person's item, which analyzes the analysis target item using the personnel data of the analysis target person by the selected learning model.
前記出力部は、前記分析部の分析結果を出力する、請求項１または２に記載の分析支援装置。 In addition, including the output section
The analysis support device according to claim 1 or 2, wherein the output unit outputs the analysis result of the analysis unit.
前記入力工程は、
ユーザの情報を入力し、
前記学習モデル生成工程は、
前記入力工程により、人事に関する分析対象項目について、過去の人事データが学習データとして入力されると、
前記学習データの一部を用いて２回以上の学習を行い、前記分析対象項目について分析する２つ以上の学習モデルを生成し、
前記選択情報生成工程は、
前記学習データの残りを用いて、前記各学習モデルについて、予測検証を行い、真の情報と予測情報との誤差、再現率、適合率、および正解率を、学習モデルを選択するための選択情報として生成し、
前記出力工程は、
前記各学習モデルについて、前記選択情報を出力し、
前記分析工程は、
前記入力工程により、前記ユーザの選択結果、および、分析対象者の人事データが入力されると、
前記選択された学習モデルにより、前記分析対象者の人事データを用いて、前記分析対象項目について分析を行う、ことを特徴とする人事項目の分析支援方法。 Includes input process, learning model generation process, selection information generation process, output process, and analysis process.
The input process is
Enter the user's information and
The learning model generation step is
When past personnel data is input as learning data for the analysis target items related to personnel by the input process,
Two or more learnings are performed using a part of the training data, and two or more learning models to analyze the analysis target item are generated.
The selection information generation step is
Using the rest of the training data, prediction verification is performed for each of the training models, and the error between the true information and the prediction information, the recall rate, the precision rate, and the correct answer rate are determined as selection information for selecting the training model. Generated as
The output process is
For each of the learning models, the selection information is output.
The analysis step is
When the selection result of the user and the personnel data of the analysis target person are input by the input process,
A method for supporting analysis of personnel items, which analyzes the items to be analyzed by using the personnel data of the person to be analyzed by the selected learning model.
前記出力工程は、前記分析工程の分析結果を出力する、請求項４または５に記載の分析支援方法。 In addition, it includes an output process
The analysis support method according to claim 4 or 5, wherein the output step outputs an analysis result of the analysis step.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019056486A JP2020160551A (en) | 2019-03-25 | 2019-03-25 | Analysis support device for personnel item, analysis support method, program, and recording medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019056486A JP2020160551A (en) | 2019-03-25 | 2019-03-25 | Analysis support device for personnel item, analysis support method, program, and recording medium |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020160551A true JP2020160551A (en) | 2020-10-01 |
Family
ID=72643299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019056486A Pending JP2020160551A (en) | 2019-03-25 | 2019-03-25 | Analysis support device for personnel item, analysis support method, program, and recording medium |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020160551A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021056926A (en) * | 2019-10-01 | 2021-04-08 | 株式会社日立製作所 | Computer system and model selection support method |
| JP7217372B1 (en) | 2022-03-09 | 2023-02-02 | 株式会社エクサウィザーズ | LEARNING MODEL GENERATION METHOD, COMPUTER PROGRAM, AND INFORMATION PROCESSING DEVICE |
| WO2023021647A1 (en) * | 2021-08-19 | 2023-02-23 | 日本電信電話株式会社 | Estimation device, estimation method, and estimation program |
-
2019
- 2019-03-25 JP JP2019056486A patent/JP2020160551A/en active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021056926A (en) * | 2019-10-01 | 2021-04-08 | 株式会社日立製作所 | Computer system and model selection support method |
| JP7287872B2 (en) | 2019-10-01 | 2023-06-06 | 株式会社日立製作所 | Computer system and model selection support method |
| WO2023021647A1 (en) * | 2021-08-19 | 2023-02-23 | 日本電信電話株式会社 | Estimation device, estimation method, and estimation program |
| JP7217372B1 (en) | 2022-03-09 | 2023-02-02 | 株式会社エクサウィザーズ | LEARNING MODEL GENERATION METHOD, COMPUTER PROGRAM, AND INFORMATION PROCESSING DEVICE |
| JP2023131602A (en) * | 2022-03-09 | 2023-09-22 | 株式会社エクサウィザーズ | Method of generating learning model, computer program, and information processing apparatus |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6741504B2 (en) | Interview system | |
| JP6546922B2 (en) | Model-driven candidate sorting based on audio cues | |
| CN110874716A (en) | Interview evaluation method and device, electronic equipment and storage medium | |
| US20180365618A1 (en) | System And Method For Assessing Worker Engagement And Company Culture | |
| US20150178134A1 (en) | Hybrid Crowdsourcing Platform | |
| CN109670023A (en) | Man-machine automatic top method for testing, device, equipment and storage medium | |
| JP6733920B2 (en) | Information processing device, display method, and program | |
| JP2020160551A (en) | Analysis support device for personnel item, analysis support method, program, and recording medium | |
| KR102415103B1 (en) | A device that analyzes psychology based on an artificial intelligence model generated using voice data and text data | |
| WO2020151170A1 (en) | Position describing method, position describing apparatus, and terminal device | |
| JP2014186289A (en) | Intellectual productivity analyzer and program | |
| KR102281161B1 (en) | Server and Method for Generating Interview Questions based on Letter of Self-Introduction | |
| JP2012168717A (en) | Information service system, information service server, program, information recording medium, and method of information service | |
| CN112418779A (en) | Online self-service interviewing method based on natural language understanding | |
| CN111222837A (en) | Intelligent interviewing method, system, equipment and computer storage medium | |
| Flores et al. | Depression screening using deep learning on follow-up questions in clinical interviews | |
| CN113239283A (en) | Multi-dimension-based post matching degree calculation method and system | |
| Kush et al. | Systematic literature review of quality maturity matrix | |
| CN110782119A (en) | Insurance agent selection method, device and equipment based on artificial intelligence | |
| AU2016247853A1 (en) | Requirements determination | |
| Langan et al. | Benchmarking factor selection and sensitivity: a case study with nursing courses | |
| JP6796668B2 (en) | Information processing equipment, information processing methods and programs | |
| JP6129393B1 (en) | Competency target setting support device, support method, and support program | |
| US20140297551A1 (en) | System and Method of Evaluating a Candidate Fit for a Hiring Decision | |
| Ihara et al. | Agent-based modeling: Value added to social work research |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20191025 |