JP2020184304A - 疲労度判別プログラム - Google Patents
疲労度判別プログラム Download PDFInfo
- Publication number
- JP2020184304A JP2020184304A JP2020003655A JP2020003655A JP2020184304A JP 2020184304 A JP2020184304 A JP 2020184304A JP 2020003655 A JP2020003655 A JP 2020003655A JP 2020003655 A JP2020003655 A JP 2020003655A JP 2020184304 A JP2020184304 A JP 2020184304A
- Authority
- JP
- Japan
- Prior art keywords
- degree
- fatigue
- association
- information
- work status
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】比較的簡易な方法で従業員の疲労度を高精度に判別する。【解決手段】従業員の疲労度を判別する疲労度判別プログラムにおいて、従業員の勤務状態と、業務量に関する業務量情報とを取得する情報入力ステップと、参照用勤務状態と、参照用業務量情報との組み合わせと疲労度との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された勤務状態と業務量情報とに応じた参照用勤務状態と参照用業務量情報との組み合わせと疲労度との3段階以上の連関度に基づき、疲労度を判別する疲労度判別ステップとをコンピュータに実行させることを特徴とする。【選択図】図3
Description
本発明は、職場における業務過多による、従業員の疲労度を判別し、過労状態に陥るのを事前に判別することが可能な疲労度判別プログラムに関する。
現代の職場において業務量過多が問題となっている。業務量過多が重なれば過労死等につながる恐れもあるため、これを極力防止する必要がある。このためには、従業員の疲労度を監視し、過労に陥る危険性があるか否かを事前に確認することが望ましい。しかしながら、従来においては、比較的簡易な方法で従業員の疲労度を高精度に判別することが可能なシステムが未だに提案されていないのが現状であった。
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、比較的簡易な方法で従業員の疲労度を高精度に判別することが可能な疲労度判別プログラムを提供することにある。
本発明に係る疲労度判別プログラムは、従業員の疲労度を判別する疲労度判別プログラムにおいて、従業員の勤務状態と、業務量に関する業務量情報とを取得する情報入力ステップと、参照用勤務状態と、参照用業務量情報との組み合わせと疲労度との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された勤務状態と業務量情報とに応じた参照用勤務状態と参照用業務量情報との組み合わせと疲労度との3段階以上の連関度に基づき、疲労度を判別する疲労度判別ステップとをコンピュータに実行させることを特徴とする。
特段のスキルや経験が無くても、比較的簡易な方法で従業員の疲労度を高精度に判別することが可能となる。
以下、本発明を適用した疲労度判別プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した疲労度判別プログラムが実装される疲労度判別システム1の全体構成を示すブロック図である。疲労度判別システム1は、情報取得部9と、情報取得部9に接続された判別装置2と、判別装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する判別装置2と一体化されていてもよい。情報取得部9は、検知した情報を判別装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。
データベース3は、疲労度判別を行う上で必要な様々な情報が蓄積される。疲労度判別を行う上で必要な情報としては、従業員の勤務状態情報を示す参照用勤務状態情報、従業員の家族構成や年齢、性別といった参照用属性情報、従業員に対して以前施した改善施策に関する参照用改善施策と、これらに対して実際に判断がなされる疲労度、その疲労度を改善するための改善施策とのデータセットが記憶されている。
つまり、データベース3には、このような参照用勤務状態情報に加え、参照用属性情報、参照用従業員数情報、参照用雇用環境情報、参照用業務量情報、参照用改善施策の何れか1以上と、疲労度、又は改善施策が互いに紐づけられて記憶されている。
判別装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置2による探索解を得ることができる。
図2は、判別装置2の具体的な構成例を示している。この判別装置2は、判別装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、判別装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
推定部27は、探索解を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる疲労度判別システム1における動作について説明をする。
疲労度判別システム1では、例えば図3に示すように、参照用勤務状態情報と、疲労度との3段階以上の連関度が予め設定され、取得されていることが前提となる。参照用勤務状態情報とは、従業員の勤務状態に関するあらゆるデータが含まれ、例えば、出退勤の時刻、勤務時間、休暇日数、遅刻日数、早退日数等が含まれる。
疲労度とは、主観的又は客観的に評価された個々の従業員の疲労度である。この疲労度の例としては、例えば専門的な知識を持った医師や専門家により疲労度を客観的に評価された評価データや診療データ、診察結果等に基づくものであってもよい。またこの疲労度の評価者は医学に関する専門的知識を必ずしも有している場合に限定されるものではなく、その専門的知識を有さない者も含まれる。つまり疲労度の評価者は、本人、第三者(例えば上司など)による評価であればいかなるものであってもよい。またこの疲労度は人を介すことなく、客観データのみ(例えば乳酸値、血糖値、汗の量、歩くスピード)等から求めるようにしてもよい。
疲労度の評価例としては、全く疲労が無い状態が0%、最も疲れている場合を100%としたとき、0〜100%の間で評価されるものであってもよい。
図3の例では、入力データとして例えば参照用勤務状態情報P01〜P03であるものとする。このような入力データとしての参照用勤務状態情報P01〜P03は、出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報は、この出力解としての疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報がこの連関度を介して左側に配列し、各疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用心健康度に対して、何れの疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報から最も確からしい疲労度を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
判別装置2は、このような図3に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と、その場合の疲労度の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
例えば、参照用勤務状態情報が、4日連続で「早退」であるものとする。このような参照用勤務状態情報に対する疲労度としては疲労度75%が多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用勤務状態情報(4日連続で「早退」)と疲労度(75%)との連関度が強くなる。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01である場合に、過去の疲労度の評価を行った結果の各種データから分析する。これは例えば、診断結果の電子データや職場での評価結果からテキストマイニング分析を行うことでデータセットを抽出するようにしてもよい。参照用勤務状態情報P01である場合に、疲労度75%の事例が多い場合には、この疲労度の評価につながる連関度をより高く設定し、疲労度0%の事例が多い場合には、この疲労度の評価につながる連関度をより高く設定する。例えば参照用勤務状態情報P01の例では、疲労度75%と、疲労度25%にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度25%につながるw14の連関度を2点に設定している。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに従業員に対して疲労度の判別を行う上で、上述した学習済みデータを利用して疲労度を探索することとなる。かかる場合には、実際に判別対象の従業員に関する勤務状態情報を新たに取得する。新たに取得する勤務状態情報は、上述した情報取得部9により入力される。勤務状態情報は、例えば、出退勤の時間を記録しているデータベースから直接取り込むようにしてもよい。
このようにして新たに取得した勤務状態情報に基づいて、その従業員の疲労度を判別する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合には、連関度を介して疲労度0%がw15、疲労度25%が連関度w16で関連付けられている。かかる場合には、連関度の最も高いて疲労度0%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度25%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして、新たに取得する勤務状態情報から、最も好適な疲労度を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザは、探索された疲労度に基づいて従業員に対するケア、即ち働き方や健康度を回復させるための様々な改善施策のアプローチ指針を得ることができる。ちなみにこの疲労度は、単なる状態評価に終始する場合に限定されるものではなく、更にその疲労度に対してどのように従業員に対するケア、即ち働き方についての改善施策を提案するかまで言及されているものであってもよい。
図4の例では、参照用勤務状態情報と、参照用属性情報との組み合わせが形成されていることが前提となる参照用属性情報とは、従業員の年齢、性別、家族構成、学歴、職歴、財産、住所、保有する住宅の価値、勤続年数、入社時の条件、職位、資格、特技、スキル等、履歴書の情報、職務経歴書の情報等、その従業員についてのあらゆる情報を含むものである。この参照用属性情報は、その会社内において管理している従業員のデータから取得するようにしてもよいし、職務経歴書、履歴書から文字認識技術を通じてテキストデータとして取得してもよい。
図4の例では、入力データとして例えば参照用勤務状態情報P01〜P03、参照用属性情報P14〜17であるものとする。このような入力データとしての、参照用勤務状態情報に対して、参照用属性情報が組み合わさったものが、図4に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報と参照用属性情報との各組み合わせ(中間ノード)は、この出力解としての、疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報と参照用属性情報がこの連関度を介して左側に配列し、疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用勤務状態情報と参照用属性情報に対して、疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報と参照用属性情報が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報と参照用属性情報から最も確からしい疲労度を選択する上での的確性を示すものである。実際の出退勤の状況がいかなるものかに加え、従業員の属性情報(従業員の年齢、性別、家族構成、学歴、職歴、財産、住所、保有する住宅の価値、勤続年数、入社時の条件、職位、資格、特技、スキル等、履歴書の情報、職務経歴書の情報等、その従業員についてのあらゆる情報)に応じて、評価すべき疲労度は異なるものとなる。このため、これらの参照用勤務状態情報と参照用属性情報の組み合わせで、最適な疲労度を探索していくこととなる。
図4の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。
判別装置2は、このような図4に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と参照用属性情報、並びにその場合の疲労度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図4に示す連関度を作り上げておく。
例えば、過去にあった実際の事例における参照用勤務状態情報が、1日の平均勤務時間が16時間であるとする。また参照用属性情報が40代、男性で、家族構成が妻(共働き)、子供(5歳、2歳)、保有する住宅の価値〇〇万円、勤続年数12年、職位が部長、学歴〇〇大卒、保有する資格■■であるものとする。かかる場合に、その従業員について評価した疲労度とをデータセットとして学習させ、上述した連関度という形で定義しておく。なお、このような属性情報は、会社内において管理する従業員管理データベースから抽出するようにしてもよい。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01で、参照用属性情報P16である場合に、その疲労度を過去のデータから分析する。疲労度が90%の事例が多い場合には、この90%につながる連関度をより高く設定し、疲労度25%の事例が多く、疲労度90%の事例が少ない場合には、疲労度25%につながる連関度を高くし、疲労度90%につながる連関度を低く設定する。例えば中間ノード61aの例では、疲労度75%と疲労度0%の出力にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度0%につながるw14の連関度を2点に設定している。
また、この図4に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図4に示す連関度の例で、ノード61bは、参照用勤務状態情報P01に対して、参照用属性情報P14の組み合わせのノードであり、疲労度25%の連関度がw15、疲労度50%の連関度がw16となっている。ノード61cは、参照用勤務状態情報P02に対して、参照用属性情報P15、P17の組み合わせのノードであり、疲労度0%の連関度がw17、疲労度90%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから従業員の疲労度を判別する際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際に判別対象の従業員から勤務状態情報と、属性情報とを取得する。勤務状態情報は、例えば、出退勤の時間を記録しているデータベースから直接取り込むようにしてもよい。属性情報は会社が管理している従業員データベースからその従業員に関する属性情報を抽出するようにしてもよい。
このようにして新たに取得した勤務状態情報、属性情報に基づいて、最適な疲労度を探索する。かかる場合には、予め取得した図4(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合であって、属性情報がP17である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、疲労度25%がw19、疲労度90%が連関度w20で関連付けられている。かかる場合には、連関度の最も高い疲労度25%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度90%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図5は、上述した参照用勤務状態情報と、参照用従業員数情報との組み合わせと、当該組み合わせに対する疲労度との3段階以上の連関度が設定されている例を示している。
参照用従業員数情報とは、所属組織単位における従業員数に関するあらゆる情報である。この参照用従業員数情報は、従業員の数や同一業界における競合各社間における割合等のデータで示されるものであってもよいし、その組織における従業員数の推移、従業員数の年度別増減率等であってもよい。この参照用従業員数情報は、その会社四季報等の外部データ等から取得してもよい。ここでいう所属組織は、判別対象の従業員が所属する所属組織に限定されるものではなく、一の所属組織に着目した従業員の推移や増減率であってもよい。
図5の例では、入力データとして例えば参照用勤務状態情報P01〜P03、参照用従業員数情報P18〜21であるものとする。このような入力データとしての、参照用勤務状態情報に対して、参照用従業員数情報が組み合わさったものが、図5に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報と参照用従業員数情報との各組み合わせ(中間ノード)は、この出力解としての、疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報と参照用従業員数情報がこの連関度を介して左側に配列し、疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用勤務状態情報と参照用従業員数情報に対して、疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報と参照用従業員数情報が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報と参照用従業員数情報から最も確からしい疲労度を選択する上での的確性を示すものである。従業員の勤務状況に加え、その従業員数の増減率などで、個々の従業員が業務過多になっているか否かがある程度推定でき、その結果、評価すべき疲労度は異なるものとなる。このため、これらの参照用勤務状態情報と参照用従業員数情報の組み合わせで、最適な疲労度を探索していくこととなる。
図5の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが低いことを示している。
判別装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と、参照用従業員数情報、並びにその場合の疲労度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。
例えば、過去にあった実際の疲労度の評価時において、参照用勤務状態情報が、一日平均勤務時間が16時間であり、参照用従業員数情報が2年連続で従業員数が10%減であったものとする。かかる場合に、疲労度が90%と判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01で、参照用従業員数情報P20である場合に、その疲労度を過去のデータから分析する。疲労度が75%の事例が多い場合には、この疲労度が75%につながる連関度をより高く設定し、疲労度が25%の事例が多く、疲労度が75%の事例が少ない場合には、疲労度が25%につながる連関度を高くし、疲労度が75%につながる連関度を低く設定する。例えば中間ノード61aの例では、疲労度75%と疲労度0%の出力にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度0%につながるw14の連関度を2点に設定している。
また、この図5に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図5に示す連関度の例で、ノード61bは、参照用勤務状態情報P01に対して、参照用従業員数情報P18の組み合わせのノードであり、疲労度25%の連関度がw15、疲労度50%の連関度がw16となっている。ノード61cは、参照用勤務状態情報P02に対して、参照用従業員数情報P19、P21の組み合わせのノードであり、疲労度0%の連関度がw17、疲労度90%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから疲労度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその疲労度の判別対象の従業員の勤務状態情報と、従業員数情報とを取得する。ここでいう従業員数情報は、判別対象の従業員が所属する所属組織における従業員の増減率、従業員数等に関する情報である。
このようにして新たに取得した勤務状態情報と、従業員数情報に基づいて、最適な疲労度を探索する。かかる場合には、予め取得した図5(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合であって、従業員数情報がP21である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、疲労度25%がw19、疲労度90%が連関度w20で関連付けられている。かかる場合には、連関度の最も高い疲労度25%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度90%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図6は、上述した参照用勤務状態情報と、参照用雇用環境情報との組み合わせと、当該組み合わせに対する疲労度との3段階以上の連関度が設定されている例を示している。
参照用雇用環境情報とは、その判別対象の従業員の所属する組織を超えた社会全体の雇用環境に関するあらゆる情報を含む。例えば雇用統計に関する情報等がこれに含まれる。この参照用雇用環境情報は、政府が発表している雇用統計のデータから取得するようにしてもよい。
図6の例では、入力データとして例えば参照用勤務状態情報P01〜P03、参照用雇用環境情報P22〜25であるものとする。このような入力データとしての、参照用勤務状態情報に対して、参照用雇用環境情報が組み合わさったものが、図6に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報と参照用雇用環境情報との各組み合わせ(中間ノード)は、この出力解としての、疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報と参照用雇用環境情報がこの連関度を介して左側に配列し、疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用勤務状態情報と参照用雇用環境情報に対して、疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報と参照用雇用環境情報が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報と参照用雇用環境情報から最も確からしい疲労度を選択する上での的確性を示すものである。参照用勤務状態情報に加え、その判別時点における雇用統計等から得られる参照用雇用環境情報がいかなるものかに応じて、世の中が全体に人手不足の状況にあるのか否かが分かり、人手不足の状況であれば個々の会社における個々の従業員の疲労度もそれに応じて高くなるものと考えられる。このため、これらの参照用勤務状態情報と参照用雇用環境情報の組み合わせで、最適な疲労度を探索していくこととなる。
図6の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが低いことを示している。
判別装置2は、このような図6に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と、参照用雇用環境情報、並びにその場合の疲労度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図6に示す連関度を作り上げておく。
例えば、過去にあった実際の疲労度の評価時において、参照用勤務状態情報が、3日連続で15時間勤務であるとする。参照用雇用環境情報が完全失業率が1.5%であるものとする。かかる場合に、疲労度が25%と判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01で、参照用雇用環境情報P24である場合に、その疲労度を過去のデータから分析する。疲労度75%の事例が多い場合には、この疲労度75%につながる連関度をより高く設定し、疲労度25%の事例が多く、疲労度75%の事例が少ない場合には、疲労度25%につながる連関度を高くし、疲労度75%につながる連関度を低く設定する。例えば中間ノード61aの例では、疲労度75%と疲労度25%の出力にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度25%につながるw14の連関度を2点に設定している。
また、この図6示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図6に示す連関度の例で、ノード61bは、参照用勤務状態情報P01に対して、参照用雇用環境情報P22の組み合わせのノードであり、疲労度25%の連関度がw15、疲労度50%の連関度がw16となっている。ノード61cは、参照用勤務状態情報P02に対して、参照用雇用環境情報P23、P25の組み合わせのノードであり、疲労度0%の連関度がw17、疲労度90%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから疲労度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその疲労度の判別対象の従業員の勤務状態情報と、雇用環境情報とを取得する。雇用環境情報は、その判別時における雇用統計のデータ等から直接取得するようにしてもよい。
このようにして新たに取得した勤務状態情報と、雇用環境情報に基づいて、最適な疲労度を探索する。かかる場合には、予め取得した図6(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合であって、雇用環境情報がP25である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、疲労度25%がw19、疲労度90%が連関度w20で関連付けられている。かかる場合には、連関度の最も高い疲労度25%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度90%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図7は、上述した参照用勤務状態情報と、参照用業務量情報との組み合わせと、当該組み合わせに対する疲労度との3段階以上の連関度が設定されている例を示している。
参照用業務量情報とは、個々従業員の業務量に関するあらゆる情報を含む。計測可能な業務量としては、例えば営業担当であれば、営業ノルマのようなものであってもよいし、テレアポ業務であれば一日に電話する数、飲食店であれば一日に作る料理の数、翻訳業であれば、単位時間あたりに翻訳するワード数等、従業員の計測可能なあらゆる業務量に関する情報である。この参照用業務量情報は、実際に会社内でここに計測した従業員の業務量のデータから取得するようにしてもよい。また参照用業務量情報としては、その従業員が使用するパーソナルコンピュータの電源ONの時間帯や時間、電力の消費量、CPUの稼働率、メールの送受信履歴、パケット通信量等も含めるようにしてもよい。
図7の例では、入力データとして例えば参照用勤務状態情報P01〜P03、参照用業務量情報P26〜29であるものとする。このような入力データとしての、参照用勤務状態情報に対して、参照用業務量情報が組み合わさったものが、図7に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報と参照用業務量情報との各組み合わせ(中間ノード)は、この出力解としての、疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報と参照用業務量情報がこの連関度を介して左側に配列し、疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用勤務状態情報と参照用業務量情報に対して、疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報と参照用業務量情報が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報と参照用業務量情報から最も確からしい疲労度を選択する上での的確性を示すものである。参照用勤務状態情報に加え、業務量情報も疲労度を支配する要因になる。このため、これらの参照用勤務状態情報と参照用業務量情報の組み合わせで、最適な疲労度を探索していくこととなる。
図7の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが低いことを示している。
判別装置2は、このような図7に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と、参照用業務量情報、並びにその場合の疲労度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図7に示す連関度を作り上げておく。
例えば、過去にあった実際の疲労度の評価時において、参照用勤務状態情報が、3日連続で15時間勤務であるとする。参照用業務量情報が翻訳会社において一日の翻訳ワード数が5000ワードであるもとする。かかる場合に、疲労度が25%と判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01で、参照用業務量情報P28である場合に、その疲労度を過去のデータから分析する。疲労度75%の事例が多い場合には、この疲労度75%につながる連関度をより高く設定し、疲労度25%の事例が多く、疲労度75%の事例が少ない場合には、疲労度25%につながる連関度を高くし、疲労度75%につながる連関度を低く設定する。例えば中間ノード61aの例では、疲労度75%と疲労度25%の出力にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度25%につながるw14の連関度を2点に設定している。
また、この図7に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図7に示す連関度の例で、ノード61bは、参照用勤務状態情報P01に対して、参照用業務量情報P26の組み合わせのノードであり、疲労度25%の連関度がw15、疲労度50%の連関度がw16となっている。ノード61cは、参照用勤務状態情報P02に対して、参照用業務量情報P27、P29の組み合わせのノードであり、疲労度0%の連関度がw17、疲労度90%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから疲労度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその疲労度の判別対象の従業員の勤務状態情報と、業務量情報とを取得する。業務量情報は、上述した参照用業務量情報に応じた内容である。業務量情報は、その判別対象の従業員の業務量をカウントして手入力してもよいし、これらがデータベースに記録されている場合にはそこから直接取得するようにしてもよい。
このようにして新たに取得した勤務状態情報と、業務量情報に基づいて、最適な疲労度を探索する。かかる場合には、予め取得した図7(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合であって、業務量情報がP29である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、疲労度25%がw19、疲労度90%が連関度w20で関連付けられている。かかる場合には、連関度の最も高い疲労度25%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度90%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
図8は、上述した参照用勤務状態情報と、参照用改善施策との組み合わせと、当該組み合わせに対する疲労度との3段階以上の連関度が設定されている例を示している。
参照用改善施策とは、疲労度の高い従業員に対して以前行った改善施策である。この改善施策は薬剤や栄養素の摂取、運動、気分転換、メンタルトレーニング等、睡眠の量等の周知様々な施策を含む。この参照用改善施策は、以前判別した疲労度に応じて施した改善施策を記録したデータベース、その他改善施策が記録されているカルテや書類等から文字認識技術を通じてテキストデータとして取得してもよい。
図8の例では、入力データとして例えば参照用勤務状態情報P01〜P03、参照用改善施策P30〜33であるものとする。このような入力データとしての、参照用勤務状態情報に対して、参照用改善施策が組み合わさったものが、図8に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、疲労度が表示されている。
参照用勤務状態情報と参照用改善施策との各組み合わせ(中間ノード)は、この出力解としての、疲労度に対して3段階以上の連関度を通じて互いに連関しあっている。参照用勤務状態情報と参照用改善施策がこの連関度を介して左側に配列し、疲労度が連関度を介して右側に配列している。連関度は、左側に配列された参照用勤務状態情報と参照用改善施策に対して、疲労度と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用勤務状態情報と参照用改善施策が、いかなる疲労度に紐付けられる可能性が高いかを示す指標であり、参照用勤務状態情報と参照用改善施策から最も確からしい疲労度を選択する上での的確性を示すものである。参照用勤務状態情報に加え、改善施策も以前施した施策の効果確認も踏まえて、疲労度を支配する要因になる。このため、これらの参照用勤務状態情報と参照用改善施策の組み合わせで、最適な疲労度を探索していくこととなる。
図8の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての疲労度と互いに関連度合いが低いことを示している。
判別装置2は、このような図8に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用勤務状態情報と、参照用改善施策、並びにその場合の疲労度が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
例えば、過去にあった実際の疲労度の評価時において、参照用勤務状態情報が、3日連続で15時間勤務であるとする。参照用改善施策がその従業員に対して、薬剤〇〇を毎日摂取し、運動メニュー□□をこなすものとする。かかる場合に、疲労度が25%と判別されている事例が多い場合には、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用勤務状態情報P01で、参照用改善施策P32である場合に、その疲労度を過去のデータから分析する。疲労度75%の事例が多い場合には、この疲労度75%につながる連関度をより高く設定し、疲労度25%の事例が多く、疲労度75%の事例が少ない場合には、疲労度25%につながる連関度を高くし、疲労度75%につながる連関度を低く設定する。例えば中間ノード61aの例では、疲労度75%と疲労度25%の出力にリンクしているが、以前の事例から疲労度75%につながるw13の連関度を7点に、疲労度25%につながるw14の連関度を2点に設定している。
また、この図8に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。
図8に示す連関度の例で、ノード61bは、参照用勤務状態情報P01に対して、参照用改善施策P30の組み合わせのノードであり、疲労度25%の連関度がw15、疲労度50%の連関度がw16となっている。ノード61cは、参照用勤務状態情報P02に対して、参照用改善施策P31、P33の組み合わせのノードであり、疲労度0%の連関度がw17、疲労度90%の連関度がw18となっている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから疲労度の探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、実際にその疲労度の判別対象の従業員の勤務状態情報と、改善施策とを取得する。改善施策は手入力又は会社が管理する従業員ごとの改善施策のデータから直接取得するようにしてもよい。
このようにして新たに取得した勤務状態情報と、改善施策に基づいて、最適な疲労度を探索する。かかる場合には、予め取得した図8(表1)に示す連関度を参照する。例えば、新たに取得した勤務状態情報がP02と同一かこれに類似するものである場合であって、改善施策がP33である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、疲労度25%がw19、疲労度90%が連関度w20で関連付けられている。かかる場合には、連関度の最も高い疲労度25%を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる疲労度90%を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
このようにして疲労度が評価され、その疲労度に応じた改善施策が施された場合に、その改善施策を上述した参照用改善施策として学習用データセットに含めるようにしてもよい。そして従業員の疲労度の判別を新たに行う際に、以前の判別結果から導かれた改善施策を新たに入力データとして入力するようにしてもよい。
図9は、上述した参照用勤務状態情報と、参照用属性情報に加えて、更に参照用従業員数情報との組み合わせと、当該組み合わせに対する疲労度との3段階以上の連関度が設定されている例を示している。
かかる場合において、連関度は、図9に示すように、参照用勤務状態情報と、参照用属性情報と、参照用従業員数情報との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図9において、ノード61cは、参照用勤務状態情報P02が連関度w3で、参照用属性情報P15が連関度w7で、参照用従業員数情報P19が連関度w11で連関している。同様にノード61eは、参照用勤務状態情報P03が連関度w5で、参照用属性情報P15が連関度w8で、参照用従業員数情報P18が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した参照用勤務状態情報と、参照用属性情報と、参照用従業員数情報に基づいて、疲労度を判別する。
この疲労度を判別する上で予め取得した図9に示す連関度を参照する。例えば、取得した勤務状態情報が参照用勤務状態情報P02に同一又は類似で、取得した属性情報が参照用属性情報P15に対応し、更に取得した従業員数情報が参照用従業員数情報P19に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、疲労度0%が連関度w17で、また疲労度90%が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。
このような入力パラメータの種類を3種類以上にわたり組み合わせる場合には、参照用勤務状態情報に加え、参照用属性情報、参照用従業員数情報、参照用雇用環境情報、参照用業務量情報、参照用改善施策の何れか2以上で組み合わせが構成されたものであっても適用可能である。
なお、本発明によれば、上述した疲労度の代替として、図10に示すように改善施策を解探索するものであってもよい。これらについても同様に参照用勤務状態情報、或いは参照用勤務状態情報に加え、参照用属性情報、参照用従業員数情報、参照用雇用環境情報、参照用業務量情報、参照用改善施策の何れか1以上で組み合わせにおいて過去の事例からデータセットを作っておく。つまり、どのような入力データに対して、どのような改善施策を提案しているか、過去の事例を収集しておき、これを学習させることで、連関度を形成する。この出力データを改善施策とする例については、上述した説明を引用して疲労度を改善施策に置き換えて説明することで、以下での説明を省略する。
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に疲労度、改善施策の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した10段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい疲労度、改善施策を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また参照用勤務状態情報、参照用属性情報、参照用従業員数情報、参照用雇用環境情報、参照用業務量情報、参照用改善施策を取得し、これらに対する疲労度、改善施策に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
1 疲労度判別システム
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 判別装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (9)
- 従業員の疲労度を判別する疲労度判別プログラムにおいて、
従業員の勤務状態と、業務量に関する業務量情報とを取得する情報入力ステップと、
参照用勤務状態と、参照用業務量情報との組み合わせと疲労度との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された勤務状態と業務量情報とに応じた参照用勤務状態と参照用業務量情報との組み合わせと疲労度との3段階以上の連関度に基づき、疲労度を判別する疲労度判別ステップとをコンピュータに実行させること
を特徴とする疲労度判別プログラム。 - 上記情報入力ステップでは、従業員の属性情報を取得し、
上記疲労度判別ステップでは、上記参照用勤務状態と、上記参照用業務量情報と、参照用属性情報との組み合わせと上記疲労度との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された勤務状態と業務量情報と属性情報とに応じた参照用勤務状態と参照用業務量情報と参照用属性情報との組み合わせと上記疲労度との3段階以上の連関度に基づき、疲労度を判別すること
を特徴とする請求項1記載の疲労度判別プログラム。 - 上記情報入力ステップでは、従業員の所属組織における従業員数情報を取得し、
上記疲労度判別ステップでは、上記参照用勤務状態と、上記参照用業務量情報と、参照用従業員数情報との組み合わせと上記疲労度との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された勤務状態と業務量情報と従業員数情報とに応じた参照用勤務状態と参照用業務量情報と参照用従業員数情報との組み合わせと上記疲労度との3段階以上の連関度に基づき、疲労度を判別すること
を特徴とする請求項1記載の疲労度判別プログラム。 - 上記疲労度判別ステップでは、上記疲労度の代替として上記疲労度に基づいて従業員に対して施すべき改善施策との3段階以上の連関度を利用し、上記情報入力ステップにおいて入力された情報と上記改善施策との3段階以上の連関度に基づき、改善施策を判別すること
を特徴とする請求項1〜3のうち何れか1項記載の疲労度判別プログラム。 - 上記疲労度判別ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
を特徴とする請求項1〜4のうち何れか1項記載の疲労度判別プログラム。 - 従業員の疲労度を判別する疲労度判別システムにおいて、
従業員の勤務状態と、業務量に関する業務量情報とを取得する情報入力手段と、
参照用勤務状態と、参照用業務量情報との組み合わせと疲労度との3段階以上の連関度を利用し、上記情報入力手段において入力された勤務状態と業務量情報とに応じた参照用勤務状態と参照用業務量情報との組み合わせと疲労度との3段階以上の連関度に基づき、疲労度を判別する疲労度判別手段とを備えること
を特徴とする疲労度判別システム。 - 上記情報入力手段は、従業員の所属組織における従業員数情報を取得し、
上記疲労度判別手段は、上記参照用勤務状態と、上記参照用業務量情報と、参照用従業員数情報との組み合わせと上記疲労度との3段階以上の連関度を利用し、上記情報入力手段において入力された勤務状態と業務量情報と従業員数情報とに応じた参照用勤務状態と参照用業務量情報と参照用従業員数情報との組み合わせと上記疲労度との3段階以上の連関度に基づき、疲労度を判別すること
を特徴とする請求項6記載の疲労度判別システム。 - 上記疲労度判別手段は、上記疲労度の代替として上記疲労度に基づいて従業員に対して施すべき改善施策との3段階以上の連関度を利用し、上記情報入力手段において入力された情報と上記改善施策との3段階以上の連関度に基づき、改善施策を判別すること
を特徴とする請求項6又は7記載の疲労度判別システム。 - 上記疲労度判別は、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
を特徴とする請求項6〜8のうち何れか1項記載の疲労度判別システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020003655A JP2020184304A (ja) | 2020-01-14 | 2020-01-14 | 疲労度判別プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020003655A JP2020184304A (ja) | 2020-01-14 | 2020-01-14 | 疲労度判別プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019087213A Division JP6696654B1 (ja) | 2019-05-05 | 2019-05-05 | 疲労度判別プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020184304A true JP2020184304A (ja) | 2020-11-12 |
Family
ID=73045253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020003655A Pending JP2020184304A (ja) | 2020-01-14 | 2020-01-14 | 疲労度判別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020184304A (ja) |
-
2020
- 2020-01-14 JP JP2020003655A patent/JP2020184304A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Matney et al. | Philosophical approaches to the nursing informatics data-information-knowledge-wisdom framework | |
CN108028075A (zh) | 生物体信息测定器以及生物体信息测定方法 | |
JP6696654B1 (ja) | 疲労度判別プログラム | |
JP2017174168A (ja) | 健康管理サーバ及び健康管理システム | |
White et al. | A quantified-self framework for exploring and enhancing personal productivity | |
JP2021039637A (ja) | 熱中症リスク判別プログラム及びシステム | |
JP2021111269A (ja) | 疲労度判別プログラム、改善施策提案プログラム | |
JP6755065B1 (ja) | 疲労度判別プログラム | |
JP2021096836A (ja) | いじめ兆候判別プログラム及びシステム、いじめ判別プログラム及びシステム | |
WO2022102721A1 (ja) | うつ状態判別プログラム | |
JP2020184304A (ja) | 疲労度判別プログラム | |
JP2022106065A (ja) | 認知症兆候判別プログラム | |
CN115206524A (zh) | 一种面向团队协作的状态监测系统 | |
JP6515227B1 (ja) | 睡眠時間管理装置およびプログラム | |
JP2021176074A (ja) | 伝染病感染リスク判定プログラム | |
JP2021039765A (ja) | 保険条件包含可能性判断プログラム | |
JP6849255B1 (ja) | 認知症兆候判別プログラム | |
JP2021163006A (ja) | 睡眠健康度判別プログラム | |
JP2021039404A (ja) | 生活習慣病保険提案プログラム、保険条件包含可能性判断プログラム | |
JP2022077195A (ja) | うつ状態判別プログラム | |
JP2022106068A (ja) | うつ病兆候判別プログラム | |
JP6906816B1 (ja) | 伝染病感染リスク判定プログラム | |
JP2022106066A (ja) | うつ病兆候判別プログラム | |
JP2022106067A (ja) | うつ病兆候判別プログラム | |
JP2022112651A (ja) | うつ病兆候判別プログラム |