JP7056132B2 - 設計書評価プログラム、設計書評価方法および設計書評価装置 - Google Patents

Description

本発明は、設計書評価プログラム、設計書評価方法および設計書評価装置に関する。

例えば、システム開発プロジェクト（以下、プロジェクトと称する）において、設計書の品質は、プロジェクトの成否を左右する要素となる。従って、プロジェクトの設計書は、重要なドキュメントであり、所定の有識者等により、その品質が評価される。

関連する技術として、プロジェクトに潜在しているリスク要因を予兆検知する技術が提案されている（例えば、特許文献１を参照）。また、ライフサイクルを通して成果物に関する管理を行い、成果物の品質の推定、評価、改善対策等を支援する技術が提案されている（例えば、特許文献２を参照）。また、具体的なリスクの発生有無に関わらず、リスクの発生を注視すべきプロジェクトを簡易かつ客観的に検出する技術が提案されている（例えば、特許文献３を参照）。

特開２０１０－１０８４０４号公報 特開２０１１－２９１７号公報 特開２０１７－１８２４０７号公報

例えば、システム開発の規模が大きくなると、該プロジェクトの設計書の量が多くなり、有識者等が設計書の評価を行う際の作業量が多くなる。その結果、設計書の評価時間が長くなり、有識者等の作業負荷が大きくなる。かかる問題は、システム開発に用いられる設計書以外の設計書にも生じ得るものである。

１つの側面として、本発明は、設計書の評価を支援することを目的とする。

１つの態様では、設計書評価予測プログラムは、過去の設計書データに含まれる各ページについての、１ページあたりの記載密度をグラフにして画像化し、前記各ページについての前記記載密度に対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第１学習モデルを生成し、前記画像化されたグラフに対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第２学習モデルを生成し、前記第１学習モデルおよび前記第２学習モデルの両方を用いて評価対象の設計書データの評価結果を予測する、処理をコンピュータに実行させる。

１つの側面によれば、設計書の評価を支援することができる。

設計書評価装置の一例を示す機能ブロック図である。 多次元配列の一例を示す図（その１）である。 多次元配列の一例を示す図（その２）である。 グラフ化画像の一例を示す図である。 予測結果画面一例を示す図である。 学習モデル生成の一例を示すフローチャート（その１）である。 学習モデル生成の一例を示すフローチャート（その２）である。 評価結果予測の処理の流れの一例を示すフローチャート（その１）である。 評価結果予測の処理の流れの一例を示すフローチャート（その２）である。 設計書評価装置のハードウェア構成の一例を示す図である。

＜設計書評価装置の一例＞
以下、図面を参照して、実施形態について説明する。図１は、設計書評価装置１の一例を示す図である。設計書評価装置１は、制御部２と記憶部３とを含む。また、設計書評価装置１は、表示装置４および入力装置５に接続されている。設計書評価装置１は、コンピュータの一例である。表示装置４は、例えば、ディスプレイであり、入力装置５は、例えば、マウスやキーボード等である。

制御部２は、実施形態における各種の制御を行う。制御部２は、データ取得部１１と設計書分析部１２と画像化部１３と教師データ設定部１４と第１学習モデル生成部１５と第２学習モデル生成部１６と予測部１７と表示制御部１８とを含む。

データ取得部１１は、記憶部３に記憶されているデータを取得する。設計書分析部１２は、設計書データを分析して、分析結果として該設計書データに含まれる語句の量と文章量と画像密度と記載密度とを表す多次元配列を得る。該多次元配列は、設計書データに含まれる記載の度合いを示す情報の一例である。多次元配列には、他の情報が含まれていてもよい。

実施形態の設計書データは、システム開発に用いられる設計書データであり、該設計書データには、文字（文字データ）と図形（画像データ）とが含まれているものとする。設計書データは、システム開発以外に用いられる設計書のデータであってもよい。

教師データ設定部１４は、第１学習モデルおよび第２学習モデルを生成する際に用いられる教師データを設定する。画像化部１３は、設計書分析部１２が生成する多次元配列をグラフ化し、グラフを画像化する。これにより、グラフを画像化した画像データが得られる。

第１学習モデル生成部１５は、多次元配列に対して、教師データを用いて、機械学習を行い、第１学習モデルを生成する。第２学習モデル生成部１６は、グラフ化した画像データに対して、教師データを用いて、機械学習を行い、第２学習モデルを生成する。第１学習モデルおよび第２学習モデルは、例えば、サポートベクターマシンやニューラルネットワーク等の機械学習に基づいて生成されてもよい。

予測部１７は、第１学習モデルおよび第２学習モデルの両方を用いて、評価対象の設計書データの評価結果を予測する。表示制御部１８は、予測部１７による予測結果を、表示装置４に表示させる制御を行う。

＜多次元配列の一例＞
次に、図２乃至図４の例を参照して、多次元配列の一例について説明する。記憶部３には、評価済みの過去の設計書データ（以下、過去設計書データと称する）が複数記憶されている。データ取得部１１は、複数の過去設計書データを記憶部３から取得する。

設計書分析部１２は、例えば、形態素解析手法を用いて、各過去設計書データを解析して、ページごとに、文字データを抽出する。設計書分析部１２は、抽出された文字データに基づいて、語句（例えば、キーワード）に分解し、分解された語句の量（語句の数）をカウントする。

設計書分析部１２は、例えば、形態素解析手法を用いて、各過去設計書データを解析して、ページごとに、文章を抽出し、抽出された文章の数（文章量）をカウントする。抽出される文章は、例えば、設計書分析部１２が、１ページに含まれる文字データを接続詞等で分解することにより、得られるものであり、分解された１つの文章で１つの意味をなすものとする。抽出された文章は、例えば、句読点等により分解されてもよい。

図２の例において、プロジェクトＡ～Ｆは、それぞれ過去設計書データを特定する情報であることを示す。また、「１」から「５」は、ページの番号を示す。例えば、設計書分析部１２がプロジェクトＡの過去設計書データを解析した結果、該過去設計書データのうち１ページ目の語句の量は「５３」であり、文章量は「１１０」であることが得られる。

また、設計書分析部１２がプロジェクトＣの過去設計書データを解析した結果、該過去設計書データのうち２ページ目の語句の量は「７７」であり、文章量は「７５」であることが得られる。文章量より語句の量が多ければ、該当するページに、異なる語句が多用されていることが想定される。

設計書分析部１２は、各ページのそれぞれについて、ページに含まれる図形（画像データ）の密度を分析する。設計書データには、余白部分に文字データおよび画像データが形成される。設計書分析部１２は、例えば、画像処理等により、余白部分も含めた過去設計書データの１ページのうち、画像データが占める割合を図形密度として分析する。

上述したように、過去設計書データには、余白部分に文字データおよび画像データが形成される。設計書分析部１２は、余白部分も含めた設計書データの１ページのうち、文字データおよび画像データが占める割合を記載密度として分析する。

例えば、設計書分析部１２は、設計書データを白と黒との二値の表現とした場合、全体に占める黒の割合を記載密度として分析してもよい。この場合、全体に占める白の割合は、余白部分を示す。

例えば、設計書分析部１２がプロジェクトＡの過去設計書データを解析した結果、該過去設計書データのうち３ページ目の図形密度は「１７％」であり、記載密度は、「６８％」であることが得られる。

設計書分析部１２は、上述した各種の分析を行なった結果、各過去設計書データについて、ページごとの語句の量、文章量、図形密度および記載密度を示す多次元配列を生成する。設計書データの評価は、設計書の１ページに含まれる語句の量や文章量、図形密度、記載密度等に基づいて行なわれる。

従って、生成された多次元配列は、ページごとの語句の量、文章量、図形密度および記載密度の情報を含む。図２の例に示されるように、多次元配列は、有識者評価の項目を含む。有識者評価は、有識者レビューとも称される。

有識者評価は、例えば、設計書を評価する有識者等により評価された過去の設計書についての品質の評価結果である。実施形態の有識者評価は、「ＯＫ」または「ＮＧ」の二値である。有識者評価が「ＯＫ」の場合、対応する過去の設計書は、有識者により、品質が高い設計書であると評価されたものとする。

有識者評価が「ＮＧ」の場合、対応する過去の設計書は、有識者により、品質が低い設計書であると評価されたものとする。例えば、有識者により、品質が低いと評価された設計書には、問題点が多く内在している可能性がある。

有識者は、過去の設計書を点数で評価してもよい。この場合、有識者による評価の点数が所定の閾値以上の場合、有識者評価は「ＯＫ」であり、所定の閾値未満の場合、有識者評価は「ＮＧ」としてもよい。

また、過去の設計書は、有識者以外によって評価されてもよい。入力装置５を用いた、過去の設計書についての評価結果（「ＯＫ」または「ＮＧ」を示す評価結果）の入力を制御部２が受け付けると、該制御部２は、評価結果と過去の設計書を特定する情報とを対応付けて、記憶部３に記憶する。

制御部２は、例えば、過去の設計書の評価として、点数の入力を受け付けた場合、入力された点数が所定の閾値以上である場合に、有識者評価を「ＯＫ」とし、入力された点数が所定の閾値未満である場合に、有識者評価を「ＮＧ」としてもよい。

教師データ設定部１４は、上記の有識者評価を、多次元配列に設定する。教師データ設定部１４は、記憶部３を参照して、過去の設計書を特定する情報に対応付けられている有識者評価に基づいて、過去設計書データごとに有識者評価を、教師データとして設定する。図３は、教師データとしての有識者評価が設定された多次元配列の一例を示す。

図４は、グラフ化画像の一例を示す。画像化部１３は、上述した多次元配列に基づいて、各過去設計書データについて、ページごとの語句の量、文章量、図形密度および記載密度をグラフ化する。

図４は、語句の量、文章量、図形密度および記載密度を棒グラフで表現したグラフを示す。画像化部１３は、図４の例に示されるグラフを画像化する。これにより、グラフ化画像が得られる。

グラフ化画像は、多次元配列の各情報を視覚的に表現した画像データである。図４の例では、「０～２００」が語句の量または文章量を表し、「０％～１００％」が図形密度または記載密度を表す。

グラフ化画像は、過去設計書データごとに生成される。教師データ設定部１４は、記憶部３を参照して、過去の設計書を特定する情報に対応付けられている有識者評価に基づいて、過去設計書データに対応するグラフ化画像ごとに有識者評価を、教師データとして設定する。

第１学習モデル生成部１５は、有識者評価が設定された多次元配列を入力として、サポートベクターマシンやニューラルネットワーク等を利用した機械学習を行い、第１学習モデルを生成する。生成された第１学習モデルは、記憶部３に記憶される。

第２学習モデル生成部１６は、教師データとしての有識者評価が設定されたグラフ化画像を入力として、サポートベクターマシンやニューラルネットワーク等を利用した機械学習を行い、第２学習モデルを生成する。生成された第２学習モデルは、記憶部３に記憶される。

予測部１７は、記憶部３に記憶されている第１学習モデルおよび第２学習モデルの両方を用いて、評価対象の設計書データの評価結果を予測する。予測結果は「ＯＫ」または「ＮＧ」の二値で表され、「ＯＫ」は肯定的な予測結果を示し、「ＮＧ」は否定的な予測結果を示す。

第１学習モデルは、上述したように、多次元配列と該多次元配列に設定されている教師データとに基づく学習モデルである。多次元配列は、過去設計書データの各ページについての語句の量、文章量、図形密度および記載密度の数値を含み、該多次元配列は、定量的に意味を持つデータである。従って、多次元配列は、設計書の各ページを評価する際における、定量的に意味を持つデータになる。

第２学習モデルは、上述したように、グラフ化画像と教師データとに基づく機械学習により得られる学習モデルである。グラフ化画像は、設計書の各ページを評価する際における、視覚的な指標を持つデータである。

予測部１７は、定量的な意味を持つ第１学習モデルおよび視覚的な指標を持つ第２学習モデルの両方に基づいて、評価対象の設計書データの評価結果を予測する。実施形態では、予測部１７が、第１学習モデルを用いた予測結果と第２学習モデルを用いた予測結果との両方が「ＯＫ」の場合に、評価対象の設計書データの評価結果を「ＯＫ」と予測する。

また、予測部１７が、第１学習モデルを用いた予測結果と第２学習モデルを用いた予測結果とのうち何れか一方または両方が「ＮＧ」の場合には、評価対象の設計書データの評価結果を「ＮＧ」と予測する。

第１学習モデルを用いた予測結果と第２学習モデルを用いた予測結果とのうち何れか一方が「ＯＫ」であっても、他方が「ＮＧ」である場合、評価対象の設計書データに問題点が内在している可能性がある。つまり、評価対象の設計書データの品質は低いと予測される。

従って、予測部１７は、第１学習モデルを用いた予測結果と第２学習モデルを用いた予測結果とのうち何れか一方が「ＮＧ」の場合には、評価対象の設計書データの評価結果を「ＮＧ」と予測する。

一方、第１学習モデルを用いた予測結果と第２学習モデルを用いた予測結果との両方が「ＯＫ」である場合、評価対象の設計書データに問題点は内在していない可能性が高い。この場合、評価対象の設計書データの品質は高いと予測される。

例えば、有識者等により、設計書の品質が評価される際には、設計書の数値による評価だけでなく、視覚的な評価も、品質評価を左右する要因となる。

予測部１７が、第１学習モデルおよび第２学習モデルの両方を用いて、評価対象の設計書データの評価結果を予測することで、より適正な設計書の評価結果が予測される。従って、プロジェクトの規模が大きくなり、設計書の量が多くなったとしても、より適正な設計書の評価結果が予測されるため、有識者等の評価者が行なう設計書評価を支援できる。

＜予測結果画面の一例＞
図５は、予測部１７による予測結果を示す予測結果画面の一例を示す図である。図５の例において、「数値解析による予測結果」は、第１学習モデルを用いた評価対象の設計書データの予測結果を示す。「グラフ化画像による予測結果」は、第２学習モデルを用いた評価対象の設計書データの予測結果を示す。

図５（Ａ）の例では、第１学習モデル（数値解析による予測結果）を用いた予測結果と第２学習モデルを用いた予測結果（グラフ化画像による予測結果）との両方が「ＯＫ」である場合における表示例を示す。表示制御部１８は、図５（Ａ）の例の予測結果画面が、表示装置４に表示される制御を行う。表示装置４には、品質予測結果が「ＯＫ」である旨が表示される。

図５（Ｂ）の例では、第１学習モデルを用いた予測結果が「ＯＫ」であり、第２学習モデルを用いた予測結果が「ＮＧ」である場合における表示例を示す。表示制御部１８は、図５（Ｂ）の例の予測結果画面が、表示装置４に表示される制御を行う。表示装置４には、品質予測結果が「ＮＧ」である旨が表示される。

図５（Ａ）および（Ｂ）の例に示されるように、品質予測結果だけでなく、「数値解析による予測結果」と「グラフ化画像による予測結果」とのそれぞれについての品質予測結果が表示装置４に表示される。

上述したように、品質予測結果が「ＮＧ」である場合に、「数値解析による予測結果」と「グラフ化画像による予測結果」とのどちらに問題があるのか、または両方に問題にあるのかを、評価者に提示することができる。

＜学習モデル生成の流れの一例＞
次に、学習モデル生成の処理の流れの一例について説明する。図６および図７は、学習モデル生成の一例を示すフローチャートである。図６のフローチャートに示されるように、データ取得部１１は、記憶部３から、過去設計書データを取得する（ステップＳ１）。

設計書分析部１２は、例えば、形態素解析手法を用いて、取得された過去設計書データを分析して、ページ単位に、該過去設計書データの文字データを抽出する（ステップＳ２）。設計書分析部１２は、抽出された文字データを語句に分解して、各ページの語句の量をカウントする（ステップＳ３）。

また、設計書分析部１２は、例えば、形態素解析手法を用いて、取得された過去設計書データを分析して、各ページに含まれる文字データを接続詞等で分解することで、文章を抽出し、各ページの文章量をカウントする（ステップＳ４）
設計書分析部１２は、取得された過去設計書データの各ページについて、図形（画像データ）の密度を分析する（ステップＳ５）。また、設計書分析部１２は、取得された過去設計書データの各ページについて、例えば、白黒の二値の表現とした場合、全体のうち黒の占める割合を記載密度として分析する（ステップＳ６）。

ステップＳ１からステップＳ６は、１つの過去設計書データについての処理である。記憶部３には、複数の過去設計書データが記憶されている。データ取得部１１は、記憶部３から、予測に用いられる全ての過去設計書データを取得したかを判定する（ステップＳ６）。

ステップＳ６でＮＯの場合、処理は、ステップＳ１に移行する。ステップＳ６でＹＥＳの場合、処理は、「Ａ」からステップＳ７に移行する。「Ａ」以降の処理について、図７のフローチャートを参照して説明する。

教師データ設定部１４は、過去設計書データを１つ選択する（ステップＳ７）。教師データ設定部１４は、記憶部３を参照して、選択された過去設計書データに対応する有識者評価が「ＯＫ」であるかを判定する（ステップＳ８）。

上述したように、有識者評価は、教師データとして用いられる。ステップＳ８でＹＥＳの場合、教師データ設定部１４は、教師データとして「ＯＫ」を、多次元配列のうち、選択された過去設計書データに対応する有識者評価の項目に設定する（ステップＳ９）。

ステップＳ８でＮＯの場合、教師データ設定部１４は、教師データとして「ＮＧ」を、多次元配列のうち、選択された過去設計書データに対応する有識者評価の項目に設定する（ステップＳ１０）。

教師データ設定部１４は、全ての過去設計書データについて、教師データが設定されたかを判定する（ステップＳ１１）。ステップＳ１１でＮＯの場合、処理は、ステップＳ７に移行する。

ステップＳ１１でＹＥＳの場合、多次元配列に含まれる各過去設計書データについて、教師データが付加されている。これにより、各過去設計書データについて、教師データが設定された多次元配列が生成される。

画像化部１３は、多次元配列に基づいて、ページごとに、語句の量、文章量、図形密度および記載密度をグラフ化して、グラフを生成する（ステップＳ１２）。画像化部１３は、生成されたグラフを画像化する（ステップＳ１３）。ステップＳ１２およびステップＳ１３の処理により、グラフ化画像が生成される。

多次元配列には、既に教師データとしての有識者データが設定されている。第１学習モデル生成部１５は、教師データが設定された多次元配列を入力とした機械学習を行い、第１学習モデルを生成する（ステップＳ１４）。

第２学習モデル生成部１６は、多次元配列に基づいて、各グラフ化画像に有識者評価を教師データとして付して、教師データが付されたグラフ化画像を入力とした機械学習を行い、第１学習モデルを生成する（ステップＳ１５）。生成された第１学習モデルおよび第２学習モデルは、記憶部３に記憶される（ステップＳ１６）。

＜評価結果予測の処理の流れの一例＞
次に、評価結果予測の処理の流れの一例について、図８および図９のフローチャートを参照して、説明する。記憶部３には、評価対象である評価対象設計書データが記憶されているものとする。データ取得部１１は、評価対象設計書データを記憶部３から取得する（ステップＳ２１）。

設計書分析部１２は、例えば、形態素解析手法を用いて、取得された評価対象設計書データを分析して、ページ単位に、該評価対象設計書データの文字データを抽出する（ステップＳ２２）。設計書分析部１２は、抽出された文字データを語句に分解して、各ページの語句の量をカウントする（ステップＳ２３）。

また、設計書分析部１２は、例えば、形態素解析手法を用いて、取得された評価対象設計書データを分析して、各ページに含まれる文字データを接続詞等で分解することで、文章を抽出し、各ページの文章量をカウントする（ステップＳ２４）
設計書分析部１２は、取得された評価対象設計書データの各ページについて、図形（画像データ）の密度を分析する（ステップＳ２５）。また、設計書分析部１２は、取得された評価対象設計書データの各ページについて、例えば、白黒の二値の表現とした場合、全体のうち黒の占める割合を記載密度として分析する（ステップＳ２６）。

予測部１７は、評価対象設計書データについて、ページごとの語句の量、文章量、図形密度および記載密度を示す多次元配列を生成する（ステップＳ２７）。

画像化部１３は、評価対象設計書データについての多次元配列に基づいて、ページごとに、語句の量、文章量、図形密度および記載密度をグラフ化して、グラフを生成する（ステップＳ２８）。

画像化部１３は、生成されたグラフを画像化する（ステップＳ２９）。ステップＳ２９の処理により、グラフ化画像が生成される。そして、処理は「Ｂ」からステップＳ３０に移行する。「Ｂ」以降の処理について、図９のフローチャートを参照して説明する。

予測部１７は、記憶部３に記憶された第１学習モデルおよび第２学習モデルを読み込む（ステップＳ３０）。予測部１７は、第１学習モデルに基づいて、評価対象設計書データの多次元配列による評価が肯定的であるか否か（「ＯＫ」であるか「ＮＧ」であるか）を予測する（ステップＳ３１）。

また、予測部１７は、第２学習モデルに基づいて、評価対象設計書データのグラフ化画像による評価が肯定的であるか否か（「ＯＫ」であるか「ＮＧ」であるか）を予測する（ステップＳ３２）。予測部１７は、第１学習モデルに基づく予測結果と第２学習モデルに基づく予測結果との両方が「ＯＫ」であるかを判定する（ステップＳ３３）。

ステップＳ３３でＹＥＳの場合、表示制御部１８は、評価対象設計書データの評価の予測結果が「ＯＫ」であることを示す画面を表示する制御を行う（ステップＳ３４）。ステップＳ３３でＮＯの場合、表示制御部１８は、評価対象設計書データの評価の予測結果が「ＮＧ」であることを示す画面を表示する制御を行う（ステップＳ３５）。

第１学習モデルに基づく予測結果と第２学習モデルに基づく予測結果とのうち何れか一方または両方が「ＮＧ」の場合、ステップＳ３３の判定は、ＮＯになる。

＜設計書評価装置のハードウェア構成の一例＞
次に、図１０の例を参照して、設計書評価装置１のハードウェア構成の一例を説明する。図１０の例に示すように、バス１００に対して、プロセッサ１１１とRandom Access Memory(RAM)１１２とRead Only Memory(ROM)１１３とが接続される。また、該バス１００に対して、補助記憶装置１１４と媒体接続部１１５とが接続される。

プロセッサ１１１はＲＡＭ１１２に展開されたプログラムを実行する。実行されるプログラムとしては、実施形態における処理を行う品質予測プログラムが適用されてもよい。

ＲＯＭ１１３はＲＡＭ１１２に展開される設計書評価プログラムを記憶する不揮発性の記憶装置である。補助記憶装置１１４は、種々の情報を記憶する記憶装置であり、例えばハードディスクドライブや半導体メモリ等が適用されてもよい。媒体接続部１１５は、可搬型記録媒体１１５Ｍと接続可能に設けられている。

可搬型記録媒体１１５Ｍとしては、可搬型のメモリ（例えば、光学ディスクや半導体メモリ等）が適用されてもよい。この可搬型記録媒体１１５Ｍに実施形態の処理を行う設計書評価プログラムが記録されていてもよい。上述した制御部２は、与えられた設計書評価プログラムをプロセッサ１１１が実行することにより実現されてもよい。

ＲＡＭ１１２、ＲＯＭ１１３、補助記憶装置１１４および可搬型記録媒体１１５Ｍは、何れもコンピュータ読み取り可能な有形の記憶媒体の一例である。これらの有形な記憶媒体は、信号搬送波のような一時的な媒体ではない。

＜その他＞
本実施形態では、語句の量と文章データと画像密度と記載密度とを表す多次元配列に、教師データが設定される例について説明したが、多次元配列は、語句の量と文章データと画像密度と記載密度とのうち、記載密度のみを含んでもよい。

この場合、第１学習モデル生成部１５は、多次元配列および該多次元配列に設定された教師データを入力とした機械学習を行い、第１学習モデルを生成する。第２学習モデル生成部１６は、記載密度をグラフ化し、画像化したグラフ化画像および教師データを入力とした機械学習を行い、第２学習モデルを生成する。

上記の場合でも、第１学習モデルによる予測結果と第２学習モデルによる予測結果との両方を用いて、評価対象設計書データの評価結果を予測できる。

この点、第１学習モデル生成部１５が機械学習により第１学習モデルを生成し、第２学習モデル１６が機械学習により第２学習モデルを生成する際には、予測精度の向上という観点から、より多くの要素が用いられることが好ましい。

従って、本実施形態で説明したように、多次元配列は、記載密度という１つの要素だけでなく、語句の量と文章データと画像密度と記載密度という４つの要素を含むことが好ましい。

本実施形態および変形例は、以上に述べた実施の形態に限定されるものではなく、本実施形態および変形例の要旨を逸脱しない範囲内で種々の構成または実施形態を取ることができる。

１ 設計書評価装置
２ 制御部
３ 記憶部
４ 表示装置
５ 入力装置
１１ データ取得部
１２ 設計書分析部
１３ 画像化部
１４ 教師データ設定部
１５ 第１学習モデル生成部
１６ 第２学習モデル生成部
１７ 予測部
１８ 表示制御部
１１１ プロセッサ
１１２ ＲＡＭ
１１３ ＲＯＭ

Claims (6)

1. 過去の設計書データに含まれる各ページについての、１ページあたりの記載密度をグラフにして画像化し、
   前記各ページについての前記記載密度に対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第１学習モデルを生成し、
   前記画像化されたグラフに対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第２学習モデルを生成し、
   前記第１学習モデルおよび前記第２学習モデルの両方を用いて評価対象の設計書データの評価結果を予測する、
   処理をコンピュータに実行させることを特徴とする設計書評価プログラム。
2. 前記画像化では、前記記載密度と共に、前記過去の設計書データに含まれる各ページについての、１ページあたりの語句の種類の数と文章量と図形密度とをグラフにして画像化し、
   前記第１学習モデルの生成では、前記記憶密度と共に、前記各ページについての前記語句の種類の数と前記文章量と前記図形密度とに対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、前記第１学習モデルを生成する、
   ことを特徴とする請求項１記載の設計書評価プログラム。
3. 前記第１学習モデルを用いた前記評価対象の設計書データの評価結果が肯定的であり、且つ前記第２学習モデルを用いた前記評価対象の設計書データの評価結果が肯定的である場合に、前記評価対象の設計書データが肯定的な評価結果であると予測し、
   前記第１学習モデルを用いた前記評価対象の設計書データの評価結果と、前記第２学習モデルを用いた前記評価対象の設計書データの評価結果とのうち何れか一方が否定的である場合に、前記評価対象の設計書データの評価結果が否定的な評価結果であると予測する、
   処理を前記コンピュータに実行させることを特徴とする請求項１又は２に記載の設計書評価プログラム。
4. 前記第１学習モデルおよび前記第２学習モデルの両方を用いて予測された前記評価対象の設計書データの評価結果、前記第１学習モデルを用いて予測された前記評価対象の設計書データの評価結果、および前記第２学習モデルを用いて予測された前記評価対象の設計書データの評価結果、を表示させる、
   処理を前記コンピュータに実行させることを特徴とする請求項３記載の設計書評価プログラム。
5. 過去の設計書データに含まれる各ページについての、１ページあたりの記載密度をグラフにして画像化し、
   前記各ページについての前記記載密度に対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第１学習モデルを生成し、
   前記画像化されたグラフに対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第２学習モデルを生成し、
   前記第１学習モデルおよび前記第２学習モデルの両方を用いて評価対象の設計書データの評価結果を予測する、
   処理をコンピュータが実行することを特徴とする設計書評価方法。
6. 過去の設計書データに含まれる各ページについての、１ページあたりの記載密度をグラフにして画像化する画像化部と、
   前記各ページについての前記記載密度に対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第１学習モデルを生成する第１学習モデル生成部と、
   前記画像化されたグラフに対応付けられた前記過去の設計書データについての評価結果を入力として、機械学習を行い、第２学習モデルを生成する第２学習モデル生成部と、
   前記第１学習モデルおよび前記第２学習モデルの両方を用いて評価対象の設計書データの評価結果を予測する予測部と、
   を備えることを特徴とする設計書評価装置。

Images