JP7253371B2

JP7253371B2 - 抽出プログラム、抽出方法、および、抽出装置

Info

Publication number: JP7253371B2
Application number: JP2018243120A
Authority: JP
Inventors: 珊珊于; 清訓森岡
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2018-12-26
Filing date: 2018-12-26
Publication date: 2023-04-06
Anticipated expiration: 2038-12-26
Also published as: JP2020106948A

Description

本発明は、抽出プログラム、抽出方法、および、抽出装置に関する。

学校、地域社会、職場などの様々な場面で、特定の人物に外的要因に起因したストレスがかかることがあり得る。このようなストレスを与える要因の例としては、いじめが挙げられる。また、いじめは学校や職場などの実際の場所での加害者側の動作などによって発生することもあるが、電子メールやＳＮＳ（social networking service）等の情報交流サイトにおいて発生することもある。いじめに適切に対処することは重要な課題であることは広く認識されているが、いじめの発生件数は増加傾向にある。

そこで、いじめを早期に検出することや、発生しているいじめを解決するための適切な対応を行うことが求められる。いじめの発見を支援するために、例えば、映像データ、音声データ、テキストデータなどを解析した結果を用いていじめの発生を検出する方法が提案されている（例えば、特許文献１～３）。また、対人関係を円滑に進めるための支援システムも提案されている（例えば、特許文献４）。ユーザの生体データから生成されたストレスデータが所定の閾値を超えると、ユーザの行動履歴のデータに基づいて、ユーザが抱えているストレスが対人ストレスであるかを推定し、推定結果をユーザに通知するシステムも提案されている（例えば特許文献５）。

特開２０１７－２０７８７７号特開２０１５－２２５５４０号特開２００３－３４６２５６号特開２０１２－７８８９８号特開２０１８－３７０７３号

いじめを止めさせるためには、教師、マネージャー、カウンセラーなどが、被害者の見方になってくれる仲裁者と連携して被害者を孤立させないようにするなどの対処を行うことが有効である。また、いじめが深刻化する前の早い段階で、いじめを止めさせるための適切な対応が行われることが望ましい。しかし、仲裁者となる可能性のある人物を特定するためには、被害者の対人関係を把握するための聞き取り調査などを行うことも多く、仲裁者の選択は煩雑であり時間がかかることも多い。いじめに限らず、ハラスメントなども含む、被害者に対してストレスを与える事象を止めるための仲裁者の特定の際にも、同様の問題がある。

本発明は、１つの側面として、被害者にストレスを与える事象を止めるための仲裁者となる可能性のある人物の特定を支援することを目的とする。

ある１つの態様にかかる抽出プログラムは、コンピュータで実行される。コンピュータは、観測データから抽出したユーザに関する情報を用いて、前記ユーザの外的要因に起因して前記ユーザにストレスを与える事象を検出すると共に、前記事象の種別を特定する。コンピュータは、前記事象の種別が、所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記事象の検出に使用した情報と当該情報が取得された時刻を用いて、前記事象の開始時点を推定する。コンピュータは、前記観測データから特定される人物について、前記ユーザとの間の関係の良好度を表わす指標値を計算する。コンピュータは、前記開始時点での前記指標値が相対的に高い人物を、前記事象に対する仲裁者として抽出する。

１つの側面によれば、被害者にストレスを与える事象を止めるための仲裁者となる可能性のある人物の特定を支援することができる。

仲裁者の抽出方法の例を説明する図である。抽出装置の構成の例を説明する図である。抽出装置のハードウェア構成の例を説明する図である。種別テーブルの例を説明する図である。指標値の求め方の例を説明する図である。第１の実施形態にかかる抽出方法の例を説明するフローチャートである。観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。指標値の例を説明する図である。観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明する図である。指標値の経時変化の例を説明する図である。観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。仲裁者の抽出の際に使用するデータの例を説明する図である。第２の実施形態にかかる抽出方法の例を説明するフローチャートである。観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。第２の実施形態での指標値の例を説明する図である。観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。仲裁者の抽出の際に使用するデータの例を説明する図である。第３の実施形態にかかる観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。第３の実施形態にかかる観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。

仲裁者となる可能性のある人物として、ストレスを与えられている被害者に親近感を持っている人物が挙げられる。さらに、いじめなどの被害者にストレスを与える事象自体を悪いことであると認識していることにより、そのような事象を止めたいと望むような正義感の強い人物も、仲裁者となる可能性がある。

仲裁者となる可能性のある人物を特定する方法の１つとして、いじめなどの事象を検出した時点やいじめなどの事象の検出時点の直前において、被害者と仲の良い人物を選ぶこともできる。しかし、事象の種類によっては、事象が発生していることを検出するための観察期間が長くなることがある。例えば、被害者が仲間はずれにされていることや、被害者が周囲の人から無視されていることを検出するためには、被害者の周囲の人の行動を長期間にわたって観測することになる。すると、事象の検出時点では、事象の発生から時間が経っている。いじめなどの事象が長期化すると、被害者と仲の良い人物の中には、自分も被害者と一緒に被害を受けることを恐れて被害者と距離を置く人も出てくることが予想される。すると、単に事象を検出した時点で被害者と仲の良い人物を検出した場合、事象の継続期間中に被害者との間の距離を置いただけで被害者に対しては親近感を持っている人物を仲裁者の候補として抽出できないという問題が発生する。また、単に事象を検出した時点で被害者と仲の良い人物を検出した場合には、正義感が強い人物を仲裁者の候補として抽出することも困難である。

図１は、実施形態にかかる仲裁者の抽出方法の例を説明する図である。なお、以下の説明では、読みやすくするために、被害者の外的要因に起因して被害者にストレスを与える事象として検出される対象がいじめである場合を例として説明することがあるが、いじめ以外のハラスメントなどについてもいじめと同様に仲裁者を抽出できる。

いじめが発生している集団において、その集団に属する人物を、被害者、加害者、観衆、および、傍観者の４種類に分類することができる。被害者は、いじめの被害を受けている人物である。加害者は、被害者に対していじめを行っている人物である。観衆は、いじめ自体には参加していないが、被害者が加害者にいじめられている状態を楽しんで見ている人物である。従って、観衆は、いじめに参加していないものの、いじめを消極的に肯定しているといえる。

傍観者は、いじめに参加しておらず、いじめが行われている状態を傍観している人物である。傍観者の中には、いじめに対して無関心な人物といじめを快く思っていない人物が含まれる。さらに、傍観者は、いじめの検出時に被害者と親しい人物（図１のＡ）、いじめの発生前は被害者と親しいがいじめの検出時には被害者と距離を置いている人物（図１のＢ）、および、正義感が強くいじめをやめさせたいと望む人物（図１のＣ）を含む。

そこで、実施形態にかかる抽出装置１０は、いじめを検出すると共に、いじめの種別を特定する。また、抽出装置１０は、いじめの種別ごとに、その種別が所定期間以上にわたって収集した映像や音声などの情報を用いて検出される種別であるかを判定する。なお、この判定を行うために、抽出装置１０は、予め、いじめの種別とその種別のいじめを検出するための期間が所定期間以上であるかを対応付けた情報を保持しているものとする。抽出装置１０は、いじめの種別が、所定期間以上にわたって収集した情報を用いて検出される種別である場合、いじめの検出に使用した情報とその情報が取得された時刻を用いて、その事象の開始時点を推測する処理を行う。さらに、抽出装置１０は、いじめの発生前は被害者と親しいがいじめの検出時には被害者と距離を置いている人物（図１のＢ）を特定し、特定した人物をいじめの仲裁者として抽出できる。

抽出装置１０は、さらに、いじめの発生前は被害者と親しい人物（図１のＢ）に加えて、正義感が強い人物（図１のＣ）や、いじめの検出時に被害者と親しい人物（図１のＡ）も特定することもできる。図１のＡ～Ｃの全てを特定した場合、抽出装置１０は、いじめの検出時に被害者と親しい人物（Ａ）、いじめの発生前は被害者と親しい人物（Ｂ）、および、正義感が強い人物（Ｃ）の全てを、仲裁者の候補として抽出することができる。

さらに、抽出装置１０は、収集データ３１として記録しているデータ中に含まれている映像や音声などのデータを用いて、収集データ３１に記録されている人物と被害者との間の人間関係などを特定できる。このため、いじめに対応する教師などは、いじめに気付いてから調査を行わなくても、被害者と他の生徒との間の人間関係に基づいた仲裁者の候補を得ることができる。いじめに対応する教師等は、抽出装置１０が仲裁者として出力した人物のリストから、協力を要請する仲裁者を選択できる。従って、抽出装置１０を用いることにより、いじめに対応する教師等の処理負担が軽減される。

このように、抽出装置１０は、いじめなどの被害者にストレスを与える事象を止めるための仲裁者となる可能性のある人物を適切に特定することを支援することができる。いじめなどの被害者にストレスを与える事象は、学校、職場、地域社会など、複数の人が集まる様々な状況で発生し得る。学校、職場、地域社会など、複数の人が集まる場所において発生した問題を解決するために行動する教師、マネージャー、カウンセラーなどは、抽出装置１０を用いて、仲裁者の候補を容易に特定することができるようになる。

＜装置構成＞
図２は、抽出装置１０の構成の例を説明する図である。抽出装置１０は、通信部１１、制御部２０、記憶部３０、出力装置１０４を備える。

通信部１１は、送信部１２と受信部１３を備える。送信部１２は、他の装置にパケットを送信し、受信部１３は他の装置からパケットを受信する。送信部１２や受信部１３がパケットを送受信する他の装置には、被害者にストレスを与える事象の検出に使用するデータの提供元や、仲裁者候補の抽出結果の送信先などが含まれる。ストレスを与える事象の検出に使用するデータの提供元には、映像データの送信元となるカメラ、音声データの送信元となるマイク、ＳＮＳで送受信されたテキスト情報の提供元の装置などが含まれる。

記憶部３０は、収集データ３１、名簿情報３２、種別テーブル３３、および、指標値テーブル３４を有する。収集データ３１は、カメラ、マイク、ＳＮＳで送受信されたテキスト情報の提供元の装置などから得られたデータである。名簿情報３２は、監視対象となっている場所に現れる可能性のある人物の情報である。なお、ＳＮＳで送受信されたテキスト情報からいじめが特定される場合には、名簿情報３２は、ＳＮＳに参加する人物の名簿である。名簿情報３２は、個々の生徒についての氏名や識別情報（生徒ＩＤ）などを記録する。種別テーブル３３は、発生し得る事象の種別と、各種別の事象を検出するための観察期間が所定の閾値以上であるかを示す情報を保持する。指標値テーブル３４は、被害者や加害者との間の対人関係の良好度を数値化するための指標値を求める際に使用される。種別テーブル３３や指標値テーブル３４の例については後述する。

制御部２０は、検出部２１、計算部２２、開始推定部２３、および抽出部２４を有する。検出部２１は、被害者にストレスを与える事象を検出する。計算部２２は、適宜、収集データ３１と指標値テーブル３４を用いることにより、収集データ３１に情報が収集されている人物について、被害者や加害者との間の人間関係の良好度の指標値を計算する。開始推定部２３は、検出された事象のうちで、検出のための観察期間が所定の期間以上である事象について、その事象が開始した時点を推定するための処理を行う。開始推定部２３は、適宜、計算部２２の計算結果や種別テーブル３３を用いる。抽出部２４は、仲裁者となり得る人物を抽出する。抽出部２４は、検出のための観察期間が所定の期間未満である事象については、事象が検出された時点や、事象が検出された時点の前の所定の期間について算出された指標値を用いて、仲裁者を抽出する。一方、検出のための観察期間が所定の期間以上の事象について、抽出部２４は、事象の開始時点の前の所定の期間から事象の検出時点までの期間について算出された指標値を用いて、仲裁者を抽出する。抽出部２４は、抽出結果を出力装置１０４に出力する。

出力装置１０４は、抽出部２４から入力された情報に基づいて、仲裁者の情報をオペレータが視認できるように出力する。なお、出力装置１０４は、仲裁者の情報に加えて、事象の発生、事象の被害者、事象での加害者などの他の情報も表示することもできる。

なお、図２は一例であり、実装に応じて抽出装置１０の構成は変更され得る。例えば、いじめに対応しようとする教師などが使用する装置に対して、抽出装置１０が抽出結果を送信する場合、抽出装置１０は出力装置１０４を備えていなくても良い。この場合、抽出部２４は、得られた結果を送信部１２経由で送信先の装置に送信する。さらに、抽出装置１０が収集データ３１を収集するためのマイクやカメラなどの入力装置を備えていても良い。抽出装置１０が収集データ３１を収集するための入力装置を有する場合、抽出装置１０は、入力装置から取得したデータを収集データ３１として記憶する。なお、抽出装置１０は、収集データ３１を収集するための入力装置を有する場合においても、他の装置から収集データ３１として使用できるデータを受信しても良い。

図３は、抽出装置１０のハードウェア構成の例を説明する図である。抽出装置１０は、プロセッサ１０１、メモリ１０２、バス１０５、出力装置１０４を備える。さらに、抽出装置１０は、入力装置１０３、記憶装置１０６、可搬記憶媒体駆動装置１０７、ネットワークインタフェース１０９の１つ以上を有していても良い。

プロセッサ１０１は、任意の処理回路であり、例えば、Central Processing Unit（ＣＰＵ）とすることができる。プロセッサ１０１は、制御部２０として動作する。プロセッサ１０１は、例えば、メモリ１０２や記憶装置１０６に記憶されたプログラムを実行することができる。メモリ１０２は、プロセッサ１０１の動作により得られたデータや、プロセッサ１０１の処理に用いられるデータを、適宜、記憶する。記憶装置１０６は、プログラムやデータなどを格納し、格納している情報を、適宜、プロセッサ１０１などに提供する。メモリ１０２や記憶装置１０６は、抽出装置１０において、記憶部３０として動作する。

バス１０５は、プロセッサ１０１、メモリ１０２、入力装置１０３、出力装置１０４、記憶装置１０６、可搬記憶媒体駆動装置１０７、ネットワークインタフェース１０９を、相互にデータの送受信が可能になるように接続する。入力装置１０３は、キーボード、マウス、マイク、カメラなど、情報の入力に使用される任意の装置であり、出力装置１０４は、ディスプレイなど、データの出力に使用される任意の装置である。可搬記憶媒体駆動装置１０７は、メモリ１０２や記憶装置１０６のデータを可搬記憶媒体１０８に出力することができ、また、可搬記憶媒体１０８からプログラムやデータ等を読み出すことができる。ここで、可搬記憶媒体１０８は、Compact Disc Recordable（ＣＤ－Ｒ）やDigital Versatile Disk Recordable（ＤＶＤ－Ｒ）を含む、持ち運びが可能な任意の記憶媒体とすることができる。ネットワークインタフェース１０９は、適宜、抽出装置１０が他の装置と通信するための処理を行う。ネットワークインタフェース１０９は、通信部１１として動作する。

＜第１の実施形態＞
第１の実施形態では、学校の教室において発生しているいじめについて、仲裁者となる人物を抽出する場合の例を説明する。また、教室には、映像データを収集するためのカメラと音声データを収集するためのマイクが予め設置されているものとする。

図４は、種別テーブル３３の例を説明する図である。種別テーブル３３は、いじめの種別と、個々の種別のいじめの検出のための観察期間の長さを対応付けている。観察期間が所定期間以上にわたっているかは、例えば、そのいじめの行為が１回だけ行われている間の観測によっていじめが発生していることを特定できるかによって分類されても良い。この場合、いじめの種別のうち、そのいじめの行為が１回だけ行われている間に収集した映像や音声などのデータを用いて特定できる種別は、観察期間が所定期間よりも短期間である（種別テーブル３３中の「短期」）と分類される。一方、複数回のいじめの行為の各々の間に収集した映像や音声などのデータを合わせて解析する事により特定できる種別は、観察期間が所定期間よりも長期間である（種別テーブル３３中の「長期」）と分類される。

図４の例では、暴力、暴言、仲間はずれ、嫌なことを強要、物を隠す、無視、悪いうわさを流すという７つの種別が挙げられている。これらの種別のうち、暴力、暴言、嫌なことを強要、物を隠すという４つの種別のいじめは、それらの行為が１回行われている間に撮影された映像や収音された音声データを解析することによって、いじめを特定することができる。このため、これらの４つの種別のいじめについての観察期間は「短期」に分類されている。一方、仲間はずれ、無視、悪いうわさを流すという３つの種別については、それらの種別の行為が行われている間に取得された複数回分のデータを合わせて総合的に解析することによって特定される。このため、これらの３つの種別のいじめについての観察期間は「長期」に分類されている。

図５は、指標値の求め方の例を説明する図である。被害者との間の人間関係の良好度を表わす指標値は、被害者との間の会話量、アイコンタクトの頻度、被害者と一緒にいる時間の長さ、および、被害者と一緒にいるときの表情の少なくとも１つを用いて決定される。また、指標値を求めるための基準は、実際の人間関係を正しく評価できるように、いじめなどの事象が発生していない状況下で取得されたデータ等を用いて調整され得る。以下、被害者と一緒にいる時の表情を用いて指標値を求める場合を例として、指標値の計算基準の設定方法の例を説明する。

計算部２２は、予め、収集データ３１中の映像に写っている人物の表情がポジティブな感情またはネガティブな感情を表わしている度合いを判定する基準を記憶している。以下、表情がポジティブまたはネガティブな感情を表わしている度合いのことを、「表情のポジネガ度」と記載することがある。計算部２２は、表情のポジネガ度の計算基準として予め記憶している基準に基づいて、いじめが発生していない時期に収集された収集データ３１中に映っている人物の各々についてポジネガ度を算出する。ここで、いじめが発生していない場合での人間関係は、調査対象のいじめに関して取得された収集データ３１とは異なるデータとして記録されている情報であっても良い。また、後述する方法でいじめの開始時期が特定された場合には、開始時期の前に取得されたデータをいじめが発生していない場合での人間関係を表わすデータとすることができる。図５のテーブルＴａ１の右端の欄に、いじめが発生していない時期の収集データ３１に映っている生徒の各々に対するポジネガ度の計算結果の例を示す。テーブルＴａ１の例では、ポジネガ度は５段階で表わされる。テーブルＴａ１の例では、複数のデータを用いて計算したポジネガ度の平均値を示している。この例では、５が非常にポジティブな表情であり、数字が小さくなるにつれて表情のポジティブ度が小さくなり、１が非常にネガティブな表情であるとする。図５のテーブルＴａ１の左端の欄の値は、そのエントリに計算結果が示されている生徒を識別する生徒ＩＤである。

図５のテーブルＴａ１の右端に記載されている計算値は、計算部２２に設定された基準に基づいて計算されているが、必ずしも被害者と被害者の周囲の人の間の人間関係を適切に表していない場合がある。例えば、表情の変化が起こりにくい人の場合、計算部２２が基準に基づいて求めた値よりもポジティブな感情やネガティブな感情を有している可能性がある。

そこで、計算部２２が保持している基準に基づいて算出したポジネガ度の計算値を、実際の関係と合わせるために、いじめなどが発生したクラスでのアンケート結果や、いじめなどが発生したクラスの生徒を教師などが観察した結果と比較する。アンケートや観察結果では、被害者との人間関係が良いかをポジネガ度と同じ段階数で評価する。図５のテーブルＴａ１の中央の欄の値は、各エントリの生徒に対してのアンケート結果や教師による観察結果によって、いじめ発生の前での被害者との間の人間関係が評価された結果である。テーブルＴａ１の例では、アンケート結果や教師による観察結果も５段階評価であり、５が最も人間関係が良いことを示す。また、数値が小さくなるにつれて、人間関係の良好度が低くなることを表わし、１は最も人間関係が悪い状態を示す。

計算部２２は、図５のテーブルＴａ１の中央の欄の値と計算値が一致するように、判定の際に使用する基準を調整する。このとき、例えば、生徒ごとに表情のポジネガ度の評価基準を微調整しても良い。

テーブルＴａ１に示す値を用いて個々の生徒についての評価基準の微調整を行うのとは別に、計算部２２は、表情のポジネガ度を指標値に換算するためのテーブルＴａ２も保持する。テーブルＴａ２では、指標値は－１から１の間の値で表わされており、ポジネガ度と指標値の間の対応関係が設定されている。なお、テーブルＴａ２は一例である。例えば、ポジネガ度と指標値の間の対応付けはテーブルＴａ２に示すよりも詳細に行われていても良い。また、計算部２２は、ポジネガ度と指標値の対応関係を、ポジネガ度の関数として指標値をプロットしたグラフとして保持していても良い。

従って、計算部２２は、テーブルＴａ１を用いて個々の生徒の表情の変化しやすさに合わせた基準を用いて、個々の生徒の表情のポジネガ度をその生徒と被害者との人間関係を表わすように算出することができる。さらに、ポジネガ度として算出した被害者との人間関係を、テーブルＴａ２に示すようなポジネガ度と指標値の間の対応関係を用いて、指標値に変換できる。

図５を参照しながら、表情のポジネガ度を用いて指標値を求める場合の例を説明したが、指標値を求める際に使用されるデータは表情のポジネガ度でなくても良い。例えば、会話量、アイコンタクト頻度、笑顔の検出頻度などについても、計算部２２は、人間関係を適切に評価するための基準と指標値に変換するための対応関係を保持することができ、これらの値を用いて指標値を求めることができる。

図６は、第１の実施形態にかかる抽出方法の例を説明するフローチャートである。図６の例では、予め、抽出装置１０の受信部１３は、映像データおよび音声収録データとして、収集データ３１を受信しているものとする。

検出部２１は、収集データ３１として記憶部３０に保持されている映像データおよび音声収録データを解析することにより、いじめを検出する（ステップＳ１、Ｓ２）。映像データおよび音声収録データの解析やいじめの検出方法は、任意の方法であって良い。例えば、検出部２１は、人の移動曲線、人の移動速度、複数の人の相対位置、人の手や足などの動き、人の表情などを用いて、人の行動種別パターンを解析することができる。この結果、検出部２１は、例えば、ある生徒が他の生徒を蹴飛ばしている、殴っているなどの行動種別を特定できる。また、音声データの解析により、検出部２１は、発話内容、発話の際の感情の動きなどを特定できる。なお、検出部２１は、音声データの解析のために、音声の特徴のモデルとマッチングから感情の種類などを特定するための情報を予め保持することができる。検出部２１は、いじめの検出時刻、いじめの被害者情報などをいじめ情報として保持する。ここで、いじめの被害者情報には、被害者の生徒ＩＤ、被害者の顔の特徴、被害者の名前などが含まれる。検出部２１は、適宜、いじめ情報を記憶部３０に保存しても良い。

次に、検出部２１は、いじめの種別を判定する（ステップＳ３）。例えば、休み時間あるいは昼食時に、高い頻度で、特定の生徒がグループから孤立している場合、検出部２１は、仲間はずれや無視が行われていると判定する。さらに、特定の人物と他の人物の間の会話量が減る、特定の人物と他の人物の間でアイコンタクトが発生した直後に他の人物の方が目をそらすなどの状況が頻繁に発生する場合も、検出部２１は、仲間はずれや無視を検出したと判定できる。また、激しい動きによる他の生徒への接触や、ある生徒が手、腕、足、脚によって攻撃をしている映像が特定された場合、検出部２１は暴力によるいじめが行われていると判定する。さらに、ある生徒の顔の表情が泣いている表情あるいは困っている表情であることに加えて、周囲にいる生徒が嘲笑しているような音声が得られた場合、検出部２１は、被害者に嫌なことを強要しているなどの状況が発生していると判定する。検出部２１は、判定したいじめの種別を開始推定部２３に出力する。

開始推定部２３は、検出のための観察期間が閾値以上の種別のいじめが検出されたかを判定する（ステップＳ４）。ステップＳ４の処理の際に、開始推定部２３は、種別テーブル３３（図４）を用いる。開始推定部２３は、種別テーブル３３において観察期間が「短期」に分類されている種別を、検出のための観察期間が閾値未満の種別であると判定する（ステップＳ４でＮｏ）。開始推定部２３は、判定結果を計算部２２と抽出部２４に出力する。すると、抽出部２４は、計算部２２で計算された指標値を用いながら観察期間の短いいじめでの仲裁者候補抽出の処理を行う（ステップＳ５）。

一方、種別テーブル３３において観察期間が「長期」に分類されている種別を、開始推定部２３は、検出のための観察期間が閾値以上の種別であると判定する（ステップＳ４でＹｅｓ）。開始推定部２３は、判定結果を計算部２２と抽出部２４に出力する。すると、抽出部２４は、計算部２２で計算された指標値を用いて観察期間の長いいじめでの仲裁者候補抽出の処理を行う（ステップＳ６）。

以下、観察期間の短い種別のいじめでの仲裁者候補抽出処理と、観察期間の長い種別のいじめでの仲裁者候補抽出処理に分けて、抽出装置１０で行われる仲裁者の抽出方法の例を説明する。

（１ａ）観察期間の短い種別のいじめでの仲裁者候補の抽出処理
図７は、観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図７では、変数ｘと定数Ｘを使用する。定数Ｘは、収集データ３１に記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数である。変数ｘは、処理対象とした生徒の数を計数するために用いられる。なお、図７は処理の一例であり、実装に応じて処理の手順は変更され得る。例えば、ステップＳ１１とＳ１２は、並行して行われても良いし、いずれか一方が他方よりも先に行われても良い。さらに、ステップＳ１４の処理は、ステップＳ１５の前の任意のタイミングで行われ得る。

計算部２２は、観察期間の短い種別のいじめを検出したことが通知されると、映像データおよび音声データを、収集データ３１から取得する（ステップＳ１１）。計算部２２は、ステップＳ１１で取得したデータを用いて、収集データ３１に映像や音声が含まれている生徒の各々について、生徒ＩＤを特定すると共に、被害者との間の人間関係の指標値を計算する。抽出部２４は、検出部２１または記憶部３０から、いじめ情報を取得する（ステップＳ１２）。いじめ情報には、いじめの検出時刻、被害者の生徒ＩＤ、被害者の顔の特徴、被害者の名前などが含まれる。抽出部２４は、計算部２２で得られた計算結果から、いじめの検出時刻から遡った所定の期間についての被害者との間の人間関係の指標値を抽出する（ステップＳ１３）。

図８は、指標値の例を説明する図である。例えば、収集データ３１に記録されている各生徒について、図８に示すような指標値が計算部２２によって計算されているとする。いじめの検出時刻が時刻ｔであるとする。また、所定の期間の開始点は時刻２であるとする。すると、抽出部２４は、図８に示す情報のうち、時刻２から時刻ｔまでの指標値を、図８の計算結果に含まれている各生徒について抽出する。

図７のステップＳ１４において、抽出部２４は、変数ｘを１に設定する（ステップＳ１４）。抽出部２４は、ステップＳ１３で抽出した指標値を用いて、ｘ番目の生徒の被害者との人間関係の指標値の平均値を算出する（ステップＳ１５）。抽出部２４は、ｘ番目の生徒について得られた平均値が閾値１を上回っているかを判定する（ステップＳ１６）。閾値１は、被害者との間の人間関係が仲裁者となり得る程度に良好であるかを判定するために使用される。閾値１の値は、経験的に決定されても良く、また、いじめが発生する前に観測された収集データ３１を分析した結果に基づいて設定されても良い。

ｘ番目の生徒について得られた平均値が閾値１を上回っている場合、抽出部２４は、ｘ番目の生徒を仲裁者候補とする（ステップＳ１６でＹｅｓ、ステップＳ１７）。ステップＳ１７の処理が終わった後、および、ｘ番目の生徒について得られた平均値が閾値１以下の場合、抽出部２４は変数ｘを１つインクリメントする（ステップＳ１８）。抽出部２４は、変数ｘが定数Ｘを超えたかを判定する（ステップＳ１９）。変数ｘが定数Ｘを超えていない場合、ステップＳ１５以降の処理が繰り返される（ステップＳ１９でＮｏ）。一方、変数ｘが定数Ｘを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ１９でＹｅｓ）。

（１ｂ）観察期間の長い種別のいじめでの仲裁者候補の抽出処理
図９は、観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明する図である。観察期間が長い種別のいじめの場合でも、図６を参照しながら説明したように、検出部２１は、収集データ３１として記憶部３０に記憶されている映像データや音声データを用いて、いじめを検出できる（ステップＳ３１）。また、観察期間が長い種別のいじめに対する処理でも、計算部２２は、収集データ３１に映像や音声が含まれている生徒の各々について、生徒ＩＤを特定すると共に、被害者との間の人間関係の指標値を計算するものとする。さらに、検出部２１は、検出したいじめの種別を開始推定部２３に通知する。

図９の例では、開始推定部２３は、検出のための観察期間が閾値以上の種別のいじめが検出されたと判定したとする。この場合、開始推定部２３は、計算部２２によって計算された加害者と被害者の人間関係の指標値を、その指標値の計算に用いられたデータの取得時刻と対応付けることにより、いじめの当事者の間の人間関係の指標値の時間変化を求める（ステップＳ３２）。ケースＣ１は、いじめの加害者と被害者の間の人間関係の指標値の時間変化の例である。時刻Ｔ_Ｄはいじめを検出した時点を表す。閾値２は、人間関係が悪いかを判定するために使用する閾値である。人間関係の指標値が閾値２以下の場合に人間関係が悪いと判定できるものとする。閾値２は、経験則などによって設定されても良く、また、指標値の計算の際に用いる基準を調整するために行ったアンケートの結果を指標値に換算することで得られる情報を用いて設定されても良い。開始推定部２３は、いじめの加害者と被害者の間の人間関係の指標値が閾値２以下になった時点をいじめの開始時点であると推定する（ステップＳ３３）。ケースＣ１の例では、時刻Ｔ_Ｓにおいて加害者と被害者の間の人間関係の指標値が閾値２になっている。このため、時刻Ｔ_Ｓがいじめの開始時点として推定される。

なお、いじめの加害者が複数である場合には、計算部２２において、加害者の各々について、被害者の間の人間関係の指標値が個別に算出される。この場合、開始推定部２３は、指標値の算出に使用されたデータの収集時刻ごとに、得られた指標値の平均値を求める。開始推定部２３は、求めた平均値を時間の関数として分析することにより、加害者と被害者の間の人間関係の指標値の平均値が閾値２以下となる時刻を、いじめの開始時点として推定する。

計算部２２は、いじめの開始時点であると推定されている時刻Ｔ_Ｓより前の所定の期間（ケースＣ１に示す期間Ｎ１）にわたって得られた収集データ３１を用いて、いじめが発生する前の人間関係の指標値を算出する（ステップＳ３４）。ただし、ステップＳ３４では、いじめの加害者以外で収集データ３１にデータを収集されている人物の各々について、いじめの被害者との間の人間関係の指標値が算出される。すなわち、ステップＳ３４では、いじめが発生する前の段階での、いじめの被害者と加害者以外の人との間の人間関係の指標値を求めている。

ステップＳ３４の処理と並行して、計算部２２は、いじめが発生してからいじめが検出されるまでの間の期間に収集された収集データ３１を用いて、いじめが発生した後の人間関係の指標値を算出する（ステップＳ３５）。ステップＳ３５でも、いじめの加害者以外で収集データ３１にデータを収集されている人物の各々について、いじめの被害者との間の人間関係の指標値が算出される。従って、ステップＳ３５では、いじめの発生後での、いじめの被害者と加害者以外の人との間の人間関係の指標値を求めている。

抽出部２４は、ステップＳ３４およびＳ３５で得られた人間関係の指標値を時間の関数として解析することにより、仲裁者の候補を抽出する（ステップＳ３６）。以下、図１０を参照しながら抽出部２４の処理の例を説明する。

図１０は、指標値の経時変化の例を説明する図である。図１０のケースでは、Ａという人物とＢという人物の各々について、被害者との間の人間関係の指標値の時間変化を示している。抽出部２４は、いじめの影響がない場合に被害者と人間関係が良い人物を仲裁者として選択できる。いじめの影響がない場合に被害者と人間関係が良い人物は、いじめが発生する前の人間関係推定期間（Ｎ１）において、被害者との人間関係の指標値の平均値が高い人物である。従って、抽出部２４は、いじめが発生する前の期間Ｎ１での指標値の平均値が高い人物を、仲裁者として選択することができる。

さらに、抽出部２４は、いじめに対して否定的な考えを持っている正義感の強い人物も仲裁者として選択できる。正義感の強い人物は、いじめが発生した後であっても被害者を露骨に避けるなどの行動をとらず、いじめに加担しにくいと考えられる。従って、正義感の強い人物は、いじめが発生した後の人間関係の変化推定期間（期間Ｎ２）において、被害者との人間関係の指標値の悪化が比較的遅いと考えられる。例えば、抽出部２４は、被害者との人間関係の指標値が閾値３を下回る時刻が相対的に遅い人物も仲裁者として選択することができる。被害者との人間関係の指標値が変動することにより、被害者との人間関係の指標値が閾値３を下回る時刻が複数ある場合、抽出部２４は、被害者との人間関係の指標値が閾値３を下回る時刻のうちの最も遅いものを仲裁者の選択基準として使用できる。ここで、閾値３は、人間関係が良好であると判定できる指標値の最小値である。閾値３は、いじめが発生する前に観測された収集データ３１の分析結果などに基づいて設定されても良く、また、オペレータの経験などによって設定されても良い。

以上の基準を用いると、人物Ａは、期間Ｎ１にわたって、被害者との人間関係の指標値の平均値が比較的高いので、抽出部２４によって仲裁者として選択され得る。一方、人物Ａと人物Ｂのいずれも、期間Ｎ２において被害者との人間関係の指標値が閾値３を下回らない。このため、人物Ａと人物Ｂのいずれも正義感の強い人物として抽出部２４によって仲裁者として選択され得る。

図１１は、観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図１１を参照しながら、いじめの開始時点が特定された後で行われる処理の詳細を説明する。図１１では、変数ｙと定数Ｙを使用する。定数Ｙは、収集データ３１に記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数である。変数ｙは、処理対象とした生徒の数を計数するために用いられる。なお、図１１は処理の一例であり、実装に応じて処理の手順は変更され得る。例えば、ステップＳ４３とＳ４４は、並行して行われても良いし、いずれか一方が他方よりも先に行われても良い。

開始推定部２３は、検出された種別のいじめの観察期間が長い場合、いじめの開始時点の推定処理を行う。開始推定部２３は、観察期間が長い種別のいじめが検出されたことといじめの開始時点の推定結果を計算部２２に通知する。計算部２２は、観察期間が長い種別のいじめが検出されたことを開始推定部２３から通知されると、変数ｙを１に設定する（ステップＳ４１）。なお、図１１の例でも観察期間が短い種別のいじめの場合と同様に、計算部２２は、観察期間の長い種別のいじめが検出されたことが通知されると、映像データおよび音声データを、収集データ３１から取得するものとする。

その後、計算部２２は、ｙ番目の生徒について、いじめの開始時点Ｔ_Ｓよりも期間Ｎ１だけ遡った時点からいじめを検出した時点Ｔ_Ｄまでの被害者との間の人間関係の指標値Ａ（ｔ）を算出する（ステップＳ４２）。ここで、指標値は収集データ３１の収集が行われた各時点に対して求められるので、計算部２２は指標値を時間の関数Ａ（ｔ）として求めることになる。抽出部２４は、計算部２２での計算結果のうち、いじめの発生前（期間Ｎ１）での指標値Ａ（ｔ）の平均値Ａａｖｅを算出する（ステップＳ４３）。抽出部２４は、計算部２２での計算結果のうち、いじめの発生後（期間Ｎ２）での指標値Ａ（ｔ）の値が閾値３を下回る時刻のうちの最も遅い時刻Ｔｙを求める（ステップＳ４４）。なお、期間Ｎ２の間に指標値Ａ（ｔ）の値が閾値３を下回らない場合、抽出部２４は、ｙ番目の生徒についての時刻Ｔｙをいじめの検出時点Ｔ_Ｄに設定する。

その後、抽出部２４は、いじめの発生前（期間Ｎ１）での指標値Ａ（ｔ）の平均値Ａａｖｅ、および、指標値Ａ（ｔ）の値が閾値３を下回る時刻のうちの最も遅い時刻Ｔｙを用いて、ｙ番目の生徒の仲裁者候補評価値Ｃを算出する（ステップＳ４５）。例えば、ステップＳ４５において、抽出部２４は、以下の式（１）によって仲裁者候補評価値Ｃを算出できる。

式（１）の第１項は、いじめの発生前での指標値Ａ（ｔ）の平均値Ａａｖｅの倍数である。すなわち、いじめの発生前に被害者との人間関係が良好であるほど、式（１）の第１項が大きくなる。従って、式（１）の第１項は、いじめの発生前に被害者と親しい人物を仲裁者として選択しやすくしている。

式（１）の第２項は、（Ｔｙ－Ｔ_Ｓ）の倍数である。ここで、（Ｔｙ－Ｔ_Ｓ）は、いじめの開始時点から、ｙ番目の生徒と被害者との間の人間関係が閾値３を下回るまでにかかる時間の長さである。従って、いじめの開始時点から、被害者との間の人間関係が閾値３を下回るまでにかかる時間が長い人物ほど、式（１）の第２項が大きくなる。いじめの開始時点から、被害者との間の人間関係が閾値３を下回るまでにかかる時間が長い人物は、いじめに加担しにくく、正義感の強い人物であるといえる。従って、式（１）の第２項は、正義感の強い人物を仲裁者として選択しやすくしている。

式（１）中のαは、０から１の間の値であり、平均値Ａａｖｅと時刻Ｔｙの遅さとのいずれの要素をより重視して仲裁者を選択するかに関する重みである。抽出装置１０のオペレータは、αの値を調整することによって、いじめの発生前に被害者と親しい人物と正義感の強い人物のどちらを優先的に仲裁者にするかを設定できる。なお、αの値は、適宜、抽出装置１０の受信部１３や入力装置１０３を介して、オペレータから設定され得る。α＝１の場合は、いじめの発生前に被害者と親しい人物を仲裁者に選択する。一方、α＝０の場合は、いじめの発生前に被害者と親しいかに関わらず、正義感が強く、いじめの発生によって被害者と距離をおくまでの時間が長い人物を仲裁者に選択する。同様に、０＜α＜１の場合、抽出部２４は、αの値が大きいほど、いじめの発生前での被害者との親しさを優先して仲裁者を選択し、αの値が小さいほど、正義感の強さを優先して仲裁者を選択することができる。

抽出部２４は、ｙ番目の生徒の仲裁者候補評価値Ｃが閾値４よりも大きいかを判定する（ステップＳ４６）。閾値４は、仲裁者として適切であると判定される仲裁者候補評価値Ｃの最小値である。ここで、閾値４は、経験などに基づいて予め決められた値でも良く、また、抽出装置１０の受信部１３や入力装置１０３を介して、オペレータから設定される値であっても良い。オペレータが閾値４を設定できる場合、オペレータは、抽出装置１０で選択された仲裁者の数と希望する仲裁者の数の差分を小さくするように、閾値４の値を調整しても良い。

ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値４を上回っている場合、抽出部２４は、ｙ番目の生徒を仲裁者候補とする（ステップＳ４６でＹｅｓ、ステップＳ４７）。ステップＳ４７の処理が終わった後、および、ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値４以下の場合、抽出部２４は変数ｙを１つインクリメントする（ステップＳ４８）。抽出部２４は、変数ｙが定数Ｙを超えたかを判定する（ステップＳ４９）。変数ｙが定数Ｙを超えていない場合、ステップＳ４２以降の処理が繰り返される（ステップＳ４９でＮｏ）。一方、変数ｙが定数Ｙを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ４９でＹｅｓ）。

なお、図１１の例では、生徒ごとに被害者との間の人間関係の指標値の計算や仲裁者として選択するかが求められたが、計算部２２は収集データ３１に記録された全ての生徒に対してまとめて指標値を計算してもよい。この場合、抽出部２４は、収集データ３１に記録された全ての生徒に対してまとめて指標値の平均値Ａａｖｅと時刻Ｔｙを求めることができる。

図１２は、収集データ３１に記録された全ての生徒に対してまとめて指標値が計算される場合に、仲裁者の抽出の際に使用するデータの例である。例えば、収集データ３１に記録されている各生徒について、図１２のテーブルＴａ１１に示すような指標値が計算部２２によって計算されているとする。いじめの検出時刻Ｔ_Ｄが時刻Ｔであり、いじめの開始時刻が時刻５（図示せず）であるとする。また、期間Ｎ１の開始点は時刻２であるとする。すると、抽出部２４は、テーブルＴａ１１に示す情報のうち、時刻２から時刻５までの指標値の平均値をＡａｖｅとして求める。テーブルＴａ１１の右端の欄に、各生徒についての指標値の平均値Ａａｖｅを示す。

さらに、抽出部２４は、テーブルＴａ１１中の指標値を閾値３と比較することにより、いじめの発生後（期間Ｎ２）での指標値Ａ（ｔ）の値が閾値３を下回る時刻のうちの最も遅い時刻Ｔｙを求める。いじめの開始時刻が時刻５である場合、各生徒について、時刻５以降の時刻について求められた指標値Ａ（ｔ）の値と閾値３が比較される。テーブルＴａ１２が各生徒についての時刻Ｔｙの特定結果である。テーブルＴａ１２の例では、生徒ＩＤ＝１の生徒についての時刻Ｔｙは時刻１０であり、生徒ＩＤ＝２の生徒についての時刻Ｔｙは時刻６である。

このように、収集データ３１に記録された全ての生徒に対してまとめて指標値の平均値Ａａｖｅと時刻Ｔｙが得られた場合、抽出部２４は、テーブルＴａ１１とＴａ１２の値を用いて、各生徒についての仲裁者候補評価値Ｃを算出する。その後の判定処理は、図１１を参照しながら説明したとおりである。

このように、第１の実施形態によると、抽出装置１０は、いじめを検出するための観察期間が長期間である場合、いじめの検出時に被害者と親しい人物、いじめの発生前は被害者と親しい人物、正義感が強い人物を仲裁者として特定することもできる。このため、抽出装置１０は、いじめによる人間関係の変化の影響を受けて、仲裁者となり得る人物を特定することに失敗することを防ぐことができる。

一方、いじめを検出するための観察期間が短期間である場合、いじめの発生からいじめの検出までの間の時間が短いため、いじめの検出時点においては、いじめの影響による人間関係の変動は無視できる。このため、いじめの検出時点から所定期間の間の人間関係を用いて仲裁者を特定することにより、長期的な観察を行う種別のいじめの際よりも簡潔な処理で仲裁者を特定できる。

さらに、第１の実施形態によると、オペレータは、抽出部２４での演算に使用する重み（式（１）中のα）の値を調整することにより、いじめの発生前での被害者との親しさと、正義感の強さのいずれを優先して仲裁者を選択するかを調整することができる。また、仲裁者候補評価値Ｃと比較される閾値４の値を調整することによって、オペレータは、いじめの対処方法に応じた所望の人数の仲裁者を特定することができる。例えば、大勢の仲裁者に被害者と親しくすることを依頼して被害者をサポートする場合には、閾値４を小さくして抽出装置１０で選択される仲裁者の人数を増やすことができる。一方、仲裁者の人数を絞って、仲裁者を被害者に深く関わらせることで被害者のメンタル面をサポートするような方法でいじめを解決しようとする場合には、オペレータは閾値４の値を大きくすることもできる。

なお、以上の例では、学校の教室を例としたが、第１の実施形態は、学校の他に職場や施設などの、複数の人物が集まる任意の場所で発生するいじめやハラスメントなどの解決のための仲裁者の特定を行うために使用できる。

＜第２の実施形態＞
第２の実施形態では、ＳＮＳにおいて発生しているいじめについて、仲裁者となる人物を抽出する場合の例を説明する。第２の実施形態では、いじめなどが発生しているおそれがある場合に、学校などの団体は、適宜、ＳＮＳの運営会社などにＳＮＳで送受信されているテキストのデータや個々のテキストの送信時刻、友人リストなどの情報を求めることができるものとする。ここで、友人リストは、ＳＮＳにおいて相互認証されたユーザのリストである。ＳＮＳの運営会社等は、学校側からの求めに応じて、学校側から指定されたＳＮＳコミュニティで送受信されたテキストデータ、個々のテキストの送信時刻、友人リストなどの情報を、学校側から指定された抽出装置１０に提供するものとする。抽出装置１０は、ＳＮＳの運営会社から提供された情報を、収集データ３１や名簿情報３２として記憶する。

図１３は、第２の実施形態にかかる抽出方法の例を説明するフローチャートである。検出部２１は、収集データ３１として記憶部３０に保持されているＳＮＳのテキストデータを解析することにより、いじめを検出する（ステップＳ６１、Ｓ６２）。

テキストデータの解析やいじめの検出方法は、任意の方法であって良い。例えば、検出部２１は、あるユーザの友人リストに含まれているエントリ数が急激に減少した場合に、その友人リストを利用するユーザに対するいじめが発生している可能性があると判定する。そこで、検出部２１は、エントリ数が急激に減少した友人リストを利用するユーザと、他のユーザの間で送受信されたテキストデータを解析しても良い。このとき、検出部２１は、いじめの際に使用されることが予測される文言が解析対象のテキストデータに含まれている回数が所定の閾値を超えた場合に、いじめが発生していると判定することができる。なお、記憶部３０は、いじめの際に使用されることが予測される文言のリストを予め保持することができ、検出部２１は、適宜、文言のリストを読み出すことができる。さらに、エントリ数が急激に減少した友人リストを利用するユーザが送信したメッセージに対する応答が遅い場合や応答がない場合も、検出部２１は、いじめが発生していると判定することができる。検出部２１は、いじめの検出時刻、いじめの被害者情報などをいじめ情報として保持する。ここで、いじめの被害者情報には、被害者の生徒ＩＤ、被害者の名前などが含まれる。検出部２１は、適宜、いじめ情報を記憶部３０に保存しても良い。

次に、検出部２１は、いじめの種別を判定する（ステップＳ６３）。例えば、いじめの際に使用されることが予測される文言が処理対象のテキストデータから検出されている場合、検出部２１は、暴言によるいじめが発生したと判定する。また、あるユーザに対するメッセージへの返信がない場合や極端に遅い場合には、仲間はずれや無視などのいじめが発生していると判定する。検出部２１は、判定したいじめの種別を開始推定部２３に出力する。

開始推定部２３は、検出のための観察期間が閾値以上の種別のいじめが検出されたかを判定する（ステップＳ６４）。ステップＳ６４の処理の際に、開始推定部２３は、種別テーブル３３を用いる。第２の実施形態で使用される種別テーブル３３に含まれるいじめの種別は、第１の実施形態と異なっていても良い。例えば、第２の実施形態で使用される種別テーブル３３は、暴言、仲間はずれ、無視、悪いうわさを流すという４つの種別を含むことができる。暴言は、暴言が記載されたテキストデータを解析することによって、いじめを特定することができる。このため、暴言は、観察期間が「短期」である種別のいじめである。一方、仲間はずれ、無視、悪いうわさを流すという３つの種別については、それらの種別の行為が行われている間に取得された複数回分のテキストデータをあわせて総合的に解析することによって特定される。このため、これらの３つの種別のいじめについての観察期間は「長期」に分類される。

開始推定部２３は、検出部２１で検出された種別が種別テーブル３３において「短期」の観察期間に対応付けられている場合、検出されたいじめは検出のための観察期間が閾値未満の種別であると判定する（ステップＳ６４でＮｏ）。開始推定部２３は、判定結果を計算部２２と抽出部２４に出力する。すると、抽出部２４は、計算部２２で計算された指標値を用いて、観察期間の短いいじめでの仲裁者候補抽出の処理を行う（ステップＳ６５）。

一方、検出部２１で検出された種別が種別テーブル３３において「長期」の観察期間に対応付けられている場合、開始推定部２３は、検出されたいじめは検出のための観察期間が閾値以上の種別であると判定する（ステップＳ６４でＹｅｓ）。開始推定部２３は、判定結果を計算部２２と抽出部２４に出力する。すると、抽出部２４は、計算部２２で計算された指標値を用いて、観察期間の長いいじめでの仲裁者候補抽出の処理を行う（ステップＳ６６）。

（２ａ）観察期間の短い種別のいじめでの仲裁者候補抽出処理
図１４は、観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図１４では、変数ｘと定数Ｘを使用する。定数Ｘは、収集データ３１にＳＮＳテキストが記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数である。変数ｘは、処理対象とした生徒の数を計数するために用いられる。

計算部２２は、観察期間の短い種別のいじめであることが通知されると、ＳＮＳテキスト情報を、収集データ３１から取得する（ステップＳ７１）。計算部２２は、ステップＳ７１で取得したテキストを作成した生徒の各々について、生徒ＩＤを特定すると共に、被害者との間の人間関係の指標値を計算する。このとき、計算部２２は、ＳＮＳで送受信されたテキストデータの文面やテキストの送信時刻を用いて、人間関係を推定して人間関係の良好度を指標値に換算する。例えば、計算部２２は、ＳＮＳのテキスト情報から人間関係の良好度を推定する際に、ポジティブな回答の頻度が多い程、人間関係が良いと判定する。さらに、計算部２２は、発信に対する回答までの時間が短いほど、被害者との人間関係が良いと判定する。なお、第２の実施形態においても、人間関係の良好度の評価に用いる基準は、第１の実施形態と同様にアンケート結果と計算部２２での分析結果の比較によって生成されるものとする。また、計算部２２は、第１の実施形態と同様の手順により、人間関係の良好度の評価結果を指標値に変換する際に使用するテーブルも生成できる。

抽出部２４は、検出部２１または記憶部３０から、いじめ情報を取得する（ステップＳ７２）。いじめ情報には、いじめの検出時刻、被害者の生徒ＩＤ、被害者の名前などが含まれる。抽出部２４は、計算部２２で得られた計算結果のうち、いじめの検出時刻における被害者との間の人間関係の指標値を抽出する（ステップＳ７３）。抽出部２４は、変数ｘを１に設定する（ステップＳ７４）。

抽出部２４は、ステップＳ７３で抽出した指標値のうち、ｘ番目の生徒の被害者との人間関係の指標値が閾値５を上回っているかを判定する（ステップＳ７５）。閾値５は、被害者との間の人間関係が仲裁者となり得る程度に良好であるかを判定するために使用される。閾値５の値は、経験的に決定されても良く、また、いじめが発生する前に観測された収集データ３１を分析した結果に基づいて設定されても良い。

ｘ番目の生徒について得られた平均値が閾値５を上回っている場合、抽出部２４は、ｘ番目の生徒を仲裁者候補とする（ステップＳ７５でＹｅｓ、ステップＳ７６）。ステップＳ７６の処理が終わった後、および、ｘ番目の生徒について得られた平均値が閾値５以下の場合、抽出部２４は変数ｘを１つインクリメントする（ステップＳ７７）。抽出部２４は、変数ｘが定数Ｘを超えたかを判定する（ステップＳ７８）。変数ｘが定数Ｘを超えていない場合、ステップＳ７５以降の処理が繰り返される（ステップＳ７８でＮｏ）。一方、変数ｘが定数Ｘを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ７８でＹｅｓ）。

なお、図１４は処理の一例であり、実装に応じて処理の手順は変更され得る。例えば、ステップＳ７１とＳ７２は、並行して行われても良いし、いずれか一方が他方よりも先に行われても良い。さらに、ステップＳ７４の処理は、ステップＳ７５の前の任意のタイミングで行われ得る。

図１５は、第２の実施形態での指標値の例を説明する図である。図１５を参照しながら図１４のステップＳ７５、Ｓ７６での処理の例を説明する。例えば、収集データ３１に記録されている各生徒について、図８に示すような指標値が計算部２２によって計算されたとする。また、閾値５は０．５であるとする。この場合、生徒ＩＤ＝１の生徒は、いじめの検出時点での被害者との間の人間関係の指標値が０．８５であるので、指標値は閾値５を超えている。このため、抽出部２４は、生徒ＩＤ＝１の生徒を仲裁者とする。一方、生徒ＩＤ＝２の生徒は、いじめの検出時点での被害者との間の人間関係の指標値が０．４であるので、指標値は閾値５未満である。このため、抽出部２４は、生徒ＩＤ＝２の生徒を仲裁者としない。同様の処理が全ての生徒について行われる。

（２ｂ）観察期間の長い種別のいじめでの仲裁者候補抽出処理
図１６は、観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図１６を参照しながら、いじめの開始時刻が推定された後に行われる処理の例を説明する。図１６中の定数Ｙは、収集データ３１にＳＮＳテキストが記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数である。変数ｙは、処理対象とした生徒の数を計数するために用いられる。なお、図１６は処理の一例であり、実装に応じて処理の手順は変更され得る。例えば、ステップＳ９３とＳ９４は、並行して行われても良いし、いずれか一方が他方よりも先に行われても良い。

第２の実施形態においても、検出された種別のいじめの観察期間が長い場合、開始推定部２３は、第１の実施形態と同様に計算部２２で計算された指標値を用いることにより、いじめの開始時点の推定処理を行う。開始推定部２３は、観察期間が長い種別のいじめが検出されたことといじめの開始時点の推定結果を計算部２２に通知する。計算部２２は、観察期間が長い種別のいじめが検出されたことを開始推定部２３から通知されると、変数ｙを１に設定する（ステップＳ９１）。

その後、計算部２２は、ｙ番目の生徒について、いじめの開始時点Ｔ_Ｓからいじめを検出した時点Ｔ_Ｄまでの被害者との間の人間関係の指標値Ａ（ｔ）を算出する（ステップＳ９２）。なお、指標値はテキストデータが収集された各時点に対して求められるので、指標値Ａ（ｔ）は時間の関数である。抽出部２４は、計算部２２での計算結果のうち、いじめの開始時点での指標値Ａ＿ｓｔａｒｔを特定する（ステップＳ９３）。抽出部２４は、計算部２２での計算結果のうち、いじめの発生後（期間Ｎ２）の単位時間でのΔＡが負方向の最大値となる時刻Ｔｄｙを求める（ステップＳ９４）。ここで、時刻Ｔｄｙは、ΔＡが負方向の最大値となるとなる単位時間の期間の開始時刻である。換言すると、時刻Ｔｄｙは、いじめの開始時刻以降でｙ番目の生徒と被害者との間の人間関係の指標値が最も急激に減少する時刻である。すなわち、時刻Ｔｄｙは、いじめの開始時刻以降でｙ番目の生徒と被害者との間の人間関係が最も急激に悪化する時刻であるといえる。

その後、抽出部２４は、いじめの開始時点での指標値Ａ＿ｓｔａｒｔ、および、ΔＡが負方向の最大値となる時刻Ｔｄｙを用いて、ｙ番目の生徒の仲裁者候補評価値Ｃを算出する（ステップＳ９５）。例えば、ステップＳ９５において、抽出部２４は、以下の式（２）によって仲裁者候補評価値Ｃを算出できる。

式（２）の第１項は、いじめの開始時点での指標値Ａ＿ｓｔａｒｔの倍数である。すなわち、いじめの開始時点に被害者との人間関係が良好であるほど、式（２）の第１項が大きくなる。従って、式（２）の第１項は、いじめの開始時点に被害者と親しい人物を仲裁者として選択しやすくしている。

式（２）の第２項は、（Ｔｄｙ－Ｔ_Ｓ）の倍数である。ここで、（Ｔｄｙ－Ｔ_Ｓ）は、いじめの開始時点から、ｙ番目の生徒と被害者との間の人間関係がいじめの発生後に最も急激に悪化するまでにかかる時間の長さである。従って、いじめ発生によって被害者との間の人間関係が急激に悪化するまでにかかる時間が長い人物ほど、式（２）の第２項が大きくなる。いじめ発生によって被害者との間の人間関係が急激に悪化するまでにかかる時間が長い人物は、いじめに加担しにくく、正義感の強い人物であるといえる。従って、式（２）の第２項は、正義感の強い人物を仲裁者として選択しやすくしている。

式（２）中のαは、０から１の間の値であり、指標値Ａ＿ｓｔａｒｔと時刻Ｔｄｙの遅さとのいずれの要素をより重視して仲裁者を選択するかに関する重みである。従って、抽出装置１０のオペレータは、第１の実施形態と同様に、αの値を調整することによって、いじめの開始時点に被害者と親しい人物と正義感の強い人物のどちらを優先的に仲裁者にするかを設定できる。α＝１の場合は、いじめの開始時点に被害者と親しい人物を仲裁者に選択する。一方、α＝０の場合は、いじめの開始時点で被害者と親しいかに関わらず、正義感が強く、いじめの発生によって被害者と疎遠になるまでの時間が長い人物を仲裁者に選択する。同様に、０＜α＜１の場合、抽出部２４は、αの値が大きいほど、いじめの開始時点での被害者との親しさを優先して仲裁者を選択し、αの値が小さいほど、正義感の強さを優先して仲裁者を選択することができる。

抽出部２４は、ｙ番目の生徒の仲裁者候補評価値Ｃが閾値６よりも大きいかを判定する（ステップＳ９６）。閾値６は、仲裁者として適切であると判定される仲裁者候補評価値Ｃの最小値である。閾値６は、経験などに基づいて予め決められても良く、また、抽出装置１０の受信部１３や入力装置１０３を介して、オペレータから設定されても良い。オペレータが閾値６を設定する場合、オペレータは、抽出装置１０で選択された仲裁者の数と希望する仲裁者の数の差分を小さくするように、閾値６の値を調整しても良い。例えば、オペレータは、少人数の仲裁者を被害者に深く関わらせることでいじめを回避する場合には、閾値６の値を大きくすることができる。一方、多くの仲裁者を被害者に関わらせることによっていじめを抑制する場合には、オペレータは、閾値６の値を小さくすることができる。

ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値６を上回っている場合、抽出部２４は、ｙ番目の生徒を仲裁者候補とする（ステップＳ９６でＹｅｓ、ステップＳ９７）。ステップＳ９７の処理が終わった後、および、ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値６以下の場合、抽出部２４は変数ｙを１つインクリメントする（ステップＳ９８）。抽出部２４は、変数ｙが定数Ｙを超えたかを判定する（ステップＳ９９）。変数ｙが定数Ｙを超えていない場合、ステップＳ９２以降の処理が繰り返される（ステップＳ９９でＮｏ）。一方、変数ｙが定数Ｙを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ９９でＹｅｓ）。

なお、図１６の例では、生徒ごとに被害者との間の人間関係の指標値の計算や仲裁者として選択するかの判定が行われたが、計算部２２はテキストデータが得られた全ての生徒に対してまとめて指標値の変化量を計算しても良い。この場合、抽出部２４は、収集データ３１に記録された全ての生徒に対してまとめて指標値Ａ＿ｓｔａｒｔと時刻Ｔｙを求めることができる。

図１７は、テキストデータが得られた全ての生徒に対してまとめて指標値の変化量が計算される場合に、仲裁者の抽出の際に使用するデータの例を説明する図である。テキストデータが得られた全ての生徒に対して指標値の変化量が図１７のテーブルＴａ１３に示すように求められたとする。ここで、いじめの発生時刻は時刻１であり、いじめの検出時刻はＴ_Ｄであるとする。従って、テーブルＴａ１３の例では、いじめの発生からいじめの検出までが期間１～期間ＭのＭ個の期間に分けられている。抽出部２４は、期間１～期間ＭのうちでΔＡが負方向の最大値となる期間の開示時刻を、負方向の変化が一番大きい時刻として特定する。

このように、テキストデータが得られた全ての生徒に対してまとめて指標値Ａ＿ｓｔａｒｔと時刻Ｔｙが得られた場合、抽出部２４は、得られた値を用いて各生徒についての仲裁者候補評価値Ｃを算出する。その後の判定処理は、図１６を参照しながら説明したとおりである。

このように、第２の実施形態を用いると、抽出装置１０は、ＳＮＳでのコミュニティ内で発生したいじめについても仲裁者を選択することができる。なお、学校の先生やカウンセラーなど、いじめを抑制しようとする人物が使用する装置の情報が予め抽出装置１０に登録されている場合、抽出部２４は、登録された装置に対して仲裁者を通知できる。

第２の実施形態では、抽出装置１０は、いじめが行われているＳＮＳコミュニティに参加しているユーザの情報をＳＮＳの運営会社等から取得している。このため、抽出装置１０は、いじめの発生といじめの加害者を特定すると、仲裁者の選択と並行して、いじめが行われているＳＮＳコミュニティの参加者が使用している端末に対して警告を送信することもできる。例えば、図１３のステップＳ６３の処理が終わった時点で、抽出装置１０の検出部２１は、いじめの加害者が使用している端末に対して、いじめの加害者として特定していることを通知する警告メッセージを送信するための処理を行っても良い。この場合、学校の先生やカウンセラーが仲裁者と共にいじめの解決に取り組む前の段階で、いち早く加害者に対していじめを止めるように働きかけることができる。

第２の実施形態でも第１の実施形態と同様に、抽出装置１０は、いじめを検出するための観察期間が長期間である場合、いじめの検出時に被害者と親しい人物、いじめの発生前は被害者と親しい人物、正義感が強い人物を仲裁者として選択できる。このため、抽出装置１０は、仲裁者として適切である人物を、いじめによる人間関係の変化の影響によって選択できなくなることを避けることができる。さらに、いじめを検出するための観察期間が短期間である場合については、観察期間中での人間関係の変化の影響を無視できるので、長期的な観察を行う種別のいじめの際よりも簡潔な処理で仲裁者を特定できる。

第２の実施形態でも、オペレータは、抽出部２４での演算に使用する重み（式（２）中のα）の値を調整することにより、いじめの開始時点での被害者との親しさと、正義感の強さのいずれを優先して仲裁者を選択するかを調整することができる。また、閾値６を変動させることにより、オペレータは、いじめの対処方法に応じた所望の人数の仲裁者を特定することができる。

＜第３の実施形態＞
被害者と親しい人物や正義感の強い人物は仲裁者となり得るが、仲裁者が加害者側にも影響を及ぼしやすい人物であると、いじめの仲裁がよりスムーズになることが期待できる。そこで、第３の実施形態では、被害者との人間関係や正義感の強さに加えて、加害者との人間関係も考慮して仲裁者を選択する場合の例を説明する。以下の例では、収集データ３１として抽出装置１０が収集した映像と音声を用いて仲裁者を抽出する場合の例を説明する。

第３の実施形態においても、いじめの検出やいじめの種別の特定方法は、第１および第２の実施形態と同様である。さらに、観察期間が長い種類のいじめについて、いじめの開始時期を検出する方法も、第１の実施形態と同様である。

図１８は、第３の実施形態にかかる観察期間が短い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図１８のステップＳ１１１～Ｓ１１６は、図７を参照しながら説明した図７のステップＳ１～Ｓ１６の処理と同様である。また、図１８でも、定数Ｘは収集データ３１に記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数であり、変数ｘは処理対象とした生徒の数を計数するために用いる変数である。

ｘ番目の生徒について得られた平均値が閾値１を上回っている場合、計算部２２は、ｘ番目の生徒と加害者との間の人間関係の指標値を計算する（ステップＳ１１６でＹｅｓ）。抽出部２４は、計算部２２の計算結果を用いて、ｘ番目の生徒と加害者との間の人間関係の指標値の平均値（Ｂａｖｅ）を算出する（ステップＳ１１７）。抽出部２４は、ｘ番目の生徒と加害者との間の人間関係の平均値Ｂａｖｅが閾値７を上回っているかを判定する（ステップＳ１１８）。閾値７は、加害者に対して影響を与えることが予想される程度に加害者との間の人間関係が良好であると判定される指標値の最小値である。閾値７もオペレータの経験などによって設定され得る。

平均値Ｂａｖｅが閾値７を上回っている場合、抽出部２４は、ｘ番目の生徒を仲裁者候補とする（ステップＳ１１８でＹｅｓ、ステップＳ１１９）。ステップＳ１１９の処理が終わった後、および、平均値Ｂａｖｅが閾値７以下の場合（ステップＳ１１８でＮｏ）、抽出部２４は変数ｘを１つインクリメントする（ステップＳ１２０）。さらに、ｘ番目の生徒について得られた平均値が閾値１以下である場合も、抽出部２４は変数ｘを１つインクリメントする（ステップＳ１１６でＮｏ、ステップＳ１２０）。抽出部２４は、変数ｘが定数Ｘを超えたかを判定する（ステップＳ１２１）。変数ｘが定数Ｘを超えていない場合、ステップＳ１１５以降の処理が繰り返される（ステップＳ１２１でＮｏ）。一方、変数ｘが定数Ｘを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ１２１でＹｅｓ）。

図１９は、第３の実施形態にかかる観察期間が長い種別のいじめでの仲裁者の抽出方法の例を説明するフローチャートである。図１９のステップＳ１３１～Ｓ１３６は、図１１を参照しながら説明したステップＳ４１～Ｓ４６の処理と同様である。また、図１９でも、定数Ｙは収集データ３１に記録されている生徒のうち、被害者と加害者のいずれでもない生徒の数であり、変数ｙは処理対象とした生徒の数を計数するために用いる変数である。

ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値４を上回っている場合、計算部２２は、ｙ番目の生徒と加害者との間の人間関係の指標値を計算する（ステップＳ１３６でＹｅｓ）。抽出部２４は、計算部２２の計算結果を用いて、ｙ番目の生徒と加害者との間の人間関係の指標値の平均値（Ｂａｖｅ）を算出する（ステップＳ１３７）。抽出部２４は、ｙ番目の生徒と加害者との間の人間関係の平均値Ｂａｖｅが閾値８を上回っているかを判定する（ステップＳ１３８）。閾値８は、加害者に対して影響を与えることが予想される程度に加害者との間の人間関係が良好であると判定される指標値の最小値である。閾値８は図１８で使用される閾値７と同じ値であっても良く、また、閾値7と異なる値であっても良い。閾値８もオペレータの経験などによって設定され得る。

平均値Ｂａｖｅが閾値８を上回っている場合、抽出部２４は、ｙ番目の生徒を仲裁者候補とする（ステップＳ１３８でＹｅｓ、ステップＳ１３９）。ステップＳ１３９の処理が終わった後、および、平均値Ｂａｖｅが閾値８以下の場合、抽出部２４は変数ｙを１つインクリメントする（ステップＳ１４０）。さらに、ｙ番目の生徒について得られた仲裁者候補評価値Ｃが閾値４以下である場合も、抽出部２４は変数ｙを１つインクリメントする（ステップＳ１３６でＮｏ、ステップＳ１４０）。抽出部２４は、変数ｙが定数Ｙを超えたかを判定する（ステップＳ１４１）。変数ｙが定数Ｙを超えていない場合、ステップＳ１３２以降の処理が繰り返される（ステップＳ１４１でＮｏ）。一方、変数ｙが定数Ｙを超えた場合、全ての生徒に対して仲裁者となるかの判定を行っているので、抽出部２４は、仲裁者候補として選択した生徒の情報を出力装置１０４に出力して、処理を終了する（ステップＳ１４１でＹｅｓ）。

図１７、図１８は、音声データや映像データを用いていじめの検出や仲裁者の選択を行う場合を例としたが、ＳＮＳテキストデータを用いる場合でも、同様に、加害者との人間関係の良い人物を仲裁者として選択することができる。

このように、第３の実施形態を用いると、抽出装置１０は、被害者と加害者の両方との人間関係が良い人物や、加害者と親しいが正義感が強い人物を仲裁者として選択することができる。このため、教師やカウンセラーは、抽出装置１０から通知された仲裁者と連携することにより、よりスムーズにいじめを回避することができる。

＜その他＞
例えば、種別テーブル３３において、観察期間が所定期間以上にわたっているかを分類するために使用される基準は、実装に応じて変更され得る。例えば、そのいじめの行為が所定回数だけ行われている間の観測から特定できる場合には、観察期間が「短期」であると分類されても良い。

以上に説明した仲裁者の抽出方法は例であって、抽出の際に行われる処理は実装に応じて変更され得る。例えば、第１の実施形態で説明した抽出処理と第２の実施形態で説明した抽出処理のいずれも、任意の種類の収集データ３１に対して適用できる。すなわち、ＳＮＳのテキストデータを用いて観察期間の短い種別のいじめでの仲裁者を選択する場合に、図１４のステップＳ７３～Ｓ７８の処理の代わりに図７のステップＳ１３～Ｓ１９を適用することができる。また、ＳＮＳのテキストデータを用いて観察期間の長い種別のいじめでの仲裁者を選択する場合に、図１７のステップＳ９２～Ｓ９９の処理の代わりに図１１のステップＳ４２～Ｓ４９を適用することができる。同様に、映像や音声のデータを用いて観察期間の短い種別のいじめでの仲裁者を選択する場合に、図７のステップＳ１３～Ｓ１９の代わりに図１４のステップＳ７３～Ｓ７８の処理を適用することができる。さらに、映像や音声のデータを用いて観察期間の長い種別のいじめでの仲裁者を選択する場合に、図１１のステップＳ４２～Ｓ４９の処理の代わりに図１７のステップＳ９２～Ｓ９９を適用することもできる。

第３の実施形態では、被害者と加害者の両方との人間関係が良い人物や、加害者と親しいが正義感が強い人物を仲裁者として選択する場合を例としたが、これも一例である。例えば、第１および第２の実施形態に従って、仲裁者を選択した上で、被害者と加害者の両方との人間関係が良い人物や、加害者と親しいが正義感が強い人物を仲裁者としてより適している人物に分類することもできる。この場合、抽出部２４は、仲裁者となり得る人物として、被害者と人間関係は良いが加害者とは人間関係が良くない人物や、加害者と親しくないが正義感が強い人物を挙げることができる。さらに、抽出部２４は、仲裁者により適した人物として、被害者と加害者の両方との人間関係が良い人物や、加害者と親しいが正義感が強い人物のリストを生成した上で、リスト中の人物を仲裁者の有力候補として出力できる。このように変形すると、抽出装置１０から情報を取得した教師やカウンセラーは、所望の解決手順に従って仲裁者の選択をしやすくなる。

以上の説明で記載したテーブルや数式は一例である。例えば、実装に応じて、テーブル中の情報要素が変更されても良い。また、仲裁者候補評価値Ｃの計算に使用する数式も、実装に応じて変更されることがある。

なお、以上の説明では、学校やＳＮＳで発生するいじめに対する対応を例として説明したが、抽出装置１０は、任意の場所で発生し得るいじめや、いじめ以外のハラスメントなどに対応するための仲裁者の選択を行う際に使用できる。

１０抽出装置
１１通信部
１２送信部
１３受信部
２０制御部
２１検出部
２２計算部
２３開始推定部
２４抽出部
３０記憶部
３１収集データ
３２名簿情報
３３種別テーブル
３４指標値テーブル
１０１プロセッサ
１０２メモリ
１０３入力装置
１０４出力装置
１０５バス
１０６記憶装置
１０７可搬記憶媒体駆動装置
１０８可搬記憶媒体
１０９ネットワークインタフェース

Claims

観測データから抽出したユーザに関する情報を用いて、前記ユーザの外的要因に起因して前記ユーザにストレスを与える事象を検出すると共に、前記事象の種別を特定し、
前記事象の種別が、所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記事象の検出に使用した情報と当該情報が取得された時刻とを用いて、前記事象の検出時点より前の時刻である前記事象の開始時点を推定し、
前記観測データから特定される複数の人物それぞれについて、前記ユーザとの間の関係の良好度を表わす指標値を計算し、
前記複数の人物のうち、前記事象の検出時点での前記指標値が、前記複数の人物に含まれる他の人物の前記事象の検出時点での前記指標値と比較して相対的に低い人物であっても、前記開始時点での前記指標値が、前記複数の人物に含まれる他の人物の前記開始時点での前記指標値と比較して相対的に高い人物を、前記事象に対する仲裁者として抽出する
処理をコンピュータに行わせることを特徴とする抽出プログラム。
前記事象の種別が、前記所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記複数の人物のうち、前記開始時点での前記指標値が第１の閾値を超えると共に、前記開始時点より後の時刻であって前記指標値が前記第１の閾値未満となる時刻が相対的に遅い人物を、前記仲裁者として抽出する
処理をさらに前記コンピュータに行わせることを特徴とする請求項１に記載の抽出プログラム。
前記事象の種別が、前記所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、
前記開始時点と前記開始時点から他の所定期間遡る時刻との間での前記指標値の平均値、および、前記開始時点から前記指標値が前記第１の閾値未満となるまでにかかる時間の関数として、前記仲裁者としての選択されやすさを表わす評価値を計算し、
前記評価値が相対的に高い人物を、前記仲裁者として抽出する
処理をさらに前記コンピュータに行わせることを特徴とする請求項２に記載の抽出プログラム。
前記事象の種別が、前記所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記開始時点の後で前記指標値の単位時間当たりの減少が最も大きい時刻が相対的に遅い人物を、前記仲裁者として抽出する
処理をさらに前記コンピュータに行わせることを特徴とする請求項１に記載の抽出プログラム。
前記事象の種別が、前記所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、
前記開始時点での前記指標値、および、前記開始時点の後で前記指標値の単位時間当たりの減少が最も大きい時刻と前記開始時点の間の時間の長さの関数として、前記仲裁者としての選択されやすさを表わす評価値を計算し、
前記評価値が相対的に高い人物を、前記仲裁者として抽出する
処理をさらに前記コンピュータに行わせることを特徴とする請求項４に記載の抽出プログラム。
前記事象の種別が、前記所定期間より短い期間にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記事象を検出した時点での前記指標値が第２の閾値以上である人物を、前記仲裁者として選択する
処理をさらに前記コンピュータに行わせることを特徴とする請求項１～５のいずれか１項に記載の抽出プログラム。
前記仲裁者として選択した人物の各々について、前記事象で前記ユーザに前記ストレスを与えている加害者との間の人間関係を表わす他の指標値を計算し、
前記仲裁者として選択した人物のうち、前記他の指標値が第３の閾値を超える人物を、前記仲裁者として選択した人物のうちで相対的に有力な仲裁者として選択する
処理をさらに前記コンピュータに行わせることを特徴とする請求項１～６のいずれか１項に記載の抽出プログラム。
観測データから抽出したユーザに関する情報を用いて、前記ユーザの外的要因に起因して前記ユーザにストレスを与える事象を検出すると共に、前記事象の種別を特定し、
前記事象の種別が、所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記事象の検出に使用した情報と当該情報が取得された時刻とを用いて、前記事象の検出時点より前の時刻である前記事象の開始時点を推定し、
前記観測データから特定される複数の人物それぞれについて、前記ユーザとの間の関係の良好度を表わす指標値を計算し、
前記複数の人物のうち、前記事象の検出時点での前記指標値が、前記複数の人物に含まれる他の人物の前記事象の検出時点での前記指標値と比較して相対的に低い人物であっても、前記開始時点での前記指標値が、前記複数の人物に含まれる他の人物の前記開始時点での前記指標値と比較して相対的に高い人物を、前記事象に対する仲裁者として抽出する
処理をコンピュータが行うことを特徴とする抽出方法。
観測データから抽出したユーザに関する情報を用いて、前記ユーザの外的要因に起因して前記ユーザにストレスを与える事象を検出すると共に、前記事象の種別を特定する検出部、
前記事象の種別が、所定期間以上にわたって収集した前記ユーザに関する情報を用いて検出される種別である場合、前記事象の検出に使用した情報と当該情報が取得された時刻とを用いて、前記事象の検出時点より前の時刻である前記事象の開始時点を推定する推定部、
前記観測データから特定される複数の人物それぞれについて、前記ユーザとの間の関係の良好度を表わす指標値を計算する計算部、
前記複数の人物のうち、前記事象の検出時点での前記指標値が、前記複数の人物に含まれる他の人物の前記事象の検出時点での前記指標値と比較して相対的に低い人物であっても、前記開始時点での前記指標値が、前記複数の人物に含まれる他の人物の前記開始時点での前記指標値と比較して相対的に高い人物を、前記事象に対する仲裁者として抽出する抽出部
を備えることを特徴とする抽出装置。