JP7293826B2 - 問題検出装置、問題検出方法および問題検出プログラム - Google Patents

Description

本発明は、問題検出装置等に関する。

開発プロジェクトには、複数の工程が含まれており、後から上流工程における問題が発覚すると、下流工程に与える影響が大きくなるため、プロジェクトの問題を早期に検出することや、未然に問題の発生を防止することが求められている。たとえば、プロジェクトの問題を未然に防ぐことを目的とした従来技術の一例として、従来技術１、２がある。

従来技術１では、過去のプロジェクト情報を基にして予測モデルを構築しておき、進行中のプロジェクト情報を予測モデルに入力することで、プロジェクトの失敗の予兆を検知する。以下の説明では、プロジェクト情報を「関連情報」と表記する。関連情報は、開発プロジェクトの各工程で審査され、審査にパスした関連情報が、後の工程に引き継がれる。

従来技術２では、会議音声を分析し、予め設定したキーワードの検出回数、会議全体における発言時間の割合等を基にして、プロジェクトの評価値を算出する。

特開２０１４－２３５６５４号公報 特開２０１８－３６８６８号公報 特開２００８－２１０３６７号公報 特開平０４－３５２０３３号公報 特開２００２－０１５１０７号公報

しかしながら、上述した従来技術では、誤検出を抑えながら、精度よく問題を検出することができないという問題がある。

従来技術１は、予測モデルを構築する場合に関連情報を用いるが、審査をパスするために関連情報の一部が甘い見積に設定・調整されている場合がある。このように、関連情報が調整されてしまうと、プロジェクトの問題を検出するための特徴が現れにくいため、かかる関連情報を用いて構築された予測モデルでは、問題の検出率が低下する。従来技術２のように、会議音声の分析結果のみを用いて、プロジェクトの評価値を算出しても、評価値と、問題発生との関係が適切に対応付けない場合があり、問題の検出率が低下する。

ここで、従来技術１と、従来技術２とを単純に組み合わせ、会議音声と、関連情報とを用いて予測モデルを構築することも考えられるが、調整された関連情報の影響を、会議音声で補うことが難しく、検出率が低下してしまう。

１つの側面では、本発明は、問題の検出精度を向上することができる問題検出装置、問題検出方法および問題検出プログラムを提供することを目的とする。

第１の案では、問題検出装置は、学習部と、判定部とを有する。学習部は、音声情報を分析することで得られる特徴量に基づいて、問題発生の確からしさを示す情報を出力するモデルを学習する。判定部は、問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量をモデルに入力して問題発生の確からしさを示す情報を算出し、算出した問題発生の確からしさを、会議の関連情報に基づいて補正し、補正後の値に基づいて、問題の有無を判定する。

問題の検出精度を向上することができる。

図１は、本実施例１に係る問題検出装置の処理を説明するための図である。 図２は、本実施例１に係る関連情報の一例を説明するための図である。 図３は、本実施例１に係る選択関連情報の一例を示す図である。 図４は、本実施例１に係る問題検出装置の構成を示す機能ブロック図である。 図５は、本実施例１に係る予測モデルを説明するための概略図である。 図６は、本実施例１に係る分析部の構成を示す図である。 図７は、本実施例１に係るピッチ・パワー蓄積部のデータ構造の一例を示す図である。 図８は、通常の会話の音声ファイルから求められるピッチとパワーとの関係を示す図である。 図９は、異常な会話の音声ファイルから求められるピッチとパワーとの関係を示す図である。 図１０は、本実施例１に係る検出回数情報のデータ構造の一例を示す図である。 図１１は、本実施例１に係る判定部の構成を示す図である。 図１２は、本実施例１に係る問題検出装置の処理手順を示すフローチャートである。 図１３は、本実施例２に係る問題検出装置の構成を示す機能ブロック図である。 図１４は、本実施例２に係る分析部の構成を示す図である。 図１５は、本実施例２に係る判定部の構成を示す図である。 図１６は、本実施例２に係る問題検出装置の処理手順を示すフローチャートである。 図１７は、問題検出装置のその他の処理を説明するための図である。 図１８は、問題検出装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

以下に、本願の開示する問題検出装置、問題検出方法および問題検出プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

図１は、本実施例１に係る問題検出装置の処理を説明するための図である。たとえば、問題検出装置１００は、「学習フェーズの処理」と、「判定フェーズの処理」とを行う。

問題検出装置１００の学習フェーズの処理について説明する。問題検出装置１００は、学習データ５０を基にして、予測モデル７０ａおよび選択関連情報７０ｂを生成する。学習データ５０には、音声ファイル５１ａと、関連情報５１ｂと、問題状況情報５１ｃとの組が複数登録されている。以下の説明では、適宜、音声ファイル５１ａと、関連情報５１ｂと、問題状況情報５１ｃとの１つの組を「学習レコード」と表記する。音声ファイル５１ａは、音声情報の一例である。

音声ファイル５１ａは、会議中に発話された音声を録音した学習用の音声ファイルである。関連情報５１ｂは、開発プロジェクトに関する各種の情報を有し、開発プロジェクトの各工程で引き継がれる。問題状況情報５１ｃは、音声ファイル５１ａを録音した会議中の開発プロジェクトに問題が発生しているか否かを示す情報である。

図２は、本実施例１に係る関連情報の一例を説明するための図である。図２に示すように、関連情報５１ｂには、開発プロジェクト番号、担当者識別番号、工程数、原価率、予想売上、開発日数、人数等の項目が含まれる。

開発プロジェクト番号は、開発プロジェクトを一意に識別する情報である。担当者識別番号は、開発プロジェクトの担当者を一意に識別する情報である。工程数は、開発プロジェクトに含まれる工程の数を示す。原価率は、開発プロジェクトで開発される製品の予想売上に対する原価の比率である。予想売上は、開発プロジェクトで開発される製品の予想売上である。開発日数は、開発プロジェクトに要する日数である。人数は、開発プロジェクトに参加する人数である。

問題検出装置１００は、学習データ５０に登録された各学習レコードの音声ファイル５１ａと、問題状況情報５１ｃとを基にして、問題発生の確からしさを出力する予測モデル７０ａを学習する。

また、問題検出装置１００は、学習データ５０に登録された各学習レコードの関連情報５１ｂに含まれる項目のうち、開発プロジェクトの「問題が起こりにくい項目」と、「問題の起こりにくい条件」とを学習する。問題検出装置１００は、学習した結果を、選択関連情報７０ｂとして生成する。

問題検出装置１００は、複数の学習レコードの関連情報５１ｂおよび問題状況情報５１ｃについて、統計処理を行い、問題が発生していない場合の、関連情報５１ｂの各項目の値の傾向を特定する。

たとえば、関連情報５１ｂの原価率が高い場合（原価率が閾値Ｔｈ１以上となる場合）に、問題が発生しない傾向がある場合には、「問題が起こりにくい項目」を「原価率」とし、「問題の起こりにくい条件」を「閾値Ｔｈ１以上」とし、選択関連情報７０ｂに登録する。

関連情報５１ｂの予想売上が低い場合（予想売上が閾値Ｔｈ２未満となる場合）に、問題が発生しない傾向がある場合には、「問題が起こりにくい項目」を「予想売上」とし、「問題の起こりにくい条件」を「閾値Ｔｈ２未満」とし、選択関連情報７０ｂに登録する。

図３は、本実施例１に係る選択関連情報の一例を示す図である。図３に示すように、選択関連情報７０ｂは、問題が起こりにくい項目と、問題が起こりにくい条件とを対応付ける。

ここでは、問題検出装置１００が、統計処理によって、問題が起こりにくい項目を、関連情報５１ｂから選択していたが、これに限定されるものではなく、管理者が、問題の起こりにくい項目を予め指定してもよい。この場合、問題検出装置１００は、指定された問題が起こりにくい項目の値うち、問題の発生していない項目の値を平均することで、問題の起こりにくい条件を学習してもよい。

続いて、問題検出装置１００の判定フェーズの処理について説明する。問題検出装置１００は、問題発生の判定対象となる開発会議データ６０を取得する。開発会議データ６０には、音声ファイル６１ａと、関連情報６１ｂとの組が複数組登録されている。以下の説明では、適宜、音声ファイル６１ａと、関連情報６１ｂとの１つの組を「開発会議レコード」と表記する。たとえば、各開発会議レコードは、それぞれ異なる開発プロジェクトの会議に対応するものとする。

音声ファイル６１ａは、問題発生の判定対象となる開発プロジェクトの会議中に発話された音声を録音した音声ファイルである。関連情報６１ｂは、問題発生の判定対象となる開発プロジェクトに関する各種の情報を有し、開発プロジェクトの各工程で引き継がれる。関連情報６１ｂのデータ構造は、図２で説明した関連情報５１ｂのデータ構造と同様である。音声ファイル６１ａは、音声情報の一例である。

問題検出装置１００は、開発会議レコードに含まれる音声ファイル６１ａと、学習フェーズで学習しておいた予測モデル７０ａとを基にして、問題検出の確からしさを算出する。

また、問題検出装置１００は、開発会議レコードに含まれる関連情報６１ｂと、選択関連情報７０ｂとを基にして、関連情報６１ｂの項目のうち、問題の起こりにくい項目の値が、問題の起こりにくい条件を満たしているか否かを判定する。

たとえば、図３の選択関連情報７０ｂを用いて説明する。問題検出装置１００は、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１以上である場合、または、予想売上が閾値Ｔｈ２未満である場合に、「問題の起こりにくい条件を満たしている」と判定する。

一方、問題検出装置１００は、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１未満であり、かつ、予想売上が閾値Ｔｈ２以上である場合に、「問題の起こりにくい条件を満たしていない」と判定する。

問題検出装置１００は「問題の起こりにくい条件を満たしている」と判定した場合には、問題検出の確からしさに「０」を乗算する補正を行う。問題検出装置１００は、「問題の起こりにくい条件を満たしていない」と判定した場合には、問題検出の確からしさに「１」を乗算する補正を行う。

問題検出装置１００は、補正した問題検出の確からしさが閾値Ｔｈ３以上の場合に、開発会議レコードに対応する開発プロジェクトに問題があると判定する。一方、問題検出装置１００は、補正した問題検出の確からしさが閾値Ｔｈ３未満の場合に、開発会議レコードに対応する開発プロジェクトに問題がないと判定する。問題検出装置１００は、開発会議レコード毎に上記処理を繰り返し実行し、開発会議レコード毎に開発プロジェクトに問題があるか否かを判定する。

上記のように、本実施例１に係る問題検出装置１００は、学習フェーズにおいて、学習データ５０に基づき問題検出の確からしさを出力する予測モデル７０ａおよび選択関連情報７０ｂを学習しておく。問題検出装置１００は、判定フェーズにおいて、関連情報６１ｂの項目のうち、選択関連情報７０ｂで定義した問題の起こりにくい条件を満たすか否かに応じて、予測モデル７０ａの出力結果を補正する。これによって、誤検出を抑えながら、精度よく問題を検出することができる。たとえば、問題の起こりにくい条件を満たしているにも関わらず、問題発生の確からしさが大きいと、誤検出に繋がるが、問題の起こりにくい条件を満たすか否かに応じて、予測モデル７０ａの出力結果を補正するため、誤検出を抑止することができる。

次に、図１に示した問題検出装置１００の構成の一例について説明する。図４は、本実施例１に係る問題検出装置の構成を示す機能ブロック図である。図４に示すように、この問題検出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

通信部１１０は、ネットワークを介して図示しない外部装置とデータ通信を実行する処理部である。通信部１１０は、通信装置の一例である。後述する制御部１３０は、通信部１１０を介して、外部装置から、学習データ５０、開発会議データ６０等を受信する。

記憶部１２０は、学習データ５０、開発会議データ６０、予測モデル７０ａ、選択関連情報７０ｂを有する。記憶部１２０は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子や、ＨＤＤ（Hard Disk Drive）などの記憶装置に対応する。

学習データ５０は、学習フェーズにおいて、予測モデル７０ａを学習するために用いる情報である。図１で説明したように、学習データ５０は、複数の学習レコードが登録されている。各学習レコードには、音声ファイル５１ａ、関連情報５１ｂ、問題状況情報５１ｃが含まれる。

開発会議データ６０は、問題発生の判定対象となる複数の開発会議レコードを有する情報である。図１で説明したように、各開発会議レコードには、音声ファイル６１ａ、関連情報６１ｂが含まれる。

予測モデル７０ａは、学習データ５０を基にして学習されるモデルである。図５は、本実施例１に係る予測モデルを説明するための概略図である。図５に示すように、この予測モデル７０ａは、ニューラルネットワークの構造を有し、入力層２０ａ、隠れ層２０ｂ、出力層２０ｃを持つ。入力層２０ａ、隠れ層２０ｂ、出力層２０ｃは、複数のノードがエッジで結ばれる構造となっている。隠れ層２０ｂ、出力層２０ｃは、活性化関数と呼ばれる関数とバイアス値とを持ち、エッジは、重みを持つ。以下の説明では、適宜、バイアス値、重みをまとめて「パラメータ」と表記する。

入力層２０ａに含まれる各ノードに、音声ファイルの特徴量を入力すると、隠れ層２０ｂを通って、出力層２０ｃの各ノードから、音声ファイルに開発プロジェクトの問題が含まれる確率「Ｏｔ」と、問題が含まれない確率「Ｏｎ」とが出力される。

本実施例１では、予測モデル７０ａから出力される「問題検出の確からしさＶ」を、式（１）により定義する。式（１）に含まれるＰ（ｔ）は、式（２）により定義される値である。式（１）に含まれるＰ（ｎ）は、式（３）により定義される値である。

Ｖ＝ｌｏｇＰ（ｔ）－ｌｏｇＰ（ｎ）・・・（１）

Ｐ（ｔ）＝ｅｘｐ（Ｏｔ）／｛ｅｘｐ（Ｏｔ）＋ｅｘｐ（Ｏｎ）｝・・・（２）
Ｐ（ｎ）＝ｅｘｐ（Ｏｎ）／｛ｅｘｐ（Ｏｔ）＋ｅｘｐ（Ｏｎ）｝・・・（３）

選択関連情報７０ｂは、図３で説明したように、問題が起こりにくい項目と、問題が起こりにくい条件とを対応付ける情報である。

図４の説明に戻る。制御部１３０は、取得部１３０ａと、分析部１３０ｂと、学習部１３０ｃと、判定部１３０ｄとを有する。制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などによって実現できる。また、制御部１３０は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などのハードワイヤードロジックによっても実現できる。

取得部１３０ａは、外部装置から学習データ５０を取得した場合、取得した学習データ５０を、記憶部１２０に登録する。取得部１３０ａは、外部装置から開発会議データ６０を取得した場合、取得した開発会議データ６０を記憶部１２０に登録する。

分析部１３０ｂは、学習フェーズにおいて、学習データ５０から学習レコードを取得し、取得した学習レコードの音声ファイル５１ａを分析し、特徴量を算出する。分析部１３０ｂは、算出した音声ファイル５１ａの特徴量を、学習部１３０ｃに出力する。

分析部１３０ｂは、判定フェーズにおいて、開発会議データ６０から開発会議レコードを取得し、取得した開発会議レコードの音声ファイル６１ａを分析し、特徴量を算出する。分析部１３０ｂは、算出した音声ファイル６１ａの特徴量を、判定部１３０ｄに出力する。

図６は、本実施例１に係る分析部の構成を示す図である。図６に示すように、この分析部１３０ｂは、フレーム処理部８０、ピッチ抽出部８１、パワー算出部８２、ピッチ・パワー蓄積部８３、ストレス評価値算出部８４、音声認識部８５、音声認識結果蓄積部８６、会議時間算出部８７を有する。

フレーム処理部８０は、音声ファイル（音声ファイル５１ａまたは音声ファイル６１ａ）の信号時系列を、予め定められたサンプル数毎に「フレーム」として取り出し、フレームにハニング窓等の分析窓を乗算する。

たとえば、フレーム処理部８０は、サンプリング周波数８ｋＨｚで３２ｍｓの区間のサンプルＮをフレームとして取り出す。たとえば、Ｎ＝２５６とする。フレームに含まれる各サンプルを「ｓ（０）、ｓ（１）、ｓ（２）、・・・、ｓ（Ｎ－１）」とする。フレーム処理部８０は、上記の各サンプルに対しハミング窓を乗算する。例えば、ハミング窓は、式（４）により示される。

各サンプルに対しハミング窓を乗算したサンプルを「ｘ（０）、ｘ（１）、ｘ（２）、・・・、ｘ（Ｎ－１）」とする。以下の説明では、ハミング窓を乗算した結果得られるサンプル「ｘ（０）、ｘ（１）、ｘ（２）、・・・、ｘ（Ｎ－１）」をサンプル値と表記する。フレーム処理部８０は、フレームにハニング窓を乗算したサンプル値を、ピッチ抽出部８１、パワー算出部８２、音声認識部８５に出力する。フレーム処理部８０は、フレーム単位で、サンプル値の情報を出力し、フレーム識別番号をフレームに付与してもよい。

ピッチ抽出部８１は、フレームのサンプル値を基にして、フレームの基本周波数（ピッチ）を抽出する処理部である。ピッチ抽出部８１は、フレーム毎のピッチの情報を、ピッチ・パワー蓄積部８３に蓄積する。

たとえば、ピッチ抽出部８１は、フレームの各サンプル値を用いて、自己相関関数を計算する。ピッチ抽出部８１は、式（５）に基づいて、自己相関関数φ（ｍ）を計算する。式（５）に示すｍは、遅延時間を示す。

ピッチ抽出部８１は、式（５）について、遅延時間ｍ＝０以外において、自己相関関数が極大値となる遅延時間ｍの値を特定する。自己相関関数が極大となる遅延時間ｍを「遅延時間ｍ’」と表記する。ピッチ抽出部８１は、遅延時間ｍ’を算出した後に、式（６）に基づいて、ピッチを算出する。

ピッチ＝１／遅延時間ｍ’・・・（６）

ピッチ抽出部８１は、各フレームのサンプル値に対して、上記の処理を繰り返し実行することで、各フレームからピッチをそれぞれ算出する。ただし、前記自己相関関数の極大値が、予め決められた閾値以下の場合には、無音区間として、そのフレームのピッチとパワーは後の処理には使用しない。

パワー算出部８２は、フレームのサンプル値を基にして、フレームのパワーを算出する処理部である。パワー算出部８２は、フレーム毎のパワーの情報を、ピッチ・パワー蓄積部８３に蓄積する。

たとえば、パワー算出部８２は、フレームの各サンプル値「「ｘ（０）、ｘ（１）、ｘ（２）、・・・、ｘ（Ｎ－１）」の二乗値の総和に対し、対数をとることで、フレームのパワーを算出する。具体的に、パワー算出部８２は、式（７）に基づいて、フレームのパワーを算出する。

ピッチ・パワー蓄積部８３は、ピッチ抽出部８１により抽出されたピッチの情報およびパワー算出部８２により算出されたパワーの情報を格納するバッファである。図７は、本実施例１に係るピッチ・パワー蓄積部のデータ構造の一例を示す図である。図７に示すように、ピッチ・パワー蓄積部８３は、フレーム識別番号と、ピッチと、パワーとを対応付ける。ただし、ピッチ抽出部８１において無音区間とされたフレームはバッファには含めない。

ストレス評価値算出部８４は、ピッチ・パワー蓄積部８３に格納されたピッチおよびパワーの情報を基にして、ストレス評価値を算出する処理部である。たとえば、ストレス評価値算出部８４は、利用者の平常時のピッチおよびパワーの組をサンプルとした際のばらつき具合と比較して、現在のピッチおよびパワーの組のサンプルのばらつき具合が大きいほど、ストレス評価値を大きくし、小さいほどストレス評価値を小さくする。

たとえば、ストレス評価値算出部８４は、特開２０１５－８２０９３等に記載された技術を用いて、ストレス評価値を算出する。図８は、通常の会話の音声ファイルから求められるピッチとパワーとの関係を示す図である。図８のグラフの縦軸は正規化ピッチに対応し、横軸は正規化対数パワーに対応する。図９は、異常な会話の音声ファイルから求められるピッチとパワーとの関係を示す図である。図９のグラフの縦軸は正規化ピッチに対応し、横軸は正規化対数パワーに対応する。

図８に示すように、通常の会話の音声ファイルでは、ピッチ（正規化ピッチ）とパワー（正規化対数パワー）の値は、話者の平均的な声の大きさ、高さを中心に分布する。一方、図９に示すように、異常な会話の音声ファイルでは、ピッチ（正規化ピッチ）とパワー（正規化対数パワー）の値が大きく広がる。かかる特性を用いて、ストレス評価値算出部８４は、ピッチとパワーの値の広がり具合を数値化して、ストレス評価値を算出する。ストレス評価値算出部８４は、ストレス評価値を算出する場合に、声の高さと大きさの統計量（平均値、分散）を活用する。なお、ストレス評価値は、話者別のストレスではなく、会議全体の異常度合い（通常とは異なる状態）を表す数値として使用する。

図６の説明に戻る。音声認識部８５は、たとえば、ワードスポッティング型の音声認識を行うことで、音声情報に所定のキーワードが含まれているか否かを検出する処理部である。音声認識部８５は、音声情報から所定のキーワードを検出する度に、所定のキーワードに対応する検出回数に１を加算する処理を行う。音声認識部８５は、所定のキーワードと、検出回数とを対応付けた情報を、音声認識結果蓄積部８６に蓄積する。所定のキーワードは、不満を感じた場合や、怒っている際によく発言するキーワードであり、予め設定される。

また、音声認識部８５は、音声認識を行うための音声区間検出処理を開始し、音声区間を検出した際の、音声区間の開始時間と終了時間の情報を、会議時間算出部８７に出力する。

音声認識結果蓄積部８６は、音声認識部８５により検出された各キーワード（所定のキーワード）の検出回数の情報（検出回数情報）を保持する。図１０は、本実施例１に係る検出回数情報のデータ構造の一例を示す図である。図１０に示すように、検出回数情報は、キーワードと検出回数とを対応付ける。

会議時間算出部８７は、会議の開始時刻からの会議の終了時刻までの会議時間を計算する処理部である。たとえば、会議時間算出部８７は、音声認識部８５からの情報を基にして、音声ファイルのうち、最初の音声区間の開始時刻と、最後の音声区間の終了時刻との差を用いて、会議時間を算出する。

上記のように、分析部１３０ｂは、音声ファイルに対して分析を行い、ストレス評価値、検出回数情報、会議時間の情報を、音声ファイルの特徴量として算出する。分析部１３０ｂは、学習フェーズにおいて、音声ファイル５１ａの特徴量を、学習部１３０ｃに出力する。分析部１３０ｂは、判定フェーズにおいて、音声ファイル６１ａの特徴量を、判定部１３０ｄに出力する。

図４の説明に戻る。学習部１３０ｃは、学習フェーズにおいて、分析部１３０ｂによって分析される音声ファイル５１ａの特徴量と、この音声ファイル５１ａに対する問題状況情報５１ｃとを基にして、予測モデル７０ａを学習する。

学習部１３０ｃは、音声ファイル５１ａの特徴量を予測モデル７０ａの入力層２０ａに入力し、出力層２０ｃから出力される値が、問題状況情報５１ｃに近づくように、予測モデル７０ａのパラメータを学習（誤差逆伝播法による学習）する。

たとえば、学習部１３０ｃは、問題状況情報５１ｃに「問題が発生している」旨の情報が設定されている場合には、「Ｏｔ」の値が「Ｏｎ」の値よりも大きくなるように、予測モデル７０ａのパラメータを学習する。

たとえば、学習部１３０ｃは、問題状況情報５１ｃに「問題が発生していない」旨の情報が設定されている場合には、「Ｏｔ」の値が「Ｏｎ」の値よりも小さくなるように、予測モデル７０ａのパラメータを学習する。

学習部１３０ｃは、学習データ５０の各学習レコードに含まれる音声ファイル５１ａの特徴量、問題状況情報５１ｃについて、上記処理を繰り返し実行することで、予測モデル７０ａのパラメータを学習する。学習部１３０ｃは、学習した予測モデル７０ａの情報を、記憶部１２０に登録する。

判定部１３０ｄは、判定フェーズにおいて、学習済みの予測モデル７０ａを基にして、各開発会議レコードについて、問題が発生しているか否かを判定する処理部である。図１１は、本実施例１に係る判定部の構成を示す図である。図１１に示すように、この判定部１３０ｄは、算出部９０と、補正部９１と、問題判定部９３とを有する。

算出部９０は、学習済みの予測モデル７０ａを用いて問題検出の確からしさの算出を実行する。算出部９０は、音声ファイル６１ａの特徴量を予測モデル７０ａに入力し、予測モデル７０ａから出力される確率と、式（１）～式（３）を基にして、問題検出の確からしさＶを算出する。算出部９０は、問題検出の確からしさＶの情報を、補正部９１に出力する。

補正部９１は、開発会議レコードに含まれる関連情報６１ｂと、選択関連情報７０ｂとを基にして、関連情報６１ｂの項目のうち、問題の起こりにくい項目の値が、問題の起こりにくい条件を満たしているか否かを判定する。補正部９１は、判定結果を基にして、問題検出の確からしさＶを補正する処理を行い、補正した問題検出の確からしさＶ’の情報を、問題判定部９３に出力する。

たとえば、図３の選択関連情報７０ｂを用いて説明する。補正部９１は、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１以上である場合、または、予想売上が閾値Ｔｈ２未満である場合に「問題の起こりにくい条件を満たしている」と判定し、問題検出の確からしさＶに「０」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

一方、補正部９１は、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１未満であり、かつ、予想売上が閾値Ｔｈ２以上である場合に、「問題の起こりにくい条件を満たしていない」と判定し、問題検出の確からしさＶに「１」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

問題判定部９３は、補正部９１から取得する補正した問題検出の確からしさＶ’と、閾値Ｔｈ３とを基にして、開発会議レコードに対応する開発プロジェクトに問題があるか否かを判定する。たとえば、問題判定部９３は、補正した問題検出の確からしさＶ’が、閾値Ｔｈ３以上である場合に、開発会議レコードに対応する開発プロジェクトに問題があると判定する。一方、問題判定部９３は、補正した問題検出の確からしさＶ’が、閾値Ｔｈ３未満である場合に、開発会議レコードに対応する開発プロジェクトに問題がないと判定する。

問題判定部９３は、開発プロジェクトを一意に示す開発プロジェクト番号と、問題の有無とを対応付けた問題の検出結果を出力する。問題判定部９３は、問題の検出結果を、記憶部１２０に登録してもよいし、外部装置に通知してもよい。

次に、本実施例１に係る問題検出装置１００の処理手順の一例について説明する。図１２は、本実施例１に係る問題検出装置の処理手順を示すフローチャートである。図１２に示すように、問題検出装置１００の分析部１３０ｂ（フレーム処理部８０）は、音声ファイルに対して、フレーム処理および窓掛を実行する（ステップＳ１０１）。

分析部１３０ｂのピッチ抽出部８１は、フレームのピッチを検出する（ステップＳ１０２）。分析部１３０ｂのパワー算出部８２は、フレームのパワーを検出する（ステップＳ１０３）。ピッチ抽出部８１およびパワー算出部８２は、ピッチ・パワー蓄積部８３に、ピッチおよびパワーの値を蓄積する（ステップＳ１０４）。ストレス評価値算出部８４は、ストレス評価値を算出する（ステップＳ１０５）。

分析部１３０ｂの音声認識部８５は、フレームに対して音声認識を実行する（ステップＳ１０６）。音声認識部８５は、キーワード（検出回数情報）を音声認識結果蓄積部８６に蓄積する（ステップＳ１０７）。

分析部１３０ｂは、音声ファイルを最後まで分析したか否かを判定する（ステップＳ１０８）。分析部１３０ｂは、音声ファイルを最後まで分析していない場合には（ステップＳ１０８，Ｎｏ）、ステップＳ１０１に移行する。一方、分析部１３０ｂは、音声ファイルを最後まで分析した場合には（ステップＳ１０８，Ｙｅｓ）、ステップＳ１０９に移行する。

分析部１３０ｂの会議時間算出部８７は、会議時間を算出する。問題検出装置１００の判定部１３０ｄは、音声ファイルの特徴量を予測モデル７０ａに入力して、問題検出の確からしさを算出する（ステップＳ１１０）。

判定部１３０ｄは、関連情報６１ｂおよび選択関連情報７０ｂを取得する（ステップＳ１１１）。判定部１３０ｄは、関連情報６１ｂおよび選択関連情報７０ｂを基にして、問題検出の確からしさを補正する（ステップＳ１１２）。

判定部１３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上であるか否かを判定する（ステップＳ１１３）。判定部１３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上でない場合には（ステップＳ１１３，Ｎｏ）、処理を終了する。一方、判定部１３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上の場合には（ステップＳ１１３，Ｙｅｓ）、問題を検出する（ステップＳ１１４）。

次に、本実施例１に係る問題検出装置１００の効果について説明する。問題検出装置１００は、学習フェーズにおいて、学習データ５０に基づき問題検出の確からしさを出力する予測モデル７０ａおよび選択関連情報７０ｂを学習しておく。問題検出装置１００は、判定フェーズにおいて、音声ファイルの特徴量を予測モデル７０ａに入力して、問題検出の確からしさを算出する。そして、問題検出装置１００は、関連情報６１ｂの項目のうち、選択関連情報７０ｂで定義した問題の起こりにくい条件を満たすか否かに応じて、問題検出の確からしさを補正する。これによって、誤検出を抑えながら、精度よく問題を検出することができる。たとえば、問題の起こりにくい条件を満たしているにも関わらず、問題発生の確からしさが大きいと、誤検出に繋がるが、問題の起こりにくい条件を満たすか否かに応じて、予測モデル７０ａの出力結果を補正するため、誤検出を抑止することができる。

なお、発明者が行った実験では、原価率の計画時からの悪化量は、開発プロジェクトの音声ファイルの声の大きさの分散と相関が高いことは判明した。また、原価率が計画時より悪化する開発プロジェクトの音声ファイルを視聴したところ、会議が紛糾する傾向があることが分かっている。本実施例１のストレス評価値算出部８４は、声の大きさや高さのばらつき具合を利用して、ストレス評価値を算出しており、会議が紛糾している場合と、紛糾していない場合とで、ストレス評価値に差が現れることを確認している。このため、ストレス評価値を問題検出の確からしさの算出に使用することで、問題検出の確からしさの精度を向上させることができる。

続いて、本実施例２に係る問題検出装置の処理について説明する。本実施例２に係る問題検出装置は、学習フェーズにおいて、音声ファイルの特徴量および関連情報を予測モデルに入力して、予測モデルの学習を行う。なお、本実施例２では、音声ファイルの特徴量として、キーワードの検出回数情報のみを用いる。

問題検出装置は、判定フェーズにおいて、音声ファイルの特徴量および関連情報を予測モデルに入力し、問題検出の確からしさを算出する。問題検出装置は、関連情報を基にして、問題の起こりにくい条件を満たすか否かに応じて、問題検出の確からしさを補正し、問題を検出する。

図１３は、本実施例２に係る問題検出装置の構成を示す機能ブロック図である。図１３に示すように、問題検出装置２００は、通信部２１０と、記憶部２２０と、制御部２３０とを有する。

通信部２１０は、ネットワークを介して図示しない外部装置とデータ通信を実行する処理部である。通信部２１０は、通信装置の一例である。後述する制御部２３０は、通信部２１０を介して、外部装置から、学習データ５０、開発会議データ６０等を受信する。

記憶部２２０は、学習データ５０、開発会議データ６０、予測モデル７５、選択関連情報７０ｂを有する。記憶部２２０は、ＲＡＭ、ＲＯＭ、フラッシュメモリなどの半導体メモリ素子や、ＨＤＤなどの記憶装置に対応する。

学習データ５０は、学習フェーズにおいて、予測モデル７５を学習するために用いる情報である。実施例１の図１で説明したように、学習データ５０は、複数の学習レコードが登録されている。各学習レコードには、音声ファイル５１ａ、関連情報５１ｂ、問題状況情報５１ｃが含まれる。

開発会議データ６０は、問題発生の判定対象となる複数の開発会議レコードを有する情報である。実施例１の図１で説明したように、各開発会議レコードには、音声ファイル６１ａ、関連情報６１ｂが含まれる。

予測モデル７５は、学習データ５０を基にして学習されるモデルである。予測モデル７５は、図５で説明した予測モデル７０ａと同様にして、ニューラルネットワークの構造を有し、入力層２０ａ、隠れ層２０ｂ、出力層２０ｃを持つ。入力層２０ａ、隠れ層２０ｂ、出力層２０ｃは、複数のノードがエッジで結ばれる構造となっている。隠れ層２０ｂ、出力層２０ｃは、活性化関数と呼ばれる関数とバイアス値とを持ち、エッジは、重みを持つ。以下の説明では、適宜、バイアス値、重みをまとめて「パラメータ」と表記する。

入力層２０ａに含まれる各ノードに、音声ファイルの特徴量を入力すると、隠れ層２０ｂを通って、出力層２０ｃの各ノードから、音声ファイルに開発プロジェクトの問題が含まれる確率「Ｏｔ」と、問題が含まれない確率「Ｏｎ」とが出力される。

本実施例２においても、実施例１と同様にして、「問題検出の確からしさＶ」を、式（１）により定義する。

選択関連情報７０ｂは、実施例１の図３で説明したように、問題が起こりにくい項目と、問題が起こりにくい条件とを対応付ける情報である。

図１３の説明に戻る。制御部２３０は、取得部２３０ａと、分析部２３０ｂと、学習部２３０ｃと、判定部２３０ｄとを有する。制御部２３０は、ＣＰＵやＭＰＵなどによって実現できる。また、制御部２３０は、ＡＳＩＣやＦＰＧＡなどのハードワイヤードロジックによっても実現できる。

取得部２３０ａは、外部装置から学習データ５０を取得した場合、取得した学習データ５０を、記憶部２２０に登録する。取得部２３０ａは、外部装置から開発会議データ６０を取得した場合、取得した開発会議データ６０を記憶部２２０に登録する。

分析部２３０ｂは、学習フェーズにおいて、学習データ５０から学習レコードを取得し、取得した学習レコードの音声ファイル５１ａを分析し、特徴量を算出する。分析部２３０ｂは、算出した音声ファイル５１ａの特徴量を、学習部２３０ｃに出力する。

分析部２３０ｂは、判定フェーズにおいて、開発会議データ６０から開発会議レコードを取得し、取得した開発会議レコードの音声ファイル６１ａを分析し、特徴量を算出する。分析部２３０ｂは、算出した音声ファイル６１ａの特徴量を、判定部２３０ｄに出力する。

図１４は、本実施例２に係る分析部の構成を示す図である。図１４に示すように、この分析部２３０ｂは、フレーム処理部２３１ｂと、音声認識部２３２ｂと、音声認識結果蓄積部２３３ｂとを有する。

フレーム処理部２３１ｂは、音声ファイル（音声ファイル５１ａまたは音声ファイル６１ａ）の信号時系列を、予め定められたサンプル数毎に「フレーム」として取り出し、フレームにハニング窓等の分析窓を乗算する。フレーム処理部２３１ｂは、フレームにハニング窓を乗算したサンプル値を、音声認識部２３２ｂに出力する。フレーム処理部２３１ｂは、フレーム単位で、サンプル値の情報を出力し、フレーム識別番号をフレームに付与してもよい。フレーム処理部２３１ｂに関する他の説明は、実施例１で説明したフレーム処理部８０の処理と同様である。

音声認識部２３２ｂは、たとえば、ワードスポッティング型の音声認識を行うことで、音声情報に所定のキーワードが含まれているか否かを検出する処理部である。音声認識部２３２ｂは、音声情報から所定のキーワードを検出する度に、所定のキーワードに対応する検出回数に１を加算する処理を行う。音声認識部２３２ｂは、所定のキーワードと、検出回数とを対応付けた検出回数情報を、音声認識結果蓄積部２３３ｂに蓄積する。所定のキーワードは、不満を感じた場合や、怒っている際によく発言するキーワードであり、予め設定される。

音声認識結果蓄積部２３３ｂは、音声認識部２３２ｂにより検出された各キーワード（所定のキーワード）の検出回数の情報（検出回数情報）を保持する。検出回数情報のデータ構造は、実施例１の図１０で説明したものと同様である。検出回数情報は、音声ファイルの特徴量として、学習部２３０ｃ、判定部２３０ｄに利用される。

図１３の説明に戻る。学習部２３０ｃは、学習フェーズにおいて、分析部２３０ｂによって分析される音声ファイル５１ａの特徴量および関連情報５１ｂと、この音声ファイル５１ａに対する問題状況情報５１ｃとを基にして、予測モデル７５を学習する。

学習部２３０ｃは、音声ファイル５１ａの特徴量および関連情報５１ｂを予測モデル７５の入力層２０ａに入力し、出力層２０ｃから出力される値が、問題状況情報５１ｃに近づくように、予測モデル７５のパラメータを学習（誤差逆伝播法による学習）する。

たとえば、学習部２３０ｃは、問題状況情報５１ｃに「問題が発生している」旨の情報が設定されている場合には、「Ｏｔ」の値が「Ｏｎ」の値よりも大きくなるように、予測モデル７５のパラメータを学習する。

たとえば、学習部２３０ｃは、問題状況情報５１ｃに「問題が発生していない」旨の情報が設定されている場合には、「Ｏｔ」の値が「Ｏｎ」の値よりも小さくなるように、予測モデル７５のパラメータを学習する。

判定部２３０ｄは、判定フェーズにおいて、学習済みの予測モデル７５を基にして、各開発会議レコードについて、問題が発生しているか否かを判定する処理部である。図１５は、本実施例２に係る判定部の構成を示す図である。図１５に示すように、この判定部２３０ｄは、算出部２３１ｄと、補正部２３２ｄと、問題判定部２３３ｄとを有する。

算出部２３１ｄは、学習済みの予測モデル７５を用いて問題検出の確からしさの算出を実行する。算出部２３１ｄは、音声ファイル６１ａの特徴量および関連情報５１ｂを予測モデル７５に入力し、予測モデル７５から出力される確率と、式（１）～式（３）を基にして、問題検出の確からしさＶを算出する。算出部２３１ｄは、問題検出の確からしさＶの情報を、補正部２３２ｄに出力する。

補正部２３２ｄは、開発会議レコードに含まれる関連情報６１ｂと、選択関連情報７０ｂとを基にして、関連情報６１ｂの項目のうち、問題の起こりにくい項目の値が、問題の起こりにくい条件を満たしているか否かを判定する。補正部２３２ｄは、判定結果を基にして、問題検出の確からしさＶを補正する処理を行い、補正した問題検出の確からしさＶ’の情報を、問題判定部２３３ｄに出力する。

たとえば、図３の選択関連情報７０ｂを用いて説明する。補正部２３２ｄは、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１以上である場合、または、予想売上が閾値Ｔｈ２未満である場合に「問題の起こりにくい条件を満たしている」と判定し、問題検出の確からしさＶに「０」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

一方、補正部２３２ｄは、関連情報６１ｂの項目のうち、原価率の値が閾値Ｔｈ１未満であり、かつ、予想売上が閾値Ｔｈ２以上である場合に、「問題の起こりにくい条件を満たしていない」と判定し、問題検出の確からしさＶに「１」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

問題判定部２３３ｄは、補正部２３２ｄから取得する補正した問題検出の確からしさＶ’と、閾値Ｔｈ３とを基にして、開発会議レコードに対応する開発プロジェクトに問題があるか否かを判定する。たとえば、問題判定部２３３ｄは、補正した問題検出の確からしさＶ’が、閾値Ｔｈ３以上である場合に、開発会議レコードに対応する開発プロジェクトに問題があると判定する。一方、問題判定部２３３ｄは、補正した問題検出の確からしさＶ’が、閾値Ｔｈ３未満である場合に、開発会議レコードに対応する開発プロジェクトに問題がないと判定する。

問題判定部２３３ｄは、開発プロジェクトを一意に示す開発プロジェクト番号と、問題の有無とを対応付けた問題の検出結果を出力する。問題判定部２３３ｄは、問題の検出結果を、記憶部２２０に登録してもよいし、外部装置に通知してもよい。

次に、本実施例２に係る問題検出装置２００の処理手順の一例について説明する。図１６は、本実施例２に係る問題検出装置の処理手順を示すフローチャートである。図１６に示すように、問題検出装置２００の分析部２３０ｂ（フレーム処理部２３１ｂ）は、音声ファイルに対して、フレーム処理および窓掛を実行する（ステップＳ２０１）。

分析部２３０ｂの音声認識部２３２ｂは、フレームに対して音声認識を実行する（ステップＳ２０２）。音声認識部２３２ｂは、キーワード（検出回数情報）を音声認識結果蓄積部２３３ｂに蓄積する（ステップＳ２０３）。

分析部２３０ｂは、音声ファイルを最後まで分析したか否かを判定する（ステップＳ２０４）。分析部２３０ｂは、音声ファイルを最後まで分析していない場合には（ステップＳ２０４，Ｎｏ）、ステップＳ２０１に移行する。一方、分析部２３０ｂは、音声ファイルを最後まで分析した場合には（ステップＳ２０４，Ｙｅｓ）、ステップＳ２０５に移行する。

判定部２３０ｄは、関連情報６１ｂを取得する（ステップＳ２０５）。判定部２３０ｄは、音声ファイル６１ａの特徴量および関連情報６１ｂを予測モデル７５に入力して、問題検出の確からしさを算出する（ステップＳ２０６）。

判定部２３０ｄは、選択関連情報７０ｂを取得する（ステップＳ２０７）。判定部２３０ｄは、関連情報６１ｂおよび選択関連情報７０ｂを基にして問題検出の確からしさを補正する（ステップＳ２０８）。

判定部２３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上であるか否かを判定する（ステップＳ２０９）。判定部２３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上でない場合には（ステップＳ２０９，Ｎｏ）、処理を終了する。一方、判定部２３０ｄは、補正後の問題検出の確からしさが閾値Ｔｈ３以上の場合には（ステップＳ２０９，Ｙｅｓ）、問題を検出する（ステップＳ２１０）。

次に、本実施例２に係る問題検出装置２００の効果について説明する。問題検出装置２００は、学習フェーズにおいて、音声ファイル５１ａの特徴量および関連情報５１ｂを予測モデル７５に入力して、予測モデル７５のパラメータを学習する。問題検出装置２００は、判定フェーズにおいて、音声ファイル６１ａの特徴量および関連情報６１ｂを予測モデル７５に入力し、問題検出の確からしさを算出する。また、問題検出装置２００は、関連情報６１ｂを基にして、問題の起こりにくい条件を満たすか否かに応じて、問題検出の確からしさを補正し、問題を検出する。本実施例２では、音声ファイルの特徴量に加えて、関連情報を予測モデル７５に入力した場合の、問題検出の確からしさを算出することができる。また、音声ファイルの特徴量として、キーワードの検出回数（検出回数情報）のみを用いることで、計算コストを削減することができる。

なお、本実施例２では一例として、音声ファイルの特徴量として、検出回数情報を用いていたが、実施例１と同様にして、ストレス評価値、検出回数情報、会議時間の情報を、音声ファイルの特徴量として用いてもよい。

ところで、本実施例１、２の問題検出装置１００（２００）の処理は一例であり、問題検出装置１００は、他の処理を実行してもよい。以下において、問題検出装置１００のその他の処理１、２について説明する。

問題検出装置１００が実行するその他の処理１について説明する。問題検出装置１００は、「問題が起こりにくい項目」と、「問題が起こりにくい条件」とを学習して、選択関連情報７０ｂに登録していたが、これに限定されるものではない。

問題検出装置１００の学習部１３０ｃは、「問題の起きやすい項目」と、「問題の起きやすい条件」とを学習して、選択関連情報７０ｂに登録する。たとえば、開発プロジェクトにおいて、特定の担当者（担当者識別番号：Ｕ１０２）が、問題をよくおこす傾向がある場合に、学習部１３０ｃは、「問題の起きやすい項目：担当者識別番号」、「問題の起きやすい条件：担当者識別番号がＵ１０２である」を登録する。

たとえば、開発プロジェクトにおいて、原価率が低い場合に、問題をよく起きる傾向がある場合に、学習部１３０ｃは、「問題の起きやすい項目：原価率」、「問題の起きやすい条件：原価率が閾値Ｔｈ４未満」を登録する。計画時の原価率が非常に低い場合、原価率悪化という問題が発生しやすい。

問題検出装置１００の補正部９１は、関連情報６１ｂの項目のうち、担当者識別番号が「Ｕ１０２」である場合、または、原価率の値が閾値Ｔｈ４未満である場合に、「問題の起きやすい条件を満たしている」と判定し、問題検出の確からしさＶに「１０」を加算することで、補正した問題検出の確からしさＶ’を算出する。

問題検出装置１００の補正部９１は、関連情報６１ｂの項目のうち、担当者識別番号が「Ｕ１０２」でなく、かつ、原価率の値が閾値Ｔｈ４以上である場合に、「問題の起きやすい条件を満たしていない」と判定し、問題検出の確からしさＶに「０」を加算することで、補正した問題検出の確からしさＶ’を算出する。

問題検出装置１００が実行するその他の処理２について説明する。問題検出装置１００の学習部１３０ｃは、学習データ５０を基にして、選択関連情報７０ｂを学習する場合に、問題が発生した頻度情報と、関連情報５１ｂの項目の値とを関連付けて、選択関連情報７０ｂに登録してもよい。学習部１３０ｃは、関連情報５１ｂの項目の値を複数の階級に分け、階級毎の問題発生確率を求め、問題発生確率が閾値未満の階級を「０」、問題発生確率が閾値以上の階級を「１」とした、階級毎の重みを設定する。

図１７は、問題検出装置のその他の処理を説明するための図である。図１７では一例として、関連情報の項目「原価率」を用いて説明する。図１７のテーブル１５０に示すように、問題検出装置１００の学習部１３０ｃは、原価率について、階級１「０～２５％」、階級２「２５％～５０％」、階級３「５０％～７５％」に関し、問題発生確率が閾値以上（問題が起きやすい）の場合には、重みを「１」に設定する。

学習部１３０ｃは、原価率について、階級４「７５％～１００％」に関し、問題発生確率が閾値未満（問題が起きにくい）の場合には、重みを「０」に設定する。

問題検出装置１００の補正部９１は、関連情報６１ｂの項目のうち、原価率の値と、テーブル１５０の階級とを比較し、該当する階級の重みを特定する。補正部９１は、問題検出の確からしさに、特定した重みを乗算することで、補正した問題検出の確からしさＶ’を算出する。

たとえば、補正部９１は、関連情報６１ｂの原価率の値が「３０％」である場合には、テーブル１５０の階級２に対応する重み「１」を特定する。補正部９１は、問題検出の確からしさに、特定した重み「１」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

補正部９１は、関連情報６１ｂの原価率の値が「８０％」である場合には、テーブル１５０の階級４に対応する重み「０」を特定する。補正部９１は、問題検出の確からしさに、特定した重み「０」を乗算することで、補正した問題検出の確からしさＶ’を算出する。

次に、上記実施例に示した問題検出装置１００，２００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図１８は、問題検出装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

図１８に示すように、コンピュータ３００は、各種演算処理を実行するＣＰＵ３０１と、ユーザからのデータの入力を受け付ける入力装置３０２と、ディスプレイ３０３とを有する。また、コンピュータ３００は、記憶媒体からプログラム等を読み取る読み取り装置３０４と、有線または無線ネットワークを介して他のコンピュータとの間でデータの授受を行うインターフェース装置３０５とを有する。例えば、インターフェース装置３０５は、通信装置等に接続される。また、コンピュータ３００は、各種情報を一時記憶するＲＡＭ３０６と、ハードディスク装置３０７とを有する。そして、各装置３０１～３０７は、バス３０８に接続される。

ハードディスク装置３０７は、取得プログラム３０７ａ、分析プログラム３０７ｂ、学習プログラム３０７ｃ、判定プログラム３０７ｄを有する。ハードディスク装置３０７は、取得プログラム３０７ａ、分析プログラム３０７ｂ、学習プログラム３０７ｃ、判定プログラム３０７ｄを読み出してＲＡＭ３０６に展開する。

取得プログラム３０７ａは、取得プロセス３０６ａとして機能する。分析プログラム３０７ｂは、分析プロセス３０６ｂとして機能する。学習プログラム３０７ｃは、学習プロセス３０６ｃとして機能する。判定プログラム３０７ｄは、判定プロセス３０６ｄとして機能する。

取得プロセス３０６ａの処理は、取得部１３０ａ、２３０ａに対応する。分析プロセス３０６ｂの処理は、分析部１３０ｂ、２３０ｂに対応する。学習プロセス３０６ｃの処理は、学習部１３０ｃ、２３０ｃに対応する。判定プロセス３０６ｄの処理は、判定部１３０ｄ、２３０ｄに対応する。

なお、各プログラム３０７ａ～３０７ｄについては、必ずしも最初からハードディスク装置３０７に記憶させておかなくても良い。例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ３００が各プログラム３０７ａ～３０７ｄを読み出して実行するようにしても良い。

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）音声情報を分析することで得られる特徴量に基づいて、問題発生の確からしさを示す情報を出力するモデルを学習する学習部と、
問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、補正後の値に基づいて、問題の有無を判定する判定部と
を有することを特徴とする問題検出装置。

（付記２）前記判定部は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しにくい値になっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記１に記載の問題検出装置。

（付記３）前記判定部は、前記関連情報に含まれる複数の項目のうち、開発プロジェクトの計画時の売上高、および、原価率の値が、問題の発生しくにい値となっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記２に記載の問題検出装置。

（付記４）前記判定部は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しやすい値になっている場合に、前記モデルから出力される問題発生の確からしさを大きくする補正を行うことを特徴とする付記１、２または３に記載の問題検出装置。

（付記５）前記音声情報を分析し、前記音声情報に含まれる所定のキーワードの情報を、前記特徴量として抽出する分析部を更に有することを特徴とする付記１～４のいずれか一つに記載の問題検出装置。

（付記６）前記分析部は、前記音声情報を分析し、音声の大きさおよび高さの統計情報を、前記特徴量として抽出することを特徴とする付記５に記載の問題検出装置。

（付記７）コンピュータが実行する問題検出方法であって、
音声情報を分析することで得られる特徴量に基づいて問題発生の確からしさを示す情報を出力するモデルを学習し、
問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、
算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、
補正後の値に基づいて、問題の有無を判定する
処理を実行することを特徴とする問題検出方法。

（付記８）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しにくい値になっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記７に記載の問題検出方法。

（付記９）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、開発プロジェクトの計画時の売上高、および、原価率の値が、問題の発生しくにい値となっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記８に記載の問題検出方法。

（付記１０）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しやすい値になっている場合に、前記モデルから出力される問題発生の確からしさを大きくする補正を行うことを特徴とする付記７、８または９に記載の問題検出方法。

（付記１１）前記音声情報を分析し、前記音声情報に含まれる所定のキーワードの情報を、前記特徴量として抽出する処理を更に実行することを特徴とする付記７～１０のいずれか一つに記載の問題検出方法。

（付記１２）前記分析する処理は、前記音声情報を分析し、音声の大きさおよび高さの統計情報を、前記特徴量として抽出することを特徴とする付記１１に記載の問題検出方法。

（付記１３）コンピュータに、
音声情報を分析することで得られる特徴量に基づいて問題発生の確からしさを示す情報を出力するモデルを学習し、
問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、
算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、
補正後の値に基づいて、問題の有無を判定する
処理を実行させることを特徴とする問題検出プログラム。

（付記１４）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しにくい値になっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記１３に記載の問題検出プログラム。

（付記１５）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、開発プロジェクトの計画時の売上高、および、原価率の値が、問題の発生しくにい値となっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする付記１４に記載の問題検出プログラム。

（付記１６）前記補正する処理は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しやすい値になっている場合に、前記モデルから出力される問題発生の確からしさを大きくする補正を行うことを特徴とする付記１３、１４または１５に記載の問題検出プログラム。

（付記１７）前記音声情報を分析し、前記音声情報に含まれる所定のキーワードの情報を、前記特徴量として抽出する処理を更に実行することを特徴とする付記１３～１６のいずれか一つに記載の問題検出プログラム。

（付記１８）前記分析する処理は、前記音声情報を分析し、音声の大きさおよび高さの統計情報を、前記特徴量として抽出することを特徴とする付記１７に記載の問題検出プログラム。

５０ 学習データ
５１ａ，６１ａ 音声ファイル
５１ｂ，６１ｂ 関連情報
５１ｃ 問題状況情報
６０ 開発会議データ
７０ａ、７５ 予測モデル
７０ｂ 選択関連情報
８０，２３１ｂ フレーム処理部
８１ ピッチ抽出部
８２ パワー算出部
８３ ピッチ・パワー蓄積部
８４ ストレス評価値算出部
８５，２３２ｂ 音声認識部
８６，２３３ｂ 音声認識結果蓄積部
８７ 会議時間算出部
９０，２３１ｄ 算出部
９１，２３２ｄ 補正部
９３，２３３ｄ 問題判定部
１００，２００ 問題検出装置
１１０，２１０ 通信部
１２０，２２０ 記憶部
１３０，２３０ 制御部
１３０ａ，２３０ａ 取得部
１３０ｂ，２３０ｂ 分析部
１３０ｃ，２３０ｃ 学習部
１３０ｄ，２３０ｄ 判定部

Claims (8)

1. 音声情報を分析することで得られる特徴量および前記音声情報を録音した会議中の開発プロジェクトに問題が発生しているか否かを示す情報を含む教師データに基づいて、問題発生の確からしさを示す情報を出力するモデルを学習する学習部と、
   問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、補正後の値に基づいて、問題の有無を判定する判定部と
   を有することを特徴とする問題検出装置。
2. 前記判定部は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しにくい値になっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする請求項１に記載の問題検出装置。
3. 前記判定部は、前記関連情報に含まれる複数の項目のうち、開発プロジェクトの計画時の予想売上、および、原価率の値が、問題の発生しくにい値となっている場合に、前記モデルから出力される問題発生の確からしさを小さくする補正を行うことを特徴とする請求項２に記載の問題検出装置。
4. 前記判定部は、前記関連情報に含まれる複数の項目のうち、所定の項目の値が、問題の発生しやすい値になっている場合に、前記モデルから出力される問題発生の確からしさを大きくする補正を行うことを特徴とする請求項１、２または３に記載の問題検出装置。
5. 前記音声情報を分析し、前記音声情報に含まれる所定のキーワードの情報を、前記特徴量として抽出する分析部を更に有することを特徴とする請求項１～４のいずれか一つに記載の問題検出装置。
6. 前記分析部は、前記音声情報を分析し、音声の大きさおよび高さの統計情報を、前記特徴量として抽出することを特徴とする請求項５に記載の問題検出装置。
7. コンピュータが実行する問題検出方法であって、
   音声情報を分析することで得られる特徴量および前記音声情報を録音した会議中の開発プロジェクトに問題が発生しているか否かを示す情報を含む教師データに基づいて問題発生の確からしさを示す情報を出力するモデルを学習し、
   問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、
   算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、
   補正後の値に基づいて、問題の有無を判定する
   処理を実行することを特徴とする問題検出方法。
8. コンピュータに、
   音声情報を分析することで得られる特徴量および前記音声情報を録音した会議中の開発プロジェクトに問題が発生しているか否かを示す情報を含む教師データに基づいて問題発生の確からしさを示す情報を出力するモデルを学習し、
   問題発生の有無の判定対象となる音声情報を分析することで得られる特徴量を前記モデルに入力して問題発生の確からしさを示す情報を算出し、
   算出した前記問題発生の確からしさを、会議の関連情報に基づいて補正し、
   補正後の値に基づいて、問題の有無を判定する
   処理を実行させることを特徴とする問題検出プログラム。

Images