JP7442217B1 - プログラム、情報処理方法、および情報処理装置 - Google Patents

Abstract

【課題】児童福祉に関する行政機関または施設の業務を支援するプログラム等を提供すること。
【解決手段】プログラムは、児童相談に関する文章データを取得し、児童相談に関する文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力する処理をコンピュータに実行させる。好適には、第１学習モデルは、一時保護の必要性の有無を出力する。さらに好適には、プログラムは、取得した文章データに対して、類似度の高い児童相談に関する文章データを抽出し、抽出した類似度の高い複数の文章データを出力する処理をコンピュータに実行させる。
【選択図】図６

Description

本発明は、プログラム、情報処理方法、および情報処理装置に関する。

令和２年度に児童相談所に寄せられた児童虐待に関する相談件数は２０万件を超え、児童相談所、児童養護施設、および家庭児童相談室等の施設における業務が年々増加している。児童相談所においては、毎日、児童虐待に関する相談だけでなく、児童の養育または障害に関する相談等も含めて幅広く寄せられている。そのため、施設の職員の業務負荷が高まっている状況にある。

こうした状況を踏まえ、職員の業務負担を軽減し、対人業務に多くの時間を確保することが求められている。そこで、児童虐待の相談業務を支援する技術が開示されている。たとえば、児童相談所の職員の意思決定を支援するための技術が開示されている（特許文献１）。

特開２０２０－１８４１８５号公報

児童相談所では、児童福祉法に基づき、虐待が疑われる子どもを家庭から引き離す一時保護をおこなう。しかし、特許文献１に開示された技術は、一時保護をおこなうか否かを推定する推定精度を改善する余地がある。

一つの側面では、児童福祉に関する行政機関または施設の業務を支援するプログラム等を提供することを目的とする。

一つの側面に係るプログラムは、児童相談に関する複数の文により構成される児童の経過記録としての文章データを取得し、児童相談に関する複数の文により構成される児童の経過記録としての文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力し、取得した複数の文により構成される児童の経過記録としての文章データから一文を抽出し、抽出した一文を、複数の判定用項目のいずれかに分類し、分類された各文を対応する判定用項目ごとに対応付けて表示し、分類された各文を対応する判定用項目に対応付けて表示した状態で、前記判定用項目ごとのリスクレベルを受け付ける処理をコンピュータに実行させる。

一つの側面では、児童福祉に関する行政機関または施設の業務を支援するプログラム等を提供することができる。

情報処理装置の構成例を示すブロック図である。 児童相談所ＤＢのデータレイアウトを示す説明図である。 第１学習モデルの構成例を示す模式図である。 第１学習モデルの生成処理手順を示すフローチャートである。 情報処理装置が出力する判定情報の結果画面の一例である。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 類似事例の抽出のサブルーチンにおける処理手順を示すフローチャートである。 経過記録に含まれる一文ごとの類似度を示す模式図である。 情報処理装置の表示部が表示する画面例である。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 分割経過記録ごとの判定情報を示す模式図である。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 第２学習モデルの生成処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。 情報処理装置が実行するプログラムの処理手順を示すフローチャートである。

［実施の形態１］
本実施の形態では、児童福祉に関する行政機関または施設の業務を支援する児童相談システムについて説明する。

本システムは、児童相談に関する文章データに基づいて、ＡＩ（Artificial Intelligence）に一時保護の必要性の有無を判定させる。文章データは、たとえば職員が普段の業務で作成する経過記録である。この経過記録は児童の情報が記録された文書であり、電話、面談、または各機関からの報告等を受けて職員が作成する。経過記録には、児童の家族構成、家庭環境、生活状況、性格、学校での様子、または主訴等が含まれている。本システムでは、後述する学習モデルに経過記録を入力し、所定の情報を出力させることで職員の業務を支援する。以下、文章データが経過記録であるものとして説明する。

以下、本実施の形態を図面に基づいて説明する。

図１は、情報処理装置１０の構成例を示すブロック図である。情報処理装置１０は、本システムを提供するサーバコンピュータまたはパーソナルコンピュータ等の情報機器である。本実施の形態では、一つのコンピュータが処理をおこなうものとして説明するが、複数のコンピュータが分散して処理をおこなってもよい。また、情報処理装置１０が実行する一部の処理をクラウド上のサーバコンピュータが実行してもよい。

情報処理装置１０は、制御部１１、主記憶部１２、通信部１３、補助記憶部１４、表示部１５、および入力部１６を含む。

制御部１１は一または複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）もしくは量子プロセッサ等のプロセッサであり、種々の情報処理を実行する。

主記憶部１２はＳＲＡＭ（Static Random Access Memory）またはＤＲＡＭ（Dynamic Random Access Memory）等の一時記憶領域であり、制御部１１が処理を実行するうえで必要なデータを一時的に記憶する。

通信部１３は、インターネットまたはＬＡＮ（Local Area Network）等の通信ネットワークに接続するための通信インタフェースである。

補助記憶部１４は、ＳＳＤ（Solid State Drive）またはＨＤＤ（Hard Disk Drive）等のメモリである。

表示部１５は液晶ディスプレイまたは有機ＥＬ（Electro Luminescence）ディスプレイ等の表示画面であり、画像を表示する。表示部１５は、後述するリスク判定用フォーマットおよび判定情報が含まれる結果画面を表示する。

入力部１６はタッチパネルまたは機械式操作ボタン等の入力インタフェースであり、職員から操作入力を受け付ける。入力部１６は、職員の音声指令を収集するマイクロフォンであってもよい。

補助記憶部１４は、情報処理装置１０に処理を実行させるプログラム（プログラム製品）１４０、第１学習モデル１４１、第２学習モデル１４２、第３学習モデル１４３、第４学習モデル１４４、第５学習モデル１４５、児童相談所ＤＢ（data base）１５０、およびその他のデータを記憶している。

なお、情報処理装置１０は可搬型記憶媒体１０ａを読み取る読取部を備え、可搬型記憶媒体１０ａからプログラム１４０を読み込んでもよい。また、情報処理装置１０は、通信ネットワークを介して他のコンピュータからプログラム１４０をダウンロードしてもよい。

プログラム１４０は、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互に接続された複数のコンピュータ上で実行されるように展開することができる。

本実施の形態では、情報処理装置１０が各学習モデルを学習する場合を説明するが、他のコンピュータが学習モデルを学習してもよい。その後、学習モデルを情報処理装置１０へデプロイする。

図２は、児童相談所ＤＢ１５０のデータレイアウトを示す説明図である。児童相談所ＤＢ１５０は、過去、児童相談所に寄せられた相談事例に基づいて、実際の経過記録および児童情報を記憶してあるＤＢである。児童相談所ＤＢ１５０は、児童ＩＤ（Identifier）、児童情報、氏名、性別、学年、年齢、相談事例ＩＤ、記名者、経過記録、および一時保護の有無のフィールドを記憶するＤＢである。

児童ＩＤフィールドは、児童を識別するための識別情報を記憶する。児童情報フィールドは、対応する児童の氏名、性別、学年、および年齢を記憶する。氏名フィールドは、対応する児童の氏名を記憶する。性別フィールドは、対応する児童の性別（たとえば男または女）を記憶する。学年フィールドは、対応する児童の年齢階層を示す学年を記憶する。年齢フィールドは、対応する児童の年齢を記憶する。

相談事例ＩＤフィールドは、児童相談に関する事例を識別するための識別情報を記憶する。記名者フィールドは、該当する相談事例を作成した職員の氏名を記憶する。経過記録フィールドは、児童相談に関する経過記録を記憶する。一時保護の有無フィールドは、該当する相談事例の一時保護の有無について記憶する。

図３は、第１学習モデル１４１の構成例を示す模式図である。

第１学習モデル１４１は、児童相談に関する経過記録を入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された学習モデルである。第１学習モデル１４１は、たとえばＢＥＲＴ（Bidirectional Encoder Representations from Transformers）である。

ＢＥＲＴはTransformersによる双方向のエンコード表現を用いた自然言語処理モデルであり、Transformer Encoderをネットワーク状に結合させて構成される。ＢＥＲＴは、経過記録がトークン（たとえば単語）に分割されたものを入力として受け、それぞれのトークンに対応するベクトルを出力する。

なお、第１学習モデル１４１は、ＢＥＲＴのほか、ＬＳＴＭ（Long Short Term Memory）、ＲＮＮ（Recurrent Neural Network）、ＧＰＴ（Generative Pre-trained Transformer）、ＳＶＭ（Support Vector Machine）、Ｓｅｑ２Ｓｅｑ（Sequence to Sequence）、ランダムフォレスト、または決定木等のモデルで推論処理をおこなってもよい。

判定情報は、たとえば一時保護の必要性の有無、一時保護の必要性の確率、または一時保護の必要性のレベル等の出力データである。

図４は、第１学習モデル１４１の生成処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、児童相談所ＤＢ１５０から経過記録を取得する（ステップＳ１０１）。職員は、取得した経過記録に対応付けて判定情報を入力する。制御部１１は、判定情報の入力を受け付ける（ステップＳ１０２）。

制御部１１は、経過記録と判定情報とを対応付けた訓練データを児童相談所ＤＢ１５０に記憶する（ステップＳ１０３）。ここで、ステップＳ１０１およびステップＳ１０２において、経過記録が入力情報であり、判定情報が出力情報である。制御部１１は、多数の相談事例について同様の処理をおこない、複数の訓練データセットを児童相談所ＤＢ１５０に記憶する（ステップＳ１０４）。

制御部１１は、訓練データセットを用いて第１学習モデル１４１を生成する（ステップＳ１０５）。具体的には、情報処理装置１０は、第１学習モデル１４１から出力される値と実際の一時保護の有無とに差異が生じなくなるように、たとえば誤差逆伝播法（Backpropagation）を用いてパラメータを最適化し、最終的な第１学習モデル１４１を生成する。制御部１１は、一連の処理を終了する。

次に、児童相談所において本システムが利用される際の各種機能について説明する。各種機能には、一時保護の判定、類似事例の抽出、および経過記録中の一文の抽出等が含まれる。

［一時保護の判定］
職員は情報処理装置１０を通じて新規の経過記録を入力する。情報処理装置１０は、入力された新規の経過記録を第１学習モデル１４１に入力し、判定情報として、一時保護の必要性の有無を取得する。

情報処理装置１０は、新規の経過記録に対して児童ＩＤおよび相談事例ＩＤを付与する。情報処理装置１０は、児童ＩＤ、相談事例ＩＤ、および一時保護の必要性の有無を対応付けて児童相談所ＤＢ１５０に記憶する。情報処理装置１０は対象児童の児童ＩＤを検索し、図５で後述する判定情報を表示する。

図５は、情報処理装置１０が出力する判定情報の結果画面の一例である。

情報処理装置１０の表示部１５が表示する結果画面には、該当する相談事例について、児童情報、一時保護の必要性の有無、および過去の類似事例等が含まれる。

児童情報は、たとえば児童ＩＤおよび氏名等である。情報処理装置１０は、児童相談所ＤＢ１５０から児童情報を読み出して表示する。

一時保護の必要性の有無は、相談を受けている児童に対して一時保護を実施するかについて、職員が最終決定する際に用いられる情報である。第１学習モデル１４１は、一時保護の必要性の有無について、たとえば０から１の間の値を出力する。それぞれの値にはリスクの程度が対応付けられている。具体的には、情報処理装置１０は、値が０であればリスク０、値が０．５であればリスク５、値が１であればリスク１０のように表示する。

また、情報処理装置１０は、Attention機構により、判定情報の出力に寄与した経過記録の一部分（たとえば文章または単語）を特定する。具体的には、情報処理装置１０は、経過記録の一部分同士の内積に基づいてAttentionした経過記録の一部分を抽出する。情報処理装置１０は、経過記録の一部分を表示部１５に表示する際に、該当箇所を太字にする、または該当箇所に下線を付す等の強調表示をおこなう。これにより、職員の視認性を高めて判断を支援する。その他、情報処理装置１０は、ＳＨＡＰ値等を求めることにより経過記録の一部分を特定してもよい。

情報処理装置１０は、あらかじめ設定された閾値に基づいて一時保護の必要性の有無を特定する。情報処理装置１０は、閾値が設定値以上（たとえば０．５以上）である場合に一時保護の必要性ありと特定し、閾値が設定値未満（たとえば０．５未満）である場合に一時保護の必要性なしと特定する。

職員は、情報処理装置１０の入力部１６を通じて、第１学習モデル１４１が出力する一時保護判定の閾値を設定することができる。情報処理装置１０は、職員から閾値の入力を受け付けることによって閾値を更新する。たとえば、閾値を０．５から０．７に設定変更すると、一時保護が必要であると判定される児童が減る。これにより、一時保護所の定員に応じた人数調整が可能となり、職員の業務負担の軽減につながる。

過去の類似事例は、新規で取得した経過記録と類似する経過記録である。過去の類似事例には、相談事例ＩＤ、経過記録、および実際の一時保護の有無が含まれる。情報処理装置１０は、後述する類似事例の抽出処理により、過去の類似事例を児童相談所ＤＢ１５０から抽出して表示する。職員は過去の類似事例を参照することで、総合的に一時保護の必要性について判断することができる。

図５では、児童ＩＤ：Ａ２２０、児童名：ａａａ、相談事例ＩＤ：Ｃ２５０の経過記録と「リスクの程度」を表すインジケーターとが示されている。このインジケーターは、第１学習モデル１４１が出力する値に対応させてリスクの程度を示す「１１段階」の数直線である。出力された値が０．５未満であれば、リスクの程度が低いとして半分より左側に矢印が表示される。一方、出力された値が０．５以上であれば、リスクの程度が高いとして半分より右側に矢印が表示される。なお、出力される値と対応するリスクの程度の段階とは例示であり、１１段階に限定されない。

本経過記録において、情報処理装置１０は「一時保護の必要性あり」と判定し、該当する方に「〇」を表示している。情報処理装置１０は、判定情報の出力に寄与した「親が子どもに大ケガを負わせた。」という文章に下線を付して強調表示している。第１学習モデル１４１は値を０．８と算出し、当該値に対応するリスクの程度を、インジケーター上に数値および矢印（図５では「リスク８」）で表示している。さらに、情報処理装置１０は、過去の類似事例を３つ（Ｃ１０２、Ｃ０４２、およびＣ００８）表示している。

また、情報処理装置１０は、インジケーター上において、リスク５およびリスク６の範囲に「要精査」と表示する。これは、第１学習モデル１４１が出力した値が０．５から０．６の間である場合に、一時保護の必要性に関して確実性が担保できないことから、職員に注意喚起するための表示である。もしインジケーター上の矢印が「要精査」の範囲内にあれば、職員がより精査して一時保護の必要性を判断する必要がある。

なお、「要精査」とする範囲は０．５から０．６の間であることに限定されず、他の値の範囲を「要精査」としてもよい。

図６は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、児童相談に関する経過記録を取得する（ステップＳ２０１）。制御部１１は、第１学習モデル１４１を読み出す（ステップＳ２０２）。制御部１１は、取得した経過記録を第１学習モデル１４１に入力する（ステップＳ２０３）。制御部１１は、第１学習モデル１４１が出力した値を取得する（ステップＳ２０４）。

制御部１１は、取得した値と、あらかじめ設定された閾値とを比較して、取得した値が閾値以上であるか否かを判定する（ステップＳ２０５）。閾値以上である場合（ステップＳ２０５：ＹＥＳ）、制御部１１は、一時保護の必要性ありと特定し、相談事例ＩＤに対応付けて児童相談所ＤＢ１５０に記憶する（ステップＳ２０６）。一方、閾値以上ではない場合（ステップＳ２０５：ＮＯ）、制御部１１は、一時保護の必要性なしと特定し、相談事例ＩＤに対応付けて児童相談所ＤＢ１５０に記憶する（ステップＳ２０７）。

制御部１１は、類似事例の抽出のサブルーチンを起動する（ステップＳ２０８）。類似事例の抽出のサブルーチンは、児童相談所ＤＢ１５０から本事例と類似した経過記録を抽出し、当該経過記録および当該経過記録の一時保護の有無を表示するサブルーチンである。この処理の流れは図７にて後述する。

制御部１１は、相談事例ＩＤに対応する一時保護の必要性の有無およびインジケーターを表示部１５に表示させる（ステップＳ２０９）。制御部１１は、Attention機構により、判定情報の出力に寄与した経過記録の一部分を特定して強調表示する（ステップＳ２１０）。制御部１１は、一連の処理を終了する。

［類似事例の抽出］
情報処理装置１０は、新規の経過記録（以下、新規事例）と複数ある過去の経過記録（以下、過去事例）とをベクトル化した後、ベクトル同士を比較してコサイン類似度を算出する。情報処理装置１０は、算出したコサイン類似度に基づき、新規事例に類似した過去事例を抽出する。コサイン類似度は０から１の間で表現され、値が１に近いほど文章間の類似度が高い。

具体的に、児童相談所ＤＢ１５０に過去事例が５つ記憶されている場合を考えると、情報処理装置１０は、「新規事例のベクトル」と５つの「過去事例のベクトル」とをそれぞれ比較して、過去事例ごとにコサイン類似度を５つ算出する。情報処理装置１０は、算出したコサイン類似度に基づき、５つの過去事例から所定数の過去事例を抽出する。

情報処理装置１０は、所定数の過去事例を児童相談所ＤＢ１５０から抽出して表示部１５に表示するとともに、抽出した過去事例における一時保護の有無を読み出して表示部１５に表示する。

なお、上述したコサイン類似度による過去事例の抽出処理のほか、学習済みの学習モデルを用いて、新規事例に類似する過去事例を抽出してもよい。その場合、情報処理装置１０は、２つの経過記録を入力した際に、経過記録間の類似性の有無を出力するよう学習された学習モデルを用いて、「類似性あり」と出力された過去事例を特定する。

また、上述した所定数の過去事例を抽出する処理に限定されず、情報処理装置１０は、所定の閾値以上であるコサイン類似度を持つ過去事例を抽出してもよい。

その他、情報処理装置１０は、２つの経過記録中に登場する所定のキーワード（たとえば暴力）の一致数に基づいて類似度の高低を特定した後、類似度の高い経過記録をいくつか抽出してもよい。

図７は、類似事例の抽出のサブルーチンにおける処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、児童相談所ＤＢ１５０から過去事例を読み出す（ステップＳ３０１）。制御部１１は、新規事例と複数の過去事例とを比較してコサイン類似度を算出する（ステップＳ３０２）。具体的には、制御部１１は、コサイン類似度を文章ごとに算出して、コサイン類似度が高い順に複数の文章を特定する。制御部１１は、算出したコサイン類似度に基づき、類似度の高い過去事例を複数抽出する（ステップＳ３０３）。

制御部１１は、各過去事例に対応する一時保護の有無を読み出す（ステップＳ３０４）。制御部１１は、抽出した複数の経過記録とともに、当該過去事例に対応する実際の一時保護の有無を表示部１５に表示させる（ステップＳ３０５）。制御部１１は、一連の処理を終了する。

［経過記録中の一文の抽出］
児童虐待を防止するうえで、早期発見および早期対応のみならず、「発生予防」から「虐待を受けた子どもの自立」に至るまでの各段階において、多様な関係機関による支援が必要である。さらに、児童相談に関する各相談事例の状況に応じて、児童相談所および市町村の間での適切な連携が望まれている。そのため、児童相談所および市町村が把握する「児童虐待」または「児童虐待が疑われる」相談事例に関して、円滑な情報共有を図るためにリスク判定用フォーマットが使用されている。本実施の形態では、リスク判定用フォーマットがリスクアセスメントシートであるものとして説明する。

リスクアセスメントシートには、虐待状況、子どもの状況、世帯の状況、および保護者の状況等の、一時保護の必要性を判定するための判定用項目が設けられており、職員がそれぞれの判定用項目に対して把握した状況を記録できるよう構成されている。職員は相談事例の事実関係を整理し、一時保護の必要性を判断するため、このリスクアセスメントシートを活用する。

現状、職員が膨大な経過記録を読み込んだ後、リスクアセスメントシートに必要事項を記載しているが、本システムにより、リスクアセスメントシートの判定用項目と関連性が高い文章が経過記録から自動的に抽出される。自動抽出の際には、職員が情報処理装置１０を通じて新規の経過記録を入力すると、情報処理装置１０は当該経過記録から一文を抽出するとともに、判定用項目と関連性の高い一文を判定用項目ごとに分類して表示する。

具体的には、情報処理装置１０は、抽出した一文と、判定用項目に対応付けてある複数のモデル文との類似度を複数算出する。情報処理装置１０は、２７個ある判定用項目ごとに、複数のモデル文をあらかじめ補助記憶部１４に記憶しておく。モデル文は、たとえば、判定用項目が身体的虐待である場合、「親から繰り返し暴力を受けている」「子どもの身体に叩かれたあざがある」等の、身体的虐待が認められる際の典型的な状況を表す文章であり、事前に職員が作成しておく。

情報処理装置１０は、各一文について算出した複数の類似度に基づき、判定用項目に関連する所定数の一文を決定する。類似度計算は、判定用項目に対応付けてある複数のモデル文の「項目ベクトル」を特定して処理されるのが好ましいが、この処理については後述する。

図８は、経過記録に含まれる一文ごとの類似度を示す模式図である。判定用項目が「身体的虐待」である場合に、経過記録中の一文を４つ抽出する例を示す。

情報処理装置１０は、経過記録から以下の文章を抽出する。
文１：子どもと母の母子家庭。
文２：子どもは不登校ぎみである。
文３：父親から暴力を受けている可能性がある。
文４：子どもの足にはあざがある。

情報処理装置１０は、「身体的虐待」に対応付けられた２つのモデル文を補助記憶部１４から読み出す。なお、このモデル文の数はいくつであってもよいが、４つから７つ程度が好ましい。
モデル文１：親から繰り返し暴力を受けている。
モデル文２：子どもの身体に叩かれたあざがある。

図８に示すように、情報処理装置１０は、経過記録中の文１から文４とモデル文１およびモデル文２とをそれぞれ比較して類似度を複数算出する。情報処理装置１０は、経過記録中の各一文について算出した複数の類似度に基づき、「身体的虐待」に関連する所定数の一文を決定する。たとえば、類似度が高い上位２つの文章として、類似度が０．９の「文４：子どもの足にはあざがある」、類似度が０．８の「文３：父親から暴力を受けている可能性がある」の２文が決定されている。

情報処理装置１０は、上述した処理を判定用項目ごとにおこない、該当の判定用項目と関連性の高い複数の一文を分類する。

図９は、情報処理装置１０の表示部１５が表示する画面例である。

図９Ａは、判定用項目ごとの分類結果画面の一例である。図９Ａの分類結果画面には、児童情報（たとえば児童ＩＤおよび氏名）、判定用項目、類似度、経過記録中の一文、リスクレベルを入力するためのチェックボックス２００、およびドロップダウン２０１が含まれる。

図９Ａに示すように、情報処理装置１０は、上述の処理によって決定した経過記録中の一文を判定用項目ごとに並べるとともに、モデル文との間で算出した類似度を表示する。情報処理装置１０は、算出した類似度が高い順に、経過記録中の一文を上から並べて表示する。

職員は情報処理装置１０が表示する経過記録中の一文をもとに、リスクレベルを入力する作業をおこなう。職員が情報処理装置１０を通じてチェックボックス２００を選択すると、リスクレベルを入力するためのドロップダウン２０１が表示部１５に表示される。

ドロップダウン２０１には、複数段階のリスクレベルが選択可能に表示される。リスクレベルはたとえば６段階で表され、緊急で介入を検討する「リスクＳ」、高リスクの「リスクI」、中リスクの「リスクII」、低リスクの「リスクIII」、リスクがない「問題なし」、リスク評価不能の「不明」がある。

リスクレベルの入力作業の際、職員は「子どもの足にはあざがある」という状況に対して、リスクレベルを「リスクＳ」、「父親から暴力を受けている可能性がある」という状況に対して、リスクレベルを「リスクIII」と判断する。職員は、このようなリスクレベルを情報処理装置１０の入力部１６を通じて入力する。情報処理装置１０は、入力を受け付けたリスクレベルを児童ＩＤおよび判定用項目に対応付けて記憶する。

以上のように、職員は自動抽出された文章（たとえば文４および文３）を確認することで、膨大な経過記録を読み込むことなしに、リスクレベルを効率的に入力することができる。これにより、効率的にリスクアセスメントシートを作成でき、対人業務に時間を割くことができる。

図９Ｂは、リスクアセスメントシートの一例である。

図９Ｂに示すように、リスクアセスメントシートは、図９Ａでの入力内容が反映された状態で表示される。具体的には、情報処理装置１０は、判定用項目を含むリスクアセスメントシートを表示するとともに、図９Ａにて職員から入力されたリスクレベルに基づいて該当箇所を強調表示する。これにより、職員が重要箇所を見落とすおそれを減らすことが可能である。

情報処理装置１０は、あらかじめリスクレベルに対応した強調表示に関する表示形式を補助記憶部１４に記憶しておく。たとえば、情報処理装置１０は、緊急性を要する「リスクＳ」の判定用項目を赤色（図９Ｂの例では濃いハッチング）、リスクレベルが低い「リスクIII」の判定用項目を黄色（図９Ｂの例では淡いハッチング）で表示することで視認性を高める。

なお、職員がリスクレベルを手動で入力するほか、ＡＩでリスクレベルを特定してもよい。具体的には、経過記録中の複数の一文を入力した場合に、リスクレベルを出力する学習モデルを用意する。情報処理装置１０は、複数の一文を学習モデルに入力し、リスクレベルを特定する。

図１０は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、児童相談に関する経過記録を取得する（ステップＳ４０１）。制御部１１は、取得した経過記録から一文を抽出する（ステップＳ４０２）。制御部１１は、経過記録中の複数の文とモデル文とをそれぞれ比較して類似度を複数算出する（ステップＳ４０３）。制御部１１は、経過記録中の各一文について算出した複数の類似度に基づき、該当の判定用項目に関連する所定数の一文を決定する（ステップＳ４０４）。制御部１１は、この処理を複数の判定用項目でおこなう。

制御部１１は、決定した一文を複数の判定用項目ごとに分類し、分類した分類結果を出力する（ステップＳ４０５）。制御部１１は、職員から入力部１６を通じて判定用項目ごとにリスクレベルの入力を受け付ける（ステップＳ４０６）。制御部１１は、項目に対応するリスクレベルの入力内容に基づき、リスクアセスメントシートの該当箇所を強調表示する（ステップＳ４０７）。制御部１１は、一連の処理を終了する。

以上、一時保護の判定、類似事例の抽出、および経過記録中の一文の抽出によって、職員の業務負担を軽減することができる。

なお、モデル文を作成する効果は、たとえば次の通りである。

モデル文を判定用項目ごとに複数作成することで、訓練データを作成することができる。SentenceBERTなどの自然言語処理のモデルは、トリプレット型の訓練データにより学習を行うことで精度を高めることができる。トリプレット型の訓練データとは、文Ａ（左側）、文Ｂ（中央）、文Ｃ（右側）の３つ文のセットであり、文Ａと文Ｂは類似度の高い文の組み合わせ、文Ａと文Ｃは類似度の低い文の組み合わせになるように作成する。

このようなトリプレット型の学習データは、モデル文を判定用項目ごとに複数作成し以下のアルゴリズムを実施することで作成できる。

判定用項目jのi番目のモデル文を文i,jと表すとして、それを一般化すると以下のような表記になる。
左側：文i=p,j=q
中央：文any i≠p,j=q
右側：文any i, any j≠q

１）左側として判定用項目ｑのｐ番目の文を取得し、中央として同じ判定用項目ｑのｐ番目以外の文を取得する。この組み合わせは、仮にモデル文が５つずつある場合は、１０組となる。
２）右側には、qと異なる判定用項目に含まれる文を取得する。判定用項目が２７ある場合、qと異なる判定用項目は２６あることから、それに５を乗じることにより１３０通りのモデル文が存在する。
３）１）で作成した左側と中央の組み合わせに、２）で取得した文を追加することで、１０×１３０＝１３００通りのトリプレットを作成できる。
４）これを、全ての判定用項目に対しておこなうことで、１３００×２７＝３５１００通りのトリプレットを作成することができ、学習に利用することができる。

次に、「項目ベクトル」を用いた処理について説明する。図８にて説明した類似度計算では、モデル文のベクトルのみで類似度を算出するため、判定用項目と意味的に類似しない一文が抽出されることがある。

具体的には、モデル文が「親から繰り返し暴力を受けている」の場合に、「兄から繰り返し馬鹿にされている」という意味的に合致しない一文が不適切に抽出されることがある。これは、「繰り返し」という身体的虐待とは無関係な単語が類似しているために生じる誤りである。つまり、単純にモデル文と抽出した一文とで類似度を求めると、目的の類似度が求まらず、意味的に類似しない一文が抽出されてしまう。この誤りを回避するため、以下の処理をおこなう。

情報処理装置１０は、判定用項目に対応付けてある複数のモデル文の項目ベクトルを特定する。項目ベクトルは複数のモデル文に共通するベクトルであり、たとえば、図８にて用いたモデル文１およびモデル文２に共通するベクトルのことを指す。項目ベクトルは、主成分得点または平均値等により特定される。

情報処理装置１０は、判定用項目のモデル文のベクトルと項目ベクトルとに基づき、各モデル文の合成ベクトルを主成分得点または平均値により特定する。このとき算出される合成ベクトルは、登録したモデル文の数だけ算出される。具体的には、情報処理装置１０は、モデル文１およびモデル文２の２つに基づいて項目ベクトルを特定した後、モデル文１と項目ベクトルを合成した合成ベクトル１と、モデル文２と項目ベクトルを合成した合成ベクトル２とを特定する。その後、情報処理装置１０は、経過記録から抽出した一文のベクトルと、合成ベクトル１および合成ベクトル２との類似度を複数算出する。

たとえば、合成ベクトル１と文１との類似度を計算すると類似度１－１が算出され、合成ベクトル２と文１との類似度を計算すると類似度２－１が算出される。同様にして、情報処理装置１０は、抽出した一文の数だけ合成ベクトルとの類似度を複数算出する。つまり、経過記録中に含まれる文章が４つなら、２×４＝８個の類似度が算出される。

最後に、情報処理装置１０は、類似度同士（たとえば８個）を比較して、類似度が高い順に各文を特定する。情報処理装置１０は、類似度が高い順に、経過記録中の一文を上から並べて表示する。

図１１は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、判定用項目に対応付けてある複数のモデル文の項目ベクトルを特定する（ステップＳ５０１）。制御部１１は、判定用項目のモデル文のベクトルと項目ベクトルとに基づき、各モデル文の合成ベクトルを特定する（ステップＳ５０２）。制御部１１は、経過記録から抽出した一文をベクトル化する（ステップＳ５０３）。制御部１１は、抽出した一文のベクトルと、複数ある合成ベクトルとの類似度を複数算出する（ステップＳ５０４）。

制御部１１は、類似度同士を比較して、類似度が高い順に、経過記録から抽出した各文を特定する（ステップＳ５０５）。制御部１１は、類似度が高い順に、経過記録中の一文を上から並べて表示部１５に表示させる（ステップＳ５０６）。制御部１１は、一連の処理を終了する。

以上、実施の形態１によれば、本システムの３つの機能によって児童相談所の業務を支援することができる。

［実施の形態２］
実施の形態２では、複数の一文を第１学習モデル１４１に入力して複数の判定情報を取得し、各判定情報に基づいて一時保護の必要性の有無を取得する形態について説明する。

情報処理装置１０は、経過記録に含まれる文章を複数の文章に分割する。これを分割経過記録という。情報処理装置１０は分割経過記録を取得し、第１学習モデル１４１に入力する。情報処理装置１０は、第１学習モデル１４１が出力した判定情報を取得する。この分割処理は、ＢＥＲＴに入力できるトークンが５１２までであるためにおこなわれる。

このとき、分割経過記録ごとに複数の判定情報が取得されるが、経過記録を分割した位置によって判定情報が異なる場合がある。つまり、同一の経過記録であるにも関わらず出力結果がばらついてしまい、どの結果を採用すればいいか職員の判断がつきにくい。そこで、情報処理装置１０は、複数の判定情報に基づいて最終的な判定情報を取得する処理をおこなう。

以下、経過記録を４つの分割経過記録に分割した場合を例にして説明する。

たとえば、情報処理装置１０が分割経過記録ａ、分割経過記録ｂ、分割経過記録ｃ、分割経過記録ｄと、経過記録を５１２トークンに収まるよう分割する。情報処理装置１０はそれぞれの分割経過記録を第１学習モデル１４１に入力し、各分割経過記録に対応する判定情報を取得する。第１学習モデル１４１が分割経過記録に対応した判定情報（一時保護の必要性の有無）を０から１の値として出力した場合を図１２に例示する。

図１２は、分割経過記録ごとの判定情報を示す模式図である。分割経過記録ａが入力されると値が０．３、分割経過記録ｂが入力されると値が０．５、分割経過記録ｃが入力されると値が０．９、分割経過記録ｄが入力されると値が０．９と出力される。このとき、第１学習モデル１４１に入力した分割経過記録によって判定情報が異なっているため、最終的な判定情報を取得すべく、情報処理装置１０が平均値または最大値等の所定の統計量を算出する。これにより、判定情報にばらつきがあったとしても、好適に職員の判断支援をおこなうことができる。

上記の例において、情報処理装置１０が平均値を算出すると、
（平均値）＝（０．３＋０．５＋０．９＋０．９）／４＝０．６５
となる。この計算式より、情報処理装置１０は、最終的な判定情報として、本経過記録における一時保護の必要性の有無を０．６５（リスク６．５）と特定する。情報処理装置１０は、特定した最終的な判定情報を表示部１５に表示する。職員は情報処理装置１０に表示された判定情報を確認し、実際の業務判断に活用する。

図１３は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、複数の分割経過記録を取得する（ステップＳ６０１）。制御部１１は、第１学習モデル１４１を読み出す（ステップＳ６０２）。制御部１１は、取得した複数の分割経過記録を第１学習モデル１４１に入力する（ステップＳ６０３）。制御部１１は、第１学習モデル１４１が出力した判定情報を取得する（ステップＳ６０４）。

制御部１１は、取得した判定情報に基づき、所定の統計量を算出する（ステップＳ６０５）。制御部１１は、所定の統計量に基づき、最終的な判定情報を出力する（ステップＳ６０６）。制御部１１は、最終的な判定情報を表示部１５に表示させる（ステップＳ６０７）。制御部１１は、一連の処理を終了する。

［実施の形態３］
実施の形態２では、所定の統計値を算出して最終的な判定情報を取得する形態について説明した。実施の形態３では、複数の分割経過記録を第１学習モデル１４１に入力して判定情報を取得し、第２学習モデル１４２に当該判定情報を入力して一時保護の必要性の有無を取得する形態について説明する。

第２学習モデル１４２は、判定情報を入力した場合に、一時保護の必要性の有無を出力するよう学習された学習モデルである。情報処理装置１０は、実施の形態２で述べた分割経過記録ごとの判定情報を取得し、当該判定情報と一時保護の必要性の有無との組み合わせからなる訓練データセットに基づき、第２学習モデル１４２を生成する。

情報処理装置１０は、第１学習モデル１４１が出力した分割経過記録ごとの判定情報を第２学習モデル１４２に入力する。情報処理装置１０は、第２学習モデル１４２が出力した一時保護の必要性の有無を取得する。このときの第２学習モデル１４２は、たとえばXGBoost等の決定木モデルである。その他、第２学習モデル１４２は、ＮＮ（Neural Network）またはＳＶＭ等であってもよい。

図１４は、第２学習モデル１４２の生成処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、第１学習モデル１４１から出力された判定情報を取得する（ステップＳ７０１）。職員は取得した判定情報に対応付けて「一時保護の必要性の有無」を入力する。制御部１１は、「一時保護の必要性の有無」の入力を受け付ける（ステップＳ７０２）。

制御部１１は、判定情報と「一時保護の必要性の有無」とを対応付けて児童相談所ＤＢ１５０に記憶する（ステップＳ７０３）。ここで、ステップＳ７０１およびステップＳ７０２において、判定情報が入力情報であり、「一時保護の必要性の有無」が出力情報である。

制御部１１は、多数の相談事例について同様の処理をおこない、複数の訓練データセットを児童相談所ＤＢ１５０に記憶する（ステップＳ７０４）。制御部１１は、訓練データセットを用いて第２学習モデル１４２を生成する（ステップＳ７０５）。制御部１１は、一連の処理を終了する。

図１５は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、第１学習モデル１４１が出力した判定情報を分割経過記録ごとに取得する（ステップＳ８０１）。制御部１１は、第２学習モデル１４２を読み出す（ステップＳ８０２）。制御部１１は、第２学習モデル１４２に分割経過記録ごとの判定情報を入力する（ステップＳ８０３）。制御部１１は、第２学習モデル１４２が出力した一時保護の必要性の有無を取得する（ステップＳ８０４）。制御部１１は、一連の処理を終了する。

以上、実施の形態３によれば、情報処理装置１０が一時保護の必要性の有無を精査して出力することで、職員が適切な対応を取りやすくなり、好適に児童相談所の業務を支援することができる。

［実施の形態４］
実施の形態４では、職員の属性に応じて学習モデルをアノテーションし、それぞれの学習モデルが出力する結果が相違する場合にアラートを出力する形態について説明する。

第３学習モデル１４３は児童相談に関する経過記録を入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された学習モデルであり、熟練者によりアノテーションされている。第４学習モデル１４４は児童相談に関する経過記録を入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された学習モデルであり、非熟練者によりアノテーションされている。

情報処理装置１０は、児童相談所の職員のうち、熟練者がアノテーションした第３学習モデル１４３と、非熟練者がアノテーションした第４学習モデル１４４とを生成する。熟練者は、たとえば児童相談業務に関して一定の経験年数を有する職員であり、非熟練者は、たとえば児童相談業務に関して一定の経験年数に満たない職員である。第３学習モデル１４３および第４学習モデル１４４は、前述した第１学習モデル１４１と同様、児童相談に関する経過記録を入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習されている。

情報処理装置１０は、熟練者によりアノテーションされた第３学習モデル１４３と、非熟練者によりアノテーションされた第４学習モデル１４４とを補助記憶部１４に記憶する。情報処理装置１０は、第３学習モデル１４３および第４学習モデル１４４を読み出し、新規の経過記録をそれぞれの学習モデルに入力する。情報処理装置１０は、第３学習モデル１４３および第４学習モデル１４４から出力される判定情報を取得する。

一般に、熟練者がアノテーションした第３学習モデル１４３の方がより精度の高い判定情報を出力すると考えられる。そのため、各学習モデルが出力する判定情報が異なる場合に、情報処理装置１０がアラートを出力し、一時保護の必要性の有無を検討する際の参考にする。これにより、職員はより多角的な視点で児童相談所の対応方針を判断することができる。一方で、各学習モデルが出力する判定情報が一致する場合には、情報処理装置１０はアラートを出力しない。

上記のアラート出力処理のほか、次のように処理してもよい。たとえば、第３学習モデル１４３から出力された値が０．８（リスク８）、第４学習モデル１４４から出力された値が０．７（リスク７）、のように、各学習モデルから出力された値の差が所定値以内であれば、情報処理装置１０はアラートを出力しなくてもよい。熟練者および非熟練者の間での判断内容に顕著な差がないためである。

図１６は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、熟練者がアノテーションした訓練データに基づき第３学習モデル１４３を生成する（ステップＳ９０１）。制御部１１は、非熟練者がアノテーションした訓練データに基づき第４学習モデル１４４を生成する（ステップＳ９０２）。制御部１１は、第３学習モデル１４３および第４学習モデル１４４を記憶する（ステップＳ９０３）。

制御部１１は、第３学習モデル１４３および第４学習モデルを読み出す（ステップＳ９０４）。制御部１１は、児童相談に関する経過記録を取得する（ステップＳ９０５）。制御部１１は、取得した経過記録を第３学習モデル１４３および第４学習モデル１４４に入力する（ステップＳ９０６）。

制御部１１は、それぞれの学習モデルから出力された判定情報を取得する（ステップＳ９０７）。制御部１１は、各判定情報が相違しているか否かを判定する（ステップＳ９０８）。

各判定情報が相違している場合（ステップＳ９０８：ＹＥＳ）、制御部１１は、アラートを出力する（ステップＳ９０９）。各判定情報が相違していない場合（ステップＳ９０８：ＮＯ）、制御部１１は、アラートを出力せずに判定情報を出力する（ステップＳ９１０）。制御部１１は、一連の処理を終了する。

以上、実施の形態４によれば、異なるグループごとに学習モデルをアノテーションすることで、職員が総合的に一時保護の必要性の有無を判断することができる。

［実施の形態５］
実施の形態５では、家庭復帰するか否かを判定する第５学習モデル１４５について説明する。

一時保護に至った後、職員は親に対して子どもへの接し方等の指導をおこなう。職員は、指導を受けた家庭の改善状況または一時保護所での子どもの様子等を鑑みて、子どもを家庭に戻す家庭復帰を慎重に検討する。一時保護の目的は子どもの生命を守ることであるが、親子が離れた生活をすることにより、その子どもの健全な発育に影響を及ぼす可能性がある。こうした状況の下、職員は子どもの生命と家庭での健全な発育とを天秤にかけねばならず、難しい判断に迫られる。

そこで、一時保護後における職員の判断を支援すべく、家庭復帰するか否かを判定する第５学習モデル１４５を利用する。以下、第５学習モデル１４５の詳細について説明する。

本実施の形態において、一時保護中の児童に関する経過記録が入力情報であり、家庭復帰の必要性に関する判定情報が出力情報である。当該経過記録には、児童相談を受けた際の情報に加え、一時保護後における家庭の様子または児童の様子が追記されている。当該判定情報には、たとえば家庭復帰の必要性の有無、家庭復帰の必要性の確率、または家庭復帰の必要性のレベル等の出力データが含まれる。

情報処理装置１０は、「一時保護中の児童に関する経過記録」と「家庭復帰に至ったか否か」との組み合わせからなる複数の訓練データセットを用いて第５学習モデル１４５を生成する。具体的には、情報処理装置１０は、第５学習モデル１４５から出力される値と実際の家庭復帰の結果とに差異が生じなくなるように、たとえば誤差逆伝播法を用いてパラメータを最適化し、最終的な第５学習モデル１４５を生成する。

情報処理装置１０は、上記の第５学習モデル１４５を用いて、家庭復帰の判定処理をおこなう。また、情報処理装置１０は、新規事例と類似した過去事例をコサイン類似度に基づいて抽出する。これらの詳細処理は、実施の形態１で説明した内容と重複するため省略する。

図１７は、情報処理装置１０が実行するプログラム１４０の処理手順を示すフローチャートである。情報処理装置１０の制御部１１は、プログラム１４０に基づき以下の処理を実行する。

制御部１１は、一時保護中の児童に関する経過記録を取得する（ステップＳ１００１）。制御部１１は、第５学習モデル１４５を読み出す（ステップＳ１００２）。制御部１１は、取得した経過記録を第５学習モデル１４５に入力する（ステップＳ１００３）。制御部１１は、第５学習モデル１４５が出力した値を取得する（ステップＳ１００４）。

制御部１１は、取得した値と、あらかじめ設定された閾値とを比較して、取得した値が閾値以上であるか否かを判定する（ステップＳ１００５）。閾値以上である場合（ステップＳ１００５：ＹＥＳ）、制御部１１は、家庭復帰の必要性ありと特定し、相談事例ＩＤに対応付けて児童相談所ＤＢ１５０に記憶する（ステップＳ１００６）。一方、閾値以上ではない場合（ステップＳ１００５：ＮＯ）、制御部１１は、家庭復帰の必要性なしと特定し、相談事例ＩＤに対応付けて児童相談所ＤＢ１５０に記憶する（ステップＳ１００７）。

制御部１１は、児童相談所ＤＢ１５０から本事例と類似した経過記録をコサイン類似度に基づいて抽出する（ステップＳ１００８）。制御部１１は、相談事例ＩＤに対応する家庭復帰の必要性の有無およびインジケーターを表示部１５に表示させる（ステップＳ１００９）。制御部１１は、Attention機構により、判定情報の出力に寄与した経過記録の一部分を特定して強調表示する（ステップＳ１０１０）。制御部１１は、一連の処理を終了する。

以上、実施の形態１から実施の形態５によれば、情報処理装置１０は、学習モデルに経過記録を入力することで得られた判定情報を出力させて、職員の児童相談に係る業務を支援することができる。

今回開示された実施の形態はすべての点において例示であり、制限的なものではない。本発明の技術的範囲は上記のように開示された意味ではなく、特許請求の範囲の記載に基づいて定められ、特許請求の範囲と均等の意味および範囲内において、すべての変更が含まれる。

各実施形態に記載した事項は相互に組み合わせることができる。また、特許請求の範囲に記載した独立請求項および従属請求項は、引用形式に関わらず全てのあらゆる組み合わせにおいて、相互に組み合わせることができる。さらに、特許請求の範囲には他の２以上のクレームを引用するクレームを記載する形式（マルチクレーム形式）を用いているが、これに限るものではない。マルチクレームを少なくとも一つ引用するマルチクレーム（マルチマルチクレーム）を記載する形式を用いて記載してもよい。

１０ 情報処理装置
１０ａ 可搬型記憶媒体
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
１５ 表示部
１６ 入力部
１４０ プログラム（プログラム製品）
１４１ 第１学習モデル
１４２ 第２学習モデル
１４３ 第３学習モデル
１４４ 第４学習モデル
１４５ 第５学習モデル
１５０ 児童相談所ＤＢ
２００ チェックボックス
２０１ ドロップダウン

Claims (14)

1. 児童相談に関する複数の文により構成される児童の経過記録としての文章データを取得し、
   児童相談に関する複数の文により構成される児童の経過記録としての文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力し、
   取得した複数の文により構成される児童の経過記録としての文章データから一文を抽出し、
   抽出した一文を、複数の判定用項目のいずれかに分類し、
   分類された各文を対応する判定用項目ごとに対応付けて表示し、
   分類された各文を対応する判定用項目に対応付けて表示した状態で、前記判定用項目ごとのリスクレベルを受け付ける
   処理をコンピュータに実行させるプログラム。
2. 前記第１学習モデルは、一時保護の必要性の有無を出力する
   請求項１に記載のプログラム。
3. 取得した文章データに対して、類似度の高い児童相談に関する文章データを抽出し、
   抽出した類似度の高い複数の文章データを出力する
   請求項１に記載のプログラム。
4. 抽出した各文章データに対応付けて、一時保護の有無を出力する
   請求項３に記載のプログラム。
5. 前記判定用項目を含むリスク判定用フォーマットを表示し、
   前記リスク判定用フォーマット内の前記判定用項目をリスクレベルに応じて強調表示する
   請求項１に記載のプログラム。
6. 判定情報を入力した場合に、一時保護の必要性の有無を出力するよう学習された第２学習モデルに、前記第１学習モデルが出力した分割文章データごとの判定情報を入力し、
   前記第２学習モデルが出力した一時保護の必要性の有無を取得する
   請求項１に記載のプログラム。
7. 前記第１学習モデルは、熟練者がアノテーションした第３学習モデルと、非熟練者がアノテーションした第４学習モデルとを含み、
   前記第３学習モデルおよび前記第４学習モデルは、児童相談に関する文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習されており、
   前記第３学習モデルおよび前記第４学習モデルに取得した文章データを入力して判定情報を出力し、
   それぞれの判定情報が相違する場合には、アラートを出力する
   請求項１に記載のプログラム。
8. 判定情報の出力に寄与した文章データの一部分を強調表示する
   請求項１に記載のプログラム。
9. 取得した文章データから一文を抽出し、
   抽出した一文と、前記判定用項目に対応付けてある複数のモデル文との類似度を複数算出し、
   各一文について算出した複数の類似度に基づき、前記判定用項目に関連する所定数の一文を決定する
   請求項１に記載のプログラム。
10. 前記判定用項目に対応付けてある複数のモデル文の項目ベクトルを特定し、
    前記判定用項目のモデル文のベクトルと項目ベクトルとに基づき、各モデル文の合成ベクトルを特定し、
    抽出した一文のベクトルと、前記判定用項目に対応付けてある複数のモデル文の合成ベクトルとの類似度を複数算出する
    請求項９に記載のプログラム。
11. 一時保護中の児童に関する文章データを取得し、
    一時保護中の児童に関する文章データを入力した場合に、家庭復帰の必要性に関する判定情報を出力するよう学習された第５学習モデルに、取得した一時保護中の児童に関する文章データを入力して家庭復帰の必要性に関する判定情報を出力する
    請求項１に記載のプログラム。
12. 児童相談に関する文章データを取得し、
    児童相談に関する文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力する処理であって、
    前記第１学習モデルは、熟練者がアノテーションした第３学習モデルと、非熟練者がアノテーションした第４学習モデルとを含み、
    前記第３学習モデルおよび前記第４学習モデルは、児童相談に関する文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習されており、
    前記第３学習モデルおよび前記第４学習モデルに取得した文章データを入力して判定情報を出力し、
    それぞれの判定情報が相違する場合には、アラートを出力する
    処理をコンピュータに実行させるプログラム。
13. 児童相談に関する複数の文により構成される児童の経過記録としての文章データを取得し、
    児童相談に関する複数の文により構成される児童の経過記録としての文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力し、
    取得した複数の文により構成される児童の経過記録としての文章データから一文を抽出し、
    抽出した一文を、複数の判定用項目のいずれかに分類し、
    分類された各文を対応する判定用項目ごとに対応付けて表示し、
    分類された各文を対応する判定用項目に対応付けて表示した状態で、前記判定用項目ごとのリスクレベルを受け付ける
    処理をコンピュータが実行する情報処理方法。
14. 制御部を備える情報処理装置において、
    前記制御部は、
    児童相談に関する複数の文により構成される児童の経過記録としての文章データを取得し、
    児童相談に関する複数の文により構成される児童の経過記録としての文章データを入力した場合に、一時保護の必要性に関する判定情報を出力するよう学習された第１学習モデルに、取得した文章データを入力して判定情報を出力し、
    取得した複数の文により構成される児童の経過記録としての文章データから一文を抽出し、
    抽出した一文を、複数の判定用項目のいずれかに分類し、
    分類された各文を対応する判定用項目ごとに対応付けて表示し、
    分類された各文を対応する判定用項目に対応付けて表示した状態で、前記判定用項目ごとのリスクレベルを受け付ける
    情報処理装置。

Images