WO2023238360A1 - 行動分析装置、行動分析方法および行動分析プログラム - Google Patents

行動分析装置、行動分析方法および行動分析プログラム Download PDF

Info

Publication number
WO2023238360A1
WO2023238360A1 PCT/JP2022/023385 JP2022023385W WO2023238360A1 WO 2023238360 A1 WO2023238360 A1 WO 2023238360A1 JP 2022023385 W JP2022023385 W JP 2022023385W WO 2023238360 A1 WO2023238360 A1 WO 2023238360A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
personality
personality data
behavior analysis
behavioral
Prior art date
Application number
PCT/JP2022/023385
Other languages
English (en)
French (fr)
Inventor
純平 山下
明 片岡
Original Assignee
日本電信電話株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/023385 priority Critical patent/WO2023238360A1/ja
Publication of WO2023238360A1 publication Critical patent/WO2023238360A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • the present invention relates to a behavior analysis device, a behavior analysis method, and a behavior analysis program.
  • an acquisition unit that acquires personality data including latent variables representing psychological aspects of a user and behavioral data of the user; a calculation unit that calculates the average value of the latent variables within an individual as personal personality data, and calculates objective personality data by dividing the personal personality data from the personality data; a learning unit that uses the objective personality data to learn a machine learning model; and an estimation unit that uses the machine learning model to estimate a relationship between the personality traits indicated by the personality data and the behavioral features indicated by the behavioral data. It is characterized by comprising the following.
  • the behavior analysis method is a behavior analysis method executed by a behavior analysis device, which acquires personality data including latent variables representing psychological aspects of the user and behavioral data of the user. and a calculation step of calculating the average value of the latent variables within the individual as personal personality data based on the personality data, and calculating target personality data by dividing the personal personality data from the personality data. , a learning step of learning a machine learning model using the behavior data, the personal personality data, and the target personality data; and a learning step of learning a machine learning model using the machine learning model to determine the personality traits indicated by the personality data and the behavior data.
  • the method is characterized by including an estimation step of estimating a relationship with a behavioral feature.
  • the behavior analysis program includes an acquisition procedure for acquiring personality data including latent variables representing psychological aspects of the user and behavioral data of the user, and an acquisition procedure for acquiring personality data including latent variables representing psychological aspects of the user, and A calculation procedure of calculating the average value of the latent variables as personal personality data, and calculating objective personality data by dividing the personal personality data from the personality data, and the behavioral data, the personal personality data, and the objective personality data.
  • a learning procedure for learning a machine learning model using the machine learning model and an estimation procedure for estimating the relationship between the personality traits indicated by the personality data and the behavioral features indicated by the behavioral data using the machine learning model.
  • the feature is that it is executed.
  • FIG. 1 is a diagram illustrating a configuration example of a behavior analysis system according to a first embodiment.
  • FIG. 2 is a block diagram showing a configuration example of the behavior analysis device according to the first embodiment.
  • FIG. 3 is a flowchart illustrating an example of the flow of behavior analysis processing according to the first embodiment.
  • FIG. 4 is a flowchart illustrating an example of the flow of data acquisition processing according to the first embodiment.
  • FIG. 5 is a flowchart illustrating an example of the flow of input data calculation processing according to the first embodiment.
  • FIG. 6 is a flowchart illustrating an example of the flow of learning processing according to the first embodiment.
  • FIG. 7 is a flowchart illustrating an example of the flow of data estimation processing according to the first embodiment.
  • FIG. 8 is a diagram showing a computer that executes a program.
  • FIG. 1 is a diagram showing a configuration example of a behavior analysis system 100 according to the first embodiment. Below, each process will be explained after showing an example of the overall configuration of the behavior analysis system 100.
  • the behavior analysis system 100 includes a behavior analysis device 10.
  • the behavior analysis system 100 also includes response data A including personality data acquired by the behavior analysis device 10 and a user U who is a worker who provides behavior data to the behavior analysis device 10.
  • response data A including personality data acquired by the behavior analysis device 10
  • a user U who is a worker who provides behavior data to the behavior analysis device 10.
  • the behavior analysis system 100 shown in FIG. 1 may include a plurality of behavior analysis devices 10.
  • the answer data A may be used to represent the answer results of a plurality of users U.
  • the user U may be used to represent a plurality of workers.
  • the behavior analysis device 10 acquires personality data from the response data A of the user U (step S1). For example, the behavior analysis device 10 acquires personality data from the answer data A regarding occupational aptitude answered by the user U.
  • the behavior analysis device 10 performs learning of a machine learning model using the input data (step S4).
  • the behavior analysis device 10 uses a generative adversarial network (GAN) to optimize a discriminator and a generator.
  • GAN generative adversarial network
  • the latent variables targeted for analysis by the methods described above may have multiple dimensions.
  • the Big Five which is commonly used as a personality trait, expresses a person's personality by a combination of five traits. ..., characteristic 5 is weak.'' Conventional methods assume that values among multiple dimensions of such latent variables are uncorrelated. Therefore, a problem arises when the conventional technology is applied to, for example, personality traits that have strong correlations between the characteristics.
  • the behavioral analysis system 100 analyzes job aptitude data such as suitability and unsuitability for an occupation list, which tends to generate noise that causes characteristic changes in common among multiple people, but such response data is analyzed based on characteristics that are uncorrelated with each other. It becomes possible to analyze the characteristics of behavioral sensor data by considering them as characteristics. That is, the behavior analysis system 100 can effectively analyze human behavior by estimating and visualizing the relationship between personality traits and behavioral features that are uncorrelated with each other.
  • FIG. 2 is a block diagram showing a configuration example of the behavior analysis device 10 according to the first embodiment.
  • the behavior analysis device 10 includes an input section 11 , an output section 12 , a communication section 13 , a storage section 14 , and a control section 15 .
  • the input unit 11 is in charge of inputting various information to the behavior analysis device 10.
  • the input unit 11 is, for example, a mouse, a keyboard, or the like, and accepts input of setting information and the like to the behavior analysis device 10 .
  • the storage unit 14 stores various information referred to when the control unit 15 operates and various information acquired when the control unit 15 operates.
  • the storage unit 14 includes a personality data storage unit 14a, a behavior data storage unit 14b, an input data storage unit 14c, and a machine learning model 14d.
  • the storage unit 14 is, for example, a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk.
  • the storage unit 14 is installed inside the behavior analysis device 10, but it may be installed outside the behavior analysis device 10, or even if a plurality of storage units are installed. good.
  • the acquisition unit 15a acquires personality data including latent variables representing psychological aspects of the user U and behavioral data of the user U. For example, the acquisition unit 15a acquires response data regarding the occupational aptitude of the user U as the personality data. At this time, the acquisition unit 15a acquires, as personality data, values of personality characteristics related to occupational aptitude, such as "suitable for mechanics", “suitable for sales", “suitable for office work”, etc. of the user U. In addition, the acquisition unit 15a acquires, as personality data, the values of personality traits related to the Big Five of user U's "openness,””conscientiousness,””extraversion,””agreeableness,” and “neuroticism.” You may.
  • the calculation unit 15b does not perform standardization in either the inter-individual or intra-individual direction, but simply performs standardization so that the average of all data is 0 and the standard deviation is 1.
  • the calculation unit 15b divides the intra-individual average value, that is, the individual personality data, from the standardized value of the personality data to obtain target personality data (psychological aspect label data) that is the purpose of analysis.
  • the calculation unit 15b divides the acquired behavior data into moving windows having a time width of a certain interval, and calculates input data regarding the behavior data.
  • the learning unit 15c performs learning of the machine learning model 14d using behavioral data, personal personality data, and goal personality data. At this time, the learning unit 15c performs learning of the machine learning model 14d using a generative adversarial network. Further, the learning unit 15c may perform learning of the machine learning model 14d using a variational autoencoder.
  • the estimation unit 15d uses the machine learning model 14d to estimate the relationship between the personality traits indicated by the personality data and the behavioral features indicated by the behavior data. For example, the estimation unit 15d inputs the value of the desired personality characteristic into the machine learning model 14d, and displays sensor data of head movement and eyeball movement output from the machine learning model 14d as a graph on the output unit 12. Furthermore, the estimating unit 15d inputs sensor data of head movement and eyeball movement into the machine learning model 14d, and displays the value of the target personality characteristic on the output unit 12 as an estimated value.
  • FIG. 4 is a flowchart illustrating an example of the flow of data acquisition processing according to the first embodiment.
  • personality data acquisition processing step S201
  • behavior data acquisition processing step S202 to S203
  • steps S201 to S203 steps S201 to S203
  • steps S201 to S203 can also be executed in a different order.
  • some of the processes in steps S201 to S203 below may be omitted.
  • the acquisition unit 15a acquires personality data from the answer data A (step S201). For example, the acquisition unit 15a acquires personality data from the answer data A regarding occupational aptitude answered by the user U.
  • the calculation unit 15b divides the behavior data into time windows having a time width of a certain interval, and generates input data (step S301).
  • FIG. 7 is a flowchart illustrating an example of the flow of data estimation processing according to the first embodiment.
  • the effects of the behavioral data estimation process (steps S501 to S502), the personality data estimation process (steps S503 to S504), and the data estimation process will be explained in this order. Note that the processing in steps S501 to S504 below can also be executed in a different order. Furthermore, some of the processes in steps S501 to S504 below may be omitted.
  • the estimation unit 15d inputs behavioral data to the trained machine learning model 14d (step S503).
  • the estimation unit 15d displays the personality data output from the trained machine learning model 14d as an estimation result (step S504).
  • personality data including latent variables representing the psychological aspects of user U and behavioral data of user U are acquired, and the average value of the latent variables within the individual is calculated based on the personality data. is calculated as personal personality data, goal personality data is calculated by dividing the personal personality data from the personality data, and the machine learning model 14d is trained using the behavioral data, personal personality data, and goal personality data, and machine learning The model 14d is used to estimate the relationship between the personality traits indicated by the personality data and the behavioral features indicated by the behavioral data. Therefore, in the first embodiment, it is possible to effectively analyze human behavior.
  • response data regarding the occupational aptitude of the user U is acquired as the personality data. Therefore, in the first embodiment, analysis of human behavior related to vocational aptitude can be effectively executed.
  • the hard disk drive 1090 stores, for example, an OS 1091, an application program 1092, a program module 1093, and program data 1094. That is, the above program is stored, for example, in the hard disk drive 1090 as a program module in which commands to be executed by the computer 1000 are written.
  • the various data described in the above embodiments are stored as program data in, for example, the memory 1010 or the hard disk drive 1090.
  • the CPU 1020 reads out the program module 1093 and program data 1094 stored in the memory 1010 and the hard disk drive 1090 to the RAM 1012 as necessary, and executes various processing procedures.
  • program module 1093 and program data 1094 related to the program are not limited to being stored in the hard disk drive 1090, but may be stored in a removable storage medium, for example, and read by the CPU 1020 via a disk drive or the like.
  • the program module 1093 and program data 1094 related to the program may be stored in another computer connected via a network (LAN (Local Area Network), WAN (Wide Area Network), etc.), and may be stored via the network interface 1070. It may be read by the CPU 1020.
  • LAN Local Area Network
  • WAN Wide Area Network
  • Behavior analysis device 11
  • Output unit 13
  • Communication unit 14
  • Storage unit 14a
  • Behavior data storage unit 14b
  • Input data storage unit 14d
  • Machine learning model 15
  • Control unit 15a Acquisition unit 15b
  • Calculation unit 15c Learning unit 15d
  • Estimation unit 100 Behavior analysis system

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

行動分析装置（１０）は、利用者の心理的側面を表わす潜在変数を含む性格データと、利用者の行動データとを取得する取得部（１５ａ）と、性格データに基づいて個人内の潜在変数の平均値を個人性格データとして算出し、性格データから個人性格データを除算することによって目的性格データを算出する算出部（１５ｂ）と、行動データ、個人性格データおよび目的性格データを用いて、機械学習モデル（１４ｄ）の学習を行う学習部（１５ｃ）と、機械学習モデル（１４ｄ）を用いて、性格データが示す性格特性と行動データが示す行動特徴との関係を推定する推定部（１５ｄ）と、を備える。

Description

行動分析装置、行動分析方法および行動分析プログラム
　本発明は、行動分析装置、行動分析方法および行動分析プログラムに関する。
　人間の行動を心理的側面を表わす値を紐づけて分析することで、様々な便益がもたらされる。例えば、作業者（適宜、「利用者」）の性格特性を心理的側面を表わす値とし、その値（性格特性の強さ）に特徴的な行動を分析することが挙げられる。上記のような分析は、作業者の性格特性に従ってふるまいがどのように異なるかを明らかにし、作業者の性格特性を取得するだけで、予測されるふるまいに沿って業務をデザインする等の技術の実現につながることが期待される。
　上記のような分析においては、心理的側面を表わす値を潜在変数とみなす手法が有効である。例えば、作業者の性格特性の強さを潜在変数の値の１つとして、その値を変えながら典型的な行動を生成した結果を分析する技術がある。この技術では、性格特性の強さを表わす値と、計測ノイズ等を含む個人差を表わす値を別の潜在変数としてとることで、分析目的である顕著ではない性格特性の強さによる連続的な行動変化を、分析に際してノイズとなる顕著な個人差による非連続な行動センサデータの変化から分離して取り出すことが可能になる。
山下、蟹江、瀧本、小矢、片岡、大石、熊田　"敵対的生成ネットワークを用いた作業者の性格ごとの頭部・眼球運動の特徴可視化"　電子情報通信学会論文誌　D　Vol.　J105-D　No.4　pp.1-12
　しかしながら、上述した従来技術では、人間行動の分析を効果的に実行することが難しい。例えば、従来技術では、分析目的とする潜在変数の複数の次元間の値が無相関であることを前提としており、各特性の間に強い相関のある性格特性等を対象とする場合には問題が生じることがある。
　上述した課題を解決し、目的を達成するために、利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得部と、前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出部と、前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習部と、前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定部と、を備えることを特徴とする。
　また、本発明に係る行動分析方法は、行動分析装置によって実行される行動分析方法であって、利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得工程と、前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出工程と、前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習工程と、前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定工程と、を含むことを特徴とする。
　また、本発明に係る行動分析プログラムは、利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得手順と、前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出手順と、前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習手順と、前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定手順と、をコンピュータに実行させることを特徴とする。
　本発明では、人間行動の分析を効果的に実行することができる。
図１は、第１の実施形態に係る行動分析システムの構成例を示す図である。 図２は、第１の実施形態に係る行動分析装置の構成例を示すブロック図である。 図３は、第１の実施形態に係る行動分析処理の流れの一例を示すフローチャートである。 図４は、第１の実施形態に係るデータ取得処理の流れの一例を示すフローチャートである。 図５は、第１の実施形態に係る入力データ算出処理の流れの一例を示すフローチャートである。 図６は、第１の実施形態に係る学習処理の流れの一例を示すフローチャートである。 図７は、第１の実施形態に係るデータ推定処理の流れの一例を示すフローチャートである。 図８は、プログラムを実行するコンピュータを示す図である。
　以下に、本発明に係る行動分析装置、行動分析方法および行動分析プログラムの実施形態を図面に基づいて詳細に説明する。なお、本発明は、以下に説明する実施形態により限定されるものではない。
〔第１の実施形態〕
　以下に、第１の実施形態に係る行動分析システムの構成、行動分析装置の構成、行動分析処理の流れを順に説明し、最後に第１の実施形態の効果を説明する。
〔１．行動分析システム１００の構成〕
　図１を用いて、第１の実施形態に係る行動分析システム１００の構成を詳細に説明する。図１は、第１の実施形態に係る行動分析システム１００の構成例を示す図である。以下では、行動分析システム１００全体の構成例を示した上で、各処理について説明する。
（１－１．行動分析システム１００全体の構成例）
　行動分析システム１００は、行動分析装置１０を有する。また、行動分析システム１００には、行動分析装置１０が取得する性格データを含む回答データＡ、行動分析装置１０に行動データを提供する作業者である利用者Ｕが含まれる。なお、図１に示した行動分析システム１００には、複数台の行動分析装置１０が含まれてもよい。また、回答データＡを複数の利用者Ｕの回答結果を表わすものとして使用することがある。また、利用者Ｕを複数の作業者を表わすものとして使用することがある。
（１－２．行動分析システム１００の処理）
　以下に、行動分析システム１００の処理として、性格データ取得処理、行動データ取得処理、入力データ算出処理、モデル学習処理、データ推定処理について説明する。なお、下記の処理は、異なる順序で実行することもできる。また、下記の処理のうち、省略される処理があってもよい。
（１－２－１．性格データ取得処理）
　行動分析装置１０は、利用者Ｕの回答データＡから性格データを取得する（ステップＳ１）。例えば、行動分析装置１０は、利用者Ｕが回答した職業適性に関する回答データＡから性格データを取得する。
（１－２－２．行動データ取得処理）
　行動分析装置１０は、利用者Ｕから利用者Ｕの行動データを取得する（ステップＳ２）。例えば、行動分析装置１０は、作業中の利用者Ｕに設置したセンサから頭部運動の行動データと眼球運動の行動データとを取得する。
（１－２－３．入力データ算出処理）
　行動分析装置１０は、性格データと行動データとから入力データを算出する（ステップＳ３）。例えば、行動分析装置１０は、行動データを一定時間で分割した入力データを生成する。また、行動分析装置１０は、性格データから個人内平均値を算出した入力データを生成する。また、行動分析装置１０は、性格データを標準化し、個人内平均値を除算した入力データを生成する。
（１－２－４．モデル学習処理）
　行動分析装置１０は、入力データを用いて機械学習モデルの学習を行う（ステップＳ４）。例えば、行動分析装置１０は、敵対的生成ネットワーク（ＧＡＮ）を用いて、識別器（discriminator）および生成器（generator）の最適化を行う。
（１－２－５．データ推定処理）
　行動分析装置１０は、性格特性と行動特徴との関係を推定する（ステップＳ５）。例えば、行動分析装置１０は、目的とする性格特性の値を任意に変えながら頭部運動や眼球運動のセンサデータを生成する。
（１－３．行動分析システム１００の効果）
　以下では、従来の行動分析処理の問題点を説明した上で、行動分析システム１００の効果について詳細に説明する。
（１－３－１．従来の行動分析処理の問題点）
　従来の行動分析処理では、作業者の性格特性の強さを潜在変数の値の１つとして、その値を変えながら典型的な行動を生成した結果を分析する。このとき、性格特性の強さを表わす値と、計測ノイズ等を含む個人差を表わす値を別の潜在変数としてとることで、分析目的である顕著ではない性格特性の強さによる連続的な行動変化を、分析に際してノイズとなる顕著な個人差による非連続な行動センサデータの変化から分離して取り出すことが可能になる。
　上記のような手法が分析目的とする潜在変数は、複数の次元を持つ場合がある。例えば、性格特性として一般的なビッグファイブは、人間の性格を５つの特性の組合せによって表現しているので、「ある人の性格は、特性１は強いが、特性２は平均程度であり、・・・、特性５は弱い。」といった形で表現される。従来手法では、このような潜在変数の複数の次元間の値は、無相関であることを前提としている。そのため、例えば、各特性の間に強い相関のある性格特性等を対象として、従来技術を適用すると問題が生じる。
　潜在変数の複数次元間に相関が生じる場面の１つに、心理的な側面を表わす値が個人ごとに水準の異なる形で回答データから得られている状況がある。例えば、人の職業適性を性格特性として取得する場面においては、「自動車修理工」、「保険営業員」等の職業リストを回答者に提示し、「向いている」と回答した数を集計し、「機械工向き」、「営業員向き」等の適性を、それぞれに対応した職業名から性格として取得することがある。このような手続きによって得られるデータは、個人ごとに回答の水準が異なった回答データとなることが多い。
　具体的には、「自動車修理工」等の「機械工」適性に寄与する職業名に「向いている」と回答するが「保険営業員」等の「営業員」適性に寄与する職業名には回答しないといった職業適性の違いを判別させるような回答の個人内差だけではなく、「自動車修理工」に「向いている」と回答した場合に「保険営業員」にも「向いている」と回答しやすくなるといった個人間の「向いている」回答への水準の違いが含まれることが多い。このような性格特性をそのまま潜在変数としてとると、行動特徴の違いが「機械工」特性の強さの違いによるものか「営業員」特性の違いによるものかを分析モデルが判別することが困難になる。また、モデルが適切に特性ごとの行動特徴の違いを捉えることができても、「機械工」特性の強さを変えて行動を生成した結果の分析の差異に「営業員」特性の強さによる差異も含まれてしまい、分析上不都合が生じる。
　なお、上記の問題は、上述した従来の行動分析処理によって個人差を非連続な潜在変数として分離しても解決されない。これは、個人ごとの回答の水準は非連続ではなく、連続的な差であるためである。具体的には、非連続な個人差は特定の１人を識別可能とする行動特徴から定義される一方、個人ごとの回答の水準は複数の個人が「向いている」と回答しやすいなど、特定の１人を識別可能とする行動特徴とは結びつかない。そのため、従来の行動分析処理のように、非連続な個人差を分析対象とする連続的な潜在変数から分離する手法では対応できない。
（１－３－２．行動分析システム１００の概要）
　行動分析システム１００では、心理的な側面を表わす値が個人ごとに水準の異なる回答データから得られている状況において、複数の次元の値を潜在変数としてとることによって生じる問題を解決する。具体的には、行動分析システム１００では、目的とする心理的側面を表わす値（目的性格データ）と個人ごとの水準の値（個人性格データ）とを、別の次元として連続的な変数としてとる。このことを可能にするため、行動分析システム１００では、回答に対する個人内平均値を「個人ごとの回答の水準の値」とし、元の回答データから個人内平均値を除算した値を「心理的側面を表わす値」とする。すなわち、行動分析システム１００では、複数人に共通して連続的に変化するノイズを分離し、性格特性等の値を分析可能になる。
（１－３－３．行動分析システム１００の効果）
　以上より、行動分析システム１００は、職業リストに対する向き、不向き等の業務適性データは複数人に共通して特徴変化をもたらすノイズが生じがちであるが、そのような回答データを互いに無相関な性格特性のようにみなして、行動センサデータの特徴を分析することが可能となる。すなわち、行動分析システム１００は、互いに無相関な性格特性と行動特徴との関係を推定し、可視化することによって、人間行動の分析を効果的に実行することができる。
〔２．行動分析装置１０の構成〕
　図２を用いて、第１の実施形態に係る行動分析装置１０の構成例を詳細に説明する。図２は、第１の実施形態に係る行動分析装置１０の構成例を示すブロック図である。行動分析装置１０は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５を有する。
（２－１．入力部１１）
　入力部１１は、当該行動分析装置１０への各種情報の入力を司る。入力部１１は、例えば、マウスやキーボード等であり、当該行動分析装置１０への設定情報等の入力を受け付ける。
（２－２．出力部１２）
　出力部１２は、当該行動分析装置１０からの各種情報の出力を司る。出力部１２は、例えば、ディスプレイ等であり、当該行動分析装置１０に記憶された設定情報等を出力する。
（２－３．通信部１３）
　通信部１３は、他の装置との間でのデータ通信を司る。例えば、通信部１３は、各通信装置との間でデータ通信を行う。また、通信部１３は、図示しないオペレータの端末との間でデータ通信を行うことができる。
（２－４．記憶部１４）
　記憶部１４は、制御部１５が動作する際に参照する各種情報や、制御部１５が動作した際に取得した各種情報を記憶する。記憶部１４は、性格データ記憶部１４ａ、行動データ記憶部１４ｂ、入力データ記憶部１４ｃおよび機械学習モデル１４ｄを有する。ここで、記憶部１４は、例えば、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置等である。なお、図２の例では、記憶部１４は、行動分析装置１０の内部に設置されているが、行動分析装置１０の外部に設置されてもよいし、複数の記憶部が設置されていてもよい。
（２－４－１．性格データ記憶部１４ａ）
　性格データ記憶部１４ａは、利用者Ｕの回答した回答データＡから取得された性格データを記憶する。例えば、性格データ記憶部１４ａは、利用者Ｕの識別番号と対応付けされた職業適性に関する質問に対する回答を記憶する。また、性格データ記憶部１４ａは、利用者Ｕの識別番号と対応付けされたビッグファイブ（開放性、誠実性、外向性、協調性、神経症傾向）に関する質問に対する回答を記憶してもよい。
（２－４－２．行動データ記憶部１４ｂ）
　行動データ記憶部１４ｂは、利用者Ｕから取得された行動データを記憶する。例えば、行動データ記憶部１４ｂは、利用者Ｕの識別番号と対応付けされた頭部運動の時系列データ、眼球運動の時系列データを記憶する。
（２－４－３．入力データ記憶部１４ｃ）
　入力データ記憶部１４ｃは、機械学習モデル１４ｄに入力される入力データを記憶する。例えば、入力データ記憶部１４ｃは、一定時間に分割された行動データ、個人性格データ、目的性格データを記憶する。
（２－４－４．機械学習モデル１４ｄ）
　機械学習モデル１４ｄは、目的とする性格特性の値が入力されると頭部運動や眼球運動のセンサデータを出力する学習済みモデルである。また、機械学習モデル１４ｄは、頭部運動や眼球運動のセンサデータが入力されると目的とする性格特性の値を出力する学習済みモデルである。例えば、機械学習モデル１４ｄは、敵対的生成ネットワーク（Generative　Adversarial　Network：ＧＡＮ）、変分オートエンコーダ（Variational　AutoEncoder：ＶＡＥ）等の構造を有する学習済みモデルである。また、機械学習モデル１４ｄは、後述する制御部１５の算出部１５ｂによって算出された入力データを用いて学習した学習済みモデルである。
（２－５．制御部１５）
　制御部１５は、当該行動分析装置１０全体の制御を司る。制御部１５は、取得部１５ａ、算出部１５ｂ、学習部１５ｃおよび推定部１５ｄを有する。ここで、制御部１５は、例えば、ＣＰＵ（Central　Processing　Unit）やＭＰＵ（Micro　Processing　Unit）等の電子回路やＡＳＩＣ（Application　Specific　Integrated　Circuit）やＦＰＧＡ（Field　Programmable　Gate　Array）等の集積回路である。
（２－５－１．取得部１５ａ）
　取得部１５ａは、利用者Ｕの心理的側面を表わす潜在変数を含む性格データと、利用者Ｕの行動データとを取得する。例えば、取得部１５ａは、性格データとして、利用者Ｕの職業適性に関する回答データを取得する。このとき、取得部１５ａは、性格データとして、利用者Ｕの「機械工向き」、「営業向き」、「事務向き」等の職業適性に関する性格特性の値を取得する。また、取得部１５ａは、性格データとして、利用者Ｕの「開放性」、「誠実性」、「外向性」、「協調性」、「神経症傾向」のビッグファイブに関する性格特性の値を取得してもよい。
　一方、取得部１５ａは、行動データとして、利用者Ｕの頭部運動および眼球運動の時系列データを取得する。このとき、取得部１５ａは、利用者Ｕに設置された加速度センサおよび角速度センサから、空間上の３軸について頭部運動の時系列データを取得する。また、取得部１５ａは、利用者Ｕに設置された眼電位センサから、水平、垂直の２軸について眼球運動の時系列データを取得する。また、取得部１５ａは、カメラによって撮影された顔動画データやＰＣ（Personal　Computer）操作の履歴等から、利用者Ｕの頭部運動および眼球運動の時系列データを取得してもよい。
　なお、取得部１５ａは、取得した性格データを性格データ記憶部１４ａに格納する。また、取得部１５ａは、取得した行動データを行動データ記憶部１４ｂに格納する。
（２－５－２．算出部１５ｂ）
　算出部１５ｂは、性格データに基づいて個人内の潜在変数の平均値を個人性格データとして算出し、性格データから個人性格データを除算することによって目的性格データを算出する。すなわち、第１に、算出部１５ｂは、取得された性格データが示す性格特性の値である潜在変数を利用者Ｕごとに平均値を算出し、個人性格データ（個人水準ラベルデータ）とする。第２に、算出部１５ｂは、取得された性格データの全データについて、平均０、標準偏差１に変換する標準化を行う。このとき、算出部１５ｂは、個人間、個人内のいずれかの方向についての標準化でもなく、単純に全データについての平均０、標準偏差１となるように標準化を行う。第３に、算出部１５ｂは、性格データを標準化した値から、個人内平均値、つまり個人性格データを除算し、分析目的である目的性格データ（心理的側面ラベルデータ）とする。一方、算出部１５ｂは、取得された行動データを一定区間の時間幅を持つ移動窓で分割し、行動データに関する入力データを算出する。
　なお、算出部１５ｂは、算出した個人性格データおよび目的性格データを入力データ記憶部１４ｃに格納する。また、取得部１５ａは、分割した行動データを入力データ記憶部１４ｃに格納する。
（２－５－３．学習部１５ｃ）
　学習部１５ｃは、行動データ、個人性格データおよび目的性格データを用いて、機械学習モデル１４ｄの学習を行う。このとき、学習部１５ｃは、敵対的生成ネットワークを用いた機械学習モデル１４ｄの学習を行う。また、学習部１５ｃは、変分オートエンコーダを用いた機械学習モデル１４ｄの学習を行ってもよい。
　学習部１５ｃは、個人性格データおよび目的性格データに対して乱数を加算することによって正規分布に近づけ、乱数を加算した個人性格データおよび目的性格データからランダムにサンプリングした値を入力することによって機械学習モデル１４ｄの学習を行う。なお、モデル学習処理の詳細については、（３－４．モデル学習処理の流れ）で後述する。
（２－５－４．推定部１５ｄ）
　推定部１５ｄは、機械学習モデル１４ｄを用いて、性格データが示す性格特性と行動データが示す行動特徴との関係を推定する。例えば、推定部１５ｄは、目的とする性格特性の値を機械学習モデル１４ｄに入力し、機械学習モデル１４ｄから出力された頭部運動や眼球運動のセンサデータをグラフとして出力部１２に表示する。また、推定部１５ｄは、頭部運動や眼球運動のセンサデータを機械学習モデル１４ｄに入力し、目的とする性格特性の値を推定値として出力部１２に表示する。
〔３．行動分析処理の流れ〕
　図３～図７を用いて、第１の実施形態に係る行動分析処理の流れを詳細に説明する。以下では、行動分析処理全体の流れを説明した上で、各処理の流れとして、データ取得処理、入力データ算出処理、モデル学習処理、データ推定処理の順に説明する。
（３－１．行動分析処理全体の流れ）
　図３を用いて、行動分析処理全体の流れを説明する。図３は、第１の実施形態に係る行動分析処理の流れを示すフローチャートである。なお、下記のステップＳ１０１～Ｓ１０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ１０１～Ｓ１０４の処理のうち、省略される処理があってもよい。
　第１に、行動分析装置１０の取得部１５ａは、データ取得処理を実行する（ステップＳ１０１）。第２に、行動分析装置１０の算出部１５ｂは、入力データ算出処理を実行する（ステップＳ１０２）。第３に、行動分析装置１０の学習部１５ｃは、モデル学習処理を実行する（ステップＳ１０３）。第４に、行動分析装置１０の推定部１５ｄは、データ推定処理を実行し（ステップＳ１０４）、処理を終了する。
（３－２．データ取得処理の流れ）
　図４を用いて、取得部１５ａによるデータ取得処理の流れについて説明する。図４は、第１の実施形態に係るデータ取得処理の流れの一例を示すフローチャートである。以下では、性格データ取得処理（ステップＳ２０１）、行動データ取得処理（ステップＳ２０２～Ｓ２０３）の順に説明する。なお、下記のステップＳ２０１～Ｓ２０３の処理は、異なる順序で実行することもできる。また、下記のステップＳ２０１～Ｓ２０３の処理のうち、省略される処理があってもよい。
（３－２－１．性格データ取得処理）
　取得部１５ａは、回答データＡから性格データを取得する（ステップＳ２０１）。例えば、取得部１５ａは、利用者Ｕが回答した職業適性に関する回答データＡから性格データを取得する。
（３－２－２．行動データ取得処理）
　取得部１５ａは、加速度センサ、角速度センサから、頭部運動の時系列データを行動データとして取得する（ステップＳ２０２）。また、取得部１５ａは、眼電位センサから、眼球運動の時系列データを行動データとして取得する（ステップＳ２０３）。
（３－３．入力データ算出処理の流れ）
　図５を用いて、算出部１５ｂによる入力データ算出処理の流れについて説明する。図５は、第１の実施形態に係る入力算出処理の流れの一例を示すフローチャートである。以下では、行動データ分割処理（ステップＳ３０１）、個人性格データ算出処理（ステップＳ３０２）、目的性格データ算出処理（ステップＳ３０３～Ｓ３０４）の順に説明する。なお、下記のステップＳ３０１～Ｓ３０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ３０１～Ｓ３０４の処理のうち、省略される処理があってもよい。
（３－３－１．行動データ分割処理）
　算出部１５ｂは、行動データを一定区間の時間幅を持つ時間窓で分割し、入力データを生成する（ステップＳ３０１）。
（３－３－２．個人性格データ算出処理）
　算出部１５ｂは、性格データの個人内での平均値を個人性格データとして算出し、入力データを生成する（ステップＳ３０２）。
（３－３－３．目的性格データ算出処理）
　第１に、算出部１５ｂは、性格データの全データを標準化する（ステップＳ３０３）。第２に、算出部１５ｂは、標準化した性格データから個人性格データを除算して目的性格データとして算出し、入力データを生成する（ステップＳ３０４）。
（３－３－４．性格データの標準化について）
　上述した目的性格データ算出処理における標準化について説明する。上記のステップＳ３０３の処理で実行される標準化は、個人間標準化ではなく、個人内標準化でもなく、全変数を対象として、それらが平均０、標準偏差１となるようにモデル学習のために標準化する処理である。なお、上記のステップＳ３０３の処理において個人内標準化を行うと、個人内における相対的な変数の大小のみの値に変換され、個人ごとの性格特性の高低の違いに関する情報が消失してしまうので、第１の実施形態に係る行動分析処理では適用することができない。また、上記のステップＳ３０３の処理において個人間標準化を行うと、個人内標準化とは逆に個人内の相対的な性格特性の高低についての情報が消失してしまうので、第１の実施形態に係る行動分析処理では適用することができない。
（３－４．モデル学習処理の流れ）
　図６を用いて、学習部１５ｃによるモデル学習処理の流れについて説明する。図６は、第１の実施形態に係るモデル学習処理の流れの一例を示すフローチャートである。以下では、モデル学習処理の前提について説明した上で、識別器最適化処理（ステップＳ４０１～Ｓ４０５）、生成器最適化処理（ステップＳ４０６～Ｓ４０９）、モデル学習処理の効果の順に説明する。なお、下記のステップＳ４０１～Ｓ４０９の処理は、異なる順序で実行することもできる。また、下記のステップＳ４０１～Ｓ４０９の処理のうち、省略される処理があってもよい。
（３－４－１．モデル学習処理の前提）
　以下では、第１の実施形態に係るモデル学習処理において、心理的側面を表わす潜在変数をサンプリングする確率分布として、よく用いられる正規分布を用いることができない場合への対応策を説明する。まず、第１の実施形態に係るモデル学習処理では、人間にも理解可能な少数の因子により、行動センサデータのような高次元データを説明する、機械学習の分野で「紐解き（disentanglement）」と呼ばれる技術を利用する。このような技術では、潜在変数をある確率分布からサンプリングし、潜在変数と行動特徴との関係を紐づける学習を行う必要がある。この際、一般には正規分布等の確率分布からサンプリングを行い、そのために心理的側面を表わす値に、事前に個人間標準化を行うことが多い。例えば、各心理的側面を表わす値を平均０、標準偏差１となるように変換する。
　しかし、心理的側面を表わす値に対して個人内平均値を除算する（個人間で一種の標準化を行う）処理と、個人間標準化とは両立できない。例えば、このような処理を行うと、各心理的側面を表わす値が平均０、標準偏差１に従わなくなる。この差異が非常に大きい場合、事前に想定した正規分布（例えば、平均０、標準偏差１の正規分布）から潜在変数のサンプリングを行うことが難しくなる場合がある。このような場合に、第１の実施形態に係るモデル学習処理では、各心理的側面を表わす値の分布を元にしてサンプリングを行うようにすることができる。
（３－４－２．識別器最適化処理）
　第１に、学習部１５ｃは、個人性格データ、目的性格データからランダムに連続変数をサンプリングする（ステップＳ４０１）。第２に、学習部１５ｃは、サンプリングした連続変数を生成器に入力し、行動データを生成させる（ステップＳ４０２）。
　上記のステップＳ４０１～Ｓ４０２の処理では、学習部１５ｃは、性格特性等を表わすことを期待した連続値（目的性格データ）と、各個人内での性格特性の値等についての平均値を表わすことを期待した連続値（個人性格データ）との潜在変数として、各性格特性値等の実際の分布と、各個人内での性格特性の値等についての平均値の分布とから、ランダムサンプリングした連続変数を生成器に入力し、行動データを生成させる。このとき、学習部１５ｃは、元分布に微細なランダム値（乱数）を加えたものからサンプリングすることによって、学習の容易化のために分布を正規分布に近づける処理を行ってもよい。
　第３に、学習部１５ｃは、「生成データ」または「実データ」の判別を行う経路において、生成器が生成した行動データを識別器に入力し、当該データを識別器が「生成データ」と判別するように誤差の評価と逆伝播を実行する（ステップＳ４０３）。第４に、学習部１５ｃは、「生成データ」または「実データ」の判別を行う経路において、入力データである実行動データを識別器に入力し、当該データを識別器が「実データ」と判別するように誤差の評価と逆伝播を実行する（ステップＳ４０４）。
　第５に、学習部１５ｃは、入力した行動データに対応した性格データを識別器が推定するように誤差の評価と逆伝播を実行する（ステップＳ４０５）。すなわち、上記のステップＳ４０５の処理では、敵対的生成ネットワークに通常備わった経路に加え、性格特性等を表わすことを期待した連続値と、各個人内での性格特性の値等についての平均値を表わすことを期待した連続値との推定を行う経路を識別器に追加し、二乗誤差関数等を用いて誤差の評価と逆伝播を実行する。
（３－４－３．生成器最適化処理）
　第１に、学習部１５ｃは、個人性格データ、目的性格データからランダムに連続変数をサンプリングする（ステップＳ４０６）。第２に、学習部１５ｃは、サンプリングした連続変数を生成器に入力し、行動データを生成する（ステップＳ４０７）。第３に、学習部１５ｃは、「生成データ」または「実データ」の判別を行う経路において、生成器が生成した行動データを識別器に入力し、当該データを識別器が「実データ」と判別するように誤差の評価と逆伝播を実行する（ステップＳ４０８）。
　第４に、学習部１５ｃは、生成器が生成した行動データの元である性格データを推定するように誤差の評価と逆伝播を実行する（ステップＳ４０９）。上記のステップＳ４０９の処理のように、性格特性等を表わすことを期待した連続値と、各個人内での性格特性の値等についての平均値を表わすことを期待した連続値とを推定する経路では、データ生成時にサンプリングされたそれらの値を推定するように、二乗誤差関数等を用いて誤差の評価と逆伝播を実行する。
　上記の生成器最適化処理を実行することによって、機械学習モデル１４ｄの生成器は、潜在変数の値を変えながらデータ生成を行った際、それが性格特性等を表わす値や、各個人内での性格特性の値等についての平均値を表わす値に紐づいた行動特徴の違いを説明する、すなわち行動特徴の違いを生成データ上で再現することが可能となる。
（３－４－４．モデル学習処理の効果）
　上述したモデル学習処理によって学習された生成器を用いることで、性格特性等を表現する連続値、各個人内での性格特性の値等についての平均値を表現する連続値の２つを任意に指定して行動データの生成が可能となる。また、当該生成器を用いて、目的とする性格特性等の値を表現する連続値の値を任意に変えながら頭部運動や眼球運動の行動センサデータを生成することで、個人ごとの回答の水準の違いに影響を受けず、目的とする性格特性等の値と行動特徴の関係を分析することが可能となる。
（３－５．データ推定処理の流れ）
　図７を用いて、推定部１５ｄによるデータ推定処理の流れについて説明する。図７は、第１の実施形態に係るデータ推定処理の流れの一例を示すフローチャートである。以下では、行動データ推定処理（ステップＳ５０１～Ｓ５０２）、性格データ推定処理（ステップＳ５０３～Ｓ５０４）、データ推定処理の効果の順に説明する。なお、下記のステップＳ５０１～Ｓ５０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ５０１～Ｓ５０４の処理のうち、省略される処理があってもよい。
（３－５－１．行動データ推定処理）
　第１に、推定部１５ｄは、学習済みの機械学習モデル１４ｄに性格データを入力する（ステップＳ５０１）。第２に、推定部１５ｄは、学習済みの機械学習モデル１４ｄから出力された行動データを推定結果として表示する（ステップＳ５０２）。
（３－５－２．性格データ推定処理）
　第１に、推定部１５ｄは、学習済みの機械学習モデル１４ｄに行動データを入力する（ステップＳ５０３）。第２に、推定部１５ｄは、学習済みの機械学習モデル１４ｄから出力された性格データを推定結果として表示する（ステップＳ５０４）。
（３－５－３．データ推定処理の効果）
　上述したデータ推定処理によって、センサデータ等の行動データから性格特性の強さを推定できるだけでなく、性格特性の強さを変えながらセンサデータ等の行動データを生成することができる。このようにして生成したデータを介して、性格特性と行動特徴との関係を可視化することができる。
〔４．第１の実施形態の効果〕
　最後に、第１の実施形態の効果について説明する。以下では、第１の実施形態に係る処理に対応する効果１～５について説明する。
（４－１．効果１）
　上述した第１の実施形態では、利用者Ｕの心理的側面を表わす潜在変数を含む性格データと、利用者Ｕの行動データとを取得し、性格データに基づいて個人内の潜在変数の平均値を個人性格データとして算出し、性格データから個人性格データを除算することによって目的性格データを算出し、行動データ、個人性格データおよび目的性格データを用いて機械学習モデル１４ｄの学習を行い、機械学習モデル１４ｄを用いて性格データが示す性格特性と行動データが示す行動特徴との関係を推定する。このため、第１の実施形態では、人間行動の分析を効果的に実行することができる。
（４－２．効果２）
　上述した第１の実施形態では、敵対的生成ネットワークを用いた機械学習モデル１４ｄの学習を行う。このため、第１の実施形態では、より高精度に性格特性と行動特徴との関係を推定することによって、人間行動の分析を効果的に実行することができる。
（４－３．効果３）
　上述した第１の実施形態では、個人性格データおよび目的性格データに対して乱数を加算することによって正規分布に近づけ、乱数を加算した個人性格データおよび目的性格データからランダムにサンプリングした値を入力することによって機械学習モデル１４ｄの学習を行う。このため、第１の実施形態では、実データの分布からサンプリングを行うことによって、人間行動の分析を効果的に実行することができる。
（４－４．効果４）
　上述した第１の実施形態では、性格データとして、利用者Ｕの職業適性に関する回答データを取得する。このため、第１の実施形態では、職業適性に関する人間行動の分析を効果的に実行することができる。
（４－５．効果５）
　上述した第１の実施形態では、行動データとして、利用者Ｕの頭部運動および眼球運動の時系列データを取得する。このため、第１の実施形態では、オフィス作業等の人間行動の分析を効果的に実行することができる。
〔システム構成等〕
　上記実施形態に係る図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のごとく構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
　また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
〔プログラム〕
　また、上記実施形態において説明した行動分析装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。この場合、コンピュータがプログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかるプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。
　図８は、プログラムを実行するコンピュータを示す図である。図８に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインターフェース１０３０と、ディスクドライブインターフェース１０４０と、シリアルポートインターフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインターフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。
　メモリ１０１０は、図８に例示するように、ＲＯＭ（Read　Only　Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインターフェース１０３０は、図８に例示するように、ハードディスクドライブ１０９０に接続される。ディスクドライブインターフェース１０４０は、図８に例示するように、ディスクドライブ１１００に接続される。例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインターフェース１０５０は、図８に例示するように、例えば、マウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、図８に例示するように、例えばディスプレイ１１３０に接続される。
　ここで、図８に例示するように、ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記のプログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えば、ハードディスクドライブ１０９０に記憶される。
　また、上記実施形態で説明した各種データは、プログラムデータとして、例えば、メモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、各種処理手順を実行する。
　なお、プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local　Area　Network）、ＷＡＮ（Wide　Area　Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインターフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
　上記の実施形態やその変形は、本願が開示する技術に含まれると同様に、請求の範囲に記載された発明とその均等の範囲に含まれるものである。
　１０　行動分析装置
　１１　入力部
　１２　出力部
　１３　通信部
　１４　記憶部
　１４ａ　性格データ記憶部
　１４ｂ　行動データ記憶部
　１４ｃ　入力データ記憶部
　１４ｄ　機械学習モデル
　１５　制御部
　１５ａ　取得部
　１５ｂ　算出部
　１５ｃ　学習部
　１５ｄ　推定部
　１００　行動分析システム

Claims (7)

  1. 　利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得部と、
    　前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出部と、
    　前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習部と、
    　前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定部と、
    　を備えることを特徴とする行動分析装置。
  2. 　前記学習部は、
    　敵対的生成ネットワークを用いた前記機械学習モデルの学習を行う、
    　ことを特徴とする請求項１に記載の行動分析装置。
  3. 　前記学習部は、
    　前記個人性格データおよび前記目的性格データに対して乱数を加算することによって正規分布に近づけ、前記乱数を加算した前記個人性格データおよび前記目的性格データからランダムにサンプリングした値を入力することによって前記機械学習モデルの学習を行う、
    　ことを特徴とする請求項１に記載の行動分析装置。
  4. 　前記取得部は、
    　前記性格データとして、前記利用者の職業適性に関する回答データを取得する、
    　ことを特徴とする請求項１に記載の行動分析装置。
  5. 　前記取得部は、
    　前記行動データとして、前記利用者の頭部運動および眼球運動の時系列データを取得する、
    　ことを特徴とする請求項１に記載の行動分析装置。
  6. 　行動分析装置によって実行される行動分析方法であって、
    　利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得工程と、
    　前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出工程と、
    　前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習工程と、
    　前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定工程と、
    　を含むことを特徴とする行動分析方法。
  7. 　利用者の心理的側面を表わす潜在変数を含む性格データと、前記利用者の行動データとを取得する取得手順と、
    　前記性格データに基づいて個人内の前記潜在変数の平均値を個人性格データとして算出し、前記性格データから前記個人性格データを除算することによって目的性格データを算出する算出手順と、
    　前記行動データ、前記個人性格データおよび前記目的性格データを用いて、機械学習モデルの学習を行う学習手順と、
    　前記機械学習モデルを用いて、前記性格データが示す性格特性と前記行動データが示す行動特徴との関係を推定する推定手順と、
    　をコンピュータに実行させることを特徴とする行動分析プログラム。
PCT/JP2022/023385 2022-06-09 2022-06-09 行動分析装置、行動分析方法および行動分析プログラム WO2023238360A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023385 WO2023238360A1 (ja) 2022-06-09 2022-06-09 行動分析装置、行動分析方法および行動分析プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/023385 WO2023238360A1 (ja) 2022-06-09 2022-06-09 行動分析装置、行動分析方法および行動分析プログラム

Publications (1)

Publication Number Publication Date
WO2023238360A1 true WO2023238360A1 (ja) 2023-12-14

Family

ID=89117834

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/023385 WO2023238360A1 (ja) 2022-06-09 2022-06-09 行動分析装置、行動分析方法および行動分析プログラム

Country Status (1)

Country Link
WO (1) WO2023238360A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003058783A (ja) * 2001-08-21 2003-02-28 Toppan Printing Co Ltd 心理特性による選好予測サーバ、心理特性による選好予測方法、心理特性による選好予測プログラムを記録した記録媒体
WO2021024824A1 (ja) * 2019-08-08 2021-02-11 日本電信電話株式会社 回答スタイル成分除去装置、回答スタイル成分除去方法、プログラム
JP2021140386A (ja) * 2020-03-04 2021-09-16 日本電信電話株式会社 行動推定装置、行動推定方法および行動推定プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003058783A (ja) * 2001-08-21 2003-02-28 Toppan Printing Co Ltd 心理特性による選好予測サーバ、心理特性による選好予測方法、心理特性による選好予測プログラムを記録した記録媒体
WO2021024824A1 (ja) * 2019-08-08 2021-02-11 日本電信電話株式会社 回答スタイル成分除去装置、回答スタイル成分除去方法、プログラム
JP2021140386A (ja) * 2020-03-04 2021-09-16 日本電信電話株式会社 行動推定装置、行動推定方法および行動推定プログラム

Similar Documents

Publication Publication Date Title
Peng et al. Where do emotions come from? predicting the emotion stimuli map
Wiese et al. It matters to me if you are human-examining categorical perception in human and nonhuman agents
Maher et al. Computational models of surprise in evaluating creative design
Scherbaum et al. Process dynamics in delay discounting decisions: An attractor dynamics approach
JP6187902B2 (ja) 知的生産性分析装置、プログラム
EP3617964A1 (en) Performance measurement device, performance measurement method and performance measurement program
Fahmy et al. Supporting deep neural network safety analysis and retraining through heatmap-based unsupervised learning
Shayesteh et al. Workers’ trust in collaborative construction robots: EEG-based trust recognition in an immersive environment
Prudêncio et al. Analysis of instance hardness in machine learning using item response theory
WO2023238360A1 (ja) 行動分析装置、行動分析方法および行動分析プログラム
Kotova Management of cognitive load in integrated educational environment taking into account the factor of visual uncertainty
Zakharova et al. Quantitative assessment of cognitive interpretability of visualization
AU2016247853A1 (en) Requirements determination
Suresh et al. Predicting the e-learners learning style by using support vector regression technique
Walsh et al. Differentiating ‘human in the loop’decision process
JP7459885B2 (ja) ストレス分析装置、ストレス分析方法、及びプログラム
Gambo et al. A conceptual framework for detection of learning style from facial expressions using convolutional neural network
JP2022186422A (ja) 分類装置、分類方法、及び、分類プログラム
Song et al. Deep learning-based assessment of facial periodic affect in work-like settings
Costa et al. Anchoring effect in managerial decision-making in accountants and managers: an experimental study
Chittaranjan et al. Exploiting observers' judgements for nonverbal group interaction analysis
JP2021140386A (ja) 行動推定装置、行動推定方法および行動推定プログラム
Ahmad et al. How Do We Read Formal Claims? Eye-Tracking and the Cognition of Proofs about Algorithms
JP6319820B2 (ja) 属性要因分析方法、装置、およびプログラム
Durães et al. Enriching behavior patterns with learning styles using peripheral devices

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22945861

Country of ref document: EP

Kind code of ref document: A1