特開 2021-179489 学習支援装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-179489(P2021-179489A)

(43)【公開日】2021年11月18日

(54)【発明の名称】学習支援装置

(51)【国際特許分類】

   G09B 5/08 20060101AFI20211022BHJP

   G09B 19/00 20060101ALI20211022BHJP

   G09B 7/04 20060101ALI20211022BHJP

   G06Q 50/20 20120101ALI20211022BHJP

   G06N 20/00 20190101ALI20211022BHJP

   G06N 3/02 20060101ALI20211022BHJP

【ＦＩ】

   G09B5/08

   G09B19/00 H

   G09B7/04

   G06Q50/20

   G06N20/00 130

   G06N20/00

   G06N3/02

【審査請求】有

【請求項の数】5

【出願形態】ＯＬ

【全頁数】27

(21)【出願番号】特願2020-83798(P2020-83798)

(22)【出願日】2020年5月12日

(11)【特許番号】特許第6738000号(P6738000)

(45)【特許公報発行日】2020年8月12日

(71)【出願人】

【識別番号】519355895

【氏名又は名称】株式会社ＨＲコミュニケーション

(74)【代理人】

【識別番号】100120868

【弁理士】

【氏名又は名称】安彦 元

(72)【発明者】

【氏名】藤巻 勇輝

【テーマコード（参考）】

2C028

5L049

【Ｆターム（参考）】

2C028AA12

2C028BA01

2C028BB04

2C028BC01

2C028BC02

2C028BC04

5L049CC34

(57)【要約】

【課題】使用者が学習効率の高い行動を通して意図した能力を高めやすく成長しやすい学習支援装置を提供する。
【解決手段】過去の使用者の属性に関する参照用属性情報及びスキル計測のためのテストの結果に関する参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶する記憶手段と、記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して実行したスキル計測のためのテストの結果に関するチェックテスト情報を取得する情報取得手段と、モデル生成手段により生成された選定モデルを用いて、情報取得手段により取得された属性情報とチェックテスト情報とから推定される行動詳細の種類を提示する提示手段とを備える。
【選択図】図１４

【特許請求の範囲】

【請求項1】

使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、
過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して実行したスキル計測のためのテストの結果に関する参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶する記憶手段と、
前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、
新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して実行したスキル計測のためのテストの結果に関するチェックテスト情報を取得する情報取得手段と、
前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報とチェックテスト情報とから推定される行動詳細の種類を提示する提示手段とを備えること
を特徴とする学習支援装置。

【請求項2】

前記記憶手段は、前記参照用属性情報、前記参照用チェックテスト情報、前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶し、
前記モデル生成手段は、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報、参照用チェックテスト情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成し、
前記情報取得手段は、更に当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得し、
前記提示手段は、前記情報取得手段により取得された属性情報とチェックテスト情報と達成度合情報とから推定される行動詳細の種類を提示すること
を特徴とする請求項１記載の学習支援装置。

【請求項3】

前記記憶手段は、提示すべき行動詳細の種類に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補の種類を記憶し、
前記モデル生成手段により生成された選定モデルにおいてより入力に対する重み付けの小さい出力としての行動詳細の種類を行動詳細候補に降格させるとともに、前記行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させる昇降処理手段を更に備えること
を特徴とする請求項１又は２記載の学習支援装置。

【請求項4】

前記記憶手段は、前記参照用達成度合情報として、各アクションの達成率、各アクションの改善速度、各アクションへの回答速度の何れか１以上を取得し、
上記情報取得手段は、前記達成度合情報として各アクションの達成率、各アクションの改善速度、各アクションへの回答速度の何れか１以上のうち、前記参照用達成度合情報に対応したものを取得すること
を特徴とする請求項２記載の学習支援装置。

【請求項5】

前記モデル生成手段は、生成した選定モデルにおける入力にする出力の重み付けを行動詳細の各種類の選定率に基づいて設定すること
を特徴とする請求項１〜４のうち何れか１項記載の学習支援装置。

【請求項6】

使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、
過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶する記憶手段と、
前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、
新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得する情報取得手段と、
前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報と達成度合情報とから推定される行動詳細の種類を提示する提示手段とを備えること
を特徴とする学習支援装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施の形態は、学習支援装置に関する。

【背景技術】

【0002】

例えば特許文献１には、経験を学習に変えて体験者による経験情報の入力を誘引する情報処理装置が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１５−２２８１３０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら特許文献１に記載されたような従来の装置では、装置の使用者がある能力を高めたいといった課題を明確に把握している場合においても、課題に対して適切な行動を特定し提案するといったことはなされていない。

【0005】

このため、特許文献１に記載されたような従来の装置では、使用者が必ずしも成長しやすいとはいえないという課題がある。

【0006】

本発明の実施の形態は、使用者が学習効率の高い行動を通して意図した能力を高めやすく成長しやすい学習支援装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明に係る学習支援装置は、使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、
過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して実行したスキル計測のためのテストの結果に関する参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶する記憶手段と、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して実行したスキル計測のためのテストの結果に関するチェックテスト情報を取得する情報取得手段と、前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報とチェックテスト情報とから推定される行動詳細の種類を提示する提示手段とを備えることを特徴とする。

【0008】

本発明に係る学習支援装置は、使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶する記憶手段と、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得する情報取得手段と、前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報と達成度合情報とから推定される行動詳細の種類を提示する提示手段とを備えることを特徴とする。

【発明の効果】

【0009】

本発明によれば使用者が学習を通して意図した能力を高めやすく成長しやすい学習支援装置を実現できる。

【図面の簡単な説明】

【0010】

【図1】図１は、本実施の形態による学習支援装置の構成を示すブロック図である。

【図2】図２は、本実施の形態による行動詳細リストテーブルを示す図である。

【図3】図３は、本実施の形態による業種、職種及び役職の一覧を格納するテーブルを示す図である。

【図4】図４は、本実施の形態による不登録行動詳細リストテーブル、類似行動詳細リストテーブル及び個人別行動詳細リストテーブルを示す図である。

【図5】図５は、本実施の形態による初回設定の際の初回設定画面を示す図である。

【図6】図６は、本実施の形態による回答の際の回答画面を示す図である。

【図7】図７は、本実施の形態による確認の際の確認画面を示す図である。

【図8】図８は、本実施の形態による２回目以降の設定の際の設定画面を示す図である。

【図9】図９は、本実施の形態による学習支援処理の処理手順を示すフローチャートである。

【図10】図１０は、本実施の形態によるパラメータ算出処理の処理手順を示すフローチャートである。

【図11】図１１は、本実施の形態による難易度更新処理の処理手順を示すフローチャートである。

【図12】図１２は、本実施の形態によるレコメンド選定処理の処理手順を示すフローチャートである。

【図13】図１３は、本実施の形態による行動詳細登録処理の処理手順を示すフローチャートである。

【図14】図１４は、参照用属性情報と、参照用チェックテスト情報との組み合わせた選定モデルについて説明するための図である。

【図15】図１５は、更に参照用達成度情報を組み合わせた選定モデルについて説明するための図である。

【図16】図１６は、行動詳細に加え、行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補を更に作りこむ例について説明するための図である。

【図17】図１７は、参照用属性情報と参照用達成度合情報の２つを入力変数とした連関度を利用する例について説明するための図である。

【発明を実施するための形態】

【0011】

第１実施形態
以下図面を用いて、本発明の第１実施形態の一態様を詳述する。

【0012】

図１は、本実施の形態による学習支援装置１の構成を示すブロック図である。図１に示すように、本実施の形態による学習支援装置１は、中央演算装置２、主記憶装置３及び補助記憶装置２０を備える。

【0013】

中央演算装置２は、例えばＣＰＵ（Central Processing Unit）であって、主記憶装置３に記憶されたプログラムを呼び出すことで処理を実行する。主記憶装置３は、例えばＲＡＭ（Random Access Memory）であって、後述の行動詳細設定部４、取得部５、行動詳細登録部６、パラメータ算出部７、難易度更新部８及びレコメンド選定部９といったプログラムを記憶する。

【0014】

補助記憶装置２０は、例えばＳＳＤ（Solid State Drive）やＨＤＤ（Hard Disk Drive）であって、後述の行動詳細リストテーブルＴＢ１、不登録行動詳細リストテーブルＴＢ５、類似行動詳細リストテーブルＴＢ６及び個人別行動詳細リストテーブルＴＢ７といったテーブルを記憶する。

【0015】

学習支援装置１は、使用者が行う内容が記載された行動詳細を提示することで使用者の学習を支援する。行動詳細には難易度が設定される。使用者は、例えば個々の端末を用いて学習支援装置１と通信を行い、個々の端末上で操作を行う。個々の端末とは例えばパーソナルコンピュータやスマートフォンなどとする。

【0016】

例えば経済産業省が提唱した社会人基礎力の能力要素である主体性を例に以下の説明を行う。行動詳細とは、例えば「誰かに仕事の相談をする際には、自分なりに一案用意した上で相談する。」とする。

【0017】

行動詳細設定部４は、第１の所定の周期で、複数の行動詳細が提示される設定画面を提示し使用者が設定画面において設定する行動詳細に基づいて、第１の所定の周期の期間中に使用者が行う行動詳細を設定する。具体的には、第１の所定の周期とは１カ月とし、行動詳細設定部４は、初回設定の際を除いては、例えば毎月１日の午前８時などの決まった時間である第１の所定のタイミングで、行動詳細を設定する。

【0018】

取得部５は、第１の所定の周期よりも短い第２の所定の周期で、行動詳細の設定に基づいて使用者に対して行動詳細の提示を行い、期間中に使用者によって回答される実施の状況を取得する。

【0019】

具体的には、実施の状況とは、例えば行動詳細に記載された内容を達成できたか否かとする。また例えば第２の所定の周期とは毎日とする。なお取得部５は、毎日の例えば１７時などの決まった時間である所定のタイミングまでに使用者から回答がない場合は、使用者に対して回答するようにメールなどを送付する。

【0020】

行動詳細登録部６は、第１の所定の周期で、使用者によって追加された任意の行動詳細を取得し、例えば機械学習を利用することで統一された記載へと変更して別の使用者に提示する。

【0021】

なお行動詳細登録部６は、機械学習を利用することで統一された記載へと変更された行動詳細に関して、機械学習を利用することで後述の対象者属性の各項目を設定する。行動詳細を追加した使用者には、追加した内容そのままが行動詳細として提示される。

【0022】

このため後述の個人別行動詳細リストテーブルＴＢ７には追加した内容そのままが行動詳細として保持され、後述の行動詳細リストテーブルＴＢ１には統一された記載が行動詳細として保持される。

【0023】

パラメータ算出部７は、第１の所定の周期で、実施の状況に基づいて使用者のそれぞれについて複数のパラメータを算出する。具体的には、例えば複数のパラメータは、平均達成率及び平均改善速度とする。

【0024】

平均達成率は、期間中における実施の状況から算出される達成できたか否かの割合である達成率の複数の使用者の平均値である。また平均改善速度は、期間中の前半から後半にかけて達成できることが増えていっているかどうかの指標である改善速度の複数の使用者の平均値である。

【0025】

難易度更新部８は、第１の所定の周期で、複数のパラメータに基づいて行動詳細の難易度を更新する。具体的には、難易度は複数の大区分と複数の小区分とからなり、それぞれの大区分は複数の同数の小区分からなり、大区分及び小区分は平均改善速度及び平均達成率に基づいて更新される。

【0026】

レコメンド選定部９は、第１の所定の周期で、難易度に基づいて使用者に提示する行動詳細の内容を選定する。具体的には、レコメンド選定部９は、能力要素毎に使用者が設定した複数の行動詳細の難易度の平均である平均難易度を算出し、平均難易度と同じ難易度の行動詳細を３つ選定し、平均難易度から小区分において１段階ずつ上下の行動詳細を選定する。

【0027】

次に本実施の形態による行動詳細リストテーブルＴＢ１を示す図である図２を用いて行動詳細に紐づけられている項目について説明する。行動詳細リストテーブルＴＢ１に示すように、それぞれの行動詳細は、能力要素、難易度、平均達成率、平均改善速度、対象者属性及び登録者属性と紐づけられている。

【0028】

行動詳細と紐づけられている各項目について説明する。行動詳細は、例えば番号などでのＩＤ情報で管理される。社会人基礎力を例に説明しているので、能力要素のそれぞれの欄に格納される値としては、主体性の他には、例えば働きかけ力や実行力といった内容が挙げられる。なお１２の能力要素のいずれにも属さない行動詳細についてはその他に分類されるものとする。

【0029】

難易度は、例えば大区分として、簡単区分（以下、これをＡ区分と呼んでもよい）、やりがい区分（以下、これをＢ区分と呼んでもよい）及び難しい区分（以下、これをＣ区分と呼んでもよい）の３区分とする。また小区分として、１レベル、２レベル、３レベルの３区分とする。

【0030】

このため、例えば難易度のそれぞれの欄には、簡単なものから難しいものの順にＡ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３、Ｃ１、Ｃ２及びＣ３となり、９段階の値のいずれか１つが格納される。なお例えばＡ１は、Ａ区分の１レベルを指すものとする。

【0031】

平均達成率のそれぞれの欄には、０〜１００の値が格納される。平均達成率のそれぞれの欄に格納される値は、一ヶ月間において、何回実行したうちの何回が達成できたかを示す使用者毎の達成率を平均した値である。なお対象となる行動詳細を実施した使用者が３８５人以上いた場合は、計算負荷を減らすため３８５人分をランダムに選択する。

【0032】

平均改善速度には、０〜１の値が格納される。平均改善速度のそれぞれの欄に格納される値は、一ヶ月間において、横軸を日付とし、縦軸を達成可否とした際の回帰係数を示す使用者毎の改善速度を平均した値である。

【0033】

なお対象となる行動詳細を実施した使用者が３８５人以上いた場合は、計算負荷を減らすため３８５人分をランダムに選択する。また達成可否は、例えば、達成できた場合を１とし、達成できなかった場合を０とする。

【0034】

対象者属性は、業種、職種、役職及びチェックテスト点数といった項目を備える。レコメンド選定部９は、対象者属性をすべて満たす行動詳細を選定する。例えば番号が１の行動詳細を例にすると、業種がＡ〜Ｔのいずれかであって、職種がＡ〜Ｋのいずれかであって、役職がＡ〜Ｊのいずれかであって、チェックテストの点数が０〜１０の範囲である使用者に対して、レコメンド選定部９は、番号が１の行動詳細を選ぶ。なおレコメンド選定部９は、対象者属性だけでは候補が絞り切れない場合は、登録者属性を参照して、行動詳細を選ぶ。

【0035】

ここで本実施の形態による業種、職種及び役職の一覧を格納するテーブルＴＢ２〜ＴＢ４を示す図である図３を用いて対象者属性の各項目について説明する。業種は、テーブルＴＢ２に示すように、符号Ａが農業・林業を指す、符号Ｂが漁業を指す、といったように、符号Ａ〜Ｔで示される。

【0036】

職種は、テーブルＴＢ３に示すように、符号Ａが管理的職業を指す、符号Ｂが専門・技術的職業を指す、といったように、符号Ａ〜Ｋで表される。役職は、テーブルＴＢ４に示すように、符号Ａが代表取締役社長を指す、符号Ｂが専務取締役を指す、といったように符号Ａ〜Ｊで示される。

【0037】

チェックテスト点数は、社会人基礎力のスキル計測のためのテストの結果を示す。例えば社会人基礎力のスキル計測のためのテストは、主体性や働きかけ力などといった１２つの能力要素がそれぞれ１０点ずつの配点で計１２０点とする。

【0038】

登録者属性は、業種、職種、役職及びチェックテスト点数といった項目を備える。行動詳細登録部６は、使用者が任意の行動詳細を追加する際に、使用者の業種、職種、役職及びチェックテスト点数といった情報を取得して、行動詳細と紐づけ、行動詳細リストテーブルＴＢ１に格納する。なお使用者毎の業種、職種及びチェックテスト点数といった対象者属性や登録者属性の各情報は、使用者が初回設定を行う初回設定の際に取得部５が取得する。

【0039】

登録者属性が備える業種、職種、役職及びチェックテスト点数といった項目に関しては、対象者属性が備える業種、職種、役職及びチェックテスト点数といった項目と同様であるため、説明を省略する。

【0040】

次に本実施の形態による不登録行動詳細リストテーブルＴＢ５、類似行動詳細リストテーブルＴＢ６及び個人別行動詳細リストテーブルＴＢ７を示す図である図４を用いて説明を行う。

【0041】

行動詳細登録部６は、不登録行動詳細リストテーブルＴＢ５に示すような学習内容として汎用性がない不登録行動詳細の欄に格納されている行動詳細を取得すると、行動詳細を行動詳細リストテーブルＴＢ１には保持しない。

【0042】

例えば不登録行動詳細リストテーブルＴＢ５は、機械学習を利用した推論部によって生成されるものとする。推論部は行動詳細登録部６に含まれていてもよいし、学習支援装置１の外部であってもよい。

【0043】

例えば機械学習を利用した推論部は、例えば「誰かに仕事の相談をする際には、自分なりに一案用意した上で相談する。」という行動詳細に関しては、「自分なりに」という文言から対象となる能力要素を判断し、「相談する」という動詞から役職やチェックテストの対象となる範囲を判断する。業種や職種に関しては、対象となる文言がないため、全範囲を指定する。また推論部は、類似語句の中で一番使用される頻度が高い語句と、標準的な文型と、を使用するようにする。

【0044】

行動詳細登録部６は、類似行動詳細リストテーブルＴＢ６に示すような、行動詳細リストテーブルＴＢ１に格納された行動詳細と類似するようなバリエーションの欄に格納されている行動詳細を取得すると、行動詳細を行動詳細リストテーブルＴＢ１には保持しない。

【0045】

例えば類似行動詳細リストテーブルＴＢ６は、類似行動詳細の欄の行動詳細が入力であって、基本表現の欄が出力であるような、機械学習を利用した推論装置によって生成されるものとする。また例えば取得部５は、使用者毎に、パラメータ算出部７が算出した達成率及び改善速度と行動詳細とを紐づけて個人別行動詳細リストテーブルＴＢ７に保持する。

【0046】

次に本実施の形態による初回設定の際の初回設定画面３０を示す図である図５を用いて説明を行う。初回設定画面３０は、初回の設定の際に、行動詳細設定部４によって使用者に表示される。初回設定画面３０は、メッセージ欄３１と設定欄３２と設定ボタン４３とを備える。メッセージ欄３１には、使用者に行動詳細の設定を促す文章が表示されている。

【0047】

設定欄３２は、見出し領域３３，３５，３７、設定領域３４，３６，３８、追加ボタン４１及び追加欄４２を備え、能力要素毎に各項目がまとまっている。見出し領域３３，３５，３７には、能力要素名が表示される。設定領域３４，３６，３８には、設定内容である行動詳細が表示される。

【0048】

設定領域３４，３６，３８に表示される行動詳細は、使用者の業種、職種、役職及び能力要素毎のチェックテストの点数に基づいて表示される。設定領域３４，３６，３８の各行動詳細にはチェックボックスがあり、チェックボックスにチェックがついている行動詳細が選択される。設定ボタン４３が押下された際に選択されていた行動詳細は、後述の回答画面５０に表示される。

【0049】

初回設定の際に表示される行動詳細は、能力要素毎のチェックテストの点数を変換した平均難易度に基づいて決定される。例えばチェックテストの点数が０，１点だと平均難易度はＡ１となり、チェックテストの点数が２点だと平均難易度がＡ２となり、チェックテストの点数が３点だと平均難易度がＡ３となる。

【0050】

チェックテストの点数が４点だと平均難易度がＢ１となり、チェックテストの点数が５点だと平均難易度がＢ２となり、チェックテストの点数が６点だと平均難易度がＢ３となる。チェックテストの点数が７点だと平均難易度がＣ１となり、チェックテストの点数が８点だと平均難易度がＣ２となり、チェックテストの点数が９，１０点だと平均難易度がＣ３となる。

【0051】

追加ボタン４１は、行動詳細を追加する際に使用するボタンであって、使用者に押下されると、追加欄４２が提示される。使用者によって追加欄４２に追加された内容は、行動詳細登録部６が取得する。

【0052】

またどの能力要素にも属さない行動詳細は、その他に分類される。設定欄３２は、さらに見出し領域３９、設定領域４０を備える。見出し領域３９にその他と記載され、設定領域４０には行動詳細が表示される。なお設定領域４０に表示される行動詳細は、使用者によって追加されたもののみとする。

【0053】

次に本実施の形態による回答の際の回答画面５０を示す図である図６を用いて説明を行う。回答画面５０は、使用者が第２の所定の周期で行動詳細の実施の状況を回答する際に、取得部５によって使用者に表示される画面である。回答画面５０は、日付領域５１、回答領域５２〜５５、メモ領域５６及び回答ボタン５７を備える。

【0054】

日付領域５１には、使用者が回答する日付が表示される。回答領域５２〜５５には使用者によって設定された行動詳細が表示され、使用者は達成可否の情報である「できた」か「できなかった」かを、チェックボックスをチェックした後に回答ボタン５７を押下することで回答する。メモ領域５６は、使用者が回答の際に気づいたことなどをメモするための領域である。

【0055】

次に本実施の形態による確認の際の確認画面６０を示す図である図７を用いて説明を行う。確認画面６０は、使用者が第１の所定の周期で行動詳細の実施の状況を確認する際に取得部５によって使用者に表示される画面である。

【0056】

確認画面６０は、使用者名領域６１、実施期間領域６２、実施行動詳細一覧領域６３、実施結果領域６４及び総評領域６５を備える。使用者名領域６１には、対象となっている使用者の名前が表示される。実施期間領域６２には、第１の所定の周期の期間が表示される。なお実施期間領域６２に任意の期間を入力することで、入力した任意の期間の情報を表示することができる。実施行動詳細一覧領域６３には、実施する行動詳細が符号と紐づけられて表示される。

【0057】

実施結果領域６４には、それぞれの日付毎に符号と紐づけられた各行動詳細を達成可否の情報と、メモをした情報及び使用者の上司などからのコメントの情報が表示される。なお「できた」は〇、「できなかった」は×で表示される。また実施結果領域６４には、達成率の行がもうけられ、使用者の行動詳細毎の達成率が表示される。総評領域６５に記載されるコメントは、例えば機械学習を利用して生成される。

【0058】

次に本実施の形態による２回目以降の設定の際の設定画面７０を示す図である図８を用いて説明を行う。設定画面７０は、２回目以降の設定の際に、行動詳細設定部４によって使用者に表示される。設定画面７０は、メッセージ欄３１と設定欄７１と設定ボタン４３とを備える。ここでは初回設定画面３０との差分のみを説明する。

【0059】

設定欄７１は、設定欄３２に加えて、見出し領域７２、見出し領域７３及び設定領域７４，７５，７６を備える。見出し領域７２の下の領域には、前回実施した行動詳細が表示されている。見出し領域７３の下の領域には、今回実施を推奨する行動詳細が表示されている。設定領域７４，７５，７６には、今回実施を推奨する行動詳細が表示される。設定領域７４，７５，７６に表示される行動詳細は、レコメンド選定部９によって選定される。

【0060】

次に本実施の形態による学習支援処理の処理手順を示すフローチャートである図９を用いて説明を行う。学習支援処理は第１の所定の周期で実施される。まず行動詳細設定部４は、対象の使用者の前回の情報が個人別行動詳細リストテーブルＴＢ７に保持されているか否かで初回設定か否かを判断する（Ｓ１）。

【0061】

学習処理は、例えばタイマ関数などで呼び出され第１の所定の周期で定期的に処理を行う。なお使用者から継続中止の入力があった場合には学習処理は使用者への処理を停止する。

【0062】

初回設定でありステップＳ１の判断で肯定結果を得ると（Ｓ１：ＹＥＳ）、レコメンド選定部９は、対象の使用者のチェックテストの点数を取得し（Ｓ２）、対象の能力要素毎のチェックテストの点数を平均難易度に変換する（Ｓ３）。

【0063】

２回目以降の設定でありステップＳ１の判断で否定結果を得ると（Ｓ１：ＮＯ）、パラメータ算出部７は、パラメータ算出処理Ｓ１０を行う。ここで本実施の形態によるパラメータ算出処理Ｓ１０の処理手順を示すフローチャートである図１０を用いて説明を行う。パラメータ算出部７は、複数の使用者を対象とした処理である。

【0064】

まずパラメータ算出部７は、行動詳細毎に達成率を算出し（Ｓ１１）、改善速度を取得する（Ｓ１２）。未処理の行動詳細がありステップＳ１３の判断で否定結果を得ると（Ｓ１３：ＮＯ）、パラメータ算出部７は、ステップＳ１１，Ｓ１２を繰り返す。

【0065】

未処理の行動詳細がなくなりステップ１３の判断で肯定結果を得ると（Ｓ１３：ＹＥＳ）、パラメータ算出部７は、他の使用者に関して未処理か否かを判断する（Ｓ１４）。未処理である他の使用者がいてステップＳ１４の判断で否定結果を得ると（Ｓ１４：ＮＯ）、パラメータ算出部７は、未処理である他の使用者に関しても、ステップＳ１１〜Ｓ１３を繰り返す。

【0066】

未処理である他の使用者がいなくなりステップＳ１４の判断で肯定結果を得ると（Ｓ１４：ＹＥＳ）、パラメータ算出部７は、行動詳細毎に、複数の使用者の達成率を平均して平均達成率を算出する（Ｓ１５）。次にパラメータ算出部７は、行動詳細毎に、複数の使用者の改善速度を平均して平均改善速度を算出し（Ｓ１６）、パラメータ算出処理Ｓ１０を終了する。なお上述のとおり、ステップＳ１５，Ｓ１６において、使用者数が３８５人を超える場合には、ランダムで３８５人を選択する。

【0067】

図９に戻り説明を続ける。パラメータ算出処理Ｓ１０が終了すると、難易度更新部８は、難易度更新処理Ｓ２０を行う。ここで本実施の形態による難易度更新処理Ｓ２０の処理手順を示すフローチャートである図１１を用いて説明を行う。

【0068】

まず難易度更新部８は、対象としている行動詳細の平均改善速度が他の行動詳細の平均改善速度と比較して上位４割に入るか否かを判断する（Ｓ２１）。対象としている行動詳細の平均改善速度が他の行動詳細の平均改善速度と比較して上位４割に入りステップＳ２１の判断で肯定結果を得ると（Ｓ２１：ＹＥＳ）、難易度更新部８は、対象としている行動詳細の大区分としての難易度をやりがい区分とする（Ｓ２２）。次にやりがい区分を平均改善速度で３等分に３つのレベルに分ける（Ｓ２３）。

【0069】

対象としている行動詳細の平均改善速度が他の行動詳細の平均改善速度と比較して上位４割に入らずステップＳ２１の判断で否定結果を得ると（Ｓ２１：ＮＯ）、難易度更新部８は、対象としている行動詳細の平均達成率が他の行動詳細の平均達成率と比較して上位５割に入っているか否かを判断する（Ｓ２４）。

【0070】

対象としている行動詳細の平均達成率が他の行動詳細の平均達成率と比較して上位５割に入りステップＳ２４の判断で肯定結果を得ると（Ｓ２４：ＹＥＳ）、難易度更新部８は、対象としている行動詳細の大区分としての難易度を簡単区分とする（Ｓ２５）。

【0071】

対象としている行動詳細の平均達成率が他の行動詳細の平均達成率と比較して上位５割に入らずステップＳ２４の判断で否定結果を得ると（Ｓ２４：ＮＯ）、難易度更新部８は、対象としている行動詳細の大区分としての難易度を難しい区分とする（Ｓ２６）。

【0072】

次に難易度更新部８は、簡単区分及び難しい区分をそれぞれ平均達成率で３等分に３つのレベルに分ける（Ｓ２７）。次に難易度更新部８は、未処理の能力要素がないか否かを判断する（Ｓ２８）。

【0073】

未処理の能力要素がありステップＳ２８の判断で否定結果を得ると（Ｓ２８：ＮＯ）、難易度更新部８は、ステップ２１〜２７を繰り返す。未処理の能力要素がなくなりステップＳ２８の判断で肯定結果を得ると（Ｓ２８：ＹＥＳ）、難易度更新部８は、難易度更新処理Ｓ２０を終了する。

【0074】

図９に戻り説明を続ける。次にレコメンド選定部９は、レコメンド選定処理Ｓ３０を行う。ここで本実施の形態によるレコメンド選定処理Ｓ３０の処理手順を示すフローチャートである図１２を用いて説明を行う。

【0075】

まずレコメンド選定部９は、対象の能力要素に含まれる行動詳細の平均難易度を算出する（Ｓ３１）。なお初回設定（Ｓ１：ＹＥＳ）の場合、すでに平均難易度は算出されているため、ステップＳ３１はスキップする。

【0076】

次にレコメンド選定部９は、平均難易度の大区分が簡単区分、やりがい区分又は難しい区分のどれであるかを判断する（Ｓ３２）。ステップＳ３２の判断が簡単区分となった場合（Ｓ３２：簡単区分）、レコメンド選定部９は、小区分は平均難易度のレベルと同じ行動詳細であって、大区分がやりがい区分である行動詳細を３つ選定する（Ｓ３３）。

【0077】

ステップＳ３２の判断がやりがい区分となった場合（Ｓ３２：やりがい区分）、レコメンド選定部９は、小区分は平均難易度のレベルと同じ行動詳細であって、大区分がむずかしい区分である行動詳細を３つ選定する（Ｓ３４）。

【0078】

ステップＳ３２の判断が難しい区分となった場合（Ｓ３２：難しい区分）、レコメンド選定部９は、小区分は平均難易度のレベルと同じ行動詳細であって、大区分が簡単区分である行動詳細を３つ選定する（Ｓ３５）。

【0079】

次にレコメンド選定部９は、平均難易度の上下にレベルがあるか否かを判断する（Ｓ３６）。平均難易度の上下にレベルがありステップＳ３６の判断で肯定結果を得ると（Ｓ３６：ＹＥＳ）、レコメンド選定部９は、上下１レベルの行動詳細を１つずつ選定する（Ｓ３７）。なお上下のレベルは大区分間をまたいでもよいものとする。

【0080】

平均難易度の上下のどちらかにレベルがなくステップＳ３６の判断で否定結果を得ると（Ｓ３６：ＮＯ）、レコメンド選定部９は、上１レベル又は下１レベルの行動詳細を２つ選定する（Ｓ３８）。

【0081】

次にレコメンド選定部９は、未処理の能力要素がないか否かを判断する（Ｓ３９）。未処理の能力要素がありステップＳ３９の判断で否定結果を得ると（Ｓ３９：ＮＯ）、レコメンド選定部９は、ステップＳ３１〜Ｓ３８を繰り返す。

【0082】

未処理の能力要素がなくなりステップＳ３９の判断で肯定結果を得ると（Ｓ３９：ＹＥＳ）、レコメンド選定部９は、レコメンド選定処理Ｓ３０を終了する。以上のようにレコメンド選定部９は、計５つの推奨する行動詳細を選定する。

【0083】

図９に戻り説明を続ける。レコメンド選定処理Ｓ３０が終了すると、行動詳細設定部４は、第１の所定の周期で、複数の行動詳細が提示される設定画面を提示し使用者が設定画面において設定する行動詳細に基づいて、第１の所定の周期の期間中に使用者が行う行動詳細を設定する（Ｓ４）。

【0084】

次に行動詳細登録部６は、行動詳細登録処理Ｓ４０を行う。ここで本実施の形態による行動詳細登録処理Ｓ４０の処理手順を示すフローチャートである図１３を用いて説明を行う。

【0085】

まず行動詳細登録部６は、取得した追加欄４２に追加された内容が学習内容として汎用性が高いか否か不登録行動詳細リストテーブルＴＢ５を参照し判断する（Ｓ４１）。取得した追加欄４２に追加された内容が学習内容として汎用性が高くステップＳ４１の判断で肯定結果を得ると（Ｓ４１：ＹＥＳ）、行動詳細登録部６は、取得した追加欄４２に追加された内容が行動詳細リストテーブルＴＢ１に格納された行動詳細と類似していないか否か類似行動詳細リストテーブルＴＢ６を参照し判断する（Ｓ４２）。

【0086】

取得した追加欄４２に追加された内容が行動詳細リストテーブルＴＢ１に格納された行動詳細と類似していてステップＳ４２の判断で否定結果を得ると（Ｓ４２：ＮＯ）、行動詳細登録部６は、行動詳細登録処理Ｓ４０を終了する。

【0087】

取得した追加欄４２に追加された内容が行動詳細リストテーブルＴＢ１に格納された行動詳細と類似しておらずステップＳ４２の判断で肯定結果を得ると（Ｓ４２：ＹＥＳ）、行動詳細登録部６は、取得した追加欄４２に追加された内容を行動詳細リストテーブルＴＢ１に登録し（Ｓ４３）、行動詳細登録処理Ｓ４０を終了する。

【0088】

取得した追加欄４２に追加された内容が学習内容として適切ではなくステップＳ４１の判断で否定結果を得ると（Ｓ４１：ＮＯ）、行動詳細登録部６は、行動詳細登録処理Ｓ４０を終了する。

【0089】

図９に戻り説明を続ける。行動詳細登録処理Ｓ４０が終了すると、取得部５は第２の所定の周期で実施の状況を取得し（Ｓ５，Ｓ６，Ｓ７）、第１の周期の期間が終了すると、学習支援処理はタイマ関数などで呼び出され再度ステップＳ１から処理を行う。

【0090】

以上のように、本実施の形態による学習支援装置１は、第１の所定の周期といった期間内の使用者の実施の状況を取得して、行動詳細の難易度を設定し、難易度を用いて他の使用者の実施の状況と比較して、使用者の能力を把握する。学習支援装置１は、使用者の能力を把握することで次の第１の所定の周期において使用者に適した学習効率の高い適切な行動詳細を推奨する。

【0091】

このため、本実施の形態による学習支援装置１は、使用者に対して例えば能力要素の能力を高めるといった使用者の課題に対する適切な行動を特定し提案することができる。このため、本実施の形態による学習支援装置１を使用する使用者は成長しやすい。

【0092】

なお本実施の形態においては、取得部５は、使用者が初回設定を行う初回設定の際に、対象者属性や登録者属性の情報として使用する使用者毎の業種、職種、役職及びチェックテスト点数を取得するとしたが、本実施の形態はこれに限らない。例えば取得部５は、適正タイプや会社規模といった情報も取得してよく、チェックテストの結果判明する適正タイプや会社規模といった情報は、対象者属性や登録者属性情報の情報として使用されてもよい。

【0093】

また本実施の形態においては、対象とする行動詳細の難易度の区分分けに平均改善速度及び平均達成率を用いたが、本実施の形態はこれに限らない。対象とする行動詳細の難易度の区分分けに使用者が回答するまでの時間である回答時間や使用者がメモをする割合であるメモ率や使用者の上司がコメントをする割合であるコメント率を用いてもよい。

【0094】

また本実施の形態においては、使用者は第１の所定の周期で設定を行うとしているが、本実施の形態はこれに限らない。使用者は任意のタイミングで設定をしてもよく、任意のタイミングで設定された行動詳細については、パラメータ算出処理Ｓ１０の対象とはならない。

【0095】

また本実施の形態においては、使用者は個々の端末を用い学習支援装置１と通信を行うとしたが、これに限らず、学習支援装置１にディスプレイや入力装置が接続されており、使用者は学習支援装置１を直接操作してもよい。

【0096】

また本実施の形態においては、行動詳細設定部４、取得部５、行動詳細登録部６、パラメータ算出部７、難易度更新部８及びレコメンド選定部９は、プログラムとしたがこれに限らず論理回路でもよい。

【0097】

また本実施の形態においては、行動詳細設定部４、取得部５、行動詳細登録部６、パラメータ算出部７、難易度更新部８、レコメンド選定部９、行動詳細リストテーブルＴＢ１、不登録行動詳細リストテーブルＴＢ５、類似行動詳細リストテーブルＴＢ６及び個人別行動詳細リストテーブルＴＢ７は１つの装置に実装されておらず、ネットワークで接続された複数の装置に分散して実装されていてもよい。

【0098】

また本実施の形態においては、第２の所定の周期とは毎日としたがこれに限らない。例えば第２の所定の周期として、毎週水曜日及び金曜日としてもよい。

【0099】

第２実施形態
次に、本発明の第２実施形態について説明をする。この第２実施形態を実行する上では、第１実施形態において使用する学習支援装置１を同様に使用する。これらの各構成の説明は、第１実施形態の説明を引用することで以下での説明を省略する。

【0100】

第２実施形態においては、図９におけるレコメンド選定処理Ｓ３０を人工知能を利用し行う点が第１実施形態と相違する。第２実施形態においては、使用者が実行すべき業務上のアクションが記載された行動詳細を提示する上で、各入力データに対する出力データとしての行動詳細の種類の選定結果からなるデータセットを教師データとして用いた選定モデルを機械学習により事前に生成する。ここでいう行動詳細の種類とは、例えば「誰かに仕事の相談をする際には、自分なりに一案用意した上で相談する。」、「打ち合わせの場では１回以上自分の意見を言う」、「分からないことがあったらまず自分ひとりで検索や調べものをしてみる」等のように規定されている個々の行動詳細の種類を示すものである。

【0101】

先ず図９に示すステップＳ２〜Ｓ３に示すように、初回の場合における解探索の方法について説明する。図１４に示すように、選定モデルは、参照用属性情報と、参照用チェックテスト情報との組み合わせが形成されていることが前提となる。

【0102】

参照用属性情報とは、上述した対象者属性におけるは、業種、職種、役職といった項目を抽出したものである。この参照用属性情報は、これら以外に年齢、性別、勤務地域、居住地域、勤務している会社の規模、入社してからの年次等もこれに含めてもよい。

【0103】

参照用チェックテスト情報は、上述したチェックテスト点数に関する情報である。

【0104】

この参照用属性情報、参照用チェックテスト情報は、本システムの過去の使用者から取得したものである。つまり、過去の一の使用者から参照用属性情報と、参照用チェックテスト情報を取得しておき、過去の他の使用者からも同様に参照用属性情報と、参照用チェックテスト情報を取得し、その情報の取得を同様に全ての過去の使用者に関して行う。これにより、過去の使用者からそれぞれ参照用属性情報と参照用チェックテスト情報とを取得することができる。

【0105】

また、これらの情報の取得と共に、上述した行動詳細の種類の選定結果のデータも取得しておく。上述した過去の使用者が、数ある行動詳細の種類の中から何れを選定したかを取得することで、参照用属性情報及び参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを得ることができる。

【0106】

次に、このデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成する。このような入力データとしての、参照用属性情報に対して、参照用チェックテスト情報が組み合わさったものが、図１４に示す中間ノード６１である。各中間ノード６１は、更に出力に連結している。この出力においては、出力解としての、行動詳細の種類が表示されている。

【0107】

ここでいう行動詳細の種類は、Ａが例えば「誰かに仕事の相談をする際には、自分なりに一案用意した上で相談する。」、Ｂが例えば「打ち合わせの場では１回以上自分の意見を言う」、Ｃが例えば「分からないことがあったらまず自分ひとりで検索や調べものをしてみる」等で示されるものであってもよい。

【0108】

参照用属性情報と参照用チェックテスト情報との各組み合わせ（中間ノード）は、この出力解としての、行動詳細の種類に対して３段階以上の連関度を通じて互いに連関しあっている。参照用属性情報と参照用チェックテスト情報がこの連関度を介して左側に配列し、各行動詳細の種類が連関度を介して右側に配列している。連関度は、左側に配列された参照用属性情報と参照用チェックテスト情報に対して、何れの行動詳細の種類Ａ〜Ｅと関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用属性情報と参照用チェックテスト情報が、いかなる行動詳細の種類に紐付けられる可能性が高いかを示す指標であり、参照用属性情報と参照用チェックテスト情報から最も確からしい行動詳細の種類を選択する上での的確性を示すものである。図１４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての行動詳細の種類と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての行動詳細の種類と互いに関連度合いが低いことを示している。

【0109】

【表1】

【0110】

探索装置２は、このような図１４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり探索装置２は、実際の行動詳細の種類の判別を行う上で、参照用属性情報と、参照用チェックテスト情報、並びにこれらの情報に行動詳細の種類を紐付けたデータセットを蓄積しておき、これらを分析、解析することで図１４に示す連関度を作り上げておく。

【0111】

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用属性情報Ｐ０１で、かつ参照用チェックテスト情報Ｐ１６である場合に、実際にいかなる行動詳細の種類がそのような情報に紐付けられているかを過去のデータから分析する。例えば参照用属性情報Ｐ０１で、かつ参照用チェックテスト情報Ｐ１６がつながる中間ノード６１ａの例では、行動詳細の種類Ａと、行動詳細の種類Ｂの出力にリンクしているが、以前の事例から行動詳細の種類Ａが極めて数多く選択がなされており、選定率（＝選択された数／各過去の使用者に表示された回数）が高いことから、行動詳細の種類Ａにつながるｗ１３の連関度を７点に、行動詳細の種類Ｂにつながるｗ１４の連関度を２点に設定している。

【0112】

また、この図１４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

【0113】

このような連関度が、人工知能でいうところの学習済みデータとなる。つまり、各参照用属性情報、及び各参照用チェックテスト情報を、それぞれ上記各行動詳細の種類と関連付けて記憶しておく。そして記憶された参照用属性情報と参照用チェックテスト情報の組み合わせと、上記行動詳細の種類とを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする判定モデルを機械学習により生成したことになる。このような学習済みデータを作った後に、実際にこれから新たな使用者に対して行動詳細の種類を選定する際において、上述した学習済みデータを利用して行動詳細の種類を判別することとなる。かかる場合には、新たな使用者から、属性情報を取得するとともに、チェックテスト情報を取得する。

【0114】

新たに取得する属性情報、チェックテスト情報は、上述した情報取得部９におけるマウスやタッチパネル、キーボードを介したユーザインターフェースを通じて取得する。

【0115】

このようにして新たに取得した属性情報と、チェックテスト情報に基づいて、行動詳細の種類を求める。かかる場合には、予め取得した図１４（表１）に示す連関度を参照する。例えば、新たに取得した属性情報がＰ０２と同一かこれに類似するものである場合であって、取得したチェックテスト情報が参照用チェックテスト情報Ｐ１７と同一又は類似である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、行動詳細の種類Ｃがｗ１９、行動詳細の種類Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度のもっと高い行動詳細の種類Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる行動詳細の種類Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

【0116】

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

【0117】

【表2】

【0118】

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

【0119】

図１５は、上述した参照用属性情報と、参照用チェックテスト情報に加えて、更に参照用達成度合情報との組み合わせと、当該組み合わせに対する行動詳細の種類との３段階以上の連関度が設定されている例を示している。この連関度を使用するケースは、例えば図９に示すように２回目以上でステップＳ１０、２０のルートを通ってきた使用者に対して行動詳細の種類を選定する場合である。参照用達成度合情報とは、以前において表示された行動詳細を各種類につき達成できたか否かを示す情報である。参照用達成度合情報とは、上述した平均達成率、平均達成速度等のような使用者の各行動詳細の種類に対する達成度合を示すあらゆる情報を示すものである。この参照用達成度合情報は、行動詳細に規定される各アクションの使用者個人毎の達成率、行動詳細に規定される各アクションの使用者全体の平均の達成率、行動詳細に規定される各アクションの使用者個人毎の改善速度、行動詳細に規定される各アクションの使用者全体の平均改善速度、メモ領域５６における本人のメモ率、メモの文字数、メモの内容、実施結果領域６４における上司のコメント率、コメントの文字数、コメントの内容の何れか１以上で構成されるものであってもよい。メモの内容やコメントの内容は、ネガポジ判定による公知の感情スコアで示すものであってもよい。またメモの内容やコメントの内容を公知の形態素解析、意味解析技術で解析を行い、これをスコア化することで参照用達成度合情報としてよい。

【0120】

かかる場合において、連関度は、図１５に示すように、参照用属性情報と、参照用チェックテスト情報、参照用達成度合情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

【0121】

例えば、図１５において、ノード６１ｃは、参照用属性情報Ｐ０２が連関度ｗ３で、参照用チェックテスト情報Ｐ１５が連関度ｗ７で、参照用達成度合情報Ｐ２１が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用属性情報Ｐ０３が連関度ｗ５で、参照用チェックテスト情報Ｐ１５が連関度ｗ８で、参照用達成度合情報Ｐ２０が連関度ｗ１０で連関している。

【0122】

このような連関度が設定されている場合も同様に、新たに取得した属性情報、チェックテスト情報に加え、新たに達成度合情報を取得する。この達成度合情報は、属性情報、チェックテスト情報と同様に、これから行動詳細の種類を選定しようとする使用者から取得する情報であり、当該使用者が以前において行った行動詳細を各種類につき達成できたか否かを示す情報であり、情報取得部９を介して取得する。この達成度合情報の内容は、上述した参照用達成度合情報の内容に応じたものである。

【0123】

この達成度合情報に規定される達成度合に紐付けられた参照用達成度合情報に基づき、図１５に示す連関度を参照しながら解探索を行う。

【0124】

この行動詳細の種類を提案する上で予め取得した図１５に示す連関度を参照する。例えば、取得した属性情報が参照用属性情報Ｐ０２に同一又は類似で、取得したチェックテスト情報が参照用チェックテスト情報Ｐ１５に対応し、更に取得した達成度合情報に対応する参照用達成度合情報がＰ２１に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、行動詳細の種類Ｂが連関度ｗ１７で、また行動詳細の種類Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。

【0125】

なお、上述した構成からなる本発明によれば、生成した選定モデルにおける入力にする出力の重み付け（ｗ１〜ｗ２２）を行動詳細の各種類の選定率に基づいて設定するようにしてもよい。具体的には、選定率の高い行動詳細の種類ほど、重み付けを高くし、選定率の低い行動詳細の種類ほど、重み付けを低く設定するようにしてもよい。

【0126】

また、本発明は、図１６に示すように、実際に提示すべき行動詳細に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補を更に作りこんでおくようにしてもよい。この行動詳細候補も、行動詳細と同様に例えば「退社時に裏口の鍵を確認してから帰る」や、「メールを送る際には指差し確認してから送る」等のような各種類が同様に規定されている。そして、行動詳細の中から一部の種類を行動詳細候補に降格させる。そして、行動詳細候補の中から一部を行動詳細へ昇格させる。つまり行動詳細の種類の一部と行動詳細候補の種類の一部とを入れ替える処理を実行する。入れ替える処理を行う場合には、行動詳細から行動詳細候補への降格数と、行動詳細候補から行動詳細への昇格数は、同時である必要がある。

【0127】

この入れ替える処理を実行する場合において、降格させる行動詳細の種類を選定する上で、上述した選定モデルを利用する。選定モデルにおいて重み付けｗが小さい出力としての行動詳細の種類ほど、行動詳細候補に降格させる度合いを高くし、重み付けｗが大きい出力としての行動詳細の種類ほど、行動詳細候補に降格させる度合いを低くする。例えば重み付けｗが小さいものから順に５種類について行動詳細候補に降格させ、残りは行動詳細にそのまま残すようにしてもよい。

【0128】

行動詳細候補から行動詳細へ昇格させる場合には、行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させるようにしてもよい。

【0129】

これにより、選定率の低い行動詳細を別のものに入れ替えることができ、使用者に提示する行動詳細の種類をより斬新で飽きないコンテンツに更新し、維持することが可能となる。

【0130】

なお図１５に示す連関度を使用するケース、つまり図９に示すように２回目以上でステップＳ１０、２０のルートを通ってきた使用者に対して行動詳細の種類を選定する場合には、図１５に示す連関度を使用する代わりに、図１７に示すように参照用属性情報と参照用達成度合情報の２つを入力変数とした連関度を利用するようにしてもよい。つまり、この図１７に示す連関度においては参照用チェックテスト情報が入力変数に含めないが、係る場合も同様に解探索を行うことで、行動詳細の種類を提示することが可能となる。

【0131】

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

【0132】

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に行動詳細の種類を選定することができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

【0133】

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

【0134】

このような３段階以上の数値で表される連関度に基づいてより使用者にとって適切でしかも使用者の業務スキル向上に寄与する行動詳細の種類を選別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

【0135】

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

【0136】

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

【0137】

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また属性情報、チェックテスト情報に加えて、達成度合情報等に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

【0138】

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

【0139】

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

【0140】

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

【0141】

更に、この第２実施形態を実施する上においては、適宜第1実施形態を織り交ぜた上で実施してもよいことは勿論である。

【符号の説明】

【0142】

１……学習支援装置、２……中央演算装置、３……主記憶装置、４……行動詳細設定部、５……取得部、６……行動詳細登録部、７……パラメータ算出部、８……難易度更新部、９……レコメンド選定部、２０……補助記憶装置。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【手続補正書】

【提出日】2020年6月16日

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、
過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して実行したスキル計測のためのテストの結果に関する参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶するとともに、提示すべき行動詳細の種類に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補の種類を記憶する記憶手段と、
前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、
新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して実行したスキル計測のためのテストの結果に関するチェックテスト情報を取得する情報取得手段と、
前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報とチェックテスト情報とから推定される行動詳細の種類を提示する提示手段と、
前記モデル生成手段により生成された選定モデルにおいてより入力に対する重み付けの小さい出力としての行動詳細の種類を行動詳細候補に降格させるとともに、前記行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させる昇降処理手段とを備えること
を特徴とする学習支援装置。

【請求項2】

前記記憶手段は、前記参照用属性情報、前記参照用チェックテスト情報、前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶し、
前記モデル生成手段は、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報、参照用チェックテスト情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成し、
前記情報取得手段は、更に当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得し、
前記提示手段は、前記情報取得手段により取得された属性情報とチェックテスト情報と達成度合情報とから推定される行動詳細の種類を提示すること
を特徴とする請求項１記載の学習支援装置。

【請求項3】

前記記憶手段は、前記参照用達成度合情報として、各アクションの達成率、各アクションの改善速度、各アクションへの回答速度の何れか１以上を取得し、
上記情報取得手段は、前記達成度合情報として各アクションの達成率、各アクションの改善速度、各アクションへの回答速度の何れか１以上のうち、前記参照用達成度合情報に対応したものを取得すること
を特徴とする請求項２記載の学習支援装置。

【請求項4】

前記モデル生成手段は、生成した選定モデルにおける入力にする出力の重み付けを行動詳細の各種類の選定率に基づいて設定すること
を特徴とする請求項１〜３のうち何れか１項記載の学習支援装置。

【請求項5】

使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、
過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶するとともに、提示すべき行動詳細の種類に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補の種類を記憶する記憶手段と、
前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、
新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得する情報取得手段と、
前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報と達成度合情報とから推定される行動詳細の種類を提示する提示手段と、
前記モデル生成手段により生成された選定モデルにおいてより入力に対する重み付けの小さい出力としての行動詳細の種類を行動詳細候補に降格させるとともに、前記行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させる昇降処理手段とを備えること
を特徴とする学習支援装置。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】０００７

【補正方法】変更

【補正の内容】

【0007】

本発明に係る学習支援装置は、使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して実行したスキル計測のためのテストの結果に関する参照用チェックテスト情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶するとともに、提示すべき行動詳細の種類に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補の種類を記憶する記憶手段と、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用チェックテスト情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して実行したスキル計測のためのテストの結果に関するチェックテスト情報を取得する情報取得手段と、前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報とチェックテスト情報とから推定される行動詳細の種類を提示する提示手段と、前記モデル生成手段により生成された選定モデルにおいてより入力に対する重み付けの小さい出力としての行動詳細の種類を行動詳細候補に降格させるとともに、前記行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させる昇降処理手段とを備えることを特徴とする。

【手続補正3】

【補正対象書類名】明細書

【補正対象項目名】０００８

【補正方法】変更

【補正の内容】

【0008】

本発明に係る学習支援装置は、使用者が実行すべき業務上のアクションが記載された行動詳細を提示することで、前記使用者の学習を支援する学習支援装置であって、過去の使用者の属性に関する参照用属性情報及び前記過去の使用者に対して提示した各行動詳細の達成度合に関する参照用達成度合情報に対する、行動詳細の種類の選定結果からなるデータセットを記憶するとともに、提示すべき行動詳細の種類に加え、前記行動詳細へ昇格させる候補としての業務上のアクションが記載された行動詳細候補の種類を記憶する記憶手段と、前記記憶手段に記憶されたデータセットを教師データとして用い、入力を参照用属性情報及び参照用達成度合情報とし、出力を行動詳細の種類とする選定モデルを機械学習により生成するモデル生成手段と、新たに行動詳細を選定すべき使用者の属性に関する属性情報と、当該使用者に対して以前に提示した各行動詳細の達成度合に関する達成度合情報を取得する情報取得手段と、 前記モデル生成手段により生成された選定モデルを用いて、前記情報取得手段により取得された属性情報と達成度合情報とから推定される行動詳細の種類を提示する提示手段と、前記モデル生成手段により生成された選定モデルにおいてより入力に対する重み付けの小さい出力としての行動詳細の種類を行動詳細候補に降格させるとともに、前記行動詳細候補の種類の中からランダムに前記行動詳細にその降格させた数の分を昇格させる昇降処理手段とを備えることを特徴とする。