(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】P2023182072
(43)【公開日】2023-12-26
(54)【発明の名称】検索プログラム、検索装置、及び検索方法
(51)【国際特許分類】
G06F 16/903 20190101AFI20231219BHJP
G16H 20/30 20180101ALI20231219BHJP
【ＦＩ】
G06F16/903
G16H20/30
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2022095463
(22)【出願日】2022-06-14
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】110004185
【氏名又は名称】インフォート弁理士法人
(74)【代理人】
【識別番号】100121083
【弁理士】
【氏名又は名称】青木 宏義
(74)【代理人】
【識別番号】100138391
【弁理士】
【氏名又は名称】天田 昌行
(74)【代理人】
【識別番号】100074099
【弁理士】
【氏名又は名称】大菅 義之
(72)【発明者】
【氏名】早川 昭二
(72)【発明者】
【氏名】前田 一穂
【テーマコード（参考）】
5B175
5L099
【Ｆターム（参考）】
5B175FB04
5B175HB03
5L099AA15
(57)【要約】
【課題】介入対象者に対する介入方法に関する適切な事例を検索する。
【解決手段】コンピュータは、介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する。コンピュータは、介入対象者に対して特定の介入方法が適用された後の特性を示す第２特性情報と、第１特性情報との差分を表す、推定特性変化量を求める。コンピュータは、複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、特定の事例データを検索する。特定の事例データは、第１特性情報及び推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、特定の介入方法とを含む。コンピュータは、特定の事例データに基づく情報を出力する。
【選択図】図２
【解決手段】コンピュータは、介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する。コンピュータは、介入対象者に対して特定の介入方法が適用された後の特性を示す第２特性情報と、第１特性情報との差分を表す、推定特性変化量を求める。コンピュータは、複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、特定の事例データを検索する。特定の事例データは、第１特性情報及び推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、特定の介入方法とを含む。コンピュータは、特定の事例データに基づく情報を出力する。
【選択図】図２
【特許請求の範囲】
【請求項1】
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータに実行させるための検索プログラム。
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータに実行させるための検索プログラム。
【請求項2】
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する処理を、前記コンピュータにさらに実行させることを特徴とする請求項１記載の検索プログラム。
【請求項3】
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする請求項２記載の検索プログラム。
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする請求項２記載の検索プログラム。
【請求項4】
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする請求項１記載の検索プログラム。
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする請求項１記載の検索プログラム。
【請求項5】
前記特定の介入方法を選択する処理は、
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする請求項１乃至４の何れか１項に記載の検索プログラム。
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする請求項１乃至４の何れか１項に記載の検索プログラム。
【請求項6】
前記第１状態情報を求める処理は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求める処理を含み、
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする請求項５記載の検索プログラム。
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする請求項５記載の検索プログラム。
【請求項7】
前記推定特性変化量を求める処理は、
前記特性推定モデルを用いて、前記第１特性情報及び前記特定の介入方法から前記第２特性情報を求める処理と、
前記第１特性情報及び前記第２特性情報を用いて前記推定特性変化量を求める処理と、
を含むことを特徴とする請求項６記載の検索プログラム。
前記特性推定モデルを用いて、前記第１特性情報及び前記特定の介入方法から前記第２特性情報を求める処理と、
前記第１特性情報及び前記第２特性情報を用いて前記推定特性変化量を求める処理と、
を含むことを特徴とする請求項６記載の検索プログラム。
【請求項8】
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する選択部と、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求める推定部と、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索する検索部と、
前記特定の事例データに基づく情報を出力する出力部と、
を備えることを特徴とする検索装置。
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求める推定部と、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索する検索部と、
前記特定の事例データに基づく情報を出力する出力部と、
を備えることを特徴とする検索装置。
【請求項9】
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータが実行することを特徴とする検索方法。
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータが実行することを特徴とする検索方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、検索技術に関する。
【背景技術】
【0002】
国及び地方自治体において、住民の健康寿命を延伸させることで社会保険料を削減する取り組みが実施されており、アウトリーチ支援を行っている地方自治体が増えている。アウトリーチ支援では、地方自治体の保健師が高齢者宅を訪問して、高齢者に対する働きかけを行う。働きかけによって、フレイル予防への高齢者の関心度を増加させたり、高齢者の意識を変えて、介護予防に繋がる行動を自ら起こすように促したりすることができる。働きかけは、介入と呼ばれることもある。
【0003】
健康改善に関連して、検証にかかる期間、手間又は費用等の負担を軽減しながら、製品又はサービスの健康改善に関する効果を検証する情報を生成できる情報生成システムが知られている（例えば、特許文献１を参照）。ユーザの健康に関連する情報として、より多くの情報を収集可能な情報管理システムも知られている（例えば、特許文献２を参照）。
【0004】
行動に対する対象者の動機付けやセルフエフィカシーを向上させ、リラプスの発生を抑制できる行動支援システムも知られている（例えば、特許文献３を参照）。ケアプランの作成を行うユーザにとって利用しやすく、より被介護者に適したケアプランの作成を補助する情報処理装置も知られている（例えば、特許文献４を参照）。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０２０－８７３４９号公報
【特許文献2】特開２０２０－２７３０９号公報
【特許文献3】特開２０１６－８５７０３号公報
【特許文献4】特開２０１９－４６４７４号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
アウトリーチ支援においては、過去に高齢者に対して行われた働きかけに関する事例を参考にして、働きかけ対象者に対する働きかけ方法を決定することが望ましい。しかしながら、多数の事例の中から最も効果的な働きかけに関する成功事例を抽出することは容易ではない。
【0007】
なお、かかる問題は、アウトリーチ支援において高齢者に対する働きかけ方法を決定する場合に限らず、様々な社会活動において介入対象者に対する介入方法を決定する場合において生ずるものである。
【0008】
１つの側面において、本発明は、介入対象者に対する介入方法に関する適切な事例を検索することを目的とする。
【課題を解決するための手段】
【0009】
１つの案では、検索プログラムは、以下の処理をコンピュータに実行させる。
【0010】
コンピュータは、介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する。コンピュータは、介入対象者に対して特定の介入方法が適用された後の特性を示す第２特性情報と、第１特性情報との差分を表す、推定特性変化量を求める。
【0011】
コンピュータは、複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、特定の事例データを検索する。特定の事例データは、第１特性情報及び推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、特定の介入方法とを含む。コンピュータは、特定の事例データに基づく情報を出力する。
【発明の効果】
【0012】
１つの側面によれば、介入対象者に対する介入方法に関する適切な事例を検索することができる。
【図面の簡単な説明】
【0013】
【図1】実施形態の検索装置の機能的構成図である。
【図2】第１の検索処理のフローチャートである。
【図3】検索装置の具体例を示す機能的構成図である。
【図4】因子得点行列を示す図である。
【図5】働きかけ前の状態を示す状態行列を示す図である。
【図6】状態推定モデルを示す図である。
【図7】働きかけ行列を示す図である。
【図8】働きかけ後の状態を示す状態行列を示す図である。
【図9】因子得点推定モデルを示す図である。
【図10】組み合わせモデルを示す図である。
【図11】事例データを示す図である。
【図12】因子得点ベクトルを示す図である。
【図13】働きかけ前の因子得点ベクトルから生成された状態情報を示す図である。
【図14】働きかけ後の因子得点ベクトルから生成された状態情報を示す図である。
【図15】状況情報を示す図である。
【図16A】学習処理のフローチャート（その１）である。
【図16B】学習処理のフローチャート（その２）である。
【図17A】第２の検索処理のフローチャート（その１）である。
【図17B】第２の検索処理のフローチャート（その２）である。
【図18】情報処理装置のハードウェア構成図である。
【発明を実施するための形態】
【0014】
以下、図面を参照しながら、実施形態を詳細に説明する。
【0015】
例えば、アウトリーチ支援のために保健師が高齢者宅を訪問して働きかけを行う場合、以下のような情報が収集される。
【0016】
（Ａ１）基本チェックリスト又はアセスメントシートのような、住民の状態に関するアンケート結果
（Ａ２）住民に対して行われた働きかけの方法を示す分類ラベル
（Ａ３）住民の意識又は関心の変化（例えば、働きかけ前後の住民の状態）
（Ａ２）住民に対して行われた働きかけの方法を示す分類ラベル
（Ａ３）住民の意識又は関心の変化（例えば、働きかけ前後の住民の状態）
【0017】
（Ａ１）のアンケート結果は、働きかけの前に収集され、働きかけの後では収集されない。基本チェックリストは、例えば、日常生活、運動、栄養、口腔、閉じこもり、認知、うつ等の複数の質問を含む。（Ａ２）の働きかけの方法としては、情報提供、フィードバック、モデリング、指導等が用いられる。（Ａ３）の働きかけ前後の住民の状態としては、例えば、行動変容ステージモデルにおけるステージを示す情報が用いられる。
【0018】
（Ａ１）～（Ａ３）の情報と、訪問時の状況を示す状況情報とを対応付けることで、事例データが生成され、データベースに蓄積される。状況情報としては、例えば、以下のような情報が用いられる。
【0019】
（Ｂ１）働きかけを行った保健師
（Ｂ２）分類ラベルよりも具体的な働きかけの情報
（Ｂ３）住民に渡したパンフレットの種類
（Ｂ４）働きかけを決めた着眼点
（Ｂ５）訪問において合意した行動目標
（Ｂ６）同席者
（Ｂ７）その他（気になったこと等）
（Ｂ２）分類ラベルよりも具体的な働きかけの情報
（Ｂ３）住民に渡したパンフレットの種類
（Ｂ４）働きかけを決めた着眼点
（Ｂ５）訪問において合意した行動目標
（Ｂ６）同席者
（Ｂ７）その他（気になったこと等）
【0020】
働きかけ対象者に対する働きかけ方法を決定する際、データベースに蓄積された事例データの中から、最も効果的な働きかけ方法を含む成功事例の事例データを検索して、保健師に提示することが望ましい。そこで、データベースから事例データを検索する比較例の検索装置について説明する。比較例の検索装置は、以下のような手順で事例データを検索する。
【0021】
（１）検索装置は、訓練データを用いた機械学習によりディープニューラルネットワーク（Deep Neural Network，ＤＮＮ）を訓練して、意識変化推定モデルを生成する。訓練データは、アンケート結果及び働きかけ方法を入力データとして含み、意識変化の結果を出力データの教師データとして含む。働きかけ方法は、例えば、ワンホットベクトルにより表される。意識変化の結果としては、例えば、良い方向への変化、変化なし、又は悪い方向への変化（逆効果）の３種類の結果が用いられる。
【0022】
（２）検索装置は、意識変化推定モデルを用いて、働きかけ対象者から取得したアンケート結果と複数の働きかけ方法各々との組み合わせから、意識変化の結果を生成する。そして、検索装置は、良い方向への変化を示す確率が最も高い働きかけ方法を、推奨働きかけ方法として選択する。
【0023】
（３）検索装置は、データベースから、推奨働きかけ方法を示す分類ラベルを含み、かつ、働きかけ対象者のアンケート結果と類似するアンケート結果を含む事例データを検索して、保健師に提示する。働きかけ対象者のアンケート結果と類似するアンケート結果は、働きかけ対象者のアンケート結果との差分が小さいアンケート結果を意味する。
【0024】
推奨働きかけ方法を含み、かつ、アンケート結果が類似している過去の事例データは、働きかけ対象者に対する働きかけ方法の具体的内容を決定する際に参考となる有益な事例データである。保健師は、提示された事例データに記載された具体的な働きかけ内容を参考にして、働きかけ対象者への推奨働きかけ方法を採用するか否かを決定することができる。
【0025】
しかしながら、アンケート結果が類似しているからといって、必ずしも同じ働きかけ方法が働きかけ対象者に対して効果を奏するとは限らない。例えば、基本チェックリストが幅広いカテゴリの複数の質問を含んでいる場合、どの質問に対する回答が同じであり、どの質問に対する回答が異なっているかによって、働きかけ方法の効果が異なってくる。
【0026】
一例として、働きかけ対象者のアンケート結果において特定の質問に対する回答が「はい」となっており、その質問に対する回答が働きかけの効果に重要となる場合を想定する。
【0027】
この場合、その質問に対する回答が「いいえ」であり、かつ、他のすべての質問に対する回答が一致している、働きかけが成功した事例の事例データが、類似するアンケート結果を含む事例データとして抽出される可能性がある。抽出された事例データが成功事例に対応する場合であっても、その事例データは、保健師が参考にしても働きかけの成功に繋がらない恐れがある。
【0028】
【0029】
図２は、図１の検索装置１０１が行う第１の検索処理の例を示すフローチャートである。まず、選択部１１１は、介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する（ステップ２０１）。そして、推定部１１２は、介入対象者に対して特定の介入方法が適用された後の特性を示す第２特性情報と、第１特性情報との差分を表す、推定特性変化量を求める（ステップ２０２）。
【0030】
次に、検索部１１３は、複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、特定の事例データを検索する（ステップ２０３）。特定の事例データは、第１特性情報及び推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、特定の介入方法とを含む。出力部１１４は、特定の事例データに基づく情報を出力する（ステップ２０４）。
【0031】
図１の検索装置１０１によれば、介入対象者に対する介入方法に関する適切な事例を検索することができる。
【0032】
図３は、図１の検索装置１０１の具体例を示している。図３の検索装置３０１は、分析部３１１、訓練部３１２、生成部３１３、選択部３１４、推定部３１５、検索部３１６、表示部３１７、及び記憶部３１８を含む。選択部３１４、推定部３１５、検索部３１６、及び表示部３１７は、図１の選択部１１１、推定部１１２、検索部１１３、及び出力部１１４にそれぞれ対応する。
【0033】
検索装置３０１は、働きかけ対象者に対する働きかけ方法を決定するユーザを支援する。働きかけ対象者は、介入対象者に対応し、働きかけ方法は、介入方法に対応する。例えば、アウトリーチ支援の場合、ユーザは、働きかけ対象者の自宅を訪問して働きかけを行う保健師に対応する。検索装置３０１は、学習処理及び検索処理を行う。
【0034】
学習処理において、記憶部３１８は、過去に働きかけを受けたＮ人の人物のアンケートデータ３２１を記憶する。Ｎは２以上の整数であるが、後述する因子分析やモデル推定に必要な人数がＮに設定される。アンケートデータ３２１は、働きかけの前に各人物から取得された基本チェックリスト及び／又はアセスメントシートのような、アンケート結果を含む。
【0035】
アンケート結果は、Ｋ個（Ｋは２以上の整数）の質問それぞれに対する回答を含む。Ｋ個の質問は、複数の項目の一例である。各質問に対する回答は、例えば、数値により表され、アンケートデータ３２１は、例えば、各人物のＫ個の回答をＫ次元ベクトルとして含む、Ｎ行Ｋ列の行列Ｚにより表される。
【0036】
分析部３１１は、アンケートデータ３２１に対する探索的因子分析を行うことで、アンケート結果に対する意味のある重み付けを行う。まず、分析部３１１は、探索的因子分析を行うことで、Ｍ個の主因子とＫ行Ｍ列の因子負荷行列Ａとを求める。因子負荷行列Ａの各要素は、因子負荷量を表す。
【0037】
次に、分析部３１１は、アンケートデータ３２１からＫ行Ｋ列の相関行列Ｒを求め、相関行列Ｒの逆行列Ｒ－１を求める。そして、分析部３１１は、行列ＺをＮ行Ｍ列の因子得点行列Ｆに変換するＫ行Ｍ列の係数行列Ｃを次式により求め、係数行列Ｃを示す係数情報３２２を記憶部３１８に格納する。
【0038】
Ｃ＝Ｒ－１Ａ （１）
【0039】
次に、分析部３１１は、次式により因子得点行列Ｆを求める。
【0040】
Ｆ＝ＺＣ （２）
【0041】
因子得点行列Ｆの各要素は、因子得点を表す。因子得点は、各人物のＫ個の回答の加重和であり、各人物の各主因子に対する評価値を表す。係数行列Ｃの各要素は、各人物の各主因子に対する因子得点の計算における、各回答の数値に対する重みを表す。因子得点行列Ｆの各行は、人物の特性を示す特性情報に対応する。
【0042】
Ｋ個の回答の加重和である因子得点を求めることで、アンケート結果に対して影響を与えている潜在的な主因子の重要度を数値化することができる。
【0043】
図４は、因子得点行列Ｆの例を示している。Ｐｉ（ｉ＝１～Ｎ）は、ｉ番目の人物のアンケート結果の識別情報であり、Ｒｊ（ｊ＝１～Ｍ）は、ｊ番目の主因子の識別情報である。この例では、Ｍ＝５であり、Ｒ１は、自己効力感を表し、Ｒ２は、モチベーションを表し、Ｒ３は、身体的能力を表し、Ｒ４は、社会的支援を表し、Ｒ５は、その他の主因子を表す。
【0044】
分析部３１１は、探索的因子分析の代わりに、各質問と各因子の間の繋がりを予め仮定した確認的因子分析を用いて、係数行列Ｃを求めてもよい。
【0045】
次に、訓練部３１２は、訓練データ３２３を生成して、記憶部３１８に格納する。訓練データ３２３は、因子得点行列Ｆと、因子得点行列Ｆの各行に対応する状態情報とを含む。状態情報は、因子得点行列Ｆの各行に対応する人物の働きかけ前の状態を示す教師データであり、アンケートデータ３２１とともに事前に用意されている。Ｎ人の人物の状態情報は、Ｎ行Ｌ列の状態行列により表される。Ｌは、状態の個数を表す。
【0046】
図５は、働きかけ前の状態を示す状態行列の例を示している。Ｔｊ（ｊ＝１～Ｌ）は、ｊ番目の状態の識別情報である。この例では、Ｌ＝５であり、行動変容ステージモデルにおけるステージが状態として用いられている。Ｔ１は、無関心期を表し、Ｔ２は、関心期を表し、Ｔ３は、準備期を表し、Ｔ４は、実行期を表し、Ｔ５は、維持期を表す。Ｔｊは、ｊが大きくなるほど、より先に進んだステージを表す。
【0047】
状態行列の各行は、人物の働きかけ前の状態を示す状態情報であり、ワンホットベクトルにより表される。例えば、アンケート結果Ｐ１に対応する人物の状態情報は（０，１，０，０，０）であり、Ｔ２に対応する。
【0048】
次に、訓練部３１２は、訓練データ３２３を用いた機械学習により機械学習モデルを訓練することで、状態推定モデル３２５を生成して、記憶部３１８に格納する。状態推定モデル３２５は、人物のＭ個の因子得点を含む因子得点ベクトルから、その人物の状態を推定する。機械学習により生成されたモデルは、学習済みモデルと呼ばれることもある。
【0049】
機械学習モデルとしては、例えば、ニューラルネットワーク、ランダムフォレスト、又はサポートベクタマシンが用いられる。ニューラルネットワークは、ＤＮＮであってもよい。機械学習のアルゴリズムとしては、例えば、誤差逆伝播学習が用いられる。
【0050】
図６は、状態推定モデル３２５の例を示している。図６の状態推定モデル６０１はＤＮＮであり、入力層６１１は、ノード６２１－１～ノード６２１－５を含み、出力層６１２は、ノード６２２－１～ノード６２２－５を含む。ノード６２１－１～ノード６２１－５は、Ｒ１～Ｒ５にそれぞれ対応する因子得点を受け付ける入力ノードであり、ノード６２２－１～ノード６２２－５は、Ｔ１～Ｔ５にそれぞれ対応する状態の数値を出力する出力ノードである。
【0051】
次に、訓練部３１２は、訓練データ３２４を生成して、記憶部３１８に格納する。訓練データ３２４は、因子得点行列Ｆと、アンケートデータ３２１と、各人物に対して行われた働きかけの方法と、各人物の働きかけ後の状態を示す状態情報とを含む。働きかけ方法と状態情報は、アンケートデータ３２１とともに事前に用意されている。
【0052】
各人物に対して行われた働きかけの方法は、複数の特性情報各々に対応する介入方法の一例である。各人物の働きかけ後の状態を示す状態情報は、複数の特性情報各々と複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報の一例である。
【0053】
Ｎ人の人物の働きかけ方法は、Ｎ行Ｇ列の働きかけ行列により表される。Ｇは、働きかけ方法の個数を表す。
【0054】
図７は、働きかけ行列の例を示している。Ｈｊ（ｊ＝１～Ｇ）は、ｊ番目の働きかけ方法の識別情報である。この例では、Ｇ＝５である。働きかけ方法の識別情報としては、例えば、働きかけ方法を示す分類ラベルが用いられる。Ｈ１は、情報提供を表し、Ｈ２は、フィードバックを表し、Ｈ３は、モデリングを表し、Ｈ４は、指導を表し、Ｈ５は、その他の働きかけ方法を表す。
【0055】
働きかけ行列の各行は、働きかけ方法を示すワンホットベクトルである。例えば、アンケート結果Ｐ１に対応する人物の働きかけ方法は（１，０，０，０，０）であり、Ｈ１に対応する。
【0056】
図８は、働きかけ後の状態を示す状態行列の例を示している。例えば、アンケート結果Ｐ１に対応する人物の状態情報は（０，０，１，０，０）であり、Ｔ３に対応する。図５と図８を比較すると、図７の働きかけによって、この人物の状態は関心期から準備期に変化しており、働きかけが成功していることが分かる。
【0057】
次に、訓練部３１２は、状態推定モデル３２５及び訓練データ３２４を用いた機械学習により機械学習モデルを訓練することで、因子得点推定モデル３２６を生成して、記憶部３１８に格納する。因子得点推定モデル３２６は、人物の働きかけ前の因子得点ベクトル、アンケート結果、及び働きかけ方法から、その人物の働きかけ後の因子得点ベクトルを推定する、学習済みモデルである。因子得点推定モデル３２６は、特性推定モデルの一例である。
【0058】
図９は、因子得点推定モデル３２６の例を示している。図９の因子得点推定モデル９０１はＤＮＮであり、入力層９１１は、ノード９２１－１～ノード９２１－５を含み、入力層９１２は、ノード９２２－１～ノード９２２－Ｋを含み、入力層９１３は、ノード９２３－１～ノード９２３－５を含む。出力層９１４は、ノード９２４－１～ノード９２４－５を含む。
【0059】
ノード９２１－１～ノード９２１－５は、Ｒ１～Ｒ５にそれぞれ対応する働きかけ前の因子得点を受け付ける入力ノードである。ノード９２２－１～ノード９２２－Ｋは、アンケート結果に含まれるＫ個の回答を受け付ける入力ノードである。Ｑｊ（ｊ＝１～Ｋ）は、ｊ番目の質問の識別情報である。ノード９２３－１～ノード９２３－５は、Ｈ１～Ｈ５の何れかを示すワンホットベクトルを受け付ける入力ノードである。
【0060】
９２４－１～ノード９２４－５は、Ｒ１～Ｒ５にそれぞれ対応する働きかけ後の因子得点を出力する出力ノードである。
【0061】
入力層９１２及び入力層９１３に入力された数値に対して、複数の中間層による演算処理が実行され、最終中間層の演算結果が出力層９１４へ出力される。一方、入力層９１１に入力された働きかけ前の因子得点ベクトルは、恒等写像によりそのまま出力層９１４へ出力される。
【0062】
出力層９１４は、最終中間層の演算結果の加重和を表すベクトルと、入力層９１１に入力された因子得点ベクトルとの和を、働きかけ後の因子得点ベクトルとして出力する。この場合、働きかけ前の因子得点ベクトルは、出力層９１４におけるバイアスとして用いられる。
【0063】
ここで、説明を簡単にするため、因子得点推定モデル９０１が１層の中間層のみを含む場合を想定する。この場合、働きかけ後の因子得点ベクトルｙは、入力層９１２及び入力層９１３に入力された数値を要素とするベクトルｘと、バイアスベクトルｂ１と、働きかけ前の因子得点ベクトルｂ２とを用いて、次式により表される。
【0064】
ｙ＝Ｗ２・ｆ（Ｗ１・ｘ＋ｂ１）＋ｂ２ （３）
【0065】
Ｗ１は、ベクトルｘに対する重みを表し、ｆは、活性化関数を表し、Ｗ２は、ｆ（Ｗ１・ｘ＋ｂ１）に対する重みを表す。式（３）の右辺のＷ２・ｆ（Ｗ１・ｘ＋ｂ１）は、因子得点ベクトルｙと因子得点ベクトルｂ２との差分を表す。
【0066】
図１０は、因子得点推定モデル３２６を生成する機械学習における組み合わせモデルの例を示している。図１０の組み合わせモデル１００１は、学習前の機械学習モデルに対応するＤＮＮ１０１１と、図６の状態推定モデル６０１とを含む。ＤＮＮ１０１１は、図９の因子得点推定モデル９０１と同様の構成を有する。状態推定モデル６０１の入力層６１１は、ＤＮＮ１０１１の出力層９１４に接続されている。
【0067】
訓練部３１２は、因子得点行列Ｆの各行に対応する働きかけ前の因子得点ベクトルと、各人物の回答を表すＫ次元ベクトルと、図７の働きかけ行列の各行に対応するワンホットベクトルとを、ＤＮＮ１０１１の入力層９１１～入力層９１３に与える。そして、訓練部３１２は、図８の状態行列の各行に対応する状態情報を、状態推定モデル６０１の出力層６１２に教師データとして与えて、誤差逆伝播学習によりＤＮＮ１０１１を訓練する。入力層９１１に入力された働きかけ前の因子得点ベクトルは、出力層９１４におけるバイアスの初期値として用いられる。
【0068】
誤差逆伝播学習において、訓練部３１２は、出力層９１４におけるバイアスの学習率と、状態推定モデル６０１の各層における学習率とを、０に設定する。したがって、出力層９１４に与えられるバイアスは更新されず、状態推定モデル６０１も更新されない。このような組み合わせモデル１００１を用いた誤差逆伝播学習により、ＤＮＮ１０１１から因子得点推定モデル９０１が生成される。
【0069】
因子得点推定モデル３２６は、アンケート結果に含まれるＫ個の回答を受け付ける入力層の代わりに、働きかけ前の因子得点ベクトルを受け付ける入力層を含んでいてもよい。
【0070】
次に、訓練部３１２は、アンケートデータ３２１に含まれるＮ人のアンケート結果に対応するＮ個の事例データを生成し、それらの事例データを事例集合３２７として記憶部３１８に格納する。事例集合３２７は、事例データを蓄積するデータベースとして用いられる。
【0071】
図１１は、事例集合３２７に含まれる事例データの例を示している。図１１の事例データは、エントリ番号、働きかけ方法、働きかけ前の因子得点ベクトル、差分ベクトル、働きかけ前の状態情報、働きかけ後の状態情報、及び状況情報を含む。
【0072】
エントリ番号は、事例データの識別情報である。働きかけ方法は、人物に対して行われた働きかけの方法を表す。働きかけ前の因子得点ベクトルは、因子得点行列Ｆにおいて、その人物に対応する行に含まれるＭ個の因子得点からなるベクトルである。
【0073】
差分ベクトルは、働きかけ後の因子得点ベクトルと働きかけ前の因子得点ベクトルとの差分を表すベクトルである。
【0074】
訓練部３１２は、各人物の働きかけ前の因子得点ベクトル、アンケート結果、及び働きかけ方法を因子得点推定モデル３２６に入力し、因子得点推定モデル３２６から出力される因子得点ベクトルを、その人物の働きかけ後の因子得点ベクトルとして取得する。そして、訓練部３１２は、働きかけ後の因子得点ベクトルに含まれる各要素と、働きかけ前の因子得点ベクトルに含まれる同じ要素との差分を計算し、Ｍ個の差分を要素として含む差分ベクトルを生成する。差分ベクトルは、特性変化量の一例である。
【0075】
働きかけ前の状態情報は、人物の働きかけ前の状態を示す。働きかけ後の状態情報は、人物の働きかけ後の状態を示す。状況情報は、働きかけが行われたときの状況を示す。
【0076】
状況情報としては、例えば、前述した（Ｂ１）～（Ｂ７）の情報が用いられる。（Ｂ４）の着眼点は、例えば、アンケート結果に含まれる特定の質問であってもよく、（Ｂ５）の行動目標は、例えば、自宅で体操を行うことであってもよい。（Ｂ６）の同席者は、例えば、訪問時に同席した家族であってもよく、（Ｂ７）の気になったことは、例えば、働きかけを受けた人物の性格であってもよい。人物の性格は、論理的な思考をする性格であってもよい。
【0077】
検索装置３０１は、アンケートデータ３２１に対応するＮ個の事例とは異なる他の事例の事例データを、事例集合３２７に追加してもよい。
【0078】
検索処理において、記憶部３１８は、新たな働きかけ対象者のアンケートデータ３２８を記憶する。アンケートデータ３２８は、アンケートデータ３２１と同様のアンケート結果を含む。アンケートデータ３２８は、複数の項目それぞれについて介入対象者から取得された情報の一例である。
【0079】
生成部３１３は、アンケートデータ３２８に基づいて、働きかけ対象者の働きかけ前の因子得点ベクトル３２９を生成し、記憶部３１８に格納する。生成部３１３は、アンケートデータ３２８に含まれるＫ個の数値を要素として含むベクトルｕと、係数情報３２２が示す係数行列Ｃとを用いて、次式により因子得点ベクトルｖを求める。
【0080】
ｖ＝ｕＣ （４）
【0081】
そして、生成部３１３は、因子得点ベクトルｖを、因子得点ベクトル３２９として記憶部３１８に格納する。アンケートデータ３２８から因子得点ベクトル３２９を生成することで、Ｋ個の質問に対する働きかけ対象者の回答を、働きかけ対象者の各主因子に対する評価値に変換することができる。
【0082】
因子得点ベクトル３２９は、介入対象者の特性を示す第１特性情報の一例である。因子得点ベクトル３２９に含まれるＭ個の因子得点は、複数の項目に関連する複数の因子それぞれの数値の一例である。
【0083】
【0084】
次に、選択部３１４は、因子得点ベクトル３２９に基づいて、Ｇ個の働きかけ方法の中から、働きかけ対象者に適した特定の働きかけ方法を、推奨働きかけ方法として選択する。そして、選択部３１４は、推奨働きかけ方法を示す働きかけ情報３３０を、記憶部３１８に格納する。
【0085】
選択部３１４は、因子得点ベクトル３２９を状態推定モデル３２５に入力して、状態推定モデル３２５から出力されるＬ個の状態の数値を取得し、それらの数値に基づいて、働きかけ対象者の働きかけ前の状態を推定する。選択部３１４は、例えば、Ｌ個の数値のうち最大値に対応する状態が、働きかけ対象者の働きかけ前の状態であると推定する。状態推定モデル３２５から出力されるＬ個の数値は、第１状態情報の一例である。
【0086】
状態推定モデル３２５を用いることで、働きかけ前の状態を精度良く推定することができる。
【0087】
図１３は、図１２の因子得点ベクトル３２９から生成された状態情報の例を示している。図１３の状態情報は、Ｔ１～Ｔ５それぞれの状態の数値を含んでいる。この例では、Ｌ＝５である。この場合、Ｔ１の数値が最大であるため、働きかけ対象者の働きかけ前の状態は、無関心期と推定される。
【0088】
次に、選択部３１４は、Ｇ個の働きかけ方法の中から各働きかけ方法を順に選択し、因子得点推定モデル３２６を用いて、選択された働きかけ方法が適用された場合の働きかけ対象者の働きかけ後の因子得点ベクトルを推定する。
【0089】
選択部３１４は、働きかけ前の因子得点ベクトル３２９、アンケートデータ３２８、及び選択された働きかけ方法を、因子得点推定モデル３２６に入力する。そして、選択部３１４は、因子得点推定モデル３２６から出力される因子得点ベクトルを、働きかけ対象者の働きかけ後の因子得点ベクトルとして取得する。働きかけ対象者の働きかけ後の因子得点ベクトルは、介入対象者に対して複数の介入方法各々が適用された後の特性を示す第３特性情報の一例である。
【0090】
次に、選択部３１４は、働きかけ対象者の働きかけ後の因子得点ベクトルを状態推定モデル３２５に入力して、状態推定モデル３２５から出力されるＬ個の状態の数値を取得し、それらの数値に基づいて、働きかけ対象者の働きかけ後の状態を推定する。選択部３１４は、例えば、Ｌ個の数値のうち最大値に対応する状態が、働きかけ対象者の働きかけ後の状態であると推定する。状態推定モデル３２５から出力されるＬ個の数値は、第２状態情報の一例である。
【0091】
因子得点推定モデル３２６及び状態推定モデル３２５を用いることで、働きかけ後の状態を精度良く推定することができる。
【0092】
図１４は、働きかけ対象者の働きかけ後の因子得点ベクトルから生成された状態情報の例を示している。この例では、Ｈ２のフィードバックが、働きかけ方法として選択されている。この場合、Ｔ２の数値が最大であるため、働きかけ対象者の働きかけ後の状態は、関心期と推定される。
【0093】
次に、選択部３１４は、各働きかけ方法が適用された場合の働きかけ後の状態を比較して、状態が最も改善される働きかけ方法を、推奨働きかけ方法として選択する。これにより、成功する可能性が高い働きかけ方法を、推奨働きかけ方法として特定することができる。
【0094】
行動変容ステージモデルの場合、働きかけ前のステージよりも先に進んだステージが、改善された状態に対応する。例えば、Ｔ２～Ｔ５が示すステージは、Ｔ１が示すステージよりも改善されたステージに対応する。
【0095】
フィードバックによる働きかけ後の状態がＴ２であり、他の働きかけ方法による働きかけ後の状態がＴ１である場合、フィードバックが推奨働きかけ方法として選択される。フィードバック及びモデリングによる働きかけ後の状態がＴ２であり、他の働きかけ方法による働きかけ後の状態がＴ１である場合、フィードバック及びモデリングのうち、Ｔ２の数値が大きい方が推奨働きかけ方法として選択される。また、複数の働きかけ方法による働きかけ後の状態がＴ２となった場合には、図１４に示されるＴ２の数値が最も大きい働きかけ方法が、推奨働きかけ方法として選択される。
【0096】
次に、推定部３１５は、因子得点ベクトル３２９、アンケートデータ３２８、及び働きかけ情報３３０が示す推奨働きかけ方法を、因子得点推定モデル３２６に入力する。そして、推定部３１５は、因子得点推定モデル３２６から出力される、働きかけ後の因子得点ベクトル３３１を取得し、記憶部３１８に格納する。因子得点ベクトル３３１は、介入対象者に対して特定の介入方法が適用された後の特性を示す第２特性情報の一例である。
【0097】
次に、推定部３１５は、因子得点ベクトル３３１に含まれる各要素と、因子得点ベクトル３２９に含まれる同じ要素との差分を計算し、Ｍ個の差分を要素として含む推定差分ベクトル３３２を生成する。そして、推定部３１５は、推定差分ベクトル３３２を記憶部３１８に格納する。推定差分ベクトル３３２は、第２特性情報と第１特性情報との差分を表す推定特性変化量の一例である。
【0098】
因子得点推定モデル３２６を用いることで、働きかけ後の因子得点ベクトル３３１を精度良く推定することができる。したがって、因子得点ベクトル３３１から生成される推定差分ベクトル３３２の精度も向上する。
【0099】
次に、検索部３１６は、事例集合３２７から、働きかけ対象者に適した特定の事例データを検索する。特定の事例データは、選択部３１４により選択された推奨働きかけ方法と同一の働きかけ方法を含み、かつ、因子得点ベクトル３２９及び推定差分ベクトル３３２の組み合わせＣ１と類似する働きかけ前の因子得点ベクトル及び差分ベクトルの組み合わせＣ２を含む。
【0100】
検索部３１６は、事例集合３２７から推奨働きかけ方法と同一の働きかけ方法を含む事例データを抽出し、組み合わせＣ１と、抽出された事例データに含まれる組み合わせＣ２との間の距離Ｄを、次式により計算する。
【0101】
Ｄ＝α（ｖ－ｓ）（Σ１）－１（ｖ－ｓ）Ｔ
＋（１－α）（Δｖ－Δｓ）（Σ２）－１（Δｖ－Δｓ）Ｔ （５）
＋（１－α）（Δｖ－Δｓ）（Σ２）－１（Δｖ－Δｓ）Ｔ （５）
【0102】
ｖは、因子得点ベクトル３２９を表し、ｓは、抽出された事例データに含まれる働きかけ前の因子得点ベクトルを表す。Δｖは、推定差分ベクトル３３２を表し、Δｓは、抽出された事例データに含まれる差分ベクトルを表す。
【0103】
ベクトルｖ、ベクトルｓ、ベクトルΔｖ、及びベクトルΔｓは、行ベクトルである。したがって、（ｖ－ｓ）及び（Δｖ－Δｓ）も行ベクトルである。（ｖ－ｓ）Ｔは、（ｖ－ｓ）を転置することで得られる列ベクトルを表し、（Δｖ－Δｓ）Ｔは、（Δｖ－Δｓ）を転置することで得られる列ベクトルを表す。
【0104】
Σ１は、事例集合３２７内の事例データに含まれる働きかけ前の因子得点ベクトルの共分散行列を表し、（Σ１）－１は、Σ１の逆行列を表す。Σ２は、事例集合３２７内の事例データに含まれる差分ベクトルの共分散行列を表し、（Σ２）－１は、Σ２の逆行列を表す。
【0105】
αは、０～１の範囲の実数である。式（５）の右辺の第１項は、ベクトルｖとベクトルｓの間のマハラノビス距離と、αとの積を表す。第２項は、ベクトルΔｖとベクトルΔｓの間のマハラノビス距離と、（１－α）との積を表す。αを変更することで、第１項又は第２項の何れを重視するかを調整することができる。
【0106】
組み合わせＣ１と組み合わせＣ２の間の類似度は、距離Ｄが小さいほど大きくなり、距離Ｄが大きいほど小さくなる。そこで、検索部３１６は、抽出された事例データのうち、最小の距離Ｄを有する事例データを、特定の事例データに決定する。
【0107】
式（５）を用いて距離Ｄを計算することで、働きかけ前の因子得点ベクトルが類似しているだけでなく、働きかけによる因子得点ベクトルの変化量も類似している、適切な成功事例の事例データを検索することができる。したがって、働きかけ対象者の働きかけ前の状態だけでなく、働きかけを実施した後の効果（変化）の類似性も考慮して、働きかけ対象者に対する働きかけ方法を決定する上で最も参考となる成功事例の情報を求めることができる。
【0108】
ベクトルｖとベクトルｓの間の距離、及びベクトルΔｖとベクトルΔｓの間の距離としては、式（５）に示した距離以外のベクトル間距離を用いてもよい。ベクトル間距離は、ユークリッド距離であってもよく、マンハッタン距離であってもよい。検索部３１６は、ベクトル間距離の代わりにベクトル間類似度を用いて、特定の事例データを求めてもよい。
【0109】
次に、検索部３１６は、特定の事例データを用いて検索結果３３３を生成し、記憶部３１８に格納する。検索結果３３３は、例えば、特定の事例データに含まれる働きかけ方法、働きかけ前の状態情報が示す状態、働きかけ後の状態情報が示す状態、及び状況情報を含む。表示部３１７は、検索結果３３３を画面上に表示する。検索結果３３３は、特定の事例データに基づく情報の一例である。
【0110】
図１５は、検索結果３３３に含まれる状況情報の例を示している。担当者は、（Ｂ１）の情報に対応し、パンフレットは、（Ｂ３）の情報に対応し、着眼点は、（Ｂ４）の情報に対応する。合意した行動目標は、（Ｂ５）の情報に対応し、同席者は、（Ｂ６）の情報に対応し、その他は、（Ｂ７）の情報に対応する。
【0111】
過去の事例で採用された働きかけ方法とともに状況情報を表示することで、保健師は、その働きかけ方法が適用されたときの状況を参考にして、同じ働きかけ方法を採用するか否かを決定することができる。
【0112】
図３の検索装置３０１は、アウトリーチ支援に限らず、様々な社会活動において介入対象者に対する介入方法を決定する場合に利用することができる。例えば、介入対象者は、企業の従業員であってもよく、介入は、従業員の業績を向上させるための働きかけであってもよい。
【0113】
図１６Ａ及び図１６Ｂは、図３の検索装置３０１が行う学習処理の例を示すフローチャートである。まず、分析部３１１は、探索的因子分析における主因子の個数Ｍを決定する（ステップ１６０１）。分析部３１１は、例えば、ユーザの指示に従って、主因子の個数Ｍを決定する。主因子の個数Ｍは、例えば、相関行列の固有値が１以上の因子数を選択する等の既存の方法を用いて決定される。
【0114】
次に、分析部３１１は、Ｎ人の人物のアンケートデータ３２１に対する探索的因子分析を行うことで、因子負荷行列Ａを求める（ステップ１６０２）。
【0115】
次に、分析部３１１は、アンケートデータ３２１から相関行列Ｒを求める計算を行い（ステップ１６０３）、計算が収束したか否かをチェックする（ステップ１６０４）。相関行列が特異行列になっており、計算が収束しない場合（ステップ１６０４，ＮＯ）、検索装置３０１は、処理を終了する。
【0116】
計算が収束した場合（ステップ１６０４，ＹＥＳ）、分析部３１１は、相関行列Ｒの逆行列Ｒ－１を求め、式（１）により係数行列Ｃを求めて、係数行列Ｃを示す係数情報３２２を生成する（ステップ１６０５）。そして、分析部３１１は、式（２）により因子得点行列Ｆを求める（ステップ１６０６）。
【0117】
次に、訓練部３１２は、訓練データ３２３を用いた機械学習により状態推定モデル３２５を生成する訓練を行い（ステップ１６０７）、機械学習が収束したか否かをチェックする（ステップ１６０８）。機械学習が収束していない場合（ステップ１６０８，ＮＯ）、訓練部３１２は、ステップ１６０７以降の処理を繰り返す。
【0118】
機械学習が収束した場合（ステップ１６０８，ＹＥＳ）、訓練部３１２は、学習前の機械学習モデルと状態推定モデル３２５とを接続することで、組み合わせモデルを生成する（ステップ１６０９）。そして、訓練部３１２は、訓練データ３２４を用いた機械学習により因子得点推定モデル３２６を生成する訓練を行い（ステップ１６１０）、機械学習が収束したか否かをチェックする（ステップ１６１１）。機械学習が収束していない場合（ステップ１６１１，ＮＯ）、訓練部３１２は、ステップ１６１０以降の処理を繰り返す。
【0119】
機械学習が収束した場合（ステップ１６１１，ＹＥＳ）、訓練部３１２は、アンケートデータ３２１から１つのアンケート結果を選択する（ステップ１６１２）。そして、訓練部３１２は、選択されたアンケート結果と、そのアンケート結果に対応する働きかけ前の因子得点ベクトル及び働きかけ方法とを、因子得点推定モデル３２６に入力し、働きかけ後の因子得点ベクトルを生成する（ステップ１６１３）。
【0120】
次に、訓練部３１２は、働きかけ後の因子得点ベクトルと働きかけ前の因子得点ベクトルから、差分ベクトルを生成する（ステップ１６１４）。そして、訓練部３１２は、エントリ番号、働きかけ方法、働きかけ前の因子得点ベクトル、差分ベクトル、働きかけ前の状態情報、働きかけ後の状態情報、及び状況情報を含む事例データを、事例集合３２７に追加する（ステップ１６１５）。
【0121】
次に、訓練部３１２は、アンケートデータ３２１に含まれるすべてのアンケート結果を選択したか否かをチェックする（ステップ１６１６）。未選択のアンケート結果が残っている場合（ステップ１６１６，ＮＯ）、訓練部３１２は、次のアンケート結果について、ステップ１６１２以降の処理を繰り返す。すべてのアンケート結果が選択された場合（ステップ１６１６，ＹＥＳ）、検索装置３０１は、処理を終了する。
【0122】
図１７Ａ及び図１７Ｂは、図３の検索装置３０１が行う第２の検索処理の例を示すフローチャートである。まず、生成部３１３は、働きかけ対象者のアンケートデータ３２８に含まれるＫ個の数値を要素として含むベクトルｕと、係数情報３２２が示す係数行列Ｃとを用いて、式（４）により因子得点ベクトルｖを求める（ステップ１７０１）。そして、生成部３１３は、因子得点ベクトルｖを、因子得点ベクトル３２９として記憶部３１８に格納する。
【0123】
次に、選択部３１４は、因子得点ベクトル３２９を状態推定モデル３２５に入力し（ステップ１７０２）、状態推定モデル３２５から出力されるＬ個の数値に基づいて、働きかけ対象者の働きかけ前の状態を推定する（ステップ１７０３）。
【0124】
次に、選択部３１４は、因子得点ベクトル３２９及びアンケートデータ３２８を、因子得点推定モデル３２６に入力する（ステップ１７０４）。次に、選択部３１４は、Ｇ個の働きかけ方法の中から１つの働きかけ方法を選択し（ステップ１７０５）、選択された働きかけ方法を、因子得点推定モデル３２６に入力する（ステップ１７０６）。そして、選択部３１４は、因子得点推定モデル３２６から出力される因子得点ベクトルを、働きかけ対象者の働きかけ後の因子得点ベクトルとして取得する。
【0125】
次に、選択部３１４は、働きかけ対象者の働きかけ後の因子得点ベクトルを状態推定モデル３２５に入力し、状態推定モデル３２５から出力されるＬ個の数値に基づいて、働きかけ対象者の働きかけ後の状態を推定し、記憶部３１８に記録する（ステップ１７０７）。
【0126】
次に、選択部３１４は、すべての働きかけ方法を選択したか否かをチェックする（ステップ１７０８）。未選択の働きかけ方法が残っている場合（ステップ１７０８，ＮＯ）、選択部３１４は、次の働きかけ方法について、ステップ１７０５以降の処理を繰り返す。
【0127】
すべての働きかけ方法が選択された場合（ステップ１７０８，ＹＥＳ）、選択部３１４は、記憶部３１８に記録されている、各働きかけ方法が適用された場合の働きかけ後の状態を比較して、状態が最も改善される働きかけ方法を、推奨働きかけ方法として選択する（ステップ１７０９）。そして、選択部３１４は、推奨働きかけ方法を示す働きかけ情報３３０を生成する。
【0128】
次に、推定部３１５は、因子得点ベクトル３２９、アンケートデータ３２８、及び働きかけ情報３３０が示す推奨働きかけ方法を、因子得点推定モデル３２６に入力し、働きかけ後の因子得点ベクトル３３１を推定する（ステップ１７１０）。そして、推定部３１５は、因子得点ベクトル３３１と因子得点ベクトル３２９から、推定差分ベクトル３３２を生成する（ステップ１７１１）。
【0129】
次に、検索部３１６は、事例集合３２７から推奨働きかけ方法を含む事例データを抽出し（ステップ１７１２）、距離Ｄの最小値ＤＭに初期値を設定する（ステップ１７１３）。最小値ＤＭの初期値としては、想定される距離Ｄの最大値よりも十分に大きな値が用いられる。
【0130】
次に、検索部３１６は、抽出された事例データの中から１つの事例データを選択する（ステップ１７１４）。そして、検索部３１６は、因子得点ベクトル３２９と、推定差分ベクトル３３２と、選択された事例データに含まれる因子得点ベクトル及び差分ベクトルとを用いて、式（５）により距離Ｄを計算する（ステップ１７１５）。
【0131】
次に、検索部３１６は、距離Ｄを最小値ＤＭと比較する（ステップ１７１６）。距離Ｄが最小値ＤＭよりも小さい場合（ステップ１７１６，ＹＥＳ）、検索部３１６は、最小値ＤＭに距離Ｄを設定し、選択された事例データのエントリ番号を記憶部３１８に記録する（ステップ１７１７）。
【0132】
次に、検索部３１６は、抽出されたすべての事例データを選択したか否かをチェックする（ステップ１７１８）。未選択の事例データが残っている場合（ステップ１７１８，ＮＯ）、検索部３１６は、次の事例データについて、ステップ１７１４以降の処理を繰り返す。
【0133】
すべての事例データが選択された場合（ステップ１７１８，ＹＥＳ）、検索部３１６は、最後に記録されたエントリ番号が示す特定の事例データを用いて、検索結果３３３を生成する（ステップ１７１９）。そして、表示部３１７は、検索結果３３３を画面上に表示する（ステップ１７２０）。
【0134】
距離Ｄが最小値ＤＭ以上である場合（ステップ１７１６，ＮＯ）、検索部３１６は、ステップ１７１８以降の処理を行う。
【0135】
図１の検索装置１０１及び図３の検索装置３０１の構成は一例に過ぎず、検索装置１０１又は検索装置３０１の用途又は条件に応じて一部の構成要素を省略又は変更してもよい。例えば、図３の係数情報３２２、状態推定モデル３２５、因子得点推定モデル３２６、及び事例集合３２７が外部の装置により生成される場合は、分析部３１１及び訓練部３１２を省略することができる。
【0136】
図２、図１６Ａ、図１６Ｂ、図１７Ａ、及び図１７Ｂのフローチャートは一例に過ぎず、検索装置１０１又は検索装置３０１の構成又は条件に応じて、一部の処理を省略又は変更してもよい。例えば、図３の係数情報３２２、状態推定モデル３２５、因子得点推定モデル３２６、及び事例集合３２７が外部の装置により生成される場合は、図１６Ａ及び図１６Ｂの学習処理を省略することができる。
【0137】
図４に示した因子得点行列、図５及び図８に示した状態行列、及び図７に示した働きかけ行列は一例に過ぎず、これらの行列は、アンケートデータ３２１が取得された事例に応じて変化する。図６に示した状態推定モデル６０１、図９に示した因子得点推定モデル９０１、及び図１０に示した組み合わせモデル１００１は一例に過ぎず、別の機械学習モデルを用いてもよい。図１１に示した事例データは一例に過ぎず、別の形式の事例データを用いてもよい。
【0138】
図１２に示した因子得点ベクトル３２９と図１３及び図１４に示した状態情報は一例に過ぎず、因子得点ベクトル３２９及び状態情報は、アンケートデータ３２８に応じて変化する。図１５に示した状況情報は一例に過ぎず、状況情報は、働きかけ後の因子得点ベクトル３３１に応じて変化する。
【0139】
式（１）～式（５）は一例に過ぎず、検索装置３０１は、別の計算式を用いて学習処理及び検索処理を行ってもよい。
【0140】
図１８は、図１の検索装置１０１及び図３の検索装置３０１として用いられる情報処理装置のハードウェア構成例を示している。図１８の情報処理装置は、ＣＰＵ（Central Processing Unit）１８０１、メモリ１８０２、入力装置１８０３、出力装置１８０４、補助記憶装置１８０５、媒体駆動装置１８０６、及びネットワーク接続装置１８０７を含む。これらの構成要素はハードウェアであり、バス１８０８により互いに接続されている。
【0141】
メモリ１８０２は、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の半導体メモリであり、処理に用いられるプログラム及びデータを記憶する。メモリ１８０２は、図３の記憶部３１８として動作してもよい。
【0142】
ＣＰＵ１８０１（プロセッサ）は、例えば、メモリ１８０２を利用してプログラムを実行することにより、図１の選択部１１１、推定部１１２、及び検索部１１３として動作する。ＣＰＵ１８０１は、メモリ１８０２を利用してプログラムを実行することにより、図３の分析部３１１、訓練部３１２、生成部３１３、選択部３１４、推定部３１５、及び検索部３１６としても動作する。
【0143】
入力装置１８０３は、例えば、キーボード、ポインティングデバイス等であり、ユーザ又はオペレータからの指示又は情報の入力に用いられる。出力装置１８０４は、例えば、表示装置、プリンタ等であり、ユーザ又はオペレータへの問い合わせ又は指示、及び処理結果の出力に用いられる。処理結果は、検索結果３３３であってもよい。出力装置１８０４は、図１の出力部１１４又は図３の表示部３１７として動作してもよい。
【0144】
補助記憶装置１８０５は、例えば、磁気ディスク装置、光ディスク装置、光磁気ディスク装置、テープ装置等である。補助記憶装置１８０５は、ハードディスクドライブであってもよい。情報処理装置は、補助記憶装置１８０５にプログラム及びデータを格納しておき、それらをメモリ１８０２にロードして使用することができる。補助記憶装置１８０５は、図３の記憶部３１８として動作してもよい。
【0145】
媒体駆動装置１８０６は、可搬型記録媒体１８０９を駆動し、その記録内容にアクセスする。可搬型記録媒体１８０９は、メモリデバイス、フレキシブルディスク、光ディスク、光磁気ディスク等である。可搬型記録媒体１８０９は、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、ＵＳＢ（Universal Serial Bus）メモリ等であってもよい。ユーザ又はオペレータは、可搬型記録媒体１８０９にプログラム及びデータを格納しておき、それらをメモリ１８０２にロードして使用することができる。
【0146】
このように、処理に用いられるプログラム及びデータを格納するコンピュータ読み取り可能な記録媒体は、メモリ１８０２、補助記憶装置１８０５、又は可搬型記録媒体１８０９のような、物理的な（非一時的な）記録媒体である。
【0147】
ネットワーク接続装置１８０７は、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）等の通信ネットワークに接続され、通信に伴うデータ変換を行う通信インタフェース回路である。情報処理装置は、プログラム及びデータを外部の装置からネットワーク接続装置１８０７を介して受信し、それらをメモリ１８０２にロードして使用することができる。ネットワーク接続装置１８０７は、図１の出力部１１４として動作してもよい。
【0148】
なお、情報処理装置が図１８のすべての構成要素を含む必要はなく、情報処理装置の用途又は条件に応じて一部の構成要素を省略することも可能である。例えば、可搬型記録媒体１８０９又は通信ネットワークを使用しない場合は、媒体駆動装置１８０６又はネットワーク接続装置１８０７を省略してもよい。
【0149】
開示の実施形態とその利点について詳しく説明したが、当業者は、特許請求の範囲に明確に記載した本発明の範囲から逸脱することなく、様々な変更、追加、省略をすることができるであろう。
【0150】
図１乃至図１８を参照しながら説明した実施形態に関し、さらに以下の付記を開示する。
（付記１）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータに実行させるための検索プログラム。
（付記２）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する処理を、前記コンピュータにさらに実行させることを特徴とする付記１記載の検索プログラム。
（付記３）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記２記載の検索プログラム。
（付記４）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記１記載の検索プログラム。
（付記５）
前記特定の介入方法を選択する処理は、
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする付記１乃至４の何れか１項に記載の検索プログラム。
（付記６）
前記第１状態情報を求める処理は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求める処理を含み、
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記５記載の検索プログラム。
（付記７）
前記推定特性変化量を求める処理は、
前記特性推定モデルを用いて、前記第１特性情報及び前記特定の介入方法から前記第２特性情報を求める処理と、
前記第１特性情報及び前記第２特性情報を用いて前記推定特性変化量を求める処理と、
を含むことを特徴とする付記６記載の検索プログラム。
（付記８）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する選択部と、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求める推定部と、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索する検索部と、
前記特定の事例データに基づく情報を出力する出力部と、
を備えることを特徴とする検索装置。
（付記９）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する生成部をさらに備えることを特徴とする付記８記載の検索装置。
（付記１０）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記９記載の検索装置。
（付記１１）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記８記載の検索装置。
（付記１２）
前記選択部は、前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求め、前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求め、前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択することを特徴とする付記８乃至１１の何れか１項に記載の検索装置。
（付記１３）
前記選択部は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求め、特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求め、前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求め、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記１２記載の検索装置。
（付記１４）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータが実行することを特徴とする検索方法。
（付記１５）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する処理を、前記コンピュータがさらに実行することを特徴とする付記１４記載の検索方法。
（付記１６）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記１５記載の検索方法。
（付記１７）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記１４記載の検索方法。
（付記１８）
前記特定の介入方法を選択する処理は、
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする付記１４乃至１７の何れか１項に記載の検索方法。
（付記１９）
前記第１状態情報を求める処理は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求める処理を含み、
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記１８記載の検索方法。
（付記１）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータに実行させるための検索プログラム。
（付記２）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する処理を、前記コンピュータにさらに実行させることを特徴とする付記１記載の検索プログラム。
（付記３）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記２記載の検索プログラム。
（付記４）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記１記載の検索プログラム。
（付記５）
前記特定の介入方法を選択する処理は、
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする付記１乃至４の何れか１項に記載の検索プログラム。
（付記６）
前記第１状態情報を求める処理は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求める処理を含み、
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記５記載の検索プログラム。
（付記７）
前記推定特性変化量を求める処理は、
前記特性推定モデルを用いて、前記第１特性情報及び前記特定の介入方法から前記第２特性情報を求める処理と、
前記第１特性情報及び前記第２特性情報を用いて前記推定特性変化量を求める処理と、
を含むことを特徴とする付記６記載の検索プログラム。
（付記８）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択する選択部と、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求める推定部と、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索する検索部と、
前記特定の事例データに基づく情報を出力する出力部と、
を備えることを特徴とする検索装置。
（付記９）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する生成部をさらに備えることを特徴とする付記８記載の検索装置。
（付記１０）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記９記載の検索装置。
（付記１１）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記８記載の検索装置。
（付記１２）
前記選択部は、前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求め、前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求め、前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択することを特徴とする付記８乃至１１の何れか１項に記載の検索装置。
（付記１３）
前記選択部は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求め、特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求め、前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求め、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記１２記載の検索装置。
（付記１４）
介入対象者の特性を示す第１特性情報に基づいて、複数の介入方法の中から特定の介入方法を選択し、
前記介入対象者に対して前記特定の介入方法が適用された後の特性を示す第２特性情報と、前記第１特性情報との差分を表す、推定特性変化量を求め、
複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データから、前記第１特性情報及び前記推定特性変化量の組み合わせと類似する特性情報及び特性変化量の組み合わせと、前記特定の介入方法とを含む、特定の事例データを検索し、
前記特定の事例データに基づく情報を出力する、
処理をコンピュータが実行することを特徴とする検索方法。
（付記１５）
複数の項目それぞれについて前記介入対象者から取得された情報に基づいて、前記第１特性情報を生成する処理を、前記コンピュータがさらに実行することを特徴とする付記１４記載の検索方法。
（付記１６）
前記複数の項目それぞれについて前記介入対象者から取得された情報は、前記複数の項目各々の数値を含み、
前記第１特性情報は、前記複数の項目に関連する複数の因子それぞれの数値を含み、
前記複数の因子各々の数値は、前記複数の項目各々の数値の加重和であることを特徴とする付記１５記載の検索方法。
（付記１７）
前記複数の人物それぞれの介入方法、特性情報、及び特性変化量を含む事例データは、前記複数の人物それぞれの介入方法を用いて介入が行われたときの状況を示す状況情報をさらに含み、
前記特定の事例データに基づく情報は、前記特定の事例データに含まれる状況情報を含むことを特徴とする付記１４記載の検索方法。
（付記１８）
前記特定の介入方法を選択する処理は、
前記第１特性情報に基づいて、前記第１特性情報に対応する前記介入対象者の状態を示す第１状態情報を求める処理と、
前記第１特性情報及び前記複数の介入方法各々に基づいて、前記介入対象者に対して前記複数の介入方法各々が適用された後の前記介入対象者の状態を示す第２状態情報を求める処理と、
前記第１状態情報及び前記第２状態情報に基づいて、前記複数の介入方法の中から前記特定の介入方法を選択する処理と、
を含むことを特徴とする付記１４乃至１７の何れか１項に記載の検索方法。
（付記１９）
前記第１状態情報を求める処理は、状態推定モデルを用いて前記第１特性情報から前記第１状態情報を求める処理を含み、
前記第２状態情報を求める処理は、
特性推定モデルを用いて、前記第１特性情報及び前記複数の介入方法各々から、前記介入対象者に対して前記複数の介入方法各々が適用された後の特性を示す第３特性情報を求める処理と、
前記状態推定モデルを用いて前記第３特性情報から前記第２状態情報を求める処理と、
を含み、
前記状態推定モデルは、複数の特性情報と前記複数の特性情報それぞれに対応する状態情報とを含む、訓練データを用いた機械学習により生成され、
前記特性推定モデルは、前記複数の特性情報と、前記複数の特性情報各々に対応する介入方法と、前記複数の特性情報各々と前記複数の特性情報各々に対応する介入方法との組み合わせに対応する状態情報とを含む、訓練データと、前記状態推定モデルとを用いた機械学習により生成されることを特徴とする付記１８記載の検索方法。
【符号の説明】
【0151】
１０１、３０１ 検索装置
１１１、３１４ 選択部
１１２、３１５ 推定部
１１３、３１６ 検索部
１１４ 出力部
３１１ 分析部
３１２ 訓練部
３１３ 生成部
３１７ 表示部
３１８ 記憶部
３２１、３２８ アンケートデータ
３２２ 係数情報
３２３、３２４ 訓練データ
３２５、６０１ 状態推定モデル
３２６、９０１ 因子得点推定モデル
３２７ 事例集合
３２９、３３１ 因子得点ベクトル
３３０ 働きかけ情報
３３２ 推定差分ベクトル
３３３ 検索結果
６１１、９１１～９１３ 入力層
６１２、９１４ 出力層
６２１－１～６２１－５、６２２－１～６２２－５、９２１－１～９２１－５、９２２－１～９２２－Ｋ、９２３－１～９２３－５、９２４－１～９２４－５ ノード
１００１ 組み合わせモデル
１０１１ ＤＮＮ
１８０１ ＣＰＵ
１８０２ メモリ
１８０３ 入力装置
１８０４ 出力装置
１８０５ 補助記憶装置
１８０６ 媒体駆動装置
１８０７ ネットワーク接続装置
１８０８ バス
１８０９ 可搬型記録媒体
１１１、３１４ 選択部
１１２、３１５ 推定部
１１３、３１６ 検索部
１１４ 出力部
３１１ 分析部
３１２ 訓練部
３１３ 生成部
３１７ 表示部
３１８ 記憶部
３２１、３２８ アンケートデータ
３２２ 係数情報
３２３、３２４ 訓練データ
３２５、６０１ 状態推定モデル
３２６、９０１ 因子得点推定モデル
３２７ 事例集合
３２９、３３１ 因子得点ベクトル
３３０ 働きかけ情報
３３２ 推定差分ベクトル
３３３ 検索結果
６１１、９１１～９１３ 入力層
６１２、９１４ 出力層
６２１－１～６２１－５、６２２－１～６２２－５、９２１－１～９２１－５、９２２－１～９２２－Ｋ、９２３－１～９２３－５、９２４－１～９２４－５ ノード
１００１ 組み合わせモデル
１０１１ ＤＮＮ
１８０１ ＣＰＵ
１８０２ メモリ
１８０３ 入力装置
１８０４ 出力装置
１８０５ 補助記憶装置
１８０６ 媒体駆動装置
１８０７ ネットワーク接続装置
１８０８ バス
１８０９ 可搬型記録媒体
【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16A】
【図16B】
【図17A】
【図17B】
【図18】